1 ANALISIS DATA PEMBELIAN KONSUMEN UNTUK MENENTUKAN
PROMOSI PRODUK MENGGUNAKAN ALGORITMA K-MEDOIDS Muhammad Rodhian Syabri, Joko Risanto
Mahasiswa Program Studi S1 Sistem Informasi Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam Kampus Bina Widya Pekanbaru, 28293, Indonesia
[email protected], [email protected]
ABSTRACT
Product segmentation is one of the marketing strategies used by business units to achieve goals, which include decisions regarding target markets, product placement, and product promotion. To could perform product segmentation more effectively and efficiently, it is necessary to process sales data, by grouping product data from the level of sales. Er Coffee as the object of research, has a problem with how to group products based on the level of sales, to determine the right strategy. The sales transaction data used in this research are 27330-row records consisting of 186 product data with attributes used are the number of items and unit prices. This study uses the K-Medoids using the Minkowski Distance to group product data into 3 clusters based on high, medium, and low sales levels with the aim that each group will produce different promotional strategies for each level of sales. The product grouping analysis system in this research is web-based using the PHP programming language. The cluster results from this study were 76 items with low sales levels, 106 medium sales products, and 4 high sales products, then an evaluation of the cluster results was carried out to determine how well the accuracy level of the cluster results was. Testing the results of clustering using Silhouette Coefficient, based on this process, the k-medoids are good at grouping products with an accuracy rate of 0.570 and are included in the medium clustering.
Keywords: Product segmentation, Clustering, Product, K-Medoids, Silhouette Coefficient.
ABSTRAK
Segementasi produk merupakan salah satu strategi pemasaran digunakan oleh unit bisnis dalam mencapai sasaran yang di dalamnya tercantum keputusan-keputusan mengenai target pasar, penempatan produk, serta promosi produk. Untuk dapat melakukan segmentasi produk yang lebih efektif dan efisien, maka perlu dilakukan pengolahan data penjualan, dengan melakukan pengelompokan data produk dari tingkat penjualannya. ER Coffee sebagai objek penelitian memiliki permasalahan tentang bagaimana mengelompokan produk berdasarkan tingkat penjualannya, agar menentukan strategi yang tepat. Data transaksi penjualan yang digunakan penelitian adalah 27330 row record terdiri 186 data produk dengan atribut yang digunakan adalah jumlah item produk dan harga satuan. Penelitian ini menggunkan metode K-Medoids dengan menggunakan pengukuran jarak Minkowski Distance untuk mengelompokan data produk menjadi 3 klaster berdasarkan tingkat penjualan tinggi, sedang, dan rendah dengan tujuan setiap
2 kelompok akan menghasilkan strategi promosi yang berbeda dari setiap tingkat penjualan. Sistem analisis pengelompokan produk pada penelitian ini berbasis web menggunakan bahasa pemrograman PHP. Hasil klaster dari penelitian ini 76 item produk memiliki tingkat penjualan rendah, 106 produk tingkat penjualan sedang dan 4 produk tingkat penjualan tinggi, selanjutnya dilakukan evaluasi hasil klaster untuk melihat seberapa baik tingkat akurasi dari hasil klaster. Pengujian hasil clusrting menggunakan Silhoutte Coefficient, berdasarkan proses tersebut didapatkan algoritma k-medoids baik mengelompokan produk dengan tingkat akurasi sebesar 0,570 dan masuk ke dalam struktur clustering sedang.
Kata Kunci: Segmentasi Produk, Clustering, Produk, K-Medoids, Silhouette Coefficient.
PENDAHULUAN
Persaingan bisnis semakin ketat seiring dengan meningkatnya jumlah kompetitor dan daya beli konsumen, menuntut pelaku bisnis untuk memikirkan berbagai strategi agar meningkatkan penjualan dan memilih strategi pemasaran yang tepat untuk dapat bertahan dan memiliki konsumen. Segmentasi produk merupakan hal yang sangat penting bagi perusahaan di mana pengelompokan produk digunakan oleh unit bisnis dalam mencapai sasaran yang di dalamnya tercantum keputusan-keputusan mengenai target pasar, penempatan promosi produk, dan bauran pemasaran yang diperlukan. Untuk dapat melakukan strategi pemasaran produk yang lebih efektif dan efisien, maka perlu dilakukan pengolahan data penjualan (Triyanto, 2015). Jika terdapat produk yang tidak sesuai dengan kebutuhan pelanggan namun tetap dipertahankan bisa menyebabkan kerugian pada bisnis tersebut karena menumpuknya persediaan bahan baku, sehingga perlunya dilakukan analisis.
Transaksi data penjualan yang dapat dianalisis data transaksinya salah satunya adalah kafe. Kafe ER-Coffee yang berlokasi di Marpoyan Damai, Kota Pekanbaru memiliki permasalahan yang sama mengenai stok bahan baku produk yang kurang diminati konsumen membuat bahan tersebut kedaluwarsa dan pemilik kafe tidak mengetahui produk mana saja yang memiliki tingkat penjualan tinggi, sedang, dan rendah untuk dilakukan strategi promosi. Kafe terebut setiap harinya menghasilkan data transaksi penjualan yang tersimpan di sistem POS (Point Of Sale) ke dalam database, peneliti memanfaatkan data tersebut menjadi sebuah informasi yang berguna agar mengatasi permasalahan kafe menggunakan metode analisis data. Salah satu metode analisis data yang banyak digunakan adalah data mining (Han dkk., 2014). Algoritma data mining yang tepat untuk melakukan pengelompokan data produk adalah clustering yang berfungsi untuk mengelompokkan data sesuai dengan karakteristik dan mengukur jarak kemiripan antar data dalam satu kelompok. Penelitian ini menggunakan algoritma dari clustering yaitu algoritma K-Medoids. Berdasarkan paparan yang telah dikemukakan, maka peneliti ingin mengetahui bagaimana data transaksi konsumen dapat dikelompokkan menjadi kategori dengan penjualan produk tinggi, sedang, dan rendah menggunakan algoritma K- Medoids, kemudian hasil pengelompokan produk tersebut akan memiliki strategi promosi yang berbeda-beda.
Penelitian yang penulis lakukan adalah merupakan pengujian terhadap metode yang sudah ada untuk diterapkan pada kasus yang nyata, sehingga penulis dapat mengetahui seberapa baik metode K-Medoids terhadap pengelompokan produk di kafe ER Coffee.
3 TINJAUAN PUSTAKA
a. Analisis Data
Analisis data adalah sebuah proses untuk memeriksa, membersihkan, mengubah, dan membuat pemodelan data dengan maksud untuk menemukan informasi yang bermanfaat sehingga dapat memberikan petunjuk bagi peneliti untuk mengambil keputusan terhadap pertanyaan-pertanyaan penelitian (Rijali, 2018).
b. Promosi dan Strategi
Promosi adalah suatu bentuk kegiatan perusahaan untuk mengkomunikasikan dan memperkenalkan produk pada target pasar, kemudian dilakukan untuk memperkenalkan produk atau jasa yang ditawarkan kepada para konsumen agar mereka tertarik untuk membeli (Ritonga dkk., 2018). Melakukan strategi promosi penjualan produk memiliki beberapa teknik promosi berikut ini strategi promosi menurut (Sitorus & Utami, 2017) yang diterapkan untuk menarik konsumen:
1. Menampilkan detail produk di tempat utama (Point-of-purchase)
Pajangan dan peragaan di tempat berlangsungnya proses pembelian. Tujuannya adalah mendorong konsumen untuk mencoba produk, sehingga produk yang ditampilkan di tempat utama akan menjadi daya tarik minat konsumen.
2. Penawaran Potongan Harga (Price-off Deals)
Memberikan potongan harga langsung di tempat pembelian. Biasanya potongan harga ini berkisar 10%-25%, namun saat momen tertentu seperti hari kemerdekaan, liburan sekolah dan lainnya potongan akan dinaikkan
3. Premium dan spesialis periklanan (Premium and Advertising Specialities)
Barang yang ditawarkan dengan biaya relatif rendah atau gratis sebagai insentif untuk membeli produk tertentu. Premi dengan paket menyertai produk di dalam atau pada kemasan. Kemasan itu sendiri, jika berupa wadah yang dapat digunakan.
4. Penempatan merek (Brand Product Placement)
Salah satu teknik dari sales promotion untuk mencapai pasar dengan memasukkan produk pada sebuah acara televisi atau film, live.
5. Frekuensi produk (Frequency continuity)
Program ini merupakan salah satu teknik sales promotion yang popular di antara konsumen. Frequency programs, juga mengarah kepada program-program yang berkelanjutan, seperti menawarkan konsumen diskon atau hadiah produk gratis untuk mencapai terjadinya pengulangan dalam pembelian atau langganan dari merek atau perusahaan yang sama.
6. Sponsor Acara (Event Sponsorship)
Ketika perusahaan mensponsori suatu acara, itu membuat merek sangat ditonjolkan pada acara tersebut sehingga membuat kredibilitas merek meningkat bersamaan dengan para penonton diacara tersebut biasanya produk yang ditawarkan adalah produk yang selalu dibeli konsumen.
c. Normalisasi Min Max
Data diubah dan digabung ke dalam format yang sesuai untuk diproses dalam data mining sehingga tidak ada data yang outlier. Pada penelitian ini menggunakan transformasi data dengan teknik normalisasi min-max dengan mengubah data menjadi skala lebih kecil bernilai 0-1, sesuai dengan persamaan (1).
4 𝑉𝑖′= 𝑉𝑖 − 𝑚𝑖𝑛𝐴
𝑚𝑎𝑥𝐴 − 𝑚𝑖𝑛𝐴 (𝑛𝑒𝑤𝑚𝑎𝑥𝐴 − 𝑛𝑒𝑤𝑚𝑖𝑛𝐴) + 𝑛𝑒𝑤𝑚𝑖𝑛𝐴 ... (1) Dimana:
𝑉𝑖 = Nilai sebelum normalisasi 𝑚𝑖𝑛𝐴 = Nilai minimal setiap variable 𝑚𝑎𝑥𝐴 = Nilai maksimal setiap variable 𝑛𝑒𝑤𝑚𝑎𝑥𝐴 = Rentang maksimal dengan 1 𝑛𝑒𝑤𝑚𝑖𝑛𝐴 = Rentang minimal dengan 0
d. Algoritma K-Medoids
Algoritma K-Medoids diusulkan pada tahun 1987 dan dikembangkan oleh Leonard Kaufmann dan Peter J. Rousseeuw. Algoritma PAM (Partitioning Around Medoids) mengelompokkan sekumpulan n objek menjadi sejumlah k cluster dari nilai cost distance terkecil. Berikut tahapan algoritma K-Medoids (Februariyanti & Santoso, 2016):
1. Inisialisasi medoid sebagai pusat cluster sebanyak k (jumlah cluster) secara acak.
2. Alokasikan setiap data (objek) ke cluster terdekat menggunakan ukuran jarak Minkowski Distance pada persamaan (2).
𝑑(𝑥 , 𝑦) = (∑𝑛𝑖=1|𝑥𝑖 − 𝑦𝑖|𝑝)
1
𝑝 ... (2) Dimana:
𝑑 = jarak antara x ke y 𝑥 = data pada atribut
𝑦 = data pada pusat klaster (medoid) 𝑛 = jumlah data
𝑝 = power mewakili ukuran norma/order, biasanya menggunakan >=3 𝑥𝑖 = data pada atribut ke-i
𝑦𝑖 = data pada pusat klaster ke-i (medoid)
3. Pilih secara acak objek-objek pada cluster sebagai kandidat medoid baru.
4. Hitung jarak setiap objek pada setiap masing-masing cluster dengan menempuh medoids baru.
5. Hitung total simpangan (S) dengan persamaan (3)
𝑆𝑖𝑚𝑝𝑎𝑛𝑔𝑎𝑛(S) = (𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑒 𝑏𝑎𝑟𝑢 − 𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑒 𝑙𝑎𝑚𝑎)... (3) 6. Ulangi tahap ke-3 sampai ke-5 hingga total simpangan (S) < 0, sehingga didapatkan
cluster beserta anggota cluster masing-masing.
METODE PENELITIAN a. Tahapan Pengumpulan Data
1. Studi Literatur (library research)
Tahapan ini melakukan studi literatur untuk mencari landasan teori-teori tentang data mining, clustering, strategi promosi produk, definisi, rumus, tahapan algoritma K- Medoids dan penerapanya dalam kehidupan sehari-hari. Referensi yang digunakan antara lain artikel ilmiah, jurnal, data statistik, dan buku yang memuat materi yang bersangkutan.
2. Studi Lapangan (field research)
5 Studi lapangan yaitu pengumpulan data dari pemilik kafe, dan pengamatan langsung kondisi objek penelitian. Studi lapangan pada penelitian ini langsung melakukan kunjungan penelitian di kafe ER Coffee, sehingga mendapatkan informasi tentang kondisi kafe, permasalahan, strategi yang akan dilakukan, serta data transaksi penjualan tahun 2021 yang berjumlah 27329 detail transaksi dan 11797 transaksi yang digunakan dalam penelitian ini, data tersebut diperoleh melalui wawancara, observasi, dan FGD (Focus Group Discussion).
3. Studi Laboratorium (laboratory research)
Studi Studi laboratorium digunakan untuk melakukan pembersihan data hasil pengumpulan sebelumnya, selanjutnya melakukan preprocessing, analisa, pengujian data, implementasi algoritma, serta pengembangan dan pengujian sistem. Alat tersebut seperti, laptop dan menggunakan software microsoft excell.
b. Tahapan Preprocessing Data 1. Pembersihan Data
Tahapan pembersihan data merupakan proses pertama yang harus dilakukan untuk mempersiapkan data untuk proses analisis, seperti membuang duplikasi data, memeriksa data yang tidak konsisten, dan lain-lain yang dapat mempengaruhi hasil perhitungan.
Agar datasets dapat digunakan untuk clustering data harus dibersihkan terlebih dahulu dari missing value, inconsistent data.
2. Seleksi Data
Tahapan ini proses penyeleksian atribut yang awalnya berjumlah 10 atribut yaitu invoice, staf, tanggal, pukul, kategori produk, kode produk, item produk, jumlah, harga satuan, dan total harga, pada penelitian ini, menggunakan 3 atribut yaitu item produk, jumlah, harga satuan.
3. Transformasi Data
Tahapan transformasi data mengubah nilai atribut data yang digunakan transaksi tersebut menggunakan teknik normalisasi min-max yang akan membuat rentang data terkecil 0 dan data terbesar 1 menggunakan persamaan (1).
c. Tahapan Clustering dengan K-Medoids
Tahapan clustering merupakan tahap peneliti melakukan proses analisis untuk mengelompokkan data produk menggunakan persamaan (2) dan persamaan (3).
d. Evaluasi Hasil Clustering
Evaluasi hasil clustering merupakan tahapan untuk pengujian hasil klaster yang didapatkan dari proses clustering menggunakan algoritma k-medoids sebelumnya. Hasil cluster tersebut dilakukan evaluasi melalui pengujian hasil cluster menggunakan metode Silhouette Coefficient.
e. Tahapan Pengembangan Sistem
Metode pengembangan sistem perangkat lunak yang digunakan dalam penelitian ini adalah RAD (Rapid Application Development). Tahapan metode RAD (Rapid Application Development) (Badrul & Sari Dewi, 2020) yaitu: rencana kebutuhan sistem, proses desain sistem, konstruksi, dan implementasi.
1. Rencana kebutuhan (Requirement Planing)
6 Tahap ini, pemilik ER Coffee, manager dan penulis bertemu untuk mengidentifikasikan tujuan-tujuan aplikasi atau sistem yang akan dibuat serta untuk megidentifikasikan kebutuhan informasi yang ditimbulkan dari tujuan-tujuan tersebut ke kafe ER Coffee.
2. Proses desain sistem (Design System)
Tahap ini, penganalisis dan pemrogram dapat bekerja membangun dan menunjukkan representasi visual desain dan pola kerja kepada pengguna menggunakan UML (Unified Modelling Language) yaitu: use case digaram, activity diagram, dan class diagram. Tahap ini juga menampilkan desain User Interface aplikasi.
3. Konstruksi
Tahap konstruksi adalah setelah desain sudah dibuat tahap sebelumnya, selanjutnya akan dibuatkan script pemrograman, bahasa pemrograman yang digunakan untuk penelitian ini adalah PHP dan MYSQL sebagai database. Tahap ini juga melihat feedback yang diberikan oleh user.
4. Implementasi
Implementasi adalah tahapan programmer menerapkan desain menjadi sebuah sistem dari desain yang telah disetujui oleh pihak ER Coffee.
f. Peralatan yang Digunakan
Peralatan yang digunakan dan dibutuhkan pada saat penelitian terbagi menjadi dua, yaitu perangkat keras dan perangkat lunak. Adapun perangkat yang digunakan adalah sebagai berikut:
1. Perangkat Keras, Laptop dengan processor Intel® Core™ i5-8250U CPU @ 1.80GHz, Printer Canon iP2770, dan Flashdisk.
2. Perangkat Lunak, Sistem operasi windows 11 64-bit, Microsoft office word 365, untuk pembuatan laporan skripsi, Microsoft office excell 365 untuk pengolahan data, Visual studio code untuk pembuatan sistem, Google chrome untuk pembuatan sistem, Mendeley untuk daftar referensi, PHP sebagai bahasa program untuk membuat web dan laragon sebagai appache local server.
HASIL DAN PEMBAHASAN a. Tahapan Pengumpulan Data
Hasil pengumpulan data diperoleh data transaksi penjualan tahun 2021 sebanyak 27329 record, 11982 transaksi dengan 186 jenis produk yang terjual di ER Coffee.
Tabel 1 Data transaksi yang didapatkan
No Inovice Staf Tanggal Pukul Item Produk Jumlah Harga
Satuan
Total Harga 1 21018345XCF admin 2021-01-01 09.23 robusta coffee kopmil hot 1 15000 15000 2 21016972DMW admin 2021-01-01 09.44 nasi goreng biasa 1 15000 15000
3 21016972DMW admin 2021-01-01 09.44 teh manis ice 1 7000 7000
4 21014170RDY admin 2021-01-01 10.47 nasi goreng ayam 1 17000 17000
5 21014170RDY admin 2021-01-01 10.47 indomie rebus 1 15000 15000
6 21014170RDY admin 2021-01-01 10.47 lemon tea ice 1 12000 12000
... ... ... ... ... ... ... ... ...
27329 21121259RTH admin 2021-12-31 23.11 green tea telur 1 12000 12000
7 b. Tahapan Preprocessing Data
1. Pembersihan data
Melakukan tahapan pemberishan data yang dimulai dari cek data kosong, cek konsistensi, cek puplikasi data, cek data outlier, dan hapus atribut yang tidak digunakan.
2. Seleksi data
Penelitian ini menggunakan 3 variabel yang menunjang dalam proses clustering yang diagregasikan/dikelompokkan berdasarkan item produk, variabel tersebut adalah item produk, jumlah item produk dalam semua transaksi, dan harga satuan.
Tabel 2 Seleksi Data
3. Transformasi data
Transformasi dilakukan menggunakan teknik normalisasi min-max mengubah data menjadi skala yang lebih kecil, yaitu dengan batas terendah 0 dan batas tertinggi 1.
Menggunakan persamaan (1).
Air mineral (jumlah item) = 379−41
1214 − 41 (1 − 0) + 0 = 0,288
Air mineral (satuan harga) = 5000−5000
30000 − 5000 (1 − 0) + 0 = 0,00
Tabel 3 Transformasi Data
No Item Produk Jumlah Item Harga Satuan
1 Air mineral 0,288 0,000
2 Arabica coffee er coffee americano hot 0,020 0,520 3 Arabica coffee er coffee americano ice 0,105 0,600 4 Arabica coffee er coffee avocado coffee hot 0,003 0,800 5 Arabica coffee er coffee avocado coffee ice 0,013 0,880
.. ... ... ...
185 tempe medoan 0,146 0,400
186 ubi merekah 0,088 0,400
c. Tahapan Clustering dengan K-Medoids 1. Inisialisasi pusat cluster (medoids)
inisialisasi pusat cluster sebagai medoid sebanyak jumlah cluster secara acak.
Penelitian ini peneliti menggunakan 3 cluster.
Tabel 4 Inisialisasi Medoids
No Item Produk Jumlah Item Harga Satuan
1 Nasi banjir seafood 0,008 0,800
2 Robusta coffee sanger ice 0,201 0.280
3 Teh manis ice 0,907 0,080
No Item Produk Jumlah Item Harga Satuan
1 Air mineral 379 5000
2 Arabica coffee er coffee americano hot 65 18000
3 Arabica coffee er coffee americano ice 164 20000
4 Arabica coffee er coffee avocado coffee hot 45 25000
5 Arabica coffee er coffee avocado coffee ice 56 13500
.. ... ... ...
185 tempe medoan 212 15000
186 ubi merekah 144 15000
8 2. Menghitung jarak setiap data (objek) ke cluster terdekat (medoid)
Mengalokasikan setiap data (objek) ke cluster terdekat menggunakan ukuran perhitungan jarak Minkowski Distance sesuai dengan persamaan (2). Berikut ini contoh pada klaster 1 menggunakan medoid Nasi banjir seafood:
𝑑(𝐴𝑖𝑟 𝑚𝑖𝑛𝑒𝑟𝑎𝑙, 𝑗𝑢𝑚𝑙𝑎ℎ 𝑖𝑡𝑒𝑚) = | 0,288 − 0,008 |3= 0,022 𝑑(𝐴𝑖𝑟 𝑚𝑖𝑛𝑒𝑟𝑎𝑙, ℎ𝑎𝑟𝑔𝑎 𝑠𝑎𝑡𝑢𝑎𝑛) = | 0 − 0,800 |3= 0,512
𝑑(𝐴𝑖𝑟 𝑚𝑖𝑛𝑒𝑟𝑎𝑙) = (0,022 + 0,512)13= 𝟎, 𝟖𝟏𝟏
Melakukan perhitungan untuk klaster 2 dan 3 seterusnya hingga pada produk ke 186 yaitu ubi merekah. Sehingga didapatkan hasil pada tabel 5.
Tabel 5 Hasil Perhitungan Minkowski Distance pada medoid
No Item Produk
Klaster
C1 C2 C3 Jarak
Terdekat
1 Air mineral 0,811 0,283 0,619 C2
2 Nasi goreng spesial 0,280 0,270 0,921 C2
3 Pisang bakar coke (cokelat keju) 0,207 0,323 0,869 C1
4 Arabica coffee er coffee americano hot 0,004 0,529 1,036 C1
5 Arabica coffee er coffee americano ice 0,080 0,606 1,071 C1
...
185 tempe medoan 0,405 0,124 0,780 C2
186 ubi merekah 0,401 0,147 0,835 C2
Total Jarak 60,853 57,290 159,407
Selanjutnya menghitung semua total jarak dari semua klaster untuk mengetahui seberapa besar cost yang dibutuhkan, total keseluruhan jarak klaster 1, klaster 2, dan klaster 3 terhadap medoid adalah:
𝑇𝑜𝑡𝑎𝑙 = (𝑡𝑜𝑡𝑎𝑙 𝑗𝑎𝑟𝑎𝑘 𝐶1 + 𝑡𝑜𝑡𝑎𝑙 𝑗𝑎𝑟𝑎𝑘 𝐶2 + 𝑡𝑜𝑡𝑎𝑙 𝑗𝑎𝑟𝑎𝑘 𝐶3) 𝑇𝑜𝑡𝑎𝑙 = (60,853 + 57,290 + 157,407) = 𝟐𝟐𝟕, 𝟓𝟓𝟎
3. Iterasi proses inisialisasi memilih pusat cluster baru (non medoid) secara acak Tabel 6 Inisialisasi medoid baru (non medoid)
No Item Produk Jumlah Item Harga Satuan
1 Manual brewing french press 0,005 0,800
2 Teh tarik ice 1,000 0,280
3 Lemon tea ice 0,870 0,280
4. Menghitung jarak setiap data (objek) ke cluster terdekat (non medoid)
Sama dengan tahap 2 yaitu perhitungan jarak Minkowski Distance sesuai dengan persamaan (2). Berikut ini contoh pada klaster 1 menggunakan medoid Manual brewing french press:
𝑑(𝐴𝑖𝑟 𝑚𝑖𝑛𝑒𝑟𝑎𝑙, 𝑗𝑢𝑚𝑙𝑎ℎ 𝑖𝑡𝑒𝑚) = | 0,288 − 0,005 |3= 0,023 𝑑(𝐴𝑖𝑟 𝑚𝑖𝑛𝑒𝑟𝑎𝑙, ℎ𝑎𝑟𝑔𝑎 𝑠𝑎𝑡𝑢𝑎𝑛) = | 0 − 0,800 |3= 0,512
𝑑(𝐴𝑖𝑟 𝑚𝑖𝑛𝑒𝑟𝑎𝑙) = (0,023 + 0,512)13= 𝟎, 𝟖𝟏𝟐
Tabel 7 Hasil Perhitungan Minkowski Distance pada non medoid
No Item Produk
Klaster
C1 C2 C3 Jarak
Terdekat
1 Air mineral 0,812 0,726 0,602 C3
2 Nasi goreng spesial 0,280 0,984 0,855 C1
9
3 Pisang bakar coke (cokelat keju) 0,208 0,909 0,783 C1
4 Arabica coffee er coffee americano hot 0,002 1,042 0,925 C1
5 Arabica coffee er coffee americano ice 0,080 1,056 0,945 C1
...
185 tempe medoan 0,406 0,855 0,725 C1
186 ubi merekah 0,401 0,913 0,783 C1
Total Jarak 60,954 168,183 145,315
Selanjutnya menghitung semua total jarak dari semua klaster untuk mengetahui seberapa besar cost yang dibutuhkan, total keseluruhan jarak klaster 1, klaster 2, dan klaster 3 terhadap medoid adalah:
𝑇𝑜𝑡𝑎𝑙 = (𝑡𝑜𝑡𝑎𝑙 𝑗𝑎𝑟𝑎𝑘 𝐶1 + 𝑡𝑜𝑡𝑎𝑙 𝑗𝑎𝑟𝑎𝑘 𝐶2 + 𝑡𝑜𝑡𝑎𝑙 𝑗𝑎𝑟𝑎𝑘 𝐶3) 𝑇𝑜𝑡𝑎𝑙 = (60,954 + 168,183 + 145,315) = 𝟑𝟕𝟒, 𝟒𝟓𝟐
5. Menghitung total simpangan (S) dengan menggunakan persamaan (3)
𝑆𝑖𝑚𝑝𝑎𝑛𝑔𝑎𝑛(S) = (374,452 − 227,550) = 𝟗𝟔, 𝟗𝟎𝟐
Hasil total simpangan adalah 96,902 maka tidak dilakukan proses iterasi lagi karena total simpangan lebih besar dari 0, maka proses iterasi berhenti dan hasil klaster pada tabel 8.
Tabel 8 Hasil Clustering
No Item Produk Klaster
1 Air mineral 2 (sedang)
2 Nasi goreng spesial 1 (rendah)
3 Pisang bakar coke (cokelat keju) 1 (rendah) 4 Arabica coffee er coffee americano hot 1 (rendah) 5 Arabica coffee er coffee americano ice 1 (rendah)
... ... ...
185 tempe medoan 2 (sedang)
186 ubi merekah 2 (sedang)
d. Evaluasi Hasil Clustering
1. Melakukan perhitungan jarak anggota klaster terhadap anggota dalam satu klaster menggunakan rumus euclidean distance. Contoh pada produk arabica coffee er coffee americano ice dalam klaster 1.
𝐴𝑟𝑎𝑏𝑖𝑐𝑎 … 𝑖𝑐𝑒 (𝑗𝑎𝑟𝑎𝑘 𝑘𝑒 1) = √0,105 − 0,105 + 0,600 − 0,600 = 0,000 𝐴𝑟𝑎𝑏𝑖𝑐𝑎 … 𝑖𝑐𝑒 (𝑗𝑎𝑟𝑎𝑘 𝑘𝑒 2) = √0,105 − 0,003 + 0,600 − 0,800 = 0,224
Setelah melakukan perhitungan hingga ke klaster 3 maka didapatkan nilai a(i):
𝑎(𝑖) = 1029,521
(76 ∗ 76)= 𝟎, 𝟏𝟕𝟖
2. Melakukan perhitungan jarak anggota klaster terhadap anggota diluar klaster lain untuk mendapatkan nilai d(i,C), sama dengan tahap 1 menggunakan rumus euclidean distance. Berikut perhitungan klaster 1 terhadap klaster 2:
𝑑(𝑖, 𝐶) = 2942,663
(106 ∗ 76)= 𝟎, 𝟑𝟔𝟓
10 Selanjutnya melakukan perhitungan klaster 1 terhadap klaster 3:
𝑑(𝑖, 𝐶) = 287,311
(4 ∗ 76)= 𝟎, 𝟗𝟒𝟓
3. Mencari nilai b(i) yaitu nilai terkecil dari 𝑑(𝑖, 𝐶) tahap sebelumnya
𝑏(𝑖) = 𝑚𝑖𝑛(0,365; 0,945) = 𝟎, 𝟑𝟔𝟓
4. Mencari nilai s(i) yaitu nilai silhouette coefficient.
𝑠(𝑖) = b(i) − a(i) 𝑚𝑎𝑥 (a(i); 𝑏(𝑖)) 𝑠(𝑖) = 0,365 − 0,178
𝑚𝑎𝑥 (0,178; 0,365)= 𝟎, 𝟓𝟏𝟐
Sehingga nilai silhouette coefficient pada klaster 1 sebesar 0,512, kemudian melakukan perhitungan juga untuk klaster 2 dan 3, maka didapatkan hasil keseluruhan pada tabel 9.
Tabel 9 Hasil Nilai Silhoutte Coeficient Semua Klaster
No Klaster ke- S(i) Struktur
1 1 0,512 Struktur Sedang
2 2 0,436 Struktur Lemah
3 3 0,762 Struktur Kuat
Jumlah 1,710
Rata-rata 0,570
Hasil Clustering Struktur Sedang
e. Tahapan Pengembangan Sistem
1. Rencana kebutuhan (Requirement Planing)
tahapan rencana kebutuhan yang didapatkan dari hasil wawancara dan observasi objek penelitian dapat dilihat pada tabel 10.
Tabel 10 Rencana Kebutuhan Sistem
No Permasalahan Kebutuhan Sistem
1
Tidak adanya pengelompokan produk berdasarkan tingkat penjualan data transaksi.
Sistem mampu melakukan pengelompokan produk dari tingkat penjualan data transaksi
2
Tidak tahu bagaimana menerapkan strategi promosi yang tepat pada setiap kelompok pada permasalahan pertama.
Sistem mampu menentukan strategi promosi menurut para ahli dari pengelompokan berdasarkan tingkat penjualannya
Dari permasalahan tersebut dapat dibuat sistem yang mampu mengatasi permasalahan sebagai berikut:
a) Sistem mampu menghitung hasil penerapan algoritma K-Medoids.
b) Sistem mampu menghitung hasil akurasi dari penerapan algoritma K-Medoids.
c) Sistem mampu menampilkan data transaksi.
d) Sistem mampu menampilkan data produk.
11 e) Sistem mampu menampilkan data preprocessing.
f) Sistem mampu menampilkan data normalisasi.
g) Mampu mengelompokan tingkatan penjualan produk menggunakan algoritma K- Medoids.
h) Sistem mampu menentukan strategi promosi dari hasil K-Medoids.
2. Proses Desain (Design System)
Tahapan proses desain menggunakan UML seperti use case, activity diagram, dan class diagram, berikut ini adalah use case diagram sisitem
Gambar 1 Use Case Diagram 3. Konstruksi (Construction)
Tahapan proses coding menggunakan bahasa pemrograman PHP dan MySql sebagai bahasa penyimpanan database.
4. Implementasi (Implementation)
Tahapan implementasi adalah hasi dari tahap coding berisi tampilan dari user interface system dan functional nya. Berikut ini adalah beberapa tampilan sistem.
Gambar 2 Halaman Utama
12 Gambar 3 Tampilan Hasil Transformasi
Gambar 4 Tampilan Penyebaran Klaster
Gambar 5 Hasil Pengujian Silhouette Coefficient
Gambar 6 Hasil Klaster dan Startegi Promosinya
13 KESIMPULAN
Berdasarkan penelitian yang dilakukan, maka dapat disimpulkan beberapa hal sebagai berikut
1. Hasil proses analisis data pembelian konsumen menggunakan algoritma K-Medoids berjumlah 27329 record data dengan 186 jenis produk dikelompokan berdasarakan tingkat penjualan tinggi berjumlah 4 item, sedang 106 item, dan produk tingkat pejualan rendah 76 item.
2. Metode K-Medoids memiliki kinerja yang baik dalam melakukan pengelompokan data produk dari tingkat penjulaannya, dimulai dari pengumpulan data, preprocessing, pemilihan medoid sebagai pusat klaster, perhitungan jarak medoid dengan objek klaster, dan evaluasi hasil klaster yang diuji keakurasiannya menggunakan metode silhoutte coeficient untuk mengukur hemogenitas jarak antar klaster yakni sebesar 0,570 atau termasuk klaster dengan struktur sedang. Tingkat keakurasian klaster berpengaruh pada sedikit banyaknya data, jumlah klaster dan pemilihan pusat klaster/medoid.
3. Berdasarkan hasil penelitian, maka strategi promosi untuk setiap tingkat penjualan sebagai berikut:
a. Untuk 4 item produk dalam klaster tingkat penjualan tinggi menggunakan strategi promosi sponsor secara (Event Sponsorship) yaitu memasarkan produk pada event tertentu sebagai promosi, dan Premium dan spesialis periklanan (Premium and Advertising Specialities) yaitu memberikan biaya relatif rendah atau gratis sebagai insentif untuk membeli produk tertentu.
b. Untuk 106 item produk dalam klaster tingkat penjualan sedang menggunakan strategi promosi frekuensi produk (Frequency continuity) yaitu memberikan program-program yang berkelanjutan, seperti menawarkan konsumen tambahan produk gratis yang biasanya adalah produk yang rendah pembelian, dan penempatan merek (Brand Product Placement).
c. Untuk 76 item produk dalam klaster tingkat penjualan rendah menggunakan strategi promosi menempatkan produk berdampingan dengan produk yang tinggi penjualan (point-of-purchase) dan Penawaran potongan harga (Price-off Deals) yaitu memberikan diskon.
SARAN
Berdasarkan kesimpulan diatas dan untuk menambah referensi penelitian selanjutnya, maka penulis mengemukakan beberapa saran sebagai berikut:
1. Penelitian ini dapat dikembangkan dengan menggunakan metode pengelompokan data mining lainnya seperti K-Means, DBSCAN, dan CLARANS.
2. Pemilihan medoids sebaiknya menggunakan metode lagi agar pemilihan medoids tidak dilakukan secara acak, untuk meningkatkan akurasi dari hasil klaster yang didapatkan.
3. Menambahkan atribut data tidak hanya menggunakan jumlah item yang dibeli dan harga satuan.
14 4. Agar hasil akurasi yang didapatkan lebih maksimal, mengelompokan produk tidak digabung antara makanan dan minuman sehingga dengan pemisahan tersebut dapat mengetahui lebih spesifik pengelompokan berdasarkan jenis produknya.
UCAPAN TERIMAKASIH
Penulis mengucapkan terima kasih kepada Bapak Joko Risanto, S.Kom., M.Kom.
yang telah membimbing, memotivasi serta membantu penelitian dan penulisan karya ilmiah ini.
DAFTAR PUSTAKA
Han, J., Kamber, M., & Pei, J. (2014). Data mining concepts and techniques (Elsevier (ed.); 3 ed.). Morgan Kaufmann. https://doi.org/10.1109/ICMIRA.2013.45
Kantardzic, M. (2011). Data Mining: Concepts, Models, Methods, and Algorithms. In E.
Hossain (Ed.), Data Mining: Concepts, Models, Methods, and Algorithms: Second Edition (Third). IEE Press. https://doi.org/10.1002/9781118029145
Marlina, D., Lina, N., Fernando, A., & Ramadhan, A. (2018). Implementasi Algoritma K-Medoids dan K-Means untuk Pengelompokkan Wilayah Sebaran Cacat pada Anak. Jurnal CoreIT: Jurnal Hasil Penelitian Ilmu Komputer dan Teknologi Informasi, 4(2), 64. https://doi.org/10.24014/coreit.v4i2.4498
Rijali, A. (2018). Analisis Data Kualitatif. Alhadharah: Jurnal Ilmu Dakwah, 17(33), 81.
https://doi.org/10.18592/alhadharah.v17i33.2374
Ritonga, H. M., Fikri, M., Siregar, N., Agustin, R. R., & Hidayat, R. (2018). Manajemen pemasaran Konsep dan Strategi (pertama).
Sitorus, O. F., & Utami, N. (2017). Strategi promosi pemasaran. In Fkip Uhamka. FKIP UHAMKA.
Triyanto, W. A. (2015). Algoritma K-Medoids Untuk Penentuan Strategi Pemasaran Produk. Simetris : Jurnal Teknik Mesin, Elektro dan Ilmu Komputer, 6(1), 183.
https://doi.org/10.24176/simet.v6i1.254
