BABI PENDAHULUAN 1.1
Latar Belakang Setiap perusahaan dituntut untuk siap menghadapi persaingan yang
semakin ketat dengan perusahaan lain. Makin intensifnya persaingan yang dihadapi, telah menyebabkan banyak lembaga keuangan mikro mencari cara yang menguntungkan untuk membedakan dari yang lain. Fokus perusahaan modern telah berubah dari strategi yang mengutamakan produk (product/service oriented) menjadi strategi yang mengutamakan pelanggan (customer oriented) [1]. Hal ini dilakukan karena hubungan baik antara perusahaan dan nasabah sangat berperan penting untuk menunjang keberlangsungan perusahaan. Dalam lembaga keuangan mikro, nasabah yang berbeda mempunyai nilai yang berbeda pula. Salah satu tantangan yang terpenting bagi perusahaan yaitu pengetahuan tentang nasabah, memahami perbedaan nasabah, mengenali nasabah potensial sehingga nasabah loyal terhadap perusahaan [2]. Dengan menerapkan strategi Customer Relationship Management (CRM), perusahaan dapat mengenali karakteristik nasabah dengan identifikasi nasabah (segmentasi nasabah). Segmentasi nasabah yaitu membagi nasabah dengan kesamaan karakteristik. Manfaat segmentasi nasabah ialah mengetahui perilaku nasabah dan menerapkan strategi marketing atau pemasaran yang tepat sehingga perusahaan mendapatkan keuntungan. Segmentasi nasabah dapat diselesaikan dengan teknik data mining. Data mining merupakan proses pencarian pola-pola yang menarik dan tersembunyi (hidden pattern) dari suatu kumpulan data yang berukuran besar yang tersimpan dalam suatu basis data, data warehouse, atau tempat penyimpanan data lainnya. Data akan diolah menjadi informasi. Tujuan akhir data mining menggunakan informasi untuk membuat lebih efisisen keputusan bisnis dan mengambil keputusan secara tepat [3]. Segmentasi nasabah dengan teknik data mining akan memudahkan perusahaan untuk mengidentifikasi nasabah, memperlakukan 1
nasabah secara tepat dengan
membedakan nasabah dengan kesetiaan atau
loyalitas tinggi dan loyalitas rendah. Baitul Maal Wat Tamwil (BMT) Beringharjo merupakan lembaga keuangan mikro berbadan hukum KJKS (Koperasi Jasa Keuangan Syariah) yang menyadari akan pentingnya hubungan dengan nasabah. BMT Beringharjo memiliki nasabah yang meningkat dari tahun ke tahun. Pada tahun 2011 nasabah di area Yogyakarta sebanyak 11.085, 2012 sebanyak 11.267, 2013 sebanyak 11.807, 2014 sebanyak 12.523 dan tahun 2015 ini sebanyak 12.985. Untuk total keseluruhan nasabah seluruh Indonesia pada tahun 2015 sebesar 52.011. Dengan jumlah data nasabah yang terus meningkat, BMT Beringharjo mengalami kesulitan mengidentifikasi nasabah potensial dan karakter nasabah secara manual. Hal ini dapat mengakibatkan BMT Beringharjo kehilangan nasabah potensial dan merugikan perusahaan. Teknik data mining yang dapat menyelesaikan segmentasi nasabah yaitu clustering. Analisis cluster atau clustering merupakan proses membagi data dalam suatu himpunan ke dalam beberapa kelompok yang mana kesamaan data dalam suatu kelompok lebih besar dibandingkan kesamaan data tersebut dengan data dalam kelompok lain [4]. Cluster secara umum merupakan wujud himpunan bagian dari suatu himpunan data dan metode clustering dapat diklasifikasikan berdasarkan himpunan bagian yang dihasilkan menjadi fuzzy clustering dan hard clustering [4]. Metode clustering yang digunakan pada penelitian ini ialah fuzzy clustering. Fuzzy clustering dapat mengkategorikan satu set objek sesuai dengan standar tertentu. Dengan konsep membership grade, fuzzy clustering dapat mengenali kelompok pelanggan, mendukung perusahaan lebih ilmiah dan masuk akal dalam pengambilan keputusan di bidang pemasaran. Dalam algoritma fuzzy clustering, elemen data dapat menjadi milik lebih dari satu cluster, dan terkait dengan setiap elemen adalah satu set tingkat keanggotaan. Hal ini menunjukkan kekuatan asosiasi antara unsur data dan cluster tertentu. Fuzzy clustering adalah proses untuk menempatkan tingkat keanggotaan, kemudian menggunakan mereka untuk menetapkan elemen data ke satu atau lebih cluster [4]. 2
Metode fuzzy digunakan karena memiliki tingkat akurasi yang tinggi dan waktu komputasi yang cepat [4][5][6]. Metode fuzzy dipadukan dengan model fuzzy RFM (Recency, Frequency, Monetary) untuk menyelesaikan segmentasi nasabah. Fuzzy RFM yaitu memadukan logika fuzzy dan model RFM. Model RFM merupakan metode segmentasi pelanggan atau analisis nilai pelanggan berdasarkan recency, frequency dan monetary [7]. Recency ialah kapan terakhir transaksi dilakukan. Frequency ialah jumlah transaksi yang dilakukan nasabah. Misalkan, dua kali dalam setahun atau tiga kali dalam satu bulan. Semakin besar frekuensi menandakan kesetiaan nasabah yang besar pula. Monetary adalah besarnya nilai
transaksi
yang dilakukan.
Nilai
monetary
yang tinggi
mengidentifikasikan pelanggan yang memberikan keuntungan kepada perusahaan [7][8][9][10]. Penggunaan metode fuzzy dan fuzzy RFM masih jarang digunakan untuk data perbankan atau keuangan khususnya data simpanan dan pembiayaan. Oleh karena itu penelitian ini bertujuan untuk mengidentifikasi nasabah simpanan dan pembiayaan pada BMT Beringharjo Yogyakarta dengan teknik data mining dalam menyelesaikan segmentasi nasabah sehingga dapat ditemukan nasabah potensial dan nasabah kurang potensial. Penggunaan metode fuzzy diharapkan dapat lebih baik membagi pelanggan berdasarkan fungsi keanggotaan. 1.2 Perumusan Masalah Permasalahan yang harus dipecahkan pada penelitian ini adalah pengelompokkan nasabah pada BMT Beringharjo Yogyakarta masih dilakukan secara manual sehingga BMT kesulitan untuk mengidentifikasi nasabah potensial dan nasabah tidak potensial, serta belum dikelola dengan baik hubungan atau relasi dengan nasabah dikarenakan BMT belum mengetahui karakter nasabah. 1.3
Keaslian penelitian Penelitian data mining CRM, khususnya segmentasi pelanggan
sudah
dilakukan oleh peneliti terdahulu. Penelitian yang dilakukan oleh Dequan Zheng menggunakan
algoritma
fuzzy
clustering
3
yaitu
Fuzzy
C-Means
untuk
menyelesaikan segmentasi pelanggan di industri keamanan.
Penelitian ini
menunjukkan bahwa algoritma Fuzzy C-Means cocok diterapkan untuk segmentasi pelanggan di industri keamanan. Fuzzy C-Means merupakan algoritma yang sederhana, cocok untuk menyortir data yang besar, rentan terhadap data abnormal dan tidak terpengaruh dengan urutan penginputan data. Hasil penelitian membuktikan tingkat konvergensi algoritma FCM dapat memenuhi permintaan industri [4]. Penelitian yang dilakukan Uzay Kaymak bertujuan menentukan pelanggan potensial di organisasi amal. Uzay Kamak menggunakan teknik fuzzy clustering dan variabel RFM. Tugas utama dalam pemilihan target pelanggan potensial, dengan mengidentifikasi profil pelanggan yang yang menunjukkan minat dalam produk di masa lalu. Metode pemilihan target ini dibagi menjadi dua yaitu metode segmentasi dan metode scoring. Kedua metode ini dapat diselesaikan dengan fuzzy clustering. Hasil penelitian menyebutkan fuzzy clustering memiliki daya prediksi yang lebih besar daripada teknik konvensional logistic regression. Fuzzy clustering dapat mengekstraksi aturan linguistik secara akurat dan transparan. Hal ini merupakan kelebihan fuzzy clustering yang penting untuk bidang pemasaran [5]. Penelitian selanjutnya untuk memperbaiki hubungan dengan pelanggan, Cheng dkk menggunakan atribut RFM dan algoritma K-Means serta teori Rough Set (RS). Tujuan dari penelitian ini ialah meningkatkan algoritma RS, nilai pelanggan cluster sebagai output (loyalitas pelanggan) yang dibagi menjadi 3, 5 dan 7 cluster didasarkan pada pandangan subjektif, kemudian melihat kelas yang terbaik di tingkat akurasi dan mengetahui karakteristik pelanggan untuk memperkuat CRM. Dataset yang digunakan dari perusahaan elektronik di Taiwan. Metode yang diusulkan tersebut kemudian dibandingkan dengan decision tree, neural network dan naive bayes. Hasil penelitian membuktikan metode yang diusulkan lebih akurat dibandingkan metode yang lain. Output dari metode yang diusulkan adalah seperangkat aturan keputusan yang mudah dimengerti perusahaan untuk menafsirkan pelanggan yang lebih menguntungkan perusahaan [7]. 4
Analisa RFM dan K-Means digunakan juga oleh [10][11] untuk segmentasi nasabah di Bank di Iran. Penelitian Mahboubeh dan Mohammad melakukan segmentasi nasabah berdasarkan nilai pelanggan (Customer Lifetime Value). Data yang digunakan yaitu data nasabah, data transaksi rekening deposito selama dua tahun dan data produk deposito dengan CRISP-DM (CRossIndustry Standard Process for Data Mining) sebagai metodologi penelitian. Penentuan jumlah cluster optimum menggunakan Dunn Index [10]. Sedangkan penelitian Roohollah dkk [11], melakukan segmentasi nasabah dengan data transaksi pinjaman atau pembiayaan sebanyak 296 nasabah pada 2009. Mereka menambahkan variabel pada analisa RFM, yaitu transaksi dan perilaku pembayaran. Pembobotan setiap variabel menggunakan FAHP (Fuzzy AHP). Hasil dari penelitian ini ialah terbagi 5 cluster dengan cluster pertama merupakan nasabah yang sangat baik dan cluster terakhir merupakan nasabah yang beresiko tinggi. Penelitian Gayathri dkk menerapkan hard clustering (K-Means) dan soft clustering (Fuzzy C-Means) untuk meningkatkan CRM di industri telekomunikasi. Dataset pada industri telekomunikasi sangat besar hingga tingkat terabyte. Penelitian ini menganalisis seberapa jauh kedua algoritma diimplementasikan dalam real time dataset dengan
volume data yang besar. Selain itu, untuk
menganalisis nilai pelanggan digunakan aturan RFM (recency, frequency dan monetary). Hasil penelitian ini membuktikan bahwa soft clustering lebih akurat daripada hard clustering. Hal ini disebabakan nilai keanggotaan pada soft clustering (Fuzzy C-Means) memberikan churn ratio secara akurat. FCM memberikan dukungan yang lebih untuk CRM daripada K-Means [12]. Selanjutnya penelitian yang dilakukan oleh Toly Chen bertujuan untuk memperbaiki kinerja model RFM [13]. Menurut Toly Chen model RFM tradisional mempunyai beberapa kekurangan, yaitu pembagian dimensi (R, F, atau M) menjadi bagian yang sama mungkin tidak sesuai untuk semua produk, scoring terlalu subjektif dan tidak fleksibel, sulit untuk membedakan pelanggan dengan total skor RFM yang sama. Oleh karena itu, dalam penelitian ini mengusulkan fuzzy RFM dan proses clustering menggunakan Fuzy C-Means. Data yang digunakan yaitu data pelanggan perusahaan penerbangan. Hasil penelitian ini 5
metode yang diusulkan lebih baik dari model RFM tradisional. Begitu juga dengan Putri Yuliari dkk [14], menggunakan fuzzy RFM dan Fuzy C-Means untuk segmentasi pelanggan perusahaan mebel. Pengujian jumlah cluster terbaik menggunakan MPC (Modified Partition Coefficient). Jumlah himpunan fuzzy untuk R, F dan M berbeda-beda. 3 himpunan fuzzy untuk recency, 4 himpunan fuzzy untuk frequency dan 6 himpunan fuzzy untuk monetary. Hasil penelitian ini menghasilkan 2 cluster yang paling optimal. Cluster 1 untuk pelanggan superstar dengan kesetiaan yang tinggi dan cluster 2 pelanggan occasional dengan frequency yang rendah tetapi monetary tinggi. Berikut ini adalah beberapa penelitian yang telah dilakukan yang dirangkum pada Tabel 1.1.
6
Tabel 1. 1 Perbandingan Keaslian Penelitian No. Penulis
Tujuan
Data
Metode
1.
Menyelesaikan
Data pelanggan dan
Fuzzy
Dequan
Zheng, 2013 segmentasi pelanggan data [4]
di industri keamanan.
Keterangan C-Mean, FCM
dapat
diterapkan
dalam
transaksi distribusi probabilitas clustering di industri keamanan.
perusahaan
sebagai
pelanggan perusahaan keamanan.
evaluasi
fungsi Jumlah cluster yang terbaik yaitu dengan 7 cluster.
keamanan. 2.
Uzay
Pemilihan
target Data pelanggan di
Kaymak,
untuk
2001 [5]
pelanggan
Fuzzy
menentukan organisasi amal.
pemakai
C-Means, Fuzzy clustering memiliki daya
Gustafson-Kessel
potensial
clustering,
produk
RFM.
prediksi yang lebih besar daripada
variabel teknik
konvensional
regression. Fuzzy clustering dapat
tertentu dari database
mengekstraksi
pelanggan.
secara
akurat
menggunakan fuzzy.
7
logistic
aturan dan 4
linguistik transparan,
keanggotaan
Tabel 1.1 Perbandingan Keaslian penelitian – Lanjutan 1 No. Penulis
Tujuan
Data
Metode
3.
Meningkatkan akurasi Data
pelanggan Atribut
Ching-Hsue dkk,
2009 dari
[7]
metode
diusulkan
Keterangan RFM,
K- Tingkat akurasi dari metode yang
yang perusahaan
Means serta Rough diusulkan adalah 0,9798 pada 3
serta elektronik di Taiwan
Set teori.
cluster, 0,9624 pada 5 cluster dan
mengetahui
0,9418 pada 7 cluster. Metode yang
karakteristik
diusulkan
pelanggan
untuk
terbukti
lebih
akurat
dibandingkan metode lain.
memperkuat CRM. 4.
Mahboubeh
Segmentasi
dan
berdasarkan
nasabah Data nasabah, data RFM dan K-Means, Hasil penelitian ini ialah terbagi nilai transaksi
rekening PART decision rule, menjadi
4
segmen.
Segmen
Mohammad, pelanggan (Customer deposito selama dua dunn index
1sebanyak 1% merupakan nasabah
2011 [10]
data
emas (gold customer). Segmen 2
deposito
sebanyak 61% merupakan valuable
Lifetime Value).
tahun
.
produk
dan
Bank di Iran.
customer. Segmen 3 sebanyak 16% merupakan
churning
vulnarable
customer. Segmen 4 sebanyak 22% merupakan low value customer.
8
Tabel 1.1 Perbandingan Keaslian Penelitian – Lanjutan 2 No. Penulis
Tujuan
5.
Segmentasi
Roohollah dkk,
2014 bank
[11]
Data nasabah Data
dengan
Metode transaksi RFM,
data pinjaman
Keterangan FAHP,
atau Means.
pinjaman kredit atau pembiayaan pembiayaan.
sebanyak
K- Hasil dari penelitian ini ialah membentuk cluster
296
5
cluster
pertama
dengan
merupakan
nasabah yang sangat baik dan
nasabah pada 2009 di
cluster
terakhir
merupakan
Bank di Iran.
nasabah yang beresiko tinggi. Tidak ada pengukuran jumlah cluster terbaik.
6.
Gayathri,
Menerapkan
Mohanavalli,
clustering (K-Means) perusahaan
2011 [12]
dan
soft
(Fuzzy untuk CRM
hard Data pelanggan di RFM, K-Means dan Soft Fuzzy C-Means.
lebih
akurat
daripada hard clustering. Nilai
clustering telekomunikasi.
keanggotaan pada soft clustering
C-Means)
(Fuzzy
meningkatkan di
clustering
C-Means)
memberikan
churn ratio secara akurat. FCM
industri
memberikan dukungan yang lebih
telekomunikasi.
untuk CRM daripada K-Means.
9
Tabel 1.1 Perbandingan Keaslian Penelitian – Lanjutan 3 No. Penulis 7.
Toly
Tujuan
Data
Chen Memperbaiki kinerja Data
and
Yu- model RFM dalam perusahaan
Cheng
W., segmentasi
2012 [13]
Metode pelanggan Fuzzy
Keterangan RFM
Fuzzy C-Means
dan Metode yang diusulkan lebih baik dari model RFM tradisional.
penerbangan.
pelanggan. .
8.
Putri Yuliari Menemukan
Data
dkk,
pelanggan
Fuzzy C-Means, MPC paling optimal. Cluster 1 untuk
perusahaan mebel.
(Modified
[14]
2015 pelanggan potensial
transaksi Fuzzy
RFM
Coefficient)
dan Menghasilkan
Partition pelanggan
2
superstar
yang
dengan
kesetiaan yang tinggi dan cluster 2 pelanggan frequency
occasional yang
monetary tinggi.
10
cluster
rendah
dengan tetapi
Beberapa penelitian tersebut menggunakan berbagai metode untuk menyelesaikan masalah segmentasi pelanggan di beberapa industri yang berbeda. Penelitian segmentasi di industri perbankan atau keuangan [10] [11] masih jarang menggunakan Fuzzy C-Means dan fuzzy RFM. Yang membedakan penelitian yang dilakukan dengan penelitian sebelumnya adalah: 1. Pada penelitian ini data yang digunakan yaitu data transaksi simpanan nasabah dan data transaksi pembiayaan nasabah BMT Beringharjo Yogyakarta dari 1 Januari 2013 sampai dengan 31 Juli 2015. Proses segmentasi (clustering) menggunakan Fuzzy C-Means dan fuzzy RFM karena FCM memiliki tingkat akurasi yang tinggi daripada hard clustering [4] [6] dan dapat membagi data pelanggan yang besar secara efisien dengan fungsi keanggotaan [12]. Dan fuzzy RFM dipilih karena dapat menangani segmentasi pelanggan lebih baik daripada RFM tradisional karena lebih objektif, fleksibel dan membedakan pelanggan dengan fungsi keanggotaan. Untuk penentuan jumlah optimal cluster menggunakan Modified Partition Coefficient (MPC) dan Partition Entropy (PE). MPC dan PE merupakan pengujian cluster untuk fuzzy clustering [15]. 2. Data nasabah simpanan dan data nasabah pembiayaan mempunyai karakteristik yang berbeda. Data simpanan merupakan data nasabah yang menyimpan dan mengambil uang sedangan data pembiayaan merupakan data nasabah yang melakukan pinjaman meliputi jumlah angsuran yang sudah dibayar, jangka waktu pinjaman, jumlah pinjaman dan tanggal terakhir transaksi. Karena perbedaan karakter tersebut, penerapan model RFM pun berbeda. Penulis mengusulkan nilai F (frequency) pada data pembiayaan merupakan perbandingan antara jumlah angsuran yang sudah dilakukan dengan jangka waktu pinjaman.
11
1.4
Tujuan Penelitian Tujuan utama dalam penelitian ini adalah melakukan segmentasi nasabah
simpanan dan pembiayaan pada BMT Beringharjo Yogyakarta untuk mengetahui karakteristik nasabah. 1.5
Manfaat Penelitian Penelitian ini diharapkan mampu mendukung proses CRM pada level
manajemen
sehingga
BMT
Beringharjo
Yogyakarta
dapat
melakukan
identifikasi terhadap nasabah potensial yang mendatangkan keuntungan bagi BMT. Hal ini dapat membantu BMT Beringharjo menentukan strategi yang tepat untuk setiap segmen nasabah. 1.6
Batasan Penelitian Penulis melakukan batasan dalam penelitian sebagai berikut :
1. Penelitian ini dibatasi pada data transaksi simpanan dan data transaksi pembiayaan nasabah BMT Beringharjo Yogyakarta kantor cabang Papbringan dari 1 Januari 2013- 31 Juli 2015. 2. Penerapan model RFM pada data simpanan, transaksi nasabah merupakan saat nasabah mengambil uang (tarik) dan saat nasabah menyetor uang (setor). Sedangkan pada data pembiayaan transaksi nasabah ialah saat nasabah membayar angsuran. 3. Penerapan model RFM pada data pembiayaan, transaksi nasabah merupakan saat nasabah membayar angsuran pembiayaan. 4. Data nasabah simpanan dan pembiayaan bersifat anonim, hanya menyertakan unique id.
12
