5
barang yang cenderung dibeli oleh pelanggan. Tsiptsis dan Chorianopoulos 2009.
Bond measure adalah ukuran lain dari hubungan asosiasi terpenting dalam data mining. Pengukuran bond hampir sama dengan support, pengukuran bond
mengetahui perbandingan eratnya item yang bersamaan dari jumlah transaksi item yang dibeli, sedangkan support mengetahui eratnya item yang bersamaan dari
seluruh transaksi.
Penelitian di bidang ini telah banyak dilakukan seperti untuk strategi CRM, cross-selling diterapkan untuk meningkatkan jumlah jasa yang dibeli Maalof
2007. Metode association rules juga digunakan untuk analisis citra CT computed tomography organ pasien kanker ovarium Kuswardani 2011. Hasil
dari association rules ditemukan bahwa ukuran uterus mempunyai pola ciri dengan support rules sebesar 55, pola ciri hubungan organ liver dan ukuran
organ uterus dengan support rules 45, pola ciri hubungan organ liver, intensitas ginjal dan ukuran organ uterus dengan support rules 40, pola ciri hubungan
organ intensitas ginjal dan ukuran uterus dengan support rules 50. Penerapan metode association rules untuk analisis citra CT scan organ pasien kanker
ovarium diharapkan dapat membantu ahli medis dalam melakukan diagnosis. Penelitian yang berhubungan dengan pengukuran bond dilakukan oleh Omiecinski
2003 menggunakan pengukuran confidence dan bond, penelitiannya membuktikan bahwa algoritmanya dapat menemukan itemset besar secara efisien.
3 METODE
Tahapan penelitian yang dilakukan mengikuti diagram alir pada Gambar 1. Pada proses menstrukturkan teknik preferensi layanan pelanggan digunakan
metode pendekatan apriori dan bond. Output yang didapatkan dari proses tersebut adalah preferensi layanan pelanggan. Pada proses menyusun rekomendasi layanan
melalui analisis RFM didapatkan grafik profil pembelian. Rekomendasi yang diusulkan didapatkan dari analisa hasil preferensi layanan pelanggan dan
rekomendasi layanan.
3.1 Metode Penelitian
3.1.1 Sumber Data Transaksi
Dalam menentukan strategi pemasaran, data yang digunakan adalah transaksi penjualan layanan salah satu perusahaan di Indonesia yang bergerak
dalam bidang penjualan spare part AC sentral yang menjual 268 item barang dan melayani 215 pelanggan. Data didapatkan dari transaksi penjualan barang di
perusahaan di Indonesia dari bulan Januari tahun 2010 hingga bulan Desember tahun 2011.
6
3.1.2 Formulasi Association Rules Mining dan Pengukuran Bond
Association rules mining merupakan salah satu teknik di dalam data mining untuk menentukan hubungan antar item dalam suatu dataset sekumpulan data
yang telah ditentukan. Konsep ini diturunkan dari terminologi market basket analysis, yaitu pencarian hubungan dari beberapa produk di dalam transaksi
Mulai
Data Transaksi
penjualan
Mekanisme rekomendasi layanan
dengan metode Apriori dan Bond
Preferensi layanan pelanggan
Selesai Rekomendasi layanan
dengan analisis RFM
- Grafik profil pembelian pelanggan
- Daftar pelanggan dengan RFM tertinggi
Analisis
Rekomendasi yang diusulkan
Gambar 2 Diagram alir penelitian Gambar 1 Diagram alir penelitian
7
pembelian Han dan Kamber 2006. Teknik ini mencari kemungkinan kombinasi item yang sering muncul frequent dari suatu itemset sekumpulan item.
Algoritma yang digunakan adalah algoritma apriori dan pengukuran bond. Di bawah ini adalah algoritma apriori Han dan Kamber 2006.
Pada penelitian ini, langkah pertama adalah melakukan perhitungan untuk menemukan frequent set dan langkah kedua mencari kaidah asosiasi rules dari
sekumpulan frequent itemset tadi. Ilustrasinya dapat dilihat pada Gambar 2.
8
Transaction id
Products 1
beer, diapers, coke 2
beer, bread, milk 3
coke, pepsi, milk 4
cheese, coffee
… …
Support, Bond Frequent
Itemset 3.0 , 20
beer, diaper 2.5 , 15
coke, pepsi, milk
2.0 , 12 Milk, bread
… …
Rules Probability
beer = diaper 75
coke, pepsi = milk 60
coffee = milk 55
… …
Gambar 2 Proses frequent itemset Dalam menggunakan metode ini, terdapat empat kriteria ukuran yaitu :
1 Support: ukuran yang menunjukkan seberapa besar kemungkinan item A dan item B dibeli secara bersamaan dari seluruh transaksi yang ada. Han dan
Kamber 2006
B A
P B
A Support
=
⇒
2 Confidence: ukuran yang menyatakan seberapa besar kemungkinan item B dibeli apabila pelanggan membeli item A Han dan Kamber 2006
_ _
| A
count Support
B A
count Support
A B
P B
A Confidence
=
= ⇒
3 Improvement importance: ukuran yang menyatakan besarnya kemungkinan dua item dapat dibeli secara bersamaan. Geng dan Hamilton 2006
, B
P A
P B
A P
B A
lift
=
9
4 Bond measure: ukuran yang menyatakan perbandingan antara conjunctive support dan disjunctive support Pfahringer et al. 2010
AB Supp
AB Supp
AB Bond
∨ ∧
=
Conjunctive support Supp ∧AB: jumlah frekuensi item A dan
item B dibeli bersamaan. Disjunctive support Supp
∨AB: jumlah frekuensi item A atau B yang dibeli.
3.1.3 Mekanisme rekomendasi layanan melalui analisis RFM