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.
Gambar 3. Proses Frequent Item Set Didalam Algoritma Association Rules Mining
13
Mengitung Nilai Support
N: Number of Transaction
Analisis 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
Gambar 4. Formulasi Association Rules Mining
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
Tidak
15
3.2.3 Analisis Recency, Frequency, Monetary RFM
Kategori