Penerapan Metode Fuzzy C Means dengan Mo (1)
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015
157
Penerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM
(Studi Kasus : Clustering Pelanggan Potensial Online Shop)
Elly Muningsih
AMIK BSI Yogyakarta
E-Mail : elly.emh@bsi.ac.id
Abstrak
Berkembangnya E-Commerce menjadikan pelaku online shop harus bisa
menempatkan pelanggannya dengan baik, karena pelanggan merupakan salah satu
sumber keuntungan. Mengetahui nilai potensial pelanggan melalui pelaksanaan CRM
(Customer Relationship Management) dapat membantu dalam pemahaman nilai
pelanggan. Clustering pelanggan merupakan salah satu cara mengetahui pemetaan
pelanggan untuk strategi pemasaran yang lebih baik. Metode Fuzzy C-Means dengan
model Fuzzy RFM (Recency, Frequency, Monetary) yang merupakan salah satu
metode clustering dimana metode Fuzzy C-Means memberikan hasil yang smooth
(halus), artinya bahwa objek pengamatan tidak mutlak untuk menjadi satu kelompok
saja, tetapi juga bisa menjadi anggota kelompok lain dengan tingkat keanggotaan yang
berbeda-beda. Percobaan menghasilkan clustering pelanggan menjadi 3 kelompok
dengan iterasi sebanyak enam kali dan nilai fungsi objektif sebesar 20,75202212.
Kata kunci: nilai pelanggan, Fuzzy C-Means, model Fuzzy RFM, clustering
1.
PENDAHULUAN
Pelanggan
merupakan
sumber
keuntungan dalam perusahaan karena
menduduki
posisi
penting
dalam
pengembangan strategi bisnis. Menurut Chai
mengalami kesulitan dalam menentukan
pelanggan yang potensial.
Penentuan yang dilakukan selama ini
adalah secara manual dan hasil yang di dapat
tidak akurat. Untuk dapat mengatasi
Gambar 1. Tahapan proses KDD dalam database
dan Chan [1] dijelaskan bahwa permasalahan
permasalahan yang terjadi, maka online shop
yang sering dihadapi pemasar adalah
membutuhkan
suatu
metode
untuk
kesulitan dalam mengidentifikasi pelanggan
mengidentifikasi dan mengelompokkan
atau nasabah yang tepat, sehingga
pelanggan potensial menjadi beberapa cluster
menyebabkan perusahaan dapat kehilangan
atau kelompok dengan teknik yang disebut
pelanggan potensial yang akan merugikan
Data Mining. Teknik data mining pada
perusahaan itu sendiri. Hal ini yang juga
penelitian menggunakan metode Fuzzy Cterjadi pada sebuah online shop di Jogja yang
Means dengan model Fuzzy RFM (Recency,
Frequency dan Monetary).
ISBN: 979-26-0280-1
158
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015
Data mining merupakan sebuah inti dari
proses Knowledge Discovery in Database
(KDD) yang memiliki sifat otomatis, dapat
didefinisikan
sebagai
pengorganisasian
proses untuk pengidentifikasian yang benar,
berguna dan penemuan pola dari kumpulan
data yang besar dan komplek [2]. Tahapan
pada proses KDD pada database ditampilkan
pada Gambar 1[2] :
Ada banyak metode atau fungsi data
mining yang bisa digunakan untuk
menemukan, menggali dan menambang
pengetahuan, namun menurut [3][4] ada
enam fungsi utama data mining, yaitu :
Description
(deskripsi),
Estimation
(estimasi),
Prediction
(prediksi),
Classification
(klasifikasi),
Clustering
(pengelompokan), dan Association (asosiasi).
Pada tahun 1981, Jim Bezdek [5]
memperkenalkan untuk pertama kalinya
metode Fuzzy C-Means (FCM) , salah satu
metode clustering yang termasuk dalam
penggolongan fuzzy clustering berdasarkan
uncertainty data. Metode ini menerapkan
model pengelompokkan fuzzy agar data bisa
menjadi anggota semua cluster dengan
tingkat atau derajad keanggotaan yang
berbeda yaitu 0 dan 1 yang akan menentukan
tingkat keberadaan data dalam suatu cluster
atau kelas FCM merupakan pengembangan
dari metode non hierarki K-Means cluster ,
karena pada awalnya ditentukan dulu jumlah
kelompok Z atau cluster yang akan dibentuk
kemudian
dilakukan
iterasi
sampai
mendapatkan keanggotaan kelompok tersebut
[5].
2. ALGORITMA F UZZY C-MEANS
(FCM)
Algoritma FCM adalah sebagai berikut
[6][7]:
1. Input data yang akan di cluster X, berupa
matriks berukuran n x m (n = jumlah
sampel data, m = atribut setiap data). Xij
= data sampel ke-i (i=1,2,...,n), atribut kej (j=1,2,....,m).
X=[
2.
a.
b.
c.
]
(1)
Tentukan nilai dari :
Jumlah cluster
= c;
Pangkat/Derajat kefuzzy-an= w;
Maksimum iterasi
= MaxIter;
ISBN: 979-26-0280-1
d.
e.
f.
3.
Error terkecil yang diharapkan= ᶓ;
Fungsi objektif awal = P0 = 0;
Iterasi awal
= t = 1;
Bangkitkan bilangan random µik i = 1, 2,
..., n; k = 1, 2, ..., c; sebagai elemenelemen matriks awal U. Hitug jumlah
setiap kolom (atribut) :
∑
Dengan i=1, 2, ..., n. Hitung :
4. Dengan pusat klaster ke-k: Vkj, dengan k
= 1, 2, ..., c; dan j = 1, 2, ..., m
5. Hitung fungsi obyektif pada iterasi ke-t, Pt
:
6. Hitung perubahan matriks partisi :
7. Cek kondisi berhenti :
Jika : ( | Pt – Pt-1 | < ᶓ ) atau ( t > MaxIter )
maka berhenti;
Jika tidak : t = t+1, ulangi langkah ke-4
Membahas tentang pelanggan potensial,
dapat diartikan bahwa pelanggan potensial
adalah pelanggan yang loyal terhadap
perusahaan [8]. Pelanggan yang potensial
umumnya akan melanjutkan pembelian
produk dan jasa yang ditawarkan seller
meskipun ada pilihan produk atau jasa lain
yang lebih baik atau populer. Konsumen
yang loyal menurut Kotler dalam [8] tidak
hanya dilihat dari berapa banyak konsumen
tersebut membeli, tetapi dari berapa sering
dia melakukan transaksi ulang, termasuk
merekomendasikan kepada orang lain untuk
membeli.
159
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015
Penelitian
ini
bertujuan
untuk
mengetahui pelanggan potensial melalui
proses clustering metode Fuzzy C-Means
dengan model Fuzzy RFM (Recency,
Frequency dan Monetary) berdasarkan
transaksi penjualan pelanggan online shop
sehingga diharapkan bisa menerapkan
strategi pemasaran yang lebih baik sehingga
dapat meningkatkan penjualan produk yang
pada gilirannya akan akan memberikan efek
positif bagi perkembangan perusahaan.
3.
METODE PENELITIAN
Metode
yang
digunakan
dalam
penelitian adalah metode Fuzzy C-Means
dengan model fuzzy RFM dimana parameter
yang digunakan adalah variabel Recency,
Frequency dan Monetary yang masingmasing dibagi menjadi 3 kelompok fuzzy
yaitu :
1. Recency dibagi menjadi kelompok fuzzy
Baru Saja dengan nilai 3, Agak Lama
dengan nilai 2 dan Lama dengan nilai 1.
2. Frequency dibagi menjadi kelompok
fuzzy Sering dengan nilai 3, Agak Sering
dengan nilai 2 dan Jarang dengan nilai
1.
3. Monetary dibagi menjadi kelompok
fuzzy Tinggi dengan nilai 3, Sedang
dengan nilai 2 dan Rendah dengan nilai
1.
Detail nilai fuzzy dan parameter
ditampilkan pada Tabel 1. berikut :
Dalam penelitian ini, data diperoleh dari
data transaksi penjualan pada online shop
Ragam Jogja dan atribut data yang digunakan
adalah data transaksi bulan Januari – Juni
2015. Setelah data terkumpul kemudian
diolah melalui beberapa tahap pengolahan
awal data (preparation data ) yaitu validasi
data, transformasi data dan seleksi atribut.
Tabel 1. Parameter dan Nilai Fuzzy
Parameter
Nilai Fuzzy
Recency
Frequency
Monetary
Rendah
1
0 < r < 31 hr
0
157
Penerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM
(Studi Kasus : Clustering Pelanggan Potensial Online Shop)
Elly Muningsih
AMIK BSI Yogyakarta
E-Mail : elly.emh@bsi.ac.id
Abstrak
Berkembangnya E-Commerce menjadikan pelaku online shop harus bisa
menempatkan pelanggannya dengan baik, karena pelanggan merupakan salah satu
sumber keuntungan. Mengetahui nilai potensial pelanggan melalui pelaksanaan CRM
(Customer Relationship Management) dapat membantu dalam pemahaman nilai
pelanggan. Clustering pelanggan merupakan salah satu cara mengetahui pemetaan
pelanggan untuk strategi pemasaran yang lebih baik. Metode Fuzzy C-Means dengan
model Fuzzy RFM (Recency, Frequency, Monetary) yang merupakan salah satu
metode clustering dimana metode Fuzzy C-Means memberikan hasil yang smooth
(halus), artinya bahwa objek pengamatan tidak mutlak untuk menjadi satu kelompok
saja, tetapi juga bisa menjadi anggota kelompok lain dengan tingkat keanggotaan yang
berbeda-beda. Percobaan menghasilkan clustering pelanggan menjadi 3 kelompok
dengan iterasi sebanyak enam kali dan nilai fungsi objektif sebesar 20,75202212.
Kata kunci: nilai pelanggan, Fuzzy C-Means, model Fuzzy RFM, clustering
1.
PENDAHULUAN
Pelanggan
merupakan
sumber
keuntungan dalam perusahaan karena
menduduki
posisi
penting
dalam
pengembangan strategi bisnis. Menurut Chai
mengalami kesulitan dalam menentukan
pelanggan yang potensial.
Penentuan yang dilakukan selama ini
adalah secara manual dan hasil yang di dapat
tidak akurat. Untuk dapat mengatasi
Gambar 1. Tahapan proses KDD dalam database
dan Chan [1] dijelaskan bahwa permasalahan
permasalahan yang terjadi, maka online shop
yang sering dihadapi pemasar adalah
membutuhkan
suatu
metode
untuk
kesulitan dalam mengidentifikasi pelanggan
mengidentifikasi dan mengelompokkan
atau nasabah yang tepat, sehingga
pelanggan potensial menjadi beberapa cluster
menyebabkan perusahaan dapat kehilangan
atau kelompok dengan teknik yang disebut
pelanggan potensial yang akan merugikan
Data Mining. Teknik data mining pada
perusahaan itu sendiri. Hal ini yang juga
penelitian menggunakan metode Fuzzy Cterjadi pada sebuah online shop di Jogja yang
Means dengan model Fuzzy RFM (Recency,
Frequency dan Monetary).
ISBN: 979-26-0280-1
158
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015
Data mining merupakan sebuah inti dari
proses Knowledge Discovery in Database
(KDD) yang memiliki sifat otomatis, dapat
didefinisikan
sebagai
pengorganisasian
proses untuk pengidentifikasian yang benar,
berguna dan penemuan pola dari kumpulan
data yang besar dan komplek [2]. Tahapan
pada proses KDD pada database ditampilkan
pada Gambar 1[2] :
Ada banyak metode atau fungsi data
mining yang bisa digunakan untuk
menemukan, menggali dan menambang
pengetahuan, namun menurut [3][4] ada
enam fungsi utama data mining, yaitu :
Description
(deskripsi),
Estimation
(estimasi),
Prediction
(prediksi),
Classification
(klasifikasi),
Clustering
(pengelompokan), dan Association (asosiasi).
Pada tahun 1981, Jim Bezdek [5]
memperkenalkan untuk pertama kalinya
metode Fuzzy C-Means (FCM) , salah satu
metode clustering yang termasuk dalam
penggolongan fuzzy clustering berdasarkan
uncertainty data. Metode ini menerapkan
model pengelompokkan fuzzy agar data bisa
menjadi anggota semua cluster dengan
tingkat atau derajad keanggotaan yang
berbeda yaitu 0 dan 1 yang akan menentukan
tingkat keberadaan data dalam suatu cluster
atau kelas FCM merupakan pengembangan
dari metode non hierarki K-Means cluster ,
karena pada awalnya ditentukan dulu jumlah
kelompok Z atau cluster yang akan dibentuk
kemudian
dilakukan
iterasi
sampai
mendapatkan keanggotaan kelompok tersebut
[5].
2. ALGORITMA F UZZY C-MEANS
(FCM)
Algoritma FCM adalah sebagai berikut
[6][7]:
1. Input data yang akan di cluster X, berupa
matriks berukuran n x m (n = jumlah
sampel data, m = atribut setiap data). Xij
= data sampel ke-i (i=1,2,...,n), atribut kej (j=1,2,....,m).
X=[
2.
a.
b.
c.
]
(1)
Tentukan nilai dari :
Jumlah cluster
= c;
Pangkat/Derajat kefuzzy-an= w;
Maksimum iterasi
= MaxIter;
ISBN: 979-26-0280-1
d.
e.
f.
3.
Error terkecil yang diharapkan= ᶓ;
Fungsi objektif awal = P0 = 0;
Iterasi awal
= t = 1;
Bangkitkan bilangan random µik i = 1, 2,
..., n; k = 1, 2, ..., c; sebagai elemenelemen matriks awal U. Hitug jumlah
setiap kolom (atribut) :
∑
Dengan i=1, 2, ..., n. Hitung :
4. Dengan pusat klaster ke-k: Vkj, dengan k
= 1, 2, ..., c; dan j = 1, 2, ..., m
5. Hitung fungsi obyektif pada iterasi ke-t, Pt
:
6. Hitung perubahan matriks partisi :
7. Cek kondisi berhenti :
Jika : ( | Pt – Pt-1 | < ᶓ ) atau ( t > MaxIter )
maka berhenti;
Jika tidak : t = t+1, ulangi langkah ke-4
Membahas tentang pelanggan potensial,
dapat diartikan bahwa pelanggan potensial
adalah pelanggan yang loyal terhadap
perusahaan [8]. Pelanggan yang potensial
umumnya akan melanjutkan pembelian
produk dan jasa yang ditawarkan seller
meskipun ada pilihan produk atau jasa lain
yang lebih baik atau populer. Konsumen
yang loyal menurut Kotler dalam [8] tidak
hanya dilihat dari berapa banyak konsumen
tersebut membeli, tetapi dari berapa sering
dia melakukan transaksi ulang, termasuk
merekomendasikan kepada orang lain untuk
membeli.
159
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015
Penelitian
ini
bertujuan
untuk
mengetahui pelanggan potensial melalui
proses clustering metode Fuzzy C-Means
dengan model Fuzzy RFM (Recency,
Frequency dan Monetary) berdasarkan
transaksi penjualan pelanggan online shop
sehingga diharapkan bisa menerapkan
strategi pemasaran yang lebih baik sehingga
dapat meningkatkan penjualan produk yang
pada gilirannya akan akan memberikan efek
positif bagi perkembangan perusahaan.
3.
METODE PENELITIAN
Metode
yang
digunakan
dalam
penelitian adalah metode Fuzzy C-Means
dengan model fuzzy RFM dimana parameter
yang digunakan adalah variabel Recency,
Frequency dan Monetary yang masingmasing dibagi menjadi 3 kelompok fuzzy
yaitu :
1. Recency dibagi menjadi kelompok fuzzy
Baru Saja dengan nilai 3, Agak Lama
dengan nilai 2 dan Lama dengan nilai 1.
2. Frequency dibagi menjadi kelompok
fuzzy Sering dengan nilai 3, Agak Sering
dengan nilai 2 dan Jarang dengan nilai
1.
3. Monetary dibagi menjadi kelompok
fuzzy Tinggi dengan nilai 3, Sedang
dengan nilai 2 dan Rendah dengan nilai
1.
Detail nilai fuzzy dan parameter
ditampilkan pada Tabel 1. berikut :
Dalam penelitian ini, data diperoleh dari
data transaksi penjualan pada online shop
Ragam Jogja dan atribut data yang digunakan
adalah data transaksi bulan Januari – Juni
2015. Setelah data terkumpul kemudian
diolah melalui beberapa tahap pengolahan
awal data (preparation data ) yaitu validasi
data, transformasi data dan seleksi atribut.
Tabel 1. Parameter dan Nilai Fuzzy
Parameter
Nilai Fuzzy
Recency
Frequency
Monetary
Rendah
1
0 < r < 31 hr
0