BAB II LANDASAN TEORI

8 1.1 Customer Relationship Management (CRM)

CRM adalah perpaduan antara teori, metode, teknik, kompetensi dan software enterprise untuk mengembangkan jangka panjang perusahaan dengan pelanggan dan memperbaiki hubungan pelanggan [35]. Pengertian CRM dari sisi teknologi informasi adalah sebuah strategi untuk mengoptimalkan nilai lifetime pelanggan dengan cara mengetahui lebih banyak mengenai informasi pelanggan dan berinteraksi dengan pelanggan secara intensif [31]. Pengertian CRM dari sisi komunikasi dan manajemen, ialah sebuah pendekatan perusahaan untuk memahami dan mempengaruhi perilaku pelanggan melalui komunikasi yang intensif dalam rangka meningkatkan akuisisi pelanggan, mempertahankan pelanggan dan loyalitas pelanggan [29]. Pengertian CRM dari segi bisnis dapat diartikan sebuah strategi bisnis untuk memahami, mengantisipasi dan mengelola kebutuhan pelanggan yang potensial dalam suatu organisasi pada saat sekarang dan yang akan datang [4]. Dua tujuan dari CRM yaitu daya tarik pelanggan (customer attraction) dan pilihan pelanggan (customer retention). Fase daya tarik (attraction) menunjukkan aktivitas untuk menarik pelanggan potensional untuk membeli atau menggunakan produk. Pada fase retention fokus menjaga hubungan dalam jangka waktu lama[14]. CRM dapat diklasifikasikan dalam 3 jenis, yaitu:

1. Operational CRM. Mengoptimasi proses bisnis yang berinteraksi secara langsung dengan pelanggannya. CRM memiliki berbagai macam aplikasi yang diterapkan dalam pemasaran, penjualan dan pelayanan yang mendukung proses bisnis. Aplikasi proses bisnis yang menerapkan hal diatas tergolong dalam aplikasi operasional.

2. Analytical CRM. Merupakan proses analisis dari data-data yang dihasilkan pada Operational CRM. Tantangan bagi perusahaan sekarang

ini adalah untuk mengerti apa yang menjadi permintaan pelanggan dan memberikan respon, secara lebih baik, mengantisipasi kebutuhan mereka. Analytical CRM

memungkinkan perusahaan untuk mendapatkan suatu pengetahuan akan pelanggan dan melakukan penaksiran atau estimasi terhadap pelanggan berdasarkan data-data analisis yang dipakai. Analytical CRM terdiri dari semua programming yang menganalisis data tentang pelanggan perusahaan, sehingga keputusan yang lebih cepat dan lebih baik dapat dihasilkan. Contoh dari Analytical CRM adalah business intelligence seperti data warehouse, OLAP dan data mining.

3. Collaborative CRM. Aplikasi pelayanan yang terkolaborasi, seperti e-mail, personalized publishing, e-communities, forum diskusi, dan sarana lainnya yang dirancang untuk memfasilitasi interaksi antara pelanggan dan pihak perusahaan. CRM jenis ini bertujuan untuk menggunakan informasi yang dikumpulkan secara bersama di semua departemen untuk peningkatkan kualitas pelayanan yang diberikan.

1.2 Data Mining

Data mining merupakan proses pencarian pola-pola yang menarik dan tersembunyi (hidden pattern) dari suatu kumpulan data yang berukuran besar yang tersimpan dalam suatu basis data, data warehouse, atau tempat penyimpanan data lainnya. Kunci dari data mining meliputi data, informasi dan keputusan bisnis. Data akan diolah menjadi informasi. Tujuan akhir data mining menggunakan informasi untuk membuat lebih efisisen keputusan bisnis dan mengambil keputusan secara tepat [19]. Pertumbuhan di bidang data mining ditentukan oleh berbagai faktor: Pertumbuhan dalam pengumpulan data, menyimpan data dalam gudang data, sehingga seluruh perusahaan memiliki akses ke database saat ini dapat diandalkan, ketersediaan peningkatan akses ke data dari web navigasi dan intranet, tekanan kompetitif untuk meningkatkan pangsa pasar dalam ekonomi global, pertumbuhan yang luar biasa dalam daya komputasi dan kapasitas penyimpanan [27]. Data mining sering disebut Knowledge Discovery from Data atau KDD. Tahapan data mining ditunjukkan pada gambar 2.2.

Gambar 2.2 Tahapan Data Mining [10]

Gambar 2.2 merupakan tahapan umum proses data mining yang di lakukan dalam penelitian. Tahapan pada data mining yaitu:

1. Data cleaning merupakan proses penghilangan noise, data yang tidak relevan.

2. Data integration merupakan proses menggabungkan data dari berbagai data sumber ke dalam database.

3. Data selection merupakan proses pemilihan data yang digunakan untuk proses data mining.

4. Data transformation merupakan proses mentransformasikan dan mengkonsolidasikan data yang digunakan untuk proses mining. 5. Data mining merupakan proses utama mencari pengetahuan dari

informasi tersembunyi.

6. Pattern evaluation ialah proses mengidentifikasi pola yang telah didapat.

7. Knowledge presentation merupakan visualisasi dan presentasi pengetahuan yang telah didapat kepada pengguna.

1.3 Hubungan CRM dan Data Mining

Data yang diperlukan untuk data mining berasal dari sistem CRM. Pengolahan data mining bertujuan untuk mewujudkan tujuan CRM. Data mining dan CRM menekankan hal yang berbeda data mining dapat secara efektif mencari pelanggan potensial, kecenderungan pasar dengan penekanan pada penggunaan perangkat lunak, metode dan teknik, sedangkan CRM lebih menekankan tujuan dan proses, untuk mewujudkan tujuan tersebut bergantung pada data mining. Data mining dan CRM mempunyai target akhir yang sama yaitu menemukan yang dibutuhkan konsumen, kepuasan dan kesetiaan konsumen serta profit. Data mining merupakan bagian dari CRM. CRM adalah kombinasi dari teori, metode, teknik dan software. Data mining termasuk dari teknik [3]. Data mining dapat meningkatkan keuntungan di setiap langkah customer life cycle ketika diintegrasikan dengan operational, analytical dan collaborative CRM system [32].

2.4 RFM (Recency, Frequency and Monetary)

Model analisa RFM dikembangkan pertama kali oleh Hughes sebagai metode untuk menganalisis nilai pelanggan. Model ini membedakan pelanggan yang penting dari sejumlah data dengan menggunakan tiga atribut yaitu selang waktu (interval) pemakaian pelanggan, frekuensi dan jumlah uang [12]. Ketiga atribut tersebut secara detail dideskripsikan seperti di bawah ini :

1. Recency the last Purchase (R).

R merepresentasikan resensi, yang berarti adalah jarak antara waktu terakhir pemakaian/pembelian dengan waktu sekarang.

2. Frequency of the purchases (F)

F mempresentasikan frekuensi, yang artinya adalah jumlah transaksi pada periode tertentu.

M merepresentasikan moneter, yang artinya adalah jumlah uang yang digunakan untuk pembelian pada periode tertentu

Menurut ketiga atribut tersebut memiliki tingkat kepentingan yang berbeda bergantung pada karakteristik sector industry, sehingga bobot dari tiga variabel tidak sama [24].

Penerapan Model RFM sudah banyak digunakan dalam berbagai penelitian berikut beberapa penelitiannya :

1. Penelitian Rully Agus Hendrawan 2015, penelitian tersebut menggunakan metode RFM (Recency, Frequency and Monetary) untuk mengenali karakteristik pelanggan pada perusahaan farmasi dengan baik [1].

2. Penelitian Reza Allahyari Soeini 2012, penelitian tersebut menggunakan metode RFM (Recency, Frequency and Monetary) untuk mengenali perilaku pelanggan industri asuransi [2].

3. Penelitian Kaymak menggunakan fuzzy clustering dan model RFM. Penelitian tersebut bertujuan untuk menentukan pelanggan potensial pemakai produk tertentu dari suatu database [13].

4. McCarty dan Hastak dalam penelitiannya, menggunakan pendekatan metode segmentasi data mining membandingkan RFM (Recency, Frequency dan Monetary), CHAID dan logistic regression. CHAID cenderung unggul daripada RFM ketika tingkat respon rendah dan data yang kecil. RFM merupakan metode yang dapat diterima dalam berbagai keadaan. RFM dapat menyelesaikan masalah dengan banyak transaksi yang dapat membantu perusahaan dalam menghadapi pelanggan [20].

2.5 Algoritma Fuzzy C-Means

Tahun 1981, Jim Bezdek memperkenalkan untuk pertama kalinya metode Fuzzy C-Means (FCM), salah satu metode clustering yang termasuk dalam penggolongan fuzzy clustering berdasarkan uncertainty data [17]. Metode ini menerapkan model pengelompok/kan fuzzy agar data bisa menjadi anggota semua cluster dengan tingkat atau derajad keanggotaan yang berbeda yaitu 0 dan 1 yang akan menentukan tingkat keberadaan data dalam suatu cluster atau kelas FCM

merupakan pengembangan dari metode non hierarki K-Means cluster, karena pada awalnya ditentukan dahulu jumlah kelompok Z atau cluster yang akan dibentuk kemudian dilakukan iterasi sampai mendapatkan keanggotaan kelompok tersebut Algoritma FCM adalah sebagai berikut [18][26]:

1. Input data yang akan di cluster X, berupa matriks berukuran n x m (n = jumlah sampel data, m = atribut setiap data). Xij = data sampel ke-i (i=1,2,...,n), atribut kej (j=1,2,....,m). 𝑥 = [ 𝑥11 ⋯ 𝑥1𝑚 ⋮ ⋱ ⋮ 𝑥𝑛1 ⋯ 𝑥𝑛𝑚 ] 2. Tentukan nilai dari :

a. Jumlah cluster = c;

b. Pangkat/Derajat ke fuzzy-an= w; c. Maksimum iterasi = MaxIter; d. Error terkecil yang diharapkan= ᶓ; e. Fungsi objektif awal = P0 = 0;

f. Iterasi awal = t = 1;

3. Bangkitkan bilangan random µik i = 1, 2, ..., n; k = 1, 2, ..., c; sebagai elemen-

elemen matriks awal U. Hitung jumlah setiap kolom (atribut) : 𝑄𝑖 = ∑ 𝜇𝑖𝑘

𝑐

𝑘=1

Dengan i=1, 2, ..., n. Hitung :

𝜇𝑖𝑘 = 𝜇𝑖𝑘 𝑄1

4. Dengan pusat klaster ke-k: Vkj, dengan k = 1, 2, ..., c; dan j = 1, 2, ..., m

∑((𝜇_𝑖𝑘)𝑤_{∗ 𝑋} 𝑖𝑗) 𝑛 𝑖=1 ∑(𝜇_𝑖𝑘)𝑤 𝑛 𝑖=1

𝑉

_𝑘𝑗

=

5. Hitung fungsi obyektif pada iterasi ke-t, Pt 𝑃_𝑡= ∑ ∑ ([∑(𝑋_𝑖𝑗− 𝑉_𝑘𝑗) 𝑚 𝑗=1 ] 2 (𝜇_𝑖𝑘)𝑤₎ 𝑐 𝑘=1 𝑛 𝑖=1

6. Hitung perubahan matriks partisi :

[∑(𝑋_𝑖𝑗 − 𝑉_𝑘𝑗) 𝑚 𝑗=1 ] −2 𝑤−1 ∑ [∑(𝑋_𝑖𝑗 − 𝑉_𝑘𝑗) 𝑚 𝑗=1 ] −2 𝑤−1 𝑐 𝑘=1

Cek kondisi berhenti : Jika : ( | Pt – Pt-1 | < ᶓ ) atau ( t > MaxIter ) maka berhenti; Jika

tidak : t = t+1, ulangi langkah ke-4. 2.6 Algoritma K-Means

K-means adalah salah satu algoritma yang terkenal untuk clustering dan telah digunakan secara luas di berbagai bidang termasuk data mining, data statistik, analisis dan aplikasi bisnis lainnya [6]. Langkah-langkah algoritma K-Means:

1. Menentukan jumlah cluster k

a. Inisialisasi k pusat cluster ini bisa dilakukan dengan berbagai cara. Namun yang paling sering dilakukan adalah dengan cara random. Pusat-pusat cluster diberi nilai awal dengan angka-angka random.

b. Memasukkan setiap item dataset yang jaraknya paling dekat dengan nilai centroid ke dalam centroid cluster tersebut.

c. Menghitung rata-rata nilai item dalam setiap cluster untuk dijadikan sebagai centroid yang baru.

d. Melakukan pengulangan langkah 2 dan langkah 3 hingga nilai centroid sama dengan nilai rata-rata item dalam cluster. Perhitungan jarak antar titik dengan menggunakan euclidean distance. Formula euclidean distance:

𝑑(𝑝, 𝑞) = √(𝑝1 − 𝑞1)2_{+ (𝑝2 − 𝑞2)}2

2.7 Index XB (Xie-Beni)

Indeks XB ditemukan oleh Xie dan Beni yang pertama kali dikemukakan pada tahun 1991. Ukuran kevalidan cluster merupakan proses evaluasi hasil clustering untuk menentukan cluster mana yang terbaik. Ada dua kriteria dalam mengukur kevalidan suatu cluster, yaitu :

1. Compactness, yaitu ukuran kedekatan antaranggota pada tiap cluster.

2. Separation, yaitu ukuran keterpisahan antar cluster satu dengan cluster yang lainnya.

Rumus kevalidan suatu cluster atau indeks Xie-Beni (XB)[11] yaitu:

𝑋𝐵 = ∑ ∑ 𝜇𝑖𝑘 𝑤 _{∗ ‖𝑉𝑖 − 𝑋𝑗‖}2 𝑛 𝑗=1 𝑐 𝑖=1 𝑛 ∗ 𝑚𝑖𝑛𝑖,𝑗‖𝑉𝑖 − 𝑉𝑗‖2

Dengan c = banyak klaster, n = banyak objek yang dikelompokkan, 𝜇𝑖𝑘 = derajat keanggotaan fuzzy, w = pangkat pembobot (fuzzifier), 𝑚𝑖𝑛_𝑖,𝑗‖𝑉𝑖 − 𝑉𝑗‖2 adalah jarak minimum antara pusat klaster vi dan vj.

2.8 Evaluasi Kinerja Menggunakan Kriteria Nilai Simpangan Baku

Penilaian dapat dilakukan dengan membandingkan hasil pengelompokan oleh masing-masing metode dengan menggunakan kriteria dua nilai simpangan baku, yaitu rata-rata simpangan baku dalam kelompok (Sw) dan simpangan baku antar kelompok (Sb)

[5]. Rumus rata-rata simpangan baku dalam kelompok:

𝑆𝑤 = 𝐾(−1)∑ 𝑆𝑘

𝑘

(𝑘=1)

Keterangan :

K = banyaknya kelompok yang terbentuk Sk= Simpangan baku kelompok ke-k.

Rumus rata-rata simpangan baku antar kelompok:

𝑆_𝑏= [(𝐾 − 1)−1_∑(𝑋̅ 𝑘− 𝑋̅)2 𝐾 𝑘=1 ] 1/2

Keterangan, 𝑋̅_𝑘 adalah rataan kelompok dan 𝑋 ̅adalah rataan keselurahan kelompok. 2.9 Matlab

Matlab (Matrix Laboratory) adalah sebuah program untuk analisis dan komputasi numeric, merupakan suatu bahasa pemrograman matematika lanjutan yang dibentuk dengan dasar pemikiran menggunakan sifat dan bentuk matriks. Pada awalnya, program ini merupakan interface untuk koleksi rutin-rutin numeric proyek LINPACK dan EISPACK, dikembangkan menggunakan bahasa FORTRAN. Namun sekarang, program ini merupakan produk komersial dari perusahaan Mathwork,Inc. yang dikembangkan menggunakan bahasa C++ dan assembler (terutama fungsi-fungsi dasar MATLAB).[22] Selain itu, MATLAB merupakan bahasa pemrograman tingkat tinggi berbasis pada matriks sering digunakan untuk teknik komputasi numeric, digunakan untuk

menyelesaikan masalah-masalah yang melibatkan operasi matematika elemen, matrik, optimasi, aproksimasi, dan lain-lain. MATLAB banyak digunakan pada :

1. Matematika dan Komputasi 2. Pengembangan Algoritma

3. Pemrograman modelling,simulasi,dan pembuatan prototype 4. Analisis Data,eksplorasi dan visualisasi

5. Analisis numeric dan statistic 6. Pengembangan aplikasi teknik

2.10 Segmentasi Pelanggan

Segmentasi Pelanggan adalah salah satu teknik dalam pengelolaan hubungan pelanggan dimana perusahaan mengidentifikasi grup / kategori pelanggan mereka berdasarkan catatan transaksi dan kemudian mempelajari pola dari setiap grup [8]. Manager pemasaran bisa mendesain layanan pemasaran yang berbeda agar sesuai dengan kebutuhan dan keinginan setiap segmen pelanggan. Contoh dari segmentasi pelanggan yang paling sederhana adalah membagi pelanggan berdasarkan kesetiannya (member dan non-member), usia, cara pembayaran, dan lain-lain.

2.11 Scientific Method

Scientific Method adalah skema logis yang digunakan oleh para ilmuwan untuk mencari jawaban atas pertanyaan yang diajukan dalam ilmu pengetahuan. Scientific Method digunakan untuk menghasilkan teori-teori ilmiah, termasuk kedua meta-teori ilmiah (teori tentang teori) serta teori digunakan untuk merancang alat untuk menghasilkan teori (instrumen, algoritma, dll). Versi sederhana terlihat seperti ini (lihat juga Gambar 2.11) [15]:

1. Buat pertanyaan dalam konteks pengetahuan yang ada (teori & pengamatan). Ini bisa menjadi pertanyaan baru yang teori-teori lama mampu menjawab (biasanya terjadi), atau pertanyaan yang membutuhkan perumusan teori baru.

2. Membangun hipotesis sebagai jawaban tentatif. 3. Menyimpulkan Konsekuensi dan membuat prediksi.

4. Test hipotesis dalam bidang percobaan / teori tertentu. Hipotesis baru harus membuktikan agar sesuai dengan pandangan dunia yang ada (1, "ilmu pengetahuan normal", menurut Kuhn). Dalam hal hipotesis mengarah ke kontradiksi dan menuntut perubahan radikal di latar belakang teoritis yang ada, itu harus diuji terutama dengan hati-hati. Hipotesis baru harus membuktikan berbuah dan menawarkan keuntungan yang cukup besar, untuk menggantikan paradigma ilmiah yang ada. Ini disebut "revolusi ilmiah" (Kuhn) dan itu terjadi sangat jarang. Sebagai aturan, langkah 2-3-4 diulang dengan modifikasi dari hipotesis yang diperoleh, yang mengarah langkah ke 5. Jika perbedaan besar ditemukan, proses harus dimulai dari awal.

5. Ketika diperoleh konsisten, hipotesis menjadi teori dan menyediakan seperangkat proposisi yang mendefinisikan fenomena kelas baru atau konsep teoritis baru. Hasil harus dipublikasikan. Teori pada tahap subjek process dari "seleksi alam" antara teori yang bersaing (6). Sebuah teori kemudian menjadi kerangka kerja yang observasi / fakta teoritis dijelaskan dan prediksi yang dibuat.

Gambar 2.11 Diagram Penjelasan Sifat Iteratif Scientific Method [15]

Gambar 2.11 merupakan penggambaran umum struktur logis dari scientific method digunakan dalam mengembangkan teori-teori baru. Aliran diagram menunjukkan, dalam keadaan pengembangan ilmu dan perubahan secara permanen.