bulan M aret, April, M ei, dan Juni. Grafik GWP berdasarkan Object ini juga bisa dilihat lebih detil per hari pada tiap – tiap bulan.
Gambar 4.18 Menu Grafik GWP berdasarkan Product
Di menu grafik GWP berdasarkan Product ini dilihat dari Product Name yang terdapat 4 kategori produk yaitu Classic Comprehention, Classic Total L, Premium Non Paket, dan Premium Paket. Seperti yang terlihat pada Gambar 4.18 grafik tersebut dilihat berdasarkan pada bulan M aret, April, M ei, dan
Juni. Grafik GWP berdasarkan Product ini juga bisa dilihat lebih detil per hari pada tiap – tiap bulan.
4.2.4.3 Menu Grafik NetProduction
Gambar 4.19 Menu Grafik NetProduction berdasarkan Product
Di menu grafik NetProduction berdasarkan Product ini dilihat dari Product Name yang terdapat 4 kategori produk yaitu Classic Comprehention, Classic Total L, Premium Non Paket, dan Premium Paket. Seperti yang terlihat pada Gambar 4.19 grafik tersebut dilihat berdasarkan pada bulan M aret, April, M ei,
dan Juni. Grafik NetProduction berdasarkan Product ini juga bisa dilihat lebih detil per hari pada tiap – tiap bulan.
Gambar 4.20 Menu NetProduction berdasarkan Object
Di menu grafik NetProduction berdasarkan Object ini dapat dilihat dari Object Type dan Object Name. Pada Object Type terdapat 4 kategori mobil yang dikelompokan, yaitu City Car, MPV, Sedan, dan SUV. Dan setiap kategori menyebutkan nama – nama mobil yang menggunakan asuransi di Autocillin. Seperti yang terlihat pada Gambar 4.20 grafik tersebut ditampilkan berdasarkan Object Type, Object Name dan dilihat
berdasarkan pada bulan M aret, April, M ei, dan Juni. Grafik NetProduction berdasarkan Object ini juga bisa dilihat lebih detil per hari pada tiap – tiap bulan.
Gambar 4.21 Menu NetProduction Per Wilayah Customer
Di menu grafik NetProduction Per Wilayah Customer ini dapat dilihat secara Cust Province, Cust City, dan Cust Region. Pada Cust Province ditampilkan berdasarkan daerah – daerah pada tingkat provinsi. Sedangkan Cust City ditampilkan berdasarkan daerah – daerah pada tingkat kota. Lalu Cust Region ditampilkan berdasarkan daerah – daerah pada tingkat region.
Seperti yang terlihat pada Gambar 4.21 grafik tersebut dilihat berdasarkan pada bulan M aret, April, M ei, dan Juni. Grafik NetProduction Per Wilayah Customer ini juga bisa dilihat lebih detil per hari pada tiap – tiap bulan.
Gambar 4.22 Menu NetProduction berdasarkan Tipe Customer
Di menu grafik NetProduction berdasarkan Tipe Customer ini dapat dilihat secara Customer Type atau Name. Pada Customer Type terdapat 2 kategori yaitu Coorporate dan Individual. Disamping itu bisa juga dilihat secara Name dari setiap kategori. Seperti yang terlihat pada Gambar 4.22 grafik
tersebut dilihat berdasarkan pada bulan M aret, April, M ei, dan Juni. Grafik NetProduction berdasarkan Tipe Customer ini juga bisa dilihat lebih detil per hari pada tiap – tiap bulan.
Gambar 4.23 Menu NetProduction Per Wilayah Branch
Di menu grafik NetProduction Per Wilayah Branch ini dapat dilihat secara Branch Province, Branch City, dan Branch Region. Pada Branch Province ditampilkan berdasarkan branch di daerah – daerah pada tingkat provinsi. Sedangkan Branch City ditampilkan berdasarkan branch di daerah – daerah pada tingkat kota. Lalu Branch Region ditampilkan berdasarkan branch di
daerah – daerah pada tingkat region. Seperti yang terlihat pada Gambar 4.23 grafik tersebut dilihat berdasarkan pada bulan M aret, April, M ei, dan Juni. Grafik NetProduction Per Wilayah Branch ini juga bisa dilihat lebih detil per hari pada tiap – tiap bulan.
Gambar 4.24 Menu NetProduction berdasarkan Agent
Di menu grafik NetProduction berdasarkan Agent ini dapat dilihat secara Position Level dan Name. Pada kategori Position Level ditampilkan 5 level agent yaitu level 1 sampai 5. Dan dapat juga ditampilkan berdasarkan Name dari nama – nama Agent yang ada. Pada Gambar 4.24 grafik tersebut dilihat
berdasarkan pada bulan M aret, April, M ei, dan Juni. Grafik NetProduction berdasarkan Agent ini juga bisa dilihat lebih detil per hari pada tiap – tiap bulan.
4.2.5 Menu Cube
Pada Gambar 4.25 dan Gambar 4.26 di bawah adalah penjelasan fungsi – fungsi dari menu Cube
Gambar 4.27 Menu Cube
Di M enu Cube ini user bisa melihat Measure berdasarkan Customer Location, Product, Customer Detail, Time, Branch, Object Detail, Agent, dan Time. Dimana Measure tersebut berisi besar rupiah dari Production, Discount, Commision, Claim, GWP, dan Net Production. Jadi di M enu Cube ini user bisa membrowse sedetil mungkin untuk mengetahui besar rupiah dari Production, Discount, Commision, Claim, GWP, dan Net Production.
4.2.6 Menu Mining
Pada Gambar 4.28 dan Gambar 4.29 di bawah adalah penjelasan fungsi – fungsi dari menu Data Mining. Algoritma yang digunakan yaitu teknik decision tree.
Gambar 4.28 Penjelasan Menu Data Mining 1 (Decision-Tree View)
Gambar 4.29 Penjelasan Menu Data Mining 2 (Decision-Tree View)
4.2.6.1 Agent to Customer
Gambar 4.30 Mining Model Agent to Customer (Decision-Tree View)
Pada Gambar 4.30 dapat dilihat analisa prediksi latar belakang agent terhadap jumlah customer yang didapatnya. Prediksi dapat dilihat berdasarkan Age, Education Level, Gender, dan Position Level. Algoritma yang digunakan yaitu teknik decision tree. Prediksi yang diambil sebagai contoh pada gambar 4.30 adalah prediksi berdasarkan Education Level, dengan intensitas warna pada tree dan jumlah cases
menunjukkan bahwa Agent dengan Pendidikan M ahasiswa banyak mendapat Customer.
4.2.6.2 Agent to Object
Gambar 4.31 Mining Model Agent to Object (Decision-Tree View)
Pada Gambar 4.31 dapat dilihat analisa prediksi Latar belakang agent terhadap objek yang diasuransikan. Algoritma yang digunakan yaitu teknik decision tree. Prediksi dapat dilihat berdasarkan Age, Education Level, Gender, dan Position Level. Prediksi yang diambil sebagai contoh pada gambar 4.31 adalah
prediksi berdasarkan Education Level dengan intensitas warna pada tree dan jumlah cases menunjukkan bahwa Agent dengan Pendidikan M ahasiswa paling banyak mendapatkan Object asuransi.
4.2.6.3 Customer to Claim
Gambar 4.32 Mining Model Customer to Claim (Decision-Tree View)
Pada Gambar 4.32 dapat dilihat analisa prediksi latar belakang customer yang melakukan claim. Algoritma yang digunakan yaitu teknik decision tree. Prediksi yang diambil
sebagai contoh pada gambar 4.32 adalah prediksi berdasarkan Cars Own, Cust City, Cust Region, Customer Type, Day, Gender, Marital Status, Month of Year, Quarter, Year, dan Yearly Income. Prediksi yang diambil berdasarkan Cust Region, dengan intensitas warna pada tree dan jumlah cases menunjukkan bahwa Customer yang tinggal di daerah Blok M banyak mengajukan Claim ke Autocillin.
4.2.6.4 Customer to Production
Gambar 4.33 Mining Model Customer to Production (Decision-Tree View)
Pada Gambar 4.33 dapat dilihat analisa prediksi latar belakang customer yang memiliki prospek membeli asuransi. Algoritma yang digunakan yaitu teknik decision tree. Prediksi dapat dilihat berdasarkan Age, Cars Own, Cust Region, Gender, Martial Status, dan Yearly Income. Prediksi yang diambil sebagai contoh pada Gambar 4.33 adalah prediksi berdasarkan Cars Own dengan intensitas warna pada tree dan jumlah cases menunjukkan bahwa Customer yang memiliki mobil sebanyak 1 atau 2 buah banyak yang menggunakan asuransi.
Gambar 4.34 Mining Model Customer to Product (Decision-Tree View)
Pada Gambar 4.34 dapat dilihat analisa latar belakang customer dalam memilih produk – produk yang ditawarkan. Algoritma yang digunakan yaitu teknik decision tree Prediksi dapat dilihat berdasarkan Age, Cust Region, Day, Gender, Marital Status, Month of Year, Quarter, Year, dan Yearly Income. Prediksi yang diambil sebagai contoh pada gambar 4.34 adalah prediksi berdasarkan Cust Region dengan intensitas warna pada tree dan jumlah cases menunjukkan bahwa Customer yang tinggal di daerah Blok-M banyak menggunakan product Autocillin.
4.3 Evaluasi Program dengan Data Dummy
Setelah aplikasi Data Mining ini selesai dirancang maka dilakukan uji coba dengan menggunakan data dummy yang dibuat berdasarkan field – field Data Warehouse perusahaan. Uji coba ini bertujuan untuk melihat apakah rancangan aplikasi ini sesuai dengan kebutuhan perusahaan. Setelah dilakukan uji coba, maka berikut adalah beberapa hal yang dapat dijadikan catatan :
1. Prediksi dari mining model yang dibuat belum mencapai hasil yang maksimal, hal ini mungkin disebabkan oleh kurang besarnya data dummy yang digunakan (± 2000 field).
2. Mining model yang telah dibuat yaitu : agent to customer, agent to object asuransi, customer to production, customer to claim, dan
customer to product telah dapat memenuhi kebutuhan perusahaan untuk saat ini, namun seiring dengan berkembangnya perusahaan hendaknya untuk pengembangan kedepan, perusahaan menghendaki agar ruang lingkup dalam mining model dapat diperluas lagi.
3. Dengan adanya menu untuk mencetak form pada form grafik membantu eksekutif untuk melihat hasil laporan dalam bentuk hardcopy.
4. M enu cube yang menampilkan perhitungan nilai produksi, keuntungan kotor, dan keuntungan bersih sangat membantu bagian pemasaran memenuhi kebutuhannya.
