Segmentasi Pelanggan Menggunakan Metode Fuzzy C-Means dan Fuzzy Recency Frequency Monetary pada Perusahaan Furniture TUGAS AKHIR

Transkripsi

1 Segmentasi Pelanggan Menggunakan Metode Fuzzy C-Means dan Fuzzy Recency Frequency Monetary pada Perusahaan Furniture TUGAS AKHIR Diajukan Guna Memenuhi Sebagian Persyaratan Dalam Rangka Menyelesaikan Pendidikan Sarjana Strata Satu (S1) Program Studi Teknologi Informasi NI PUTU PUTRI YULIARI NIM JURUSAN TEKNOLOGI INFORMASI FAKULTAS TEKNIK UNIVERSITAS UDAYANA JIMBARAN 2015

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

3 KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN UNIVERSITAS UDAYANA FAKULTAS TEKNIK JURUSAN TEKNOLOGI INFORMASI GedungTeknologilnformasi, Kampus Bukit Jimbaran - Bali Telepon: it@it.unud. ac. id laman: it.unud.ac. id LEMBAR PENGESAHAN TUGAS AKHIR JTIDUL NAMA NIM JURUSAN FAKULTAS TANGGAL UJIAN SEGMENTAS I PELANGGAN MENGGT]NAKAN METODE FUZZY C-MEANS DAN FUZZY R}'M PADA PERI]SAHAAN FI]RNITT]RE NI PUTU PUTRI YULIARI TEKNOLOGI INFORMASI TEKNIK 03 JULI2O15 Menyetujui, Pembimbing I, Prof. Dr. I Ketut Gede Darma Putra. S.Kom.. M.T NIP Pembimbing II, AI -1!ql U\ Ni Kadek Dwi Rusjayanti. ST..MT NIP. Ketua Mengetahui, Teknologi Informasi tt,l'..' -,.,.t1l^ 2003t2 I 002

4 KEMENTERIAN PENDIDIKAN DAN KEBUDAYAJ{{ UNIVERSITAS UDAYANA FAKULTAS TEKNIK JURUSAN TEKNOLOGI INFORMASI GedungTeknologitnformasi, Kampus Bukit Jimbaran - Bali Telepon: it@it.unud.ac.id laman:http ://www. it.unud.ac. id BERITA ACARA TUGAS AKHIR JUDUL NAMA NIM JURUSAN FAKULTAS TANGGAL UJIAN SEGMENTASI PELANGGAN MENGGUNAKAN METODE FUZZY C-MEANS DAN FUZZY RFM PADA PERUSAHAAN FURNITURE NI PUTU PUTRI YULIARI s TEKNOLOGI INFORMASI TEKNIK 03 JULI2O15 Telah dipertahankan di hadapan Dewan Penguji dan diterima sebagai bagian persyaratan yang diperlukan untuk memperoleh gelar Sarjana Teknologi Informasi pada Program Studi Teknologi Informasi, Fakultas Teknik, Universitas Udayana dengan nilai A. DEWAN PENGUJI Ketua, S.Kom.. M.T NIDN Sekretaris, I o^l It^tt Ni Kadek DWi Rusjavanti. ST..MT NIDN A.A Kompiang Oka Sudana" S.Kom. MT. NIDN Penguji II, I MMukarsa.T.,M.T. NIDN.0024t07505 Putra. S.Si..M.Si NIDN

5 KATA PENGANTAR Puji syukur penulis panjatkan ke hadirat Tuhan Yang Maha Esa, karena berkat rahmat-nyalah maka penulis dapat menyelesaikan tugas akhir ini. Penulis mendapatkan banyak petunjuk dan bimbingan dari berbagai pihak. Ucapan terima kasih penulis sampaikan kepada : 1. Bapak Prof. Ir. Ngakan Putu Gede Suardana, M.T., Ph.D. selaku Dekan Fakultas Teknik Universitas Udayana. 2. Bapak Dr. Eng. I Putu Agung Bayupati, S.T., M.T. selaku Ketua Jurusan Teknologi Informasi Universitas Udayana. 3. Bapak Prof. Dr. I Ketut Gede Darma Putra,S.Kom.,M.T. selaku pembimbing I yang telah banyak memberikan bimbingan, bantuan dan petunjuk kepada penulis dalam penyelesaian tugas akhir ini. 4. Ibu Ni Kadek Dwi Rusjayanti, S.T., M.T. selaku dosen pembimbing II yang telah banyak memiliki memberikan bantuan, petunjuk, dan bimbingan kepada penulis di dalam penyelesaian tugas akhir ini. 5. Bapak I Made Sukarsa, S.T.,M.T. selaku dosen pembimbing akademik, yang telah memberikan bimbingan selama menempuh pendidikan di Jurusan Teknologi Informasi Fakultas Teknik Universitas Udayana. 6. Kedua orang tua terutama ayah dan adik saya yang telah bekerja keras, memberikan bimbingan dan dukungan finansial, jasmani dan rohani serta seluruh keluarga besar saya yang selalu mendukung dan memberikan motivasi dalam penyusunan tugas akhir ini. 7. Teman-teman seperjuangan saya, Anindya Santika, Mertasuryani, Debby Puspita, Yulia Jungsu (T), Amy Jayanti (s) dan angkatan TIMMXI yang telah memberikan sumbangan ide, pemikiran, pengetahuan, dukungan sehingga membantu penulis dalam penyusunan tugas akhir. vi

6 8. Teman-teman dan keluarga besar civitas akademika Jurusan Teknologi Informasi yang telah memberikan sumbangan ide, pemikiran, pengetahuan, dukungan sehingga membantu penulis dalam penyusunan tugas akhir. Denpasar, Juli 2015 Ni Putu Putri Yuliari vii

7 ABSTRAK Segmentasi pelanggan adalah strategi pasar untuk mengetahui pelanggan yang potensial untuk membantu perusahaan dalam memasarkan produk. Penelitian ini menggunakan Fuzzy C-Means dan Fuzzy RFM untuk melakukan clustering. Metode Fuzzy C-Means diukur melalui derajat keanggotaan suatu data. Software yang digunakan pada penelitian ini adalah Matlab dan Microsoft SQL Server. Hasil uji coba dari empat percobaan yang dilakukan menghasilkan dua kelas yang dominan yakni Superstar B dan Occasional H serta untuk jumlah cluster yang terbaik adalah dua cluster dengan Metode MPC (Modiffied Partition Coefficient) sebagai metode uji validitas. Kata kunci : Segmentasi pelanggan, Fuzzy C-Means, Fuzzy RFM, MPC (Modiffied Partition Coefficient) viii

8 ABSTRACT Customer segmentation divides potential customer in market strategy. This research had used Fuzzy C-Means and Fuzzy RFM for clustering method. Fuzzy C-Means utilizied existence member of data given from membership degree. Softwares used to conduct this experiment are Microsoft SQL Server to saving the database and Matlab as the tools. The results of this segmentation for four experiments are two classes. Its has superstar B and Occasional H for each number cluster and then for the best number of cluster for this experiments are two clusters according MPC method. Keywords : Customer segmentation, Fuzzy C-Means, Fuzzy RFM, MPC (Modiffied Partition Coefficient) ix

9 DAFTAR ISI HALAMAN JUDUL... ii LEMBAR PERNYATAAN... iii LEMBAR PENGESAHAN TUGAS AKHIR... iv BERITA ACARA TUGAS AKHIR... v KATA PENGANTAR... vi ABSTRAK... viii ABSTRACT... ix DAFTAR ISI... x DAFTAR GAMBAR... xii DAFTAR TABEL... xv DAFTAR KODE PROGRAM... xviii BAB I PENDAHULUAN Latar Belakang Rumusan Masalah Tujuan Penelitian Manfaat Penelitian... 4 BAB II TINJAUAN PUSTAKA State of the Art Customer Relationship Management (CRM) Data Mining Segmentasi Pelanggan Fuzzy RFM (Recency, Frequency, Monetary) Metode Clustering Fuzzy C-Means Profil CV. Guna Laksana Cipta BAB III METODE DAN PERANCANGAN SISTEM Tempat dan Waktu Alur Analisis Data Kebutuhan Hardware dan Software Perancangan Sistem Gambaran Umum Sistem Bussiness Understanding x

10 3.5.3 Data Understanding Data Preparation Pemilihan Data Data Preprocessing Data Transformation Modeling Clustering Uji Cluster dalam Metode MPC (Modified Partition Coefficient) Rancangan database Deployment Antarmuka Aplikasi Form Open Form Clustering Form View Form Segmentation BAB IV HASIL DAN PEMBAHASAN Arsitektur Analisa Data Pemilihan Data Implementasi Fuzzy C-Means Implementasi Fuzzy RFM Hasil Uji Coba Clustering Fuzzy C-Means Uji Coba dengan Jumlah Cluster Uji Coba dengan Jumlah Cluster Uji Coba dengan Jumlah Cluster Uji Coba dengan Jumlah Cluster Analisis Cluster BAB V KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA xi

11 DAFTAR GAMBAR Gambar 2.1 Proses Transformasi Data Mentah Menjadi Berguna... 8 Gambar 2.2 Siklus Hidup CRISP-DM... 9 Gambar 3.1 Gambaran Umum Sistem Gambar 3.2 Diagram Relasi Antar Tabel Gambar 3.3 Tabel yang Terlibat dalam Preparation Gambar 3.4 Pembentukan Tabel tb_fix Gambar 3.5 Pembentukan Tabel tb_rfmfix Gambar 3.6 Himpunan Fuzzy Recency Gambar 3.7 Himpunan Fuzzy Frequency Gambar 3.8 Himpunan Fuzzy Monetary Gambar 3.9 Flowchart Metode Fuzzy C-Means Gambar 3.10 Database Tambahan Gambar 3.11 GUI Open Gambar 3.12 GUI Clustering Gambar 3.13 GUI View Gambar 3.14 GUI Segmentation Gambar 4.1 Tahapan Arsitektur Pemilihan Data Gambar 4.2 Pemilihan Data Gambar 4.3 Data RFM dalam Bentuk Grafik 3 Dimensi Gambar 4.4 Data RFM Gambar 4.5 Grafik RFM Gambar 4.6 Input Parameter Fuzzy C-Means Gambar 4.7 Tampilan Data yang Telah Diklasterisasi dan Grafik Pusat Cluster Serta Uji Validitas Cluster Gambar 4.8 Grafik Fuzzy RFM Gambar 4.9 Data yang Telah Dilakukan Segmentasi Gambar 4.10 Hasil Clustering Menggunakan Bobot 2 dan Iterasi maksimal Gambar 4.11 Hasil Clustering Menggunakan Bobot 2 dan Iterasi maksimal Gambar 4.12 Hasil Clustering Menggunakan Bobot 3 dan Iterasi maksimal Gambar 4.13 Hasil Clustering Menggunakan Bobot 3 dan Iterasi maksimal Gambar 4.14 Hasil Clustering Menggunakan Bobot 4 dan Iterasi maksimal Gambar 4.15 Hasil Clustering Menggunakan Bobot 4 dan Iterasi maksimal Gambar 4.16 Hasil Clustering Menggunakan Bobot 5 dan Iterasi maksimal Gambar 4.17 Hasil Clustering Menggunakan Bobot 5 dan Iterasi xii

12 maksimal Gambar 4.18 Hasil Clustering dengan 3 Cluster, Bobot 2 dan Iterasi maksimal Gambar 4.19 Hasil Clustering dengan 3 Cluster, Bobot 2 dan Iterasi maksimal Gambar 4.20 Hasil Clustering dengan 3 Cluster, Bobot 3 dan Iterasi maksimal Gambar 4.21 Hasil Clustering dengan 3 Cluster, Bobot 3 dan Iterasi maksimal Gambar 4.22 Hasil Clustering dengan 3 Cluster, Bobot 4 dan Iterasi maksimal Gambar 4.23 Hasil Clustering dengan 3 Cluster, Bobot 4 dan Iterasi maksimal Gambar 4.24 Hasil Clustering dengan 3 Cluster, Bobot 5 dan Iterasi maksimal Gambar 4.25 Hasil Clustering dengan 3 Cluster, Bobot 5 dan Iterasi maksimal Gambar 4.26 Hasil Clustering dengan 4 Cluster, Bobot 2 dan Iterasi maksimal Gambar 4.27 Hasil Clustering dengan 4 Cluster, Bobot 2 dan Iterasi maksimal Gambar 4.28 Hasil Clustering dengan 4 Cluster, Bobot 3 dan Iterasi maksimal Gambar 4.29 Hasil Clustering dengan 4 Cluster, Bobot 3 dan Iterasi maksimal Gambar 4.30 Hasil Clustering dengan 4 Cluster, Bobot 4 dan Iterasi maksimal Gambar 4.31 Hasil Clustering dengan 4 Cluster, Bobot 4 dan Iterasi maksimal Gambar 4.32 Hasil Clustering dengan 4 Cluster, Bobot 5 dan Iterasi maksimal Gambar 4.33 Hasil Clustering dengan 4 Cluster, Bobot 5 dan Iterasi maksimal Gambar 4.34 Hasil Clustering dengan 5 Cluster, Bobot 2 dan Iterasi maksimal Gambar 4.35 Hasil Clustering dengan 5 Cluster, Bobot 2 dan Iterasi maksimal Gambar 4.36 Hasil Clustering dengan 5 Cluster, Bobot 3 dan Iterasi maksimal Gambar 4.37 Hasil Clustering dengan 5 Cluster, Bobot 3 dan Iterasi Maksimal Gambar 4.38 Hasil Clustering dengan 5 Cluster, Bobot 4 dan Iterasi Maksimal Gambar 4.39 Hasil Clustering dengan 5 Cluster, Bobot 4 dan Iterasi Maksimal Gambar 4.40 Hasil Clustering dengan 5 Cluster, Bobot 5 dan Iterasi xiii

13 Maksimal Gambar 4.41 Hasil Clustering dengan 5 Cluster, Bobot 5 dan Iterasi Maksimal Gambar 4.42Tampilan Grafik Perbandingan Hasil Kerja Clustering xiv

14 DAFTAR TABEL Tabel 2.1 Pembagian Customer Berdasarkan Nilai RFM Tabel 3.1 Tabel Customer Tabel 3.2 Tabel Produk Tabel 3.3 Tabel Orders Tabel 3.4 Tabel Order Details Tabel 3.5 Tabel Employees Tabel 3.6 Data Pilihan Sesuai dengan Model RFM Tabel 3.7 Tabel Orders Tabel 3.8 Tabel OrderDetails Tabel 3.9 Tabel Tb_Fix Tabel 3.10 Tabel Tb_Fixed Tabel 3.11Tabel RFMfix Tabel 3.12 Tabel RFMfixed Tabel 3.13 Domain Value RFM Tabel 3.14 Tabel Kelas Pelanggan Tabel 3.15 Tabel Label Pelanggan Superstar Tabel 3.16 Label Pelanggan Golden Tabel 3.17 Label Pelanggan Tabel 3.18 Label Pelanggan Occasional Tabel 3.19 Label Pelanggan Everyday Tabel 3.20 Label Pelanggan Dormant Tabel 3.21 Contoh Tabel RFM Tabel 3.22 Menginputkan Variabel Tabel 3.23 Membangkitkan Data Tabel 3.24 Bilangan Random Pembangkit Data Tabel 3.25 Data yang Termasuk pada Variabel µ ik Tabel 3.26 Contoh Menghitung Pusat Cluster Tabel 3.27 Pusat Cluster Tabel 3.28 Contoh Menghitung Pusat Cluster Tabel 3.29 Pusat Cluster Tabel 3.30 Contoh Menghitung Pusat Cluster Tabel 3.31 Pusat Cluster Tabel 3.32 Pusat Cluster Tabel 3.33 Menghitung Fungsi Objektif Cluster Tabel 3.34 Menghitung Fungsi Objektif Cluster Tabel 3.35 Menghitung Fungsi Objektif Cluster Tabel 3.36 Fungsi Objektif Cluster Pt Tabel 3.37 Penjumlahan µ ik Tabel 3.38 Menghitung Perubahan Matriks Partisi Tabel 3.39 Matriks Partisi Baru Tabel 3.40 Hasil Clustering Tabel 3.41 Struktur Tabel Tb_fix xv

15 Tabel 3.42 Contoh Data pada Tb_fix Tabel 3.43 Struktur Data pada Tabel Tb_fix Tabel 3.44 Tabel Tb_fixed Tabel 3.45 Struktur Tabel Tb_rfmfix Tabel 3.46 Tabel Tb_rfmfix Tabel 3.47 Struktur Tabel Tb_rfmfixed Tabel 3.48 Tabel Tb_rfmfixed Tabel 3.49 Struktur Tb_Recency Tabel 3.50 Contoh Tb_Recency Tabel 3.51 Struktur Tb_Monetary Tabel 3.52 Contoh Tb_Monetary Tabel 3.53 Struktur Tb_Frekuensi Tabel 3.54 Contoh Tb_Frekuensi Tabel 4.1 Range Fuzzy RFM untuk Recency Tabel 4.2 Range Fuzzy RFM untuk Frequency Tabel 4.3 Range Fuzzy RFM untuk Monetary Tabel 4.4 Koordinat Titik Pusat Cluster Tabel 4.5 Kelas Konsumen dengan 2 Cluster Bobot 2 dan Iterasi Maksimal Tabel 4.6 Kelas Konsumen dengan 2 Cluster Bobot 2 dan Iterasi Maksimal Tabel 4.7 Koordinat Titik Pusat Cluster Tabel 4.8 Kelas Konsumen dengan 2 Cluster Bobot 3 dan Iterasi Maksimal Tabel 4.9 Koordinat Titik Pusat Cluster Tabel 4.10 Kelas Konsumen dengan 2 Cluster Bobot 3 dan Iterasi Maksimal Tabel 4.11 Koordinat Titik Pusat Cluster Tabel 4.12 Kelas Konsumen dengan 2 Cluster Bobot 4 dan Iterasi Maksimal Tabel 4.13 Koordinat Titik Pusat Cluster Tabel 4.14 Kelas Konsumen dengan 2 Cluster Bobot 4 dan Iterasi Maksimal Tabel 4.15 Koordinat Titik Pusat Cluster Tabel 4.16 Kelas Konsumen dengan 2 Cluster Bobot 5 dan Iterasi Maksimal Tabel 4.17 Koordinat Titik Pusat Cluster Tabel 4.18 Kelas Konsumen dengan 2 Cluster Bobot 5 dan Iterasi Maksimal Tabel 4.19 Perbandingan Nilai MPC pada Uji Coba Jumlah Cluster Tabel 4.20 Koordinat Pusat Cluster dengan 3 Cluster Tabel 4.21 Kelas Konsumen dengan 3 Cluster Tabel 4.22 Koordinat Pusat Cluster dengan 3 Cluster Tabel 4.23 Kelas Konsumen dengan 3 Cluster Tabel 4.24 Koordinat Pusat Cluster dengan 3 Cluster Tabel 4.25 Kelas Konsumen dengan 3 Cluster xvi

16 Tabel 4.26 Koordinat Pusat Cluster dengan 3 Cluster Tabel 4.27 Kelas Konsumen dengan 3 Cluster Tabel 4.28 Koordinat Pusat Cluster dengan 3 Cluster Tabel 4.29 Kelas Konsumen dengan 3 Cluster Tabel 4.30 Koordinat Pusat Cluster dengan 3 Cluster Tabel 4.31 Kelas Konsumen dengan 3 Cluster Tabel 4.32 Koordinat Pusat Cluster dengan 3 Cluster Tabel 4.33 Kelas Konsumen dengan 3 Cluster Tabel 4.34 Koordinat Pusat Cluster dengan 3 Cluster Tabel 4.35 Kelas Konsumen dengan 3 Cluster Tabel 4.36 Perbandingan Nilai MPC pada Uji Coba Jumlah Cluster Tabel 4.37 Koordinat Pusat Cluster dengan 4 Cluster Tabel 4.38 Kelas Konsumen dengan 4 Cluster Tabel 4.39 Koordinat Pusat Cluster dengan 4 Cluster Tabel 4.40 Kelas Konsumen dengan 4 Cluster Tabel 4.41 Koordinat Pusat Cluster dengan 4 Cluster Tabel 4.42 Kelas Konsumen dengan 4 Cluster Tabel 4.43 Koordinat Pusat Cluster dengan 4 Cluster Tabel 4.44 Kelas Konsumen dengan 4 Cluster Tabel 4.45 Koordinat Pusat Cluster dengan 4 Cluster Tabel 4.46 Kelas Konsumen dengan 4 Cluster Tabel 4.47 Koordinat Pusat Cluster dengan 4 Cluster Tabel 4.48 Kelas Konsumen dengan 4 Cluster Tabel 4.49 Koordinat Pusat Cluster dengan 4 Cluster Tabel 4.50 Kelas Konsumen dengan 4 Cluster Tabel 4.51 Koordinat Pusat Cluster dengan 4 Cluster Tabel 4.52 Kelas Konsumen dengan 4 Cluster Tabel 4.53 Perbandingan Nilai MPC pada Uji Coba Jumlah Cluster Tabel 4.54 Koordinat Pusat Cluster dengan 5 Cluster Tabel 4.55 Kelas Konsumen dengan 5 Cluster Tabel 4.56 Koordinat Pusat Cluster dengan 5 Cluster Tabel 4.57 Kelas Konsumen dengan 5 Cluster Tabel 4.58 Koordinat Pusat Cluster dengan 5 Cluster Tabel 4.59 Kelas Konsumen dengan 5 Cluster Tabel 4.60 Koordinat Pusat Cluster dengan 5 Cluster Tabel 4.61 Kelas Konsumen dengan 5 Cluster Tabel 4.62 Koordinat Pusat Cluster dengan 5 Cluster Tabel 4.63 Kelas Konsumen dengan 5 Cluster Tabel 4.64 Koordinat Pusat Cluster dengan 5 Cluster Tabel 4.65 Kelas Konsumen dengan 5 Cluster Tabel 4.66 Koordinat Pusat Cluster dengan 5 Cluster Tabel 4.67 Kelas Konsumen dengan 5 Cluster Tabel 4.68 Koordinat Pusat Cluster dengan 5 Cluster Tabel 4.69 Kelas Konsumen dengan 5 Cluster Tabel 4.70 Perbandingan Nilai MPC pada Uji Coba Jumlah Cluster Tabel 4.71 Tabel Nilai MPC Terbaik xvii

17 KODE PROGRAM Kode Program 4.1 Query Input Data Ke tb_fix Kode Program 4.2 Query Input Data Ke tb_fixed Kode Program 4.3 Stored Procedure Untuk Input Data ke tb_rfmfix Kode Program 4.4 Query Input Data ke tb_rfmfix xviii