PEMBAHASAN 1[14]. Normalisasi dilakukan agar skala dari

4. PEMBAHASAN 1[14]. Normalisasi dilakukan agar skala dari

4.1. Business Understanding data tidak terlalu jauh. Ada beberapa Studi kasus penelitian ini dilakukan di

metode/teknik yang diterapkan untuk salah satu BMT (Baitul Maal Wat Tamwil) di

normalisasi data, salah satunya yaitu Yogyakarta. BMT XYZ berdiri tahun 1994,

normalisasi z score. Disebut juga zero-mean memiliki total nasabah sebesar 52.011. BMT

normalization, dimana nilai dari sebuah XYZ melayani simpanan dan pembiayaan.

atribut A dinormalisasi berdasarkan nilai rata- Pemahaman terhadap tujuan bisnis dalam

rata dan standar deviasi dari atribut A. penelitian

Sebuah nilai v dari atribut A dinormalisasi mempertahankan jumlah nasabah terutama

ini meningkatkan

dan

menjadi v' [14]:

nasabah potensial. Menerjemahkan tujuan bisnis ke dalam

(3) tujuan data mining dalam penelitian ini ialah

customer segmentation dapat digunakan oleh adalah nilai rata-rata dan adalah pihak manajemen untuk menemukan

standar deviasi dari atribut A Normalisasi z score dan penentuan RFM

segmen-segmen nasabah yang bertujuan untuk membangun profil nasabah yang

score pada data transaksi simpanan terkait dengan sejarah simpanan nasabah dan

menggunakan software SPSS.

4.4. Modelling

menentukan pemasaran yang tepat pada setiap segmen yang terbentuk.

Teknik data mining yang digunakan

4.2. Data Understanding yaitu clustering, dengan algoritma K-Means. Dalam K-Means jumlah cluster harus

Penelitian ini menggunakan data transaksi simpanan dari Januari 2013-Juli

ditentukan oleh pengambil keputusan. Untuk 2015. Data diambil dari database BMT

mengidentifikasi

k optimal, berbagai pengujian dapat digunakan. Dalam penelitian

dengan formalt xls. Jumlah data transaksi terdiri dari 248 nasabah. Data transaksi

ini, menggunakan davies bouldin index[14]: simpanan yang digunakan dibatasi transaksi

(4) atau mengambil uang.

nasabah setor atau menyetor uang dan tarik

DB =

D (i,j) = min x€Si,y€Sj dist (x,y) (5) Persiapan data merupakan salah satu

4.3. Data Preparation

∆(i) = max x, y€Si dist(x,y) (6) aspek yang paling penting dan sering

∆(j) = max x, y€Sj dist(x,y) (7) memakan waktu proyek data mining. Fase ini

terdiri dari reduksi data, seleksi fitur dan Nilai davies bouldin index yang kecil data transformation[2]. Segmentasi nasabah

merupakan jumlah cluster yang baik[15]. ini berdasarkan model RFM, maka seleksi

Semakin kecil nilai davies boulden index fitur dari model RFM yaitu tanggal terakhir

semakin optimal hasil cluster. transaksi, jumlah transaksi nasabah dan

Proses clustering dan pengujian davies jumlah saldo nasabah. Tabel 2 menjelaskan

bouldin index menggunakan framework hasil dari seleksi fitur.

rapidminer 5.3. Dari hasil clustering yang

Tabel 2. Hasil seleksi fitur

dilakukan, seperti yang ditunjukkan di tabel 3 Data awal

didapatkan jumlah cluster 3 yang paling baik. Tanggal

Data akhir

terakhir Recency Hal ini disebabkan nilai davies bouldin index transaksi

pada 3 cluster menunjukkan yang paling (tipe:date)

(type:number)

kecil[15][16]. Nilai negatif yang tinggi Jumlah transaksi

menunjukkan kinerja yang baik dari indeks Jumlah saldo

Langkah selanjutnya

yaitu

data

transformation. Pada data transformation

dilakukan normalisasi. Normalisasi adalah

proses transformasi dimana sebuah atribut numerik diskalakan dalam jarak yang lebih

kecil seperti -1 sampai 1, atau 0 sampai

Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015

Id paper: SM139

Tabel 3. Perbandingan Hasil Pengujian

4.5.Evaluation

Evaluasi dari model yang digunakan Jumlah cluster

Davies Bouldin Index

Davies Bouldin

dengan pengujian davies bouldin index. Dari

Index

pengujian

tersebut dihasilkan

2 -0.505

pengelompokan dengan 3 cluster mempunyai

3 -0.535

nilai davies boulden index yang paling kecil.

4 -0.459

Maka dari itu, nasabah dikelompokkan

5 -0.248

menjadi 3 cluster.

Proses deployment belum dilakukan.

8 -0.444

9 -0.447

5. KESIMPULAN

10 -0.476

Fokus dari penelitian ini ialah segmentasi nasabah dengan studi kasus di

Tabel 4. Hasil Segmentasi Berdasarkan

BMT XYZ. Setelah dilakukan segmentasi,

dihasilkan 3 cluster yang paling optimal. Clust Jumlah

RFM

Avg Avg Avg RFM Pengujian jumlah cluster yang optimal, er

nasabah R

menggunakan davies bouldin index. Cluster C1 100

score

pertama terdiri dari 100 nasabah. RFM score

termasuk kelompok occational customer. Cluster ke dua terdiri C2 69 4.710 3.46 2.630 441-

dari 69 nasabah, memiliki RFM score antara

441-544 dan termasuk kelompok superstar. C3 79 3.383 2.63 3.049 313-

Cluster ke tiga terdiri dari 79 nasabah,

memilki RFM score antara 313-435 dan termasuk kelompok typical customer. Hasil

Gambar 2 . Grafik hasil clustering Pada tabel 4 dan gambar 2 dijelaskan

segmentasi tersebut dapat digunakan BMT cluster pertama terdiri dari 100 nasabah.

XYZ untuk menetukan strategi pemasaran RFM score antara 112-255 termasuk dalam

yang tepat untuk setiap segmen. kelompok occational customer karena memiliki recency yang paling rendah,

6. DAFTAR PUSTAKA

monetary dan frequency yang bagus. Cluster [1] Miguéis, V. L., Camanho, A. S., Cunha, ke dua terdiri dari 69 nasabah. RFM score

João Falcão e., “Customer data mining antara 441-544 termasuk dalam kelompok

for life style segmentation”,Expert Syst. superstar dengan loyalti yang tinggi. Cluster

Appl. 39(10): 9359-9366, 2012. ke tiga terdiri dari 79 nasabah. RFM score

[2] K. Mahboubeh, J.T Mohammad,” antara 313-435 termasuk kelompok typical

Estimating customer future value of customer karena memiliki rata-rata frequency

different customer segments based on dan monetary.

adapted RFM model in retail banking

468

Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 Id paper: SM139

context ”, Procedia Computer Science [10] Yuliari, Putri, Putra, Rusjayanti, 31327 –1332, 2011.

“Customer Segmentation Through [3] A.S Reza, F. Ebrahim, “Customer

Fuzzy C-Means and Fuzzy RFM Segmentation based on Modified RFM

Method ”, Journal of Theoretical and Model in the Insurance Industry ”,

Applied Information Technology, vol. IPCSIT vol .25, 2012.

78 No. 3, 2015.

[4] Cheng, Ching-Hsue dan Chen, You-

Antonios Chorianopoulos, Shyang, “Classifiying the segmentation

[11] Tsiptsis

“Data Mining Techniques in CRM: of customer value via RFM model and

Customer Segmentation”, RS Theory”, Expert Systems with

Inside

NewCaledonia: Antony Rowe Ltd, Applications 36, pp. 4176

–4184, 2009. Chippenham, Wiltshire. 2009. [5] Peppard, J,

“Customer relationship [12] Chapman, P., Clinton, J., Kerber, R., management(CRM)

Khabaza, T., Reinartz, T., Shearer, C., services”,

Wirth, R, ”CRISP-DM 1.0 : Step-by- Journal, 18(3),2000, pp. 312

in

financial

–327. Step Data Mining Guide ”,Edited by [6] Hughes AM, “Boosting reponse with

European

Management

SPSS,2000.URL:http://www- RFM

”, Mark. Tools, 5: 4-10 staff.it.uts.edu.au/~paulk/teaching/dmkd d/ass2/readings/methodology/CRISPWP

[7] Schijns, J. M. C., & Schroder, G. J,”Segment selection by relationship -0800.pdf, diakses pada 2 September

strength ”, Journal of Direct Marketing,

10, pp. 69 –79, 1996. www.en.wikipedia.org , diakses pada 1 September 2015

[8] Direct Marketing.

URL:

[14] Junaedi, Hartanto, H http://www.cc.uoa.gr/fileadmin/cc.uoa.g

erman, Indra, “Data r/uploads/files/manuals/SPSS22/IBM_S

Transformasi pada Data Mining”, PSS_Direct_Marketing.pdf,

Konferensi Nasional “Inovasi dalam Desain dan T

pada tanggal 2 September 2015 eknologi”, IDeaTech,

diakses

2011.

[9] Hosseini, Muhammad, M. Anahita, [15] Qiao, Haiyan, Brandon, “A Data “Cluster analysis using data mining Clustering Tool with Cluster Validity approach to develop CRM methodology

to assess the customer loyalty ”, Expert ”, International Conference on Systems with Applications 37, pp.5259

Indices

Engineering – and Information IEEE, 2009.

Computing,

5264, 2010. [16] Thomas, Juan, “New Version of Davies-

Bouldin

Index for Clustering Validation Based on Cylindrical

Distance ”, JCC2013, 2013.