judul tesis untuk s2 teknik elektro (s2 te) ft ugm

BABI
PENDAHULUAN
1.1
Latar Belakang
Setiap perusahaan dituntut untuk siap menghadapi persaingan yang
semakin ketat dengan perusahaan lain. Makin intensifnya persaingan yang
dihadapi, telah menyebabkan banyak lembaga keuangan mikro mencari cara yang
menguntungkan untuk membedakan dari yang lain. Fokus perusahaan modern
telah berubah dari strategi yang mengutamakan produk (product/service oriented)
menjadi strategi yang mengutamakan pelanggan (customer oriented) [1]. Hal ini
dilakukan karena hubungan baik antara perusahaan dan nasabah sangat berperan
penting untuk menunjang keberlangsungan perusahaan.
Dalam lembaga keuangan mikro, nasabah yang berbeda mempunyai nilai
yang berbeda pula. Salah satu tantangan yang terpenting bagi perusahaan yaitu
pengetahuan tentang nasabah, memahami perbedaan nasabah, mengenali nasabah
potensial sehingga nasabah loyal terhadap perusahaan [2]. Dengan menerapkan
strategi Customer Relationship Management (CRM), perusahaan dapat mengenali
karakteristik nasabah dengan identifikasi nasabah (segmentasi nasabah).
Segmentasi nasabah yaitu membagi nasabah dengan kesamaan karakteristik.
Manfaat segmentasi nasabah ialah mengetahui perilaku nasabah dan menerapkan
strategi marketing atau pemasaran yang tepat sehingga perusahaan mendapatkan
keuntungan.
Segmentasi nasabah dapat diselesaikan dengan teknik data mining. Data
mining merupakan proses pencarian pola-pola yang menarik dan tersembunyi
(hidden pattern) dari suatu kumpulan data yang berukuran besar yang tersimpan
dalam suatu basis data, data warehouse, atau tempat penyimpanan data lainnya.
Data akan diolah menjadi informasi. Tujuan akhir data mining menggunakan
informasi untuk membuat lebih efisisen keputusan bisnis dan mengambil
keputusan secara tepat [3]. Segmentasi nasabah dengan teknik data mining akan
memudahkan perusahaan untuk mengidentifikasi nasabah, memperlakukan
1
nasabah secara tepat dengan
membedakan nasabah dengan kesetiaan atau
loyalitas tinggi dan loyalitas rendah.
Baitul Maal Wat Tamwil (BMT) Beringharjo merupakan lembaga
keuangan mikro berbadan hukum KJKS (Koperasi Jasa Keuangan Syariah) yang
menyadari akan pentingnya hubungan dengan nasabah. BMT Beringharjo
memiliki nasabah yang meningkat dari tahun ke tahun. Pada tahun 2011 nasabah
di area Yogyakarta sebanyak 11.085, 2012 sebanyak 11.267, 2013 sebanyak
11.807, 2014 sebanyak 12.523 dan tahun 2015 ini sebanyak 12.985. Untuk total
keseluruhan nasabah seluruh Indonesia pada tahun 2015 sebesar 52.011. Dengan
jumlah data nasabah yang terus meningkat, BMT Beringharjo mengalami
kesulitan mengidentifikasi nasabah potensial dan karakter nasabah secara manual.
Hal ini dapat mengakibatkan BMT Beringharjo kehilangan nasabah potensial dan
merugikan perusahaan.
Teknik data mining yang dapat menyelesaikan segmentasi nasabah yaitu
clustering. Analisis cluster atau clustering merupakan proses membagi data dalam
suatu himpunan ke dalam beberapa kelompok yang mana kesamaan data dalam
suatu kelompok lebih besar dibandingkan kesamaan data tersebut dengan data
dalam kelompok lain [4]. Cluster secara umum merupakan wujud himpunan
bagian dari suatu himpunan data dan metode clustering dapat diklasifikasikan
berdasarkan himpunan bagian yang dihasilkan menjadi fuzzy clustering dan hard
clustering [4].
Metode clustering yang digunakan pada penelitian ini ialah fuzzy
clustering. Fuzzy clustering dapat mengkategorikan satu set objek sesuai dengan
standar tertentu. Dengan konsep membership grade, fuzzy clustering dapat
mengenali kelompok pelanggan, mendukung perusahaan lebih ilmiah dan masuk
akal dalam pengambilan keputusan di bidang pemasaran. Dalam algoritma fuzzy
clustering, elemen data dapat menjadi milik lebih dari satu cluster, dan terkait
dengan setiap elemen adalah satu set tingkat keanggotaan. Hal ini menunjukkan
kekuatan asosiasi antara unsur data dan cluster tertentu. Fuzzy clustering adalah
proses untuk menempatkan tingkat keanggotaan, kemudian menggunakan mereka
untuk menetapkan elemen data ke satu atau lebih cluster [4].
2
Metode fuzzy digunakan karena memiliki tingkat akurasi yang tinggi dan
waktu komputasi yang cepat [4][5][6]. Metode fuzzy dipadukan dengan model
fuzzy RFM (Recency, Frequency, Monetary) untuk menyelesaikan segmentasi
nasabah. Fuzzy RFM yaitu memadukan logika fuzzy dan model RFM. Model
RFM merupakan metode segmentasi pelanggan atau analisis nilai pelanggan
berdasarkan recency, frequency dan monetary [7]. Recency ialah kapan terakhir
transaksi dilakukan. Frequency ialah jumlah transaksi yang dilakukan nasabah.
Misalkan, dua kali dalam setahun atau tiga kali dalam satu bulan. Semakin besar
frekuensi menandakan kesetiaan nasabah yang besar pula. Monetary adalah
besarnya nilai
transaksi
yang dilakukan.
Nilai
monetary
yang tinggi
mengidentifikasikan pelanggan yang memberikan keuntungan kepada perusahaan
[7][8][9][10].
Penggunaan metode fuzzy dan fuzzy RFM masih jarang digunakan untuk
data perbankan atau keuangan khususnya data simpanan dan pembiayaan. Oleh
karena itu penelitian ini bertujuan untuk mengidentifikasi nasabah simpanan dan
pembiayaan pada BMT Beringharjo Yogyakarta dengan teknik data mining dalam
menyelesaikan segmentasi nasabah sehingga dapat ditemukan nasabah potensial
dan nasabah kurang potensial. Penggunaan metode fuzzy diharapkan dapat lebih
baik membagi pelanggan berdasarkan fungsi keanggotaan.
1.2 Perumusan Masalah
Permasalahan yang harus dipecahkan pada penelitian ini adalah
pengelompokkan nasabah pada BMT Beringharjo Yogyakarta masih dilakukan
secara manual sehingga BMT kesulitan untuk mengidentifikasi nasabah potensial
dan nasabah tidak potensial, serta belum dikelola dengan baik hubungan atau
relasi dengan nasabah dikarenakan BMT belum mengetahui karakter nasabah.
1.3
Keaslian penelitian
Penelitian data mining CRM, khususnya segmentasi pelanggan
sudah
dilakukan oleh peneliti terdahulu. Penelitian yang dilakukan oleh Dequan Zheng
menggunakan
algoritma
fuzzy
clustering
3
yaitu
Fuzzy
C-Means
untuk
menyelesaikan segmentasi pelanggan di industri keamanan.
Penelitian ini
menunjukkan bahwa algoritma Fuzzy C-Means cocok diterapkan untuk
segmentasi pelanggan di industri keamanan. Fuzzy C-Means merupakan algoritma
yang sederhana, cocok untuk menyortir data yang besar, rentan terhadap data
abnormal dan tidak terpengaruh dengan urutan penginputan data. Hasil penelitian
membuktikan tingkat konvergensi algoritma FCM dapat memenuhi permintaan
industri [4].
Penelitian yang dilakukan Uzay Kaymak bertujuan menentukan pelanggan
potensial di organisasi amal. Uzay Kamak menggunakan teknik fuzzy clustering
dan variabel RFM. Tugas utama dalam pemilihan target pelanggan potensial,
dengan mengidentifikasi profil pelanggan yang yang menunjukkan minat dalam
produk di masa lalu. Metode pemilihan target ini dibagi menjadi dua yaitu metode
segmentasi dan metode scoring. Kedua metode ini dapat diselesaikan dengan
fuzzy clustering. Hasil penelitian menyebutkan fuzzy clustering memiliki daya
prediksi yang lebih besar daripada teknik konvensional logistic regression. Fuzzy
clustering dapat mengekstraksi aturan linguistik secara akurat dan transparan. Hal
ini merupakan kelebihan fuzzy clustering yang penting untuk bidang pemasaran
[5].
Penelitian selanjutnya untuk memperbaiki hubungan dengan pelanggan,
Cheng dkk menggunakan atribut RFM dan algoritma K-Means serta teori Rough
Set (RS). Tujuan dari penelitian ini ialah meningkatkan algoritma RS, nilai
pelanggan cluster sebagai output (loyalitas pelanggan) yang dibagi menjadi 3, 5
dan 7 cluster didasarkan pada pandangan subjektif, kemudian melihat kelas yang
terbaik di tingkat akurasi dan mengetahui karakteristik pelanggan untuk
memperkuat CRM. Dataset yang digunakan dari perusahaan elektronik di Taiwan.
Metode yang diusulkan tersebut kemudian dibandingkan dengan decision tree,
neural network dan naive bayes. Hasil penelitian membuktikan metode yang
diusulkan lebih akurat dibandingkan metode yang lain. Output dari metode yang
diusulkan adalah seperangkat aturan keputusan yang mudah dimengerti
perusahaan untuk menafsirkan pelanggan yang lebih menguntungkan perusahaan
[7].
4
Analisa RFM dan K-Means digunakan juga oleh [10][11] untuk segmentasi
nasabah di Bank di Iran. Penelitian Mahboubeh dan Mohammad melakukan
segmentasi nasabah berdasarkan nilai pelanggan (Customer Lifetime Value). Data
yang digunakan yaitu data nasabah, data transaksi rekening deposito selama dua
tahun dan data produk deposito dengan CRISP-DM (CRossIndustry Standard
Process for Data Mining) sebagai metodologi penelitian. Penentuan jumlah
cluster optimum menggunakan Dunn Index [10]. Sedangkan penelitian Roohollah
dkk [11], melakukan segmentasi nasabah dengan data transaksi pinjaman atau
pembiayaan sebanyak 296 nasabah pada 2009. Mereka menambahkan variabel
pada analisa RFM, yaitu transaksi dan perilaku pembayaran. Pembobotan setiap
variabel menggunakan FAHP (Fuzzy AHP). Hasil dari penelitian ini ialah terbagi
5 cluster dengan cluster pertama merupakan nasabah yang sangat baik dan cluster
terakhir merupakan nasabah yang beresiko tinggi.
Penelitian Gayathri dkk menerapkan hard clustering (K-Means) dan soft
clustering (Fuzzy C-Means) untuk meningkatkan CRM di industri telekomunikasi.
Dataset pada industri telekomunikasi sangat besar hingga tingkat terabyte.
Penelitian ini menganalisis seberapa jauh kedua algoritma diimplementasikan
dalam real time dataset dengan
volume data yang besar. Selain itu, untuk
menganalisis nilai pelanggan digunakan aturan RFM (recency, frequency dan
monetary). Hasil penelitian ini membuktikan bahwa soft clustering lebih akurat
daripada hard clustering. Hal ini disebabakan nilai keanggotaan pada soft
clustering (Fuzzy C-Means) memberikan churn ratio secara akurat. FCM
memberikan dukungan yang lebih untuk CRM daripada K-Means [12].
Selanjutnya penelitian yang dilakukan oleh Toly Chen bertujuan untuk
memperbaiki kinerja model RFM [13]. Menurut Toly Chen model RFM
tradisional mempunyai beberapa kekurangan, yaitu pembagian dimensi (R, F, atau
M) menjadi bagian yang sama mungkin tidak sesuai untuk semua produk, scoring
terlalu subjektif dan tidak fleksibel, sulit untuk membedakan pelanggan dengan
total skor RFM yang sama. Oleh karena itu, dalam penelitian ini mengusulkan
fuzzy RFM dan proses clustering menggunakan Fuzy C-Means. Data yang
digunakan yaitu data pelanggan perusahaan penerbangan. Hasil penelitian ini
5
metode yang diusulkan lebih baik dari model RFM tradisional.
Begitu juga dengan Putri Yuliari dkk [14], menggunakan fuzzy RFM dan
Fuzy C-Means untuk segmentasi pelanggan perusahaan mebel. Pengujian jumlah
cluster terbaik menggunakan MPC (Modified Partition Coefficient). Jumlah
himpunan fuzzy untuk R, F dan M berbeda-beda. 3 himpunan fuzzy untuk
recency, 4 himpunan fuzzy untuk frequency dan 6 himpunan fuzzy untuk
monetary. Hasil penelitian ini menghasilkan 2 cluster yang paling optimal.
Cluster 1 untuk pelanggan superstar dengan kesetiaan yang tinggi dan cluster 2
pelanggan occasional dengan frequency yang rendah tetapi monetary tinggi.
Berikut ini adalah beberapa penelitian yang telah dilakukan yang
dirangkum pada Tabel 1.1.
6
Tabel 1. 1 Perbandingan Keaslian Penelitian
No. Penulis
Tujuan
Data
Metode
1.
Menyelesaikan
Data pelanggan dan
Fuzzy
Dequan
Zheng, 2013 segmentasi pelanggan data
[4]
di industri keamanan.
Keterangan
C-Mean, FCM
dapat
diterapkan
dalam
transaksi distribusi probabilitas clustering di industri keamanan.
perusahaan
sebagai
pelanggan perusahaan keamanan.
evaluasi
fungsi Jumlah cluster yang terbaik yaitu
dengan 7 cluster.
keamanan.
2.
Uzay
Pemilihan
target Data pelanggan di
Kaymak,
untuk
2001 [5]
pelanggan
Fuzzy
menentukan organisasi amal.
pemakai
C-Means, Fuzzy clustering memiliki daya
Gustafson-Kessel
potensial
clustering,
produk
RFM.
prediksi yang lebih besar daripada
variabel teknik
konvensional
regression. Fuzzy clustering dapat
tertentu dari database
mengekstraksi
pelanggan.
secara
akurat
menggunakan
fuzzy.
7
logistic
aturan
dan
4
linguistik
transparan,
keanggotaan
Tabel 1.1 Perbandingan Keaslian penelitian – Lanjutan 1
No. Penulis
Tujuan
Data
Metode
3.
Meningkatkan akurasi Data
pelanggan Atribut
Ching-Hsue
dkk,
2009 dari
[7]
metode
diusulkan
Keterangan
RFM,
K- Tingkat akurasi dari metode yang
yang perusahaan
Means serta Rough diusulkan adalah 0,9798 pada 3
serta elektronik di Taiwan
Set teori.
cluster, 0,9624 pada 5 cluster dan
mengetahui
0,9418 pada 7 cluster. Metode yang
karakteristik
diusulkan
pelanggan
untuk
terbukti
lebih
akurat
dibandingkan metode lain.
memperkuat CRM.
4.
Mahboubeh
Segmentasi
dan
berdasarkan
nasabah Data nasabah, data RFM dan K-Means, Hasil penelitian ini ialah terbagi
nilai transaksi
rekening PART decision rule, menjadi
4
segmen.
Segmen
Mohammad, pelanggan (Customer deposito selama dua dunn index
1sebanyak 1% merupakan nasabah
2011 [10]
data
emas (gold customer). Segmen 2
deposito
sebanyak 61% merupakan valuable
Lifetime Value).
tahun
.
produk
dan
Bank di Iran.
customer. Segmen 3 sebanyak 16%
merupakan
churning
vulnarable
customer. Segmen 4 sebanyak 22%
merupakan low value customer.
8
Tabel 1.1 Perbandingan Keaslian Penelitian – Lanjutan 2
No. Penulis
Tujuan
5.
Segmentasi
Roohollah
dkk,
2014 bank
[11]
Data
nasabah Data
dengan
Metode
transaksi RFM,
data pinjaman
Keterangan
FAHP,
atau Means.
pinjaman kredit atau pembiayaan
pembiayaan.
sebanyak
K- Hasil dari penelitian ini ialah
membentuk
cluster
296
5
cluster
pertama
dengan
merupakan
nasabah yang sangat baik dan
nasabah pada 2009 di
cluster
terakhir
merupakan
Bank di Iran.
nasabah yang beresiko tinggi.
Tidak ada pengukuran jumlah
cluster terbaik.
6.
Gayathri,
Menerapkan
Mohanavalli,
clustering (K-Means) perusahaan
2011 [12]
dan
soft
(Fuzzy
untuk
CRM
hard Data pelanggan di RFM, K-Means dan Soft
Fuzzy C-Means.
lebih
akurat
daripada hard clustering. Nilai
clustering telekomunikasi.
keanggotaan pada soft clustering
C-Means)
(Fuzzy
meningkatkan
di
clustering
C-Means)
memberikan
churn ratio secara akurat. FCM
industri
memberikan dukungan yang lebih
telekomunikasi.
untuk CRM daripada K-Means.
9
Tabel 1.1 Perbandingan Keaslian Penelitian – Lanjutan 3
No. Penulis
7.
Toly
Tujuan
Data
Chen Memperbaiki kinerja Data
and
Yu- model RFM dalam perusahaan
Cheng
W., segmentasi
2012 [13]
Metode
pelanggan Fuzzy
Keterangan
RFM
Fuzzy C-Means
dan Metode yang diusulkan lebih baik
dari model RFM tradisional.
penerbangan.
pelanggan.
.
8.
Putri Yuliari Menemukan
Data
dkk,
pelanggan
Fuzzy C-Means, MPC paling optimal. Cluster 1 untuk
perusahaan mebel.
(Modified
[14]
2015 pelanggan potensial
transaksi Fuzzy
RFM
Coefficient)
dan Menghasilkan
Partition pelanggan
2
superstar
yang
dengan
kesetiaan yang tinggi dan cluster 2
pelanggan
frequency
occasional
yang
monetary tinggi.
10
cluster
rendah
dengan
tetapi
Beberapa penelitian tersebut menggunakan berbagai metode untuk
menyelesaikan masalah segmentasi pelanggan di beberapa industri yang berbeda.
Penelitian segmentasi di industri perbankan atau keuangan [10] [11] masih jarang
menggunakan Fuzzy C-Means dan fuzzy RFM. Yang membedakan penelitian yang
dilakukan dengan penelitian sebelumnya adalah:
1. Pada penelitian ini data yang digunakan yaitu data transaksi simpanan
nasabah dan data transaksi pembiayaan nasabah BMT Beringharjo
Yogyakarta dari 1 Januari 2013 sampai dengan 31 Juli 2015. Proses
segmentasi (clustering) menggunakan Fuzzy C-Means dan fuzzy RFM
karena FCM memiliki tingkat akurasi yang tinggi daripada hard
clustering [4] [6] dan dapat membagi data pelanggan yang besar
secara efisien dengan fungsi keanggotaan [12]. Dan fuzzy RFM dipilih
karena dapat menangani segmentasi pelanggan lebih baik daripada
RFM tradisional karena lebih objektif, fleksibel dan membedakan
pelanggan dengan fungsi keanggotaan. Untuk penentuan jumlah
optimal cluster menggunakan Modified Partition Coefficient (MPC)
dan Partition Entropy (PE). MPC dan PE merupakan pengujian
cluster untuk fuzzy clustering [15].
2. Data nasabah simpanan dan data nasabah pembiayaan mempunyai
karakteristik yang berbeda. Data simpanan merupakan data nasabah
yang menyimpan dan mengambil uang sedangan data pembiayaan
merupakan data nasabah yang melakukan pinjaman meliputi jumlah
angsuran yang sudah dibayar, jangka waktu pinjaman, jumlah
pinjaman dan tanggal terakhir transaksi. Karena perbedaan karakter
tersebut, penerapan model RFM pun berbeda. Penulis mengusulkan
nilai F (frequency) pada data pembiayaan merupakan perbandingan
antara jumlah angsuran yang sudah dilakukan dengan jangka waktu
pinjaman.
11
1.4
Tujuan Penelitian
Tujuan utama dalam penelitian ini adalah melakukan segmentasi nasabah
simpanan dan pembiayaan pada BMT Beringharjo Yogyakarta untuk mengetahui
karakteristik nasabah.
1.5
Manfaat Penelitian
Penelitian ini diharapkan mampu mendukung proses CRM pada level
manajemen
sehingga
BMT
Beringharjo
Yogyakarta
dapat
melakukan
identifikasi terhadap nasabah potensial yang mendatangkan keuntungan bagi
BMT. Hal ini dapat membantu BMT Beringharjo menentukan strategi yang tepat
untuk setiap segmen nasabah.
1.6
Batasan Penelitian
Penulis melakukan batasan dalam penelitian sebagai berikut :
1. Penelitian ini dibatasi pada data transaksi simpanan dan data transaksi
pembiayaan nasabah BMT Beringharjo Yogyakarta kantor cabang
Papbringan dari 1 Januari 2013- 31 Juli 2015.
2. Penerapan model RFM pada data simpanan, transaksi nasabah merupakan
saat nasabah mengambil uang (tarik) dan saat nasabah menyetor uang
(setor). Sedangkan pada data pembiayaan transaksi nasabah ialah saat
nasabah membayar angsuran.
3. Penerapan model RFM pada data pembiayaan, transaksi nasabah
merupakan saat nasabah membayar angsuran pembiayaan.
4. Data nasabah simpanan dan pembiayaan bersifat anonim, hanya
menyertakan unique id.
12