KARAKTERISASI PELANGGAN PLN MENGGUNAKAN ALGORITMA FUZZY C MEAN HUSMUL BEZE

Transkripsi

1 KARAKTERISASI PELANGGAN PLN MENGGUNAKAN ALGORITMA FUZZY C MEAN HUSMUL BEZE SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008

2 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan bahwa tesis Karakter Pelanggan PLN Menggunakan Algoritma Fuzzy C Mean adalah karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apapun kepada 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 tesis ini. Bogor, Juli 2008 Husmul Beze NRP. G

3 ABSTRAK HUSMUL BEZE. Karakterisasi Pelanggan PLN Menggunakan Algoritma Fuzzy C Mean. Dibimbing oleh Kudang Boro Seminar dan Agus Buono. Berdasarkan sudut pandang teknologi, CRM adalah alat bantu sistem dalam melakukan analisis perilaku pelanggan berdasarkan data historis. Satu tugas penting dari CRM adalah mengidentifikasi karakter pelanggan PLN berdasarkan perilaku dalam menggunakan energi listrik. Dalam penelitian ini, identifikasi terhadap pelanggan dilakukan dengan cara melakukan segmentasi pelanggan. Golongan pelanggan yang akan disegmentasi antara lain pelanggan rumah tangga, bisnis dan industri. Variabel yang digunakan sebagai atribut dalam proses segmentasi adalah lama berlangganan, jumlah pembayaran listrik, kedisiplinan membayar dan jumlah pemakaian listrik. Dalam sistem yang dikembangkan dalam penelitian ini disediakan berbagai pilihan kombinasi variabel untuk disegmentasi. Tujuannya untuk memberi banyak pilihan bagi PLN dalam melakukan segmentasi terhadap pelanggan sesuai keperluan. Metode yang digunakan untuk melakukan segmentasi pelanggan adalah algoritma fuzzy c-mean. Untuk mengukur keakuratan segmentasi, hasil klasterisasi divalidasi menggunakan metode indeks Xie dan Beni. Hasil penelitian memperlihatkan, pelanggan rumah tangga dan bisnis lebih akurat jika dikelompokkan ke dalam 3 klaster, sementara pelanggan industri pada beberapa kombinasi variabel lebih akurat dikelompokkan ke dalam 3 klaster dan beberapa kombinasi variabel lainnya lebih akurat dikelompokkan ke dalam 4 klaster. Dalam implementasi CRM, analisis karakter-karakter segmen merupakan salah satu bagian analisis terhadap pelanggan. Kata kunci : Fuzzy c-mean, CRM, klasterisasi, segmentasi pelanggan, PLN

4 ABSTRACT HUSMUL BEZE. Customers characterization at PLN using fuzzy c-mean algorithm. Under the direction of Kudang Boro Seminar and Agus Buono. Based on the technology point of view, CRM is a system tool in analyzing customers behavior based on customer histories data. One of the important tasks of CRM is identifying PLN customers behavior based on their behavior in using electricity. Customer identification is done by segmenting customers. In this research, the customer that will be segmented are home, business and industrial customer. The variable that used as a attribute in segmentation process are the duration of subscribing, total payment, discipline in paying and total electric usage. The system that developed in this research provided many choice of variable combination to be segmented. The goal is to provide many choice for PLN in segmenting customer. The method used for segmenting customer is fuzzy c-mean algorithm. To measure the segmentation accuration, the result of the clustering is validated by the Xie and Beni index method. The result of the research showed that business and home customer are more accurate if they are clustered into 3 clusters, while the industrial customer in some variable combination are more accurate if they are clustered into 3 clusters and the some variable combination are more accurate if they are clustered into 4 clusters. The result of customers character segmentation can be used as supporting data in making PLN s business decision which is related to CRM. Keyword : Fuzzy C Mean, CRM, clustering, customer segmentation

5 RINGKASAN HUSMUL BEZE. Karakterisasi Pelanggan di PLN Menggunakan Algoritma Fuzzy C Mean. Dibimbing oleh Kudang Boro Seminar dan Agus Buono. Manajemen hubungan pelanggan (CRM) adalah sebuah strategi yang berfokus pada perilaku konsumen dan cara berkomunikasi dengan mereka. Berdasarkan sudut pandang teknologi, CRM adalah alat bantu sistem untuk melakukan analisis perilaku konsumen berdasarkan data historis pelanggan dalam rangka pelayanan terhadap pelanggan. Perusahaan listrik negara (PLN) merupakan perusahaan negara yang menyediakan tenaga listrik untuk seluruh wilayah Indonesia. Visi dan misi pelayanannya antara lain menjadikan pelanggan sebagai mitra sejajar, menjamin kepuasan dan kesetiaan pelanggan, menjamin pertumbuhan perusahaan yang berkesinambungan dan menciptakan pelayanan berbasis sistem teknologi informasi. Sebagai perusahaan yang berorientasi pada pelanggan (customer oriented enterprise) manajemen PLN telah mengembangkan sistem pengelolaan pelanggan yang bernama customer information system (CIS). Namun pelayanan yang dilakukan dalam sistem ini masih bersifat teknik, belum melakukan pengelolaan pelanggan secara lebih mendalam umpamanya melakukan analisa terhadap perilaku pelanggan dalam menggunakan energi listrik. Sehubungan dengan komitmen PLN sebagai perusahaan yang berorientasi pada pelanggan, di dalam penelitian ini akan dilakukan riset terhadap salah satu bagian CRM yaitu segmentasi pelanggan. Hal ini sesuai dengan pendapat Han dan Kamber (2001) bahwa segmentasi terhadap pelanggan dapat menolong pelaku pemasaran menemukan kelompok berbeda pada pelanggan dan karakteristik pelanggan berdasarkan perilaku pelanggan. Salah satu metode segmentasi yang bisa digunakan untuk melakukan segmentasi pelanggan adalah algoritma fuzzy c- mean (FCM). Algoritma FCM sudah cukup luas digunakan dalam melakukan segmentasi pelanggan diantaranya penelitian Ho (1999), Simha dan Iyengar (2005), Tsangarides dan Qureshi (2006), Daulay (2006) dan Zumstein (2007). Namun semua penelitian di atas belum ada yang menerapkan pada pelanggan PLN. Padahal karakteristik pelanggan PLN berbeda dengan objek penelitian yang telah dilakukan di atas. Padahal penting bagi PLN untuk tidak mengabaikan kepuasan pelanggan. Data yang digunakan dalam penelitian ini adalah data transaksi pelanggan dari Bulan November 2006 hingga Oktober Sebagai data masukan sistem digunakan tiga data masukan yaitu data pelanggan rumah tangga, bisnis dan industri. Empat variabel yang digunakan sebagai atribut data masukan yaitu (1) lama berlangganan, (2) jumlah pembayaran, (3) kedisiplinan membayar dan (4) jumlah pemakaian listrik. Ada empat parameter yang akan ditetapkan pada tahap awal dalam menggunakan algoritma fuzzy c-mean yaitu jumlah klaster, nilai error, iterasi maksimal dan nilai parameter fuzifikasi. Keempat parameter ini sangat penting dalam proses analisis pengelompokan terutama dalam menentukan karakter data yang tengah dikelompokkan. Jumlah klaster yang digunakan dalam penelitian ini adalah 3, 4 dan 5. Sementara nilai parameter fuzzifikasi yang digunakan adalah

6 antara 1.5 hingga 10. Metode indeks Xie dan Beni digunakan untuk melakukan uji validasi terhadap hasil pengelompokan yang dilakukan algoritma fuzzy c-mean. Hasil penelitian memperlihatkan bahwa data pelanggan rumah tangga dan bisnis lebih akurat jika dikelompokkan ke dalam 3 klaster dibandingkan 4 klaster ataupun 5 klaster. Sementara untuk pelanggan industri, pada kombinasi variabel A, B, C, AB, AC, BC, BD, ABC, ABD, BCD dan ABCD lebih akurat dikelompokkan ke dalam 3 klaster, sedangkan kombinasi D, AD, CD dan ACD lebih akurat jika dikelompokkan ke dalam 4 klaster di bandingkan 3 klaster ataupun 5 klaster. Nilai parameter fuzzifikasi yang direkomendasikan untuk melakukan klastering data pelanggan golongan rumah tangga, bisnis dan industri adalah 1,5. Sementara nilai error dan iterasi maksimal yang direkomendasikan digunakan saat melakukan klastering terhadap data pelanggan rumah tangga, bisnis dan industri adalah 0,00001 dan 100. Variabel lama berlangganan, jumlah pembayaran, kedisplinan membayar dan jumlah pemakaian listrik yang digunakan dalam penelitian ini cukup untuk menggambarkan perilaku pelanggan dalam menggunakan energi listrik. Dalam implementasi CRM, hasil analisis karakter segmen pelanggan merupakan salah satu bagian analisis pelanggan. Analisis lainnya yang bisa dilakukan untuk melengkapi bagian CRM antara lain analisis profit pelanggan dan analisis kepuasan pelanggan. Beberapa pelayanan yang bisa dilakukan PLN sehubungan dengan hasil karakter segmen-segmen pelanggan antara lain dalam program prioritasisasi terhadap pelanggan, pemberian penghargaan, insentif khusus dan isyarat dini. Kata kunci : Fuzzy C Mean, CRM, klastering, segmentasi pelanggan PLN

7 Hak cipta milik IPB, Tahun 2008 Hak Cipta dilindungi Undang-Undang 1. Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. a. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik atau tinjauan suatu masalah; b. Pengutipan tersebut tidak merugikan kepentingan yang wajar IPB. 2. Dilarang mengumumkan dan memperbanyak sebagian atau seluruh Karya tulis dalam bentuk apapun tanpa izin IPB.

8 KARAKTERISASI PELANGGAN DI PLN MENGGUNAKAN ALGORITMA FUZZY C MEAN HUSMUL BEZE Tesis Sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Program Studi Ilmu Komputer SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008

9 Judul Tesis Nama NRP : Karakterisasi Pelanggan PLN Menggunakan Algoritma Fuzzy C Mean : Husmul Beze : G Disetujui Komisi Pembimbing Prof. Dr. Ir. Kudang Boro Seminar, M.Sc Ketua Ir Agus Buono, M.Si, M.Kom Anggota Diketahui Ketua Program Studi Ilmu Komputer Dekan Sekolah Pascasarjana Dr. Sugi Guritman Prof Dr Khairil Anwar A. Notodiputro, M.S Tanggal Ujian : 27 Juni 2008 Tanggal Lulus :

10 DAFTAR ISI Halaman DAFTAR TABEL... xii DAFTAR GAMBAR... xiii DAFTAR LAMPIRAN... xiv I. PENDAHULUAN 1.1. Latar Belakang Tujuan Penelitian Manfaat Penelitian Ruang Lingkup Penelitian... 2 II. TINJAUAN PUSTAKA 2.1. Objek Penelitian Perilaku Konsumen Segmentasi Konsumen dan Pasar Manajemen Hubungan Pelanggan PT PLN Distribusi Jakarta Raya dan Tangerang Alat dan Teknik Penelitian Himpunan Fuzzy Fuzzy Klastering Fuzzy C Mean Klastering Validasi Klaster Penelitian yang Relevan III. METODOLOGI 3.1. Tahapan Penelitian Analisis Masalah Persiapan Data Desain Model Sistem Implementasi Pengembangan Model Prototipe Sistem Alat Bantu Riset Tempat dan Waktu Penelitian... 26

11 IV. PERANCANGAN DAN IMPLEMENTASI 4.1. Desain Masukan Desain Proses Desain Antarmuka Validasi Hasil Pengelompokan Pelanggan Nilai Error dan Iterasi Maksimal Parameter Fuzzy Jumlah Klaster Karakter Pelanggan Implementasi CRM di PLN V. SIMPULAN DAN SARAN 5.1. Simpulan Saran DAFTAR PUSTAKA LAMPIRAN... 64

12 DAFTAR TABEL 1. Tabel masukan sistem pengelompokkan pelanggan Tabel parameter dan nilainya Tabel matriks keanggotaan (Un) terhadap k cluster Hasil validasi pengelompokkan terhadap nilai error dan iterasi maksimal Karakter pelanggan rumah tangga berdasarkan lama berlangganan Karakter pelanggan rumah tangga berdasarkan jumlah pembayaran listrik Karakter pelanggan rumah tangga berdasarkan kedisiplinan membayar Karakter pelanggan rumah tangga berdasarkan jumlah pemakaian listrik Karakter pelanggan rumah tangga berdasarkan lama berlangganan dan kedisiplinan membayar Karakter pelanggan bisnis berdasarkan lama berlangganan Karakter pelanggan bisnis berdasarkan kedisiplinan membayar Karakter pelanggan bisnis berdasarkan lama berlangganan dan jumlah pembayaran Karakter pelanggan bisnis berdasarkan jumlah pembayaran Karakter pelanggan industri berdasarkan lama berlangganan Karakter pelanggan industri berdasarkan jumlah pembayaran Karakter pelanggan industri berdasarkan kedisiplinan membayar Karakter pelanggan industri berdasarkan jumlah pemakaian listrik Karakter pelanggan industri berdasarkan lama berlangganan dan kedisiplinan membayar... 47

13 DAFTAR GAMBAR 1. Generalisasi arsitektur sistem CRM Komponen himpunan fuzzy Himpunan fuzzy untuk variabel umur Jarak poin data terhadap sebuah klaster Jarak poin data terhadap dua klaster Tahapan algoritma fuzzy c-mean Tahapan penelitian Tatalaksana pengembangan prototipe karakterisasi pelanggan PLN Fitur-fitur matriks data masukan sistem Hasil validasi pengelompokkan pada data pelanggan rumah tangga dengan 3 klaster, 4 klaster dan 5 klaster Hasil validasi pengelompokkan pada data pelanggan bisnis dengan 3 klaster, 4 klaster dan 5 klaster Hasil validasi pengelompokkan pada data pelanggan industri dengan 3 klaster, 4 klaster dan 5 klaster Pilar CRM Momentum interaksi pelanggan dengan sistem CRM Saluran pengumpulan informasi dan sarana layanan Hubungan aktivitas sistem CRM PLN Arsitektur Sistem Pelayanan CRM PLN... 59

14 DAFTAR LAMPIRAN 1. Hasil uji validasi hasil pengelompokkan pada data pelanggan rumah tangga, bisnis dan industri Panduan penggunaan sistem Karakter pelanggan rumah tangga dilihat dari berbagai kombinasi variabel Karakter-karakter pelanggan bisnis dilihat dari berbagai kombinasi variabel Karakter-karakter pelanggan industri dilihat dari berbagai kombinasi variabel... 88

15 I. PENDAHULUAN 1.1. Latar Belakang Manajemen hubungan pelanggan (CRM) adalah sebuah strategi yang berfokus pada perilaku konsumen dan cara berkomunikasi dengan mereka. Berdasarkan sudut pandang teknologi, CRM adalah dasar untuk melakukan analisis perilaku konsumen berdasarkan data historis pelanggan. CRM bukan hanya bisa digunakan sebagai strategi dalam rangka memenangkan kompetisi di bidang pemasaran. Namun bisa juga digunakan untuk memberikan pelayanan prima kepada pelanggan dengan tujuan memberi kepuasan kepada pelanggan. Perusahaan listrik negara (PLN) merupakan perusahaan negara yang menyediakan tenaga listrik untuk seluruh wilayah Indonesia. Visi dan misi pelayanannya antara lain menjadikan pelanggan sebagai mitra sejajar, menjamin kepuasan dan kesetiaan pelanggan, menjamin pertumbuhan perusahaan yang berkesinambungan dan menciptakan pelayanan berbasis sistem teknologi informasi. Sebagai perusahaan yang berorientasi pada pelanggan (customer oriented enterprise) manajemen PLN telah mengembangkan sistem pengelolaan pelanggan yang bernama customer information system (CIS). Namun pelayanan yang dilakukan dalam sistem ini masih bersifat teknik, belum melakukan pengelolaan pelanggan secara lebih mendalam yaitu melakukan analisa terhadap perilaku pelanggan dalam menggunakan energi listrik. Sehubungan dengan komitmen PLN sebagai perusahaan yang berorientasi pada pelanggan, di dalam penelitian ini akan dilakukan riset terhadap salah satu bagian CRM yaitu segmentasi pelanggan. Hal ini sesuai dengan pendapat Kertajaya (2005) yaitu mengungkapkan identifikasi pelanggan sangat penting dilakukan dalam membangun manajemen hubungan pelanggan terutama dalam rangka memetakan interaksi hubungan apa yang harus dilakukan perusahan. Pengelompokkan pelanggan menurut Han dan Kamber (2001) bisa menolong pelaku pemasaran dalam menemukan karakteristik dan perilaku pelanggan yang berbeda dalam setiap kelompok. Adanya gambaran nyata tentang pelanggan memudahkan perusahaan menentukan strategi alokasi dan penggunaan sumber daya yang ada dan memberikan pelayanan terbaik bagi pelanggannya. Dengan

16 2 demikian, energi perusahaan dapat lebih dihemat dan manajemen dapat memfokuskan pelayanan pada konsumen, yang secara langsung telah memberikan profit signifikan kepada perusahaan. Salah satu metode segmentasi yang bisa digunakan untuk melakukan segmentasi pelanggan adalah algoritma fuzzy c-mean (FCM). Algoritma FCM sudah cukup luas digunakan dalam melakukan segmentasi pelanggan diantaranya penelitian Ho (1999), Simha dan Iyengar (2005), Tsangarides dan Qureshi (2006), Daulay (2006) dan Zumstein (2007). Semua penelitian di atas belum ada yang menerapkan pada pelanggan PLN. Padahal karakteristik pelanggan PLN berbeda dengan objek penelitian yang telah dilakukan di atas. Sebagai perusahaan yang memonopoli distribusi listrik di Indonesia, penting bagi PLN untuk tidak mengabaikan kepuasan pelanggan. Penerapan CRM merupakan alternatif tepat dalam rangka memberikan pelayanan yang prima pada pelanggan Tujuan Penelitian Tujuan penelitian ini adalah melakukan karakterisasi pelanggan di PLN menggunakan algoritma fuzzy c-mean untuk mendukung program CRM Ruang Lingkup Penelitian Ruang lingkup penelitian ini adalah : 1. Data yang digunakan pada penelitian ini adalah data transaksi pelanggan PT PLN Distribusi Jakarta Raya dan Tangerang Area Pelayanan Cengkareng dari bulan November 2006 sampai Oktober Penelitian ini dibatasi pada karakterisasi pelanggan di PLN Manfaat Penelitian Penelitian ini diharapkan mampu mengidentifikasi karakter pelanggan dan mendukung manajemen dalam upaya memberikan pelayanan prima yang pada akhirnya mampu memberi kepuasan pada pelanggan. Sekaligus menjadi kerangka kerja bagi perusahaan dalam membangun CRM.

17 II. TINJAUAN PUSTAKA 2.1. Objek Penelitian Perilaku Konsumen Jika dilihat dari daya tarik transaksinya, pelanggan menurut Kertajaya (2005) terbagi dalam empat kategori yakni star customer, question mark customer, profit making customer dan profit taking customer. Tujuan mengidentifikasi pelanggan adalah untuk mengetahui pelanggan yang bernilai dan pelanggan yang tidak bernilai. Menurutnya pelanggan yang potensial tidak boleh dibiarkan, tapi harus dikelola dan diperhatikan lewat berbagai pelayanan. Potensi pelanggan adalah nilai-nilai positip yang dimiliki pelanggan. Potensi pelanggan sangat erat kaitannya dengan karakter pelanggan. Karakter pelanggan bisa diketahui lewat perilaku pelangggan. Sementara itu, Paul dan Oslo (1996) dalam Rangkuti (2006) menyatakan perilaku pelanggan adalah interaksi dinamis antara pengaruh dan kognisi, perilaku dan kejadian di sekitar kita dimana manusia melakukan aspek pertukaran dalam hidup mereka. Sedangkan menurut Engel (1996) dalam Rangkuti (2006) perilaku konsumen adalah tindakan yang langsung terlibat dalam mendapatkan, mengkonsumsi dan menghabiskan produk dan jasa, termasuk proses keputusan yang mendahului tindakan tersebut. Kotler dan Armstrong (2001) menambahkan perilaku konsumen secara kuat dipengaruhi oleh karateristik budaya, sosial, pribadi dan psikologis. Sementara itu Assael (1992) mengemukakan ada empat tipe perilaku konsumen dalam proses pembelian yaitu pembeli membuat keputusan pada saat proses pembelian melakukan keterlibatan tinggi, interaksi ini menghasilkan tipe perilaku pembelian yang kompleks, konsumen melakukan pembelian terhadap merek tertentu secara berulang-ulang dan mempunyai keterlibatan tinggi dalam proses pembelian, konsumen ini tipe loyal terhadap merek, pembelinya membuat keputusan tapi dalam proses pembeliannya merasa kurang terlibat. Tipe ini merupakan perilaku konsumen limited decision making. Pembelian atas dasar kebiasaan dan dalam proses pembelian konsumen merasa kurang terlibat, tipe ini merupakan perilaku konsumen inertia.

18 4 Hawkins dalam Maulana (1999) menegaskan bahwa keputusan pembelian konsumen dipengaruhi oleh banyak faktor, antara lain, budaya, nilai-nilai yang dianut konsumen, status sosial, persepsi, dan keadaan demografi Segmentasi Konsumen dan Pasar Pasar terdiri dari banyak pembeli dan para pembeli berbeda untuk satu dan banyak hal. Mereka dapat berbeda dalam kebutuhan, sumberdaya, lokasi, sifat pembelian dan pola pembelian. Melalui segmentasi pasar, perusahaan membagi pasar yang besar dan heterogen menjadi segmen yang lebih kecil yang dapat diliput secara efisien dengan produk dan layanan yang memenuhi kebutuhan unik mereka. (Kotler dan Armstrong, 2001). Menurut Amir (2005) segmentasi memegang peranan penting. Segmentasi yang tepat bisa menjadi awal yang menentukan bagi penerapan strategi dan taktik pemasaran. Dengan segmentasi dapat dilakukan perumusan kebutuhan dan keinginan pasar, merancang strategi dan program yang tepat, menganalisis persaingan, menyesuaikan sumber daya dan menemukan potensi permintaan baru. Dengan ada segmentasi yang baik maka ada batasan yang jelas antara kelompok satu dengan kelompok lain. Hal ini memudahkan perusahaan dalam menentukan target, memperkecil resiko salah sasaran dan menyesuaikan kemampuan. Secara umum segmentasi bisa dilakukan berdasarkan demografis, geografi, psikografis dan sosial. Kotler dan Armstrong (2001) mengatakan bahwa segmentasi konsumen atau pasar tidak mudah. Perusahaan harus mencoba berbagai variabel segmentasi, baik sendirian maupun kombinasi, untuk menemukan cara terbaik dalam memandang struktur pasar. Segmentasi bisa dilakukan berdasarkan geografis, demografis, psikografis ataupun perilaku. Dengan mengamati hubungan pelanggan pada berbagai segmen kita bisa memberikan perlakuan hubungan pelanggan yang berbeda untuk masing-masing pasar sasaran secara spesifik. (Rangkuti, 2006) Manajemen Hubungan Pelanggan Manajemen hubungan pelanggan (customer relationship management) menurut Cunningham (2002) adalah sebuah terminologi yang menggambarkan

19 5 bagaimana kita berinteraksi dan proaktif mengatur hubungan pelanggan kita. CRM lanjutnya merupakan sistem ril bagaimana kita bekerja dengan para pelanggan, memecahkan problem pelanggan, mendorong pelanggan untuk membeli produk dan jasa serta melakukan kesepakatan dalam transaksi finansial. CRM katanya lagi merupakan sebuah sistem dalam proses bisnis, sebuah teknologi dan seperangkat aturan untuk melakukan kesepakatan dengan pelanggan pada berbagai tingkatan dalam aktifitas bisnis. Danardatu (2003) menyebut CRM sebagai pengelolaan hubungan dua arah antara suatu perusahaan dengan orang yang menjadi pelanggan di perusahaan tersebut. CRM bisa juga didefinisikan sebagai sebuah istilah industri TI untuk metodologi, strategi, perangkat lunak (software) dan atau aplikasi berbasis web lainnya yang mampu membantu sebuah perusahaan (enterprise, kalau besar ukurannya) untuk mengelola hubungannya dengan para pelanggan. Sementara itu, CRM menurut Tourniare (2003) bisa diartikan menjadi tiga yakni pertama, semua fungsi yang mengacu pada konsumen seperti pemasaran, sales dan consumen support. Kedua, CRM diartikan sebagai perangkat otomatis dalam teknik pemasaran. Terakhir CRM didefinisikan sebagai suatu proses yang digunakan dalam melakukan manajemen terhadap pelanggan. Untuk mengimplementasikan sebuah strategi CRM menurut Danardatu (2003) diperlukan paling tidak tiga faktor kunci yaitu orang-orang yang profesional (kualifikasi memadai), proses yang didesain dengan baik dan dan teknologi yang memadai (leading-edge technology). Fungsi-fungsi yang ada dalam CRM yang tradisional menurut Tourniare (2003) antara lain untuk sales force automation, telemarketing and telesales tracking, product configuration, marketing automation, support tracking, field service, knowledge base, customer portal and analytics. Sementara itu, Danardatu menyebutkan teknologi CRM paling tidak harus memiliki elemen-elemen sebagai berikut: 1. Aturan-aturan Bisnis. Namun hal ini tergantung dari kompleksitas transaksi, aturan-aturan bisnis harus dibuat untuk memastikan bahwa transaksi dengan pelanggan dilakukan dengan efisien. Misalnya pelanggan dengan pembelian besar

20 6 yang mendatangkan keuntungan besar harus dilayani oleh staf penjualan senior dan berpengalaman, dst. 2. Penggudangan Data (data warehousing). Konsolidasi dari informasi tentang pelanggan harus dilakukan dalam satu sistem terpadu. Hasil analisa harus mampu menampilkan petunjuk-petunjuk tertentu tentang pelanggan sehingga staf penjualan dan marketing mampu melakukan kampanye terfokus terhadap grup pelanggan tertentu. Nantinya gudang data ini juga harus mampu menaikkan volume penjualan dengan cross-selling atau up-selling. 3. Situs (web). CRM harus memiliki kemampuan swalayan. Hanya aplikasi berbasis situs (web based) yang bisa mendukung ini. Pelanggan bisa melakukan transaksi sendiri, tahu berapa yang harus dibayar, dan sebagainya. 4. Pelaporan (reporting). Teknologi CRM harus mampu menghasilkan laporan yang akurat dan komprehen, nantinya berguna untuk menganalisa kelakuan pelanggan, dan lain-lain. 5. Meja Bantu (helpdesk). Teknologi yang mampu mengintegrasikan informasi pelanggan ke aplikasi meja bantu akan menunjukkan ke pelanggan seberapa serius sebuah enterprise menangani pelanggannya. Penggunaan CRM menurut Tourniaire (2003) akan memberikan sejumlah keuntungan antara lain menghemat biaya, membangun kepuasaan dan loyalitas pelanggan, meningkatkan pendapatan, meningkatkan akuntabilitas secara internal, meningatkan kepuasaan pekerja dan membangun business intelligent menjadi lebih baik. Secara konsep menurut Rangkuti (2006), terdapat delapan pedoman untuk membuat CRM yaitu : 1. Perencanaan. Diperlukan perencanaan yang komprehensif pada saat menggabungkan keterampilan dan sumber daya dari dua perusahaan yang independen sehingga bisa mencapai tujuan strategis. 2. Kepercayaan dan penghargaan. Hubungan yang berhasil memerlukan kepercayaan dan penghargaan antara dua rekan dan keduanya berniat untuk saling memercayai dan saling menghargai kepentingan masing-masing.

21 7 3. Konflik. Konflik sering terjadi dan merupakan aspek penting dalam hubungan. Partner harus cepat melakukan respon bila terjadi konflik dan bertindak secara proaktif untuk mengatasi konflik ini. 4. Struktur kepemimpinan. Struktur kepemimpinan yang efektif dapat memperlancar koordinasi dan sistem pengambilan keputusan. 5. Fleksibilitas. Mengetahui interpedensi masing-masing rekan merupakan faktor penting dalam membangun relationship yang berhasil. Rekanan yang bersifat fleksibel dapat mengantisipasi perubahan. 6. Perbedaan budaya. Perbedaan budaya berkaitan dengan tahap pengembangan industri, sistem politik, kepercayaan ekonomi dan sebagainya. 7. Transfer teknologi. Kedua rekan harus dapat mengembangkan teknologi ke dalam bentuk aplikasi komersil. 8. Pembelajaran dari kekuatan yang dimiliki oleh rekan. Secara umum sistem CRM terdiri dari fungsi-fungsi yang bersifat frontend, core-end dan back-end. Untuk lebih jelasnya bisa dilihat pada gambar 1 berikut. Communication CRM (front-end) - call center - e-commerce - web - wireless Operation CRM (core-end) - marketing - sales - customer service Analytics CRM (back-end) - Information search - Analysis algoritma Database Gambar 1. Generalisasi Arsitektur Sistem CRM (Lin, 2003). Menurut Kertajaya (2007), setidaknya ada empat tahap yang harus dilakukan CRM agar fungsinya benar-benar bisa berjalan yakni identifikasi pelanggan, diferensiasi pelanggan, interaksi dan customized. Identifikasi pelanggan lanjutnya bisa dimulai dengan melakukan pengumpulan data seperti

22 8 nama, alamat, nomor telepon, jabatan lainnya. Langkah berikutnya adalah diferensiasi yakni mengkategorikan pelanggan menurut nilai dan kebutuhannya. Hal ini bertujuan untuk mengukur sejauh mana keuntungan total yang bisa diperoleh perusahaan apabila melanjutkan transaksi dengan pelanggan. Langkah selanjutnya adalah menentukan nilai-nilai yang dimiliki pelanggan. Apakah menguntungkan bagi perusahaan atau tidak. Setelah semua tersebut diketahui maka perusahaan bisa melakukan kustomisasi pelayanan yang tepat diberikan kepada pelanggan PT PLN Distribusi Jakarta Raya dan Tangerang PT PLN Distribusi Jakarta Raya dan Tangerang berdiri tahun 1897, yaitu dengan mulai digarapnya bidang listrik oleh salah satu perusahaan Belanda (NV NIGM) yang ditandai dengan pendirian pusat pembangkitan tenaga listrik (PLTU) yang berlokasi di Gambir. Pada tanggal 17 Agustus 1945 dibentuk Djawatan Listrik dan Gas Tjabang Djakarta yang selanjutnya dikembalikan lagi kepada pemilik asal (NV NIGM) pada tahun 1947 dan namanya berubah menjadi NV OGEM. Kemudian dengan berakhirnya masa konsesi NV OGEM Cabang Jakarta yang selanjutnya diikuti dengan nasionalisasi oleh Pemerintah Indonesia sesuai Keputusan Menteri PU dan Tenaga No. U 16/9/I tanggal 30 Desember 1953, maka pada tanggal 01 Januari 1954 dilakukan serah terima dan pengelolaannya diserahkan ke Perusahaan Listrik Jakarta dengan wilayah kerjanya adalah meliputi Jakarta Raya dan Ranting Kebayoran & Tangerang. Seiring dengan berjalannya waktu, maka perubahan pun terus bergulir. Keputusan terakhir yakni berdasarkan white paper Mentamben Agustus 1998, maka Pemerintah meluncurkan kebijakan Restrukturisasi Sektor Ketenagalistrikan sesuai Keputusan Menko WASPAN No. 39/KEP/MK.WASPAN/9/1998 serta kebijakan PT PLN (Persero) Kantor Pusat, maka PT PLN (Persero) Distribusi Jakarta Raya & Tangerang diarahkan kepada Stategic Business Unit/Investment Centre. PT PLN Distribusi Jakarta dan Tangerang melayani masyarakat yang ada di Jakarta dan Tangerang. Khusus untuk area pelayanan Cengkareng, hingga akhir

23 9 April 2007 lalu sedikitnya ada 80 ribu pelanggan yang telah dilayani. Berdasarkan peruntukannya, manajemen PT PLN membedakan pelangganya menjadi lima golongan pelanggan yaitu pelanggan golongan rumah tangga, bisnis, industri, sosial dan pemerintah. Sehubungan dengan komitmen PT PLN sebagai perusahaan yang berorientasi terhadap pelanggan, manajemen membangun sistem pengelolaan pelanggan yang bernama customer information system (CIS). Program-program pelayanan merupakan salah satu bagian dari CIS. Program-program pelayanan yang dibangun manajemen PT PLN antara lain : 1. Pelayanan satu tempat (Pesat) Layanan ini memberikan solusi dan kemudahan bagi pelanggan/calon pelanggan yang ingin pasang baru, penambahan daya, pengaduan rekening listrik atau permasalahan listrik lainnya dapat diselesaikan satu tempat, yaitu di kantor Area Pelayanan (AP). Tujuan layanan ini memudahkan pelanggan berurusan dengan PLN di satu tempat dan pelanggan tidak terjerumus oleh oknum-oknum yang tidak bertanggung jawab (calo). Dalam program ini manajemen mengharapkan kerjasama dengan pelanggan yaitu tidak berurusan dengan calo dan tidak segan-segan memberi masukkan kepada PLN bila mendapatkan pelayanan yang tidak memuaskan. Untuk mencapai tujuan di atas, petugas di area pelayanan telah diberikan pelatihan mengenai etika pelayanan, proses bisnis, penyederhanaan pengurusan dan membuat branding serta membuka waktu pelayanan pada hari Sabtu dan Minggu. 2. Peduli pelanggan inti (Pelangi) Pelangi merupakan pelayanan kepada pelanggan potensial yang bersifat individual agar mendapatkan pelayanan yang khusus. Dengan perubahan paradigma sebagai pelayan kepada pelanggan maka PT PLN Distribusi Jakarta Raya dan Tangerang harus menjemput bola yaitu mendekatkan diri kepada semua pelanggan khususnya pelanggan potensial (Pelanggan tegangan menengah dan pelanggan tegangan tinggi). Untuk mencapai tujuan di atas maka dilakukan identifikasi dan segmentasi pelanggan tegangan menengah dan pelanggan tegangan tinggi serta melakukan kunjungan ke pelanggan potensial untuk mengetahui kebutuhan/masalah pelanggan.

24 10 Program layanan ini dilaksanakan langsung oleh Manager Area Pelayanan dibantu oleh staf dan membuat branding dari PELANGI dengan motto layanan pribadi untuk anda. 3. Peningkatan dan Pengembangan Pusat Pelayanan Gangguan melalui nomor telepon 123 Call center 123 merupakan pusat pelayanan informasi dan keluhan pelanggan baik masalah gangguan listrik, catat meter, tagihan rekening, tarif, dan keluhan lainnya. Saat ini call center 123 menggunakan 60 satuan sambungan telepon (SST) dan dilayani oleh 58 teleponis yang bekerja tiga shift selama 24 jam, dalam bahasa Indonesia dan Inggris. Berbagai informasi dapat dilayani di antaranya gangguan listrik, tagihan, pemadaman, pemeliharaan, catat meter, info biaya pasang baru/rubah daya, dan keluhan non teknis. 4. Peningkatan Mutu Baca Meter Untuk meningkatkan mutu baca meter, PT PLN (PERSERO) Distribusi Jakarta Raya dan Tangerang bekerja sama dengan perusahaan profesional pengelola tenaga kerja pencatatan meter untuk mengatasi masalah pencatatan meter. Program ini bertujuan untuk menunjukkan keseriusan PLN dalam menangani masalah kesalahan baca meter sehingga pembacaan standar meter dapat dilakukan setiap bulan sesuai jadwal dan dapat melayani koreksi rekening seketika dengan penggunaan PDE (Portable Data Entry). Untuk mencapai sasaran di atas telah dilakukan pelatihan bagi petugas catat meter dan penataan ulang rute baca meter dan sekaligus pembacaan percontohan masing-masing area pelayanan sebanyak 3 RBM (rute baca meter) untuk ± 500 pelanggan. 5. Kemudahan Pembayaran rekening listrik melalui PRAQTIS (Pembayaran Rekening Listrik Fleksibel dan Otomatis) Sampai saat ini bank-bank yang sudah bekerja sama bertindak sebagai penyelnggaran PRAQTIS adalah Bank BRI, Bank Lippo, Bank Ekonomi, Bank Buana, Bank Haga, Bank Hagakita, Bank Bumiputera, Bank BCA, Bank Victoria, Bank Panin, Bank Bukopin, Bank BTN, Bank Tokyo Mitsubishi. Tujuan program ini adalah memberikan fasilitas kemudahan untuk pembayaran rekening listrik dan memberikan alternatif kepada pelanggan

25 11 mengenai cara pembayaran rekening selain tempat pembayaran secara tradisional yaitu pembayaran melalui bank. Pembayaran melalui bank ini bisa dilakukan dengan cara off line maupun bank dengan cara on line atau pembayaran melalui ATM (PRAQTIS) Alat dan Teknik Himpunan Fuzzy Himpunan tradisional adalah himpunan yang memiliki batasan yang jelas (crisp). Berbeda dengan himpunan fuzzy, sesuai namanya, himpunan fuzzy kata Jang et al (1997) tidak memiliki batasan yang jelas. Artinya transisi antara harus masuk sebuah himpunan dan tidak harus masuk sebuah himpunan. Transisi yang halus ini merupakan karakteristik fungsi keanggotaan yang diberikan himpunan fuzzy dalam model umumnya yang menggunakan ekpresi linguistik. Dalam bahasa definisi, himpunan fuzzy menurut Kusumadewi (2003) merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Variabel fuzzy itu sendiri merupakan variabel yang hendak di bahas dalam suatu sistem fuzzy, misalnya umur, temperatur, permintaan dan sebagainya. Sementara itu, Cox ((2005) menyatakan bahwa dalam sebuah himpunan fuzzy, sebuah elemen dapat berada dalam tiga kondisi yakni bukan merupakan anggota dari himpunan, merupakan anggota secara penuh dalam himpunan dan keanggotaannya tidak penuh terhadap himpunan. Keanggotaan himpunan dipresentasikan dengan sebuah nilai yang kontinu dengan interval 0 hingga 1. Angka 0 menunjukkan bukan termasuk dalam keanggotaan himpunan, angka 1 mengindikasikan keanggotaan secara penuh sedangkan nilai antara 0 dan 1 menunjukkan derajat keanggotaan yang tidak penuh dalam himpunan. Kondisi keanggotaan elemen di atas sering disebut derajat keanggotaan element di dalam sebuah himpunan fuzzy. Jang (1997) lebih jauh menjelaskan bahwa jika X adalah koleksi dari objek-objek yang dinotasikan secara generik oleh x maka suatu himpunan fuzzy A dalam X adalah suatu himpunan pasangan berurutan : Ã = {(x, µ Ã (x)) x ε X} (1)

26 12 dengan µ à (x) adalah derajat keanggotaan x di à yang memetakan X ke ruang keanggotaan M yang terletak pada rentang [0,1]. Sebuah himpunan fuzzy kata Cox (2005) memiliki tiga komponen prinsip yakni derajat keanggotaan yang dinyatakan dengan garis vertikal (Y), kemungkinan nilai domain untuk himpunan yang dinyatakan sebagai garis horisontal (X) dan fungsi keanggotaan (sebuah kurva kontinu yang menghubungkan nilai sebuah domain dengan derajat keanggotaan dalam himpunan). Domain dalam hal ini merupakan keseluruhan nilai yang diizinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Jadi nilai domain bisa berupa bilangan negatif maupun bilangan positif. Sementara itu semesta pembicaraan diartikan sebagai keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan bisa berupa bilangan positif maupun negatif. Namun adakalanya nilai semesta pembicaraan tidak dibatasi batas atasnya. Contoh semesta pembicaraan untuk varibel umur [0 + ], variabel temperatur [0 40] dan sebagainya. 1 Membershi p function Grade of membership m(x) 0 Support Universe of discourse (domain) Gambar 2. Komponen himpunan fuzzy (Cox, 2005) Untuk lebih jelasnya kita bisa melihat contoh himpunan fuzzy tentang umur berikut ini. Jika muda didefinisikan sebagai umur < 35 tahun lalu parobaya berumur antara 35 umur 55 tahun dan umur tua > 55 tahun, maka dalam himpunan fuzzy kasus umur ini akan digambar sebagai berikut.

27 13 1 MUDA PAROBAYA TUA µ(x) 0,5 0, Gambar 3. Himpunan Fuzzy untuk Variabel Umur. Berdasarkan gambar di atas ternyata seseorang yang berumur 40 tahun termasuk dalam himpunan muda dengan derajat keanggotaan (µ MUDA ) = 0,25. Namun dia juga termasuk dalam himpunan parobaya dengan derajat keanggotaan (µ PAROBAYA ) = 0,5. Begitu juga dengan seseorang yang berumur 50 tahun, termasuk dalam himpunan muda dengan derajat keanggotaan (µ TUA ) = 0,25. Namun ia juga termasuk dalam himpunan parobaya dengan derajat keanggotaan (µ PAROBAYA ) = 0,5. Namun perlu diingat, keanggotaan fuzzy dengan probabilitas berbeda. Walau keduanya memiliki nilai pada interval [0 1] tapi intrepetasi nilainya sangat berbeda antara kedua kasus tersebut. Keanggotaan fuzzy memberikan suatu ukuran terhadap pendapat atau keputusan, sedangkan probabilitas mengindikasikan proporsi terhadap keseringan suatu hasil bernilai benar dalam jangka panjang. Teori himpunan fuzzy tegas Jang et al (1997) akan memberikan jawaban terhadap suatu masalah ketidakpastian. Namun pada beberapa kasus khusus seperti nilai keanggotaan yang kemudian akan menjadi 0 atau 1, teori dasar tersebut akan identik dengan teori himpunan biasa, dan himpunan fuzzy akan menjadi himpunan crisp tradisional Fuzzy Klasterisasi Pengelompokkan (klasterisasi) bisa diselesaikan secara fuzzy dan non fuzzy. Pada fuzzy klasterisasi hasil matriks transformasinya berupa nilai derajat keanggotaan antara 0 dan 1, sedangkan pada non fuzzy nilainya 0 dan 1. Proses klasterisasi pada dasarnya merupakan proses pembuatan gugus atau himpunan yang memiliki anggota elemen-elemen yang akan diklaster. Pengelompokkan

28 14 dikatakan fuzzy jika tiap-tiap objek dihubungkan dengan menggunakan derajat keanggotaan (bukan dengan keanggotaan crisp). (Kusumadewi, 2002). Bila dalam pengelompokkan konvensional, sebuah poin data keanggotaannya hanya pada satu kelompok saja, namun dalam fuzzy klasterisasi, sebuah poin data bisa menjadi anggota dalam banyak kelompok tapi tentunya dengan derajat keanggotaan berbeda-beda. Derajat keanggotaan adalah ukuran seberapa kuat sebuah poin data menjadi bagian dalam klaster. Ukuran ini penting dalam proses pembuatan aturan. ( Cox, 2005). Keanggotaan dalam sebuah klasterisasi jelas Cox (2005) merupakan ukuran jarak dari sebuah pusat klaster ke data point. Gambar 4 di bawah ini menggambarkan jarak sebuah data point (p j ) terhadap satu pusat klaster (c) C di pi Keterangan : pj: point data ke-i c: pusat klaster di: jarak point data (pi) ke pusat klaster (c) Gambar 4. Jarak poin data terhadap sebuah klaster (Cox, 2005) Dalam fuzzy klasterisasi keanggotaan sebuah data poin tidak hanya terhadap satu kelompok tapi juga ke beberapa kelompok. Hal ini merupakan keistimewaan pengelompokkan menggunakan fuzzy klasterisasi dibandingkan dengan pengelompokkan tradisional. Gambar 5 berikut ini akan menggambarkan keanggotaan sebuah point data p j (dalam hal ini dinyatakan dalam jarak) pada dua klaster yakni klaster pertama (c 1 ) dan klaster kedua (c 2 ).

29 C1 di1 di2 pi C2 Keterangan : di1 : jarak point data (pi) ke pusat klaster 1 di2 : jarak point data (pi) ke pusat klaster 2 pi : point data ke-i c1 : pusat klaster ke-1 c2 : pusat klaster ke Gambar 5. Jarak point data terhadap dua klaster (Cox,2005) Menurut Han dan Kamber (2001) dan Pedrycz (2005) kesamaan dan ketidaksamaan antara dua objek bisa digambarkan sebagai jarak. Jarak menurut Santosa (2007) merupakan aspek penting dalam pengembangan metode pengklasifikasian maupun regresi. Ukuran jarak menurut Han dan Kamber (2001), Pedrycz (2005) dan Santosa (2007) harus memenuhi syarat-syarat sebagai berikut: 1. d (i, j) 0 ; Jarak adalah sebuah angka non negatif. Tidak ada jarak yang mempunyai nilai negatif. 2. d (i, j) = 0 ; Jarak dari objek terhadap dirinya sendiri yakni jarak antara suatu objek atau titik dengan objek atau titik itu sendiri adalah nol. 3. d (i, j) = d (j, i) ; Jarak adalah sebuah fungsi simetrik. Jarak dari i ke j adalah sama dengan jarak dari j ke i. 4. d (i, j) d (i, h) + d (h, j) ; Jika diatur dari objek i ke objek j dalam ruang yang sama tidak lebih dari pembuatan cara lain pada objek h yang lain (triangular inequality). Salah satu pengukuran jarak yang cukup populer di dalam Han dan Kamber (2001), Pedrycz (2005) dan Santosa (2007) adalah pengukuran jarak euclidean. Pengukuran jarak euclidean akan dihitung berdasarkan persamaan 2 berikut ini : d ( i, j) x x + x x x x, = (2) i1 j1 i2 j2 ik jn

30 16 dimana titik pusat klaster ke-i = (x i1,x i2,...,x ik ) dan titik point data ke-j = (x j1, x j2,...,x jn ) dengan jumlah klaster k serta jumlah data n. Menurut Pedrycz (2005) dan Cox (2005) ada beberapa pendekatan yang digunakan dalam melakukan klasterisasi. Salah satunya adalah metode partitional. Metode partitional membangun sebuah partisi dari sebuah basisdata D dengan n objek ke dalam himpunan k klaster. Pada fuzzy c-mean, partisi dilakukan dengan membagi data menjadi dua atau lebih klaster. Tujuan dari analisis klaster menurut Kusumadewi (2002), Cox (2005) dan Pedrycz (2005) adalah untuk mengenali dan kuantifikasi kelompok-kelompok. Kuantifikasi ada dua proses yakni identifikasi keanggotaan sebuah point data dalam beberapa grup dan meletakkan pusat klaster (centroid). Membangun pusat klaster dilakukan lewat proses iterasi dimana setiap iterasi dilakukan perbaikan hingga konvergen. Dalam pemanfaatannya algoritma klasterisasi tidak hanya digunakan untuk mengorganisasi dan mengkategorikan data tapi juga bisa digunakan untuk melakukan kompresi dan mengkonstruksi model data. Caranya, algoritma klasterisasi membagi-bagi sebuah set data ke dalam beberapa grup berdasarkan kemiripannya ke dalam satu grup atau lebih (Jang et al, 1997). Teknik klasterisasi juga digunakan untuk menghubungkan jaringan basis fungsi radial atau dasar model fuzzy dalam menandai lokasi untuk basis fungsi radial atau aturan fuzzy if-then. Untuk hal ini teknik klasterisasi melakukan validasi pada basis berdasarkan asumsi : 1. Kemiripan input untuk sistem target menjadi model dan menghasilkan output yang mirip. 2. Pasangan input-output disatukan dalam klaster di dalam set data training. Selain hal di atas, teknik klasterisasi juga bisa digunakan untuk mengidentifikasi struktur di dalam model neural atau fuzzy yang lebih heuristic (Jang et al, 1997) Fuzzy C-Mean Algoritma Fuzzy C-Mean Klasterisasi (FCM) juga dikenal sebagai fuzzy ISODATA yakni algoritma yang mengelompokkan data dimana setiap titik data dalam sebuah klaster ditentukan oleh derajat keanggotaannya. Bezdek

31 17 mengusulkan algoritma ini tahun 1973 sebagai pengembangan awal dari hard c- mean (HCM). (Jang et al, 1997). FCM membagi sebuah koleksi ke-n dari vektor x i, dimana i = 1,2,3,...,n ke dalam c grup fuzzy dan mencari pusat klaster pada masing-masing grup yakni fungsi biaya dari ukuran ketidakmiripan yang paling minimal. Tidak berbeda jauh dengan Jang et al (1997) Cox (2005) mengatakan fuzzy c-mean memiliki dua proses yakni menghitung pusat klaster dan menandai poin untuk pusat klaster menggunakan sebuah bentuk jarak euclidean. Proses ini dilakukan berulang hingga pusat klaster stabil. Perbedaan mendasar dari FCM dan HCM kata Jang et al (1997), FCM adalah suatu teknik klasterisasi yang keberadaan setiap titik data dalam suatu klaster ditentukan oleh derajat keanggotaan antara 0 hingga 1. Untuk mengakomodasi fuzzy partisi jelas Jang et al (1997) dan Pedrycz (2005), keanggotaan matrik U harus memiliki nilai antara 0 dan 1. Untuk melakukan normalisasi penetapan hasil derajat keanggotaan dari set data menggunakan persamaan berikut : c i= 1 uij = 1, j = 1,2,3,..., n (3) Dimana µ ij adalah derajat keanggotaan point data terhadap pusat-pusat klaster dan jumlah klaster C serta jumlah data n. Untuk menghitung fungsi objektif pada fuzzy c-mean ketika dilakukan generalisaasi digunakan persamaan 4 berikut ini : J ( U, c,..., c ) 1 c c c = J i = n i= 1 i= 1 j u m ij d 2 ij (4) Dimana J adalah fungsi objektif, sementara u dalah derajat keanggotaan poin data terhadap klaster-klaster yang nilainya antara 0 dan 1, kemudian jumlah klaster adalah c dan n adalah banyaknya poin data, lalu m adalah nilai parameter fuzzy dan d ij adalah jarak euclidean antara pusat klaster ke-i hingga ke-j dari point data dan m Є (1, ) sebagai ekponen pembobot. Jarak euclidean ini didapatkan dari persamaan d ij = c i -x j ; ij a

32 18 Berdasarkan persamaan (2.2) untuk mencari nilai minimum dari pusat klaster digunakan persamaan 5 seperti di bawah ini : c n m = u j ij x 1 j i = n m u j= 1 ij Dimana c i adalah pusat klaster ke-i dan u ij adalah derajat keanggotaan poin data terhadap klaster-klaster dengan nilainya antara 0 dan 1, lalu n adalah banyaknya poin data dan m adalah nilai parameter fuzzy serta x j adalah data poin ke-j. Untuk menghitung perubahan matrik partisi (derajat keanggotaan poin data terhadap semua klaster yang baru) digunakan persamaan : 1 u ij = 2 /( m 1 c dij ) k = 1 d kj Dimana u ij adalah derajat keanggotaan poin data terhadap klaster-klaster yang nilainya antara 0 dan 1 dengan c sebagai jumlah pusat klaster dari grup fuzzy ke-i, sedangkan m adalah parameter fuzzy dan d ij adalah jarak euclidean antara pusat klaster ke-i hingga ke-j dari poin data dan m Є (1, ) sebagai ekponen pembobot serta d kj adalah jarak euclidean antara pusat klaster ke-k hingga ke-j dari poin data dan m Є (1, ) sebagai ekponen pembobot. Proses algoritma FCM di awali dengan menentukan derajat keanggotaan (secara acak) pada setiap titik data terhadap klaster berdasarkan derajat keanggotaan, kemudian ditentukan oleh pusat klaster. Pada kondisi awal pusat klaster belum akurat. Derajat keanggotaan selanjutnya diperbaiki berdasarkan fungsi jarak antara titik data dengan pusat klaster. Dengan memperbaiki pusat klaster dan derajat keanggotaan tiap titik data secara berulang dan terus menerus maka pusat klaster akan bergeser ke titik yang tepat. Output FCM adalah deretan pusat klaster dan derajat keanggotaan data terhadap setiap klaster. FCM menentukan pusat klaster c i dan keanggotaan matriks U dalam Jang et al (1997) dengan langkah-langkah sebagai berikut : 1. Inisialisasi keanggotaan matrik U dengan nilai random antara 0 dan 1 dengan persamaan (3) (5) (6).

33 19 2. Hitung c pusat klaster fuzzy c i, i = 1,2,3,...c menggunakan persamaan (5) 3. Hitung fungsi objektif berdasarkan persamaan (4). Berhenti jika hasil fungsi 4. objektifnya mencapai nilai toleransi atau hasil fungsi objektifnya setelah iterasi maksimal yang ditetapkan. Hitung matrik partisi baru menggunakan persamaan (6) dan kembali ke langkah ke-2. Diagram alir proses klasterisasi data pada algoritma fuzzy c-mean bisa dilihat pada Gambar 6 di bawah ini. Feature Data Cluster Number Exponent (n x p) k m n Initialize u U m E-step Calculate distance C (k x p) D ( k x n) M-Step c U ( k x n) Gambar 6. Tahapan algoritma fuzzy c-mean klasterisasi (Jiang, 2003) Dimana U merupakan matrik partisi, lalu C adalah pusat klaster, dan D merup akan distance matrix. Kemudian K ialah jumlah klaster, m merupakan nilai parameter fuzzifikasi, k adalah jumlah klaster dan jumlah datanya adalah n dan p adalah p jumlah atribut data. Kemudian nilai E-step : m k = n U i= 1 n i= 1 α ik U X α ik 1 M-step : U ik = xi m l= 1 xi m i k l 1 α 1 Dimana m k merupakan pusat klaster ke-k dan U ik adalah derajat keanggotaan poin data terhadap pusat klaster (M-step). (7) (8)

34 20 Menurut Jang Et al (1997), Cox (2005), Pedrycz (2005) dan Kusumadewi (2002) dalam proses analisis pengelompokkan menggunakan algoritma fuzzy c- mean pusat klaster akan diinisialisasi kali pertama dan kemudian diperbaiki pada setiap iterasinya. Menurut Kusmadewi (2002) tidak ada jaminan FCM akan konvergen pada solusi optimum. Kinerja tergantung pada inisialisasi pusat klaster. Hasil dari algoritma fuzzy c mean adalah derajat keanggotaan poin data terhadap pusat klaster dan pusat klaster. Dalam algoritma fuzzy c-mean ada beberapa hal yang perlu diperhatikan saat membangun sistem diantaranya iterasi maksimal, error terkecil yang diinginkan (ξ), pemangkat (m > 1) dan inisialisasi terhadap pusat awal klaster (c 2) Validasi Klaster Tujuan melakukan klasterisasi adalah mengumpulkan objek-objek yang memiliki kemiripan yang tinggi dalam satu klaster yang sama. Menurut Xie dan Beni dalam Halkidi et al (2002) dan Pedrycz (2005) ukuran kevalidan klaster merupakan proses evaluasi hasil klasterisasi untuk menentukan kualitas klaster. Kevalidan suatu klaster lanjutnya merupakan hasil rasio dari kepadatan (compactness) dengan keterpisahan (separation). Kepadatan adalah ukuran kedekatan antaranggota pada tiap klaster sedangkan keterpisahan adalah ukuran keterpisahan antarklaster satu dengan klaster lainnya. Rasio dari kepadatan dan keterpisahan tersebut didefinisikan sebagai berikut : S = π / N.D min ; (9) c n i= 1 j= 1 μ c x 2 ij i π ( Compactness) = (10) n D min (Separation) = min ij c i c j 2 (11) Dimana x i c j merupakan jarak euclid dari pusat klaster cj ke poin data xj dan c i c j adalah jarak euclid dari pusat klaster c i ke c j, sementara µ ij adalah derajat keanggotaan poin data ke-j pada klaster ke-i dan N adalah jumlah data. Semakin kecil nilai S maka semakin bagus hasil klaster yang telah dilakukan. j 2

35 Penelitian yang Relevan Teknik fuzzy c-mean klasterisasi kali pertama diperkenalkan tahun 1981 oleh Jim Bezdek. FCM adalah teknik klasterisasi data yang mana keberadaan tiaptiap titik data dalam suatu klaster ditentukan oleh derajat keanggotaan. Konsep dasarnya adalah dengan menentukan pusat klaster, dimana pusat klaster ini akan menandai lokasi rata-rata untuk tiap-tiap klaster. Simha dan Iyengar (2005) melakukan penelitian terhadap pelanggan telepon di telecom India menggunakan dengan teknik fuzzy c-mean klasterisasi, k mean dan EM. Hasil penelitian mereka menyebutkan bahwa fuzzy c-mean secara umum mampu mereflesikan perilaku pelanggan dengan cukup baik dibanding algoritma k-mean dan EM. Kemudian, Ho (1999) dalam penelitiannya juga menyebutkan bahwa FCM mampu melakukan analisis secara baik terhadap segmentasi pasar kartu kredit di Taiwan. Selanjutnya dalam penelitian yang dilakukan Ahmad Irfani (2007) juga disebutkan bahwa FCM mampu bekerja secara baik melakukan pengelompokkkan dokumen. Sementara itu dalam penelitian yang dilakukan Tsangarides dan Qureshi (2006) disebutkan bahwa fuzzy c-mean bisa digunakan untuk mengelompokkan negara-negara pelanggan produk mie instan. Untuk menvalidasi klasterisasi, di Afrika Barat berdasarkan kondisi ekonomi dan moneternya. Dalam penelitian tersebut Tsangarides dan Qureshi menggunakan metode indeks Xie dan Beni sebagai salah satu metode validasi terhadap hasil klasterisasi. Metode indeks Xie dan Beni dalam penelitian Tsangarides dan Qureshi dalam validasi hasil klasterisasi tidak menunjukkan adanya perbedaan hasil dengan metode lain yang digunakan yaitu metode Dunn s Partition Coefficient dan Silhouette Plot. Daulay (2006) juga menggembangkan algoritma FCM dalam melakukan segmentasi terhadap Daulay menggunakan metode indeks Xie dan Beni. Hasilnya penelitian yang dilakukan Daulay cukup baik. Pada penelitian lainnya, yaitu Zumstein (2007) disebutkan bahwa metode fuzzy klasterisasi lebih fleksibel dalam melakukan pengelompokkan dibandingkan pengelompokkan secara tradisonal. Hal ini

36 22 menurutnya sangat baik dalam membantu proses bisnis terutama manajemen pengelolaan pelanggan.

37 III. METODE PENELITIAN 3.1. Tahapan Penelitian Ada empat tahap utama yang dilakukan dalam penelitian ini. Tahap-tahap tersebut antara lain analisa masalah, persiapan data, pengumpulan data, pengembangan model dan pembuatan prototipe sistem. Mulai Analisis Masalah Persiapan Data Desain Model Implementasi Pengembangan Model Prototipe Sistem Tidak Prototipe Sesuai Ya Selesai Gambar 7. Tahapan Penelitian Diagram alir di atas mengambarkan tahap-tahap penelitian yang akan dilaksanakan. Selain itu, diagram alir di atas juga mengambarkan keterkaitan antara tahap yang satu dengan tahap lainnya Analisis Masalah Identifikasi terhadap karakter pelanggan merupakan salah satu langkah penting dalam manajemen hubungan pelanggan. Dengan melakukan identifikasi terhadap karakter pelanggan maka pemetaan terhadap pelanggan bisa dilakukan. Adanya pemetaan terhadap pelanggan mempermudah pihak manajemen PLN melakukan perencanaan pelayanan prima terhadap pelanggan. Langkah yang dilakukan untuk melakukan identifikasi pelanggan salah satunya adalah melakukan segmentasi terhadap pelanggan. Yakni mengelompokkan pelanggan berdasarkan kemiripan ciri yang dimiliki pelanggan. Metode algoritma fuzzy c-

38 23 mean merupakan salah satu cara yang bisa dilakukan untuk melakukan pengelompokkan Persiapan Data Data yang digunakan dalam penelitian ini adalah data transaksi pelanggan PT PLN distribusi Jakarta Raya dan Tangerang area pelayanan Cengkareng satu periode pemakaian listrik yaitu mulai November 2006 hingga Oktober Pada tahap persiapan, data-data pelanggan yang tidak lengkap akan dihilangkan agar tidak menimbulkan error pada sistem yang akan dibangun. Berdasarkan data yang dimiliki ada empat variabel yang digunakan sebagai variabel masukan sistem. Empat variabel masukan tersebut antara lain (1) variabel lama berlangganan, (2) variabel jumlah pembayaran listrik per bulan, (3) jumlah kesetiaan membayar tepat waktu dan (4) jumlah pemakaian listrik per bulan. Untuk lebih jelasnya bisa dilihat pada Tabel 1 berikut ini. Tabel 1. Tabel masukan sistem penggelompokkan pelanggan No Jenis Input Satuan 1. Lama berlangganan (A) Bulan 2. Nilai pembayaran listrik (C) Rupiah 3. Kedisiplinan membayar listrik (D) Jumlah pembayaran tepat waktu 4 Jumlah pemakaian listrik (D) Watt Variabel-variabel masukan di atas diharapkan mampu menggambarkan karakter pelanggan PLN. Dalam tahap lanjutan data-data masukan di atas akan dijadikan matriks agar mudah diproses dalam model pengelompokkan sistem Desain Model Sistem Ada tiga hal yang dilakukan dalam desain model sistem yakni melakukan desain terhadap masukan, melakukan desain prosedur dan terakhir melakukan desain terhadap antarmuka. 1. Desain Masukan Berdasarkan jumlah daya yang terpasang, pelanggan PLN dibedakan menjadi lima golongan yakni golongan pelanggan rumahtangga (1), pelanggan bisnis (2), pelanggan industri (3), pelanggan pemerintah (4) dan pelanggan sosial

39 24 (5). Dalam penelitian ini digunakan tiga golongan pelanggan saja yakni golongan pelanggan rumahtangga (1), pelanggan bisnis (2) dan pelanggan industri (3) sebagai data masukan bagi sistem. Variabel yang digunakan sebagai masukan sistem ini adalah variabel-variabel seperti yang telah disebutkan pada tabel 1. Sebelum dilakukan analisis pengelompokkan menggunakan algoritma fuzzy c- mean, data-data masukan diubah dalam bentuk matriks. Untuk mempermudah pengolahan data masukan, data disimpan dalam perangkat lunak microsoft office excel Selain melihat karakter pelanggan pada semua variabel, dalam penelitian ini juga akan dilihat karakter pelanggan dari berbagai variasi variabel. Variasivariabel yang dimaksud antara lain variasi A, B, C, D, AB, AC, AD, BC, BD, CD, ABC, ABD, ACD, BCD dan ABCD. Selain mendesain masukan, hal yang sangat penting dilakukan sebelum melakukan analisis pengelompokkan menggunakan algoritma FCM adalah menetapkan parameter masukan. Parameter yang dimaksud adalah jumlah klaster, nilai error terkecil yang diinginkan (eps), iterasi maksimal dan parameter fuzzifikasi (m>1). Dalam penelitian ini ditetapkan parameter sebagai berikut : Tabel 2. Tabel parameter dan nilainya Parameter Nilai Jumlah klaster 3; 4; 5 Nilai error terkecil 0,00001 Iterasi maksimal 100 Parameter fuzzifikasi 1,5-10 Jumlah klaster 3, 4 dan 5 yang digunakan dalam penelitian ini dimaksudkan untuk menyesuaikan pengaplikasian hasil penelitian dalam manajemen bisnis manajemen PLN terhadap pelanggannya. Untuk melakukan validasi terhadap hasil klasterisasi dalam penggunaan parameter masukan digunakan indeks Xie dan Beni. Metode ini membandingkan rasio kepadatan data dalam klaster dengan keterpisahan data antarklaster. Semakin kecil nilai rasio yang dihasilkan artinya hasil pengelompokkan semakin baik.

40 25 2. Desain Proses Ada 5 modul yang akan dikembangkan pada tahap desain proses yakni modul masukan, modul analisa pengelompokkan algoritma fuzzy c-mean, modul validasi hasil pengelompokkan, modul pengkategorian dan modul representasi hasil. 3. Desain antarmuka Untuk memudahkan penggunaan prototipe oleh pemakai maka dibuat antarmuka (user interface). Antarmuka dibuat sesederhana mungkin dengan tujuan agar mudah digunakan Pengembangan Model Prototipe Sistem Pengembangan sistem perangkat lunak karakterisasi pelanggan PLN ini dilakukan dengan cara melakukan analisa kebutuhan sistem hingga mengecek prototipe sistem apakah telah sesuai dengan keperluan atau tidak. Untuk melihat lebih jelas tatalaksana pengembangan sistem bisa dilihat pada Gambar 8 yakni tatalaksana pengembangan prototipe sistem. Mulai Analisa Kebutuhan Perancangan dan Implementasi Pengembangan Modul Input Pengembangan Modul Pengelompokkan, Validasi dan Pengkategorian Pengembangan Modul Representasi Hasil Prototipe Sistem tidak Sesuai Selesai Gambar 8. Tatalaksana pengembangan prototipe karakterisasi pelanggan PLN ya

41 Alat Bantu Penelitian Sistem akan dirancang dengan menggunakan alat bantu perangkat lunak sebagai berikut : 1. Matlab versi Perangkat lunak Matlab versi akan digunakan untuk melakukan pengembangan prototipe perangkat lunak pengelompokkan pelanggan PLN menggunakan algoritma fuzzy c-mean.. 2. Microsoft Office Excel Perangkat lunak Microsoft Office Excell digunakan sebagai alat bantu dalam melakukan pra-proses data Waktu dan Tempat Penelitian Penelitian dilakukan di dua tempat yakni di PT PLN Area Pelayanan Cengkareng dan Laboratorium Pascasarjana Departemen Ilmu Komputer FMIPA- IPB. Mulai Mei hingga Juli 2007 dilakukan pengumpulan data penelitian dan konsultasi dengan manajemen PLN penelitian di PT PLN Area Pelayanan Cengkareng. Sementara mulai Juni 2007 hingga Januari 2008 dilakukan pengembangan prototipe sistem dan penulisan dokumentasinya di Laboratorium Pascasarjana Departemen Ilmu Komputer FMIPA-IPB.

42 IV. PERANCANGAN DAN IMPLEMENTASI 4.1. Desain Masukan Data pelanggan yang akan disegmentasi dalam penelitian ini adalah (1) data pelanggan golongan rumah tangga, (2) golongan bisnis dan (3) golongan industri. Ketiga data tersebut merupakan data perilaku pelanggan dalam menggunakan energi listrik selama satu tahun dan akan dijadikan sebagai data masukan sistem. Data perilaku pelanggan dalam menggunakan energi listrik selama satu tahun dipilih dalam penelitian ini dengan alasan lebih menggambarkan perilaku pelanggan dalam menggunakan energi listrik selama satu periode pemakaian listrik. Untuk menggambarkan karakteristrik pelanggan perlu digunakan variabelvariabel data yang relevan dengan perilaku pelanggan dalam menggunakan energi listrik sebagai variabel masukan dalam proses klasterisasi. Variabel-variabel masukan yang dianggap relevan untuk menggambarkan karakter pelanggan di PLN berdasarkan data transaksi pelanggan antara lain lama berlangganan (A), jumlah pembayaran (B), kedisiplinan membayar (C) dan jumlah pemakaian listrik (D). Dalam sistem yang dikembangkan dalam penelitian ini disediakan pilihan semua kemungkinan kombinasi variabel dari keempat variabel yang disebutkan di atas. Hal itu dimaksudkan untuk memberikan banyak pilihan bagi manajemen dalam menggambarkan segmen pelanggan sesuai keperluan bisnis manajemen saat melakukan segmentasi pelanggan. Ada 15 kombinasi variabel yang akan dijadikan sebagai kombinasi variabel masukan pada sistem yaitu : 1. Kombinasi variabel A 9. Kombinasi variabel BD 2. Kombinasi variabel B 10. Kombinasi variabel CD 3. Kombinasi variabel C 11. Kombinasi variabel ABC 4. Kombinasi variabel D 12. Kombinasi variabel ABD 5. Kombinasi variabel AB 13. Kombinasi variabel ACD 6. Kombinasi variabel AC 14. Kombinasi variabel BCD 7. Kombinasi variabel AD 15. Kombinasi variabel ABCD 8. Kombinasi variabel BC

43 28 Satu hal yang harus diperhatikan dalam mendesain data masukkan, sebelum diproses menggunakan algoritma FCM, data-data terlebih dulu dijadikan dalam bentuk matriks. Untuk mempermudah pengolahan data dalam sistem, dalam penelitian ini data disimpan dalam perangkat lunak microsoft office excel Desain Proses. Pada tahap ini dilakukan desain terhadap proses memasukkan data hingga keluaran dari sistem. Ada 5 modul yang dikembangkan dalam penelitian ini. Modul tersebut antara lain modul masukkan, modul analisa pengelompokkan algoritma fuzzy c-mean, modul validasi hasil pengelompokkan, modul pengkategorian dan modul representasi hasil. 1. Modul Masukkan Modul ini berfungsi membaca data masukan yang telah dipersiapan sebelumnya dalam format excell. Hasil dari modul ini adalah berupa matriks masukan. Hal ini sesuai dengan keperluan sistem yang menggunakan algoritma FCM dalam melakukan proses pengelompokkan pelanggan, yakni memerlukan masukkan dalam bentuk matriks. a1 a2 Contoh matriks =... an b b... b 1 2 n c c... c 1 2 n d1 d 2... d n Keterangan fitur : a = lama berlangganan b = jml pembayaran c = kesetiaan membayar d = jumlah pemakaian listrik Gambar 9. Fitur-fitur matriks data masukan sistem 2. Modul Analisa dengan Algoritma FCM Modul ini berfungsi mengelompokkan data yang telah tersedia dalam bentuk matriks menjadi kelompok-kelompok berdasarkan kemiripannya. Tingkat kemiripan tersebut ditentukan dengan mengukur jarak euclidean data ke pusat klaster. Hasil dari modul ini berupa matriks U yang merepresentasikan derajat keanggotaan point data

44 29 dan titik pusat klaster. Matriks keanggotaan (U ij ) yang dihasilkan pada proses analisis pengelompokkan menggunakan algoritma FCM berdimensi k x n, dimana k adalah jumlah klaster dan n adalah jumlah data yang digunakan sebagai masukkan. Untuk lebih jelasnya Tabel 4 berikut ini akan menggambarkan matriks keanggotaan (U ij ) hasil analisis pengelompokkan menggunakan algoritma FCM. Tabel 3. Tabel matrik keanggotaan (U ij ) terhadap k klaster Jumlah Klaster 1 Klaster 2... Klaster k Data 1 U 11 U U 1k 2 U 21 U U 2k n U n1 U n2... U nk Dalam proses analisis pengelompokkan titik pusat klaster yang dihasilkan algoritma FCM akan mengalami perbaikan selama proses iterasi. Jumlah titik pusat yang dihasilkan sistem sama dengan jumlah klaster yang dimasukkan pada saat memasukkann nilai parameter algoritma. 3. Modul Uji Validasi terhadap Hasil Analisa FCM Metode yang dikembangkan dalam modul uji validasi hasil analisa FCM ini adalah metode Xie dan Beni (1991). Modul ini bekerja mengukur rasio kepadatan poin-poin data pada masing-masing klaster dan keterpisahan point-point data antarklaster. Fungsi dari modul ini adalah memberikan informasi tentang kualitas pengelompokkan yang dihasilkan modul analisa FCM. Semakin kecil nilai yang dihasilkan artinya semakin bagus hasil pengelompokkan yang telah dilakukan algoritma FCM. Hasil validasi pengelompokkan data pelanggan rumah tangga, pelanggan bisnis dan pelanggan industr bisa dilihat pada Lampiran 1.

45 30 4. Modul Kategorisasi Kelompok Modul ini berfungsi memberikan kategori kelompok pada setiap point data sesuai dengan derajat keanggotaannya terhadap pusat kelompok. Derajat keanggotaan paling tinggi yang dimiliki point data akan dikategorikan pada point data tersebut. 5. Modul Representasi Hasil. Modul ini berfungsi untuk merepresentasikan hasil dari tahap sebelumnya. Yang ditampilkan oleh modul ini antara lain titik pusat klaster, jumlah pelanggan per kelompok dan data rata-rata per variabel per kelompok. Hasil ditampilkan ke dalam bentuk visual berupa angka rata-rata Desain Antarmuka Untuk memudahkan penggunaan prototipe oleh pemakai maka dibuat antarmuka (user interface). Antarmuka dibuat sesederhana mungkin dengan tujuan agar mudah digunakan oleh pengguna. Ada dua tampilan utama antarmuka dalam prototipe sistem yang dibangun yakni tampilan antarmuka bagian depan dan tampilan antarmuka analisis pengelompokkan. Tampilan antarmuka bagian depan hanya berfungsi untuk menampilkan informasi tentang prototipe sistem. Tampilan antarmuka analisis pengelompokkan berfungsi sebagai antarmuka melakukan analisis pengelompokkan data dan menampilkan data karakter pelanggan. Pada antarmuka ini dibagi menjadi dua bagian yakni bagian proses klasterisasi dan bagian karakter data. Antarmuka bagian klasterisasi berfungsi untuk melakukan proses pengelompokkan data hingga dicapai hasil klaster terbaik. Sementara antarmuka bagian karakter data berfungsi untuk menampilkan data-data karakter kelompok pelanggan yang terbentuk dari hasil klaster terbaik. Tampilan antarmuka dapat dilihat selengkapnya pada panduan penggunaan sistem yang tertera pada Lampiran Uji Validasi Hasil Pengelompokkan Pelanggan Uji validasi terhadap nilai parameter yang digunakan pada algoritma FCM dalam penelitian ini dilakukan untuk mendapatkan hasil paling maksimal dengan

46 31 biaya komputasi terkecil saat proses klasterisasi. Nilai parameter algoritma FCM yang yang memberikan hasil klasterisasi paling akurat menjadi rekomendasi kepada pengguna saat melakukan klasterisasi terhadap data pelanggan rumah tangga, bisnis dan industri. Namun pengguna juga bisa menggunakan nilai parameter lain sesuai keperluannya saat melakukan klasterisasi terhadap data pelanggan rumah tangga, bisnis dan industri Nilai Error dan Iterasi Maksimal Semakin kecil nilai error yang digunakan maka semakin baik hasil pengelompokkan yang dilakukan. Namun semakin kecil nilai error yang digunakan berimplikasi pada biaya komputasi yaitu biaya komputasi menjadi semakin besar. Sebab nilai error yang semakin kecil maka jumlah iterasi yang terjadi akan semakin banyak. Namun hal ini tergantung juga pada penggunaan iterasi maksimal yang digunakan. Sebab nilai error hanya merupakan salah satu parameter untuk menghentikan iterasi komputasi proses klasterisasi menggunakan algoritma fuzzy c- mean selain iterasi maksimal. Tabel 4. Hasil validasi pengelompokkan terhadap nilai error dan iterasi maksimal Error Iterasi Rasio (S) Maksimal Rumahtangga Bisnis Industri 0, , ,21E-05 0, , ,16E-05 0, , ,16E-05 0, , ,16E-05 0, , ,16E-05 0, , ,16E-05 0, , , , , , ,15E-05 0, ,15E-05 0, ,15E-05 0, ,15E-05 0, ,15E-05 0, , , , , , ,15E-05 0, , ,15E-05 0, , ,15E-05 0, , ,15E-05 0, , ,15E-05 0,025792

47 32 Pada percobaan terhadap data pelanggan rumah tangga, pelanggan bisnis dan pelanggan industri diperlihatkan bahwa penggunaan nilai error 0,00001 sudah memperlihatkan hasil validasi rasio kerapatan data dalam klaster dengan keterpisahan antarklaster yang konvergen. Sementara itu nilai percobaan mengunakan nilai iterasi maksimal 100, 1000, dan 10000, proses pengelompokkan sudah cukup akurat. Sebab nilai rasio antara kerapatan data dalam klaster dengan keterpisahan antarklaster sudah mencapai nilai konvergen. Hasil percobaan menggunakan nilai error dan iterasi maksimal berbeda bisa dilihat pada Tabel 4 di atas. Walau tidak ada jaminan proses klasterisasi akan sangat akurat pada iterasi ke-100, namun dalam penelitian ini akan digunakan nilai error 0,00001 dan iterasi maksimal 100 sebagai parameter pembatas dalam proses iterasi pengelompokkan menggunakan algoritma fuzzy c-mean. Alasannya, pada nilai tersebut proses klasterisasi tidak memerlukan biaya komputasi yang tidak terlalu besar namun mampu menghasilkan nilai uji validasi yang sudah konvergen Parameter Fuzzy Dalam penelitian ini digunakan parameter fuzzy antara 1.5 hingga 10. Interval ini digunakan dengan maksud untuk melihat pada parameter fuzzy ke berapa data bisa terkelompok secara akurat. Sebab setiap data memiliki karakter yang spesifik dan nilai parameter fuzzy tersendiri sehingga tidak bisa dipastikan bahwa hasil terbaik pengelompokkan akan didapatkan pada penggunaan parameter fuzzy ke berapa. Lagi pula tidak ada jaminan bahwa semakin kecil atau semakin besar nilai parameter fuzzy yang digunakan akan menghasilkan pengelompokkan terbaik. Berdasarkan hasil percobaan terhadap data golongan pelanggan rumah tangga, bisnis dan industri hasil uji validasi terbaik diperoleh pada nilai parameter fuzzy 1,5. Pada penggunaan nilai parameter fuzzy 1,5, rasio kerapatan data dalam klaster dan keterpisahan antarklaster menghasilkan nilai yang paling kecil dibandingkan menggunakan nilai parameter fuzzy lain yang digunakan dalam penelitian ini. Hasil validasi terbaik menggunakan nilai parameter fuzzy 1,5 ini terjadi pada percobaan kombinasi variabel A, B, C, D, AB, AC, AD, BC, BD, CD, ABC, ABD, ACD, BCD

48 33 dan ABCD. Hasil lengkap percobaan terhadap data pelanggan rumah tangga bisa dilihat pada Lampiran Jumlah Klaster Dalam penelitian ini digunakan jumlah klaster 3, 4 dan 5. Alasannya, selama ini manajemen PT PLN mengelompokkan pelanggannya dalam interval antara 3 hingga 5 dalam berbagai kepentingan bisnis dan pelayanan terhadap pelanggan. Dengan alasan itu maka pada penelitian ini akan dilihat pada jumlah klaster ke berapa hasil pengelompokkan mencapai hasil terbaik. Dengan kata lain pada penggunaan klaster berapa data memiliki sifat kemiripan yang sangat dekat dalam klaster masingmasing dan memiliki sifat ketidakmiripan yang jauh antarklaster. 1. Pelanggan Rumah Tangga Pada percobaan terhadap data pelanggan rumah tangga diperoleh hasil bahwa pengelompokkan terbaik dicapai pada jumlah klaster 3 kecuali pada variabel C. Pada pengelompokkan pelanggan ke dalam 3 klaster dihasilkan nilai rasio kekompakan dan keterpisahan (S) paling kecil. Hal ini terjadi pada kombinasi variabel A, B, D, AB, AC, AD, BC, BD, CD, ABC, ABD, ACD, BCD dan ABCD. Hasil validasi rasio kerapatan data dalam klaster dengan keterpisahan data antarklaster pada data pelanggan rumah tangga bisa dilihat pada Gambar 10 di bawah ini. Rasio (S) 5,00E-01 4,50E-01 4,00E-01 3,50E-01 3,00E-01 2,50E-01 2,00E-01 1,50E-01 1,00E-01 5,00E-02 0,00E+00 A B C D AB AC AD BC BD CD ABC ABD ACD BCD ABCD Kombinasi Variabel 3 cluster 4 cluster 5 cluster Gambar 10. Hasil validasi pengelompokkan pada data pelanggan rumah tangga dengan 3 klaster, 4 klaster dan 5 klaster.

49 34 Gambar 10 di atas memperlihatkan bahwa pengelompokkan pelanggan ke dalam 3 klaster jauh lebih memiliki kemiripan ciri dibandingkan bila pelanggan di kelompokkan ke dalam 4 klaster atau 5 klaster. Hal tersebut diperlihatkan dengan hasil rasio antara kerapatan antarklaster pada penggunaan 3 klaster jauh lebih kecil dibandingkan 4 atau 5 klaster. Hasil lengkap validasi pengelompokkan pelanggan rumah tangga ini bisa dilihat pada Lampiran Pelanggan Bisnis Hasil percobaan pada data pelanggan bisnis menggunakan kombinasi variabel A, B, D, AB, AC, AD, BC, BD, CD, ABC, ABD, ACD, BCD dan ABCD diperlihatkan bahwa pelanggan lebih akurat jika dikelompokkan ke dalam 3 klaster dibandingkan ke dalam 4 klaster ataupun 5 klaster. Sebab pada percobaan menggunakan data pelanggan bisnis, hasil nilai rasio antara kerapatan data dalam klaster dan keterpisahan data antarklaster menggunakan 3 klaster lebih kecil dibandingkan 4 klaster atau 5 klaster. Hal ini bisa dilihat pada validasi hasil pengelompokkan pelanggan bisnis di Lampiran 1. Untuk melihat gambaran uji validasi pada data pelanggan bisnis ini bisa dilihat pada Gambar 11 berikut ini. 3,50E-02 3,00E-02 2,50E-02 Rasio (S) 2,00E-02 1,50E-02 1,00E-02 5,00E-03 0,00E+00 A B C D AB AC AD BC BD CD ABC ABD ACD BCD ABCD Kombinasi Variabel 3 cluster 4 cluster 5 cluster Gambar 11. Hasil validasi pengelompokkan pada data pelanggan bisnis dengan 3 klaster, 4 klaster dan 5 klaster.

50 35 3. Pelanggan Industri Hasil percobaan terhadap kombinasi variabel A, B, AB, AC, BC, BD, ABC, ABD, BCD dan ABCD, pelanggan industri lebih akurat jika dikelompokkan ke dalam 3 klaster dibandingkan ke dalam 4 klaster atau 5 klaster. Sebagai buktinya, hasil rasio terkecil antara kerapatan data dalam klaster dengan keterpisahan data antarklaster diperoleh pada pengelompokkan pelanggan ke dalam 3 klaster. Sementara itu, pengelompokkan pelanggan berdasarkan kombinasi variabel D, AD, CD dan ACD, pelanggan industri lebih akurat jika dikelompokkan ke dalam 4 klaster dibandingkan 3 atau 5 klaster. Hasil lengkap validasi terhadap pengelompokkan ini bisa dilihat pada Lampiran 1. 1,20E-01 1,00E-01 Rasio (S) 8,00E-02 6,00E-02 4,00E-02 2,00E-02 0,00E+00 A B C D AB AC AD BC BD CD ABC ABD ACD BCD ABCD Kombinasi Variabel 3 cluster 4 cluster 5 cluster Gambar 12. Hasil validasi pengelompokkan pada data pelanggan industri dengan 3 klaster, 4 klaster dan 5 klaster Karakter Pelanggan Hasil segmentasi pelanggan yang dilakukan analisis CRM dalam penelitian ini merupakan sumber informasi yang sangat bermanfaat bagi manajemen untuk mendukung pengambilan keputusan bisnis. Namun informasi akurat tanpa bisa dibaca secara benar tidak cukup bermanfaat dalam implementasi CRM. Diperlukan pembacaan karakter yang benar terhadap informasi segmentasi yang dihasilkan analisis CRM masing-masing kelompok.

51 36 1. Karakter pelanggan rumah tangga Bila dilihat berdasarkan faktor lama berlangganan, pelanggan rumah tangga terbentuk menjadi 3 kelompok. Kelompok pertama adalah kelompok pelanggan yang memiliki ciri-ciri antara lain lama berlangganan selama 2,3 tahun (28 bulan). Walau kelompok pelanggan ini merupakan kelompok pelanggan baru dibandingkan kelompok lainnya, namun kelompok ini berpotensi. Sebab kelompok yang memiliki anggota 5199 pelanggan ini memiliki jumlah pembayaran listrik paling besar yaitu rata-rata antara Rp hingga Rp Kedisiplinan pelanggan kelompok pertama ini juga baik yaitu pelanggan telah membayar tagihan listrik secara tepat waktu sebanyak 10 kali dari 12 kali yang mestinya dilakukan pelanggan. Melihat kenyataan ini, manajemen bisa lebih mengembangkan hubungannya dengan pelanggan kelompok ini. Sebab kelompok ini masih baru dan memiliki potensi sebagai target produk dan layanan bisnis perusahaan. Kelompok kedua adalah pelanggan yang telah berlangganan dengan PLN selama 13,75 tahun (165 bulan) dan memiliki jumlah pembayaran listrik rata-rata antara Rp hingga Rp serta tingkat kedisiplinan baik yaitu telah menunaikan kewajibannya membayar tagihan listrik secara tepat waktu sebanyak 10 kali dari 12 kali kewajibannya. Walau jumlah pemakaian listrik kelompok ini tidak lebih besar dari kelompok pertama namun pelanggan kelompok ini memiliki potensi dalam hal jumlah pelanggan. Jumlahnya yang besar merupakan potensi yang bisa dijadikan manajemen dalam memberikan layanan terhadap pelanggan segmen ini. Berikutnya adalah kelompok pelanggan ketiga yaitu kelompok pelanggan dengan jumlah anggota paling sedikit hanya pelanggan. Untuk melihat karakter-karakter kelompok pelanggan lainnya bisa dilihat pada Tabel 5 di bawah ini. Tabel 5. Karakter pelanggan rumah tangga berdasarkan lama berlangganan Kelompok Jml Anggota Lama Berlangganan (Bulan) Jml Pembayaran (Ribu Rupiah) Kedisiplinan Membayar (Kali) Jumlah Pemakaian (Watt) s/d s/d s/d s/d s/d s/d 260

52 37 Pelanggan rumah tangga dilihat berdasarkan jumlah pembayaran juga terbagi menjadi 3 kelompok. Kelompok pertama merupakan pelanggan yang memiliki jumlah pembayaran paling besar yaitu antara Rp hingga Rp Tingkat kedisiplinannya pun baik dalam membayar tagihan listrik yaitu pelanggan telah membayar tagihan listrik secara tepat waktu sebanyak 11 kali dari 12 kali kewajibannya. Walau jumlah pemakaian listrik kelompok ini paling besar dan tingkat disiplin membayarnya paling bagus, namun jumlah pelanggan yang ada di kelompok ini masih sedikit yaitu 137 pelanggan. Sementara kelompok kedua adalah pelanggan yang memiliki karakter kedisiplinan yang baik, lama berlangganan selama 12,5 tahun (150 bulan) dan jumlah pembayaran listrik antara Rp hingga Rp Jumlah pembayaran ratarata per bulan yang dimiliki kelompok kedua ini terbilang sedikit dibandingkan dengan kelompok lainnya. Namun kelompok kedua ini memiliki jumlah pelanggan yang sangat banyak yaitu pelanggan. Jumlah pelanggan yang sangat besar pada pelanggan golongan rumah tangga. Kemudian untuk kelompok ketiga memiliki karakter jumlah pembayaran rata-rata antara Rp hingga Rp dengan lama berlangganan rata-rata selama 12,16 tahun (146 bulan). Untuk melihat lebih jauh karakter kelompok pelanggan berdasarkan jumlah pembayaran ini bisa dilihat di Tabel 6 di bawah ini. Tabel 6. Karakter pelanggan rumah tangga berdasarkan jumlah pembayaran listrik Kelompok Jml Anggota Lama Berlangganan (Bulan) Jml Pembayaran (Ribu Rupiah) Kedisiplinan Membayar (Kali) Jumlah Pemakaian (Watt) s/d s/d s/d s/d s/d s/d 687 Pada percobaan menggunakan kombinasi variabel AB, BC, BD, ABC, BCD dan ABCD, karakter-karakter kelompok pelanggan yang muncul sama dengan karakter kelompok pelanggan rumah tangga yang dikelompokkan berdasarkan jumlah pembayaran listrik seperti yang disebutkan dalam Tabel 6 di atas. Untuk melihat lebih

53 38 jelas karakter kelompok pelanggan berdasarkan kombinasi variabel AB, BC, BD, ABC, BCD dan ABCD bisa dilihat pada Lampiran 3. Percobaan lainnya adalah pengelompokkan pelanggan berdasarkan tingkat kedisiplinan pelanggan. Dalam penelitian ini pelanggan terkelompok menjadi dua kelompok. Kelompok pertama adalah pelanggan yang memiliki tingkat kedisiplinan yang kurang. Maksudnya adalah pelanggan rata-rata memiliki jumlah pembayaran membayar tagihan listrik secara tepat waktu sebanyak 5 kali dari 12 kali yang mestinya dilakukan pelanggan. Ciri lain kelompok pertama ini adalah memiliki masa berlangganan selama 12,3 tahun (148 bulan) dan jumlah pembayaran rata-rata perbulan sebesar Rp hingga Rp Jumlah anggota kelompok yang memiliki tingkat disiplin cukup ini adalah pelanggan. Kelompok kedua adalah pelanggan yang memiliki jumlah pembayaran listrik antara Rp hingga Rp Jumlah pembayaran kelompok dua ini lebih banyak dibandingkan kelompok pertama, selain itu tingkat kedisiplinannya dalam membayar tagihan listrik secara tepat waktu baik yaitu pelanggan yang telah membayar tagihan listrik secara tepat waktu sebanyak 11 kali dari 12 kali yang mestinya dilakukan pelanggan. Jumlah pelanggan yang memiliki disiplin baik ini sangat banyak yaitu sekitar 80 persen atau persisnya berjumlah pelanggan. Ciri-ciri kelompok pelanggan rumah tangga yang dikelompokkan berdasarkan kedisiplinan membayar bisa dilihat pada Tabel 7 di bawah ini. Tabel 7. Karakter pelanggan rumah tangga berdasarkan kedisiplinan membayar Kelompok Jml Anggota Lama Berlangganan (Bulan) Jml Pembayaran (Ribu Rupiah) Kedisiplinan Membayar (Kali) Jumlah Pemakaian (Watt) s/d s/d s/d s/d 266 Percobaan selanjutnya adalah pengelompokkan berdasarkan jumlah pemakaian listrik. Ada tiga kelompok pelanggan yang terbentuk jika pelanggan rumah tangga dikelompokkan berdasarkan jumlah pemakaian listrik. Kelompok paling banyak adalah kelompok pertama yaitu ada pelanggan. Walau

54 39 jumlahnya sangat banyak namun konsumsi listrik pelanggan kelompok ini masih sedikit yaitu antara 112 watt hingga 160 watt. Kelompok pelanggan yang memiliki jumlah pemakaian listrik paling besar adalah kelompok kedua. Kelompok kedua ini memiliki jumlah konsumsi listrik rata-rata antara watt hingga watt. Namun kelompok kedua ini memiliki pelanggan yang sedikit yaitu 317 pelanggan saja. Untuk melihat lebih jelas karakter pelanggan rumah tangga berdasarkan jumlah pemakaian listrik ini bisa dilihat pada Tabel 8 berikut ini. Tabel 8. Karakter pelanggan rumah tangga berdasarkan jumlah pemakaian listrik Kelompok Jml Anggota Lama Berlangganan (Bulan) Jml Pembayaran (Ribu Rupiah) Kedisiplinan Membayar (Kali) Jumlah Pemakaian (Watt) s/d s/d s/d s/d s/d s/d 557 Pengelompokkan pelanggan berdasarkan kombinasi variabel AD, CD, dan ACD menghasilkan karakter pelanggan yang sama dengan pengelompokkan pelanggan berdasarkan jumlah pemakaian listrik. Untuk melihat lebih jelas hasil karakternya bisa dilihat pada Lampiran 3. Sementara itu, percobaan pengelompokkan pelanggan berdasarkan faktor lama berlangganan dan kedisiplinan membayar, pelanggan terbagi menjadi 3 kelompok. Ketiga kelompok memiliki kedisiplinan baik dalam membayar tagihan listrik yaitu kelima kelompok pelanggan telah membayar tagihan listrik secara tepat waktu sebanyak 10 kali dari 12 kali kewajiban yang harus dilakukan pelanggan. Jumlah pelanggan yang memiliki masa berlangganan cukup lama cukup sedikit yaitu pelanggan. Sementara, kelompok pelanggan baru berjumlah 5199 pelanggan dengan memiliki jumlah pembayaran listrik antara Rp hingga Rp Walau masa berlangganan listrik dengan PLN tergolong baru, namun jumlah pemakaian listrik per bulannya lebih besar dibandingkan dengan kelompok lainnya. Bila dilihat dari sisi jumlah pembayaran listrik dan jumlah pelanggan yang ada, kelompok ini memiliki potensi untuk dikembangkan dalam hubungan bisnis di masa-masa yang

55 40 akan datang. Untuk melihat karakter kelompok pelanggan yang dikelompokkan berdasarkan kombinasi variabel AC ini secara lengkap bisa dilihat pada Tabel 9 di bawah ini. Tabel 9. Karakter pelanggan rumah tangga berdasarkan lama berlangganan dan kedisiplinan membayar Kelompok Jml Anggota Lama Berlangganan (Bulan) Jml Pembayaran (Ribu Rupiah) Kedisiplinan Membayar (Kali) Jumlah Pemakaian (Watt) s/d s/d s/d s/d s/d s/d Karakter Pelanggan bisnis Pelanggan bisnis dilihat berdasarkan faktor lama berlangganan terdiri dari 3 kelompok. Kelompok pertama adalah kelompok pelanggan baru yang memiliki karakter masa berlangganan selama 3,9 tahun (47 bulan) dan jumlah pembayaran listrik rata-rata antara Rp hingga Rp Selain memiliki jumlah pembayaran listrik yang besar, kedisiplinan membayar tagihan listrik kelompok ini juga baik. Sebab dari 12 kali kewajibannya, pelanggan membayar tagihan listrik secara tepat waktu sebanyak 10 kali. Berdasarkan gambaran di atas, kelompok ini memiliki potensi yang bagus untuk dikembangkan dalam hubungan bisnis di masamasa yang akan datang. Lagi pula jumlah pelanggan baru untuk pelanggan golongan bisnis ini paling besar dibandingkan dengan kelompok lainnya yaitu pelanggan. Jumlah ini sangat berpotensi untuk dikembangkan dalam hubungan bisnis di masa yang akan datang. Sementara itu, kelompok kedua adalah kelompok pelanggan yang memiliki masa berlangganan listrik paling lama dibandingkan kelompok lainnya yaitu selama 25 tahun (153 bulan). Walau telah berlangganan lama, namun pemakaian listriknya tergolong kecil yaitu antara 370 watt hingga 524 watt. Jumlah yang kecil untuk ukuran keperluan bisnis. Jumlah pelanggan kelompok lama ini cuma sedikit yaitu sebanyak 320 pelanggan.

56 41 Kelompok ketiga adalah kelompok pelanggan dengan jumlah anggota paling banyak yaitu pelanggan. Pemakaian listrik kelompok ketiga ini tergolong besar yaitu antara 2058 watt hingga 2662 watt. Kondisi ini tentu saja cukup menguntungkan PLN, sebab sebagian besar pelanggan bisnis memiliki jumlah pembayaran yang besar. Karakter lengkap kelompok pelanggan pada percobaan ini bisa dilihat pada Tabel 10 di bawah ini. Tabel 10. Karakter pelanggan bisnis berdasarkan lama berlangganan Kelompok Jml Anggota Lama Berlangganan (Bulan) Jml Pembayaran (Ribu Rupiah) Kedisiplinan Membayar (Kali) Jml Pemakaian (Watt) s/d s/d s/d s/d s/ s/d 2662 Namun bila dilihat berdasarkan faktor kedisiplinan, pelanggan bisnis hanya memiliki 2 kelompok yaitu (1) kelompok yang berdisiplin baik dan (2) pelanggan berdisiplin cukup baik. Dalam penelitian ini kelompok pelanggan berdisiplin baik diartikan sebagai adalah kelompok pelanggan yang telah membayar tagihan listrik secara tepat waktu sebanyak 11 kali dari 12 kali yang mestinya dilakukan pelanggan. Jumlah pelanggan berdisiplin baik cukup besar yaitu pelanggan. Namun jumlah pelanggan yang memiliki kedisiplinan kurang dalam membayar tagihan listrik secara tepat waktu lumayan banyak sekitar 15 persen atau 877 pelanggan. Pelanggan kurang disiplin ini hanya 5 kali membayar tagihan listrik secara tepat waktu dari 12 kali yang mestinya dilakukan pelanggan. Tabel 11. Kakrakter pelanggan bisnis berdasarkan kedisiplinan membayar Kelompok Jml Anggota Lama Berlangganan (Bulan) Jml Pembayaran (Ribu Rupiah) Kedisiplinan Membayar (Kali) Jml Pemakaian (Watt) s/d s/d s/d s/d 1475 Berdasarkan faktor lama berlangganan dan kedisplinan membayar pelanggan bisnis terbagi dalam 3 kelompok. Pada penelitian ini, semua kelompok pelanggan

57 42 memiliki kedisiplinan membayar yang baik yaitu pelanggan telah membayar tagihan listrik secara tepat waktu sebanyak 10 kali dari 12 kali kewajibannya. Kelompok pelanggan baru memiliki jumlah pelanggan paling banyak yaitu sebanyak pelanggan dengan masa berlangganan selama 3,9 tahun (47 bulan). Sementara kelompok pelanggan lama memiliki anggota paling sedikit yaitu 320 pelanggan dengan masa berlangganan selama 25,4 tahun (305 bulan). Untuk melihat karakter pelanggan bisnis pada percobaan menggunakan kombinasi variabel AC ini bisa dilihat pada Tabel 12 di bawah ini. Tabel 12. Karakter pelanggan bisnis berdasarkan lama berlangganan dan kedisiplinan membayar Kelompok Jml Anggota Lama Berlangganan (Bulan) Jml Pembayaran (Ribu Rupiah) Kedisiplinan Membayar (Kali) Jml Pemakaian (Watt) s/d s/d s/d s/d s/d s/d 524 Pelanggan bisnis dilihat berdasarkan kombinasi variabel B, D, AB, AD, BC, BD, CD, ABC, ABD, ACD, BCD dan ABCD terbagi ke dalam 3 kelompok. Semuanya memiliki karakter dan komposisi pelanggan yang sama. Kelompok pelanggan pertama adalah kelompok pelanggan yang terdiri dari 3 pelanggan dengan jumlah pembayaran rata-rata antara Rp ribu hingga Rp Walau potensi pemakaian listriknya cukup besar, namun kedisplinan membayar tagihan listriknya kurang baik yaitu hanya membayar tagihan listrik sebanyak 5 kali secara tepat waktu dari 12 kali yang harusnya dilakukan. Kelompok pelanggan kedua adalah kelompok pelanggan yang memiliki jumlah anggota paling kecil yaitu 1 pelanggan. Namun pelanggan ini memiliki jumlah tagihan listrik paling besar dan tingkat disiplin sangat baik, yaitu memiliki jumlah tagihan listrik antara Rp hingga Rp dan telah membayar tagihan listrik secara tepat waktu sepanjang tahun. Berdasarkan perilaku di atas pelanggan ini memiliki potensi yang bagus baik dalam pemakaian listrik maupun kedisiplinannya membayar tagihan listrik secara tepat waktu.

58 43 Kelompok ketiga adalah kelompok pelanggan dengan jumlah pembayaran listrik antara Rp sampai dengan Rp Walau jumlah pembayarannya paling kecil dibandingkan kelompok lainnya, jumlah pelanggan kelompok ini sangat besar yaitu sebanyak 5625 pelanggan. Jumlah yang sangat potensial untuk dikembangkan. Lagi pula kelompok ketiga ini memiliki kedisiplinan yang baik yaitu pelanggan membayar tagihan listrik secara tepat waktu sebanyak 10 kali dari 12 kali kewajibannya. Untuk melihat karakter pelanggan lebih lengkap bisa dilihat pada Tabel 13 berikut ini. Tabel 13. Karakter pelanggan bisnis berdasarkan jumlah pembayaran Kelompok Jml Anggota Lama Berlangganan (Bulan) Jml Pembayaran (Ribu Rupiah) Kedisiplinan Membayar (Kali) Jml Pemakaian (Ribu Watt) s/d s/d s/d s/d s/d ,6 s/d 0,87 3. Karakter Pelanggan industri Pada percobaan pengelompokkan berdasarkan lama berlangganan, pelanggan industri dikelompokkan ke dalam 3 kelompok. Karakter kelompok pertama memiliki masa berlangganan selama 11,8 tahun (142 bulan). Pelanggan pertama ini terdiri dari 82 pelanggan dan jumlah pembayaran rata-rata per bulan antara Rp hingga Rp Kelompok kedua adalah kelompok pelanggan baru yaitu rata-rata baru berlangganan selama 3 tahun (36 bulan) dengan PLN. Kelompok kedua ini memiliki jumlah anggota sebanyak 132 pelanggan dengan jumlah pembayaran antara Rp sampai Rp Pelanggan baru pada data pelanggan industri memiliki potensi yang baik untuk dikembangkan dalam hubungan bisnis di masa mendatang. Sebab kelompok pelanggan baru ini memiliki jumlah pemakaian listrik yang besar yaitu antara watt hingga watt. Namun dalam hal pembayaran, kelompok pelanggan baru ini perlu mendapat perhatian ekstra. Sebab dari 12 kali kewajibannya, hanya 9 kali pelanggan membayar tagihan listrik secara tepat waktu.

59 44 Kelompok ketiga adalah kelompok pelanggan yang telah lama berlangganan listrik dengan PLN yaitu selama 22,5 tahun (270 bulan). Jumlah pelanggan lama hanya sedikit yaitu 57 pelanggan saja. Jumlah tagihan listriknya pun sedikit yaitu antara Rp hingga Rp Untuk melihat karakter lengkap kelompok pelanggan berdasarkan lama berlangganan ini, bisa dilihat pada Tabel 14 di bawah ini. Tabel 14. Karakter pelanggan industri berdasarkan lama berlangganan Kelompok Jml Anggota Lama Berlangganan (Bulan) Jml Pembayaran (Juta Rupiah) Kedisiplinan Membayar (Kali) Jml Pemakaian (Ribu Watt) s/d s/d s/d s/d s/ s/d 31 Dilihat dari faktor jumlah pembayaran, pelanggan industri terbagi menjadi 3 kelompok. Karakter pelanggan yang dikelompokkan berdasarkan jumlah pembayaran ini memiliki karakter yang sama dengan karakter kelompok pelanggan yang dikelompokkan berdasarkan kombinasi variabel AB, BC, BC, ABC, ABD, BCD dan ABCD. Karakter kelompok pertama memiliki jumlah pembayaran paling besar yaitu antara Rp hingga Rp Namun tingkat kedisiplinan kelompok pertama ini sangat kurang ini yaitu hanya membayar tagihan listrik secara tepat waktu sebanyak 5 kali dari 12 kali yang harus pelanggan lakukan. Sementara itu kelompok kedua memiliki anggota paling banyak yaitu 306 pelanggan. Namun kelompok ini memiliki tagihan listrik rata-rata paling kecil dibandingkan dengan kelompok lainnya yaitu antara Rp hingga Rp Tetapi tingkat disiplinannya membayar tagihan listrik baik yaitu membayar tagihan listrik secara tepat waktu sebanyak 10 kali dari 12 kali kewajibannya. Untuk melihat lebih jauh karakter pelanggan industri berdasarkan jumlah pembayaran listrik bisa dilihat di Tabel 15.

60 45 Tabel 15. Karakter pelanggan industri berdasarkan jumlah pembayaran Kelompok Jml Anggota Lama Berlangganan (Bulan) Jml Pembayaran (Juta Rupiah) Kedisiplinan Membayar (Kali) Jml Pemakaian (Ribu Watt) s/d s/d s/d s/d s/d s/d 32 Pelanggan industri dilihat berdasarkan kedisiplinan membayar tagihan listrik terbagi menjadi 2 kelompok yaitu (1) pelanggan disiplin dan (2) pelanggan kurang disiplin. Pelanggan disiplin pada percobaan ini adalah pelanggan yang telah membayar tagihan listrik secara tepat waktu sebanyak 11 kali dari 12 kali pembayaran yang seharusnya dilakukan pelanggan. Jumlah pelanggan disiplin ini adalah 282 pelanggan. Pelanggan disiplin ini telah berlangganan energi listrik dengan PLN selama 10,5 tahun (126 bulan) dan memiliki tagihan listrik rata-rata setiap bulan sebesar Rp hingga Rp Sementara itu, pelanggan kurang disiplin dalam percobaan ini adalah pelanggan yang telah membayar tagihan listrik secara tepat waktu sebanyak 3 kali dari 12 kali kewajibannya. Jumlah pelanggan kurang disiplin ini cukup banyak yaitu sekitar 16 persen atau 55 pelanggan. Untuk melihat lebih jelas karakter pelanggan industri berdasarkan kedisiplinan pelanggan bisa dilihat pada Tabel 16 di bawah ini. Tabel 16. Karakter pelanggan industri berdasarkan kedisiplinan membayar Kelompok Jml Anggota Lama Berlangganan (Bulan) Jml Pembayaran (Juta Rupiah) Kedisiplinan Membayar (Kali) Jml Pemakaian (Ribu Watt) s/d s/d s/d s/d 38 Pengelompokkan pelanggan industri berdasarkan kombinasi variabel D, AD, CD dan ACD terkelompok menjadi 4 pelanggan. Karakter pelanggan pada keempat kombinasi variabel di atas memiliki kesamaan karakter. Karakter-karakter kelompok pelanggan secara lengkap bisa dilihat pada Tabel 17 di bawah ini.

61 46 Tabel 17. Karakter pelanggan industri berdasarkan berdasarkan jumlah pemakaian listrik Kelompok Jml Anggota Lama Berlangganan (Bulan) Jml Pembayaran (Juta Rupiah) Kedisiplinan Membayar (Kali) Jml Pemakaian (Ribu Watt) s/d s/d s/d s/d s/d s/d s/d s/d 11 Sama dengan di atas, pelanggan industri dilihat dari faktor lama berlangganan dan kedisiplinan membayar terbagi ke dalam 3 kelompok. Semua kelompok pelanggan rata-rata memiliki kedisiplinan membayar tagihan listrik yang baik yaitu antara 9 sampai 10 kali membayar tagihan listrik secara tepat waktu dari 12 kali kewajiban yang harus pelanggan lakukan. Kelompok pelanggan baru terdiri dari 132 pelanggan yaitu telah berlangganan selama 3 tahun (36 bulan). Sementara kelompok lama terdiri dari 57 pelanggan dengan jumlah pembayaran antara Rp hingga Rp Untuk melihat lebih jelas karakter-karakternya bisa dilihat pada Tabel 18 di bawah ini. Tabel 18. Karakter pelanggan industri berdasarkan lama berlangganan dan kedisiplinan membayar Kelompok Jml Anggota Lama Berlangganan (Bulan) Jml Pembayaran (Juta Rupiah) Kedisiplinan Membayar (Kali) Jml Pemakaian (Ribu Watt) s/d s/d s/d s/d s/d s/d Implementasi CRM di PLN Dalam mengembangkan CRM, ada tiga pilar penting yang harus dibangun manajemen PT PLN yaitu (1) orang, (2) proses dan prosedur dan (3) teknologi. 1. Pilar orang. Pilar orang meliputi sudut pandang karyawan PT PLN dalam memberikan pelayanan prima kepada konsumen. Pola pikir karyawan terhadap visi pelayanan PLN seperti menjadikan pelanggan sebagai mitra sejajar dan

62 47 menjamin kepuasan pelanggan harus benar-benar ditanamkan kepada semua karyawan dalam mengembangkan CRM. Setelah memberikan pemahaman yang cukup tentang pelayanan yang prima terhadap pelanggan, langkah berikutnya yang harus diberikan kepada SDM milik PT PLN adalah memberikan pengetahuan dan keterampilan lewat berbagai pelatihan. 2. Pilar proses dan prosedur. Perusahaan harus mendefinisikan target pelanggan yang lebih jelas dan prosedur pelayanan yang rinci dan detail tentang pelayanan terhadap pelanggan. Sistem segmentasi yang dibangun dalam penelitian ini bisa dijadikan sebagai proses alternatif dalam mendefinisikan target pelanggan yang lebih jelas. 3. Pilar teknologi. Ada beberapa model yang bisa dikembangkan dalam membangun CRM diantaranya CRM komunikasi, CRM operasional dan CRM analisis. Orang CRM Teknologi Proses Gambar 13. Pilar CRM Beberapa aktivitas yang dilakukan dalam konsep membangun CRM antara lain : 1. Membangun basisdata pelanggan yang kuat Basisdata yang kuat merupakan modal utama dalam membangun CRM. Manajemen PT PLN harus membangun sistem basisdata yang terintegrasi. Basisdata unit pelayanan dan unit distribusi serta unit teknis milik PLN yang terpisah selama ini harus diintegrasikan ke dalam sistem basisdata CRM. Hal ini dimaksudkan untuk menjamin kehandalan dan kelengkapan data yang dimiliki

63 48 CRM. Selain data pribadi pelanggan, basisdata yang dibangun harus berisi informasi tentang perilaku pelanggan dalam menggunakan energi listrik. Hal ini dimaksudkan agar data-data yang dikumpulkan dalam basisdata bermanfaat dalam menggambarkan secara akurat karakter pelanggan. Data-data dasar yang perlu dikumpulkan manajemen PT PLN dalam basisdata untuk menggambarkan karakter pelanggan secara lebih lengkap antara lain : a. Lama berlangganan b. Jumlah pembayaran listrik per bulan c. Kedisiplinan membayar d. Jumlah pemakaian listrik per bulan e. Jumlah watt dari alat listrik yang dimiliki pelanggan f. Keuntungan per pelanggan g. Keluhan pelanggan h. Jumlah gangguan listrik pada jaringan pelanggan per bulan i. Jumlah penghuni j. Penghasilan pelanggan k. Jenis layanan produk dan jasa yang diperlukan pelanggan Sistem Interaksi Pelanggan Pelanggan Momentum Interaksi - Pendaftaran pelanggan - Penambahan daya - Laporan keluhan - Laporan gangguan - Pembayaran listrik pelanggan - Mengunjungi website PLN - Mengirim - dll Gambar 14. Momentum interaksi pelanggan dengan sistem CRM Semakin banyak data yang dimiliki manajemen tentang pelanggannya akan semakin baik bagi perusahaan dalam mengenali pelanggan. Saluran yang bisa dimanfaatkan manajemen PT PLN untuk mengumpulkan data antara lain

64 49 , website, tele-marketiing, unit pelayanan pelanggan (customer service), unit pengaduan gangguan, dan tenaga pemasaran lapangan. Saluran layanan Sarana layanan Produk dan layanan website Customer service Mailing list Layanan informasi data Pelayanan data pelanggan Pendaftaran pelanggan Program penambahan daya Telemarketing Unit pengaduan gangguan Tenaga lapangan Promosi/penawaran Call center 123/ Meja pengaduan Pelayanan lapangan Informasi jalur pemadaman Layanan dan produk lain Gambar 15. Saluran pengumpulan informasi dan sarana layanan 1. Membuat profil setiap pelanggan Membangun profil pelanggan bisa dilakukan berdasarkan data pribadi pelanggan. Lebih jauh lagi, profil pelanggan bisa dibangun berdasarkan gabungan karakter pelanggan satu per satu berdasarkan informasi yang dikumpulkan lewat basisdata dan hasil analisis segmentasi. Profil pelanggan ini harus menggambarkan keperluan, keinginan, perhatian dan harapan pelanggan terhadap produk dan jasa layanan yang diberikan PLN selama ini. 2. Membuat analisis terhadap pelanggan Secara umum ada beberapa analisis yang bisa dilakukan manajemen PT PLN untuk menggambarkan pelanggannya diantaranya analisis nilai pelanggan, analisis perilaku pelanggan menggunakan energi listrik, analisis kepuasan pelanggan dan analisis lain yang dianggap relevan. Analisis pelanggan yang dilakukan dalam penelitian ini adalah analisis segmentasi pelanggan berdasarkan perilakunya dalam menggunakan energi listrik.

65 50 3. Membangun interaksi yang lebih terarah Dengan profil lengkap dan hasil analisa terhadap perilaku pelanggan, manajemen PLN lebih mudah memberikan pelayanan dan tawaran produk terhadap pelanggan sesuai keperluannya. Komunikasi terhadap pelanggan juga lebih mudah karena manajemen mengetahui karakter masing-masing pelanggan sehingga hubungan emosional antara perusahan dengan pelanggan bisa terjalin lebih erat lagi. Hasil penelitian segmentasi pelanggan berdasarkan perilakunya dalam menggunakan energi listrik bisa dijadikan referensi bagi manajemen PT PLN sebagai informasi dalam membangun hubungan dan pelayanan kepada pelanggan. Berikut ini uraian dan beberapa contoh program yang bisa diberikan manajemen PT PLN sehubungan dengan hasil penelitian karakter perilaku pelanggan dalam menggunakan energi listrik : a. Pelanggan Rumah Tangga Beberapa layanan produk yang bisa dilakukan manajemen PT PLN berkaitan dengan karakter pelanggan rumah tangga antara lain : 1. Segmen pelanggan berdasarkan lama berlangganan Secara teknis instalasi listrik pelanggan yang telah berumur 10 tahun lebih harus dilakukan pemeriksaan untuk mengetahui kelayakan instalasi miliknya. Sementara itu, sebagian besar pelanggan rumah tangga di Area Pelayanan Cengkareng sudah berlangganan dengan PT PLN lebih dari 10 tahun. Yaitu pelanggan telah berlangganan selama 13,75 tahun dan pelanggan telah berlangganan selama 24,17 tahun. Dengan kenyataan ini, manajemen bisa memberikan layanan pemeriksaan kepada instlasi pelanggan rumah tangga yang telah berumur 10 tahun lebih tersebut, khususnya kepada pelanggan yang telah berlangganan selama 24 tahun. Paling tidak, manajemen bisa memberi peringatan secara dini kepada pelanggan untuk memeriksa instalasinya masing-masing. Sehingga kejadian arus pendek penyebab kebakaran bisa dicegah. Sebab berdasarkan hasil penelitian PT PLN Area Pelayanan Cengkareng tahun 2006 lalu, baru 55,73 persen pelanggan yang sadar akan bahaya kelistrikan.

66 51 2. Segmen pelanggan berdasarkan jumlah pembayaran Bila dilihat berdasarkan jumlah pembayaran, sebagian besar pelanggan rumah tangga memiliki jumlah tagihan listrik yang kecil. Hanya ada 8 persen (137 pelanggan) yang memiliki tagihan listrik yang cukup besar yaitu antara Rp hingga Rp Hal ini sesuai dengan kondisi perekonomian masyarakat di Area Pelayanan Cengkareng yang sebagian besar berada pada tingkat menengah ke bawah. Namun demikian, sebagian besar pelanggan rumah tangga memiliki kedisiplinan membayar yang baik. Kedisiplinan tersebut tidak tergantung pada lama tidaknya pelanggan berlangganan listrik dengan PLN. Sebab pelanggan rumah tangga merupakan pelanggan terbesar di PLN Area Pelayanan Cengakareng. Kedisiplinan pelanggan ini tentu saja membantu cash flow keuangan perusahaan. Dengan kedisiplinan pelanggan dalam membayar tagihan listrik yang baik tersebut, perusahaan harus menjaga pasokan energi listrik secara ketat kepada pelanggan rumah tangga di Area Pelayanan Cengkareng dalam rangka memberikan kepuasan pelanggan. 3. Segmen pelanggan berdasarkan kedisiplinan membayar Dilihat dari sisi kedisiplinan sekitar 17 persen dari pelanggan rumah tangga di Area Pelayanan Cengkareng kurang memiliki kedisiplinan dalam membayar tagihan listrik secara tepat waktu. Hal ini tentu saja perlu mendapat perhatian serius bagi perusahaan. Sebab jumlah pelanggan rumah tangga dalam struktur pelanggan PLN Area Pelayanan Cengkareng merupakan pelangga paling banyak dibandingkan dengan pelanggan bisnis dan industri. Sehingga kedisiplinan pelanggan rumah tangga dalam membayar tagihan listrik secara tepat waktu sangat mempengaruhi likuiditas keuangan perusahaan. Walau banyak faktor yang menjadi penyebab pelanggan kurang disiplin dalam membayar tagihan listrik, manajemen bisa lebih mengupayakan pelayanan dalam hal akses pembayaran listrik. Sudah banyak bank yang telah mau bekerja sama dalam hal pembayaran dengan PLN diantaranya Bank BRI, Bank Lippo, Bank Ekonomi, Bank Buana, Bank Haga, Bank Hagakita, Bank Bumiputera,

67 52 Bank BCA, Bank Victoria, Bank Panin, Bank Bukopin, Bank BTN dan Bank Tokyo Mitsubishi. Manajemen bisa lebih menyosialisasikan tempat pembayaran on line di perbankan ini sebagai tempat pembayaran alternatif bagi pelanggan. Selain bisa menekan keterlambatan, kemudahan pembayaran lewat perbankan juga memberi kenyamanan kepada pelanggan dalam membayar tagihan listrik. Sebab pembayaran on line lewat perbankan tidak mengenal antrian seperti halnya pembayaran tagihan lewat loket konvensional milik PLN. Untuk pelanggan rumah tangga yang memiliki kedisiplinan baik, manajemen harus memberikan perhatian serius dalam hubungannya dengan pelanggan. Perhatian ini bisa dilakukan lewat pelayanan di tempat pembayaran, pembacaan meter hingga penambahan daya listrik. Dalam hal penambahan daya listrik, manajemen bisa memberikan prioritas lebih kepada pelanggan yang disiplin baik ini. Sebab pelanggan berdisiplin baik ini telah membuktikan dirinya telah membayar tagihan tepat waktu selama ini. 4. Segmen pelanggan berdasarkan jumlah pemakaian listrik Jumlah pemakaian listrik pelanggan rumah tangga sebagian besar berada pada kelompok kecil. Hanya sekitar 8 persen yang memiliki pemakaian listrik besar dibandingkan kelompok lain pada pelanggan rumah tangga. Namun demikian, secara rata-rata kesetiaan pelanggan dalam membayar tagihan listrik secara tepat waktu cukup baik. Kesetiaan inilah yang harus dijaga manajemen lewat berbagai pendekatan hubungan dengan pelanggan. Sebab target pemakaian listrik dalam jumlah besar memang tidak dibebankan pada pelanggan rumah tangga. Sebab pemakaian listrik untuk kalangan rumah tangga hanya terbatas untuk keperluan pribadi pelanggan di rumah. Bukan untuk keperluan mesin besar atau untuk menyalakan penerangan dalam jumlah banyak seperti yang dilakukan pelanggan bisnis.

68 53 b. Pelanggan Bisnis 1. Segmen pelanggan berdasarkan lama berlangganan Sebagian besar pelanggan bisnis di Area Pelayanan Cengkareng adalah pelanggan baru. Jumlahnya sekitar pelanggan. Mereka baru berlangganan listrik dengan PLN sekitar 3,9 tahun. Data ini menunjukan bahwa pertumbuhan pelanggan bisnis dalam kurun waktu 4 tahun belakangan di Area Pelayanan Cengkareng cukup besar. Manajemen PT PLN harus memberikan perhatian serius kepada pelanggan bisnis. Khususnya dalam pasokan energi listrik secara berkesinambungan. Sebab jaminan pasokan energi listrik secara kontinyu tanpa adanya gangguan akan sangat membantu pelanggan dalam menjalankan bisnisnya. Dengan adanya pasokan energi listrik yang lancar diharapkan pertambahan pelanggan golongan bisnis di daerah ini akan terus meningkat di masa yang akan datang seiring dengan membaiknya kondisi perekonomian. Walau jumlah pelanggan bisnis yang berlangganan di atas 10 tahun di area ini sekitar 24 persen, namun PLN harus terus memberikan peringatan dini terhadap pelanggan untuk memperhatikan instalasi listriknya. Manajemen juga bisa memikirkan pemberian pelayanan perbaikan instalasi kepada pelanggan yang telah berumur di atas 10 tahun. Pelayanan bisa dilakukan secara gratis ataupun berbayar sesuai dengan kebijaksanaan manajemen. 2. Segmen pelanggan berdasarkan jumlah pembayaran Berdasarkan jumlah pembayaran listrik per bulan, sekitar 99 persen pelanggan bisnis di Area Pelayanan Cengkareng adalah pelanggan yang memiliki jumlah pembayaran yang kecil dibandingkan kelompok lainnya. Jumlah pembayarannya rata-rata antara Rp sampai dengan Rp Walau jumlah pembayarannya kecil, manajemen harus memperhatikan pelanggan kelompok ini. Sebab pelanggan kelompok ini menguasai sebagian besar komposisi pelanggan bisnis. Hal ini tentu saja sangat mempengaruhi likuiditas keuangan di PLN Area Pelayanan Cengkareng. Lagi pula kedisiplinan membayar

69 54 mereka cukup baik yaitu 10 kali membayar tagihan listrik secara tepat waktu dari 12 kali kewajibannya. Ada sebuah kelompok yang cukup menarik dari segmentasi pelanggan berdasarkan jumlah pembayaran dan pemakaian listrik ini. Yaitu seorang pelanggan yang memiliki jumlah pemakaian dan pembayaran listrik yang sangat besar. Dalam sebulan, pelanggan memiliki tagihan listrik antara Rp hingga Rp Kedisiplinan membayar tagihan listriknya pun sangat baik yaitu selalu membayar tagihan listrik secara tepat waktu sepanjang tahun. Manajemen harus menjamin kelangsungan pasokan energi listrik pelanggan berpotensi besar ini. Selain itu manajemen bisa memberikan tawaran tarif multiguna yang lebih fleksibel dan seusai dengan pemakaian listrik dalam jumlah besar. Saat momentum ulang tahun PLN, pelanggan ini bisa menjadi prioritas untuk diberi penghargaan sebagai pelanggan potensial yang sangat disiplin. Sehingga semangat pelanggan sebagai mitra dalam visi pelayanan PLN benarbenar bisa tercermin dalam program ini. 3. Segmen pelanggan berdasarkan kedisiplinan membayar Dari sisi kedisiplinan membayar tagihan listrik sekitar sekitar 15 persen pelanggan bisnis memiliki kedisiplinan yang kurang baik. Yaitu hanya 5 kali membayar tagihan listrik secara tepat waktu dari 12 kali kewajibannya. Kondisi ini tentu saja buruk bagi keuangan perusahaan. Untuk memaksimalkan kedisiplinan perusahaan, manajemen harus menggencarkan sosialisasi pembayaran lewat on line di perbankan. Pembayaran pelanggan bisnis lewat perbankan tentu saja sangat memudahkan pelanggan bisnis. Selain mudah dilakukan, pelanggan golongan bisnis tentu saja sudah tidak asing berhubungan dengan perbankan. Sementara itu, sekitar 84 persen pelanggan bisnis di Area Pelayanan Cengkareng memiliki kedisiplinan membayar yang baik yaitu 11 kali membayar tagihan listrik secara tepat waktu dari 12 kali kewajibannya. Pelanggan kelompok ini merupakan mitra yang sangat strategis bagi PLN dalam menjalankan bisnisnya. Hubungan dengan pelanggan kelompok ini bisa terus

70 55 ditingkatkan lewat berbagai program hubungan pelanggan yang ada di PLN. Misalnya PLN memberikan prioritas utama kepada pelanggan disiplin baik ini saat ada permintaan penambahan daya listrik di tempat usaha pelanggan. c. Pelanggan Industri 1. Segmen pelanggan berdasarkan lama berlangganan Walau jumlah pelanggan industri di Area Pelayanan Cengkareng hanya 337 pelanggan, namun sekitar 39 persen pelanggannya adalah kelompok pelanggan baru. Mereka baru berlangganan dengan PLN sekitar 3 tahun. Namun jumlah pemakaian listriknya lebih besar dibanding kelompok lainnya yaitu sekitar 43 juta watt hingga 59 juta watt per bulan. Data ini menunjukan bahwa pelanggan baru dari golongan industri adalah pelanggan dengan pemakaian listrik yang besar. Hubungan dengan pelanggan baru harus lebih ditingkatkan oleh manajemen. Tentu saja perhatian terhadap pelanggan lama juga mendapat prioritas yang sangat penting, sebab jumlahnya besar yaitu sekitar 61 persen. Perlu diketahui bahwa sebagian besar pelanggan lama adalah pelanggan yang telah berlangganan lebih dari 10 tahun. Walau kalangan industri umumnya memiliki teknisi listrik sendiri, manajemen tetap harus memperhatikan kelayakan instalasi listrik di perusahaan pelanggan. Permintaan bantuan perbaikan dari pelanggan industri perlu mendapat prioritas dari PLN. Sebab pelanggan industri adalah pelanggan pemakai listrik besar dan memiliki kerangka pembayaran yang jauh lebih tinggi dari pelanggan rumah tangga dan bisnis. 2. Segmen pelanggan berdasarkan jumlah pembayaran Seperti telah disinggung di atas, pelanggan industri adalah pemakai listrik besar dibandingkan dua golongan pelanggan lainnya yaitu pelanggan rumah tangga dan bisnis. Segmentasi pelanggan berdasarkan jumlah pembayaran listrik, ada 10 pelanggan yang memiliki jumlah pembayaran listrik paling besar yaitu antara Rp 363 juta sampai dengan Rp 542 juta per bulan. Namun kedisiplinan membayar pelanggan industri kelompok ini kurang baik yaitu hanya 5 kali

71 56 membayar tepat waktu dari 12 kali kewajibannya. Manajemen harus memberi perhatian serius soal kedisiplinan terhadap pelanggan ini. Layanan pembayaran on line lewat perbankan merupakan hal wajib yang harus dilakukan terhadap pelanggan industri. Sebab pelanggan industri merupakan pelanggan dengan jumlah pembayaran yang tidak sedikit. 3. Segmen pelanggan berdasarkan kedisiplinan membayar Sekitar 16 persen pelanggan industri memiliki kedisiplinan membayar tagihan listrik yang kurang baik. Dalam setahun mereka hanya membayar tagihan listrik secara tepat waktu sebanyak 3 kali. Hal ini tentu saja buruk bagi perusahaan. Seperti telah disinggung di atas, layanan pembayaran on line lewat perbankan merupakan hal wajib yang harus dilakukan terhadap pelanggan industri. Sebab pelanggan industri merupakan pelanggan dengan jumlah pemakaian listrik yang besar. Lagi pula jumlah pemakaian listrik kelompok pelanggan kurang disiplin ini lebih besar dari pelanggan yang disiplin yaitu antara 70 ribu watt sampai dengan 137 ribu watt. Untuk pelanggan yang memiliki disiplin yang baik, PLN harus terus meningkatkan hubungannya dengan pelanggan. Umpamanya memberikan prioritas utama kepada pelanggan disiplin baik saat pelanggan industri meminta penambahan daya listrik di perusahaannya. 4. Segmen pelanggan berdasarkan jumlah pemakaian listrik Ada 6 pelanggan yang memiliki jumlah pemakaian listrik besar untuk pelanggan pelanggan industri. Tetapi pelanggan dengan pemakaian listrik besar tersebut memiliki masalah dalam kedisiplinan membayar tagihan listrik. Mereka hanya membayar tagihan listrik secara tepat waktu rata-rata 4 kali dari 12 kali yang harusnya dilakukan. Sehingga manajemen harus memecahkan masalah ini dengan lebih serius. Namun demikian, pelanggan dengan pemakaian listrik besar ini merupakan reperensi bagi PLN saat terjadi krisis energi listrik. Maksudnya, saat

72 57 terjadi krisis energi listrik manajemen PLN bisa meminta perusahaan yang memakai energi listrik besar ini untuk mengurangi pemakaiannya. Permohonan kepada pelanggan industri dengan pemakaian listrik dalam jumlah besar untuk mengurangi pemakaiannya tersebut tentu saja harus dibarengi dengan program pemberian insentif. Pemberian insentif tersebut merupakan bentuk kompensasi dari PLN atas kesediaan pelanggan industri mengurangi pemakaian listriknya sesuai kesepakatan yang telah dibuat sebelumnya dengan PLN. Pengurangan pemakaian listrik di kalangan industri dimaksudkan untuk menjaga suplai energi listrik kepada pelanggan lain khususnya kepada pelanggan rumah tangga dan bisnis. Sebab pelanggan rumah tangga dan bisnis merupakan pelanggan terbesar dalam komposisi pelanggan di PLN. Sehingga kelangsungan pasokan energi listrik terhadap mereka perlu dijaga kesinambungannya. Hal ini merupakan bentuk tanggungjawab PLN dalam upaya memberikan pelayanan yang prima kepada pelanggan. Pelanggan Komunikasi CRM : - - customer service - website - telemarketing - tenaga lapangan - unit pengaduan Operasional CRM : - marketing - customer service - program layanan Basisdata Analisis CRM : - segmentasi perilaku - analisa profit pelanggan - analisa kepuasan - dll Layanan dan produk Gambar 16. Hubungan aktivitas sistem CRM PLN Sehubungan dengan penjelasan di atas ada beberapa aktivitas umum yang harus ditangani CRM PT PLN antara lain : 1. Campaign management Banyak fitur yang bisa dikembangkan sehubungan dengan aktivitas campaign management ini diantaranya melakukan kampanye tentang produk-produk

73 58 layanan PT PLN, kampanye hemat energi listrik dan promosi lainnya sesuai dengan agenda yang tengah dijalan manajemen PT PLN. 2. Pengelolaan profil pelanggan Inti dari aktivitas profil pelanggan adalah melakukan pengelolaan profil pelanggan secara terpusat terhap semua pelanggan baik dalam satu cabang ataupun antarcabang. Di dalam aktivitas ini akan dilakukan identifikasi secara detail terhadap pelanggan 3. Program-program layanan Program layanan merupakan program yang diberikan PT PLN dalam rangka memberikan layanan yang prima kepada pelanggan. Fitur yang bisa dikembangkan dalam aktivitas program layanan ini antara lain pendaftaran pelanggan otomatis, pelayanan call center 123, layanan keluhan lewat sarana on line, informasi gangguan listrik, informasi tagihan listrik pelanggan dan layanan lainnya yang dianggap perlu. 4. Pelaporan terkait pengelolaan manajemen Fitur yang dikembangkan dalam aktivitas ini berupa tool pelaporan harian pada setiap level manajemen dan tool analisa segmentasi perilaku pelanggan dalam menggunakan energi listrik serta tool lain yang dianggap perlu. Tool analisa yang telah dikembangkan dalam penelitian ini adalah segmentasi pelanggan berdasarkan perilakunya dalam menggunakan energi listrik. Tool lain yang bisa dikembangkan untuk melengkapi sistem analisa pelaporan antara lain analisa profit pelanggan, analisa kepuasan pelanggan dan analisa lainnya yang dianggap relevan. 5. Menjamin integritas dan sinkronisasi data Fitur yang dikembangkan dalam aktivitas ini harus mengintegrasikan data ke dalam sebuah sistem basisdata CRM yang handal. Aktivitas yang dilakukan bisa berupa pembersihan data profil pelanggan yang dianggap tidak perlu, menghubungkan profil pelanggan, up date data pelanggan, menduplikasi profil pelanggan dan mendistribusikan data-data yang sudah bersih ke semua cabang PLN yang terhubung.

74 59 Profil pelanggan Program layanan Campaign managmenet Pelaporan CRM Aplikasi Operasional Sinkronisasi Data Gambar 17. Arsitektur Sistem Pelayanan CRM PLN

75 V. SIMPULAN DAN SARAN 5.1. Simpulan Berdasarkan penelitian yang telah dilakukan bisa disimpulkan beberapa hal yaitu : 1. Pelanggan rumah tangga dan pelanggan bisnis lebih akurat bila dikelompokkan ke dalam 3 klaster di bandingkan 4 klaster atau 5 klaster. Sementara pada pelanggan industri ada dua hasil klaster, yaitu 3 klaster dan 4 klaster. Pengelompokan berdasarkan kombinasi variabel A, B, AB, BC, BD, ABC, ABD, BCD dan ABCD, pelanggan industri lebih akurat jika dikelompokkan ke dalam 3 klaster. Sementara pengelompokan pelanggan berdasarkan kombinasi variabel D, AD, CD dan ACD, pelanggan industri lebih akurat jika dikelompokkan ke dalam 4 klaster. 2. Nilai parameter fuzzy yang direkomendasikan untuk melakukan segmentasi terhadap data pelanggan rumah tangga, bisnis dan industri adalah 1,5. 3. Nilai error dan iterasi maksimal yang direkomendasikan untuk melakukan segmentasi terhadap pelanggan rumah tangga, bisnis dan industri adalah 0,00001 dan Variabel lama berlangganan, jumlah pembayaran listrik, kedisiplinan membayar tagihan listrik dan jumlah pemakaian listrik cukup bisa dijadikan sebagai variabel untuk menggambarkan karakter kelompok pelanggan dalam menggunakan listrik. 5. Analisis karakterisasi segmen pelanggan bisa diterapkan sebagai salah satu bagian analisis dalam sistem pelayaan CRM PLN Saran 1. Sistem yang dikembangkan dalam penelitian ini masih menggunakan perangkat lunak berbeda pada beberapa bagiannya seperti Matlab versi dan Microsoft Office Excel. Untuk pemanfaatan dalam aplikasi nyata, sistem perlu dikembangkan secara terintegrasi dalam sebuah perangkat lunak. 2. Sistem segmentasi pelanggan yang dikembangkan dalam penelitian ini merupakan bagian dari CRM. Untuk penelitian lebih lanjut perlu dilakukan

76 61 riset bagian CRM yang lain seperti analisa kepuasan pelanggan, analisis profit pelanggan pelanggan dan lainnya. 3. Dalam penelitian ini digunakan data historis pelanggan selama satu tahun. Untuk melihat karakter pelanggan yang lebih akurat perlu dilakukan penelitian menggunakan data pelanggan beberapa tahun. 4. Dalam penelitian ini baru digunakan 4 variabel untuk menggambarkan karakter pelanggan. Diperlukan variabel-variabel lain seperti jumlah watt dari alat listrik yang dimiliki pelanggan, jumlah keuntungan per pelanggan, jumlah keluhan pelanggan, jumlah gangguan listrik pada jaringan pelanggan per bulan, jumlah penghuni di tempat pelanggan dan penghasilan pelanggan.

77 DAFTAR PUSTAKA Amir M Taufiq Dinamika Pemasaran : Jelajahi dan Rasakan. Jakarta. PT RajaGrafindo Persada. Away Gunadi Abdia Matlab Programming. Bandung. Informatika Bandung. Assael h Consumer Behaviour and Marketing Action 4th edition. Boston. Kent. Budiardjo Eko K Analisis Fitur Sistem Informasi Loyalty Program Sebagai Bagian dari CRM Perhotelan. Bandung. Prosiding Konferensi Nasional Sistem Informasi Cox Earl Fuzzy Modelling and Genetic Algorithms for Data Mining and Exploration. San Fransisco. Morgan Kaufmann Publisers. Cunningham Michael J Customer Relationship Management. United Kingdom. Capstone Publishing. Danardatu Aloysius Heru Pengenalan Customer Relationship Managemen (CRM). Ilmu Komputer.com. [16 Juni 2007]. Daulay, Aisyah Marlian Segmentasi Pasar Produk Mie Cepat Saji Menggunakan Fuzzy C-Mean. IPB Bogor. [Skripsi] Halkidi Maria dan Vagirgiannis Michalis An Introduction to Quality Assessment in Data Mining. Athens. Departement. of Informatics Athens University of Economics & Business. Han Jiawei dan Kamber Micheline Data Mining : Concepts and Techniques. San Francisco. Morgan Kaufmann Publisher. Handoko Priyo dan Marliyana Herlin Penerapan Strategi Bisnis Modern Pada Lembaga Bisnis Publik. Suatu Studi Terhadap Kemungkinan Penerapan CRM Pada BUMN yang sedang Melaksanakan Proses Reformasinya[Skripsi]. Malang. Universitas Brawijaya. Hansalman Duanne dan Littefield Bruce Mastering Matlab 6. A Comprehensive Tutorial and Reference. New Jersey. Prentice Hall. Ho Tsuen-Ho An Aplication of Fuzzy Clustering of Fuzzy Clustering in Group-Positioning Analysis. Departement of Business Administration I- Show. Irfani Ahmad Perancangan Prototipe Sistem Temu Kembali Informasi Menggunakan Algoritma Fuzzy Clustering. IPB Bogor. [Tesis].

78 Jang Jyh-Shing Roger, Sun Chuen-Tsai, Mizutani Eiji Neuro-Fuzzy and Soft Computing. A Computional Approach to Learning and Machine Intelligence. USA.. Prentice-Hall International Inc. Jiang Hong Generalized Fuzzy Clustering Model with Fuzzy C-Means. Columbia. Computer Science and Engineering, University of South Carolina. Kenesei Tamas et al A Matlab Toolbox and Its Web-based Variant for Fuzzy Cluster Analysis. Budapest. International Symposium Hungarian Researches on Computional Intelligent. Kertajaya Hermawan Boosting Loyalty Marketing Performance Menggunakan Teknik Penjualan, Customer Relationship Management dan Servis untuk Mendongkrak Laba. Jakarta. Mark Plus Inc. Kotler Philip dan Armstrong Gary Prinsip-prinsip Pemasaran. Jakarta. Erlangga. Kusumadewi Sri Analisis & Desain Sistem Fuzzy Menggunakan Tool Box Matlab. Yogyakarta. Graha Ilmu. Kusumadewi Sri Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta. Graha Ilmu. Maulana Agus Perilaku Konsumen di Masa Krisis: Implikasinya Terhadap Strategi Pemasaran. Usahawan No. 01 tahun ke-28. Pedrycz Witold Knowledge-Based Clustering. From Data to Information Granules. Canada. A John Wiley & Sons, Inc. Rangkuti Freddy Measuring Customer Satisfaction. Teknik Mengukur dan Meningkatkan Kepuasan Pelanggan plus Analisis Kasus PLN-JP. Jakarta. PT Gramedia Pustaka Utama. Santosa Budi Data Mining : Teknik Pemanfaatan Data Untuk Keperluan Bisnis. Yogyakarta. Graha Ilmu. Sahid Panduan Praktis Matlab. Yogyakarta. Penerbit Andi. Simha Jay B dan Iyengar SS Customer Value Analysis with Fuzzy Data Mining. USA. Department of Computer Science, Louisiana state university Baton Rouge, LS. Sommerville I Software Engineering. Ed. 6. Wokingham: Addison Wesley. Sugiharto Aris Pemrograman GUI dengan Matlab. Yogyakarta. Penerbit Andi.

79 Tourniare Francoise Just Enough CRM. USA. Prentice Hall PTR. Tsangarides Charalambos dan Qureshi Mahvash Saeed What is Fuzzy About Clustering in West Africa?. IMF Working Paper African Department. Zumstein Darius Customer Performance Measurement : Analysis of the Benefit of a Fuzzy Classification Approach in Customer Relationship Management. Department of Informatics University of Fribourg Switzerland.

80 Lampiran 1. Hasil uji validasi hasil pengelompokkan pada data pelanggan rumah tangga, bisnis dan industri. Tabel 1. Validasi hasil pengelompokan pada variabel A menggunakan jumlah cluster 3 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 6,09E-02 6,09E-02 1,04E-01 1,04E-01 6,36E-02 6,36E ,83E-02 6,83E-02 1,43E-01 1,43E-01 6,53E-02 6,53E ,98E-01 1,98E-01 9,23E-01 9,23E-01 1,72E-01 1,72E ,02E-01 6,02E-01 2,19E+00 2,19E+00 6,87E-01 6,87E ,87E+00 1,87E+00 4,15E+00 4,15E+00 2,06E+00 2,06E ,30E+00 3,30E+00 7,01E+00 7,01E+00 4,03E+00 4,03E ,40E+00 5,40E+00 1,08E+01 1,08E+01 7,00E+00 7,00E ,20E+00 8,20E+00 1,56E+01 1,56E+01 1,10E+01 1,10E ,16E+01 1,16E+01 2,12E+01 2,12E+01 1,51E+01 1,51E ,50E+01 1,50E+01 2,74E+01 2,74E+01 1,64E+01 1,64E+01 Tabel 2. Validasi hasil pengelompokan pada variabel A menggunakan jumlah cluster 4 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 2,89E-01 2,89E-01 3,16E-01 3,16E-01 1,10E-01 1,10E ,22E-01 1,22E-01 3,58E-01 3,58E-01 1,28E-01 1,28E ,95E-01 6,95E-01 7,55E-01 7,55E-01 3,74E-01 3,74E ,53E+00 1,53E+00 1,67E+00 1,67E+00 1,16E+00 1,16E ,88E+00 3,88E+00 3,50E+00 3,50E+00 2,68E+00 2,68E ,59E+00 5,59E+00 8,17E+00 8,17E+00 5,07E+00 5,07E ,75E+01 3,75E+01 1,65E+01 1,65E+01 1,05E+01 1,05E ,68E+01 5,68E+01 2,86E+01 2,86E+01 1,09E+01 1,09E ,71E+01 8,71E+01 4,40E+01 4,40E+01 3,10E+01 3,10E ,71E+01 1,71E+01 8,99E+01 8,99E+01 2,52E+01 2,52E+01 Tabel 3. Validasi hasil pengelompokan pada variabel A menggunakan jumlah cluster 5 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 3,40E-01 3,40E-01 2,57E-01 2,57E-01 1,77E-01 1,77E ,61E-01 2,61E-01 2,92E-01 2,92E-01 1,13E-01 1,13E ,12E+00 1,12E+00 6,42E-01 6,42E-01 5,10E-01 5,10E ,69E+00 3,69E+00 5,33E+00 5,33E+00 1,93E+00 1,93E ,32E+00 7,32E+00 6,69E+00 6,69E+00 5,10E+00 5,10E ,32E+01 2,32E+01 3,23E+01 3,23E+01 1,04E+01 1,04E ,45E+01 1,45E+01 2,38E+01 2,38E+01 1,23E+01 1,23E ,05E+01 2,05E+01 3,71E+01 3,71E+01 1,97E+01 1,97E ,89E+01 4,89E+01 4,83E+01 4,83E+01 3,13E+01 3,13E ,05E+01 6,05E+01 9,75E+01 9,75E+01 4,83E+01 4,83E+01

81 Tabel 4. Validasi hasil pengelompokan pada variabel B menggunakan jumlah cluster 3 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 1,18E-01 1,28E-01 9,30E-05 9,15E-05 1,61E-02 2,58E ,18E-01 2,51E-01 1,07E-04 1,05E-04 1,78E-02 2,75E ,05E+00 2,51E-01 8,65E-02 8,62E-02 6,12E-02 8,51E ,90E+00 3,66E+00 1,91E+00 1,95E+00 2,75E-01 3,40E ,11E+00 7,79E+00 4,25E+01 9,30E+01 9,87E-01 1,31E ,08E+01 1,37E+01 3,92E+02 4,20E+02 3,28E+00 3,96E ,71E+01 2,16E+01 1,19E+03 1,28E+03 8,23E+00 9,14E ,48E+01 3,13E+01 2,89E+03 3,13E+03 1,66E+01 1,75E ,40E+01 4,30E+01 5,93E+03 6,53E+03 1,72E+01 2,92E ,47E+01 5,65E+01 1,10E+04 1,22E+04 2,49E+01 2,36E+01 Tabel 5. Validasi hasil pengelompokan pada variabel B menggunakan jumlah cluster 4 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 2,01E-01 1,97E-01 7,33E-04 7,03E-04 1,98E-02 2,96E ,08E-01 3,65E-01 1,21E-03 1,15E-03 1,89E-02 2,86E ,46E+00 1,88E+00 5,47E-02 4,98E+00 3,31E-01 1,26E ,98E+00 6,26E+00 5,47E-02 4,48E+01 1,38E+00 1,56E ,10E+01 1,41E+01 1,62E+02 1,80E+02 3,49E+00 3,91E ,02E+01 2,61E+01 6,27E+02 6,98E+02 7,24E+00 7,99E ,28E+01 4,25E+01 5,94E+03 2,06E+03 1,31E+01 1,47E ,93E+01 6,34E+01 3,49E+03 3,92E+03 2,38E+01 2,40E ,97E+01 8,86E+01 5,77E+03 7,13E+03 3,35E+01 3,53E ,38E+01 1,18E+02 1,07E+04 1,32E+04 4,65E+01 4,90E+01 Tabel 6. Validasi hasil pengelompokan pada variabel B menggunakan jumlah cluster 5 Rasio Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 2,21E-01 2,76E-01 8,68E-03 8,39E-03 1,23E-01 2,65E ,31E-01 4,47E-01 1,22E-02 1,19E-02 1,46E-01 2,33E ,92E+00 2,65E+00 1,82E+00 2,06E+00 5,00E-01 7,42E ,10E+00 9,43E+00 3,47E+01 6,17E+01 1,75E+00 2,20E ,78E+01 2,29E+01 2,26E+02 2,62E+02 5,14E+00 5,63E ,52E+01 4,48E+01 6,46E+02 8,37E+02 1,07E+01 1,14E ,11E+01 7,72E+01 2,03E+03 2,44E+03 2,25E+01 2,20E ,72E+01 1,20E+02 4,86E+03 5,75E+03 2,94E+01 3,63E ,42E+02 1,75E+02 9,33E+03 1,15E+04 5,65E+01 5,08E ,98E+02 2,41E+02 1,75E+04 2,05E+04 9,14E+01 7,02E+01

82 Tabel 7. Validasi hasil pengelompokan pada variabel C menggunakan jumlah cluster 3 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 2,50E-02 2,91E-02 2,46E-02 2,82E-02 1,67E-02 2,32E ,82E-02 5,20E-02 2,81E-02 3,94E-02 1,80E-02 7,38E ,93E-02 8,29E-02 4,73E-02 6,99E-02 2,89E-02 8,84E ,45E-02 1,67E-01 1,21E-01 1,61E-01 1,77E-01 3,08E ,02E-01 5,57E-01 2,14E-01 7,64E-01 6,63E-02 2,70E ,32E-01 2,95E-01 1,97E-01 2,97E-01 9,01E-02 4,64E ,61E-01 1,62E+00 2,46E-01 3,60E-01 4,89E-01 5,73E ,91E-01 4,18E-01 1,81E-01 4,20E-01 6,98E-01 1,03E ,90E-01 4,74E-01 2,12E-01 4,77E-01 1,73E-01 7,61E ,75E+00 1,91E+00 2,43E-01 4,97E+00 1,04E+00 1,87E+00 Tabel 8. Validasi hasil pengelompokan pada variabel C menggunakan jumlah cluster 4 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 5,89E-02 4,14E-02 2,04E-02 2,75E-02 1,36E-02 1,96E ,38E-02 3,01E-02 5,02E-02 4,43E-02 1,46E-02 6,95E ,63E-02 6,64E-02 3,49E-02 1,33E-01 2,20E-02 8,19E ,75E-02 1,97E-01 4,54E-02 2,62E-01 3,07E-02 1,47E ,09E-01 4,31E-01 5,65E-02 2,62E-01 4,00E-02 4,29E ,03E-02 1,14E+00 6,78E-02 1,54E-01 1,01E-01 2,76E ,05E+00 6,04E-01 3,22E-01 6,46E+00 5,95E-02 2,65E ,82E-01 8,00E-01 4,41E-01 1,92E-01 6,92E-02 4,43E ,39E-01 2,16E-01 5,95E-01 2,08E-01 7,86E-02 5,84E ,81E+00 1,57E+00 1,10E-01 3,51E+00 8,77E-02 7,35E-01 Tabel 9. Validasi hasil pengelompokan pada variabel C menggunakan jumlah cluster 5 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 1,82E-02 3,80E-02 1,80E-02 1,84E-02 1,17E-02 4,30E , , ,08E-02 1,08E-01 2,66E-02 4,82E ,88E-02 5,50E-02 3,59E-02 5,95E-02 1,77E-02 7,08E ,14E-02 7,52E-02 3,35E-02 7,56E-02 3,97E-02 1,26E ,72E-02 2,63E-01 3,94E-02 1,49E-01 8,73E-02 2,46E ,21E-01 2,59E-01 1,29E-01 1,01E-01 3,68E-01 4,55E ,60E-01 1,14E-01 5,08E-02 3,09E-01 3,80E-02 8,78E ,87E-02 3,50E-01 4,33E-01 4,54E-01 9,11E-02 4,37E ,36E-02 6,03E-01 6,09E-01 5,75E-01 4,70E-02 6,01E ,55E-01 8,14E-01 3,96E-01 1,50E+00 5,11E-02 6,18E-01

83 Tabel 10. Validasi hasil pengelompokan pada variabel D menggunakan jumlah cluster 3 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 2,44E-01 2,34E-01 8,55E-05 8,66E-05 1,52E-02 2,63E ,54E-01 4,64E-01 9,36E-05 9,55E-05 1,46E-02 2,47E ,73E+00 1,97E+01 8,49E-02 7,00E-02 4,76E-02 6,91E ,55E+00 5,47E+00 2,01E+00 1,95E+00 2,30E-01 2,93E ,37E+00 1,15E+01 4,10E+00 4,15E+01 9,77E-01 1,17E ,63E+01 2,02E+01 4,49E+02 5,02E+02 3,41E+00 3,73E ,55E+01 3,16E+01 1,54E+03 1,71E+03 8,83E+00 8,97E ,69E+01 4,59E+01 4,06E+03 4,57E+03 1,07E+01 1,76E ,06E+01 6,31E+01 4,06E+03 1,02E+04 3,12E+01 2,96E ,67E+01 8,32E+01 1,69E+04 1,96E+04 2,37E+01 4,52E+01 Tabel 11. Validasi hasil pengelompokan pada variabel D menggunakan jumlah cluster 4 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 3,72E-01 3,68E-01 1,14E-03 9,88E-04 1,54E-02 2,19E ,65E-01 7,21E-01 1,87E-03 1,69E-03 1,78E-02 2,64E ,08E+00 3,55E+00 8,29E-02 9,76E-02 1,82E-01 1,49E ,52E+00 1,14E+01 4,61E+01 3,16E-01 1,16E+00 1,44E ,18E+01 2,62E+01 2,23E+02 2,37E+02 2,95E+00 3,44E ,01E+01 4,91E+01 9,10E+02 1,06E+03 6,41E+00 7,06E ,51E+01 8,07E+01 2,94E+03 3,39E+03 1,23E+01 1,33E ,72E+01 1,21E+02 7,01E+03 7,74E+03 2,13E+01 2,49E ,36E+02 1,72E+02 1,77E+04 1,40E+04 3,96E+01 4,14E ,83E+02 2,31E+02 2,18E+04 2,73E+04 5,74E+01 6,03E+01 Tabel 12. Validasi hasil pengelompokan pada variabel D menggunakan jumlah cluster 5 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 4,18E-01 4,52E-01 1,09E-03 1,47E-03 2,52E-02 3,91E ,01E+00 1,07E+00 8,90E-01 1,71E-03 2,71E-02 4,24E ,07E+00 5,87E+00 2,12E-01 1,82E-01 4,06E-01 6,01E ,59E+01 1,96E+01 4,60E+01 5,56E+01 1,50E+00 1,85E ,70E+01 4,57E+01 3,63E+02 4,38E+02 1,12E+01 5,58E ,96E+01 8,69E+01 5,39E+02 1,93E+03 1,25E+01 1,27E ,15E+02 1,45E+02 1,41E+03 5,31E+03 2,82E+01 2,34E ,74E+02 2,22E+02 9,43E+03 1,43E+04 5,01E+01 3,17E ,45E+02 3,18E+02 1,99E+04 3,07E+04 9,12E+01 7,49E ,29E+02 4,34E+02 1,17E+04 5,74E+04 6,23E+01 1,18E+02

84 Tabel 13. Validasi hasil pengelompokan pada variabel AB menggunakan jumlah cluster 3 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 1,18E-01 1,28E-01 9,30E-05 9,15E-05 1,61E-02 2,58E ,18E-01 2,51E-01 1,07E-04 1,05E-04 1,78E-02 2,75E ,05E+00 1,28E+00 8,65E-02 8,62E-02 6,12E-02 8,51E ,90E+00 3,66E+00 1,91E+00 1,95E+00 2,75E-01 3,40E ,11E+00 7,79E+00 8,52E+01 9,30E+01 9,87E-01 1,31E ,08E+01 1,37E+01 3,92E+02 4,20E+02 3,28E+00 3,96E ,71E+01 2,16E+01 1,19E+03 1,28E+03 8,23E+00 9,14E ,48E+01 3,13E+01 2,89E+03 3,13E+03 1,66E+01 1,75E ,40E+01 4,30E+01 5,93E+03 6,53E+03 2,76E+01 1,64E ,47E+01 5,65E+01 1,10E+04 1,22E+04 4,18E+01 2,36E+01 Tabel 14. Validasi hasil pengelompokan pada variabel AB menggunakan jumlah cluster 4 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 2,01E-01 1,97E-01 7,33E-04 7,03E-04 1,98E-02 2,96E ,08E-01 3,65E-01 1,21E-03 1,15E-03 1,89E-02 2,86E ,46E+00 1,88E+00 1,21E-03 5,12E+00 7,08E-02 1,26E ,98E+00 6,26E+00 4,14E+01 4,48E+01 1,38E+00 1,56E ,10E+01 1,41E+01 1,62E+02 1,80E+02 3,49E+00 3,91E ,02E+01 2,61E+01 6,27E+02 6,98E+02 7,24E+00 7,99E ,28E+01 4,25E+01 1,72E+03 2,06E+03 1,31E+01 1,47E ,93E+01 6,34E+01 3,49E+03 3,92E+03 2,27E+01 2,40E ,97E+01 8,86E+01 6,44E+03 7,13E+03 3,35E+01 3,53E ,38E+01 1,18E+02 1,06E+04 1,32E+04 4,65E+01 4,90E+01 Tabel 15. Validasi hasil pengelompokan pada variabel AB menggunakan jumlah cluster 5 Rasio (S) Parameter Rasio Rasio Fuzzy Rasio 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 2,22E-01 2,76E-01 8,68E-03 8,30E-04 2,39E-02 2,65E ,25E-01 4,55E-01 1,39E-03 1,19E-02 3,99E-02 3,65E ,93E+00 2,65E+00 1,80E+00 2,06E+00 5,00E-01 7,42E ,08E+00 9,47E+00 6,81E+01 5,86E+01 1,75E+00 2,20E ,78E+01 2,29E+01 2,26E+02 2,62E+02 5,14E+00 5,63E ,52E+01 4,48E+01 6,40E+02 8,37E+02 1,07E+01 1,14E ,11E+01 7,72E+01 3,06E+03 2,44E+03 1,82E+01 2,20E ,72E+01 1,20E+02 4,85E+03 5,75E+03 3,10E+01 3,63E ,42E+02 1,75E+02 9,33E+03 1,15E+04 5,65E+01 5,68E ,98E+02 2,41E+02 1,62E+04 1,90E+04 1,13E+02 8,06E+01

85 Tabel 16. Validasi hasil pengelompokan pada variabel AC menggunakan jumlah cluster 3 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 6,23E-02 6,14E-02 1,07E-01 1,04E-01 6,45E-02 6,45E ,90E-02 6,90E-02 1,43E-01 1,44E-01 6,64E-02 6,64E ,53E-01 2,03E-01 9,56E-01 9,55E-01 1,79E-01 1,79E ,32E-01 6,32E-01 2,34E+00 2,33E+00 7,24E-01 7,24E ,01E+00 2,01E+00 4,83E+00 4,53E+00 2,18E+00 2,18E ,62E+00 3,62E+00 7,92E+00 7,72E+00 4,20E+00 4,20E ,96E+00 5,96E+00 1,30E+01 1,20E+01 6,67E+00 6,67E ,04E+00 9,04E+00 1,77E+01 1,73E+01 9,96E+00 1,03E ,03E+01 1,03E+01 2,39E+01 2,35E+01 1,41E+01 1,41E ,76E+01 1,76E+01 3,05E+01 3,07E+01 1,84E+01 1,84E+01 Tabel 17. Validasi hasil pengelompokan pada variabel AC menggunakan jumlah cluster 4 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 2,92E-01 2,92E-01 3,19E-01 3,19E-01 1,13E-01 1,13E ,14E-01 3,14E-01 2,52E-01 3,63E-01 1,32E-01 1,32E ,22E-01 4,22E-01 4,75E-01 7,93E-01 4,00E-01 4,00E ,96E+00 1,96E+00 2,33E+00 1,84E+00 1,29E+00 1,29E ,79E+00 4,79E+00 3,78E+00 3,84E+00 3,07E+00 3,07E ,08E+00 8,08E+00 9,10E+00 9,07E+00 5,83E+00 5,83E ,29E+01 1,29E+01 1,81E+00 1,76E+00 9,78E+00 9,78E ,87E+01 5,87E+01 3,04E+01 2,72E+01 2,01E+01 1,73E ,65E+01 2,65E+01 4,81E+01 4,11E+01 2,57E+01 2,57E ,23E+01 1,23E+01 6,11E+01 5,71E+01 3,79E+01 3,85E+01 Tabel 18. Validasi hasil pengelompokan pada variabel AC menggunakan jumlah cluster 5 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 3,44E-01 3,44E-01 2,90E-01 2,60E-01 1,15E-01 1,15E ,66E-01 2,66E-01 3,78E-01 2,98E-01 1,18E-01 1,18E ,43E-01 5,43E-01 5,22E-01 6,81E-01 4,62E-01 5,65E ,70E+00 1,70E+00 2,32E+00 2,28E+00 3,12E+00 1,77E ,96E+00 3,96E+00 3,33E+00 3,24E+00 4,44E+00 4,44E ,72E+01 1,72E+01 3,65E+01 2,74E+01 8,51E+00 2,51E ,53E+01 1,53E+01 5,35E+01 4,46E+01 1,40E+01 2,16E ,53E+01 1,53E+01 7,23E+01 6,65E+01 3,66E+01 3,66E ,53E+01 1,53E+01 1,03E+02 9,66E+01 3,40E+01 9,01E ,44E+01 6,44E+01 1,32E+02 1,25E+02 7,01E+01 7,01E+01

86 Tabel 19 Validasi hasil pengelompokan pada variabel AD menggunakan jumlah cluster 3 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 2,60E-01 2,43E-01 8,55E-05 8,66E-05 1,52E-02 2,63E ,38E-01 5,12E-01 9,36E-05 9,55E-05 1,46E-02 2,47E ,56E+00 2,49E+00 8,52E-02 7,01E-02 4,76E-02 6,91E ,69E+00 7,52E+00 2,02E+00 2,90E-01 2,30E-01 1,17E ,70E+01 1,65E+01 4,16E+01 1,13E+01 9,77E-01 3,73E ,09E+01 2,99E+01 4,64E+02 5,11E+02 3,41E+00 8,97E ,98E+01 4,80E+01 1,61E+03 1,75E+03 8,83E+00 1,76E ,39E+01 7,11E+01 4,28E+03 4,70E+03 1,82E+01 2,96E ,03E+02 9,92E+01 9,33E+03 1,05E+04 1,66E+01 2,34E ,38E+02 1,33E+02 1,80E+04 2,03E+04 4,79E+01 45,18120 Tabel 20 Validasi hasil pengelompokan pada variabel AD menggunakan jumlah cluster 4 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 4,09E-01 3,89E-01 1,14E-03 9,88E-04 1,54E-02 2,19E ,67E-01 8,45E-01 1,87E-03 0, ,78E-02 2,64E ,65E+00 5,15E+00 8,33E-02 9,78E-02 1,40E-01 1,49E ,02E+01 1,84E+01 4,72E+01 3,55E+01 1,16E+00 1,44E ,85E+01 4,54E+01 2,32E+02 2,41E+02 2,95E+00 3,44E ,38E+01 8,99E+01 9,69E+02 1,09E+03 6,42E+00 7,06E ,59E+02 1,55E+02 3,15E+03 4,11E+03 1,23E+01 1,33E ,44E+02 2,44E+02 7,33E+03 8,09E+03 2,13E+01 2,50E ,53E+02 3,59E+02 1,33E+04 1,63E+04 3,97E+01 4,14E ,85E+02 5,07E+02 2,43E+04 2,73E+04 5,75E+01 6,03E+01 Tabel 21Validasi hasil pengelompokan pada variabel AD menggunakan jumlah cluster 5 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 4,72E-01 4,85E-01 1,16E-02 1,16E-02 2,79E-02 3,91E ,46E+00 1,32E+00 1,43E-02 2,03E-03 2,52E-02 2,31E ,01E+01 9,17E+00 8,57E+00 2,61E+00 4,62E-01 6,01E ,61E+01 3,44E+01 6,34E+01 7,87E+01 1,50E+00 1,85E ,70E+01 8,80E+01 4,36E+02 4,95E+02 4,32E+00 5,58E ,70E+02 1,84E+02 1,27E+03 1,66E+03 1,25E+01 1,27E ,91E+02 3,33E+02 4,46E+03 7,14E+03 1,78E+01 8,79E ,53E+02 5,49E+02 1,09E+04 1,89E+04 2,77E+01 3,18E ,57E+02 8,44E+02 2,33E+04 3,37E+04 3,98E+01 7,49E ,04E+02 1,24E+03 4,47E+04 6,37E+04 1,31E+02 6,38E+01

87 Tabel 22 Validasi hasil pengelompokan pada variabel BC menggunakan jumlah cluster 3 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 1,18E-01 1,28E-01 9,30E-05 9,15E-05 1,61E-02 2,58E ,18E-01 2,51E-01 1,07E-04 1,74E-04 1,78E-02 2,75E ,05E+00 1,28E+00 8,65E-02 8,62E-02 6,12E-02 8,51E ,90E+00 3,66E+00 2,73E-01 1,95E+00 2,75E-01 3,40E ,11E+00 7,79E+00 4,25E+01 9,30E+01 9,87E-01 1,31E ,08E+01 1,37E+01 3,92E+02 4,20E+02 3,28E+00 3,96E ,71E+01 2,16E+01 1,19E+03 1,28E+03 8,23E+00 9,14E ,48E+01 3,13E+01 2,89E+03 3,13E+03 8,48E+00 1,75E ,40E+01 4,30E+01 5,93E+03 6,53E+03 2,76E+01 2,91E ,47E+01 5,65E+01 1,10E+04 1,22E+03 2,49E+01 2,36E+01 Tabel 23. Validasi hasil pengelompokan pada variabel BC menggunakan jumlah cluster 4 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 2,01E-01 1,97E-01 7,33E-04 7,03E-04 1,98E-02 2,96E ,08E-01 3,65E-01 1,21E-03 1,15E-03 1,89E-02 2,86E ,46E+00 1,88E+00 5,47E-02 5,08E+00 3,31E-01 1,26E ,98E+00 6,26E+00 3,31E+01 4,48E+01 1,26E+00 7,99E ,10E+01 1,41E+01 1,62E+02 1,80E+02 3,49E+00 1,47E ,02E+01 2,61E+01 6,27E+02 6,98E+02 7,48E+00 7,99E ,28E+01 4,25E+01 6,84E+02 2,06E+03 1,31E+01 1,47E ,93E+01 6,34E+01 3,47E+03 3,92E+03 2,27E+01 2,40E ,97E+01 8,86E+01 6,15E+03 7,13E+03 3,35E+01 3,53E ,38E+01 1,18E+02 1,06E+04 1,32E+04 4,65E+01 4,90E+01 Tabel 24. Validasi hasil pengelompokan pada variabel BC menggunakan jumlah cluster 5 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 2,16E-01 2,76E-01 8,68E-03 8,39E-03 1,23E-01 2,18E ,31E-01 4,56E-01 1,22E-02 1,10E-03 3,99E-02 3,65E ,93E+00 2,65E+00 1,80E+00 2,06E+00 5,00E-01 7,42E ,08E+00 9,41E+00 3,60E+01 6,16E+01 1,75E+00 2,20E ,78E+01 2,29E+01 2,26E+02 2,62E+02 5,14E+00 5,63E ,52E+01 4,48E+01 6,42E+02 8,36E+02 1,07E+01 1,14E ,11E+01 7,72E+01 2,03E+03 2,44E+02 2,18E+01 2,20E ,72E+01 1,20E+02 1,92E+03 5,75E+03 2,94E+01 3,63E ,42E+02 1,75E+02 9,33E+03 1,15E+04 5,65E+01 5,08E ,98E+02 2,41E+02 1,61E+04 2,05E+03 9,14E+01 7,31E+01

88 Tabel 25. Validasi hasil pengelompokan pada variabel BD menggunakan jumlah cluster 3 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 1,18E-01 1,28E-01 9,30E-05 9,15E-05 1,61E-02 2,58E ,18E-01 2,51E-01 1,07E-04 1,05E-04 1,78E-02 2,75E ,05E+00 1,28E+00 8,65E-02 8,62E-02 6,12E-02 8,51E ,90E+00 3,66E+00 1,91E+00 1,95E+00 2,75E-01 3,40E ,11E+00 7,79E+00 4,25E+01 9,30E+01 9,87E-01 1,31E ,08E+01 1,38E+01 3,92E+02 4,20E+02 3,28E+00 3,96E ,71E+01 2,16E+01 1,19E+03 1,28E+03 8,23E+00 9,14E ,48E+01 3,13E+01 2,89E+03 3,13E+03 1,66E+01 1,75E ,40E+01 4,30E+01 5,93E+03 6,53E+03 2,76E+01 1,64E ,47E+01 5,65E+01 1,10E+04 1,22E+04 2,49E+01 2,36E+01 Tabel 26. Validasi hasil pengelompokan pada variabel BD menggunakan jumlah cluster 4 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 2,01E-01 1,97E-01 7,33E-04 7,03E-04 1,98E-02 2,96E ,08E-01 3,65E-01 1,21E-03 1,15E-03 1,89E-02 2,86E ,46E+00 1,88E+00 4,85E+00 5,50E-02 3,31E-01 1,26E ,98E+00 6,26E+00 1,01E+01 4,48E+01 1,26E+00 1,56E ,10E+01 1,41E+01 1,62E+02 1,80E+02 3,49E+00 3,91E ,02E+01 2,61E+01 6,27E+02 2,06E+03 7,48E+00 7,99E ,28E+01 4,25E+01 1,85E+03 2,06E+03 1,34E+01 1,47E ,93E+01 6,34E+01 3,49E+03 3,92E+03 2,27E+01 2,40E ,97E+01 8,86E+01 6,15E+03 7,13E+03 3,35E+01 3,53E ,38E+01 1,18E+02 3,07E+03 1,31E+04 4,65E+01 4,90E+01 Tabel 27. Validasi hasil pengelompokan pada variabel BD menggunakan jumlah cluster 5 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 2,16E-01 2,76E-01 8,68E-03 8,39E-03 1,23E-01 2,65E ,31E-01 4,51E-01 1,22E-02 1,19E-02 1,46E-01 3,65E ,93E+00 2,65E+00 1,82E+00 2,06E+00 5,00E-01 7,42E ,08E+00 9,44E+00 6,81E+01 6,13E+01 1,75E+00 2,20E ,78E+01 2,29E+01 2,18E+02 2,62E+02 5,14E+00 5,63E ,52E+01 4,48E+01 6,40E+02 8,37E+02 1,07E+01 1,14E ,11E+01 7,72E+01 2,03E+03 2,44E+03 1,83E+01 2,20E ,72E+01 1,20E+02 4,85E+03 5,75E+03 2,94E+01 3,63E ,42E+02 1,75E+02 9,33E+03 1,36E+04 4,63E+01 5,68E ,98E+02 2,41E+02 1,39E+04 2,05E+04 9,14E+01 8,06E+01

89 Tabel 28. Validasi hasil pengelompokan pada variabel CD menggunakan jumlah cluster 3 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 2,44E-01 2,34E-01 8,55E-05 8,66E-05 1,52E-02 2,63E ,54E-01 4,64E-01 9,36E-05 9,55E-05 1,46E-02 2,47E ,73E+00 1,97E+00 8,49E-02 7,00E-02 4,76E-02 6,91E ,55E+00 5,48E+00 2,01E+00 1,95E+00 2,30E-01 2,93E ,38E+00 1,15E+01 4,10E+01 4,16E+01 9,77E-01 1,17E ,64E+01 2,02E+01 4,49E+02 5,02E+02 3,41E+00 3,73E ,55E+01 3,16E+01 1,54E+03 1,71E+03 8,83E+00 8,97E ,70E+01 4,60E+01 4,06E+03 4,57E+02 1,82E+01 1,76E ,07E+01 6,32E+01 8,77E+03 1,02E+04 3,12E+01 2,96E ,68E+01 8,33E+01 1,69E+04 1,96E+04 2,37E+01 2,34E+01 Tabel 29. Validasi hasil pengelompokan pada variabel CD menggunakan jumlah cluster 4 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 3,72E-01 3,68E-01 1,14E-03 9,88E-04 1,54E-02 2,19E ,65E-01 7,22E-01 1,87E-03 1,69E-03 1,78E-02 2,64E ,08E+00 3,55E+00 8,29E-02 9,76E-02 4,09E-01 1,49E ,54E+00 1,14E+01 4,61E+01 9,62E+00 1,16E+00 1,44E ,19E+01 2,62E+01 2,23E+02 2,37E+02 2,95E+00 3,44E ,02E+01 4,92E+01 9,10E+02 1,06E+03 6,41E+00 7,06E ,53E+01 8,08E+01 2,94E+03 3,39E+03 1,23E+01 1,33E ,75E+01 1,22E+02 6,95E+03 7,75E+03 2,13E+01 2,49E ,37E+02 1,72E+02 1,21E+04 1,40E+04 3,96E+01 4,14E ,83E+02 2,32E+01 2,18E+04 2,73E+04 5,74E+01 6,03E+01 Tabel 30. Validasi hasil pengelompokan pada variabel CD menggunakan jumlah cluster 5 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 4,18E-01 4,52E-01 1,16E-02 1,16E-02 2,52E-02 3,91E ,01E+00 1,07E+00 1,43E-02 1,28E-02 2,71E-02 2,31E ,07E+00 5,88E+00 1,85E-01 2,60E+00 4,62E-01 6,01E ,60E+01 1,96E+01 6,17E+01 4,38E+02 1,50E+00 1,83E ,71E+01 4,58E+01 3,63E+02 1,66E+03 4,31E+00 5,58E ,99E+01 8,70E+01 1,16E+03 5,31E+03 1,25E+01 1,27E ,16E+02 1,45E+02 3,66E+03 2,24E+03 1,03E+02 2,34E ,74E+02 2,22E+02 9,44E+03 1,43E+04 2,76E+01 4,31E ,46E+02 3,19E+02 1,99E+04 3,07E+04 8,50E+01 7,49E ,31E+02 4,35E+02 3,66E+04 5,74E+04 8,41E+01 6,38E+01

90 Tabel 31 Validasi hasil pengelompokan pada variabel ABC menggunakan jumlah cluster 3 Rasio (S) Parameter Fuzzy Data Rumah Tangga Data Bisnis Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 1,18E-01 1,28E-01 9,30E-05 9,15E-05 1,61E-02 2,58E ,18E-01 2,51E-01 1,07E-04 1,05E-04 1,78E-02 2,75E ,05E+00 1,28E+00 8,65E-02 1,05E-04 6,12E-02 8,51E ,902 3,66E+00 1,91E+00 1,95E+00 2,75E-01 3,40E ,11E+00 7,79E+00 4,25E+01 9,30E+01 9,87E-01 1,31E ,08E+01 1,37E+01 4,25E+02 4,20E+02 3,28E+00 3,96E ,71E+01 2,16E+01 1,19E+03 1,28E+03 8,23E+00 9,14E ,48E+01 3,13E+01 2,89E+03 3,13E+03 1,66E+01 1,75E ,40E+01 4,30E+01 5,93E+03 6,53E+03 2,76E+01 2,91E ,47E+01 5,65E+01 1,10E+04 1,22E+04 2,49E+01 2,36E+01 Tabel 32. Validasi hasil pengelompokan pada variabel ABC menggunakan jumlah cluster 4 Rasio (S) Parameter Fuzzy Data Rumah Tangga Data Bisnis Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 2,01E-01 1,97E-01 7,33E-04 7,03E-04 1,98E-02 2,96E ,08E-01 3,65E-01 1,21E-03 1,15E-03 1,89E-02 2,86E ,46E+00 1,88E+00 4,87E+00 5,10E+00 7,08E-02 1,26E ,98E+00 6,26E+00 4,14E+01 4,48E+01 1,26E+00 1,56E ,10E+01 1,41E+01 1,62E+02 1,80E+02 3,49E+00 3,91E ,02E+01 2,61E+01 6,27E+02 6,98E+02 7,24E+00 7,99E ,28E+01 4,25E+01 1,79E+03 2,06E+03 1,31E+01 1,47E ,93E+01 6,34E+01 3,43E+03 3,95E+03 2,27E+01 2,40E ,97E+01 8,86E+01 6,15E+03 7,47E+03 3,35E+01 3,53E ,38E+01 1,18E+02 1,06E+04 1,31E+04 4,65E+01 4,90E+01 Tabel 33. Validasi hasil pengelompokan pada variabel ABC menggunakan jumlah cluster 5 Rasio (S) Parameter Fuzzy Data Rumah Tangga Data Bisnis Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 2,21E-01 2,76E-01 8,68E-03 8,39E-03 2,39E-02 2,46E ,25E-01 4,53E-01 1,22E-02 1,19E-02 1,46E-01 3,65E ,93E+00 2,65E+00 3,72E-01 4,29E-01 5,00E-01 7,42E ,09E+00 9,44E+00 6,81E+01 6,18E+01 1,75E+00 2,20E ,78E+01 2,29E+01 2,26E+02 2,57E+02 5,14E+00 5,63E ,52E+01 4,48E+01 6,73E+02 8,37E+02 1,07E+01 1,14E ,11E+01 7,72E+01 2,03E+03 2,44E+02 2,18E+01 2,20E ,72E+01 1,20E+02 4,86E+03 5,75E+03 3,04E+01 3,63E ,42E+02 1,75E+02 9,33E+03 1,15E+04 4,63E+01 5,08E ,98E+02 2,41E+02 2,04E+04 1,40E+05 9,86E+01 7,31E+01

91 Tabel 34. Validasi hasil pengelompokan pada variabel ABD menggunakan jumlah cluster 3 Rasio (S) Parameter Fuzzy Data Rumah Tangga Data Bisnis Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 1,18E-01 1,28E-01 9,30E-05 9,15E-05 1,61E-02 2,58E ,18E-01 2,51E-01 1,07E-04 1,05E-04 1,78E-02 2,75E ,05E+00 1,28E+00 8,65E-02 8,62E-02 6,12E-02 8,51E ,90E+00 3,66E+00 1,92E+00 1,95E+00 2,75E-01 3,40E ,11E+00 7,79E+00 8,52E+01 4,34E+01 9,87E-01 1,31E ,08E+01 1,38E+01 3,92E+02 4,20E+02 3,28E+00 3,96E ,71E+01 2,16E+01 1,19E+03 1,28E+03 8,48E+00 9,14E ,48E+01 3,13E+01 2,89E+03 3,13E+03 1,66E+01 1,75E ,40E+01 4,30E+01 5,93E+03 1,22E+04 1,72E+01 2,91E ,47E+01 5,65E+01 1,10E+04 1,10E+04 2,49E+01 2,36E+01 Tabel 35. Validasi hasil pengelompokan pada variabel ABD menggunakan jumlah cluster 4 Rasio (S) Parameter Fuzzy Data Rumah Tangga Data Bisnis Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 2,01E-01 1,97E-01 7,33E-04 7,03E-04 1,98E-02 2,96E ,08E-01 3,65E-01 1,21E-03 1,15E-03 1,89E-02 2,86E ,46E+01 1,88E+00 5,04E+00 1,05E-01 7,08E-02 1,26E ,98E+00 6,26E+00 4,14E+01 4,48E+02 1,26E+00 1,56E ,10E+01 1,41E+01 1,62E+02 1,80E+02 3,49E+00 3,91E ,02E+01 2,61E+01 6,27E+02 6,98E+02 7,24E+00 7,99E ,28E+01 4,25E+01 1,85E+02 2,06E+03 1,31E+01 1,47E ,93E+01 6,34E+01 3,46E+03 3,92E+03 2,27E+01 2,40E ,97E+01 8,86E+01 6,17E+03 7,13E+03 3,35E+01 3,53E ,38E+01 1,18E+02 1,06E+04 1,34E+04 4,65E+01 4,90E+01 Tabel 36. Validasi hasil pengelompokan pada variabel ABD menggunakan jumlah cluster 5 Rasio (S) Parameter Fuzzy Data Rumah Tangga Data Bisnis Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 2,19E-01 2,76E-01 6,42E-04 8,39E-03 1,23E-01 2,65E ,34E-01 4,53E-01 1,39E-03 1,19E-02 1,46E-01 2,33E ,92E+00 2,65E+00 1,80E+00 2,06E+00 5,00E-01 7,42E ,08E+00 9,43E+00 6,81E+01 6,18E+01 1,75E+00 2,20E ,78E+01 2,29E+01 1,22E+03 2,62E+02 5,14E+00 5,63E ,52E+01 4,48E+01 6,42E+02 8,37E+02 1,07E+01 1,14E ,11E+01 7,72E+01 2,03E+03 2,44E+03 1,83E+01 2,20E ,72E+01 1,20E+02 4,85E+03 5,75E+03 3,10E+01 3,63E ,42E+02 1,75E+02 9,32E+03 1,15E+04 5,65E+01 5,08E ,98E+02 2,41E+02 1,63E+04 1,90E+04 9,14E+01 7,53E+01

92 Tabel 37. Validasi hasil pengelompokan pada variabel ACD menggunakan jumlah cluster 3 Rasio (S) Parameter Fuzzy Data Rumah Tangga Data Bisnis Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 1,18E-01 2,43E-01 9,30E-05 8,66E-05 1,61E-02 2,63E ,18E-01 5,12E-01 1,07E-04 9,55E-05 1,78E-02 2,47E ,05E+00 2,49E+00 8,65E-02 7,01E-02 6,12E-02 6,91E ,90E+00 7,52E+00 1,91E+00 1,95E+00 2,75E-01 2,93E ,11E+00 1,65E+01 4,25E+01 4,17E+01 9,87E-01 1,17E ,08E+01 2,99E+01 3,92E+02 5,11E+02 3,28E+00 3,73E ,71E+01 4,80E+01 1,19E+03 1,75E+03 8,23E+00 8,97E ,48E+01 7,11E+01 2,89E+03 4,70E+03 1,66E+01 1,76E ,40E+01 9,93E+01 5,93E+03 1,05E+04 2,76E+01 2,96E ,47E+01 1,33E+02 1,10E+04 2,03E+04 2,49E+01 2,34E+01 Tabel 38. Validasi hasil pengelompokan pada variabel ACD menggunakan jumlah cluster 4 Rasio (S) Parameter Fuzzy Data Rumah Tangga Data Bisnis Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 2,01E-01 3,89E-01 7,33E-04 9,88E-04 1,98E-02 2,19E ,08E-01 8,45E-01 1,21E-03 1,69E-03 1,89E-02 2,64E ,46E+00 5,15E+00 5,02E+00 9,78E-02 7,08E-02 1,49E ,98E+00 1,84E+01 4,14E+01 9,67E+00 1,26E+00 1,44E ,10E+01 4,55E+01 1,62E+02 2,41E+02 3,49E+00 3,44E ,02E+01 9,00E+01 6,27E+02 1,09E+03 7,24E+00 7,06E ,28E+01 1,55E+02 1,72E+03 3,52E+03 1,31E+01 1,33E ,93E+01 2,44E+01 3,47E+03 8,43E+03 2,27E+01 2,50E ,97E+01 3,59E+02 5,87E+03 1,48E+04 3,35E+01 4,14E ,38E+01 5,04E+02 1,06E+04 3,02E+04 4,65E+01 6,03E+00 Tabel 39. Validasi hasil pengelompokan pada variabel ACD menggunakan jumlah cluster 5 Rasio (S) Parameter Fuzzy Data Rumah Tangga Data Bisnis Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 2,19E-01 4,84E-01 6,42E-04 1,47E-03 1,23E-01 3,91E ,30E-01 1,32E+00 1,39E-03 2,03E-03 1,46E-01 4,24E ,93E+00 9,18E+00 1,80E+00 2,61E+00 5,00E-01 6,01E ,11E+00 3,44E+01 6,81E+01 7,87E+01 1,75E+00 1,85E ,78E+01 8,81E+01 2,26E+02 4,51E+02 5,14E+00 5,58E ,52E+01 1,84E+02 6,55E+02 2,03E+03 1,07E+01 1,27E ,11E+01 3,34E+02 2,03E+03 5,71E+03 4,70E+01 2,34E ,72E+01 5,50E+02 4,86E+03 1,55E+04 1,79E+02 3,18E ,42E+02 8,46E+02 9,33E+03 3,37E+04 6,31E+02 4,83E ,98E+02 1,24E+03 1,75E+04 6,37E+04 1,13E+02 1,18E+02

93 Tabel 40. Validasi hasil pengelompokan pada variabel BCD menggunakan jumlah cluster 3 Rasio (S) Parameter Fuzzy Data Rumah Tangga Data Bisnis Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 1,18E-01 1,28E-01 9,30E-05 9,15E-05 1,61E-02 2,58E ,18E-01 2,51E-01 1,07E-04 1,05E-04 1,78E-02 2,75E ,05E+00 1,28E+00 8,65E-02 8,62E-02 1,78E-02 8,51E ,90E+00 3,66E+00 1,91E+00 1,95E+00 2,75E-01 3,40E ,11E+00 7,79E+00 4,25E+01 9,30E+01 9,87E-01 1,31E ,08E+01 1,38E+01 3,92E+02 4,20E+02 3,28E+00 3,96E ,71E+01 2,16E+01 1,19E+03 1,28E+03 8,23E+00 9,14E ,48E+01 3,13E+01 2,89E+03 3,13E+03 8,48E+00 1,75E ,40E+01 4,30E+01 5,93E+03 6,53E+03 2,76E+01 1,75E ,47E+01 5,65E+01 1,10E+04 1,22E+04 4,18E+01 2,36E+01 Tabel 41. Validasi hasil pengelompokan pada variabel BCD menggunakan jumlah cluster 4 Rasio (S) Parameter Fuzzy Data Rumah Tangga Data Bisnis Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 2,01E-01 1,97E-01 7,33E-04 7,03E-04 1,98E-02 2,96E ,08E-01 3,65E-01 1,21E-03 1,15E-03 1,89E-02 2,86E ,46E+00 1,88E+00 1,26E-01 5,21E+00 3,31E-01 1,26E ,98E+00 6,26E+00 4,14E+01 4,48E+02 1,26E+00 1,56E ,10E+01 1,41E+01 1,62E+02 1,80E+02 3,49E+00 3,91E ,02E+01 2,61E+01 7,15E+03 6,98E+02 7,24E+00 7,99E ,28E+01 4,25E+01 1,72E+03 2,06E+03 1,31E+01 1,47E ,93E+01 6,34E+01 3,48E+03 3,92E+03 2,38E+01 2,40E ,97E+01 8,86E+01 6,35E+03 7,47E+03 3,55E+01 3,53E ,38E+01 1,18E+02 1,06E+04 1,31E+04 4,65E+00 4,90E+01 Tabel 42. Validasi hasil pengelompokan pada variabel BCD menggunakan jumlah cluster 5 Rasio (S) Parameter Fuzzy Data Rumah Tangga Data Bisnis Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 2,20E-01 2,76E-01 8,68E-03 8,39E-03 1,23E-01 2,65E ,28E-01 4,54E-01 1,22E-02 1,19E-02 1,46E-01 2,33E ,92E+00 2,65E+00 1,80E+00 2,06E+00 5,00E-01 7,42E ,08E+00 9,44E+00 6,81E+01 6,12E+00 1,75E+00 2,20E ,78E+01 2,29E+01 2,46E+02 2,62E+02 5,14E+00 5,63E ,52E+01 4,48E+01 6,39E+02 8,37E+02 1,07E+01 5,63E ,11E+01 7,72E+01 2,03E+03 2,44E+03 1,82E+01 2,20E ,72E+01 1,20E+02 4,86E+03 5,75E+03 3,04E+01 3,63E ,42E+02 1,75E+02 9,33E+03 1,15E+04 5,65E+01 5,08E ,98E+02 2,41E+02 1,70E+04 1,90E+04 9,86E+01 8,06E+01

94 Tabel 43. Validasi hasil pengelompokan pada variabel ABCD menggunakan jumlah cluster 3 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 1,18E-01 1,28E-01 9,30E-05 9,15E-05 1,61E-02 2,58E ,18E-01 2,51E-01 1,07E-04 1,05E-04 1,78E-02 2,75E ,05E+00 1,28E+00 8,65E-02 8,62E-04 6,12E-02 8,51E ,90E+00 3,66E+00 1,91E+00 1,95E+00 2,75E-01 3,40E ,11E+00 7,79E+00 8,52E+01 9,30E+01 9,87E-01 1,31E ,08E+01 1,38E+01 3,92E+02 4,20E+02 3,28E+00 3,96E ,71E+01 2,16E+01 1,19E+03 4,20E+02 8,23E+00 9,14E ,48E+01 3,13E+01 2,89E+03 3,13E+03 8,48E+00 1,75E ,40E+01 4,30E+01 5,93E+03 6,53E+03 1,72E+01 2,91E ,47E+01 4,47E+01 1,10E+04 1,22E+04 4,18E+01 2,36E+01 Tabel 44. Validasi hasil pengelompokan pada variabel ABCD menggunakan jumlah cluster 4 Rasio (S) Parameter Fuzzy Data Rumah Tangga Data Bisnis Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 2,01E-01 1,97E-01 7,33E-04 7,03E-04 1,98E-02 2,96E ,08E-01 3,65E-01 1,21E-03 1,15E-03 1,89E-02 2,86E ,46E+00 1,88E+00 1,23E-01 5,50E-02 3,31E-01 1,26E ,98E+00 6,26E+00 4,14E+01 2,52E+01 1,26E+00 1,56E ,10E+01 1,41E+01 1,62E+02 1,80E+02 3,49E+00 3,91E ,02E+01 2,61E+01 6,27E+02 6,98E+02 7,24E+00 7,99E ,28E+01 4,25E+01 1,80E+03 2,06E+03 1,31E+01 1,47E ,93E+01 6,34E+01 3,49E+03 3,92E+03 2,27E+01 2,40E ,97E+01 8,86E+01 6,15E+03 7,12E+03 3,35E+01 3,53E ,38E+01 1,18E+02 1,06E+04 1,31E+04 4,65E+01 4,90E+01 Tabel 45. Validasi hasil pengelompokan pada variabel ABCD menggunakan jumlah cluster 5 Rasio (S) Parameter Data Rumah Tangga Data Bisnis Fuzzy Data Industri 6 bulan 1 tahun 6 bulan 1 tahun 6 bulan 1 tahun 1.5 2,21E-01 2,76E-01 8,68E-03 8,39E-03 1,23E-01 2,65E ,29E-01 4,56E-01 1,15E-03 1,34E-03 1,46E-01 3,65E ,92E+00 2,65E+00 1,80E+00 2,06E+00 5,00E-01 7,42E ,08E+00 9,45E+00 6,81E+01 5,74E+01 1,75E+00 2,20E ,78E+01 2,29E+01 2,26E+02 2,75E+02 5,14E+00 5,63E ,52E+01 4,48E+01 6,39E+02 1,13E+03 1,07E+01 1,14E ,11E+01 7,72E+01 2,03E+03 2,44E+03 1,83E+01 2,20E ,72E+01 1,20E+02 4,83E+03 5,75E+03 3,69E+01 3,63E ,42E+02 1,75E+02 9,33E+03 1,15E+04 4,91E+01 5,68E ,98E+02 2,41E+02 1,63E+04 1,90E+04 9,86E+01 8,06E+01

95 Rasio (S) 5,00E-01 4,50E-01 4,00E-01 3,50E-01 3,00E-01 2,50E-01 2,00E-01 1,50E-01 1,00E-01 5,00E-02 0,00E+00 A B C D AB AC AD BC BD CD ABC ABD ACD BCD ABCD Kombinasi Variabel 3 cluster 4 cluster 5 cluste Gambar 1. Hasil uji validasi berdasarkan jumlah cluster pada data pelanggan rumah tangga selama 6 bulan Rasio (S) 5,00E-01 4,50E-01 4,00E-01 3,50E-01 3,00E-01 2,50E-01 2,00E-01 1,50E-01 1,00E-01 5,00E-02 0,00E+00 A B C D AB AC AD BC BD CD ABC ABD ACD BCD ABCD Kombinasi Variabel 3 cluster 4 cluster 5 cluster Gambar 2. Hasil uji validasi berdasarkan jumlah cluster pada data pelanggan rumah tangga selama 1 tahun

96 Lampiran 2. Panduan penggunaan sistem 1. Buka program Matlab pada computer anda, kemudian ketik Menu_Utama_FCM pada command window maka akan muncul tampilan halaman depan dari sistem. 2. Halaman depan memiliki dua menu yakni menu analisis pengelompokkan menggunakan algoritma FCM dan menu keluar. Gambar 1. Tampilan antarmuka bagian depan Sistem Program Analisis Karakter Pelanggan PLN Menggunakan FCM 3. Bila menu Analisis Karakter Pelanggan dengan FCM diklik maka akan muncul tampilan analisis pengelompokkan seperti yang diperlihat Gambar 2 di bawah ini. Gambar 2. Tampilan antarmuka analisis pengelompokkan pelanggan

97 Pada tampilan antarmuka analisis pengelompokkan ini terdapat beberapa tombol dan textbox. a. Tombol browse. Berfungsi sebagai pencari file masukan yang akan dianalisis. Bila diklik maka akan muncul tampilan sebagai berikut. Gambar 3. Tampilan visual memilih data untuk I analisis b. Combo box pilihan. Berfungsi memberikan pilihan kombinasi variabel bagi pengguna dalam melakukan analisa klasterisasi Gambar 4. Tampilan pilihan kombinasi variabel c. Textbox Jumlah Cluster, Iterasi Maksimal, Nilai Error dan Parameter Fuzzy. Berfungsi menampung nilai parameter algoritma FCM yang akan dimasukkan pada proses klasterisasi. Gambar 5. Tampilan masukan nilai parameter algoritma FCM d. Tombol proses. Berfungsi melakukan proses pengelompokkan data pelanggan. e. Tombol save. Berfungsi menyimpan titik pusat kelompok hasil pengelompokkan. f. Tombol clear. Berfungsi menghapus hasil tampilan pengelompokkan pada antarmuka sistem.

98 Gambar 6. Tampilan tombol-tombol proses, save, clear dan close g. Tombol close. Berfungsi menutup tampilan antarmuka sistem. Bila tombol ini diklik maka akan muncul tampilan visual sebagai berikut. Gambar 7. Menutup sistem aplikasi f. Tombol tampilkan. Berfungsi menampilkan karakter pelanggan berdasarkan kelompok yang kita masukkan dalam textbox. Bila isian dalam textbox kurang benar maka akan muncul peringatan seperti gambar di bawah ini. Gambar 8. Tampilan visual peringatan saat melihat karakter data pelanggan pada kelas yang diinginkan Bila textbox antarmuka analisis belum diisi saat dilakukan proses maka akan muncul tampilan pengingat seperti gambar di bawah ini.

99 Gambar 9. Tampilan peringatan memasukkan parameter input Hasil karakter kelompok pelanggan ditampilkan dalam kolom-kolom textbox berikut ini : Gambar 10. Tampilan hasil karakter kelompok pelanggan.