PREFERENSI LAYANAN PELANGGAN BERBASIS CRM (Customer Relationship Management) DENGAN PENDEKATAN APRIORI DAN BOND
ERNIYATI
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2013
PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa tesis berjudul Preferensi Layanan Berbasis CRM (Customer Relationship Management) dengan Pendekatan Apriori dan Bond adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Oktober 2013 Erniyati NIM G651100384
RINGKASAN ERNIYATI. Preferensi Layanan Pelanggan berbasis CRM (Customer Relationship Management) dengan Pendekatan Apriori dan Bond. Dibimbing oleh TAUFIK DJATNA dan KARLINA KHIYARIN NISA. Analisis keranjang belanjaan (market basket analysis) dapat digunakan untuk menemukan pola asosiasi dalam data transaksi. Association rules mining adalah suatu metode data mining yang bertujuan mencari sekumpulan item yang sering muncul bersamaan. Algoritma apriori merupakan algoritma pola asosiasi yang digunakan untuk market basket analysis (MBA). Cross-selling merupakan bagian dari CRM (customer relationship management), yang menjual produk utama bersamaan dengan produk tambahan yang direkomendasikan. Cross-selling harus didahului oleh analisis yang mendalam mengenai data transaksi pelanggan dengan menggunakan konsep data mining. Analisis tersebut melibatkan proses pengambilan sumber informasi dari sebuah transaksi pelanggan yang mencakup produk apa yang mereka beli, perilaku pembelian pelanggan dan lain-lain. Analisis RFM (recency frequency monetory) merupakan suatu teknik pemasaran yang digunakan untuk menganalisis perilaku pembelian pelanggan. Association rules mining yang didasarkan pada langkah-langkah pengukuran RFM, menganalisis hubungan produk dan loyalitas pelanggan untuk mendapatkan rekomendasi yang baik yang diusulkan untuk meningkatkan pendapatan perusahaan. Algoritma apriori biasa digunakan untuk melakukan analisis keranjang belanjaan. Dalam penelitian ini selain memakai apriori kami juga menambahkan pendekatan korelasi pengukuran minimum bond, yang menunjukan eratnya hubungan antar barang. Penambahan pengukuran bond memudahkan pemilihan n barang yang efektif untuk dijual secara cross-selling dan mempercepat proses pencarian rules. Penelitian ini menghasilkan hipotesa strategi pemasaran crossselling yang merupakan preferensi layanan pelanggan, memberikan rekomendasi yang baik guna meningkatkan loyalitas pelanggan, dan diharapkan dapat meningkatkan pendapatan perusahaan. Untuk studi kasus, data transaksi penjualan pada perusahaan spare part AC sentral digunakan sebagai dataset. Hasil dari penelitian ini terdapat 9 aturan (rules) yang efektif digunakan untuk menentukan strategi penjualan cross-selling, dengan mempertimbangkan nilai tertinggi dari improvement (lift), confidence, bond dan support. Mekanisme rekomendasi strategi penjualan cross-selling disusun dari rules dengan pengukuran empat parameter di atas. Adapun nama barang yang diusulkan untuk dijual secara cross-selling berdasarkan hasil association rules mining dan pengukuran bond adalah oil filter, maintenance kit, filter kit, separator kit, oil G roto inject, air filter, oil separator dan chemical. Hubungan produk dan loyalitas pelanggan untuk mendapatkan rekomendasi yang baik dapat diusulkan ke perusahaan. Hasil analisis tersebut adalah pelanggan dengan RFM tertinggi yakni pelanggan yang banyak memberikan keuntungan untuk perusahaan. Perusahaan diarahkan untuk mampu mempertahankan kepuasan pelanggan dan loyalitas pelanggan, menawarkan kerja sama kontrak kerja untuk servis (perawatan mesin AC, pemasangan barang), serta menawarkan reselling (pelanggan ikut menjual produk yang ditawarkan). Untuk
penelitian selanjutnya disarankan untuk memperhatikan analisis RFM yang lebih maksimal dengan adanya segmentasi geografis pelanggan. Kata kunci: association rules mining, bond measure, CRM (customer relationship management), cross-selling, data mining.
SUMMARY Market basket analysis discovers association pattern in retail transaction data. Association rules mining is a method of data mining that aims to find a set of items that frequently occur together. Apriori algorithm is an algorithm to find pattern of association that is used for market basket analysis (MBA). Cross-selling is a part of the CRM (customer relationship management), which sells the main products with additional products recommended. Cross-selling should be analyzed based on transaction data by using data mining concepts. The analysis process involves the extraction of information from customer transaction that includes what products they buy, customer buying behavior etc. RFM analysis (Recency Frequency Monetory) is a marketing technique to analyze customer buying behavior. Mining association rules based on steps of RFM measurement, analyzes relationship and customer loyalty on products to get good recommendations to increase the company's revenue . Apriori algorithm is usually used for the MBA. In this study, besides a’priori we add a minimum measurement bond correlation, which shows the close relationship between products. With the addition of the bond measure, it would be easier to select products for cross-selling and reduce processing time. Result of this research is a hypothesis cross-selling marketing strategy that is customer service preferences; providing good recommendations to improve customer loyalty and increase the company's revenue . The proposed method is applied to sales transactions of spare parts of central AC company as dataset in the case. Results of this study showed 9 rules which can be used to determine the cross-selling sales strategy, taking into account the highest value of improvement (lift), confidence, bond and support. Recommendations for cross-selling strategy is composed by sets of rules measure from four parameters above. The proposed products for cross-selling based on the results of association rules mining and measurement bond are oil filter, maintenance kit, filter kit, separator kit, G roto inject oil, air filter, oil separator and chemical. The results also indicate the relationship between products and to get the best customer loyalty recommendation to the company. Results of the analysis is customers with the highest RFM that give more benefits for the company. Company is advised to maintain customer satisfaction and customer loyalty, to offer cooperation for service contracts, and to offer reselling (customers involved in selling products). It is recommended to maximize RFM analysis by taking into account geographical segmentation of the customers. Keywords: association rules mining, bond measure, CRM (customer relationship management), cross-selling, data mining.
Hak Cipta Milik IPB, Tahun 2013 Hak Cipta Dilindungi Undang-Undang Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini dalam bentuk apa pun tanpa izin IPB
PREFERENSI LAYANAN PELANGGAN BERBASIS CRM (Customer Relationship Management) DENGAN PENDEKATAN APRIORI DAN BOND
ERNIYATI
Tesis sebagai salah satu syarat untuk memperoleh gelar Magister Komputer pada Program Studi Ilmu Komputer
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2013
Penguji luar komisi pada ujian tesis: Dr Imas Sitanggang, MKom dan Irman Hermadi, SKom Msc PhD
Judul Tesis : Preferensi Layanan Pelanggan berbasis CRM (Customer Relationship Management) dengan Pendekatan Apriori dan Bond Nama : Erniyati NIM : G651100384
Disetujui oleh Komisi Pembimbing
Dr Eng Taufik Djatna, STP MSi Ketua
Karlina Khiyarin Nisa, SKom MT Anggota
Diketahui oleh
Ketua Program Studi Ilmu Komputer
Dekan Sekolah Pascasarjana
Dr Yani Nurhadryani, SSi MT
Dr Ir Dahrul Syah, MScAgr
Tanggal Ujian: 13 September 2013
Tanggal Lulus:
PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Januari 2012 ini ialah market basket analysis, dengan judul preferensi layanan pelanggan berbasis CRM (customer relationship management) dengan pendekatan Apriori dan Bond. Terima kasih penulis ucapkan kepada Bapak Dr Eng Taufik Djatna, STP MSi dan Ibu Karlina Khiyarin Nisa, SKom MT selaku pembimbing, serta Ibu Dr Imas Sitanggang, MKom dan Irman Hermadi, SKom Msc PhD sebagai penguji dan telah banyak memberi saran. Ungkapan terima kasih juga disampaikan kepada suami, anak-anak, serta seluruh keluarga, atas segala doa dan kasih sayangnya, serta seluruh dosen, staf Departemen Ilmu Komputer IPB, rekan-rekan IPB serta rekan-rekan di perusahaan sales spare part AC sentral PT Gama Tritunggal Pratama atas kerja sama dan dukungannya. Semoga karya ilmiah ini bermanfaat.
Bogor, Oktober 2013 Erniyati
DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR
ix ix
1 PENDAHULUAN
1
1.1 Latar Belakang 1.2 Perumusan Masalah 1.3 Tujuan Penelitian 1.4 Manfaat Penelitian 1.5 Ruang Lingkup Penelitian
Error! Bookmark not defined. Error! Bookmark not defined. Error! Bookmark not defined. Error! Bookmark not defined. Error! Bookmark not defined.
2 TINJAUAN PUSTAKA
ERROR! BOOKMARK NOT DEFINED.
3 METODE
ERROR! BOOKMARK NOT DEFINED.
3.1 Metode Penelitian Error! Bookmark not defined. 3.1.1 Sumber Data Transaksi Error! Bookmark not defined. 3.1.2 Formulasi Association Rules Mining dan Pengukuran Bond Error! Bookmark not defined. 3.1.3 Mekanisme rekomendasi layanan melalui analisis RFM Error! Bookmark not defined. 3.1.4 Desain Eksperimen Error! Bookmark not defined. 3.1.5 Indikator Penelitian Error! Bookmark not defined. 3.1.6 Tahap Implementasi pembuatan program. Error! Bookmark not defined. 3.1.7 Verifikasi Error! Bookmark not defined. 3.2 Implementasi Proses Error! Bookmark not defined. 3.2.1 Proses untuk mendapatkan preferensi layanan Error! Bookmark not defined. 3.2.2 Proses menyusun mekanisme rekomendasi layanan. Error! Bookmark not defined. 4 HASIL DAN PEMBAHASAN 4.1 Preferensi Layanan Pelanggan 4.2 Rekomendasi Analisis RFM 5 SIMPULAN DAN SARAN 5.1 Kesimpulan 5.2 Saran DAFTAR PUSTAKA
ERROR! BOOKMARK NOT DEFINED. Error! Bookmark not defined. Error! Bookmark not defined. ERROR! BOOKMARK NOT DEFINED. Error! Bookmark not defined. Error! Bookmark not defined. ERROR! BOOKMARK NOT DEFINED.
DAFTAR TABEL 1
Nama barang berdasarkan hasil association rules mining dan pengukuran bond Error! Bookmark not defined. 2 Preferensi layanan pelanggan Error! Bookmark not defined. 3 Pelanggan dengan nilai RFM tertinggi Error! Bookmark not defined.
DAFTAR GAMBAR 1 2 3 4 5 6 7
Diagram alir penelitian Error! Bookmark not defined. Proses frequent itemset Error! Bookmark not defined. Proses mendapatkan preferensi pelanggan Error! Bookmark not defined. Transaksi penjualan Error! Bookmark not defined. Proses 1 itemset dengan minimum support adalah 20%Error! Bookmark not defined. Proses membentuk kombinasi item Error! Bookmark not defined. Proses menentukan 2 itemset dengan minsup=20% dan minbond=20% Error! Bookmark not defined. 8 Proses menentukan 3 itemset dengan minsup=20% dan minbond=20%Error! Bookmark not de 9 Diagram alir running time Error! Bookmark not defined. 10 Running program dengan minsup=1.0 dan minbond=5.0Error! Bookmark not defined. 11 Running program dengan minsup=3.0 dan minbond=15.0Error! Bookmark not defined. 12 Binning RFM (Tsiptsis dan Chorianopoulos 2009)Error! Bookmark not defined. 13 Diagram alir analisis RFM Error! Bookmark not defined. 14 Grafik binning RFM Error! Bookmark not defined.
1
1 PENDAHULUAN 1.1 Latar Belakang Analisis keranjang belanjaan (market basket analysis) merupakan analisis untuk menemukan pola asosiasi dalam data. Association rules mining adalah suatu metode data mining yang bertujuan mencari sekumpulan item yang sering muncul bersamaan (Han dan Kamber 2006). Umumnya association rules mining ini dianalogikan dengan keranjang belanjaan. Dari keranjang belanjaan para pengunjung supermarket akan dapat diketahui, barang apa saja yang sering dibeli bersamaan dan barang apa saja yang tidak. Penilaian preferensi memainkan peran penting dalam banyak aplikasi seperti manajemen hubungan pelanggan (customer relationship management). CRM dapat didefinisikan sebagai strategi penjualan, pemasaran dan pelayanan yang terkoordinasi. CRM menyimpan informasi pelanggan dan merekam seluruh interaksi yang terjadi antara pelanggan dan perusahaan, serta membuat profil pelanggan untuk staf perusahaan yang memerlukan informasi tentang pelanggan tersebut (Tsiptsis dan Chorianopoulos 2009). Peningkatan pendapatan perusahaan merupakan dampak yang paling bisa dirasakan. Fokus utama perusahaan tidak lagi kepada bagaimana mendapatkan pelanggan baru yang potensial (prospecting customer), tetapi bagaimana menjual lebih banyak produk kepada pelanggan yang sudah ada (existing customer). Sebuah literatur menyebutkan bahwa biaya (cost) yang harus dikeluarkan perusahaan untuk mendapatkan pelanggan baru lebih mahal sepuluh kali lipat jika dibandingkan dengan mempertahankan pelanggan yang sudah ada. Salah satu pemanfaatan data mining yang sangat relevan adalah crossselling. Cross-selling harus didahului oleh analisis yang mendalam mengenai data transaksi pelanggan dengan menggunakan konsep data mining dengan metode association rules dan pengukuran bond. Analisis tersebut melibatkan proses pengambilan sumber informasi dari sebuah transaksi pelanggan yang mencakup produk apa yang mereka beli, perilaku pembelian pelanggan dan lain-lain. Sebagai bagian dari CRM, cross-selling harus didahului oleh analisis yang mendalam mengenai data transaksi pelanggan dengan menggunakan konsep data mining yang melibatkan proses pengambilan sumber informasi dari sebuah transaksi pelanggan yang mencakup produk apa yang mereka beli, perilaku pembelian pelanggan dan lain-lain. Data mining dapat membantu mempercepat proses pengambilan keputusan secara cepat dan memungkinkan perusahaan untuk mengelola informasi yang terkandung di dalam data transaksi menjadi sebuah pengetahuan (knowledge). Lewat pengetahuan yang didapat, perusahaan dapat meningkatkan pendapatannya. Pada akhirnya di masa yang akan datang perusahaan dapat lebih kompetitif. Kegiatan CRM dalam perusahaan pada dasarnya bertujuan supaya perusahaan dapat mengenali pelanggan secara lebih detail dan melayani mereka sesuai dengan kebutuhannya. Prinsip fokus terhadap pelanggan menjadi prinsip dasar penerapan CRM di perusahaan. CRM sendiri memiliki arti sebuah proses
2
bisnis atau kegiatan marketing yang mengelola seluruh aspek daur hidup pelanggan. Daur hidup pelanggan, memiliki empat tahap yaitu attracting, transaction, servicing and supporting dan enhancing. Pada tahap attracting, pelanggan menjadi sadar akan produk atau perusahaan, mengembangkan minat dan mencoba untuk memahami produk atau perusahaan. Pada tahap transaction, pelanggan telah pindah ke tingkat berikutnya yaitu melakukan komitmen dan memutuskan untuk mendapatkan sebuah produk atau jasa. Pada tahap servicing and supporting, pelanggan membutuhkan bantuan perusahaan untuk memasang, menggunakan atau service (perawatan mesin AC, pemasangan barang). Dalam tahap enhancing, pelanggan mungkin berpikir tentang pembelian produk tambahan atau jasa. Strategi komprehensif perusahaan terhadap penerapan CRM ini membuat setiap proses dari daur hidup pelanggan dapat dimanfaatkan dengan optimal (Kellen 2002). Analisis RFM (recency frequency monetory) merupakan suatu teknik pemasaran yang digunakan untuk menganalisis perilaku pembelian pelanggan. Ini adalah suatu metode yang berguna untuk membagi pelanggan kedalam masing-masing kelompok layanan dan merupakan pendekatan umum untuk memahami perilaku pembelian pelanggan (Tsiptsis dan Chorianopoulos 2009). Association rules mining yang didasarkan pada langkah-langkah pengukuran RFM, menganalisis hubungan produk dan loyalitas pelanggan untuk mendapatkan rekomendasi yang baik. Pada penelitian sebelumnya, market basket analysis dilakukan dengan metode association rules mining menggunakan algoritma apriori dengan pengukuran support dan confidence. Pada penelitian ini penulis menambahkan metode pengukuran bond yang merupakan ukuran yang dapat digunakan untuk mengetahui eratnya hubungan antar item (Pfahringer et al. 2010). Dengan penambahan pengukuran bond akan lebih mudah mendapatkan barang yang efektif untuk dijual secara cross-selling dan memerlukan waktu proses yang lebih cepat. Penelitian ini menghasilkan hipotesa strategi pemasaran cross-selling yang merupakan preferensi layanan pelanggan, melalui peluang penjualan additional product untuk produk-produk utama (base product) dimana pelanggan telah berkomitmen untuk membelinya, serta memberikan rekomendasi yang baik guna meningkatkan loyalitas pelanggan dan diharapkan dapat meningkatkan pendapatan perusahaan.
1.2 Perumusan Masalah Pada perusahaan penjualan spare part AC sentral menjual 286 item barang. Dari sekian banyak item barang tersebut, akan didapatkan kombinasi barang yang akan dijual. Kombinasi barang tersebut didapatkan menggunakan algoritma apriori yang didukung dengan pengukuran bond. Diperlukan suatu cara yang efektif untuk memproses banyak data transaksi dan item barang yang dijual guna mendapatkan kombinasi barang yang efektif yang dapat dijadikan preferensi layanan pelanggan. Selain itu, perusahaan mempunyai 215 pelanggan. Untuk melayani sekian banyaknya pelanggan diperlukan suatu layanan yang berbeda.
3
1.3 Tujuan Penelitian Tujuan penelitian ini adalah sebagai berikut : 1 Menentukan preferensi layanan pada kasus penjualan dengan pendekatan apriori yang didukung dengan pengukuran bond. 2 Menyusun mekanisme rekomendasi layanan melalui analisis RFM.
1.4 Manfaat Penelitian Hasil dari penelitian ini diharapkan akan diperoleh manfaat antara lain: 1. Dapat digunakan untuk membantu staf pemasaran untuk meningkatkan penjualan secara cross-selling. 2. Dapat digunakan untuk mendapatkan preferensi layanan pelanggan yang lebih baik. 1.5 Ruang Lingkup Penelitian Pada penelitian ini ditetapkan ruang lingkup pembahasan antara lain: 1. Mengidentifikasi data dan informasi transaksi penjualan pada PT Gama Tritunggal Pratama menggunakan teknik data mining dengan metode association rules mining yang didukung dengan pengukuran bond pada perusahaan yang menerapkan CRM. 2. Melakukan pengelompokan pelanggan melalui binning berukuran 5x5x5 terhadap komponen-komponen RFM dan mendapatkan data pelanggan yang memberikan keuntungan terbesar untuk perusahaan.
2 TINJAUAN PUSTAKA Analisis keranjang belanjaan digunakan untuk menemukan pola asosiasi dalam data transaksi. Algoritma apriori pertama kali diutarakan oleh Rakesh Agrawal dkk pada tahun 1993 (Motwani et al. 2009) digunakan untuk market basket analysis. Aplikasi pemasaran, seperti rekomendasi produk dan bundling product untuk promosi, menggunakan pola yang ditemukan untuk menyesuaikan strategi pelanggan. Bundling product (penggabungan produk) adalah sebuah strategi yang dilakukan oleh perusahaan dengan menjual dua atau lebih produknya dalam satu kemasan dan satu harga. Bundling telah menjadi strategi yang efektif dan menguntungkan untuk menjual barang (Oshawa dan Yada 2009). CRM memungkinkan perusahaan untuk memberikan pelayanan pelanggan melalui penggunaan informasi yang efektif dari transaksi setiap pelanggan. Berdasarkan apa yang mereka ketahui tentang masing-masing pelanggan, perusahaan dapat menyesuaikan penawaran pasar, layanan, program, pesan dan media. CRM adalah penting, karena penggerak utama profitabilitas perusahaan
4
adalah nilai agregat basis pelanggan perusahaan (Kotler dan Keller 2012). CRM dapat didefinisikan sebagai integrasi dari strategi penjualan, pemasaran dan pelayanan yang terkoordinasi. CRM mencakup cross/up selling dan product bundling yang dapat digunakan sebagai solusi alternatif dalam sistem strategi penjualan di suatu perusahaan. Cross-selling didefinisikan sebagai “setiap tindakan atau praktek menjual produk tambahan atau jasa kepada satu pelanggan yang sudah ada” (Li 2009). Kegiatan CRM dalam perusahaan pada dasarnya bertujuan supaya perusahaan dapat mengenali pelanggan secara lebih detail dan melayani mereka sesuai dengan kebutuhannya. Prinsip fokus terhadap pelanggan menjadi prinsip dasar penerapan CRM di perusahaan. CRM sendiri memiliki arti sebuah proses bisnis atau kegiatan pemasaran yang mengelola seluruh aspek dari daur hidup pelanggan. Strategi komprehensif perusahaan terhadap penerapan CRM ini membuat setiap proses dari daur hidup pelanggan dapat dimanfaatkan dengan optimal. Perusahaan tidak dapat memberikan pelayanan yang sama kepada semua pelanggan karena pada kenyataannya tidak semua pelanggan memberikan keuntungan maksimal kepada perusahaan. Sesuai dengan hukum 80:20, diantara 100% pelanggan yang dimiliki perusahaan, hanya sekitar 20% yang dapat memberikan keuntungan maksimal (Danardatu 2007). CRM menjadi semakin penting bagi semua organisasi yang ingin memberikan layanan yang lebih baik kepada konsumen mereka dengan biaya yang cukup rendah, CRM mempunyai dua tujuan utama : 1. Mempertahankan pelanggan hingga mencapai kepuasan pelanggan 2. Pengembangan pelanggan hingga mengerti pelanggan secara mendalam. Data mining bertujuan untuk mengekstrak pengetahuan dan arti yang mendalam dengan menganalisis data yang besar menggunakan teknik modelling yang kompleks (Han dan Kamber 2006). Data mining dalam CRM digunakan untuk : 1. Mengidentifikasi model data 2. Memahami perilaku konsumen 3. Memprediksi perilaku konsumen Dalam lingkungan yang dinamis kompetitif perusahaan harus mencoba untuk memahami pelanggan dengan memperoleh wawasan kebutuhan mereka, sikap, dan perilaku. Idealnya setiap pelanggan harus diperlakukan sebagai individu dan perusahaan harus melayani mereka satu persatu. Karena pendekatan ini jelas tidak mungkin, alternatif yang efisien adalah untuk segmen pelanggan ke dalam kelompok dengan karakteristik yang berbeda dan mengembangkan strategi pemasaran yang sesuai. Selain data penelitian pasar, data transaksi juga dapat digunakan untuk pengembangan solusi segmentasi yang efektif. Sebuah segmentasi berbasis nilai mengalokasikan pelanggan untuk kelompok sesuai dengan jumlah pengeluaran mereka. Hal ini dapat digunakan untuk mengidentifikasi pelanggan bernilai tinggi dan untuk memprioritaskan penanganan layanan. Segmentasi pelanggan digunakan untuk penanganan pelanggan melalui strategi pengembangan penjualan dan pemasaran disesuaikan dengan kebiasaan pembelian barang mereka. Data transaksi penjualan biasanya merekam informasi rinci dari setiap transaksi, termasuk kode barang dari setiap item yang dibeli, yang memungkinkan pemantauan rinci dari kelompok-kelompok
5
barang yang cenderung dibeli oleh pelanggan. (Tsiptsis dan Chorianopoulos 2009). Bond measure adalah ukuran lain dari hubungan asosiasi terpenting dalam data mining. Pengukuran bond hampir sama dengan support, pengukuran bond mengetahui perbandingan eratnya item yang bersamaan dari jumlah transaksi item yang dibeli, sedangkan support mengetahui eratnya item yang bersamaan dari seluruh transaksi. Penelitian di bidang ini telah banyak dilakukan seperti untuk strategi CRM, cross-selling diterapkan untuk meningkatkan jumlah jasa yang dibeli (Maalof 2007). Metode association rules juga digunakan untuk analisis citra CT (computed tomography) organ pasien kanker ovarium (Kuswardani 2011). Hasil dari association rules ditemukan bahwa ukuran uterus mempunyai pola ciri dengan support rules sebesar 55%, pola ciri hubungan organ liver dan ukuran organ uterus dengan support rules 45%, pola ciri hubungan organ liver, intensitas ginjal dan ukuran organ uterus dengan support rules 40%, pola ciri hubungan organ intensitas ginjal dan ukuran uterus dengan support rules 50%. Penerapan metode association rules untuk analisis citra CT scan organ pasien kanker ovarium diharapkan dapat membantu ahli medis dalam melakukan diagnosis. Penelitian yang berhubungan dengan pengukuran bond dilakukan oleh Omiecinski (2003) menggunakan pengukuran confidence dan bond, penelitiannya membuktikan bahwa algoritmanya dapat menemukan itemset besar secara efisien.
3 METODE Tahapan penelitian yang dilakukan mengikuti diagram alir pada Gambar 1. Pada proses menstrukturkan teknik preferensi layanan pelanggan digunakan metode pendekatan apriori dan bond. Output yang didapatkan dari proses tersebut adalah preferensi layanan pelanggan. Pada proses menyusun rekomendasi layanan melalui analisis RFM didapatkan grafik profil pembelian. Rekomendasi yang diusulkan didapatkan dari analisa hasil preferensi layanan pelanggan dan rekomendasi layanan.
3.1 Metode Penelitian 3.1.1
Sumber Data Transaksi
Dalam menentukan strategi pemasaran, data yang digunakan adalah transaksi penjualan layanan salah satu perusahaan di Indonesia yang bergerak dalam bidang penjualan spare part AC sentral yang menjual 268 item barang dan melayani 215 pelanggan. Data didapatkan dari transaksi penjualan barang di perusahaan di Indonesia dari bulan Januari tahun 2010 hingga bulan Desember tahun 2011.
6
Mulai
Data Transaksi penjualan
Mekanisme rekomendasi layanan dengan metode Apriori dan Bond
Rekomendasi layanan dengan analisis RFM
Preferensi layanan pelanggan
- Grafik profil pembelian pelanggan - Daftar pelanggan dengan RFM tertinggi
Analisis
Rekomendasi diusulkan
yang Selesai
Gambar 2 Diagram alir penelitian Gambar 1 Diagram alir penelitian
3.1.2
Formulasi Association Rules Mining dan Pengukuran Bond
Association rules mining merupakan salah satu teknik di dalam data mining untuk menentukan hubungan antar item dalam suatu dataset (sekumpulan data) yang telah ditentukan. Konsep ini diturunkan dari terminologi market basket analysis, yaitu pencarian hubungan dari beberapa produk di dalam transaksi
7
pembelian (Han dan Kamber 2006). Teknik ini mencari kemungkinan kombinasi item yang sering muncul (frequent) dari suatu itemset (sekumpulan item). Algoritma yang digunakan adalah algoritma apriori dan pengukuran bond. Di bawah ini adalah algoritma apriori (Han dan Kamber 2006).
Pada penelitian ini, langkah pertama adalah melakukan perhitungan untuk menemukan frequent set dan langkah kedua mencari kaidah asosiasi (rules) dari sekumpulan frequent itemset tadi. Ilustrasinya dapat dilihat pada Gambar 2.
8
Transaction id 1
Products beer, diapers, coke
2
beer, bread, milk
3
coke, pepsi, milk
4
cheese, coffee
…
…
Support, Bond 3.0 % , 20% 2.5 %, 15% 2.0 %, 12%
…
Frequent Itemset beer, diaper coke, pepsi, milk Milk, bread
… Rules
Probability
beer => diaper 75 % coke, pepsi => milk 60 % coffee => milk 55 % … … Gambar 2 Proses frequent itemset Dalam menggunakan metode ini, terdapat empat kriteria ukuran yaitu : 1) Support: ukuran yang menunjukkan seberapa besar kemungkinan item A dan item B dibeli secara bersamaan dari seluruh transaksi yang ada. (Han dan Kamber 2006) Support ( A ⇒ B ) = P ( A B )
2) Confidence: ukuran yang menyatakan seberapa besar kemungkinan item B dibeli apabila pelanggan membeli item A (Han dan Kamber 2006) Confidence( A ⇒ B ) = P ( B | A) =
Support _ count ( A B) Support _ count ( A)
3) Improvement (importance): ukuran yang menyatakan besarnya kemungkinan dua item dapat dibeli secara bersamaan. (Geng dan Hamilton 2006) lift ( A, B) =
P( A B) P( A) P( B)
9
4) Bond measure: ukuran yang menyatakan perbandingan antara conjunctive support dan disjunctive support (Pfahringer et al. 2010) Bond ( AB) =
Supp (∧( AB)) Supp (∨ ( AB))
Conjunctive support (Supp(∧(AB)): jumlah frekuensi item A dan item B dibeli bersamaan. Disjunctive support (Supp(∨(AB)): jumlah frekuensi item A atau B yang dibeli.
3.1.3 Mekanisme rekomendasi layanan melalui analisis RFM Analisis RFM digunakan untuk mengelompokkan pelanggan berdasarkan analisis transaksi terhadap waktu pembelian, frekuensi dan nilai nominal pembelian. Analisis RFM digunakan untuk mensegmentasi pelanggan berdasarkan recency, frequency dan monetary pada periode enam bulan pembukuan (Tsiptsis dan Chorianopoulous 2009). Recency adalah waktu terakhir pelanggan melakukan transaksi, frequency adalah jumlah kunjungan pelanggan melakukan pembelian barang dan monetary adalah jumlah nominal transaksi penjualan. Tahapan melakukan analisis RFM adalah sebagai berikut : • Akuisisi Data Tahap ini adalah tahap pengambilan data untuk input pada analisis RFM. Pada penelitian ini, data transaksi dari bulan Juli 2011 sampai dengan Desember 2011 diambil, diperiksa dan disiapkan untuk operasi selanjutnya. • Pemilihan pelanggan yang tersegmentasi Hanya pelanggan yang masih aktif yang disegmentasi menggunakan analisis RFM. • Persiapan data dan perhitungan pengukuran R, F, dan M Pengelompokan berdasarkan tanggal terakhir transaksi (mendefinisikan komponen recency), jumlah frekuensi transaksi pembelian (frequency), nilai pembelian (monetary). • Pengembangan RFM melalui binning 5x5x5 Pelanggan dikelompokan berdasarkan analisis RFM menjadi 5 grup.
3.1.4
Desain Eksperimen
Dalam proses analisis frequent itemset, proses penyeleksian dengan menggunakan ambang batas (threshold) sebaiknya menghasilkan itemset yang benar-benar signifikan (Adhitama 2010). Batas parameter (threshold) ditentukan yaitu nilai confidence sebesar 50% dan nilai improvement > 1. Pemilihan parameter tersebut dilakukan untuk mendapatkan itemset dan rules yang signifikan yang nantinya akan digunakan untuk menentukan strategi penjualan. Proses dilakukan karena jumlah item dalam transaksi yang dijual sangat banyak dan perhitungan yang cukup kompleks untuk mendapatkan nilai support,
10
confidence, lift, dan bond. Hal ini akan menyebabkan pengolahan data yang memakan waktu cukup lama dan membutuhkan alokasi memori komputer yang lebih banyak. Dengan penetapan threshold bond yang terlalu kecil dapat menghasilkan rules yang cukup banyak dan kurang signifikan nantinya. 3.1.5 Indikator Penelitian Indikator untuk menghasilkan cross-selling product yang terbaik dari total transaksi pelanggan pada periode tertentu adalah 1. Item dengan confidence score yang tertinggi. Jadi misalkan produk pertama adalah kombinasi item 1 dan item 2 dengan confidence score x% berarti bahwa ketika produk 1 dibeli, kemungkinan produk 2 juga dibeli sebesar x%. 2. Improvement score (lift) > 1, mengidentifikasikan bahwa kombinasi item tersebut merupakan positive correlation (Han dan Kamber 2006) dan menunjukan bahwa rules tersebut dapat digunakan. 3. Bond measure yang tertinggi. 4. Support yang tertinggi.
3.1.6 Tahap Implementasi pembuatan program. Implementasi untuk tahap pembuatan program menggunakan perangkat lunak Java. Masukan berupa data yang disimpan di fail Microsoft Excel, sedangkan keluaran berupa tabel dan grafik. Perangkat keras yang digunakan adalah laptop dengan spesifikasi prosessor Intel Pentium 2.1 GHz dan RAM 2 GB.
3.1.7 Verifikasi Verifikasi merupakan tahapan untuk mengetahui apakah program yang dibuat menghasilkan keluaran secara keseluruhan sesuai yang diinginkan. Proses verifikasi dilakukan selama dan setelah pembuatan selesai. Tahap verifikasi dilakukan dengan cara pengujian keluaran paket program dan pelacakan kesalahan (testing and debugging). Pengujian dilakukan dengan data input berupa data transaksi untuk menghasilkan rules yang signifikan. Untuk analisis RFM pengujian dengan data input berupa data transaksi enam bulan terakhir.
3.2 Implementasi Proses Proses pertama adalah mendapatkan preferensi layanan dengan kasus penjualan dengan pendekatan apriori yang didukung dengan pengukuran bond. Proses kedua adalah menyusun rekomendasi layanan melalui analisis RFM.
11
Rekomendasi yang dapat diusulkan merupakan hasil analisis berdasarkan hasil proses pertama dan kedua. . 3.2.1 Proses untuk mendapatkan preferensi layanan Tahapan untuk mendapatkan preferensi layanan pelanggan mengikuti Gambar 3. Seluruh data transaksi penjualan dientri ke dalam fail Microsoft Excel, fail tersebut dibentuk menyesuaikan kebutuhan perusahaan dan untuk penelitian. Seluruh data kemudian digabungkan dan kolom-kolom yang tidak berhubungan untuk diproses oleh data mining akan dihilangkan. Pada proses membangkitkan itemset, didapatkan kombinasi barang (misalnya nomor barang 1 dan 2). Pada proses menghitung 2-frequent itemset dan 3-frequent itemset dengan minimum support dan minimum bond, dilakukan proses menghitung untuk mendapatkan nilai conjunctive, disjunctive, support dan bond pada masing-masing pasangan barang. Penulis membatasi proses sampai mendapatkan tiga kombinasi barang. Kombinasi barang yang akan dijual secara cross-selling yang merupakan preferensi layanan pelanggan didapatkan dari rules dengan pengukuran tertinggi parameter confidence, lift, support dan bond. Gambar 4 merupakan contoh transaksi penjualan (D). Terdapat tujuh item barang dan enam transaksi ( |D|=6 ). Transaksi 1 menunjukan pelanggan membeli item barang dengan nomor barang 1, 2, 3 dan 4. Langkah proses dengan pendekatan apriori dan bond adalah sebagai berikut : • Langkah pertama, scan D (transaksi penjualan) untuk mendapatkan support count untuk masing-masing item (frequent itemset). Ilustrasinya dapat dilihat pada sebelah kiri Gambar 5. Di sebelah kanan Gambar 5 (L1) merupakan daftar item barang dengan minimum support = 20%. Item 5 merupakan item pruning (pemangkasan proses perhitungan) dan tidak masuk untuk diproses pada tahap berikutnya karena mempunyai nilai support (1/7 * 100 = 14.33), kurang dari 20% . • Untuk mendapatkan kombinasi barang (membangkitkan itemset) menggunakan proses penggabungan (join) L1 dengan L1, ilustrasinya dapat dilihat pada Gambar 6. • Kemudian lakukan perhitungan untuk mendapatkan nilai conjunctive, disjunctive, support, dan bond (calculate frequent itemset). Jika nilai conjunctive=0 maka tidak perlu menghitung nilai disjunctive, support dan bond, lihat tanda - pada Gambar 7. Itemset 1 3 dan 3 4 merupakan item pruning karena tidak memenuhi syarat minimum support dan minimum bond. Di sebelah kanan Gambar 7 (L2) merupakan daftar item barang dengan minimum support = 20% dan minimum bond = 20%. • Untuk mendapatkan kombinasi 3 barang digunakan proses penggabungan (join) L2 dengan L2.
12
Mulai
Entri data
Data Transaksi
Membangkitkan itemset
Menghitung 2-frequent itemset dan 3-frequent itemset dengan minimum support dan minimum bond
Mendapatkan rule dengan parameter tertinggi
Selesai
Gambar 3 Proses mendapatkan preferensi pelanggan • Selanjutnya dilakukan perhitungan untuk mendapatkan nilai conjunctive, disjunctive, support dan bond. Jika nilai conjunctive=0 maka tidak perlu menghitung nilai disjunctive, support dan bond, dapat dilihat pada Gambar 8 dengan tanda - . Di sebelah kanan Gambar 8 (L2) merupakan daftar item barang dengan minimum support = 20% dan minimum bond = 20%. Itemset 1 2 6, 1 2 7, 1 6 7 dan 2 3 4 merupakan item pruning.
Items
Tid 1 2 3 4 5 6
1 x x
2 x x x
3 x
4 x
x
6
7
x
x
x
x x
x x
x
x x x
5
x
Gambar 4 Transaksi penjualan
13
Item 1 2 3 4 5 6 7
Support count 4 5 2 2 1 3 3
Item
Pruning item 5
1 2 3 4 6 7
Support count 4 5 2 2 3 3
Gambar 5 Proses 1 itemset dengan minimum support adalah 20%
Gambar 6 Proses membentuk kombinasi item
Gambar 7 Proses menentukan 2 itemset dengan minimum support=20% dan minimum bond=20%
14
Gambar 8 Proses menentukan 3 itemset dengan minimum support=20% dan minimum bond=20% Langkah untuk mengetahui waktu proses mengikuti Gambar 9. Pada GET CONFIG merupakan proses membaca fail config yang terdiri dari jumlah item, jumlah transaksi, minimum support dan minimum bond. Pada GENERATE CANDIDATES ITEM SET didapatkan pasangan barang (misalnya pasangan nomor barang 1 dan 2). Pada CALCULATE FREQUENT ITEM SET dilakukan proses menghitung untuk mendapatkan nilai conjunctive, disjunctive, support dan bond pada masing-masing pasangan barang. Pada CALCULATE CONFD dilakukan perhitungan untuk mendapatkan nilai confidence dan lift. Pada PROCESS END TIME, didapatkan akhir waktu proses. Pada EXEC TIME didapatkan waktu proses sampai dengan 3 kombinasi barang. Penulis membatasi untuk running time sampai dengan 3 kombinasi barang. Gambar 10 menunjukan running program data penjualan spare part AC sentral dengan support = 1.0 , bond = 5.0 dan jumlah seluruh transaksi = 633. Waktu proses untuk data tersebut adalah 0.625 detik. Pada Gambar 11 merupakan proses running program dengan menaikkan minimum support dan minimum bond, dari minimum support=1.0 menjadi 3.0 dan minimum bond dari 5.0 menjadi 15.0, diperlukan waktu proses 0.578 detik. Gambar 10 dan Gambar 11 merupakan proses running program data penjualan spare part AC sentral dengan minimum support tertinggi dan minimum bond tertinggi. Dapat disimpulkan semakin tinggi nilai support dan nilai bond maka pemangkasan proses lebih banyak, sehingga waktu prosesnya semakin singkat (cepat).
15
START
GET CONFIG CALCULATE CONFD
GET START TIME GET END TIME
PROCESS ITEM-SET
ADD
PROCESS EXEC TIME GENERATE CANDIDATES ITEM-SET-NUMBER
END CALCULATE FREQUENT ITEM SETS
ITEM-SET =3
Gambar 9 Diagram alir running time
Gambar 10 Running program dengan minimum support=1.0 dan minimum bond=5.0
16
Gambar 11 Running program dengan minimum support=3.0 dan minimum bond=15.0 Penelitian Adhitama (2010) menjelaskan bahwa kombinasi produk dengan
confidence score yang tinggi (>80%) mengidentifikasikan jika base product terjual maka seharusnya cross-selling product juga disarankan ditawarkan kepada pelanggan, kedua produk tersebut memiliki reliabilitas yang tinggi jika dijual secara komplemen satu sama lain. Peluang untuk menjual produk secara bundling dengan memperhatikan support score nya.
3.2.2
Proses menyusun mekanisme rekomendasi layanan.
Analisis RFM untuk memeriksa dan mengelompokkan pelanggan sesuai dengan frekuensi pembelian mereka, kebaruan dan nilai pembelian. Analisis RFM adalah pendekatan umum untuk memahami perilaku pembelian pelanggan. Biasanya, analisis RFM melibatkan pengelompokan (binning) dari pelanggan. Pelanggan dikelompokkan sesuai dengan nilai recency (R), frequency (F), dan monetary (M). Kelompok 1 dari pelanggan dengan nilai monetary (M)=1 merupakan kelompok pelanggan terendah dalam nilai nominal pembelian, kelompok 3 dari pelanggan dengan monetary=3 merupakan kelompok pelanggan sedang dan kelompok 5 dari pelanggan dengan monetary=5 merupakan kelompok tertinggi. Prosedur untuk membangun sel-sel RFM diilustrasikan pada Gambar 12.
17
Gambar 12 Binning RFM (Tsiptsis dan Chorianopoulos 2009)
Penyusunan mekanisme rekomendasi layanan pelanggan melalui analisis RFM mengikuti Gambar 13. Tahapan tersebut yaitu: 1. Data transaksi penjualan setiap pelanggan dianalisis berdasarkan recency (transaksi paling baru), frequency (frekuensi dari transaksi penjualan) dan monetary (nilai pembelian barang). 2. Pembuatan 5 binning (kelompok) RFM menggunakan data transaksi pelanggan selama 6 bulan terakhir. Proses tersebut yaitu : • Mendapatkan maksimum dan minimum frekuensi transaksi penjualan. • Mendapatkan jumlah frekuensi pembelian untuk setiap pelanggan, untuk frekuensi pembelian terkecil ditempatkan pada binning 1, untuk frekuensi sedang ditempatkan pada binning 3 dan untuk frekuensi terbanyak ditempatkan pada binning 5. Demikian juga dengan recency dan monetary.
18
Mulai
Data transaksi penjualan
Analisis data transaksi setiap pelanggan (data tanggal transaksi, jumlah transaksi, dan nilai nominal)
Analisis recency dari transaksi yang paling baru
Analisis frekuensi dari transaksi penjualan
Analisis monetary dari variabel nilai pembelian barang
Mengelompokkan pelanggan menjadi 5 level untuk masingmasing recency, frequency dan monetary
Mendapatkan pelanggan dengan RFM tertinggi
Gambar 13 Diagram alir analisis RFM
Selesai
19
4 HASIL DAN PEMBAHASAN 4.1 Preferensi Layanan Pelanggan Hasil penelitian untuk mendapatkan preferensi layanan pelanggan pada kasus data penjualan spare part AC sentral didapatkan 9 rules (8 kelompok kombinasi barang) dengan nilai lift > 1 dan confidence ≥ 50%. Tabel 1 merupakan nama barang berdasarkan hasil association rules dan pengukuran bond, yang diusulkan untuk dijual secara cross-selling. Pada Tabel 2, salah satu untuk 2 item barang yang dapat dijual bersamaan yaitu nomor barang 2 (oil filter) dan 31 (air filter) dengan dengan support 4.90% (terdapat 4.90% frekuensi pembelian bersama 2 item tersebut dari seluruh transaksi), bond 36.04% (terdapat 36.04% frekuensi bersama dari pembelian 2 item barang tersebut), confidence 50.81% (50.81% kemungkinan nomor barang 31 (air filter) dibeli apabila membeli nomor barang 2 (oil filter)) dan lift > 1 menunjukkan nomor barang 2 dan 31 berkorelasi positif (rules tersebut dapat digunakan). Tabel 1 Nama barang berdasarkan hasil association rules mining dan pengukuran bond Nomor barang 2 3 4 5 19 31 37 41
Nama barang Oil Filter Maintenance Kit Filter Kit Separator Kit Oil G Roto Inject Air Filter Oil Separator Chemical
Tabel 2 Preferensi layanan pelanggan Parameter Rules Support Confidence (%) (%) If item 2 Then 31 4.90 50.81 If item 31 Then 2 4.89 55.35
Bond Lift (%) 36.04 5.74 36.04 5.74
If If If If
19.67 10.52 36.36 7.95
item 5 Then 4 item 3 Then 19 item 41 Then 3 item 41 Then 19
1.89 1.57 1.26 1.10
70.00 50.00 80.00 70.00
7.97 3.72 25.32 5.21
20
If item 31, 37 Then 2 If item 19, 31 Then 2 If item 19, 41 Then 3
1.73 1.26 1.10
61.11 80.00 100.00
9.32 5.03 7.21
6.34 8.30 31.65
4.2 Rekomendasi Analisis RFM Pada Tabel 3 merupakan pelanggan dengan nilai RFM tertinggi, Daftar pelanggan pada Tabel 3 merupakan pelanggan yang memberikan keuntungan terbesar untuk perusahaan. Pelanggan dengan nomor pelanggan 13 didapatkan nilai R=5 menunjukan pelanggan tersebut melakukan transaksi paling terbaru, nilai F=5 menunjukan pelanggan tersebut melakukan frekuensi pembelian terbanyak dan nilai M=5 menunjukkan pelanggan tersebut melakukan pembelian dengan nilai pembelian tertinggi dari seluruh pelanggan. Tabel 3 Pelanggan dengan nilai RFM tertinggi No pelanggan 13
19 2
Nama pelanggan PT UT Jl. Raya Bekasi Jakarta PT. F Manufacturing Indonesia, Jl. Pulo Gadung No.30 Kawasan Industri PT KYM Jl Raya Bekasi Km 21-22 Rawa Terate Cakung Jaktim
RFM 555
454 544
Gambar 14(a) grafik frequency binning merupakan grafik yang menggambarkan profil frekuensi pembelian pelanggan (untuk terendah= 1-2, sedang = 3-5 dan tertinggi = 9-17), didapatkan 5 pelanggan dengan frekuensi tertinggi. Gambar 14(b) grafik monetary binning merupakan grafik yang menggambarkan profil pembelian pelanggan dalam nominal pembelian (monetary). Gambar 14(c) grafik recency binning merupakan profil pelanggan dalam kebaruan (recency), terdapat 44 pelanggan melakukan pembelian terbaru. Berdasarkan referensi dari William dan McLeod (2002), rekomendasi yang dapat disusun dari hasil pada bagian 4.1 dan 4.2 adalah 1) Untuk pelanggan dengan RFM tertinggi merupakan pelanggan yang banyak memberikan keuntungan untuk perusahaan. Perusahaan diarahkan untuk mampu mempertahankan kepuasan dan loyalitas pelanggan serta menjaga interaksi yang terus berkelanjutan dengan pelanggan. Untuk menjaga interaksi yang terus menerus dapat dengan cara menawarkan kerja sama kontrak kerja untuk service dan menawarkan reselling (pelanggan ikut menjual produk yang ditawarkan).
21
2) Untuk pelanggan yang lain, terutama untuk pelanggan dengan RFM terendah, perusahaan harus lebih fokus dalam menentukan karakteristik pelanggannya dan menentukan pemasaran yang cocok untuk setiap karakteristik pelanggannya. Untuk langkah awal, perusahaan diarahkan untuk sering mengirimkan email penawaran penjualan barang, langkah berikutnya pihak sales perusahaan melakukan pendekatan dengan cara mendatangi pelanggan, menanyakan kepuasan atas pelayanan sebelumnya, barang yang telah dibeli sebelumnya. (a)
(b)
(c)
Gambar 14 Grafik binning RFM
22
5 SIMPULAN DAN SARAN 5.1 Kesimpulan Dalam penelitian ini dapat disimpulkan bahwa menentukan preferensi layanan dapat dilakukan dari data transaksi dengan mengukur nilai tertinggi dari empat parameter, yaitu improvement (lift), confidence, support dan bond. Bond berpengaruh untuk melihat eratnya hubungan antar item. Mekanisme rekomendasi cross-selling disusun dari rules yang efektif dengan pengukuran empat parameter tersebut. Untuk kasus data pada penjualan spare part AC sentral didapatkan 9 rules (aturan) yang dapat digunakan untuk menentukan strategi penjualan cross-selling. Adapun nama barang yang diusulkan untuk dijual secara cross-selling berdasarkan hasil association rules mining dan pengukuran bond adalah oil filter, maintenance kit, filter kit, separator kit, oil G roto inject, air filter, oil separator dan chemical. Penelitian ini menganalisa hubungan produk dan loyalitas pelanggan untuk mendapatkan rekomendasi yang baik untuk diusulkan ke perusahaan. Pelanggan dengan RFM tertinggi merupakan pelanggan yang banyak memberikan keuntungan untuk perusahaan. Perusahaan diarahkan untuk mampu mempertahankan kepuasan pelanggan dan loyalitas pelanggan, menawarkan kerja sama kontrak kerja untuk service, serta menawarkan reselling (pelanggan ikut menjual produk yang ditawarkan). 5.2
Saran
Penelitian ini masih memiliki kekurangan, untuk itu beberapa hal yang dapat disarankan adalah : 1. Dalam mendapatkan preferensi layanan pelanggan yang akan dijadikan sebagai strategi penjualan cross-selling, sebaiknya juga melihat pada trend penjualan barang yang bersangkutan. Kemungkinan kombinasi produk tertentu masih relevan diterapkan ke dalam transaksi penjualan pada periode selanjutnya, namun beberapa produk tidak relevan lagi untuk diterapkan. 2. Penggunaan analisis RFM akan lebih baik jika lebih dimaksimalkan dengan adanya segmentasi geografis pelanggan, sehingga strategi penjualan crossselling yang dihasilkan dari penggunaan teknik association rules mining yang didukung dengan pengukuran bond dapat lebih dimaksimalkan.
23
DAFTAR PUSTAKA
Adhitama B. 2010. Penetapan Strategi Penjualan Menggunakan Association Rules dalam Konteks CRM. Palembang (ID): Ilmu Komputer, Universitas Sriwijaya. Agrawal R, Imielinski T, Swami A. Mining. 1993. Association rules between sets of items in large databases. Didalam Proc. of the ACM SIGMOD Conference on Management of Data, 1993 Mei; Washington DC, Amerika Serikat. Danardatu A.H. 2007. Pengenalan Customer Relationship . Yogyakarta (ID): Andi. Geng L, dan Hamilton HJ. 2006. Interesting measure for data mining, ACM Computing Surveys, 38(3). Han J, dan Kamber M. 2006. Data Mining Concept and Techniques. San Francisco (US): Elsevier. Kellen V. 2002. Customer Relationship Management Measurement FrameWorks for the CRM Practitioner. Chicago (IL): Blue Wolf. Kotler P, Keller KL. 2012. Marketing Manajement. Essex (GB): Pearson. Li S. 2009. Cross-selling the right product to the right customer at the right time. [Internet] [diunduh 2012 Mar 11]. Tersedia pada: http://wpweb2.tepper.cmu.edu/facultyadmin/upload/ppaper_3815810198307 93_proactive_2010-09-09.pdf. Maalof L. 2007. Mining MEA Airline Data for CRM Strategies. Beirut (LB) : Lebanese American University. Motwani M, Rana JL dan Jain RC. 2009. Use of domain knowledge for fast mining of association rules. Didalam Proceedings of the International MultiConference of Engineers and Computer Scientists 2009 Vol I 2009, Mar 18 - 20, 2009, Hongkong. Hal 738-743. Omiecinski E. 2003, Alternative interest measures for mining associations in databases, IEEE Transactions on Knowledge and Data Engineering. 15(1): 57-69. Oshawa Y, Yada K. 2009. Data Mining for Design and Marketing. Boca Rotan (FL): Taylor and Francis Group. Pfahringer B, Holmes G, Hoffmann A. 2010. Artificial Intelligent. Didalam: .Discovery Science 13th International Conference, Canberra, Australia. Tsiptsis K dan Chorianopoulos A. 2009. Data Mining Techniques in CRM Inside Customer Segmentation. West Sussex (UK):Wiley William GZ. dan McLeod RJ. 2002. Customer Relationship Management, Intergrating Marketing Strategy and Information Technology. Danvers (MA): Wiley.
24
RIWAYAT HIDUP Penulis dilahirkan di Jakarta pada tanggal 28 November 1963 sebagai anak keempat dari pasangan H.M.Ambotang dan Hj.Nilla Farmila. Pendidikan sarjana ditempuh di Program Studi Manajemen Informatika, Fakultas Ilmu Komputer Budi Luhur Jakarta, lulus pada tahun 1991. Pengalaman kerja penulis, pernah bekerja di Bank Duta pada tahun 19881991, bekerja pada perusahaan PT GARUDA INDONESIA tahun 1992 - 1998. Saat ini penulis bekerja sebagai asisten dosen di Universitas Pakuan sejak tahun 2008.
