Validasi Sistem Evaluasi Sistem

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 variabelkonsep 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 pengukurinstrumen 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 rules If 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. 45 VII. KESIMPULAN DAN SARAN

7.1 Kesimpulan

Hasil penetapan strategi penjulan yang dilakukan dalam perhitungan support score, 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. Nilai ini digunakan dalam menentukan strategi penjualan. Nilai improvement score terbesar dalam penelitian ini 4.742 adalah jika membeli produk D produk Passanger High Performance kemudian membeli produk F produk Ultra Light Truck Radial. Nilai ini menunjukkan tingkat kemungkinan dua item tersebut dapat dibeli secara bersamaan sangatlah tinggi. Dalam proses perhitungan yang telah dilakukan menghasilkan 22 rules yang dapat digunakan untuk menentukan strategi penjualan cross selling, dengan memperhatikan nilai support, confidence, dan improvement pada semua rules tersebut.

7.2 Saran

Saran untuk penelitian selanjutnya adalah: 1. Dalam penerapan strategi penjualan selanjutnya, kondisi bergantung kepada dimensi waktu, jika perusahaan bermaksud menerapkan strategi pemasaran cross-selling pada awal tahun, maka data transaksi yang digunakan sebaiknya adalah data transaksi selama satu tahun sebelumnya. Selain dimensi waktu dan jumlah datanya, faktor lain juga berpengaruh adalah tren penjualan dari produk-produk yang bersangkutan. Kemungkinan kombinasi produk tertentu masih relevan diterapkan ke dalam transaksi penjualan pada periode selanjutnya, namun beberapa produk tidak relevan lagi untuk diterapkan. 2. Penggunaan analisis RFM akan lebih baik jika lebih dioptimalkan sehingga strategi penjualan cross-selling yang dihasilkan dari penggunaan teknik association rules mining dapat lebih dimaksimalkan dengan adanya segmentasi customer yang lebih individual.