Upload
phunghanh
View
213
Download
0
Embed Size (px)
Citation preview
7
BAB 2
LANDASAN TEORI
2.1 Data
Data adalah sebuah representasi penyimpanan dari obyek-obyek dan kejadian-kejadian yang
berarti dan penting di lingkungan pemakai. (Hoffer, Prescott, dan McFadden, 2005, hal5).
Data merupakan sesuatu yang belum mempunyai arti bagi penerimanya dan masih
memerlukan adanya suatu pengolahan. Data bisa berwujud suatu keadaan, gambar, suara, huruf,
angka, matematika, bahasa ataupun simbol-simbol lainnya yang bisa kita gunakan sebagai bahan
untuk melihat lingkungan, obyek, kejadian ataupun suatu konsep. (http://kuliah.dinus.ac.id).
Data adalah bentuk jamak dari datum, berasal dari bahasa Latin yang berarti "sesuatu yang
diberikan". Dalam penggunaan sehari-hari data berarti suatu pernyataan yang diterima secara apa
adanya. Pernyataan ini adalah hasil pengukuran atau pengamatan suatu variabel yang bentuknya
dapat berupa angka, kata-kata, atau citra. (http://id.wikipedia.org)
Menurut Hoffer, Prescott, dan McFadden (Hoffer, Prescott, dan McFadden, 2005, hal5),
informasi adalah data yang telah diproses melalui beberapa cara untuk meningkatkan pengetahuan
dari orang yang menggunakan data.
Informasi merupakan hasil pengolahan dari sebuah model, formasi, organisasi, ataupun
suatu perubahan bentuk dari data yang memiliki nilai tertentu, dan bisa digunakan untuk
menambah pengetahuan bagi yang menerimanya. Dalam hal ini, data bisa dianggap sebagai obyek
dan informasi adalah suatu subyek yang bermanfaat bagi penerimanya. Informasi juga bisa
disebut sebagai hasil pengolahan ataupun pemrosesan data. (http://kuliah.dinus.ac.id)
8
2.2 Database dan DBMS (Database Management System )
2.2.1 Definisi Database
Menurut Conolly dan Begg (Conolly dan Begg 2005, hal15), database merupakan suatu
kumpulan data logikal yang terhubung satu sama lain dan mendeskripsikan suatu data yang
dirancang sebagai informasi yang dibutuhkan oleh organisasi, sedangkan menurut McLeod dan
Schell (McLeod dan Schell 2004, hal196), database adalah kumpulan seluruh sumber data
berbasis komputer milik organisasi.
Database yang dikendalikan oleh sebuah sistem manajemen adalah satu set catatan data
yang berhubungan dan saling menjelaskan. Database adalah kumpulan informasi yang disimpan
di dalam komputer secara sistematis sehingga dapat diperiksa menggunakan suatu program
komputer untuk memperoleh informasi dari database tersebut. Perangkat lunak yang digunakan
untuk mengelola dan memanggil query basis data disebut sistem manajemen basis data (Database
Management System/DBMS). Database system dipelajari dalam ilmu informasi. (http
://id.wikipedia.org)
Dari teori-teori di atas dapat disimpulkan bahwa sistem database adalah sekelompok
elemen yang berupa data, saling terintegrasi dan berhubungan untuk mencapai tujuan tertentu.
2.2.2 Definisi DBMS ( Database Management System )
Conolly dan Begg (Conolly dan Begg 2005, hal16) mengemukakan bahwa DBMS adalah suatu
system software yang memungkinkan user dapat mengidentifikasikan, membuat, memelihara, dan
mengatur akses dari database.
McLeod dan Schell (McLeod dan Schell 2004, hal196) menyimpulkan, DBMS adalah
aplikasi perangkat lunak yang menyimpan struktur database, hubungan antar-data dalam
9
database , serta berbagai formulir dan laporan yang berkaitan dengan database tersebut.
Sedangkan menurut Hoffer, Prescott, dan McFadden (Hoffer, Prescott, dan McFadden
2005, hal7), DBMS merupakan sebuah system software yang digunakan untuk menciptakan,
memelihara dan menyediakan akses kontrol untuk pengguna database.
2.2.3 Kelebihan DBMS (Database Management System)
Conolly dan Begg (Conolly dan Begg 2005, hal26-29) menguraikan beberapa kelebihan
penggunaan DBMS, yaitu:
1. Kontrol terhadap pengulangan data
2. Data yang dihasilkan konsisten
3. Pada beberapa data yang sama akan semakin banyak informasi yang diperoleh
4. Data dapat dipakai secara bersama-sama
5. Meningkatkan integritas data
6. Meningkatkan keamanan
7. Penetapan standarisasi
8. Perbandingan skala ekonomi
9. Mengatasi konflik kebutuhan
10. Memperbaiki pengaksesan data secara bersama-sama
11. Meningkatkan produktivitas
12. Memperbaiki pemeliharaan data melalui data yang tidak tergantung dari data lain
13. Memiliki backup data dan recovery
10
2.2.4 Kekurangan DBMS (Database Management System)
Sedangkan kekurangan penggunaan DBMS menurut Conolly dan Begg (Conolly dan Begg 2005,
hal29-30) adalah:
1. Memiliki sistem yang kompleks
2. Karena sistem yang kompleks mengakibatkan DBMS memiliki ukuran yang semakin
besar
3. DBMS memiliki harga yang bervariasi tergantung fungsi dan kebutuhan
4. Penambahan biaya untuk perangkat keras yang dibutuhkan
5. Penambahan biaya konversi
6. Karena DBMS dirancang untuk mengakses lebih dari satu aplikasi sehingga
performasinya menurun
7. Kegagalan DBMS mengakibatkan operasi tidak dapat berjalan
2.2.5 Fasilitas yang disediakan DBMS (Database Management System)
Menurut Connolly dan Begg (Connolly dan Begg 2005, hal40) DBMS menyediakan fasilitas-
fasilitas sebagai berikut:
1. DDL (Data Definition Language) adalah suatu bahasa yang memperbolehkan DBA
(Database Administrator) atau user untuk mendeskripsikan nama dari suatu entitas,
atribut, dan relasi data yang diminta oleh aplikasi, bersamaan dengan integritas data dan
batasan keamanan datanya.
2. DML (Data Manipulation Language) adalah jenis bahasa yang memberikan user
kemampuan untuk mengoperasikan dan memanipulasi data yang ada. Misalnya: insert,
edit, delete dan update.
11
3. DCL (Data Control Language) adalah jenis bahasa yang memberikan Administrator user
kemampuan untuk member atau mencabut hak akses user lainnya. Bahasa ini meliputi
sintaks Grant dan Revoke.
2.3 Data Warehouse
2.3.1 Definisi Data Warehouse
Data Warehouse merupakan istilah yang sangat akrab didengar dalam lingkungan yang
berhubungan dengan basis data. Hal ini bisa terjadi karena Data Warehouse itu sendiri merupakan
suatu bentuk dari basis data yang memiliki perbedaan volume dan karakteristik yang lebih
spesifik. Data Warehouse adalah kumpulan atau koleksi penyimpanan data yang menampung
koleksi data perusahaan yang sudah lama dan tidak diperbaharui, dan data tersebut disimpan
dalam jangka waktu yang lama (Connoly dan Begg, 2002,hal1047).
Data Warehouse digunakan sebagai dasar dari sistem penunjang keputusan yang
diciptakan untuk menyelesaikan masalah yang muncul pada sebuah organisasi dengan
menggunakan basis data yang dihasilkan melalui OLTP. Menurut W. H. Inmon, pengertian umum
dari Data Warehouse adalah sekumpulan data yang berorientasi subjek, terintegrasi, tidak mudah
berubah atau konsisten, dan dikumpulkan berdasarkan variasi waktu yang dapat digunakan untuk
mendukung keputusan manajemen (Connoly dan Begg, 2002,hal1047).
Sedangkan menurut IBM, Data Warehouse adalah sebuah gudang informasi yang menjadi
suatu solusi untuk mengakses data yang tersimpan dalam sistem dengan sifat non-relasi.
Pengaksesan data dalam Data Warehouse dilakukan untuk melakukan analisa kompleks,
penemuan pengetahuan dan pembuatan keputusan. Secara umum, dapat dijelaskan juga bahwa
Data Warehouse adalah “sekumpulan teknologi penunjang keputusan, yang digunakan oleh
12
tenaga kerja dengan tingkat pengetahuan yang lebih tinggi, seperti eksekutif, manajer, analis,
untuk membuat keputusan yang lebih baik dan lebih cepat.”
Menurut McLeod dan Schell (McLeod dan Schell 2004, hal205), data warehouse adalah
perkembangan dari konsep database yang menyediakan suatu sumber data, data yang lebih baik
bagi para pemakai dan memungkinkan pemakai untuk memanipulasi dan menggunakan data
tersebut secara intuitif. Data warehouse berukuran sangat besar, kualitas datanya tinggi, dan
sangat mudah diambil datanya. Beberapa data warehouse berisi sebanyak 200 gigabyte atau 200
juta byte data, tetapi ukuran besar tidak menyebabkan kualitas data tidak bagus. Karena data
cleaning yang ekstensif, penghilangan data yang salah dan data yang tidak konsisten dapat
mentransformasi data menjadi data dengan kualitas yang lebih tinggi daripada yang terdapat
dalam database komersial.
2.3.2 Keuntungan Data Warehouse
Sistem OLTP yang umum memiliki karakteristik jumlah pengguna yang sangat besar dan nereka
dapat melakukan manipulasi terhadap data secara serentak. Tetapi penyimpanan data OLTP
dalam jumlah besar bisa membebani suatu organisasi. Saat database berkembang semakin besar
dengan data yang kompleks, waktu respon bisa menjadi semakin lama, karena adanya perebutan
sumber-sumber daya yang tersedia.
Data Warehouse merupakan pendekatan untuk menyimpan data dimana sumber-sumber
data yang heterogen (yang biasa tersebar pada beberapa database OLTP) dimigrasikan ke dalam
penyimpan data yang homogen. Data Warehouse menyediakan keuntungan di bawah ini untuk
para pengguna dalam melakukan analisa (Jose Ramalho, 2001,hal203-206):
1. Data diorganisir dengan baik dengan tujuan query analysis, bukan untuk pemrosesan
13
transaksi.
2. Perbedaan di antara struktur data pada beberapa database yang heterogen bisa diatasi.
3. Aturan untuk transformasi data diterapkan untuk memvalidasi dan mengkonsolidasi data
apabila data dipindahkan dari database OLTP ke Data Warehouse.
4. Masalah keamanan dan kinerja bisa dipecahkan tanpa perlu mengubah sistem produksi.
2.3.2.1 Pengertian OLTP (Online Transaction Processing)
Menurut Connolly and Begg (Connolly and Begg 2005, hal1153), sebuah organisasi menerapkan
beberapa sistem OLTP yang berbeda untuk menjalankan proses bisnis seperti kendali inventori,
invoicing, dan point-of-sale. Sistem ini menghasilkan data operasional yang mendetil, up-to-date,
dan dapat diubah-ubah. Data di dalam OLTP diorganisir berdasarkan kebutuhan transaksi yang
berhubungan dengan aplikasi bisnis serta mendukung pengambilan keputusan operasional harian.
2.3.3 Karakteristik Data Warehouse
Dari definisi oleh Connolly dan Begg (Connolly dan Begg 2005, hal1151), karakteristik dari data
warehouse yaitu:
1. Subject-oriented artinya data warehouse harus berorientasi pada subyek yaitu data
warehouse dibuat berdasarkan subjek-subjek utama di dalam bisnis (seperti pelanggan,
produk, dan penjualan) dibandingkan dengan area-area aplikasi utama (seperti bon
pembayaran pelanggan, kontrol stok, dan produk penjualan).
2. Integrated artinya data warehouse harus terintegrasi karena sumber-sumber data
warehouse berasal dari berbagai lingkungan bisnis dengan sistem aplikasi yang berbeda.
Sumber data yang terintegrasi harus dibuat konsisten untuk menampilkan tampilan data
14
kepada user.
3. Time variant berarti data warehouse hanya akurat dan valid pada beberapa poin dalam
waktu atau dalam interval waktu tertentu.
4. Non-volatile yaitu data tidak di-update dalam waktu nyata (real time) tetapi data di-
refresh dari sistem operasional. Data baru selalu ditambahkan sebagai sebuah suplemen ke
dalam database, dibandingkan sebagai pergantian data. Database data warehouse akan
selalu mengambil data baru, dan secara berkala diintegrasi dengan data yang sudah ada.
2.3.4 Perancangan Basis Data Data Warehouse
Menurut Connolly (Connoly dan Begg 2002, hal1078-1082), dalam merancang basis data sebuah
Data Warehouse sangatlah kompleks. Untuk memulai proyek Data Warehouse lakukan langkah-
langkah berikut:
1. Identifikasi dan kumpulkan kebutuhan pengguna. Pengidentifikasian tersebut dilakukan
dengan wawancara para pengguna, mempelajari kebutuhan para pengguna dan
menemukan informasi apa yang diperlukan untuk mendukung kesuksesan bisnis.
2. Tentukan sumber data mana yang akan dipakai dalam Data Warehouse.
3. Rancang data tersebut untuk menghasilkan informasi yang dapat mendukung dalam
pengambilan keputusan bisnis.
Komponen basis data dalam sebuah Data Warehouse digambarkan dengan menggunakan sebuah
teknik yang disebut model dimensional.
2.3.5 Model Data Warehouse
Menurut Connoly dan Begg (Connoly dan Begg 2002, hal1182), setiap model data warehouse
15
(model dimensional) terdiri dari sebuah tabel dengan primary key composite yang disebut fact
table, dan sebuah kumpulan tabel-tabel kecil yang disebut dimension table. Model dimensional
merupakan suatu teknik desain logical yang bertujuan untuk menampilkan data dalam bentuk
standar dan intuitif, yang memungkinkan akses ke performansi yang tinggi. Model dimensional
untuk desain data warehouse yaitu:
1. Star schema
Star schema merupakan struktur logical yang memiliki sebuah tabel fakta (fact table)
yang berisi data faktual yang diletakkan di tengah (pusat), dikelilingi oleh tabel-tabel
dimensi yang berisi data referensi (dimana dapat didenormalisasi).
Gambar 2. 1 : Star Schema
2. Snowflake schema
Snowflake schema merupakan variasi dari star schema dimana tabel dimensi tidak
mengandung data denormalisasi yang memungkinkan sebuah dimensi untuk
mempunyai dimensi lagi.
16
Gambar 2.2 : Snowflake Schema
Suatu skema disebut snowflake jika satu atau lebih tabel dimensi tidak berhubungan langsung
dengan tabel fakta, tetapi harus berhubungan dengan tabel dimensi lain.
2.3.5.1 Denormalisasi
Denormalisasi adalah suatu prosedur yang mengelompokkan kembali normalisasi data untuk
suatu susunan yang lebih spesifik dari suatu proses dengan tujuan membuat proses ini lebih
efisien (Adelman, Sid dan Moss, 2000, hal244) :
1. Untuk mengurangi jumlah hubungan yang terjadi antar tabel-tabel yang harus mengalami
proses pada waktu dilakukan pencarian. Dengan inilah penampilan basis data dapat
ditingkatkan.
2. Untuk membuat struktur fisik dari basis data yang semakin mendekati model dimensi dari
pemakai. Membuat struktur tabel sesuai dengan yang ingin ditanyakan oleh pemakai,
memungkinkan terjadinya akses langsung, yang sekali lagi akan meningkatkan
penampilan.
17
2.3.6 Data Mart
Di beberapa implementasi Data Warehouse, data mart merupakan miniatur dari Data Warehouse.
Data mart merupakan suatu subset dari Data Warehouse yang dapat mendukung keperluan
departemen atau fungsi bisnis (Connoly dan Begg, 2002, hal1067). Data mart biasanya
digunakan untuk menyediakan informasi dalam suatu segmen organisasi. Beberapa karakteristik
yang membedakan data mart dengan Data Warehouse antara lain:
1. Data mart hanya difokuskan pada keperluan pengguna yang berhubungan dengan satu
departemen atau satu fungsi bisnis.
2. Data mart biasanya tidak berisi detail operasional data, berbeda dengan Data Warehouse.
3. Data mart berisi data yang lebih sedikit dibanding dengan Data Warehouse sehingga
data mart lebih mudah dimengerti dan dijalankan.
2.4 Data Mining
2.4.1 Definisi Data Mining
Menurut Conolly dan Begg (Conolly dan Begg 2005, hal1233), data mining adalah suatu
proses ekstraksi atau penggalian data dan informasi yang besar, yang belum diketahui
sebelumnya, namun dapat dipahami dan berguna dari database yang besar serta digunakan untuk
membuat suatu keputusan bisnis yang sangat penting.
Menurut Berson dan Smith (Berson dan Smith 2001, hal333) Data mining
menggambarkan sebuah pengumpulan teknik-teknik dengan tujuan untuk menemukan pola-pola
yang tidak diketahui pada data yang telah dikumpulkan. Data mining memungkinkan pemakai
"menemukan pengetahuan" dalam database yang tidak mungkin diketahui keberadaannya oleh
pemakai.
18
Beberapa pengertian data mining yang berhasil disimpulkan dari beberapa pendapat
adalah sebagai berikut:
1. Secara sederhana dapat didefinisikan bahwa data mining adalah suatu proses ekstraksi dari
informasi atau pola yang penting atau menarik dari data yang ada di database yang besar
sehingga menjadi informasi yang sangat berharga. (http://ikc.cbn.net.id)
2. Data mining merupakan proses penemuan yang efisien sebuah pola terbaik yang dapat
menghasilkan sesuatu yang bernilai dari suatu koleksi data yang sangat besar.
(http://www.thearling.com)
3. Data mining adalah suatu pola yang menguntungkan dalam melakukan search pada
sebuah database yang terdapat pada sebuah model. Proses ini dilakukan berulang-ulang
(iterasi) hingga didapat satu set pola yang memuaskan yang dapat berfungsi sesuai yang
diharapkan (http://www.db.cs.ucdavis.edu).
Berdasarkan beberapa pengertian diatas dapat ditarik kesimpulan bahwa data mining
adalah suatu algoritma di dalam menggali informasi berharga yang terpendam atau tersembunyi
pada suatu koleksi data (database) yang sangat besar sehingga ditemukan suatu pola yang
menarik yang sebelumnya tidak diketahui dan dapat digunakan untuk meramalkan kejadian yang
akan dating.
2.4.2 Fungsi Data Mining
Data mining mengidentifikasikan fakta-fakta atau kesimpulan-kesimpulan yang disarankan
berdasarkan penyaringan melalui data untuk menjelajahi pola-pola atau anomali-anomali data.
Menurut Turban, Rainer, dan Potter (Turban, Rainer, dan Potter 2005, hal265), data mining
19
mempunyai lima fungsi yaitu:
1. Classification
Classification yaitu menyimpulkan definisi-definisi karakteristik dari sebuah grup.
Contoh: pelanggan-pelanggan perusahaan yang telah berpindah ke saingan perusahaan
yang lain.
2. Clustering
Clustering yaitu mengidentifikasikan kelompok-kelompok dari barang-barang atau
produk-produk yang berbagi karakteristik yang khusus (clustering berbeda dengan
classification dimana pada clustering tidak terdapat definisi-definisi karakteristik awal
yang diberikan pada waktu classification).
3. Association
Association yaitu mengidentifikasikan hubungan antara kejadian-kejadian yang terjadi
pada suatu waktu seperti isi-isi dari keranjang belanja.
4. Sequencing
Hampir sama dengan association, sequencing mengidentifikasikan hubungan-hubungan
yang berada pada suatu periode waktu tertentu seperti pelanggan-pelanggan yang
mengunjungi supermarket secara berulang-ulang.
5. Forecasting
Forecasting memperkirakan nilai pada masa yang akan datang berdasarkan pola-pola
dengan sekumpulan data yang besar seperti peramalan permintaan pasar.
2.4.3 Tujuan Data Mining
Tujuan dari data mining menurut Hoffer, Prescott, dan McFadden (Hoffer, Prescott, dan
20
McFadden 2005, hal482) antara lain:
1. Explanatory
Untuk menjelaskan beberapa kondisi penelitian, seperti mengapa penjualan truk pick-up
meningkat di Colorado.
2. Confirmatory
Untuk mempertegas hipotesis, seperti halnya dua kali pendapatan keluarga lebih suka
dipakai untuk membeli peralatan keluarga dibandingkan dengan satu kali pendapatan
keluarga.
3. Exploratory
Untuk menganalisa data untuk hubungan yang baru dan tidak diharapkan, seperti halnya
pola apa yang cocok untuk kasus penggelapan kartu kredit.
2.4.4 Penerapan Data Mining
Menurut Berson dan Smith (Berson dan Smith 2001, hal123), banyak perusahaan-perusahaan
menggunakan data mining untuk:
1. Correct data
Pada saat proses menggabungkan basis data secara besar-besaran, banyak perusahaan
menemukan data yang digabungkan tersebut tidak lengkap, dan terdiri dari informasi yang
salah dan bertentangan. Dengan menggunakan teknik data mining, dapat membantu untuk
mengidentifikasi dan membetulkan kesalahan dengan cara yang konsisten.
2. Discover Knowledge
Proses mencari pengetahuan bertujuan untuk menentukan dengan jelas relationship,
pattern atau correlations yang tersembunyi dari berbagai tempat penyimpanan data di
21
dalam basis data.
3. Visualize Data
Seorang analis harus bisa merasakan sebuah informasi yang besar yang disimpan di dalam
basis data. Tujuannya untuk “memanusiakan” data yang banyak dan menemukan cara
yang terbaik untuk menampilkan data.
2.4.5 Metodologi Data Mining
Sebagai salah satu bagian dari sistem informasi, data mining menyediakan perencanaan dari ide
hingga implementasi akhir. Komponen-komponen dari perencanaan data mining menurut
Seidman (Seidman 2001, hal9) adalah sebagai berikut:
1. Analisa Masalah (Analyzing the Problem)
Data asal atau data sumber harus bisa ditaksir untuk dilihat apakah data tersebut
memenuhi kriteria data mining. Kualitas kelimpahan data adalah faktor utama untuk
memutuskan apakah data tersebut cocok dan tersedia sebagai tambahan. Hasil yang
diharapkan dari dampak data mining harus dengan hati-hati dimengerti dan dipastikan
bahwa data yang diperlukan membawa informasi yang bisa diekstrak.
2. Mengekstrak dan Membersihkan data (Extracting and Cleansing The Data) Data
pertama kali diekstrak dari data aslinya, seperti dari OLTP basis data, text file, Microsoft
Access Database, dan bahkan dari spreadsheet, kemudian data tersebut diletakkan dalam
data warehouse yang mempunyai struktur yang sesuai dengan data model secara khas.
Data Transformation Services (DTS) dipakai untuk mengekstrak dan membersihkan data
dari tidak konsistennya dan tidak kompatibelnya data dengan format yang sesuai.
22
3. Validitas Data (Validating The Data)
Setelah data diekstrak dan dibersihkan, data diberikan latihan untuk menelusuri model
yang telah kita ciptakan untuk memastikan bahwa semua data yang ada adalah data
sekarang dan tetap.
4. Membuat dan melatih model (Creating and Training The Model)
Ketika algoritma diterapkan pada model, struktur telah dibangun. Hal ini sangatlah
penting pada saat ini untuk melihat data yang telah dibangun untuk memastikan bahwa
data tersebut menyerupai fakta di dalam data sumber.
5. Melakukan Query terhadap model data (Querying the Model Data)
Ketika model yang cocok telah ditetapkan, data yang telah dibuat tersedia untuk
mendukung keputusan. Hal ini biasanya melibatkan penulisan front end query dengan
menggunakan program aplikasi/suatu program basis data.
6. Memelihara validitas dari mining model (Maintaining The Validity of The Data
Mining Model)
Setelah model data mining terkumpul, lewat beberapa waktu karakteristik data awal
seperti granularitas dan validitas mungkin berubah. Karena model data mining dapat
terus berubah seiring perkembangan waktu.
2.4.6 Pengertian OLAP ( Online Analytical Processing )
Menurut Connolly dan Begg (Connoly dan Begg 2005, hal1205), OLAP adalah sebuah perangkat
yang menggambarkan teknologi menggunakan gambaran multidimensi sejumlah data untuk
menyediakan akses yang lebih cepat bagi strategi informasi dengan tujuan mempercepat analisis.
Menurut McLeod dan Schell (McLeod dan Schell 2004, hal204), OLAP makin menjadi
23
fitur umum dalam perangkat lunak sistem manajemen database. Para penjual memasukkan fitur
ini untuk memungkinkan analisis data yang serupa dengan tabulasi silang statistik. OLAP adalah
teknologi yang memperbolehkan para user untuk menganalisa basis data yang besar untuk
mendapatkan setiap informasi yang lebih spesifik. Basis data untuk sistem OLAP disusun
terstruktur agar lebih efisien dalam penyimpanan data statis. Karena penyimpanan OLAP adalah
multidimensi, biasanya disebut cube, yang berlawanan dengan tabel. Yang membuat OLAP unik
yaitu kemampuannya untuk menyimpan kumpulan data secara hirarki. Dimensi-dimensi ini
memberikan informasi secara kontekstual dalam bentuk bilangan atau perhitungan yang diteliti.
OLAP (On-Line Analytical Processing) adalah suatu pernyataan yang bertolak belakang
atau kontras dengan OLTP (On-Line Transaction Processing).OLAP menggambarkan sebuah
kelas teknologi yang dirancang untuk analisa dan akses data secara khusus. Apalabila pada proses
transaksi pada umumnya semata-mata adalah pada relational database, OLAP muncul dengan
sebuah cara pandang multidimensi data. Cara pandang multimensi ini didukung oleh teknologi
multidimensi database. Cara ini memberikan teknik dasar untuk kalkulasi dan analisa oleh sebuah
aplikasi bisnis. (http://www.informatika.lipi.go.id )
OLAP adalah sebuah perangkat yang bagus untuk memberikan pengertian tentang
bagaimana cara menghitung yang baik yang terhubung dengan dimensi. Karena perhitungan yang
telah dikalkulasi terlebih dahulu, maka OLAP membuat navigasi melalui data dengan segera. Ada
dua poin penting dalam data relasional dan OLAP. Pertama adalah OLAP cenderung
memindahkan bagian-bagian yang kecil dari sebuah data di level manapun. Yang kedua adalah
OLAP cenderung memerlukan definisi yang sukar dari struktur data, dibandingkan dengan apa
yang telah dikerjakan oleh basis data relasional.OLAP memungkinkan untuk digunakan sebagai
penunjang keputusan tentang tindakan apa yang akan diambil selanjutnya dan sistem OLAP juga
24
banyak dipergunakan dalam bidang bisnis untuk menghasilkan suatu keputusan yang efektif. Di
dalam model data OLAP, informasi digambarkan secara konseptual seperti kubus (cube), yang
terdiri dari kategori deskriptif (dimensions) dan nilai kuantitif (measures). Dimensi
menggambarkan atribut dari setiap ukuran, biasanya berupa text dan mempunyai ciri-ciri
tersendiri. Sedangkan measure merupakan suatu data, biasanya berupa numerik, yang menjadi
tolak ukuran suatu kejadian bisnis.
Empat kategori OLAP menurut Conolly dan Begg (Conolly dan Begg 2005, hal1214-
1216) :
1. Multidimension l On-Line Analytical Processing (MOLAP)
MOLAP digunakan untuk membangun cube multidimensional dari data yang disimpan
dalam data warehouse. Metode ini sering dipilih jika data set awal terlalu besar sehingga
pemrosesan cube dari data warehouse asli memerlukan proses batch. Alasan utama
menggunakan metode ini adalah karena mekanisme penyimpanan MOLAP sangat efektif
dalam me-retrieve data secara cepat.
2. Relational On-Line Analytical Processing (ROLAP)
Mekanisme penyimpanan ROLAP menggunakan DBMS orisinil, seperti SQL Server
2000, untuk menyimpan agregasi dalam bentuk tabung yang kemudian dapat digunakan
oleh mesin OLAP. Metode penyimpanan ini memiliki beberapa kekurangan. Struktur
tabung ROLAP tidak cukup efisien bagi mesin OLAP untuk melakukan query.
Ketidakefisienan itu memicu performansi yang buruk pada sistem.
3. Hybrid On-Line Analytical Processing (HOLAP)
HOLAP didesain dengan mengkombinasikan keuntungan MOLAP dan ROLAP dengan
menyimpan agregasi level tinggi pada cube MOLAP dan menyimpan agregasi level
25
rendah dan line item pada table relational database. Karena HOLAP membuat tabel jauh
dari kompleks untuk mengatur bagian relational database, data lebih mudah dioptimasi
melalui indexing.
4. Desktop On-Line Analytical Processing (DOLAP)
Peningkatan kategor i yang terkenal dari OLAP adalah DOLAP (Desktop OLAP). System
DOLAP menyimpan data OLAP di dalam filevberbasis klien dan mendukung proses multi
dimensi menggunakan sebuah sistem multi dimensi klien. Kebutuhan-kebutuhan ekstrak
data untuk DOLAP relatif kecil yang berada pada mesin klien.
2.4.7 OLAP vs Data Mining
Baik data mining maupun OLAP merupakan komponen dari Microsoft Analysis Services.
Keduanya menyediakan decision support tool, namun masing- masing didesain untuk penggunaan
yang berbeda. OLAP pada dasarnya didesain untuk menyimpan data dalam tabel yang ringkas
untuk memfasilitasi retrieve dan navigasi data tersebut oleh end user. OLAP dapat digunakan
untuk mencoba menemukan data baru, namun sejak penemuan data telah dilakukan oleh end user,
dengan bantuan tool OLAP, penemuan data menjadi berantakan dan tidak kompeten. Data mining
secara otomatis menemukan pola baru dan aturan yang dapat diterapkan untuk mendapatkan hasil
yang akan datang.
Intinya, OLAP adalah tempat penyimpanan dan mekanisme retrieval yang efisien,
sedangkan data mining adalah alat untuk menemukan knowledge. Teknologi yang ada di data
warehouse dan OLAP dimanfaatkan penuh untuk melakukan data mining .
26
Dapat disimpulkan bahwa teknologi data warehouse untuk melakukan OLAP, sedangkan data
mining digunakan untuk melakukan information discovery yang informasinya lebih ditujukan
untuk seorang Data Analyst dan Business Analyst (dengan ditambah visualisasi tentunya).
Dalam prakteknya, data mining juga mengambil data dari data warehouse. Hanya saja aplikasi
dari data mining lebih khusus dan lebih spesifik dibandingkan OLAP mengingat database bukan
satu-satunya bidang ilmu yang mempengaruhi data mining. Dengan memadukan teknologi
OLAP dengan data mining diharapkan pengguna dapat melakukan hal-hal yang biasa dilakukan
di OLAP seperti drilling / rolling untuk melihat data lebih dalam atau lebih umum, pivoting,
slicing dan dicing. Semua hal tersebut dapat diharapkan nantinya dapat dilakukan secara
interaktif dan dilengkapi dengan visualisasi. (http://computing.edu.au).
2.4.8 Proses Data Mining
Fase-fase dimulai dari data mentah dan berakhir dengan pengetahuan atau informasi yang telah
diolah yang didapatkan sebagai hasil dari tahapan-tahapan berikut :
1. Data Cleansing, juga dikenal sebagai data cleansing , ini adalah sebuah fase dimana data
tidak lengkap, mengandung error dan tidak konsisten dibuang dari koleksi data, sehingga
data yang telah bersih dan relevan dapat digunakan untuk diproses ulang untuk penggalian
pengetahuan (discovery knowledge).
2. Data Integration, pada tahap ini terjadi integrasi data, dimana sumber-sumber data yang
berulang ( multiple data), file- file yang berulang ( multiple file), dapat dikombinasikan
dan digabungkan kedalam suatu sumber.
3. Data Selection, pada langkah ini, data yang relevan terhadap analisis dapat dipilih dan
diterima dari koleksi data yang ada.
27
4. Data Transformation, juga dikenal sebagai data consolidation. Pada tahap ini, dimana
data yang telah terpilih, ditransformasikan kedalam bentuk-bentuk yang cocok untuk
prosedur penggalian (mining procedure) dengan cara melakukan normalisasi dan agregasi
data
5. Data mining, tahap ini adalah tahap yang paling penting, dengan menggunakan teknik-
teknik yang diaplikasikan untuk mengekstrak pola-pola potensial yang berguna.
6. Pattern Evaluation, pada tahap ini, pola-pola menarik dengan jelas merepresentasikan
pengetahuan telah diidentifikasi berdasarkan measure yang telah diberikan
7. Knowledge representation, ini merupakan tahap terakhir dimana pengetahuan yang telah
ditemukan secara visual ditampilkan kepada user. Tahap penting ini menggunakan teknik
visualisasi untuk membantu user dalam mengerti dan menginterpretasikan hasil dari data
mining.
2.5 Teknik Data Mining
Menurut Connolly dan Begg (Connoly dan Begg 2005, hal1233-1239), sebelum mengetahui
teknik-teknik yang dapat digunakan dalam data mining , terdapat empat operasi yang dapat
dihubungkan dengan data mining , yaitu:
1. Predictive modeling
Predictive modeling merupakan penjelajahan manusia dalam mengadakan observasi atau
penelitian untuk membentuk sebuah model dari karakteristik-karakteristik yang penting
dari beberapa fenomena. Predictive modeling dapat digunakan untuk menganalisa
database yang sudah ada untuk menentukan beberapa karakteristik esensial pada data
set. Ada dua teknik yang dapat dilakukan dalam predictive modeling yaitu:
28
a. Classification
Classification digunakan untuk membuat dugaan awal tentang class yang
spesifik untuk setiap record dalam database dari satu set nilai class yang
mungkin.
b. Value Prediction
Value prediction digunakan untuk memperkirakan nilai numerik yang kontinu
yang terasosiasi dengan record database. Teknik ini menggunakan teknik statistik
klasik dari linear regression dan nonlinear regression .
2. Database segmentation
Tujuan database segmentation adalah untuk mempartisi database menjadi sejumlah
segmen, cluster, atau record yang sama, dimana, record tersebut berbagi sejumlah
properti dan karenanya record - record tersebut diharapkan homogen.
3. Link analysis
Tujuan link analysis adalah untuk membuat hubungan antara record yang individual atau
sekumpulan record dalam database. Aplikasi pada link analysis meliputi product
affinity analysis, direct mark eting, dan stock price movement .
4. Deviation detection
Teknik ini seringkali merupakan sumber dari penemuan yang benar karena teknik ini
mengidentifikasi outlier yang mengekspresikan deviasi dari ekspektasi yang telah
diketahui sebelumnya. Operasi ini dapat ditampilkan dengan menggunakan teknik statistik
dan visualisasi. Aplikasi deviation detection misalnya pada deteksi penipuan dalam
penggunaan kartu kredit dan klaim asuransi, quality control, dan defect tracing.
29
Menurut Berson dan Smith (Berson dan Smith 2001, hal336-378) dalam data mining terdapat dua
tipe teknik antara lain :
2.5.1 Teknik Klasik ( Classical Technique )
2.5.1.1 Statistik
Menurut McClave dan Sincich (McClave dan Sincich 2003, hal2), statistik adalah ilmu
pengetahuan atau ilmiah tentang data, atau ilmu yang mempelajari tentang data. Hal ini meliputi
pengumpulan, pengklarifikasian, perangkuman, pengorganisasian, penganalisaan, dan
penterjemahan informasi tentang perhitungan atau numerik.
Menurut Kvanli, Pavur, dan Keeling (Kvanli, Pavur, dan Keeling 2003, hal2), Statistik
adalah ilmu yang terdiri dari peraturan-peraturan dan ketentuan-ketentuan dalam hal
mengumpulkan, menjelaskan, menganalisa dan menterjemahkan data numerik.
Menurut Berson dan Smith (Berson dan Smith 2001, hal291), Statistik adalah cabang ilmu
matematika yang mempelajari tentang sekumpulan dan deskripsi data yang akan digunakan dalam
membuat laporan tentang informasi yang penting agar seseorang dapat membuat keputusan yang
berguna. Salah satu keuntungan statistik adalah menampilkan database dalam tampilan ber-level
tinggi yang menyediakan informasi-informasi yang berguna tanpa perlu mengerti setiap record
secara detil.
2.5.1.2 Nearest Neighbour
Teknik prediksi pengelompokan dan nearest neighbour merupakan teknik tertua yang digunakan
dalam data mining. Nearest neighbour merupakan teknik prediksi yang hampir sama dengan
pengelompokan, untuk memperkirakan apakah nilai prediksi ada dalam satu record, mencari
30
kesamaan nilai prediktor di dalam basis data historis dan menggunakan nilai prediksi dari record
yang “terdekat” untuk tidak membagi-bagikan record.
2.5.1.3 Pengelompokan (Clustering)
Pengelompokan merupakan metode yang mengklasifikasikan data ke dalam kelompok-kelompok
berdasarkan kriteria dari masing-masing data. Biasanya, teknik ini dipakai
Gambar 2.3 : Grafik Teknik Pengelompokkan
untuk memberikan pengguna akhir sebuah gambaran level atas dari apa yang telah terjadi di
dalam basis data. Pengelompokan terkadang digunakan untuk segmentasi.
31
2.5.2 Teknik Generasi Selanjutnya ( The Next generation Technique )
2.5.2.1 Decision Tree (Pohon Keputusan)
Pohon keputusan merupakan model prediktif yang dapat digambarkan seperti pohon, dimana
setiap node di dalam struktur pohon tersebut mewakili sebuah pertanyaan yang digunakan untuk
menggolongkan data. Struktur ini dapat digunakan untuk membantu memperkirakan
kemungkinan nilai dari setiap atribut data.
Gambar 2.4 : Contoh Pohon Keputusan
Beberapa hal menarik tentang tree :
Tree ini membagi data pada setiap cabangnya tanpa kehilangan data sedikitpun. Jumlah total
record pada node parent sama dengan jumlah total record yang ada pada node children. Sangat
mudah dimengerti bagaimana sebuah model dibangun, kebalikan dengan model dari neural
network atau dari statistik standar. Mudah untuk menggunakan model ini jika kita mempunyai
target pelanggan yang sepertinya tertarik dengan penawaran marketing.
32
Dari perspektif bisnis, decision tree dapat dilihat sebagai pembuatan segmentasi dari data
set yang orisinil. Segmentasi ini dilakukan untuk beberapa alasan tertentu, misalnya untuk
prediksi dari beberapa potong informasi yang penting. Meskipun decision tree sendiri dan
algoritma yang membuat decision tree itu mungkin saja sangat kompleks, namun hasil yang
ditampilkan dengan cara yang mudah dimengerti sangat membantu untuk pengguna bisnis.
Decision tree seringkali dikembangkan untuk statistician untuk mengotomatisasi proses
menentukan field mana dari database mereka yang benar-benar berguna atau terkorelasi dengan
masalah tertentu yang sedang mereka usahakan untuk mengerti. Karena itu, algoritma decision
tree cenderung mengotomatisasi seluruh proses pembuatan hipotesis dan kemudian melakukan
validasi yang lebih komplit dalam cara yang lebih terintegrasi dibanding dengan teknik data
mining lainnya.
Decision tree biasanya digunakan untuk berbagai kebutuhan:
1. Eksplorasi
Teknologi decision tree dapat digunakan untuk eksplorasi data set dan masalah bisnis. Hal
ini biasanya dilakukan dengan mencari predictor dan nilai yang dipilih untuk setiap
bagian / cabang dari tree tersebut.
2. Preprocessing data
Teknologi ini juga dapat digunakan untuk mengolah dan memproses data yang dapat
digunakan pada algoritma lain, misalnya neural network, nearest neighbour, dll. Hal itu
dikarenakan algoritma lain memerlukan waktu yang relatif lama untuk dijalankan jika
terdapat jumlah predictor dalam jumlah besar untuk digunakan sebagai model, sehingga
teknik decision tree biasanya digunakan pada tahap pertama data mining untuk
menciptakan subset yang berguna dari predictor baru kemudian hasil tersebut akan
33
dapat dimasukkan pada teknik data mining yang lain.
3. Prediksi
Para analis menggunakan teknologi ini untuk membangun sebuah model prediktif yang
efektif.
Decision tree mempunyai beberapa keuntungan sebagai berikut (http://en.wikipedia.org):
1. Decision tree mudah dimengerti dan diinterpretasikan. Orang dapat mengerti model
decision tree setelah penjelasan yang singkat.
2. Penyiapan data untuk decision tree adalah utama dan tidak dibutuhkan. Teknik lain
seringkali membutuhkan normalisasi data, variabel kosong perlu dibuat, dan nilai yang
kosong harus dihapus.
3. Decision tree dapat mengatasi baik data nominal maupun kategorial. Teknik lain biasanya
dispesialisasi di analisis data set yang hanya mempunyai satu tipe variabel, contohnya
relation rule yang hanya dapat digunakan dengan variabel nominal atau neural network
yang hanya dapat digunakan dengan variabel numerik.
4. Decision tree merupakan model white box . Jika situasi yang diberikan kelihatan dalam
model, penjelasan untuk kondisi tersebut dapat dengan mudah dijelaskan dengan boolean
logic. Contoh black box adalah artificial neural network karena penjelasan untuk hasilnya
sangat kompleks.
5. Decision tree dapat melakukan validasi terhadap model dengan menggunakan tes statistik.
Hal itu akan memungkinkan untuk menghitung reliabilitas model.
6. Decision tree merupakan teknik yang kuat, dapat bekerja baik dengan data yang besar
dalam waktu yang singkat. Sejumlah besar data dapat dianalisis dengan menggunakan
personal computer dalam waktu yang cukup pendek yang memungkinkan pemegang
34
saham mengambil keputusan berdasarkan analisis tersebut. Karena nilai decision tree
yang sangat tinggi pada banyak faktor kritis pada data mining, teknik ini dapat digunakan
pada berbagai macam masalah bisnis, baik eksplorasi maupun prediksi.
2.5.2.1.1 Implementasi sederhana dari Decision Trees
Algoritma Decision Tree biasanya dibuat berdasarkan konsep dari klasifikasi. Suatu
algoritma membuat suatu tree yang dapat memprediksi nilai yang berdasar kepada kolom-kolom.
Maka itu setiap node dari tree menampilkan suatu kasus partikular untuk suatu kolom.
Keputusan untuk menentukan di mana letak node-node tersebut ditentukan oleh algoritma.
Berikut merupakan contoh training table
Tabel 2.1 : Tabel Training
Customer ID
Debt level Income level Employment type Credit risk
1 High High Self-employed Bad 2 High High Salaried Bad 3 High Low Salaried Bad 4 Low Low Salaried Good 5 Low Low Self-employed Bad 6 Low High Self-employed Good 7 Low High Salaried Good
35
Gambar 2.5 : Training Decision Tree
Kita dapat lihat bahwa faktor paling penting dari para calon peminjam uang dapat diputuskan
sebagai credit risk yang good atau bad dari debt level-nya. Untuk para calon peminjam yang
tidak memilki high debt level maka faktor selanjutnya yang dilihat ialah apakah ia self-employed
atau salaried. Seorang calon peminjam yang self-employed mempunyai kemungkinan bad credit
risk yang lebih tinggi. Ini merupakan ilustrasi singkat tentang penggunaan decision tree dalam
suatu proses bisnis.
Contoh script sederhana dalam java code untuk membuat decision tree seperti di atas :
class CustomerInfo{
public int customerID;
public boolean hasHighDebt;
public boolean hasHighIncome;
public boolean isSalaried;
}
boolean isGoodRisk(CustomerInfo customer){
if(!customer.hasHighDebt){
36
if(customer.hasHighIncome || customer.isSalaried){
return true;
}
}
return false; }
Jalan yang ditunjukkan pada decision tree merupakan aturan yang relatif mudah untuk
dimengerti oleh manusia. Berikut merupakan beberapa sistem komersial yang mengimplementasi
metode decision tree :
• PolyAnalyst (Megaputer Intelligence)
• C5.0 (Rule Quest)
• Clementine (Integral Solutions)
• SIPINA (University of Lyon)
• IDIS (Information Discovery)
2.5.2.2 Neural Network (Jaringan Neural)
Jaringan Neural merupakan teknik model prediktif yang paling kuat. Teknik ini dapat membuat
model yang sangat kompleks yang hampir tidak mungkin untuk mengerti secara benar, meskipun
seorang ahli. Model ini disajikan dalam nilai numerik dengan perhitungan yang kompleks dan
hasil akhir dari teknik ini juga berupa numerik dan perlu untuk diterjemahkan jika nilai prediksi
aktual berupa kategori.
2.5.2.3 Rule Induction (Aturan Induksi)
Aturan induksi merupakan bentuk umum dari data mining dan merupakan bentuk yang sama
37
untuk penemuan pengetahuan di dalam sistem pembelajaran unsupervised. Teknik ini dalam basis
data dapat menjadi sebuah usaha besar-besaran dimana semua kemungkinan pola-pola secara
sistematis keluar dari data, dan kemudian akurasi dan arti ditambahkan kedalam aturan tersebut
untuk memberitahukan pengguna betapa kuat pola dan bagaimana dapat terjadi lagi.
2.6 Customer Relationship Management (CRM)
2.6.1 Definisi CRM
Menurut Kolakota dan Robinson dalam buku E-Business Roadmap for Success (Kolakota dan
Robinson 1999, hal117), CRM adalah kombinasi dari proses bisnis dan teknologi untuk
memperoleh informasi agar dapat memahami pelanggan-pelanggan perusahaan dari berbagai
sudut pandang: siapa mereka, apa yang mereka lakukan, dan apa yang mereka suka. CRM
didefinisikan sebagai suatu integrasi antara strategi penjualan, pemasaran, dan pelayanan yang
tidak melihat keputusan masing-masing departemen dalam perusahaan dan bergantung pada
tindakan-tindakan terkoordinasi perusahaan.
2.6.2 Mengapa CRM?
Kunci utama dalam mempertahankan stabilitas ruang lingkup pemasaran, khususnya yang
bergerak dalam bidang e-commerce, saat ini adalah dengan menciptakan suatu hubungan jangka
panjang dengan para pelanggan.
Pelanggan ( customer ) dapat dibedakan ke dalam tiga zona:
1. Zone of defection , di mana para pelanggan merasa tidak puas akan pelayanan yang
ditawarkan dan memiliki kemungkinan besar untuk berpindah ke perusahaan lain.
2. Zone of indifference, di mana para pelanggan bersikap tidak begitu pasti dan memiliki
38
tingkat kepuasan dan loyalitas terhadap perusahaan yang medium.
3. Zone of affection, di mana para pelanggan merasa puas akan pelayanan yang ditawarkan
dan menempatkan loyalitas yang tinggi pada perusahaan.
Pelanggan menuntut adanya kustomisasi pelayanan yang semakin beragam seiring
berjalannya waktu. Hal ini menyebabkan perusahaan-perusahaan memindahkan fokus mereka dari
“mass production” ke “mass customization”. Hal yang perlu diperhatikan oleh perusahaan-
perusahaan e-commerce saat ini adalah tentang penerapan strategi multi-channels dengan tujuan
untuk meningkatkan kepuasan dan loyalitas para pelanggan.
Berdasarkan hasil studi IT Consulting Firm Aberdeen, perusahaan-perusahaan yang
mengimplentasikan CRM dan mengubah bisnis mereka menjadi e-business memiliki
kemungkinan yang lebih besar dalam menarik perhatian para pelanggan. Pengorganisasian bisnis
untuk memuaskan para pelanggan seperti pada pengimplemtasian CRM menuntut adanya
pengorganisasian atau penyederhanaan fungsi-fungsi internal dalam suatu perusahaan. Dengan
CRM, suatu perusahaan dapat mengurangi alur kerja, cycle time, dan alur informasi tentang
pelanggan yang tidak penting dapat dieliminasi.
2.6.3 Tujuan dan Manfaat CRM
Tujuan CRM adalah untuk mengoptimalkan keuntungan perusahaan dengan membuat perusahaan
lebih efisien dalam menggunakan sumber daya yang ada untuk melayani pelanggan yang
diinginkan dan memelihara hubungan dengan pelanggan. (Kalakota dan Robinson, 1999, hal117).
Pendapat lain tentang tujuan diterapkannya konsep CRM adalah (Seybold, Maret 2002,
hal5):
39
1. 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.
2. Mempertahankan pelanggan untuk selamanya (Retain)
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.
3. 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).
Kunci keberhasilan pelaksanaan CRM tergantung pada tiga hal yang harus saling
mendukung satu dengan yang lain, yaitu:
1. People (sumber daya manusia)
Adalah keseluruhan anggota perusahaan, dari manajemen sampai staf terendah.
a. 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.
40
b. 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.
2. Process (proses bisnis yang dilakukan)
Adalah proses bisnis perusahaan yang berorientasi pada “customer-focused”, yang lebih
difokuskan pada sisi penjualan, pemasaran, dan pelayanan pelanggan.
3. Technology (teknologi informasi yang digunakan)
Adalah teknologi informasi yang digunakan sebagai piranti pembantu yang mendukung
unsur people dan process .
Kombinasi antara ketiganya disimbolkan dengan:
Technology ( People + Process )
artinya:
1. Jika ( People + Process ) < adequate (memadai), maka penggunaan teknologi
informasi akan memperbesar kesalahan pada inisiatif CRM.
2. Jika ( People + Process ) > adequate (memadai), maka penggunaan teknologi informasi
akan mempercepat kesuksesan dan memperbesar keuntungan yang dapat diraih
perusahaan.
Beberapa manfaat yang dapat diperoleh dari penggunaan CRM dijabarkan sebagai berikut:
41
1. Meningkatkan pendapatan.
2. Mendorong loyalitas pelanggan.
3. Menekan biaya.
4. Meningkatkan efisiensi operasional.
5. Meningkatkan time to market.
2.6.4 Arsitektur dan Komponen CRM
Dalam arsitektur CRM (gambar 2.2), dapat dilihat sejumlah customer touch-points dan delivery
channels yang menghasilkan dan menggunakan informasi. Yang dimaksud dengan customer
touch-points (Berson dan Smith, 1999, hal46) 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.
42
Gambar 2.6 : Business Rules and Meta Data Management
43
2.6.5 Jenis-Jenis CRM
Secara garis besar, CRM dapat diklasifikasikan dalam 3 jenis, yaitu (Berson dan Smith, 1999,
hal45):
1. Operational CRM
Mencakup otomatisasi yang terintegrasi dari keseluruhan proses bisnis, termasuk di
dalamnya customer touch-points dan customer channels dan integrasi front office-back
office .
2. Analytical CRM
Merupakan proses analisis dari data yang dihasilkan pada Operational CRM.
3. 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 di atas memiliki tujuan secara umum yaitu untuk
memaksimumkan keuntungan perusahaan sejalan dengan meningkatkan dan
memelihara kepuasan pelanggan. Operational CRM mengoptimasi proses bisnis yang
berinteraksi secara langsung dengan pelanggannya (Beck dan Summer, 2001, hal1-2). CRM
memiliki berbagai macam aplikasi yang diterapkan dalam pemasaran, penjualan, dan pelayanan
yang mendukung proses bisnis. Aplikasi proses bisnis yang menerapkan hal di atas tergolong
dalam aplikasi operasional.
44
Aplikasi operational CRM dibedakan menjadi dua, yaitu:
1. 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,
pihak perusahaan ini langsung berhubungan dengan pelanggannya.
2. 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 traditional 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 channel-nya, yakni semua
pihak yang memungkinkan berhubungan dengan perusahaan.
2.6.6 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
berkonsentrasi pada komponen Operational dan Collaborative CRM, sehingga analisis akan
45
pemahaman dan pengenalan terhadap pelanggan yang sebenarnya belum terjadi. Diperlukan
komponen Analytical CRM untuk mengoptimalkan hubungan perusahaan dengan pelanggannya.
Analytical CRM memungkinkan perusahaan untuk mendapatkan suatu pengetahuan akan
pelanggan dan melakukan penaksiran atau estimasi terhadap pelanggan berdasarkan 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, hal2).
2.6.6.1 Pengertian Analytical CRM
Analytical CRM merupakan feedback loop antara interaksi pelanggan yang real-time yang
terjadi pada front-end atau back-end scorecard untuk menganalisa apa yang telah terjadi dan
bagaimana meningkatkan cara perusahaan berinteraksi di kemudian hari. (Beck dan Summer,
2001, hal5) 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 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
Berdasarkan sebuah artikel dalam Info World analytical CRM dapat menyediakan hal-hal
sebagai berikut:
1. Kelompok segmentasi pelanggan.
2. Analisa profitabilitas, mengetahui pelanggan mana yang profitable selama kurun waktu
46
tertentu.
3. Personalisasi, kemampuan untuk memasarkan kepada pelanggan secara personal
berdasarkan data yang ada tentang pelanggan itu.
4. Event monitoring , yaitu segala aktifitas yang dilakukan pelanggan yang berkaitan dengan
perusahaan dan begitu pula sebaliknya tindakan perusahaan terhadap segala yang
berhubungan dengan pelangannya, 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, hal1).
Dengan pengetahuan tersebut maka penawaran yang tepat, harga yang tepat dapat ditawarkan
pada saat yang tepat, kepada pelanggan yang memang berpotensi untuk membelinya, hal ini akan
mengoptimasi pelanggan dan perusahaan. Dengan kombinasi informasi tentang pelanggan dari
semua sumber dan sarana informasi vital lainnya yang berinteraksi dengan pelanggan, maka
perusahaan dapat memperoleh gambaran yang pasti tentang pelanggan dan perilakunya. Dengan
demikian mendukung perusahaan dalam melakukan personalisasi terhadap pelanggan dan
menyesuaikan diri 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 menganalisa profitabilitas pelanggan, perusahaan dapat melakukan
segmentasi pelanggannya berdasarkan tingkat profitabilitasnya sehingga dapat menetapkan target
tingkat penjualannya terhadap masing-masing pelanggan. Langkah selanjutnya adalah
47
menindaklanjuti feedback loop dari hasil analisa yang telah dilakukan untuk menentukan
interaksi selanjutnya yang akan dibangun dengan pelanggan (Meta Group, 2000, hal2).
2.6.6.2 Perbedaan Operational CRM dan Analytical CRM
Tabel berikut ini menjelaskan perbedaan antara Operational CRM dan Analytical
CRM.
Tabel 2.2 Perbedaaan Operational CRM dan Analytical CRM
Operational CRM Analytical CRM Dibuat untuk menyediakan respon yang cepat kepada banyak user
Didesain untuk proses yang kompleks dan memerlukan waktu proses yang lama dan hanya digunakan untuk beberapa user saja
User mengakses dan meng update data. Selama pemrosesan, jumlah data yang diproses banyak dan biasanya hanya dapat di retrieve ( read-only ), dengan menggunakan query yang kompleks.
User melakukan proses transaksi dalam waktu yang singkat.
2.7 Pelanggan
2.7.1 Definisi Pelanggan
Pelanggan adalah semua orang yang menurut perusahaan memenuhi suatu standard kualitas
tertentu, dan karena itu akan memberikan pengaruh kepada performa organisasi (Gaprez, 1997,
hal73).
Piramida pelanggan di atas (Gambar 2.5) menjelaskan tentang tahapan secara umum seorang
pelanggan organisasi. Unsur-unsur dari piramida pelanggan adalah sebagai berikut :
48
1. Pelanggan Aktif ( Active Customer)
Adalah orang atau perusahaan yang telah melakukan pembelian barang atau jasa dari
perusahaan dalam periode tertentu, katakanlah dalam 12 bulan terakhir.
2. Pelanggan yang tidak aktif (Inactive Customer)
Adalah orang-orang atau perusahaan yang telah membeli barang atau jasa pada masa lalu,
akan tetapi tidak dalam periode tertentu. Pelanggan yang tidak aktif merupakan sumber
yang penting untuk pendapatan potensial dan juga merupakan sumber informasi tentang
apa yang perlu perusahaan lakukan untuk mencegah pelanggan aktif menjadi pelanggan
tidak aktif.
3. Prospects
Adalah orang atau perusahaan yang mempunyai suatu hubungan dengan perusahaan kita,
akan tetapi sampai sekarang mereka belum membeli barang atau jasa perusahaan. Contoh
prospects adalah orang yang telah meminta brosur perusahaan, orang-orang yang telah
melakukan kontak lewat pameran dagang. Prospects merupakan orang-orang atau
perusahaan yang diharapkan akan meningkat menjadi status pelanggan aktif dalam waktu
dekat.
4. Suspects
Adalah orang-orang atau perusahaan yang sanggup kita layani dengan produk atau jasa
dari suatu perusahaan, akan tetapi sampai sekarang belum memiliki hubungan dengan
perusahaan. Biasanya perusahaan memulai hubungan dengan suspects dan
mengkualifikasikan mereka sebagai Prospects, dengan tujuan jangka panjang untuk
mengkonversikannya menjadi pelanggan aktif.
49
5. The Rest of the World
Adalah orang-orang atau perusahaan yang memang tidak mempunyai keperluan atau
keinginan untuk membeli atau menggunakan produk atau jasa perusahaan.
2.7.2 Model Segmentasi Pelanggan
Seringkali perusahaan mengalokasikan sebagian besar pemasarannya dibelanjakan untuk non-
customers. Piramida pelanggan merupakan alat yang berguna untuk memvisualisasikan,
menganalisis, dan memperbaiki perilaku dan profitabilitas pelanggan. (Curry, 2000, hal9). Nilai
dari piramida pelanggan meningkat apabila perusahaan mensegmentasikan pelanggan aktif ke
dalam kategori perilaku yang kritikal terhadap keberhasilan perusahaan, seperti pendapatan
penjualan. Namun ini akan disesuaikan dengan perusahaan masing-masing yang menentukan
tolak ukurnya.
CRM terbentuk untuk memungkinkan setiap pelanggan diperlakukan secarapersonal
selama proses pemasaran. Segmentasi adalah kunci langkah pertama. Dengan mengelompokan
pelanggan ke dalam segmen-segmen berdasarkan profitabilitas, kontribusi penghasilan bagi
perusahaan, perilaku dan faktor lainnya, maka setiap segmen akan mendapatkan perlakuan yang
berbeda-beda. Dengan demikian, maka memperlakukan pelanggan secara personalisasi dapat
diwujudkan dan dilakukan dengan tepat.
2.7.3 Membangun Model Pengukuran Profitabilitas Pelanggan
Adalah sesuatu yang sangat efektif bagi perusahaan jika dapat mengetahui pelanggan mana yang
berpotensi meningkatkan profitabilitas perusahaan dan berapa lama pelanggan tersebut akan
memberikan nilai bagi perusahaan, dan sebaliknya mengetahui mana yang menjadi beban
50
perusahaan dan tidak memberikan kontribusi yang berarti bagi perusahaan. Sangat penting bagi
perusahaan memiliki kemampuan untuk mengetahui pengetahuan ini, sehingga perusahaan dalam
hal ini pimpinan dapat membuat keputusan dengan lebih baik dengan mengetahui bagaimana,
kapan, dan apa yang harus ditawarkan pada setiap pelanggan. Hal ini akan mendukung dan
mampu meningkatkan efektifitas pelayanan dan interaksi dengan pelanggan.
Ada beberapa faktor yang dapat mempengaruhi profitabilitas seorang pelanggan,
antara lain :
1. Nilai Pelanggan ( Customer Value )
2. Perilaku Pelanggan ( Customer Behavior )
3. Kepuasan Pelanggan ( Customer Satisfaction )
4. Masa Umur Pelanggan ( Customer Lifetime )
5. Return on Investment (ROI)
2.7.3.1 Nilai Pelanggan ( Customer Value )
Secara garis besar, Customer Value atau nilai pelanggan digambarkan sebagai suatu pemahaman
tentang nilai yang sebenarnya terhadap produk atau jasa yang diberikan perusahaan (Childers,
2003, hal25). Value berbicara tentang apa yang akan pembeli bayar untuk sebuah produk atau
jasa. Penting untuk mengetahui bagaimana untuk mengelola customer value secara konsisten,
karena hal tersebut dapat merupakan investasi yang terbaik yang dapat dilakukan oleh
perusahaan.
Customer value secara langsung dihubungkan dengan benefit yang dapat diperoleh dari
produk dan jasa yang diberikan kepada masing–masing pelanggan yang mengkonsumsi barang
dan jasa. Pemahaman akan nilai pelanggan merupakan salah satu competitive advantage
51
perusahaan untuk menghadapi pesaingnya (Childers, 2003, hal37)
Variabel-variabel yang digunakan untuk mengukur tingkat customer value antara
lain:
1. Product Value
Nilai yang didapat pelanggan dari produk yang ditawarkan perusahaan.
2. Service Value
Nilai yang diperoleh pelanggan dari tingkat pelayanan yang diberikan kepada pelanggan
baik pelayanan secara langsung maupun tidak langsung.
3. Personnel Value
Nilai yang diperoleh pelanggan dari pelayanan serta tingkah laku karyawan perusahaan.
4. Image Value
Nilai yang diperoleh pelanggan dari merek produk yang ditawarkan/yang dibeli dari
perusahaan.
Dapat dipastikan bahwa pelanggan pasti memperhitungkan penawaran mana yang akan
memberikan nilai tertinggi. Para pelanggan membentuk suatu harapan akan nilai dan bertindak
berdasarkan hal itu. Pada praktisnya, penawaran yang memenuhi harapan nilai pelanggan
mempengaruhi kepuasan dan kemungkinan pelanggan membeli kembali (Tunggal, 2000, p18).
2.7.3.2 Perilaku Pelanggan ( Customer Behaviour )
Dalam hubungannya dengan perusahaan, identifikasi perilaku pelanggan dapat diukur dengan
beberapa parameter berikut (Tunggal, 2000, hal20-21) :
52
1. Penghasilan ( Revenue )
Tingkat profitabilitas seorang pelanggan dapat dilihat dari tingkat penghasilan yang
dikontribusikan oleh pelanggan tersebut kepada perusahaan. Ini dapat diukur dalam
jumlah rupiah atau volume produk yang dipesan selama suatu periode tertentu.
Penghasilan yang dimaksud adalah penghasilan kotor yang diperoleh perusahaan atas
transaksi penjualan yang dilakukan pelanggan. Semakin tinggi kontribusi seorang
pelanggan bagi perusahaan dalam hal penghasilan yang perusahaan terima, maka semakin
tinggi tingkat profitabilitas pelanggan. Perusahaan akan mengalihkan pelayanannya dan
mengoptimalkan penawarannya bagi seorang atau perusahaan pelanggan yang
memberikan keuntungan yang tinggi bagi perusahaan. Tentu saja hal ini dapat
mengefektifkan dan mengefisiensikan praktek pemasaran dan servis lainnya yang
diberikan perusahaan untuk pelanggan.
2. Customer Lifeture
Customer Lifeture dapat diukur dari rata-rata lamanya waktu, diukur dalam bulanan atau
tahunan, yaitu rata-rata pelanggan melakukan transaksi dengan perusahaan dalam
memenuhi produk atau jasa yang dibutuhkan.
3. Customer Share
Customer Share yaitu sejauh mana seorang pelanggan memenuhi kebutuhannya atas
produk atau jasa yang diinginkan pelanggan dengan berbisnis dengan perusahaan kita.
53
4. Corporate Value
Corporate value ini diukur berdasarkan sejauh mana seorang pelanggan dapat
bekerjasama dengan baik dengan perusahaan, yang dilihat dari ketepatan dalam
melakukan pembayaran yang telah ditargetkan (khusus untuk pembayaran kredit) serta
seberapa sering giro yang dikeluarkan pelanggan ditolak oleh pihak bank.
2.7.3.3 Kepuasan Pelanggan ( Customer Satisfaction )
Secara umum kepuasan adalah perasaan senang atau kecewa seseorang yang berasal dari
perbandingan antara kesannya terhadap kinerja (atau hasil) suatu produk dan harapannya.
Kepuasan merupakan fungsi dari kesan kinerja dan harapan. Jika kinerja produk atau jasa
perusahaan berada dibawah harapan, maka pelanggan tidak puas. Jika kinerja memenuhi harapan,
maka pelanggan akan merasa puas. Jika kinerja melebihi harapan, maka pelanggan amat puas dan
senang (Tunggal, 2000, hal21).
Perusahaan harus mulai berfokus untuk memberikan kepuasan yang lebih tinggi kepada
pelanggannya, karena hanya para pelanggan yang merasa tidak puas yang mudah untuk berubah
pikiran bila mendapat tawaran yang lebih baik. Pelanggan yang puas akan memenuhi target
perusahaan akan penjualan produk atau jasa kepada pelanggan yang dituju, bahkan melebihi dari
yang diharapkan. Pelanggan yang puas akan mempengaruhi perilakunya terhadap perusahaan,
sebagai hasilnya adalah kesetiaan pelanggan yang tinggi. Para pembeli akan membeli dari
perusahaan yang mereka anggap menawarkan customer delivered value yang tertinggi. C ustomer
delivered value ini yang nantinya menjadi faktor untuk mengetahui tingkat kepuasan pelanggan
yang sebenarnya terhadap pelayanan dan produk perusahaan yang telah diberikan. Beberapa
metode berikut dapat digunakan untuk melacak kepuasan pelanggan (Kotler , 2000, hal30-35):
54
1. Sistem Keluhan dan Saran ( Complaint and Suggestion Systems )
Sistem keluhan dan saran mempermudah pelanggannya memberikan keluhan dan
sarannya. Contohnya restoran dan hotel menyediakan formulir bagi tamu untuk
melaporkan hal-hal yang disukai dan tidak disukai. Ada pula perusahaan yang
menyediakan layanan hot-lines bagi pelanggan dengan nomor telepon gratis sehingga
memudahkan pelanggan dalam menyampaikan keluhannya.
2. Survei Kepuasan Pelanggan ( Customer Satisfaction Surveys )
Perusahaan-perusahaan yang responsif memperoleh ukuran kepuasan pelanggan secara
langsung biasanya dilakukan dengan cara ini. Perusahaan dapat membuat daftar
pertanyaan yang kemudian dibagikan atau menelepon pelanggan sebagai sampel acak
untuk menanyakan apakah mereka puas, biasa saja, kurang puas, atau amat tidak puas
dengan berbagai aspek kinerja perusahaan. Perusahaan juga dapat meminta tanggapan
pelanggan tentang kinerja para pesaing perusahaan. Selain itu juga berguna untuk
mengajukan pertanyaan tambahan untuk mengukur keinginan pelanggan untuk membeli
kembali. Nilai positif tinggi dari pelanggan menunjukkan bahwa perusahaan
menghasilkan kepuasan yang tinggi bagi pelanggannya. Pelanggan akan membeli dari
perusahaan yang dianggap menawarkan customer delivered value yang tertinggi.
Customer delivered value (Nilai yang diterima pelanggan) adalah selisih antara total
customer value (jumlah nilai bagi pelanggan) dan total customer cost (biaya total
pelanggan).
55
3. Belanja Siluman ( Ghost Shopping )
Cara ini biasa dilakukan dengan membayar orang-orang bertindak sebagai pembeli
potensial untuk melaporkan temuan-temuan tentang kekuatan dan kelemahan yang
ditemui dalam membeli produk perusahaan dan produk pesaing, dan juga kinerja
pelayanan dari staf perusahaan yang terlibat dalam transaksi operasional perusahaan
dengan pelanggan.
4. Analisis Kehilangan Pelanggan ( Lost Customer Analysis )
Perusahaan dapat menganalisis kehilangan pelanggan dengan mengidentifikasi sejumlah
pelanggan yang dimiliki yang dikategorikan sebagai inactive customer, yaitu orang-orang
atau perusahaan yang telah membeli barang atau jasa pada masa lalu, akan tetapi tidak
dalam periode tertentu. Penting bagi perusahaan untuk mempelajari kegagalannya yang
biasa diakibatkan karena perusahaan gagal memuaskan pelanggannya. Pelanggan yang
hilang berdampak terhadap penurunan pendapatan perusahaan, perusahaan dapat
menghitung berapa pendapatan yang hilang pertahunnya dikarenakan kehilangan satu
pelanggan. Contoh kasusnya : penjualan rata-rata pelanggan tahun lalu (2003) adalah Rp
400 Juta. Margin laba perusahaan adalah 5%, berapa biaya kehilangan pelanggan ? Maka
perhitungannya adalah :
a. Katakanlah perusahaan mempunyai 100 pelanggan.
b. Perusahaan kehilangan 5% dari pelanggannya tahun 2003 karena pelayanannya
56
yang buruk. Hal ini berarti perusahaan kehilangan 5 pelanggan (5% x 100).
c. Rata-rata penurunan pelanggan yang hilang mencerminkan Rp 400 juta penurunan
pendapatan bagi perusahaan. Oleh karenanya, perusahaan kehilangan 2 milyar
pendapatan pada tahun ini (5 x Rp 400 juta). Margin laba perusahaan adalah 5%.
Oleh karenanya, perusahaan kehilangan Rp100 juta pada tahun 2004 (5% x Rp 2
Milyar).
Total Customer value (jumlah nilai bagi pelanggan) diperoleh dari nilai yang didapatkan dari
customer value (nilai pelanggan) yang telah dijelaskan sebelumnya. Total Customer Value ini
merupakan benefit yang diterima pelanggan dari melakukan bisnis dengan perusahaan.
Total Customer Cost (total biaya pelanggan) ini merupakan akumulasi dari empat jenis
biaya, yaitu : Physic Cost, Energy Cost, Time Cost, Monetary Cost.
1. Physic cost
Physic Cost = Biaya PBB + biaya sewa prasarana
2. Energy Cost, dihitung berdasarkan biaya yang dikeluarkan dalam mendapatkan produk
perusahaan secara langsung.
3. Time Cost, merupakan nilai atau jumlah biaya atas waktu yang dihabiskan pelanggan
dalam mendapatkan produk yang diinginkan.
4. Monetary cost :
Monetary cost = Production cost + Marketing cost + Operational cost
a. Perhitungan Production cost
Production cost = Raw material cost+ electric cost + biaya penyusutan mesin
+ biaya tenaga kerja
57
b. Perhitungan marketing cost didapat dari biaya promosi yang dikeluarkan seperti
biaya iklan, brosur, reklame, spanduk, katalog, promosi umum, dsb.
c. Perhitungan operational cost :
Operational Cost = Gaji karyawan + biaya peralatan + biaya perlengkapan
Rumus untuk menghitung customer delivered value ( Nilai yang diterima pelanggan)
yang menggambarkan nilai kepuasan pelanggan yaitu :
CUSTOMER DELIVERED VALUE = CUSTOMER BENEFIT - CUSTOMER COST
Gambar 2.7 Penentu Nilai yang Diterima Pelanggan
58
2.7.3.4 Masa Umur Pelanggan ( Customer Lifetime )
Model lifetime value ini digunakan untuk mengestimasi jangka waktu keuntungan yang
diharapkan perusahaan dari setiap pelanggan. Dengan mengetahui ini, memungkinkan servis atau
produk yang khusus ditawarkan untuk pelanggan yang memiliki nilai yang tinggi. (Kotler , 2000,
hal30-35).
2.7.3.5 Return on Investment (ROI)
Perusahaan melakukan penanaman modal untuk mencari tingkat pengembalian yang memuaskan.
Untuk menentukan tingkat pengembaliannya tergantung dari jumlah biaya yang terpakai, dan
faktor lainnya. Tingkat pengembalian yang perlu didapatkan harus sama atau melebihi dari
besarnya modal. Perhitungan tingkat ROI mengkalkulasi tingkat pengembalian modal yang telah
diinvestasikan dengan menyesuaikan pemasukan dari modal yang dikeluarkan termasuk
depresiasi. ROI dapat dihitung dengan menghitung rata-rata dari keuntungan bersih.Keuntungan
bersih ini dibagi dengan total investasi awal untuk mendapatkan ROI.
Rumusnya adalah :
Net Benefit = ROI
Net Investment
Lemahnya tingkat ROI dapat mempengaruhi lemahnya time value of money . ROI
dapat memodifikasi/mengubah keuntungan di masa yang akan datang. Keuntungan dengan
melakukan perhitungan ROI adalah :
59
1. Perbandingan dalam menghitung keuntungan.
2. Memudahkan penghitungan dari tahun tertentu yang khusus.
2.7.4 Customer Churn dalam Industri Telepon Selular
Masalah terbesar yang sedang dihadapi industri telepon selular saat ini adalah fenomena
yang menunjukkan perpindahan/pergerakan pelanggan dari satu provider ke provider lainnya.
Fenomena ini yang dikenal dengan istilah customer churn (Mutanen, Teemu. 2006, hal4).
Customer churn dapat disebabkan oleh banyak hal, mulai dari tarif yang kompetitif antar
operator, fitur dan fasilitas yang kompetitif, sampai bagaimana provider melayani, berinteraksi,
dan mengelola hubungannya dengan pelanggan-pelanggannya.
Customer churn di industri telekomunikasi merupakan masalah yang sangat besar. Jika
pada industri lain, sebut saja misalnya industri kartu kredit, nilai customer churn yang terjadi
sekitar 0,4% tiap bulan, di industri telekomunikasi dapat terjadi sampai 2,2% per bulan. Dapat
dikatakan bahwa sekitar 27% pelanggan provider churn setiap tahunnya.
Mengapa masalah ini menjadio begitu krusial? Karena biaya yang dikeluarkan untuk
mendapatkan pelanggan baru, untuk iklan, marketing, komisi, dan lain-lain akan jauh lebih besar
dibandingkan biaya yang harus dikeluarkan untuk menjaga pelanggan yang sudah ada. Ditambah
lagi, belum kebanyakan pelanggan baru cenderung tidak lebih menghasilkan keuntungan
dibandingkan pelanggan yang sudah lama dan bertahan.
60
2.8 Text Mining
2.8.1 Definisi Text Mining
Menurut Weigo Fan (Fan, Weiguo. 2005. hal3-10), Text Mining didefinisikan sebagai penemuan
informasi baru yang belum diketahui sebelumnya secara terkomputerisasi dengan mengekstrak
informasi dari beberapa sumber tertulis yang berbeda. Text Mining mirip dengan data mining,
perbedaan ialah data mining dibuat untuk menangani data terstruktur dari database atau file
XML, tetapi text mining dapat bekerja dalam data yang tidak terstruktur seperti email, dokumen
full-text, file HTML, dan lain-lain. Sebagai hasilnya, text mining merupakan solusi yang lebih
baik untuk perusahaan-perusahaan dimana sejumlah besar informasi yang berbeda-beda harus
disatukan dan diatur.
Masalah pada text mining sudah jelas, natural language diciptakan oleh manusia untuk
berkomunikasi satu sama lain dan mencatat informasi. Oleh karena itu, komputer sangat sulit
untuk memahami natural language. Manusia mempunyai kemampuan untuk membedakan dan
memakai pola bahasa pada teks dan dapat dengan mudah mengatasi masalah seperti bahasa
slang, kesalahan eja, dan pengertian konstektual. Akan tetapi, walaupun kapabilitas bahasa kita
membiarkan kita untuk memahami data yang tidak terstruktur, kita mengalami kesulitan pada
kemampuan komputer untuk memproses teks pada volume yang besar dengan kecepatan yang
tinggi. Di sini tertera kunci untuk text mining, yaitu membuat teknologi yang dapat
mengkombinasikan kapabilitas bahasa manusia dengan kecepatan dan akurasi yang tinggi pada
komputer.
Gambar 2.8 : Schema Text Mining
61
Di atas merupakan contoh proses text mining Pertama-tama dilakukan pengumpulan
dokumen setelah itu text mining tool akan mendapatkan dokumen tertentu dan melakukan
tahapan preprocess dengan mengecek format dan set karakter. Lalu akan masuk ke tahapan
analisis teks yang dapat dilakukan berulang-ulang sampai informasi dapat diekstrak. Pada
gambar, ada tiga bagian proses di dalam analisis teks, namun pada kenyataannya banyak
kombinasi teknik yang dapat digunakan tergantung pada hasil yang diinginkan oleh
organisasinya. Setelah diekstrak, informasi akan dimasukkan dalam Management Information
System, yang nantinya akan menghasilkan pengetahuan yang banyak untuk user dari system
tersebut
2.8.2 Teknologi Text Mining
Walaupun perbedaan dalam bahasa manusia dengan bahasa komputer cukup besar,
namun ada teknologi yang dapat menutup celah perbedaan itu. Pemrosesan natural language
telah memproduksi teknologi yang dapat mengajarkan natural language kepada komputer
sehingga mereka dapat menganalisa, mengerti dan bahkan men-generate teks. Beberapa
teknologi yang telah dibuat dan bisa digunakan yaitu teknologi information extraction, Topic
Extraction, summarization, categorization, clustering, concept linkage, information visualization
dan question answering.
2.8.2.1 Information Extraction
Titik permulaan untuk komputer menganalisa teks yang tidak terstruktur ialah dengan
menggunakan extraction information. Software information extraction mengidentifikasi frasa
62
kunci dan hubungan dalam teks. Ini dilakukan dengan mencari urutan yang telah didefinisakan
sebelumnya di dalam teks, sebuah proses yang disebut pattern matching. Software ini dapat
menyimpulkan hubungan di antara objek yang telah terdefinisi untuk memberikan user informasi
yang bermakna. Teknologi ini sangat berguna untuk volume data yang besar. Hampir semua
software text mining menggunakan information extraction karena ini merupakan dasar dari
semua teknologi text mining yang ada.
1. Topic Extraction
Sistem Topic Extraction bekerja dengan menyimpan profil user dan berdasarkan
dokumen yang user lihat, lalu memprediksi dokumen lain yang memiliki daya tarik
untuk user tersebut. Teknologi Topic Extraction mempunyai keterbatasan pada tingkatan
akurasinya. Beberapa text mining tool yang baik memungkinkan user untuk memilih
kategori tertentu atau software secara otomatis dapat menarik kesimpulan dari
ketertarikan user berdasarkan sejarah bacaan user dan informasi yang dicari user melalui
penekanan tombol mouse.
2. Summarization
Text summarization sangat membantu untuk mengetahui apakah sebuah dokumen yang
panjang termasuk dalam kriteria yang dibutuhkan oleh user dan cocok untuk terus
dibaca. Kunci dari summarization ialah mengurangi panjang dan detail dari dokumen
namun tetap menjaga maksud inti dan keseluruhan. Tantangannya terletak di sana,
walaupun komputer mampu untuk menentukan pelaku, tempat, dan waktu, namun tetap
sulit untuk mengajarkan software untuk menganalisa kata-kata dan menerjemahkan
63
maknanya. Secara umum, ketika manusia menyimpulkan bacaan, kita membaca secara
keseluruhan untuk memahaminya, lalu menuliskan kesimpulannya dengan mengambil
intinya. Karena komputer belum mempunyai kapabilitas bahasa manusia, metode
alternatif harus dipertimbangkan.
Salah satu strategi yang sering digunakan pada text summarization tool ialah
sentence extraction, mengekstrak kalimat penting dari sebuah artikel dengan mengukur
kalimat tersebut secara statistik. Summarization dapat bekerja dengan topic tracking tool
atau categorization tool dalam proses untuk merangkum dokumen yang diinginkan pada
topik-topik tertentu. Jika user diberikan ratusan dokumen yang berhubungan dengan
topic yang mereka inginkan, maka summarization tool dapat digunakan untuk
mengurangi waktu pencarian mereka untuk menyortir dokumen-dokumennya.
3. Categorization
Categorization mengidentifikasi topik utama dari dokumen dengan menempatkan
dokumen ke dalam suatu set topik yang telah didefinisikan sebelumnya. Ketika
mengkategorikan suatu dokumen, program komputer akan memperlakukan dokumen
sebagai bag of words. Categorization tidak melakukan proses pada informasi aktual
seperti pada information extraction lakukan. Categorization hanya menghitung kata-kata
yang muncul dan mengidentifikasi topik utama dari judul dokumen. Categorization
biasanya bergantung pada kosakata pada topik yang telah ditentukan sebelumnya dan
hubungan didefinisikan dengan mencari broad terms, narrower terms, sinonim dan
related terms. Categorization tool secara normal mempunyai metode untuk membuat
ranking pada dokumen berdasarkan isi yang paling sesuai dengan topik yang ditentukan.
64
4. Clustering
Clustering ialah teknik yang sering digunakan untuk mengelompokkan dokumen-
dokumen yang memiliki kemiripan tertentu, namun berbeda dari categorization,
clustering tidak menentukan topik sebelum melakukan proses. Keuntungan teknik
clustering bahwa dokumen-dokumen tersebut dapat dimunculkan dalam beberapa
subtopik. Hal ini memastikan bahwa sebuah dokumen yang berharga tidak akan
dihilangkan dari hasil pencarian. Algoritma dasar Clustering menciptakan vektor dari
topik untuk setiap dokumen dan mengukur berat dari seberapa baik dokumen itu cocok
untuk setiap cluster.
5. Concept Linkage
Teknik concept linkage menghubungkan dokumen-dokumen yang berhubungan dengan
cara mengidentifikasi kemiripan mereka dan membantu user untuk menemukan
informasi yang mereka tidak dapatkan ketika mereka menggunakan metode pencarian
tradisional. Metode ini memungkinkan penjelajahan informasi dibandingkan pencarian
informasi. Concept linkage adalah konsep yang berharga di dalam text mining,
khususnya dalam aspek biomedical dimana begitu banyak riset yang telah dilakukan
sehingga tidak mungkin jika si peneliti harus membaca seluruh materi dan
menghubungkan materi-materi tersebut dengan risetnya yang lain.
65
6. Information Visualization
Visual text mining atau information visualization menempatkan sumber besar yang
berupa teks ke dalam hirarki visual atau peta dan menyediakan kapabilitas penjelajahan,
dalam penambahan untuk pencarian sederhana. User dapat berinteraksi dengan peta
dokumen dengan memperbesar, menskala dan membuat peta kecil lain. Information
visualization sangat berguna ketika user butuh untuk mempersempit dokumen dan
menjelajah topik yang berhubungan.
7. Question Answering
Aplikasi lain dari natural language processing adalah natural language queries atau
question answering yang menangani bagaimana menemukan jawaban terbaik untuk
pertanyaan yang diberikan. Banyak websites yang dilengkapi dengan teknologi question
answering, memungkingkan end user untuk “bertanya” pada computer sebuah
pertanyaan dan diberikan jawaban.
2.9 Analisis SWOT
Menurut Rangkuti (2000, p18) analisis SWOT adalah pengidentifikasian dari factor-faktor yang
ada secara sistematis. Untuk merumuskan strategi perusahaan, analisa ini didasarkan pada logika
yang dapat memaksimalkan kekuatan dan peluang, namun secara bersamaan dapat
meminimalkan kelemahan dan ancaman. Proses pengambilan keputusan strategis selalu
berkaitan dengan pengembangan misi, tujuan, strategi dan kebijakan perusahaan, dengan
demikian perencanaan strategi harus menganalisa factor-faktor strategis perusahaan dalam
kondisi yang ada pada saat ini. SWOT merupakan kependekan dari kekuatan (Strength),
66
kelemahan (Weakness), kesempatan (Opportunity), dan ancaman (Threat). Analisis ini dapat
mengindentifikasi factor-faktor tersebut secara sistematis dan dapat menunjukkan strategi yang
cocok bagi perusahaan untuk dijadikan solusi.
2.9.1 Strength
Strength merupakan faktor yang memperbesar daya tawar dalam menghadapi pelanggan,
menghindari persaingan dengen perusahaan sejenis dan memungkinkan biaya rendah dalam
kelompok strategi.
2.9.2 Weakness
Weakness merupakan faktor yang dapat memperlemah posisi perusahaan dalam persaingan
bisnisnya, menyebabkan biaya yang tinggi untuk melaksanakan strategi dan mengurangi daya
tawar dalam menghadapi pelanggan. Kelangkaan dalam sumber daya yang memungkinkan
perusahaan mengatasi rintangan yang ada juga termasuk dalam Weakness.
2.9.3 Opportunity
Opportunity merupakan faktor luar yang dapat memungkinkan terciptanya strategi bisnis baru
atau memperkuat posisi struktural perusahaan yang telah ada.
2.9.4 Threat
Threat merupakan faktor luar yang dapat memungkinkan timbulnya hambatan dan rintangan
bagi bisnis perusahaan, seperti inflasi, munculnya perusahaan sejenis, peraturan pemerintah dan
lain-lain.
67
2.9.5 Matriks Faktor Strategi Internal
Menurut Rangkuti (2002, hal 24), factor-faktor strategis internal adalah kekuatan dan kelamahan
perusahaan.Didalam strategi internal ini membahas tentang keunggulan perusahaan yang tidak
dimiliki perusahaan pesaing, sehingga harus mengintegrasikan keunggulan itu kedalam budaya
organisasi. Dengan demikian perusahaan lain tidak akan mudah meniru keunggulan perusahaan.
Cara-cara penentuan faktor strategis internal :
1. Tentukan factor-faktor yang menjadi kekuatan dan kelamahan perusahaan.
2. Beri bobot masing-masing factor tersebut dengan skala mulai dari 0,0 (tidak penting) sampai
1,0 (paling penting), berdasarkan pengaruh factor tersebut terhadap posisi strategis perusahaan (
semua bobot tersebut tidak boleh melebihi skor total 1,00).
3. Hitung rating untuk masing-masing factor dengan skala mulai dari 1 ( di bawah rata-rata )
sampai 4 ( sangat baik ), berdasarkan pengaruh factor tersebut terhadap kondisi perusahaan yang
bersangkutan. Variabel yang bersifat positif ( semua variable yang masuk kategori kekuatan )
diberi nilai mulai dari 1 sampai 4 dengan membandingkannya dengan rata-rata industri dengan
pesaing utama. Sedangkan untuk kelemahan yang dimiliki diberi rating 1 jika efek yang
ditimbulkan kelemahan tersebut tidak terlalu berdampak besar bagi perusahaan. Semakin besar
dampak yang timbulkan, rating dinilai semakin tinggi sampai batas maksimal 4.
4. Kalikan bobot dengan rating untuk memperoleh faktor pembobotan.hasilnya berupa skor
pembobotan untuk masing-masing faktor yang nilainya mulai dari 1,0 sampai 4,0.
5. Jumlahkan skor factor kekuatan dan jumlahkan skor factor kelemahan. Kemudian hitung
selisihnya untuk mendapatkan skor total Internal Factor Analysis Summary (IFAS).
68
2.9.6 Matriks Faktor Strategi Eksternal
Menurut Rangkuti (2002, hal 24), factor-faktor strategis eksternal adalah peluang dan ancaman,
perencanaan strategi dilakukan untuk menganalisa lingkungan eksternal sehingga dapat
mengetahui berbagai kemungkinan peluang dan ancaman pada perusahaan. Cara-cara penentuan
faktor strategis eksternal:
1. susunlah faktor-faktor yang menjadi peluang dan ancaman yang dimiliki perusahaan.
2. Beri bobot masing-masing faktor tersebut dengan skala mulai dari 0,0 (tidak penting) sampai
1,0 (paling penting). Factor-faktor tersebut kemungkinan dapat memberikan dampak pada factor
strategis.
3. Hitung rating untuk masing-masing factor dengan skala mulai dari 1 (di bawah rata-rata)
sampai 4 (sangat baik), berdasarkan pengaruh faktor tersebut terhadap kondisi perusahaan yang
bersangkutan. Variabel yang bersifat positif (semua variable yang masuk kategori peluang)
diberi nilai mulai dari 1 sampai 4 dengan membandingkannya dengan rata-rata industri dengan
pesaing utama. Sedangkan untuk ancaman yang dimiliki diberi rating 1 jika ancaman tersebut
dapat berdampak besar bagi perusahaan. Semakin besar dampak yang mungkin ditimbulkan,
rating dinilai semakin tinggi sampai batas maksimal 4.
4. Kalikan bobot dengan rating untuk memperoleh faktor pembobotan.hasilnya berupa skor
pembobotan untuk masing-masing faktor yang nilainya mulai dari 1,0 sampai 4,0.
5. Jumlahkan skor faktor peluang dan jumlahkan skor faktor ancaman. Kemudian hitung
selisihnya untuk mendapatkan skor total External Factor Analysis Summary (EFAS).
69
2.9.7 Diagram Analisis SWOT
Diagram Analisis SWOT adalah diagram yang digunakan untuk mengidentifikasi posisi dan
situasi yang dihadapi perusahaan pada persaingan bisnis, berdasar pada faktor strategi internal
perusahaan (IFAS) dan factor-faktor strategi eksternal (EFAS) yang dihadapi perusahaan.
Diagram Analisis SWOT menunjukkan titik koordinat dari posisi SWOT seperti yang
ditunjukkan pada gambar berikut :
Gambar 2.9 : Diagram SWOT
Kuadran 1 : merupakan situasi yang sangat menguntungkan perusahaan. Perusahaan tersebut
memiliki peluang dan kekuatan sehingga dapat memanfaatkan peluang yang ada.
Kuadran 2 : meskipun menghadapi berbagai macam ancaman, perusahaan ini masih memiliki
kekuataan dari segi internal.
Kuadran 3 : perusahaan menghadapi peluang pasar yang sangat besar. Tetapi di lain pihak
perusahaan menghadapi beberapa kendala atau kelemahan internal.
Kuadran 2
Kuadran 1 Kuadran 3
Kuadran 4
70
Kuadran 4 : merupakan situasi yang sangat tidak menguntungkan bagi perusahaan. Perusahaan
tersebut menghadapi berbagai macam ancaman dan memiliki kelemahan internal.
2.9.8 Matrik SWOT
Alat yang digunakan untuk menyusun factor-faktor strategis perusahaan adalah matrik SWOT.
Matriks ini dapat menggambarkan secara jelas bagaimana peluang dan ancaman eksternal yang
dihadapi perusahaan dapat disesuaikan dengan kekuatan dan kelemahan yang dimilikinya.
Matrik inidapat menghasilkan 4 (empat) set kemungkinan strategi (Rangkuti, 2000, hal31), yaitu:
1. Strategi Strength – Opportunity
Strategi ini dibuat berdasarkan jalan pikiran perusahaan yaitu dengan memanfaatkan seluruh
kekuatan untuk merebut dan memanfaatkan peluang sebesar-besarnya.
2. Strategi Strength –Threat
Strategi ini diterapkan dalam menggunakan kekuatan yang dimiliki perusahaan untuk mengatasi
ancaman eksternal.
3. Strategi Weakness – Opportunity
Strategi ini diterapkan berdasarkan pemanfaatan peluang yang ada dengan cara meminimalkan
kelemahan yang ada.
4. Strategi Weakness – Threat
Strategi ini didasarkan pada kegiatan yang bersifat defensive dan berusaha meminimalkan
kelemahan yang ada serta menghindari ancaman.
71
2.10 Analisis Critical Success Factor (CSF)
Menurut Rockart (Ward, 2002, hal209), CSF adalah area tertentu dalam perusahaan dimana jika
hasil dari area tersebut memuaskan, maka akan menjamin keberhasilan perusahaan dalam
bersaing. Area tersebut adalah area kunci dimana ‘sesuatu harus berjalan dengan baik dan benar’,
sehingga keberhasilan bisnis dapat dicapai dan terus berkembang.
Manfaat dari analisis CSF menurut Ward (2002, p209) adalah sebagai berikut:
1. analisis CSF merupakan teknik yang paling efektif dalam melibatkan manajemen senior
dalam mengembangkan strategi Sistem Informasi. Karena CSF secara keseluruhan telah
berakar pada bisnis dan memberikan komitmen bagi manajemen puncak dalam
menggunakan sistem informasi yang diselaraskan dengan pencapaian tujuan perusahaan
melalui area bisnis yang kritis.
2. analisis CSF menghubungkan proyek sistem informasi yang akan diimplementasikan
dengan tujuannya, dengan demikian sistem informasi nantinya akan dapat direalisasikan
agar sejalan dengan strategi bisnis perusahaan.
3. dalam wawancara dengan manajemen senior, analisis CSF dapat menjadi perantara yang
baik dalam mengetahui informasi apa yang diperlukan oleh setiap individu.
4. dengan menyediakan suatu hubungan antara tujuan dengan kebutuhan informasi, analisis
CSF memegang peranan penting dalam memprioritaskan investasi modal yang potensial.
5. analisa CSF sangat berguna dalam perencanaan sistem informasi pada strategi bisnis
tidak berjalan sesuai dengan tujuan perusahaan, dengan memfokuskan pada masalah-
masalah tertentu yang paling kritis.
72
6. analisis CSF sangat berguna apabila digunakan sejalan dengan analisis value chain dalam
mengidentifikasi proses yang paling kritis, serta memberikan focus pada pencapaian
tujuan melalui kegiatan-kegiatan yang paling tepat untuk dilaksanakan.