Customer relationship management untuk penetapan strategi

VI.
IMPLEMENTASI MODEL CRM
Tahapan implementasi Model CRM ini terdiri dari dua bagian yaitu transformasi desain dan
evaluasi sistem. Transformasi desain menjelaskan piranti lunak yang digunakan untuk
mentransformasikan hasil rancangan model CRM menjadi suatu model PSP 1.0 yang nyata.
Sedangkan tahap evaluasi sistem adalah tahap untuk melakukan verifikasi dan validasi sistem.
Tahap verifikasi dilakukan dengan cara pengujian keluaran paket program dan pelacakan
kesalahan sistem (testing and debuging). Dan tahap validasi dilakukan dengan cara
membandingkan data pada periode selanjutnya dari data penelitian dengan hasil data yang telah
diolah, sehingga hasil dari validasi dapat disimpulkan. Metode validasi sitem yang digunakan
adalah metode face validity.
6.1
Transformasi Design
PSP 1.0 menggunakan bahasa pemograman Pascal yang terintegrasi dalam perangkat lunak
Borland Delphi 7 (Borland, 2002) sebagai desain Graphic User Interface. Manajemen basis data
pada PSP 1.0 ada dua jenis, yaitu basis data lokal (local database) dan basis data online (online
database) sehingga PSP 1.0 memungkinkan diintegrasikan dengan perangkat lunak berbasis web
(web based application). Manajemen basis data lokal yang digunakan adalah Microsoft Acces
2007 (Microsoft, 2007) dengan koneksi yang digunakan adalah activeX data object (ADO).
Sedangkan manajemen basis data online yang digunakan adalah MySQL (Oracle, 2011) dengan
koneksi yang digunakan adalah open database connection (ODBC). Manajemen basis data pada
PSP 1.0 digunakan basis data lokal (local database). Manajemen basis data lokal yang digunakan
adalah Microsoft Acces 2007 (Microsoft, 2007) dengan koneksi yang digunakan adalah activeX
data object (ADO). Semua perangkat lunak yang digunakan tersebut dijalankan pada sebuah
perangkat komputer notebook dengan spesifikasi, prosesor Intel Centrino, memori RAM 1GB.
Kapasitas hardisk 160 GB.
6.2
Penetapan Strategi Penjualan Menggunakan Nilai-Nilai Association
Rules Mining (Support, Confidence, Improvement) dan Analisis RFM
(Recency, Frequency, Monetary).
Penetapan strategi penjualan dilakukan berdasarkan tiga indikator diatas yaitu nilai support,
nilai confidence dan nilai improvement dari rules hasil analisis frekuent item set serta dilakukan
juga penetapan strategi penjualan dengan menggunakan analisis RFM yang telah diolah dari data
transaksi penjualan pada bulan May 2010. Hasil dari analisis RFM dapat dilihat pada lampiran 1.
Tabulasi Hasil Analisis RFM (Recency, Frequency, Monetary).
penjualan adalah sebagai berikut:
1.
Tahapan penetapan strategi
Menurut (Adhitama,2010), produk dengan nilai support terbesar dapat dijual secara bundling
(paket) dengan produk dengan nilai support terkecil. Hal ini dilakukan agar produk yang
paling dominan dibeli dapat membantu meningkatkan dominasi produk yang paling tidak
dominan dan antara produk tersebut dapat saling melengkapi. Pada penelitian ini nilai support
terbesar adalah pada produk B dan nilai support terkecil terdapat pada produk A, N, dan P
sehingga dapat ditetapkan bahwa produk B akan dapat dijual bersamaan dengan produk A,
33
atau produk N, atau produk P. Melalui analisis RFM dengan mengacu pada lampiran 1. Tabel
hasil analisis RFM, strategi ini sebaiknya dijual pada customer dengan nilai binning frekuensi
dan recency tertinggi (binning 5) yaitu pada CV. Laju Jaya, PT. Candra Buana Mandiri, CV.
Sinar Rejeki Jaya, PT. Linda Hanta Wijaya, PT Arviapratama Tiara, PT Salawati Motorindo,
PT. Karaya Suka Abadi Padang, PT Putra Andalas Nusantara. Dengan begitu, diharapkan
paket bundle dapat terjual semaksimal mungkin karena ditujukan untuk customer yang paling
sering melakukan penjualan dengan frekuensi besar dan bersifat loyal pada perusahaan. Dan
dalam hal monetary, strategi ini sebaiknya ditujukan untuk customer CV. Sinar Rejeki Jaya,
PT. Centradist Partsindo Utama, CV Laju Jaya, PT. Christa Karya Mandiri. Hal ini karena
customer tersebut dinilai paling banyak membeli produk B. Acuan untuk menetapkan strategi
penjualan tahap ini dapat dilihat pada Tabel 2.
2.
Rules yang memiliki nilai terbesar dari hasil perkalian antara nilai support dan nilai
confidence dapat dijadikan untuk penetapan strategi penjualan cross-selling (Novrina,2010).
Pada penelitian ini rules yang memiliki nilai tebesar terbesar dari hasil perkalian antara nilai
support dan nilai confidence adalah rules If Buy B Then Buy D. Dalam Analisis RFM, strategi
penjualan ini ditujukan untuk customer yang memiliki nilai frekuensi tertinggi yaitu CV. Laju
Jaya, PT. Candra Buana Mandiri, CV. Sinar Rejeki Jaya, PT. Linda Hanta Wijaya , PT
Arviapratama Tiara, PT Salawati Motorindo, PT. Karaya Suka Abadi Padang, PT Putra
Andalas Nusantara. Hal ini dilakukan karena produk yang memiliki nilai perkalian support
dan confidence tertinggi adalah produk yang paling digemari oleh customer sehingga sangat
tepat jika dijual pada customer yang melakukan penjualan dalam frekuensi besar dan bersifat
loyal pada perusahaan. Strategi ini juga sangat tepat ditujukan untuk CV. Laju Jaya karena
customer CV. Laju Jaya yang melakukan pembelian B dan D secara bersamaan dengan
monetary tertinggi. Acuan untuk menetapkan strategi penjualan tahap ini dapat dilihat pada
Tabel 3.
Tabel 2. Penetapan Strategi Penjualan 1
Result of Calculating of Support Score
Product
Support
Product A
0.01
Product B
0.55
Product C
0.42
Product D
0.51
Product E
0.11
Product F
0.48
Product G
0.48
Product H
0.48
Product I
0.51
Product J
0.50
Product K
0.04
Product L
0.12
Product M
0.07
Product N
0.01
Product O
0.16
Product P
0.01
34
Tabel 3. Penetapan Strategi Penjualan 2
If Antecedent then
Consequent
If Buy B Then Buy J
If Buy B Then Buy H
If Buy B Then Buy G
If Buy B Then Buy D
If Buy B Then Buy F
If Buy B Then Buy I
If Buy D Then Buy F
If Buy D Then Buy G
If Buy D Then Buy I
If Buy F Then Buy H
If Buy G Then Buy I
If Buy H Then Buy I
If Buy H Then Buy J
If Buy I Then Buy J
Score of Support X
Confidence
0.1383
0.1418
0.1372
0.1817
0.1441
0.1303
0.1300
0.1371
0.1329
0.1382
0.1315
0.1301
0.1289
0.1285
3.
Penetapan strategi pemasaran dapat dilakukan dengan melihat nilai nominal cross-selling
dari strategi penjualan yang akan dilakukan (Tsiptsis dan Chorianopoulos, 2009).
Semakin besar nilai cross selling pada suatu rules maka akan semakin meningkatkan
revenue perusahaan serta dapat semakin meningkatkan pelayanan CRM pada customer.
Pada umumnya rules yang dihasilkan pada penelitian ini merupakan rules yang memiliki
nilai cross-selling yang cukup signifikan artinya perbedaan nilai antar produk yang ada
pada rules sangat signifikan sehingga hal ini dinilai dapat semakin melengkapi antara
produk yang memiliki nilai yang relatif rendah dengan produk yang memiliki nilai relatif
tinggi. Strategi ini sebaiknya ditujukan untuk customer yang juga memiliki ukuran
binning recency dan frequency tertinggi agar customer tersebut dapat melakukan
pembelian pada strategi ini dalam jumlah banyak dan maksimal yaitu pada customer CV.
Laju Jaya, PT. Candra Buana Mandiri, CV. Sinar Rejeki Jaya, PT. Linda Hanta Wijaya,
PT Arviapratama Tiara, PT Salawati Motorindo, PT. Karaya Suka Abadi Padang, PT
Putra Andalas Nusantara. Dari hasil penelitian, rules yang memiliki nilai cross selling
yang signifikan tersebut juga memiliki nilai confidence diatas 50% sehingga ini semakin
menguatkan bahwa rules tersebut dapat digunakan dalam penetapan strategi penjualan
cross-selling. Rules tersebut dapat dilihat pada Tabel 4.
4.
Misalkan sebuah rules terdiri dari if buy B then buy F memiliki Improvement score ≥ 1,
mengindikasikan bahwa produk E dan F merupakan positive correlated, yang berarti
bahwa jika pelanggan membeli produk E, pelanggan juga setuju untuk membeli produk F,
sebaliknya jika improvement score < 1, produk E dan F merupakan negative correlated
(Adhitama,2010). Rules yang memiliki Nilai improvement lebih dari 1 dapat digunakan
dalam penetapan strategi penjualan. Hal ini karena nilai improvement menyatakan
besarnya kemungkinan dua item dapat dibeli secara bersamaan sehingga semakin besar
nilai improvement maka mengindikasikan semakin besar juga peluang terjualnya kedua
produk secara bersamaan. Pada penelitian ini nilai improvement terbesar adalah pada
rules If Buy B Then Buy D dengan nilai 1.128. Dan dengan analisis RFM rules tersebut,
35
strategi ini tepatnya ditujukan untuk CV. Laju Jaya, hal ini karena customer tersebut
melakukan transaksi pembelian B dengan D dalam jumlah monetary yang besar. Acuan
untuk menetapkan strategi penjualan tahap ini dapat dilihat pada Tabel 4.
Tabel 4. Penetapan Strategi Penjualan 3
K-Item Set=2
If Antecedent then
Consequent
6.3
Support
Confidence
Improvement
If Buy B Then Buy J
0.276
0.502
1.005
If Buy B Then Buy H
0.279
0.508
1.049
If Buy B Then Buy G
0.275
0.499
1.043
If Buy B Then Buy D
0.316
0.575
1.128
If Buy B Then Buy F
0.282
0.512
1.059
If Buy B Then Buy I
0.268
0.487
0.954
If Buy D Then Buy F
If Buy D Then Buy G
If Buy D Then Buy I
If Buy F Then Buy H
If Buy G Then Buy I
If Buy H Then Buy I
If Buy H Then Buy J
0.257
0.264
0.26
0.258
0.251
0.251
0.25
0.505
0.519
0.511
0.535
0.524
0.518
0.516
1.044
1.083
1
1.104
1.026
1.015
1.034
If Buy I Then Buy J
0.256
0.502
1.005
Evaluasi Sistem
Pada tahap evaluasi sistem dilakukan tahapan verifikasi dan validasi sistem. Verifikasi
dimaksudkan untuk menguji program dengan melakukan pengaturan masukan dan melakukan
pengecekan untuk melihat kesesuaian dengan keluaran. Pengujian bertujuan untuk mengetahui
kemampuan program dalam melakukan simulasi sesuai dengan yang diinginkan. Pengujian
tersebut dengan membandingkan hasil hasil perhitungan dari sistem yang telah dibuat dengan hasil
perhitungan menggunakan alat bantu lain (software). PSP 1.0 diuji dengan menggunakan software
Microsoft Excel 2007 untuk membandingkan hasilnya dengan keluaran dari PSP 1.0. Dalam paket
program PSP 1.0, terdapat beberapa perhitungan kompleks untuk menentukan strategi penjualan.
Perhitungan tersebut antara lain analisis frequent Item Set dan penetapan strategi penjualan
menggunakan nilai-nilai association rules mining (support, confidence, improvement score).
Validasi dimaksudkan untuk menguji kebenaran hasil pengolahan data dengan membandingkan
hasil pengolahan data dengan hasil pada keaadaan nyata di periode selanjutnya. Validasi adalah
proses penentuan apakah model sebagai konseptualisasi atau abstraksi merupakan representasi
yang berarti dan akurat dari sistem nyata. Metode yang digunakan dalam tahap validasi sistem PSP
1.0 adalah metode face validity.
6.3.1 Verifikasi Sistem
Verifikasi adalah pemeriksaan apakah program komputer simulasi berjalan sesuai
dengan yang diinginkan, dengan pemeriksaan program komputer. Verifikasi memeriksa
penerjemahan model simulasi konseptual (diagram alur dan asumsi) ke dalam bahasa
36
pemrograman secara benar. Tahap verifikasi pada sistem dilakukan pada dua hal yaitu
verifikasi perhitungan frequent item set, dan perhitungan nilai-nilai association rules
mining (support, confidence, improvement).
1. Perhitungan Frequent Item Set
Perhitungan frequent item set adalah tahap pertama yang dilakukan pada proses
analisis data dalam penetapan strategi penjualan menggunakan teknik association
rules mining. Tahap ini dilakukan untuk mendapatkan rules yang signifikan yang
nantinya akan digunakan di dalam perhitungan nilai-nilai yang dibutuhkan untuk
menetapkan strategi penjualan secara cross selling (nilai support, improvement, dan
confidence).
Kegiatan yang dilakukan pada tahap ini adalah menentukan nilai bilangan Item
Set yang akan menjadi nilai item set untuk semua persilangan himpunan yang
mungkin terjadi pada tahap analisis frequent item set. Pada penelitian ini ditetapkan
nilai bilangan item set adalah 430. Penetapan ini didasarkan pada proses trial and eror
yang dilakukan dalam melakukan analisis frequent item set, dari hasil trial and eror
disimpulkan nilai Item Set 430 cukup relevan untuk ditetapkan dalam perhitungan
frequent item set penelitian ini karena menghasilkan jumlah item set dibawah jumlah
himpunan penggolongan produk, dimana jumlah himpunan penggolongan sebanyak
16 dan jumlah item set dari nilai item set 430 adalah 14 item set sehingga jumlah 14
ini cukup significan dan sesuai dengan literatur-literatur yang ada bahwa jumlah
himpunan item set (rules) sebaiknya berada tidak jauh dibawah jumlah penggolongan
produknya.
Hasil dari analisis frequent item set dengan bilangan item set 430 menghasilkan
14 item set atau rules yang significan. Rules tersebut adalah rules yang hanya berasal
dari proses analisis himpunan k-Item Set=1 (satu unsur) dan proses analisis K-item
set=2 (2 unsur), sedangkan pada proses penyilangan dengan K-item set=3 (tiga unsur)
tidak ditemukan satu pun himpunan yang mencapai bilangan item set 430. Rules
tersebut adalah sebagai berikut.
Tabel 5. Hasil Analisis Frequent Item Set K-Item Set=1
K-Item Set=1
Produk
Produk B
Produk C
Produk D
Produk F
Produk G
Produk H
Produk I
Produk J
37
Tabel 6. Hasil Analisis Frequent Item Set K-Item Set=2
K-Item Set=2
If Antecedent then Consequent
If Buy B Then Buy J
If Buy B Then Buy H
If Buy B Then Buy G
If Buy B Then Buy D
If Buy B Then Buy F
If Buy B Then Buy I
If Buy D Then Buy F
If Buy D Then Buy G
If Buy D Then Buy I
If Buy F Then Buy H
If Buy G Then Buy I
If Buy H Then Buy I
If Buy H Then Buy J
If Buy I Then Buy J
Gambar 16. Tampilan Halaman Analisis Frequent Item Set Program PSP 1.0
38
Gambar 17. Tampilan Halaman Analisis Frequent Item Set K-Item Set=1 Program PSP 1.0
Gambar 18. Tampilan Halaman Analisis Frequent Item Set K-Item Set=2 Program PSP 1.0
39
Gambar 19. Tampilan Halaman Analisis Frequent Item Set K-Item Set=3 Program PSP 1.0
2.
Perhitungan Nilai-Nilai Association Rules Mining (Support, Confidence,
Improvement)
Perhitungan nilai-nilai association rules mining adalah tahap akhir dari
proses analisis data pada penelitian ini. Tahap ini adalah tahapn yang dapat
dilakukan jika tahap perhitungan frequent item set telah dilakukan dan
menghasilkan rules yang signifikan untuk diperhitungkan kebenarannya dengan
nilai-nilai association rules mining sehingga nantinya dapat dirumuskan menjadi
strategi-strategi penjualan cross selling. Nilai-nilai tersebut diantaranya adalah
nilai support, nilai confidence, dan nilai improvement.
Perhitungan support dilakukan untuk mengetahui ukuran yang
menunjukkan tingkat dominasi item set dari keseluruhan transaksi. Perhitungan
support ini dilakukan dengan membagi jumlah kemunculan data transaksi pada
rules dengan jumlah keseluruhan data transaksi yang ada. Pada penelitian ini
didapat nilai support tertinggi dalam K-item set= 1 adalah nilai support produk
B. Kemudian pada k-item set=2 adalah nilai support tertinggi terdapat pada rules
(B,D).
Perhitungan confidence dilakukan untuk menghitung ukuran
yang
menyatakan hubungan antara dua item secara conditional (misalkan seberapa
sering item Y dibeli, jika pelanggan membeli item X= (X,Y)). Perhitungan
confidence ini dilakukan dengan cara:
40
pada penelitian ini didapat nilai confidence tertinggi dari seluruh rules yang ada
adalah nilai confidence rules (B,D).
Perhitungan improvement dilakukan untuk menghitung ukuran yang
menyatakan besarnya kemungkinan dua item dapat dibeli secara
bersamaan.Perhitungan improvement ini dilakukan dengan menghitung:
pada penelitian ini di dapat nilai improvement tertinggi dalam seluruh rules yang
ada adalah nilai improvement rules (B,D). Berikut hasil dari seluruh hasil
perhitungan nilai support, confidence, dan improvement dari seluruh rules yang
ada.
Tabel 7. Hasil Perhitungan Nilai Support K-Item Set=1
K-Item Set=1
Produk
Support
Product B
0.550
Produk C
Produk D
0.424
0.509
Product F
0.484
Product G
0.479
Product H
Product I
0.484
0.511
Product J
0.499
Tabel 8. Hasil Perhitungan Nilai Support, Confidence, Improvement K-Item Set=2
If Antecedent then Consequent
If Buy B Then Buy J
If Buy B Then Buy H
If Buy B Then Buy G
If Buy B Then Buy D
If Buy B Then Buy F
If Buy B Then Buy I
If Buy D Then Buy F
If Buy D Then Buy G
If Buy D Then Buy I
If Buy F Then Buy H
If Buy G Then Buy I
If Buy H Then Buy I
If Buy H Then Buy J
If Buy I Then Buy J
K-Item Set=2
Support
0.276
0.279
0.275
0.316
0.282
0.268
0.257
0.264
0.260
0.258
0.251
0.251
0.250
0.256
Confidence
0.502
0.508
0.499
0.575
0.512
0.487
0.505
0.519
0.511
0.535
0.524
0.518
0.516
0.502
Improvement
1.005
1.049
1.043
1.128
1.059
0.954
1.044
1.083
1.000
1.104
1.026
1.015
1.034
1.005
41
Gambar 20. Report Hasil Analisis Association Rules Mining di Program PSP 1.0
6.3.2 Validasi Sistem
Validitas atau kesahihan menunjukan pada kemampuan suatu instrumen (alat
pengukur) mengukur apa yang harus diukur (…. a valid measure if it succesfully measure
the phenomenon), seseorang yang ingin mengukur tinggi harus memakai meteran,
mengukur berat dengan timbangan, meteran, timbangan merupakan alat ukur yang valid
dalam kasus tersebut. Dalam suatu penelitian yang melibatkan variabel/konsep yang tidak
bisa diukur secara langsung, masalah validitas menjadi tidak sederhana, di dalamnya juga
menyangkut penjabaran konsep dari tingkat teoritis sampai tingkat empiris (indikator),
namun bagaimanapun tidak sederhananya suatu instrumen penelitian harus valid agar
hasilnya dapat dipercaya (Memah, 2007). Pada penelitian ini tahap validasi dilakukan
dengan metode face validity.
Face Validity
Validitas Rupa (face validity) adalah validitas yang menunjukan apakah alat
pengukur/instrumen penelitian dari segi rupanya nampak mengukur apa yang ingin
diukur, validitas ini lebih mengacu pada bentuk dan penampilan instrumen. Validitas rupa
amat penting dalam pengukuran kemampuan individu seperti pengukuran kejujuran,
kecerdasan, bakat dan keterampilan (Memah, 2007). Face validity (Validitas Muka)
42
adalah tipe validitas yang didasarkan pada penilaian selintas mengenai isi alat ukur.
Apabila isi alat ukur telah tampak sesuai dengan apa yang ingin diukur maka dapat
dikatakan validitas muka telah terpenuhi. Dalam penelitian ini, alat ukur validitas rupa
adalah data penjualan asli periode bulan maret- juni 2010. Validitas dilakukan dengan
penyesuaian antara hasil strategi penjualan yang telah dibuat dengan data penjualan asli
yang diolah pada penelitian ini.
1.
Pada proses validasi nilai support dinyatakan bahwa produk B adalah produk yang
memiliki nilai support tertinggi atau dengan kata lain produk yang paling sering
terjual karena memiliki tingkat dominasi tertinggi dibandingkan dengan produk
lainnya dan Produk A, N, dan P adalah produk yang memiliki nilai support terkecil
artinya produk yang paling jarang terjual karena tingkat dominasinya yang paling
kecil dibandingkan produk lainnya. Pada data penelitian terlihat bahwa produk B
adalah yang paling tinggi kemunculannya yaitu sebanyak 955 kali kemunculan, hal
ini menyatakan bahwa hasil pengolahan nilai support sesuai dengan keadaan aslinya.
Kemudian untuk produk A, N, dan P memiliki nilai kemunculan paling sedikit yaitu
sebanyak hanya 17 kali, 12 kali, dan 21 kali sehingga ini menyatakan bahwa
perhitungan nilai support sesuai dengan keadaan aslinya dan bersifat valid.
2. Pada proses validasi nilai confidence dinyatakan bahwa rules If Buy B Then Buy D
adalah rules yang memiliki nilai confidence tertinggi artinya hubungan antara produk
B dan produk D adalah produk yang paling tinggi tingkat relasinya dibandingkan
dengan rules yang lainnya. Dari data penelitian dinyatakan bahwa produk B terjual
bersamaan dengan produk D sebanyak 549 kali. Jumlah ini merupakan jumlah yang
paling tinggi dibandingkan dengan jumlah transaksi pada rules yang lain. Hal ini
menyatakan validasi untuk nilai confidence telah sesuai dengan keadaan nyatanya.
3. Pada proses validasi nilai improvement dinyatakan bahwa nilai improvement tertinggi
adalah pada rules If Buy B Then Buy D artinya produk B dengan produk D adalah
rules yang paling besar kemungkinannya untuk dibeli secara bersamaan. Pada data
penelitian rules If Buy B Then Buy D memiliki kemunculan 549 kali. Jumlah tersebut
merupakan jumlah yang tertinggi sehingga sangat tepat bahwa produk B dengan D
memiliki kemungkinan yang paling besar untuk dijual secara bersamaan.
4.
Pada hasil analisis frequent item set didapat 22 rules. Rules tersebut dapat dilihat
pada Tabel 9 dibawah ini.
43
Tabel 9. Jumlah Kemunculan Rules Pada Data Penjualan Bulan Maret-Juni 2010
Produk
Product B
Produk C
Produk D
Product F
Product G
Product H
Product I
Product J
If Buy B Then Buy J
If Buy B Then Buy H
If Buy B Then Buy G
If Buy B Then Buy D
If Buy B Then Buy F
If Buy B Then Buy I
If Buy D Then Buy F
If Buy D Then Buy G
If Buy D Then Buy I
If Buy F Then Buy H
If Buy G Then Buy I
If Buy H Then Buy I
If Buy H Then Buy J
If Buy I Then Buy J
Kemunculan
955
736
885
840
832
841
887
867
479
485
477
549
489
465
447
459
452
449
436
436
434
445
Semua rules adalah rules yang memiliki kemunculan diatas ambang batas yaitu diatas 430
kali kemunculan. Hal ini menunjukkan rules yang dihasilkan sesuai dengan ambang batas
yang ditentukan.
5.
Hasil Analisis RFM menghasilkan analisis segmentasi customer berdasarkan recency,
frequency, dan monetary. Pada hasil analisis recency, customer yang memiliki nilai
binning recency tertinggi (Binning 5) adalah customer PT. Arviapratama Tiara. Hal ini
sesuai dengan keadaan nyatanya bahwa customer tersebut melakukan pembelian paling
terakhir adalah pada tanggal 26 dimana 5 hari sebelumnya dilakukan penutupan
pembukuan setiap bulannya. Kemudian pada analisis frequency, customer yang memiliki
nilai binning tertinggi (binning 5) adalah CV Laju Jaya. Hal ini sesuai dengan keadaan
nyatanya bahwa customer tersebut melakukan pembelian dengan jumlah frekuensi
tertinggi yaitu 7089 produk pada satu bulan May 2010. Dan pada analisis Monetary, hasil
analisis dihasilkan dari jumlah frekuensi per produk dikalikan dengan variabel harga
produk yang berupa variabel A hingga P. Hasil Analisis RFM secara lengkap terlampir
pada lampiran 1.
44