Elly Muningsih
AMIK BSI Yogyakarta
E-Mail : elly.emh@bsi.ac.id
Abstrak
Berkembangnya E-Commerce menjadikan pelaku online shop harus bisa
menempatkan pelanggannya dengan baik, karena pelanggan merupakan salah satu
sumber keuntungan. Mengetahui nilai potensial pelanggan melalui pelaksanaan CRM
(Customer Relationship Management) dapat membantu dalam pemahaman nilai
pelanggan. Clustering pelanggan merupakan salah satu cara mengetahui pemetaan
pelanggan untuk strategi pemasaran yang lebih baik. Metode Fuzzy C-Means dengan
model Fuzzy RFM (Recency, Frequency, Monetary) yang merupakan salah satu
metode clustering dimana metode Fuzzy C-Means memberikan hasil yang smooth
(halus), artinya bahwa objek pengamatan tidak mutlak untuk menjadi satu kelompok
saja, tetapi juga bisa menjadi anggota kelompok lain dengan tingkat keanggotaan yang
berbeda-beda. Percobaan menghasilkan clustering pelanggan menjadi 3 kelompok
dengan iterasi sebanyak enam kali dan nilai fungsi objektif sebesar 20,75202212.
Kata kunci: nilai pelanggan, Fuzzy C-Means, model Fuzzy RFM, clustering
ISBN: 979-26-0280-1
158 Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015
Data mining merupakan sebuah inti dari d. Error terkecil yang diharapkan= ᶓ;
proses Knowledge Discovery in Database e. Fungsi objektif awal = P0 = 0;
(KDD) yang memiliki sifat otomatis, dapat f. Iterasi awal = t = 1;
didefinisikan sebagai pengorganisasian 3. Bangkitkan bilangan random µik i = 1, 2,
proses untuk pengidentifikasian yang benar, ..., n; k = 1, 2, ..., c; sebagai elemen-
berguna dan penemuan pola dari kumpulan elemen matriks awal U. Hitug jumlah
data yang besar dan komplek [2]. Tahapan setiap kolom (atribut) :
pada proses KDD pada database ditampilkan
pada Gambar 1[2] : ∑ ( )
Ada banyak metode atau fungsi data
mining yang bisa digunakan untuk Dengan i=1, 2, ..., n. Hitung :
menemukan, menggali dan menambang
pengetahuan, namun menurut [3][4] ada ( )
enam fungsi utama data mining, yaitu :
Description (deskripsi), Estimation
4. Dengan pusat klaster ke-k: Vkj, dengan k
(estimasi), Prediction (prediksi),
= 1, 2, ..., c; dan j = 1, 2, ..., m
Classification (klasifikasi), Clustering
(pengelompokan), dan Association (asosiasi).
Pada tahun 1981, Jim Bezdek [5]
memperkenalkan untuk pertama kalinya ( )
metode Fuzzy C-Means (FCM), salah satu
metode clustering yang termasuk dalam
penggolongan fuzzy clustering berdasarkan 5. Hitung fungsi obyektif pada iterasi ke-t, Pt
uncertainty data. Metode ini menerapkan :
model pengelompokkan fuzzy agar data bisa
menjadi anggota semua cluster dengan ( )
tingkat atau derajad keanggotaan yang
berbeda yaitu 0 dan 1 yang akan menentukan 6. Hitung perubahan matriks partisi :
tingkat keberadaan data dalam suatu cluster
atau kelas FCM merupakan pengembangan
dari metode non hierarki K-Means cluster, ( )
karena pada awalnya ditentukan dulu jumlah
kelompok Z atau cluster yang akan dibentuk
kemudian dilakukan iterasi sampai 7. Cek kondisi berhenti :
mendapatkan keanggotaan kelompok tersebut Jika : ( | Pt – Pt-1 | < ᶓ ) atau ( t > MaxIter )
[5]. maka berhenti;
Jika tidak : t = t+1, ulangi langkah ke-4
2. ALGORITMA FUZZY C-MEANS
(FCM) Membahas tentang pelanggan potensial,
Algoritma FCM adalah sebagai berikut dapat diartikan bahwa pelanggan potensial
[6][7]: adalah pelanggan yang loyal terhadap
1. Input data yang akan di cluster X, berupa perusahaan [8]. Pelanggan yang potensial
matriks berukuran n x m (n = jumlah umumnya akan melanjutkan pembelian
sampel data, m = atribut setiap data). Xij produk dan jasa yang ditawarkan seller
= data sampel ke-i (i=1,2,...,n), atribut ke- meskipun ada pilihan produk atau jasa lain
j (j=1,2,....,m). yang lebih baik atau populer. Konsumen
yang loyal menurut Kotler dalam [8] tidak
X=[ ] (1) hanya dilihat dari berapa banyak konsumen
tersebut membeli, tetapi dari berapa sering
2. Tentukan nilai dari : dia melakukan transaksi ulang, termasuk
a. Jumlah cluster = c; merekomendasikan kepada orang lain untuk
b. Pangkat/Derajat kefuzzy-an= w; membeli.
c. Maksimum iterasi = MaxIter;
ISBN: 979-26-0280-1
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 159
ISBN: 979-26-0280-1
160 Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015
ISBN: 979-26-0280-1
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 161
ISBN: 979-26-0280-1