Penerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop)

Transkripsi

1 157 Penerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop) Elly Muningsih AMIK BSI Yogyakarta elly.emh@bsi.ac.id Abstrak Berkembangnya E-Commerce menjadikan pelaku online shop harus bisa menempatkan pelanggannya dengan baik, karena pelanggan merupakan salah satu sumber keuntungan. Mengetahui nilai potensial pelanggan melalui pelaksanaan CRM (Customer Relationship Management) dapat membantu dalam pemahaman nilai pelanggan. Clustering pelanggan merupakan salah satu cara mengetahui pemetaan pelanggan untuk strategi pemasaran yang lebih baik. Metode Fuzzy C-Means dengan model Fuzzy RFM (Recency, Frequency, Monetary) yang merupakan salah satu metode clustering dimana metode Fuzzy C-Means memberikan hasil yang smooth (halus), artinya bahwa objek pengamatan tidak mutlak untuk menjadi satu kelompok saja, tetapi juga bisa menjadi anggota kelompok lain dengan tingkat keanggotaan yang berbeda-beda. Percobaan menghasilkan clustering pelanggan menjadi 3 kelompok dengan iterasi sebanyak enam kali dan nilai fungsi objektif sebesar 20, Kata kunci: nilai pelanggan, Fuzzy C-Means, model Fuzzy RFM, clustering 1. PENDAHULUAN Pelanggan merupakan sumber keuntungan dalam perusahaan karena menduduki posisi penting dalam pengembangan strategi bisnis. Menurut Chai mengalami kesulitan dalam menentukan pelanggan yang potensial. Penentuan yang dilakukan selama ini adalah secara manual dan hasil yang di dapat tidak akurat. Untuk dapat mengatasi Gambar 1. Tahapan proses KDD dalam database dan Chan [1] dijelaskan bahwa permasalahan yang sering dihadapi pemasar adalah kesulitan dalam mengidentifikasi pelanggan atau nasabah yang tepat, sehingga menyebabkan perusahaan dapat kehilangan pelanggan potensial yang akan merugikan perusahaan itu sendiri. Hal ini yang juga terjadi pada sebuah online shop di Jogja yang permasalahan yang terjadi, maka online shop membutuhkan suatu metode untuk mengidentifikasi dan mengelompokkan pelanggan potensial menjadi beberapa cluster atau kelompok dengan teknik yang disebut Data Mining. Teknik data mining pada penelitian menggunakan metode Fuzzy C- Means dengan model Fuzzy RFM (Recency, Frequency dan Monetary).

2 158 Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 Data mining merupakan sebuah inti dari proses Knowledge Discovery in Database (KDD) yang memiliki sifat otomatis, dapat didefinisikan sebagai pengorganisasian proses untuk pengidentifikasian yang benar, berguna dan penemuan pola dari kumpulan data yang besar dan komplek [2]. Tahapan pada proses KDD pada database ditampilkan pada Gambar 1[2] : Ada banyak metode atau fungsi data mining yang bisa digunakan untuk menemukan, menggali dan menambang pengetahuan, namun menurut [3][4] ada enam fungsi utama data mining, yaitu : Description (deskripsi), Estimation (estimasi), Prediction (prediksi), Classification (klasifikasi), Clustering (pengelompokan), dan Association (asosiasi). Pada tahun 1981, Jim Bezdek [5] memperkenalkan untuk pertama kalinya metode Fuzzy C-Means (FCM), salah satu metode clustering yang termasuk dalam penggolongan fuzzy clustering berdasarkan uncertainty data. Metode ini menerapkan model pengelompokkan fuzzy agar data bisa menjadi anggota semua cluster dengan tingkat atau derajad keanggotaan yang berbeda yaitu 0 dan 1 yang akan menentukan tingkat keberadaan data dalam suatu cluster atau kelas FCM merupakan pengembangan dari metode non hierarki K-Means cluster, karena pada awalnya ditentukan dulu jumlah kelompok Z atau cluster yang akan dibentuk kemudian dilakukan iterasi sampai mendapatkan keanggotaan kelompok tersebut [5]. 2. ALGORITMA FUZZY C-MEANS (FCM) Algoritma FCM adalah sebagai berikut [6][7]: 1. Input data yang akan di cluster X, berupa matriks berukuran n x m (n = jumlah sampel data, m = atribut setiap data). Xij = data sampel ke-i (i=1,2,...,n), atribut kej (j=1,2,...,m). X = [ ] (1) 2. Tentukan nilai dari : a. Jumlah cluster = c; b. Pangkat/Derajat kefuzzy-an= w; c. Maksimum iterasi = MaxIter; d. Error terkecil yang diharapkan= ᶓ; e. Fungsi objektif awal = P 0 = 0; f. Iterasi awal = t = 1; 3. Bangkitkan bilangan random µik i = 1, 2,..., n; k = 1, 2,..., c; sebagai elemenelemen matriks awal U. Hitug jumlah setiap kolom (atribut) : Dengan i=1, 2,..., n. Hitung : 4. Dengan pusat klaster ke-k: V kj, dengan k = 1, 2,..., c; dan j = 1, 2,..., m 5. Hitung fungsi obyektif pada iterasi ke-t, P t : 6. Hitung perubahan matriks partisi : 7. Cek kondisi berhenti : Jika : ( P t P t-1 < ᶓ ) atau ( t > MaxIter ) maka berhenti; Jika tidak : t = t+1, ulangi langkah ke-4 Membahas tentang pelanggan potensial, dapat diartikan bahwa pelanggan potensial adalah pelanggan yang loyal terhadap perusahaan [8]. Pelanggan yang potensial umumnya akan melanjutkan pembelian produk dan jasa yang ditawarkan seller meskipun ada pilihan produk atau jasa lain yang lebih baik atau populer. Konsumen yang loyal menurut Kotler dalam [8] tidak hanya dilihat dari berapa banyak konsumen tersebut membeli, tetapi dari berapa sering dia melakukan transaksi ulang, termasuk merekomendasikan kepada orang lain untuk membeli.

3 159 Penelitian ini bertujuan untuk mengetahui pelanggan potensial melalui proses clustering metode Fuzzy C-Means dengan model Fuzzy RFM (Recency, Frequency dan Monetary) berdasarkan transaksi penjualan pelanggan online shop sehingga diharapkan bisa menerapkan strategi pemasaran yang lebih baik sehingga dapat meningkatkan penjualan produk yang pada gilirannya akan akan memberikan efek positif bagi perkembangan perusahaan. 3. METODE PENELITIAN Dalam penelitian ini, data diperoleh dari data transaksi penjualan pada online shop Ragam Jogja dan atribut data yang digunakan adalah data transaksi bulan Januari Juni Setelah data terkumpul kemudian diolah melalui beberapa tahap pengolahan awal data (preparation data) yaitu validasi data, transformasi data dan seleksi atribut. Metode yang digunakan dalam penelitian adalah metode Fuzzy C-Means dengan model fuzzy RFM dimana parameter yang digunakan adalah variabel Recency, Frequency dan Monetary yang masingmasing dibagi menjadi 3 kelompok fuzzy yaitu : 1. Recency dibagi menjadi kelompok fuzzy Baru Saja dengan nilai 3, Agak Lama dengan nilai 2 dan Lama dengan nilai Frequency dibagi menjadi kelompok fuzzy Sering dengan nilai 3, Agak Sering dengan nilai 2 dan Jarang dengan nilai Monetary dibagi menjadi kelompok fuzzy Tinggi dengan nilai 3, Sedang dengan nilai 2 dan Rendah dengan nilai 1. Detail nilai fuzzy dan parameter ditampilkan pada Tabel 1. berikut : Tabel 1. Parameter dan Nilai Fuzzy Parameter Nilai Fuzzy Recency Frequency Monetary Rendah 1 0 < r < 31 hr 0 < f < 3 0 < m < Sedang 2 31 hr < r < 60 hr 3 < f < < m < Besar 3 r > = 60 hr f > = 6 m > = Untuk penerapan metode Fuzzy C-Means menggunakan nilai : a. Jumlah cluster (c) = 3; b. Pangkat/Derajat kefuzzy-an (w) = 2; c. Maksimum iterasi (Maxter) = 10; d. Error terkecil yang diharapkan (ᶓ)= 10-5 e. Fungsi objektif awal (P 0 ) = 0; f. Iterasi awal (t) = 1; Kode Pelanggan 4. HASIL DAN PEMBAHASAN Pengolahan data yang dilakukan pada penelitian berhenti pada iterasi ke-6 dengan hasil seperti ditampilkan pada Tabel 2. berikut : Tabel 2. Hasil Iterasi Terakhir Nilai RFM Kecenderungan Cluster R F M C1 C2 C3 C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , ,

4 160 Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , Cluster yang terbentuk berdasarkan faktor recency(r), frequency(f) dan monetary(m). Semakin besar nilai R menunjukan bahwa pelanggan sering melakukan transaksi, semakin besar nilai F menunjukan pelanggan setia terhadap terhadap produk yang digunakan, dan semakin besar nilai M, menunjukan bahwa nominal transaksi yang dibayarkan semakin besar. 1. Cluster 1 : 8 anggota pelanggan kode C1,C2, C3, C8, C16, C24, C33 dan C36 dengan pusat cluster ( 1, ; 1, ; 1, ), memiliki nilai yang besar dari ketiga faktor, sehingga dapat digolongkan sebagai pelanggan yang sangat potensial. 2. Cluster 2 : 17 anggota pelanggan kode C6, C11, C13, C14, C15, C19, C20, C23, C27, C28, C30, C32, C35, C37, C38, C39 dan C40 dengan pusat cluster

5 161 ( 1, ; 1, ; 1, ), memiliki nilai frequency dan rata-rata ketiga nilai yang cukup besar, sehingga dapat digolongkan sebagai pelanggan yang potensial. 3. Cluster 3 : 17 anggota pelanggan C4, C5, C7, C9, C10, C12, C17, C18, C21, C22, C25, C26, C29, C31, C34, C41 dan C42 dengan pusat cluster ( 2, ; 1, ; 2, ), memiliki nilai rata-rata ketiga faktor yang kecil, sehingga dapat digolongkan menjadi nasabah yang tidak atau kurang potensial. 5. KESIMPULAN Dari penelitian yang dilakukan, metode Fuzzy C-Means dengan model Fuzzy RFM terbukti dapat melakukan clustering pelanggan dengan mengelompokkannya ke dalam pelanggan sangat potensial, pelanggan potensial atau dan pelanggan tidak atau kurang potensil. Walaupun hasil yang diharapkan sudah terpenuhi, namun untuk penelitian lebih lanjut bisa dikembangkan dengan penentuan jumlah cluster dengan metode tertentu, melakukan pengukuran atau validasi untuk hasil yang sudah ada atau membandingkan penerapan menggunakan metode lain agar diketahui keakuratannya. 6. DAFTAR PUSTAKA [1]. Widiarini, & Wahono, R. S. Algoritma Cluster Dinamik untuk Optimasi Cluster pada Algoritma K-Means dalam Pemetaan Nasabah Potensial. Journal of Intelligent Systems, Vol. 1, No. 1, [2]. Maimon, O., & Rokach, L. Data Mining and Knowledge Discovery Handbook. London: Springer Science+Business Media [3]. Larose, D. T. Discovering Knowledge in Data : An Introduction to Data Mining. Hoboken, New Jersey: John Wiley & Sons, Inc [4]. Susanto, S., & Suryadi, D. Pengantar Data Mining : Menggali Pengetahuan dari Bongkahan Data. Yogyakarta: Penerbit ANDI [5]. Kusumadewi, Sri; Hartati, Sri. Neuro- Fuzzy : Integrasi Sistem Fuzzy dan Jaringan Syaraf.Yogyakarta. Graha Ilmu [6]. Kusumadewi, S., Purnomo, H., Aplikasi Fuzzy Untuk Pendukung Keputusan, Graha Ilmu, Jakarta [7]. Setiawan, F. H. Penerapan Fuzzy C- Means Dan Apriori Untuk Rekomendasi Promosi Produk Berdasarkan Segmentasi Konsumen. Semarang [8]. Zulkarnain. Ilmu Menjual. Yogyakarta : Graha Ilmu