SEGMENTASI PELANGGAN PERUSAHAAN PERHOTELAN MENGGUNAKAN METODE CLUSTERING DBSCAN DAN MODEL RFM TUGAS AKHIR

Transkripsi

1 SEGMENTASI PELANGGAN PERUSAHAAN PERHOTELAN MENGGUNAKAN METODE CLUSTERING DBSCAN DAN MODEL RFM TUGAS AKHIR Diajukan Guna Memenuhi Sebagian Persyaratan Dalam Rangka Menyelesaikan Pendidikan Sarjana Strata Satu (S1) Program Studi Teknologi Informasi NI MADE ANINDYA SANTIKA DEVI NIM JURUSAN TEKNOLOGI INFORMASI FAKULTAS TEKNIK UNIVERSITAS UDAYANA 2015

2 PERNYATAAN Dengan ini saya menyatakan bahwa dalam Tugas Akhir ini tidak terdapat karya yang pernah diajukan untuk memperoleh gelar kesarjanaan di suatu perguruan tinggi, dan sepanjang pengetahuan saya juga tidak terdapat karya atau pendapat yang pernah ditulis atau diterbitkan oleh orang lain, kecuali yang secara tertulis diacu dalam naskah ini dan disebutkan dalam daftar pustaka. Denpasar, Juli 2015 Ni Made Anindya Santika Devi iii

3

4 KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN LTNIVERSITAS UDAYANA FAKULTAS TEKNIK JURUSAN TEKNOLOGI INFORMASI GedungTeknologilnformasi, Kampus Bukit Jimbaran - Bali Telepon: , BERITA ACARA TUGAS AKIIIR JUDUL NAMA NIM JURUSAN FAKULTAS TANGGAL UJIAN SEGMENTASI PELANGGAN PERUSAHAAN PERHOTELAN MENGGTINAKAN METODE DBSCAN DAN MODEL RFM NI MADE ANINDYA SANTIKA DEVI i TEKNOLOGI INFORMASI TEKNIK 03 JULI2015 Telah dipertahankan di hadapan Dewan Penguji dan diterima sebagai bagian persyaratan yang diperlukan untuk memperoleh gelar Sarjana Teknologi Informasi pada Program Studi Teknologi Informasi, Fakultas Teknik, Universitas Udayana dengan nilai A. DEWAN PENGUJI? Ketua, Prof. Dr. I Ketut Gede Darma Putra. S.Kom.. M.T NIDN Sekretaris, LMade5ukirsa. S.T. NrDN Penguji AII, Ni Made Ika Marini Mandenni. ST.. M.Kom NIDN Penguji III, M Ni Kadek Avu Wirdiani- S.T.- M.T. NIDN

5 KATA PENGANTAR Puji dan syukur penulis panjatkan kehadapan Ida Sang Hyang Widhi Wasa/Tuhan Yang Maha Esa, karena atas Asung Kerta Wara Nugraha-Nya, akhirnya penulis dapat menyelesaikan tugas akhir dengan judul Segmentasi Pelanggan Menggunakan Metode DBSCAN dan Model RFM. Penulis mendapatkan banyak bimbingan dari berbagai pihak. Ucapan terima kasih penulis sampaikan kepada: 1. Bapak Prof. Ir. Ngakan Putu Gede Suardana, M.T., Ph.D. selaku Dekan Fakultas Teknik Universitas Udayana. 2. Bapak Dr. Eng. I Putu Agung Bayupati, ST., MT, selaku Ketua Jurusan Teknologi Informasi Universitas Udayana. 3. Bapak Prof. Dr. I Ketut Gede Darma Putra, S.Kom., M.T., selaku dosen pembimbing I yang telah banyak memberikan bimbingan dan masukan dalam penyusunan tugas akhir ini. 4. Bapak I Made Sukarsa, S.T., M.T., selaku dosen pembimbing II yang telah banyak memberikan petunjuk dan bimbingan selama penyusunan tugas akhir ini. 5. Bapak Ir. Antonius Ibi Weking, MT, selaku dosen pembimbing akademik, yang telah memberikan bimbingan selama menempuh bimbingan di Jurusan Teknologi Informasi Fakultas Teknik Universitas Udayana. 6. Kedua orang tua dan keluarga yang telah memberikan dukungan dan motivasi dalam pembuatan tugas akhir ini. 7. Teman-teman seperjuangan dan segenap civitas di Jurusan Teknologi Informasi Universitas Udayana yang telah memberikan sumbangan ide, pemikiran dan dukungan dalam penyusunan tugas akhir ini. Denpasar, Juli 2015 vi Penulis

6 ABSTRAK Kondisi persaingan perusahaan perhotelan yang sangat kompetitif di Bali membuat perusahaan menyadari betapa sentralnya peran pelanggan sehingga banyak perusahaan yang mempertahankan pasarnya melalui program pengembangan segmentasi pelanggan. Segmentasi pelanggan merupakan salah satu penerapan proses clustering pada Data Mining. Segmentasi pelanggan membagi pelanggan ke dalam kelas-kelas tertentu untuk membantu sebuah perusahaan mengenali pelanggan potensialnya. Penelitian ini membahas segmentasi pelanggan dengan menggunakan teknik clustering dan pengukuran jarak Euclidean Distance. Metode clustering yang digunakan adalah Metode Density Based Spatial Clustering of Application with Noise (DBSCAN). Proses clustering dilakukan berdasarkan nilai yang didapat dari hasil transformasi atribut menjadi nilai RFM. Hasil clustering yang diperoleh kemudian akan diuji validitasnya untuk menentukan cluster optimal menggunakan Indeks Validitas Silhouette. Hasil clustering yang diperoleh kemudian dicari nilai rata-ratanya untuk menentukan kelas masing-masing cluster. Uji coba pada penelitian ini dilakukan terhadap row data transaksi. Data transaksi tersebut ditransformasi menjadi nilai RFM dan menghasilkan 338 row data. Proses clustering dilakukan dengan membentuk 2 hingga 5 cluster, yang kemudian dilakukan uji validitas untuk menentukan jumlah cluster yang paling optimal. Hasil uji coba menunjukkan pembentukan jumlah cluster yang paling optimal adalah 2 cluster dengan nilai indeks silhouette sebesar 0, Nilai indeks silhouette dari pembentukan 2 hingga 5 cluster menghasilkan nilai lebih besar dari 0, hal ini menunjukkan bahwa Metode DBSCAN telah dapat melakukan proses segmentasi dengan baik. Kata kunci: Segmentasi Pelanggan, Data Mining, Clustering, DBSCAN, RFM vii

7 ABSTRACT Such competitive environment of hotel business in Bali makes the companies aware about the importance of customer s role in their business. Thus, there are many companies try to hold their market through the development of customer segmentation. Customer segmentation divides the customer into certain classes in order to help a certain company to identify its potential customer. This study discusses customer segmentation using clustering techniques and distance measurements Euclidean Distance. Clustering method used is Density Based Spatial Clustering of Application with Noise (DBSCAN) Method. Clustering process is carried out based on the value obtained from the transformation of attributes into RFM value. Clustering results obtained will then be tested for its validity to determine the optimal cluster using Silhouette validation index. Clustering results obtained then be searched for its average value to determine the class of each cluster. The experiments were conducted on transactions. The raw data are then transformed into RFM Model and it is able to produce 338 rows of data. Clustering process were done by forming 2 to 5 clusters, which then be tested using Silhouette validation index to determine the optimal cluster. The experiment results show the attempt in creating 2 clusters contains the highest value of silhouette index which is 0, Clustering process which formed 2 to 5 clusters have a value of silhouette index more than 0, and such situation signifies that the DBSCAN clustering method is able in doing the clustering process well. Keywords: Customer Segmentation, Data Mining, Clustering, DBSCAN, RFM viii

8 DAFTAR ISI HALAMAN SAMPUL... i HALAMAN JUDUL... ii LEMBAR PERNYATAAN... iii LEMBAR PENGESAHAN TUGAS AKHIR... iv BERITA ACARA TUGAS AKHIR... v KATA PENGANTAR... vi ABSTRAK... vii ABSTRACT... viii DAFTAR ISI... ix DAFTAR GAMBAR... xi DAFTAR TABEL... xiii BAB I PENDAHULUAN Latar Belakang Masalah Rumusan Masalah Tujuan Penelitian Manfaat Penelitian Batasan Masalah Sistematika Penulisan... 4 BAB II TINJAUAN PUSTAKA State of The Art Data Mining Profil Aston Inn Tuban Customer Relationship Management Data Mining dalam Kerangka Kerja CRM Model RFM Analisis Cluster Konsep Clustering Tujuan Clustering Jenis-jenis Clustering Density Based Spatial Clustering of Application with Noise Validasi Cluster BAB III METODE DAN PERANCANGAN SISTEM Tempat dan Waktu Penelitian Alur Analisis Sumber Data Metode Pengumpulan Data Instrumen Pembuatan Sistem Perancangan Sistem Gambaran Umum Sistem Algoritma Perancangan Sistem Pemilihan Data ix

9 3.6.4 Transformasi Data Clustering Pemodelan Data Cluster Validation Perancangan Basis Data Antar Muka Aplikasi Form Standar Form RFM Form Clustering DBSCAN Form Segmentasi Form Chart Customer BAB IV HASIL DAN PEMBAHASAN Proses Pemilihan Data Proses Transformasi Data Hasil Uji Coba Clustering Algoritma DBSCAN Analisis Cluster Pengaruh Inisialisasi Minimal Points (Minpts) dan Epsilon (Eps) BAB V PENUTUP Simpulan Saran DAFTAR PUSTAKA x

10 DAFTAR GAMBAR Gambar 2.1 Hubungan KDD dengan Proses Data Mining (Fayyad, 2000)... 6 Gambar 2.2 Directly Density-Reachable Gambar 2.3 Kasus Asimetris Gambar 2.4 Density Reachable Gambar 2.5 Density Connected Gambar 3.1 Gambaran Umum Sistem Gambar 3.2 Flowchart Algoritma Perancangan Sistem Gambar 3.3 Relasi Antar Tabel Gambar 3.4 Skema Penentuan Nilai tbstandar Gambar 3.5 Skema Penentuan Nilai tbrfm Gambar 3.6 Flowchart Komputasi Algoritma DBSCAN Gambar 3.7 Pembentukan Cluster Algoritma DBSCAN Gambar 3.8 Flowchart Indeks Validitas Silhouette Gambar 3.9 Hasil Perhitungan Validitas Silhouette Gambar 3.10 Perbandingan Nilai Validitas Silhouette Gambar 3.11 Rancangan Basis Data Gambar 3.12 Form Standar Gambar 3.13 Form RFM Gambar 3.14 Form Clustering Gambar 3.15 Form Segmentasi Gambar 3.16 Form Chart Customer Gambar 4.1 Hasil Pemilihan Data Gambar 4.2 Hasil Transformasi Data Gambar 4.3 Hasil Segmentasi Minpts 4 dan Eps dengan 2 Cluster Gambar 4.4 Grafik Segmentasi Minpts 4 dan Eps dengan 2 Cluster Gambar 4.5 Hasil Perbandingan Kelas Gambar 4.6 Hasil Segmentasi Minpts 4 dan Eps dengan 2 Cluster Gambar 4.7 Grafik Segmentasi Minpts 4 dan Eps dengan 2 Cluster Gambar 4.8 Hasil Perbandingan Kelas Gambar 4.9 Hasil Segmentasi Minpts 2 dan Eps dengan 3 Cluster Gambar 4.10 Grafik Segmentasi Minpts 2 dan Eps dengan 3 Cluster Gambar 4.11 Hasil Perbandingan Kelas Gambar 4.12 Hasil Segmentasi Minpts 3 dan Eps dengan 3 Cluster Gambar 4.13 Grafik Segmentasi Minpts 3 dan Eps dengan 3 Cluster Gambar 4.14 Hasil Perbandingan Kelas Gambar 4.15 Hasil Segmentasi Minpts 2 dan Eps dengan 4 Cluster Gambar 4.16 Grafik Segmentasi Minpts 2 dan Eps dengan 4 Cluster Gambar 4.17 Hasil Perbandingan Kelas Gambar 4.18 Hasil Segmentasi Minpts 2 dan Eps dengan 4 Cluster Gambar 4.19 Grafik Segmentasi Minpts 2 dan Eps dengan 4 Cluster Gambar 4.20 Hasil Perbandingan Kelas xi

11 Gambar 4.21 Hasil Segmentasi Minpts 2 dan Eps dengan 5 Cluster Gambar 4.22 Grafik Segmentasi Minpts 2 dan Eps dengan 5 Cluster Gambar 4.23 Hasil Perbandingan Kelas Gambar 4.24 Hasil Segmentasi Minpts 2 dan Eps dengan 5 Cluster Gambar 4.25 Grafik Segmentasi Minpts 2 dan Eps dengan 5 Cluster Gambar 4.26 Hasil Perbandingan Kelas Gambar 4.27 Grafik Indeks Silhouette xii

12 DAFTAR TABEL Tabel 2.1 Pembagian Customer dengan Model RFM Tabel 3.1 Tabel Customer Tabel 3.2 Contoh Data pada Tabel Customer Tabel 3.3 Tabel Room Tabel 3.4 Contoh Data pada Tabel Room Tabel 3.5 Tabel Transaksi Tabel 3.6 Contoh Data pada Tabel Transaksi Tabel 3.7 Tabel Detail Transaksi Tabel 3.8 Contoh data pada Tabel Detail Transaksi Tabel 3.9 Data Pemilihan Atribut sesuai Model RFM Tabel 3.10 Raw Data pada tbtransaksi Tabel 3.11 Data pada tbstandar Tabel 3.12 Data pada tbrfm Tabel 3.13 Tabel Contoh Data RFM Tabel 3.14 Hasil Perhitungan Iterasi Pertama Tabel 3.15 Hasil Perhitungan Iterasi Kedua Tabel 3.16 Hasil Perhitungan Iterasi Ketiga Tabel 3.17 Hasil Perhitungan Iterasi Keempat Tabel 3.18 Hasil Perhitungan Iterasi Kelima Tabel 3.19 Hasil Perhitungan Iterasi Keenam Tabel 3.20 Hasil Perhitungan Iterasi Ketujuh Tabel 3.21 Hasil Perhitungan Iterasi Kedelapan Tabel 3.22 Hasil Perhitungan Iterasi Kesembilan Tabel 3.23 Hasil Perhitungan Iterasi Kesepuluh Tabel 3.24 Hasil Perhitungan Iterasi Kesebelas Tabel 3.25 Hasil Perhitungan Iterasi Dua Belas Tabel 3.26 Hasil Perhitungan Iterasi Tiga Belas Tabel 3.27 Hasil Perhitungan Iterasi Empat Belas Tabel 3.28 Hasil Perhitungan Iterasi Lima Belas Tabel 3.29 Hasil Perhitungan Iterasi Enam Belas Tabel 3.30 Hasil Perhitungan Iterasi Tujuh Belas Tabel 3.31 Hasil Perhitungan Iterasi Delapan Belas Tabel 3.32 Hasil Perhitungan Iterasi Sembilan Belas Tabel 3.33 Hasil Perhitungan Iterasi Dua Puluh Tabel 3.34 Hasil Perhitungan Iterasi Dua Puluh Satu Tabel 3.35 Hasil Perhitungan Iterasi Dua Puluh Dua Tabel 3.36 Hasil Perhitungan Iterasi Dua Puluh Tiga Tabel 3.37 Hasil Perhitungan Iterasi Dua Puluh Empat Tabel 3.38 Hasil Perhitungan Iterasi Dua Puluh Lima Tabel 3.39 Domain Nilai untuk Variabel RFM Tabel 3.40 Deskripsi Variabel Linguistik dan Label Konsumen xiii

13 Tabel 3.41 Input Validasi Silhouette Tabel 3.42 Rentang Nilai Domain Value Tabel 3.43 Penentuan Kelas Cluster Tabel 3.44 Input Validasi Silhouette Tabel 3.45 Hasil Perhitungan S(i) Tabel 3.46 Tabel tbstandar Tabel 3.47 Contoh Data Tabel tbstandar Tabel 3.48 Tabel tbmasterstandar Tabel 3.49 Contoh Data Tabel tbmasterstandar Tabel 3.50 Tabel tbrfm Tabel 3.51 Contoh Data Tabel tbrfm Tabel 3.52 Tabel tbhasil Tabel 3.53 Contoh Data Tabel tbhasil Tabel 3.54 Tabel tbhasilsilhouette Tabel 3.55 Contoh Data Tabel tbhasilsilhouette Tabel 3.56 Tabel tbhasilgsmax Tabel 3.57 Contoh Data Tabel tbhasilgsmax Tabel 3.58 Tabel tbranger Tabel 3.59 Contoh Data Tabel tbranger Tabel 3.60 Tabel tbrangef Tabel 3.61 Contoh Data Tabel tbrangef Tabel 3.62 Tabel tbrangem Tabel 3.63 Contoh Data Tabel tbrangem Tabel 3.64 Tabel tbmasterkelasreg Tabel 3.65 Contoh Data Tabel tbmasterkelasreg Tabel 3.66 Tabel tbmasterkelasdet Tabel 3.67 Contoh Data Tabel tbmasterkelasdet Tabel 3.68 Tabel tbmastersegmentasi Tabel 3.69 Tabel tbmastersegmentasi Tabel 3.70 Tabel tbhasilsegmentasi Tabel 3.71 Contoh Data Tabel tbhasilsegmentasi Tabel 4.1 Summary Hasil Pembentukan 2 Cluster Tabel 4.2 Summary Hasil Pembentukan 3 Cluster Tabel 4.3 Summary Hasil Pembentukan 4 Cluster Tabel 4.4 Summary Hasil Pembentukan 5 Cluster Tabel 4.5 Pengaruh Nilai Minpts Terhadap Jumlah Noise yang Terbentuk Tabel 4.6 Pengaruh Nilai Eps Terhadap Jumlah Noise yang Terbentuk xiv