SEGMENTASI PELANGGAN RITEL PERUSAHAAN ALAT BERAT BERDASARKAN CATATAN TRANSAKSI DENGAN PEMBOBOTAN KOMPONEN UTAMA
BINAPRI VINDY TURNINGTIAS
DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA* Dengan ini saya menyatakan bahwa skripsi berjudul Segmentasi Pelanggan Ritel Perusahaan Alat Berat berdasarkan Catatan Transaksi dengan Pembobotan Komponen Utama adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Mei 2015 Binapri Vindy Turningtias NIM G14100030
ABSTRAK BINAPRI VINDY TURNINGTIAS. Segmentasi Pelanggan Ritel Perusahaan Alat Berat berdasarkan Catatan Transaksi dengan Pembobotan Komponen Utama. Dibimbing oleh MOHAMMAD MASJKUR dan MUHAMMAD NUR AIDI. Segmentasi pelanggan adalah pengalokasian pelanggan ke dalam segmensegmen berdasarkan kemiripan karakteristik yang dimiliki untuk mengidealkan penerapan manajemen hubungan pelanggan. Karakteristik pelanggan ritel dapat diidentifikasi berdasarkan catatan transaksinya. Analisis komponen utama digunakan untuk meringkas karakteristik pelanggan ritel suku cadang PT United Tractors Tbk. berdasarkan catatan transaksi tahun 2012. Peubah-peubah dalam analisis dan segmentasi pelanggan ritel adalah frekuensi transaksi ( ), banyaknya bulan transaksi ( ), total banyaknya suku cadang ( ), banyaknya jenis produk ( ), dan total nilai transaksi ( ). Bobot peubah transaksi diperoleh dengan menggunakan analisis komponen utama sebesar 0.41 untuk , 0.78 untuk , 0.61 untuk , 0.28 untuk , dan 0.72 untuk . Skor transaksi setiap pelanggan ritel dihitung dengan mengombinasi peubah transaksi yang telah distandardisasi. Segmentasi ideal diperoleh dengan algoritme -rataan. Banyaknya segmen ideal adalah 4 segmen. Rataan skor transaksi bagi segmen 1 hingga 4 secara berurutan adalah 9.09, 3.34, -1.39, dan 0.27. Pelanggan ritel terbagi ke dalam 4 segmen dengan persentase 2.79%, 12.09%, 54.88%, dan 30.23%. Kata kunci: analisis gerombol, analisis komponen utama, manajemen hubungan pelanggan, segmentasi pelanggan ritel.
ABSTRACT BINAPRI VINDY TURNINGTIAS. Retail Customer Segmentation of Heavy Equipment Company by Principal Component Weighing based on Transaction Record. Supervised by MOHAMMAD MASJKUR and MUHAMMAD NUR AIDI. Customer segmentation is allocation of customers into segments according to characteristics similarity to optimize the implementation of customer relationship management. The characteristics of retail customer could be identified based on their transaction record. Principal component analysis is used to summarize the characteristics of PT United Tractors Tbk. spare part retail customer from transaction record in 2012. Variables in the transaction analysis and segmentation are transaction frequency ( ), count of transaction months ( ), count of product ( ), count of product type ( ), and total transaction amount ( ). The weight of those variables are determined by principal component analysis. The weight of each variable obtained is 0.41 for , 0.78 for , 0.61 for , 0.28 for , dan 0.72 for . Transaction score of each customer is calculated by combining the standardized transaction variables. Ideal segmetation is conducted by k-means algorithm. The ideal number of segment is 4. The mean of transaction score for segmen 1 to 4 are 9.09, 3.34, -1.39, and 0.27. Customers
are devided into 4 segments by percentage 2.79%, 12.09%, 54.88%, and 30.23% for segment 1 to 4. Key words: cluster analysis, customer relationship management, principal component analysis, retail customer segmentation.
SEGMENTASI PELANGGAN RITEL PERUSAHAAN ALAT BERAT BERDASARKAN CATATAN TRANSAKSI DENGAN PEMBOBOTAN KOMPONEN UTAMA
BINAPRI VINDY TURNINGTIAS
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Statistika pada Departemen Statistika
DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015
PRAKATA Alhamdulillah, puji syukur penulis panjatkan kehadirat Allah subhanahu wa ta’ala atas segala limpahan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan karya ilmiah dengan judul Segmentasi Pelanggan Ritel Perusahaan Alat Berat berdasarkan Catatan Transaksi dengan Pembobotan Komponen Utama. Penulis menyadari bahwa keberhasilan dalam pembuatan karya ilmiah ini tidak lepas dari dukungan banyak pihak. Oleh karena itu, penulis mengungkapkan terima kasih kepada: 1. Bapak Ir Mohammad Masjkur, MS selaku ketua komisi pembimbing yang telah memberikan arahan dalam penyusunan karya ilmiah. 2. Bapak Dr Ir Muhammad Nur Aidi, MS selaku anggota komisi pembimbing untuk saran dan nasihat selama pengembangan topik yang penulis teliti. 3. Rekan-rekan Statistika IPB angkatan 2008, 2009, dan 2010, terutama Dania Siregar dan Aep Hidayatulloh yang telah membantu dalam diskusi untuk menyelesaikan karya ilmiah ini. 4. Staf Tata Usaha Departemen Statistika atas bantuan dalam kelancaran administrasi. Rekan-rekan di UT Call PT United Tractors Tbk., terutama Bapak Arief 5. Ripana yang telah memberikan masukkan dalam penelitian yang penulis lakukan. 6. Mama, Bapak, adinda Devita Khoirunnisa, Lolyta Nur Atika, Tribowo Kurniawan, seluruh keluarga, dan sahabat di Wisma RZ atas semua doa dan dukungan kepada penulis. Penulis juga mengungkapkan terima kasih kepada semua pihak yang tidak dapat penulis sebutkan satu per satu, untuk dukungan serta dorongan semangat selama pembuatan karya tulis ilmiah ini. Semoga karya ilmiah ini bermanfaat dan menjadi sumber keberkahan. Aamiin.
Bogor, Mei 2015 Binapri Vindy Turningtias
DAFTAR ISI DAFTAR TABEL
x
DAFTAR GAMBAR
x
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
2
TINJAUAN PUSTAKA
2
Pembobotan dengan Komponen Utama
2
Penggerombolan dengan Algoritme k-rataan
4
Penggerombolan dengan Metode Ward
5
Indeks Hartigan
6
Persentase Kepadatan Gerombol
7
BAHAN DAN METODE
7
Bahan
7
Metode
8
HASIL DAN PEMBAHASAN Eksplorasi Data
9 9
Pemeriksaan Korelasi
12
Pembobotan dengan Komponen Utama
13
Segmentasi dengan Menggunakan Plot Titik
16
Segmentasi dengan Algoritme -rataan
18
Segmentasi dengan Metode Ward
19
Evaluasi Hasil Segmentasi
20
Interpretasi Hasil Segmentasi Ideal
21
SIMPULAN DAN SARAN
24
Simpulan
24
Saran
24
DAFTAR PUSTAKA
25
RIWAYAT HIDUP
26
DAFTAR TABEL 1 2 3 4 5 6 7 8
9
Daftar ringkasan aspek transaksi sebagai peubah yang digunakan dalam segmentasi Nilai peubah asal masing-masing pelanggan ritel Nilai korelasi Person peubah , , , , dan Akar ciri dan kontribusi keragaman dari matriks korelasi peubah , , , , dan Vektor ciri dari matriks korelasi peubah , , , , dan Skor dan skor masing-masing pelanggan ritel bisnis suku cadang melalui Telesales tahun 2012 Nilai peubah dan skor transaksi masing-masing pelanggan ritel bisnis suku cadang melalui Telesales tahun 2012 Nilai-nilai keragaman dalam gerombol, antargerombol, dan persentase kepadatan gerombol bagi ketiga metode segmentasi pelanggan ritel PT United Tractors Tbk. Nilai rataan skor transaksi dan masing-masing peubah asal pada setiap segmen
7 8 12 13 13 14 16
21 22
DAFTAR GAMBAR 1 Grafik banyaknya pelanggan ritel yang melakukan transaksi melalui Telesales dan banyaknya catatan transaksi pelanggan ritel bisnis suku cadang yang terjadi setiap bulan sepanjang tahun 2012 2 Diagram lingkaran persentase pelanggan ritel peringkat A, B, C, dan D pada setiap banyaknya bulan transaksi tahun 2012 3 Diagram batang banyaknya suku cadang yang dibeli pelanggan ritel melalui Telesales setiap bulan sepanjang tahun 2012 4 Diagram batang banyaknya jenis produk suku cadang yang dibeli pelanggan ritel melalui Telesales setiap bulan selama tahun 2012 5 Diagram batang nilai transaksi pelanggan ritel setiap bulan selama tahun 2012 6 Plot tebaran pelanggan ritel berdasarkan skor dan skor 7 Plot titik segmentasi pelanggan ritel bisnis suku cadang melalui Telesales tahun 2012 berdasarkan skor transaksi 8 Plot tebaran segmentasi pelanggan ritel dengan menggunakan plot titik untuk segmen 1, segmen 2, segmen 3, segmen 4, dan segmen 5 berdasarkan skor dan skor 9 Nilai indeks Hartigan untuk masing-masing banyaknya segmen pada segmentasi pelanggan ritel bisnis suku cadang dengan menggunakan algoritme k-rataan 10 Plot tebaran segmentasi pelanggan ritel dengan menggunakan algoritme k-rataan untuk segmen 1, segmen 2, segmen 3, dan segmen 4 berdasarkan skor dan skor 11 Nilai indeks Hartigan untuk masing-masing banyaknya segmen pada segmentasi pelanggan ritel bisnis suku cadang dengan menggunakan
9 10 11 11 12 15 16
17
18
19 19
metode Ward 12 Plot tebaran segmentasi pelanggan ritel dengan menggunakan metode Ward untuk segmen 1, segmen 2, segmen 3, segmen 4, segmen 5, 20 segmen 6, dan segmen 7 berdasarkan skor dan skor 13 Diagram kotak garis masing-masing segmen hasil segmentasi ideal pelanggan ritel bisnis suku cadang PT United Tractors Tbk. tahun 2012 21
1
PENDAHULUAN Latar Belakang Segmentasi pelanggan adalah pengalokasian pelanggan ke dalam segmensegmen berdasarkan kemiripan karakteristik yang dimiliki untuk mengidealkan penerapan manajemen hubungan pelanggan. Manajemen hubungan pelanggan merupakan strategi untuk membangun, mengatur, dan meningkatkan keeratan hubungan antara pelanggan dan perusahaan. Manajemen hubungan pelanggan diterapkan secara intensif kepada pelanggan ritel karena pelanggan ritel memiliki loyalitas rendah dan cenderung lebih mudah untuk beralih kepada perusahaan pesaing. Penerapan manajemen hubungan pelanggan membutuhkan pemahaman mengenai karakteristik pelanggan (Tsiptsis dan Chorianopoulos 2009). Karena itu, perusahaan memerlukan informasi untuk memahami karakteristik pelanggannya. Informasi mengenai karakteristik pelanggan dapat diidentifikasi dari perilaku transaksi pelanggan dengan perusahaan. Perilaku transaksi tersebut terkandung dalam catatan transaksi pelanggan yang telah didokumentasikan (Chen dan Cheng 2009). Dengan demikian, identifikasi karakteristik pelanggan ritel dapat dilakukan berdasarkan catatan transaksinya. Walaupun penerapan strategi manajemen hubungan pelanggan pada masing-masing pelanggan sesuai karakteristiknya efektif untuk dilakukan, namun hal tersebut tidak efisien berdasarkan biaya yang harus disediakan perusahaan. Karena itu, pelanggan ritel perlu disegmentasi. PT United Tractors Tbk. merupakan perusahaan distributor alat berat yang bergerak pada penyediaan jasa dan alat berat kelas dunia di Indonesia. Bisnis PT United Tractors Tbk. dijalankan dalam tiga unit usaha, yaitu mesin konstruksi, kontraktor penambangan, dan pertambangan. PT United Tractors Tbk. memiliki pusat kontak pelayanan pelanggan dengan nama UT Call. UT Call memiliki program pelayanan bernama Telesales, yaitu program pemasaran dengan memanfaatkan kemajuan teknologi informasi dan komunikasi. Telesales berfokus pada transaksi pelanggan ritel dari bisnis suku cadang. Pelanggan ritel pada bisnis suku cadang PT United Tractors Tbk. yang bertransaksi melalui Telesales belum tersegmentasi secara spesifik. Kondisi tersebut memunculkan gagasan untuk melakukan segmentasi pelanggan ritel bisnis suku cadang PT United Tractors Tbk. yang bertransaksi melalui Telesales berdasarkan catatan transaksinya. Catatan transaksi pelanggan ritel bisnis suku cadang PT United Tractors Tbk. terdiri atas beberapa peubah transaksi dengan bobot masing-masing yang belum diketahui. Bobot peubah transaksi dapat ditentukan dengan Analisis komponen utama (AKU). Pembobotan dengan AKU akan menghasilkan bobot bagi setiap peubah transaksi. Bobot peubah transaksi tersebut mencerminkan besarnya keragaman peubah transaksi yang dijelaskan oleh komponen utama terpilih (Sumertajaya 2005). Selain untuk menentukan bobot peubah transaksi, AKU digunakan untuk meringkas informasi karakteristik pelanggan ritel dari peubah-peubah transaksi ke dalam sesedikit mungkin komponen utama yang memuat sebagian besar informasi karakteristik pelanggan ritel. AKU merupakan analisis dengan ide dasar mengakomodasi informasi keragaman dari data dalam sesedikit mungkin komponen utama pertama (Jolliffe 2002). Peubah transaksi dengan bobotnya masing-masing dikombinasi menjadi skor transaksi bagi setiap
2 pelanggan. Skor transaksi digunakan sebagai dasar segmentasi, sedangkan segmentasi pelanggan dapat dilakukan dengan plot titik skor transaksi dan analisis gerombol. Analisis gerombol yang digunakan untuk melakukan segmentasi adalah metode berhierarki yaitu metode Ward dan tidak berhierarki yaitu algoritme krataan. Segmentasi yang dilakukan menghasilkan segmen-segmen pelanggan yang spesifik sehingga PT. United Tractors Tbk. dapat meningkatkan strategi pemasaran dan manajemen hubungan pelanggan ritel suku cadangnya.
Tujuan Penelitian Tujuan penelitian ini adalah melakukan segmentasi terhadap pelanggan ritel bisnis suku cadang PT United Tractors Tbk. yang bertransaksi melalui Telesales berdasarkan catatan transaksi tahun 2012 menggunakan analisis gerombol dengan pembobotan komponen utama terhadap peubah transaksinya.
TINJAUAN PUSTAKA Pembobotan dengan Komponen Utama Ide dasar dari analisis komponen utama adalah mengurangi dimensi dari seperangkat data yang memiliki banyak peubah saling berhubungan dengan tetap mempertahankan sebanyak mungkin keragaman di dalam data. Hal tersebut dilakukan dengan transformasi peubah-peubah asal menjadi peubah-peubah baru yang tidak saling berhubungan. Peubah baru yang dihasilkan disebut sebagai komponen utama. Komponen utama merupakan kombinasi linear dari peubahpeubah asal dan mengandung keragaman dari peubah-peubah asal secara berurutan dari kandungan keragaman tertinggi hingga terendah. Kandungan keragaman tertinggi terdapat pada komponen utama pertama, dan terus menurun hingga komponen utama terakhir. Dengan demikian, sebagian besar informasi keragaman dari data dapat termuat dalam sesedikit mungkin komponen utama pertama (Jolliffe 2002). Analisis komponen utama digunakan pada penelitian Sumertajaya (2005) untuk menentukan bobot bagi masing-masing peubah asal sebelum dikombinasi menjadi peubah tunggal. Bobot masing-masing peubah asal diasumsikan belum diketahui. Misalkan merupakan peubah-peubah asal dengan satuan yang berbeda dan saling berhubungan. Hubungan antarpeubah asal diidentifikasi dengan korelasi Pearson, dalam bentuk matriks ditulis sebagai berikut, [
]
3 dengan ∑ √∑
(
̅ )( ̅ ) ∑
(
̅ ) (
̅ )
adalah korelasi Pearson antara peubah dan , , untuk Nilai objek, dan adalah nilai peubah dan untuk objek ke- , kemudian ̅ dan ̅ adalah rataan peubah dan . Selanjutnya, korelasi Pearson tersebut digunakan untuk memperoleh vektor ciri dan akar ciri dari persamaan . Vektor cirivektor ciri yang berpadanan dengan akar ciri-akar ciri disusun menjadi matriks A dengan kendala untuk , dan untuk . Komponen utama ( ) adalah kombinasi linier dari peubah asal yang ditentukan dari persamaan dengan adalah vektor komponen utama dan adalah vektor peubah asal berukuran . Dengan demikian, persamaan kombinasi linier untuk komponen utama adalah sebagai berikut.
Komponen utama pertama memuat bagian keragaman terbesar dari data. memuat bagian keragaman terbesar kedua yang Komponen utama kedua belum termuat dalam dan keduanya tidak saling berhubungan. Demikian seterusnya hinggan komponen utama terakhir memuat keragaman terkecil yang belum termuat dalam komponen utama-komponen utama sebelumnya. Ragam dari komponen utama ke- diperoleh dengan persamaan: ( ) ( ) ( ) Dengan demikian, kontribusi keragaman dari komponen utama ke- adalah sebesar: ∑ Banyaknya komponen utama yang diambil merupakan komponen utama yang memuat sebagian besar keragaman. Hal tersebut dapat ditentukan berdasarkan persentase keragaman kumulatif yang dicapai hingga mencukupi kriteria yang akan digunakan (Jolliffe 2002). Batas minimal persentase keragaman kumulatif yang digunakan dalam penelitian ini adalah 80%. Bobot peubah asal yang saling berkorelasi, yaitu , ditentukan berdasarkan nilai vektor ciri dalam matriks , yaitu , dan nilai akar ciri dengan persamaan sebagai berikut. √ Misalkan banyaknya komponen utama yang diambil adalah 2, maka bobot bagi peubah asal ke- adalah: √
4 Bobot masing-masing peubah asal mencerminkan besarnya keragaman peubah asal yang dijelaskan oleh komponen utama terpilih (Sumertajaya 2005). Afifi dan Clark (1984) menyatakan bahwa peubah-peubah asal dapat dikombinasi menjadi peubah tunggal sebagai peubah majemuk yang mewakili informasi keragaman dari peubah-peubah asal. Abeyasekara (2005) memberikan persamaan kombinasi peubah-peubah asal menjadi peubah tunggal sebagai jumlah dari perkalian bobot masing-masing peubah asal dengan nilai setiap peubah asal atau ditulis sebagai: Keragaman dari suatu peubah asal tidak independen terhadap satuannya. Karena itu, apabila peubah-peubah asal memiliki satuan yang berbeda maka pengombinasian untuk memperoleh nilai peubah dilakukan setelah peubahpeubah asal tersebut dibakukan (Dillon dan Goldstein 1984). Pembakuan yang digunakan adalah dengan skor z yang diperoleh dari persamaan: ̅ dengan adalah nilai baku dari peubah untuk objek ke- , adalah nilai peubah untuk objek ke- , ̅ adalah rataan peubah , dan adalah standar deviasi peubah . Dengan demikian, semua peubah asal yang telah dibakukan memiliki ragam dan rataan ̅ sehingga persamaan untuk P menjadi: dengan peubah
adalah peubah asal
yang telah dibakukan.
Penggerombolan dengan Algoritme k-rataan Algoritme -rataan merupakan metode penggerombolan tidak berhierarki terhadap sekumpulan objek dengan tujuan menggerombolkan objek-objek tersebut sehingga jarak setiap objek ke pusat gerombol ̅ dalam suatu gerombol bernilai minimal. Salah satu konsep jarak dalam penggerombolan algoritme -rataan adalah jarak Euclidean. Jarak Euclidean suatu objek terhadap pusat gerombol ̅ didefinisikan sebagai: ⁄
(
̅)
[∑(
̅) ]
dengan adalah nilai objek pada peubah , ̅ adalah nilai rataan peubah pada pusat gerombol ̅, dan merupakan banyaknya peubah yang diamati. Langkah-langkah dalam penggerombolan dengan menggunakan algoritme k-rataan adalah sebagai berikut (Johnson dan Wichern 2007): 1. Menentukan nilai sebagai banyaknya gerombol yang akan dibentuk. 2. Menentukan pusat setiap gerombol, yaitu dengan membagi objek menjadi gerombol secara acak. 3. Menghitung nilai rataan peubah yang digunakan dalam penggerombolan berdasarkan pusat gerombol yang terbentuk. 4. Menghitung matriks jarak Euclidean antara objek dan setiap pusat gerombol yang dibentuk. Matriks jarak ini berdimensi dengan adalah banyaknya objek yang digerombolkan.
5 5.
6.
7.
Membandingkan nilai jarak Euclidean pada setiap baris dan memilih nilai jarak terkecil, kemudian mengecek kesesuaian objek dengan nilai jarak terkecil itu terhadap pusat gerombol yang telah dibentuk. Jika objek dengan nilai jarak terkecil tidak sesuai dengan pusat gerombol yang telah dibentuk maka langkah selanjutnya adalah membentuk gerombol baru berdasarkan nilai jarak Euclidean terkecil tersebut. Ulangi langkah ke-2 sampai ke-6 hingga tidak ada lagi pembentukan gerombol baru. Penggerombolan dengan Metode Ward
Mattjik dan Sumertajaya (2011) menyebutkan metode penggerombolan berhierarki memiliki keunggulan tersendiri yaitu penggerombolan terjadi secara alamiah. Penggerombolan berhierarki tidak memungkinkan adanya perpindahan objek selama proses penggerombolan sehingga suatu objek yang telah masuk ke dalam gerombol tertentu tidak akan berpindah ke dalam gerombol lain. Metode penggerombolan berhierarki yang digunakan adalah metode aglomeratif. Metode aglomeratif berasumsi bahwa terdapat gerombol yang masing-masing beranggotakan satu objek. Dua gerombol paling dekat digabung menjadi satu gerombol yang dilakukan seterusnya hingga diperoleh satu gerombol yang beranggotakan semua objek (Dillon dan Goldstein 1984). Penggabungan gerombol dilakukan dengan berbagai cara, di antaranya dengan menggunakan metode Ward, pautan tunggal dan pautan rataan. Metode Ward merupakan prosedur penggerombolan berhierarki yang meminimalkan hilangnya informasi dalam penggabungan gerombol (Johnson dan Wichern 2007). Rencher (2002) menyatakan bahwa metode Ward menggunakan kuadrat jarak dalam gerombol dan kuadrat jarak antargerombol. Misalkan gerombol terbentuk dari gerombol dan , maka nilai sebagai jumlah jarak dalam gerombol bagi gerombol adalah: ̅ )(
∑(
̅ )
Sedangkan jumlah jarak dalam gerombol bagi gerombol secara berurutan adalah:
dengan ̅
∑(
̅ )(
̅ )
∑(
̅ )(
̅ )
(
̅ ) ̅
(
)
dan Keterangan: = banyaknya objek di dalam gerombol AB
dan
masing-masing
6 = banyaknya objek di dalam gerombol A = banyaknya objek di dalam gerombol B = objek ke-t di dalam gerombol A = objek ke-u di dalam gerombol B = objek ke-v di dalam gerombol AB ̅ = rataan dalam gerombol AB ̅ = rataan dalam gerombol A ̅ = rataan dalam gerombol B Metode Ward menggabungkan gerombol dan gerombol sehingga peningkatan menjadi minimal. Peningkatan didefinisikan sebagai: ( ) Peningkatan yang minimal sama dengan jarak antargerombol yang minimal. Jika gerombol dan gerombol hanya terdiri atas satu objek dan satu objek maka dan bernilai nol. Dengan demikian, persamaan untuk peningkatan adalah: (
)(
)
(
)
Indeks Hartigan Indeks Hartigan digunakan untuk menentukan banyaknya gerombol terbaik yang memiliki hasil penggerombolan paling ideal. Misalkan terdapat sebanyak objek yang digerombolkan ke dalam gerombol, maka kebaikan penggerombolan ke dalam gerombol tersebut dicerminkan sebagai jumlah total kuadrat galat dari semua objek yang dirumuskan sebagai: ( )
∑
∑
(
)
dengan ( ) merupakan jarak antara nilai objek yang ingin dihitung ( ) dengan nilai pusat gerombol ( ) terdekat. Indeks Hartigan ditentukan sebagai: ( ) ( ) ( ) ( )( ) ( ) Penentuan indeks Hartigan dilakukan pada rentang banyaknya gerombol yang diinginkan, misal dari sampai dengan . Peningkatan dari menjadi dilakukan dengan memisah salah satu gerombol menjadi dua gerombol. ( ) tidak meningkat seiring peningkatan sehingga indeks Hartigan Nilai merupakan ukuran beda kuadrat galat saat banyaknya gerombol meningkat dari menjadi . Nilai indeks Hartigan maksimal menunjukkan penggerombolan optimal menjadi dengan beda kuadrat galat tertinggi. Dengan demikian, banyaknya gerombol optimal adalah dengan indeks Hartigan maksimal dari dari menjadi (Hartigan 1975).
7 Persentase Kepadatan Gerombol Persentase kepadatan gerombol ditentukan oleh keragaman dalam gerombol dan antargerombol. Penggerombolan yang ideal memiliki keragaman dalam gerombol yang rendah dan keragaman antargerombol yang tinggi. Jika terdapat gerombol dan setiap gerombol memiliki banyaknya objek anggota dengan dan adalah pusat gerombol ke- , maka keragaman dari gerombol ke- yaitu dihitung dengan: ∑
(
)
sedangkan keragaman dalam gerombol adalah: ∑ ( ) dengan N adalah total banyaknya objek. Selanjutnya, keragaman antargerombol terhadap rataan dari keseluruhan amatan dihitung dengan: ∑ ( ) dengan adalah rataan dari nilai seluruh objek. Persentase kepadatan gerombol ditentukan dengan perbandingan antara dan yang dirumuskan:
Nilai yang minimal menunjukkan penggerombolan yang ideal (Barakbah dan Arai 2004).
BAHAN DAN METODE Bahan Tabel 1 Daftar ringkasan aspek transaksi sebagai peubah yang digunakan dalam segmentasi No Aspek Transaksi Peubah Keterangan 1 Total nomor dokumen Frekuensi transaksi (bill) transaksi 2 Total month terjadinya Banyaknya bulan dilakukannya transaksi transaksi 3 Kuantitas Total banyaknya produk suku cadang yang dibeli 4 Total nomor kode suku Total banyaknya jenis produk cadang (part number) suku cadang yang dibeli 5 Penjualan (Sales) Total nilai transaksi Data yang digunakan dalam penelitian ini adalah data transaksi melalui Telesales yang dilakukan oleh pelanggan ritel bisnis suku cadang PT United Tractors Tbk. tahun 2012. Banyaknya transaksi pelanggan ritel suku cadang pada
8 data tersebut adalah 2,152 transaksi, dilakukan oleh 215 pelanggan. Data berisi aspek-aspek transaksi pelanggan ritel. Aspek-aspek transaksi dalam data kemudian diringkas sesuai keperluan penelitian menjadi peubah-peubah asal yang digunakan dalam segmentasi pelanggan ritel. Peubah asal dari hasil peringkasan aspek-aspek transaksi tersebut ditampilkan pada Tabel 1 sebagai peubah asal dengan . Tabel 2 menampilkan nilai peubah X masing-masing pelanggan ritel. Tabel 2 Nilai peubah Nomor ID pelanggan ... 22501 22931 22944 23124 ...
masing-masing pelanggan ritel
X1
X2
X3
X4
X5
... 23 7 2 2 ...
... 8 3 2 2 ...
... 134 36 2 24 ...
... 27 12 2 4 ...
... 38,957,230 4,450,000 1,416,380 6,265,800 ...
Metode Metode yang digunakan dalam penelitian ini adalah sebagai berikut. Melakukan eksplorasi data dengan menggunakan statistika deskriptif terhadap semua peubah untuk mengetahui gambaran umum karakteristik transaksi yang dilakukan pelanggan ritel bisnis suku cadang PT United Tractors Tbk. melalui Telesales pada tahun 2012. Memeriksa korelasi antarpeubah untuk mengetahui hubungan 2. antarpeubah. Peubah memiliki satuan berbeda-beda sehingga pemeriksaaan korelasi dilakukan dengan menggunakan korelasi Pearson. 3. Melakukan analisis komponen utama terhadap peubah berdasarkan korelasi Pearson yang telah diperoleh. Analisis komponen utama dilakukan untuk meringkas dimensi peubah dan menentukan bobot bagi setiap peubah asal . Peubah asal yang dibakukan menjadi peubah dikombinasi untuk memperoleh skor transaksi. Skor transaksi sebagai peubah tunggal majemuk memuat sebagian besar informasi dari peubah asal. 4. Melakukan segmentasi berdasarkan skor transaksi masing-masing pelanggan ritel. Segmentasi dilakukan dengan plot titik skor transaksi, algoritme -rataan, dan metode Ward. Banyaknya segmen optimal dalam penggerombolan dengan algoritme -rataan dan metode Ward ditentukan berdasarkan nilai indeks Hartigan. 5. Menghitung nilai persentase kepadatan gerombol dari masing-masing hasil segmentasi untuk mengetahui hasil segmentasi yang ideal. 6. Melakukan interpretasi terhadap hasil segmentasi pelanggan ritel yang ideal dengan meninjau kembali pada peubah-peubah asalnya. Alat analisis yang digunakan dalam analisis komponen utama, penggerombolan algoritme -rataan dan metode Ward adalah R versi 3.1.2. 1.
9
HASIL DAN PEMBAHASAN Eksplorasi Data Eksplorasi data dilakukan untuk mengidentifikasi gambaran umum mengenai transaksi pelanggan ritel bisnis suku cadang PT United Tractors Tbk. yang dilakukan melalui Telesales. Gambar 1 menampilkan grafik banyaknya pelanggan yang melakukan transaksi dan banyaknya transaksi pada setiap bulan. Rataan pelanggan yang melakukan transaksi pada setiap bulan adalah 79 pelanggan dengan galat baku 3.78. Banyaknya pelanggan ritel terbesar yang melakukan transaksi terjadi pada bulan November, yaitu 102 pelanggan. Sedangkan banyaknya pelanggan ritel terkecil yang bertransaksi terjadi pada bulan Februari, yaitu sebanyak 59 pelanggan. Rataan catatan transaksi yang dilakukan setiap bulan adalah 179 transaksi dengan galat baku 9.24. Banyaknya transaksi tertinggi terjadi pada bulan Oktober, yaitu sebanyak 227 transaksi. Sedangkan banyaknya transaksi terendah terjadi pada bulan Januari, yaitu sebanyak 124 transaksi. Dengan demikian, ada 5 bulan dalam tahun 2012 yang banyaknya transaksi per bulannya lebih kecil dari rataan transaksi setiap bulan, yaitu pada bulan Januari, Februari, Maret, April, dan Agustus. Hal tersebut menunjukkan bahwa transaksi cenderung semakin meningkat, kecuali pada pertengahan tahun 2012. 250
227 193 192
200
200
214 199
183
170 170
Banyaknya
152 150
124 128
100 64
59
72
83
86
68
78
50
73
83
95 102 93
Pelanggan Transaksi
0 Jan Feb Mar Apr Mei Jun
Jul Agu Sep Okt Nov Des
Bulan
Gambar 1 Grafik banyaknya pelanggan ritel yang melakukan transaksi melalui Telesales dan banyaknya transaksi pelanggan ritel bisnis suku cadang yang terjadi setiap bulan sepanjang tahun 2012 Korelasi antara banyaknya pelanggan yang melakukan transaksi dan banyaknya transaksi yang dilakukan adalah 0.90 dengan p-value kurang dari 0.05. Hal tersebut berarti bahwa terdapat hubungan positif signifikan antara banyaknya pelanggan yang melakukan transaksi dengan banyaknya transaksi per bulan.
10 Banyaknya transaksi meningkat seiring dengan peningkatan banyaknya pelanggan yang melakukan transaksi. Gambar 2 adalah persentase banyaknya pelanggan berdasarkan banyaknya bulan transaksinya melalui Telesaes selama tahun 2012. Program Telesales memiliki peringkat bagi pelanggan ritelnya berdasarkan banyaknya bulan transaksi. Peringkat tersebut adalah A untuk pelanggan yang bertransaksi dalam 10 hingga 12 bulan, peringkat B untuk pelanggan yang bertransaksi dalam 7 hingga 9 bulan, peringkat C untuk pelanggan yang bertransaksi dalam 4 hingga 6 bulan, dan peringkat D untuk pelanggan yang bertransaksi dalam 1 hingga 3 bulan. Sebanyak 8.84% pelanggan ritel merupakan pelanggan peringkat A, 17.67% adalah pelanggan ritel dengan peringkat B, 22.33% merupakan pelanggan dengan peringkat C, dan 51.16% adalah pelanggan dengan peringkat D.
8 3.72%
9 6.05%
12 10 11 3.72% 2.79% 2.33%
1 20.93%
7 7.91%
2 14.88%
6 6.98% 5 6.05% 4 9.30%
3 15.35%
Gambar 2 Diagram lingkaran persentase pelanggan ritel peringkat A ( ), B ( ), C ( ), dan D ( ) pada setiap banyaknya bulan transaksi tahun 2012 Pelanggan ritel peringkat A yang melakukan transaksi setiap bulan adalah sebanyak 2.79% dari total jumlah pelanggan ritel. Pelanggan peringkat A yang bertransaksi dalam 10 dan 11 bulan secara berurutan adalah 2.33% dan 3.72%. Selanjutnya, pelanggan peringkat B sebanyak 17.67% adalah total dari 7.91% pelanggan ritel yang bertransaksi dalam 7 bulan, 3.72% pelanggan yang bertransaksi dalam 8 bulan, dan 6.05% pelanggan yang bertransaksi dalam 9 bulan. Sebanyak 22.33% pelanggan ritel peringkat C melakukan transaksi dalam 4 hingga 6 bulan dengan rincian dari jumlah total pelanggan ritel adalah 9.30% bertransaksi dalam 4 bulan, 6.05% bertransaksi dalam 5 bulan, dan 6.98% bertransaksi dalam 6 bulan. Lebih dari setengah total banyaknya pelanggan ritel, yaitu 51.16% pelanggan ritel hanya melakukan transaksi dalam 1 hingga 3 bulan transaksi. Sebanyak 30.23% pelanggan ritel hanya bertransaksi dalam 2 dan 3 bulan, sedangkan sisanya yaitu 20.93% merupakan pelanggan yang bertransaksi hanya pada 1 bulan selama tahun 2012. Gambar 3 menampilkan diagram batang banyaknya produk suku cadang yang dibeli pelanggan ritel melalui Telesales setiap bulan. Rataan banyaknya suku cadang yang dibeli pelanggan ritel melalui Telesales setiap bulan adalah sebanyak 1,943 suku cadang dengan galat baku 686.95. Banyaknya suku cadang yang dibeli pelanggan ritel tertinggi terjadi pada bulan Desember dengan total 3,172
11 sedangkan banyaknya suku cadang terendah terjadi pada bulan Januari dengan total 860 suku cadang. Meskipun demikian, banyaknya suku cadang yang dibeli setiap bulan tidak mengalami peningkatan secara berkesinambungan dari bulan Januari hingga Desember 2012.
Banyaknya suku cadang
3,500
3,087 3,172
3,000 2,316 2,168 2,134 1,863 1,879 1,537 1,542 1,436 1,327
2,500 2,000 1,500 860
1,000 500 0
Jan Feb Mar Apr Mei Jun Jul Agu Sep Okt Nov Des Bulan
Gambar 3 Diagram batang banyaknya suku cadang yang dibeli pelanggan ritel melalui Telesales setiap bulan sepanjang tahun 2012
Banyaknya jenis produk
Banyaknya jenis produk suku cadang yang ditransaksikan pelanggan ritel melalui Telesales setiap bulan ditampilkan pada Gambar 4. Jenis produk suku cadang yang tersedia adalah 23 jenis, di antaranya adalah general, oil, dan filter. Transaksi pelanggan ritel melalui Telesales mencakup semua jenis produk namun tidak semua jenis dibeli oleh pelanggan pada setiap bulannya. Rataan banyaknya jenis produk suku cadang yang dibeli setiap bulan adalah 15 jenis dengan galat baku 2.17. Banyaknya jenis produk bisnis suku cadang yang dibeli tertinggi terjadi pada bulan Desember yaitu sebanyak 19 jenis produk suku cadang. Sedangkan banyaknya jenis produk bisnis suku cadang terendah terjadi pada bulan Agustus yaitu sebanyak 13 jenis produk suku cadang. 20 18 16 14 12 10 8 6 4 2 0
17 13
17
17
18 15
14
19
18 15
15
12
Jan Feb Mar Apr Mei Jun
Jul Agu Sep Okt Nov Des
Bulan
Gambar 4
Diagram batang banyaknya jenis produk suku cadang yang dibeli pelanggan ritel melalui Telesales setiap bulan selama tahun 2012
12 Total besarnya transaksi selama tahun 2012 adalah Rp 18,206,933,575 dari 215 pelanggan ritel bisnis suku cadang yang bertransaksi melalui Telesales. Besarnya nilai transaksi yang diperoleh dari pelanggan ritel setiap bulan ditampilkan pada Gambar 5. Rataan besarnya nilai transaksi yang diperoleh setiap bulan adalah Rp 1,517,244,465 dengan galat baku sebesar Rp 126,319,861. Nilai transaksi terbesar yaitu Rp 2,172,273,037 yang terjadi pada bulan Maret, sedangkan yang terkecil adalah Rp 813,141,910 yang terjadi pada bulan Januari. Rataan besarnya transaksi setiap pelanggan ritel adalah Rp 84,683,412. 2,500
2,172
2,130
Pendapatan (juta)
2,000 1,500 1,000
1,891
1,649 813
1,678 1,445 1,279 1,134
1,197
1,030
1,790
500 0 Jan Feb Mar Apr Mei Jun
Jul Agu Sep Okt Nov Des
Bulan
Gambar 5 Diagram batang nilai transaksi pelanggan ritel bisnis suku cadang melalui Telesales setiap bulan selama tahun 2012
Pemeriksaan Korelasi Tabel 3 Nilai korelasi Pearson peubah 1.00 p-value p-value p-value p-value p-value
0.81 0.00 0.69 0.00 0.90 0.00 0.62 0.02
0.81 0.00 1.00 0.49 0.00 0.74 0.00 0.46 0.00
,
0.69 0.00 0.49 0.00 1.00 0.75 0.00 0.71 0.00
, 0.90 0.00 0.74 0.00 0.75 0.00 1.00 0.68 0.00
,
, dan 0.62 0.02 0.46 0.00 0.71 0.00 0.68 0.00 1.00
Tabel 3 menunjukkan nilai korelasi Pearson bagi kelima peubah yang dianalisis. Korelasi Pearson digunakan untuk mengidentifikasi hubungan linier antarpeubah dengan tipe data numerik (Johnson dan Wichern 2007). Semua nilai p-value kurang dari 0.05 berarti terdapat hubungan linier yang signifikan antara peubah , , , , dan . Korelasi tertinggi terdapat antara peubah dan yaitu 0.90 yang berarti bahwa hubungan linier yang terkuat terdapat antara peubah X1 dan X4. Hubungan linier tinggi terdapat antara peubah dan dan sebesar 0.74, dan serta dan secara berurutan sebesar 0.81, sebesar 0.75 dan 0.71. Hubungan linier positif yang tinggi antara 2 peubah
13 menunjukkan bahwa terjadinya peningkatan atau penuruan nilai kedua peubah terjadi secara bersamaan tanpa adanya hubungan kausalitas. Hubungan linier positif yang rendah ditunjukkan dengan nilai korelasi Pearson yang kurang dari 0.70. Hubungan linier rendah terdapat antara peubah dan sebesar 0.69, dan sebesar 0.62, dan sebesar 0.68, serta yang terendah yaitu antara peubah dan sebesar 0.46. Hubungan linier yang rendah menunjukkan bahwa peningkatan atau penurunan nilai peubah yang satu tidak disertai oleh peubah yang lain secara bersama-sama. Pembobotan dengan Komponen Utama Akar ciri dan kontribusi keragaman akar ciri dari korelasi peubah , , ditampilkan pada Tabel 4. Vektor ciri dari korelasi peubah , , , , dan , , dan ditampilkan pada Tabel 5. Kolom proporsi kontribusi keragaman relatif pada tabel akar ciri matriks korelasi menunjukkan bahwa komponen utama pertama hingga kelima secara berurutan memuat 75.27%, 13.41%, 5.89%, 3.67%, dan 1.75% dari keragaman total. Banyaknya komponen utama yang diambil diidentifikasi berdasarkan persentase kumulatif yang dicapai hingga sama dengan atau lebih dari kriteria cakupan keragaman yang diinginkan (Jolliffe 2002). Besarnya kumulatif keragaman dari komponen utama pertama dan kedua mencapai 88.68%, melebihi kriteria yang diinginkan yaitu 80%. Dengan demikian, banyaknya komponen utama yang diambil adalah 2 komponen utama pertama. Tabel 4
Akar ciri dan kontribusi keragaman dari matriks korelasi peubah , , dan Proporsi kontribusi Kontribusi keragaman Akar ciri keragaman relatif kumulatif 1 3.76 75.27% 75.27% 2 0.67 13.41% 88.68% 3 0.29 5.89% 94.57% 4 0.18 3.67% 98.25% 5 0.09 1.75% 100%
Tabel 5 Vektor ciri dari matriks korelasi peubah 0.48 0.42 0.43 0.49 0.41
-0.27 -0.61 0.46 -0.09 0.57
0.11 -0.26 0.62 0.16 -0.71
,
,
,
-0.39 0.60 0.46 -0.53 0.00
,
,
, dan 0.73 -0.15 0.04 -0.67 0.05
Matriks A diperoleh dari susunan vektor ciri-vektor ciri 2 komponen utama pertama adalah: *
+
14 Sedangkan vektor akar ciri λ adalah:
[ ] Skor komponen utama pertama dan kedua masing-masing pelanggan ritel diperoleh berdasarkan persamaan adalah sebagai berikut.
Komponen utama pertama ( ) memuat semua peubah asal secara hampir merata yang berarti bahwa kelima peubah memiliki dominasi hampir sama bagi . Meskipun demikian, peubah memiliki nilai vektor ciri yang terbesar. Komponen utama kedua ( ) memuat kelima peubah asal secara tidak merata, dengan peubah dan mendominasi secara kontras. Hal demikian diidentifikasi dari tanda nilai vektor cirinya (Dillon dan Goldstein 1984). Skor dan skor bagi masing-masing pelanggan ritel ditampilkan pada Tabel 6. Tabel 6
Skor dan skor masing-masing pelanggan ritel bisnis suku cadang melalui Telesales tahun 2012 Nomor ID pelanggan Skor Skor ... ... ... 23878 3.86 -2.09 24192 4.98 -1.35 24442 3.39 0.03 26002 3.22 -1.01 29097 -1.15 0.16 ... ... ...
Gambar 6 menampilkan plot tebaran pelanggan ritel berdasarkan skor dan skor yang dimiliki. Tebaran pelanggan ritel menunjukkan bahwa sebagian kecil pelanggan ritel memiliki skor dan skor yang berbeda jauh dengan sebagian besar pelanggan ritel. Hal demikian ditunjukkan dengan letak relatifnya yang jauh terhadap pelanggan-pelanggan lain. Sebagian besar dan skor yang tidak jauh berbeda. Hal ini pelanggan ritel memiliki skor ditunjukkan dengan letak relatifnya yang berdekatan dan menggerombol.
15
Gambar 6 Plot tebaran pelanggan ritel ( ) berdasarkan skor
dan skor
Komponen utama pertama dan kedua dikombinasi untuk menentukan persamaan bagi skor transaksi. Untuk menentukan skor transaksi, peubah asal distandardisasi dengan skor- menjadi peubah dengan rataan 0 dan ragam 1, kemudian mengalikannya dengan bobot dari masing-masing peubah asal , lalu menjumlahkannya. Hal demikian dilakukan karena peubah asal memiliki satuan yang berbeda-beda. Bobot dari masing-masing peubah asal berdasarkan dan ditentukan sebagai berikut. √ √
(
)
(
)
(
)
√ √ √ Dengan demikian, persamaan bagi peubah tunggal baru yang terbentuk, yaitu skor transaksi, adalah:
16 Skor transaksi bagi masing-masing pelanggan ritel dan nilai peubah ditampilkan dalam Tabel 7. Nilai peubah pelanggan yang bertanda negatif menunjukkan bahwa nilai peubah asal yang dimiliki pelanggan tersebut berada di bawah rataan dari seluruh pelanggan. Sedangkan nilai peubah yang positif menunjukkan sebaliknya. Misalkan pelanggan ritel dengan nomor ID 11674 memiliki nilai hingga secara berurutan adalah 0.00, -0.45, 0.15, 0.84, dan 0.44. Dengan demikian berarti bahwa nilai pelanggan ritel tersebut pada peubah dan lebih rendah daripada rataan dari seluruh pelanggan ritel. Sedangkan untuk peubah dan , pelanggan ritel dengan nomor ID 11674 memiliki nilai yang lebih tinggi daripada rataan dari seluruh pelanggan ritel. Nilai rataan bagi peubah hingga secara berurutan adalah 10.00, 4.43, 108, 28.69, dan Rp 84,683,412. Nilai pelanggan ritel dengan nomor ID 11674 untuk setiap peubah secara berurutan adalah 10, 3, 137, 64, dan Rp 3,491,500. Dengan demikian, tampak bahwa nilai pelanggan ritel tersebut pada peubah dan lebih rendah dan daripada rataan dari seluruh pelanggan ritel sedangkan untuk peubah lebih tinggi daripada rataan dari seluruh pelanggan ritel. Tabel 7 Nilai peubah dan skor transaksi masing-masing pelanggan ritel bisnis suku cadang melalui Telesales tahun 2012 Nomor ID Skor pelanggan Transaksi ... ... ... ... ... ... ... 28959 -0.44 -0.45 -0.34 -0.42 -0.40 -1.15 27948 0.58 2.07 1.27 2.77 0.43 3.71 11293 2.39 2.07 2.28 1.46 0.47 4.74 -0.35 11674 0.00 -0.45 0.15 0.84 -0.44 ... ... ... ... ... ... ... Segmentasi dengan Menggunakan Plot Titik
Gambar 7
Plot titik segmentasi pelanggan ritel bisnis suku cadang melalui Telesales tahun 2012 berdasarkan skor transaksi
17 Segmentasi dengan menggunakan plot titik skor transaksi setiap pelanggan ritel ditunjukkan pada Gambar 7. Pelanggan ritel yang memiliki selisih skor transaksi relatif lebih kecil dimasukkan ke dalam satu segmen sedangkan pelanggan dengan selisih skor transaksi yang lebih besar dipisahkan ke dalam segmen yang lain. Banyaknya segmen yang terbentuk ditentukan berdasarkan banyaknya gerombol dari skor transaksi berdekatan. Pemisahan segmen dilakukan pada selisih skor transaksi yang besar. Dengan demikian, banyaknya segmen yang terbentuk adalah 5. Gambar 8 menampilkan plot tebaran hasil segmentasi pelanggan ritel berdasarkan plot titik skor transaksi. Segmen-segmen pelanggan terbentuk berdasarkan skor transaksi sesuai dengan skor dan skor yang dimiliki. lebih mendominasi dalam Walaupun demikian, tampak bahwa nilai skor pembentukan segmen. Hal demikian disebabkan karena memuat persentase keragaman yang lebih besar daripada . Sebagian kecil pelanggan ritel memiliki skor dan skor yang jauh lebih tinggi dibandingkan dengan sebagian besar pelanggan ritel lainnya. Pelanggan ritel dengan skor dan skor tinggi tersegmentasi ke dalam segmen-segmen yaitu Segmen 1, Segmen 2, dan Segmen 3 sehingga segmen-segmen tersebut terdiri atas sedikit pelanggan ritel. Sebagian besar pelanggan ritel masuk ke dalam segmen dengan skor dan skor yang relatif lebih rendah, yaitu Segmen 4 dan Segmen 5 dengan banyaknya anggota terbesar. Segmentasi dengan menggunakan plot titik skor transaksi menyebarkan pelanggan ritel ke dalam 5 segmen dengan persentase 1.40%, 1.40%, 0.93%, 6.51%, dan 89.77%.
Gambar 8 Plot tebaran segmentasi pelanggan ritel dengan menggunakan plot titik untuk segmen 1 ( ), segmen 2 ( ), segmen 3 ( ), segmen 4 ( ), dan segmen 5 ( ) berdasarkan skor dan skor
18 Segmentasi dengan Algoritme -rataan Analisis gerombol tidak berhierarki yang digunakan untuk melakukan segmentasi terhadap skor transaksi pelanggan ritel adalah algoritme -rataan. Banyaknya gerombol dievaluasi dari 2 hingga 9. Gambar 9 menunjukkan bahwa perubahan nilai indeks Hartigan terbesar terjadi pada menuju , yaitu dari 225.10 menjadi 52.80 atau sebesar 172.30. Dengan demikian, banyaknya segmen optimal bagi segmentasi dengan penggerombolan tidak berhierarki menggunakan algoritme -rataan adalah 4. Gambar 10 menampilkan plot hasil segmentasi pelanggan ritel dengan algoritme -rataan pada bidang skor terhadap skor . Pelanggan ritel bisnis suku cadang PT United Tractors Tbk. yang bertransaksi melalui Telesales secara berurutan terbagi ke dalam segmen 1 hingga segmen 4 dengan persantase 2.79%, 12.09%, 54.88%, dan 30.23%.
Gambar 9 Nilai indeks Hartigan untuk masing-masing banyaknya segmen pada segmentasi pelanggan ritel bisnis suku cadang dengan menggunakan algoritme -rataan
19
Gambar 10
Plot tebaran segmentasi pelanggan ritel dengan menggunakan algoritme k-rataan untuk segmen 1 ( ), segmen 2 ( ), segmen 3 ( ), dan segmen 4 ( ) berdasarkan skor dan skor Segmentasi dengan Metode Ward
Gambar 11 Nilai indeks Hartigan untuk masing-masing banyaknya segmen pada segmentasi pelanggan ritel bisnis suku cadang dengan menggunakan metode Ward Penggerombolan berhierarki yang digunakan terhadap skor transaksi pelanggan ritel adalah metode Ward. Banyaknya gerombol sebagai dievaluasi
20 dari 2 hingga 9. Gambar 11 menunjukkan bahwa perubahan nilai indeks Hartigan terbesar terjadi pada menuju , yaitu dari 9.46 menjadi 353.22 atau sebesar 343.76. Dengan demikian, banyaknya segmen optimal bagi segmentasi dengan penggerombolan berhierarki menggunakan metode Ward adalah 7. Gambar 12 menampilkan plot hasil segmentasi pelanggan ritel dengan metode terhadap skor . Pelanggan ritel bisnis suku Ward pada bidang skor cadang PT United Tractors Tbk. yang bertransaksi melalui Telesales secara berurutan terbagi ke dalam segmen 1 hingga segmen 7 dengan persantase 17.67%, 6.51%, 3.27%, 12.09%, 21.40%, 11.63%, dan 26.98%.
Gambar 12
Plot tebaran segmentasi pelanggan ritel dengan menggunakan metode Ward untuk segmen 1 ( ), segmen 2 ( ), segmen 3 ( ), segmen 4 ( ), segmen 5 ( ), segmen 6 ( ), dan segmen 7 ( ) berdasarkan skor dan skor
Evaluasi Hasil Segmentasi Segmentasi pelanggan ritel bisnis suku cadang PT United Tractors Tbk. yang bertransaksi melalui Telesales telah dilakukan dengan menggunakan plot titik, analisis gerombol berhierarki dan tidak berhierarki. Evaluasi untuk mengidentifikasi hasil yang ideal dilakukan dengan membandingkan nilai persentase kepadatan gerombol. Nilai persentase kepadatan gerombol diperoleh dari rasio antara keragaman intergerombol terhadap keragaman antargerombol. Penggerombolan yang ideal memiliki keragaman intergerombol yang rendah dan keragaman antargerombol yang tinggi (Barakbah dan Arai 2004; Mattjik dan Sumertajaya 2011). Dengan demikian, metode segmentasi yang tepat adalah yang memiliki persentase kepadatan gerombol yang kecil.
21 Tabel 8 menunjukkan nilai-nilai keragaman dalam gerombol, antargerombol, dan persentase kepadatan gerombol bagi ketiga metode segmentasi pelanggan ritel PT United Tractors Tbk. Nilai-nilai tersebut menunjukkan bahwa keragaman dalam gerombol hasil segmentasi dengan algoritme -rataan adalah yang paling rendah. Walaupun demikian, nilai keragaman antargerombol yang paling tinggi dihasilkan oleh segmentasi dengan menggunakan metode Ward. Persentase kepadatan gerombol yang diperoleh untuk segmentasi dengan plot titik, algoritme -rataan, dan metode Ward secara berurutan adalah 0.49%, 0.13%, dan 3.68%. Hal tersebut menunjukkan bahwa hasil segmentasi dengan penggorombolan tidak berhierarki, yaitu dengan algoritme -rataan, merupakan hasil segmentasi yang ideal untuk pelanggan ritel bisnis suku cadang PT United Tractors Tbk. yang melakukan transaksi melalui Telesales pada tahun 2012. Tabel 8 Nilai-nilai keragaman dalam gerombol, antargerombol, dan persentase kepadatan gerombol bagi ketiga metode segmentasi pelanggan ritel PT United Tractors Tbk. Metode plot titik skor transaksi 1.81 241.70 0.49%
Algoritme Metode Ward -rataan 575.11 0.48 15,604.68 371.17 3.68% 0.13%
Interpretasi Hasil Segmentasi Ideal
Gambar 13 Diagram kotak garis masing-masing segmen hasil segmentasi ideal pelanggan ritel bisnis suku cadang PT United Tractors Tbk. tahun 2012 Diagram kotak garis segmen 1 hingga segmen 4 ditampilkan dalam Gambar 13. Rataan skor transaksi masing-masing segmen menunjukkan bahwa rataan
22 terbesar dimiliki oleh segmen 1, kemudian diikuti oleh segmen 2, segmen 4 dan segmen 3. Segmen 3 memiliki rataan skor transaksi paling rendah. Meskipun tampak adanya kemenjuluran pada setiap segmen namun tidak ada pencilan yang terindentifikasi. Nilai rataan skor transaksi dan masing-masing peubah asal pada setiap segmen ditunjukkan pada Tabel 9 sedangkan interpretasi masingmasing segmen berdasarkan skor transaksi dan masing-masing peubah asal transaksi diuraikan sebagai berikut. Tabel 9 Nilai rataan skor transaksi dan masing-masing peubah asal segmen Segmen 1 2 3 4
̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
9.91 3.35 -1.39 0.27
̅ 63.67 28.08 3.08 10.42
̅ 11.17 9.38 2.17 5.94
̅ 887.83 282.27 32.34 105.22
̅ 199.33 84.96 8.43 27.23
pada setiap
̅ Rp 841,986,343 Rp 248,778,097 Rp 22,633,013 Rp 61,785,991
Segmen 1 Pelanggan dalam segmen 1 memiliki rataan skor transaksi terbesar yaitu 9.91. Persentase banyaknya pelanggan ritel dalam segmen 1 adalah 2.79% dari keseluruhan pelanggan ritel, yaitu sebanyak 6 pelanggan ritel. Rataan frekuensi transaksi yang dimiliki adalah 66.67 transaksi sepanjang tahun 2012. Rataan banyaknya bulan transaksi sebesar 11 bulan, menunjukkan bahwa pelanggan ritel segmen 1 bertransaksi secara intensif hampir pada setiap bulan selama tahun 2012. Rataan jumlah produk dan jenis produk yang dibeli secara berurutan adalah 887.33 dan 199.33. Pelanggan segmen 1 melakukan transaksi suku cadang dengan banyaknya jenis produk suku cadang terbesar. Nilai transaksi pelanggan pada segmen 1 memiliki rataan sebesar Rp 841,986,343 dengan total kontribusi terhadap penerimaan perusahaan dari bisnis suku cadang ritel Telesales sebesar Rp 5,051,918,062. Hal demikian berarti bahwa pelanggan ritel dalam segmen 1 memiliki kontribusi yang paling besar bagi penerimaan perusahaan dari transaksi bisnis suku cadang ritel. Rataan nilai transaksi pelanggan segmen 1 lebih besar daripada rataan nilai transaksi keseluruhan pelanggan ritel yaitu Rp 84,683,412. Secara umum, pelanggan segmen 1 berpotensi besar untuk terus dipertahankan hubungannya dengan perusahaan. Segmen 2 Besarnya rataan skor transaksi segmen 2 adalah 3.35, merupakan rataan skor transaksi terbesar kedua. Banyaknya pelanggan dalam segmen 2 adalah 12.09% atau sebanyak 26 pelanggan. Rataan frekuensi transaksi setiap pelanggan sepanjang tahun 2012 adalah 28.08 kali dengan rataan bulan transaksi adalah 9.38. Hal demikian berarti bahwa pelanggan segmen 2 memiliki konsistensi transaksi yang cukup tinggi dengan bertransaksi pada 9 bulan selama tahun 2012. Banyaknya produk suku cadang yang dibeli memiliki rataan 282.27 untuk 84.96 jenis produk suku cadang secara rataan. Besarnya kontribusi nilai transaksi bagi penerimaan perusahaan adalah yang terbesar, yaitu Rp 6,648,230,537 dengan rataan kontribusi setiap anggotanya sebesar Rp 284,778,097. Rataan kontribusi pelanggan yang termasuk dalam segmen 2 lebih besar daripada rataan kontribusi
23 nilai individu secara keseluruhan, yaitu Rp 84,683,412. Segmen 2 juga merupakan segmen dengan potensi yang besar untuk dipertahankan eksistensinya terhadap perusahaan. Segmen 3 Besarnya rataan skor transaksi segmen 3 adalah yang terkecil, yaitu -1.39. Rataan skor transaksi yang bernilai negatif menunjukkan bahwa secara umum, segmen 3 memiliki rataan nilai peubah transaksi yang lebih rendah daripada rataan nilai peubah transaksi secara umum. Pelanggan ritel yang menjadi anggota segmen 3 adalah 118 pelanggan ritel dengan persentase 54.88% dari keseluruhan banyaknya pelanggan ritel bisnis suku cadang yang bertransaksi melalui Telesales. Rataan frekuensi transaksi yang dilakukan adalah 3 kali sepanjang tahun 2012. Setiap anggota segmen 3 memiliki rataan bulan transaksi per tahun sebanyak 2.17 bulan. Hal tersebut menunjukkan rendahnya konsistensi pelanggan ritel pada segmen 3 dalam bertransaksi dengan perusahan. Banyaknya produk suku cadang yang dibeli secara rataan adalah 32.34 untuk 8.43 jenis suku cadang secara rataan. Nilai transaksi yang dikontribusikan untuk penerimaan perusahaan adalah Rp 2,670,695,552 dengan rataan nilai untuk setiap anggotanya adalah Rp 22,633,013. Rataan nilai transaksi tersebut jauh lebih rendah daripada rataan individu pelanggan secara keseluruhan. Pelanggan anggota segmen 3 kemungkinan adalah pelanggan accidental, yaitu yang melakukan transaksi hanya sewaktu-waktu. Dengan demikian, segmen 3 termasuk segmen dengan potensi kecil untuk terus dipertahankan komunikasinya dan sebaiknya lebih distimulasi agar loyalitas dalam bertransaksi dengan perusahaan semakin meningkat. Survey evaluasi terhadap kinerja manajemen hubungan pelanggan yang diterapkan dapat dilakukan pada segmen 3 sebagai segmen yang tidak loyal terhadap perusahaan. Segmen 4 Skor transaksi yang dimiliki pelanggan ritel segmen 4 adalah terbesar ketiga, yaitu 0.27. Banyaknya pelanggan dalam segmen 4 adalah 30.23% dari keseluruhan pelanggan atau sebanyak 65 pelanggan. Rataan frekuensi transaksi yang dilakukan adalah sebanyak 10.42 kali sepanjang tahun 2012. Setiap pelanggan anggota segmen 4 memiliki rataan bulan transaksi per tahun sebanyak 5 bulan. Banyaknya produk suku cadang yang dibeli melalui Telesales secara rataan adalah 105.22 dengan rataan jenis produk 27.23. Besarnya kontribusi nilai transaksi yang diberikan adalah Rp 4,179,788,351 dengan rataan kontribusi setiap pelanggan sebesar Rp 298,556,311. Rataan nilai transaksi individu pelanggan ritel segmen 4 lebih besar daripada rataan nilai transaksi individu secara keseluruhan pelanggan ritel bisnis suku cadang secara keseluruhan. Segmen 4 merupakan segmen dengan potensi kontribusi nilai transaksi terbesar ketiga bagi penerimaan perusahaan dari bisnis suku cadang ritel.
24
SIMPULAN DAN SARAN Simpulan Penelitian ini telah memaparkan segmentasi pelanggan ritel bisnis suku cadang PT United Tractors Tbk. berdasarkan catatan transaksi pelanggan dengan pembobotan analisis komponen utama. Catatan transaksi pelanggan yang mengandung informasi karakteristik pelanggan ritel diringkas menjadi peubahpeubah transaksi. Peubah-peubah transaksi tersebut dikombinasi untuk memperoleh skor transaksi masing-masing pelanggan ritel. Bobot setiap peubah transaksi yang belum diketahui diperoleh dengan analisis komponen utama sehingga bobot setiap peubah transaksi mencakup informasi keragamannya. Bobot peubah transaksi yang diperoleh adalah 0.42 untuk frekuensi transaksi, 0.78 untuk banyaknya bulan transaksi, 0.61 untuk banyaknya produk suku cadang, 0.28 untuk banyaknya jenis produk suku cadang dan 0.72 untuk nilai transaksi selama tahun 2012. Pembagian pelanggan ritel ke dalam segmen-segmen dilakukan dengan plot titik skor transaksi, analisis gerombol berhierarki, dan tidak berhierarki. Identifikasi hasil segmentasi ideal dengan menghitung nilai persentase kepadatan gerombol dari masing-masing hasil segmentasi menunjukkan bahwa hasil segmentasi ideal diperoleh dengan algoritme -rataan. Segmentasi -rataan menghasilkan 4 segmen pelanggan ritel PT United Tractors Tbk. Rataan skor transaksi bagi segmen 1 hingga 4 secara berurutan adalah 9.91, 3.34, -1.39, dan 0.27. Pelanggan ritel bisnis suku cadang yang bertransaksi melalui Telesales terbagi ke dalam 4 segmen dengan persentase 2.79%, 12.09%, 54.88%, dan 30.23%. Setiap segmen memiliki karakteristik transaksi tertentu yang dapat menjadi acuan dalam penerapan manajemen hubungan pelanggan. Saran Perilaku pelanggan dapat berubah dari sebelumnya sehingga menyebabkan perubahan pada segmen-segmen pelanggan, baik karakteristik segmen maupun keanggotaannya. Karena itu, analisis terhadap perilaku transaksi pelanggan dan segmentasi perlu dilakukan kembali dalam jangka waktu tertentu. Penelitian selanjutnya dapat dikembangkan pada analisis terhadap produk suku cadang dan segmentasi pelanggan berdasarkan suku cadang yang dibeli, serta prediksi customer lifetime value pelanggan yang tidak dilakukan dalam penelitian ini.
25
DAFTAR PUSTAKA Abeyasekara S. 2005. Multivariate methods for index construction. Di dalam: Ajayi O, Biemer P, Cohen SB, Eltinge J, Glewwe P, Graubard B, Haslett S, Heeringa S, Jabine T, Jones G, Kalsbeek WD, Kalton G, Kiregyra B, Kordos J, Kott P, Krotki K, Lepkowski J, Maligalig D, Marker D, Munoz J, Nathan G, O’Muircheartaigh, Pember R, Santos R, Silva P, Turner A, Yansaneh I, editor. Household Sample Surveys in Developing and Transition Countries; 2005 Okt 8-10; New York, Amerika Serikat. New York (US): United Nations. hlm 367387. Afifi AA, Clark V. 1984. Computer-aided Multivariate Analysis. New York (US): Van Nostrand Reinhold. Barakbah AR, Arai K. 2004. Reverse pattern of moving variance for accelerating automatic clustering. J of EEPIS.9(2):15-21. Chen YS, Cheng CH. 2009. Classifying the segmentation of customer value via RFM model and RS theory. Expert Systems with Applications. 36(3):41764184.doi:10.1016/j.eswa.2008.04.003. Dillon WR, Goldstein M. 1984. Multivariate Analysis. New York (US): J Wiley. Hartigan JA. 1975. Clustering Algorithms. New York (US): John Wiley and Sons, Inc. Johnson RA, Wichern DW. 2007. Applied Multivariate Statistical Analysis 6th ed. New Jersey (US): Prentice Hall. Jolliffe IT. 2002. Principal Component Analysis 2nd ed. New York (US): Springer-Verlag. Mattjik AA, Sumertajaya IM. 2011. Sidik Peubah Ganda. Bogor (ID): IPB Pr. Rencher AC. 2002. Methods of Multivariate Analysis 2nd ed. New York (US): J Wiley. Sumertajaya IM. 2005. Kajian pengaruh inter blok dan interaksi pada uji lokasi ganda dan respon ganda [disertasi]. Bogor (ID): Institut Pertanian Bogor. Tsiptsis K, Chorianopoulos A. 2009. Data Mining Techniques in CRM. New York (US): J Wiley.
26
RIWAYAT HIDUP Penulis bernama lengkap Binapri Vindy Turningtias, dilahirkan di Banyumas pada tanggal 29 April 1992 dari pasangan Bapak Maryono dan Ibu Ratilem. Penulis adalah anak pertama dari 2 bersaudara. Pendidikan formal yang ditempuh penulis dimulai dari SD Negeri Gendurek dan lulus pada tahun 2004. Penulis melanjutkan ke jenjang pendidikan menengah pertama di SMP Negeri 2 Jatilawang pada tahun 2004 dan lulus pada tahun 2007. Selanjutnya, pendidikan jenjang menengah atas ditempuh penulis di SMA Negeri 2 Purwokerto dan lulus pada tahun 2010. Penulis diterima sebagai mahasiswa di Institut Pertanian Bogor pada tahun 2010 melalui jalur Undangan Seleksi Masuk IPB (USMI). Program studi yang penulis ambil adalah S1 Statistika di Fakultas Matematika dan Ilmu Pengetahuan Alam.
