III.
METODE PENELITIAN
3.1 Kerangka Kerja Penelitian Tahapan pengembangan sistem PSP (Penetapan Strategi Penjualan) 1.0 seperti pada Gambar 2 di bawah ini. Mulai
Analisis Sistem, keluaran: - Deskripsi Sistem - Analisis Kebutuhan Informasi - Kebutuhan Fungsional Sistem
UML, keluaran: - Diagram Kasus - Diagram Aktivitas - Diagram Keadaan - Diagram Kelas
Implementasi Sistem, keluaran: - Borland Delphi 7 (Borland, 2002) - Power Designer 15.3 (Sybase, 2010) - MySQL (Oracle, 2011) - Ms Excel (Microsoft, 2007)
Verifikasi dan Validasi
Tidak
Selesai
Gambar 2. Tahapan Pengembangan Sistem
3.1.1 Analisis Sistem Analisis sistem diawali dengan deskripsi sistem dan analisis kebutuhan informasi. Selanjutnya pembuatan persyaratan fungsional sistem yang meliputi kebutuhan data, perangkat lunak, perangkat keras, sumber daya manusia, serta pemeliharaan sistem.
10
3.1.2 Metode Pengembangan Sistem Berorientasi Objek Pemodelan yang digunakan dalam pengembangan dengan pendekatan berorientasi objek adalah Unified Modeling Language (UML). Pada tahapan ini dibuat berbagai diagram yang dibutuhkan dalam pengembangan sistem. Diagram-diagram yang dibutuhkan meliputi: a. Use case diagram (diagram kasus) Diagram ini digunakan untuk menggambarkan fungsionalitas sistem dari sudut pandang pengguna. Diagram ini menekankan pada apa yang dikerjakan sistem. Diagram ini juga menggambarkan interaksi sistem dengan pelaku (aktor) diluar sistem. b. Activity diagram (diagram aktivitas). Diagram aktivitas digunakan untuk menggambarkan aliran kerja aktivitas di dalam sistem atau dengan kata lain adalah bagaimana sistem itu mengerjakan fungsionalitas tertentu. c. Statechart diagram (diagram keadaan) Statechart diagram menggambarkan transisi dan perubahan keadaan (dari satu state ke state lainnya) suatu objek pada sistem sebagai akibat dari stimuli yang diterima. Pada umumnya statechart diagram menggambarkan class tertentu (satu class dapat memiliki lebih dari satu statechart diagram). d. Class diagram (diagram kelas) Diagram kelas merupakan diagram utama dalam pemodelan berorientasi objek. Diagram kelas digunakan untuk memperlihatkan struktur statis sistem tersebut. Kelas adalah kumpulan objek yang mempunyai atribut dan tingkah laku (operasi) yang mirip.
3.1.3 Tahap Implementasi Sistem Tahap implementasi sistem merupakan proses transformasi desain sistem menjadi sebuah sistem aplikatif atau perangkat lunak. Implementasi PSP 1.0 pada tahap desain sistem menggunakan Sybase Power Designer 15.3 (Sybase, 2010) dan untuk pembuatan model data base menggunakan MySQL (Oracle, 2011) sedangkan pada tahap pembuatan paket program menggunakan perangkat lunak Borland Delphi 7 (Borland, 2002). Dan dalam pengolahan data awal digunakan Microsoft Excel 2007 (Microsoft, 2007) untuk mendapatkan data hasil yang nantinya akan digunakan dalam melakukan verifikasi dan validasi data.
3.1.4 Verifikasi dan Validasi Sistem Verifikasi merupakan tahapan untuk mengetahui apakah program yang dibuat menghasilkan keluaran secara keseluruhan sesuai yang diinginkan. Proses verifikasi dilakukan selama pembuatan dan setelah selesai. Tahap verifikasi dilakukan dengan cara pengujian keluaran paket program dan pelacakan kesalahan sistem (testing and debuging). Dan Tahapan Validasi dilakukan dengan metode face validity. Face validity (Validitas Muka) adalah tipe validitas yang didasarkan pada penilaian selintas mengenai isi alat ukur. Apabila isi alat ukur telah tampak sesuai dengan apa yang ingin diukur maka dapat dikatakan validitas muka telah terpenuhi.
11
3.2
Metode Penelitian 3.2.1 Sumber Data Transaksi Dalam menentukan strategi cross-selling, data yang digunakan adalah transaksi penjualan salah satu perusahaan agroindustri terbesar di Indonesia yang bergerak dalam bidang industri ban. Data ini diekstrak dari data transaksi penjualan pihak distributor perusahaan di seluruh Indonesia dari bulan Maret hingga Juni 2010. Data tersebut terdiri dari atribut Nomor transaksi, Outlet, Tanggal transaksi, dan transaksi penjualan dari 16 penggolongan produk.
3.2.2 Formulasi Association Rules Mining Association rules merupakan salah satu teknik didalam data mining untuk menentukan hubungan antar item dalam suatu dataset (sekumpulan data) yang telah ditentukan. Konsep ini sendiri diturunkan dari terminologi market basket analysis, yaitu pencarian hubungan dari beberapa produk di dalam transaksi pembelian (Witten,2005). Teknik ini mencari kemungkinan kombinasi yang sering muncul (frequent) dari suatu item set (sekumpulan item). Ada dua langkah didalam algoritma ini, langkah pertama adalah melakukan perhitungan untuk menemukan frequent item set dan langkah kedua mencari kaidah asosiasi (rules) dari sekumpulan frequent item set tadi. Dalam menggunakan metode ini, terdapat tiga kriteria ukuran yaitu : 1) Support : ukuran yang menunjukkan tingkat dominasi item set dari keseluruhan transaksi (misalkan dari seluruh transaksi yang ada, seberapa besar kemungkinan item A dan item B dibeli secara bersamaan). Support ({A,B}) = Number of Transaction (A,B) 2) Confidence (probability) : ukuran yang menyatakan hubungan antara dua item secara conditional (misalkan seberapa sering item A dibeli, jika pelanggan membeli item B). Confidence (A ∪ B)=Probability (B | A) = Support (A,B) / Support (A) 3) Improvement (importance) : ukuran yang menyatakan besarnya kemungkinan dua item dapat dibeli secara bersamaan. Importance ({A,B})=Probability (A,B)/ Probability (A) * Probability (B)) (Adhitama,2010) Proses frequent item set Didalam Algoritma association rules mining dapat dilihat pada Gambar 3 dan formulasi association rules mining dapat dilihat pada Gambar 4.
Gambar 3. Proses Frequent Item Set Didalam Algoritma Association Rules Mining
12
Mulai
Analisis Data Pre-processing
Analisis Frequent Item Set
Mengitung Nilai Support N: Number of Transaction
s( X Y )
(X Y ) N
Menghitung Nilai Confidence
c( X Y )
(X Y ) (X )
Menghitung Nilai Improvement
i( X Y )
s( X Y ) s (Y ).s ( X )
Menentukan Strategi Penjualan Dengan Analisis RFM
Gambar 4. Formulasi Association Rules Mining
13
Sebelum data transaksi tersebut diolah dengan teknik association rules mining, dilakukan tahap preprocessing data terlebih dahulu. Pada penelitian ini data transaksi yang digunakan sudah dikelompokkan berdasarkan enam belas golongan produk. Penggolongan tersebut telah dibuat oleh perusahaan agroindustri ban yang menjadi sumber data transaksi untuk penelitian ini. Penggolongan ini dilakukan berdasarkan karakteristik bahan baku yang ada pada setiap produk. Penggolongan ini dapat dilakukan menggunakan clustering K-Means. Prosedur analisis pre-processing data menggunakan clustering K-Means dapat dilihat pada Gambar 5. Mulai
Menentukan Jumlah Kelompok
Menghitung Centroid
Menghitung Jarak
Mengelompokkan Berdasarkan Jarak Minimum
Adanya Perpindahan Objek
Ya
Tidak Selesai
Gambar 5. Prosedur Analisis Pre-processing Data menggunakan Clustering K-Means Enam belas penggolongan produk tersebut yaitu produk Passanger Bias (A), Passanger Broad Market (B), Passanger Broad Market Premium (C), Passanger High Performance (D), Passanger Ultra High Performance (E), Ultra Light Truck Radial (F), Light Truck Radial (G), Ultra Light Truck Bias (H), Light Truck Bias (I), Medium Bias Truck (J), EM A 21 Bias (K), EM A 3 A GDR Bias (L), EM A 3 A LDR Bias (M), Front Farm Bias (N), Rear Farm Bias (O), Ground Tire Import (P).
14
3.2.3 Analisis Recency, Frequency, Monetary (RFM) Analisis RFM digunakan untuk mengelompokkan customer berdasarkan analisis transaksi terhadap waktu pembelian, frekuensi, dan nilai nominal pembelian. Tahapan melakukan analisis RFM adalah sebagai berikut: 1. Data acquisition Tahap ini adalah tahap pengambilan data untuk input pada analisis RFM. Pada Penelitian ini, data transaksi dari empat bulan terakhir yang telah diambil, diperiksa, dan disiapkan untuk operasi selanjutnya 2. Selection Of The Population To Be Segmented Hanya pelanggan yang masih aktif, yang disegmentasi menggunakan analisis RFM 3. Data preparation And Computation Of The R, F, and M Measurements Pengelompokkan berdasarkan tanggal terakhir transaksi, jumlah rata-rata transaksi pembelian bulanan, nilai pembelian bulanan (mendefinisikan komponen monetary) 4. Development Of The RFM Cells Through Binning Pelanggan telah dikelompokkan berdasarkan Analisis RFM menjadi 5 grup. (Tsiptsis dan Chorianopoulos, 2009). Analisis RFM digunakan untuk mensegmentasi pelanggan berdasarkan recency, frequency, monetary pada periode 1 bulan pembukuan. Recency adalah waktu terakhir (ter-update) customer melakukan transaksi, frequency adalah jumlah produk yang dibeli oleh customer, dan monetary adalah jumlah nominal penjualan yang dilakukan oleh customer, pada pengolahan nilai monetary dilakukan dengan perhitungan jumlah frekuensi pembelian per produk yang dikali dengan variabel harga setiap produk. Variabel tersebut disamakan dengan inisial penggolongan produk yang telah dibuat pada saat tahap pre-processing data yaitu variabel huruf A sampai huruf P. Variable untuk analisis monetary dapat dilihat pada Tabel 1. Diagram alir analisis RFM pada penelitian ini dapat dilihat secara rinci pada Gambar 6. Tabel 1. Variabel Harga Untuk Analisis Monetary Pada Setiap Produk Passenger Bias (A) Passenger Broad Market (B) Passenger Broad Market Premium (C) Passenger High Performance (D) Passenger Ultra High Performance (E) Ultra Light Truck Radial (F) Light Truck Radial (G), Ultra Light Truck Bias (H) Light Truck Bias (I) Bias Truck (J) EM A 21 Bias (K) EM A 3 A GDR Bias (L) EM A 3 A LDR Bias (M) Front Farm Bias (N) Rear Farm Bias (O) Ground Tire Import (P)
15
Mulai
Data Transaksi
Analisis data transaksi (data tanggal transaksi, jumlah transaksi, dan nilai nominal transaksi) per customer
Pembuatan 5 Binning untuk analisis Recency, Frekuensi, dan Monetary
Analisis Recency dari transaksi paling baru (binning 5)- transaksi paling lama (binning 1)
Analisis Frekuensi dari transaksi terbanyak (binnig 5) – jumlah transaksi paling sedikit (binning 1)
Analisis Monetary dari transaksi dengan melakukan perkalian antar frekuensi pembelian per produk dengan variabel harga produk
Analisis RFM (Recency, Frekuensi, Monetary)
Selesai
Gambar 6. Flowchart Analisis RFM
3.2.4 Desain Eksperimen Dalam proses analisis frequent item set, banyaknya item set yang dihasilkan dari proses penyeleksian dengan menggunakan ambang batas (thresholds) sebaiknya
16
menghasilkan item set separuh dari jumlah penggolongan produk, hal ini agar item set yang dihasilkan dapat benar-benar signifikan (Adhitama,2010). Dengan metoda trial and errors, Batas parameter (tresholds) ditentukan yaitu min_support= 24.75% dan min_confidence= 25% (tresholds ini diturunkan dari minimal 430 kali kemunculan pada setiap himpunan yang disaring). Pemilihan parameter tersebut dilakukan untuk mendapatkan item set dan rules sesuai yang signifikan yang nantinya akan digunakan sebagai rules dalam menentukan strategi penjualan. Hal ini dilakukan karena data dengan jumlah yang relatif besar, jika tidak adanya pemilihan parameter yang tepat akan menyebabkan pengolahan data memakan waktu yang lama dan membutuhkan alokasi memori komputer yang lebih banyak. Dan pemilihan parameter atau ambang batas (tresholds) yang terlalu kecil juga dapat menyebabkan hasil penetapan strategi penjualan yang kurang signifikan nantinya.
3.2.5 Indikator Penelitian Kemungkinan untuk menghasilkan cross-selling product yang terbaik dari total transaksi per pelanggan pada periode tertentu adalah item dengan confidence score yang tinggi. Jadi misalkan produk pertama adalah kombinasi A dan B dengan confidence score x% berarti bahwa ketika produk A dibeli, kemungkinan produk B juga dibeli sebesar x% dari seluruh periode transaksi. Indikator kedua yang harus ditentukan adalah support score yang menentukan seberapa banyak produk A dan produk B muncul bersama-sama di dalam seluruh transaksi. Misalkan kombinasi produk C dan D memiliki support score y% mengindikasikan bahwa produk C dan produk D muncul secara bersama-sama sebesar y% dari seluruh total transaksi, sedangkan untuk kombinasi produk E dan F misalnya yang memiliki improvement score ≥ 1, mengindikasikan bahwa produk E dan F merupakan positive correlated, yang berarti bahwa jika pelanggan membeli produk E, pelanggan juga setuju untuk membeli produk F, sebaliknya jika improvement score < 1, produk E dan F merupakan negative correlated. Produk dengan negative correlated tidak dapat dijadikan sebagai saran dalam penetapan cross-selling product walaupun memiliki support score dan confidence score yang tinggi.
17
