JURNAL DIGIT, Vol.1, No. 2, November 2011, pp. 153~162 ISSN:2088-589X
153
Karakterisasi Pelanggan PLN Menggunakan Algoritma Fuzzy C Mean Dalam Upaya Pengembangan CRM Husmul Beze Jurusan Geoinformatika POLITEKNIK PERTANIAN SAMARINDA Kampu Sei, Kaledang Jl. Samratulangi Kotak Pos 192 Samarinda 75131 email :
[email protected] Abstrak CRM (Customer Relationship Management) dapat digunakan untuk menganalisis perilaku pelanggan di PLN dalam menggunakan listrik. Dalam penelitian ini, pelanggan tersegmentasi adalah rumah, bisnis dan industri pelanggan. Variabel segmentasi yang digunakan sebagai atribut adalah durasi berlangganan, total pembayaran, disiplin dalam membayar dan penggunaan listrik total. Sistem dikembangkan dalam penelitian ini memberikan banyak pilihan kombinasi variabel yang akan tersegmentasi. Tujuannya adalah untuk memberikan banyak pilihan bagi PLN di segmentasi pelanggan. Metode untuk segmentasi pelanggan adalah fuzzy c-mean. Untuk mengukur segmentasi yang akurat, hasil clustering divalidasi dengan metode indeks Xie dan Beni. Hasil penelitian menunjukkan bahwa bisnis dan pelanggan rumah yang lebih akurat jika dikelompokkan ke dalam 3 kelompok, sedangkan pelanggan industri dalam beberapa kombinasi variabel yang lebih akurat jika dikelompokkan ke dalam 3 kelompok dan kombinasi beberapa variabel yang lebih akurat jika dikelompokkan menjadi 4 kelompok. Hasil segmentasi karakter pelanggan dapat digunakan sebagai data pendukung dalam pengambilan keputusan bisnis PLN. Kata Kunci: Fuzzy C Mean, CRM, clustering, segmentasi pelanggan Abstract CRM (Customer Relationship Management) can be used to analyze customer behavior in PLN in electricity use. In this study, segmented customer is home, business and industrial customers. Segmentation variables are used as an attribute is the duration of the subscription, total payments, pay and discipline in the total electricity usage. The system developed in this study provide many options combinations of variables that will be segmented. The goal is to provide many options for PLN in customer segmentation. Methods for customer segmentation is fuzzy c-mean. To measure an accurate segmentation, clustering results are validated by the method of Xie and Beni index. The results showed that business and residential customers a more accurate if it were grouped into 3 groups, while industrial customers in several combinations of variables that more accurately if grouped into 3 groups and combinations of several variables that more accurately if grouped into 4 groups. The results of character segmentation of customers can be used as supporting data in making business decisions in PLN. Keywords: Fuzzy C Mean, CRM, clustering, segmentation of customers 1. Pendahuluan Berdasarkan sudut pandang teknologi, CRM adalah dasar untuk melakukan analisis perilaku konsumen berdasarkan data historis pelanggan. CRM bukan hanya bisa digunakan sebagai strategi dalam rangka memenangkan kompetisi di bidang pemasaran. Namun bisa juga digunakan untuk memberikan pelayanan prima kepada pelanggan dengan tujuan memberi kepuasan kepada pelanggan. Perusahaan listrik negara (PLN) merupakan perusahaan negara yang menyediakan tenaga listrik untuk seluruh wilayah Indonesia. Sebagai perusahaan yang berorientasi pada pelanggan (customer oriented enterprise) manajemen PLN telah mengembangkan sistem pengelolaan pelanggan yang bernama customer information system (CIS). Namun pelayanan yang dilakukan dalam sistem ini masih bersifat teknik, belum melakukan pengelolaan pelanggan secara lebih mendalam yaitu melakukan analisa terhadap perilaku pelanggan dalam menggunakan energi listrik. Sehubungan dengan komitmen PLN sebagai perusahaan yang berorientasi pada pelanggan, di dalam penelitian ini akan dilakukan riset terhadap salah satu bagian CRM yaitu segmentasi pelanggan. JURNAL DIGIT Vol. 1, No. 2, November 2011:153 - 162
ISSN: 2088-589X
154
Salah satu metode segmentasi yang bisa digunakan untuk melakukan segmentasi pelanggan adalah algoritma fuzzy c-mean (FCM). Algoritma FCM sudah cukup luas digunakan dalam melakukan segmentasi pelanggan diantaranya penelitian [6], [11], [12], [3] dan [13]. Namun semua penelitian di atas belum ada yang menerapkan pada pelanggan PLN di Jakarta. 2. Tinjauan Pustaka a. Segmentasi Konsumen dan Pasar Perilaku konsumen secara kuat dipengaruhi oleh karateristik budaya, sosial, pribadi dan psikologis [11]. Pasar terdiri dari banyak pembeli dan para pembeli berbeda untuk satu dan banyak hal. Mereka dapat berbeda dalam kebutuhan, sumberdaya, lokasi, sifat pembelian dan pola pembelian. Melalui segmentasi pasar, perusahaan membagi pasar yang besar dan heterogen menjadi segmen yang lebih kecil yang dapat diliput secara efisien dengan produk dan layanan yang memenuhi kebutuhan unik mereka [11].
b.
Manajemen Hubungan Pelanggan Communication CRM (front-end) -
call center e-commerce web wireless
Operation CRM (core-end)
Analytics CRM (back-end)
- marketing - sales - customer service
- Information search - Analysis algoritma
Database
Gambar 1. Generalisasi Arsitektur Sistem CRM [2]. Manajemen hubungan pelanggan (customer relationship management) adalah sebuah terminologi yang menggambarkan bagaimana kita berinteraksi dan proaktif mengatur hubungan pelanggan kita. Secara umum sistem CRM terdiri dari fungsi-fungsi yang bersifat front-end, core-end dan back-end [2]. d. Himpunan Fuzzy Dinyatakan jika X adalah koleksi dari objek-objek yang dinotasikan secara generik oleh x maka suatu himpunan fuzzy A dalam X adalah suatu himpunan pasangan berurutan [7]:
à = {(x, µÃ(x)) | x ε X}
(1)
dengan µÃ (x) adalah derajat keanggotaan x di à yang memetakan X ke ruang keanggotaan M yang terletak pada rentang [0,1]. e.Fuzzy C-Mean Klastering Fuzzy C-Mean Klastering (FCM) juga dikenal sebagai fuzzy ISODATA yakni algoritma yang mengelompokkan data dimana setiap titik data dalam sebuah klaster ditentukan oleh derajat keanggotaannya [7]. FCM membagi sebuah koleksi ke-n dari vektor xi, dimana i = 1,2,3,...,n ke dalam c grup fuzzy dan mencari pusat klaster pada masing-masing grup yakni fungsi biaya dari ukuran ketidakmiripan yang paling minimal. FCM adalah suatu teknik klastering yang keberadaan setiap titik data dalam suatu klaster JURNAL DIGIT Vol. 1, No. 2, November 2011:153 -162
155
ISSN: 2088-589X
JURNAL DIGIT
ditentukan oleh derajat keanggotaan antara 0 hingga 1. Untuk mengakomodasi fuzzy partisi, keanggotaan matrik U harus memiliki nilai antara 0 dan 1. Untuk melakukan normalisasi penetapan hasil derajat keanggotaan dari set data menggunakan persamaan 2 [7] : c
∑u
ij
= 1, ∀ j = 1,2,3,..., n
(2)
i =1
Dimana µij adalah derajat keanggotaan point data terhadap pusat-pusat klaster dan jumlah klaster C serta jumlah data n. Untuk menghitung fungsi objektif pada fuzzy c-mean ketika dilakukan generalisaasi digunakan persamaan 3 berikut ini : c
c
J (U , c1 ,..., c c ) = ∑ J i = ∑ i =1
i =1
n
∑u
m ij
d ij2
(3)
j
Dimana J adalah fungsi objektif , sementara uij adalah derajat keanggotaan poin data terhadap klasterklaster yang nilainya antara 0 dan 1, kemudian jumlah klaster adalah c dan n adalah banyaknya poin data, lalu m adalah nilai parameter fuzzy dan dij adalah jarak euclidean antara pusat klaster ke-i hingga ke-j dari point data dan m Є (1,∞) sebagai ekponen pembobot. Jarak euclidean ini didapatkan dari persamaan dij = ||ci-xj|| ; Nilai minimum dari pusat klaster digunakan persamaan 4 seperti di bawah ini :
∑ = ∑ n
ci
j =1
u ijm x j (4)
n
um j =1 ij
Dimana ci adalah pusat klaster ke-i dan uij adalah derajat keanggotaan poin data terhadap klasterklaster dengan nilainya antara 0 dan 1, lalu n adalah banyaknya poin data dan m adalah nilai parameter fuzzy serta xj adalah data poin ke-j. Untuk menghitung perubahan matrik partisi (derajat keanggotaan poin data terhadap semua klaster yang baru) digunakan persamaan 5 :
u ij =
1 c d ij ∑ k =1 d kj
2 /( m −1)
(5)
Dimana uij adalah derajat keanggotaan poin data terhadap klaster-klaster yang nilainya antara 0 dan 1 dengan c sebagai jumlah pusat klaster dari grup fuzzy ke-i, sedangkan m adalah parameter fuzzy dan dij adalah jarak euclidean antara pusat klaster ke-i hingga ke-j dari poin data dan m Є (1,∞) sebagai ekponen pembobot serta dkj adalah jarak euclidean antara pusat klaster ke-k hingga ke-j dari poin data dan m Є (1,∞) sebagai ekponen pembobot. FCM menentukan pusat klaster ci dan keanggotaan matriks U dengan langkah-langkah sebagai berikut [7]: a. Inisialisasi keanggotaan matrik U dengan nilai random antara 0 dan 1. b. Hitung c pusat klaster fuzzy ci, i = 1,2,3,...c . c. Hitung fungsi objektif. Berhenti jika hasil fungsi objektifnya mencapai nilai toleransi atau hasil fungsi objektifnya setelah iterasi maksimal yang ditetapkan. d. Hitung matrik partisi baru dan kembali ke langkah ke-2. f. Validasi Klaster Tujuan melakukan klastering adalah mengumpulkan objek-objek yang memiliki kemiripan yang tinggi dalam satu klaster yang sama. Ukuran kevalidan klaster merupakan proses evaluasi hasil klastering Karakteristik Pelanggan PLN Menggunakan Algoritma Fuzzy C Mean dalam Upaya Pengembangan CRM – (Husmul Beze)
ISSN: 2088-589X
156
untuk menentukan kualitas klaster [10]. Kevalidan suatu klaster lanjutnya merupakan hasil rasio dari kepadatan (compactness) dengan keterpisahan (separation). Kepadatan adalah ukuran kedekatan antaranggota pada tiap klaster sedangkan keterpisahan adalah ukuran keterpisahan antarklaster satu dengan klaster lainnya. Rasio dari kepadatan dan keterpisahan tersebut didefinisikan sebagai berikut : S = π / N.Dmin ;
(6) c
π (Compactnes s ) =
n
∑ ∑µ i =1
2 ij
ci − x j
j =1
(7)
n
Dmin (Separation) = minij || ci – cj ||2
2
(8)
Dimana || xi – cj || merupakan jarak euclid dari pusat klaster cj ke poin data xj dan || ci – cj || adalah jarak euclid dari pusat klaster ci ke cj, sementara µij adalah derajat keanggotaan poin data ke-j pada klaster ke-i dan N adalah jumlah data. Semakin kecil nilai S maka semakin bagus hasil klaster yang telah dilakukan.
3.Metode Penelitian a.Tahapan Penelitian Ada empat tahap utama yang dilakukan dalam penelitian ini. Tahap-tahap tersebut antara lain analisa masalah, persiapan data, pengumpulan data, pengembangan model dan pembuatan prototipe sistem. Mulai
Analisis Masalah
Persiapan Data
Desain Model Tidak
Implementasi Pengembangan Model Prototipe Sistem
Prototipe Sesuai Ya Selesai
Gambar 2. Tahapan Penelitian b.Analisis Masalah Adanya pemetaan terhadap pelanggan mempermudah pihak manajemen PLN melakukan perencanaan pelayanan prima terhadap pelanggan. Langkah yang dilakukan untuk melakukan identifikasi pelanggan salah satunya adalah melakukan segmentasi terhadap pelanggan. Yakni mengelompokkan pelanggan berdasarkan kemiripan ciri yang dimiliki pelanggan. c.Persiapan Data Data yang digunakan dalam penelitian ini adalah data transaksi pelanggan PT PLN distribusi Jakarta Raya dan Tangerang area pelayanan Cengkareng satu periode pemakaian listrik yaitu mulai November 2006 hingga Oktober 2007. Berdasarkan data yang dimiliki ada empat variabel yang digunakan sebagai variabel masukan sistem. JURNAL DIGIT Vol. 1, No. 2, November 2011:153 -162
ISSN: 2088-589X
JURNAL DIGIT
No a. b. c. d
157
Tabel 1. Tabel masukan sistem penggelompokkan pelanggan Jenis Input Satuan Lama berlangganan (A) Bulan Nilai pembayaran listrik (C) Rupiah Kedisiplinan membayar listrik (D) Jumlah pembayaran tepat waktu Jumlah pemakaian listrik (D) Watt
d. Desain Model Sistem Dalam penelitian ini digunakan tiga golongan pelanggan yakni golongan pelanggan rumahtangga (1), pelanggan bisnis (2) dan pelanggan industri (3) sebagai data masukan bagi sistem. Variabel yang digunakan sebagai masukan sistem ini adalah variabel-variabel seperti yang telah disebutkan pada tabel 1. Selain melihat karakter pelanggan pada semua variabel, dalam penelitian ini juga akan dilihat karakter pelanggan dari berbagai variasi variabel. Variasi- variabel yang dimaksud antara lain variasi A, B, C, D, AB, AC, AD, BC, BD, CD, ABC, ABD, ACD, BCD dan ABCD. Selain mendesain masukan, hal yang sangat penting dilakukan sebelum melakukan analisis pengelompokkan menggunakan algoritma FCM adalah menetapkan parameter masukan. Dalam penelitian ini ditetapkan parameter sebagai berikut :
Tabel 2. Tabel parameter dan nilainya Parameter Nilai Jumlah klastering 3; 4; 5 Nilai error terkecil 0,00001 Iterasi maksimal 100 Parameter fuzzifikasi 1,5 - 10 Jumlah klaster 3, 4 dan 5 yang digunakan dalam penelitian ini dimaksudkan untuk menyesuaikan pengaplikasian hasil penelitian dalam manajemen bisnis manajemen PLN terhadap pelanggannya. Untuk melakukan validasi terhadap hasil klastering dalam penggunaan parameter masukan digunakan indeks Xie dan Beni. Metode ini membandingkan rasio kepadatan data dalam klaster dengan keterpisahan data antarklaster. Semakin kecil nilai rasio yang dihasilkan artinya hasil pengelompokkan semakin baik.
4.Perancangan dan Implementasi Pelanggan yang akan dicari karakter dalam penelitian ini adalah (1) data pelanggan golongan rumah tangga, (2) golongan bisnis dan (3) golongan industri. Ketiga data tersebut merupakan data perilaku pelanggan dalam menggunakan energi listrik selama satu tahun dan akan dijadikan sebagai data masukan sistem. Berdasarkan data transaksi pelanggan ada empat variabel data yang relevan untuk menggambarkan karakter pelanggan dalam menggunakan energi listrik. Keempat variabel masukan sistem itu antara lain lama berlangganan (A), jumlah pembayaran (B), kedisiplinan membayar (C) dan jumlah pemakaian listrik (D). Ada 15 kombinasi variabel yang akan dijadikan sebagai kombinasi variabel masukan pada sistem yaitu: Tabel Kombinasi variabel a. Kombinasi variabel A b. Kombinasi variabel BD c. Kombinasi variabel B d. Kombinasi variabel CD e. Kombinasi variabel C f. Kombinasi variabel ABC g. Kombinasi variabel D h. Kombinasi variabel ABD i. Kombinasi variabel AB j. Kombinasi variabel ACD k. Kombinasi variabel AC l. Kombinasi variabel BCD m. Kombinasi variabel AD n. Kombinasi ABCD o. Kombinasi variabel BC
Karakteristik Pelanggan PLN Menggunakan Algoritma Fuzzy C Mean dalam Upaya Pengembangan CRM – (Husmul Beze)
ISSN: 2088-589X
158
a.Uji Validasi Hasil Pengelompokkan Pelanggan Uji validasi terhadap nilai parameter yang digunakan pada algoritma FCM dalam penelitian ini dilakukan untuk mendapatkan hasil paling akurat dengan biaya komputasi terkecil saat proses klastering. 1. Nilai Error dan Iterasi Maksimal Walau tidak ada jaminan proses klastering akan sangat akurat pada iterasi ke-100, namun dalam penelitian ini akan digunakan nilai error 0,00001 dan iterasi maksimal 100 sebagai parameter pembatas dalam proses iterasi pengelompokkan menggunakan algoritma fuzzy c-mean. Alasannya, pada nilai tersebut proses klastering tidak memerlukan biaya komputasi yang tidak terlalu besar namun mampu menghasilkan nilai uji validasi yang sudah konvergen. 2. Parameter Fuzzy Berdasarkan hasil percobaan terhadap data golongan pelanggan rumah tangga, bisnis dan industri hasil uji validasi terbaik diperoleh pada nilai parameter fuzzy 1,5. 3. Jumlah Klaster Dalam penelitian ini digunakan jumlah klaster 3, 4 dan 5. Alasannya, selama ini manajemen PT PLN mengelompokkan pelanggannya dalam interval antara 3 hingga 5 dalam berbagai kepentingan bisnis dan pelayanan terhadap pelanggan. a. Pelanggan Rumah Tangga Pada percobaan terhadap data pelanggan rumah tangga diperoleh hasil bahwa pengelompokkan terbaik dicapai pada jumlah klaster 3 kecuali pada variabel C. Pada pengelompokkan pelanggan ke dalam 3 klaster dihasilkan nilai rasio kekompakan dan keterpisahan (S) paling kecil. Hal ini terjadi pada kombinasi variabel A, B, D, AB, AC, AD, BC, BD, CD, ABC, ABD, ACD, BCD dan ABCD. b. Pelanggan Bisnis Hasil percobaan pada data pelanggan bisnis menggunakan kombinasi variabel A, B, D, AB, AC, AD, BC, BD, CD, ABC, ABD, ACD, BCD dan ABCD diperlihatkan bahwa pelanggan lebih akurat jika dikelompokkan ke dalam 3 klaster dibandingkan ke dalam 4 klaster ataupun 5 klaster. c. Pelanggan Industri Hasil percobaan terhadap kombinasi variabel A, B, AB, AC, BC, BD, ABC, ABD, BCD dan ABCD, pelanggan industri lebih akurat jika dikelompokkan ke dalam 3 klaster dibandingkan ke dalam 4 klaster atau 5 klaster. Sementara itu, pengelompokkan pelanggan berdasarkan kombinasi variabel D, AD, CD dan ACD, pelanggan indsutri lebih akurat jika dikelompokkan ke dalam 4 klaster dibandingkan 3 atau 5 klaster. 4.Karakter Pelanggan Diperlukan pembacaan karakter yang benar terhadap informasi segmentasi yang dihasilkan analisis CRM pada masing-masing kelompok. Dengan pembacaan yang benar, informasi hasil segmentasi bisa dimanfaatkan untuk keperluan yang tepat. a. Karakter Pelanggan rumah tangga Bila dilihat berdasarkan faktor lama berlangganan, pelanggan rumah tangga terbentuk menjadi 3 kelompok. Untuk melihat karakter-karakter kelompok pelanggan lainnya bisa dilihat pada Tabel 3 di bawah ini.
Klpk 1 2 3
Tabel 3. Karakter pelanggan rumah tangga berdasarkan lama berlangganan Jml Lama Langganan Jml Bayar Disiplin Membayar Anggota (Bulan) (Ribu Rupiah) (Kali) 5199 28 143 s/d 202 10 7506 165 113 s/d 152 10 3678 290 117 s/d 161 10
JURNAL DIGIT Vol. 1, No. 2, November 2011:153 -162
Jumlah Pemakaian (Watt) 205 s/d 300 171 s/d 244 179 s/d 260
JURNAL DIGIT
ISSN: 2088-589X
159
Pelanggan rumah tangga dilihat berdasarkan jumlah pembayaran juga terbagi menjadi 3 kelompok. Untuk melihat lebih jauh karakter kelompok pelanggan berdasarkan jumlah pembayaran ini bisa dilihat di Tabel 4 di bawah ini. Tabel 4. Karakter pelanggan rumah tangga berdasarkan jumlah pembayaran listrik Klpk Jml Lama Langganan Jml Bayar Disiplin Bayar Jumlah Pemakaian Anggota (Bulan) (Ribu Rupiah) (Kali) (Watt) 1 137 133 1.389 s/d 1.925 11 1437 s/d 2171 2 14.188 150 75 s/d 107 10 126 s/d 182 3 2128 146 360 s/d 476 10 487 s/d 687 Pada percobaan menggunakan kombinasi variabel AB, BC, BD, ABC, BCD dan ABCD, karakterkarakter kelompok pelanggan yang muncul sama dengan karakter kelompok pelanggan rumah tangga yang dikelompokkan berdasarkan jumlah pembayaran listrik seperti yang disebutkan dalam Tabel 4 di atas. Percobaan lainnya adalah pengelompokkan pelanggan berdasarkan tingkat kedisiplinan pelanggan. Untuk melihat karakter pelanggan berdasarkan kedisiplinannya membayar tagihan listrik bisa dilihat pada Tabel 5 di bawah ini.
Klpk 1 2
Tabel 5. Karakter pelanggan rumah tangga berdasarkan kedisiplinan membayar Jml Lama Langganan Jml Bayaran Disiplin Membayar Anggota (Bulan) (Ribu Rupiah) (Kali) 2.815 148 128 s/d 151 5 13.568 150 126 s/d 173 11
Jml Pemakaian (Watt) 172 s/d 249 186 s/d 266
Percobaan selanjutnya adalah pengelompokkan berdasarkan jumlah pemakaian listrik. Untuk melihat lebih jelas karakter pelanggan rumah tangga berdasarkan jumlah pemakaian listrik ini bisa dilihat pada Tabel 6 berikut ini.
Klpk 1 2 3
Tabel 6. Karakter pelanggan rumah tangga berdasarkan jumlah pemakaian listrik Jml Lama Jml Bayar Disiplin Bayar Jml Pemakaian Anggota Langganan (Bulan) (Ribu Rupiah) (Kali) (Watt) 13.017 151 68 s/d 97 10 112 s/d 160 317 142 969 s/d 1.312 11 1165 s/d 1668 3.049 145 271 s/d 361 10 390 s/d 557
Pengelompokkan pelanggan berdasarkan kombinasi variabel AD, CD, dan ACD menghasilkan karakter pelanggan yang sama dengan pengelompokkan pelanggan berdasarkan jumlah pemakaian listrik. Sementara itu, percobaan pengelompokkan pelanggan berdasarkan faktor lama berlangganan dan kedisiplinan membayar, pelanggan terbagi menjadi 3 kelompok. Untuk melihat karakter kelompok pelanggan yang dikelompokkan berdasarkan kombinasi variabel AC ini secara lengkap bisa dilihat pada Tabel 7 di bawah ini. Tabel 7. Karakter pelanggan rumah tangga berdasarkan lama berlangganan dan kedisiplinan membayar Klpk Jml Lama Langganan Jml Pembayaran Disiplin Bayar Jumlah Pemakaian Anggota (Bulan) (Ribu Rupiah) (Kali) (Watt) 1 3.678 290 117 s/d 161 10 179 s/d 260 2 5.199 28 143 s/d 202 10 205 s/d 299 3 7.506 165 113 s/d 152 10 171 s/d 244 b. Karakter Pelanggan bisnis Pelanggan bisnis dilihat berdasarkan faktor lama berlangganan terdiri dari 3 kelompok. Karakter lengkap kelompok pelanggan pada percobaan ini bisa dilihat pada Tabel 8 di bawah ini.
Klpk 1
Tabel 8. Karakter pelanggan bisnis berdasarkan lama berlangganan Jml Lama Langganan Jml Bayar Disiplin Bayar Jml Pemakaian Anggota (Bulan) (Ribu Rupiah) (Kali) (Watt) 4242 47 816 s/d 1.030 10 1046 s/d 1398
Karakteristik Pelanggan PLN Menggunakan Algoritma Fuzzy C Mean dalam Upaya Pengembangan CRM – (Husmul Beze)
ISSN: 2088-589X
160 2 3
320 1.067
305 153
395 s/d 433 1.580 s/ 1.939
10 10
370 s/d 524 2058 s/d 2662
Namun bila dilihat berdasarkan faktor kedisiplinan, pelanggan bisnis hanya memiliki 2 kelompok yaitu (1) kelompok yang berdisiplin baik dan (2) pelanggan berdisiplin cukup baik. Untuk melihat karakter pelanggan bisnis berdasarkan kedisiplinannya membayar tagihan listrik dapat dilihat pada Tabel 9 di bawah ini.
Klpk 1 2
Tabel 9. Kakrakter pelanggan bisnis berdasarkan kedisiplinan membayar Jml Lama Langganan Jml Bayar Disiplin Bayar Jml Pemakaian Anggota (Bulan) (Ribu Rupiah) (Kali) (Watt) 877 78 1.282 s/d 1.544 5 1679 s/d 2127 4.752 82 874 s/d 1.093 11 1111 s/d 1475
Karakter pelanggan bisnis pada percobaan menggunakan kombinasi variabel AC dan D ini bisa dilihat pada Tabel 10 dan 11 di bawah ini. Tabel 10. Karakter pelanggan bisnis berdasarkan lama berlangganan dan kedisiplinan membayar Klpk Jml Lama Langganan Jml Bayar Disiplin Bayar Jml Pemakaian Anggota (Bulan) (Ribu Rupiah) (Kali) (Watt) 1 1.067 153 1.580 s/d 1.939 10 2058 s/d 2662 2 4.242 47 816 s/d 1.030 10 1046 s/d 1380 3 320 305 335 s/d 433 10 370 s/d 524 Pelanggan bisnis dilihat berdasarkan kombinasi variabel B, D, AB, AD, BC, BD, CD, ABC, ABD, ACD, BCD dan ABCD terbagi ke dalam 3 kelompok. Semuanya memiliki karakter dan komposisi pelanggan yang sama. Karakter-karakter kelompok pelanggan tersebut secara jelas bisa dilihat pada Tabel 11 berikut ini. Tabel 11. Karakter pelanggan bisnis berdasarkan jumlah pembayaran Klpk Jml Anggota Lama Jml Bayar Disiplin Bayar Jml Pemakaian Langganan (Ribu Rupiah) (Kali) (Ribu Watt) (Bulan) 1 3 81 397.694 s/d 471.235 5 602 s/d 738 2 1 54 665.902 s/d 1.668.942 12 15680 s/d 19680 3 5.625 103 536 s/d 696 10 0,6 s/d 0,87 c. Karakter Pelanggan industri Pada percobaan pengelompokkan berdasarkan lama berlangganan, pelanggan industri dikelompokkan ke dalam 3 kelompok. Untuk melihat karakter lengkap kelompok pelanggan berdasarkan lama berlangganan ini, bisa dilihat pada Tabel 12 di bawah ini.
Klpk 1 2 3
Jml Anggota 148 132 57
Tabel 12. Karakter pelanggan industri berdasarkan lama berlangganan Lama Langganan Jml Bayar Disiplin Bayar Jml Pemakaian (Bulan) (Juta Rupiah) (Kali) (Ribu Watt) 142 25 s/d 36 10 41 s/d 56 36 31 s/d 46 9 43 s/d 59 270 20 s/ 24 10 24 s/d 31
Dilihat dari faktor jumlah pembayaran, pelanggan industri terbagi menjadi 3 kelompok. Karakter pelanggan yang dikelompokkan berdasarkan jumlah pembayaran ini memiliki karakter yang sama dengan karakter kelompok pelanggan yang dikelompokkan berdasarkan kombinasi variabel AB, BC, BC, ABC, ABD, BCD dan ABCD. Untuk melihat lebih jauh karakter pelanggan industri berdasarkan jumlah pembayaran listrik bisa dilihat di Tabel 13.
JURNAL DIGIT Vol. 1, No. 2, November 2011:153 -162
JURNAL DIGIT Klpk
Jml Anggota 10 306 21
1 2 3
ISSN: 2088-589X
161
Tabel 13. Karakter pelanggan industri berdasarkan jumlah pembayaran Lama Langganan Jml Bayar Disiplin Bayar Jml Pemakaian (Bulan) (Juta Rupiah) (Kali) (Ribu Watt) 100 363 s/d 542 5 581 s/d 77 125 7 s/d 8 10 7 s/d 11 100 157 s/d 227 9 218 s/d 32
Pelanggan industri dilihat berdasarkan kedisiplinan membayar tagihan listrik terbagi menjadi 2 kelompok yaitu (1) pelanggan disiplin dan (2) pelanggan kurang disiplin. Untuk melihat lebih jelas karakter pelanggan industri berdasarkan kedisiplinan pelanggan bisa dilihat pada Tabel 14 di bawah ini. Tabel 14. Karakter pelanggan industri berdasarkan kedisiplinan membayar Jml Lama Langganan Jml Bayar Disiplin Bayar Jml Pemakaian Anggota (Bulan) (Juta Rupiah) (Kali) (Ribu Watt) 55 103 53 s/d 94 3 70 s/d 137 282 126 20 s/d 27 11 25 s/d 38
Klpk 1 2
Pengelompokkan pelanggan industri berdasarkan kombinasi variabel D, AD, CD dan ACD terkelompok menjadi 4 pelanggan. Karakter pelanggan pada keempat kombinasi variabel di atas memiliki kesamaan karakter. Karakter-karakter kelompok pelanggan secara lengkap bisa dilihat pada Tabel 15 di bawah ini.
Klpk
1 2 3 4
Tabel 15. Karakter pelanggan industri berdasarkan berdasarkan jumlah pemakaian listrik Jml Lama Jml Disiplin Bayar Jml Anggota Langganan Bayar (Kali) Pemakaian (Bulan) (Juta Rupiah) (Ribu Watt) 6 66 306 s/d 439 4 322 s/d 694 20 103 144 s/d 198 9 171 s/d 276 6 124 431 s/d 640 6 624 s/d 885 305 125 7 s/d 9 10 7 s/d 11
Sama dengan di atas, pelanggan industri dilihat dari faktor lama berlangganan dan kedisiplinan membayar terbagi ke dalam 3 kelompok. Semua kelompok pelanggan rata-rata memiliki kedisiplinan membayar tagihan listrik yang baik. Untuk melihat lebih jelas karakter-karakternya bisa dilihat pada Tabel 16 di bawah ini. Tabel 16. Karakter pelanggan industri berdasarkan lama berlangganan dan kedisiplinan membayar Klpk Jml Lama Langganan Jml Bayar Disiplin Bayar Jml Pemakaian Anggota (Bulan) (Juta Rupiah) (Kali) (Ribu Watt) 1 132 36 31 s/d 46 9 43 s/d 59 2 57 270 20 s/d 24 10 24 s/d 31 3 148 142 25 s/d 36 10 41 s/d 56
5. Kesimpulan Pelanggan rumah tangga dan pelanggan bisnis lebih akurat bila dikelompokkan ke dalam 3 cluster di bandingkan 4 cluster atau 5 klaster. Sementara pada pelanggan industri, yaitu 3 dan 4 klaster. Pengelompokan berdasarkan kombinasi variabel A, B, AB, BC, BD, ABC, ABD, BCD dan ABCD, pelanggan industri lebih akurat jika dikelompokkan ke dalam 3 cluster. Sementara pengelompokan pelanggan berdasarkan kombinasi variabel D, AD, CD dan ACD, pelanggan industri lebih akurat jika dikelompokkan ke dalam 4 cluster. Nilai parameter fuzzy yang direkomendasikan untuk melakukan segmentasi pelanggan rumah tangga, bisnis dan industri adalah 1,5. Nilai error dan iterasi maksimal yang direkomendasika untuk segmentasi terhadap pelanggan rumah tangga, bisnis dan industri adalah 0,00001 dan 100. Variabel lama berlangganan, jumlah pembayaran listrik, kedisiplinan membayar tagihan listrik dan jumlah pemakaian listrik cukup bisa dijadikan sebagai variabel untuk menggambarkan karakter kelompok pelanggan dalam menggunakan listrik.
Karakteristik Pelanggan PLN Menggunakan Algoritma Fuzzy C Mean dalam Upaya Pengembangan CRM – (Husmul Beze)
ISSN: 2088-589X
162 Daftar Pustaka
[1]. Cox Earl. 2005. Fuzzy Modelling and Genetic Algorithms for Data Mining and Exploration. San Fransisco. Morgan Kaufmann Publisers. [2]. Cunningham Michael J. 2002. Customer Relationship Management. United Kingdom. Capstone Publishing. [3]. Daulay, Aisyah Marlian. 2006. Segmentasi Pasar Produk Mie Cepat Saji Menggunakan Fuzzy CMean. IPB Bogor. [Skripsi] [4]. Han Jiawei dan Kamber Micheline. 2001. Data Mining : Concepts and Techniques. San Francisco. Morgan Kaufmann Publisher. [5]. Halkidi Maria dan Vagirgiannis Michalis. 2002. An Introduction to Quality Assessment in Data Mining. Athens. Departement. of Informatics Athens University of Economics & Business. [6]. Ho Tsuen-Ho. 1999. An Aplication of Fuzzy Clustering of Fuzzy Clustering in Group-Positioning Analysis. Departement of Business Administration I-Show. [7]. Jang Jyh-Shing Roger, Sun Chuen-Tsai, Mizutani Eiji. 1997. Neuro-Fuzzy and Soft Computing. A Computional Approach to Learning and Machine Intelligence. USA.. Prentice-Hall International Inc. [8]. Kotler Philip dan Armstrong Gary. 2001. Prinsip-prinsip Pemasaran. Jakarta. Erlangga. [9]. Kusumadewi Sri. 2002. Analisis & Desain Sistem Fuzzy Menggunakan Tool Box Matlab. Yogyakarta. Graha Ilmu. [10]. Pedrycz Witold. 2005. Knowledge-Based Clustering. From Data to Information Granules. Canada. A John Wiley & Sons, Inc. [11]. Simha Jay B dan Iyengar SS. 2005. Customer Value Analysis with Fuzzy Data Mining. USA. Department of Computer Science, Louisiana state university Baton Rouge, LS. [12]. Tsangarides Charalambos dan Qureshi Mahvash Saeed. 2006. What is Fuzzy About Clustering in West Africa?. IMF Working Paper African Department. [13]. Zumstein Darius. 2007. Customer Performance Measurement : Analysis of the Benefit of a Fuzzy Classification Approach in Customer Relationship Management. Department Of Informatics University of Fribourg Switzerland.
JURNAL DIGIT Vol. 1, No. 2, November 2011:153 -162
