Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 157

Penerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM

(Studi Kasus : Clustering Pelanggan Potensial Online Shop)

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

1. PENDAHULUAN mengalami kesulitan dalam menentukan

Pelanggan merupakan sumber pelanggan yang potensial.
keuntungan dalam perusahaan karena Penentuan yang dilakukan selama ini
menduduki posisi penting dalam adalah secara manual dan hasil yang di dapat
pengembangan strategi bisnis. Menurut Chai tidak akurat. Untuk dapat mengatasi

Gambar 1. Tahapan proses KDD dalam database

dan Chan [1] dijelaskan bahwa permasalahan
yang sering dihadapi pemasar adalah
kesulitan dalam mengidentifikasi pelanggan
atau nasabah yang tepat, sehingga
menyebabkan perusahaan dapat kehilangan
pelanggan potensial yang akan merugikan
perusahaan itu sendiri. Hal ini yang juga
terjadi pada sebuah online shop di Jogja yang
permasalahan yang terjadi, maka online shop
membutuhkan suatu metode untuk
mengidentifikasi dan mengelompokkan
pelanggan potensial menjadi beberapa cluster
atau kelompok dengan teknik yang disebut
Data Mining. Teknik data mining pada
penelitian menggunakan metode Fuzzy C-
Means dengan model Fuzzy RFM (Recency,
Frequency dan Monetary).

ISBN: 979-26-0280-1
158 Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015
Data mining merupakan sebuah inti dari
proses Knowledge Discovery in Database
(KDD) yang memiliki sifat otomatis, dapat
didefinisikan sebagai pengorganisasian
proses untuk pengidentifikasian yang benar,
berguna dan penemuan pola dari kumpulan
data yang besar dan komplek [2]. Tahapan
pada proses KDD pada database ditampilkan
pada Gambar 1[2] :
Ada banyak metode atau fungsi data
mining yang bisa digunakan untuk
menemukan, menggali dan menambang
pengetahuan, namun menurut [3][4] ada
enam fungsi utama data mining, yaitu :
Description (deskripsi), Estimation
(estimasi), Prediction (prediksi),
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
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
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
mendapatkan keanggotaan kelompok tersebut
[5].
2. ALGORITMA FUZZY C-MEANS
(FCM)
Algoritma FCM adalah sebagai berikut
[6][7]:
1. Input data yang akan di cluster X, berupa
matriks berukuran n x m (n = jumlah
sampel data, m = atribut setiap data). Xij
= data sampel ke-i (i=1,2,...,n), atribut ke-
j (j=1,2,....,m).
X=[ ] (1)
2. Tentukan nilai dari :
a. Jumlah cluster = c;
b. Pangkat/Derajat kefuzzy-an= w;
c. Maksimum iterasi = MaxIter;
ISBN: 979-26-0280-1
d. Error terkecil yang diharapkan= ᶓ;
e. Fungsi objektif awal = P0 = 0;
f. Iterasi awal = t = 1;
3. Bangkitkan bilangan random µik i = 1, 2,
..., n; k = 1, 2, ..., c; sebagai elemen-
elemen matriks awal U. Hitug jumlah
setiap kolom (atribut) :
∑ ( )
Dengan i=1, 2, ..., n. Hitung :
( )
4. Dengan pusat klaster ke-k: Vkj, dengan k
= 1, 2, ..., c; dan j = 1, 2, ..., m
( )
5. Hitung fungsi obyektif pada iterasi ke-t, Pt
:
( )
6. Hitung perubahan matriks partisi :
( )
7. Cek kondisi berhenti :
Jika : ( | Pt – Pt-1 | < ᶓ ) atau ( t > MaxIter )
maka berhenti;
Jika tidak : t = t+1, ulangi langkah ke-4
Membahas tentang pelanggan potensial,
dapat diartikan bahwa pelanggan potensial
adalah pelanggan yang loyal terhadap
perusahaan [8]. Pelanggan yang potensial
umumnya akan melanjutkan pembelian
produk dan jasa yang ditawarkan seller
meskipun ada pilihan produk atau jasa lain
yang lebih baik atau populer. Konsumen
yang loyal menurut Kotler dalam [8] tidak
hanya dilihat dari berapa banyak konsumen
tersebut membeli, tetapi dari berapa sering
dia melakukan transaksi ulang, termasuk
merekomendasikan kepada orang lain untuk
membeli.
 Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 159

Penelitian ini bertujuan untuk Metode yang digunakan dalam

mengetahui pelanggan potensial melalui
proses clustering metode Fuzzy C-Means
dengan model Fuzzy RFM (Recency,
Frequency dan Monetary) berdasarkan
transaksi penjualan pelanggan online shop
sehingga diharapkan bisa menerapkan
strategi pemasaran yang lebih baik sehingga
dapat meningkatkan penjualan produk yang
pada gilirannya akan akan memberikan efek
positif bagi perkembangan perusahaan.
3. METODE PENELITIAN
Dalam penelitian ini, data diperoleh dari
data transaksi penjualan pada online shop
Ragam Jogja dan atribut data yang digunakan
adalah data transaksi bulan Januari – Juni
2015. Setelah data terkumpul kemudian
diolah melalui beberapa tahap pengolahan
awal data (preparation data) yaitu validasi
data, transformasi data dan seleksi atribut.
Tabel 1. Parameter dan Nilai Fuzzy
Parameter Nilai Fuzzy Recency
Rendah 1 0 < r < 31 hr
Sedang 2 31 hr < r < 60 hr
Besar 3 r > = 60 hr
penelitian adalah metode Fuzzy C-Means
dengan model fuzzy RFM dimana parameter
yang digunakan adalah variabel Recency,
Frequency dan Monetary yang masing-
masing dibagi menjadi 3 kelompok fuzzy
yaitu :
1. Recency dibagi menjadi kelompok fuzzy
Baru Saja dengan nilai 3, Agak Lama
dengan nilai 2 dan Lama dengan nilai 1.
2. Frequency dibagi menjadi kelompok
fuzzy Sering dengan nilai 3, Agak Sering
dengan nilai 2 dan Jarang dengan nilai
1.
3. Monetary dibagi menjadi kelompok
fuzzy Tinggi dengan nilai 3, Sedang
dengan nilai 2 dan Rendah dengan nilai
1.
Detail nilai fuzzy dan parameter
ditampilkan pada Tabel 1. berikut :
Frequency Monetary
0<f<3 0 < m < 500.000
3<f<6 500.000 < m < 1.500.000
f>=6 m > = 1.500.000

Untuk penerapan metode Fuzzy C-Means

menggunakan nilai : 4. HASIL DAN PEMBAHASAN
a. Jumlah cluster (c) = 3; Pengolahan data yang dilakukan pada
b. Pangkat/Derajat kefuzzy-an (w) = 2; penelitian berhenti pada iterasi ke-6 dengan
c. Maksimum iterasi (Maxter) = 10; hasil seperti ditampilkan pada Tabel 2.
d. Error terkecil yang diharapkan (ᶓ)= 10-5 berikut :
e. Fungsi objektif awal (P0) = 0;
f. Iterasi awal (t) = 1;
Tabel 2. Hasil Iterasi Terakhir
Kode Nilai RFM Kecenderungan Cluster
Pelanggan R F M C1 C2 C3
C1 2 3 2 0,39572208 0,383710503 0,220567417
C2 3 3 3 0,449354136 0,445867836 0,104778028
C3 3 3 2 0,452091559 0,44967003 0,098238411
C4 1 1 1 0,072655573 0,073141381 0,854203046
C5 2 1 1 0,123656799 0,142443381 0,73389982
C6 3 1 1 0,335898875 0,356150976 0,307950148
C7 1 1 1 0,072655573 0,073141381 0,854203046
C8 2 2 2 0,37139356 0,361820808 0,266785632
C9 1 2 2 0,19304383 0,174486871 0,632469299
C10 2 1 1 0,123656799 0,142443381 0,73389982
C11 2 1 3 0,362216172 0,364267912 0,273515916

ISBN: 979-26-0280-1
160 Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015

C12 1 2 1 0,127197825 0,11600061 0,756801565

C13 3 2 3 0,469904657 0,471313033 0,05878231
C14 3 2 2 0,491557311 0,498907445 0,009535244
C15 3 1 2 0,420123332 0,438590026 0,141286642
C16 3 3 2 0,452091559 0,44967003 0,098238411
C17 1 1 1 0,072655573 0,073141381 0,854203046
C18 1 2 2 0,19304383 0,174486871 0,632469299
C19 3 1 2 0,420123332 0,438590026 0,141286642
C20 3 1 2 0,420123332 0,438590026 0,141286642
C21 1 1 1 0,072655573 0,073141381 0,854203046
C22 2 1 2 0,235678685 0,25038837 0,513932945
C23 3 1 2 0,420123332 0,438590026 0,141286642
C24 2 3 3 0,413139709 0,403344288 0,183516003
C25 1 2 1 0,127197825 0,11600061 0,756801565
C26 1 1 1 0,072655573 0,073141381 0,854203046
C27 3 2 1 0,39492599 0,405544745 0,199529266
C28 3 2 2 0,491557311 0,498907445 0,009535244
C29 1 2 2 0,19304383 0,174486871 0,632469299
C30 3 2 2 0,491557311 0,498907445 0,009535244
C31 1 1 2 0,126641998 0,121976751 0,751381251
C32 3 1 2 0,420123332 0,438590026 0,141286642
C33 3 3 3 0,449354136 0,445867836 0,104778028
C34 2 1 1 0,123656799 0,142443381 0,73389982
C35 3 2 3 0,469904657 0,471313033 0,05878231
C36 2 2 2 0,37139356 0,361820808 0,266785632
C37 3 1 1 0,335898875 0,356150976 0,307950148
C38 3 1 3 0,429980962 0,437830718 0,13218832
C39 3 2 2 0,491557311 0,498907445 0,009535244
C40 3 2 2 0,491557311 0,498907445 0,009535244
C41 1 1 1 0,072655573 0,073141381 0,854203046
C42 1 1 1 0,072655573 0,073141381 0,854203046

Cluster yang terbentuk berdasarkan 1. Cluster 1 : 8 anggota pelanggan kode

faktor recency(R), frequency(F) dan
monetary(M). Semakin besar nilai R
menunjukan bahwa pelanggan sering
melakukan transaksi, semakin besar nilai F
menunjukan pelanggan setia terhadap
terhadap produk yang digunakan, dan
semakin besar nilai M, menunjukan bahwa
nominal transaksi yang dibayarkan semakin
besar.
C1,C2, C3, C8, C16, C24, C33 dan C36
dengan pusat cluster ( 1,488612328;
1,333801551; 1,375878298 ), memiliki
nilai yang besar dari ketiga faktor,
sehingga dapat digolongkan sebagai
pelanggan yang sangat potensial.
2. Cluster 2 : 17 anggota pelanggan kode
C6, C11, C13, C14, C15, C19, C20,
C23, C27, C28, C30, C32, C35, C37,
C38, C39 dan C40 dengan pusat cluster

ISBN: 979-26-0280-1
 Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015
( 1,45119347; 1,371706172;
1,391145768 ), memiliki nilai frequency
dan rata-rata ketiga nilai yang cukup
besar, sehingga dapat digolongkan
sebagai pelanggan yang potensial.
3. Cluster 3 : 17 anggota pelanggan C4,
C5, C7, C9, C10, C12, C17, C18, C21,
C22, C25, C26, C29, C31, C34, C41 dan
C42 dengan pusat cluster ( and Knowledge Discovery Handbook.
2,863003043; 1,938097976;
2,194617752 ), memiliki nilai rata-rata
ketiga faktor yang kecil, sehingga dapat
digolongkan menjadi nasabah yang
tidak atau kurang potensial.
5. KESIMPULAN
Dari penelitian yang dilakukan, metode
Fuzzy C-Means dengan model Fuzzy RFM
terbukti dapat melakukan clustering
pelanggan dengan mengelompokkannya ke
dalam pelanggan sangat potensial, pelanggan
potensial atau dan pelanggan tidak atau
kurang potensil. Walaupun hasil yang
diharapkan sudah terpenuhi, namun untuk
penelitian lebih lanjut bisa dikembangkan
dengan penentuan jumlah cluster dengan
metode tertentu, melakukan pengukuran atau
validasi untuk hasil yang sudah ada atau
membandingkan penerapan menggunakan
metode lain agar diketahui keakuratannya.
ISBN: 979-26-0280-1
161
6. DAFTAR PUSTAKA
[1]. Widiarini, & Wahono, R. S. Algoritma
Cluster Dinamik untuk Optimasi Cluster
pada Algoritma K-Means dalam
Pemetaan Nasabah Potensial. Journal of
Intelligent Systems , Vol. 1, No. 1, 32-
35. 2015.
[2]. Maimon, O., & Rokach, L. Data Mining
London: Springer Science+Business
Media. 2010
[3]. Larose, D. T. Discovering Knowledge in
Data : An Introduction to Data Mining.
Hoboken, New Jersey: John Wiley &
Sons, Inc. 2005
[4]. Susanto, S., & Suryadi, D. Pengantar
Data Mining : Menggali Pengetahuan
dari Bongkahan Data. Yogyakarta:
Penerbit ANDI. 2010.
[5]. Kusumadewi, Sri; Hartati, Sri. Neuro-
Fuzzy : Integrasi Sistem Fuzzy dan
Jaringan Syaraf.Yogyakarta. Graha
Ilmu. 2009
[6]. Kusumadewi, S., Purnomo, H., Aplikasi
Fuzzy Untuk Pendukung Keputusan,
Graha Ilmu, Jakarta. 2010
[7]. Setiawan, F. H. Penerapan Fuzzy C-
Means Dan Apriori Untuk Rekomendasi
Promosi Produk Berdasarkan
Segmentasi Konsumen. Semarang. 2011.
[8]. Zulkarnain. Ilmu Menjual. Yogyakarta :
Graha Ilmu. 2012.