Customer Relationship Management Untuk Penetapan Strategi Penjualan Menggunakan Teknik Association Rules Mining

CUSTOMER RELATIONSHIP MANAGEMENT

UNTUK PENETAPAN STRATEGI PENJUALAN

MENGGUNAKAN TEKNIK ASSOCIATION RULES MINING

SKRIPSI

Triyoda Arrahman

F34070118

DEPARTEMEN TEKNOLOGI INDUSTRI PERTANIAN

FAKULTAS TEKNOLOGI PERTANIAN

INSTITUT PERTANIAN BOGOR

BOGOR

CUSTOMER RELATIONSHIP MANAGEMENT

FOR DETERMINING OF SALES STRATEGY

USING ASSOCIATION RULES MINING TECHNIQUE

Triyoda Arrahman

Department of Agroindustrial Technology, Faculty of Agricurtural Technology, Bogor

Agricultural Technology, IPB Darmaga Campus, PO Box 220, Bogor, West Java,

Indonesia.

Phone 62 21 8468904, e-mail: triyodaarrahman@yahoo.com

ABSTRACT

Business competition is the most important factor to develop a marketing system for a more effective and efficient marketing system in an industry. Customer Relationship Management (CRM) is a marketing Management system which can be a solution to face an increasingly competitive business. CRM includes cross-up selling, analysis of affinity products, and bundling of products that can be used as an alternative solution in marketing strategy system in an industry. Revenue of a company can be improved through cross selling where sale the additional product with the major products. Customer Relationships can improve customer satisfaction.

This research discusses an analysis of sales transaction data from an agro-industrial company with tires products using Association Rules Mining technique. The result from this work shows the strategy of sales can be made using value of support, confidence and improvement. Determining of sales strategy makes to sell products which have complementary products with a value is higher than the base product and have confidence level> 50%. It shows that sell in up-selling (offering products that have higher prices of basic products) also can be done.

Keywords: Business Competition, CRM (Customer Relationship Management), Sales Strategy, Data mining, Association Rules Mining, Cross Selling and Up Selling Strategy

TRIYODA ARRAHMAN. F34070118. Customer Relationship Management Untuk Penetapan Strategi

Penjualan Menggunakan Teknik Association Rules Mining. Di bawah bimbingan Taufik Djatna. 2011

RINGKASAN

Customer Relationship Management (CRM) merupakan suatu sistem manajemen pemasaran yang dapat menjadi solusi dalam menghadapi persaingan usaha yang semakin kompetitif. CRM mencakup

cross/up selling, product affinity analysis, dan product bundling yang dapat digunakan sebagai alternatif

solusi dalam penentuan sistem strategi penjualan di suatu industri. Revenue perusahaan dapat semakin

ditingkatkan melalui penjualan secara Cross Selling, dimana dilakukannya penjualan produk dengan

produk komplementernya sehingga semakin dapat dikenalinya perilaku pelanggan dan dapat menghasilkan strategi penjualan yang akan menghasilkan hubungan pelanggan yang semakin terjaga serta semakin meningkatnya kepuasan pelanggan terhadap sistem pemasaran perusahaan. Penelitian ini akan melakukan analisis terhadap data transaksi penjualan sebuah perusahaan yang bergerak di bidang

agroindustri dengan produk ban menggunakan teknik Association Rules Mining untuk dihasilkan strategi

penjualan cross-selling. Tujuan penelitian ini adalah sebagai berikut:

1. Mendapatkan nilai support asosiciation rule untuk mengetahui 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).

2. Mendapatkan nilai confidence association rule untuk mengetahui ukuran yang menyatakan

hubungan antara dua item secara conditional (misalkan seberapa sering item A dibeli, jika pelanggan membeli item B).

3. Mendapatkan nilai improvement association rule untuk mengetahui ukuran yang menyatakan

besarnya kemungkinan dua item dapat dibeli secara bersamaan.

4. Mendapatkan hipotesis strategi pemasaran cross-selling sehingga revenue dari perusahaan

dapat semakin meningkat.

Penetapan strategi penjualan yang dilakukan diantaranya adalah melakukan penjualan produk

yang memiliki produk komplementer dengan nilai (value) yang lebih tinggi dari produk yang

bersangkutan dan keduanya memiliki tingkat confidence >50%. Hal ini mengindikasikan terciptanya

peluang untuk menjual secara up-selling (melakukan penjualan yang lebih bernilai). Pada penelitian ini

dari analisis perhitungan support score dihasilkanproduk 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%. Hal ini menunjukkan bahwa rules Item Set

tersebut dapat digunakan dalam menentukan strategi penjualan. Dan dari menghitung improvement score,

nilai improvement score terbesar (4.742) adalah jika membeli produk D (produk Passanger High

Performance) kemudian membeli produk F (produk Ultra Light Truck Radial). Hal ini menunjukkan bahwa tingkat kemungkinan dua item tersebut dapat dibeli secara bersamaan sangatlah tinggi. Proses

perhitungan yang telah dilakukan menghasilkan 22 rules yang dapat digunakan dalam menentukan strategi

penjualan cross selling dengan menghitung nilai support, confidence dan improvement pada semua rules

TRIYODA ARRAHMAN. F34070118. CustomerRelationshipManagement for Determining Of Sales

Strategy Using AssociationRules Mining Technique. Supervised by Taufik Djatna. 2011

SUMMARY

Business competition is the most important factor to develop a marketing system for a more effective

and efficient marketing system in an industry. CustomerRelationshipManagement (CRM) is a marketing

Management system which can be a solution to face an increasingly competitive business. CRM includes

cross-up selling, analysis of affinity products, and bundling of products that can be used as an alternative solution in sales strategy system in an industry. Revenue of a company can be improved through cross selling where sale the additional product with the major products. CustomerRelationships can improve

customer satisfaction. This research discusses an analysis of sales transaction data from an agro-industrial

company with tires products using Association Rules Mining technique. The purposes of this work are:

1. Getting support score of association rule to know size of dominate level of Item Set from all transaction (example from all existing transaction, how big possibility of item of A and item of B bought concurrently

2. Getting confidence score of association rule to know size of relation between two item by

conditional (example how often item of A bought, if customer buy item of B

3. Getting improvementscore of association rule to know size of possibility level of two item can

buy concurrently

4. Getting hypothesis of marketing strategy of cross-selling.

CRM includes cross-up selling, analysis of affinity products, and bundling of products can be used as

an alternative solution in sales strategy system in an industry. Sales Strategy of crossselling in this work

created from support, confidence, and improvement scores. From calculating of support scores, the

biggest size of dominate level of rule Item Set is when customer buy product B (passenger broad market

product) with 55 % support score. In generally, the rules of Item Set have confidence level> 50%. It

illustrate that the rules Item Set can be use for determine sales strategy. And from calculating of

improvement score process, the biggest improvementscore (4.742) is If Buy D (Product Passenger High Performance) Then Buy F (Ultra Light Truck Radial). It illustrate that the possibility level of two item can

buy concurrently is very high. The calculations have resulted 22 rules significantly for used to determine

CUSTOMER RELATIONSHIP MANAGEMENT

UNTUK PENETAPAN STRATEGI PENJUALAN

MENGGUNAKAN TEKNIK

ASSOCIATION RULES MINING

SKRIPSI

Sebagai salah satu syarat untuk memperoleh gelar

SARJANA TEKNOLOGI PERTANIAN

Pada Departemen Teknologi Industri Pertanian

Fakultas Teknologi Pertanian

Institut Pertanian Bogor

Oleh

Triyoda Arrahman

F34070118

DEPARTEMEN TEKNOLOGI INDUSTRI PERTANIAN

FAKULTAS TEKNOLOGI PERTANIAN

INSTITUT PERTANIAN BOGOR

BOGOR

Judul Skripsi

:

Customer Relationship Management

Untuk Penetapan Strategi

Penjualan Menggunakan Teknik

Association Rules Mining

Nama

: Triyoda Arrahman

NIM

: F34070118

Menyetujui,

Pembimbing,

(Dr. Eng. Taufik Djatna, STP, MSi.)

NIP. 19700614 199512 1001

Mengetahui :

Ketua Departemen,

(Prof. Dr. Ir. Nastiti Siswi Indrasti)

NIP. 19621009 198903 2 001

PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI

Saya menyatakan dengan sebenar-benarnya bahwa skripsi dengan judul

Customer

Relationship Management Untuk Penetapan Strategi Penjualan Menggunakan

Teknik Association Rules Mining

adalah hasil karya saya sendiri dengan arahan Dosen

Pembimbing Akademik, dan belum diajukan dalam bentuk apapun pada perguruan

tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan

maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan

dalam Daftar Pustaka di bagian akhir skripsi ini.

Bogor, Juni 2011

Yang membuat pernyataan

Triyoda Arrahman

F34070118

© Hak cipta milik Triyoda Arrahman, tahun 2011

Hak cipta dilindungi

Dilarang mengutip dan memperbanyak tanpa izin tertulis dari Institut Pertanian Bogor,

sebagian atau seluruhnya dalam bentuk apapun, baik cetak, fotokopi, mikrofilm, dan

BIODATA PENULIS

Penulis lahir di Jakarta, 18 September 1989 sebagai anak ketiga dari tiga bersaudara pasangan Haryono Irfanda dan Ida Latifah. Penulis menyelesaikan pendidikan di Sekolah Dasar Negeri Jatirahayu VI Bekasi Jawa Barat pada tahun 2001, lalu menyelesaikan pendidikan di Sekolah Lanjutan Tingkat Pertama Negeri 259 Jakarta Timur pada tahun 2004, kemudian menyelesaikan pendidikan di Sekolah Menengah Umum Negeri 48 Jakarta Timur pada tahun 2007. Pada tahun yang sama penulis diterima sebagai mahasiswa Departemen Teknologi Industri Pertanian, Fakultas Teknologi Pertanian, Institut Pertanian Bogor melalui jalur SPMB. Selama menjadi mahasiswa penulis aktif dalam kegiatan organisasi dan Kepanitiaan kegiatan baik lingkup internal maupun eksternal, antara lain penulis pernah aktif di Organisasi BEM TPB IPB periode 2007-2008 sebagai Staf Pengembangan Minat dan Bakat dan pada periode 2009-2010 penulis juga aktif sebagai Staf Kebijakan Daerah di BEM KM IPB. Selama menjadi mahasiswa penulis juga aktif di dunia Basket yaitu menjadi Ketua Club Basket Fakultas Teknologi Pertanian Periode 2010-2011. Pada tahun 2008 penulis menjadi Ketua TPB (Tingkat Persiapan Bersama) CUP BEM TPB IPB dan pada tahun 2010 penulis menjadi Ketua Pelaksana Bedah Bogor 2010 BEM KM IPB. Selain itu selama berkuliah di IPB penulis juga pernah menjadi Finalis Lomba Karya Tulis Ilmiah Atsiri Fair tingkat nasional yang diselenggarakan oleh Himpunan Mahasiswa Teknologi Industri Pertanian di Gedung Alumni IPB, Bogor, Jawa Barat. Penulis juga pernah melakukan praktek lapang di PT.

xi

KATA PENGANTAR

Alhamdulillah, Puji syukur penulis panjatkan kepada Allah SWT, karena dengan

rahmat-Nya penulis dapat menyelesaikan skripsi yang berjudul “Customer Relationship Management

Untuk Penetapan Strategi Penjualan Menggunakan Teknik Associative Rules Mining”.

Keberhasilan atas pembuatan skripsi ini tidak lepas dari bantuan orang-orang di sekeliling penulis, maka dari itu penulis mengucapkan terima kasih kepada:

1. Orang tua dan keluarga penulis, Ayahanda Haryono Irfanda, Ibunda Ida Latifah, Kakak Iis

Nofriadani dan Muhammad Hadid Putra, SP. Terima kasih atas curahan kasih sayang dan dukungannya selama ini terhadap penulis.

2. Dr. Eng. Taufik Djatna, S.T.P, MSi. selaku pembimbing akademik penulis, terima kasih

atas segala bimbingannya.

3. Bapak Bapak Dr. Ir. Sukardi, MM dan Ibu Dr. Ir. Indah Yuliasih, M.Si. selaku tim penguji,

terima kasih atas segala bimbingan dan saran terhadap penulis.

4. Dosen dan Staf Teknologi Industri Pertanian, Fakultas Teknologi Pertanian, Institut

Pertanian Bogor

5. Resa Denasta Syarif, terima kasih atas dukungan dan semangatnya untuk selalu

memberikan dorongan motivasi kepada penulis

6. Novina Eka S, Firdaus Karimuddin, Pralingga Saputra, Agung Utomo, Ayuningtyas, Zafira

Kanara, Irfina Febianti, Rizky Bachtiar, Khairunnisa, Septiyanni, Shiva Amwaliya, Lutvi Setiono, Nova Afriyanti, Eko Nopianto, Iqbal Ardiwibowo, Muthia Dwi Astri, Mas Teguh, Kak Syaifudin, Kak Faqih, terima kasih atas persahabatan dan rasa kekeluargaan teman-teman dan kakak-kakak selama di Labkom dan di lingkungan TIN FATETA IPB.

7. Teman-teman mahasiswa Jurusan Teknologi Industri Pertanian, Fakultas Teknologi

Pertanian, dan Institut Pertanian Bogor yang telah mendukung penulis selama ini dan membantu penulis selama menimba ilmu di jurusan Teknologi Industri Pertanian.

8. Teman-Teman Club Basket Fateta IPB, Jakda BEM KM IPB 2010, PEMIKAT BEM TPB

2008.

9. Teman-teman Pondok Handayani Balio, Darmaga, Bogor.

10. Seluruh pihak yang telah membantu penulis dalam pelaksanaan dan penyusunan skripsi ini.

Bogor, Juni 2011

xii

DAFTAR ISI

Halaman

I. PENDAHULUAN ...

1

1.1 Latar Belakang ... 1

1.2 Tujuan ... 2

1.3 Ruang Lingkup ... 2

II. TINJAUAN PUSTAKA ...

3

2.1 Customer Relationship Management ... 3

2.2 Metode Pengembangan Sistem Berorientasi Objek dan Unified Modelling Languange .... 4

2.3 Ban ... 5

2.3.1 Karet (Bahan Baku Utama Ban) ... 5

2.3.2 Sifat-Sifat Karet Alam ... 6

2.3.3 Penggunaan Karet Alam ... 6

2.3.4 Proses Pembuatan Ban ... 6

2.4 Penelitian Terdahulu ... 9

III. METODOLOGI PENELITIAN ...

10

3.1 Kerangka Kerja Penelitian ... 10

3.1.1 Analisis Sistem ... 10

3.1.2 Metode Pengembangan Sistem Berorientasi Objek ... 11

3.1.3 Tahap Implementasi Sistem ... 11

3.1.4 Verifikasi Sistem ... 11

3.2 Metode Penelitian ... 12

3.2.1 Sumber Data Transaksi ... 12

3.2.2 Formulasi Association Rules Mining ... 14

3.2.3 Analisis RFM (Recency, Frequency, Monetary)... 15

3.2.4 Desain Eksperimen ... 17

3.2.5 Indikator Penelitian ... 17

IV. ANALISIS SISTEM ...

18

4.1 Konfigurasi Input, Proses, Output ... 18

4.2 Analisis Kebutuhan Informasi Penggunaan ... 19

4.3 Hubungan Antar Pelaku ... 20

4.4 Kebutuhan Fungsional Sistem ... 20

4.4.1 Kebutuhan Perangkat Lunak dan Perangkat Keras ... 20

4.4.2 Kebutuhan Tenaga ... 20

xiii

V. PEMODELAN OBJEK DAN BASIS DATA ...

22

5.1 Use Case Diagram (Diagram Kasus) ... 22

5.2 Activity Diagram (Diagram Aktifitas) ... 24

5.3 Statechart Diagram (Diagram Kondisi) ... 26

5.4 Class Diagram (Diagram Kelas) ... 27

5.5 Desain Basis Data ... 29

5.5.1 CDM (Conceptual Data Model) ... 30

5.5.2 PDM (Physical Data Model) ... 30

VI. IMPLEMENTASI MODEL CRM ...

33

6.1 Transformasi Desain ... 33

6.2 Penetapan Strategi Penjualan Menggunakan Nilai-Nilai Association Rules Mining (Support, Confidence, Improvement) dan Analisis RFM (Recency, Frequency, Monetary) ... 33

6.3 Evaluasi ... 36

6.3.1 Verifikasi... 36

6.3.2 Validasi ... 42

VII. KESIMPULAN DAN SARAN ...

45

7.1 Kesimpulan ... 45

7.2 Saran... 45

DAFTAR PUSTAKA ...

46

xiv

DAFTAR TABEL

Halaman

Tabel 1. Variabel Harga Untuk Analisis Monetary Pada Setiap Produk ... 15

Tabel 2. Penetapan Strategi Penjualan 1 ... 34

Tabel 3. Penetapan Strategi Penjualan 2 ... 35

Tabel 4. Penetapan Strategi Penjualan 3 ... 36

Tabel 5. Hasil Analisis FrequentItem Set K-Item Set=1 ... 37

Tabel 6. Hasil Analisis FrequentItem Set K-Item Set=2 ... 38

Tabel 7. Hasil Perhitungan Nilai Support K-Item Set=1... 41

Tabel 8. Hasil Perhitungan Nilai Support, Confidence, Improvement K-Item Set=2... 41

xv

DAFTAR GAMBAR

Halaman

Gambar 1. Hevea Brasiliensis ... 5

Gambar 2. Tahapan Pengembangan Sistem... 10

Gambar 3. Proses Frequent Item Set Didalam Algoritma Association Rules Mining... 12

Gambar 4. Formulasi Association Rules Mining ... 13

Gambar 5. Analisis Pre-processing Data menggunakan Clustering K-Means ... 14

Gambar 6. Flowchart Analisis RFM ... 16

Gambar 7. DFD (Data Flow Diagram) Tingkat 0 ... 18

Gambar 8. DFD (Data Flow Diagram) Tingkat 1 ... 19

Gambar 9. Diagram Kasus ... 23

Gambar 10. Diagram Aktifitas... 25

Gambar 11. Diagram Keadaan Sub Sistem Login ... 26

Gambar 12. Kelas customer dan kelas file transaksi ... 27

Gambar 13. Diagram Kelas ... 28

Gambar 14.CDM (Conceptual Data Model) ... 31

Gambar 15. PDM (Physical Data Model) ... 32

Gambar 16. Tampilan Halaman Analisis FrequentItem Set Program PSP 1.0 ... 38

Gambar 17. Tampilan Halaman Analisis FrequentItem Set K-Item Set=1 Program PSP 1.0 ... 39

Gambar 18. Tampilan Halaman Analisis FrequentItem Set K-Item Set=2 Program PSP 1.0 ... 39

Gambar 19. Tampilan Halaman Analisis FrequentItem Set K-Item Set=3 Program PSP 1.0 ... 40

xvi

DAFTAR LAMPIRAN

Halaman

Lampiran 1. Tabulasi Hasil Analisis RFM (Recency, Frequency, Monetary) ... 47

Lampiran 2. Tabulasi Database dalam MySQL Hasil Generate dari Diagram Kelas ... 49

Lampiran 3. Statechart Diagram Sub Sistem Transaksi ... 50

Lampiran 4. Statechart Diagram Sub Sistem Analisis Frequent Item Set ... 51

Lampiran 5. Statechart Diagram Sub Sistem Penentuan Strategi Penjualan ... 52

Lampiran 6. Statechart Diagram Sub Sistem Perhitungan Support... 53

Lampiran 7. Statechart Diagram Sub Sistem Perhitungan Nilai Confidence ... 54

Lampiran 8. Statechart Diagram Sub Sistem Perhitungan Improvement... 55

1

I.

PENDAHULUAN

1.1

Latar Belakang

Customer Relationship Management (CRM) dapat didefinisikan sebagai integrasi dari strategi penjualan, pemasaran, dan pelayanan yang terkoordinasi. CRM menyimpan informasi pelanggan dan merekam seluruh kontak yang terjadi antara pelanggan dan perusahaan, serta membuat profil pelanggan untuk staf perusahaan yang memerlukan informasi tentang pelanggan tersebut (Tsiptsis dan Chorianopoulos, 2009).

Kegiatan CRM dalam perusahaan pada dasarnya bertujuan supaya perusahaan dapat mengenali pelanggan secara lebih detail dan melayani mereka sesuai dengan kebutuhannya. Prinsip fokus terhadap pelanggan menjadi prinsip dasar penerapan CRM di perusahaan. CRM

sendiri memiliki arti sebuah proses bisnis atau kegiatan marketing yang mengelola seluruh aspek

dari daur hidup pelanggan, mulai acquisition, fulfillment, sampai retention. Strategi komprehensif

perusahaan terhadap penerapan CRM ini membuat setiap proses dari daur hidup pelanggan dapat dimanfaatkan dengan optimal (Danardatu,2007).

Peningkatan revenue perusahaan merupakan dampak yang paling bisa dirasakan. Ketika

sebuah strategi cross-selling dijalankan, fokus utama perusahaan tidak lagi kepada bagaimana

mendapatkan pelanggan baru yang potensial (prospectingcustomer), tetapi bagaimana menjual

lebih banyak produk kepada pelanggan yang sudah ada (existing customer). Sebuah literatur

menyebutkan bahwa biaya (cost) yang harus dikeluarkan perusahaan untuk mendapatkan

pelanggan baru lebih mahal sepuluh kali lipat jika dibandingkan dengan mempertahankan pelanggan yang sudah ada.

Sebagai bagian dari CRM, cross-selling harus didahului oleh analisis yang mendalam

mengenai data transaksi pelanggan dengan menggunakan konsep data mining yang melibatkan

proses pengambilan sumber informasi dari sebuah transaksi pelanggan yang mencakup produk

apa yang mereka beli, perilaku pembelian pelanggan, dan lain-lain. Data mining dapat

membantu mempercepat proses pengambilan keputusan secara cepat dan memungkinkan perusahaan untuk mengelola informasi yang terkandung di dalam data transaksi menjadi sebuah

pengetahuan (knowledge). Lewat pengetahuan yang didapat, perusahaan dapat meningkatkan

pendapatannya dan mengurangi biaya. Pada akhirnya di masa yang akan datang perusahaan dapat lebih kompetitif.

Association rules mining (associative rules mining) adalah suatu metode data mining yang

bertujuan untuk mencari sekumpulan items yang sering muncul bersamaan. Umumnya

association rules mining ini dianalogikan dengan keranjang belanjaan. Dari keranjang belanjaan para pengunjung supermarket akan dapat diketahui, barang apa saja yang sering dibeli bersamaan

dan barang mana saja yang tidak. Dengan begitu association rules mining dapat menjadi suatu

metode yang berfungsi untuk menganalisis strategi pemasaran secara cross-selling.

1.2

Tujuan

Tujuan penelitian ini adalah sebagai berikut:

1. Mendapatkan nilai support association rules mining untuk mengetahui ukuran yang

menunjukkan tingkat dominasi Item Set dari keseluruhan transaksi (misalkan dari seluruh

2

2. Mendapatkan nilai confidence association rules mining untuk mengetahui ukuran yang

menyatakan hubungan antara dua item secara conditional (misalkan seberapa sering item A

dibeli, jika pelanggan membeli item B).

3. Mendapatkan nilai improvement association rules mining untuk mengetahui ukuran yang

menyatakan besarnya kemungkinan dua item dapat dibeli secara bersamaan.

4. Mendapatkan hipotesis strategi pemasaran cross-selling CRM.

1.3

Ruang Lingkup

Penulis membatasi kajian penelitian customer relationship management untuk penetapan

strategi penjualan menggunakan teknik association rules mining meliputi aspek-aspek sebagai

berikut.

1. Mengidentifikasi data dan informasi transaksi penjualan mengunakan teknik data mining

dengan metode association rules mining pada perusahaan yang menerapkan (CRM)

Customer Relationship Management

2. Penyusunan sistem penetapan strategi penjualan (PSP) yang merupakan program

pemprosesan strategi penjualan cross-selling dari data transaksi penjualan menggunakan

teknik association rules mining. Data-data yang digunakan untuk melakukan verifikasi dan

validasi sistem didapatkan dari salah satu perusahaan agroindustri yang bergerak dalam industri ban.

3

II.

TINJAUAN PUSTAKA

2.1

Customer Relationship Management

CRM merupakan sebuah pendekatan baru dalam mengelola hubungan korporasi dan pelanggan pada level bisnis sehingga dapat memaksimumkan komunikasi dan pemasaran melalui pengelolaan berbagai kontak yang berbeda dengan pelanggan. Pendekatan ini memungkinkan untuk mempertahankan pelanggan dan memberikan nilai tambah terus menerus pada pelanggan, selain juga memperoleh keuntungan yang berkelanjutan (Anonim,2010). CRM dapat didefinisikan sebagai integrasi dari strategi penjualan,

pemasaran, dan pelayanan yang terkoordinasi. CRM mencakup cross/up selling, product

affinity analysis, dan product bundling yang dapat digunakan sebagai solusi alternatif dalam sistem strategi penjualan di suatu industri. Cross-selling didefinisikan sebagai "setiap tindakan atau praktek menjual antara atau di antara klien, pasar, pedagang, dll" atau "yang menjual produk tambahan atau jasa kepada satu pelanggan yang sudah ada." (Harding,2002). CRM menyimpan informasi pelanggan dan merekam seluruh kontak yang terjadi antara pelanggan dan perusahaan, serta membuat profil pelanggan untuk staf perusahaan yang memerlukan informasi tentang pelanggan tersebut (Anonim,2010)

Kegiatan CRM dalam perusahaan pada dasarnya bertujuan supaya perusahaan dapat mengenali pelanggan secara lebih detail dan melayani mereka sesuai dengan kebutuhannya. Prinsip fokus terhadap pelanggan menjadi prinsip dasar penerapan CRM di perusahaan. CRM

sendiri memiliki arti sebuah proses bisnis atau kegiatan marketing yang mengelola seluruh

aspek dari daur hidup pelanggan, mulai acquisition, fulfillment, sampai retention. Strategi komprehensif perusahaan terhadap penerapan CRM ini membuat setiap proses dari daur hidup pelanggan dapat dimanfaatkan dengan optimal. Perusahaan tidak dapat memberikan pelayanan yang sama kepada semua pelanggan karena pada kenyataannya tidak semua pelanggan memberikan keuntungan maksimal kepada perushaaan. Sesuai dengan hukum 80 : 20, di antara 100 % pelanggan yang dimiliki perusahaan, hanya sekitar 20 % yang dapat memberikan keuntungan maksimal (Danardatu,2007).

CRM menjadi semakin penting bagi semua organisasi yang ingin memberikan layanan yang lebih baik kepada konsumen mereka dengan biaya yang cukup rendah, CRM mempunyai dua tujuan utama:

1. Mempertahankan pelanggan hingga mencapai kepuasan pelanggan.

2. Pengembangan customer hingga mengerti pelanggan secara mendalam. Data mining

bertujuan untuk mengekstrak pengetahuan dan arti yang mendalam dengan

menganalisis data yang besar menggunakan teknik modeling yang kompleks.

Data mining dalam CRM digunakan untuk:

1. Mengidentifikasi model data

2. Memahami perilaku konsumen

3. Memprediksi perilaku konsumen. (Tsiptsis dan Chorianopoulos, 2009)

2.2

Metode Pengembangan Sistem Berorientasi Objek dan Unified Modeling

Languange

Menurut (O’Brien,2008) proses pengembangan sistem informasi umumnya meliputi

4

dibutuhkan oleh pemakai akhir yang menghasilkan persyaratan fungsional dan digunakan sebagai dasar desain sistem informasi yang dibuat. (2) Desain Sistem merupakan serangkaian aktivitas-aktivitas desain yang menghasilkan spesifikasi sistem yang memenuhi persyaratan fungsional pada tahap analisis sistem. (3) Pengembangan pemakai akhir merupakan tahap merubah dari konsep desain pada tahap sebelumnya menjadi sebuah perangkat aplikatif yang sesuai kebutuhan pengguna akhir. Pada penelitian ini, metode pengembangan sistem yang digunakan adalah pendekatan pengembangan sistem berorientasi objek yang dapat secara cepat dan jelas memodelkan dan membangkitkan solusi seperti di dunia nyata. Tahap

metode perancangan sistem menggunakan UML. Unified Modeling Language (UML)

digunakan untuk menentukan, visualisasi, memodifikasi, membangun dan

mendokumentasikan artifak dari sistem yang didasarkan pada pengembangan perangkat lunak berorientasi objek (Foldoc, 2001)

Unified Modeling Language (UML) adalah sebuah bahasa yang telah menjadi standar dalam pemodelan untuk visualisasi, merancang dan mendokumentasikan sistem piranti lunak (Bennet et al., 2001) menambahkan UML adalah bahasa visual yang menyediakan cara bagi orang untuk menganalisis dan mendesain sebuah sistem berorientasi obyek yang bertujuan untuk menvisualisasi, konstruksi, dan dokumentasi proses pembuatan sistem. Keunggulan utama yang dimiliki pemodelan ini adalah kemampuannya dalam memodelkan menyerupai kehidupan nyata, sehingga sistem yang dihasilkan mempunyai kelebihan sebagai berikut :

1. Mempunyai sifat lebih natural, karena umumnya manusia berfikir dalam bentuk objek 2. Pembuatan sistem memakan waktu lebih cepat.

3. Memudahkan dalam proses pemeliharaa sistem, karena jika ada kesalahan, perbaikan hanya dilakukan pada bagian tersebut, tidak perlu mengurutkan dari awal.

UML mendefinisikan notasi dan syntax/semantik. Notasi UML merupakan sekumpulan bentuk khusus untuk menggambarkan berbagai diagram piranti lunak. Setiap bentuk

memiliki makna tertentu, sedangkan syntax UML mendefinisikan bagaimana bentuk-bentuk

tersebut dapat dikombinasikan. Notasi UML terutama diturunkan dari 3 notasi yang telah ada

sebelumnya: Grady Booch-OOD (Object-Oriented Design), Jim Rumbaugh-OMT (Object

Modeling Technique), dan Ivar Jacobson-OOSE (Object-Oriented Software Engineering). Pada era tahun 1990-an banyak metodologi pemodelan berorientasi objek bermunculan, diantaranya adalah:(1) metodologi Booch, (2) metodologi Coad, (3) metodologi OOSE, (4) metodologi OMT, (5) metodologi Shlaer-Mellor, (6) metodologi Wirfs-Brock, dan

sebagainya. Masing-masing metodologi membawa notasi sendiri-sendiri, yang

mengakibatkan timbul masalah baru apabila kita bekerjasama dengan group/perusahaan lain yang menggunakan metodologi yang berlainan. Oleh karena itu, pada bulan Oktober 1994

Booch, Rumbaugh dan Jacobson, yang merupakan tiga tokoh yang metodologinya banyak

digunakan, mempelopori usaha untuk penyatuan metodologi pendesainan berorientasi objek. Pada tahun 1995 dikeluarkan draft pertama dari UML (versi 0.8). Sejak tahun 1996

pengembangan tersebut dikoordinasikan oleh Object Management Group (OMG). Tahun

1997 UML versi 1.1 muncul, dan saat ini telah mencapai versi 2.0. Sejak saat itulah UML telah menjadi standar bahasa pemodelan untuk aplikasi berorientasi objek (Syaifudin, 2011). Pada dasarnya UML memuat diagram-diagram pemodelan sistem yang terdiri dari:

1. Use case diagram (diagram kasus). 2. Class diagram (diagram kelas). 3. Object diagram (diagram objek). 4. Statechart diagram (diagram keadaan).

5

5. Activity diagram (diagram aktivitas).

6. Sequence diagram (diagram urutan ). 7. Component diagram (diagram komponen). 8. Deployment diagram (diagram penyebaran). 9. Collaboration diagram (diagram kolaborasi).

Namun dalam prakteknya tidak semua diagram harus dibuat,. disesuaikan dengan kebutuhan dan kompleksitas sistem yang akan dikembangkan (Nugraha,2005).

2.3

Ban

2.3.1

Karet

Gambar 1. Hevea brasiliensis (Anonim,2011)

Karet merupakan politerpena yang disintesis secara alami melalui polimerisasi enzimatik isopentilpirofosfat. Unit ulangnya adalah sama sebagaimana 1,4-poliisoprena. Dimana isoprena merupakan produk degradasi utama karet. Bentuk utama dari karet

alam, yang terdiri dari 97% cis-1,4-isoprena, dikenal sebagai Hevea Rubber. Hampir

semua karet alam diperoleh sebagai lateks yang terdiri dari 32-35% karet dan sekitar 5% senyawa lain, termasuk asam lemak, gula, protein, sterol ester dan garam. Lateks biasa dikonversikan ke karet busa dengan aerasi mekanik yang diikuti oleh vulkanisasi (Malcom,2001).

Karet adalah polimer hidrokarbon yang terkandung pada lateks beberapa jenis tumbuhan. Sumber utama produksi karet dalam perdagangan internasional adalah para

atau Hevea brasiliensis (suku Euphorbiaceae). Beberapa tumbuhan lain juga

menghasilkan getah lateks dengan sifat yang sedikit berbeda dari karet, seperti anggota suku ara-araan (misalnya beringin), sawo-sawoan (misalnya getah perca dan sawo

manila), Euphorbiaceae lainnya, serta dandelion. Pada masa Perang Dunia II,

sumber-sumber ini dipakai untuk mengisi kekosongan pasokan karet dari para. Sekarang, getah

perca dipakai dalam kedokteran (guttapercha), sedangkan lateks sawo manila biasa

dipakai untuk permen karet (chicle). Karet industri sekarang dapat diproduksi secara

sintetis dan menjadi saingan dalam industri perkaretan (Anonim,2011).

Karet adalah polimer dari satuan isoprena (politerpena) yang tersusun dari 5000 hingga 10.000 satuan dalam rantai tanpa cabang. Diduga kuat, tiga ikatan pertama bersifat [[isomer|trans]] dan selanjutnya cis. Senyawa ini terkandung pada lateks pohon

6

penghasilnya. Pada suhu normal, karet tidak berbentuk (amorf). Pada suhu rendah ia

akan mengkristal. Dengan meningkatnya suhu, karet akan mengembang, searah dengan sumbu panjangnya. Penurunan suhu akan mengembalikan keadaan mengembang ini. Inilah alasan mengapa karet bersifat elastis (Anonim,2011).

2.3.2

Sifat-Sifat Karet Alam

Warnanya agak kecoklat-coklatan, tembus cahaya atau setengah tembus cahaya, dengan berat jenis 0,91-093. Sifat mekaniknya tergantung pada derajat vulkanisasi, sehingga dapat dihasilkan banyak jenis sampai jenis yang kaku seperti ebonite.

Temperatur penggunaan yang paling tinggi sekitar 99oC, melunak pada 130oC dan terurai

sekitar 200oC. Sifat isolasi listriknya berbeda karena pencampuran dengan aditif. Namun

demikian, karakteristik listrik pada frekuensi tinggi, jelek. Sifat kimianya jelek terhadap ketahanan minyak dan ketahanan pelarut. Zat tersebut dapat larut dalam hidrokarbon, ester asam asetat, dan sebagainya. Karet yang kenyal agar mudah didegradasi oleh sinar UV dan ozon (Marthan,1998).

2.3.3

Penggunaan Karet Alam

Karet alam banyak digunakan dalam industri-industri barang. Umumnya alat-alat yang dibuat dari karet alam sangat berguna bagi kehidupan sehari-hari maupun dalam industri seperti mesin-mesin pengerak barang yang dapat dibuat dari karet alam antara

lain ban mobil, tetapi juga ditemukan dalam sekelompok produk-produk komersial, sol

sepatu, segel karet, insulasi listrik, sabuk penggerak mesin besar dan mesin kecil, pipa karet, kabel, isolator, bahan-bahan pembungkus logam, aksesoris olah raga dan lain-lain. (Muis, 1992)

2.3.4

Proses Pembuatan Ban

Penjelasan proses pembuatan ban mengacu dari PT. Goodyear Indonesia (2010), Bahan baku utama yang digunakan dalam pembuatan ban adalah karet. Terdapat dua jenis karet yang digunakan, yaitu karet alam dan karet sintetik. Perbedaan karet sintetik dan karet alami ini adalah dari segi tekstur, dimana karet alami bersifat keras, sedangkan karet sintetik bersifat lembek. Karet sintetik yang digunakan diimpor dari Jepang, Jerman, Belgia, Amerika, dan Korea. Selain itu digunakan bahan baku lain, yaitu benang dari jenis nilon, polyester, dan kevlar.

Selain karet, bahan-bahan yang digunakan dalam pembuatan ban di PT Goodyear

Indonesia, Tbk. adalah bahan kimia (chemical) yang digunakan antara lain : PIG 1202,

PIG 87, PIG 72, PIG 295, PIG 450, DIROSIC, JOPLINE, HINDAX, GROGIC, STICIC.

Karbon hitam (carbon black) berfungsi sebagai bahan yang memperkuat struktur ban dan

ikatan polimer. Karbon hitam yang digunakan adalah CB 228, CB 510, CB 405, dan CB

599.

Pada proses pembuatan ban, diperlukan bahan baku cair. Bahan baku cair yang digunakan adalah minyak yang berasal dari destilasi minyak bumi. Minyak ini berfungsi sebagai pelunak karet dan memberikan sifat lengket pada karet, minyak yang dipakai

7

yang digunakan untuk membuat bead sebagai dasar ban agar ban tidak mudah lepas dari

velg saat mendapat goncangan atau tekanan, serat baja digunakan untuk melapisi breaker.

Bahan dasar pembuat ban diantaranya adalah benang/kawat baja, nylon, araMid

fiber, rayon, fiberglass, polyester (biasanya bahan kombinasi, misalnya benang polyester

pada lapisan ban dan kawat baja pada bagian sabuk baja dan bead yang umumnya terdapat

pada ban mobil penumpang radial), digunakan pula karet alam dan sintetis (terdapat puluhan jenis karet/polimer), lalu campuran kimia yang terdiri dari karbon black, silica, resin. Anti-degradants berupa antioksidan, ozonan, parafin wax, juga merupakan salah

satu bahan dasar pembuat ban. Lalu bahan dasar lain adalah adhesion promoters, yaitu

cobalt salt, brass untuk kawat baja, resin dan benang serta curatives, yaitu cure accelerators, activators, sulfur, dan processing aids (minyak, tackifier, peptizer, softener).

Di satu ban ukuran populer 195/70R14 ban mobil penumpang untuk semua musim, mempunyai berat sekitar 8 kg yang terdiri dari :

1. 2 kg terdiri dari 30 jenis bahan karet sintetis

2. 1. 5 kg terdiri dari 8 jenis bahan karet alam

3. 2 kg terdiri dari 8 jenis bahan karbon black

4. 0. 5 kg sabuk kawat baja

5. 0. 5 kg. benang polyester dan nylon

6. 0. 5 kg bead kawat baja

7. 1. 5 kg terdiri dari 40 jenis bahan kimia, minyak dan lain-lain.

Campuran umum antara bahan karet sintetis dan karet alam menurut jenis ban adalah :

1. Ban Mobil Penumpang 55% 45%

2. Ban Truk Kecil 50% 50%

3. Ban Mobil Balap 65% 35%

4. Ban Off-The-Road (giant/earthmover) 20% 80%

Proses pembuatan ban digambarkan pada Lampiran 9. Secara sederhana, proses produksi ban dapat diuraikan sebagai berikut:

1. Pencampuran Bahan

Pembuatan sebuah ban radial dimulai dengan mempersiapkan berbagai jenis bahan mentah, seperti pigmen, zat-zat kimia, kurang lebih 30 jenis karet yang berbeda,

benang-benang, kawat bermanik-manik (bead wire), dan sebagainya.

Proses lalu dimulai dengan mencampurkan bahan-bahan dasar karet dengan oli proses, karbon hitam, pigmen, anti oksidan, akselerator, dan berbagai zat tambahan lainnya. Masing-masing dari bahan ini menambahkan sifat tertentu dari campuran (compound) ini.

Semua bahan ini diaduk dalam mesin mixer yang dinamakan Banbury. Mesin ini

bekerja dengan suhu yang tinggi. Bahan campuran yang panas, hitam, dan lembek ini diproses berulang kali.

2. Pencetakan Ban

Setelah itu karet ini didinginkan ke dalam beberapa bentuk. Biasanya diproses

menjadi lembaran-lembaran, lalu dibawa ke mesin extruder. Kilang ini memasukkan

karet di antara pasangan penggulung (roller) yang berulang-ulang sehingga menjadi

komponen-komponen ban. Mereka lalu dibawa dengan ban berjalan lalu menjadi dinding samping, telapak, ataupun bagian lain dari ban.

8

Ada jenis karet yang melapisi rajutan benang yang akan menjadi badan dari ban. Rajutan ini datang dalam rol-rol yang besar dan mereka juga sama pentingnya dengan

campuran karet yang dipakai. Berbagai jenis benang dipakai, termasuk polyester,

rayon, atau nylon. Kebanyakan dari ban untuk kendaraan penumpang dewasa ini

menggunakan badan yang terbuat dari benang polyester.

3. Kawat Pengikat

Sebuah komponen lainnya, yang berbentuk gulungan, disebut bead. Komponen

ini terdiri dari kawat baja high-tensile yang berfungsi sebagai tulang ban yang akan

menempel pada pinggiran velg mobil. Kawat baja tersebut diselaraskan dengan pita

yang dilapis dengan karet untuk pelekat, kemudian digulung dan diikat untuk selanjutnya disatukan dengan bagian ban lainnya.

Ban-ban radial dibuat menggunakan satu atau dua mesin ban. Di bagian dalam sekali dari ban ada dua lapis karet lembek sintetis yang disebut innerliner.

Lapisan-lapisan ini akan mengurung udara dan membuat ban menjadi tubeless

4. Lapisan

Kemudian ada dua lapisan rajutan ply. Dua strip yang dinamakan apex membuat

kaku area di atas bead. Lalu ditambahkan sepasang strip chafer, yang dinamakan

demikian karena keduanya mencegah kerusakan yang diakibatkan pinggiran velg

ketika ban dipasang.

Mesin perakit ban membentuk ban-ban radial menjadi bentuk yang sudah sangat dekat dengan dimensi final untuk memastikan bahwa semua komponen yang berjumlah banyak itu berada dalam posisi yang tepat sebelum ban masuk ke mesin pencetak.

5. Telapak Ban

Pembuat ban menambahkan sabuk baja yang menahan kebocoran dan menekan telapak ban ke permukaan jalan. Telapak ban adalah bagian terakhir yang dipasang. Setelah sebuah pemutar otomatis menjepit semua komponen sehingga menempel kuat

satu dengan yang lain, ban radial yang kini disebut green tire kini siap untuk diperiksa

dan disempurnakan.

6. Pematangan atau Pemasakan Ban

Alat penekan curing memberi bentuk final ban serta pola telapaknya. Alat yang

digunakan untuk mencetak bentuk telapak ban disebut mold. Cetakan ini dilengkapi

dengan pola telapak, kode-kode di dinding samping sebagaimana diwajibkan oleh peraturan yang berlaku.

Ban-ban dipanaskan dalam temperatur lebih dari 300 derajat selama 12 hingga 25 menit tergantung ukurannya. Begitu mesin cetak terbuka, ban-ban akan keluar dari cetakannya dan langsung jatuh ke ban berjalan yang lalu akan membawanya ke bagian

finish dan inspeksi terakhir.

7. Pemeriksaan

Pemeriksaan dilakukan untuk memeriksa ban yang memiliki kecacatan, walaupun

9

dengan mata dan tangan pemeriksa yang sudah terlatih, sebagian lagi baru bisa

ditemukan menggunakan mesin-mesin khusus.

Inspeksi tidak hanya dilakukan pada permukaan saja, ada ban yang ditarik dari lini

produksi dan diperiksa dengan X-ray untuk mendeteksi kelemahan-kelemahan yang

tersembunyi atau kerusakan-kerusakan internal. Di samping itu, para teknisi pengendalian mutu secara rutin membongkar ban yang diambil secara acak untuk mempelajari setiap detil dari konstruksinya yang mempengaruhi performa, kenyamanan dan keselamatan pemakai.

2.3.5

Penelitian Terdahulu

Penelitian di bidang ini telah banyak dilakukan, seperti pembuatan tabulasi data

untuk mengetahui frekuensi dari masing-masing item produk yang terjual bersama

item produk yang lain (Bugher, 2000). Direct Marketing Association (DMA) tahun

1991 menentukan one-to-one relationship diantara product groupings. Untuk

mengidentifikasi kelompok pembeli yang membeli dua atau lebih kategori produk,

DMA menggunakan variabel clustering dan factor analysis. Masing-masing

pelanggan dan sejarah pembeliannya dibandingkan dengan sejarah pembelian dari

pelanggan yang lain sehingga dapat diketahui cluster pelanggan yang memiliki

product affinity yang sama (Cashin,2003).

Teknik association rules mining dapat digunakan pada perusahaan ritel terbesar di

Indonesia yang menjual lebih dari 1000 item ke lebih dari 400 pelanggan tetapnya dan

menghasilkan hasil penetapan strategi penjualan yang terbukti signifikan dengan membandingan hasil penelitiannya dengan data tren penjualan pada periode sebelumnya di perusahaan ritel tersebut dan terlihat bahwa kombinasi untuk masing-masing produk mengalami peningkatan yang signifikan (Adhitama, 2010). Metode

lain adalah Best Next Offer dilakukan oleh Berry (2000) untuk menentukan cross

-sellingproduct yang sesuai untuk salah satu bank terbesar di Amerika yang memiliki jutaan pelanggan.

10

III.

METODE PENELITIAN

3.1 Kerangka Kerja Penelitian

Tahapan pengembangan sistem PSP (Penetapan Strategi Penjualan) 1.0 seperti pada Gambar 2 di bawah ini.

Gambar 2. Tahapan Pengembangan Sistem

3.1.1

Analisis Sistem

Analisis sistem diawali dengan deskripsi sistem dan analisis kebutuhan informasi. Selanjutnya pembuatan persyaratan fungsional sistem yang meliputi kebutuhan data, perangkat lunak, perangkat keras, sumber daya manusia, serta pemeliharaan sistem.

Tidak Mulai

Analisis Sistem, keluaran: - Deskripsi Sistem

- Analisis Kebutuhan Informasi - Kebutuhan Fungsional Sistem

UML, keluaran: - Diagram Kasus - Diagram Aktivitas - Diagram Keadaan - Diagram Kelas

Implementasi Sistem, keluaran: - Borland Delphi 7 (Borland, 2002) - Power Designer 15.3 (Sybase, 2010) - MySQL (Oracle, 2011)

- Ms Excel (Microsoft, 2007)

Verifikasi dan Validasi

11

3.1.2

Metode Pengembangan Sistem Berorientasi Objek

Pemodelan yang digunakan dalam pengembangan dengan pendekatan berorientasi

objek adalah Unified Modeling Language (UML). Pada tahapan ini dibuat berbagai

diagram yang dibutuhkan dalam pengembangan sistem. Diagram-diagram yang dibutuhkan meliputi:

a. Use case diagram (diagram kasus)

Diagram ini digunakan untuk menggambarkan fungsionalitas sistem dari sudut pandang pengguna. Diagram ini menekankan pada apa yang dikerjakan sistem. Diagram ini juga menggambarkan interaksi sistem dengan pelaku (aktor) diluar sistem.

b. Activity diagram (diagram aktivitas).

Diagram aktivitas digunakan untuk menggambarkan aliran kerja aktivitas di dalam sistem atau dengan kata lain adalah bagaimana sistem itu mengerjakan fungsionalitas tertentu.

c. Statechart diagram (diagram keadaan)

Statechart diagram menggambarkan transisi dan perubahan keadaan (dari satu state

ke state lainnya) suatu objek pada sistem sebagai akibat dari stimuli yang diterima.

Pada umumnya statechart diagram menggambarkan class tertentu (satu class dapat

memiliki lebih dari satu statechart diagram).

d. Class diagram (diagram kelas)

Diagram kelas merupakan diagram utama dalam pemodelan berorientasi objek. Diagram kelas digunakan untuk memperlihatkan struktur statis sistem tersebut. Kelas adalah kumpulan objek yang mempunyai atribut dan tingkah laku (operasi) yang mirip.

3.1.3

Tahap Implementasi Sistem

Tahap implementasi sistem merupakan proses transformasi desain sistem menjadi sebuah sistem aplikatif atau perangkat lunak. Implementasi PSP 1.0 pada tahap desain sistem menggunakan Sybase Power Designer 15.3 (Sybase, 2010) dan untuk pembuatan

model data base menggunakan MySQL (Oracle, 2011) sedangkan pada tahap

pembuatan paket program menggunakan perangkat lunak Borland Delphi 7 (Borland, 2002). Dan dalam pengolahan data awal digunakan Microsoft Excel 2007 (Microsoft, 2007) untuk mendapatkan data hasil yang nantinya akan digunakan dalam melakukan verifikasi dan validasi data.

3.1.4

Verifikasi dan Validasi Sistem

Verifikasi merupakan tahapan untuk mengetahui apakah program yang dibuat menghasilkan keluaran secara keseluruhan sesuai yang diinginkan. Proses verifikasi dilakukan selama pembuatan dan setelah selesai. Tahap verifikasi dilakukan dengan

cara pengujian keluaran paket program dan pelacakan kesalahan sistem (testing and

debuging). Dan Tahapan Validasi dilakukan dengan metode face validity. Face validity

(Validitas Muka) 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.

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 frequentitem set dan langkah kedua mencari kaidah asosiasi

(rules) dari sekumpulan frequentitem 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 danformulasi association rules mining dapat dilihat pada Gambar 4.

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

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

15

3.2.3

Analisis Recency, Frequency, Monetary (RFM)

Analisis RFM digunakan untuk mengelompokkan customer berdasarkan analisis

transaksi terhadap waktu pembelian, frekuensi, dan nilai nominal pembelian. Tahapan melakukan analisis RFM adalah sebagai berikut:

1. Data acquisition

Tahap ini adalah tahap pengambilan data untuk input pada analisis RFM. Pada Penelitian ini, data transaksi dari empat bulan terakhir yang telah diambil, diperiksa, dan disiapkan untuk operasi selanjutnya

2. Selection Of The Population To Be Segmented

Hanya pelanggan yang masih aktif, yang disegmentasi menggunakan analisis RFM 3. Data preparation And Computation Of The R, F, and M Measurements

Pengelompokkan berdasarkan tanggal terakhir transaksi, jumlah rata-rata transaksi

pembelian bulanan, nilai pembelian bulanan (mendefinisikan komponen monetary)

4. Development Of The RFM Cells Through Binning

Pelanggan telah dikelompokkan berdasarkan Analisis RFM menjadi 5 grup. (Tsiptsis dan Chorianopoulos, 2009).

Analisis RFM digunakan untuk mensegmentasi pelanggan berdasarkan recency,

frequency, monetary pada periode 1 bulan pembukuan. Recency adalah waktu terakhir

(ter-update) customer melakukan transaksi, frequency adalah jumlah produk yang dibeli

oleh customer, dan monetary adalah jumlah nominal penjualan yang dilakukan oleh

customer, pada pengolahan nilai monetary dilakukan dengan perhitungan jumlah frekuensi pembelian per produk yang dikali dengan variabel harga setiap produk. Variabel tersebut disamakan dengan inisial penggolongan produk yang telah dibuat pada

saat tahap pre-processing data yaitu variabel huruf A sampai huruf P. Variable untuk

analisis monetary dapat dilihat pada Tabel 1. Diagram alir analisis RFM pada penelitian

ini dapat dilihat secara rinci pada Gambar 6.

Tabel 1. Variabel Harga Untuk Analisis Monetary Pada Setiap Produk

Passenger Bias (A)

Passenger Broad Market (B)

Passenger Broad Market Premium (C) Passenger High Performance (D) Passenger Ultra High Performance (E) Ultra Light Truck Radial (F)

Light Truck Radial (G), Ultra Light Truck Bias (H) Light Truck Bias (I) 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)

16

Mulai

Analisis Recency dari transaksi paling baru (binning 5)- transaksi paling

lama (binning 1)

Analisis Frekuensi dari transaksi terbanyak (binnig 5) – jumlah transaksi paling

sedikit (binning 1)

Analisis Monetary dari transaksi dengan melakukan

perkalian antar frekuensi pembelian per produk dengan variabel harga

produk Analisis data transaksi (data tanggal transaksi, jumlah transaksi, dan nilai

nominal transaksi) per customer

Selesai Data Transaksi

Analisis RFM (Recency, Frekuensi, Monetary) Pembuatan 5 Binning untuk analisis Recency, Frekuensi,

dan Monetary

Gambar 6. Flowchart Analisis RFM

3.2.4

Desain Eksperimen

Dalam proses analisis frequent item set, banyaknya item set yang dihasilkan dari

17

menghasilkan item set separuh dari jumlah penggolongan produk, hal ini agar item set

yang dihasilkan dapat benar-benar signifikan (Adhitama,2010). Dengan metoda trial and

errors, Batas parameter (tresholds) ditentukan yaitu min_support= 24.75% dan min_confidence= 25% (tresholds ini diturunkan dari minimal 430 kali kemunculan pada setiap himpunan yang disaring). Pemilihan parameter tersebut dilakukan untuk

mendapatkan item set dan rules sesuai yang signifikan yang nantinya akan digunakan

sebagai rules dalam menentukan strategi penjualan. Hal ini dilakukan karena data

dengan jumlah yang relatif besar, jika tidak adanya pemilihan parameter yang tepat akan menyebabkan pengolahan data memakan waktu yang lama dan membutuhkan alokasi memori komputer yang lebih banyak. Dan pemilihan parameter atau ambang batas (tresholds) yang terlalu kecil juga dapat menyebabkan hasil penetapan strategi penjualan yang kurang signifikan nantinya.

3.2.5

Indikator Penelitian

Kemungkinan untuk menghasilkan cross-selling product yang terbaik dari total

transaksi per pelanggan pada periode tertentu adalah item dengan confidencescore yang

tinggi. Jadi misalkan produk pertama adalah kombinasi A dan B dengan confidence

score x% berarti bahwa ketika produk A dibeli, kemungkinan produk B juga dibeli sebesar x% dari seluruh periode transaksi. Indikator kedua yang harus ditentukan adalah

support score yang menentukan seberapa banyak produk A dan produk B muncul bersama-sama di dalam seluruh transaksi. Misalkan kombinasi produk C dan D memiliki

support score y% mengindikasikan bahwa produk C dan produk D muncul secara bersama-sama sebesar y% dari seluruh total transaksi, sedangkan untuk kombinasi

produk E dan F misalnya yang memiliki improvement score ≥ 1, mengindikasikan

bahwa produk E dan F merupakan positive correlated, yang berarti bahwa jika pelanggan membeli produk E, pelanggan juga setuju untuk membeli produk F, sebaliknya jika

improvementscore < 1, produk E dan F merupakan negative correlated. Produk dengan negative correlated tidak dapat dijadikan sebagai saran dalam penetapan cross-selling product walaupun memiliki supportscore dan confidencescore yang tinggi.

18

IV.

ANALISIS SISTEM

4.1

Konfigurasi Input, Proses, Output

Tahapan pemodelan sistem dalam perancangan sistem berguna untuk memberikan gambaran yang jelas dalam rancang bangun dan penerapan sistem secara fisik. Pemodelan PSP 1.0

dilakukan dengan pendekatan berarah fungsi yang terdiri dari pembuatan diagram alir data (data

flow diagram). Menurut Rahardini (2010), diagram alir data merupakan gambaran sistem dalam bentuk jaringan atau grafis, dari sudut pandang data yang diproses, yang mampu menggambarkan kegiatan-kegiatan yang berlangsung secara paralel. Diagram alir data dibuat secara bertahap untuk memudahkan penggambaran aliran data.

Pada pembuatan model PSP 1.0, diagram alir data dibuat dari tingkat 0 hingga tingkat 1. Diagram alir data tingkat 0 menggambarkan keseluruhan sistem dengan satu proses berikut dengan sumber dan tujuan data secara jelas. Pada Gambar 7 dapat dilihat diagram alir data tingkat 0.

Gambar 7. DFD (Data Flow Diagram) Tingkat 0

DFD tingkat 0 ini menggambarkan sumber data yang berasal dari data transaksi penjualan perusahaan. Selanjutnya data tersebut akan diolah dalam sistem penetapan strategi penjualan

(PSP 1.0) dengan beberapa proses yang akan menghasilkan penetapan strategi penjualan cross

selling untuk para supervisor pemasaran. Proses yang terjadi dalam PSP 1.0 ini digambarkan dalam DFD tingkat 1 pada Gambar 8.

Data transaksi penjualan

Strategi penjualan cross selling

pilihan Transaksi

Penjualan

1 Menetapkan Strategi

CRM Untuk Penjualan

Strategi CRM Untuk Penjualan

Terpilih

1

Database Hasil Menetapkan Strategi CRM Untuk Penjualan

19

Gambar 8. DFD (Data Flow Diagram) Tingkat 1

Pada DFD tingkat 1 ini, proses pertama yang dilakukan adalah proses perhitungan clustering

untuk mengelompokkan produk sesuai dengan karakteristik bahan baku setiap produk. Data yang menjadi input tambahan selain data transaksi adalah data karakteristik bahan baku setiap produk. Kemudian hasil pengelompokkan produk akan diolah dalam proses selanjutnya yaitu proses

perhitungan association rule mining yang akan menghasilkan rules item set, nilai support,

confidence, dan improvement. Hasil proses inilah yang menjadi input untuk digunakan dalam proses melakukan penetapan strategi penjualan sehingga menghasilkan penetapan strategi

penjualan cross selling untuk para supervisor pemasaran.

4.2

Analisis Kebutuhan Informasi Pengguna

Analisis kebutuhan dimaksudkan untuk mendapatkan jenis informasi yang dibutuhkan oleh pengguna yang sekaligus juga merupakan faktor kritis penetapan strategi penjualan dalam

menetapan strategi penjualan oleh supervisor pemasaran di perusahaan. Berdasarkan analisis

kebutuhan yang dilakukan, dapat diidentifikasikan beberapa informasi yang dibutuhkan oleh

supervisor pemasaran:

1. Informasi item set yang dijadikan rules dalam penetapan strategi penjualan

2. Informasi nilai support dalam menentukan ukuran dominasi pada semua rules.

3. Informasi nilai confidence yang digunakan untuk mengukur tingkat relasi antara rules yang

ada.

4. Informasi nilai improvement yang digunakan untuk mengukur tingkat possibility dari dua

produk yang akan dijual secara cross-selling.

Data Transaksi

Data Karakteristik Bahan Baku Setiap Produk

hasil Pengelompokkan produk Data Pengelompokkan produk terpilih hasil perhitungan support hasil perhitungan confidence hasil perhitungan improvement hasil analisis rules itemset hasil nilai support hasil nilai confidence hasil nilai improvement hasil rules itemset Hasil penetapan strategi penjualan cross selling Transaksi Penjualan Strategi CRM Untuk Penjualan Terpilih 1.1 Menghitung Clustering Produk Karakteristik Bahan Baku Setiap Produk Pengelompokkan produk terpilih 1.2 Menghitung Associative Rules Mining Nilai Support Nilai Confidence Nilai Improvement 1.3 Menetapkan Strategi Penjualan Rules Itemset 1 Database Hasil Menetapkan Strategi CRM Untuk Penjualan

20

5. Informasi strategi penjualan cross-selling yang signifikan untuk diaplikasikan dalam sistem

pemasaran perusahaan.

4.3

Hubungan Antar Pelaku

Pelaku yang berperan dalam sistem informasi ini digolongkan menjadi tiga yaitu pelaku sumber data, pengembang sistem, serta pengguna akhir. Sumber data pada PSP 1.0 yaitu

customer yang telah melakukan transaksi. Pelaku PSP 1.0 terdiri dari dua kelompok, yaitu pelaku internal dan pelaku eksternal sistem. Pelaku yang berperan secara langsung dalam pengembangan

PSP 1.0 adalah pelaku internal seperti analis, administrator dan pemrogram. Dan pelaku eksternal

sistem PSP 1.0 adalah supervisor pemasaran (user) dan para aktor yang berperan dalam

mempengaruhi inputan untuk sistem PSP 1.0 seperti customer.

4.4

Kebutuhan Fungsional Sistem

Kebutuhan fungsional untuk menjalankan PSP 1.0 meliputi kebutuhan perangkat keras, perangkat lunak, kebutuhan tenaga, serta pemeliharaan sistem.

4.4.1

Kebutuhan Perangkat Lunak dan Perangkat Keras

Kebutuhan perangkat keras minimal adalah seperangkat komputer dengan spesifikasi sebagai berikut:

 Prosesor minimal pentium IV 1,66 GHz atau yang setara.

 RAM minimal adalah 512 MB.

 Ruang kosong pada hardisk sebesar 100 MB.

 Printer dan monitor sebagai media keluaran data.

 Serta perangkat masukan data seperti keyboard dan mouse.

 Koneksi internet untuk akses database online

Sedangkan kebutuhan perangkat lunak untuk menjalankan sistem ini adalah sistem operasi Windows XP SP2 (Microsoft, 2002), Flashplayer versi 9 (Adobe, 2009), Microsoft Acces 2003 (Microsoft, 2003) sebagai manajemen basis data. Serta jaringan

internet sebagai perantara akses database online (MySQL). Komponen ODBC (open

connection database) yang berguna sebagai perantara untuk koneksi database MySQL (Oracle, 2011).

4.4.2

Kebutuhan Tenaga

Kebutuhan tenaga pada PSP 1.0 meliputi system analyst, administrator, pemrogram,

pengumpul data serta pengguna atau operator yang masing-masing mempunyai tugas, wewenang dan spesifikasi keahlian minimum.

 Analis sistem

Analis sistem (system analyst) adalah orang yang bertindak sebagai desainer

dan konseptor sebuah sistem. Keahlian khusus yang harus dimiliki oleh analisis sistem adalah mempunyai kepakaran dalam analisis sistem serta mempunyai pengetahuan tentang proses penetapan strategi penjualan menggunakan teknik

21

 Administrator

Administrator adalah orang yang bertanggung jawab terhadap keamanan data dan kebenaran informasi sistem. Keahlian yang harus dimiliki oleh

administrator adalah memahami struktur data dari sistem.

 Pemrogram

Pemrogram adalah orang yang bertindak mengimplementasikan sistem kedalam

sebuah perangkat lunak. Keahlian khusus yang dimiliki administrator adalah

mempunyai kemampuan dalam bahasa pengkodean dan transformasi desain ke dalam perangkat lunak.

 Pengumpul data

Pengumpul data adalah orang yang bertanggung jawab dalam pengumpulan dan pengujian kebenaran dari sumber data.

 Pengguna akhir

Pengguna akhir dari PSP 1.0 ini adalah para supervisor pemasaran pada sebuah

perusahaan untuk menetapkan strategi penjualan cross selling pada sistem

manajemen pemasarannya. Kemampuan dasar yang harus dimiliki adalah mampu mengoperasikan sistem secara baik serta mengetahui pengoperasian komputer secara umum.

4.4.3

Pemeliharaan Sistem

Pemeliharaan sistem meliputi perbaruan dan pemeliharaan data serta merancang bangun ulang sistem yang ada guna memenuhi perubahan kebutuhan pengguna akhir. Rancang bangun ulang pada pemeliharaan sistem dilakukan karena beberapa alasan antara lain program mengalami kerusakan baik oleh pihak luar maupun karena

22

V.

PEMODELAN OBJEK DAN BASIS DATA

Pada perancangan paket program PSP 1.0, tidak semua diagram yang terdapat padaUML dibuat, karena kebutuhan pemodelan sistem yang tidak terlalu kompleks dan empat diagram yang dibuat sudah cukup relevan untuk mendesain sistem PSP 1.0 ini. Diagram-diagram yang dibuat

pada perancangan sistem ini meliputi diagram kasus (use case), aktivitas (activity), keadaan

(state), dan kelas (class). Pada bab ini juga akan dibahas pembuatan pemodolen basis data yang

dibuat dari hasil men-generateclass diagram pada UML sehingga terbentuk PDM (Physical Data

Model) yang kemudian di-generate menjadi database menggunakan MySQL. Pembuatan

diagram-diagram UML dilakukan dengan alat bantu perangkat lunak SybasePower Designer 15.3.

5.1

Use Case Diagram (Diagram Kasus)

Langkah awal dalam perancangan sistem berorientasi obyek adalah dengan membuat diagram kasus. Diagram kasus menggambarkan fungsionalitas yang diharapkan dari sebuah sistem yang memperlihatkan apa yang akan dilakukan oleh sistem dan bukan bagaimana sistem

itu melakukan. Diagram tersebut dihasilkan karena adanya interaksi pelaku (actor) yang

berinteraksi dengan sistem tersebut atau dapat juga dihasilkan dari kebutuhan pengguna terhadap sistem. Diagram kasus dapat digunakan sebagai prosedur awal pengujian sistem, membantu dalam menyusun kebutuhan sistem, mengkomunikasikan rancangan dengan pihak lain, dan

merancang tes case semua fitur yang ada pada sistem.

Diagram kasus terdiri dari tiga buah notasi utama yaitu actor (pelaku), case

(kejadian/perilaku), dan relationship (hubungan). Sebuah sistem dibatasi oleh area berbetuk

persegi yang diberi nama sesuai dengan nama sistem tersebut. Selanjutnya aktor yang berperan terhadap sistem berada di luar area tersebut. Aksi atau perilaku yang dapat dilakukan sistem

diletakkan dalam sebuah elips. Gambar 9 menyajikan contoh diagram kasus design sistem PSP

1.0.

Berdasarkan diagram kasus pada Gambar 9, aktor utama pada PSP 1.0 adalah customer,

marketing officer, supervisor pemasaran (pengguna sistem) dan manager pemasaran. Customer

bertindak sebagai actor yang menjadi sumber data utama kepada sistem dengan menghasilkan

data transaksasi, aksi yang dilakukan oleh sistem adalah seperti yang terlihat dalam elips, sebagai

contoh adalah melakukan login Program PSP1 yang akan dilakukan oleh pengguna program

(supervisor pemasaran), mengatur authentification oleh admin, dan mendata data transaksi oleh

marketing officer. Notasi association yang digunakan sebagi notasi penghubung antara aktor dan

case berfungsi untuk menunjukkan case apa yang akan dilakukan sistem dengan pelakunya

adalah aktor. Dan notasi dependency yaitu notasi yang menghubungkan satu case dengan case

lainnya berfungsi untuk menunjukkan hubungan antara case terhadap case lainnya yang

23

Gambar 9. Diagram Kasus

Melakukan Penetapan Strategi Penjualan Cross Selling Supervisor pemasaran

Menginput data transaksi

Menganalisis Frequent ItemSet

Menghitung Support

Menghitung Confidence

Menghitung Improvement Melakukan Log In Program PSP1

Admin Authentification

melakukan penjualan bundle dan paket promosi base product dengan additional

product-nya Customer

melakukan transaksi

mendata data transaksi

Mengetahui perilaku transaksi pelanggan secara mendalam Marketing Officer

Melaporkan data transaksi

Mencapai target Penjualan Cross selling

Manager Pemasaran Mengevaluasi target penjualan cross

24

5.2

Activity Diagram (Diagram Aktifitas)

Diagram aktifitas merupakan diagram alir untuk mendeskripsikan aliran kerja atau aktifitas di dalam sistem. Kelebihan diagram aktivitas dibandingkan dengan diagram alir biasa adalah adanya

dukungan konkurensi (pelaksanaan aktivitas secara bersama), pengiriman pesan dan swimlane (pelaku

aktivitas). Diagram aktivitas juga digunakan untuk menggambarkan proses bisnis (alur kerja) suatu sistem informasi. Sebuah diagram aktivitas menunjukkan suatu alur kegiatan secara berurutan. Dan diagram aktivitas juga digunakan untuk mendeskripsikan kegiatan-kegiatan dalam sebuah operasi

meskipun juga dapat digunakan untuk mendeskripsikan alur kegiatan yang lainnya seperti use case atau

suatu interaksi dalam suatu design sistem. Gambar 10 adalah diagram aktifitas subsistem penetapan

strategi penjualan yang terdapat pada PSP 1.0.

Diagram aktivitas diawali dengan lingkaran hitam, dan diakhiri dengan lingkaran putih dengan tanda silang di dalam lingkaran. Aktivitas digambarkan dengan bentuk persegi panjang bersudut lengkung. Setiap aktivitas dihubungkan dengan anak panah dari awal hingga akhir diagram aktivitas. Sama halnya dengan diagram alir biasa, diagram aktivitas pun memiliki simbol yang sama untuk menggambarkan keputusan. Keputusan digambarkan dengan bentuk diamond, namun deskripsi kondisi yang menyertai keputusan diletakkan di luar simbol tersebut.

Berdasarkan diagram aktifitas pada gambar dapat diketahui bahwa aktifitas pertama kali yang

dilakukan adalah aktifitas oleh customer yaitu melakukan transaksi. Setelah transaksi diproses,

transaksi tersebut akan didata oleh marketing officer dan setelah itu data yang telah dibuat akan

di-input oleh marketing officer dalam sistem PSP 1.0 melalui bantuan admin. Data transaksi inilah yang

akan digunakan oleh supervisor pemasaran yang nantinya akan menghasilkan output berupa penetapan

strategi penjualan CRM cross-selling yang optimal. Pada aktifitas authentification, sistem akan

memverifikasi username dan password yang dimasukkan oleh supervisor pemasaran sebagai pengguna

program. Jika username dan password yang dimasukkan cocok dengan username dan password yang

telah terdaftar pada admin maka supervisor pemasaran akan dapat langsung memasuki menu halaman

utama program dan dapat langsung menggunakan program. Jika tidak, maka supervisor pemasaran

tidak dapat memasuki program dan harus mendaftar atau melapor terlebih dahulu kepada admin agar

dapat memasuki program dengan username dan password yang diberikan oleh admin. Aktifitas yang

dilakukan oleh manager pemasaran pada diagram ini adalah melakukan evaluasi target penjualan yang

telah dicapai oleh supervisor pemasaran. Evaluasi ini akan menilai apakah hasil output program PSP

1.0 akurat atau tidak untuk penetapan strategi penjualan pada perusahaan. Hasil evaluasi ini nantinya akan digunakan untuk pengembangan program PSP 1.0 selanjutnya.

25

Gambar 10. Diagram Aktifitas

26

5.3

Statechart Diagram (Diagram Kondisi)

Statechart diagram adalah diagram yang menggambarkan transisi dan perubahan keadaan (dari

satu state ke state lainnya) suatu objek pada sistem sebagai akibat dari stimuli yang diterima.

Statechart diagram menggambarkan class tertentu (satu class dapat memiliki lebih dari satu statechart

diagram). Gambar merupakan diagram keadaan subsistem login yang ada pada design sistem program

penetapan strategi penjualan. Diagram keadaan subsistem login ini dapat dikatakan merupakan

perincian dari diagram aktifitas, pada diagram ini aktifitas login akan semakin dirincikan keadaannya.

Statechart diagram ini dimulai dengan lingkaran warna hitam penuh dan diakhiri dengan lingkaran

warna hitam tidak penuh. Gambar 11 menggambarkan statechart diagram sub sistem login yang ada

pada sistem PSP 1.0. Keadaan pertama yang dihasilkan adalah keadaan yang dihasilkan dari kegiatan

memasukkan username dan password, jika user (supervisor) telah memasukkan username dan

password maka kondisi yang terjadi adalah dilakukannya proses submit data username dan password

untuk dilakukkannya authentification di tahap selanjutnya. Dari tahap authentification jika kondisi

yang dihasilkan username dan password benar maka user akan langsung memasuki menu halaman

utama program PSP 1.0 dan kegiatan login dinyatakan berhasil, jika keadaan password dan username

salah maka user harus melakukan kegiatan confirm to admin dengan selanjutnya membutuhkan input

NIP Supervisor sehingga admin dapat membantu user (supervisor) memasuki program PSP 1.0 dengan

password dan username yang benar. Jika user ingin langsung keluar dari program pada saat awal

kegiatan input username and password maka keadaan yang dihasilkan adalah cancel atau quit maka

user akan langsung mengakhiri kegiatan login dan keluar dari program. Diagram keadaan sub sistem

lainnya dapat dilihat pada Lampiran 3 sampai Lampiran 8.

Gambar 11. Diagram Keadaan Subsistem Login

[Password dan username benar]

[memulai program]

[Input Password kembali]

[Confirm terproses]

[Input NIP Success] [Submit data]

[Password and username salah] [Cancel or Quit]

Input Username and password entry / Username and password

authentification do / authentification

Memasuki Program do / Masuk Home

Confirm To Admin do / confirm

Get Password do / dapatkan password

input NIP Supervisor entry / NIP

27

5.4

Class Diagram (Diagram Kelas)

Diagram kelas merupakan diagram utama dalam perancangan sistem berorientasi objek. Hal ini disebabkan karena diagram kelas adalah diagram yang menggambarkan keadaan statis sebuah sistem sebagai sebuah obyek seperti di kehidupan nyata. Tujuan pembuatan diagram kelas adalah untuk memetakan objek-objek penyusun dari sistem tersebut. Sehingga jika pada saat pemeliharaan sistem ditemukan kesalahan, programmer hanya memperbaiki pada kelas yang salah tersebut dan tidak harus merubah keseluruhan sistem. Begitu juga jika sistem tersebut akan dikembangkan, tidak perlu merubah dari awal sistem, tetapi cukup menambahkan objek-objek yang dikembangkan.

Setiap obyek akan dilengkapi dengan atribut-atribut dan operasi yang dapat dilakukannya. Sebagai contoh seorang mahasiswa dan Dosen mempunyai atribut nomor induk, nama, fakultas, departemen dan lain sebagainya. Sedangkan contoh perilaku misalnya mengajar, belajar, mendengarkan, berjalan, berbicara, makan, minum dan lain sebagainya. Selanjutnya objek-objek yang mempunyai atribut dan perilaku yang hampir mirip dikelompokkan dalam satu kelas. Misalnya seorang mahasiswa dan dosen masuk dalam kelas yang sama yaitu kelas manusia begitu juga manusia dan kera termasuk dalam kelas yang lebih tinggi yaitu kelas primate (Akhmad,2011). Diagram kelas yang terdapat pada PSP 1.0 ditunjukkan pada Gambar 13.

Gambar merupakan contoh kelas yang terdapat pada PSP 1.0. Pada diagram tersebut digambarkan kelas atau obyek yang menyusun sistem. Setiap kelas umumnya terdapat tiga bagian utama yaitu bagian pertama berisi nama kelas, bagian kedua merupakan atribut dari kelas tersebut, dan bagian

ketiga adalah operasi yang dapat dilakukan oleh kelas tersebut. Sebagai contoh kelas customer pada

Gambar 12.

Gambar 12. Kelas customer dan kelas file transaksi

Pada kelas customer seperti dalam keadaan nyatanya, kelas Customer tersebut mempunyai atribut

yaitu Nama Customer dan Area. Kelas Customer tersebut juga mempunyai operasi yaitu Melakukan

Transaksi. Selain itu juga, kelas ini mempunyai relasi dengan kelas yang lain yaitu kelas File

Transaksi, dimana customer merupakan sumber data dari File Transaksi. Kelas File Transaksi akan

menerima data dari kelas Customer berupa Nama Customer, dan area yang ada pada atribut Customer.

0..* data customer 0..* data transaksi Customer + + Nama Customer Area : std::string : std::string + Melakukan transaksi () : void

File Transaksi + + + + -Nama Customer Area

Jenis Produk order Golongan produk order Nomor Transaksi Tanggal transaksi : std::string : std::string : std::string : std::string : int : int - Menyimpan data transaksi () : void

51

Lampiran 4.

Statechart Diagram Sub Sistem

Analisis

Frequent Item Set

[Fix Bilangan ItemSet]

[Fix Himpunan Data transaksi]

[Fix data jumlah kemunculan bersamaan]

[Fix Rules] Menetapkan Bilangan item set

entry / Jumlah Bilangan itemset

Menetapkan Himpunan data transaksi produk

do / tetapkan himpunan data

Menghitung kemunculan bersamaan transaksi

do / hitung kemunculan bersamaan

Menetapkan himpunan termasuk itemset (rules)

52

Lampiran 5.

Statechart Diagram Sub Sistem

Penentuan Strategi Penjualan

[Fix Confidence]

[Fix Positif and Negatif Score Correlated]

[Fix Determining Sales Strategy] View The Biggest and Lowest Support

Score do / View

View the highest-lowest confidence value do / view

view the biggest positif improvement score (>1)-lowest (<1) correlated do / view

53

Lampiran 6.

Statechart Diagram Sub Sistem

Perhitungan

Support

[Fix Frekuensi]

[Nilai Support Fix] Menghitung Ferkuensi kemunculan

transaksi do / hitung frekuensi

Membagi dengan jumlah data transaksi do / bagi

54

Lampiran 7.

Statechart Diagram Sub Sistem

Perhitungan Nilai

Confidence

[Fix Nilai Support]

[Fix Nilai Confidence] Menghitung nilai support produk utama union produk

tambahan

do / hitung nilai support produk utama dan tambahan

membagi dengan nilai support produk utama do / bagi dengan nilai support produk utama

55

Lampiran 8.

Statechart Diagram Sub Sistem

Perhitungan

Improvement

[Fix Nilai Support]

[Fix nilai perkalian]

[Fix Nilai Improvement] Menghitung nilai suport utama union

produk tambahan do / hitung nilai support

Mengalikan nilai support produk utama dan produk tambahan do / mengalikan nilai support

membagi nilai support produk utama union produk tambahan dengan perkalian nilai support produk utama dan produk tambahan

56