7

BAB 2

LANDASAN TEORI

2.1 Teori-Teori Dasar/Umum

2.1.1 Definisi Database

Menurut Connolly (2005, p15), database adalah kumpulan data yang brelasi

secara logikal, dan sebuah deskripsi data tersebut, yang didisain untuk memenuhi

kebutuhan organisasi.

Menurut O’Brien (2005, p141), database adalah suatu kumpulan files yang

terintegrasi dimana secara logika terhubung. Dua tujuan utama dari konsep database

adalah meminimalkan perulangan data (redudancy data) dan mencapai independensi

data.

Menurut McLeod (2007, p124), database adalah semua koleksi data yang

berbasiskan komputer pada suatu perusahaan.

Dari definisi di atas dapat ditarik suatu kesimpulan yaitu database adalah

kumpulan/koleksi dari data yang terhubung secara logis yang dirancang untuk

memenuhi kebutuhan informasi perusahaan.

2.1.2 Data Warehouse

2.1.2.1 Definisi Data Warehouse

Menurut Inmon (2005, p29), “A data warehouse is a subject-oriented, integrated,

nonvolatile, and time-variant collection of data in support of management’s decisions”

atau artinya data warehouse adalah koleksi data yang berorientasi subjek, terintegrasi,

tidak mengalami perubahan, dan berdasarkan variasi waktu untuk mendukung keputusan

manajemen.

8

2.1.2.2 Karakteristik Data Warehouse

Berdasarkan definisi data warehouse menurut Inmon (2005, pp29-pp33), dapat

diketahui bahwa sebuah data warehouse memiliki karakteristik sebagai berikut :

• Subject Oriented (Berorientasi Subjek)

Data warehouse dirancang untuk melakukan analisa data berdasarkan subjek-subjek

tertentu yang ada dalam organisasi, tidak berorientasi kepada proses atau aplikasi

fungsional tertentu.

• Integrated (Terintegrasi)

Data warehouse menyimpan data-data yang berasal dari berbagai sumber yang

terpisah ke dalam format yang konsisten dan saling terintegrasi satu dengan yang

lainnya. Dengan demikian data tidak dapat dipisah-pisah karena data yang ada

merupakan suatu kesatuan yang menunjang keseluruhan konsep data warehouse itu

sendiri.

• Time Variant (Variasi Waktu)

Data dalam data warehouse berhubungan dengan suatu titik dalam suatu periode

waktu tertentu, misalnya semester, kuartal, tahun fiskal, ataupun metode pembayaran.

Data tersebut merupakan data hasil ringkasan yang membantu dalam menentukan

performa query data warehouse serta dalam membentuk pengertian bisnis.

• Nonvolatile (Tidak berubah)

Data warehouse bersifat read-only, user tidak dapat melakukan pengubahan data.

Ketika data sudah disimpan ke dalam data warehouse, data tersebut tidak boleh

berubah.

9

2.1.2.3 Arsitektur Data Warehouse

Arsitektur data warehouse didasarkan pada server RDBMS (Relational

Database Management System) yang berfungsi sebagai central repository untuk data-

data informasional. Dalam arsitektur data warehouse, data operasional dan

pemrosesannya dipisahkan dari pemrosesan data warehouse.

Sumber data untuk data warehouse adalah aplikasi operasional. Pada saat

memasuki data warehouse, data tersebut akan ditransformasikan kedalam struktur dan

format yang terintegrasi. Proses transformasi tersebut dapat melibatkan proses konversi,

ringkasan, filtering, dan kondensasi data.

Gambar 2.1 Arsitektur Data Warehouse (Sumber: Berson dan Smith , 2001, p19)

10

2.1.2.4 Manfaat dari Data Warehouse

Implementasi data warehouse dapat memberikan berbagai keuntungan bagi

organisasi (Connolly dan Begg, 2002, p1152) antara lain :

• Potensi tingkat pengembalian atas investasi (ROI) yang tinggi

Sebuah organisasi harus mengeluarkan sumber daya yang besar untuk memastikan

keberhasilan implementasi data warehouse, dan besar biaya bervariasi bergantung

pada solusi teknis yang ada. Namun, rata-rata tingkat ROI yang akan didapatkan

perusahaan relatif lebih besar.

• Keunggulan kompetitif

Tingkat pengembalian investasi yang tinggi bagi perusahaan yang sukses

mengimplementasikan data warehouse tersebut merupakan bukti dari keunggulan

kompetitif yang didapatkan perusahaan dari teknologi tersebut. Keunggulan

kompetitif diperoleh dengan memungkinkan para pembuat keputusan untuk dapat

mengakses data yang sebelumnya tidak tersedia, tidak diketahui, ataupun informasi

yang tidak tercatat.

• Peningkatan produktifitas para pengambil keputusan perusahaan

Data warehouse meningkatkan produktifitas para pembuat keputusan dalam

perusahaan dengan cara menyediakan database yang terintegrasi dari data-data

historis yang berorientasi subjek dan konsisten. Data warehouse mengintegrasikan

data dari berbagai sistem yang terpisah menjadi suatu bentuk yang menyediakan satu

pandangan utuh mengenai organisasi. Melalui proses pengubahan data menjadi

informasi yang lebih berarti, data warehouse memungkinkan para manajer bisnis

untuk melakukan analisis yang lebih substansial, akurat, dan konsisten.

11

2.1.3 Data Mart

2.1.3.1 Definisi Data Mart

Menurut Imhoff, Galemmo, dan Geiger (2003, pp14-pp15), data mart

merupakan sebuah subset dari data warehouse, dimana hampir seluruh aktivitas analitik

dalam lingkungan business intelligent dilakukan. Data di dalam setiap data mart

biasanya disesuaikan untuk melakukan fungsi tertentu, misalnya digunakan untuk

product profitability analysis, KPI analysis, customer demographic analysis, dsb.

Sedangkan Inmon (2005, p494) mendefinisikan data mart sebagai data yang

dibentuk berdasarkan departemen, yang sumber datanya berasal dari data warehouse,

dimana proses denormalisasi dilakukan terhadap data berdasarkan kebutuhan informasi

departemen tersebut.

Ada beberapa karakteristik yang membedakan antara data mart dengan data

warehouse, yaitu (Connolly dan Begg, 2005, pp1171-pp1173) :

• Data mart lebih berfokus kepada ketentuan maupun permintaan dari pengguna yang

berkaitan dengan sebuah departemen ataupun fungsi-fungsi bisnis organisasi.

• Secara normal data mart tidak mencakup data operasional yang mendalam tidak

seperti halnya dengan data warehouse

• Karena data mart memiliki jumlah data yang lebih sedikit dibandingkan dengan data

warehouse, data mart lebih mudah dimengerti dan diaplikasikan

2.1.3.2 Alasan Membangun Data Mart

Ada beberapa alasan untuk membangun sebuah data mart (Connolly dan Begg,

2005, p1173), diantaranya :

• Memberi akses kepada user akan data yang diperlukan untuk melakukan analisis

12

• Menyediakan data dalam bentuk yang disesuaikan dengan berbagai sudut pandang

atas data oleh sekelompok pemakai dalam sebuah departemen atau fungsi bisnis

• Mengurangi waktu respon dari end-user, sehubungan dengan berkurangnya volum

data yang diakses

• Menyediakan stuktur data yang sesuai dengan kebutuhan tools milik end-user,

seperti OLAP ataupun data mining. Tools tersebut mungkin membutuhkan struktur

basis data internal sendiri. Pada praktiknya, tools tersebut biasanya membentuk

desain data mart sendiri untuk mendukung fungsionalitas tertentu secara spesifik.

• Data mart umumnya mengunakan data lebih sedikit sehingga berbagai proses seperti

cleansing, loading, transformasi dan integrasi menjadi jauh lebih mudah, oleh karena

itu pembuatan serta implementasi data mart menjadi lebih sederhana bila

dibandingkan dengan data warehouse.

• Biaya implementasi data mart yang dibutuhkan umumnya jauh lebih kecil daripada

biaya implementasi sebuah data warehouse.

• Para pengguna data mart yang potensial dapat didefinisikan dengan lebih jelas, serta

dengan mudah dapat ditetapkan sebagai sasaran untuk memperoleh dukungan

terhadap sebuah proyek data mart daripada sebuah proyek data warehouse

perusahaan.

2.1.3.3 Skema Bintang

Menurut Connolly dan Begg (2005, p1183), skema bintang (star schema) adalah

struktur logikal yang mempunyai sebuah tabel fakta berisi data faktual yang ditempatkan

di tengah, dikelilingi oleh tabel dimensi berisi data referensi (yang dapat

didenormalisasi). Skema bintang mengeksploitasi karakteristik dari data faktual di mana

13

fakta dibuat dari peristiwa yang muncul di masa lalu dan mustahil untuk berubah,

dengan mengabaikan bagaimana mereka dianalisis. Kebanyakan fakta yang digunakan

dalam tabel fakta adalah angka dan additive karena aplikasi data warehouse tidak

pernah diakses sebagai sebuah record tunggal, tetapi mereka diakses ratusan, ribuan

bahkan jutaan record pada suatu waktu dan hal yang paling berguna untuk dilakukan

dengan record yang begitu banyak tersebut adalah dengan mengagregasikan mereka.

Tabel dimensi, berisi deksripsi informasi berupa teks.

Skema bintang dapat digunakan untuk mempercepat kinerja query dengan

denormalisasi informasi ke dalam sebuah tabel dimensi. Denormalisasi tepat ketika

terdapat sejumlah entity yang berhubungan dengan tabel dimensi yang sering diakses,

menghindari overhead dari penggabungan tabel tambahan untuk mengakses atribut.

Denormalisasi tidak tepat di mana data tambahan tidak sering diakses, karena overhead

tabel dimensi yang diperluas tidak mungkin offset oleh berbagi perolehan dalam query.

Gambar 2.2 Star Schema

(Sumber: Connolly dan Begg, 2005, p1184)

14

2.1.4 Data Mining

2.1.4.1 Definisi Data Mining

Witten dan Frank (2005, p5) mendefinisikan data mining sebagai sebuah proses

untuk menemukan pola-pola dalam data. Proses yang dilakukan dapat berupa proses

otomatis ataupun semi-otomatis. Pola-pola yang ditemukan harus memiliki arti dan

memberikan manfaat tertentu, biasanya manfaat ekonomis.

Menurut Berry dan Linoff (2004, p7), data mining merupakan eksplorasi dan

analisa terhadap data yang berukuran besar untuk dapat menemukan pola-pola dan

aturan-aturan yang berarti. Data mining datang dalam dua bentuk, yaitu directed dan

undirected. Directed data mining mencoba menjelaskan atau mengkategorikan beberapa

target field tertentu, sedangkan undirected data mining mencoba menemukan pola-pola

atau persamaan antara kelompok-kelompok record tanpa penggunaan target field

tertentu atau kumpulan kelas-kelas yang sudah didefinisikan sebelumnya.

Tang dan MacLennan (2005, p2) mengemukakan bahwa data mining adalah

tentang analisa data dan menemukan pola-pola tersembunyi dengan menggunakan cara

otomatis ataupun semi-otomatis. Selama beberapa waktu, data yang besar telah

diakumulasikan dan dikumpulkan dalam database. Sebagian besar data ini berasal dari

aplikasi bisnis, seperti aplikasi finansial, ERP (Enterprise Resource Planning), CRM

(Customer Relationship Management), ataupun web log. Sebagai hasilnya adalah bahwa

organisasi telah menjadi kaya akan data tapi kurang akan pengetahuan. Dengan laju

pengumpulan data yang semakin cepat dan dengan volum data yang dikumpulkan

semakin besar, penggunaaan praktis atas data-data tersebut semakin terbatas. Untuk

itulah data mining digunakan untuk melakukan ekstraksi pola-pola dari data yang

15

dimiliki, meningkatkan intrinsic value dan melakukan transformasi dari data menjadi

pengetahuan.

2.1.4.2 Kategori dan Fokus Penelitian Data Mining

Teknik-teknik Data Mining berhubungan dengan proses penemuan dan

pembelajaran, dimana proses tersebut dapat dikategorikan ke dalam tiga metode utama,

yaitu supervised, unsupervised, serta reinforcement learning. (Berson, Smith, dan

Thearling, 2000, pp36-pp37).

• Supervised learning

Metode ini melibatkan fase pembelajaran yang terjadi ketika data-data historis yang

karakteristiknya dipetakan ke hasil keluaran, diproses melalui algoritma data mining.

Proses tersebut akan melatih algoritma untuk mengenali variabel kunci dan nilai-

nilai yang akan dijadikan sebagai dasar pembuatan prediksi.

• Unsupervised learning

Metode ini tidak melibatkan tahap pembelajaran melainkan bergantung pada

penggunaan algoritma untuk mendeteksi pola-pola, seperti asosiasi, sequences, yang

ada pada data masukan berdasarkan kriteria penting yang telah ditentukan.

Pendekatan ini mengarah kepada pembuatan aturan-aturan yang menggambarkan

asosiasi, cluster, dan segmen yang telah ditemukan.

• Reinforcement learning

Metode ini tidak banyak digunakan bila dibandingkan dengan metode yang lainnya,

namun memiliki penerapan dalam optimisasi berdasarkan waktu dan pengendalian

adaptif. Metode ini menyerupai realita, dimana pembelajaran didapatkan dari

konsekuensi tindakan yang telah dipilih sebelumnya, bukan berdasarkan aturan yang

16

secara eksplisit dinyatakan. Karena prosesnya yang tidak menyediakan tindakan

korektif secara seketika, maka metode ini dapat digunakan untuk menyelesaikan

permasalahan yang sangat sulit dan tidak bergantung pada waktu.

2.1.4.3 Tugas-Tugas Data Mining

Ada banyak permasalahan dalam bidang intelektual, ekonomi, dan bisnis yang

dapat diekspresikan dalam tugas-tugas data mining. Berry dan Linoff (2004, pp8-pp12)

mengemukakan beberapa tugas yang dapat diselesaikan menggunakan data mining,

antara lain :

• Classification (Klasifikasi)

Merupakan salah satu tugas data mining yang paling umum. Klasifikasi melibatkan

proses pemeriksaan karakteristik suatu objek dan kemudian memasukkannya ke

dalam salah satu kelas yang sudah didefinisikan sebelumnya. Proses klasifikasi

biasanya melibatkan pendefinisian kelas-kelas dan data sampel yang berisi contoh

objek-objek yang sudah diklasifikasi sebelumnya. Tujuan dari tugas ini adalah untuk

membuat sebuah model yang dapat diaplikasikan pada data yang belum terklasifikasi.

Beberapa contoh tugas klasifikasi yang ditujukan untuk menyelesaikan

permasalahan bisnis misalnya seperti klasifikasi tingkat resiko dari pihak yang

mengajukan kredit, memilih content yang akan ditampilkan pada sebuah halaman

web, mengetahui klaim asuransi yang palsu, dsb.

• Estimation (Estimasi)

Estimasi berkaitan hasil keluaran yang berupa nilai kontinyu. Berangkat dari data

yang digunakan sebagai masukkan, proses estimasi akan menghasilkan sebuah nilai

untuk variabel kontinyu yang sebelumnya tidak diketahui nilainya. Estimasi juga

17

sering digunakan dalam melakukan tugas-tugas klasifikasi. Contoh permasalahan

yang melibatkan proses estimasi misalnya seperti memperkirakan jumlah anak dalam

sebuah keluarga, total pendapatan sebuah keluarga, atau lifetime value (nilai hidup)

seorang pelanggan, dsb.

• Prediction (Prediksi)

Prediksi sama seperti tugas klasifikasi dan estimasi, hanya saja data diklasifikasikan

berdasarkan perilaku atau nilai yang diperkirakan pada masa yang akan datang.

Dalam proses prediksi, satu-satunya cara untuk memeriksa ketepatan hasil adalah

dengan menunggu dan memperhatikan. Teknik-teknik yang digunakan untuk

melakukan tugas klasifikasi dan estimasi dapat diadaptasikan dalam melakukan

prediksi dengan menggunakan data sampel dimana nilai dari variabel yang akan

diprediksikan sudah diketahui, begitu pula dengan data historis untuk data sampel

tersebut. Data historis digunakan untuk membuat sebuah model yang menjelaskan

perilaku yang sedang diamati. Apabila model ini diaplikasikan pada data masukan,

akan menghasilkan prediksi di masa yang akan datang. Contoh prediksi yang dapat

dilakukan dengan data mining misalnya memprediksikan pelanggan mana yang akan

beralih ke pesaing dalam waktu 6 bulan ke depan, pelanggan mana yang akan

memesan layanan atau produk tertentu, dsb.

• Affinity grouping (Pengelompokan berdasarkan persamaan)

Tujuan affinity grouping adalah untuk menentukan hal-hal yang akan terjadi

bersamaan, misalnya perusahaan retail dapat melakukan market basket analysis,

yakni menentukan produk-produk apa saja yang dibeli oleh pelanggan secara

bersamaan. Affinity grouping dapat juga digunakan untuk mengidentifikasi

18

kesempatan melakukan cross-selling atau untuk mengelompokan produk atau

layanan-layanan yang saling sesuai. Affinity grouping merupakan salah satu contoh

sederhana dalam menghasilkan aturan-aturan dari data.

• Clustering (Pengelompokan)

Clustering adalah proses untuk melakukan segmentasi atas sebuah populasi yang

heterogen menjadi beberapa sub kelompok atau cluster yang homogen. Clustering

berbeda dengan proses klasifikasi, karena tidak bergantung pada kelas-kelas yang

sudah ditetapkan sebelumnya ataupun data sampel. Data-data akan dikelompokkan

berdasarkan kemiripan karakteristik. Clustering seringkali digunakan sebagai

langkah awal sebelum melakukan tugas data mining yang lainnya.

• Description and profiling

Data mining dapat digunakan untuk menemukan dan mendeskripsikan apa yang ada

atau terjadi berdasarkan data yang dimiliki, sehingga meningkatkan pemahaman

tentang berbagai hal.

2.1.4.4 Teknik Data Mining

Secara umum, teknik data mining terbagi menjadi dua (Berson, Smith, dan

Thearling, 2000, pp124-pp200), yaitu teknik klasik (classical techniques) dan teknik

generasi berikut (next generation). Teknik klasik terdiri dari teknik statistik, nearest

neighbor, dan clustering, sedangkan teknik generasi berikut terdiri dari trees, networks,

dan rules.

2.1.4.4.1 Teknik Klasik

• Statistik

19

Pada dasarnya teknik ini bukanlah data mining. Teknik ini telah banyak digunakan

pada banyak aplikasi bisnis lama sebelum data mining muncul. Bagaimanapun

teknik ini dipacu oleh data dan digunakan untuk menemukan pola dan membangun

model prediksi. Namun, pemakaian teknik ini telah banyak ditinggalkan karena

teknik data mining lainnya seperti CART, neural networks dan nearest neighbor

cenderung lebih powerfull bagi data-data bisnis yang kompleks dan mendukung

untuk digunakan oleh user yang kurang ahli dalam statistik.

• Nearest Neighbor

Teknik clustering dan nearest neighbor merupakan teknik pertama yang digunakan

dalam data mining. Nearest neighbor adalah suatu teknik untuk prediksi yang

hampir mirip dengan clustering yaitu melakukan pengelompokkan record yang

sejenis. Dalam memprediksikan nilai prediksi pada sebuah record, melihat record-

record lain yang memiliki kemiripan dengan nilai yang dijadikan nilai prediksi

(predictor) dalam basis data historis dan menggunakan nilai prediksi dari record

yang paling mendekati record yang tidak sejenis. Contoh penggunaannya adalah

dalam text retrieval, yang masalahnya adalah dalam pencarian dokumen yang mirip

atau sejenis dengan suatu dokumen atau jurnal tertentu. Teknik ini akan mencari

dokumen lain yang memiliki kemiripan karakteristik penting yang ditentukan

sebagai karakteristik yang paling menarik dan sangat penting untuk ditemukan.

• Clustering

Teknik clustering adalah metode yang digunakan untuk mengelompokkan records

yang ada. Biasanya, hal ini dilakukan untuk memberikan pengguna akhir (end-user)

sebuah high-level view tentang apa yang terjadi dalam database. Clustering kadang

20

digunakan untuk membuat segmentasi, yang banyak digunakan oleh bagian

pemasaran sebagai birds-eye view dari bisnis.Algoritma nearest neighbor merupakan

peningkatan dari clustering, dalam hal mereka menggunakan distance untuk

membuat struktur dalam data atau prediksi. Algoritma nearest neighbor dikatakan

sebagai peningkatan karena algoritma ini menentukan bobot importance dari

prediktor dan bagaimana distance akan diukur, secara otomatis. Sedangkan, dalam

clustering setiap prediktor masih diperlakukan sama.

2.1.4.4.2 Teknik Generasi Berikutnya

• Decision Tree

Decision tree merupakan model prediktif yang dapat direpresentasikan seperti

bentuk pohon. Setiap cabang dari pohon merupakan sebuah pertanyaan klasifikasi

dan akar dari pohon merupakan bagian dari dataset berdasarkan klasifikasinya

masing-masing.

• Neural Networks

Neural Network merupakan teknik data mining yang paling umum. Teknik ini

mempelajari training set, kemudian membentuk suatu pola di dalamnya untuk

melakukan klasifikasi dan prediksi. Keuntungan utama dari neural network adalah

dapat diterapkan secara luas. Teknik ini sangat menarik karena dapat mendeteksi

pola data yang dapat dianalogikan seperti jalan pikiran manusia. Namun neural

network memiliki dua kekurangan utama. Pertama, sulit untuk memahami model

yang dihasilkan, karena model tersebut direpresentasikan dengan nilai numerik yang

berasal dari proses kalkulasi yang kompleks, dan hasil dari neural network tersebut

juga berupa numerik yang perlu dikonversikan apabila nilai prediksi yan diberikan

21

merupakan nilai kategori. Kedua, teknik ini sangat sensitif terhadap format data yang

masuk. Representasi data yang berbeda dapat memberikan hasil yang berbeda pula,

sehingga penting sekali dilakukan pengaturan data sebelum menggunakannya.

• Rule Induction atau Association Rule

Rule Induction merupakan salah satu bentuk utama dari data mining dan merupakan

bentuk paling umum mengenai proses penemuan pengetahuan dalam sistem

unsupervised learning. Teknik ini juga merupakan bentuk data mining yang paling

mendekati apa yang dipikirkan orang mengenai data mining, yaitu menambang emas

dari sebuah data yang besar. Yang menjadi emas adalah sebuah aturan yang menarik,

dan dapat memberikan suatu gambaran tentang data yang mungkin tidak diketahui

dan dapat dengan mudah dikemukakan.

Teknik rule induction melibatkan pemrosesan data secara besar-besaran, dimana

semua pola yang memungkinkan secara sistematis akan diambil dari data, kemudian

dilakukan pengukuran terhadap pola tersebut untuk mengetahui kemungkinan pola

tersebut muncul kembali. Untuk detilnya, teknik ini akan dijelaskan pada sub-bab

2.1.4.5.

2.1.4.5 Teknik Association Rule

Dalam menemukan association rule, yang digunakan adalah algoritma asosiasi

(association algorithm).

2.1.4.5.1 Konsep dalam Algoritma Asosiasi

Beberapa konsep dalam algoritma asosiasi:

• Itemset

22

Itemset adalah sekumpulan item; Setiap item merupakan nilai atribut. Sebagai contoh,

dalam customer demographic exploration, sebuah itemset berisi sekumpulan nilai-

nilai atribut, seperti {Jenis kelamin = ‘laki-laki’, pendidikan = ‘strata 1’}. Setiap

itemset mempuyai ukuran, yang merepresentasikan jumlah item yang ada. Ukuran

itemset contoh di atas adalah 2. Frequent itemsets adalah itemsets yang sering

muncul dalam sumber data. Popularitas itemset yang ditemukan, disebut support.

• Support

Support itemset ditentukan dari jumlah transaksi yang mengandung item yang sama.

Support ({A, B}) = jumlahTransaksi (A, B)

Minimum_Support adalah sebuah parameter yang berfungsi sebagai persyaratan

(jumlah transaksi minimum) sebuah item untuk dikualifikasikan menjadi frequent

itemset. Parameter ini harus dispesifikasikan sebelum membuat model asosiasi.

• Probability (confidence)

Probabiity merupakan properti association rule. Probabilitas dari rule A => B

dihitung dengan meggunakan support dari itemset {A, B} dibagi dngan support {A}.

Probabilitas ini disebut confidence dalam komunitas penelitian data mining.

Probability (A = > B) = Probability (B | A) = Support (A, B) / Support (A)

Minimum_Probability adalah parameter yang berfungsi sebagai penyaring (filter)

apabila pengguna menginginkan probabilitas rule yang muncul. Parameter ini perlu

dispesifikasikan sebelum algoritma ini dijalankan.

• Importance

Importance merupakan sebuah variabel yang digunakan untuk menyatakan korelasi

antar-item.

23

Importance (A = > B) = log (p(B | A) / p(B | not A)

Apabila nilai importance = 1, A dan B merupakan item independen. Bila importance

< 1, A dan B mempunyai korelasi negatif. Kalau importance > 1, A dan B

brekorelasi positif; Jadi, hal ini berarti seorang pelanggan membeli barang A,

kemungkinan besar pelanggan tersebut membeli barang B.

Tabel 2.1 Perhitungan Korelasi untuk Donat dan Muffin (Sumber: Tang dan MacLennan, 2005, p233)

Gambar 2.3 Contoh Hasil Perhitungan Support, Probability, dan Importance

(Sumber: Tang dan MacLennan, 2005, p234)

24

Dari contoh di atas, nilai importance dari tiemset {Donat, Muffin}bernilai negatif;

Jadi, ada keraguan bila seorang pelanggan membeli donat, akan membeli muffin.

2.1.4.5.2 Langkah-Langkah Algoritma Asosiasi

Ada dua langkah dalam proses algoritma asosiasi:

• Menemukan frequent itemsets

Menemukan frequent itemsets merupakan bagian inti penggunaan algoritma asosiasi.

Untuk menemukan frequent itemsets, langkah-langkah yang ditempuh: (Tang dan

MacLennan, 2005, pp234-pp240):

– Menspesifikasikan parameter minimum_support

– Menemukan frequent itemsets yang berukuran satu dan mempunyai jumlah

support melebihi minimum_support yang dispesifikasikan terlebih dahulu (iterasi

pertama)

– Menemukan frequent itemsets yang berukuran dua dan mempunyai jumlah

support melebihi minimum_support yang dispesifikasikan (iterasi kedua)

– Melakukan terus iterasi untuk itemsets yang berukuran tiga, empat, lima, dan

seterusnya, sampai tidak ada itemset yang memenuhi kriteria minimum_support

Pseudocode untuk menemukan frequent itemsets terlihat pada gambar di bawah ini.

25

Gambar 2.4 Finding Frequent-Itemsets Pseudocode

(Sumber: Tang dan Maclennan, 2005, p235)

Gambar 2.5 Contoh Proses Menemukan Frequent Itemsets

(Sumber: Tang dan MacLennnan, 2005, p236)

26

• Menghasilkan association rules

Prosedur (pseudocode) yang digunakan untuk menghasilkan association rules

terlihat pada gambar di bawah ini.

Gambar 2.6 Generating Association Rules Pseudocode

(Sumber: Tang dan MacLennnan, 2005, p238)

2.1.4.5.3 Prediksi

Paket data mining komersial , pada umumnya, memiliki algoritma asosiasi

yang berhenti pada penemuan itemsets dan perumusan rules. Microsoft Association

Algorithm dapat melakukan prediksi dengan menggunakan rules yang sudah ada.

Sebagai contoh, sebuah rule menyatakan bahwa 65% pelanggan laki-laki yang membeli

bir, kemungkinan besar membeli popok dalam transaksi yang sama, dan 20% pelanggan

perempuan yang membeli popok akan membeli anggur (wine). Rules ini dapat

diaplikasikan untuk prediksi. Hasil prediksi ini menghasilkan rekomendasi untuk

menawarkan anggur (wine) kepada pelanggan laki-laki yang membeli bir dan popok,

walau tidak rule yang dihasilkan untuk itemsets {bir, popok, anggur}.

2.1.4.6 Metodologi Data Mining

Menurut Berry dan Linoff (2004, pp54-pp86), metodologi data mining terdiri

dari beberapa langkah, yaitu :

• Menerjemahkan permasalahan bisnis menjadi permasalahan data mining

Pada langkah ini dilakukan penerjemahan permasalahan bisnis yang ada ke dalam

salah satu dari enam kategori tugas yang dapat diselesaikan melalui data mining,

27

yaitu classification, estimation, prediction, affinity grouping, clustering, serta

profiling. Penentuan kategori tugas data mining tersebut dipengaruhi oleh bagaimana

hasil dari proses data mining akan digunakan san disampaikan.

• Memilih data yang tepat

Pada tahap ini dilakukan pemilihan data yang akan digunakan sebagai sumber data

mining.

• Mengenal dan memahami data

Setelah data yang akan digunakan untuk proses data mining ditentukan, kemudian

akan dilakukan eksplorasi. Proses eksplorasi tersebut dilakukan untuk mendapatkan

pemahaman mengenai data yang akan digunakan, serta menemukan masalah-

masalah yang ada pada data tersebut.

• Membuat model set

Langkah ini bertujuan untuk membuat model set, yang berisi seluruh data yang akan

digunakan untuk proses pembuatan model. Model set yang sudah terbentuk dapat

dipartisi sesuai dengan kebutuhan menjadi beberapa bagian untuk proses pelatihan

(training), validasi, serta pengujian model data mining. Pembentukan model set

harus memperhatikan faktor-faktor seperti persebaran data dan batasan waktu (time

frame) untuk dapat menghasilkan model yang stabil, serta format data yang

dibutuhkan dalam pembentukan model.

• Mengatasi permasalahan mengenai data

Pada langkah ini dilakukan perbaikan terhadap data yang akan digunakan untuk

proses pembuatan model. Beberapa permasalahan pada data yang harus diperbaiki

antara lain meliputi jumlah variabel pengelompokan yang terlalu banyak, variabel

28

numerik dengan distribusi yang terdistorsi, nilai yang hilang (missing value),

pengkodean data yang tidak konsisten, dsb.

• Mentransformasikan data untuk membawa informasi ke permukaan

Setelah data yang akan digunakan diperbaiki, data tersebut masih harus dipersiapkan

sebelum digunakan dalam pembuatan model. Persiapan tersebut meliputi

penambahan field-field yang diperlukan, pengubahan tipe data, dsb.

• Membangun model

Setelah data-data yang akan digunakan siap, pada langkah ini dilakukan pembuatan

model data mining sesuai dengan algoritma yang sudah dipilih untuk memecahkan

permasalahan.

• Mengukur model

Setelah model tercipta, langkah selanjutnya adalah melakukan pengukuran terhadap

kualitas model tersebut. Pengukuran yang dilakukan berbeda-beda sesuai dengan

jenis algoritma data mining yang dipilih, antara lain :

– Pengukuran directed model yang digunakan untuk tugas klasifikasi dan prediksi

dilakukan dengan mengukur tingkat kesalahan (error rate) dan persentase

kesalahan pengelompokan.

– Pengukuran directed model yang digunakan untuk tugas estimasi, pengukuran

dilakukan dengan membandingkan nilai yang diprediksi dengan nilai aktual.

– Pengukuran undirected model yang bersifat deskriptif dilakukan secara subjektif

dengan menilai tingkat ekspresi dan arti dari pola-pola yang dihasilkan.

• Menerapkan model

29

Setelah dilakukan pengukuran terhadap model yang sudah terbentuk, pada langkah

ini model tersebut dapat digunakan untuk membantu menganalisa pola-ola yang

tersembunyi dari data yang ada.

• Mengukur hasil

Pada tahap ini keuntungan perusahaan diukur untuk dibandingkan dengan biaya

investasi yang telah dikeluarkan untuk melaksanakan proyek perancangan data

mining.

Gambar 2.7 Data Mining Methodology (Sumber: Berry dan Linoff, 2004, p55)

30

2.1.4.7 Perbedaan Data Mining dengan OLAP

Online Analytical Processing (OLAP) merupakan sebuah istilah untuk tool yang

terdiri dari basis data (database) dan antar-muka pengguna (user interface),

dimana pengguna dapat menavigasikan data. OLAP merupakan sebuah tool

untuk melihat dengan cepat “gunung” data yang dimiliki; Tapi, tidak dapat

membedakan mana yang bernilai dan mana yang tidak dalam “gunung” tersebut

(Berson, Smith, dan Thearling, 2000, p91). Kelemahan OLAP ini akan

dilaksanakan oleh data mining.

2.1.4.8 Perbedaan Data Mining dengan Statistik

Statisitik mempunyai penggunaan dan hasil yang sama dengan data mining.

Regresi sering digunakan dalam statistik untuk meciptakan model yang bersifat

prediktif. Model ini dibuat dari data historis yang juga berkarakter sama dengan

data yang digunakan oleh data mining. Perbedaan utama antara statistik dengan

data mining adalah data mining digunakan oleh pebisnis, bukan ahli statisitk.

Data mining mengotomatisasi proses statisitik, sehingga pengguna tidak

diharuskan untuk belajar statistik terlebih dahulu (Berson dan Smith, 1997,

pp336-pp337)

2.2 Teori-Teori Khusus yang Berhubungan dengan Topik yang Dibahas

2.2.1 CRM (Customer Relationship Management)

2.2.1.1 Pengertian CRM

Berikut ini adalah kutipan beberapa penjelasan tentang Customer Relationship

Management (CRM) :

31

• CRM adalah sebuah proses yang mengelola interaksi antara perusahaan dan

pelanggannya (Berson, 2000, p10).

• CRM dimaksudkan untuk menciptakan dan mengatur lingkungan dinamis dalam

usaha meningkatkan hubungan dan interaksi perusahaan dengan pelanggan secara

continue. Tugas utamanya adalah mengenali karakter pelanggan (Beck dan Summer,

2001, pp1-pp2).

2.2.1.2 Tujuan Penerapan Konsep CRM

Tujuan dari CRM adalah untuk mengoptimasi profitabilitas perusahaan dengan

pelanggan, melalui pengenalan if, what dan how dari pelanggan yang berinteraksi

dengan perusahaan, sehingga dapat menemukan cara untuk memperoleh kesetiaan

pelanggan, yang nantinya diasosiasikan dengan meningkatnya profitabilitas yang

diperoleh perusahaan.

CRM memungkinkan perusahaan membedakan dengan lebih baik dan lebih

efisien dalam mengalokasikan sumber daya yang dikeluarkan untuk pelanggan yang

lebih profitable. Dengan demikian, maka perusahaan dapat melakukan pengelolaan

sumber daya dan mengembangkan relasi yang lebih berarti dengan para pelanggannya

(Berson, 2000, p44). Pendapat lain tentang tujuan diterapkannya konsep CRM adalah

(Seybold, 2002, p5) :

• Mendapatkan pelanggan baru (Acquire)

Memulai hal baru merupakan pengalaman yang penting bagi pelanggan. Perusahaan

dapat melakukan promosi dengan memasang iklan pada beberapa media massa juga

pemberian potongan harga untuk menarik pelanggan baru.

• Mempertahankan pelanggan untuk selamanya (Retain)

32

Fokus pada kemampuan untuk mengadaptasi pada pelayanan apa yang diperlukan

dan sesuai untuk pelanggan serta memberikan layanan yang bersifat one-stop-service

untuk semua hal yang berhubungan dengan pelanggan.

• Meningkatkan nilai transaksi pelanggan (Enhance)

Tujuan pada enhance adalah pengembangan relasi ke arah peningkatan nilai

transaksi penjualan yang bersifat cross-selling (produk komplemen) maupun up-

selling (produk yang bermutu lebih baik).

2.2.1.3 Kunci Keberhasilan CRM

Kunci keberhasilan pelaksanaan CRM tergantung pada tiga hal yang harus saling

mendukung satu dengan yang lain, yaitu :

• People (sumber daya manusia)

Adalah keseluruhan anggota perusahaan, dari manajemen sampai staf terendah.

– Budaya kerja

Adanya kesamaan visi CRM, pemahaman konsep ‘customer-focused’ dalam

pelaksanaan praktek kerja, kerja sama dan kekompakan tim, antara pihak

manajemen dan staf. Hal ini dapat diperoleh dengan diadakannya pelatihan

(training) dan penanaman konsep CRM dan ‘customer-focused’ bagi staf dan

manajemen.

– Keterampilan

Keterampilan staf dan pihak manajemen dalam menjalin hubungan dengan

pelanggan, dalam memperoleh informasi yang dibutuhkan tentang pelanggan,

serta kemampuan menganalisis dan menarik kesimpulan dari keseluruhan

informasi pelanggan.

33

• Process (proses bisnis yang dilakukan)

Adalah proses bisnis perusahaan yang berorientasi pada ‘customer-focuesd’, yang

lebih difokuskan pada sisi penjualan, pemasaran, dan pelayanan pelanggan.

• Technology (teknologi informasi yang digunakan)

Adalah teknologi informasi yang digunakan sebagai piranti pembantu yang

mendukung unsur people dan process.

Kombinasi antara ketiganya disimbolkan dengan :

artinya :

• Jika (People + Process) < adequate (memadai), maka penggunaan teknologi

informasi akan memperbesar kesalahan pada inisiatif CRM.

• Jika (People + Process) > adequate (memadai), maka penggunaan teknologi

informasi akan mempercepat kesuksesan dan memperbesar keuntungan yang dapat

diraih perusahaan.

2.2.1.4 Arsitektur dan Komponen CRM

Beberapa perusahaan menyimpan data-data yang berhubungan dengan pelanggan,

supplier dan rekan bisnisnya. Kemampuan untuk mentransformasi data-data tersebut

menjadi suatu bentuk pengetahuan memerlukan adanya pemrosesan tertentu dari

sejumlah basis data yang besar, yang hasilnya akan digunakan untuk mendatangkan

profit bagi perusahaan.

Dalam arsitektur CRM (gambar 2.8), dapat dilihat sejumlah customer touch-

points dan delivery channels yang menghasilkan dan menggunakan informasi. Yang

( People + Process ) Technology

34

dimaksud dengan customer touch-points (Berson, 2000, p46) adalah points of contact

dimana perusahaan dapat berinteraksi dan "touch" pelanggan dan begitu pula sebaliknya.

Informasi ini perlu diintegrasikan dan dianalisis untuk mendapatkan sebuah gambaran

yang lengkap dan akurat tentang preferensi, kebutuhan, keluhan dan atribut lainnya dari

pelanggan yang dapat menjadikannya menjadi pelanggan jangka panjang sebagai

pelanggan produk atau jasa perusahaan.

Komponen-komponen yang menjadi bagian dari CRM tidak hanya data

warehouse dan data marts, tetapi juga meliputi data mining , reporting, OLAP engines

dan penyimpanan metadata.

Gambar 2.8 CRM Architecture (Sumber: Berson, 2000, p45)

2.2.1.5 Jenis-Jenis CRM

Secara garis besar, CRM dapat diklasifikasikan dalam 3 jenis, yaitu (Berson,

2000, p45):

• Operational CRM

35

Mencakup otomatisasi yang terintegrasi dari keseluruhan proses bisnis yang

terintegrasi, termasuk didalamnya customer touch-points dan customer channels dan

integrasi front office-back office. Operational CRM mengotomatisasi proses bisnis

yang berinteraksi secara langsung dengan pelanggannya (Beck dan Summer, 2001,

pp1-pp2). CRM memiliki berbagai macam aplikasi yang diterapkan dalam penjualan,

pemasaran dan pelayanan yang mendukung proses bisnis. Aplikasi proses bisnis

yang menerapkan hal diatas tergolong dalam aplikasi operasional. Aplikasi

operational CRM dibedakan menjadi dua, yaitu :

– Customer-Facing Applications

Faktor utama dari aplikasi CRM Customer-Facing adalah contact center, Sales

Force Automation, dan field service . Disebut Customer-Facing karena pada

kenyataannya, aplikasi ini langsung berhubungan dengan pelanggannya.

– Customer-Touching Applications

Faktor utama dari aplikasi CRM Customer-Touching Applications adalah

Campaign management, e-commerce, dan Self-Service Customer Support.

Disebut Customer-Touching karena pelanggan berhubungan langsung dengan

aplikasi sistem daripada berhubungan dengan perwakilan perusahaan.

Strategi operational CRM ini memfasilitasi tradisional CRM, yang berfokuskan

bagaimana membuat pelayanan, penjualan dan atau departemen pemasaran lebih

efisien dan meningkatkan profitabilitas perusahaan dan pelanggan. Sedangkan

infrastruktur dan servis dari Collaborative CRM membuat perusahaan dapat

berinteraksi dengan channelnya, yakni semua pihak yang memungkinkan

berhubungan dengan perusahaan.

36

• Analytical CRM

Merupakan proses analisis dari data-data yang dihasilkan pada Operational CRM

• Collaborative CRM

Aplikasi pelayanan yang terkolaborasi, seperti e-mail, personalized publishing, e-

communities, forum diskusi dan sarana lainnya yang dirancang untuk memfasilitasi

interaksi antara pelanggan dan pihak perusahaan.

CRM yang terdiri dari ketiga komponen diatas memiliki tujuan secara umum

yaitu untuk memaksimumkan keuntungan pelanggan sejalan dengan meningkatkan dan

memelihara kepuasan pelanggan.

Gambar 2.9 CRM Cycle (Sumber : Beck dan Summer, 2001, p2)

Pada siklus CRM yang dapat dilihat pada gambar 2.9 di atas menjelaskan bahwa

masing-masing komponen saling bergantung pada komponen lainnya. Oleh karenanya

penerapan CRM yang ideal adalah penerapan secara keseluruhan komponen CRM yang

terintegrasi.

37

2.2.2 Analytical CRM

Tantangan bagi perusahaan sekarang ini adalah untuk mengerti apa yang menjadi

permintaan pelanggan dan memberikan respon, secara lebih baik, mengantisipasi

kebutuhan mereka. Namun, banyak perusahaan hanya berfokus untuk

mengimplementasikan penggunaan CRM hanya sebatas untuk “mendengar” kebutuhan

dan keluhan dari pelanggan, yang pada praktisnya hanya terkonsentrasi pada komponen

operational dan collaborative CRM, sehingga analisis pemahaman dan pengenalan

terhadap pelanggan yang sebenarnya belum terjadi. Diperlukan komponen Analytical

CRM untuk mengoptimalisasi hubungan perusahaan dengan pelanggannya

Analytical CRM memungkinkan perusahaan untuk mendapatkan suatu

pengetahuan akan pelanggan dan melakukan penaksiran atau estimasi terhadap

pelanggan berdasarkan data-data analisis yang dipakai. Pengetahuan yang didapat

perusahaan adalah tentang nilai pelanggan, yang dapat mendukung channel pelayanan

interaksi dengan lebih baik dan mendukung berbagai keputusan dalam mensinergi

penerapan operational dan atau collaborative CRM dalam proses penjualan dan

pemasaran produk, sehingga kedudukannya menjadi sangat esensial bagi komponen

CRM lainnya (Beck dan Summer , 2001, p2).

2.2.2.1 Pengertian Analytical CRM

Analytical CRM merupakan feedback loop antara interaksi pelanggan yang real

time yang terjadi pada front-end atau back–end scorecard untuk menganalisis apa yang

telah terjadi dan bagaimana meningkatkan cara perusahaan berinteraksi di kemudian hari.

Beck dan Summer (2001, p5) mengatakan bahwa analytical CRM adalah penggunaan

data pelanggan untuk analisis, pemodelan, dan evaluasi yang ditujukan untuk

mendukung perusahaan untuk membentuk suatu hubungan yang profitable antara

38

perusahaan dan pelanggannya. Analytical CRM terdiri dari semua programming yang

menganalisis data tentang pelanggan perusahaan, sehingga keputusan yang lebih cepat

dan lebih baik dapat dihasilkan (Anonim, 2001, pp1-pp2). Analytical CRM dapat

menyediakan hal-hal sebagai berikut :

• Kelompok segmentasi pelanggan

• Analisis profitabilitas, mengetahui pelanggan mana yang profitable selama kurun

waktu tertentu.

• Personalisasi, kemampuan untuk memasarkan kepada pelanggan secara personal

berdasarkan data-data yang ada tentang pelanggan tersebut.

• Event monitoring, yaitu segala aktivitas yang dilakukan pelanggan yang berkaitan

dengan perusahaan dan begitu pula sebaliknya tindakan perusahaan terhadap segala

yang berhubungan dengan pelanggannya, seperti promosi, transaksi, dsb.

Analytical CRM mampu melakukan segmentasi pelanggan, membedakan

pelanggan yang memiliki profitabilitas tinggi dengan tingkat akurasi yang lebih matang,

maka Return On Investment (ROI) akan suatu pelanggan dapat diprediksi dengan baik.

(Meta Group, 2000, p1). Dengan pengetahuan tersebut, penawaran yang tepat dan harga

yang tepat dapat ditawarkan pada saat yang tepat, kepada pelanggan yang memang

berpotensi untuk membelinya. Hal ini akan mengoptimaslkan pelanggan dan perusahaan.

Dengan kombinasi informasi tentang pelanggan dari semua sumber dan sarana informasi

vital lainnya yang berinteraksi dengan pelanggan, perusahaan dapat memperoleh

gambaran yang pasti tentang pelanggan dan perilakunya. Dengan demikian dukungan

perusahaan dalam melakukan personalisasi terhadap pelanggan dan menyesuaikan diri

39

seiring dengan kemungkinan perubahan-perubahan yang terjadi dari permintaan

pelanggan.

Analytical CRM digunakan juga sebagai alat untuk mengevaluasi profitabilitas

pelanggan, berdasarkan segmentasi dari hasil analisa yang kuat, dan meningkatkan ROI

dari pelanggan perusahaan. Dengan menganalisis profitabilitas pelanggan, perusahaan

dapat melakukan segmentasi pelanggannya berdasarkan tingkat profitabilitasnya

sehingga dapat menetapkan target tingkat penjualannya terhadap masing-masing

pelanggan. Langkah selanjutnya adalah menindaklanjuti feedback loop dari hasil analisa

yang telah dilakukan untuk menentukan interaksi selanjutnya yang akan dibangun

dengan pelanggan (Meta Group, 2000, p2).

Gambar 2.10 Aliran Proses Feedback Loop Knowledge (Sumber : Meta Group, 2000, p2)

2.2.2.2 Perbedaan Operational CRM dengan Analytical CRM

Tabel berikut ini menjelaskan perbedaan operational CRM dan analytical CRM.

40

Tabel 2.2 Perbedaaan Operational CRM dan Analytical CRM (Sumber: http://www.ebizzasia.com/0217-2004/enterprise,0217,01.html)

OPERATIONAL CRM ANALYTICAL CRM

• Fokus pada transaksi yang menguntungkan

• Menekankan pada akuisisi pelanggan • Mengukur nilai pelanggan dan

loyalitas • Terorganisasi berdasarkan fungsi dan

unit produk • Bergantung pada informasi dari

pelanggan • Interaksi proaktif dengan pelanggan • Dalam hal peningkatan, fokus ke

dalam perusahaan • Penerapan dan pembelajaran jangka

panjang (long-loop)

• Fokus pada nilai jangka panjang pelanggan

• Menekankan pada mempertahankan pelanggan

• Mengukur kepuasan pelanggan • Terorganisasi beradasarkan

segmentasi pelanggan • Bergantung pada informasi mengenai

pelanggan • Interaksi personal seketika (real-time)

dengan pelanggan • Dalam hal peningkatan, fokus ke luar,

pelanggan • Penerapan dan pembelajaran jangka

pendek (short-loop) 2.2.3 Sistem Distribusi

2.2.3.1 Saluran Distribusi

Menurut David A. Revzan seperti yang dikutip oleh Royan (2004, p25), saluran

distribusi merupakan suatu jalur yang dilalui oleh arus barang-barang dari produsen ke

perantara dan akhirnya sampai kepada pemakai. Menurut The American Marketing

Association seperti yang dikutip oleh Royan (2004, p25), saluran distribusi diartikan

sebagai suatu struktur, yaitu organisasi dalam perusahaan dan luar perusahaan yang

terdiri atas agen, dealer, pedagang besar, dan pengecer, yang melaluinya sebuah

komoditi, produk, atau jasa yang dipasarkan. Betsy-Ann Toffler dan Jane Imber seperti

yang dikutip oleh Royan (2004, p25) menyebutkan bahwa saluran distribusi merupakan

sarana yang digunakan untuk memindahkan barang dagangan dari perusahaan

manufaktur ke pengguna akhir. Selanjutnya, C. Glenn Walters seperti yang dikutip oleh

Royan (2004, p25) menyebutkan bahwa saluran distribusi merupakan sekelompok

41

pedagang dan agen perusahaan yang mengombinasikan antara pemindahan fisik dan

nama dari suatu produk untuk menciptakan kegunaan bagi pasar tertentu. Dari beberapa

definisi, saluran distribusi dapat didefinisikan sekelompok agen yang bekerja sama

untuk menyampaikan kebutuhan pasar ke pasar tujuan.

Adanya nilai ekonomis yang dimiliki oleh produk yang didistribusikan,

merupakan jawaban atas kebutuhan, keinginan, dan harapan pelanggan (pemakai).

Keberadaan nilai ekonomis ini tidak lepas dari saluran distribusi. Nilai ekonomis yang

melekat pada suatu produk dapat dklasifikasikan menjadi empat faedah, yaitu:

• Faedah bentuk (form utility)

Faedah muncul akibat perubahan bentuk yang dialami oleh suatu produk.

• Faedah waktu (time utility)

Faedah muncul karena keberadaan produk yang sesuai dengan waktu kebutuhan,

keinginan, dan harapan pelanggan.

• Faedah tempat (place utility)

Produk memiliki faedah tempat apabila produk tersebut berada pada tempat yang

tepat.

• Faedah milik (possession utility)

Perubahan kepemilikan produk menjelaskan faedah ini. Kepemilikan produk dapat

dikatakan tepat apabila produk tersebut menciptakan kepuasan bagi pelanggannya.

Dari keempat faedah tersebut, tiga faedah, yaitu faedah waktu, tempat, dan

milik, dapat diciptakan melalui kegiatan pendistribusian produk. Pendistribusian produk

pada waktu yang tepat, ke tempat yang tepat, kepada pihak yang tepat, dapat

memberikan faedah-faedah tersebut.

42

Saluran-saluran distribusi dapat dibedakan berdasarkan:

• Sifat produk

– Produk industri

• Produsen – pemakai

• Produsen – distributor industri – pemakai

• Produsen – agen – pemakai

• Produsen – agen – distributor – pemakai

– Produk konsumsi

• Produsen – konsumen akhir

• Produsen – pengecer dan konsumen akhir

• Produsen – pedagang besar – pengecer dan konsumen akhir

• Produsen – agen – pengecer dan konsumen akhir

• Produsen – agen – pedagang besar – pengecer dan konsumen akhir

• Kepemilikan

– Saluran distribusi tunggal

– Saluran distribusi spesial

– Saluran distribusi campuran

Saluran distribusi pilihan dapat memakai beberapa outlet sebagai organisasi

yang terlibat dalam saluran distribusi tersebut. Mcacm-macam tipe outlet:

• Retailer

• Minimarket

• Supermarket

• Hypermarket

43

• R2 (warung)

• R3 (gerobak)

• Insitusi (horeka)

• Semi-grosir

• Grosir

Tujuan saluran distibusi adalah menyampaikan produk kepada konsumen.

Tindakan konsumsi produk dapat dilakukan oleh konsumen apabila konsumen mampu

mendapatkan produk tersebut. Suatu produk tidak dapat sampai ke tangan konsumen

apabila produk tersebut tidak didistribusikan secara maksimal. Kunci pendistribusian

produk secara maksimal adalah spreading, coverage, dan penetration (SCP). SCP ini

juga menjadi salah satu kunci untuk mencapai loyalitas konsumen secara langsung

kepada produk yang dikonsumsi dan secara tidak langsung kepada agen distribusi

produk tersebut.

2.2.3.2 Konsep Spreading, Coverage, dan Penetration (SCP)

Menurut Royan (2004, pp63-pp65), dalam bisnis distribusi, ada komponen-

komponen penting yang harus dipertimbangkan, antara lain :

• Spreading (Penyebaran)

Distributor memetakan area berdasarkan parameter tertentu, misalnya keadaan

geografis, jumlah penduduk, jarak, jumlah outlet, dan lain-lain. Setelah pemetaan,

langkah selanjutnya dilakukan penempatan distribution point untuk melayani outlet

potensial yang berada di daerah yang akan dimasuki. Oleh sebab itu, ini kegiatan

spreading adalah memperluas area distribusi berdasarkan kekuatan produksi

produsen (principal) untuk memenuhi area distribusi yang telah dikembangkan.

44

• Coverage (Cakupan)

Coverage yang luas berarti produk principal dapat memenuhi seluruh outlet yang

ada. Syarat pemenuhannya adalah produk dapat dijual di seluruh outlet yang ada,

dengan kunjungan rutin ke outlet dan pemberian informasi yang menyeluruh melalui

peliputan ke outlet tersebut. Peliputan outlet dapat dilakukan secara maksimal

dengan adanya armada penjualan yang memadai.

• Penetration (Penetrasi)

Penetration merupakan aktivitas penembusan berbagai produk ke outlet yang ada.

Kegiatan ini bergantung pada kemampuan sales force menjual beraneka produk yang

ada ke outlet. Akan tetapi, berbagai produk yang ditawarkan tersebut sesuai dengan

kebutuhan, keinginan, dan harapan pelanggan.

2.2.3.3 Hubungan Antara Spreading, Coverage, dan Penetration

Distribusi tidak saja mengoptimalkan spreading, juga memperhatikan

kemampuan coverage dan penetration produk kepada outlet. Spreading, coverage, dan

penetration adalah satu kesatuan yang membentuk suatu kesatuan yang membentuk

suatu kekuatan yang disebut network. Perluasan daerah distribusi tanpa melakukan

coverage dan penetration, spreading yang dilakukan akan menjadi sia-sia. Oleh karena

itu, SCP merupakan suatu kesatuan yang membantu mendistribusikan produk untuk

mencapai tingkat ketersediaan produk relatif lebih maksimal dan relatif mempersingkat

pencarian produk yang dilakukan oleh pelanggan.

2.2.4 Analisis Porter

45

Menurut Porter (1993, p4), model analisa pada gambar 2.11 merupakan model

lima kekuatan persaingan Porter untuk mengidentifikasi ancaman dari luar perusahaan,

sehingga perusahaan dapat mempersiapkan strategi untuk meminimalkan pengaruh

ancaman tersebut. Perusahaaan juga harus dapat mempertimbangkan perkembangan para

pesaingnya. Disamping itu, perusahaan harus dapat meminimalkan biaya yang harus

mereka keluarkan dan membuat dirinya lebih unik di mata pelanggan sehingga

perusahaan mereka memiliki perbedaan dengan para pesaingnya.

Gambar 2.11 Model Persaingan Porter (Sumber: http://www.clubmoa.asso.fr/users_private/webmaster/RE05-DG-en1.gif)

2.2.4.1 Komponen-Komponen Analisis Porter

Komponen-komponen yang dianalisis dalam menggunakan model Porter sebagai

berikut :

• Ancaman pendatang baru (new entrants)

Ancaman masuknya pendatang baru ke dalam industri akan tergantung dari besar

atau kecilnya hambatan masuk yang ada. Jika hambatan itu besar, maka ancaman

masuknya pendatang baru akan rendah. Hambatan tersebut seperti membatasi harga

46

dan menentukan tingkat investasi yang dibutuhkan untuk merintangi masuknya

pendatang baru.

• Kekuatan penawaran pembeli (buyer)

Pembeli bersaing dengan industri dengan cara memaksa harga turun, tawar menawar

untuk mutu yang lebih tinggi dan pelayanan yang lebih baik, serta berperan sebagai

pesaing satu sama lain. Pembeli akan mempunyai daya tawar – menawar yang tinggi

jika situasi berikut terjadi

– Pembeli membeli dalam jumlah relatif besar terhadap penjualan pihak penjual

– Produk yang dibeli dari industri merupakan bagian dari biaya atau pembelian

yang cukup besar dari pembeli

– Produk yang dibeli dari industri adalah produk standar atau tidak terdiferensiasi

– Pembeli menghadapi biaya pengalihan yang kecil

– Pembeli mempunyai informasi lengkap

– Pembeli menunjukkan ancaman untuk melakukan integrasi balik.

• Ancaman produk substitusi (subtitute product or service)

Produk pengganti membatasi laba potensial dari industri dengan menetapkan harga

tertinggi (selling price) yang dapat diberikan oleh perusahaan dalam industri. Produk

pengganti yang perlu mendapatkan perhatian basar adalah produk – produk yang :

– Harganya cenderung menjadi semakin murah dibandingkan dengan produk yang

dihasilkan oleh perusahaan

– Dihasilkan oleh distribusi yang berskala besar dan sangat menguntungkan

• Kekuatan penawaran pemasok (supplier)

47

Pemasok dapat menggunakan kekuatan tawar–menawar terhadap para peserta

industri dengan mengancam akan menaikkan harga atau menurunkan mutu produk

atau jasa yang dibeli. Para pemasok akan mempunyai daya tawar–menawar yang

tinggi apabila terdapat hal–hal berikut tsb:

– Para pemasok didominasi untuk beberapa perusahaan dan lebih terkonsentrasi

dibandingkan industri dimana mereka mensual.

– Pemasok tidak menghadapi produk pengganti lain untuk dijual kepada industri.

– Industri tidak mempunyai pelanggan yang penting bagi kelompok pemasok.

– Produk pemasok merupakan input penting bagi industri.

– Produk kelompok pemasok terdiferensiasi.

• Persaingan industri (competitor)

Tingginya tingkat persaingan antar pesaing di dalam suatu industri merupkan akibat

dari beberapa fakor seperti jumlah pesaing yang banyak atau seimbang, pertumbuhan

industri yang lamaban, biaya tetap yang tinggi, tidak adanya diferensiasi,

penambahan kapasitas dalam jumlah besar, dan pesaing yang beragam.

2.2.4.2 Tujuan Analisis Porter

Tujuan dari Analisis Porter adalah sebagai berikut :

• Mengetahui posisi perusahaan

• Mengetahui pesaing–pesaing atau hambatan–hambatan yang harus dihadapi

perusahaan

• Mengetahui keadaan eksternal yang harus dihadapi perusahaan

2.2.5 Analisis SWOT

2.2.5.1 Pengertian Analisis SWOT

48

Analisis SWOT menurut Rangkuti (2006, pp18-pp19) adalah identifikasi

berbagai faktor strategi secara sistematis untuk merumuskan strategi perusahaan

berdasarkan logika yang dapat memaksimalkan kekuatan (strength) dan peluang

(opportunities), namun secara bersaman dapat meminimalkan kelemahan (weaknesses)

dan ancaman (threats).

2.2.5.2 Matrik SWOT

Matrik SWOT menurut Rangkuti (2006, pp31-pp32) adalah alat yang dipakai

untuk menyusun faktor-faktor strategi perusahaan. Matrik ini dapat menggambarkan

secara jelas bagaimana peluang dan ancaman eksternal yang dihadapi perusahaan dapat

disesuaikan dengan kekuatan dan kelemahan internal yang dimilikinya. Matrik ini dapat

menghasilkan empat kemungkinan strategi, antara lain :

• Strategi SO

Strategi yang memanfaatkan kekuatan perusahaan untuk merebut dan memanfaatkan

peluang sebesar-besarnya.

• Strategi ST

Strategi yang memanfaatkan kekuatan perusahaan untuk mengatasi ancaman.

• Strategi WO

Strategi yang memanfaatkan peluang perusahaan dengan cara meminimalkan

kelemahan yang ada.

• Strategi WT

Strategi yang bersifat defensive dan berusaha meminimalkan kelemahan perusahaan

serta menghindari ancaman.

49

Tabel 2.3 Matriks SWOT (Sumber: Rangkuti 2006, p31)

IFAS EFAS

STRENGTH (S) - Tentukan faktor-faktor

kekuatan internal

WEAKNESSESS (W) - Tentukan faktor-faktor

kelemahan internal

OPPORTUNITIES (O) - Tentukan faktor peluang

eksternal

STRATEGI SO - Ciptakan strategi yang

menggunakan kekuatan untuk memanfaatkan peluang

STRATEGI WO - Ciptakan strategi yang

meminimalkan kelemahan untuk memanfaatkan peluang

TREATHS (T) - Tentukan faktor ancaman

eksternal

STRATEGI ST - Ciptakan strategi yang

menggunakan kekuatan untuk mengatasi ancaman

STRATEGI WT - Ciptakan strategi yang

meminimalkan kelemahan dan menghindari ancaman

2.2.5.3 Matrik Faktor Strategi Eksternal (EFAS-External Strategic Analysis

Summary)

Sebelum membuat penilaian EFAS, faktor strategi eksternal perlu diketahui

terlebih dahulu. Berikut ini adalah cara–cara penentuan faktor strategi ekstenal

(EFAS ) (Rangkuti, 2006, pp22-pp23) :

• Susunlah peluang dan ancaman dalam kolom satu

• Beri bobot masing–masing faktor dalam kolom dua, mulai dari 1,0 (sangat

penting) sampai dengan 0,0 (tidak penting). Faktor – faktor tersebut kemungkinan

dapat memberikan dampak terhadap faktor strategis

• Hitung rating (dalam kolom tiga) untuk masing–masing faktor dengan

memberikan skala mulai dari empat (outstanding) sampai dengan satu (poor)

berdasarkan pengaruh faktor tersebut terhadap kondisi yang bersangkutan.

Pemberian nilai rating untuk faktr peluang bersifat positif (peluang yang semakin

besar diberi rating +4, tetapi jika peluangnya kecil , diberi rating +1). Pemberian

50

nilai rating ancaman adalah kebalikannya. Misalnya, jika nilai ancamannya

sangat besar, rating-nya adalah satu. sebaliknya, jika nilai ancamannya sedikit

rating-nya empat

• Kalikan bobot pada kolom dua dengan rating pada kolom tiga, untuk memperoleh

faktor pembobotan dalam kolom empat. Hasilnya berupa skor pembobotan untuk

masing–masing faktor yang nilainya bervariasi mulai dari 4,0 (outstanding)

sampai dengan 1,0 (poor)

• Gunakan kolom lima untuk memberikan komentar atau catatan mengapa faktor–

faktor tertentu dipilih dan bagaimana nilai pembobotannya dihitung

• Jumlahkan skor pembobotan (pada kolom empat), untuk memperoleh total skor

pembobotan bagi perusahaan yang bersangkutan. Nilai total ini menunjukkan

bagaimana perusahaan tertentu bereaksi terhadap faktor – faktor strategis

eksternalnya. Total skor ini dapat digunakan untuk membandingkan perusahaan

ini dengan perusahaan lainnya dalam kelompok industri yang sama.

Tabel 2.4 Tabel Penilaian EFAS (Sumber: Rangkuti, 2006, p24)

FAKTOR-FAKTOR

STRATEGI EKSTERNAL BOBOT RATING BOBOT X RATING

PELUANG: 1. Peluang satu 2. Peluang dua

TOTAL

51

ANCAMAN: 1. Ancaman satu 2. Ancaman dua

TOTAL

2.2.5.4 Matrik Faktor Strategi Internal (IFAS-Internal Strategic Analysis Summary)

Sebelum membuat penilaian IFAS, faktor strategi internal perlu diketahui

terlebih dahulu. Berikut ini adalah cara – cara penentuan faktor strategi internal (IFAS)

(Rangkuti, 2003, pp24-pp26) :

• Tentukan faktor – faktor yang menjadi kekuatan serta kelemahan perusahaan dalam

kolom satu

• Beri bobot masing – masing faktor tersebut dengan skala mulai dari 1,0 (paling

penting) sampai 0,0 (tidak penting), berdasarkan pengaruh faktor–faktor tersebut

terhadap posisi strategis perusahaan. (semua bobot tersebut jumlahnya tidak boleh

melebihi skor total 1,00 )

• Hitung rating (dalam kolom tiga) untuk masing–masing faktor dengan memberikan

skala mulai dari empat (outstanding) sampai dengan satu (poor), berdasarkan

pengaruh faktor tersebut terhadap kondisi perubahan yang bersangkutan. Variabel

yang bersifat positif (semua variabel yang masuk kategori kekuatan) diberi nilai +1

sampai dengan +4 (sangat baik) dengan membandingkannya dengan rata–rata

industri atau dengan pesaing utama, sedangkan variabel yang bersifat negatif,

kebalikannya.

52

Tabel 2.5 Tabel Penilaian IFAS (Sumber: Rangkuti, 2006, p25)

FAKTOR-FAKTOR STRATEGI INTERNAL BOBOT RATING BOBOT X

RATING

KEKUATAN: 1. Kekuatan satu 2. Kekuatan dua

TOTAL

KELEMAHAN : 1. Kelemahan satu 2. Kelemahan dua

TOTAL

2.2.5.5 Penilaian EFAS dan IFAS

Setelah melakukan perhitungan EFAS dan IFAS, posisi perusahaan dalam

diagram analisis SWOT dapat ditentukan. Diagram ini (gambar 2.12) memiliki

beberapa kuadran, yaitu:

• Kuadran satu

Ini merupakan situasi yang sangat menguntungkan. Perusahaan tersebut memiliki

peluang dan kekuatan sehingga dapat memanfaatkan peluang yang ada. Strategi

yang harus diterapkan dalam kondisi ini adalah mendukung kebijakan

pertumbuhan yang agresif (growth-oriented strategy).

• Kuadran dua

Meskipun menghadapi berbagai ancaman, perusahaan ini masih memiliki

kekuatan dari segi internal. Strategi yang harus diterapkan adalah menggunakan

53

kekuatan untuk memanfaatkan peluang jangka panjang dengan cara strategi

diversifikasi produk atau pasar.

• Kuadran tiga

Perusahaan menghadapi peluang pasar yang sangat besar, tetapi dilain pihak, ia

menghadapai beberapa kendala/kelemahan internal. Kondisi bisnis pada kuadran

tiga ini mirip dengan Question Mark pada BCG matrik. Fokus strategi perusahaan

ini adalah meminimalkan masalah–masalah internal perusahaan sehingga dapat

merebut peluang pasar yang lebih baik

• Kuadran empat

Ini merupakan situasi yang sangat tidak menguntungkan, perusahaan tersebut

menghadapi berbagai ancaman dan kelemahan internal.

Gambar 2.12 Diagram Analisis SWOT

(Sumber: Rangkuti, 2006, p19)

54

2.2.6 Critical Succes Factor (CSF)

2.2.6.1 Pengertian CSF

Critical Success Factor (CSF) adalah beberapa area kritis di dalam perusahaan

yang harus berjalan dengan baik sehingga perusahaan dapat berkembang. Faktor – faktor

ini menjadi penentu bagi perusahaan dalam mencapai tujuan yang dilakukannya ( Tozer,

1996, p41). Sedangkan menurut Martin, Critical Success Factor (CSF) adalah sejumlah

area terbatas dimana hasil yang memuaskan akan menjamin peforma yang kompetitif

untuk suatu individu , departemen atau suatu organisasi. (Martin, 1990, p89)

2.2.6.2 Pengaruh dari CSF

Analisis Critical Success Factor memiliki dua pengaruh bagi eksekutif. Pertama,

membantu untuk fokus pada aktifitas–aktifitas yang paling penting. Kedua, membantu

para eksekutif untuk berpikir jenis informasi yang mereka butuhkan. Hal itu membantu

perencanaan sistem informasi untuk mengidentifikasi informasi kritis dan mendapatkan

informasi tersebut untuk para eksekutif yang membutuhkannya dengan decision- support

tools dan sumber daya–sumber daya.

2.2.7 Use Case Diagram

Use case adalah sebuah pola interaksi antara sistem dan actor dalam application

domain (Mathiassen, L., Munk-Madsen, A., Nielsen, P. A., dan Stage, J., 2000, p120).

Aktor (actor) adalah abstraksi pengguna (users) atau sistem lain yang

berinteraksi dengan sistem tujuan (Mathiassen, L., Munk-Madsen, A., Nielsen, P. A.,

dan Stage, J., 2000, p119).

Asosiasi (associations) antara aktor dan use case digambarkan dengan garis

penuh. Asosiasi digunakan ketika aktor terlibat dalam sebuah interaksi yang

dideskripsikan oleh use case yang terkait. (Ambler, S. W., 2006, p1).

55

System boundary boxes berbentuk kotak, digunakan untuk mengindikasikan

cakupan sistem. Hal-hal yang berada dalam kotak melambangkan fungsionalitas yang

berada dalam cakupan, sedangkan yang tidak berada dalam kotak bukan merupakan

cakupan sistem (Ambler, S. W., 2006, p1).

Use case diagram merupakan diagram perilaku yang digunakan oleh Unified

Modeling Language (UML). Tujuan diagram ini adalah menggambarkan fungsionalitas

sistem, dalam konteks aktor, tujuan aktor, yang diwakili oleh use cases, dan

tergantungan antara use cases tersebut (Ambler, S. W., 2006, p1).

Gambar 2.13 Contoh Use Case Diagram (Sumber: http://en.wikipedia.org/wiki/Use_case_diagram)

56

2.2.8 Sequence Diagram

Teknik penggambaran urutan pesan (message) telah dimasukkan dalam diagram

UML dengan nama sequence diagram. Sequence diagram memperlihatkan garis vertical

parallel yang melambangkan aktivasi objek, dan garis horizontal yang menggambarkan

pertukaran pesan di antara objek (Wikimedia Foundation, Inc., 2008, p1).

Sequence diagram memperlihatkan interaksi antara objek, yang diatur dalam

sebuah urutan waktu. Sequence diagram dapat digambarkan pada tingkatan detil yang

berbeda dan memenuhi tujuan yang berbeda pada tahap daur hidup pengembangan yang

berbeda. Aplikasi yang paling umum dari sequence diagram adalah merepresentasikan

interaksi objek secara detil yang terjadi untuk satu use case atau untuk satu operasi.

(Bennett, S., McRobb, S., dan Farmer, R., 2002, p234).

Untuk menggambarkan interaksi, pesan digunakan. Garis horizontal dengan

nama pesan tertulis di atasnya melambangkan pesan. Activation boxes, atau method-call

boxes, adalah kotak yang digambarkan di atas lifelines, untuk merepresentasikan proses

sedang dilakukan dalam merespon pesan (Wikimedia Foundation, Inc., 2008, p1).

Ketika objek dihancurkan (destroyed – dihilangkan dari memory) tanda ‘X’

digambarkan di atas ujung lifelines. Penghancuran ini merupakan hasil dari pesan, atau

dari objek itu sendiri (Wikimedia Foundation, Inc., 2008, p1).

57

Gambar 2.14 Contoh Sequence Diagram (Sumber: http://en.wikipedia.org/wiki/Sequence_diagram)