RANCANG BANGUN SISTEM PENGELOMPOKAN PELANGGAN POTENSIAL MENGGUNAKAN METODE K-MEANS UNTUK PROMOSI PAKET WISATA (STUDI KASUS PT. BALI SINAR MENTARI) I Putu Agus Hendra Krisnawan 1) 1) S1/ Jurusan Sistem Informasi. Sekolah Tinggi Manajemen Informatika & Teknik Komputer Surabaya, email : ndra.btox@gmail.com Abstract: PT. Bali Sinar Mentari is a company engaged in the field of business travel services in Bali. In company like this, giving promotion is one of important factor in helping the sale of services to customers. The problem is managers have difficulty to determine which customers have the right to be given promotion. Based on that, company required system to classify the potential customer to be given promotions via email. clustering customers can use K-Means method. This method must use the physical data, not abstract, it is same with the data used in problems in grouping customers at PT. Bali Sinar Mentari. In this final project, the application of clustering system can be run in line with expectations. The process of clustering customers with the K-Means method can work well and generate groups of potential customers. Keyword: clustering, potential customers, tourism package PT. Bali Sinar Mentari adalah perusahaan yang bergerak pada bidang usaha jasa perjalanan wisata di Bali. Perusahaan ini melayani pelanggan domestik maupun mancanegara yang akan berlibur di Bali, dengan menyediakan paketpaket wisata yang terdiri dari berbagai macam jenis pilihan hotel dan hari termasuk restoran dan objek wisata didalamnya. Tentunya dalam perusahaan jasa, pemberian promosi merupakan salah satu faktor penting dalam membantu penjualan jasa kepada pelanggan, jika dilihat selama ini, PT. Bali Sinar Mentari setiap bulan mencatat rata-rata 50 transaksi penjualan jasa paket wisata kepada pelanggan baru ataupun pelanggan yang sudah pernah memakai jasa perusahaan ini, permasalahaan yang timbul adalah manajer mengalami kesulitan dalam melakukan pemilihan pelanggan serta dalam pengelompokan pelanggan guna mengetahui pelanggan mana saja yang tepat untuk diberikan promosi. Hal ini disebabkan karena jumlah pelanggan serta transaksi yang banyak dan tentunya manajer tidak bisa melakukan promosi terhadap semua pelanggan yang ada karena selain akan menghabiskan banyak waktu dan tenaga, promosi tersebut juga menjadi tidak tepat sasaran. Berdasarkan permasalahan yang telah diuraikan tersebut, diperlukan sistem yang tepat yaitu sistem yang dapat mengelompokan pelanggan potensial. Pelanggan potensial dilihat dari persamaan terdekat transaksi pelanggan yang ada terhadap paket wisata yang akan di promosikan. Pengelompokan pelanggan ini dilakukan dengan melihat pola data transaksi paket wisata yang telah ada sebelumnya dengan seleksi berdasarkan hotel dan paket wisata dan selanjutnya akan dianalisa menggunakan metode pengelompokan data K-Means. Jika telah didapatkan kelompok pelanggan potensial maka akan dilakukan promosi melalui email. Alasan penggunaan email karena pelanggan yang menggunakan jasa perusahaan ini berasal dari dalam dan luar negeri, hal ini membutuhkan
sarana pengiriman promosi yang tidak memerlukan biaya tetapi promosi paket wisata bisa mencapai pelanggan yang berasal diluar negeri. Metode K-Means adalah metode pengelompokan data dengan mengambil parameter sejumlah k cluster, dan mempartisi data kedalam cluster tersebut, dengan berpatokan pada kemiripan antar data dalam satu cluster dan ketidakmiripan di antar cluster yang berbeda, pusat dari cluster adalah rata-rata dari nilai anggota cluster yang disebut centroid atau center of gravity (Kamber, 2007). Selain itu K-Means melakukan pengelompokan dengan meminimalkan jumlah kuadrat dari jarak (distance) antara data dengan centroid cluster yang cocok (Teknomo, 2006). Pemilihan metode K-Means dikarenakan metode ini harus menggunakan data fisik tidak abstrak dan bersifat jelas, hal ini sesuai dengan data yang akan digunakan pada permasalahan di dalam pengelompokan pelangggan pada PT. Bali Sinar Mentari. Selain itu, metode ini bersifat fleksibel sebab pengguna dapat menentukan jumlah cluster yang akan dibuat. Penentuan pelanggan potensial dilihat dari jarak centroid terjauh diantara cluster yang dibentuk, lalu manajer operasional dalam hal ini pelaku promosi melakukan pengiriman email yang ditujukan kepada pelangganpelanggan potensial yang sudah terpilih sebelumnya. Melihat keadaan tersebut, maka pembuatan sistem pengelompokan pelanggan potensial menggunakan metode k-means untuk promosi paket wisata merupakan solusi yang dibutuhkan untuk menangani permasalahan yang ada. Diharapkan dengan adanya sistem ini, manajer dapat mengelompokan pelanggan yang dianggap potensial dan memudahkan dalam melakukan promosi paket wisata. LANDASAN TEORI 1. Sistem Menurut Gondodiyoto (2007), sistem adalah merupakan suatu kesatuan yang terdiri dari komponen-komponen atau sub sistem yang berorientasi untuk mencapai suatu tujuan tertentu. 2. Informasi Informasi adalah data yang sudah diolah menjadi bentuk yang lebih berguna dan lebih berarti (bermanfaat) bagi penerimanya, menggambarkan suatu kejadian dan kesatuan nyata yang dapat dipahami dan dapat digunakan untuk pengambilan keputusan, sekarang maupun masa depan (Gondodiyoto, 2007). 3. Sistem Informasi Sistem informasi adalah sekumpulan komponen pembentuk sistem yang mempunyai keterkaitan antara satu komponen dengan komponen lainnya yang bertujuan menghasilkan suatu informasi dalam suatu bidang tertentu (Jogiyanto, 1995). 4. Sistem Pendukung Keputusan Secara umum, sistem pendukung keputusan (SPK) adalah sistem berbasis komputer yang interaktif, yang membantu pengambil keputusan memanfaatkan data dan model untuk menyelesaikan masalah-masalah yang tak terstruktur dan semi terstruktur. proses pengambilan keputusan terdiri dari 3 fase proses: intelligence, design, dan choice. Proses-proses yang terjadi pada kerangka kerja Decision
Support dibedakan terstruktur, tak terstruktur, semi terstruktur. 5. Data Mining Faktor penentu bagi bentuk usaha atau bisnis apapun pada masa sekarang ini adalah kemampuan untuk menggunakan informasi secara seefektif mungkin. Pengunaan data yang strategis ini bisa diakibatkan oleh kesempatankesempatan yang dihasilkan atau ditimbulkan karena penemuan fakta-fakta sangat berharga yang cukup sering, tersembunyi dan tidak terdeteksi sebelumnya mengenai konsumen, retailer dan supplier, tren tren bisnis, dan faktor faktor petunjuk yang lain (Berson, 1997). Menurut Kamber (2007) secara sederhana data mining mengacu kepada mengekstrak atau menambang pengetahuan dari sekumpulan besar data. Menambang dalam hal ini bukan diibaratkan sebagai menambang emas atau menambang pasir, tetapi lebih diibaratkan sebagai knowledge mining from data atau lebih ringkasnya menambang pengetahuan. Pengertian lain data mining juga dapat berarti prose untuk mempekerjakan satu atau lebih teknik pembelajaran terkomputerisasi untuk mengotomasi analisa dan mengekstrak pengetahuan dari data didalam database (Roger and Geatz, 2003). 6. Clustering Cluster adalah suatu kumpulan dari entitas yang hampir sama (Everit, 1993). Pengertian lain menurut Kamber (2007), cluster adalah kumpulan dari objek yang mirip dengan objek lainnya dan berada pada kelompok yang sama. Sedangkan proses untuk mengelompokkan data baik itu bersifat fisik atau abstrak kedalam suatu kelompok atau kelas yang memiliki kesamaan sifat disebut clustering. Clustering dikategorikan kedalam teknik Undirect Knowledge atau Unsupervised Learning karena tidak membutuhkan proses pelatihan untuk klasifikasi awal data dalam masing-masing kelompok atau cluster. Tujuan utama clustering adalah untuk menemukan atau mencari pola yang bermanfaat atau berguna pada suatu database, kemudian merangkumnya dan membuat lebih mudah untuk dipahami. Dalam melakukan proses analisa terhadap cluster-cluster yang telah terbentuk dan pencarian pengetahuan dengan metode tertentu disebut cluster analyse (Kamber, 2007). 7. K-Means Clustering Metode K-Means adalah metode pengelompokan data dengan mengambil parameter sejumlah k cluster, dan mempartisi data kedalam cluster tersebut, dengan berpatokan pada kemiripan antar data dalam satu cluster dan ketidakmiripan di antar cluster yang berbeda, pusat dari cluster adalah rata-rata dari nilai anggota cluster yang disebut centroid atau center of gravity (Kamber, 2007). Selain itu K-Means melakukan pengelompokan dengan meminimalkan jumlah kuadrat dari jarak (disance) antara data dengan centroid cluster yang cocok (Teknomo, 2006). Algoritma K-Means adalah algoritma partitional ( Non Hierarchical) clustering yang mempartisi atau membagi sekumpulan data ke dalam sejumlah cluster. Setiap cluster mempunyai titik pusat cluster/centroid. Centroid adalah rata-rata ( mean) dari setiap titik angota cluster. Untuk lebih mengetahui alur algoritma
dari metode K-Means, dapat dilihat pada gambar 1. 2. System Flow System Flow merupakan suatu gambaran aliran kerja yang terdapat dalam suatu sistem. Untuk System Flow mengenai pembahasan masalah ini dapat dijelaskan pada gambar 3. Gambar 1 Flowchart Algoritma Clustering K- Means (Teknomo, 2006) 8. Eucledian Distance Eucledian Distance adalah sebuah fungsi distance yang paling umum digunakan. Nilai Eucledian Diastance adalah akar dari kuadrat selisih koordinat antar obyek. Misal jarak antara 2 titik X = (,,,) dan Y = (,,,), maka jarak antara 2 titik tersebut adalah ED = ( ) + ( ) + + ( ) PERANCANGAN SISTEM 1. Desain Umum Sistem Gambaran umum yang digambarkan pada Gambar 2 adalah desain umum pembuatan sistem pengelompokan pelanggan potensial menggunakan metode k-means untuk promosi paket wisata yang terdiri dari 4 proses utama, yaitu pemilihan paket wisata, seleksi, perhitungan, dan pengiriman email. Gambar 2 Desain Umum Sistem 3. DFD Context Gambar 3 System Flow Context diagram pada gambar 4 merupakan level paling awal dari suatu DFD. Pada sistem ini terdapat tiga entitas yang berperan, yaitu manajer opersional, operasional dan pelanggan. Pelanggan Email Promosi 4. ERD Data Transaksi Data Pelanggan Data Hotel Laporan Paket Wisata Informasi Pelanggan Potensial Data Kamar 0 Laporan Promosi Data Transport Sistem Pengelompokan Pelanggan Potensial Menggunakan Metode KMeans Laporan Transaksi Gambar 4 DFD - Context + Operasional Data Kendaraan Data Restoran Data Promosi Data Menu Data Paket Wisata Manajer Operasional Dalam perancangan sistem ini terdapat beberapa entitas yang saling terkait untuk menyediakan data yang dibutuhkan oleh sistem yang disajikan dalam bentuk conceptual data model (CDM) dan physical data model (PDM).
Adapun bentuk CDM dan PDM dapat dilihat pada Gambar 5-6. Login Nama_User Passw ord_user Level_User Gambar 5 CDM Gambar 6 PDM HASIL DAN PEMBAHASAN Proses promosi paket wisata merupakan inti proses dari sistem pengelompokan pelanggan potensial menggunakan metode k-means untuk promosi paket wisata ini. Fitur ini hanya dapat diakses oleh user dengan tipe admin dan manajer operasional. Adapun urutan langkah promosi paket wisata pada aplikasi ini adalah sebagai berikut: Relation_128 Relation_138 Pelanggan ID_Pelanggan Nama_Pelanggan A lamat_pelanggan Telepon_Pelanggan Ponsel_Pelanggan Email_Pelanggan Kota_Pelanggan Negara_Pelanggan LOGIN NAMA_USER PASSWORD_USER LEV EL_USER Promosi ID_Promosi Tgl_Promosi Isi_Promosi Jumlah_Cluster ID_HOTEL NAMA_HOTEL A LA MA T_HOTEL KOTA_HOTEL TELEPON_HOTEL FAX_HOTEL EMA IL_HOTEL varchar(15) NAMA_USER = NAMA_USER Hotel ID_Hotel Nama_Hotel A lamat_hotel Kota_Hotel Telepon_Hotel Fax_Hotel Email_Hotel Relation_136 Relation_129 Kamar ID_Kamar Nama_Kamar Relation_125 Harga_Kamar Relation_133 Transaksi ID_Transaksi Tgl_Check_In Tgl_Check_out Total_Harga Tgl_Transaksi Relation_137 Relation_492 Relation_493 Menu ID_Menu Objek Wisata Nama_Menu ID_Objek_Wisata Harga_Menu Relation_127 Nama_Objek_Wisata Isi_Menu A lamat_objek_wisata Kota_Objek_Wisata Relation_214 Telepon_Objek_Wisata Fax_Objek_Wisata Relation_656 Harga_Objek_Wisata Email_Objek_Wisata Keterangan Transport ID_Transport Nama_Transport A lamat_transport Kota_Transport Telepon_Transport Relation_134 Fax_Transport Email_Transport Paket_Wisata ID_Paket_Wisata Nama_Paket_Wisata Jumlah_Orang_PW Jumlah_Hari Harga_Paket_Wisata Relation_126 Restoran ID_Restoran Nama_Restoran A lamat_restoran Kota_Restoran Telepon_Restoran Fax_Restoran Email_Restoran Kendaraan ID_Kendaraan Jenis_Kendaraan Nama_Kendaraan Kapasitas_Kendaraan Harga_Kendaraan ID_OBJEK_WISA TA KETERA NGA N NAMA_OBJEK_WISATA ID_OBJEK_WISATA = ID_OBJEK_WISATA A LA MA T_OBJEK_WISA TA TELEPON_OBJEK_WISA TA KAMAR FAX_OBJEK_WISA TA ID_HOTEL = ID_HOTEL ID_KAMA R HARGA _OBJEK_WISATA integer ID_HOTEL EMA IL_OBJEK_WISA TA NAMA_KAMAR KOTA_OBJEK_WISA TA HARGA _KA MA R integer OBJEK_WISATA _PILIHA N RESTORAN ID_KAMAR = ID_KAMAR ID_OBJEK_WISA TA ID_RESTORA N ID_PAKET_WISA TA NAMA_RESTORAN A LA MA T_RESTORA N KAMAR_PILIHA N KOTA_RESTORAN ID_KAMA R TELEPON_RESTORA N ID_PAKET_WISATA = ID_PAKET_WISATA ID_PAKET_WISA TA FAX_RESTORA N ID_PAKET_WISATA = ID_PAKET_WISATA EMA IL_RESTORAN ID_HOTEL = ID_HOTEL ID_PAKET_WISA TA PROMOSI MENU_PILIHA N ID_TRA NSPORT ID_MENU = ID_MENU ID_PROMOSI ID_MENU JUMLAH_HA RI integer ID_PAKET_WISATA = ID_PAKET_WISATA ID_RESTORAN = ID_RESTORAN ID_PAKET_WISA TA ID_PAKET_WISA TA ID_PAKET_WISATA = ID_PAKET_WISATA HARGA _PA KET_WISATA integer TGL_PROMOSI timestamp JUMLAH_ORANG_PW integer ISI_PROMOSI varchar(500) ID_KENDARA AN ID_KENDARAAN = ID_KENDARAAN NAMA_USER NAMA_PAKET_WISATA JUMLAH_CLUSTER integer ID_HOTEL MENU ID_TRANSPORT = ID_TRANSPORT ID_MENU ID_PROMOSI = ID_PROMOSI ID_RESTORA N ID_PAKET_WISATA = ID_PAKET_WISATA NAMA_MENU PELA NGGA N_POTENSIA L TRA NSPORT HARGA _MENU integer TRA NSA KSI ID_PROMOSI ID_TRA NSPORT ISI_MENU ID_PELA NGGAN ID_TRA NSA KSI ID_PELA NGGAN NAMA_TRA NSPORT A LA MA T_TRANSPORT ID_PAKET_WISA TA TGL_TRANSAKSI integer KOTA_TRA NSPORT ID_PELANGGAN = ID_PELANGGAN TGL_CHECK_IN timestamp TELEPON_TRANSPORT TGL_CHECK_OUT timestamp FAX_TRANSPORT TOTAL_HA RGA integer EMA IL_TRA NSPORT PELA NGGA N ID_PELA NGGAN NAMA_PELA NGGA N A LA MA T_PELA NGGAN TELEPON_PELA NGGAN PONSEL_PELANGGAN EMA IL_PELA NGGA N KOTA_PELA NGGA N NEGARA _PELA NGGAN HOTEL ID_PELANGGAN = ID_PELANGGAN PAKET_WISATA OBJEK_WISATA ID_TRANSPORT = ID_TRANSPORT KENDARAA N ID_KENDARA AN ID_TRA NSPORT JENIS_KENDARA AN NAMA_KENDARAA N KAPASITAS_KENDA RA AN HARGA _KENDA RA A N integer integer 1. Pada menu utama di form Utama, pengguna untuk hak akses admin atau manajer operasional dapat memilih menu Promosi Paket Wisata pada kelompok menu Proses. Setelah itu, akan muncul tampilan form Pilih Paket Wisata Promosi, ini adalah form untuk tahap pertama. 2. Setelah form Pilih Paket Wisata Promosi muncul, pengguna dapat menekan textbox Pilih Paket Wisata, setelah itu, akan muncul form List Paket Wisata, cari paket wisata lalu double click pada paket wisata Sanur Tour Domestik 2D. Untuk gambar dapat dilihat pada gambar 7. Gambar 7 form Cari Paket Wisata 3. Setelah paket wisata dipilih, pada textbox Pilih Paket Wisata akan terisi ID Paket Wisata. Nama Paket Wisata dan Nama Hotel juga tersisi serta tabel akan otomatis menyeleksi pelanggan. Selanjutnya masukkan jumlah cluster sebanyak 2. Untuk gambar dapat dilihat pada gambar 8. Gambar 8 form Pilih Paket Wisata Promosi
4. Tahap selanjutnya adalah menekan tombol LANJUT pada form Pilih Paket Wisata Promosi, lalu sistem akan mulai melakukan perhitungan pengelompokan pelanggan dengan metode k-means, jika sudah selesai, maka form Pengelompokan Pelanggan Potensial akan muncul. Di dalam form ini terdapat diagram pembagian cluster, hasil seleksi pelanggan dengan cluster-nya, nilai masing-masing centroid atau pusat cluster terakhir serta daftar pelanggan potensial yang sudah terpilih. Pada diagram tersebut, pengguna juga dapat menekan titik-titik koordinat untuk melihat pelanggan siapa saja pada titik tersebut. Untuk gambar dapat dilihat pada gambar 9. Gambar 9 form Pengelompokan Pelanggan Potensial 5. Tahap selanjutnya adalah menekan tombol LANJUT pada form Pengelompokan Pelanggan Potensial, lalu form Pengiriman Email akan muncul, didalam form tersebut terdapat daftar pelanggan potensial, textbox isi email yang sudah terisi secara default. Oleh karena itu, pengguna hanya tinggal menekan tombol KIRIM untuk melakukan promosi melalui email ke setiap pelanggan potensial yang terpilih. Untuk gambar dapat dilihat pada gambar 10-11. Gambar 10 form Pengiriman Email Gambar 11 Pesan Email Terkirim Setelah email ke setiap pelanggan potensial terkirim, maka sistem akan melakukan penyimpanan data promosi untuk digunakan sebagai laporan promosi. 6. Untuk melihat laporan promosi paket wisata yang bersangkutan, pengguna dapat menekan tombol LAPORAN pada form Pengiriman Email. Lalu Laporan Promosi sesuai paket wisata yang dipilih akan muncul. Untuk gambar dapat dilihat pada gambar 12. Gambar 12 Laporan Promosi
KESIMPULAN Setelah dilakukan analisis, perancangan sistem dan pembuatan rancang bangun sistem pengelompokan pelanggan potensial menggunakan metode k-means untuk promosi paket wisata (studi kasus PT. Bali Sinar Mentari) ini, maka dapat diambil kesimpulan sebagai berikut : 1. Pengelompokan pelanggan menggunakan metode K-Means Clustering dapat diterapkan dengan baik dan dapat menghasilkan pelanggan yang potensial pada sistem pengelompokan pelanggan potensial menggunakan metode k-means untuk promosi paket wisata (studi kasus PT. Bali Sinar Mentari). 2. Sistem pengelompokan pelanggan potensial menggunakan metode k-means untuk promosi paket wisata (studi kasus PT. Bali Sinar Mentari) mampu mengirimkan promosi paket wisata kepada pelanggan potensial menggunakan email. DAFTAR PUSTAKA Berson, Alex & Smith, Stephen J.. 1997, Data Warehousing Data Mining & OLAP, Singapura : The McGrow-Hill Companies Inc.. Gondodiyoto, Santoyo. 2007, Audit Sistem Informasi + pendekatan CoBIT. Jakarta: Mitra Wacana Media. Han, Kamber. 2007, Data Mining Concepts and Techniques Second Edition, San Fransisco : Elsevier Inc.. Hasan, I. 2002, Pokok Pokok Materi Teori Pengambilan Keputusan, Jakarta : Ghalia Indonesia. Jogiyanto, H.M, 1995, Analisa dan Desain Sistem Informasi, Yogyakarta:Andi. Roger, Richard J. & Geatz, Michael W.. 2003, Data Mining a Tutorial-Based Primer, United State of America : Pearson Education Inc.. Teknomo, Kardi. 2006. K-Means Clustering Tutorials, (Online), (http://people.revoledu.com/kardi/tutorial /kmean, diakses 23 Mei 2011) Everit, B.S.. 1993, Cluster Analysis Third Edition. New York : Halsted Press an Imprint of John Wiley and Sons Inc..