SEGMENTASI PELANGGAN PADA PERUSAHAAN RETAIL DENGAN METODE ART 2 DAN MODEL RFM JUDUL TUGAS AKHIR

Transkripsi

1 SEGMENTASI PELANGGAN PADA PERUSAHAAN RETAIL DENGAN METODE ART 2 DAN MODEL RFM JUDUL TUGAS AKHIR Diajukan Guna Memenuhi Sebagian Persyaratan dalam Rangka Menyelesaikan Pendidikan Sarjana Strata Satu (S1) Program Studi Teknologi Informasi LUH PUTU DIAN SHAVITRI HANDAYANI NIM PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS TEKNIK UNIVERSITAS UDAYANA BALI 2012

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, 14 Juli 2012 Luh Putu Dian Shavitri Handayani ii

3 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS TEKNIK UNIVERSITAS UDAYANA LEMBAR PENGESAHAN TUGAS AKHIR JUDUL : SEGMENTASI PELANGGAN PADA PERUSAHAAN RETAIL DENGAN METODE ART2 DAN MODEL RFM NAMA : LUH PUTU DIAN SHAVITRI HANDAYANI NIM : FAKULTAS : TEKNIK PROGRAM STUDI : TEKNOLOGI INFORMASI TANGGAL UJIAN : 11 JULI 2012 Dosen Pembimbing I Menyetujui, Dosen Pembimbing II (Dr.I Kt.Gd.Darma Putra,S.Kom.,MT) NIP (A.A.Kt.Agung Cahyawan W.,ST.,MT) NIP Mengetahui, Ketua Program Studi Teknologi Informasi Fakultas Teknik Universitas Udayana (Dr.I Kt.Gd.Darma Putra,S.Kom.,MT) NIP iii

4 ABSTRAK Pelanggan merupakan komponen penting bagi suatu perusahaan, pihak manajemen perusahaan retail harus mampu untuk mengenali pelanggan terbaik dan mempercayainya sehingga dapat mempertahankan loyalitasnya terhadap perusahaan, hal tersebut mengakibatkan perusahaan-perusahaan retail mulai mengalihkan perhatian mereka dari sekedar mengembangkan produk dan layanan yang unggul ke arah penciptaan pengalaman personal pelanggan. Keperluan pengetahuan perusahaan dalam mengetahui kelompok-kelompok pelanggan untuk menentukan strategi pemasaran yang tepat dapat ditunjang dengan penerapan Customer Relationship Management (CRM). CRM adalah strategi untuk membangun, mengelola, dan memperkuat hubungan perusahaan dengan pelanggan yang loyal agar dapat tecipta hubungan yang tahan lama. Dengan menerapkan konsep CRM, perusahaan dapat menentukan perilaku dari pelanggan dan mengimplementasikan strategi pemasaran yang tepat untuk memaksimalkan keuntungan. Penelitian ini membahas mengenai kinerja penggabungan antara algoritma Adaptive Resonance Theory 2 (ART 2) dan model Recency, Frequency, Monetary (RFM) untuk mengelompokkan pelanggan pada sebuah perusahaan retail yaitu UD.Fenny yang bergerak dalam penjualan bahan dan alat-alat pembuatan kue. Proses data mining dilakukan dengan menggunakan data transaksi UD.Fenny dari tahun 2006 sampai tahun 2010 yang terdiri dari baris data transaksi yang kemudian akan ditranformasikan ke dalam nilai RFM. Nilai RFM merupakan input dalam proses clustering menggunakan algoritma ART 2. Setiap kelompok yang terbentuk akan divalidasi dengan mencari nilai rata-rata keseluruhan dari Silhouette Index. Kelompok yang memiliki nilai rata-rata keseluruhan Silhouette Index terbesar merupakan cluster optimal. Uji coba dari aplikasi data mining yang dibangun meliputi uji coba clustering dengan membentuk 2 sampai 6 cluster dengan menggunakan data transaksi pada tahun 2008 dan membandingkan perilaku pelanggan tiap tahunnya. Dari hasl uji coba clustering diperoleh nilai rata-rata keseluruhan indeks Silhouette terbesar yaitu ketika pembentukan 2 cluster, yang menjadikan pembentukan 2 cluster merupakan cluster optimal. Semua kelompok yang dibentuk memiliki nilai rata-rata keseluruhan Silhouette index lebih besar dari 0. hal ini menunjukkan bahwa algoritma clustering ART 2 telah dapat melakukan pengelompokkan pelanggan dengan baik. Kata kunci : Segmentasi pelanggan, Model RFM, algoritma ART 2, Silhouette index iv

5 ABSTRACT Customers is an important component of a company, the management of retail companies should be able to recognize the best customers and trust them so loyalty of the company can be maintained, accordingly many retail companies have shifted their attention from simply developing products and superior service to the creation of customers personal experiences. Companies need to discover customer groups to determine the right marketing strategy. This can be supported by implementing Customer Relationship Management (CRM). CRM is a strategy to build, manage, and strengthen the company relationships with loyal customers in order to make long lasting relationship with customers. By applying the concept of CRM, companies can determine the behavior of customers and implement appropriate marketing strategies to maximize profits. This research presents the performance of combining Adaptive Resonance Theory 2 (ART 2) algorithm and Recency, Frequency, Monetary (RFM) model to segment customers in a retail company UD.Fenny, which is specially sells baking ingredients and equipment. Data mining process was done using UD.Fenny transaction data from 2006 to 2010 consisting of rows of transaction data, which will be transformed into RFM value. RFM is an input value in the clustering process using ART 2 algorithm. Each group is formed validated by looking for overall average value of Silhouette index. Groups that have the largest overall average value of Silhouette index determine as optimal cluster. Experiments of data mining application built include clustering process with 2 to 6 clusters formed by using the transaction data in 2008 and compared customer behavior in every year. Clustering experiments results obtained, the largest value of overall average Silhouette index was when formed 2 cluster, which makes the formation of two clusters become the optimal cluster. All groups were formed have an overall average value of Silhouette index is larger than 0, this means clustering algorithm ART 2 has been able clustering well. Keywords : Customer Segmentation, RFM Model, ART 2 Algorithm, Silhouette Index v

6 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 ini. Tugas akhir yang berjudul Segmentasi Pelanggan Pada Perusahaan Retail Dengan Metode ART 2 dan Model RFM ini disusun sebagai syarat untuk memenuhi sebagian persyaratan menyelesaikan Program Sarjana S1 pada Program Studi Teknologi Informasi Universitas Udayana. Dalam penyusunan tugas akhir ini, penulis mendapatkan petunjuk dan bimbingan dari berbagai pihak. Ucapan terima kasih yang sebesar-besarnya penulis sampaikan kepada : 1. Bapak Dr. I Ketut Gede Darma Putra, S.Kom., MT. sebagai Ketua Program Studi Teknologi Informasi dan Dosen Pembimbing I yang telah banyak memberikan bimbingan dan masukan dalam penyusunan Tugas Akhir ini. 2. Bapak A. A. Ketut Agung Cahyawan W., ST., MT. Dosen Pembimbing II yang telah banyak memberikan bimbingan dan masukan dalam penyusunan Tugas Akhir ini. 3. Ibu Gusti Agung Ayu Putri, ST., PgD., MT. sebagai Dosen Pembimbing Akademik yang telah banyak memberikan bimbingan akademik dalam menempuh perkulihan. 4. Segenap dosen pengajar di Program Studi Teknologi Informasi Fakultas Teknik Universitas Udayana. 5. Seluruh Pegawai (khususnya Mbok Putu Kumala Dewi) di Program Studi Teknologi Informasi Fakultas Teknik Universitas Udayana yang telah membantu selama proses perkulihaan dan pengurusan segala administrasi. 6. Ayah, Ibu, Adik dan keluarga yang telah memberikan dukungan moral, material dan doa selama menempuh kuliah dan penyusunan tugas akhir ini. 7. Agus Gede Adipartha Wibawa, ST yang telah memberikan bantuan, doa, dukungan dan semangat selama proses pembuatan tugas akhir ini vi

7 8. Rekan-rekan Mahasiswa Program Studi Teknologi Informasi (Sesaltina Jannet, Rusmiari, Ayu Widyastuti, Putri Pradnyani, Sri Utami, Wisnu Segara, Wiara Prayana, dan rekan-rekan lainnya yang tidak dapat disebutkan satu per satu) yang telah memberikan bantuan dan dukungan moral selama penyusunan tugas akhir ini dan yang telah bersedia bersama dalam suka dan duka selama proses perkuliahaan. Penulis menyadari sepenuhnya bahwa laporan tugas akhir ini masih jauh dari sempurna. Oleh karena itu, segala bentuk kritik dan saran yang membangun dari berbagai pihak sangat penulis hargai dan harapkan. Semoga laporan tugas akhir ini dapat bermanfaat dalam pengembangan ilmu pengetahuan dan teknologi. Akhir kata penulis memohon maaf jika ada kesalahan dalam pembuatan tugas akhir ini. Denpasar, Juli 2012 Penulis (Luh Putu Dian Shavitri Handayani) vii

8 DAFTAR ISI HALAMAN JUDUL... i PERNYATAAN... ii LEMBAR PENGESAHAN TUGAS AKHIR... iii ABSTRAK... iv ABSTRACT... v KATA PENGANTAR... vi DAFTAR ISI... viii DAFTAR GAMBAR... xi DAFTAR TABEL... xvi BAB I PENDAHULUAN Latar Belakang Rumusan Masalah Tujuan Manfaat Ruang Lingkup dan Batasan Masalah Sistematika Penulisan... 4 BAB II TINJAUAN PUSTAKA Customer Relationship Management (CRM) Data Mining Data Mining Dalam Kerangka Kerja CRM Model RFM Jaringan Syaraf Tiruan viii

9 2.5.1 Pengertian Jaringan Syaraf Tiruan Metode Pelatihan Jaringan Syaraf Tiruan Metode Pelatihan Terbimbing Metode Pelatihan Tak Terbimbing Algoritma Adaptive Resonance Theory 2 (ART 2) Arsitektur Algoritma ART Parameter ART Komputasi Unit ART Uji Validitas Cluster BAB III METODE DAN PERANCANGAN SISTEM Tempat dan Waktu Penelitian Sumber Data Alur Penelitian Kebutuhan Hardware dan Sofware Hardware Software Perancangan Sistem Gambaran Umum Sistem Pemilihan Data Tranformasi Data Clustering Cluster Validation Cluster Analysis Perancangan Basis Data ix

10 3.7 Antar Muka Aplikasi Form Standart Form RFM Form Clustering ART Form Segmentasi Form Chart Customer Jadwal Penelitian BAB IV HASIL DAN PEMBAHASAN Proses Pemilihan Data Proses Tranformasi Data Hasil Uji Coba Clustering Algoritma ART Analisis Cluster Pengaruh Jumlah Epoh Pengaruh Inisialisasi Vigilance Parameter (ρ) dan Noise Suppression (θ) Perbandingan Kelas Pelanggan Per Tahun BAB V KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA x

11 DAFTAR GAMBAR Gambar 2.1 Overview proses data mining dalam hubungan dengan KDD (Fayyad, 2000)... 8 Gambar 2.2 Typical arsitektur dari algoritma ART 2 (Carpenter & Grossberg, 1987) Gambar 2.3 Detail unit tambahan diantara unit tipe w dan x (Fausset, 1993) Gambar 3.1 Gambaran Umum Sistem Gambar 3.2 Relasi antar tabel Gambar 3.3 Flowchart algoritma ART Gambar 3.4 Flowchart indeks validitas Silhouette Gambar 3.5 Tabel bantu yang digunakan dalam sistem Gambar 3.6 Form Standart Gambar 3.7 Form RFM Gambar 3.8 Form Clustering ART Gambar 3.9 Form segmentasi ART Gambar 3.10a Form Chart Customer Detail Gambar 3.10b Form Chart Customer Reguler Gambar 4.1 Hasil pemilihan data pada sistem Gambar 4.2 Hasil tranformasi data pada sistem Gambar 4.3 Hasil clustering menggunakan Vigilance Parameter (ρ) 0.95 dan Noise Suppression (θ) 0.01 dengan 2 cluster Gambar 4.4 Hasil clustering dalam scatter plot diagram menggunakan Vigilance Parameter (ρ) 0.95 dan Noise Suppression (θ) 0.01 dengan 2 cluster Gambar 4.5 Hasil segmentasi menggunakan Vigilance Parameter (ρ) 0.95 dan Noise Suppression (θ) 0.01 dengan 2 cluster Gambar 4.6 Hasil clustering menggunakan Vigilance Parameter (ρ) 0.9 dan Noise Suppression (θ) 0.5 dengan 2 cluster Gambar 4.7 Hasil clustering dalam scatter plot diagram menggunakan Vigilance Parameter (ρ) 0.9 dan Noise Suppression (θ) 0.5 dengan 2 cluster xi

12 Gambar 4.8 Hasil segmentasi menggunakan Vigilance Parameter (ρ) 0.9 dan Noise Suppression (θ) 0.5 dengan 2 cluster Gambar 4.9 Hasil clustering menggunakan Vigilance Parameter (ρ) 0.96 dan Noise Suppression (θ) 0.01 dengan 3 cluster Gambar 4.10 Hasil clustering dalam scatter plot diagram menggunakan Vigilance Parameter (ρ) 0.96 dan Noise Suppression (θ) 0.01 dengan 3 cluster Gambar 4.11 Hasil segmentasi menggunakan Vigilance Parameter (ρ) 0.96 dan Noise Suppression (θ) 0.01 dengan 3 cluster Gambar 4.12 Hasil clustering menggunakan Vigilance Parameter (ρ) dan Noise Suppression (θ) 0.5 dengan 3 cluster Gambar 4.13 Hasil clustering dalam scatter plot diagram menggunakan Vigilance Parameter (ρ) dan Noise Suppression (θ) 0.5 dengan 3 cluster Gambar 4.14 Hasil segmentasi menggunakan Vigilance Parameter (ρ) dan Noise Suppression (θ) 0.5 dengan 3 cluster Gambar 4.15 Hasil clustering menggunakan Vigilance Parameter (ρ) dan Noise Suppression (θ) 0.01 dengan 4 cluster Gambar 4.16 Hasil clustering dalam scatter plot diagram menggunakan Vigilance Parameter (ρ) dan Noise Suppression (θ) 0.01 dengan 4 cluster Gambar 4.17 Hasil segmentasi menggunakan Vigilance Parameter (ρ) dan Noise Suppression (θ) 0.01 dengan 4 cluster Gambar 4.18 Hasil clustering menggunakan Vigilance Parameter (ρ) dan Noise Suppression (θ) 0.5 dengan 4 cluster Gambar 4.19 Hasil clustering dalam scatter plot diagram menggunakan Vigilance Parameter (ρ) dan Noise Suppression (θ) 0.5 dengan 4 cluster Gambar 4.20 Hasil segmentasi menggunakan Vigilance Parameter (ρ) dan Noise Suppression (θ) 0.5 dengan 4 cluster xii

13 Gambar 4.21 Hasil clustering menggunakan Vigilance Parameter (ρ) dan Noise Suppression (θ) 0.01 dengan 5 cluster Gambar 3.22 Hasil clustering dalam scatter plot diagram menggunakan Vigilance Parameter (ρ) dan Noise Suppression (θ) 0.01 dengan 5 cluster Gambar 4.23 Hasil segmentasi menggunakan Vigilance Parameter (ρ) dan Noise Suppression (θ) 0.01 dengan 5 cluster Gambar 4.24 Hasil clustering menggunakan Vigilance Parameter (ρ) dan Noise Suppression (θ) 0.5 dengan 5 cluster Gambar 4.25 Hasil clustering dalam scatter plot diagram menggunakan Vigilance Parameter (ρ) dan Noise Suppression (θ) 0.5 dengan 5 cluster Gambar 4.26 Hasil segmentasi menggunakan Vigilance Parameter (ρ) dan Noise Suppression (θ) 0.5 dengan 5 cluster Gambar 4.26 Hasil clustering menggunakan Vigilance Parameter (ρ) dan Noise Suppression (θ) 0.01 dengan 6 cluster Gambar 4.27 Hasil clustering dalam scatter plot diagram menggunakan Vigilance Parameter (ρ) dan Noise Suppression (θ) 0.01 dengan 6 cluster Gambar 4.28 Hasil segmentasi menggunakan Vigilance Parameter (ρ) dan Noise Suppression (θ) 0.01 dengan 6 cluster Gambar 4.29 Hasil clustering menggunakan Vigilance Parameter (ρ) dan Noise Suppression (θ) 0.5 dengan 6 cluster Gambar 4.30 Hasil clustering dalam scatter plot diagram menggunakan Vigilance Parameter (ρ) dan Noise Suppression (θ) 0.5 dengan 6 cluster Gambar 4.31 Hasil segmentasi menggunakan Vigilance Parameter (ρ) dan Noise Suppression (θ) 0.5 dengan 6 cluster Gambar 4.32 Grafik rata rata keseluruhan indeks Silhouette Gambar 4.33 Hasil clustering menggunakan Vigilance Parameter (ρ) dan Noise Suppression (θ) 0.01 dengan 10 epoh xiii

14 Gambar 4.34 Hasil clustering menggunakan Vigilance Parameter (ρ) dan Noise Suppression (θ) 0.01 dengan 15 epoh Gambar 4.34 Hasil clustering menggunakan Vigilance Parameter (ρ) dan Noise Suppression (θ) 0.5 dengan 10 epoh Gambar 4.35 Hasil clustering menggunakan Vigilance Parameter (ρ) dan Noise Suppression (θ) 0.5 dengan 10 epoh Gambar 4.36a Summary hasil segmentasi kelas pelanggan tahun dengan 2 cluster Gambar 4.36b Summary hasil segmentasi kelas pelanggan tahun dengan 6 cluster Gambar 4.37a Kelas Pelanggan Hasil Clustering Menggunakan Algoritma ART 2 (Customer ID.= C0020) dari Tahun dengan Bentuk Grafik Reguler Gambar 4.37b. Kelas Pelanggan Hasil Clustering Menggunakan Algoritma ART 2 (Customer ID. = C0020) dari Tahun dengan Bentuk Grafik Reguler Gambar 4.38a. Kelas Pelanggan Hasil Clustering Menggunakan Algoritma ART 2 (Customer ID. = C0051) dari Tahun dengan Bentuk Grafik Detail Gambar 4.38b. Kelas Pelanggan Hasil Clustering Menggunakan Algoritma ART 2 (Customer ID. = C0051) dari tahun dengan Bentuk Grafik Reguler Gambar 4.39a. Kelas Pelanggan Hasil Clustering Menggunakan Algoritma ART 2 (Customer ID. = C0061) dari Tahun dengan Bentuk Grafik Detail Gambar 4.39b. Kelas Pelanggan Hasil Clustering Menggunakan Algoritma ART 2 (Customer ID. = C0061) dari Tahun dengan Bentuk Grafik Reguler Gambar 4.40a. Kelas Pelanggan Hasil Clustering Menggunakan Algoritma ART 2 (Customer ID. = C0138) dari Tahun dengan Bentuk Grafik Reguler xiv

15 Gambar 4.40b. Kelas Pelanggan Hasil Clustering Menggunakan Algoritma ART 2 (Customer ID. = C0138) dari Tahun dengan Bentuk Grafik Reguler Gambar 4.41a. Kelas Pelanggan Hasil Clustering Menggunakan Algoritma ART 2 (Customer ID. = C0205) dari Tahun dengan Bentuk Grafik Detail Gambar 4.41b. Kelas Pelanggan Hasil Clustering Menggunakan Algoritma ART 2 (Customer ID = C0061) dari Tahun dengan Bentuk Grafik Reguler Gambar 4.42a. Kelas Pelanggan Hasil Clustering Menggunakan Algoritma ART 2 (Customer ID. = C0117) dari Tahun dengan Bentuk Grafik Detail Gambar 4.42b. Kelas Pelanggan Hasil Clustering Menggunakan Algoritma ART 2 (Customer ID = C0117) dari Tahun dengan Bentuk Grafik Reguler xv

16 DAFTAR TABEL Tabel 2.1 Pembagian customer pada perusahaan retail dengan model RFM Tabel 3.1 Tabel Pelanggan Tabel 3.2 Contoh data Tabel Pelanggan Tabel 3.3 Tabel Barang Tabel 3.4 Contoh data Tabel Barang Tabel 3.5 Master Transaksi Tabel 3.6 Contoh data Tabel Master Transaksi Tabel 3.7 Tabel Detail Transaksi Tabel 3.8 Contoh data Tabel Detail Transaksi Tabel 3.9 Data pemilihan atribut sesuai model RFM Tabel 3.10 Contoh data untuk perhitungan RFM Tabel 3.11 Contoh data hasil tranformasi RFM Tabel 3.12 Tabel contoh data RFM Table 3.13 Domain value RFM Table 3.14 Deskripsi kelas pelanggan Tabel 3.15 Tabel tbstandart_n Tabel 3.16 Contoh data Tabel tbstandart_n Tabel 3.17 Tabel tbmasterstandart Tabel 3.18 Contoh data Tabel tbmasterstandart Tabel 3.19 Tabel tbrfm Tabel 3.20 Contoh data Tabel tbrfm Tabel 3.21 Tabel Hasil Tabel 3.22 Contoh data Tabel tbhasil Tabel 3.23 Tabel HasilSilhoutte Tabel 3.24 Contoh data Tabel HasilSilhouette Tabel 3.25 Tabel HasilMaxGS Tabel 3.26 Contoh data Tabel HasilMaxGS Tabel 3.27 Tabel tbrangesegmenr Tabel 3.28 Contoh data Tabel tbrangesegmenr xvi

17 Tabel 3.29 Tabel tbrangesegmenf Tabel 3.30 Contoh data Tabel tbrangesegmenf Tabel 3.31 Tabel tbrangesegmenm Tabel 3.32 Contoh data Tabel tbrangesegmenm Tabel 3.33 Tabel tbmasterkelasreg Tabel 3.34 Contoh data Tabel tbmasterkelasreg Tabel 3.35 Tabel tbmasterkelasdet Tabel 3.36 Contoh data Tabel tbmasterkelasdet Tabel 3.37 Tabel tbmastersegmentasi Tabel 3.38 Contoh data Tabel tbmastersegmentasi Tabel 3.39 Tabel HasilSegmentasi Tabel 3.40 Contoh data Tabel HasilSegmentasi Tabel 3.41 Jadwal Penelitian Tabel 4.1 Inisialiasi parameter awal Tabel 4.2 Summary hasil pembentukan 2 cluster Tabel 4.3 Summary hasil segmentasi untuk pembentukan 2 cluster Tabel 4.4 Summary hasil pembentukan 3 cluster Tabel 4.5 Summary hasil segmentasi untuk pembentukan 3 cluster Tabel 4.6 Summary hasil pembentukan 4 cluster Tabel 4.7 Summary hasil segmentasi untuk pembentukan 4 cluster Tabel 4.8 Summary hasil pembentukan 5 cluster Tabel 4.9 Summary hasil segmentasi untuk pembentukan 5 cluster Tabel 4.10 Summary hasil pembentukan 6 cluster Tabel 4.11 Summary hasil segmentasi untuk pembentukan 6 cluster Tabel 4.12 Hasil Uji Validitas Cluster dengan Menggunakan Indeks Silhouette Tabel 4.13 Rangkuman hasil uji coba dengan inisialisasi nilai Vigilance Parameter (ρ) yang berbeda-beda Tabel 4.14 Rangkuman jumlah waktu pada proses clustering Tabel 4.15 Perbandingan Kelas Pelanggan Per Tahun xvii