106 Bab 4 Perancangan Data Mining 4.1 Arsitektur Perancangan

Bab 4
Perancangan Data Mining
4.1
Arsitektur Perancangan Data Mining yang Diusulkan
Data layanan dan operasional yang berhubungan dengan pembuatan
laporan bagi pihak eksekutif diambil dan ditampung ke dalam media
penyimpanan yang besar yaitu database, sumber data yang akan digunakan
dalam proses perancangan data mining diambil dari data warehouse. Hal ini
disebabkan karena informasi yang tersimpan di dalam data warehouse, sehingga
memberikan gambaran akhir dari proses customer service operational dan data
analyst. Data yang tersimpan dalam data warehouse bersifat terpusat.
Selanjutnya data mining dibuat dari data warehouse untuk menghasilkan
laporan yang sifatnya prediktif dan klasifikasi. Data warehouse dan data mining
dibuat menggunakan analysis service yang disediakan oleh Micosoft SQL Server
2005.
Gambar 4.1 Arsitektur Perancangan Data Mining yang Diusulkan
106
107
4.2
Tahapan Dalam Proses Data Mining
4.2.1
Data Cleaning
Langkah pertama dalam metode perancangan ini adalah data
cleaning. Fungsi daripada data cleaning adalah menghapus dan
mengganti data yang tidak konsisten, namun karena perusahaan telah
menerapkan data warehouse, maka data yang digunakan adalah data
yang ada dalam data warehouse perusahaan.
4.2.2
Data Integration
Pada tahap ini dilakukan penggabungan data. Dalam tahapan ini
dibentuk skema yang berisi informasi sejumlah entity yang saling
berhubungan dalam tabel dimensi yang satu dengan tabel dimensi yang
lain, namun karena perusahaan telah menerapkan data warehouse maka
data yang digunakan adalah data yang ada dalam data warehouse
perusahaan
4.2.3
Data Selection
Pada tahap ini, dilakukan seleksi data yang ada di dalam data
warehouse yang akan digunakan dalam perancangan model data mining.
Data yang diseleksi adalah data dari hasil analisis data warehouse yang
sebelumnya sudah di jelaskan pada sub bab 3.4 data warehouse
perusahaan. Berdasarkan kebutuhan perusahaan, data yang akan diseleksi
adalah data – data yang berhubungan dengan prediksi survei dan indeks
kepuasan pelanggan.
108
4.2.4
Data Transformation
Pada tahap ini, dipilih informasi yang ada di dalam data
warehouse yang berhubungan dan akan digunakan dalam pembuatan
model data mining, yang dapat berguna bagi perusahaan dan belum
diketahui perusahaan, bahwa data yang ada dalam perusahaan dapat
diubah menjadi informasi yang sangat bermanfaat.
Model data mining dibuat dengan cara mempelajari data
perusahaan yang sudah terintegrasi dan menemukan pola yang
tersembunyi, tanpa adanya penambahan data baru ke dalam data
warehouse, maka transformasi data ini dilakukan dengan cara membuat
view dari data warehouse, yang berisi data – data yang digunakan.
Berdasarkan kebutuhan perusahaan akan penilaian customer satisfaction
dan proses survei, maka berikut ini adalah view – view yang dibentuk
untuk memenuhi kebutuhan perusahaan :
•
ViewFactKomplainPrediksiSurvey
ViewFactKomplainPrediksiSurvey merupakan view yang
dibuat dari tabel FactKomplain dan dimensi – dimensi yang
terkait.
ViewFactKomplainPrediksiSurvey
dibuat
untuk
mendukung analisis survei pelanggan dengan karakteristik
pelanggan
dan
agent
yang
berbeda
–
beda.
Dalam
ViewFactKomplainPrediksiSurvey juga terdapat analisis hari dan
waktu survei yang dianjurkan, sehingga pelanggan mempunyai
keinginan untuk disurvei. Berikut adalah SQL pembuatan
ViewFactKomplainPrediksiSurvey :
109
CREATE VIEW ViewFactKomplainPrediksiSurvey
AS
SELECT
ROW_ID=ROW_NUMBER() OVER(ORDER BY f.Periode_Key),
p.Hari, w.KategoriWaktu,
JenisKelaminCustomer=c.JenisKelamin,
KotaCustomer=c.Kota,
PendidikanCustomer=c.Pendidikan,
c.TipeLangganan,
UsiaCustomer=DATEDIFF(YEAR, c.TglLahir, p.Tgl),
KategoriUsiaCustomer=uc.KategoriUsia,
JenisKelaminCS=cs.JenisKelamin,
KategoriUsiaCS=ucs.KategoriUsia,
UsiaCS=DATEDIFF(YEAR, cs.TglLahir, p.Tgl),
f.CustomerMonthlyUsage,
f.HariPenyelesaian,
f.JedaSurvey,
s.Survey
FROM Fact_Komplain f
INNER JOIN Dim_Periode p ON f.Periode_Key=p.Periode_Key
INNER JOIN Dim_Waktu w ON f.Waktu_Key=w.Waktu_Key
INNER JOIN Dim_Customer c ON f.Customer_Key=c.Customer_Key
110
INNER
JOIN
Dim_ProfilCustomer
cp
ON
uc
ON
f.ProfilCustomer_Key=cp.ProfilCustomer_Key
INNER
JOIN
Dim_UsiaCustomer
f.UsiaCustomer_Key=uc.UsiaCustomer_Key
INNER
JOIN
Dim_LamaBerlangganan
l
ON
cs
ON
f.LamaBerlangganan_Key=l.LamaBerlangganan_Key
INNER
JOIN
Dim_CustomerService
f.CustomerService_Key=cs.CustomerService_Key
INNER JOIN Dim_UsiaCS ucs ON f.UsiaCS_Key=ucs.UsiaCS_Key
INNER JOIN Dim_MasaKerja m ON f.MasaKerja_Key=m.MasaKerja_Key
INNER
JOIN
Dim_TipeKomplain
t
ON
wp
ON
f.TipeKomplain_Key=t.TipeKomplain_Key
INNER
JOIN
Dim_WaktuPenyelesaian
f.WaktuPenyelesaian_Key=wp.WaktuPenyelesaian_Key
INNER JOIN Dim_Survey s ON f.Survey_Key=s.Survey_Key
INNER JOIN Dim_JedaSurvey j ON f.JedaSurvey_Key=j.JedaSurvey_Key
111
Tabel 4.1 Struktur Tabel View ViewFactKomplainPrediksiSurvey
Nama field
Field sumber
Tabel sumber
Keterangan
ROW_ID
ROW_NUMBER()
ViewFactKomplainPrediksiSurvey Jumlah case
Hari
Hari
Dim_Periode
Hari survei
KategoriWaktu
KategoriWaktu
Dim_Waktu
Pagi, siang, sore, malam
JenisKelaminCustomer
JenisKelamin
Dim_Customer
Jenis kelamin dari pelangganu
KotaCustomer
Kota
Dim_Customer
Kota asal pelanggan
PendidikanCustomer
Pendidikan
Dim_Customer
Pendidikan terakhir pelanggan
TipeLangganan
TipeLangganan
Dim_Customer
Tipe pembayaran dari pelanggan
UsiaCustomer
TglLahir, Tgl
Dim_Customer dan Dim_periode
Usia pelanggan
KategoriUsiaCustomer
KategoriUsia
Dim_UsiaCustomer
Kategori usia pelanggan
JenisKelaminCS
JenisKelamin
Dim_CustomerService
Jenis kelamin customer service
KategoriUsiaCS
KategoriUsia
Dim_UsiaCS
Kategori usia customer service
UsiaCS
TglLahir, Tgl
Dim_CustomerService dan
Umur customer service
Dim_Periode
CustomerMonthlyUsage CustomerMonthlyUsage Fact_Komplain
Pemakaian layanan pelanggan perbulan
HariPenyelesaian
HariPenyelesaian
Fact_Komplain
Hari penyelesaian keluhan
JedaSurvey
JedaSurvey
Fact_Komplain
Jeda survei
Survey
Survey
Fact_Komplain
Mau atau tidak disurvey
112
•
ViewFactSurveyIndeksKepuasan
ViewFactSurveyIndeksKepuasan merupakan view yang
dibuat dari FactSurvey dan dimensi – dimensi yang terkait.
ViewFactSurveyIndeksKepuasan dibuat untuk mengukur tingkat
kepuasan pelanggan akan layanan yang diberikan perusahaan
pada pelanggan. ViewFactSurveyIndeksKepuasan terdiri dari
kepuasan akses, solusi, servis, dan keramahtamahan. Berikut
adalah SQL pembuatan ViewFactKomplainPrediksiSurvey :
CREATE VIEW ViewFactSurveyIndeksKepuasan
AS
SELECT
ROW_ID=ROW_NUMBER() OVER (ORDER BY f.Periode_Key),
p.Hari,
c.Kota, c.Pendidikan, c.TipeLangganan, cp.ProfilCustomer,
l.KategoriLamaBerlangganan,
KategoriUsiaCustomer=uc.KategoriUsia,
JenisKelaminAgent=a.JenisKelamin,
KategoriUsiaAgent=ucs.KategoriUsia,
m.KategoriMasaKerja,
t.TipeKomplain,
KategoriHariJedaSurvey=j.KategoriHari,
TingkatKepuasanAkses='Kepuasan Akses='+ka.TingkatKepuasanAkses,
TingkatKepuasanSolusi='Kepuasan Solusi='+ks.TingkatKepuasanSolusi,
113
TingkatKepuasanServis='Kepuasan Servis='+kse.TingkatKepuasanServis,
TingkatKepuasanKeramahtamahan='Kepuasan
Keramahtamahan='+kk.TingkatKepuasanKeramahtamahan
FROM Fact_Survey f
INNER JOIN Dim_Periode p ON f.Periode_Key=p.Periode_Key
INNER JOIN Dim_Waktu w ON f.Waktu_Key=w.Waktu_Key
INNER JOIN Dim_Customer c ON f.Customer_Key=c.Customer_Key
INNER JOIN Dim_ProfilCustomer cp ON
f.ProfilCustomer_Key=cp.ProfilCustomer_Key
INNER JOIN Dim_UsiaCustomer uc ON
f.UsiaCustomer_Key=uc.UsiaCustomer_Key
INNER JOIN Dim_LamaBerlangganan l ON
f.LamaBerlangganan_Key=l.LamaBerlangganan_Key
INNER JOIN Dim_Agent a ON f.Agent_Key=a.Agent_Key
INNER JOIN Dim_UsiaCS ucs ON f.UsiaAgent_Key=ucs.UsiaCS_Key
INNER JOIN Dim_MasaKerja m ON f.MasaKerja_Key=m.MasaKerja_Key
INNER JOIN Dim_TipeKomplain t ON
f.TipeKomplain_Key=t.TipeKomplain_Key
INNER JOIN Dim_JedaSurvey j ON f.JedaSurvey_Key=j.JedaSurvey_Key
INNER JOIN Dim_KepuasanAkses ka ON
f.KepuasanAkses_Key=ka.KepuasanAkses_Key
INNER JOIN Dim_KepuasanSolusi ks ON
f.KepuasanSolusi_Key=ks.KepuasanSolusi_Key
114
INNER JOIN Dim_KepuasanServis kse ON
f.KepuasanServis_Key=kse.KepuasanServis_Key
INNER JOIN Dim_KepuasanKeramahtamahan kk ON
f.KepuasanKeramahtamahan_Key=kk.KepuasanKeramahtamahan_Key
115
Tabel 4.2 Struktur Tabel View ViewFactSurveyIndeksKepuasan
Nama field
ROW_ID
Field sumber
ROW_NUMBER()
Tabel sumber
Keterangan
ViewFactKomplainPrediksiSurvey Jumlah case
Hari
Hari
Dim_Periode
Hari survei
Kota
Kota
Dim_Customer
Kota pelanggan
Pendidikan
Pendidikan
Dim_Customer
Pendidikan terakhir pelanggan
TipeLangganan
TipeLangganan
Dim_Customer
Tipe pembayaran dari pelanggan
ProfilCustomer
ProfilCustomer
Dim_ProfilCustomer
Kategori pemakaian pelangan
KategoriLamaBerlangganan KategoriLamaBerlangganan Dim_lama Berlangganan
Lama pelanggan memakai produk
KategoriUsiaCustomer
KategoriUsia
Dim_UsiaCustomer
Kategori usia pelanggan
JenisKelaminAgent
JenisKelamin
Dim_Agent
Jenis kelamin agent
KategoriUsiaAgent
KategoriUsia
Dim_UsiaCS
Katgori usia agent
KategoriMasaKerja
MasaKerja
Dim_MasaKerja
Kategori masa kerja
TipeKomplain
TipeKomplain
Dim_TipeKomplain
Tipe komplain pelanggan
KategoriHariJedaSurvey
KategoriHari
Dim_JedaSurvey
Kategori jeda hari survei
TingkatKepuasanAkses
TingkatKepuasanAkses
Dim_KepuasanAkses
Tingkat kepuasan akses
TingkatKepuasanSolusi
TingkatKepuasanSolusi
Dim_KepuasanSolusi
Tingkat kepuasan solusi
TingkatKepuasanServis
TingkatKepuasanServis
Dim_KepuasanServis
Tingkat kepuasan servis
TingkatKepuasan
TingkatKepuasan
Dim_KepuasanKeramahtamahan
Tingkat kepuasan
Keramahtamahan
Keramahtamahan
keramahtamahan
116
4.2.5
Model Data Mining
Pada tahapan ini, dijelaskan mengenai proses pembuatan model
data mining, yang terdiri dari teknik – teknik data mining. Langkah
pertama yang harus dilakukan untuk membuat model data mining,
jalankan SQL Server Business Intelligence Development Studio 2008
untuk merancang model yang akan dibuat. Perancangan model ini, dapat
dilakukan dengan memilih Analysis Services Project pada menu File.
Setelah terbentuk Analysis Services Project, lanjutkan dengan
membuat Data Source, fungsi Data Source adalah sebagai sumber data
yang akan digunakan untuk melakukan analisis tren pada model data
mining. Langkah pertama yang harus dilakukan untuk membuat Data
Source adalah klik kanan pada Data Source kemudian pilih New Data
Source. Selanjutnya klik Next pada window Data Source Wizard,
kemudian pilih “Create a data source based on an existing or new
connection” dilanjutkan dengan memilih server dan jenis autentikasinya,
setelah itu pilih database yang mau dimasukan, setelah selesai klik Test
Connection untuk mengetahui apakah koneksi ke server berhasil. Bila
berhasil, tekan OK, kemudian klik Finish.
Apabila Data Source sudah terbentuk, kemudian dilanjutkan
dengan membuat Data Source View, fungsi dari Data Source View adalah
menampilkan relation dari data – data yang terdapat pada Data Source.
Langkah pertama yang harus dilakukan pada saat membuat Data Source
View adalah klik kanan pada Data Source View kemudian akan muncul
window Data Source View Wizard. Klik Next sebanyak tiga kali,
117
kemudian pilih view yang akan menjadi sumber data dari model data
mining yang akan dibuat. Klik nama view yang dibuat, kemudian klik “>”
atau “>>” untuk menambah view ke daftar objek yang akan digunakan
sebagai sumber data model. Kemudian, klik Next dan beri nama Data
Source View yang dibuat. Terakhir, klik Finish.
Setelah itu, rancangan model data mining dapat dibuat. Langkah
pertama yang harus dilakukan adalah klik kanan Mining Structure dan
pilih New Mining Structure. Kemudian, akan muncul window Data
Mining Wizard. Klik Next kemudian pilih “From existing relational
database or data warehouse” dan klik Next. Kemudian, pilih algoritma
yang akan digunakan dalam membuat model data mining, selanjutnya
klik Next. Berikut ini adalah tampilan untuk memilih algoritma yang akan
dipakai dalam membuat proses model data mining :
Gambar 4.2 Window Memilih Teknik Data Mining
118
Selanjutnya , pilih Data Source View yang akan digunakan
sebagai sumber data dari model data mining yang akan dibuat dan klik
Next.
Gambar 4.3 Window Memilih Data Source View
Selanjutnya, pilih tabel input yang terdiri dari : case tabel, nested
table, atau case table dan nested table. Hal ini tergantung dari algoritma
yang digunakan dan tujuan dari pembuatan data mining tersebut.
119
Gambar 4.4 Window Memilih Tipe Tabel
Langkah selanjutnya adalah menentukan atribut dari tabel yang
digunakan sebagai atribut input, atribut yang diprediksi, atau atribut key.
Mengenai berapa banyak atribut yang dapat digunakan sebagai atribut
input, atribut yang diprediksi, atau atribut key, tergantung dari algoritma
yang digunakan. Misalnya, algoritma Time Series membutuhkan dua
buah key, satu sebagai key time, dan satunya lagi sebagai key biasa.
Sedangkan, algoritma Clustering tidak memiliki atribut yang diprediksi.
Terdapat button Suggest pada saat memilih key, input, dan predict,
120
Suggest berfungsi untuk membantu menentukan atribut mana yang akan
dijadikan atribut input.
Gambar 4.5 Window Spesifikasi Data Training
Setelah klik Next, selanjutnya memilih tipe data dari atribut yang
sudah di input. Secara otomatis, tipe data yang ditampilkan adalah tipe
data atribut yang ada dalam database. Tipe data ini perlu diubah sesuai
dengan algoritma yang digunakan karena ada beberapa algoritma data
121
mining yang tidak mendukung semua tipe data yang ada. Misalnya,
algoritma Naïve Bayes tidak mendukung tipe data yang bersifat
continuous seperti Long atau Double sehingga perlu mengubah tipe data
bersifat continuous tadi ke tipe data yang bersifat discrete.
Gambar 4.6 Window Penentuan Tipe Data
122
Setelah tipe data sesuai dengan algoritma yang digunakan, klik
Next. Selanjutnya beri nama mining structure yang baru dibuat dan nama
model data mining yang baru dibuat. Kemudian, klik Finish dan model
data mining telah selesai dibuat.
Gambar 4.7 Window Penamaan Mining Structure dan Mining Model
Agar model data mining tersebut dapat digunakan, model tersebut
harus di-deploy ke dalam database Analysis Service yang terletak di
123
server. Langkah yang harus dilakukan adalah klik menu Build kemudian
pilih Deploy Model
Gambar 4.8 Window Mining Structure Design
4.2.6
Pattern Evaluation
Setelah perancangan data mining struktur maka tahapan
selanjutnya adalah mengidentifikasi pola – pola yang terdapat dalam
struktur data mining yang telah dibuat beserta algoritma yang sudah di
hubungkan dengan struktur yang sudah terbentuk. Data mining dapat
menemukan bermacam - macam pola yang terdapat dalam berbagai tipe
data. Tahapan ini akan merepresentasikan pola – pola yang dapat
dihasilkan oleh data mining yang telah terbentuk.
124
4.2.6.1 Mining Model Prediksi Keinginan untuk Disurvei
Mining model ini menggunakan teknik neural network. Mining
model prediksi keinginan untuk disurvei mengambil data dari tabel
ViewFactKomplainPrediksiSurvei dengan atribut sebagai berikut :
Gambar 4.9 Atribut Prediksi Keinginan untuk Disurvei
Hari, jeda survei, jenis kelamin cs, jenis kelamin customer,
kategori usia customer, kategori waktu dan kota customer digunakan
sebagai input untuk memprediksi keinginan untuk disurvei. Dari mining
model
prediksi
keinginan
untuk
disurvei
para
manajer
dapat
memperkirakan keinginan pelanggan untuk disurvei dari berbagai atribut
di atas. Berikut ini contoh mining yang dapat dihasilkan dari mining
model prediksi keinginan untuk disurvei :
125
Gambar 4.10 Hasil Mining Model Prediksi Keinginan untuk Disurvei
Dari hasil yang didapat di atas dapat disimpulkan bahwa waktu
yang paling baik untuk melakukan survei di Jakarta Barat pada hari Senin
adalah pada malam hari, disusul dengan siang hari. Sedangkan waktu
yang paling buruk adalah pada pagi hari. Jeda survei yang paling disukai
adalah lima sampai tujuh hari setelah komplain yang dilayangkan. Usia
pelanggan yang paling mudah untuk disurvei rata-rata diatas 40 tahun
atau kurang dari 25 tahun. Sedangkan untuk jenis kelamin customer
service tidak terlalu berpengaruh terhadap minat pelanggan untuk
disurvei. Dengan analisis data mining tersebut para agent maupun
manajer dapat memfokuskan target surveinya ke pelanggan yang
126
memang memiliki kecenderungan untuk disurvei sehingga membuat
proses survei jadi lebih mudah.
4.2.6.2 Mining Model Korelasi Profil Customer Terhadap Minat
Disurvei
Mining model korelasi profil customer terhadap minat disurvei
menggunakan teknik association rules. Mining model ini memprediksi
hubungan antara profil pelanggan terhadap minat mereka untuk disurvei.
Dalam
mining
model
ini
kami
hasilkan
dari
tabel
ViewFactKomplainPrediksiSurvey dengan atribut sebagai berikut :
Gambar 4.11 Atribut Korelasi Profil Customer Terhadap Minat Disurvei
Kami menggunakan customer monthly usage, hari, jenis kelamin
CS, jenis kelamin customer, kategori usia CS, dan kategori usia customer
127
sebagai input untuk memprediksi survei minat pelanggan. Berikut hasil
dari mining model korelasi profil customer terhadap minat disurvei :
Gambar 4.12 Hasil Korelasi Terkuat
Gambar 4.13 Hasil Semua Korelasi
128
Dari hasil mining model korelasi profil customer terhadap minat
disurvei dapat disimpulkan bahwa kebanyakan pelanggan dengan profil
apapun kemungkinan akan menolak untuk disurvei pada hari senin dan
hari sabtu. Lalu pelanggan yang berminat untuk disurvei umumnya
memiliku usia 25-30 tahun dan hari yang paling baik untuk diadakan
survei adalah hari minggu. Dengan hasil diatas para agent dapat
menyusun rencana survei maupun mengambil data pelanggan yang
memiliki kecenderungan untuk menerima survei sehingga dapat
membantu dalam proses survei.
4.2.6.3Mining Model Segmentasi Pelanggan
Mining model segmentasi pelanggan ini menggunakan teknik
clustering. Pada mining model segmentasi pelanggan, para agent dapat
melihat pembagian profil pelanggan. mining model segmentasi pelanggan
ini mengambil data dari tabel ViewFactSurveyIndeksKepuasan dengan
atributnya sebagai berikut :
129
Gambar 4.14 Atribut Segmentasi Pelanggan
Jenis kelamin customer, kategori lama berlangganan, usia
customer, kota, dan pendidikan di input untuk menghasilkan segmentasi
pelanggan. pada mining model ini dapat dihasilkan informasi sebagai
berikut :
Gambar 4.15 Hasil Cluster Diagram
130
Gambar 4.16 Hasil Cluster Profile
Gambar 4.17 Hasil Cluster Characteristic
Berdasarkan data yang kami gunakan, kebanyakan pelanggan PT.
XL Axiata Tbk., umumnya berjenis kelamin laki-laki dengan lama
berlangganan tidak lebih dari tiga bulan. Pelanggan PT. XL Axiata Tbk.,
umumnya memiliki jenjang pendidikan D3-S1 dan berumur kurang dari
dua puluh lima tahun. Lalu umumnya pelanggan PT. XL Axiata Tbk.,
sudah puas dengan solusi dan keramah-tamahan customer service, akses
131
layanan dan servis yang diberikan oleh PT. XL Axiata Tbk. Dengan
tersedianya informasi tersebut diharapkan dapat mempermudah pihak
manajemen PT. XL Axiata Tbk., untuk mengukur tingkat kepuasan dan
juga segmentasi pelanggannya. Salah satu hasil mining model ini yang
dapat digunakan oleh pihak manajemen adalah hasil perhitungan umur
pelanggan. Dengan mengetahui bahwa kebanyakan pelanggannya
memiliki usia antara 25-40 tahun maka dapat disimpulkan bahwa
kebanyakan pelanggannya adalah kalangan pekerja yang banyak
menggunakan akses telepon maupun akses internet. Dengan tersedianya
informasi tersebut sekiranya pihak manajer dapat menyusun layanan yang
lebih cocok digunakan untuk kalangan tersebut.
4.2.6.4 Mining Model Kepuasan Solusi
Mining model kepuasan solusi dihasilkan dari hasil survei ke
pelanggan oleh para agent. Tugas mining model ini adalah mengukur
kepuasan atas solusi yang diberikan oleh customer service terhadap
keluhan yang dilayangkan oleh pelanggan. Mining model kepuasan solusi
kami hasilkan dari ViewFactIndeksKepuasan dengan teknik neural
network. Kepuasan solusi
akan diukur dari beberapa atribut seperti
pemakaian pelanggan perbulan, jeda survei,atau tipe komplain yang
dilayangkan.
132
Gambar 4.18 Atribut Mining Model Kepuasan Solusi
Customer
monthly
usage,
jeda
survey,
kategori
lama
berlangganan, dan tipe komplain adalah input yang kami gunakan untuk
memprediksi tingkat kepuasan solusi ke pelanggan. Hasil yang kami
dapatkan dari mining model tingkat kepuasan solusi antara lain sebagai
berikut :
133
Gambar 4.19 Hasil Mining Model Kepuasan Solusi
Dari mining model diatas dapat disimpulkan bahwa kebanyakan
pelanggan PT. XL Axiata Tbk., sangat puas dengan solusi yang diberikan
customer service tentang komplain yang berkaitan tentang content,
internet, dan activation. Sedangkan untuk solusi yang berkaitan dengan
Blackberry dan network masih banyak pelanggan yang merasa belum
puas. Lalu untuk pemakaian perbulan, umumnya pelanggan yang jumlah
pemakaiannya antara Rp.139.000-Rp.200.000 merasa sangat puas dengan
solusi yang diberikan oleh customer service. Dengan informasi diatas
para manajer dapat mengambil kesimpulan bahwa masih banyak
customer service yang belum menguasai solusi yang berkaitan dengan
Blackberry dan network sehingga pada pelatihan untuk customer service,
solusi mengenai Blackberry dan network harus lebih diperjelas.
134
4.2.6.5 Mining Model Kepuasan Akses
Untuk mining model kepuasan akses, sama dengan model
kepuasan sebelumnya kami menggunakan metode Neural network dan
dihasilkan dari ViewFactIndeksKepuasan. Pada mining model kepuasan
akses kami menekankan pada tingkat kepuasan pelanggan mengenai
koneksi ke layanan 817 atau customer service PT. XL Axiata Tbk.
Gambar 4.20 Atribut Mining Model Kepuasan Akses
Pada mining model kepuasan akses kami menggunakan hari,
kategori lama berlangganan, kategori waktu, kota, tipe layanan dan tipe
komplain. Dengan mining model kepuasan akses ini kami dapat
memprediksi kapan waktu yang paling padat dilihat dari tingkat kepuasan
akses ataupun informasi lain yang berhubungan. Berikut ini hasil dari
mining model kepuasan akses :
135
Gamber 4.21 Hasil Mining Model Kepuasan Akses
Gambar 4.21 menunjukkan hasil mining model kepuasan akses
dengan case : kota Jakarta Pusat, hari Sabtu, kategori waktu : sore hari,
tipe langganan pascabayar dan lama berlangganan 6-12 bulan. Dari hasil
mining model diatas dapat dilihat untuk pelanggan dengan tipe komplain
network problem, activation, dan content tingkat kepuasannya sangat
puas. Dari contoh hasil mining model kepuasan akses diatas manajer
dapat mengalokasikan lebih banyak customer service untuk menangani
komplain mengenai blackberry dan internet untuk meningkatkan
kepuasan akses pelanggan ke layanan customer service 817.
136
4.2.6.6 Mining Model Kepuasan Keramahtamahan
Mining
model
kepuasan
keramahtamahan
dihasilkan
dari
ViewFactIndeksKepuasan dengan menggunakan teknik neural network.
Mining model kepuasan keramahtamahan bertujuan untuk mengukur
tingkat keramah-tamahan customer service. Mining model kepuasan
keramahtamahan ini memiliki beberapa atribut yang dapat dilihat
dibawah ini:
Gambar 4.22 Atribut Mining Model Kepuasan Keramahtamahan
Kami menggunakan customer monthly usage, jeda survey,
kategori lama berlangganan, dan tipe komplain untuk memprediksi
tingkat kepuasan keramahtamahan. Pada mining model ini kami
mendapatkan hasil sebagai berikut :
137
Gambar 4.23 Hasil Mining Model Kepuasan Keramahtamahan
Dari hasil diatas dapat disimpulkan bahwa berdasarkan data yang
kami gunakan, dari hasil survei yang dilakukan oleh para agent, banyak
pelanggan PT. XL Axiata Tbk., mengeluhkan tentang tingkat keramahan
dari customer service yang menangani keluhan tentang blackberry dan
network. Sedangkan untuk masalah internet, activation, dan content
tingkat keramahannya sudah cukup baik. Dan untuk pelanggan yang
sudah berlangganan lebih dari 24 bulan, mereka juga merasa tingkat
keramah-tamahan dari customer service itu kurang. Hal ini harus
diperhatikan oleh pihak manajer untuk mencegah hilangnya pelangganpelanggan setia yang telah lama menggunakan jasa PT. XL Axiata Tbk.
Salah satu tindakan yang dapat diambil oleh manajer contohnya,
mengirimkan sms selamat ulang tahun dari sms centre kepada pelanggan
setia yang sedang kebetulan merayakan ulang tahunnya atau memberikan
138
bonus-bonus yang diperuntukkan khusus untuk pelanggan yang telah
lama menggunakan layanan XL.
4.2.6.7 Mining Model Kepuasan Servis
Mining model ini dihasilkan dengan teknik neural network dari
data yang berasal dari ViewFactKomplainPrediksiSurvey. Tugas mining
model ini adalah mengukur kepuasan servis XL kepada pelanggan dari
beberapa kategori seperti pemakaian pelanggan perbulan, jeda survei,atau
tipe komplain yang dilayangkan.
Gambar 4.24 Atribut Mining Model Kepuasan Servis
Customer
monthly
usage,
jeda
survey,
kategori
lama
berlangganan, dan tipe komplain adalah input yang kami gunakan untuk
memprediksi tingkat kepuasan servis ke pelanggan. Hasil yang kami
dapatkan dari mining model tingkat kepuasan servis antara lain sebagai
berikut :
139
Gambar 4.25 Hasil Mining Model Kepuasan Servis
Dari mining model diatas dapat kami simpulkan bahwa
kebanyakan pelanggan PT. XL Axiata Tbk tidak puas terhadap servis
activation dan content. Namun para pengguna Blackberry dan pelanggan
lain sangat puas dengan servis yang dimiliki oleh PT. XL Axiata Tbk.
Lalu jeda survei yang paling disukai oleh pelanggan adalah 6-8 hari atau
1-2 hari setelah komplain dilayangkan. Dari hasil mining model diatas
sekiranya pihak manajer dapat melihat sektor yang kurang memuaskan
bagi pelanggan dan dapat melakukan evaluasi mengenai servis yang ada
di PT. XL Axiata.
140
4.2.7
Knowledge Presentation
Visualisasi dan teknik representasi pengetahuan digunakan untuk
menyajikan pengetahuan yang telah diolah untuk pengguna.
4.2.7.1 Rancangan Layar
Gambar 4.26 Rancangan Layar Login
Pada saat aplikasi dijalankan, terlebih dahulu user akan diminta
untuk login. Pada layar login user harus memasukan username dan
password yang telah dibuat sebelumnya. Password encryption pada layar
login berupa *. Setelah memasukkan username dan password user harus
mengklik tombol login untuk masuk dalam program. Tombol database
config berfungsi untuk menampilkan database yang akan dipakai sebagai
sumber data yang akan digunakan. Tombol exit digunakan untuk
membatalkan login dan keluar dari program.
141
Gambar 4.27 Rancangan Layar User List
Rancangan layar user list berfungsi untuk menampilkan user yang
sudah terdaftar pada aplikasi data mining XL centre. Terdapat tombol edit
pada layar ini, fungsi daripada tombol edit tersebut untuk mengubah user
yang sudah terdaftar dalam user list. Tombol delete berfungsi untuk
menghapus data user yang sudah tersimpan pada user list. Tombol new
berfungsi untuk menambah user baru.
142
Gambar 4.28 Rancangan Layar Input User
Rancangan layar input user berfungsi untuk input user baru yang
akan menggunakan aplikasi data mining XL centre. Setelah memasukan
user ID baru dan password, data akan tersimpan di dalam user list.
Gambar 4.29 Rancangan Layar Connect Database
Layar connect database berfungsi untuk menghubungkan
database yang akan digunakan pada analisis data mining. Tombol test
berfungsi untuk menguji apakah database sudah terhubung atau belum.
143
Gambar 4.30 Rancangan Layar Utama
Tampilan layar ini berfungsi untuk menampilkan system,
transaction, masterfiles, reports, dan help. Tampilan layar ini, adalah
tampilan layar utama pada aplikasi data mining XL centre.
Mining Model
Model Viewer
Connect
Model
Gambar 4.31 Rancangan Layar Mining Model Viewer
Tampilan layar ini berfungsi untuk menampilkan mining model
yang ingin dilihat oleh user. Pada tampilan ini terdapat combo box berisi
mining model yang bersangkutan untuk dianalisis. Sedangkan, tombol
144
connect berfungsi untuk menghubungkan database dengan mining model
yang sudah dipilih.
Gambar 4.32 Rancangan Layar Mining Model Rules
Tampilan layar mining model rules berfungsi untuk menampilkan
mining model rules. Pada layar ini, terdapat probabilitas yang dapat
diinput oleh user untuk mengetahui prediksi yang ingin ditampilkan.
Gambar 4.33 Rancangan Layar Mining Model Itemset
145
Tampilan layar mining model itemset menampilkan mining model
itemset yang terdiri dari barisan data, dan menampilkan prediksi yang
berupa penjelasan singkat.
Gambar 4.34 Rancangan Layar Mining Model Dependency Network
Tampilan layar ini, menampilkan mining model dependency
network. Layar ini menampilkan hubungan atau keterkaitan antara data
yang satu dengan data yang lain. Terdapat scroll di sebelah kiri layar,
yang berfungsi untuk mengukur tingkat keterkaitan yang paling kuat dan
paling lemah.
Gambar 4.35 Rancangan Layar Mining Model Neural Network
146
Tampilan layar mining model neural network, menggambarkan
prediksi yang berupa chart. Terdapat output attribute berupa combo box
yang berfungsi untuk memasukan atribut – atribut yang ingin diprediksi
Gambar 4.36 Rancangan Layar Mining Model Cluster Diagram
Tampilan layar mining model cluster diagram, menggambarkan
akan keterkaitan atribut yang saling berhubungan. Tampilan clustering
dalam layar ini dapat dilihat dalam empat tampilan berbeda, yaitu cluster
diagram, cluster profile, cluster characteristic, dan cluster discrimination
Terdapat scroll di sebelah kiri layar, yang berfungsi untuk mengukur
tingkat keterkaitan antara cluster yang satu dengan yang lain. Semakin
tinggi tingkat keterkaitannya, maka hubungan cluster tersebut semakin
kuat dan jelas.
147
Gambar 4.37 Rancangan Layar Mining Model Clustering Profile
Tampilan layar mining model clustering profile, menggambarkan
tingkat atribut dengan diagram batang. Tampilan clustering dalam layar
ini dapat dilihat dalam empat tampilan berbeda, yaitu cluster diagram,
cluster profile, cluster characteristic, dan cluster discrimination.
Gambar 4.38 Rancangan Layar Mining Model Cluster Characteristic
Tampilan layar mining model cluster characteristic,
menggambarkan atribut yang terkait berupa chart yang terdapat prediksi
– prediksi di dalamnya. Tampilan clustering dalam layar ini dapat dilihat
148
dalam empat tampilan berbeda, yaitu cluster diagram, cluster profile,
cluster characteristic, dan cluster discrimination.
Gambar 4.39 Rancangan Layar Mining Model Cluster Discrimination
Tampilan layar mining model cluster discrimination
menggambarkan atribut dalam bentuk chart, namun terdapat dua hasil
output yang berbeda. Tampilan clustering dalam layar ini dapat dilihat
dalam empat tampilan berbeda, yaitu cluster diagram, cluster profile,
cluster characteristic, dan cluster discrimination.
149
4.2.7.2 Navigation Diagram
Berikut ini adalah navigation diagram yang menggambarkan struktur alur aplikasi
Gambar 4.40 Navigation Diagram
150
4.3
Implementation Plan
Tabel 4.3 Implementation Plan
Bulan
No
1
Kegiatan
1
1. Pengadaan hardware, jaringan, dan
software
2. Training
2
2
3
1
2
3
4