PENGGUNAAN METODE DIFFERENTIAL EVOLUTION ALGORITHM UNTUK MENGHITUNG CUSTOMER UTILITY YANG OPTIMUM DI SUPERMARKET X

PENGGUNAAN METODE DIFFERENTIAL EVOLUTION ALGORITHM UNTUK MENGHITUNG CUSTOMER UTILITY YANG OPTIMUM DI SUPERMARKET X Teguh Setiawan, Patdono Suwignjo, dan Budi Santosa

Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember (ITS) Surabaya Kampus ITS Sukolilo Surabaya 60111 Email: [email protected] ; [email protected]; [email protected]

Abstrak

Perkembangan teknologi dan kelebihan dalam berpikir, membuat manusia mampu belajar dari alam. Salah satu perkembangan itu adalah terjadi pada ilmu komputer dengan munculnya algoritma evolusioner. Perkembangan ilmu pengetahuan menuntut para peneliti untuk menemukan metode evolusioner baru yang lebih baik, salah satunya adalah ditemukannya Algoritma Differential Evolution (DE) oleh Price dan Storn (1995). Metode ini digunakan untuk banyak masalah optimasi dan estimasi parameter antara lain estimasi peremater customer utility. Didalam teori ekonomi, customer utility merupakan suatu ukuran relatif dari kepuasan pelanggan. Customer utility ini terjadi di bidang retail. Permasalahan retail modern mengenai customer utility terjadi di retail-retail Indonesia, misalnya supermarket. Masalah customer utility ini dapat diselesaikan dengan mengestimasi parameternya, yaitu messaging, pricing, recency dan frequency. Untuk mendapatkan semua parameter tersebut digunakan metode Differential Evolution dengan parameter CR=0.3 dan F=0.9. Sehingga didapatkan nilai parameternya secara berturut-turut adalah 2.2408, -0.8166, -0.8406, dan 3.49. dengan menggunakan parameter tersebut akan didapatkan perkiraan nilai keuntungan sebesar Rp.240.720,00 dari 104 pelanggan. Kata kunci: customer utility, differential evolution, supermarket, catalog

ABSTRACT The development of technology and thinking system, making people able to learn about nature. One of these that happening in computer science with the advent of evolutionary algorithm. Developmet of science requires researchers finding new evolutionary method is better, one of them is discovery Differential Evolution Algorithm (DE) by Price dan Storn (1995). This method is used for many problems of optimization and parameter estimation, such as estimation of customer utility parameter. In economic theory, customer utility is relative measurement of customer satisfaction. Customer utility was happening in the field of retail. Problem of retail in Indonesia such as in supermarket. This problem can be solved by estimating the parameters that messaging, pricing, recency and frequency. To get all parameters were used DE method with parameter of CR is 0.3 and F is 0.9. obtaining the parameter values are respectively 2.2408, -0.8166, -0.8406, nd 3.49. using this parameters will be obtained estimate of a profit value is Rp.240.720,00 of 104 customers. Key Word : customer utility, differential evolution, supermarket, catalog

1. Pendahuluan Seiring perkembangan teknologi dan kelebihan dalam berpikir, membuat manusia mampu belajar dari alam. Bumi menyediakan kebutuhan manusia dalam bertahan hidup dan begitu banyak ilmu yang berasal dari bumi yang dipelajari oleh manusia untuk diterapkan dalam menyelesaikan permasalahan yang dihadapi. Contohnya adalah pembuatan kapal laut untuk mengatasi masalah transportasi laut yang meniru

morfologi dan anatomi tubuh dari ikan.Contoh lain adalah perkembangan dibidang ilmu komputer yang terkait dengan alam. Salah satu perkembangan ilmu komputer yang dimaksud adalah munculnya algoritma evolusioner. Algoritma evolusioner merupakan bagian dari komputasi evolusioner dalam artificial intelegence atau kecerdasan buatan yang meniru evolusi biologi makhluk hidup. Salah satu algoritma evolusioner yang paling

popular digunakan dalam permasalahan adalah Genetic Algorithm (GA) yang ditemukan oleh Price (1994). Algoritma ini meniru pola evolusi makhluk hidup dalam mencari kecocokan untuk bertahan hidup yang berbasis populasi dan merupakan algoritma optimasi kombinatorial. Contoh yang paling mudah untuk menganalogikan algoritma ini adalah proses evolusi jerapah leher pendek ke jerapah leher panjang atau teori evolusi Darwin. Yang mana evolusi ini berkaitan dengan adaptasi individu dalam populasi, mutasi gen, perkawinan silang dan penyesuaian atau kecocokan individu terhadap lingkungannya. Perkembangan ilmu pengetahuan menuntut para peneliti untuk menemukan metode baru yang lebih baik, salah satunya adalah ditemukannya Algoritma Differential Evolution (DE) oleh Price dan Storn (1995). DE merupakan algoritma pengembangan dari GA yang prinsip dan filosofinya sama seperti GA yang meniru perilaku alam. DE memiliki beberapa kelebihan yang menyempurnakan kekurangan dari algoritma GA. Kelebihan tersebut adalah memiliki solusi optimal global yang multidimensional dengan probabilistik yang lebih baik, lebih efektif, handal dan performansinya kuat. Selain itu kelebihan lainnya adalah DE memiliki skema adaptif yang efisien untuk jangka waktu yang berkelanjutan dan merupakan strategi optimasi sederhana untuk proses optimasi yang cepat (waktu perhitungan cepat dengan iterasi yang sedikit untuk menemukan optimal global solution). DE juga memiliki kelebihan lain yaitu adanya evolusi yang dialami oleh setiap individu dalam populasi dimana diferensiasi dan crossover terjadi secara berurutan pada setiap individu yang terpilih acak dari populasi setiap waktu. Oleh karena itu DE lebih baik digunakan dalam penyelesaian permasalahan kompleks dibandingkan dengan GA atau bahkan algoritma evolusioner biasa. Li, Xu dan Hongyi (2005) telah melakukan penelitian tentang customer utility dengan menggunakan GA. Diakhir papernya, Li,Xu dan Hongyi menyarankan untuk menggunakan metode atau teknik lain selain GA untuk mendapatkan solusi yang lebih baik. Hal ini didasarkan pada alasan bahwa GA punya beberapa kelemahan antara lain detail algoritma tidak dapat menemukan solusi global optimal dalam proses estimasi, customer space state

terlalu besar, dan hasil dari GA sedikit lebih baik dari single period model. Oleh karena itu digunakan DE untuk memecahkan masalahmasalah kompleks dalam kehidupan. Salah satu permasalah kompleks yang dapat diselesaikan dengan DE adalah masalah customer utility. Didalam teori ekonomi, customer utility merupakan suatu ukuran relatif dari kepuasan pelanggan. Menurut Rawls (1921-2002), customer utility dimiliki oleh setiap orang untuk selalu dilakukan peningkatan terhadapnya. Untuk dapat lebih mengerti tentang customer utility maka dinyatakan dalam suatu bentuk parameter, antara lain harga, messaging, recency dan frekuensi. Parameter-parameter tersebut akan digunakan sebagai dasar penghitungan didalam algoritma DE dan pengambilan kebijakan. Permasalah customer utility saat ini sangat banyak terjadi di retail-retail dunia salah satunya di Indonesia. Pada umumnya, customer utility ditentukan dengan melakukan analisis yang berdasarkan intuisi pengelola saja. Jadi belum ada dasar yang kuat secara objektif dalam menjelaskan masalah ini. Oleh karena kekurangan itu maka untuk masalah customer utility membutuhkan analisa dari perhitungan matematis, salah satunya menggunakan algoritma DE dan dapat menangkap perubahan harga produk dan kondisi dengan baik. Permasalahan retail modern mengenai customer utility yang terjadi secara global tersebut juga terjadi di negara Indonesia. Maka penelitian tentang customer utility ini sebaiknya juga dilakukan di negara ini. Pada saat ini belum pernah ada penelitian serupa yang menggunakan algoritma DE untuk menghitung customer utility di supermarket di Indonesia. Oleh karena itu penelitian tentang customer utility akan dilakukan pada salah satu supermarket di Indonesia. Adapun masalah yang akan dibahas dalam penelitian ini adalah berapa nilai customer utility optimum yang diestimasi menggunakan metode Differential Evolution pada supermarket X dan berapakah perkiraan nilai keuntungan berdasarkan hasil customer utility yang optimum pada supermarket X. Sedangkan penelitian ini memiliki empat tujuan utama, yaitu mendapatkan nilai parameter customer utility yang dapat meningkatkan loyalitas pelanggan pada Supermarket X, mendapatkan nilai cutomer utility yang paling optimum menggunakan metode Differential

2

Evolution Algorithm pada Supermarket X, mendapatkan perkiraan nilai keuntungan yang optimum berdasarkan cutomer utility pada Supermarket X, dan mendapatkan kebijakan pricing dan pegiriman katalog pada Supermarket X. 2. Metodologi Penelitian 2.1 Tahap Persiapan Pada tahap persiapan dilakukan perumusan masalah, tujuan penelitian, dan studi bahan pustaka dan literatur. Pada tahapan ini, dirumuskan permasalahan yang akan diteliti, yakni berapa nilai customer utility optimum yang diestimasi menggunakan metode Differential Evolution pada supermarket X dan berapakah perkiraan nilai keuntungan berdasarkan hasil customer utility yang optimum pada supermarket X. Adapun masalah optimasi yang akan diselesaiakan adalah masalah icustomer utility yang ada pada supermarket X. Tujuan yang akan dicapai dalam penelitian ini adalah mengidentifikasi parameter customer utility yang dapat meningkatkan loyalitas pelanggan pada supermarket X, mendapatkan nilai cutomer utility yang paling optimum menggunakan metode Differential Evolution Algorithm pada supermarket X, dan mendapatkan perkiraan nilai keuntungan maksimum. 2.2 Tahap Studi Pusataka dan Lapagan serta Pengumpulan Data Studi literatur yang dilakukan dengan tujuan untuk mengetahui penelitian-penelitian terdahulu yang telah dilakuakn dan mencari bahan penelitian yang dapat dikembangkan sebagai suatu permasalahan baru. Studi literatur ini dilakukan untuk memperoleh dan lebih memahami teori-teori yang berhubungan dengan pemecahan masalah khususnya yang terkait dengan permasalah customer utility dan Differential Evolution. Studi lapangan dilakukan untuk memperoleh data di lapangan dan membandingkan objek yang akan dijadikan penelitian. Setelah objek dan data primer yang didapatkan telah cukup maka selanjutnya meminta data sekunder ke supermarket yang dijadikan tempat penelitian. 2.3 Tahap Pemodelan Pada tahap ini dilakukan pemodelan dan melakukan penyesuaian model dengan kondisi di lapangan untuk menyelesaikan permasalahan

estimasi dan perhitungan customer utility dan kruntungan maksimum. 2.4 Tahap Pengujian Model Pada tahapan ini dilakukan pengujian pada permasalahan validasi dan permasalahan customer utility serta optimalisasi keuntungan yang ada. Pengujian algoritma dilakukan dengan menggunakan software MATLAB 7.0.4 yang dijalankan pada system operasi Windows 7. Untuk pengujian data uji dilakukan untuk 104 pelanggan dengan waktu pembelian 27 minggu. 2.5 Tahap Kesimpulan dan Analisa Model Hasil dari pengujian model akan dianalisa dan diinterpretasikan secara detail. Kemudian kesimpulan akan ditarik dari keseluruhan proses penelitian yang isinya menjawab tujuan dari pelaksanaan penelitian tugas akhir. 2.6 Pengembangan Model Tahap pengembangan model ini akan menghasilkan formulasi matematis dalam estimasi parameter customer utility dan formulasi keuntungan maksimum. Keduanya merupakan fungsi maksimum yang dapat memaksimumkan customer utility dan keuntungan supermarket. Selain model matematis, tahapan ini juga akan menghasilkan model Differential Evolution (DE) yang akan disesuaikan dengan masalah maksimasi customer utilitydan profit serta dengan coding (model software) yang dijalankan pada matlab. 2.7 Tahap Pengembangan Formulasi Matematis Li, Xu dan Hongyi pada tahun 2005 mengembangkan model untuk permasalahan customer utility dan keuntungan supermarket yang mempertimbangkan messaging dan pricing. Adapun formulasi model matematis yang didasarkan model yang dikembangkan oleh Li, Xu dan Hongyi adalah sebagai berikut. 1. Model untuk customer utility Rumus customer’s purchase utility: uit = α+βmmmsit+βppit+β1rit+β2r2it+βf(fit+1)+εit = ṻit+ εit (1)

3

Rumus expected valuation function: EVit(Sit)= ṻit+δcEVit-1+ εit = δcEVit-1

if dit=1 if dit=0 (2)

Rumus kemungkinan pembelian: Probit(dit=1|Sit) =Φ[ṻit+δcEVit] = Φ[ṻit+δc(-EVit)] Rumus Log Likelihood: Lit

=ditln(Probit(dit=1|Sit)+(1-dit) ln(Probit(dit=0|Sit))

if dit=1 if dit=0 (3)

(4)

2. Model untuk keuntungan supermarket Rumus net revenue supermarket: R(pit) = Pit-C

(5)

Rumus keuntungan maksimum: Πit(Sit,mmsit,pit) = R(pit)Probit(dit=1|Sit)-c x mmsit (6) 2.8 Tahap Pengembangan Algoritma DE Differential Evolution merupakan metode metaheuristik yang handal dalam menemukan titik global optima. Hal ini dikarenakan adanya proses seleksi stokastik dalam langkahlangkahnya dan kemampuan untuk memproses sejumlah individu secara parallel. Algoritma awal DE akan dikembangkan sehingga dapat digunakan sebagai alternatif penyelesaian estimasi parameter customer utility dan maksimasi keuntungan. Adapun langkah-langkah dalam pengembangan model adalah sebagai berikut: 1. Menentukan parameter yang digunakan untuk menjalankan iterasi. a. Parameter customer utility yaitu jumlah pelanggan (n) yang akan digunakan, periode (t), pembelian (d), keputusan harga (p), dan waktu pengiriman katalog (mms). b. Parameter DE yaitu crossover rate (CR), factor skala pembeda vektor (F) dan jumlah iterasi maksimum. 2. Mengevaluasi nilai tujuan sesuai dengan model matematis yang telah dibuat. 3. Membangkitkan tiga vektor acak r0,r1,r2 dari populasi awal sehingga didapatkan vector mutan.

4. Membentuk populasi turunan dengan mengkombinasi vektor turunan dan vektor mutan. 5. Melakukan update vektor populasi dengan cara seleksi. Apabila populasi turunan membentuk nilai yang lebih baik maka akan dijadikan populasi baru, dan begitu pula sebaliknya. 6. Jika stopping criteria terpenuhi maka iterasi akan berhenti. Jika tidak, maka iterasi akan berlanjut dengan kembali pada proses ketiga. 2.9 Tahap Pengembangan Code Setelah mendapatkan model matematis serta algoritma DE, langkah berikutnya adalah mengembangkan code yang akan dijalankan dengan software matlab. 2.9.1 Inisialisai Pada tahap ini dilakukan penentuan parameter yang mendukung berjalannya proses optimasi. Beberapa parameter tersebut antara lain: a. F atau skala pembeda vektor. Parameter ini digunakan pada saat mutasi vektor. Nilai F mulai dari 0 hingga 1, namun Price dan Storn (2005) merekomendasikan untuk menggunakan F mulai dari 0.5 hingga 1 dan yang digunakan adalah 0.9. b. Crossover rate (CR). Parameter ini digunakan pada saat tahapan kawin silang untuk menghasilkan populasi turunan. Nilai CR yang memiliki kemampuan menyelesaikan beberapa fungsi adalah 0≤CR≤0.2 atau 0.9≤CR≤1. c. Upper dan lower Bound. Batas atas nilai vektor sesuiai distribusi normal adalah 3.49. Jika ada nilai vektor yang melanggar batas ini maka secara otomatis akan berubah menjadi 3.49. dan begitu pula sebaliknya yang terjadi pada btas bawah sebesar -3.4. d. Membangkitkan populasi vektor yang berukuran NxD, yaitu jumlah pelanggan yang akan diperhitungkan dikalikan banyaknya parameter yang dicari. e. Populasi vektor yang telah dibangkitkan kemudian dievaluasi dengan cara menghitung nilai fungsinya. 2.9.2 Mutasi Pembentukan vektor mutan (vi) dilakukan dengan mengkombinasikan 3 vektor (r0,r1,r2) yang dipilih secara acak dari populasi yang telah ada dengan F sebagai factor skala pembeda.

4

2.9.3 Crossover Tahap ini merupakan tahap yang dikenal dengan istilah kawin silang, yaitu menggabungkan vektor dari populasi parents (xi) dengan vektor mutan (vi). Diawali dengan membangkitkan bilangan random sebanyak jumlah pelanggan (randi). Apabila nilai CR yang telah ditentukan pada inisialisasi lebih besar dari nilai randi maka vektor i akan tetap berisi xi. dan begitu pula sebaliknya jika CR kurang dari atau sama dengan nilai randi maka vektor i akan berisi vi. 2.9.4 Seleksi Tahap ini membandingkan nilai fungsi objektif dari populasi parents dengan populasi turunan. Populasi turunan yang dihasilkan dari crossover kemudian dimasukkan kedalam fungsi objektif yang telah dibentuk, apabila nilainya lebih tinggi disbanding nilai parents maka populasi baru akan menggantikan parents. Hasil dari seleksi ini kemudian akan disimpan sebagai nilai baru untuk iterasi berikutnya, antara lain: nilai vektor, nilai fungsi objektif, dan nilai expected valuation. 2.9.5 Kriteria Pemberhentian Iterasi pencarian nilai fungsi objektif akan terus berjalan hingga criteria pemberhentian terpenuhi. Pada penelitian ini digunakan criteria pemberhentian berupa iterasi maksimum yang ditentukan karena penelitian ini mencari nilai yang konvergen. Makalah sebaiknya ditulis dalam beberapa bab (tidak harus sama dengan bab pada Tugas Akhir) yaitu pendahuluan, metodologi penelitian (bukan gambar metodologi melainkan uraian pendekatan pemecahan masalah) atau formulasi model, pengumpulan data, analisis, kesimpulan, dan daftar pustaka. 3. Pengumpulan Data dan Penghitungan 3.1 Pengumpulan Data Data yang digunakan dalam penelitian ini dan yang akan diuji dengan metode Differential evolution adalah data transaksi pembelian dari pelanggan (pemegang kartu anggota) supermarket X, data harga pembelian produk dari supplier, dan harga jual produk oleh pihak supermarket yang diambil setiap minggunya dengan periode pengamatan Juli 2010-Desember 2010. Pada saat ini, Supermarket X merupakan salah satu supermarket yang mengalami

perkembangan yang signifikan di dunia retail Indonesia dan sangat berperan dalam memajukan ekonomi Indonesia. Dalam manjaga hubungan dengan pelanggan dan loyalitas dari pelanggan, supermarket ini memiliki dua kebijakan yang ada saat ini. Kebijakan tersebut adalah yang berkaitan dengan pemberian diskon dan pengiriman katalog kepada pelanggannya. Kebijakan diskon yang diterapkan sekarang didasarkan pada fluktuasi harga pembelian produk dari supplier saja. Sedangkan kebijakan pengiriman katalog telah ditetapkan oleh manajemen sebanyak 2 kali dalam seminggu tiap bulannya. 3.2 Penghitungan Parameter DE Didalam DE terdapat dua parameter yang membedakannya dengan metode metaheuristik lainnya. Kedua parameter tersebut adalah crossover (CR) dan mutasi (F). Untuk memilih parameter yang akan digunakan sebagai pengujian, dilakukan uji dengan parameter CR yang berbeda, yaitu CR=0.3 dan CR=0.9 dengan nilai F=0.9 untuk semua nilai CR. Tabel 3.1 Perbandingan CR=0.3 dan CR=0.9

Berdasarkan perbandingan dari hasil kedua parameter maka dapat disimpulkan bahwa parameter CR=0.3 lebih baik jika dibandingkan dengan CR=0.9. Hal ini bisa dilihat pada waktu komputasi yang dihasilkan.

3.3 Penghitungan Utility

Parameter Customer

Pada pengujian pertama dilakukan perhitungan terhadap Customer utility untuk menentukan nilai parameter Customer utility. Selanjutnya dengan nilai ini dapat ditemukan nilai perkiraan keuntungan tiap produk pada periode selanjutnya. Nilai-nilai dari parameter ini

5

digunakan sebagai koefisien dalam menghitung perkiraan nilai keuntungan. Adapun output yang dihasilkan algoritma dalam mendapatkan nilai Customer utility adalah sebagai berikut ini. Tabel 3.2 Hasil Perhitungan Customer Utility

Parameter dari customer utility yang dihasilkan oleh DE adalah seperti yang terdapat pada tabel 3.2 diatas. Secara urut, parameter-parameter tersebut adalah parameter dari slope, messaging, pricing, recency, recency square, dan frequency. Kepuasan maksimal yang didapat adalah sebesar -16.1444 (rentang -63<=LL<=-2)yang terdapat pada konsumen dengan nomer urut ke-69. Sedangkan rentang kepuasan (Log Likelihood menurut Li et al (2005) adalah -63 hingga -2, dengan -2 yang terbesar). 3.4 Penghitungan Perkiraan Keuntungan Setelah didapatkan parameter yang optimal, kemudian dilakukan perhitungan perkiraan nilai keuntungan yang maksimal pada supermarket. Pada model yang telah dibuat, digunakan untuk menentukan kebijakan pengiriman katalog dan penentuan waktu diskon harga. Perkiraan nilai keuntungan ini didasarkan pada probabilitas pelanggan melakukan pembelian kembali di supermarket X dan keuntungan yang didapatkan pada saat sekarang. Sedangkan kebijakan yang dibuat didasarkan dari penghitungan nilai keuntungan yang didapat. Pada output model keuntungan, didapatkan pelanggan yang memiliki nilai keuntungan yang paling optimal beserta perilaku pembaliannya. Dengan demikian, perilaku pelanggan terpilih tersebut digunakan sebagai acuan dalam menentuakan waktu pemberian diskon harga dan

pengiriman katalog ke pelanggan. Kedua kebijakan yang didapatkan dari perhitungan ini merupakan kebijakan yang bersifat dinamis dan focus pada kepuasan konsumen. Karena kebijakan dilandaskan pada berapa besar kepuasan pelanggan jika dilihat dari kemungkinan pelanggan membeli kembali. Kebijakan akan selalu berubah sesuai dengan perilaku pelanggan supermarket dan supermarket akan dapat menghemat biaya untuk katalog dan memaksimalkan profit dengan lebih mengefisienkan pemberian diskon harga. Nilai keuntungan optimal dari 104 pelanggan dengan periode 27 minggu adalah sebesar Rp.240.720,00. Sedangkan perilaku pelanggan terbaik terdapat pada konsumen urutan ke 31 dengan nilai keuntungan sebesar Rp.5.548,40. Waktu yang diigunakan untuk perhitungan hanya selama 1.580,2 detik. 3.5 Kebijakan Dalam suatu perusahaan pasti ada kebijakan yang harus diberlakukan, begitu pula pada supermarket. Didalam supermarket yang dibahas dalam penelitian ini terdapat dua kebijakan yang diutamakan, yaitu kebijakan tentang harga (penentuan waktu promo) dan kebijakan pengiriman katalog produk yang mana dapat meningkatkan loyalitas dan kepuasan pelanggan. Adapun keputusan kebijakan yang akan diberlakukan berdasarkan perhitungan menggunakan model dapat ditunjukkan dalam tabel dan grafik berikut ini. Tabel 3.3 Keputusan Pengiriman Katalog

Gambar 3.2 Kebijakan Pengiriman Katalog Berdasarkan tabel 3.3 dan gambar 3.2 diatas, dapat diketahui waktu pengiriman katalog produk untuk mencapai keuntungan perusahaan

6

yang maksimal. Pengiriman katalog produk ini dapat dilakukan secara dinamis sesuai perilaku pelanggan, jadi tidak harus setiap 2 minggu sekali. Pada grafik ditunjukkan bahwa pengiriman katalog sebaiknya dilakukan pada minggu ke-2,3,8,9,10,11,12,15,16, dan 27 untuk periode 27 minggu kedepan. Tabel 3.4 Keputusan Kebijakan Promo Produk

Gambar 3.1 Perbandingan Waktu Komputasi CR=0.3 dan CR=0.9

Gambar 3.3 Kebijakan Promo Harga Pada tabel 3.4 dan gambar 3.3 diatas dapat dilihat bahwa supermarket X sebaiknya hanya melakukan kebijakan harga promo pada minggu ke-3, ke-4,ke-5, ke-6, ke-7, ke-16, ke-19 pada tahun 2011. Hal ini diharapkan dapat menambah jumlah pelanggan yang datang dan puas serta tidak merugikan supermarket. 4. Analisis 4.1 Analisis Terhadap Parameter DE Pengujian terhadap parameter DE ditujukan untuk mengetahui parameter manakah yang memberikan solusi yang lebih baik. Berdasarkan rekap hasil perhitungan kepuasan pelanggan dengan parameter CR=0.9 dan CR=0.3 pada tabel 4.12 menunjukkan bahwa nilai kepuasan pelanggan dari kedua parameter adalah hampir sama dengan nilai deviasi sebesar 2.189% yang mana masih dibawah 5 %. Selain itu nilai total kepuasan dari seluruh pelanggan juga hampir sama dengan deviasi 2.75%. Tetapi waktu komputasi yang dihasilkan oleh parameter CR=0.3 lebih baik dibandingkan CR=0.9 dengan deviasi sebesar 21.324%.

Dari gambar 3.1 dapat dilihat bahwa pada tiap replikasi waktu komputasi CR=0.3 lebih baik dibandingkan CR=0.9. Bukti ini memperkuat teori bahwa parameter DE, dalam hal ini CR, sangat mempengaruhi waktu komputasi yang digunakan untuk mencari solusi optimal. Dalam penyelesaian permasalan estimasi parameter, dapat dinyatakan bahwa parameter CR yang diujikan memberikan pengaruh dalam waktu komputasi yang digunakan. Hal ini didasarkan pada bukti yang ada di gambar 5.2 perbandingan waktu komputasii CR=0.3 dan CR=0.9. Waktu komputasi yang digunakan oleh parameter CR=0.3 selalu lebih cepat dibandingkan dengan CR=0.9. 4.2 Analisis Terhadap Parameter Customer Utility Nilai customer utility yang dihasilkan oleh algoritma DE adalah seperti yang ditunjukkan pada tabel 4.13 di bab 4. Secara urut, parameterparameter tersebut adalah parameter dari slope, messaging, pricing, recency, recency square, dan frequency dengan nilai 2.916, 2.2408, 0.8166, -0.8406, 0.7065, 3.49. Parameter messaging bernilai positif karena diharapkan pelanggan akan mendapatkan kepuasan yang positif (positive utility) dengan membaca katalog dari supermarket. Tetapi customer utility akan turun dengan dinaikannya harga, sehingga nilai parameter harga (pricing) adalah negatif. Pada jurnal yang ditulis oleh Gonul and Shi (1998) menyatakan bahwa hubungan dari r dan customer utility adalah U-shape relationship, sehingga nilai parameternya negatif. Dan koefisien dari r2 adalah positif. Sedangkan hubungan f dengan customer utility adalah logarithmic relationship, sehingga diharapkan

7

nilai parameter f sebagai koefisien f adalah positif. Hal serupa juga terjadi pada parameter hasil estimasi pada model yang diterapkan dalam penelitian ini, sehingga antara teori dengan realitanya adalah sama. 4.3 Analisis Perkiraan Nilai Keuntungan Pada hasil perhitungan profit supermarket didapatkan profit total selama 27 minggu adalah sebesar Rp.240.720,00. Sedangkan pelanggan yang memberikan keuntungan paling maksimum adalah pelanggan dengan nomer urut ke-31, yaitu sebesar Rp.5.548,40. Nilai ini adalah nilai keuntungan yang terdapat pada hanya produk tissue paseo soft pack. Sehingga untuk masingmasing produk yang lain dapat dilakukan perhitungan dan dapat dilakukan analisa mengenai kebijakan yang harus diterapkan tiap produknya. Perhitungan per produk ini dilakukan karena setiap produk memiliki trend dan kebijakan yang berbeda-beda terutama mengenai harga dan perlu atau tidaknya produk tersebut ditunjukkan ke konsumen melalui katalog. Nilai dari pelanggan terpilih, yaitu pelanggan ke31 dengan nama Septi Eka Wardani, memiliki nilai yang paling optimum yang selanjutnya akan digunakan dalam menentukan kebijakankebijakan berdasarkan perilaku pembelian yang ada padanya. Jika perilaku pembelian ini digunakan sebagai dasar, maka diharapkan pembelian dari pelanggan yang lain juga dapat terpengaruh dengan perilaku pembelian pelanggan terbaik. Sehingga keuntungan supermarket dan kepuasan pelanggan akan meningkat. 4.4 Analisis Terhadap Kebijakan 4.4.1 Analisis Terhadap Kebijakan Pengiriman Katalog Berdasarkan gambar 3.2, dapat dilihat mengenai grafik kebijakan katalog yang dapat diterapkan oleh supermarket X pada produk tissue paseo soft pack. Supermarket hanya perlu menyertakan gambar atau promo produk pada periode minggu ke-2,ke-3,ke-8,ke-9,ke-10,ke-11,ke-12,ke-15,ke16, dan ke-27. Sehingga supermarket dapat menghemat biaya untuk mengadakan katalog. Dengan demikian keuntungan perusahaan akan meningkat daripada dengan menerapkan kebijakan katalog yang sekarang ini ada, yaitu setiap 2 minggu sekali. Pada periode minggu ke-2,ke-3,ke-8,ke-9,ke10,ke-11,ke-12,ke-15,ke-16, dan ke-27

supermarket sebaiknya melakukan pengiriman katalog produk ke pelanggannya yang mana pelanggan tersebut akan lebih mengutamakan kualitas layanan dibandingkan dengan harga karena pelanggan tergolong pelanggan loyal dengan ditunjukkan oleh kartu anggota. Jika layanan melalui pengiriman katalog ini berhasil maka dapat dipastikan pelanggan supermarket akan lebih loyal ke supermarket tersebut dan tidak akan berpindah ke supermarket lain. Jika produk yang dimasukkan kedalam model berbeda, maka kebijakan katalog yang akan diterapkan berbeda pula. Karena setiap produk memiliki kecenderungan dibeli oleh pelanggan yang berbeda. Selain itu, kecenderungan pembelian pada supermarket yang berbeda akan mempengaruhi kebijakannya juga. 4.4.2 Analisis Terhadap Kebijakan Pricing Pada gambar 3.3 dapat dilihat bahwa supermarket X sebaiknya hanya melakukan kebijakan harga promo pada minggu ke-3, ke4,ke-5,ke-6,ke-7,ke-16,ke-19 pada tahun 2011. Hal ini diharapkan dapat menambah jumlah pelanggan yang datang dan puas serta tidak merugikan supermarket. Jika pelanggan yang datang setiap minggunya berkurang, maka kebijakan pricing harus lebih gencar lagi diberlakukan. Walaupun demikian kebijakan juga harus didasarkan pada perhitungan matematis yang valid. Berdasarkan paragraf sebelumnya, supermarket harus melakukan pemberian diskon pada periode-periode terpilih kepada setiap konsumen yang melakukan transaksi. Dengan kebijakan ini diharapkan supermarket lebih mampu mempertahankan eksistensinya dan mendapatkan keuntungan yang lebih optimum dengan bertambahnya pelanggan. Selain itu, konsumen yang melakukan transaksi pembelian akan dapat membandingkan kebutuhan akan diskon harga terhadap supermarket lain, baik besar diskon dan waktu pemberian diskon. Sehingga pelanggan tetap akan bertambah. Sekarang ini supermarket X hanya memberlakukan promo harga berdasarkan kenaikan atau penurunan harga dari supplier tanpa memperhitungkan kepuasan pelanggan dan nilai keuntungannya. Tetapi penelitian ini memperhitungkan kedua aspek tersebut untuk menentukan kebijakan pricing secara dinamis. Walaupun secara tersurat dasar kebijakan bukan dari naik turunnya harga, supermarket tetap

8

memperhitungkan harga pembelian dan harga penjualan dalam perhitungan pada model untuk memperoleh keuntungan yang maksimum. 5. Kesimpulan Berdasarkan tujuan dan pengujian data menggunakan algoritma DE dalam penelitian ini, maka dapat didapatkankan beberapa kesimpulan sebagai berikut ini. 1. Berdasarkan hasil penelitian yang telah dilakukan customer utility yang dapat meningkatkan loyalitas pelanggan pada supermarket X adalah messaging, pricing, recency dan frequency. 2. Nilai parameter DE yang paling optimal dan digunakan sebagai parameter didalam pengujian adalah CR=0.3 dan F=0.9. 3. Nilai parameter customer utility hasil pengujian secara berturut-turut adalah slope, messaging, pricing, recency, recency square dan frequency sebesar 2.916, 2.2408, 0.8166, -0.8406, 0.7065, 3.49. 4. Perkiraan nilai keuntungan total dari 104 pelanggan selama 27 minggu kedepan (mulai minggu pertama januari 2011) adalah sebesar Rp.240.720,00. Sedangkan pelanggan yang memberikan keuntungan paling maksimum adalah pelanggan dengan nomer urut 31, yaitu sebesar Rp.5.548,40. Nilai ini adalah nilai keuntungan yang terdapat pada hanya produk tissue paseo soft pack 250. 5. Kebijakan pengiriman katalog yang diterapkan adalah Supermarket perlu mengirimkan katalog produk kekonsumen hanya pada periode minggu ke-2,ke-3, ke-8, ke-9, ke-10, ke-11, ke-12, ke-15, ke-16, dan ke-27. 6. Kebijakan pricing pada supermarket X sebaiknya dilakukan pada minggu ke-3, ke4, ke-5, ke-6, ke-7, ke-16, ke-19 pada tahun 2011. 6. Reference Bhat, Venkataramani, Ravi, dan Murty. 2005. An Improved Differential Evolution for Efficient Parameter estimation in Biofilter Modelling. Fahmiari, I. 2010. Aplikasi Algoritma Differential Evolution untuk permasalahan kompleks pemilihan portofolio. Laporan Tugas Akhir

Jurusan Teknik Industri. Institut Teknologi Sepuluh Nopember Surabaya. Feoktitov, V. 2006. Differential Evolution in Search of Solutions. New York : Springer Science+Bussiness Media, LLC. Fleetwood, K. An Introduction to Differential Evolution. . Diakses pada tanggal 18 Oktober 2010. Gonroos, C. 1990. Service Management and Marketing. Lexington, MA : Lexington Books. Gonul, F. and Shi, M. 1998. Optimal Mailing of Catalogs : A New Methodologi Using Estimable Structural Dynamic Programming Models. Management Science, 44 (9), 1249-1262. Haksever, C. et al. 2000. Service Management and Operations. New Jersey : PrenticeHall, Inc. Indomaret. 2010. Minimarket Berpotensi Ungguli Omzet Supermarket dan Hypermarket. . Diakses tanggal 28 September 2010. Li, C., Xu,Y., and Li, H. 2005. An Empirical Study of Dynamic Customer Relationship Management. Journal of Retailing and Consumer Services, 12 (2005) : 431-441. Elsevier Ltd. Lovelock, C. 2001. Service Marketing 4th Edition. Prentice-Hall, Inc. Nasution, A. H. 2006. Manajemen Industri. Yogyakarta : CV. Andi Offset. Norman, R. 1984. Service Management. JWS. Prayogi, D. A. 2010. Peningkatan Pelayanan Nasabah pada Proses Pembiayaan (Studi Kasus : PT.BANK JATIM SYARIAH SURABAYA). Laporan Tugas Akhir Jurusan Teknik Industri. Institut Teknologi Sepuluh Nopember,Surabaya. Price, K. V., Storn, R. M., and Lampinen, J. A. 2005. Differential Evolution : A Practical Approach to Global Optimization. Berlin : Springer-Verlag..

9

PT.MEDIA DATA RISET. 2009. Studi tentang Peta Persaingan Bisnis Retail Modern di Indonesia (yang Diakomodir oleh Peraturan Presiden No 112 Tahun 2007. . Diakses pada 1 september 2010. Ramaswamy, R. 1996. Design and Management of Service Processes. New York : Addison-Wesley Publishing Company, Inc. Routeterritory. 2010. Customer Relationship Management “CRM”. . Diakses pada tanggal 27 Agustus 2010. Scribd.

2010. Teori Konsumen. . Diakses pada tanggal 20 Oktober 2010.

Scribd. 2010. Teori Konsumsi dan Perilaku Konsumen. . Diakses pada tanggal 20 Oktober 2010. Storn, R. and Price, K. 1997. Differential Evolution-A Simple and Efficient Heuristic for Global Optimization Over Continuous Spaces. Journal of Global Optimization, Vol.11, pp.341-359. Kluwer Academic Publishers. Yunanto. 2010. Schedulling Optimization of Operator Training Using Differential Evolution Algorithm Method for Minimizing Total Purchasing Cost of Training Equipment of Mining Contractor Industry.. Diakses pada tanggal 24 September 2010.

10