RANCANG BANGUN SISTEM PENGELOMPOKAN PELANGGAN POTENSIAL MENGGUNAKAN METODE K-MEANS UNTUK PROMOSI PAKET WISATA (STUDI KASUS PT. BALI SINAR MENTARI) I Putu Agus Hendra Krisnawan 1) 1) S1/ Jurusan Sistem Informasi. Sekolah Tinggi Manajemen Informatika & Teknik Komputer Surabaya, email :
[email protected]
Abstract: PT. Bali Sinar Mentari is a company engaged in the field of business travel services in Bali. In company like this, giving promotion is one of important factor in helping the sale of services to customers. The problem is managers have difficulty to determine which customers have the right to be given promotion. Based on that, company required system to classify the potential customer to be given promotions via email. clustering customers can use K-Means method. This method must use the physical data, not abstract, it is same with the data used in problems in grouping customers at PT. Bali Sinar Mentari. In this final project, the application of clustering system can be run in line with expectations. The process of clustering customers with the K-Means method can work well and generate groups of potential customers. Keyword: clustering, potential customers, tourism package PT. Bali Sinar Mentari adalah perusahaan
transaksi yang banyak dan tentunya manajer
yang bergerak pada bidang usaha jasa perjalanan
tidak bisa melakukan promosi terhadap semua
wisata
pelanggan
di
Bali.
Perusahaan
ini
melayani
yang
ada
karena
selain
akan
pelanggan domestik maupun mancanegara yang
menghabiskan banyak waktu dan tenaga, promosi
akan berlibur di Bali, dengan menyediakan paket-
tersebut juga menjadi tidak tepat sasaran.
paket wisata yang terdiri dari berbagai macam
Berdasarkan permasalahan yang telah
jenis pilihan hotel dan hari termasuk restoran dan
diuraikan tersebut, diperlukan sistem yang tepat
objek wisata didalamnya.
yaitu
Tentunya
perusahaan
yang
dapat
mengelompokan
jasa,
pelanggan potensial. Pelanggan potensial dilihat
pemberian promosi merupakan salah satu faktor
dari persamaan terdekat transaksi pelanggan yang
penting dalam membantu penjualan jasa kepada
ada terhadap paket wisata yang akan di
pelanggan, jika dilihat selama ini, PT. Bali Sinar
promosikan.
Mentari setiap bulan mencatat rata-rata 50
dilakukan dengan melihat pola data transaksi
transaksi penjualan jasa paket wisata kepada
paket wisata yang telah ada sebelumnya dengan
pelanggan baru ataupun pelanggan yang sudah
seleksi berdasarkan hotel dan paket wisata dan
pernah
selanjutnya akan dianalisa menggunakan metode
memakai
dalam
sistem
jasa
perusahaan
ini,
Pengelompokan
pengelompokan
mengalami kesulitan dalam melakukan pemilihan
didapatkan kelompok pelanggan potensial maka
pelanggan
akan dilakukan promosi melalui email. Alasan
dalam
pengelompokan
email
K-Means.
karena
Jika
ini
permasalahaan yang timbul adalah manajer
serta
data
pelanggan
pelanggan
telah
pelanggan guna mengetahui pelanggan mana saja
penggunaan
yang
yang tepat untuk diberikan promosi. Hal ini
menggunakan jasa perusahaan ini berasal dari
disebabkan karena jumlah pelanggan serta
dalam dan luar negeri, hal ini membutuhkan
sarana
pengiriman
promosi
yang
tidak
manajer dapat mengelompokan pelanggan yang
memerlukan biaya tetapi promosi paket wisata
dianggap potensial dan memudahkan dalam
bisa mencapai pelanggan yang berasal diluar
melakukan promosi paket wisata.
negeri. Metode
K-Means
pengelompokan
data
adalah dengan
metode mengambil
LANDASAN TEORI 1.
Sistem
parameter sejumlah k cluster, dan mempartisi
Menurut Gondodiyoto (2007), sistem
data kedalam cluster tersebut, dengan berpatokan
adalah merupakan suatu kesatuan yang terdiri
pada kemiripan antar data dalam satu cluster dan
dari komponen-komponen atau sub sistem yang
ketidakmiripan di antar cluster yang berbeda,
berorientasi
pusat dari cluster adalah rata-rata dari nilai
tertentu.
anggota cluster yang disebut centroid atau center
2.
pengelompokan
meminimalkan
jumlah
kuadrat
dengan dari
jarak
mencapai
suatu
tujuan
Informasi
of gravity (Kamber, 2007). Selain itu K-Means melakukan
untuk
Informasi adalah data yang sudah diolah menjadi bentuk yang lebih berguna dan lebih berarti
(bermanfaat)
bagi
penerimanya,
(distance) antara data dengan centroid cluster
menggambarkan suatu kejadian dan kesatuan
yang cocok (Teknomo, 2006). Pemilihan metode
nyata yang dapat dipahami dan dapat digunakan
K-Means
untuk pengambilan keputusan, sekarang maupun
dikarenakan
metode
ini
harus
menggunakan data fisik tidak abstrak dan bersifat
masa depan (Gondodiyoto, 2007).
jelas, hal ini sesuai dengan data yang akan
3.
digunakan
pada
permasalahan
di
Sistem Informasi
dalam
Sistem informasi adalah sekumpulan
pengelompokan pelangggan pada PT. Bali Sinar
komponen pembentuk sistem yang mempunyai
Mentari. Selain itu, metode ini bersifat fleksibel
keterkaitan
sebab pengguna dapat menentukan jumlah cluster
komponen lainnya yang bertujuan menghasilkan
yang akan dibuat. Penentuan pelanggan potensial
suatu informasi dalam suatu bidang tertentu
dilihat dari jarak centroid terjauh diantara cluster
(Jogiyanto, 1995).
yang dibentuk, lalu manajer operasional dalam
4.
hal ini pelaku promosi melakukan pengiriman email
yang ditujukan kepada pelanggan-
pelanggan
potensial
yang
sudah
terpilih
sebelumnya. Melihat
antara
satu
komponen
dengan
Sistem Pendukung Keputusan Secara
keputusan komputer
umum,
(SPK)
sistem
adalah
sistem
pendukung berbasis
yang interaktif, yang membantu
pengambil keputusan memanfaatkan data dan keadaan
tersebut,
maka
model untuk menyelesaikan masalah-masalah
pembuatan sistem pengelompokan pelanggan
yang tak terstruktur dan semi terstruktur. proses
potensial menggunakan metode k-means untuk
pengambilan keputusan terdiri dari 3 fase proses:
promosi paket wisata merupakan solusi yang
intelligence, design, dan choice. Proses-proses
dibutuhkan untuk menangani permasalahan yang
yang terjadi pada kerangka kerja Decision
ada. Diharapkan dengan adanya sistem ini,
Support dibedakan terstruktur, tak terstruktur,
suatu kelompok atau kelas yang memiliki
semi terstruktur.
kesamaan sifat disebut clustering.
5.
Clustering
Data Mining
dikategorikan
kedalam
Faktor penentu bagi bentuk usaha atau
teknik Undirect Knowledge atau Unsupervised
bisnis apapun pada masa sekarang ini adalah
Learning karena tidak membutuhkan proses
kemampuan
informasi
pelatihan untuk klasifikasi awal data dalam
secara seefektif mungkin. Pengunaan data yang
masing-masing kelompok atau cluster. Tujuan
strategis ini bisa diakibatkan oleh kesempatan-
utama clustering adalah untuk menemukan atau
kesempatan yang dihasilkan atau ditimbulkan
mencari pola yang bermanfaat atau berguna pada
karena penemuan fakta-fakta sangat berharga
suatu database, kemudian merangkumnya dan
yang cukup sering, tersembunyi dan tidak
membuat lebih mudah untuk dipahami.
terdeteksi
untuk
menggunakan
sebelumnya
mengenai
konsumen,
Dalam
melakukan
proses
analisa
retailer dan supplier, tren – tren bisnis, dan
terhadap cluster-cluster yang telah terbentuk dan
faktor – faktor petunjuk yang lain (Berson, 1997).
pencarian pengetahuan dengan metode tertentu
Menurut Kamber (2007) secara sederhana data
disebut cluster analyse (Kamber, 2007).
mining mengacu kepada mengekstrak atau
7.
K-Means Clustering
“menambang” pengetahuan dari sekumpulan
Metode
K-Means
pengelompokan
diibaratkan sebagai menambang emas atau
parameter sejumlah k cluster, dan mempartisi
menambang
diibaratkan
data kedalam cluster tersebut, dengan berpatokan
sebagai “knowledge mining from data” atau lebih
pada kemiripan antar data dalam satu cluster dan
ringkasnya menambang pengetahuan. Pengertian
ketidakmiripan di antar cluster yang berbeda,
lain data mining juga dapat berarti prose untuk
pusat dari cluster adalah rata-rata dari nilai
mempekerjakan
teknik
anggota cluster yang disebut centroid atau center
untuk
of gravity (Kamber, 2007). Selain itu K-Means
pembelajaran mengotomasi
tetapi
satu
lebih
atau
lebih
terkomputerisasi analisa
dan
mengekstrak
melakukan
dengan
metode
besar data. Menambang dalam hal ini bukan
pasir,
data
adalah
mengambil
pengelompokan
pengetahuan dari data didalam database (Roger
meminimalkan
and Geatz, 2003).
(disance) antara data dengan centroid cluster
6.
yang cocok (Teknomo, 2006).
Clustering
jumlah
kuadrat
dengan dari
jarak
Cluster adalah suatu kumpulan dari
Algoritma K-Means adalah algoritma
entitas yang hampir sama (Everit, 1993).
partitional (Non Hierarchical) clustering yang
Pengertian lain menurut Kamber (2007), cluster
mempartisi atau membagi sekumpulan data ke
adalah kumpulan dari objek yang mirip dengan
dalam
objek lainnya dan berada pada kelompok yang
mempunyai titik pusat cluster/centroid. Centroid
sama. Sedangkan proses untuk mengelompokkan
adalah rata-rata (mean) dari setiap titik angota
data baik itu bersifat fisik atau abstrak kedalam
cluster. Untuk lebih mengetahui alur algoritma
sejumlah
cluster.
Setiap
cluster
dari metode K-Means, dapat dilihat pada gambar
2.
System Flow
1.
System
Flow
merupakan
suatu
gambaran aliran kerja yang terdapat dalam suatu sistem.
Untuk
System
Flow
mengenai
pembahasan masalah ini dapat dijelaskan pada gambar 3.
Gambar 1 Flowchart Algoritma Clustering KMeans (Teknomo, 2006) Gambar 3 System Flow 8.
Eucledian Distance
3.
DFD – Context
Eucledian Distance adalah sebuah fungsi
Context
diagram
pada
gambar
4
distance yang paling umum digunakan. Nilai
merupakan level paling awal dari suatu DFD.
Eucledian Diastance adalah akar dari kuadrat
Pada sistem ini terdapat tiga entitas yang
selisih koordinat antar obyek. Misal jarak antara
berperan, yaitu manajer opersional, operasional
2 titik X = (
dan pelanggan.
,
,…
,)
dan Y = (
maka jarak antara 2 titik tersebut adalah
,
,…
, ),
Data Transaksi Data Pelanggan Data Hotel
ED = (
−
) + (
−
) + …+ (
PERANCANGAN SISTEM 1.
−
)
Data Transport
0 Data Kendaraan
Desain Umum Sistem
Data Restoran Email Promosi
Gambaran umum yang digambarkan pada
Data Menu Sistem Pengelompokan Pelanggan Potensial Menggunakan Metode KMeans
Gambar 2 adalah desain umum pembuatan sistem pengelompokan
pelanggan
potensial Laporan Transaksi Laporan Promosi
paket wisata yang terdiri dari 4 proses utama, pemilihan
paket
Data Paket Wisata Data Promosi
+
menggunakan metode k-means untuk promosi
yaitu
Operasional
Data Kamar
Pelanggan
wisata,
perhitungan, dan pengiriman email.
Manajer Operasional
Laporan Paket Wisata
seleksi,
Informasi Pelanggan Potensial
Gambar 4 DFD - Context 4.
ERD Dalam perancangan sistem ini terdapat
beberapa entitas yang saling terkait untuk menyediakan data yang dibutuhkan oleh sistem Gambar 2 Desain Umum Sistem
yang disajikan dalam bentuk conceptual data model (CDM) dan physical data model (PDM).
Adapun bentuk CDM dan PDM dapat dilihat pada Gambar 5-6. Hotel ID_Hotel Nama_Hotel A la mat_Hotel Kota_Hotel Telepon_Hotel Fax_Hotel Email_Hotel
Login
untuk Kamar ID_Kamar Nama_Kamar Relation_125 Harga_Kamar
Relation_492 Relation_493
Promosi
Relation_129
Menu ID_Menu Nama_Menu Harga_Menu Isi_ Menu
Relation_138 Relation_137
Pelanggan ID_Pela nggan Nama_Pelanggan A la mat_Pelanggan Telepon_Pelanggan Ponsel_Pelanggan Email_Pelanggan Kota_Pelanggan Negara_Pelanggan
Transaksi
Relation_136
ID_Transaksi Tgl_Check_In Tgl_Check_out Total_Harga Tgl_Transaksi
Transport ID_Transport Nama_Transport A la mat_Transport Kota_Transport Telepon_Transport Relation_134Fax_Transport Email_Transport
ID_Kendaraan Jenis_Kendaraan Nama_Kendaraan Kapasitas_Kendaraan Harga_Kendaraan
KAMAR varchar(11) ID_HOTEL = ID_HOTEL ID_KAMA R varchar(11) varchar(30) ID_HOTEL varchar(11) varchar(200) NAMA_KAMAR varchar(30) varchar(30) HARGA _KA MA R integer varchar(50) varchar(50) varchar(30) OBJEK_WISATA _PILIHA N
NAMA_USER PASSWORD_USER LEV EL_USER
varchar(30) varchar(50) varchar(15)
ID_OBJEK_WIS A TA ID_PAKET_WIS A TA
Paket Wisata Promosi, ini adalah form untuk tahap pertama. 2. Setelah form Pilih Paket Wisata Promosi muncul, pengguna dapat menekan textbox
form List Paket Wisata, cari paket wisata lalu double click pada paket wisata Sanur Tour Domestik 2D. Untuk gambar dapat dilihat
OBJEK_WISATA ID_OBJEK_WIS A TA KETERA NGA N NAMA_OBJEK_WISATA A LA MA T_OBJEK_WISA TA TELEPON_OBJEK_WISA TA FAX_OBJEK_WISA TA HARGA _OBJEK_WISATA EMA IL_OBJEK_WISA TA KOTA_OBJEK_WISA TA
KAMAR_PILIHA N ID_KAMA R varchar(11) ID_PAKET_WIS A TA varchar(11)
manajer
Pilih Paket Wisata, setelah itu, akan muncul
ID_OBJEK_WISATA = ID_OBJEK_WISATA
ID_KAMAR = ID_KAMAR
atau
Relation_127
Gambar 5 CDM
LOGIN
admin
Setelah itu, akan muncul tampilan form Pilih
Kendaraan
Relation_126
HOTEL ID_HOTEL NAMA_HOTEL A LA MA T_HOTEL KOTA_HOTEL TELEPON_HOTEL FAX_HOTEL EMA IL_HOTEL
akses
Paket Wisata pada kelompok menu Proses.
Objek Wisata ID_Objek_Wisata Nama_Obje k_Wisata A la mat_Objek_Wisata Kota_Objek_Wisata Telepon_Objek_Wisata Relation_214 Fax_Objek_Wisata Relation_656 Harga_Objek_Wisata Email_Objek_Wisata Keterangan
Paket_Wisata ID_Paket_Wisata Nama_Paket_Wisata Jumlah_Orang_PW Jumlah_Hari Harga_Paket_Wisata
hak
operasional dapat memilih menu Promosi
Restoran ID_Restoran Nama_Restoran A la mat_Restoran Kota_Restoran Telepon_Restoran Fax_Restoran Email_Restoran
Relation_133
Nama_User Relation_128 Passw ord_User Level_User
ID_Promosi Tgl_Promosi Isi_ Promosi Jumlah_Clu ster
1. Pada menu utama di form Utama, pengguna
varchar(11) varchar(11)
ID_PAKET_WISATA = ID_PAKET_WISATA
ID_PAKET_WISATA = ID_PAKET_WISATA
pada gambar 7.
varchar(11) varchar(200) varchar(30) varchar(200) varchar(50) varchar(50) integer varchar(50) varchar(30)
RESTORAN ID_RESTORA N NAMA_RESTORAN A LA MA T_RESTORA N KOTA_RESTORAN TELEPON_RESTORA N FAX_RESTORA N EMA IL_RESTORAN
varchar(11) varchar(30) varchar(200) varchar(30) varchar(50) varchar(50) varchar(50)
NAMA_USER = NAMA_USER
PAKET_WISATA ID_PAKET_WIS A TA ID_HOTEL = ID_HOTEL PROMOSI ID_TRA NSPORT ID_PROMOSI varchar(11) JUMLAH_HA RI ID_PAKET_WIS A TA varchar(11) ID_PAKET_WISATA = ID_PAKET_WISATA HARGA _PA KET_WISATA TGL_PROMOSI timestamp JUMLAH_ORANG_PW ISI_ PROMOSI varchar(500) ID_KENDARA AN NAMA_USER varchar(30) NAMA_PAKET_WISATA JUMLAH_CLUSTER integer ID_HOTEL
varchar(11) MENU_PILIHA N ID_MENU = ID_MENU varchar(11) ID_MENU varchar(11) ID_RESTORAN = ID_RESTORAN ID_PAKET_WISATA = ID_PAKET_WISATA integer ID_PAKET_WIS A TA varchar(11) integer integer varchar(11) varchar(30) varchar(11)
ID_KENDARAAN = ID_KENDARAAN
ID_TRANSPORT = ID_TRANSPORT ID_PROMOSI = ID_PROMOSI
PELA NGGA N_POTENSIA L ID_PROMOSI varchar(11) ID_PELA NGGAN varchar(11)
ID_PELANGGAN = ID_PELANGGAN
ID_PAKET_WISATA = ID_PAKET_WISATA
TRA NSA KSI ID_TRA NSA KSI varchar(11) ID_PELA NGGAN varchar(11) ID_PAKET_WIS A TA varchar(11) TGL_TRANSAKSI integer TGL_CHECK_IN timestamp TGL_CHECK_OUT timestamp TOTAL_HA RGA integer
TRA NSPORT ID_TRA NSPORT NAMA_TRA NSPORT A LA MA T_TRANSPORT KOTA_TRA NSPORT TELEPON_TRANSPORT FAX_TRANSPORT EMA IL_TRA NSPORT
varchar(11) varchar(30) varchar(200) varchar(30) varchar(50) varchar(50) varchar(50)
MENU ID_MENU varchar(11) ID_RESTORA N varchar(11) NAMA_MENU varchar(30) HARGA _MENU integer ISI_ MENU varchar(200)
Gambar 7 form Cari Paket Wisata
ID_TRANSPORT = ID_TRANSPORT
PELA NGGA N ID_PELA NGGAN NAMA_PELA NGGA N A LA MA T_PELA NGGAN TELEPON_PELA NGGAN PONSEL_PELANGGAN EMA IL_PELA NGGA N KOTA_PELA NGGA N NEGARA _PELA NGGAN
varchar(11) varchar(30) varchar(200) varchar(50) varchar(50) varchar(30) varchar(30) varchar(30)
ID_PELANGGAN = ID_PELANGGAN
KENDARAA N ID_KENDARA AN ID_TRA NSPORT JENIS_KENDARA AN NAMA_KENDARAA N KAPASITAS_KENDA RA AN HARGA _KENDA RA A N
varchar(11) varchar(11) varchar(30) varchar(30) integer integer
Gambar 6 PDM
3. Setelah paket wisata dipilih, pada textbox Pilih Paket Wisata akan terisi ID Paket Wisata. Nama Paket Wisata dan Nama Hotel juga
HASIL DAN PEMBAHASAN Proses promosi paket wisata merupakan inti proses dari sistem pengelompokan pelanggan
tersisi
menyeleksi
serta
tabel
pelanggan.
akan
otomatis
Selanjutnya
masukkan jumlah cluster sebanyak 2. Untuk gambar dapat dilihat pada gambar 8.
potensial menggunakan metode k-means untuk promosi paket wisata ini. Fitur ini hanya dapat diakses oleh user dengan tipe admin dan manajer operasional. Adapun urutan langkah promosi paket wisata pada aplikasi ini adalah sebagai berikut:
Gambar 8 form Pilih Paket Wisata Promosi
4. Tahap selanjutnya adalah menekan tombol LANJUT pada form Pilih Paket Wisata Promosi, lalu sistem akan mulai melakukan perhitungan
pengelompokan
pelanggan
dengan metode k-means, jika sudah selesai, maka
form
Pengelompokan
Pelanggan
Potensial akan muncul. Di dalam form ini terdapat diagram pembagian cluster, hasil seleksi pelanggan dengan cluster-nya, nilai masing-masing centroid atau pusat cluster
Gambar 10 form Pengiriman Email
terakhir serta daftar pelanggan potensial yang sudah
terpilih.
Pada
diagram
tersebut,
pengguna juga dapat menekan titik-titik koordinat untuk melihat pelanggan siapa saja pada titik tersebut. Untuk gambar dapat dilihat pada gambar 9.
Gambar 11 Pesan Email Terkirim Setelah email ke setiap pelanggan potensial terkirim, maka sistem akan melakukan penyimpanan data promosi untuk digunakan sebagai laporan promosi. 6. Untuk melihat laporan promosi paket wisata yang bersangkutan, pengguna dapat menekan
Gambar 9 form Pengelompokan Pelanggan
tombol LAPORAN pada form Pengiriman
Potensial
Email. Lalu Laporan Promosi sesuai paket
5. Tahap selanjutnya adalah menekan tombol LANJUT
pada
form
Pengelompokan
wisata yang dipilih akan muncul. Untuk gambar dapat dilihat pada gambar 12.
Pelanggan Potensial, lalu form Pengiriman Email akan muncul, didalam form tersebut terdapat daftar pelanggan potensial, textbox isi email yang sudah terisi secara default. Oleh karena itu, pengguna hanya tinggal menekan tombol KIRIM untuk melakukan promosi melalui email ke setiap pelanggan potensial yang terpilih. Untuk gambar dapat dilihat pada gambar 10-11.
Gambar 12 Laporan Promosi
Gondodiyoto, Santoyo. 2007, Audit Sistem
KESIMPULAN Setelah dilakukan analisis, perancangan sistem dan pembuatan rancang bangun sistem pengelompokan
pelanggan
Informasi + pendekatan CoBIT. Jakarta: Mitra Wacana Media.
potensial
menggunakan metode k-means untuk promosi paket wisata (studi kasus PT. Bali Sinar Mentari) ini, maka dapat diambil kesimpulan sebagai
Han, Kamber. 2007, Data Mining Concepts and Techniques
Second
Edition,
San
Fransisco : Elsevier Inc..
berikut : 1.
Pengelompokan pelanggan menggunakan metode
K-Means
diterapkan
dengan
Clustering
dapat
baik
dapat
dan
Hasan, I. 2002, Pokok – Pokok Materi Teori Pengambilan Keputusan, Jakarta : Ghalia Indonesia.
menghasilkan pelanggan yang potensial pada sistem pengelompokan pelanggan potensial menggunakan metode k-means untuk promosi paket wisata (studi kasus
Jogiyanto, H.M, 1995, Analisa dan Desain Sistem Informasi, Yogyakarta:Andi.
PT. Bali Sinar Mentari). Roger, Richard J. & Geatz, Michael W.. 2003, 2.
Sistem
pelanggan
Data Mining a Tutorial-Based Primer,
potensial menggunakan metode k-means
United State of America : Pearson
untuk promosi paket wisata (studi kasus
Education Inc..
PT.
pengelompokan
Bali
Sinar
Mentari)
mampu
mengirimkan promosi paket wisata kepada pelanggan potensial menggunakan email.
Teknomo, Kardi. 2006. K-Means Clustering Tutorials,
(Online),
(http://people.revoledu.com/kardi/tutorial /kMean, diakses 23 Mei 2011)
DAFTAR PUSTAKA Berson, Alex & Smith, Stephen J.. 1997, Data Warehousing Data Mining & OLAP, Singapura
:
The
McGrow-Hill
Companies Inc.. Everit, B.S.. 1993, Cluster Analysis Third Edition. New York : Halsted Press an Imprint of John Wiley and Sons Inc..