PENENTUAN PELANGGAN BERPRESTASI PADA APLIKASI CUSTOMER RELATIONSHIP MANAGEMENT MENGGUNAKAN TOPSIS

Transkripsi

1 PENENTUAN PELANGGAN BERPRESTASI PADA APLIKASI CUSTOMER RELATIONSHIP MANAGEMENT MENGGUNAKAN TOPSIS Ari Basuki Program Studi Teknik Industri, Fakultas Teknik Universitas Trunojoyo Jl Raya Telang Kamal, Bangkalan ABSTRAK Tingginya perkembangan usaha dibidang percetakan, menjadikan banyak perusahaan digital printing mencermati strategi untuk menjalin hubungan yang baik dengan pelanggannya. Dengan menggunakan strategi CRM ( Customer Relationship Management) yang baik, maka diharapkan keuntungan perusahaan bisa bertambah. Salah satu aspek CRM yang dibahas dalam penelitian ini adalah meningkatkan loyalitas pelanggan dengan memberikan reward. Adapun reward yang diberikan kepada pelanggan memiliki beberapa 12 kriteria penilaian yang telah ditentukan oleh stakeholder. Pemilihan pelanggan yang mendapatkan reward / berprestasi diperoleh dari ranking pelanggan yang disusun dengan metode perankingan TOPSIS (Technique for Order Preference by Similarity to Ideal Solution Method). Bobot tiap kriteria dihitung menggunakan metode SMARTER ( Simple Multi Attribute Rating Technique Exploiting Ranks). Pada makalah ini ditampilkan langkah langkah perhitungan secara rinci dengan metode TOPSIS berbasis SMARTER. Dari hasil penelitian, diperoleh bahwa bobot tertinggi dari kriteria yang digunakan adalah status pelanggan (25,86%), total tagihan belum terbayar (17,53%), kontinyuitas order (13,36%) dan jumlah retur (10,58%). Kata kunci: perankingan pelanggan, TOPSIS, SMARTER PENDAHULUAN Perusahaan senantiasa berhubungan pelanggan dalam menjalankan usahanya. Untuk mencapai kesuksesan, maka seharusnya perusahaan menempatkan pelanggan sebagai pusat organisasi karena perubahan perilaku pelanggan berpengaruh terhadap keuntungan perusahaan ( Tiwana,2001; Sigala,2005). Untuk itu diperlukan suatu sistem yang membantu pengelolaan hubungan dengan pelanggannya. Aplikasi CRM ( customer relationship management) digunakan untuk mengelola hubungan yang baik dengan pelanggan. Karenanya, aplikasi CRM merupakan strategi penting yang digunakan perusahaan untuk bersaing dalam pasar yang semakin kompetitif (Stefanou,2003). Ketersediaan informasi yang lengkap tentang pelanggan dalam aplikasi CRM merupakan suatu peluang untuk meningkatkan loyalitas dan kepuasan pelanggan. Hal ini secara langsung akan bermanfaat untuk meningkatkan pendapatan perusahaan. Pada penelitian ini dibangun salah satu fitur aplikasi CRM untuk melakukan penilaian pelanggan. Kriteria yang digunakan dalam makalah ini diperoleh dari studi literatur dan juga wawancara terhadap stakeholder perusahaan. Setiap kriteria tersebut kemudian dibobotkan dengan menggunakan metode SMARTER ( Simple Multi Attribute Rating Technique Exploiting Ranks). Adapun keuntungan metode pembobotan dengan SMARTER adalah proses perhitungannya yang sederhana sehingga mudah digunakan oleh pembuat keputusan dalam menentukan bobot kriteria ( Edwards, 1994). Sedangkan metode perankingan yang A-30-1

2 dilakukan adalah dengan menggunakan TOPSIS (Technique for Order Preference by Similarity to Ideal Solution Method). Metode TOPSIS ini menunjukkan kinerja yang sama dengan multiplicative additive weights dan menunjukkan kinerja yang lebih baik daripada metode analytical hierarchy process (AHP (Saaty, 1980)) dalam kecocokan ranking yang dihasilkan (Olson, 2004). METODOLOGI PENELITIAN Tujuan dari penelitian ini untuk menentukan pelanggan yang berhak mendapatkan reward sesuai dengan kriteria yang ditentukan. Bobot tiap kriteria langsung diberikan oleh stakeholder, berdasarkan urutan prioritas tiap kriteria. Untuk menjadikan nilai prioritas menjadi bobot kriteria, maka dilakukan proses perhitungan dengan metode SMARTER (Simple Multi Attribute Rating Technique Exploiting Ranks) (Edwards, 1994). Pada penelitian ini, digunakan teknik perangkingan TOPSIS untuk memilih pelanggan berprestasi. Adapun kriteria yang digunakan dalam pengambilan keputusan pemilihan pelanggan ini adalah seperti pada Tabel 1. Tabel 1. Kriteria yang digunakan dalam perangkingan pelanggan Kode Nama Kriteria Penjelasan Kriteria K1 Status pelanggan Menunjukkan status pembayaran pelanggan (1:macet), (2:diragukan), (3:kurang lancar), ( 4: dalam perhatian khusus), (5: lancar) K2 Total tagihan belum terbayar Menunjukkan jumlah tagihan yang belum dibayar pelanggan (1: >=30jt), (2: 25jt x<30jt), (3: 15jt x<25jt), (4: 10jt x<15jt), (5: <10jt) K3 Kontinyuitas order Menunjukkan nilai kontinyuitas order (1:jarang), (2:sering tidak teratur), (3: sering, teratur), (4:brotherhood), (5: partner) K4 Jumlah retur Menunjukkan nilai retur dlm rupiah (1: >=7jt), (2: 5jt x<7jt), (3: 3jt x<5jt), (4: 1jt x<2jt), (5: <2jt) K5 Nilai Transaksi/bulan Rata rata nilai banyaknya transaksi dari pelanggan dlm rupiah (1: <5jt), (2: 5jt x<10jt), (3: 10jt x<20jt), (4: 20jt x<30jt), (5: 30jt) K6 Jml pesanan/transaksi Rata rata jumlah item yang dipesan tiap transaksi (1: <20pc), (2: 20pc x<30pc), (3: 30pc x<40pc), (4: 40pc x<50pc), (5: 50pc) K7 Recency Menunjukkan kebaruan transaksi pelanggan (1: < 1 thn yg lalu), (2: 9 bln yg lalu), (3: 6 bln yg lalu), (4: 3 bln yg lalu), (5: dalam bulan ini) K8 Total permintaan jasa Menunjukkan nilai rata rata jasa yang dibutuhkan pelanggan/transaksi, dlm rupiah (1: <500rb), (2: 500rb x<1jt), (3: 1jt x<3jt), (4: 3jt x<5jt), (5: 5jt) K9 Waktu proses order Menunjukkan nilai rata rata waktu proses order K10 Tingkat kerumitan Menunjukkan nilai rata rata kerumitan order, bersifat order subjektif dengan skala 1 (rumit sekali) 5 (mudah) K11 Kategori pelanggan Menunjukkan latar belakang pelanggan (1: individu), (2: sosial/organisasi), (3: UD/Toko), (4: CV), (5: PT) K12 Nilai delivery order Menunjukkan rata rata nilai delivery order pelanggan/bulan (1: <5jt), (2: 5jt x<10jt), (3: 10jt x<20jt), (4: 20jt x<30jt), (5: 30jt) A-30-2

3 Sedangkan langkah-langkah yang dilakukan untuk memperoleh perangkingan dengan menggunakan metode TOPSIS berbasis SMARTER adalah sebagai berikut: Dengan asumsi terdapat pelanggan sejumlah m ( A, i = 1,2,, m) yang dievaluasi berdasarkan kriteria sejumlah n (C, j = 1,2,, n) maka dapat diperoleh matriks pengambilan keputusan dengan ukuran m x n sebagai berikut : = (1) dimana A menyatakan alternatif pelanggan ke-i C menyatakan nilai kriteria ke-j x menyatakan nilai alternatif pelanggan ke-i untuk kriteria ke-j Setelah diperoleh matriks penilaian, maka dilakukan perankingan dengan TOPSIS berbasis SMARTER. Ada 2 bagian rangkaian langkah yang harus dilakukan, yaitu pencarian bobot berdasarkan prioritas tiap kriteria dan perankingan alternatif pelanggan menggunakan metode TOPSIS. Langkah perhitungan bobot dengan SMARTER (Edwards, 1994) 1. Menentukan prioritas dari tiap kriteria. 2. Menghitung bobot tiap kriteria dengan persamaan (1). = ( ) ( ) (2) Dimana Wj adalah nilai skala pembobotan kriteria ke-j dari k kriteria. Nilai kriteria k disusun sesuai dengan prioritas yang telah dibuat. Langkah perankingan pelanggan dengan TOPSIS (Olson, 2004) 1. Normalisasi decision matrix awal. = dimana mengindikasikan nilai normalisasi dari alternatif dengan kriteria 2. Hitung pembobotan ternormalisasi dari nilai yang diperoleh dari langkah 1. = = (. ) (3) (4) dimana adalah bobot dari kriteria ke j yang telah diperoleh pada langkah pencarian bobot kriteria menggunakan entropi. 3. Tentukan nilai ideal positif dan ideal negatif Solusi ideal positif = {,,, } =.,. Solusi ideal negatif = {,,, } =.,. (5) (6) A-30-3

4 4. Hitung nilai separation measures untuk solusi ideal positif dan solusi ideal negatif. Separation solusi ideal positif = ; = 1,2,, (7) Separation solusi ideal negatif (8) = ; = 1,2,, 5. Hitung relative closeness coefficient untuk setiap alternatif = + 6. Urutkan hasil relative closeness coefficient secara descending. (9) Alternatif dapat dirangking berdasarkan urutan nilai C. Sehingga, alternatif terbaik adalah satu alternatif yang berjarak terpendek terhadap solusi ideal positif dan berjarak terjauh dengan solusi ideal negatif. HASIL DAN DISKUSI Pada awal proses perhitungan metode TOPSIS sebagaimana yang telah dijelaskan diatas, perlu dibentuk matrik penilaian pengambilan keputusan sejumlah mxn (m pelanggan, n kriteria). Pada penelitian ini, contoh perhitungan perankingan TOPSIS dilakukan terhadap 20 pelanggan dengan 12 kriteria. Nilai tiap pelanggan sudah diubah menjadi data kategorikal dengan skala 1 5. Berikut ini adalah matriks penilaian sesuai persamaan (1). Tabel 1. Matriks awal penilaian Kriteria / K1 K2 K3 K4 K5 K6 K7 K8 K9 K10 K11 K12 pelanggan P P P P P P P P P P P P P P P P P P P P A-30-4

5 Pada penelitian ini, bobot tiap kriteria ditentukan oleh pengambil keputusan. Dari hasil wawancara dengan stakeholder, berikut ini nilai prioritas beserta bobot tiap kriteria yang dihitung dengan persamaan (2). Tabel 2. Prioritas dan bobot kriteria yang digunakan Prioritas Bobot Bobot % K1 1 0, ,86% K2 2 0, ,53% K3 3 0, ,36% K4 4 0, ,58% K5 5 0, ,50% K6 6 0, ,83% K7 7 0, ,44% K8 8 0, ,25% K9 9 0, ,21% K , ,29% K , ,45% K , ,69% Setelah mendapatkan bobot dari tiap kriteria, maka langkah selanjutnya adalah melakukan normalisasi tiap kriteria menggunakan persamaan (3). Kriteria / pelanggan Tabel 3. Matriks awal ternormalisasi K1 K2 K3 K4 K5 K6 K7 K8 K9 K10 K11 K12 P1 0,013 0,010 0,025 0,023 0,018 0,014 0,031 0,033 0,025 0,034 0,007 0,018 P2 0,031 0,026 0,025 0,030 0,004 0,014 0,013 0,033 0,006 0,008 0,026 0,024 P3 0,006 0,005 0,025 0,023 0,004 0,021 0,025 0,013 0,006 0,034 0,033 0,018 P4 0,031 0,020 0,005 0,038 0,018 0,028 0,025 0,020 0,031 0,008 0,007 0,018 P5 0,006 0,020 0,015 0,008 0,015 0,007 0,006 0,013 0,013 0,008 0,020 0,030 P6 0,013 0,026 0,020 0,008 0,004 0,021 0,019 0,007 0,019 0,025 0,033 0,030 P7 0,006 0,015 0,005 0,023 0,018 0,021 0,025 0,033 0,006 0,025 0,020 0,012 P8 0,019 0,026 0,005 0,023 0,011 0,014 0,031 0,013 0,006 0,017 0,007 0,006 P9 0,019 0,010 0,020 0,015 0,018 0,007 0,006 0,013 0,031 0,008 0,013 0,024 P10 0,006 0,015 0,025 0,008 0,018 0,028 0,006 0,027 0,006 0,042 0,033 0,024 P11 0,025 0,020 0,010 0,023 0,018 0,035 0,006 0,027 0,013 0,025 0,013 0,006 P12 0,013 0,020 0,025 0,030 0,011 0,021 0,006 0,013 0,025 0,034 0,026 0,018 P13 0,019 0,010 0,005 0,008 0,018 0,035 0,019 0,013 0,013 0,017 0,007 0,024 P14 0,006 0,015 0,010 0,023 0,011 0,014 0,025 0,013 0,031 0,008 0,020 0,018 P15 0,031 0,005 0,020 0,015 0,018 0,014 0,019 0,007 0,031 0,017 0,007 0,006 P16 0,031 0,020 0,010 0,023 0,018 0,014 0,019 0,013 0,006 0,008 0,013 0,006 P17 0,031 0,015 0,020 0,023 0,018 0,021 0,019 0,007 0,025 0,017 0,026 0,030 P18 0,019 0,015 0,015 0,015 0,015 0,028 0,031 0,007 0,019 0,017 0,013 0,006 P19 0,006 0,026 0,005 0,015 0,015 0,035 0,031 0,020 0,025 0,034 0,007 0,012 P20 0,031 0,026 0,020 0,030 0,018 0,035 0,031 0,013 0,031 0,008 0,007 0,012 Langkah selanjutnya adalah membuat matriks bobot ternormalisasi dengan persamaan (3). Pada langkah ini, tiap nilai dari matriks ternormalisasi dikalikan dengan bobot tiap A-30-5

6 kriteria yang bersesuaian pada Tabel 2. Hasil matriks bobot ternormalisasi dapat dilihat pada Tabel 4. Tabel 4. Matriks bobot ternormalisasi Kriteria / pelanggan K1 K2 K3 K4 K5 K6 K7 K8 K9 K10 K11 K12 P1 0,003 0,002 0,003 0,002 0,002 0,001 0,002 0,001 0,001 0,001 0,000 0,000 P2 0,008 0,004 0,003 0,003 0,000 0,001 0,001 0,001 0,000 0,000 0,000 0,000 P3 0,002 0,001 0,003 0,002 0,000 0,001 0,001 0,001 0,000 0,001 0,000 0,000 P4 0,008 0,004 0,001 0,004 0,002 0,002 0,001 0,001 0,001 0,000 0,000 0,000 P5 0,002 0,004 0,002 0,001 0,001 0,000 0,000 0,001 0,000 0,000 0,000 0,000 P6 0,003 0,004 0,003 0,001 0,000 0,001 0,001 0,000 0,001 0,001 0,000 0,000 P7 0,002 0,003 0,001 0,002 0,002 0,001 0,001 0,001 0,000 0,001 0,000 0,000 P8 0,005 0,004 0,001 0,002 0,001 0,001 0,002 0,001 0,000 0,000 0,000 0,000 P9 0,005 0,002 0,003 0,002 0,002 0,000 0,000 0,001 0,001 0,000 0,000 0,000 P10 0,002 0,003 0,003 0,001 0,002 0,002 0,000 0,001 0,000 0,001 0,000 0,000 P11 0,006 0,004 0,001 0,002 0,002 0,002 0,000 0,001 0,000 0,001 0,000 0,000 P12 0,003 0,004 0,003 0,003 0,001 0,001 0,000 0,001 0,001 0,001 0,000 0,000 P13 0,005 0,002 0,001 0,001 0,002 0,002 0,001 0,001 0,000 0,000 0,000 0,000 P14 0,002 0,003 0,001 0,002 0,001 0,001 0,001 0,001 0,001 0,000 0,000 0,000 P15 0,008 0,001 0,003 0,002 0,002 0,001 0,001 0,000 0,001 0,000 0,000 0,000 P16 0,008 0,004 0,001 0,002 0,002 0,001 0,001 0,001 0,000 0,000 0,000 0,000 P17 0,008 0,003 0,003 0,002 0,002 0,001 0,001 0,000 0,001 0,000 0,000 0,000 P18 0,005 0,003 0,002 0,002 0,001 0,002 0,002 0,000 0,001 0,000 0,000 0,000 P19 0,002 0,004 0,001 0,002 0,001 0,002 0,002 0,001 0,001 0,001 0,000 0,000 P20 0,008 0,004 0,003 0,003 0,002 0,002 0,002 0,001 0,001 0,000 0,000 0,000 Setelah itu dilakukan perhitungan himpunan solusi ideal + (persamaan 5) dan solusi ideal - (persamaan 6). Hasil perhitungan tersebut terdapat pada Tabel 5. Tabel 5. Himpunan solusi ideal + dan solusi ideal Kriteria K1 K2 K3 K4 K5 K6 K7 K8 K9 K10 K11 K12 Himpunan solusi + Himpunan solusi - 0,0081 0,0045 0,0034 0,0040 0,0016 0,0024 0,0017 0,0014 0,0010 0,0010 0,0005 0,0002 0,0016 0,0009 0,0007 0,0008 0,0003 0,0005 0,0003 0,0003 0,0002 0,0002 0,0001 0,0000 Langkah selanjutnya adalah menghitung separation measures terhadap solusi ideal +. Pada tahap ini dilakukan pengukuran jarak tiap pelanggan untuk semua nilai kriteria terhadap himpunan solusi ideal + yang bersesuaian. Perhitungan tersebut menggunakan persamaan (7). Selain itu, juga dilakukan perhitungan jarak terhadap solusi ideal menggunakan persamaan (8). Hasil perhitungan tersebut ditampilkan dalam matrik jarak tiap pelanggan pada Tabel 6. A-30-6

7 Tabel 6. Matrik jarak tiap pelanggan Jarak ke solusi ideal + Jarak ke solusi ideal - relative closeness coefficient Ranking pelanggan P1 0,0060 0,0019 0, P2 0,0026 0,0021 0, P3 0,0078 0,0015 0, P4 0,0031 0,0029 0, P5 0,0079 0,0011 0, P6 0,0062 0,0013 0, P7 0,0075 0,0018 0, P8 0,0050 0,0013 0, P9 0,0055 0,0011 0, P10 0,0076 0,0020 0, P11 0,0036 0,0022 0, P12 0,0054 0,0019 0, P13 0,0061 0,0021 0, P14 0,0075 0,0012 0, P15 0,0048 0,0010 0, P16 0,0035 0,0012 0, P17 0,0030 0,0014 0, P18 0,0048 0,0016 0, P19 0,0075 0,0021 0, P20 0,0016 0,0027 0, Setelah diketahui jarak tiap pelanggan terhadap solusi ideal + dan solusi ideal - maka dilakukan perhitungan relative closeness coefficient menggunakan persamaan (9). Hasil perhitungan tersebut terdapat pada Tabel 6. Selanjutnya nilai relative closeness coefficient diurutkan secara descending untuk mendapatkan nilai ranking pelanggan. KESIMPULAN Dalam makalah ini, kami telah mengusulkan sebuah model pemilihan pelanggan yang mendapatkan reward berbasis multi kriteria. Model pengambilan keputusan yang diajukan meliputi mengidentifikasi kriteria beserta bobotnya dan perankingan pelanggan menggunakan metode TOPSIS berbasis SMARTER. Dari hasil penelitian, kriteria yang dapat digunakan pada aplikasi CRM untuk perangkingan pelanggan ini sejumlah 12 kriteria. Berdasarkan perhitungan SMARTER, maka kriteria yang diprioritaskan adalah status pelanggan (25,86%), t otal tagihan belum terbayar (17,53%), kontinyuitas order (13,36%) dan jumlah retur (10,58%). Sedangkan pelanggan yang mendapatkan nilai relative closeness coefficient tertinggi adalah p20 ( 0,6247), p4 ( 0,0031), p2 (0,4483), dan p11(0,3856). DAFTAR PUSTAKA Tiwana, A., The Essential Guide to Knowledge Management: e-business and CRM Applications. Prentice-Hall, Englewood Cliffs, NJ. Sigala, M Integrating customer relationship management in hotel operations: managerial and operational implications. Hospitality Management 24.pp A-30-7

8 Stefanou, C., Sarmaniotis, C., Stafyla, A., CRM and customer-centric knowledge management: an empirical research. Business Process Management Journal 9 (5), pp W. Edwards and F.H. Barron, SMARTS and SMARTER: Improved simple methods for multiattribute utility measurement, Organizational Behavior and Human Decision Processes 60, Saaty, T. L The Analytic Hierarchy Process. McGraw-Hill: New York. Olson, D.L., Comparison of Weights in TOPSIS Models, Mathematical and Computer Modelling. pp 1-7 A-30-8