CUSTOMER RELATIONSHIP MANAGEMENT
UNTUK PENETAPAN STRATEGI PENJUALAN
MENGGUNAKAN TEKNIK ASSOCIATION RULES MINING
SKRIPSI
Triyoda Arrahman
F34070118
DEPARTEMEN TEKNOLOGI INDUSTRI PERTANIAN
FAKULTAS TEKNOLOGI PERTANIAN
INSTITUT PERTANIAN BOGOR
BOGOR
CUSTOMER RELATIONSHIP MANAGEMENT
FOR DETERMINING OF SALES STRATEGY
USING ASSOCIATION RULES MINING TECHNIQUE
Triyoda Arrahman
Department of Agroindustrial Technology, Faculty of Agricurtural Technology, Bogor
Agricultural Technology, IPB Darmaga Campus, PO Box 220, Bogor, West Java,
Indonesia.
Phone 62 21 8468904, e-mail: triyodaarrahman@yahoo.com
ABSTRACT
Business competition is the most important factor to develop a marketing system for a more effective and efficient marketing system in an industry. Customer Relationship Management (CRM) is a marketing Management system which can be a solution to face an increasingly competitive business. CRM includes cross-up selling, analysis of affinity products, and bundling of products that can be used as an alternative solution in marketing strategy system in an industry. Revenue of a company can be improved through cross selling where sale the additional product with the major products. Customer Relationships can improve customer satisfaction.
This research discusses an analysis of sales transaction data from an agro-industrial company with tires products using Association Rules Mining technique. The result from this work shows the strategy of sales can be made using value of support, confidence and improvement. Determining of sales strategy makes to sell products which have complementary products with a value is higher than the base product and have confidence level> 50%. It shows that sell in up-selling (offering products that have higher prices of basic products) also can be done.
Keywords: Business Competition, CRM (Customer Relationship Management), Sales Strategy, Data mining, Association Rules Mining, Cross Selling and Up Selling Strategy
TRIYODA ARRAHMAN. F34070118. Customer Relationship Management Untuk Penetapan Strategi
Penjualan Menggunakan Teknik Association Rules Mining. Di bawah bimbingan Taufik Djatna. 2011
RINGKASAN
Customer Relationship Management (CRM) merupakan suatu sistem manajemen pemasaran
yang dapat menjadi solusi dalam menghadapi persaingan usaha yang semakin kompetitif. CRM mencakup
cross/up selling, product affinity analysis, dan product bundling yang dapat digunakan sebagai alternatif
solusi dalam penentuan sistem strategi penjualan di suatu industri. Revenue perusahaan dapat semakin ditingkatkan melalui penjualan secara Cross Selling, dimana dilakukannya penjualan produk dengan produk komplementernya sehingga semakin dapat dikenalinya perilaku pelanggan dan dapat menghasilkan strategi penjualan yang akan menghasilkan hubungan pelanggan yang semakin terjaga serta semakin meningkatnya kepuasan pelanggan terhadap sistem pemasaran perusahaan. Penelitian ini akan melakukan analisis terhadap data transaksi penjualan sebuah perusahaan yang bergerak di bidang agroindustri dengan produk ban menggunakan teknik Association Rules Mining untuk dihasilkan strategi penjualan cross-selling. Tujuan penelitian ini adalah sebagai berikut:
1. Mendapatkan nilai support asosiciation rule untuk mengetahui 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).
2. Mendapatkan nilai confidence association rule untuk mengetahui ukuran yang menyatakan hubungan antara dua item secara conditional (misalkan seberapa sering item A dibeli, jika pelanggan membeli item B).
3. Mendapatkan nilai improvement association rule untuk mengetahui ukuran yang menyatakan besarnya kemungkinan dua item dapat dibeli secara bersamaan.
4. Mendapatkan hipotesis strategi pemasaran cross-selling sehingga revenue dari perusahaan dapat semakin meningkat.
Penetapan strategi penjualan yang dilakukan diantaranya adalah melakukan penjualan produk yang memiliki produk komplementer dengan nilai (value) yang lebih tinggi dari produk yang bersangkutan dan keduanya memiliki tingkat confidence >50%. Hal ini mengindikasikan terciptanya peluang untuk menjual secara up-selling (melakukan penjualan yang lebih bernilai). Pada penelitian ini dari analisis perhitungan support score dihasilkan produk yang paling mendominasi Item Set adalah ketika pelanggan membeli produk B (produk Passanger Broad Market) dengan nilai support score 55% . Umumnya, rules Item Set mempunyai nilai confidence >50%. Hal ini menunjukkan bahwa rules Item Set tersebut dapat digunakan dalam menentukan strategi penjualan. Dan dari menghitung improvement score, nilai improvement score terbesar (4.742) adalah jika membeli produk D (produk Passanger High Performance) kemudian membeli produk F (produk Ultra Light Truck Radial). Hal ini menunjukkan bahwa tingkat kemungkinan dua item tersebut dapat dibeli secara bersamaan sangatlah tinggi. Proses perhitungan yang telah dilakukan menghasilkan 22 rules yang dapat digunakan dalam menentukan strategi penjualan cross selling dengan menghitung nilai support, confidence dan improvement pada semua rules tersebut.
TRIYODA ARRAHMAN. F34070118. Customer Relationship Management for Determining Of Sales
Strategy Using Association Rules Mining Technique. Supervised by Taufik Djatna. 2011
SUMMARY
Business competition is the most important factor to develop a marketing system for a more effective and efficient marketing system in an industry. Customer Relationship Management (CRM) is a marketing
Management system which can be a solution to face an increasingly competitive business. CRM includes cross-up selling, analysis of affinity products, and bundling of products that can be used as an alternative
solution in sales strategy system in an industry. Revenue of a company can be improved through cross
selling where sale the additional product with the major products. Customer Relationships can improve customer satisfaction. This research discusses an analysis of sales transaction data from an agro-industrial
company with tires products using Association Rules Mining technique. The purposes of this work are: 1. Getting support score of association rule to know size of dominate level of Item Set from all
transaction (example from all existing transaction, how big possibility of item of A and item of B bought concurrently
2. Getting confidence score of association rule to know size of relation between two item by conditional (example how often item of A bought, if customer buy item of B
3. Getting improvement score of association rule to know size of possibility level of two item can buy concurrently
4. Getting hypothesis of marketing strategy of cross-selling.
CRM includes cross-up selling, analysis of affinity products, and bundling of products can be used as an alternative solution in sales strategy system in an industry. Sales Strategy of cross selling in this work created from support, confidence, and improvement scores. From calculating of support scores, the biggest size of dominate level of rule Item Set is when customer buy product B (passenger broad market product) with 55 % support score. In generally, the rules of Item Set have confidence level> 50%. It illustrate that the rules Item Set can be use for determine sales strategy. And from calculating of
improvement score process, the biggest improvement score (4.742) is If Buy D (Product Passenger High
Performance) Then Buy F (Ultra Light Truck Radial). It illustrate that the possibility level of two item can buy concurrently is very high. The calculations have resulted 22 rules significantly for used to determine sales strategy of cross selling with calculate support, confidence, and improvement scores for those rules.
CUSTOMER RELATIONSHIP MANAGEMENT
UNTUK PENETAPAN STRATEGI PENJUALAN
MENGGUNAKAN TEKNIK ASSOCIATION RULES MINING
SKRIPSI
Sebagai salah satu syarat untuk memperoleh gelar
SARJANA TEKNOLOGI PERTANIAN
Pada Departemen Teknologi Industri Pertanian
Fakultas Teknologi Pertanian
Institut Pertanian Bogor
Oleh
Triyoda Arrahman
F34070118
DEPARTEMEN TEKNOLOGI INDUSTRI PERTANIAN
FAKULTAS TEKNOLOGI PERTANIAN
INSTITUT PERTANIAN BOGOR
BOGOR
Judul Skripsi
: Customer Relationship Management Untuk Penetapan Strategi
Penjualan Menggunakan Teknik Association Rules Mining
Nama
: Triyoda Arrahman
NIM
: F34070118
Menyetujui,
Pembimbing,
(Dr. Eng. Taufik Djatna, STP, MSi.)
NIP. 19700614 199512 1001
Mengetahui :
Ketua Departemen,
(Prof. Dr. Ir. Nastiti Siswi Indrasti)
NIP. 19621009 198903 2 001
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI
Saya menyatakan dengan sebenar-benarnya bahwa skripsi dengan judul Customer
Relationship Management Untuk Penetapan Strategi Penjualan Menggunakan
Teknik Association Rules Mining adalah hasil karya saya sendiri dengan arahan Dosen
Pembimbing Akademik, dan belum diajukan dalam bentuk apapun pada perguruan
tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan
maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan
dalam Daftar Pustaka di bagian akhir skripsi ini.
Bogor, Juni 2011
Yang membuat pernyataan
Triyoda Arrahman
F34070118
© Hak cipta milik Triyoda Arrahman, tahun 2011
Hak cipta dilindungi
Dilarang mengutip dan memperbanyak tanpa izin tertulis dari Institut Pertanian Bogor,
sebagian atau seluruhnya dalam bentuk apapun, baik cetak, fotokopi, mikrofilm, dan
BIODATA PENULIS
Penulis lahir di Jakarta, 18 September 1989 sebagai anak ketiga dari tiga bersaudara pasangan Haryono Irfanda dan Ida Latifah. Penulis menyelesaikan pendidikan di Sekolah Dasar Negeri Jatirahayu VI Bekasi Jawa Barat pada tahun 2001, lalu menyelesaikan pendidikan di Sekolah Lanjutan Tingkat Pertama Negeri 259 Jakarta Timur pada tahun 2004, kemudian menyelesaikan pendidikan di Sekolah Menengah Umum Negeri 48 Jakarta Timur pada tahun 2007. Pada tahun yang sama penulis diterima sebagai mahasiswa Departemen Teknologi Industri Pertanian, Fakultas Teknologi Pertanian, Institut Pertanian Bogor melalui jalur SPMB. Selama menjadi mahasiswa penulis aktif dalam kegiatan organisasi dan Kepanitiaan kegiatan baik lingkup internal maupun eksternal, antara lain penulis pernah aktif di Organisasi BEM TPB IPB periode 2007-2008 sebagai Staf Pengembangan Minat dan Bakat dan pada periode 2009-2010 penulis juga aktif sebagai Staf Kebijakan Daerah di BEM KM IPB. Selama menjadi mahasiswa penulis juga aktif di dunia Basket yaitu menjadi Ketua Club Basket Fakultas Teknologi Pertanian Periode 2010-2011. Pada tahun 2008 penulis menjadi Ketua TPB (Tingkat Persiapan Bersama) CUP BEM TPB IPB dan pada tahun 2010 penulis menjadi Ketua Pelaksana Bedah Bogor 2010 BEM KM IPB. Selain itu selama berkuliah di IPB penulis juga pernah menjadi Finalis Lomba Karya Tulis Ilmiah Atsiri Fair tingkat nasional yang diselenggarakan oleh Himpunan Mahasiswa Teknologi Industri Pertanian di Gedung Alumni IPB, Bogor, Jawa Barat. Penulis juga pernah melakukan praktek lapang di PT. Goodyear Indonesia, Tbk. untuk mempelajari bidang Customer Relationship Management.
xi
KATA PENGANTAR
Alhamdulillah, Puji syukur penulis panjatkan kepada Allah SWT, karena dengan rahmat-Nya penulis dapat menyelesaikan skripsi yang berjudul “Customer Relationship Management Untuk Penetapan Strategi Penjualan Menggunakan Teknik Associative Rules Mining ”.
Keberhasilan atas pembuatan skripsi ini tidak lepas dari bantuan orang-orang di sekeliling penulis, maka dari itu penulis mengucapkan terima kasih kepada:
1. Orang tua dan keluarga penulis, Ayahanda Haryono Irfanda, Ibunda Ida Latifah, Kakak Iis Nofriadani dan Muhammad Hadid Putra, SP. Terima kasih atas curahan kasih sayang dan dukungannya selama ini terhadap penulis.
2. Dr. Eng. Taufik Djatna, S.T.P, MSi. selaku pembimbing akademik penulis, terima kasih atas segala bimbingannya.
3. Bapak Bapak Dr. Ir. Sukardi, MM dan Ibu Dr. Ir. Indah Yuliasih, M.Si. selaku tim penguji, terima kasih atas segala bimbingan dan saran terhadap penulis.
4. Dosen dan Staf Teknologi Industri Pertanian, Fakultas Teknologi Pertanian, Institut Pertanian Bogor
5. Resa Denasta Syarif, terima kasih atas dukungan dan semangatnya untuk selalu memberikan dorongan motivasi kepada penulis
6. Novina Eka S, Firdaus Karimuddin, Pralingga Saputra, Agung Utomo, Ayuningtyas, Zafira Kanara, Irfina Febianti, Rizky Bachtiar, Khairunnisa, Septiyanni, Shiva Amwaliya, Lutvi Setiono, Nova Afriyanti, Eko Nopianto, Iqbal Ardiwibowo, Muthia Dwi Astri, Mas Teguh, Kak Syaifudin, Kak Faqih, terima kasih atas persahabatan dan rasa kekeluargaan teman-teman dan kakak-kakak selama di Labkom dan di lingkungan TIN FATETA IPB.
7. Teman-teman mahasiswa Jurusan Teknologi Industri Pertanian, Fakultas Teknologi Pertanian, dan Institut Pertanian Bogor yang telah mendukung penulis selama ini dan membantu penulis selama menimba ilmu di jurusan Teknologi Industri Pertanian.
8. Teman-Teman Club Basket Fateta IPB, Jakda BEM KM IPB 2010, PEMIKAT BEM TPB 2008.
9. Teman-teman Pondok Handayani Balio, Darmaga, Bogor.
10. Seluruh pihak yang telah membantu penulis dalam pelaksanaan dan penyusunan skripsi ini.
Bogor, Juni 2011
xii
DAFTAR ISI
HalamanI. PENDAHULUAN ...
1 1.1 Latar Belakang ... 1 1.2 Tujuan ... 2 1.3 Ruang Lingkup ... 2II. TINJAUAN PUSTAKA ...
32.1 Customer Relationship Management ... 3
2.2 Metode Pengembangan Sistem Berorientasi Objek dan Unified Modelling Languange .... 4
2.3 Ban ... 5
2.3.1 Karet (Bahan Baku Utama Ban) ... 5
2.3.2 Sifat-Sifat Karet Alam ... 6
2.3.3 Penggunaan Karet Alam ... 6
2.3.4 Proses Pembuatan Ban ... 6
2.4 Penelitian Terdahulu ... 9
III. METODOLOGI PENELITIAN ...
103.1 Kerangka Kerja Penelitian ... 10
3.1.1 Analisis Sistem ... 10
3.1.2 Metode Pengembangan Sistem Berorientasi Objek ... 11
3.1.3 Tahap Implementasi Sistem ... 11
3.1.4 Verifikasi Sistem ... 11
3.2 Metode Penelitian ... 12
3.2.1 Sumber Data Transaksi ... 12
3.2.2 Formulasi Association Rules Mining ... 14
3.2.3 Analisis RFM (Recency, Frequency, Monetary)... 15
3.2.4 Desain Eksperimen ... 17
3.2.5 Indikator Penelitian ... 17
IV. ANALISIS SISTEM ...
184.1 Konfigurasi Input, Proses, Output ... 18
4.2 Analisis Kebutuhan Informasi Penggunaan ... 19
4.3 Hubungan Antar Pelaku ... 20
4.4 Kebutuhan Fungsional Sistem ... 20
4.4.1 Kebutuhan Perangkat Lunak dan Perangkat Keras ... 20
4.4.2 Kebutuhan Tenaga ... 20
xiii
V. PEMODELAN OBJEK DAN BASIS DATA ...
225.1 Use Case Diagram (Diagram Kasus) ... 22
5.2 Activity Diagram (Diagram Aktifitas) ... 24
5.3 Statechart Diagram (Diagram Kondisi) ... 26
5.4 Class Diagram (Diagram Kelas) ... 27
5.5 Desain Basis Data ... 29
5.5.1 CDM (Conceptual Data Model) ... 30
5.5.2 PDM (Physical Data Model) ... 30
VI. IMPLEMENTASI MODEL CRM ...
336.1 Transformasi Desain ... 33
6.2 Penetapan Strategi Penjualan Menggunakan Nilai-Nilai Association Rules Mining (Support, Confidence, Improvement) dan Analisis RFM (Recency, Frequency, Monetary) ... 33
6.3 Evaluasi ... 36
6.3.1 Verifikasi... 36
6.3.2 Validasi ... 42
VII. KESIMPULAN DAN SARAN ...
457.1 Kesimpulan ... 45
7.2 Saran... 45
DAFTAR PUSTAKA ...
46xiv
DAFTAR TABEL
Halaman
Tabel 1. Variabel Harga Untuk Analisis Monetary Pada Setiap Produk ... 15
Tabel 2. Penetapan Strategi Penjualan 1 ... 34
Tabel 3. Penetapan Strategi Penjualan 2 ... 35
Tabel 4. Penetapan Strategi Penjualan 3 ... 36
Tabel 5. Hasil Analisis Frequent Item Set K-Item Set=1 ... 37
Tabel 6. Hasil Analisis Frequent Item Set K-Item Set=2 ... 38
Tabel 7. Hasil Perhitungan Nilai Support K-Item Set=1... 41
Tabel 8. Hasil Perhitungan Nilai Support, Confidence, Improvement K-Item Set=2... 41
xv
DAFTAR GAMBAR
Halaman
Gambar 1. Hevea Brasiliensis ... 5
Gambar 2. Tahapan Pengembangan Sistem... 10
Gambar 3. Proses Frequent Item Set Didalam Algoritma Association Rules Mining... 12
Gambar 4. Formulasi Association Rules Mining ... 13
Gambar 5. Analisis Pre-processing Data menggunakan Clustering K-Means ... 14
Gambar 6. Flowchart Analisis RFM ... 16
Gambar 7. DFD (Data Flow Diagram) Tingkat 0 ... 18
Gambar 8. DFD (Data Flow Diagram) Tingkat 1 ... 19
Gambar 9. Diagram Kasus ... 23
Gambar 10. Diagram Aktifitas... 25
Gambar 11. Diagram Keadaan Sub Sistem Login ... 26
Gambar 12. Kelas customer dan kelas file transaksi ... 27
Gambar 13. Diagram Kelas ... 28
Gambar 14. CDM (Conceptual Data Model) ... 31
Gambar 15. PDM (Physical Data Model) ... 32
Gambar 16. Tampilan Halaman Analisis Frequent Item Set Program PSP 1.0 ... 38
Gambar 17. Tampilan Halaman Analisis Frequent Item Set K-Item Set=1 Program PSP 1.0 ... 39
Gambar 18. Tampilan Halaman Analisis Frequent Item Set K-Item Set=2 Program PSP 1.0 ... 39
Gambar 19. Tampilan Halaman Analisis Frequent Item Set K-Item Set=3 Program PSP 1.0 ... 40
xvi
DAFTAR LAMPIRAN
Halaman
Lampiran 1. Tabulasi Hasil Analisis RFM (Recency, Frequency, Monetary) ... 47
Lampiran 2. Tabulasi Database dalam MySQL Hasil Generate dari Diagram Kelas ... 49
Lampiran 3. Statechart Diagram Sub Sistem Transaksi ... 50
Lampiran 4. Statechart Diagram Sub Sistem Analisis Frequent Item Set ... 51
Lampiran 5. Statechart Diagram Sub Sistem Penentuan Strategi Penjualan ... 52
Lampiran 6. Statechart Diagram Sub Sistem Perhitungan Support... 53
Lampiran 7. Statechart Diagram Sub Sistem Perhitungan Nilai Confidence ... 54
Lampiran 8. Statechart Diagram Sub Sistem Perhitungan Improvement... 55
1
I.
PENDAHULUAN
1.1
Latar Belakang
Customer Relationship Management (CRM) dapat didefinisikan sebagai integrasi dari
strategi penjualan, pemasaran, dan pelayanan yang terkoordinasi. CRM menyimpan informasi pelanggan dan merekam seluruh kontak yang terjadi antara pelanggan dan perusahaan, serta membuat profil pelanggan untuk staf perusahaan yang memerlukan informasi tentang pelanggan tersebut (Tsiptsis dan Chorianopoulos, 2009).
Kegiatan CRM dalam perusahaan pada dasarnya bertujuan supaya perusahaan dapat mengenali pelanggan secara lebih detail dan melayani mereka sesuai dengan kebutuhannya. Prinsip fokus terhadap pelanggan menjadi prinsip dasar penerapan CRM di perusahaan. CRM sendiri memiliki arti sebuah proses bisnis atau kegiatan marketing yang mengelola seluruh aspek dari daur hidup pelanggan, mulai acquisition, fulfillment, sampai retention. Strategi komprehensif perusahaan terhadap penerapan CRM ini membuat setiap proses dari daur hidup pelanggan dapat dimanfaatkan dengan optimal (Danardatu,2007).
Peningkatan revenue perusahaan merupakan dampak yang paling bisa dirasakan. Ketika sebuah strategi cross-selling dijalankan, fokus utama perusahaan tidak lagi kepada bagaimana mendapatkan pelanggan baru yang potensial (prospecting customer), tetapi bagaimana menjual lebih banyak produk kepada pelanggan yang sudah ada (existing customer). Sebuah literatur menyebutkan bahwa biaya (cost) yang harus dikeluarkan perusahaan untuk mendapatkan pelanggan baru lebih mahal sepuluh kali lipat jika dibandingkan dengan mempertahankan pelanggan yang sudah ada.
Sebagai bagian dari CRM, cross-selling harus didahului oleh analisis yang mendalam mengenai data transaksi pelanggan dengan menggunakan konsep data mining yang melibatkan proses pengambilan sumber informasi dari sebuah transaksi pelanggan yang mencakup produk apa yang mereka beli, perilaku pembelian pelanggan, dan lain-lain. Data mining dapat membantu mempercepat proses pengambilan keputusan secara cepat dan memungkinkan perusahaan untuk mengelola informasi yang terkandung di dalam data transaksi menjadi sebuah pengetahuan (knowledge). Lewat pengetahuan yang didapat, perusahaan dapat meningkatkan pendapatannya dan mengurangi biaya. Pada akhirnya di masa yang akan datang perusahaan dapat lebih kompetitif.
Association rules mining (associative rules mining) adalah suatu metode data mining yang
bertujuan untuk mencari sekumpulan items yang sering muncul bersamaan. Umumnya
association rules mining ini dianalogikan dengan keranjang belanjaan. Dari keranjang belanjaan
para pengunjung supermarket akan dapat diketahui, barang apa saja yang sering dibeli bersamaan dan barang mana saja yang tidak. Dengan begitu association rules mining dapat menjadi suatu metode yang berfungsi untuk menganalisis strategi pemasaran secara cross-selling.
1.2
Tujuan
Tujuan penelitian ini adalah sebagai berikut:
1. Mendapatkan nilai support association rules mining untuk mengetahui 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).
2
2. Mendapatkan nilai confidence association rules mining untuk mengetahui ukuran yang menyatakan hubungan antara dua item secara conditional (misalkan seberapa sering item A dibeli, jika pelanggan membeli item B).
3. Mendapatkan nilai improvement association rules mining untuk mengetahui ukuran yang menyatakan besarnya kemungkinan dua item dapat dibeli secara bersamaan.
4. Mendapatkan hipotesis strategi pemasaran cross-selling CRM.
1.3
Ruang Lingkup
Penulis membatasi kajian penelitian customer relationship management untuk penetapan strategi penjualan menggunakan teknik association rules mining meliputi aspek-aspek sebagai berikut.
1. Mengidentifikasi data dan informasi transaksi penjualan mengunakan teknik data mining dengan metode association rules mining pada perusahaan yang menerapkan (CRM)
Customer Relationship Management
2. Penyusunan sistem penetapan strategi penjualan (PSP) yang merupakan program pemprosesan strategi penjualan cross-selling dari data transaksi penjualan menggunakan teknik association rules mining. Data-data yang digunakan untuk melakukan verifikasi dan validasi sistem didapatkan dari salah satu perusahaan agroindustri yang bergerak dalam industri ban.
3
II.
TINJAUAN PUSTAKA
2.1
Customer Relationship Management
CRM merupakan sebuah pendekatan baru dalam mengelola hubungan korporasi dan pelanggan pada level bisnis sehingga dapat memaksimumkan komunikasi dan pemasaran melalui pengelolaan berbagai kontak yang berbeda dengan pelanggan. Pendekatan ini memungkinkan untuk mempertahankan pelanggan dan memberikan nilai tambah terus menerus pada pelanggan, selain juga memperoleh keuntungan yang berkelanjutan (Anonim,2010). CRM dapat didefinisikan sebagai integrasi dari strategi penjualan, pemasaran, dan pelayanan yang terkoordinasi. CRM mencakup cross/up selling, product
affinity analysis, dan product bundling yang dapat digunakan sebagai solusi alternatif dalam
sistem strategi penjualan di suatu industri. Cross-selling didefinisikan sebagai "setiap tindakan atau praktek menjual antara atau di antara klien, pasar, pedagang, dll" atau "yang menjual produk tambahan atau jasa kepada satu pelanggan yang sudah ada." (Harding,2002). CRM menyimpan informasi pelanggan dan merekam seluruh kontak yang terjadi antara pelanggan dan perusahaan, serta membuat profil pelanggan untuk staf perusahaan yang memerlukan informasi tentang pelanggan tersebut (Anonim,2010)
Kegiatan CRM dalam perusahaan pada dasarnya bertujuan supaya perusahaan dapat mengenali pelanggan secara lebih detail dan melayani mereka sesuai dengan kebutuhannya. Prinsip fokus terhadap pelanggan menjadi prinsip dasar penerapan CRM di perusahaan. CRM sendiri memiliki arti sebuah proses bisnis atau kegiatan marketing yang mengelola seluruh aspek dari daur hidup pelanggan, mulai acquisition, fulfillment, sampai retention. Strategi komprehensif perusahaan terhadap penerapan CRM ini membuat setiap proses dari daur hidup pelanggan dapat dimanfaatkan dengan optimal. Perusahaan tidak dapat memberikan pelayanan yang sama kepada semua pelanggan karena pada kenyataannya tidak semua pelanggan memberikan keuntungan maksimal kepada perushaaan. Sesuai dengan hukum 80 : 20, di antara 100 % pelanggan yang dimiliki perusahaan, hanya sekitar 20 % yang dapat memberikan keuntungan maksimal (Danardatu,2007).
CRM menjadi semakin penting bagi semua organisasi yang ingin memberikan layanan yang lebih baik kepada konsumen mereka dengan biaya yang cukup rendah, CRM mempunyai dua tujuan utama:
1. Mempertahankan pelanggan hingga mencapai kepuasan pelanggan.
2. Pengembangan customer hingga mengerti pelanggan secara mendalam. Data mining bertujuan untuk mengekstrak pengetahuan dan arti yang mendalam dengan menganalisis data yang besar menggunakan teknik modeling yang kompleks.
Data mining dalam CRM digunakan untuk:
1. Mengidentifikasi model data 2. Memahami perilaku konsumen
3. Memprediksi perilaku konsumen. (Tsiptsis dan Chorianopoulos, 2009)
2.2
Metode Pengembangan Sistem Berorientasi Objek dan Unified Modeling
Languange
Menurut (O’Brien,2008) proses pengembangan sistem informasi umumnya meliputi tiga tahapan proses, (1) Analisis sistem, yaitu studi mendalam mengenai informasi yang
4
dibutuhkan oleh pemakai akhir yang menghasilkan persyaratan fungsional dan digunakan sebagai dasar desain sistem informasi yang dibuat. (2) Desain Sistem merupakan serangkaian aktivitas-aktivitas desain yang menghasilkan spesifikasi sistem yang memenuhi persyaratan fungsional pada tahap analisis sistem. (3) Pengembangan pemakai akhir merupakan tahap merubah dari konsep desain pada tahap sebelumnya menjadi sebuah perangkat aplikatif yang sesuai kebutuhan pengguna akhir. Pada penelitian ini, metode pengembangan sistem yang digunakan adalah pendekatan pengembangan sistem berorientasi objek yang dapat secara cepat dan jelas memodelkan dan membangkitkan solusi seperti di dunia nyata. Tahap metode perancangan sistem menggunakan UML. Unified Modeling Language (UML) digunakan untuk menentukan, visualisasi, memodifikasi, membangun dan mendokumentasikan artifak dari sistem yang didasarkan pada pengembangan perangkat lunak berorientasi objek (Foldoc, 2001)
Unified Modeling Language (UML) adalah sebuah bahasa yang telah menjadi standar
dalam pemodelan untuk visualisasi, merancang dan mendokumentasikan sistem piranti lunak (Bennet et al., 2001) menambahkan UML adalah bahasa visual yang menyediakan cara bagi orang untuk menganalisis dan mendesain sebuah sistem berorientasi obyek yang bertujuan untuk menvisualisasi, konstruksi, dan dokumentasi proses pembuatan sistem. Keunggulan utama yang dimiliki pemodelan ini adalah kemampuannya dalam memodelkan menyerupai kehidupan nyata, sehingga sistem yang dihasilkan mempunyai kelebihan sebagai berikut :
1. Mempunyai sifat lebih natural, karena umumnya manusia berfikir dalam bentuk objek 2. Pembuatan sistem memakan waktu lebih cepat.
3. Memudahkan dalam proses pemeliharaa sistem, karena jika ada kesalahan, perbaikan hanya dilakukan pada bagian tersebut, tidak perlu mengurutkan dari awal.
UML mendefinisikan notasi dan syntax/semantik. Notasi UML merupakan sekumpulan bentuk khusus untuk menggambarkan berbagai diagram piranti lunak. Setiap bentuk memiliki makna tertentu, sedangkan syntax UML mendefinisikan bagaimana bentuk-bentuk tersebut dapat dikombinasikan. Notasi UML terutama diturunkan dari 3 notasi yang telah ada sebelumnya: Grady Booch-OOD (Object-Oriented Design), Jim Rumbaugh-OMT (Object
Modeling Technique), dan Ivar Jacobson-OOSE (Object-Oriented Software Engineering).
Pada era tahun 1990-an banyak metodologi pemodelan berorientasi objek bermunculan, diantaranya adalah:(1) metodologi Booch, (2) metodologi Coad, (3) metodologi OOSE, (4) metodologi OMT, (5) metodologi Shlaer-Mellor, (6) metodologi Wirfs-Brock, dan sebagainya. Masing-masing metodologi membawa notasi sendiri-sendiri, yang mengakibatkan timbul masalah baru apabila kita bekerjasama dengan group/perusahaan lain yang menggunakan metodologi yang berlainan. Oleh karena itu, pada bulan Oktober 1994 Booch, Rumbaugh dan Jacobson, yang merupakan tiga tokoh yang metodologinya banyak digunakan, mempelopori usaha untuk penyatuan metodologi pendesainan berorientasi objek. Pada tahun 1995 dikeluarkan draft pertama dari UML (versi 0.8). Sejak tahun 1996 pengembangan tersebut dikoordinasikan oleh Object Management Group (OMG). Tahun 1997 UML versi 1.1 muncul, dan saat ini telah mencapai versi 2.0. Sejak saat itulah UML telah menjadi standar bahasa pemodelan untuk aplikasi berorientasi objek (Syaifudin, 2011). Pada dasarnya UML memuat diagram-diagram pemodelan sistem yang terdiri dari:
1. Use case diagram (diagram kasus). 2. Class diagram (diagram kelas). 3. Object diagram (diagram objek). 4. Statechart diagram (diagram keadaan).
5
5. Activity diagram (diagram aktivitas). 6. Sequence diagram (diagram urutan ). 7. Component diagram (diagram komponen). 8. Deployment diagram (diagram penyebaran). 9. Collaboration diagram (diagram kolaborasi).
Namun dalam prakteknya tidak semua diagram harus dibuat,. disesuaikan dengan kebutuhan dan kompleksitas sistem yang akan dikembangkan (Nugraha,2005).
2.3
Ban
2.3.1 Karet
Gambar 1. Hevea brasiliensis (Anonim,2011)
Karet merupakan politerpena yang disintesis secara alami melalui polimerisasi enzimatik isopentilpirofosfat. Unit ulangnya adalah sama sebagaimana 1,4-poliisoprena. Dimana isoprena merupakan produk degradasi utama karet. Bentuk utama dari karet alam, yang terdiri dari 97% cis-1,4-isoprena, dikenal sebagai Hevea Rubber. Hampir semua karet alam diperoleh sebagai lateks yang terdiri dari 32-35% karet dan sekitar 5% senyawa lain, termasuk asam lemak, gula, protein, sterol ester dan garam. Lateks biasa dikonversikan ke karet busa dengan aerasi mekanik yang diikuti oleh vulkanisasi (Malcom,2001).
Karet adalah polimer hidrokarbon yang terkandung pada lateks beberapa jenis tumbuhan. Sumber utama produksi karet dalam perdagangan internasional adalah para atau Hevea brasiliensis (suku Euphorbiaceae). Beberapa tumbuhan lain juga menghasilkan getah lateks dengan sifat yang sedikit berbeda dari karet, seperti anggota suku ara-araan (misalnya beringin), sawo-sawoan (misalnya getah perca dan sawo manila), Euphorbiaceae lainnya, serta dandelion. Pada masa Perang Dunia II, sumber-sumber ini dipakai untuk mengisi kekosongan pasokan karet dari para. Sekarang, getah perca dipakai dalam kedokteran (guttapercha), sedangkan lateks sawo manila biasa dipakai untuk permen karet (chicle). Karet industri sekarang dapat diproduksi secara sintetis dan menjadi saingan dalam industri perkaretan (Anonim,2011).
Karet adalah polimer dari satuan isoprena (politerpena) yang tersusun dari 5000 hingga 10.000 satuan dalam rantai tanpa cabang. Diduga kuat, tiga ikatan pertama bersifat [[isomer|trans]] dan selanjutnya cis. Senyawa ini terkandung pada lateks pohon
6
penghasilnya. Pada suhu normal, karet tidak berbentuk (amorf). Pada suhu rendah ia akan mengkristal. Dengan meningkatnya suhu, karet akan mengembang, searah dengan sumbu panjangnya. Penurunan suhu akan mengembalikan keadaan mengembang ini. Inilah alasan mengapa karet bersifat elastis (Anonim,2011).
2.3.2 Sifat-Sifat Karet Alam
Warnanya agak kecoklat-coklatan, tembus cahaya atau setengah tembus cahaya, dengan berat jenis 0,91-093. Sifat mekaniknya tergantung pada derajat vulkanisasi, sehingga dapat dihasilkan banyak jenis sampai jenis yang kaku seperti ebonite. Temperatur penggunaan yang paling tinggi sekitar 99oC, melunak pada 130oC dan terurai sekitar 200oC. Sifat isolasi listriknya berbeda karena pencampuran dengan aditif. Namun demikian, karakteristik listrik pada frekuensi tinggi, jelek. Sifat kimianya jelek terhadap ketahanan minyak dan ketahanan pelarut. Zat tersebut dapat larut dalam hidrokarbon, ester asam asetat, dan sebagainya. Karet yang kenyal agar mudah didegradasi oleh sinar UV dan ozon (Marthan,1998).
2.3.3 Penggunaan Karet Alam
Karet alam banyak digunakan dalam industri-industri barang. Umumnya alat-alat yang dibuat dari karet alam sangat berguna bagi kehidupan sehari-hari maupun dalam industri seperti mesin-mesin pengerak barang yang dapat dibuat dari karet alam antara lain ban mobil, tetapi juga ditemukan dalam sekelompok produk-produk komersial, sol sepatu, segel karet, insulasi listrik, sabuk penggerak mesin besar dan mesin kecil, pipa karet, kabel, isolator, bahan-bahan pembungkus logam, aksesoris olah raga dan lain-lain. (Muis, 1992)
2.3.4 Proses Pembuatan Ban
Penjelasan proses pembuatan ban mengacu dari PT. Goodyear Indonesia (2010), Bahan baku utama yang digunakan dalam pembuatan ban adalah karet. Terdapat dua jenis karet yang digunakan, yaitu karet alam dan karet sintetik. Perbedaan karet sintetik dan karet alami ini adalah dari segi tekstur, dimana karet alami bersifat keras, sedangkan karet sintetik bersifat lembek. Karet sintetik yang digunakan diimpor dari Jepang, Jerman, Belgia, Amerika, dan Korea. Selain itu digunakan bahan baku lain, yaitu benang dari jenis nilon, polyester, dan kevlar.
Selain karet, bahan-bahan yang digunakan dalam pembuatan ban di PT Goodyear Indonesia, Tbk. adalah bahan kimia (chemical) yang digunakan antara lain : PIG 1202,
PIG 87, PIG 72, PIG 295, PIG 450, DIROSIC, JOPLINE, HINDAX, GROGIC, STICIC.
Karbon hitam (carbon black) berfungsi sebagai bahan yang memperkuat struktur ban dan ikatan polimer. Karbon hitam yang digunakan adalah CB 228, CB 510, CB 405, dan CB 599.
Pada proses pembuatan ban, diperlukan bahan baku cair. Bahan baku cair yang digunakan adalah minyak yang berasal dari destilasi minyak bumi. Minyak ini berfungsi sebagai pelunak karet dan memberikan sifat lengket pada karet, minyak yang dipakai adalah sardine, urbonine, dan lucine. Bahan lain yang digunakan adalah kawat tembaga
7
yang digunakan untuk membuat bead sebagai dasar ban agar ban tidak mudah lepas dari
velg saat mendapat goncangan atau tekanan, serat baja digunakan untuk melapisi breaker.
Bahan dasar pembuat ban diantaranya adalah benang/kawat baja, nylon, araMid
fiber, rayon, fiberglass, polyester (biasanya bahan kombinasi, misalnya benang polyester
pada lapisan ban dan kawat baja pada bagian sabuk baja dan bead yang umumnya terdapat pada ban mobil penumpang radial), digunakan pula karet alam dan sintetis (terdapat puluhan jenis karet/polimer), lalu campuran kimia yang terdiri dari karbon black, silica,
resin. Anti-degradants berupa antioksidan, ozonan, parafin wax, juga merupakan salah
satu bahan dasar pembuat ban. Lalu bahan dasar lain adalah adhesion promoters, yaitu
cobalt salt, brass untuk kawat baja, resin dan benang serta curatives, yaitu cure accelerators, activators, sulfur, dan processing aids (minyak, tackifier, peptizer, softener).
Di satu ban ukuran populer 195/70R14 ban mobil penumpang untuk semua musim, mempunyai berat sekitar 8 kg yang terdiri dari :
1. 2 kg terdiri dari 30 jenis bahan karet sintetis 2. 1. 5 kg terdiri dari 8 jenis bahan karet alam 3. 2 kg terdiri dari 8 jenis bahan karbon black 4. 0. 5 kg sabuk kawat baja
5. 0. 5 kg. benang polyester dan nylon 6. 0. 5 kg bead kawat baja
7. 1. 5 kg terdiri dari 40 jenis bahan kimia, minyak dan lain-lain.
Campuran umum antara bahan karet sintetis dan karet alam menurut jenis ban adalah : 1. Ban Mobil Penumpang 55% 45%
2. Ban Truk Kecil 50% 50% 3. Ban Mobil Balap 65% 35%
4. Ban Off-The-Road (giant/earthmover) 20% 80%
Proses pembuatan ban digambarkan pada Lampiran 9. Secara sederhana, proses produksi ban dapat diuraikan sebagai berikut:
1. Pencampuran Bahan
Pembuatan sebuah ban radial dimulai dengan mempersiapkan berbagai jenis bahan mentah, seperti pigmen, zat-zat kimia, kurang lebih 30 jenis karet yang berbeda, benang-benang, kawat bermanik-manik (bead wire), dan sebagainya.
Proses lalu dimulai dengan mencampurkan bahan-bahan dasar karet dengan oli proses, karbon hitam, pigmen, anti oksidan, akselerator, dan berbagai zat tambahan lainnya. Masing-masing dari bahan ini menambahkan sifat tertentu dari campuran (compound) ini.
Semua bahan ini diaduk dalam mesin mixer yang dinamakan Banbury. Mesin ini bekerja dengan suhu yang tinggi. Bahan campuran yang panas, hitam, dan lembek ini diproses berulang kali.
2. Pencetakan Ban
Setelah itu karet ini didinginkan ke dalam beberapa bentuk. Biasanya diproses menjadi lembaran-lembaran, lalu dibawa ke mesin extruder. Kilang ini memasukkan karet di antara pasangan penggulung (roller) yang berulang-ulang sehingga menjadi komponen-komponen ban. Mereka lalu dibawa dengan ban berjalan lalu menjadi dinding samping, telapak, ataupun bagian lain dari ban.
8
Ada jenis karet yang melapisi rajutan benang yang akan menjadi badan dari ban. Rajutan ini datang dalam rol-rol yang besar dan mereka juga sama pentingnya dengan campuran karet yang dipakai. Berbagai jenis benang dipakai, termasuk polyester,
rayon, atau nylon. Kebanyakan dari ban untuk kendaraan penumpang dewasa ini
menggunakan badan yang terbuat dari benang polyester.
3. Kawat Pengikat
Sebuah komponen lainnya, yang berbentuk gulungan, disebut bead. Komponen ini terdiri dari kawat baja high-tensile yang berfungsi sebagai tulang ban yang akan menempel pada pinggiran velg mobil. Kawat baja tersebut diselaraskan dengan pita yang dilapis dengan karet untuk pelekat, kemudian digulung dan diikat untuk selanjutnya disatukan dengan bagian ban lainnya.
Ban-ban radial dibuat menggunakan satu atau dua mesin ban. Di bagian dalam sekali dari ban ada dua lapis karet lembek sintetis yang disebut innerliner. Lapisan-lapisan ini akan mengurung udara dan membuat ban menjadi tubeless
4. Lapisan
Kemudian ada dua lapisan rajutan ply. Dua strip yang dinamakan apex membuat kaku area di atas bead. Lalu ditambahkan sepasang strip chafer, yang dinamakan demikian karena keduanya mencegah kerusakan yang diakibatkan pinggiran velg ketika ban dipasang.
Mesin perakit ban membentuk ban-ban radial menjadi bentuk yang sudah sangat dekat dengan dimensi final untuk memastikan bahwa semua komponen yang berjumlah banyak itu berada dalam posisi yang tepat sebelum ban masuk ke mesin pencetak.
5. Telapak Ban
Pembuat ban menambahkan sabuk baja yang menahan kebocoran dan menekan telapak ban ke permukaan jalan. Telapak ban adalah bagian terakhir yang dipasang. Setelah sebuah pemutar otomatis menjepit semua komponen sehingga menempel kuat satu dengan yang lain, ban radial yang kini disebut green tire kini siap untuk diperiksa dan disempurnakan.
6. Pematangan atau Pemasakan Ban
Alat penekan curing memberi bentuk final ban serta pola telapaknya. Alat yang digunakan untuk mencetak bentuk telapak ban disebut mold. Cetakan ini dilengkapi dengan pola telapak, kode-kode di dinding samping sebagaimana diwajibkan oleh peraturan yang berlaku.
Ban-ban dipanaskan dalam temperatur lebih dari 300 derajat selama 12 hingga 25 menit tergantung ukurannya. Begitu mesin cetak terbuka, ban-ban akan keluar dari cetakannya dan langsung jatuh ke ban berjalan yang lalu akan membawanya ke bagian
finish dan inspeksi terakhir. 7. Pemeriksaan
Pemeriksaan dilakukan untuk memeriksa ban yang memiliki kecacatan, walaupun hanya cacat sedikit, ban itu ditolak (reject). Sebagian dari cacat bisa dideteksi hanya
9
dengan mata dan tangan pemeriksa yang sudah terlatih, sebagian lagi baru bisa ditemukan menggunakan mesin-mesin khusus.
Inspeksi tidak hanya dilakukan pada permukaan saja, ada ban yang ditarik dari lini produksi dan diperiksa dengan X-ray untuk mendeteksi kelemahan-kelemahan yang tersembunyi atau kerusakan-kerusakan internal. Di samping itu, para teknisi pengendalian mutu secara rutin membongkar ban yang diambil secara acak untuk mempelajari setiap detil dari konstruksinya yang mempengaruhi performa, kenyamanan dan keselamatan pemakai.
2.3.5 Penelitian Terdahulu
Penelitian di bidang ini telah banyak dilakukan, seperti pembuatan tabulasi data untuk mengetahui frekuensi dari masing-masing item produk yang terjual bersama
item produk yang lain (Bugher, 2000). Direct Marketing Association (DMA) tahun
1991 menentukan one-to-one relationship diantara product groupings. Untuk mengidentifikasi kelompok pembeli yang membeli dua atau lebih kategori produk, DMA menggunakan variabel clustering dan factor analysis. Masing-masing pelanggan dan sejarah pembeliannya dibandingkan dengan sejarah pembelian dari pelanggan yang lain sehingga dapat diketahui cluster pelanggan yang memiliki
product affinity yang sama (Cashin,2003).
Teknik association rules mining dapat digunakan pada perusahaan ritel terbesar di Indonesia yang menjual lebih dari 1000 item ke lebih dari 400 pelanggan tetapnya dan menghasilkan hasil penetapan strategi penjualan yang terbukti signifikan dengan membandingan hasil penelitiannya dengan data tren penjualan pada periode sebelumnya di perusahaan ritel tersebut dan terlihat bahwa kombinasi untuk masing-masing produk mengalami peningkatan yang signifikan (Adhitama, 2010). Metode lain adalah Best Next Offer dilakukan oleh Berry (2000) untuk menentukan
cross-selling product yang sesuai untuk salah satu bank terbesar di Amerika yang memiliki
10
III.
METODE PENELITIAN
3.1 Kerangka Kerja Penelitian
Tahapan pengembangan sistem PSP (Penetapan Strategi Penjualan) 1.0 seperti pada Gambar 2 di bawah ini.
Gambar 2. Tahapan Pengembangan Sistem
3.1.1 Analisis Sistem
Analisis sistem diawali dengan deskripsi sistem dan analisis kebutuhan informasi. Selanjutnya pembuatan persyaratan fungsional sistem yang meliputi kebutuhan data, perangkat lunak, perangkat keras, sumber daya manusia, serta pemeliharaan sistem.
Tidak Mulai
Analisis Sistem, keluaran: - Deskripsi Sistem
- Analisis Kebutuhan Informasi - Kebutuhan Fungsional Sistem
UML, keluaran: - Diagram Kasus - Diagram Aktivitas - Diagram Keadaan - Diagram Kelas
Implementasi Sistem, keluaran: - Borland Delphi 7 (Borland, 2002) - Power Designer 15.3 (Sybase, 2010) - MySQL (Oracle, 2011)
- Ms Excel (Microsoft, 2007)
Verifikasi dan Validasi
11
3.1.2 Metode Pengembangan Sistem Berorientasi Objek
Pemodelan yang digunakan dalam pengembangan dengan pendekatan berorientasi objek adalah Unified Modeling Language (UML). Pada tahapan ini dibuat berbagai diagram yang dibutuhkan dalam pengembangan sistem. Diagram-diagram yang dibutuhkan meliputi:
a. Use case diagram (diagram kasus)
Diagram ini digunakan untuk menggambarkan fungsionalitas sistem dari sudut pandang pengguna. Diagram ini menekankan pada apa yang dikerjakan sistem. Diagram ini juga menggambarkan interaksi sistem dengan pelaku (aktor) diluar sistem.
b. Activity diagram (diagram aktivitas).
Diagram aktivitas digunakan untuk menggambarkan aliran kerja aktivitas di dalam sistem atau dengan kata lain adalah bagaimana sistem itu mengerjakan fungsionalitas tertentu.
c. Statechart diagram (diagram keadaan)
Statechart diagram menggambarkan transisi dan perubahan keadaan (dari satu state
ke state lainnya) suatu objek pada sistem sebagai akibat dari stimuli yang diterima. Pada umumnya statechart diagram menggambarkan class tertentu (satu class dapat memiliki lebih dari satu statechart diagram).
d. Class diagram (diagram kelas)
Diagram kelas merupakan diagram utama dalam pemodelan berorientasi objek. Diagram kelas digunakan untuk memperlihatkan struktur statis sistem tersebut. Kelas adalah kumpulan objek yang mempunyai atribut dan tingkah laku (operasi) yang mirip.
3.1.3 Tahap Implementasi Sistem
Tahap implementasi sistem merupakan proses transformasi desain sistem menjadi sebuah sistem aplikatif atau perangkat lunak. Implementasi PSP 1.0 pada tahap desain sistem menggunakan Sybase Power Designer 15.3 (Sybase, 2010) dan untuk pembuatan model data base menggunakan MySQL (Oracle, 2011) sedangkan pada tahap pembuatan paket program menggunakan perangkat lunak Borland Delphi 7 (Borland, 2002). Dan dalam pengolahan data awal digunakan Microsoft Excel 2007 (Microsoft, 2007) untuk mendapatkan data hasil yang nantinya akan digunakan dalam melakukan verifikasi dan validasi data.
3.1.4 Verifikasi dan Validasi Sistem
Verifikasi merupakan tahapan untuk mengetahui apakah program yang dibuat menghasilkan keluaran secara keseluruhan sesuai yang diinginkan. Proses verifikasi dilakukan selama pembuatan dan setelah selesai. Tahap verifikasi dilakukan dengan cara pengujian keluaran paket program dan pelacakan kesalahan sistem (testing and
debuging). Dan Tahapan Validasi dilakukan dengan metode face validity. Face validity
(Validitas Muka) 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.
12
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
18
IV.
ANALISIS SISTEM
4.1 Konfigurasi Input, Proses, Output
Tahapan pemodelan sistem dalam perancangan sistem berguna untuk memberikan gambaran yang jelas dalam rancang bangun dan penerapan sistem secara fisik. Pemodelan PSP 1.0 dilakukan dengan pendekatan berarah fungsi yang terdiri dari pembuatan diagram alir data (data
flow diagram). Menurut Rahardini (2010), diagram alir data merupakan gambaran sistem dalam
bentuk jaringan atau grafis, dari sudut pandang data yang diproses, yang mampu menggambarkan kegiatan-kegiatan yang berlangsung secara paralel. Diagram alir data dibuat secara bertahap untuk memudahkan penggambaran aliran data.
Pada pembuatan model PSP 1.0, diagram alir data dibuat dari tingkat 0 hingga tingkat 1. Diagram alir data tingkat 0 menggambarkan keseluruhan sistem dengan satu proses berikut dengan sumber dan tujuan data secara jelas. Pada Gambar 7 dapat dilihat diagram alir data tingkat 0.
Gambar 7. DFD (Data Flow Diagram) Tingkat 0
DFD tingkat 0 ini menggambarkan sumber data yang berasal dari data transaksi penjualan perusahaan. Selanjutnya data tersebut akan diolah dalam sistem penetapan strategi penjualan (PSP 1.0) dengan beberapa proses yang akan menghasilkan penetapan strategi penjualan cross
selling untuk para supervisor pemasaran. Proses yang terjadi dalam PSP 1.0 ini digambarkan
dalam DFD tingkat 1 pada Gambar 8.
Data transaksi penjualan Strategi penjualan cross selling pilihan Transaksi Penjualan 1 Menetapkan Strategi CRM Untuk Penjualan Strategi CRM Untuk Penjualan Terpilih 1 Database Hasil Menetapkan Strategi CRM Untuk Penjualan
19
Gambar 8. DFD (Data Flow Diagram) Tingkat 1
Pada DFD tingkat 1 ini, proses pertama yang dilakukan adalah proses perhitungan clustering untuk mengelompokkan produk sesuai dengan karakteristik bahan baku setiap produk. Data yang menjadi input tambahan selain data transaksi adalah data karakteristik bahan baku setiap produk. Kemudian hasil pengelompokkan produk akan diolah dalam proses selanjutnya yaitu proses perhitungan association rule mining yang akan menghasilkan rules item set, nilai support,
confidence, dan improvement. Hasil proses inilah yang menjadi input untuk digunakan dalam
proses melakukan penetapan strategi penjualan sehingga menghasilkan penetapan strategi penjualan cross selling untuk para supervisor pemasaran.
4.2 Analisis Kebutuhan Informasi Pengguna
Analisis kebutuhan dimaksudkan untuk mendapatkan jenis informasi yang dibutuhkan oleh pengguna yang sekaligus juga merupakan faktor kritis penetapan strategi penjualan dalam menetapan strategi penjualan oleh supervisor pemasaran di perusahaan. Berdasarkan analisis kebutuhan yang dilakukan, dapat diidentifikasikan beberapa informasi yang dibutuhkan oleh
supervisor pemasaran:
1. Informasi item set yang dijadikan rules dalam penetapan strategi penjualan 2. Informasi nilai support dalam menentukan ukuran dominasi pada semua rules.
3. Informasi nilai confidence yang digunakan untuk mengukur tingkat relasi antara rules yang ada.
4. Informasi nilai improvement yang digunakan untuk mengukur tingkat possibility dari dua produk yang akan dijual secara cross-selling.
Data Transaksi
Data Karakteristik Bahan Baku Setiap Produk
hasil Pengelompokkan produk Data Pengelompokkan produk terpilih hasil perhitungan support hasil perhitungan confidence hasil perhitungan improvement hasil analisis rules itemset hasil nilai support hasil nilai confidence hasil nilai improvement hasil rules itemset Hasil penetapan strategi penjualan cross selling Transaksi Penjualan Strategi CRM Untuk Penjualan Terpilih 1.1 Menghitung Clustering Produk Karakteristik Bahan Baku Setiap Produk Pengelompokkan produk terpilih 1.2 Menghitung Associative Rules Mining Nilai Support Nilai Confidence Nilai Improvement 1.3 Menetapkan Strategi Penjualan Rules Itemset 1 Database Hasil Menetapkan Strategi CRM Untuk Penjualan
20
5. Informasi strategi penjualan cross-selling yang signifikan untuk diaplikasikan dalam sistem pemasaran perusahaan.
4.3 Hubungan Antar Pelaku
Pelaku yang berperan dalam sistem informasi ini digolongkan menjadi tiga yaitu pelaku sumber data, pengembang sistem, serta pengguna akhir. Sumber data pada PSP 1.0 yaitu
customer yang telah melakukan transaksi. Pelaku PSP 1.0 terdiri dari dua kelompok, yaitu pelaku
internal dan pelaku eksternal sistem. Pelaku yang berperan secara langsung dalam pengembangan PSP 1.0 adalah pelaku internal seperti analis, administrator dan pemrogram. Dan pelaku eksternal sistem PSP 1.0 adalah supervisor pemasaran (user) dan para aktor yang berperan dalam mempengaruhi inputan untuk sistem PSP 1.0 seperti customer.
4.4 Kebutuhan Fungsional Sistem
Kebutuhan fungsional untuk menjalankan PSP 1.0 meliputi kebutuhan perangkat keras, perangkat lunak, kebutuhan tenaga, serta pemeliharaan sistem.
4.4.1 Kebutuhan Perangkat Lunak dan Perangkat Keras
Kebutuhan perangkat keras minimal adalah seperangkat komputer dengan spesifikasi sebagai berikut:
Prosesor minimal pentium IV 1,66 GHz atau yang setara. RAM minimal adalah 512 MB.
Ruang kosong pada hardisk sebesar 100 MB. Printer dan monitor sebagai media keluaran data.
Serta perangkat masukan data seperti keyboard dan mouse. Koneksi internet untuk akses database online
Sedangkan kebutuhan perangkat lunak untuk menjalankan sistem ini adalah sistem operasi Windows XP SP2 (Microsoft, 2002), Flashplayer versi 9 (Adobe, 2009), Microsoft Acces 2003 (Microsoft, 2003) sebagai manajemen basis data. Serta jaringan internet sebagai perantara akses database online (MySQL). Komponen ODBC (open
connection database) yang berguna sebagai perantara untuk koneksi database MySQL
(Oracle, 2011).
4.4.2 Kebutuhan Tenaga
Kebutuhan tenaga pada PSP 1.0 meliputi system analyst, administrator, pemrogram, pengumpul data serta pengguna atau operator yang masing-masing mempunyai tugas, wewenang dan spesifikasi keahlian minimum.
Analis sistem
Analis sistem (system analyst) adalah orang yang bertindak sebagai desainer dan konseptor sebuah sistem. Keahlian khusus yang harus dimiliki oleh analisis sistem adalah mempunyai kepakaran dalam analisis sistem serta mempunyai pengetahuan tentang proses penetapan strategi penjualan menggunakan teknik
21
Administrator
Administrator adalah orang yang bertanggung jawab terhadap keamanan data
dan kebenaran informasi sistem. Keahlian yang harus dimiliki oleh
administrator adalah memahami struktur data dari sistem.
Pemrogram
Pemrogram adalah orang yang bertindak mengimplementasikan sistem kedalam sebuah perangkat lunak. Keahlian khusus yang dimiliki administrator adalah mempunyai kemampuan dalam bahasa pengkodean dan transformasi desain ke dalam perangkat lunak.
Pengumpul data
Pengumpul data adalah orang yang bertanggung jawab dalam pengumpulan dan pengujian kebenaran dari sumber data.
Pengguna akhir
Pengguna akhir dari PSP 1.0 ini adalah para supervisor pemasaran pada sebuah perusahaan untuk menetapkan strategi penjualan cross selling pada sistem manajemen pemasarannya. Kemampuan dasar yang harus dimiliki adalah mampu mengoperasikan sistem secara baik serta mengetahui pengoperasian komputer secara umum.
4.4.3 Pemeliharaan Sistem
Pemeliharaan sistem meliputi perbaruan dan pemeliharaan data serta merancang bangun ulang sistem yang ada guna memenuhi perubahan kebutuhan pengguna akhir. Rancang bangun ulang pada pemeliharaan sistem dilakukan karena beberapa alasan antara lain program mengalami kerusakan baik oleh pihak luar maupun karena kerusakan sistem karena crash atau terdapat bug.
