10
confidence, lift, dan bond. Hal ini akan menyebabkan pengolahan data yang memakan waktu cukup lama dan membutuhkan alokasi memori komputer yang
lebih banyak. Dengan penetapan threshold bond yang terlalu kecil dapat menghasilkan rules yang cukup banyak dan kurang signifikan nantinya.
3.1.5 Indikator Penelitian
Indikator untuk menghasilkan cross-selling product yang terbaik dari total
transaksi pelanggan pada periode tertentu adalah 1. Item dengan confidence score yang tertinggi. Jadi misalkan produk pertama
adalah kombinasi item 1 dan item 2 dengan confidence score x berarti bahwa ketika produk 1 dibeli, kemungkinan produk 2 juga dibeli sebesar x.
2. Improvement score lift 1, mengidentifikasikan bahwa kombinasi item tersebut merupakan positive correlation Han dan Kamber 2006 dan
menunjukan bahwa rules tersebut dapat digunakan. 3. Bond measure yang tertinggi.
4. Support yang tertinggi.
3.1.6 Tahap Implementasi pembuatan program.
Implementasi untuk tahap pembuatan program menggunakan perangkat lunak Java. Masukan berupa data yang disimpan di fail Microsoft Excel,
sedangkan keluaran berupa tabel dan grafik. Perangkat keras yang digunakan adalah laptop dengan spesifikasi prosessor Intel Pentium 2.1 GHz dan RAM
2 GB.
3.1.7 Verifikasi
Verifikasi merupakan tahapan untuk mengetahui apakah program yang dibuat menghasilkan keluaran secara keseluruhan sesuai yang diinginkan. Proses
verifikasi dilakukan selama dan setelah pembuatan selesai. Tahap verifikasi dilakukan dengan cara pengujian keluaran paket program dan pelacakan kesalahan
testing and debugging. Pengujian dilakukan dengan data input berupa data transaksi untuk menghasilkan rules yang signifikan. Untuk analisis RFM
pengujian dengan data input berupa data transaksi enam bulan terakhir.
3.2 Implementasi Proses
Proses pertama adalah mendapatkan preferensi layanan dengan kasus penjualan dengan pendekatan apriori yang didukung dengan pengukuran bond.
Proses kedua adalah menyusun rekomendasi layanan melalui analisis RFM.
11
Rekomendasi yang dapat diusulkan merupakan hasil analisis berdasarkan hasil proses pertama dan kedua.
. 3.2.1
Proses untuk mendapatkan preferensi layanan
Tahapan untuk mendapatkan preferensi layanan pelanggan mengikuti Gambar 3. Seluruh data transaksi penjualan dientri ke dalam fail Microsoft Excel,
fail tersebut dibentuk menyesuaikan kebutuhan perusahaan dan untuk penelitian. Seluruh data kemudian digabungkan dan kolom-kolom yang tidak berhubungan
untuk diproses oleh data mining akan dihilangkan. Pada proses membangkitkan itemset, didapatkan kombinasi barang misalnya nomor barang 1 dan 2. Pada
proses menghitung 2-frequent itemset dan 3-frequent itemset dengan minimum support dan minimum bond, dilakukan proses menghitung untuk mendapatkan
nilai conjunctive, disjunctive, support dan bond pada masing-masing pasangan barang. Penulis membatasi proses sampai mendapatkan tiga kombinasi barang.
Kombinasi barang yang akan dijual secara cross-selling yang merupakan preferensi layanan pelanggan didapatkan dari rules dengan pengukuran tertinggi
parameter confidence, lift, support dan bond.
Gambar 4 merupakan contoh transaksi penjualan D. Terdapat tujuh item barang dan enam transaksi |D|=6 . Transaksi 1 menunjukan pelanggan membeli
item barang dengan nomor barang 1, 2, 3 dan 4. Langkah proses dengan pendekatan apriori dan bond adalah sebagai berikut :
• Langkah pertama, scan D transaksi penjualan untuk mendapatkan support
count untuk masing-masing item frequent itemset. Ilustrasinya dapat dilihat pada sebelah kiri Gambar 5. Di sebelah kanan Gambar 5 L1 merupakan daftar
item barang dengan minimum support = 20. Item 5 merupakan item pruning pemangkasan proses perhitungan dan tidak masuk untuk diproses pada tahap
berikutnya karena mempunyai nilai support 17 100 = 14.33, kurang dari 20 .
• Untuk mendapatkan kombinasi barang membangkitkan itemset menggunakan proses penggabungan join L1 dengan L1, ilustrasinya dapat dilihat pada
Gambar 6. • Kemudian lakukan perhitungan untuk mendapatkan nilai conjunctive,
disjunctive, support, dan bond calculate frequent itemset. Jika nilai conjunctive=0 maka tidak perlu menghitung nilai disjunctive, support dan
bond, lihat tanda - pada Gambar 7. Itemset 1 3 dan 3 4 merupakan item pruning karena tidak memenuhi syarat minimum support dan minimum bond.
Di sebelah kanan Gambar 7 L2 merupakan daftar item barang dengan minimum support = 20 dan minimum bond = 20.
• Untuk mendapatkan kombinasi 3 barang digunakan proses penggabungan join L2 dengan L2.
12
• Selanjutnya dilakukan perhitungan untuk mendapatkan nilai conjunctive, disjunctive, support dan bond. Jika nilai conjunctive=0 maka tidak perlu
menghitung nilai disjunctive, support dan bond, dapat dilihat pada Gambar 8 dengan tanda - . Di sebelah kanan Gambar 8 L2 merupakan daftar item barang
dengan minimum support = 20 dan minimum bond = 20. Itemset 1 2 6, 1 2 7, 1 6 7 dan 2 3 4 merupakan item pruning.
Items
Tid 1
2 3
4 5
6 7
1 x
x x
x 2
x x
x x
x 3
x x
4 x
x x
5 x
x x
6 x
x x
Gambar 4 Transaksi penjualan
Mulai
Membangkitkan itemset
Menghitung 2-frequent itemset dan 3-frequent itemset dengan
minimum support dan minimum bond
Selesai Entri data
Data Transaksi
Mendapatkan rule dengan
parameter tertinggi
Gambar 3 Proses mendapatkan preferensi pelanggan
13
Item Support
count 1
4 2
5 3
2 4
2 5
1 6
3 7
3
Item Support
count 1
4 2
5 3
2 4
2 6
3 7
3
Gambar 6 Proses membentuk kombinasi item
Gambar 7 Proses menentukan 2 itemset dengan minimum support=20 dan minimum bond=20
Pruning item
5
Gambar 5 Proses 1 itemset dengan minimum support adalah 20
14
Gambar 8 Proses menentukan 3 itemset dengan minimum support=20 dan minimum bond=20
Langkah untuk mengetahui waktu proses mengikuti Gambar 9. Pada GET CONFIG merupakan proses membaca fail config yang terdiri dari jumlah item,
jumlah transaksi, minimum support dan minimum bond. Pada GENERATE CANDIDATES ITEM SET didapatkan pasangan barang misalnya pasangan
nomor barang 1 dan 2. Pada CALCULATE FREQUENT ITEM SET dilakukan proses menghitung untuk mendapatkan nilai conjunctive, disjunctive, support dan
bond pada masing-masing pasangan barang. Pada CALCULATE CONFD
dilakukan perhitungan untuk mendapatkan nilai confidence dan lift. Pada PROCESS END TIME, didapatkan akhir waktu proses. Pada EXEC TIME
didapatkan waktu proses sampai dengan 3 kombinasi barang. Penulis membatasi untuk running time sampai dengan 3 kombinasi barang.
Gambar 10 menunjukan running program data penjualan spare part AC sentral dengan support = 1.0 , bond = 5.0 dan jumlah seluruh transaksi = 633.
Waktu proses untuk data tersebut adalah 0.625 detik. Pada Gambar 11 merupakan proses running program dengan menaikkan minimum support dan minimum
bond, dari minimum support=1.0 menjadi 3.0 dan minimum bond dari 5.0 menjadi 15.0, diperlukan waktu proses 0.578 detik. Gambar 10 dan Gambar 11
merupakan proses running program data penjualan spare part AC sentral dengan minimum support tertinggi dan minimum bond tertinggi. Dapat disimpulkan
semakin tinggi nilai support dan nilai bond maka pemangkasan proses lebih banyak, sehingga waktu prosesnya semakin singkat cepat.
15
Gambar 10 Running program dengan minimum support=1.0 dan minimum bond=5.0
START GET CONFIG
GET START TIME
PROCESS ADD
ITEM-SET
GENERATE CANDIDATES
ITEM-SET-NUMBER
CALCULATE FREQUENT ITEM
SETS
ITEM-SET = 3
CALCULATE CONFD
PROCESS EXEC TIME
END GET
END TIME
Gambar 9 Diagram alir running time
16
Gambar 11 Running program dengan minimum support=3.0 dan minimum bond=15.0
P
enelitian Adhitama 2010 menjelaskan bahwa kombinasi produk dengan confidence score yang tinggi 80 mengidentifikasikan jika base product
terjual maka seharusnya cross-selling product juga disarankan ditawarkan kepada pelanggan, kedua produk tersebut memiliki reliabilitas yang tinggi jika dijual
secara komplemen satu sama lain. Peluang untuk menjual produk secara bundling dengan memperhatikan support score nya.
3.2.2
Proses menyusun mekanisme rekomendasi layanan.
Analisis RFM untuk memeriksa dan mengelompokkan pelanggan sesuai dengan frekuensi pembelian mereka, kebaruan dan nilai pembelian. Analisis
RFM adalah pendekatan umum untuk memahami perilaku pembelian pelanggan. Biasanya, analisis RFM melibatkan pengelompokan binning dari pelanggan.
Pelanggan dikelompokkan sesuai dengan nilai recency R, frequency F, dan monetary M. Kelompok 1 dari pelanggan dengan nilai monetary M=1
merupakan kelompok pelanggan terendah dalam nilai nominal pembelian, kelompok 3 dari pelanggan dengan monetary=3 merupakan kelompok pelanggan
sedang dan kelompok 5 dari pelanggan dengan monetary=5 merupakan kelompok tertinggi. Prosedur untuk membangun sel-sel RFM diilustrasikan pada Gambar
12.
17
Gambar 12 Binning RFM Tsiptsis dan Chorianopoulos 2009
Penyusunan mekanisme rekomendasi layanan pelanggan melalui analisis RFM mengikuti Gambar 13. Tahapan tersebut yaitu:
1. Data transaksi penjualan setiap pelanggan dianalisis berdasarkan recency transaksi paling baru, frequency frekuensi dari transaksi penjualan dan
monetary nilai pembelian barang. 2. Pembuatan 5 binning kelompok RFM menggunakan data transaksi pelanggan
selama 6 bulan terakhir. Proses tersebut yaitu : • Mendapatkan maksimum dan minimum frekuensi transaksi penjualan.
• Mendapatkan jumlah frekuensi pembelian untuk setiap pelanggan, untuk frekuensi pembelian terkecil ditempatkan pada binning 1, untuk frekuensi
sedang ditempatkan pada binning 3 dan untuk frekuensi terbanyak ditempatkan pada binning 5. Demikian juga dengan recency dan monetary.
18
Gambar 13 Diagram alir analisis RFM
Mulai
Data transaksi
penjualan
Analisis data transaksi setiap pelanggan data tanggal
transaksi, jumlah transaksi, dan nilai nominal
Analisis frekuensi dari transaksi penjualan
Analisis recency dari transaksi yang paling baru
Mengelompokkan pelanggan menjadi 5 level untuk masing-
masing recency, frequency dan monetary
Analisis monetary dari variabel nilai pembelian barang
Mendapatkan pelanggan dengan RFM tertinggi
Selesai
19
4 HASIL DAN PEMBAHASAN
4.1 Preferensi Layanan Pelanggan