Penerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM

(Studi Kasus : Clustering Pelanggan Potensial Online Shop)

Elly Muningsih
AMIK BSI Yogyakarta
Jalan Ring Road Barat, Ambarketawang, Gamping, Sleman Yogyakarta
Email : 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

Expanding E-Commerce makes actors online shop should be able to put its customers
well, because the customer is one source of profit. Knowing the potential value of customers
through the implementation of CRM (Customer Relationship Management) can help in the
understanding of customer value. Clustering customers is one way to know the customer
mapping for better marketing strategies. Fuzzy C-Means methode with Fuzzy RFM (recency,
frequency, monetary) model which is one method of clustering where Fuzzy C-Means results
in a smooth,the meaning that the object of observation is not an absolute to be one group
alone, but also could be a member of another group with a membership various levels. The
experiments resulted in the clustering of customers into three groups with six times as many
iterations and the value of the objective function of 20.75202212.

Keywords : value of customer, Fuzzy C-Means, RFM model, clustering

1. Pendahuluan potensial yang akan merugikan perusahaan

Pelanggan merupakan sumber itu sendiri. Hal ini yang juga terjadi pada
keuntungan dalam perusahaan karena sebuah online shop di Jogja yang
menduduki posisi penting dalam mengalami kesulitan dalam menentukan
pengembangan strategi bisnis. Menurut pelanggan yang potensial.
Chai dan Chan (2008) dalam [1] dijelaskan Penentuan yang dilakukan selama ini
bahwa permasalahan yang sering dihadapi adalah secara manual dan hasil yang di
pemasar adalah kesulitan dalam dapat tidak akurat. Untuk dapat mengatasi
mengidentifikasi pelanggan atau nasabah permasalahan yang terjadi, maka online
yang tepat, sehingga menyebabkan shop membutuhkan suatu metode untuk
perusahaan dapat kehilangan pelanggan 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).
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 berikut [2] :
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).
𝑋11 ⋯ 𝑋1𝑚
X= ⋮ ⋱ ⋮ (1)
𝑋𝑛1 ⋯ 𝑋𝑛𝑚

2. Tentukan nilai dari :

a. Jumlah cluster = c;
b. Pangkat/Derajat kefuzzy-an= w;
c. Maksimum iterasi = MaxIter;
d. Error terkecil yang diharapkan= ᶓ;
Gambar 1. Tahapan proses KDD dalam e. Fungsi objektif awal = P0 = 0;
database f. Iterasi awal = t = 1;

Ada banyak metode atau fungsi data 3. Bangkitkan bilangan random µik i = 1,
mining yang bisa digunakan untuk 2, ..., n; k = 1, 2, ..., c; sebagai elemen-
menemukan, menggali dan menambang elemen matriks awal U. Hitug jumlah
pengetahuan, namun menurut [3][4] ada setiap kolom (atribut) :
enam fungsi utama data mining, yaitu : 𝐶
Description (deskripsi), Estimation 𝑄𝑖 = 𝜇𝑖𝑘 2
(estimasi), Prediction (prediksi), 𝑘=1
Classification (klasifikasi), Clustering
Dengan i=1, 2, ..., n. Hitung :
(pengelompokan), dan Association
𝜇𝑖𝑘
(asosiasi). 𝜇𝑖𝑘 = (3)
Pada tahun 1981, Jim Bezdek 𝑄1
memperkenalkan untuk pertama kalinya
metode Fuzzy C-Means (FCM), salah satu 4. Dengan pusat klaster ke-k: Vkj, dengan
metode clustering yang termasuk dalam k = 1, 2, ..., c; dan j = 1, 2, ..., m
penggolongan fuzzy clustering berdasarkan
uncertainty data. Metode ini menerapkan
model pengelompokkan fuzzy agar data (4)
bisa menjadi anggota semua cluster dengan
tingkat atau derajad keanggotaan yang
berbeda yaitu 0 dan 1 yang akan 5. Hitung fungsi obyektif pada iterasi ke-t,
menentukan tingkat keberadaan data dalam Pt :
suatu cluster atau kelas FCM merupakan

(5)
6. Hitung perubahan matriks partisi :
(6)
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.
Penelitian ini bertujuan untuk
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
Tabel 1. Parameter dan Nilai Fuzzy
Parameter Nilai Fuzzy Recency
Besar 3 0 < r < 31 hr
Sedang 2 31 hr < r < 60 hr 3<f<6
Rendah 1 r > = 61 hr
Untuk penerapan metode Fuzzy C-Means
menggunakan nilai :
a. Jumlah cluster (c) = 3;
b. Pangkat/Derajat kefuzzy-an (w) = 2;
c. Maksimum iterasi (Maxter) = 10;
d. Error terkecil yang diharapkan (ᶓ)=
10-5
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.
Metode yang digunakan dalam
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
500.000 < m < 1.500.000
f>=6 m > = 1.500.000
e. Fungsi objektif awal (P0) = 0;
f. Iterasi awal (t) = 1;
4. Hasil dan Pembahasan
Pengolahan data yang dilakukan pada
penelitian berhenti pada iterasi ke-6
dengan hasil seperti ditampilkan pada Tabel 2. berikut :
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
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 faktor 5. Kesimpulan

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.
1. Cluster 1 : 8 anggota pelanggan kode
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 ( 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 (
2,863003043; 1,938097976;
2,194617752 ), memiliki nilai rata-rata
ketiga faktor yang kecil, sehingga
dapat digolongkan menjadi nasabah
yang tidak atau kurang potensial.
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.
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 and Knowledge Discovery
Handbook. 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., Rekomendasi Promosi Produk
Aplikasi Fuzzy Untuk Pendukung Berdasarkan Segmentasi Konsumen.
Keputusan, Graha Ilmu, Jakarta. Semarang. 2011.
2010 [8]. Zulkarnain. Ilmu Menjual.
[7]. Setiawan, F. H. Penerapan Fuzzy C- Yogyakarta : Graha Ilmu. 2012.
Means Dan Apriori Untuk