Bab 4 Perancangan Data Mining
4.1
Arsitektur Perancangan Data Mining yang Diusulkan Data layanan dan operasional yang berhubungan dengan pembuatan laporan bagi pihak eksekutif diambil dan ditampung ke dalam media penyimpanan yang besar yaitu database, sumber data yang akan digunakan dalam proses perancangan data mining diambil dari data warehouse. Hal ini disebabkan karena informasi yang tersimpan di dalam data warehouse, sehingga memberikan gambaran akhir dari proses customer service operational dan data analyst. Data yang tersimpan dalam data warehouse bersifat terpusat. Selanjutnya data mining dibuat dari data warehouse untuk menghasilkan laporan yang sifatnya prediktif dan klasifikasi. Data warehouse dan data mining dibuat menggunakan analysis service yang disediakan oleh Micosoft SQL Server 2005.
Gambar 4.1 Arsitektur Perancangan Data Mining yang Diusulkan 106
107 4.2
Tahapan Dalam Proses Data Mining 4.2.1
Data Cleaning Langkah pertama dalam metode perancangan ini adalah data cleaning. Fungsi daripada data cleaning adalah menghapus dan mengganti data yang tidak konsisten, namun karena perusahaan telah menerapkan data warehouse, maka data yang digunakan adalah data yang ada dalam data warehouse perusahaan.
4.2.2
Data Integration Pada tahap ini dilakukan penggabungan data. Dalam tahapan ini dibentuk skema yang berisi informasi sejumlah entity yang saling berhubungan dalam tabel dimensi yang satu dengan tabel dimensi yang lain, namun karena perusahaan telah menerapkan data warehouse maka data yang digunakan adalah data yang ada dalam data warehouse perusahaan
4.2.3
Data Selection Pada tahap ini, dilakukan seleksi data yang ada di dalam data warehouse yang akan digunakan dalam perancangan model data mining. Data yang diseleksi adalah data dari hasil analisis data warehouse yang sebelumnya sudah di jelaskan pada sub bab 3.4 data warehouse perusahaan. Berdasarkan kebutuhan perusahaan, data yang akan diseleksi adalah data – data yang berhubungan dengan prediksi survei dan indeks kepuasan pelanggan.
108 4.2.4
Data Transformation Pada tahap ini, dipilih informasi yang ada di dalam data warehouse yang berhubungan dan akan digunakan dalam pembuatan model data mining, yang dapat berguna bagi perusahaan dan belum diketahui perusahaan, bahwa data yang ada dalam perusahaan dapat diubah menjadi informasi yang sangat bermanfaat. Model data mining dibuat dengan cara mempelajari data perusahaan yang sudah terintegrasi dan menemukan pola yang tersembunyi, tanpa adanya penambahan data baru ke dalam data warehouse, maka transformasi data ini dilakukan dengan cara membuat view dari data warehouse, yang berisi data – data yang digunakan. Berdasarkan kebutuhan perusahaan akan penilaian customer satisfaction dan proses survei, maka berikut ini adalah view – view yang dibentuk untuk memenuhi kebutuhan perusahaan : •
ViewFactKomplainPrediksiSurvey ViewFactKomplainPrediksiSurvey merupakan view yang dibuat dari tabel FactKomplain dan dimensi – dimensi yang terkait.
ViewFactKomplainPrediksiSurvey
dibuat
untuk
mendukung analisis survei pelanggan dengan karakteristik pelanggan
dan
agent
yang
berbeda
–
beda.
Dalam
ViewFactKomplainPrediksiSurvey juga terdapat analisis hari dan waktu survei yang dianjurkan, sehingga pelanggan mempunyai keinginan untuk disurvei. Berikut adalah SQL pembuatan ViewFactKomplainPrediksiSurvey :
109 CREATE VIEW ViewFactKomplainPrediksiSurvey AS SELECT ROW_ID=ROW_NUMBER() OVER(ORDER BY f.Periode_Key), p.Hari, w.KategoriWaktu, JenisKelaminCustomer=c.JenisKelamin, KotaCustomer=c.Kota, PendidikanCustomer=c.Pendidikan, c.TipeLangganan, UsiaCustomer=DATEDIFF(YEAR, c.TglLahir, p.Tgl), KategoriUsiaCustomer=uc.KategoriUsia, JenisKelaminCS=cs.JenisKelamin, KategoriUsiaCS=ucs.KategoriUsia, UsiaCS=DATEDIFF(YEAR, cs.TglLahir, p.Tgl), f.CustomerMonthlyUsage, f.HariPenyelesaian, f.JedaSurvey, s.Survey
FROM Fact_Komplain f INNER JOIN Dim_Periode p ON f.Periode_Key=p.Periode_Key INNER JOIN Dim_Waktu w ON f.Waktu_Key=w.Waktu_Key INNER JOIN Dim_Customer c ON f.Customer_Key=c.Customer_Key
110 INNER
JOIN
Dim_ProfilCustomer
cp
ON
uc
ON
f.ProfilCustomer_Key=cp.ProfilCustomer_Key INNER
JOIN
Dim_UsiaCustomer
f.UsiaCustomer_Key=uc.UsiaCustomer_Key INNER
JOIN
Dim_LamaBerlangganan
l
ON
cs
ON
f.LamaBerlangganan_Key=l.LamaBerlangganan_Key INNER
JOIN
Dim_CustomerService
f.CustomerService_Key=cs.CustomerService_Key INNER JOIN Dim_UsiaCS ucs ON f.UsiaCS_Key=ucs.UsiaCS_Key INNER JOIN Dim_MasaKerja m ON f.MasaKerja_Key=m.MasaKerja_Key INNER
JOIN
Dim_TipeKomplain
t
ON
wp
ON
f.TipeKomplain_Key=t.TipeKomplain_Key INNER
JOIN
Dim_WaktuPenyelesaian
f.WaktuPenyelesaian_Key=wp.WaktuPenyelesaian_Key INNER JOIN Dim_Survey s ON f.Survey_Key=s.Survey_Key INNER JOIN Dim_JedaSurvey j ON f.JedaSurvey_Key=j.JedaSurvey_Key
111 Tabel 4.1 Struktur Tabel View ViewFactKomplainPrediksiSurvey Nama field
Field sumber
Tabel sumber
Keterangan
ROW_ID
ROW_NUMBER()
ViewFactKomplainPrediksiSurvey Jumlah case
Hari
Hari
Dim_Periode
Hari survei
KategoriWaktu
KategoriWaktu
Dim_Waktu
Pagi, siang, sore, malam
JenisKelaminCustomer
JenisKelamin
Dim_Customer
Jenis kelamin dari pelangganu
KotaCustomer
Kota
Dim_Customer
Kota asal pelanggan
PendidikanCustomer
Pendidikan
Dim_Customer
Pendidikan terakhir pelanggan
TipeLangganan
TipeLangganan
Dim_Customer
Tipe pembayaran dari pelanggan
UsiaCustomer
TglLahir, Tgl
Dim_Customer dan Dim_periode
Usia pelanggan
KategoriUsiaCustomer
KategoriUsia
Dim_UsiaCustomer
Kategori usia pelanggan
JenisKelaminCS
JenisKelamin
Dim_CustomerService
Jenis kelamin customer service
KategoriUsiaCS
KategoriUsia
Dim_UsiaCS
Kategori usia customer service
UsiaCS
TglLahir, Tgl
Dim_CustomerService dan
Umur customer service
Dim_Periode CustomerMonthlyUsage CustomerMonthlyUsage Fact_Komplain
Pemakaian layanan pelanggan perbulan
HariPenyelesaian
HariPenyelesaian
Fact_Komplain
Hari penyelesaian keluhan
JedaSurvey
JedaSurvey
Fact_Komplain
Jeda survei
Survey
Survey
Fact_Komplain
Mau atau tidak disurvey
112 •
ViewFactSurveyIndeksKepuasan ViewFactSurveyIndeksKepuasan merupakan view yang dibuat dari FactSurvey dan dimensi – dimensi yang terkait. ViewFactSurveyIndeksKepuasan dibuat untuk mengukur tingkat kepuasan pelanggan akan layanan yang diberikan perusahaan pada pelanggan. ViewFactSurveyIndeksKepuasan terdiri dari kepuasan akses, solusi, servis, dan keramahtamahan. Berikut adalah SQL pembuatan ViewFactKomplainPrediksiSurvey :
CREATE VIEW ViewFactSurveyIndeksKepuasan AS
SELECT ROW_ID=ROW_NUMBER() OVER (ORDER BY f.Periode_Key), p.Hari, c.Kota, c.Pendidikan, c.TipeLangganan, cp.ProfilCustomer, l.KategoriLamaBerlangganan, KategoriUsiaCustomer=uc.KategoriUsia, JenisKelaminAgent=a.JenisKelamin, KategoriUsiaAgent=ucs.KategoriUsia, m.KategoriMasaKerja, t.TipeKomplain, KategoriHariJedaSurvey=j.KategoriHari, TingkatKepuasanAkses='Kepuasan Akses='+ka.TingkatKepuasanAkses, TingkatKepuasanSolusi='Kepuasan Solusi='+ks.TingkatKepuasanSolusi,
113 TingkatKepuasanServis='Kepuasan Servis='+kse.TingkatKepuasanServis, TingkatKepuasanKeramahtamahan='Kepuasan Keramahtamahan='+kk.TingkatKepuasanKeramahtamahan
FROM Fact_Survey f INNER JOIN Dim_Periode p ON f.Periode_Key=p.Periode_Key INNER JOIN Dim_Waktu w ON f.Waktu_Key=w.Waktu_Key INNER JOIN Dim_Customer c ON f.Customer_Key=c.Customer_Key INNER JOIN Dim_ProfilCustomer cp ON f.ProfilCustomer_Key=cp.ProfilCustomer_Key INNER JOIN Dim_UsiaCustomer uc ON f.UsiaCustomer_Key=uc.UsiaCustomer_Key INNER JOIN Dim_LamaBerlangganan l ON f.LamaBerlangganan_Key=l.LamaBerlangganan_Key INNER JOIN Dim_Agent a ON f.Agent_Key=a.Agent_Key INNER JOIN Dim_UsiaCS ucs ON f.UsiaAgent_Key=ucs.UsiaCS_Key INNER JOIN Dim_MasaKerja m ON f.MasaKerja_Key=m.MasaKerja_Key INNER JOIN Dim_TipeKomplain t ON f.TipeKomplain_Key=t.TipeKomplain_Key INNER JOIN Dim_JedaSurvey j ON f.JedaSurvey_Key=j.JedaSurvey_Key INNER JOIN Dim_KepuasanAkses ka ON f.KepuasanAkses_Key=ka.KepuasanAkses_Key INNER JOIN Dim_KepuasanSolusi ks ON f.KepuasanSolusi_Key=ks.KepuasanSolusi_Key
114 INNER JOIN Dim_KepuasanServis kse ON f.KepuasanServis_Key=kse.KepuasanServis_Key INNER JOIN Dim_KepuasanKeramahtamahan kk ON f.KepuasanKeramahtamahan_Key=kk.KepuasanKeramahtamahan_Key
115 Tabel 4.2 Struktur Tabel View ViewFactSurveyIndeksKepuasan Nama field ROW_ID
Field sumber ROW_NUMBER()
Tabel sumber Keterangan ViewFactKomplainPrediksiSurvey Jumlah case
Hari
Hari
Dim_Periode
Hari survei
Kota
Kota
Dim_Customer
Kota pelanggan
Pendidikan
Pendidikan
Dim_Customer
Pendidikan terakhir pelanggan
TipeLangganan
TipeLangganan
Dim_Customer
Tipe pembayaran dari pelanggan
ProfilCustomer
ProfilCustomer
Dim_ProfilCustomer
Kategori pemakaian pelangan
KategoriLamaBerlangganan KategoriLamaBerlangganan Dim_lama Berlangganan
Lama pelanggan memakai produk
KategoriUsiaCustomer
KategoriUsia
Dim_UsiaCustomer
Kategori usia pelanggan
JenisKelaminAgent
JenisKelamin
Dim_Agent
Jenis kelamin agent
KategoriUsiaAgent
KategoriUsia
Dim_UsiaCS
Katgori usia agent
KategoriMasaKerja
MasaKerja
Dim_MasaKerja
Kategori masa kerja
TipeKomplain
TipeKomplain
Dim_TipeKomplain
Tipe komplain pelanggan
KategoriHariJedaSurvey
KategoriHari
Dim_JedaSurvey
Kategori jeda hari survei
TingkatKepuasanAkses
TingkatKepuasanAkses
Dim_KepuasanAkses
Tingkat kepuasan akses
TingkatKepuasanSolusi
TingkatKepuasanSolusi
Dim_KepuasanSolusi
Tingkat kepuasan solusi
TingkatKepuasanServis
TingkatKepuasanServis
Dim_KepuasanServis
Tingkat kepuasan servis
TingkatKepuasan
TingkatKepuasan
Dim_KepuasanKeramahtamahan
Tingkat kepuasan
Keramahtamahan
Keramahtamahan
keramahtamahan
116 4.2.5
Model Data Mining Pada tahapan ini, dijelaskan mengenai proses pembuatan model data mining, yang terdiri dari teknik – teknik data mining. Langkah pertama yang harus dilakukan untuk membuat model data mining, jalankan SQL Server Business Intelligence Development Studio 2008 untuk merancang model yang akan dibuat. Perancangan model ini, dapat dilakukan dengan memilih Analysis Services Project pada menu File. Setelah terbentuk Analysis Services Project, lanjutkan dengan membuat Data Source, fungsi Data Source adalah sebagai sumber data yang akan digunakan untuk melakukan analisis tren pada model data mining. Langkah pertama yang harus dilakukan untuk membuat Data Source adalah klik kanan pada Data Source kemudian pilih New Data Source. Selanjutnya klik Next pada window Data Source Wizard, kemudian pilih “Create a data source based on an existing or new connection” dilanjutkan dengan memilih server dan jenis autentikasinya, setelah itu pilih database yang mau dimasukan, setelah selesai klik Test Connection untuk mengetahui apakah koneksi ke server berhasil. Bila berhasil, tekan OK, kemudian klik Finish. Apabila Data Source sudah terbentuk, kemudian dilanjutkan dengan membuat Data Source View, fungsi dari Data Source View adalah menampilkan relation dari data – data yang terdapat pada Data Source. Langkah pertama yang harus dilakukan pada saat membuat Data Source View adalah klik kanan pada Data Source View kemudian akan muncul window Data Source View Wizard. Klik Next sebanyak tiga kali,
117 kemudian pilih view yang akan menjadi sumber data dari model data mining yang akan dibuat. Klik nama view yang dibuat, kemudian klik “>” atau “>>” untuk menambah view ke daftar objek yang akan digunakan sebagai sumber data model. Kemudian, klik Next dan beri nama Data Source View yang dibuat. Terakhir, klik Finish. Setelah itu, rancangan model data mining dapat dibuat. Langkah pertama yang harus dilakukan adalah klik kanan Mining Structure dan pilih New Mining Structure. Kemudian, akan muncul window Data Mining Wizard. Klik Next kemudian pilih “From existing relational database or data warehouse” dan klik Next. Kemudian, pilih algoritma yang akan digunakan dalam membuat model data mining, selanjutnya klik Next. Berikut ini adalah tampilan untuk memilih algoritma yang akan dipakai dalam membuat proses model data mining :
Gambar 4.2 Window Memilih Teknik Data Mining
118 Selanjutnya , pilih Data Source View yang akan digunakan sebagai sumber data dari model data mining yang akan dibuat dan klik Next.
Gambar 4.3 Window Memilih Data Source View
Selanjutnya, pilih tabel input yang terdiri dari : case tabel, nested table, atau case table dan nested table. Hal ini tergantung dari algoritma yang digunakan dan tujuan dari pembuatan data mining tersebut.
119
Gambar 4.4 Window Memilih Tipe Tabel
Langkah selanjutnya adalah menentukan atribut dari tabel yang digunakan sebagai atribut input, atribut yang diprediksi, atau atribut key. Mengenai berapa banyak atribut yang dapat digunakan sebagai atribut input, atribut yang diprediksi, atau atribut key, tergantung dari algoritma yang digunakan. Misalnya, algoritma Time Series membutuhkan dua buah key, satu sebagai key time, dan satunya lagi sebagai key biasa. Sedangkan, algoritma Clustering tidak memiliki atribut yang diprediksi. Terdapat button Suggest pada saat memilih key, input, dan predict,
120 Suggest berfungsi untuk membantu menentukan atribut mana yang akan dijadikan atribut input.
Gambar 4.5 Window Spesifikasi Data Training
Setelah klik Next, selanjutnya memilih tipe data dari atribut yang sudah di input. Secara otomatis, tipe data yang ditampilkan adalah tipe data atribut yang ada dalam database. Tipe data ini perlu diubah sesuai dengan algoritma yang digunakan karena ada beberapa algoritma data
121 mining yang tidak mendukung semua tipe data yang ada. Misalnya, algoritma Naïve Bayes tidak mendukung tipe data yang bersifat continuous seperti Long atau Double sehingga perlu mengubah tipe data bersifat continuous tadi ke tipe data yang bersifat discrete.
Gambar 4.6 Window Penentuan Tipe Data
122 Setelah tipe data sesuai dengan algoritma yang digunakan, klik Next. Selanjutnya beri nama mining structure yang baru dibuat dan nama model data mining yang baru dibuat. Kemudian, klik Finish dan model data mining telah selesai dibuat.
Gambar 4.7 Window Penamaan Mining Structure dan Mining Model Agar model data mining tersebut dapat digunakan, model tersebut harus di-deploy ke dalam database Analysis Service yang terletak di
123 server. Langkah yang harus dilakukan adalah klik menu Build kemudian pilih Deploy Model
Gambar 4.8 Window Mining Structure Design
4.2.6
Pattern Evaluation Setelah perancangan data mining struktur maka tahapan selanjutnya adalah mengidentifikasi pola – pola yang terdapat dalam struktur data mining yang telah dibuat beserta algoritma yang sudah di hubungkan dengan struktur yang sudah terbentuk. Data mining dapat menemukan bermacam - macam pola yang terdapat dalam berbagai tipe data. Tahapan ini akan merepresentasikan pola – pola yang dapat dihasilkan oleh data mining yang telah terbentuk.
124 4.2.6.1 Mining Model Prediksi Keinginan untuk Disurvei Mining model ini menggunakan teknik neural network. Mining model prediksi keinginan untuk disurvei mengambil data dari tabel ViewFactKomplainPrediksiSurvei dengan atribut sebagai berikut :
Gambar 4.9 Atribut Prediksi Keinginan untuk Disurvei
Hari, jeda survei, jenis kelamin cs, jenis kelamin customer, kategori usia customer, kategori waktu dan kota customer digunakan sebagai input untuk memprediksi keinginan untuk disurvei. Dari mining model
prediksi
keinginan
untuk
disurvei
para
manajer
dapat
memperkirakan keinginan pelanggan untuk disurvei dari berbagai atribut di atas. Berikut ini contoh mining yang dapat dihasilkan dari mining model prediksi keinginan untuk disurvei :
125
Gambar 4.10 Hasil Mining Model Prediksi Keinginan untuk Disurvei
Dari hasil yang didapat di atas dapat disimpulkan bahwa waktu yang paling baik untuk melakukan survei di Jakarta Barat pada hari Senin adalah pada malam hari, disusul dengan siang hari. Sedangkan waktu yang paling buruk adalah pada pagi hari. Jeda survei yang paling disukai adalah lima sampai tujuh hari setelah komplain yang dilayangkan. Usia pelanggan yang paling mudah untuk disurvei rata-rata diatas 40 tahun atau kurang dari 25 tahun. Sedangkan untuk jenis kelamin customer service tidak terlalu berpengaruh terhadap minat pelanggan untuk disurvei. Dengan analisis data mining tersebut para agent maupun manajer dapat memfokuskan target surveinya ke pelanggan yang
126 memang memiliki kecenderungan untuk disurvei sehingga membuat proses survei jadi lebih mudah.
4.2.6.2 Mining Model Korelasi Profil Customer Terhadap Minat Disurvei Mining model korelasi profil customer terhadap minat disurvei menggunakan teknik association rules. Mining model ini memprediksi hubungan antara profil pelanggan terhadap minat mereka untuk disurvei. Dalam
mining
model
ini
kami
hasilkan
dari
tabel
ViewFactKomplainPrediksiSurvey dengan atribut sebagai berikut :
Gambar 4.11 Atribut Korelasi Profil Customer Terhadap Minat Disurvei
Kami menggunakan customer monthly usage, hari, jenis kelamin CS, jenis kelamin customer, kategori usia CS, dan kategori usia customer
127 sebagai input untuk memprediksi survei minat pelanggan. Berikut hasil dari mining model korelasi profil customer terhadap minat disurvei :
Gambar 4.12 Hasil Korelasi Terkuat
Gambar 4.13 Hasil Semua Korelasi
128 Dari hasil mining model korelasi profil customer terhadap minat disurvei dapat disimpulkan bahwa kebanyakan pelanggan dengan profil apapun kemungkinan akan menolak untuk disurvei pada hari senin dan hari sabtu. Lalu pelanggan yang berminat untuk disurvei umumnya memiliku usia 25-30 tahun dan hari yang paling baik untuk diadakan survei adalah hari minggu. Dengan hasil diatas para agent dapat menyusun rencana survei maupun mengambil data pelanggan yang memiliki kecenderungan untuk menerima survei sehingga dapat membantu dalam proses survei.
4.2.6.3Mining Model Segmentasi Pelanggan Mining model segmentasi pelanggan ini menggunakan teknik clustering. Pada mining model segmentasi pelanggan, para agent dapat melihat pembagian profil pelanggan. mining model segmentasi pelanggan ini mengambil data dari tabel ViewFactSurveyIndeksKepuasan dengan atributnya sebagai berikut :
129
Gambar 4.14 Atribut Segmentasi Pelanggan
Jenis kelamin customer, kategori lama berlangganan, usia customer, kota, dan pendidikan di input untuk menghasilkan segmentasi pelanggan. pada mining model ini dapat dihasilkan informasi sebagai berikut :
Gambar 4.15 Hasil Cluster Diagram
130
Gambar 4.16 Hasil Cluster Profile
Gambar 4.17 Hasil Cluster Characteristic Berdasarkan data yang kami gunakan, kebanyakan pelanggan PT. XL Axiata Tbk., umumnya berjenis kelamin laki-laki dengan lama berlangganan tidak lebih dari tiga bulan. Pelanggan PT. XL Axiata Tbk., umumnya memiliki jenjang pendidikan D3-S1 dan berumur kurang dari dua puluh lima tahun. Lalu umumnya pelanggan PT. XL Axiata Tbk., sudah puas dengan solusi dan keramah-tamahan customer service, akses
131 layanan dan servis yang diberikan oleh PT. XL Axiata Tbk. Dengan tersedianya informasi tersebut diharapkan dapat mempermudah pihak manajemen PT. XL Axiata Tbk., untuk mengukur tingkat kepuasan dan juga segmentasi pelanggannya. Salah satu hasil mining model ini yang dapat digunakan oleh pihak manajemen adalah hasil perhitungan umur pelanggan. Dengan mengetahui bahwa kebanyakan pelanggannya memiliki usia antara 25-40 tahun maka dapat disimpulkan bahwa kebanyakan pelanggannya adalah kalangan pekerja yang banyak menggunakan akses telepon maupun akses internet. Dengan tersedianya informasi tersebut sekiranya pihak manajer dapat menyusun layanan yang lebih cocok digunakan untuk kalangan tersebut.
4.2.6.4 Mining Model Kepuasan Solusi Mining model kepuasan solusi dihasilkan dari hasil survei ke pelanggan oleh para agent. Tugas mining model ini adalah mengukur kepuasan atas solusi yang diberikan oleh customer service terhadap keluhan yang dilayangkan oleh pelanggan. Mining model kepuasan solusi kami hasilkan dari ViewFactIndeksKepuasan dengan teknik neural network. Kepuasan solusi
akan diukur dari beberapa atribut seperti
pemakaian pelanggan perbulan, jeda survei,atau tipe komplain yang dilayangkan.
132
Gambar 4.18 Atribut Mining Model Kepuasan Solusi
Customer
monthly
usage,
jeda
survey,
kategori
lama
berlangganan, dan tipe komplain adalah input yang kami gunakan untuk memprediksi tingkat kepuasan solusi ke pelanggan. Hasil yang kami dapatkan dari mining model tingkat kepuasan solusi antara lain sebagai berikut :
133
Gambar 4.19 Hasil Mining Model Kepuasan Solusi
Dari mining model diatas dapat disimpulkan bahwa kebanyakan pelanggan PT. XL Axiata Tbk., sangat puas dengan solusi yang diberikan customer service tentang komplain yang berkaitan tentang content, internet, dan activation. Sedangkan untuk solusi yang berkaitan dengan Blackberry dan network masih banyak pelanggan yang merasa belum puas. Lalu untuk pemakaian perbulan, umumnya pelanggan yang jumlah pemakaiannya antara Rp.139.000-Rp.200.000 merasa sangat puas dengan solusi yang diberikan oleh customer service. Dengan informasi diatas para manajer dapat mengambil kesimpulan bahwa masih banyak customer service yang belum menguasai solusi yang berkaitan dengan Blackberry dan network sehingga pada pelatihan untuk customer service, solusi mengenai Blackberry dan network harus lebih diperjelas.
134 4.2.6.5 Mining Model Kepuasan Akses Untuk mining model kepuasan akses, sama dengan model kepuasan sebelumnya kami menggunakan metode Neural network dan dihasilkan dari ViewFactIndeksKepuasan. Pada mining model kepuasan akses kami menekankan pada tingkat kepuasan pelanggan mengenai koneksi ke layanan 817 atau customer service PT. XL Axiata Tbk.
Gambar 4.20 Atribut Mining Model Kepuasan Akses
Pada mining model kepuasan akses kami menggunakan hari, kategori lama berlangganan, kategori waktu, kota, tipe layanan dan tipe komplain. Dengan mining model kepuasan akses ini kami dapat memprediksi kapan waktu yang paling padat dilihat dari tingkat kepuasan akses ataupun informasi lain yang berhubungan. Berikut ini hasil dari mining model kepuasan akses :
135
Gamber 4.21 Hasil Mining Model Kepuasan Akses
Gambar 4.21 menunjukkan hasil mining model kepuasan akses dengan case : kota Jakarta Pusat, hari Sabtu, kategori waktu : sore hari, tipe langganan pascabayar dan lama berlangganan 6-12 bulan. Dari hasil mining model diatas dapat dilihat untuk pelanggan dengan tipe komplain network problem, activation, dan content tingkat kepuasannya sangat puas. Dari contoh hasil mining model kepuasan akses diatas manajer dapat mengalokasikan lebih banyak customer service untuk menangani komplain mengenai blackberry dan internet untuk meningkatkan kepuasan akses pelanggan ke layanan customer service 817.
136 4.2.6.6 Mining Model Kepuasan Keramahtamahan Mining
model
kepuasan
keramahtamahan
dihasilkan
dari
ViewFactIndeksKepuasan dengan menggunakan teknik neural network. Mining model kepuasan keramahtamahan bertujuan untuk mengukur tingkat keramah-tamahan customer service. Mining model kepuasan keramahtamahan ini memiliki beberapa atribut yang dapat dilihat dibawah ini:
Gambar 4.22 Atribut Mining Model Kepuasan Keramahtamahan
Kami menggunakan customer monthly usage, jeda survey, kategori lama berlangganan, dan tipe komplain untuk memprediksi tingkat kepuasan keramahtamahan. Pada mining model ini kami mendapatkan hasil sebagai berikut :
137
Gambar 4.23 Hasil Mining Model Kepuasan Keramahtamahan
Dari hasil diatas dapat disimpulkan bahwa berdasarkan data yang kami gunakan, dari hasil survei yang dilakukan oleh para agent, banyak pelanggan PT. XL Axiata Tbk., mengeluhkan tentang tingkat keramahan dari customer service yang menangani keluhan tentang blackberry dan network. Sedangkan untuk masalah internet, activation, dan content tingkat keramahannya sudah cukup baik. Dan untuk pelanggan yang sudah berlangganan lebih dari 24 bulan, mereka juga merasa tingkat keramah-tamahan dari customer service itu kurang. Hal ini harus diperhatikan oleh pihak manajer untuk mencegah hilangnya pelangganpelanggan setia yang telah lama menggunakan jasa PT. XL Axiata Tbk. Salah satu tindakan yang dapat diambil oleh manajer contohnya, mengirimkan sms selamat ulang tahun dari sms centre kepada pelanggan setia yang sedang kebetulan merayakan ulang tahunnya atau memberikan
138 bonus-bonus yang diperuntukkan khusus untuk pelanggan yang telah lama menggunakan layanan XL.
4.2.6.7 Mining Model Kepuasan Servis Mining model ini dihasilkan dengan teknik neural network dari data yang berasal dari ViewFactKomplainPrediksiSurvey. Tugas mining model ini adalah mengukur kepuasan servis XL kepada pelanggan dari beberapa kategori seperti pemakaian pelanggan perbulan, jeda survei,atau tipe komplain yang dilayangkan.
Gambar 4.24 Atribut Mining Model Kepuasan Servis
Customer
monthly
usage,
jeda
survey,
kategori
lama
berlangganan, dan tipe komplain adalah input yang kami gunakan untuk memprediksi tingkat kepuasan servis ke pelanggan. Hasil yang kami dapatkan dari mining model tingkat kepuasan servis antara lain sebagai berikut :
139
Gambar 4.25 Hasil Mining Model Kepuasan Servis
Dari mining model diatas dapat kami simpulkan bahwa kebanyakan pelanggan PT. XL Axiata Tbk tidak puas terhadap servis activation dan content. Namun para pengguna Blackberry dan pelanggan lain sangat puas dengan servis yang dimiliki oleh PT. XL Axiata Tbk. Lalu jeda survei yang paling disukai oleh pelanggan adalah 6-8 hari atau 1-2 hari setelah komplain dilayangkan. Dari hasil mining model diatas sekiranya pihak manajer dapat melihat sektor yang kurang memuaskan bagi pelanggan dan dapat melakukan evaluasi mengenai servis yang ada di PT. XL Axiata.
140 4.2.7
Knowledge Presentation Visualisasi dan teknik representasi pengetahuan digunakan untuk menyajikan pengetahuan yang telah diolah untuk pengguna. 4.2.7.1 Rancangan Layar
Gambar 4.26 Rancangan Layar Login
Pada saat aplikasi dijalankan, terlebih dahulu user akan diminta untuk login. Pada layar login user harus memasukan username dan password yang telah dibuat sebelumnya. Password encryption pada layar login berupa *. Setelah memasukkan username dan password user harus mengklik tombol login untuk masuk dalam program. Tombol database config berfungsi untuk menampilkan database yang akan dipakai sebagai sumber data yang akan digunakan. Tombol exit digunakan untuk membatalkan login dan keluar dari program.
141
Gambar 4.27 Rancangan Layar User List
Rancangan layar user list berfungsi untuk menampilkan user yang sudah terdaftar pada aplikasi data mining XL centre. Terdapat tombol edit pada layar ini, fungsi daripada tombol edit tersebut untuk mengubah user yang sudah terdaftar dalam user list. Tombol delete berfungsi untuk menghapus data user yang sudah tersimpan pada user list. Tombol new berfungsi untuk menambah user baru.
142
Gambar 4.28 Rancangan Layar Input User
Rancangan layar input user berfungsi untuk input user baru yang akan menggunakan aplikasi data mining XL centre. Setelah memasukan user ID baru dan password, data akan tersimpan di dalam user list.
Gambar 4.29 Rancangan Layar Connect Database
Layar connect database berfungsi untuk menghubungkan database yang akan digunakan pada analisis data mining. Tombol test berfungsi untuk menguji apakah database sudah terhubung atau belum.
143
Gambar 4.30 Rancangan Layar Utama
Tampilan layar ini berfungsi untuk menampilkan system, transaction, masterfiles, reports, dan help. Tampilan layar ini, adalah tampilan layar utama pada aplikasi data mining XL centre.
Mining Model Model Viewer Connect
Model
Gambar 4.31 Rancangan Layar Mining Model Viewer
Tampilan layar ini berfungsi untuk menampilkan mining model yang ingin dilihat oleh user. Pada tampilan ini terdapat combo box berisi mining model yang bersangkutan untuk dianalisis. Sedangkan, tombol
144 connect berfungsi untuk menghubungkan database dengan mining model yang sudah dipilih.
Gambar 4.32 Rancangan Layar Mining Model Rules
Tampilan layar mining model rules berfungsi untuk menampilkan mining model rules. Pada layar ini, terdapat probabilitas yang dapat diinput oleh user untuk mengetahui prediksi yang ingin ditampilkan.
Gambar 4.33 Rancangan Layar Mining Model Itemset
145 Tampilan layar mining model itemset menampilkan mining model itemset yang terdiri dari barisan data, dan menampilkan prediksi yang berupa penjelasan singkat.
Gambar 4.34 Rancangan Layar Mining Model Dependency Network
Tampilan layar ini, menampilkan mining model dependency network. Layar ini menampilkan hubungan atau keterkaitan antara data yang satu dengan data yang lain. Terdapat scroll di sebelah kiri layar, yang berfungsi untuk mengukur tingkat keterkaitan yang paling kuat dan paling lemah.
Gambar 4.35 Rancangan Layar Mining Model Neural Network
146 Tampilan layar mining model neural network, menggambarkan prediksi yang berupa chart. Terdapat output attribute berupa combo box yang berfungsi untuk memasukan atribut – atribut yang ingin diprediksi
Gambar 4.36 Rancangan Layar Mining Model Cluster Diagram
Tampilan layar mining model cluster diagram, menggambarkan akan keterkaitan atribut yang saling berhubungan. Tampilan clustering dalam layar ini dapat dilihat dalam empat tampilan berbeda, yaitu cluster diagram, cluster profile, cluster characteristic, dan cluster discrimination Terdapat scroll di sebelah kiri layar, yang berfungsi untuk mengukur tingkat keterkaitan antara cluster yang satu dengan yang lain. Semakin tinggi tingkat keterkaitannya, maka hubungan cluster tersebut semakin kuat dan jelas.
147
Gambar 4.37 Rancangan Layar Mining Model Clustering Profile
Tampilan layar mining model clustering profile, menggambarkan tingkat atribut dengan diagram batang. Tampilan clustering dalam layar ini dapat dilihat dalam empat tampilan berbeda, yaitu cluster diagram, cluster profile, cluster characteristic, dan cluster discrimination.
Gambar 4.38 Rancangan Layar Mining Model Cluster Characteristic
Tampilan layar mining model cluster characteristic, menggambarkan atribut yang terkait berupa chart yang terdapat prediksi – prediksi di dalamnya. Tampilan clustering dalam layar ini dapat dilihat
148 dalam empat tampilan berbeda, yaitu cluster diagram, cluster profile, cluster characteristic, dan cluster discrimination.
Gambar 4.39 Rancangan Layar Mining Model Cluster Discrimination
Tampilan layar mining model cluster discrimination menggambarkan atribut dalam bentuk chart, namun terdapat dua hasil output yang berbeda. Tampilan clustering dalam layar ini dapat dilihat dalam empat tampilan berbeda, yaitu cluster diagram, cluster profile, cluster characteristic, dan cluster discrimination.
149 4.2.7.2 Navigation Diagram Berikut ini adalah navigation diagram yang menggambarkan struktur alur aplikasi
Gambar 4.40 Navigation Diagram
150 4.3
Implementation Plan Tabel 4.3 Implementation Plan Bulan
No
1
Kegiatan 1
1. Pengadaan hardware, jaringan, dan software 2. Training
2
2 3
1
2
3
4
