Aplikasi Data mining

waktu pada saat scanning database . Penelitian-penelitian yang sudah dilakukan sebelumnya belum ada yang membahas penggabungan teknik pengurangan jumlah

TINJAUAN PUSTAKA

2.5 Aplikasi Data mining

menemukan bahwa dari 1000 pelanggan yang berbelanja pada Kamis malam, 200 membeli popok dan 50 membeli bir. Dengan demikian, aturan asosiasi menjadi "Jika membeli popok, kemudian membeli bir" dengan dukungan 200/1000 = 20% dan kepercayaan 50/200 = 25%.

Contoh asosiasi dalam bisnis dan penelitian adalah:

a. Meneliti jumlah pelanggan dari perusahaan telekomunikasi seluler yang diharapkan untuk memberikan respon positif terhadap penawaran upgrade layanan yang diberikan.

b. Menemukan barang dalam supermarket yang dibeli secara bersamaan dan barang yang tidak pernah dibeli bersamaan.

2.5Aplikasi Data mining

Sebagai cabang ilmu baru di bidang sistem informasi cukup banyak penerapan yang dapat dilakukan oleh data mining

. Apalagi ditunjang kekayaan dan

keanekaragaman berbagai bidang ilmu (artificial intelligence

,

database

, statistik,

pemodelan matematika, pengolahan citra dsb.) membuat penerapan data mining menjadi makin luas. Salah satu penerapan proses data mining adalah pada Costumer Relationship Management (CRM). Data mining dapat menggali informasi baru yang

26

berhubungan dengan manajemen pelanggan pada suatu proses transaksi. Informasi tersebut nantinya dapat digunakan untuk meningkatkan pelanggan.

2.5.1 Penerapan Data mining pada CRM

Pelanggan (Customer) adalah aset paling penting dari suatu perusahaan. Tidak akan terjadi prospek bisnis jika tanpa adanya pelanggan yang merasa puas dan tetap setia menjalin hubungan dengan suatu organisasi. Itulah mengapa suatu organisasi harus merencanakan dan menerapkan strategi yang jelas untuk memperlakukan pelanggan. CRM (Customer Relationship Management) adalah strategi untuk membangun, mengelola, dan memperkuat hubungan pelanggan yang setia dan bertahan lama. CRM harus dilakukan dengan pendekatan Customer-centric berdasarkan wawasan pelanggan (Tsiptsis dan Chorianopoulos 2009).

Sistem CRM merupakan alat yang digunakan untuk mendukung strategi efektif mengelola pelanggan. Untuk melakukan sistem CRM tersebut organisasi perlu mendapatkan informasi tentang pelanggan, seperti kebutuhan dan keinginan mereka melalui analisis data. Di sinilah data mining dapat membantu dalam retensi pelanggan karena memungkinkan identifikasi tepat waktu terhadap pelanggan yang dianggap berharga (setia) dengan kemungkinan pelanggan yang akan pergi. Hal ini dapat mendukung pengembangan pelanggan dengan mencocokkan produk dengan

27

pelanggan dan penargetan yang lebih baik dari kampanye promosi produk. Hal ini juga dapat membantu untuk mengungkapkan segmen pelanggan yang berbeda, memfasilitasi pengembangan produk baru disesuaikan dan penawaran produk yang lebih baik mengatasi preferensi khusus dan prioritas dari pelanggan.

Menurut Tsiptsis dan Chorianopoulos (2009) data mining bertujuan untuk mengekstrak pengetahuan dan wawasan melalui analisis data dalam jumlah besar dengan menggunakan teknik pemodelan yang canggih. Data mining mengubah data menjadi pengetahuan dan informasi yang ditindaklanjuti. Data yang akan dianalisis mungkin berada dan terorganisir dalam data pasar dan gudang data atau dapat diekstraksi dari berbagai sumber data terstruktur. Sebuah prosedur data mining memiliki banyak tahapan. Prosedur ini biasanya melibatkan manajemen data yang luas sebelum dilakukan penerapan algoritma pembelajaran statistik dan pengembangan model yang tepat.

2.5.2 Data mining dalam Kerangka CRM

Data mining dapat memberikan wawasan pelanggan yang sangat penting untuk membangun strategi CRM yang efektif. Hal ini dapat menyebabkan interaksi personal dengan pelanggan, maka kepuasan meningkat. Hal ini dapat mendukung manajemen terhadap pelanggan serta dioptimalkan pada seluruh tahapan siklus hidup dari pelanggan tersebut, baik dari akuisisi dan pembentukan hubungan yang kuat

28

sehingga dapat mencegah pengurangan pelanggan atau kembali memenangkan pelanggan yang telah hilang. Retailer berusaha untuk mendapatkan pangsa pasar yang lebih besar dan pelanggan yang lebih besar dari target yang mereka tetapkan. Lebih khusus, kegiatan pemasaran yang dapat didukung dengan penggunaan data mining meliputi topik-topik berikut (Tsiptsis dan Chorianopoulos, 2009).

1. Segmentasi Pelanggan

Segmentasi pelanggan adalah proses membagi basis pelanggan ke dalam kelompok-kelompok yang berbeda dan homogen dalam rangka untuk mengembangkan strategi pemasaran yang berbeda sesuai dengan karakteristik pelanggan. Ada beberapa jenis segmentasi yang berbeda yaitu berdasarkan kriteria tertentu atau atribut yang digunakan untuk segmentasi. Dalam segmentasi perilaku, pelanggan dikelompokkan berdasarkan karakteristik perilaku dan penggunaan. Algoritma clustering dapat digunakan untuk menganalisis data perilaku serta mengidentifikasi kelompok alami dari pelanggan, dan menyarankan solusi yang didasarkan pada pola data yang diamati. Data mining juga dapat digunakan untuk pengembangan skema segmentasi berdasarkan situasi saat ini yang diharapkan atau perkiraan dari nilai pelanggan. Segmen ini diperlukan dalam rangka untuk memprioritaskan penanganan pelanggan dan intervensi pemasaran sesuai dengan pentingnya setiap pelanggan.

29

2. Segmentasi Kampanye Pemasaran Langsung

Retailer menggunakan kampanye pemasaran langsung untuk melakukan komunikasi dengan pelanggan mereka melalui surat, internet, e-mail, telepon, dan saluran langsung lainnya. Hal ini dilakukan untuk mendorong akuisisi

pelanggan dan pembelian produk lainnya pada retailer tersebut. Lebih khusus lagi, kampanye akuisisi bertujuan menarik pelanggan baru yang memiliki potensi yang besar terhadap produk. Kampanye Cross-/deep-/up-selling diterapkan untuk menjual produk tambahan, bisa lebih baik dari produk yang sebelumnya, atau produk alternatif yang menguntungkan kepada pelanggan yang ada. Akhirnya, kampanye bertujuan untuk mencegah retensi pelanggan

berharga dari mengakhiri hubungan mereka dengan retailer

.

Data mining dan klasifikasi (kecenderungan) model pada khususnya dapat mendukung pengembangan kampanye pemasaran bertarget. Mereka menganalisis karakteristik pelanggan dan mengenali profil dari target pelanggan. Kasus baru dengan profil serupa kemudian diidentifikasi, diberi skor kecenderungan yang tinggi, dan termasuk dalam daftar target. Model klasifikasi digunakan untuk mengoptimalkan kampanye pemasaran dapat dijelaskan sebagai berikut:

30

a. Model Akuisisi: model ini digunakan untuk mengenali calon pelanggan yang berpotensi menguntungkan dengan mencari “clones” dari pelanggan

yang sudah ada dalam daftar kontak eksternal,

b. Model Cross-/deep-/up-selling: model digunakan untuk mengungkapkan potensi pembelian dari pelanggan yang sudah ada.

c. Model Pengurangan Sukarela (Voluntary attrition): model ini digunakan untuk mengidentifikasi awal pelanggan dan melihat para pelanggan tersebut dengan kemungkinan peningkatan untuk meninggalkan suatu organisasi secara sukarela.

3. Segementasi MarketBasket dan SequenceAnalysis

Data mining dan model asosiasi pada khususnya dapat digunakan untuk mengidentifikasi produk-produk terkait yang biasanya dibeli bersama-sama. Model ini dapat digunakan untuk analisis market basket dan untuk mengungkapkan jenis produk atau jasa yang dapat dijual bersama-sama dengan produk yang dibeli oleh pelanggan. Model urutan (SequenceAnalysis) dilakukan dengan memperhitungkan urutan tindakan atau pembelian dari pelanggan serta dapat mengidentifikasi urutan peristiwa yang akan terjadi.

31

2.6Metode Asosiasi

Analisis asosiasi adalah teknik data mining untuk menemukan hubungan menarik antara suatu kombinasi item yang tersembunyi dalam suatu database

.

Hubungan ini dapat direpresentasikan dalam suatu bentuk aturan asosiasi (Tan, Steinbach, Kumar, 2004). Analisis asosiasi akan berusaha mengungkap asosiasi antara atribut, yaitu berusaha untuk mengungkap aturan untuk mengukur hubungan antara dua atau lebih atribut. Secara umum aturan asosiasi mempunyai bentuk :

� � � �

Kekuatan hubungan suatu aturan asosiatif dapat diukur dengan dua parameter yaitu support dan confidence

.

Support (nilai penunjang) adalah persentase kombinasi item tersebut dalam database dan confidence (nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan asosiatif.

Metode analisis asosiasi, juga dikenal sebagai market basket analysis

, yaitu

analisis yang sering dipakai untuk menganalisa isi keranjang belanja konsumen dalam suatu pasar swalayan. Contoh penerapan dari aturan asosiatif adalah analisa pembelian produk pada sebuah toko alat tulis, pada analisa itu misalkan dapat diketahui berapa besar kemungkinan seorang pelanggan membeli pensil bersamaan dengan membeli penghapus. Penerapan aturan asosiasi dalam kasus tersebut dapat membantu pemilik toko untuk dipakai sebagai pendukung keputusan dalam penjualan

32

seperti mengatur penempatan barang, mengatur persediaan atau membuat promosi pemasaran dengan menerapkan diskon untuk kombinasi barang tertentu.

Analisis asosiasi didefinisikan sebagai suatu proses untuk menemukan semua aturan asosiasi yang memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk confidence (minimum confidence). Dasar analisis asosiasi terbagi menjadi dua tahap, yaitu:

1. Analisa pola frekuensi tinggi, pada tahap ini dicari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database

. Nilai

support sebuah item diperoleh dengan rumus berikut :

=^{� �ℎ � � �} _{� � � �} ... (2.1)

Keterangan :

- Support A adalah nilai penunjang persentase kombinasi item A dalam database

.

- Jumlah transaksi untuk A adalah kemunculan item A dalam keseluruhan transaksi.

- Total transaksi adalah jumlah total transaksi yang ada dalam database

.

33

,

= � ∩ ... (2.2)

,

= ∑ � � � � ∑ � � � Keterangan :

- Support A,B adalah nilai penunjang (persentase) kombinasi dari dua item yaitu item A dan item B dalam database

.

- Ʃ transaksi untuk A dan B adalah jumlah kemunculan kombinasi item A dan B dalam keseluruhan transaksi.

- Ʃ transaksi adalah jumlah total transaksi yang ada dalam database

.

2. Pembentukan aturan Asosiasi, setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yang memenuhi syarat minimum untuk confidence dengan menghitung nilai confidence aturan assosiatif A  B.

Nilai confidence dari aturan A  B diperoleh dari rumus sebagai berikut:

� = � | =∑ � � � �

∑ � � � ^{... (2.3)}

Keterangan :

- Confidence P(A|B) adalah nilai kepastian kuatnya hubungan antar item A dan item B dalam aturan asosiatif atau berapa kali item A muncul bersamaan dengan item B.

34

- Ʃ transaksi untuk A dan B adalah jumlah kemunculan kombinasi item A dan B dalam keseluruhan transaksi.

- Ʃ transaksi untuk A adalah jumlah total transaksi item A dalam keseluruhan transaksi

.

2.7Algoritma Apriori

Algoritma apriori termasuk jenis aturan asosiasi pada data mining yang dikembangkan pertama kali oleh R. Agrawal dan R. Srikant pada tahun 1994. Algoritma ini didasarkan pada fakta bahwa apriori menggunakan pengetahuan sebelumnya dari suatu itemset dengan frekuensi kemunculan yang sering atau disebut frequent itemset

. Apriori menggunakan pendekatan iteratif dimana k-

itemset digunakan untuk mengeksplorasi (k+1)-itemset berikutnya (Han&Kamber, 2006). Prinsip metode apriori adalah jika suatu itemset sering muncul (frequent), maka semua subset dari itemset tersebut juga harus sering muncul dalam suatu database (Tan, Steinbach, Kumar, 2004).

Pada algoritma ini calon (k+1)-itemset dihasilkan oleh penggabungan dua itemset pada domain / ukuran k. Calon (k+1)-itemset yang mengandung frekuensi subset yang jarang muncul atau dibawah threshold akan dipangkas dan tidak dipakai dalam menentukan aturan asosiasi (Tan, Steinbach, Kumar, 2004). Sesuai dengan aturan asosiasi, algoritma apriori juga menggunakan minimum support dan minimum

35

confidence untuk menentukan aturan itemset mana yang sesuai untuk digunakan dalam pengambilan keputusan.

1-itemset digunakan untuk menemukan 2-itemset yaitu kombinasi item yang berjumlah 2, contohnya if buy pensil then buy penghapus

, 2-

itemset digunakan untuk menemukan 3-itemset yaitu kombinasi item yang berjumlah 3, contohnya if buy pensil and buy pulpen then buy penghapus dan seterusnya sampai tidak ada lagi frequent k-itemset yang bisa ditemukan (Han&Kamber, 2006).

2.7.1 Struktur Kombinasi

Struktur dari itemset disini adalah mengikuti suatu bentuk dari kombinasi. Pengertian kombinasi adalah menggabungkan beberapa objek dari suatu grup tanpa memperhatikan urutan (Wikipedia, 2016). Di dalam kombinasi, urutan objek tidak diperhatikan sebagai contoh dimana {1,2,3} adalah sama dengan {2,3,1} dan {3,1,2}.

Kombinasi dapat dibagi menjadi dua yaitu kombinasi dengan pengulangan dan kombinasi tanpa pengulangan. Kombinasi tanpa pengulangan ketika urutan tidak diperhatikan akan tetapi setiap objek yang ada hanya bisa dipilih sekali maka jumlah kombinasi yang ada adalah:

�!

36

Dimana n adalah jumlah objek yang bisa dipilih dan r adalah jumlah yang harus dipilih. Sebagai contoh, terdapat 5 pensil warna dengan warna yang berbeda yaitu; merah, kuning, hijau, biru dan ungu. Pensil warna tersebut hanya boleh dipilih dua warna. Banyak cara untuk mengkombinasikan pensil warna yang ada dengan menggunakan rumus di atas adalah 5!/(5-2)!(2)! = 10 kombinasi.

Kombinasi dengan pengulangan jika urutan tidak diperhatikan dan objek bisa dipilih lebih dari sekali, maka jumlah kombinasi yang ada adalah ditunjukkan pada rumus berikut :

�+�−1 !

�! �−1 !

= (

^�+�−1_�

) = (

^�+�−1_�−1

)

... (2.5) Di mana n adalah jumlah objek yang bisa dipilih dan r adalah jumlah yang harus dipilih. Sebagai contoh adalah terdapat 10 jenis kue donat berbeda pada suatu toko donat. Kombinasi yang dihasilkan jika ingin untuk membeli tiga buah donat adalah (10+3-1)!/3!(10-1)! = 220 kombinasi.

Kombinasi yang digunakan dalam algoritma apriori pada penelitian ini adalah kombinasi tanpa pengulangan. Urutan item dalam kombinasi yang dibentuk tidak diperhatikan akan tetapi setiap item yang ada hanya boleh digunakan sekali dalam satu kombinasi atau itemset

.

37

2.7.2 Perhitungan Waktu Iterasi

Algoritma apriori melakukan scaning database berulang kali untuk menemukan frequent itemset dalam membentuk aturan asosiasi. Waktu iterasi yang ditempuh algoritma dapat dihitung dari waktu berakhirnya algoritma sampai mendapatkan aturan asosiasi dikurangi dengan waktu awal algoritma dijalankan sesuai dengan rumus berikut.

_ � � = _� ℎ� − _��� ... (2.6)

Dimana

t_awal = mencatat waktu awal mulainya proses iterasi. t_akhir = mencatat waktu berakhirnya proses iterasi.