prosiding - lp3m.unuja.ac.id

PROSIDING

SEMINAR NASIONAL

TEKNOLOGI DAN INFORMATIKA

2017

Kudus, 25 Juli 2017

Diselenggarakan oleh:

FAKULTAS TEKNIK

UNIVERSITAS MURIA KUDUS

KUDUS

Badan Penerbit Universitas Muria Kudus Gondang Manis, Bae PO BOX 53 Kudus 59352 Telp: (0291) 438229 Fax. (0291) 437198 e-mail: [email protected] Website: http://www.umk.ac.id

i

mailto:[email protected]

http://www.umk.ac.id/

PROSIDING SEMINAR NASIONAL TEKNOLOGI DAN INFORMATIKA: Strategi Pengembangan Perekonomian Masyarakat Melalui Gerakan Startup Digital Fakultas Teknik Universitas Muria Kudus Kudus, Selasa 25 Juli 2017

Cetakan pertama: Juli 2017

Editor: Ratih Nindyasari, S.Kom, M.Kom Muhammad Malik Hakim, S.T., M.Ti Imam Abdul Rozaq, S.Pd., M.T Budi Cahyo Wibowo, S.T., M.T

Desain & Tata Sampul: Budi Cahyo Wibowo, S.T., M.T

ISBN: 978-602-1180-50-1

© Fakultas Teknik Universitas Muria Kudus

Badan Penerbit Universitas Muria Kudus Gondang Manis, Bae PO BOX 53 Kudus 59352 Telp: (0291) 438229 Fax. (0291) 437198 e-mail: [email protected] Website: http://www.umk.ac.id

ii


http://www.umk.ac.id/

iii

ORGANISASI Penanggung Jawab Dekan Fakultas Teknik Universitas Muria Kudus Mohammad Dahlan

Reviewer Agfianto Eko Putra (UGM) Sri Kusumadewi (UII) Putri Anggi Permata S (UPGRIS) Bedjo Santoso (Unissula) Masruki Kabib (UMK)

Panitia Pelaksana Muhammad Arifin (Ketua) Alif Catur Murti Noor Yulita Dwi Setyaningsih Diana Laily Fithri F. Shoufika Hilyana Widiarini Taqiyuddin Arif Setiawan Mukhamad Nurkamid Anteng Widodo Qomaruddin Aditya Akbar Riadi Hariyanto Rochmad Winarso Pratomo Setiaji Muhammad Imam Ghozali Fajar Noor Cahyanto Ratih Nindyasari Muhammad Malik Hakim Imam Abdul Rozaq Budi Cahyo Wibowo Bambang Agam Riyanto Suprayitno Alfian Listyadi

e-mail : [email protected] Website : http://snatif.umk.ac.id


http://snatif.umk.ac.id/

iv

KATA PENGANTAR

Puji syukur kepada Tuhan Yang Maha Esa atas anugerah, rahmat dan kesehatan yang telah di berikan, sehingga Prosiding Seminar Nasional Teknologi dan Informatika Universitas Muria Kudus 2017 dapat terselesaikan dengan baik. SNATIF merupakan kependekan dari Seminar Nasional Teknologi dan Informatika diharapkan menjadi konferensi berkala yang fokus dalam bidang teknologi dan informatika yang diselenggarakan setiap tahun oleh Fakultas Teknik, Universitas Muria Kudus. Kegiatan ini merupakan kolaborasi dari empat program studi yang ada pada Fakultas Teknik. SNATIF tahun 2017 ini membahas terkait “Strategi Pengembangan Perekonomian Masyarakat Melalui Gerakan Startup Digital”. Dari pertemuan ini diharapkan akan terjadi diskusi, sharing pengalaman, penelitian tentang perkembangan teknologi dan aplikasinya dalam berbagai macam bidang.

Makalah yang sudah kami terima dikemas dalam bentuk Prosiding dan dikelompokkan sesuai dengan topik meliputi : Elektronika, Teknik Sipil dan Arsitektur, Agroteknologi, Ekonomi, Informatika dan Sistem Informasi, serta Mabufatur dan Teknik Industri. Kami mengucapkan terimakasih kepada berbagai pihak atas sambutan dan partisipasinya yang luar biasa. Tercatat sebanyak 214 makalah yang masuk ke tim Redaksi. Demi menjaga kualitas makalah yang akan di presentasikan dan diterbitkan pada prosiding, maka panitia melalui tim reviewer melakukan review terhadap semua makalah dan terdapat 192 makalah dinyatakan diterima untuk dipresentasikan pada kegiatan ini.

Buku Prosiding ini memuat sejumlah artikel hasil penelitian dari Universitas di Indonesia yang telah dipresentasikan dan didiskusikan pada acara seminar ini. Tujuan prosiding ini memberikan pengetahuan masyarakat luas terkait dengan penelitian dan perkembangan teknologi terbarukan. Dengan adanya seminar nasional ini diharapkan dapat menambah pengetahuan, komunikasi dan memajukan teknologi yang terus berkembang.

Kami menyadari bahwa pelaksanaan SNATIF 2017 tidak luput dari berbagai kekurangan walaupun panitia telah melakukan usaha semaksimal mungkin dalam persiapan, untuk itu kami mohon maaf yang sebesar-besarnya. Saran dan kritik yang membangun kami harapkan sebagai masukan untuk pelaksanaan SNATIF 2017 yang akan datang.

Demikian, kami ucapkan selamat mengikuti Seminar Nasional Teknologi dan Informatika (SNATIF) 2017 dan semoga kita mendapatkan manfaat dari kegiatan ini.

Kudus, 25 Juli 2017 Ketua Panitia

Muhammad Arifin, S.Kom., M.Kom

v

DAFTAR ISI Halaman Judul i Verso ii Organisasi iii Kata Pengantar iv Daftar Isi v

1. ANALISIS SENTIMEN TERHADAP TEMPAT WISATA DARI KOMENTAR

PENGUNJUNG DENGAN MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER STUDI KASUS JAWA BARAT Lio Wilianto, Tacbir Hendro Pudjiantoro, Fajri Rakhmat Umbara 439

2. PENGELOLAAN REMOTE KEAMANAN EMBEDDED SYSTEM PADA SISTEM

OPERASI MIKROTIK ROUTER OS MENGGUNAKAN PROPRIETARY PROTOCOLS Muhammad Imam Ghozali, Wibowo Harry Sugiharto 449

3. IMPLEMENTASI SISTEM PENGELOLAAN SKRIPSI ONLINE PADA PROGRAM

STUDI TEKNIK INFORMATIKA R. Rhoedy Setiawan, Ahmad Jazuli, Mukhamad Nurkamid 457

4. IT CONSULTANT UNIVERSITAS MURIA KUDUS (ITC - UMK)

Arif Setiawan, Pratomo Setiaji 463 5. SISTEM INFORMASI PENGAMBILAN KEPUTUSAN DALAM PENILAIAN

PELAYANAN PADA TPU WILAYAH JAKARTA UTARA Indarti, Denny Pribadi 469

6. APLIKASI REGISTRASI PEMAKAIAN KIOS PASAR DI PATI BERBASIS WEB

PADA DINAS PERDAGANGAN DAN PERINDUSTRIAN KABUPATEN PATI Higan Nanda Ahyudiya, Noor Latifah 479

7. PERANCANGAN APLIKASI AUTO SMART QUICK RESPONSE BERBASIS

ANDROID SMS GATEWAY UNTUK DISTRIBUSI INFORMASI DAN SARANA ADUAN MASYARAKAT Wiwit Agus Triyanto, Muhammad Arifin 487

vi

8. MODEL PERLINDUNGAN KONSUMEN BATIK DAN PENJAGA KEBERLANGSUNGAN BATIK ASLI KOTA PEKALONGAN MELALUI APLIKASI E-LABEL BATIK YANG MEMANFAATKAN TEKNOLOGI AUGMENTED REALITY BERBASIS CLOUD COMPUTING Paminto Agung Christianto, Eko Budi Susanto, Ichwan Kurniawan 491

9. RANCANG BANGUN PORTAL E-COMMERCE KAIN TROSO DI KABUPATEN

JEPARA Muhammad Arifin, Wiwit Agus Triyanto 499

10. PERSEPSI MAHASISWA MENGENAI KORELASI ANTARA SENSE OF HUMOR

DOSEN DENGAN KOPETENSI MENGAJAR BAHASA PEMROGRAMAN KOMPUTER Hari Agung Budijanto, Regnata Revi Fayola

507

11. ANALISA DAN RANCANGAN E-COMMERCE UNTUK PEDAGANG BESAR

FARMASI Darmawan Deny Fitrianto, Atik Ariesta 511

12. PENGARUH FAKTOR-FAKTOR CUSTOMER RELATIONSHIP MANAGEMENT

(CRM) TERHADAP KEPUASAN PELANGGAN: STUDI KASUS HYPERMART Riswan E. Tarigan, Arnon M. Sugiarto, Andree E. Widjaja 521

13. KAJIAN E-SERVICE QUALITY TERHADAP KEPUASAN MAHASISWA DALAM

MEMBENTUK WORD OF MOUTH MARKETING Riswan E. Tarigan, Kevin Christianto, Hery 531

14. PEMANFAATAN TEKNOLOGI CLOUD COMPUTING BAGI OTOMASI

MANAJEMEN UMKM PAGUYUBAN BORDIR LESTARI DI KABUPATEN Diana Laily Fithri, Andy Prasetyo Utomo 541

15. KLASTERING INDUSTRI DI KABUPATEN KUDUS

Pratomo Setiaji, Wiwit Agus Triyanto 547 16. PENGURANGAN CROSSTALK JARINGAN MULTI-CORE FIBER OPTIK

Riklan Kango 553 17. ADOPSI CLOUD COMPUTING UNTUK APLIKASI CBT PENERIMAAN SISWA

BARU SMA/SEDERAJAT Teguh Prasetyo, Nanik Susanti, Wiwit Agus Triyanto 561

vii

LITHIUM IRON PHOSPATE (LIFEPO4) SEBAGAI MATERIAL KATODA BATERAI LITIUM ION Edy Suryono, Bambang Margono, Y. Yulianto Kristiawan

629

18. MODEL BALANCE SCORECARD RULE BASE ASEAN UNIVERITY NETWORK UNTUK PENILAIAN KUALITAS PROGRAM STUDI Esti Wijayanti, Aditya Akbar Riadi, Akh. Shokibi 569

19. DESAIN AUTOMATIC LINE PLASTIC PACKING OF CAKE BERBASIS MIKROKONTROLER ATMEGA 328 Saiful Huda, Masruki Kabib, Rochmad Winarso 577

20. DESAIN MESIN DISPENSER PALLET DENGAN PENGGERAK SISTEM PNEUMATIK Ginanjar Mohammad Noor, Rochmad Winarso, Rianto Wibowo 585

21. ANALISIS LAJU KOROSI PADA KUNINGAN DENGAN MENGGUNAKAN AIR LAUT DAN ACCU ZURR Muhammad Fachrul Rizal, Hera Setiawan 593

22. ANALISA KEKUATAN MEKANIK DAN KETAHANAN FISIK KOMPOSIT GEOPOLIMER AKIBAT FRAKSI BERAT CLAY-RIPOXY SEBAGAI BAHAN INTERIOR OTOMOTIF Achmad Nurhidayat 599

23. PERANCANGAN ALAT INJEKSI PLASTIK UNTUK GAGANG PISAU PADA UKM PENGRAJIN PISAU DI DESA HADIPOLO KUDUS Taufiq Hidayat, Fajar Nugraha 605

24. PENGARUH PENAMBAHAN 12%Mg HASIL REMELTING ALUMINIUM VELG BEKAS TERHADAP FLUIDITY DAN KEKERASAN DENGAN VARIASI TEMPERATUR TUANG Wijoyo, Dicky Taufik Adi Pratama, Muhammad Wahyu Darojad 611

25. PENERAPAN TEKNOLOGI DALAM UPAYA MEMBANTU PROSES PENGENDALIAN GULMA PADA TANAMAN PADI Eko Surjadi

617

26. EFFEKTIFITAS BRIKET BIOMASSA

Suhartoyo, Sriyanto 623

27. KONDISI OPTIMUM FLAME ASSISTED SPRAY PYROLISIS PADA PEMBUATAN

viiiviiiviiiviii

28. PENGARUH ARUS LISTRIK DAN FILLER PENGELASAN LOGAM BERBEDA BAJA KARBON RENDAH (ST 37) DENGAN BAJA TAHAN KARAT (AISI 316L) TERHADAP SIFAT MEKANIS DAN STRUKTUR MIKRO Bambang Teguh Baroto, Petrus Heru Sudargo 637

29. STUDI KARAKTERISTIK TEKANAN INJEKSI DAN WAKTU INJEKSI PADA TWO STROKE GASOLINE DIRECT INJECTION ENGINE Darwin R.B Syaka, Ragil Sukarno, Mohammad Waritsu 643

30. ANALISIS DELAMINASI PLAT LAMINAT DENGAN SIMULASI GETARAN ABAQUS Bambang Surono, I Made Miasa, Rachmat Sriwijaya 649

31. PENGARUH KOMPOSISI DAN TEMPERATUR RUANG TERHADAP FLUIDITAS PADUAN PERUNGGU TIMAH MELALUI INVESMENT CASTING Sugeng Slamet, Suyitno 655

32. PEMANFAATAN SAMPAH PADAT KOTA MENJADI ENERGI ALTERNATIVE Arif Setyo Nugroho, Rahmad 661

33. ANALISA GESEKAN PENGEREMAN HIDROLIS (REM CAKRAM) DAN TROMOL PADA KENDARAAN RODA EMPAT DENGAN MENGGUNAKAN METODE ELEMEN HINGGA Afrizal Annas Dzikrullah, Qomaruddin, Masruki Khabib 667

34. UJI EKSPERIMENTAL KINERJA MOBIL LISTRIK

Purnomo, Sigit J., Pratama, Bangkit H., Hakim, Lukman N., Nurofik, Pambudi, Setya

679

35. ANALISIS TOTAL BIAYA PERSEDIAAN KEMASAN BENANG MENGGUNAKAN METODE ECONOMIC ORDER QUANTITY (EOQ) DI PT. XYZ Firza Ibrahim Kartohadiprodjo 687

36. ANALISIS KUALITAS JASA PADA MASKAPAI PENERBANGAN RUTE DOMESTIK TARIF MENENGAH KEBAWAH DENGAN MENGGUNAKAN METODE SERVQUAL DAN METODE IMPORTANCE AND PERFORMANCE ANALYSIS Hendy Tannady, Billy Andrea, Filscha Nurprihatin, Mirna Lusiani 693

37. ANALISA METODE SWOT DAN PERENCANAAN STRATEGI GUNA MENENTUKAN STRATEGI BISNIS PERUSAHAAN PANEL LISTRIK PADA PT. LAKSANA PANEL Hana Mareta Rachmawati, Ahmad Juang Pratama 701

ix

38. ANALISIS PENGENDALIAN KUALITAS PEMBUATAN BOLU KUKUS

MENGGUNAKAN METODE TAGUCHI Qilla Aulia Suri, Annura Minar Gaytri 709

39. ANALISIS PERANCANGAN TATA LETAK FASILITAS PABRIK PADA FORBOYS Dimas Ayu Mardhika, Harun Indra Kusuma, Mariyatul Qibtiyah 713

40. PEMBUATAN “PIPE SHELVING” SEBAGAI CONTOH PRODUK AKHIR PROSES MANUFAKTUR Kevin Fikri Wicakso 719

41. USULAN PERBAIKAN PERFORMA MESIN TOELASTING GLUE DENGAN INTEGRASI OEE DAN METODE DMAIC (STUDI KASUS : PERUSAHAAN MANUFAKTUR SEPATU) Filscha Nurprihatin,Panca Jodiawan, Niko Fernando, Gidion Karo Karo Gurusinga 725

42. ANALISA KECACATAN PADA PRODUKSI SEPATU NIKE G40 DENGAN METODE FMEA (FAILURE MODE AND EFFECT ANALYSIS) DAN MERANCANG PERAWATAN MESIN PU (POLYURETHANE) SOL SEPATU DI PT XYZ Sony Mubaroq, Muhammad Iqbal 733

43. IMPLEMENTASI LEAN MANUFACURING PADA PROSES PRODUKSI UNTUK MENGURANGI PEMBOROSAN PERSEDIAAN Filscha Nurprihatin, Charles Darvin, Gidion Karo-Karo, Dino Caesaron 741

44. USULAN TATA LETAK PABRIK DI PT DJARUM DIVISI WORKSHOP (MACHINE SHOP & FABRIKASI) AKIBAT PEMINDAHAN LOKASI PABRIK Saiful Arief Hidayat, V. Ariyono 751

45. ANALISIS POSTUR KERJA PEMBUAT GULA SRIKAYA DENGAN METODE QUICK EXPOSURE CHECKLIST Hendy Tannady, Setyo Melany Sari, Edy Gunawan 759

46. PERANCANGAN VALUE STREAM MAPPING PROSES PRODUKSI MAINAN KAYU PADA CV. MK Azizah Mutiasari, Ahmad Juang Pratama

763

47. PENGUKURAN KUALITAS PERANGKAT LUNAK SISTEM E-LEARNING

MENGGUNAKAN METRIC FUNCTION ORIENTED Ritzkal, Arief Goeritno, Eko Hadi P 769

x

48. IbM BAGI WARGA KELURAHAN JAMPIREJO KABUPATEN TEMANGGUNG Agus Nuwolo , Adhi Kusmantoro 777

49. SEARCH ENGINE OPTIMIZATION (SEO) MENGGUNAKAN METODE WHITE HAT SEO UNTUK MENINGKATKAN PERINGKAT DAN TRAFIK KUNJUNGAN WEBSITE Himawan, Arisantoso, Asep Saefullah 783

50. PEMODELAN DAN PROTOTIPE SISTEM INFORMASI UNTUK PREDIKSI PEMBAHARUAN POLIS ASURANSI MOBIL MENGGUNAKAN ALGORITMA C.45 William Frado Pattipeilohy, Arief Wibowo, Dyah Retno Utari 791

51. UJI VALIDASI SUARA BERBASIS PENGENALAN SUARA (VOICE RECOGNITION) MENGGUNAKAN EASY VR 3.0 Anjar Imario, Dodi Wisaksono Sudiharto, Endro Ariyanto

801

52. PEMBUATAN MODEL HYBRID 2 TEKNIK REDUKSI PEAK-TO-AVERAGE

POWER RATIO PARTIAL TRANSMIT SEQUENCE DAN CLIPPING FILTERING PADA SISTEM MIMO-OFDM Aida Nur Azizah, Irma Saniatur Rohma 807

53. CLUSTERING LOYALITAS PELANGGAN DENGAN METODE RFM (RECENCY, FREQUENCY, MONETARY ) DAN FUZZY C-MEANS Sudriyanto 815

54. OPTIMASI PARAMETER K PADA ALGORITMA K-NEAREST NEIGHBOUR UNTUK KLASIFIKASI PENYAKIT DIABETES MELLITUS Indrayanti, Devi Sugianti, M. Adib Al Karomi 823

55. PENINGKATAN PERFORMA ALGORITMA K-NEAREST NEIGHBOUR DENGAN SELEKSI FITUR INFORMATION GAIN UNTUK KLASIFIKASI PERSETUJUAN KREDIT Ivandari, Tria titiani chasanah, M. Adib Al Karomi 831

56. MANFAAT PEREALISASIAN TATA KELOLA KEAMANAN INFORMASI BERBASIS SNI ISO/IEC 27001:2009 PADA PRODUKSI FILM ANIMASI (Kasus di PT. XX) Ayu Candra Dewi, Eko Nugroho, Rudy Hartanto 843

xi

57. PERANCANGAN TEXT MINING PENGELOMPOKKAN PENELITIAN DOSEN MENGGUNAKAN METODE SHARED NEAREST NEIGHBOR DENGAN EUCLIDEAN SIMILARITY Mushlihudin, Lisna Zahrotun 849

58. REKAYASA MESIN UNTUK INDUSTRI KECIL PAKAN TERNAK UNGGAS DI

KLATEN Sugiyanto, Silviya Yulita Ratih 857

59. ANALISA TEKANAN HISAP POMPA SANYO TERHADAP DIMENSI IMPELLER

DAN KANDUNGAN PH AIR PADA INSTALASI RUMAH TANGGA Joko Yunianto Prihatin 863

60. SISTEM INFORMASI INVENTARIS BARANG PADA RSUD SOREANG

Adelia Siti Rukoyah, Gunawan Abidillah, Asep Id Hadiana 869 61. PENERAPAN ADABOST UNTUK KLASIFIKASI SUPPORT VECTORE MACHINE

GUNA MENINGKATKAN AKURASI PADA DIAGNOSA CHRONIC KIDNEY DISEASE Eka Listiana, Much Aziz Muslim

875

62. ANALISIS DAN PERANCANGAN MOBILE WARNING SYSTEM (MOWAS)

UNTUK MENDUKUNG PERILAKU TANGGAP TERHADAP ANCAMAN KEJAHATAN DAN SITUASI DARURAT Arif Arizal, Syariful Alim 883

63. STRATEGI PENINGKATAN KEUGGULAN BERSAING MELALUI INOVASI

PRODUK, PENERIMAAN TEKNOLOGI INFORMASI DAN PENGELOLAAN MANAJEMEN (Studi Kasus Pada Pengrajin Tenun Ikat Troso Jepara) Ahmad Jazuli, Sukirman 889

P r o s i d i n g S N A T I F K e - 4 T a h u n 2017 ISBN: 978-602-1180-50-1

Fakultas Teknik – Universitas Muria Kudus

815

CLUSTERING LOYALITAS PELANGGAN DENGAN METODE RFM (RECENCY, FREQUENCY, MONETARY ) DAN FUZZY C-MEANS

Sudriyanto

Program Studi Teknik Informatika, Sekolah Tinggi Teknologi Nurul Jadid JL. KH Zaini Mun'im, Pondok Pesantren Nurul Jadid, PO,Box. 1 Paiton Probolinggo 67291

*Email: [email protected]

Abstrak Semakin maju dan berkembangnya dunia usaha, menciptakan persaingan yang luar biasa ketata. Persaingan yang ada mengharuskan pemilik usaha untuk selalu dapat memahami sebuah pasar yang terus berkemnbang. Banyak faktor yang mempengaruhi berkembangnya usaha, salah satunya pelanggan. Untuk membangun strategi yang handal dalam dunia usaha, harus menemukan cara untuk menarik dan mengembangkan aset manusia yang tepan dan menjaga mereka. Untuk mengetahui hal tersebut, dilakukan penelitian mencari pola dari mutu calaster dengan pemilihan atribut mengunakan metode RFM (Recency, Frequency, Monetary) untuk mengklaster pelanggan yang lebih efisien dan akurat dengan algoritma Fuzzy C-Means untuk memilih pelanggan yang potensial dan loyal. Dari hasil pengukuran validitas menggunakan Partition Coefficient Index (PCI) dan Xie dan Beni (XBI) 5 cluster dengan pangkat dua dan tiga dengan nilai PCI pangkat dua 0,8156, pangkat tiga 0,5860, untuk nilai XBI pangkat dua 0,0069, pangkat tiga 0,0632 dimana nilai PCI yang mendekati angka satu mempunyai arti kualitas cluster yang didapat semakin baik, sedangkan untik XBI yang semakin kecil mempunyai arti kualitas hasil pengelompokan yang semakin baik. Dari hasil pengukuran validitas mengunakan PCI dan XBI, nilai akuraasi FCM dengan pangkat dua lebih baik dibandingkan dengan nilai akurasi FCM dengan pangkat tiga.

Kata kunci: RFM (Recency, Frequency, Monetary), Fuzzy C-Means, clustering, validitas cluster, Partition Coefficient Index (PCI) dan Xie dan Beni (XBI)

1. PENDAHULUAN Semakin maju dan berkembangnya dunia usaha, menciptakan persaingan yang luar biasa

ketat. Persaingan yang ada mengharuskan pemilik usaha untuk selalu dapat memahami pasar yang terus berkembang. Dalam pengelolaan usaha, ada beberapa faktor yang membuat usaha itu maju dan berkembang pesat. Banyak faktor yang mempengaruhi berkembangnya usaha, salah satunya adalah pelanggan. Pelanggan merupakan faktor yang menentukan maju dan tidaknya suatu usaha bisnis. Untuk membangun strategi handal dalam dunia usaha, harus menemukan cara untuk menarik dan mengembangkan aset manusia yang tepat dan menjaga mereka.

Pertumbuhan internet secara cepat dan ini berkaitan dengan peluang untuk memasarkan teknologi yang sangat meningkat dan perubahan cara pandang hubungan antara konsumen dengan perusahaan dan para pengusaha mengatur konsumen. Kepuasan pelanggan dan daya loyalitas pelanggan merupakan hal yang sangat penting dalam perkembangan usaha. Kepuasan pelanggan adalah tingkat dimana anggapat terhadap produk sesuai dengan harapan seseorang. Ketika pelanggan fokus terhadap organisasi bisnis baik kedalam organisasi maupun keluar organisasi.

Perkembangan internet yang begitu cepat memberikan limpahan data yang sangat besar, meskipun belum didapatkan manfaat data yang besar ini. Praktisi database internet dan peneliti baru-baru ini menyatakan minat praktisi bisnis yang besar pada database pemasaran.

Selama ini pendekatan pemasaran yang ada adalah berorentasi kepada produk, hal ini menyebabkan banyak pelaku bisnis hanya fokus pada produk yang mereka buat. Pendekatan produk ternyata berdampak sulitnya mengidentifikasi pelanggan secara benar.

Perusahaan ini perihatin dengan meninggkatnya nilai pelanggan melalui analisis siklus hidup pelanggan. Hal ini merubah cara pandang perusahaan terhadap siklus perusahaan. Jika dahulu perusahaan memiliki cara pandang berorentasi produk, kini diganti oleh cara pandang berorentasi pelanggan. Pelanggan adalah masalah utama bagi semua organisasi yang ingin menciptakan dan menjaga keunggulan kompetitif di dunia yang sangat kompetitif ini.

Pemanfaatan data mining untuk menemukan pola-pola yang terpendam dari data yang besar mulai digunakan. Klastering merupakan salah satu peran utama dalam data mining. Terdapat




816

banyak teknik klastering data mining seperti yang tercatum. Tujuan dari clastering memprediksi secara akurat memprediksi kelas target untuk setiap record data baru, yaitu data yang tidak dalam data historis.

Data konsumen dan perkembangan teknologi adalah sumber untuk mengolah hubungan antar konsumen dengan perusahaan. Pengolahan CRM tersebut meliputi klasifikasi dan klastering. Klasifikasi bertujuan untuk memetakan pelanggan berdasarkan geografis dan kedekatan dengan sumber industri. Sedangkan penggunaan clustering pada pengolahan CRM untuk mengklusterkan pelanggan berdasarkan interaksi yang terjadi antara pelanggan dengan perusahaan.

Data pelanggan cenderung merupakan data transaksi pelanggan yang memiliki banyak atribut. Adanya atribut ini berakibat pada pengolaan data yang kurang baik. Perlu adanya pemilihan atribut yang baik untuk mendapatkan hasil yang lebih optimal. Untuk mengatasi beberapa kekurangan dalam pemilihan attribut yang ada, diusulkan pengunakan metode RFM (Recency, Frequency dan Monetary). Recency adalah jarak terlama dari data itu diambil. Ini mengandung perngertian bahwa jarak konsumen terakhir kalinya melakukan transaksi kepada organisasi dihitung dari data diambil. Satuan yang biasa digunakan adalah perhari , perbulan atau pertahun. Semakin dekat dengan pengambilan data, maka pelanggan tersebut semakin memiliki point tinggi. Frequency adalah seberapa sering pelanggan melakukan transaksi kepada organisasi. Semakin sering melakukan transaksi ini memungkinkan bahwa pelanggan tersebut merupakan pelanggan potensial. Transaksi yang dimaksud tidak tergantung pada berapa banyak yang pelanggan beli, tetapi satu transaksi pun bisa mewakili bahwa pelanggan tersebut potensial. Monetary adalah seberapa banyak uang yang pelanggan habiskan untuk melakukan transaksi kepada organisasi, semakin tinggi nilai mata uang yang dihabiskan maka, samakin tinggi pula potensial pelanggan tersebut

Untuk mengatasi masalah pemilihan attribut pelanggan diusulkan mengunakan model RFM, sedangkan untuk proses klustering menggunakan algoritma Fuzzy C-Means. Pemilihan metode RFM adalah karena metode yang efektif untuk segmentasi pelanggan dan objektifitasnya baik [10]. Metode RFM bertumpu pada pemilihan tiga attribut. Fuzzy C-Means merupakan salah satu metode algoritma yang terkenal untuk analisis kluster dan telah digunakan secara luas di berbagai bidang termasuk data mining, analisis data statistik dan aplikasi bisnis lainnya.

Analisis Cluster adalah teknik statistik yang digunakan untuk mengidentifikasi satu set kelompok yang kedua meminimalkan dalam variasi kelompok dan memaksimalkan antara kelompok variasi berdasarkan fungsi jarak atau perbedaan, dan tujuannya adalah untuk menemukan set optimal cluster. Berdasarkan atribut RFM dan metode Fuzzy C-Means untuk mengelompokkan nilai pelanggan.

2. METODOLOGI

Dalam penelitian ini akan dilakukan beberapa tahapan eksperimen menggunakan tahapan yang dilakukan dalam sebuah proses penelitian berikut :

1.1. Pengumpulan Data

Data uji yang dilakukan pada penelitian ini bersumber pada sebuah database penjualan UD. Budi Luhur Kota Proboinggo. Tahap ini bertujuan untuk mengumpulkan berbagai informasi mengenai penelitian dengan cara wawancara dan dokumentasi Data yang digunakan adalah sebagai berikut : 1. Data pelanggan yang melakukan transaksi dengan UD. Budi Luhur Kota Proboinggo baik

dalam jumlah kecil maupun besar dalam masa waktu/periode yang ditentukan 2. Data historikal penjualan produk dengan atribut sesuai dengan yang dibutuhkan oleh model

RFM, terdiri dari: a. Waktu transaksi terakhir b. Jumlah nominal transaksi c. Jumlah frekuensi transaksi

3. Data historikal penjualan produk yang digunakan adalah data transaksi untuk segala macam produk seperti, unilever, wings, cussen, indofood dan lain - lain.



817

1.2. Praproses Data Data mentah yang diperoleh dari data pelanggan dan data historikal penjualan pada studi

kasus akan melalui praproses data yang meliputi :

1. Proses pembersihan data untuk menghilangkan baris data dengan nilai kosong atau data yang tidak valid (data cleaning and integration)

2. Pemilihan data berdasarkan atribut yang disesuaikan dengan model RFM yaitu: atribut waktu transaksi, jumlah frekuensi transaksi dan jumlah nominal transaksi untuk setiap pelanggan (data selection)

3. Persiapan data dengan cara mereduksi kolom data yang tidak sesuai dengan kebutuhan dalam melakukan proses klasterisasi (data preprocessing)

4. Transformasi data kedalam bentuk yang terukur sehingga dapat digunakan sebagai atribut untuk proses klasterisasi (transformation)

1.3. Perhitungan Nilai RFM

Berpedoman pada model RFM yang terdiri dari tiga kriteria yaitu recency, frequency, monetary, maka dilakukan ekstraksi data dengan atribut-atribut yang dibutuhkan untuk mengukur nilai loyalitas pelanggan. Data yang digunakan adalah data yang telah melewati tahap pengumpulan dan praproses data. Selanjutnya dilakukan proses klasterisasi. 1. Recency → Tanggal acuan terakhir transaksi (31/12/2016) periode 2016 2. Frequency → Jumlah transaksi selama periode 2016 3. Monetary → Nilai transaksi (uang) selama periode 2016

1.4. Metode yang diusulkan

Selection

Mulai Dataset

Mulai

Dataset

Preprocessing

Seleksi Fitur dengan metode RFM

Fixed Dataset

Seleksi Fitur

menggunakan metode RFM

Fixed

Dataset

Clustering

Fuzzy C-Means

Fuzzy C-Means

Evaluation

Partition Coefficient Indek (PCI)

Xie Beni Index (XBI) Selesai

Partition Coefficient (PCI) Xie Beni Index (XBI)

Selesai

Gambar 2.1. Alur Tahapan Metode yang Diusulkan



818

3. HASIL DAN PEMBAHASAN 1.5. Pengumpulan data

Data uji yang dikumpulkan pada penelitian ini bersumber pada sebuah database penjualan pada UD. Budi Luhur yang berada di kota Probolinggo. Data yang diambil dari gabungan beberapa tabel seperti data pelanggan, data transaksi penjualan. Periode data yang diambil daridata transaksi penjualan selama tahun 2016.

1.6. Praproses data

Tahapan implementasi ini dimulai dari proses pengumpulan data yang telah dijelaskan di atas. Data yang digunakan adalah data pelanggan dan data historikal transaksi penjualan untuk periode 1 Januari 2016 – 31 Desember 2016. Sebelum dilakukan praproses data, data mentah yang dikumpulkan dari pusat grosir adalah data-data dengan atribut ditunjukkan dalam tabel berikut :

Tabel 3.1 Tabel Pelanggan

No Nama Atribut Keterangan 1 KdPelanggan Kode Pelanggan Yang pernah melakukan transaksi

2 Nama Pelanggan Nama pelanggan yang pernah melakukan transaksi dengan perusahaan

Tabel 3.2 Tabel Transaksi Penjualan

No Nama Atribut Keterangan

1

TgJual Tanggal pada saat pelanggan melakukan transaksi pembelian (periode analisis 1 Januari 2016 s/d 31

Desember 2016) 2 NoJual Nomer urut transaksi pelanggan 3 KdPelanggan Kode pelanggan yang melakukan transaksi 4 Nama Pelanggan Nama pelanggan yang melakukan transaksi

5 KdBarang Kode barang yang dibeli pelanggan berdasarkan Jumlah

6

Nama Barang Nama barang yang dibeli pelanggan berdasarkan

jumlah 7 Jumlah Jumlah satuan barang yang dibeli pelanggan 8 HrgSatuan Harga satuan per barang yang dibeli pelanggan 9 Nilai jumlah harga produk yang dibeli pelanggan

Setelah itu dilakukan praproses data kepada tabel transaksi dengan mereduksi atribut yang tidak dibutuhkan dalam model RFM. Sehingga mendapat hasil tabel sebagai berikut :

Tabel 3.3 Hasil pemilihan data dari tabel transaksi

No Nama Atribut Keterangan

1

TgJual Tanggal pada saat pelanggan melakukan transaksi pembelian (periode analisis 1 Januari 2015 s/d 1

Desember 2015) 2 NoJual Nomer urut transaksi pelanggan 3 KdPelanggan Kode pelanggan yang melakukan transaksi 4 Nama Pelanggan Nama pelanggan yang melakukan transaksi 5 Nilai jumlah harga produk yang dibeli pelanggan



819

1.7. Penilaian Pelanggan Berbasis Model RFM Pada tahap ini, dilakukan pemilihan atribut yang disesuaikan dengan kebutuhan kriteria

model RFM, yaitu rentang waktu transaksi akhir pelanggan dengan periode analisis, jumlah frekuensi transaksi yang dilakukan pelanggan selama periode analisis, serta jumlah nominal transaksi untuk setiap pelanggan selama periode analisis. Berikut uraian mengenai atribut yang dibutuhkan untukmodel RFM : 1. Kriteria R (recency)

Membutuhkan atribut yang menunjukkan adanya rentang waktu transaksi terakhir pelanggan dengan periode analisis, sehingga atribut yang dibutuhkan adalah atribut tanggal transaksi

Menentukan periode analisis :

Selama tahun 2016 Tanggal yang menjadi acuan

(31 Deseber 2016)

2. Kriteria F (frequency)

Membutuhkan atribut yang merepresentasikan berapa kalipelanggan melakukan transaksi. Kriteria ini ini dapat dilihat dari berapa banyak pelanggan dengan nama yang sama muncul dalam data transaksi. Atribut yang dibutuhkan adalah atribut tanggal transaksi yang dihitung jumlahnya.

Menghitung jumlah transaksi setiap pelanggan selama periode

analisis

Jumlah transaksi yang dilakukan setiap pelanggan selama periode

analisis

3. Kriteria M (monetary) Membutuhkan atribut yang berhubungan dengan harga yang telah dihabiskan pelanggan selama melakukan transaksi, sehingga atribut yang dibutuhkan adalah atribut harga total yang harus dibayar pelanggan.

Menghitung total harga pembelian

yang dilakukan

Jumlah transaksi yang dilakukan pelanggan (dengan identitas yang sama) selama periode analisis

Berikut adalah data yang telah melewati tahap pengumpulan dan praproses data dan

selanjutnya dilakukan proses klasterisasi:

Tabel 3.4 Cuplikan Hasil Transformasi Data ke dalam Reecency, Frequency, Monetary

No Kode Pelanggan

Nama Pelanggan Recency Frequency Monetary

01 GD006 HASAN 29 31 18.552.549 02 GD011 PAK RONI 3 93 10.254.430 03 GD014 TOKO FERI 10 25 17.635.540 04 GD020 FREDI (REFISI) 14 13 19.778.155 05 GD021 KARNO 59 13 7.127.352 06 GD022 BAHAK UDIN 6 22 5.939.172 07 GD023 YUDI (SALES) 29 16 5.971.286 08 GD028 YUDI SOPIR 4 39 16.816.855 09 GD042 UD SEHATI JAYA 10 40 69.552.000 10 GND001 TOKO SONY JAYA 16 20 10.208.378 .... .... .... .... .... ....

502 WNS09 TOKOK RAMA 5 9 12.161.251 503 WNS10 TOKOK AGEN SOSIS 14 14 7.341.213



820

1 2 3 4 5 MAX c1 c2 c3 c4 c5 1 0,979 0,000 0,000 0,018 0,002 0,979 x 2 0,683 0,004 0,001 0,292 0,020 0,683 x 3 0,051 0,236 0,008 0,095 0,610 0,610 x 4 0,052 0,411 0,010 0,091 0,437 0,437 x 5 0,086 0,023 0,002 0,381 0,508 0,508 x 6 0,592 0,004 0,001 0,380 0,023 0,592 x 7 0,981 0,001 0,000 0,015 0,003 0,981 x 8 0,997 0,000 0,000 0,003 0,000 0,997 x 9 0,015 0,009 0,001 0,046 0,930 0,930 x 10 0,989 0,000 0,000 0,009 0,001 0,989 x

...... ...... ...... ...... ...... ...... ...... ...... ...... ...... ...... ...... 501 0,955 0,002 0,000 0,036 0,007 0,955 x 502 0,982 0,000 0,000 0,016 0,002 0,982 x 503 0,984 0,001 0,000 0,014 0,002 0,984 x

Jumlah : 288 22 4 139 50

1 2 3 4 5 MAX c1 c2 c3 c4 c5 1 0,713 0,195 0,009 0,026 0,058 0,713 x 2 0,398 0,459 0,013 0,038 0,091 0,459 x 3 0,124 0,160 0,046 0,033 0,341 0,341 x 4 0,114 0,144 0,047 0,417 0,278 0,417 x 5 0,131 0,233 0,021 0,074 0,537 0,537 x 6 0,350 0,509 0,012 0,037 0,092 0,509 x 7 0,880 0,074 0,004 0,013 0,027 0,880 x 8 0,813 0,124 0,007 0,018 0,039 0,813 x 9 0,015 0,009 0,001` 0,046 0,930 0,930 x 10 0,989 0,000 0,000 0,009 0,001 0,989 x

...... ...... ...... ...... ...... ...... ...... ...... ...... ...... ...... ...... 502 0,723 0,187 0,009 0,025 0,056 0,723 x 503 0,893 0,066 0,004 0,012 0,025 0,893 x

Jumlah : 255 157 4 24 63

1.8. Proses Clustering Pada tahap ini dilakukan proses klasterisasi pelanggan menggunakan metode Fuzzy C-

Means. Data yang digunakan dalam proses ini adalah keluaran tahap analisa model RFM. Proses clustering menggunakan algoritma FCM di ujicoba menggunakan 5 cluster dengan pangkat 2 dan 3. Berikut hasil ujicoba dengan pangkat dua dan tiga :

1. Jumlah cluster = 5 2. Pangkat = 2 3. Maksimum iterasi = 100 4. Error terkecil yang diharapkan =

5. Fungsiobjektif awal = 0 6. Iterasi awal = 1

Tabel 3.5 Hasil akhir derajat keanggotaan pada tiap cluster dengan pangkat 2 (dua)

Data Ke

Derajat keanggotaan (µ) data pada Cluster ke-

Data Cenderung Masuk ke Cluster ke-

Tabel 3.6 Hasil akhir derajat keanggotaan pada tiap cluster dengan pangkat 3 (tiga)

Data Ke

Derajat keanggotaan (µ) data pada Cluster ke-

Data Cenderung Masuk ke Cluster ke-



821

1.9. Evaluasi PCI dan XBI Untuk mengetahui validasi hasil eksperimen digunakan ujivalidasi partition coefficient index

(PCI) dan Xie dan Beni (XBI) dimana nilai PCI dalam rentang (0,1), nilai nilai yang semakin besar mendekati 1(satu) mempunyaiarti kualitas cluster yang didapat semakin baik, sedangkan nilai XBI dimana nilai indek yang semakin kecil mempunyai arti kualitas hasilpengelompokan yang semakin baik (Wu dan Yang 2005). Berikut hasil pengelompokan yang didapat :

Tabel 3.7 Validasil hasil klasterisasi dengan PCI dan XBI

FCM dengan Partition Coefficient Index Xie Beni Index (XBI)

Pangkat (PCI)

2

0,8156

0,0069

3 0,5860 0,0632

4. KESIMPULAN Dari penelitian yang telah dilakukan, maka dapat ditarik kesimpulan sebagai berikut: Dengan menggunakan metode RFM Recency, Frequency dan Monetery untuk pemilihan

atribut dan Algoritma Fuzzy C-Means untuk proses pengklasteran lebih objektif dalam meneliti loyalitas pelanggan serta mempermudah pemilik usaha sebagai dasar pengambilan keputusan dalam pemberian reward kepada pelanggan agar lebih tepat sasaran, dari hasil pengukuran validitas menggunakan Partition Coefficient Index (PCI) dengan FCM pangkat dua 0,8156 dan pangkat tiga 0,5860 dimana nilai yang semakin besar (mendekati 1) mempunyai arti bahwa kualitas cluster yang didapat semakin baik. Sedangkan pengukuran Xie Beni Index (XBI) dengan FCM pangkat dua 0,0069 dan pangkat tiga 0,0632 dimana nilai index yang semakin kecil mempunyai arti kualitas hasilpengelompokan yang semakin baik. Dari hasil pengukuran validasi Coefficient Index (PCI) dan Xie Beni Index (XBI), nilai akurasi Fuzzy C-Means dengan pangkat 2(dua)lebih baik dibandingkan dengan nilai akurasi FCM dengan pangkat 3(tiga).

DAFTAR PUSTAKA T. Kristanto and . A. and Rachman, "Analisa Data Mining Metode Fuzzy untuk Customer

Relationship Management pada Perusahaan Tour & Travel.," SESINDO , 2013. E. Ngai, L. Xiu and D. Chau, "Application of data mining techniques in customer relationship

management:," Expert Systems with Applications, p. 2592–2602, 2009. C. Rygielski, J.-C. Wang and D. C. Yen, "Data mining techniques for customer," Technology in

Society 24, p. 483–502, 2002. H. Pahlevie and T. Safiria Ramadhani, "Module 5: Customer Relationship Management," in Institut

Teknologi Sepuluh Nopember, surabaya, 2012. J. R. Fonseca, "Customer satisfaction study via a latent segment model.," Journal of Retailing and

Consumer Services 16.5 , pp. 352-359., 2009. Y.-H. Hu and T.-W. Yeh, "Discovering valuable frequent patterns based on RFM analysis

without," Knowledge-Based Systems, p. 76–88, 2014. J. Wu and Z. Lin, "Research on Customer Segmentation Model," p. 316–318, 2005. K.-. L. Wu, "Analysis of parameter selections for fuzzy c-means," Pattern Recognition 45, p. 407–

415, 2012. Y. Tu and Z. Yang, "An enhanced Customer Relationship Management classification framework,"

Expert Syst. Appl, p. 2137–2146, 2013. A. Aktepe, S. Ersöz and B. Toklu, "Customer satisfaction and loyalty analysis with classification

algorithms," Computers & Industrial Engineering 86, p. 95–106, 2015. D. Zheng, "Application of Silence Customer Segmentation in," Journal of Information &

Computational Science, p. 4337–4347, 2013. A. Sheshasayee and P. Sharmila, "Comparative Study of Fuzzy C Means and K Means," Indian

Journal of Science and Technology, Vol 7(6), p. 853–857, 2014. C.-H. Cheng and Y.-S. Chen, "Classifying the segmentation of customer value via RFM model and

RS theory," Expert Systems with Applications, p. 4176–4184, 2009.



822

J. A. McCarty and M. Hastak, "Segmentation approaches in data-mining: A comparison of," Journal of Business Research, p. 656 – 662, 2007.

F. A. Hermawati, "Data Mining," in CV ANDI OFFSET, Yogyakarta, 2013. I. 1. John Wiley & Sons, "Manajemen Sumber Daya Manusia Untuk Perusahaan," in PT. Raja

Gravindo Persada, Jakarta, 2002. H. Simamora, "Manajemen Sumber Daya Manusia," in STIE YKPN, Yogyakarta, 2004, p. 514. Mahmudi, "Manajemen Kinerja Sektor Publi," in Unit Penerbit dan Percetakan Akademi

Manajemen Perusahaan YKPN, Yogyakarta, 2005, p. 89. M. CHANDRASHEKARAN, K. ROTTE, S. S. TAX and R. GREWAL, "Satisfaction Strength and

Customer Loyalty," Journal of Marketing Research, p. 153–163, 2007. S. K. a. H. Pornomo, "Aplikasi Logika Fuzzy untuk Pendukung Keputusan," in GRAHA ILMU,

Yogyakarta, 2010.

prosiding - lp3m.unuja.ac.id

Documents