IMPLEMENTASI MODEL CRM

33

VI.

IMPLEMENTASI MODEL CRM

Tahapan implementasi Model CRM ini terdiri dari dua bagian yaitu transformasi desain dan evaluasi sistem. Transformasi desain menjelaskan piranti lunak yang digunakan untuk mentransformasikan hasil rancangan model CRM menjadi suatu model PSP 1.0 yang nyata. Sedangkan tahap evaluasi sistem adalah tahap untuk melakukan verifikasi dan validasi sistem. Tahap verifikasi dilakukan dengan cara pengujian keluaran paket program dan pelacakan kesalahan sistem (testing and debuging). Dan tahap validasi dilakukan dengan cara membandingkan data pada periode selanjutnya dari data penelitian dengan hasil data yang telah diolah, sehingga hasil dari validasi dapat disimpulkan. Metode validasi sitem yang digunakan adalah metode face validity.

6.1

Transformasi

Design

PSP 1.0 menggunakan bahasa pemograman Pascal yang terintegrasi dalam perangkat lunak Borland Delphi 7 (Borland, 2002) sebagai desain Graphic User Interface. Manajemen basis data pada PSP 1.0 ada dua jenis, yaitu basis data lokal (localdatabase) dan basis data online (online database) sehingga PSP 1.0 memungkinkan diintegrasikan dengan perangkat lunak berbasis web

(web based application). Manajemen basis data lokal yang digunakan adalah Microsoft Acces 2007 (Microsoft, 2007) dengan koneksi yang digunakan adalah activeX data object (ADO). Sedangkan manajemen basis data online yang digunakan adalah MySQL (Oracle, 2011) dengan koneksi yang digunakan adalah open database connection (ODBC). Manajemen basis data pada PSP 1.0 digunakan basis data lokal (localdatabase). Manajemen basis data lokal yang digunakan adalah Microsoft Acces 2007 (Microsoft, 2007) dengan koneksi yang digunakan adalah activeX data object (ADO). Semua perangkat lunak yang digunakan tersebut dijalankan pada sebuah perangkat komputer notebook dengan spesifikasi, prosesor Intel Centrino, memori RAM 1GB. Kapasitas hardisk 160 GB.

6.2

Penetapan Strategi Penjualan Menggunakan Nilai-Nilai

Association

Rules Mining (Support, Confidence, Improvement)

dan Analisis RFM

(

Recency, Frequency, Monetary

).

Penetapan strategi penjualan dilakukan berdasarkan tiga indikator diatas yaitu nilai support, nilai confidence dan nilai improvement dari rules hasil analisis frekuent item set serta dilakukan juga penetapan strategi penjualan dengan menggunakan analisis RFM yang telah diolah dari data transaksi penjualan pada bulan May 2010. Hasil dari analisis RFM dapat dilihat pada lampiran 1. Tabulasi Hasil Analisis RFM (Recency, Frequency, Monetary)

.

Tahapan penetapan strategi penjualan adalah sebagai berikut:

1. Menurut (Adhitama,2010), produk dengan nilai support terbesar dapat dijual secara bundling

(paket) dengan produk dengan nilai support terkecil. Hal ini dilakukan agar produk yang paling dominan dibeli dapat membantu meningkatkan dominasi produk yang paling tidak dominan dan antara produk tersebut dapat saling melengkapi. Pada penelitian ini nilai support

terbesar adalah pada produk B dan nilai support terkecil terdapat pada produk A, N, dan P sehingga dapat ditetapkan bahwa produk B akan dapat dijual bersamaan dengan produk A,

34

atau produk N, atau produk P. Melalui analisis RFM dengan mengacu pada lampiran 1. Tabel hasil analisis RFM, strategi ini sebaiknya dijual pada customer dengan nilai binning frekuensi dan recency tertinggi (binning 5) yaitu pada CV. Laju Jaya, PT. Candra Buana Mandiri, CV. Sinar Rejeki Jaya, PT. Linda Hanta Wijaya, PT Arviapratama Tiara, PT Salawati Motorindo, PT. Karaya Suka Abadi Padang, PT Putra Andalas Nusantara. Dengan begitu, diharapkan paket bundle dapat terjual semaksimal mungkin karena ditujukan untuk customer yang paling sering melakukan penjualan dengan frekuensi besar dan bersifat loyal pada perusahaan. Dan dalam hal monetary, strategi ini sebaiknya ditujukan untuk customer CV. Sinar Rejeki Jaya, PT. Centradist Partsindo Utama, CV Laju Jaya, PT. Christa Karya Mandiri. Hal ini karena

customer tersebut dinilai paling banyak membeli produk B. Acuan untuk menetapkan strategi penjualan tahap ini dapat dilihat pada Tabel 2.

2. Rules yang memiliki nilai terbesar dari hasil perkalian antara nilai support dan nilai

confidence dapat dijadikan untuk penetapan strategi penjualan cross-selling (Novrina,2010). Pada penelitian ini rules yang memiliki nilai tebesar terbesar dari hasil perkalian antara nilai

support dan nilai confidence adalah rules If Buy B Then Buy D. Dalam Analisis RFM, strategi penjualan ini ditujukan untuk customer yang memiliki nilai frekuensi tertinggi yaitu CV. Laju Jaya, PT. Candra Buana Mandiri, CV. Sinar Rejeki Jaya, PT. Linda Hanta Wijaya , PT Arviapratama Tiara, PT Salawati Motorindo, PT. Karaya Suka Abadi Padang, PT Putra Andalas Nusantara. Hal ini dilakukan karena produk yang memiliki nilai perkalian support

dan confidence tertinggi adalah produk yang paling digemari oleh customer sehingga sangat tepat jika dijual pada customer yang melakukan penjualan dalam frekuensi besar dan bersifat loyal pada perusahaan. Strategi ini juga sangat tepat ditujukan untuk CV. Laju Jaya karena

customer CV. Laju Jaya yang melakukan pembelian B dan D secara bersamaan dengan

monetary tertinggi. Acuan untuk menetapkan strategi penjualan tahap ini dapat dilihat pada Tabel 3.

Tabel 2. Penetapan Strategi Penjualan 1

Result of Calculating of SupportScore

Product Support Product A 0.01 Product B 0.55 Product C 0.42 Product D 0.51 Product E 0.11 Product F 0.48 Product G 0.48 Product H 0.48 Product I 0.51 Product J 0.50 Product K 0.04 Product L 0.12 Product M 0.07 Product N 0.01 Product O 0.16 Product P 0.01

35

Tabel 3. Penetapan Strategi Penjualan 2

If Antecedent then Consequent

Score of Support X Confidence

If Buy B Then Buy J 0.1383

If Buy B Then Buy H 0.1418

If Buy B Then Buy G 0.1372

If Buy B Then Buy D 0.1817

If Buy B Then Buy F 0.1441

If Buy B Then Buy I 0.1303

If Buy D Then Buy F 0.1300

If Buy D Then Buy G 0.1371

If Buy D Then Buy I 0.1329

If Buy F Then Buy H 0.1382

If Buy G Then Buy I 0.1315

If Buy H Then Buy I 0.1301

If Buy H Then Buy J 0.1289

If Buy I Then Buy J 0.1285

3. Penetapan strategi pemasaran dapat dilakukan dengan melihat nilai nominal cross-selling

dari strategi penjualan yang akan dilakukan (Tsiptsis dan Chorianopoulos, 2009). Semakin besar nilai cross selling pada suatu rules maka akan semakin meningkatkan

revenue perusahaan serta dapat semakin meningkatkan pelayanan CRM pada customer. Pada umumnya rules yang dihasilkan pada penelitian ini merupakan rules yang memiliki nilai cross-selling yang cukup signifikan artinya perbedaan nilai antar produk yang ada pada rules sangat signifikan sehingga hal ini dinilai dapat semakin melengkapi antara produk yang memiliki nilai yang relatif rendah dengan produk yang memiliki nilai relatif tinggi. Strategi ini sebaiknya ditujukan untuk customer yang juga memiliki ukuran

binning recency dan frequency tertinggi agar customer tersebut dapat melakukan pembelian pada strategi ini dalam jumlah banyak dan maksimal yaitu pada customer CV. Laju Jaya, PT. Candra Buana Mandiri, CV. Sinar Rejeki Jaya, PT. Linda Hanta Wijaya, PT Arviapratama Tiara, PT Salawati Motorindo, PT. Karaya Suka Abadi Padang, PT Putra Andalas Nusantara. Dari hasil penelitian, rules yang memiliki nilai cross selling

yang signifikan tersebut juga memiliki nilai confidence diatas 50% sehingga ini semakin menguatkan bahwa rules tersebut dapat digunakan dalam penetapan strategi penjualan

cross-selling. Rules tersebut dapat dilihat pada Tabel 4.

4. Misalkan sebuah rules terdiri dari if buy B then buy F memiliki Improvementscore ≥ 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

(Adhitama,2010). Rules yang memiliki Nilai improvement lebih dari 1 dapat digunakan dalam penetapan strategi penjualan. Hal ini karena nilai improvement menyatakan besarnya kemungkinan dua item dapat dibeli secara bersamaan sehingga semakin besar nilai improvement maka mengindikasikan semakin besar juga peluang terjualnya kedua produk secara bersamaan. Pada penelitian ini nilai improvement terbesar adalah pada

36

strategi ini tepatnya ditujukan untuk CV. Laju Jaya, hal ini karena customer tersebut melakukan transaksi pembelian B dengan D dalam jumlah monetary yang besar. Acuan untuk menetapkan strategi penjualan tahap ini dapat dilihat pada Tabel 4.

Tabel 4. Penetapan Strategi Penjualan 3 K-Item Set=2

If Antecedent then

Consequent Support Confidence

Improve-ment

If Buy B Then Buy J 0.276 0.502 1.005

If Buy B Then Buy H 0.279 0.508 1.049

If Buy B Then Buy G 0.275 0.499 1.043

If Buy B Then Buy D 0.316 0.575 1.128

If Buy B Then Buy F 0.282 0.512 1.059

If Buy B Then Buy I 0.268 0.487 0.954

If Buy D Then Buy F 0.257 0.505 1.044

If Buy D Then Buy G 0.264 0.519 1.083

If Buy D Then Buy I 0.26 0.511 1

If Buy F Then Buy H 0.258 0.535 1.104

If Buy G Then Buy I 0.251 0.524 1.026

If Buy H Then Buy I 0.251 0.518 1.015

If Buy H Then Buy J 0.25 0.516 1.034

If Buy I Then Buy J 0.256 0.502 1.005

6.3

Evaluasi Sistem

Pada tahap evaluasi sistem dilakukan tahapan verifikasi dan validasi sistem. Verifikasi dimaksudkan untuk menguji program dengan melakukan pengaturan masukan dan melakukan pengecekan untuk melihat kesesuaian dengan keluaran. Pengujian bertujuan untuk mengetahui kemampuan program dalam melakukan simulasi sesuai dengan yang diinginkan. Pengujian tersebut dengan membandingkan hasil hasil perhitungan dari sistem yang telah dibuat dengan hasil perhitungan menggunakan alat bantu lain (software). PSP 1.0 diuji dengan menggunakan software

Microsoft Excel 2007 untuk membandingkan hasilnya dengan keluaran dari PSP 1.0. Dalam paket program PSP 1.0, terdapat beberapa perhitungan kompleks untuk menentukan strategi penjualan. Perhitungan tersebut antara lain analisis frequent Item Set dan penetapan strategi penjualan menggunakan nilai-nilai association rules mining (support, confidence, improvement score). Validasi dimaksudkan untuk menguji kebenaran hasil pengolahan data dengan membandingkan hasil pengolahan data dengan hasil pada keaadaan nyata di periode selanjutnya. Validasi adalah proses penentuan apakah model sebagai konseptualisasi atau abstraksi merupakan representasi yang berarti dan akurat dari sistem nyata. Metode yang digunakan dalam tahap validasi sistem PSP 1.0 adalah metode face validity.

6.3.1

Verifikasi Sistem

Verifikasi adalah pemeriksaan apakah program komputer simulasi berjalan sesuai dengan yang diinginkan, dengan pemeriksaan program komputer. Verifikasi memeriksa penerjemahan model simulasi konseptual (diagram alur dan asumsi) ke dalam bahasa

37

pemrograman secara benar. Tahap verifikasi pada sistem dilakukan pada dua hal yaitu verifikasi perhitungan frequent item set, dan perhitungan nilai-nilai association rules mining (support, confidence, improvement).

1. Perhitungan Frequent Item Set

Perhitungan frequentitem set adalah tahap pertama yang dilakukan pada proses analisis data dalam penetapan strategi penjualan menggunakan teknik association rules mining. Tahap ini dilakukan untuk mendapatkan rules yang signifikan yang nantinya akan digunakan di dalam perhitungan nilai-nilai yang dibutuhkan untuk menetapkan strategi penjualan secara cross selling (nilai support, improvement, dan

confidence).

Kegiatan yang dilakukan pada tahap ini adalah menentukan nilai bilangan Item Set yang akan menjadi nilai item set untuk semua persilangan himpunan yang mungkin terjadi pada tahap analisis frequentitem set. Pada penelitian ini ditetapkan nilai bilangan item set adalah 430. Penetapan ini didasarkan pada proses trial and eror

yang dilakukan dalam melakukan analisis frequent item set, dari hasil trial and eror

disimpulkan nilai Item Set 430 cukup relevan untuk ditetapkan dalam perhitungan

frequentitem set penelitian ini karena menghasilkan jumlah item set dibawah jumlah himpunan penggolongan produk, dimana jumlah himpunan penggolongan sebanyak 16 dan jumlah item set dari nilai item set 430 adalah 14 item set sehingga jumlah 14 ini cukup significan dan sesuai dengan literatur-literatur yang ada bahwa jumlah himpunan item set (rules) sebaiknya berada tidak jauh dibawah jumlah penggolongan produknya.

Hasil dari analisis frequent item set dengan bilangan item set 430 menghasilkan 14 item set atau rules yang significan. Rules tersebut adalah rules yang hanya berasal dari proses analisis himpunan k-Item Set=1 (satu unsur) dan proses analisis K-item set=2 (2 unsur), sedangkan pada proses penyilangan dengan K-item set=3 (tiga unsur) tidak ditemukan satu pun himpunan yang mencapai bilangan item set 430. Rules

tersebut adalah sebagai berikut.

Tabel 5. Hasil Analisis FrequentItem Set K-Item Set=1

K-Item Set=1 Produk Produk B Produk C Produk D Produk F Produk G Produk H Produk I Produk J

38

Tabel 6. Hasil Analisis FrequentItem Set K-Item Set=2

K-Item Set=2 If Antecedent then Consequent

If Buy B Then Buy J If Buy B Then Buy H If Buy B Then Buy G If Buy B Then Buy D If Buy B Then Buy F If Buy B Then Buy I If Buy D Then Buy F If Buy D Then Buy G If Buy D Then Buy I If Buy F Then Buy H If Buy G Then Buy I If Buy H Then Buy I If Buy H Then Buy J If Buy I Then Buy J

39

Gambar 17. Tampilan Halaman Analisis FrequentItem Set K-Item Set=1 Program PSP 1.0

40

Gambar 19. Tampilan Halaman Analisis FrequentItem Set K-Item Set=3 Program PSP 1.0

2. Perhitungan Nilai-Nilai Association Rules Mining (Support, Confidence, Improvement)

Perhitungan nilai-nilai association rules mining adalah tahap akhir dari proses analisis data pada penelitian ini. Tahap ini adalah tahapn yang dapat dilakukan jika tahap perhitungan frequent item set telah dilakukan dan menghasilkan rules yang signifikanuntuk diperhitungkan kebenarannya dengan nilai-nilai association rules mining sehingga nantinya dapat dirumuskan menjadi strategi-strategi penjualan cross selling. Nilai-nilai tersebut diantaranya adalah nilai support, nilai confidence, dan nilai improvement.

Perhitungan support dilakukan untuk mengetahui ukuran yang menunjukkan tingkat dominasi item set dari keseluruhan transaksi. Perhitungan

support ini dilakukan dengan membagi jumlah kemunculan data transaksi pada

rules dengan jumlah keseluruhan data transaksi yang ada. Pada penelitian ini didapat nilai support tertinggi dalam K-item set= 1 adalah nilai support produk B. Kemudian pada k-item set=2 adalah nilai support tertinggi terdapat pada rules

(B,D).

Perhitungan confidence dilakukan untuk menghitung ukuran yang menyatakan hubungan antara dua item secara conditional (misalkan seberapa sering item Y dibeli, jika pelanggan membeli item X= (X,Y)). Perhitungan

41

pada penelitian ini didapat nilai confidence tertinggi dari seluruh rules yang ada adalah nilai confidence rules (B,D).

Perhitungan improvement dilakukan untuk menghitung ukuran yang menyatakan besarnya kemungkinan dua item dapat dibeli secara bersamaan.Perhitungan improvement ini dilakukan dengan menghitung:

pada penelitian ini di dapat nilai improvement tertinggi dalam seluruh rules yang ada adalah nilai improvement rules (B,D). Berikut hasil dari seluruh hasil perhitungan nilai support, confidence, dan improvement dari seluruh rules yang ada.

Tabel 7. Hasil Perhitungan Nilai Support K-Item Set=1 K-Item Set=1 Produk Support Product B 0.550 Produk C 0.424 Produk D 0.509 Product F 0.484 Product G 0.479 Product H 0.484 Product I 0.511 Product J 0.499

Tabel 8. Hasil Perhitungan Nilai Support, Confidence, Improvement K-Item Set=2

K-Item Set=2

If Antecedent then Consequent Support Confidence Improvement

If Buy B Then Buy J 0.276 0.502 1.005

If Buy B Then Buy H 0.279 0.508 1.049

If Buy B Then Buy G 0.275 0.499 1.043

If Buy B Then Buy D 0.316 0.575 1.128

If Buy B Then Buy F 0.282 0.512 1.059

If Buy B Then Buy I 0.268 0.487 0.954

If Buy D Then Buy F 0.257 0.505 1.044

If Buy D Then Buy G 0.264 0.519 1.083

If Buy D Then Buy I 0.260 0.511 1.000

If Buy F Then Buy H 0.258 0.535 1.104

If Buy G Then Buy I 0.251 0.524 1.026

If Buy H Then Buy I 0.251 0.518 1.015

If Buy H Then Buy J 0.250 0.516 1.034

42

Gambar 20. Report Hasil Analisis Association Rules Mining di Program PSP 1.0

6.3.2

Validasi Sistem

Validitas atau kesahihan menunjukan pada kemampuan suatu instrumen (alat pengukur) mengukur apa yang harus diukur (…. a valid measure if it succesfully measure

the phenomenon), seseorang yang ingin mengukur tinggi harus memakai meteran, mengukur berat dengan timbangan, meteran, timbangan merupakan alat ukur yang valid dalam kasus tersebut. Dalam suatu penelitian yang melibatkan variabel/konsep yang tidak bisa diukur secara langsung, masalah validitas menjadi tidak sederhana, di dalamnya juga menyangkut penjabaran konsep dari tingkat teoritis sampai tingkat empiris (indikator), namun bagaimanapun tidak sederhananya suatu instrumen penelitian harus valid agar hasilnya dapat dipercaya (Memah, 2007). Pada penelitian ini tahap validasi dilakukan dengan metode face validity.

Face Validity

Validitas Rupa (face validity) adalah validitas yang menunjukan apakah alat pengukur/instrumen penelitian dari segi rupanya nampak mengukur apa yang ingin diukur, validitas ini lebih mengacu pada bentuk dan penampilan instrumen. Validitas rupa amat penting dalam pengukuran kemampuan individu seperti pengukuran kejujuran, kecerdasan, bakat dan keterampilan (Memah, 2007). Face validity (Validitas Muka)

43

adalah tipe validitas yang didasarkan pada penilaian selintas mengenai isi alat ukur. Apabila isi alat ukur telah tampak sesuai dengan apa yang ingin diukur maka dapat dikatakan validitas muka telah terpenuhi. Dalam penelitian ini, alat ukur validitas rupa adalah data penjualan asli periode bulan maret- juni 2010. Validitas dilakukan dengan penyesuaian antara hasil strategi penjualan yang telah dibuat dengan data penjualan asli yang diolah pada penelitian ini.

1. Pada proses validasi nilai support dinyatakan bahwa produk B adalah produk yang memiliki nilai support tertinggi atau dengan kata lain produk yang paling sering terjual karena memiliki tingkat dominasi tertinggi dibandingkan dengan produk lainnya dan Produk A, N, dan P adalah produk yang memiliki nilai support terkecil artinya produk yang paling jarang terjual karena tingkat dominasinya yang paling kecil dibandingkan produk lainnya. Pada data penelitian terlihat bahwa produk B adalah yang paling tinggi kemunculannya yaitu sebanyak 955 kali kemunculan, hal ini menyatakan bahwa hasil pengolahan nilai support sesuai dengan keadaan aslinya. Kemudian untuk produk A, N, dan P memiliki nilai kemunculan paling sedikit yaitu sebanyak hanya 17 kali, 12 kali, dan 21 kali sehingga ini menyatakan bahwa perhitungan nilai support sesuai dengan keadaan aslinya dan bersifat valid.

2.

Pada proses validasi nilai confidence dinyatakan bahwa rules If Buy B Then Buy D

adalah rules yang memiliki nilai confidence tertinggi artinya hubungan antara produk B dan produk D adalah produk yang paling tinggi tingkat relasinya dibandingkan dengan rules yang lainnya. Dari data penelitian dinyatakan bahwa produk B terjual bersamaan dengan produk D sebanyak 549 kali. Jumlah ini merupakan jumlah yang paling tinggi dibandingkan dengan jumlah transaksi pada rules yang lain. Hal ini menyatakan validasi untuk nilai confidence telah sesuai dengan keadaan nyatanya.

3.

Pada proses validasi nilai improvement dinyatakan bahwa nilai improvement tertinggi adalah pada rules If Buy B Then Buy D artinya produk B dengan produk D adalah

rules yang paling besar kemungkinannya untuk dibeli secara bersamaan. Pada data penelitian rulesIf Buy B Then Buy D memiliki kemunculan 549 kali. Jumlah tersebut merupakan jumlah yang tertinggi sehingga sangat tepat bahwa produk B dengan D memiliki kemungkinan yang paling besar untuk dijual secara bersamaan.

4. Pada hasil analisis frequent item set didapat 22 rules. Rules tersebut dapat dilihat pada Tabel 9 dibawah ini.

44

Tabel 9. Jumlah Kemunculan Rules Pada Data Penjualan Bulan Maret-Juni 2010

Produk Kemunculan Product B 955 Produk C 736 Produk D 885 Product F 840 Product G 832 Product H 841 Product I 887 Product J 867

If Buy B Then Buy J 479

If Buy B Then Buy H 485

If Buy B Then Buy G 477

If Buy B Then Buy D 549

If Buy B Then Buy F 489

If Buy B Then Buy I 465

If Buy D Then Buy F 447

If Buy D Then Buy G 459

If Buy D Then Buy I 452

If Buy F Then Buy H 449

If Buy G Then Buy I 436

If Buy H Then Buy I 436

If Buy H Then Buy J 434

If Buy I Then Buy J 445

Semua rules adalah rules yang memiliki kemunculan diatas ambang batas yaitu diatas 430 kali kemunculan. Hal ini menunjukkan rules yang dihasilkan sesuai dengan ambang batas yang ditentukan.

5. Hasil Analisis RFM menghasilkan analisis segmentasi customer berdasarkan recency,

frequency, dan monetary. Pada hasil analisis recency, customer yang memiliki nilai

binning recency tertinggi (Binning 5) adalah customer PT. Arviapratama Tiara. Hal ini sesuai dengan keadaan nyatanya bahwa customer tersebut melakukan pembelian paling terakhir adalah pada tanggal 26 dimana 5 hari sebelumnya dilakukan penutupan pembukuan setiap bulannya. Kemudian pada analisis frequency, customer yang memiliki nilai binning tertinggi (binning 5) adalah CV Laju Jaya. Hal ini sesuai dengan keadaan nyatanya bahwa customer tersebut melakukan pembelian dengan jumlah frekuensi tertinggi yaitu 7089 produk pada satu bulan May 2010. Dan pada analisis Monetary, hasil analisis dihasilkan dari jumlah frekuensi per produk dikalikan dengan variabel harga produk yang berupa variabel A hingga P. Hasil Analisis RFM secara lengkap terlampir pada lampiran 1.