Simposium Nasional Teknologi Terapan (SNTT) 4 2016
ISSN : 2339-028X
PERANCANGAN TEKNIK DATA MINING UNTUK CUSTOMER RELATIONSHIP MANAGEMENT (CRM) PADA ONLINE SHOP TOKODIAPERS.COM DENGAN METODE CLUSTERING FUZZY C-MEANS
1,2
Lisna Zahrotun1*, Arfiani Nur Khusna2 Teknik Informatika, Teknologi Industri, Universitas Ahmad Dahlan Janturan, Warungboto, Umbulharjo, Yogyakarta *
Email:
[email protected]
Abstrak Data dari lembaga riset ICD memprediksi bahwa pasar e-commerce di Indonesia akan tumbuh 42% dari tahun 2012-2015 (Mitra, 2015). Hal ini menyebabkan persaingan bisnis online sangatlah ketat. Hal ini adalah alasan mengapa online shop harus merencanakan dan menggunakan strategi yang cukup jelas dalam memperlakukan konsumen, karena konsumen merupakan aset yang sangat penting Dengan banyaknya jumlah konsumen yang dimiliki oleh suatu online shop, maka masalah yang harus dihadapi adalah bagaimana mempertahankan konsumen tersebut. Dengan menerapkan konsep CRM (Customer Relationship Management), online shop dapat melakukan identifikasi konsumen potensial dengan melakukan segmentasi konsumen. Sehingga konsumen yang sudah menjadi pelanggan akan diberikan fasilitas khusus dalam strategi pemasaran yang tepat sesuai dengan kebutuhan konsumen. Penelitian ini membahas tentang bagaimana proses data mining dari data konsumen pada online shop tokodiapers.com yang khusus menjual perlengkapan ibu dan bayi. Dalam penelitian ini akan fokus pada proses data mining dari data konsumen. Proses data mining ini dimulai dengan melakukan proses clustering menggunakan metode Fuzzy C-Means (FCM). Hasil dari penelitian ini adalah telah dibuat analisis kebutuhan sistem, preprocessing data yang meliputi hasil dari Proses Cleaning, Integration, Transformation, dan selection, rancangan data base, dan rancangan antar muka dalam proses pengelompokkan data konsumen pada tokodiapers.com menggunakan metode clustering fuzzy C-Means. Kata Kunci : Data mining. Fuzzy C-Means. Clustering.
1.
PENDAHULUAN Online shopping (atau sering disebut "electronic retail" atau e-shopping) adalah bentuk perdagangan elektronik yang memungkinkan konsumen untuk langsung membeli barang atau jasa dari penjual melalui Internet menggunakan browser web. (Wikipedia, 2015). Pengguna internet di Indonsia yang mencapai angka 82 juta orang atau sekitar 30% dari total penduduk di Indonesia, pasar e-commerce menjadi tambang emas yang sangat menggoda bagi sebagian orang yang bisa melihat potensi ke depannya. Menurut Matthew Driver, presiden MasterCard untuk wilayah Asia Tenggara, Indonesia adalah salah satu negara dengan pertumbuhan pasar e-commerce yang terbesar di AsiaPacific (Mitra, 2015). Tentunya hal ini membutuhkan strategi pemasaran. Strategi pemasaran modern saat ini memang telah terjadi perubahan besar dalam dunia bisnis. Media promosi adalah salah satu hal yang mengalami perubahan drastis. Semakin dekatnya dunia maya dengan kehidupan sehari-hari, membuat era digitalisasi tidak bisa di hindari. Dengan adanya perubahan pencarian informasi dan juga acara berkomunikasi dengan orang lain ini, tentunya strategi pemasaran juga mengalami perubahan. Penelitian segmentasi komsumen dilakukan oleh Nugraheni (2011) pada data konsumen perusahaan retail, dengan model segmentasi menggunakan atribut recency, frequency, dan monetory.
222
Simposium Nasional Teknologi Terapan (SNTT) 4 2016
ISSN : 2339-028X
Customer Relationship Management (CRM) menurut (Tama, 2009) yaitu CRM adalah sebuah strategi untuk mengoptimalkan customer lifetime value dengan cara mengetahui lebih banyak mengenai informasi konsumen dan berinteraksi dengan konsumen secara. Dengan menggunakan data mining dari data konsumen pada online shop tokodiapers.com maka dapat dilakukan identifikasi konsumen menggunakan Customer Relationship Management (CRM). Dengan menerapkan konsep CRM online shop dapat melakukan identifikasi konsumen potensial dengan melakukan segmentasi konsumen. Tujuan dari proses segmentasi konsumen adalah untuk mengetahui perilaku konsumen dan menerapkan strategi pemasaran yang tepat sehingga mendatangkan keuntungan bagi pihak perusahaan. Model segmentasi dilakukan berdasarkan atribut Recency, Frequency, dan Monetary. Peran segmentasi konsumen ini sangatlah penting. Sehingga untuk menjawab permasalahan tentang pelayanan konsumen dan pemasaran terhadap konsumen yang sesuai sasaran pada online shop tokodiapers.com maka dibuatkan “ Perancangan Teknik Data Mining untuk Customer Relationship Management (CRM) Pada Online Shop Tokodiapers.com Dengan Metode Clustering Fuzzy C-Means”. 2.
DASAR TEORI 2.1 Clustering Analisa cluster yaitu menemukan kumpulan objek hingga objek-objek dalam satu kelompok sama (atau punya hubungan) dengan yang lain dan berbeda (atau tidak berhubungan) dengan objek-objek dalam kelompok lain. Tujuan dari analisa cluster adalah meminimalkan jarak di dalam cluster dan memaksimalkan jarak antar cluster Hermawati (2013). 2.2 Fuzzy C-Means Metode Fuzzy C-Means Clustering pertama kali diperkenalkan oleh Lotfi Zadeh (1965) dengan nama himpunan fuzzy (Prasetyo, 2012). Algoritma dari fuzzy c-means adalah sebagai berikut (Prasetyo, 2012) : 1. Tentukan jumlah kelompok Dimana data set (X) berisi m data yaitu x1, x2, x3,…., xm, dinotasikan X ={x1,x2,x…, xn), dimana setiap data mempunyai fitur n dimensi : xi1, xi2, … xin, dinotasikan xi = {xi1, xi2, ...xin}. dan bangkitkan nilai derajat keanggotaan setiap data. 2. Pilih salah satu data sebagai sentroid untuk setiap kelompok. kelompok C dengan centroid: c1, c2,…,ck, dimana k adalah jumlah kelompok 3. Hitung nilai sentroid dari masing-masing kelompok. Untuk menghitung sentroid pada kelompok ci pada fitur j menggunakan persamaan 1 . Persamaan 1
Dimana : 𝑢𝑖𝑗 = Derajat kenaggotaan setiap data dengan nilai antara 0 dan 1, I menyatakan data xi dan j menyatakan kelompok cj 𝑤 = parameter bobot pangkat 𝑀 = jumlah data 4. Hitung nilai derajat keanggotaan masing-masing data ke masing-masing kelompok 5. Kembali ke langkah 3 apabila perubahan nilai derajat keangotaan masih di atas nilai ambang yang ditentukan, atau apabila perubahan pada nilai sentroid masih di atas nilai ambang yang ditentukan, atau apabila perubahan pada nilai fungsi objektif masih di atas nilai ambang yang ditentukan. Dimana persamaan 2 digunakan untuk menghitung fungsi objektifitas. Persamaan 2
223
Simposium Nasional Teknologi Terapan (SNTT) 4 2016
3.
ISSN : 2339-028X
METODE PENELITIAN
3.1 Pengumpulan Data Dalam penelitian ini pengumpulan data dilakukan dengan mengambil data langsung dari tokodiapers.com. Data yang digunakan adalah data transaksi penjualan dengan jumlah recoed 500 data. Data ini nantinya akan dilakukanpreprocesing sebelum dilakukan proses mining. 3.2 Analisis Kebutuhan
Di dalam analisis kebutuhan sistem, sistem aplikasi data mining yang akan dibuat yang memiliki kemampuan melakukan pengambilan data mentah transaksi yang berada di luar sistem, melakukan proses cleaning data, dimana data yang kosong dan data yang tidak konsisten akan terhapus, melakukan proses selection, yaitu menentukan atribut apa saja yang akan digunakan untuk proses clustering dan menentukan jumlah cluster, menampilkan hasil dari perhitungan algoritma fuzzy C-means proses clustering dan menampilkan anggota masing-masing cluster yang telah terbentuk. 3.3 Pencangan Perangkat Lunak Pada tahap ini akan dilakukan perancangan proses sistem, perancangan basis data dan perancangan user interface dari aplikasi yang akan dikembangkan. Dimana User interface ini akan digunakan sebagai dasar dalam tahap implementasi. 3.4 Pengujian Sistem Pada tahap akan dilakukan pengujian perangkat lunak dengan metode System Usability Scale (SUS). 4. HASIL DAN PEMBAHASAN 4.1 Data Awal Data awal dari penelitian ini adalah data transskasi pembelian oleh pelanggan yang ditampilkan dalam Tabel 1 Tabel 1 Data transaksi pembelian No
Tanggal
Nama
Alamat
No telp
1
1 januari 2014
A. Rifai
Jl. Inpres Gg. Bambu Kuning
2
1 januari 2014
Anis-Yudi
Jl.Kulim, B. Indah
3
1 januari 2014
Anis
4
1 januari 2014
6
Harga
Bantal menyusui
34000
81268585407
Nursing Cape
65000
Jl durian
81365245999
Seatpad Black
75000
Antin
Jl. Soekarno hatta
81363992477
Seatpad Red
55000
4 januari 2014
Asni
Jl Sudirman
Drypad 2
7
5 januari 2014
Dewi
rumbai
Handuk Frozen
8
7 Januari 2014
Dewi
Komp. Nangka
Nursing Cape + Drypad 5
350000
9
8 Januari 2014
Dede
Bagan
Hanaroo Babywrap
165000
10
9 Januari 2014
Dian
Jl Kuras
Bedong Blue
120000
11
10 Januari 2014
Dedi
Jl Muslimin
Handuk Cars
67000
12
10 Januari 2014
Happy
Jl Rambai-panam
Seatpad Red
75000
13
10 Januari 2014
In
Jl Sakti
Jaket Frozen
60000
14
10 Januari 2014
Indra
Jl Kayu manis
Jaket Cars
60000
224
8127696498
Nama Barang
140000
67000
Simposium Nasional Teknologi Terapan (SNTT) 4 2016
ISSN : 2339-028X
15
10 Januari 2014
Indra
Pangeran Hidayat
Hanaroo Babywrap
16
15 Januari 2014
Ipul
Jl. Bakti
Pantyliner GG 5
165000 90000
Data transaksi pembelian dilakukan beberapa proses data mining 1). Proses Transformasi Proses transformasi merupakan proses dalam mengubah atribut menjadi atribut yang siap untuk dilakukan proses mining. Beberapa proses transformasi yang dilakukan dalam penelitian ini adalah: a. Dari atribut tanggal pembelian akan diubah menjadi regency yaitu berapa lama menjadi pelanggan dengan melakukan pengurangan tanggal pada saat ini dengan tanggal pertama melakukan transaksi b. Dari atribut harga akan diubah menjadi monetory yaitu rata-rata jumlah pembelian setiap transaksi yang dilakukan oleh pembeli dari awal pembelian hingga saat ini. c. Untuk Frequency merupakan penghitungan dari jumlah keseringan yang dilakukan oleh pembeli dalam setiap bulannya. 2). Proses Selection Proses Selection adalah proses dalam memilih atribut sehingga mendapatkan atribut yang siap untuk dilakukan proses mining. Dalam proses seleksi ini atribut yang dipilih adalah no-id, dan ditambahkan dengan atribut hasil trasformasi yaitu regency, monetory, frequency. Dimana untuk data set ini ditampilkan dalam Tabel 2 4.2 Data Set Tabel 2 menunjukkan data aset yang siap untuk dilakukan proses data mining. Regency merupakan lama konsumen menjadi pelanggan, Frequency merupakan jumlah pembelian yang dilakukan selama range waktu tertentu dan Monetory adalah jumlah harga dari pembelian yang dilakukan dalam range waktu tertentu.
4.3 Fuzzy C-Means 3.2.1 Inisialisasi Inisiallisasi awal ini terdiri dari 6 input yaitu: 1. Jumlah klaster yang akan dibentuk :3 2. Pangkat pembobot :2 3. Maksimum iterasi : 100
4. 5. 6.
Error terkecil/akurasi Fungsi obyektif P0 Iterasi awal
: 0.005 :0 :1
3.2.2 Membangkitkan nilai derajat keanggotaan Setelah dilakukan inisialisai maka dillakukan penghitungan derajat keanggotaan dengan memberikan nilai random antara 0 sampai 1 pada setiap data. Hasil nilai derajat keanggotaan ditunjukkan dalam Tabel 3 225
Simposium Nasional Teknologi Terapan (SNTT) 4 2016
ISSN : 2339-028X
Tabel 3. Nilai Derajat Keanggotaan Regency 0.1 0.5 0.5 0.8 0.2 0.3 0.2 0.6 0.2 0.4 0.7 0.3 0.6 0.2 0.7 0.4 0.3 0.6
Frequency 0.3 0.2 0.1 0.1 0.4 0.3 0.1 0.3 0.1 0.2 0.1 0.4 0.2 0.3 0.2 0.3 0.6 0.2
Monetory 0.6 0.3 0.4 0.1 0.4 0.4 0.7 0.1 0.7 0.4 0.2 0.3 0.2 0.5 0.1 0.3 0.1 0.2
3.2.3 Manghitung pusat klaster iterasi ke-1 Setelah dilakukan pemberian nilai dengan derajat keanggotaan maka dilakukan penghitungan titik pusat kluster menggunakan Persamaan 2.1 dan didapatkan hasil 3 titik kluster seperti yang ditunjukkan dalam Tabel 3. Tabel 3. Titik Pusat Kluster iterasi 1 𝑉𝑗=
21.49242 6.974747 15.96212
2.869565 1 1.927536
161729.3233 46372.18045 91635.33835
3.2.4 Menghitung fungsi obyektif iterasi ke-1 (P1) Langkah berikutnya adalah menghitung fungsi objektifitas iterasi ke 1 menggunakan Persamaan 2. Dari perhitungan Persamaan 2 didapatkan pusat kluster pada iterasi 1 atau P1 adalah 522126.6321
3.2.5 Menghitung perubahan matriks partisi iterasi ke-1 Langkah berikutnya adalah menghitung matriks partisi iterasi ke 1 menggunakan Persamaan 3. Dari perhitungan Persamaan 3 didapatkan Matriks 𝑈𝑖𝑗 dimana i mewakili data dan j mewakili atribut yaitu frequency, regency dan monitory 𝑈𝑖𝑗 yang baru : Tabel 5. Data Hasil pengelompokkan dengan Fuzzy c-Means
226
Simposium Nasional Teknologi Terapan (SNTT) 4 2016
ISSN : 2339-028X
Selanjutnya dilakukan cek kondisi , sehingga ( 522126.6321 − 0 ) = 0 > ɜ maka kembali ke langkah ke-4 dan seterusnya hingga kondisi terpenuhi. Pada percobaan ini setelah beberapa kali iterasi maka kondisi terpenuhi pada iterasi ke-18 dimana (|409479.9188-409479.915|)=0.003745407< dengan update𝑈𝑖𝑗 yang terakhir. Sehingga dihasilkan cluster data pada Tabel 5.
3.2.6. Evaluasi pola dan Representasi Pengetahuan Dari hasil penghitungan menggunakan metode fuzzy c-means maka didapatkan dua kelompok data konsumen yang memiliki karakteristik sama yaitu untuk : a. Kelompok 1 : A. rifai dan Iqbal, dimana dalam kelompok ini konsumen memiliki karakteristk yang sama yaitu sama –sama telah lama menjadi pelanggan. b. Kelompok 2 : Eki, Anis-Yudi, Anis, Antin, alfi, Asni, Dewi, Dewi, Dede, Dian, dedi Happy, In, Indra, Indra dan Ipul, dimana dalam kelompok ini didaptkan konsumen yang meiliki karakteristik mirip yaitu rata-rata dalam jumlah pembelian dalam rentang waktu tertentu adalah sama. Berdasarkan analisis perhitungan clustering fuzzy c-means dari data pelanggan maka dibuatlah desaign antar muka pengguna aplikasi. Gambar 2 (a) adalah desaign antarmuka untuk menampilkan data awal pelanggan sebelum dilakukan proses tahap-tahap data mining. Kumpulan data pelanggan ini diperoleh dari toko online shop dalam bentuk excel. Pada sebelah kanan rancangan load data juga terdapat beberapa proses dalam data mining untuk mendapatkan data set yang siap untuk dilakukan proses data mining. Gambar 2 (b) merupakan rancangan hasil pengelompokkan menggunakan metode fuzzy c-means, dimana dalam representasi hasil akan ditampilkan dalam bentuk grafik agar lebih memudahkan dalam membaca pola yang dihasilkan.
227
Simposium Nasional Teknologi Terapan (SNTT) 4 2016
ISSN : 2339-028X
Gambar 2 (a) Rancangan load data,
(b) Hasil Pengelompokkan
Tabel 6 menunjukkan tes pengguna untuk desain antarmuka dengan SUS standar. SUS standar terdiri dari sepuluh item. Untuk menggunakan SUS, item untuk peserta dibagi menjadi skala 1-5, dimana skala 1 ("Sangat tidak setuju") untuk 5 ("Sangat setuju"). Untuk item bernada positif (1, 3, 5, 7 dan 9). Untuk item bernada negatif (2, 4, 6, 8 dan 10). Tabel 6 System Usability Scale Num
4
Strongly Strongly
Statement
1
Saya berpikir bahwa saya ingin menggunakan sistem ini sering
1
2
DisagreeAgree 3 4
5
2
Saya menemukan sistem tidak perlu kompleks
1
2
3
4
5
3
Saya pikir sistem ini mudah digunakan
1
2
3
4
5
4
Saya berpikir bahwa saya akan membutuhkan dukungan dari orang teknis untuk dapat menggunakan sistem ini
1
2
3
4
5
5
Saya menemukan berbagai fungsi dalam sistem ini terintegrasi dengan baik
1
2
3
4
5
6
Saya pikir ada terlalu banyak inkonsistensi dalam sistem ini
1
2
3
4
5
7
1
2
3
4
5
8
Saya akan membayangkan bahwa kebanyakan orang akan belajar untuk menggunakan sistem ini sangat cepat Saya menemukan sistem yang sangat rumit untuk digunakan
1
2
3
4
5
9
Saya merasa sangat percaya diri menggunakan sistem
1
2
3
4
5
10
Saya perlu belajar banyak ofthings sebelum aku bisa pergi dengan sistem ini
1
2
3
4
5
KESIMPULAN
Dalam studi ini, kami merancang antarmuka pengguna aplikasi data mining berbasis web untuk mengelompokkan data pelanggan pada online shop tokodiapers.com menggunakan metode fuzzy C-Means. Desaing antar muka ini akan diuji penerimaan menggunakan metode SUS. Harapannya desaign aplikasi ini dapat diterima dan dilaksanakan sebagai aplikasi data mining untuk
Customer Relationship Management (CRM) pada Online Shop Tokodiapers.Com. UCAPAN TERIMA KASIH Penelitian ini telah didukung oleh hibah penelitian RISTEK DIKTI dengan skema Penelitian Dosen Pemula (PDP) nomor No: 011/HB-LIT/III/2016 Tanggal 15 Maret 2016 . DAFTAR PUSTAKA Hermawati, F.A, 2013, “ Data Mining”, Penerbit Andi, Yogyakarta Mitra, W, 2014, Data Statistik Mengenai Pertumbuhan Pangsa Pasar E-Commerce di Indonesia Saat Ini, http://startupbisnis.com diakses pada 10 April 2015
Nugraheni, Y. 2011. “ Data Mining dengan Metode Fuzzy untuk Customer Relationship Management (CRM) Pada Perusahaan Retail” (Tesis). Universitas Udayana, Denpasar. Prasetyo, E., 2012. “ Data Mining Konsep dan Aplikasi menggunakan Matlab”, Penerbit Andi, Yogyakarta. 228
Simposium Nasional Teknologi Terapan (SNTT) 4 2016
ISSN : 2339-028X
Tama, B.A, 2009. Implementasi Teknik Data Mining di dalam Konsep Customer Relationship Management (CRM). Konferensi Nasional Sistem dan Informatika 2009, November 14, ISSN 109-011
229
