CRM Based on Data Mining

in E – Commerce for
Enhancing Profitability
Ananda Fauzia Sabban
01 03
INTRODUCTION METHODOLOGY
02 LITERATURE 04 EPECTED RESULT
REVIEW
05 CONCLUSION
Perkembangan teknologi sekarang ini sangat berkembang pesat, hal ini
juga diikuti oleh perkembangan e - commerce yang ada di Indonesia.
Menurut data dari Badan Sensus Statistika, Indonesia e – commerce
industry di sepuluh tahun terakhir meningkat hingga 17 %.

INTRODUCTION
Dengan adanya persaingan antar e –commerce yang ada, maka perlu
adanya hubungan antara manusia dan teknologi untuk menjaga dan
mengatur hubungan tersebut, disebut Customer Relationship
Management . Data dari CRM akan diolah menggunakan data mining
untuk menentukan struktur serta pola dari data tersebut. Dengan
mengetahui pola pembelian dari pelanggan, perusahaan akan mudah
untuk mendesain strategi pasar untuk meningkatkan profit perusahaan.
Customer Relationship Management

CRM merupakan strategi untuk mengoptimalkan nilai umur pelanggan dengan

LITERATURE REVIEW
mengetahui lebih banyak tentang informasi pelanggan dan berinteraksi dengan
pelanggan secara intensif (Todman, 2001). Secara umum, manajemen hubungan
pelanggan memiliki tugas-tugas yang harus dipertimbangkan: memperoleh
pelanggan baru, menyenangkan pelanggan, serta menjaga pelanggan.

Data Mining

Data mining adalah proses mencari pola yang menarik dan tersembunyi dari
kumpulan data besar yang disimpan dalam database, data warehouse atau area
penyimpanan data lainnya. Data akan diolah menjadi informasi. Informasi ini diolah
dengan teknik data mining yang dapat digunakan untuk memisahkan pelanggan,
membuat prediksi dan rencana masa depan sehingga perusahaan mengetahui
kebutuhan pelanggannya. Secara umum, proses data mining mencakup 5 langkah
dasar: data selection, data transformation, data mining, result interpretation and
validation, dan incorporation of the discovered knowledge.
 Data Types and Data
Sources
Data yang diperoleh untuk future
research ini menggunakan data Metode ini menggabungkan

METHODOLOGY
sekunder. Future research ini juga term frequency dan inverse
menggunakan metode kualitatif. document frequency.

Method of Processing
Data
Weighting Term Frequency
Inverse Document Frequency
(TF – IDF)
Normalization
Hasil dari metode Tf – IDF
dinormalisasikan
menggunakan the euclidean
normaliation method

Metode TF – IDF digunakan

untuk mengubah data menjadi
data numerik.
K – Means

Dalam clustering, pengkategorian data yang

memiliki karakteristik yang sama atau mirip
ke dalam satu cluster atau grup
menggunakan metode k - means.
a. K-means dimulai dengan
menginisialisasi pusat cluster.
b. Setiap bit data akan dimasukkan ke
dalam cluster yang tersedia sesuai
dengan kedekatannya dengan pusat
cluster.
c. Langkah selanjutnya adalah
menghitung rata-rata setiap cluster
untuk memperbarui pusat cluster.
d. Pembaruan terjadi sebagai akibat dari
perubahan dalam kategori cluster.
e. Proses ini berulang sampai cluster tidak
berubah.
 DATA
WAREHOUSE

TARGET
DATABASE

RESULT
CLEANSED
DATA

PATTERN PATTERN
ANALYSIS ANALYSIS

KNOWLEDGE
Pada data selection, data akan dipilih berdasarkan
kerelevanan data terhadap pertanyaan yang
ditanya. Pemilihan data ini harus dipilih dengan
pikiran terbuka, tidak terbatas dengan hipotesis
yang ada . Perusahaan, biasanya, akan
menggunakan data warehouse untuk mendapatkan
relevan data.

Proses selanjutnya adalah data pre – processing.

Data transformation akan terjadi pada proses ini.
data akan diberishkan dengan mengeliminasi data
yang tidak diinginkan. Pada data transformastion,
diperlukan konversi data menjadi data numerik
menggunakan metode TF – IDF. Kemudian, hasil
akan dinormalisasikan.
Proses selanjutnya adalah data mining. Proses data
mining yang digunakan adalah clustering.teknik
clustering yang digunakan adalah K – Means. Data
akan dikonversikan menjadi data numerik dan
dikelompokkan menjadi beberapa clusters. Hasil
dari data mining akan dianalisis polanya untuk
menentukan strategy desain pasar.

9
Data Mining dan CRM menekankan hal-hal yang
berbeda. CRM adalah tentang mendapatkan dan
mempertahankan pelanggan, juga meningkatkan
loyalitas pelanggan dan menerapkan strategi yang
berfokus pada pelanggan. Untuk menjaga hubungan

CONCLUSION
yang benar dengan pelanggan yang perlu
mengumpulkan data dan informasi.

Data mining berpera secara efektif mencari

10
pelanggan potensial, tren pasar menggunakan
perangkat lunak, metode, dan teknik. Dengan hasil
data mining yang didapat, akan memudahkan para
pengambil keputusan untuk menganalisis pola
pembelian pelanggan sehingga dapat memprediksi
pembelian pelanggan. Jadi, sebenarnya data mining
dan CRM memiliki tujuan akhir yang sama, yaitu
menemukan apa yang dibutuhkan konsumen,
kepuasan dan loyalitas pelanggan serta keuntungan.
Abdullah, A S., A Atthariq., and J. Rejito 2019, Application of Text Mining Employing K – Means
Algorithms For Clustering Tweets of Tokopedia, Applied IOP Publishing, Universitas
Padjajaran, seen 13 January 2021, < https://iopscience.iop.org/article/10.1088/1742-
6596/1722/1/012019/pdf>.
Ibrahim, Mohammad., Muesser Nat., Mustapha Ismail., and Zayyan Sanusi 2015, Data Mining
in Electronic Commerce: Benefits and Challenges, Applied Scientific Research Publishing,

REFERENCES
Cyprus International University, seen 11 January 2021, <
https://www.scirp.org/pdf/IJCNS_2015122810374895.pdf>.
Feelders, A., H, Daniels., and M. Holsheimer 1999, Methodological and Practical Aspects of
Data Mining, Applied Elsivier, Tilburg University, seen 23 January 2021,
<www.elsevier.com/locate/dsw>.
Rahman, Abdur., M. N. A. Khan 2017, An Assessment of Data Mining Based CRM Techniques
for Enhancing Profitability, Applied Modern Education and Computer Science, Shaheed
Zulfikar Ali Bhutto Institute of Science and Technology, seen 17 January 2021,
<http://www.mecs-press.net/ijeme>.
Sadath, Lipsa 2013, Data Mining in E – Commerce: A CRM Platform, International Journall of
Computer Applications, Muscat College, seen 11 January 2021, <
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.403.9947&rep=rep1&type=pd>.