III. METODOLOGI PENELITIAN
3.2 Metode Penelitian
3.2.1 Sumber Data Transaksi
Dalam menentukan strategi cross-selling, data yang digunakan adalah transaksi penjualan salah satu perusahaan agroindustri terbesar di Indonesia yang bergerak dalam bidang industri ban. Data ini diekstrak dari data transaksi penjualan pihak distributor perusahaan di seluruh Indonesia dari bulan Maret hingga Juni 2010. Data tersebut terdiri dari atribut Nomor transaksi, Outlet, Tanggal transaksi, dan transaksi penjualan dari 16 penggolongan produk.
3.2.2 Formulasi Association Rules Mining
Association rules merupakan salah satu teknik didalam data mining untuk menentukan
hubungan antar item dalam suatu dataset (sekumpulan data) yang telah ditentukan. Konsep ini sendiri diturunkan dari terminologi market basket analysis, yaitu pencarian hubungan dari beberapa produk di dalam transaksi pembelian (Witten,2005). Teknik ini mencari kemungkinan kombinasi yang sering muncul (frequent) dari suatu item set (sekumpulan
item). Ada dua langkah didalam algoritma ini, langkah pertama adalah melakukan
perhitungan untuk menemukan frequent item set dan langkah kedua mencari kaidah asosiasi (rules) dari sekumpulan frequent item set tadi. Dalam menggunakan metode ini, terdapat tiga kriteria ukuran yaitu :
1) Support : ukuran yang menunjukkan tingkat dominasi item set dari keseluruhan transaksi (misalkan dari seluruh transaksi yang ada, seberapa besar kemungkinan item A dan item B dibeli secara bersamaan).
Support ({A,B}) = Number of Transaction (A,B)
2) Confidence (probability) : ukuran yang menyatakan hubungan antara dua item secara conditional (misalkan seberapa sering item A dibeli, jika pelanggan membeli item B).
Confidence (A ∪ B)=Probability (B | A) = Support (A,B) / Support (A)
3) Improvement (importance) : ukuran yang menyatakan besarnya kemungkinan dua item dapat dibeli secara bersamaan.
Importance ({A,B})=Probability (A,B)/ Probability (A) * Probability (B)) (Adhitama,2010)
Proses frequent item set Didalam Algoritma association rules mining dapat dilihat pada Gambar 3 dan formulasi association rules mining dapat dilihat pada Gambar 4.
13
Mengitung Nilai Support
N: Number of TransactionAnalisis Data
Pre-processing
Analisis Frequent Item Set
( ) ( ) X Y s X Y N
Menghitung Nilai Confidence
( )
( )
( )
X Y
c X Y
X
Menghitung Nilai
Improvement
( )
( )
( ). ( )
s X Y
i X Y
s Y s X
Menentukan Strategi
Penjualan Dengan Analisis
RFM
Mulai
14
Sebelum data transaksi tersebut diolah dengan teknik association rules mining, dilakukan tahap preprocessing data terlebih dahulu. Pada penelitian ini data transaksi yang digunakan sudah dikelompokkan berdasarkan enam belas golongan produk. Penggolongan tersebut telah dibuat oleh perusahaan agroindustri ban yang menjadi sumber data transaksi untuk penelitian ini. Penggolongan ini dilakukan berdasarkan karakteristik bahan baku yang ada pada setiap produk. Penggolongan ini dapat dilakukan menggunakan clustering K-Means. Prosedur analisis pre-processing data menggunakan
clustering K-Means dapat dilihat pada Gambar 5.
Mulai Menentukan Jumlah Kelompok Menghitung Centroid Menghitung Jarak Mengelompokkan Berdasarkan Jarak Minimum Adanya Perpindahan Objek Selesai
Gambar 5. Prosedur Analisis Pre-processing Data menggunakan Clustering K-Means Enam belas penggolongan produk tersebut yaitu produk Passanger Bias (A), Passanger Broad Market (B), Passanger Broad Market Premium (C), Passanger High Performance (D), Passanger Ultra High Performance (E), Ultra Light Truck Radial (F), Light Truck Radial (G), Ultra Light Truck Bias (H), Light Truck Bias (I), Medium Bias Truck (J), EM A 21 Bias (K), EM A 3 A GDR Bias (L), EM A 3 A LDR Bias (M), Front Farm Bias (N), Rear Farm Bias (O), Ground Tire Import (P).
Ya
15
3.2.3 Analisis Recency, Frequency, Monetary (RFM)
Analisis RFM digunakan untuk mengelompokkan customer berdasarkan analisis transaksi terhadap waktu pembelian, frekuensi, dan nilai nominal pembelian. Tahapan melakukan analisis RFM adalah sebagai berikut:
1. Data acquisition
Tahap ini adalah tahap pengambilan data untuk input pada analisis RFM. Pada Penelitian ini, data transaksi dari empat bulan terakhir yang telah diambil, diperiksa, dan disiapkan untuk operasi selanjutnya
2. Selection Of The Population To Be Segmented
Hanya pelanggan yang masih aktif, yang disegmentasi menggunakan analisis RFM 3. Data preparation And Computation Of The R, F, and M Measurements
Pengelompokkan berdasarkan tanggal terakhir transaksi, jumlah rata-rata transaksi pembelian bulanan, nilai pembelian bulanan (mendefinisikan komponen monetary) 4. Development Of The RFM Cells Through Binning
Pelanggan telah dikelompokkan berdasarkan Analisis RFM menjadi 5 grup. (Tsiptsis dan Chorianopoulos, 2009).
Analisis RFM digunakan untuk mensegmentasi pelanggan berdasarkan recency,
frequency, monetary pada periode 1 bulan pembukuan. Recency adalah waktu terakhir
(ter-update) customer melakukan transaksi, frequency adalah jumlah produk yang dibeli oleh customer, dan monetary adalah jumlah nominal penjualan yang dilakukan oleh
customer, pada pengolahan nilai monetary dilakukan dengan perhitungan jumlah
frekuensi pembelian per produk yang dikali dengan variabel harga setiap produk. Variabel tersebut disamakan dengan inisial penggolongan produk yang telah dibuat pada saat tahap pre-processing data yaitu variabel huruf A sampai huruf P. Variable untuk analisis monetary dapat dilihat pada Tabel 1. Diagram alir analisis RFM pada penelitian ini dapat dilihat secara rinci pada Gambar 6.
Tabel 1. Variabel Harga Untuk Analisis Monetary Pada Setiap Produk
Passenger Bias (A)
Passenger Broad Market (B)
Passenger Broad Market Premium (C) Passenger High Performance (D) Passenger Ultra High Performance (E) Ultra Light Truck Radial (F)
Light Truck Radial (G), Ultra Light Truck Bias (H) Light Truck Bias (I) Bias Truck (J) EM A 21 Bias (K) EM A 3 A GDR Bias (L) EM A 3 A LDR Bias (M) Front Farm Bias (N) Rear Farm Bias (O) Ground Tire Import (P)
16
Mulai
Analisis Recency dari transaksi paling baru (binning 5)- transaksi paling
lama (binning 1)
Analisis Frekuensi dari transaksi terbanyak (binnig 5) – jumlah transaksi paling
sedikit (binning 1)
Analisis Monetary dari transaksi dengan melakukan
perkalian antar frekuensi pembelian per produk dengan variabel harga
produk Analisis data transaksi (data tanggal transaksi, jumlah transaksi, dan nilai
nominal transaksi) per customer Selesai Data Transaksi Analisis RFM (Recency, Frekuensi, Monetary) Pembuatan 5 Binning untuk analisis Recency, Frekuensi,
dan Monetary
Gambar 6. Flowchart Analisis RFM
3.2.4 Desain Eksperimen
Dalam proses analisis frequent item set, banyaknya item set yang dihasilkan dari proses penyeleksian dengan menggunakan ambang batas (thresholds) sebaiknya
17
menghasilkan item set separuh dari jumlah penggolongan produk, hal ini agar item set yang dihasilkan dapat benar-benar signifikan (Adhitama,2010). Dengan metoda trial and
errors, Batas parameter (tresholds) ditentukan yaitu min_support= 24.75% dan
min_confidence= 25% (tresholds ini diturunkan dari minimal 430 kali kemunculan pada setiap himpunan yang disaring). Pemilihan parameter tersebut dilakukan untuk mendapatkan item set dan rules sesuai yang signifikan yang nantinya akan digunakan sebagai rules dalam menentukan strategi penjualan. Hal ini dilakukan karena data dengan jumlah yang relatif besar, jika tidak adanya pemilihan parameter yang tepat akan menyebabkan pengolahan data memakan waktu yang lama dan membutuhkan alokasi memori komputer yang lebih banyak. Dan pemilihan parameter atau ambang batas (tresholds) yang terlalu kecil juga dapat menyebabkan hasil penetapan strategi penjualan yang kurang signifikan nantinya.
3.2.5 Indikator Penelitian
Kemungkinan untuk menghasilkan cross-selling product yang terbaik dari total transaksi per pelanggan pada periode tertentu adalah item dengan confidence score yang tinggi. Jadi misalkan produk pertama adalah kombinasi A dan B dengan confidence
score x% berarti bahwa ketika produk A dibeli, kemungkinan produk B juga dibeli
sebesar x% dari seluruh periode transaksi. Indikator kedua yang harus ditentukan adalah
support score yang menentukan seberapa banyak produk A dan produk B muncul
bersama-sama di dalam seluruh transaksi. Misalkan kombinasi produk C dan D memiliki
support score y% mengindikasikan bahwa produk C dan produk D muncul secara
bersama-sama sebesar y% dari seluruh total transaksi, sedangkan untuk kombinasi produk E dan F misalnya yang memiliki improvement score ≥ 1, mengindikasikan bahwa produk E dan F merupakan positive correlated, yang berarti bahwa jika pelanggan membeli produk E, pelanggan juga setuju untuk membeli produk F, sebaliknya jika
improvement score < 1, produk E dan F merupakan negative correlated. Produk dengan
negative correlated tidak dapat dijadikan sebagai saran dalam penetapan cross-selling