Mengenal diagram sebab – akibat (Fishbone) dan contoh kasus nya
Diartikel sebelumnya kita sudah membahas mengenai istilah, definisi
dan hubungan atara CRM dan Data Mining, dan secara tidak langsung kita sudah
belajar membaut BAB II loh teman-teman, iya betul BAB II ini secara keseluruhan
membahas definisi dari konsep-konsep yang akan kita gunakan di bab selanjutnya,
dan sebetulnya sangat fleksibel ketika nanti di bab selanjutnya kita
menggunakan konsep baru maka tinggal di tambahkan saja konsep tersebut di
definisikan di BAB II, mudahkan ya bikin skripsi tidak se-menakutkan yang
dibayangkan ko.
Salah
satu contoh penggunaan diagram sebab akibat dari judul Tugas Akhir yang saya
angkat
“Kalsterisasi Pelanggan dengan Menggunakan Algotirma K-Means Untuk
Mendukung Impelemntasi CRM”
Analisis klasterisasi pelanggan menggunakan algoritma k-means
pada Bengkel Castle Automobile bertujuan untuk mengetahui ketepatan solusi
terhadap permasalahan pada penelitian tugas akhir. Sehingga permasalahan yang telah
didefinisikan dapat diselesaikan dengan solusi yang sesuai. Tahap analisis pada
bagian ini menggunakan diagram sebab dan akibat. Diagram sebab dan
akibat adalah alat untuk mengidentifikasi dan mengorganisir penyebab yang
mungkin terjadi dari suatu masalah dalam format yang terstruktur.
Terdapat 3 komponen utama pada diagram sebab dan akibat,
yaitu sebagai berikut :
1.
Head (Kepala), merupakan faktor masalah yang sedang
diamati, dideskripsikan dalam kotak dibagian kepala pada diagram. Head terletak
pada bagian kanan diagram.
2.
Spine (Tulang Belakang) ditunjukan dengan arah panah yang
menunjukan penyebab dari masalah yang terjadi pada bagian head.
3.
Bones (Tulang atau Duri), menunjukan kategori utama yang
menyebabkan permasalahan terjadi. Jika terdapat bones yang lebih kecil,
memperlihatkan kedalaman penyebab dari permasalahan tersebut. Bones yang saling
terkoneksi memperlihatkan bahwa penyebab permasalahan tersebut saling
berhubungan.
Gambar
4 Diagram Sebab Akibat.
Berikut
ini merupakan tabel 1 hasil analisis klasterisasi pelanggan menggunakan
algoritma k-means untuk mendukung implementasi CRM pada bengkel castle
automobile. Terdapat masalah, penyebab dan solusi untuk menyelesaikan
permasalahan.
No
|
Masalah
|
Penyebab
|
Solusi
|
1
|
Pemberian Layanan Tidak Tepat Sasaran.
|
Metode
1.
Belum diterapkan metode pemasaran
2.
Belum diterapkan metode pengelompokan pelanggan.
Manusia
1.
Tidak mengetahui jenis pelanggan
Teknologi / Tools
1.
Belum ada teknologi pengelompokan pelanggan.
Material
1.
Pemanfaatan data pelanggan tidak optimal.
2.
Pemanfaatan data transaksi tidka optimal.
|
Membuat model klasterisasi pelanggan menggunakan
algoritma K-Means untuk mendukung implementasi Customer Relationship
Management (CRM).
|
Proses dari BAB III ini ada beberapa tahap di mulai dengan
1.
Alur tugas akhir
Ini merupakan blue print dari awal sampai akhir
rangkaian kegiatan yang harus di selesaikan untuk menuntaskan Tugas Akhir.
2.
Analisa persoalan dan manfaat tugas akhir
Dibuatlah perta analisis untuk memudahkan
setiap langkah yang akan di selesaikan, salah satu langkah nya yaitu membuat
diagram sebeb – akibat untuk mempermudah kita memahami masalah yang sedang di
kerjakan dengan mengetahui sebab dan akibat dari masalah tersebut.
3.
Kerangka pemikiran teoritis
Dalam part ini kita dituntut membuat kerangka
pemikiran teoritis untuk memecahkan masalah tersebut, dapat juga digunakan
diagram sebeb – akibat untuk mempermudah nya dan beginilah contoh nya :
Gambar 5 Kerangka Pemikiran
Perancangan Model Klaterisasi Pelanggan.
No
|
Pencapaian
|
Penyebab yang
mendukung
|
Solusi
|
1
|
Klasterisasi pelanggan menggunakan algoritma k-means
untuk mendukung implementasi Customer Relationship Management (CRM).
|
Data
1.
Sampel data pelanggan
2.
Sampel data transaski
Konsep CRM
1.
Strategi
2.
Operasional
3.
Analitik
Data mining
1.
Algoritma k-means
2.
Centroid / pusat cluster
3.
Euclidian distance
4.
Pengelompokan data
|
Membuat model klasterisasi pelanggan menggunakan
algoritma k-means untuk mendukung implementasi Customer Relationship
Management (CRM).
|
Dalam TA ini saya akan mengelompokan pelanggan
kedalam 3 kelompok, apa dasar atau konsep yang saya gunakan untuk memutuskan
jumlah kelompok tersebut? Ini adalah salah satu pertanyaan yang diajukan
penguji saya dan hal ini belum saya antisipasi sebelumnya.
Oke langsung ke contoh saja :
RUMUS PEMBAGIAN CLUSTER
Pelanggan potensial adalah pelanggan yang
memiliki kemungkinan untuk kembali melakukan transaksi diperusahaan dan
memberikan keuntungan yang besar bagi perusahaan. Hal ini dapat dilihat dari
frekuensi belanja dan total belanja masing-masing pelanggan. Salah satu cara
yang dapat dilakukan untuk menentukan pelanggan yang potensial yaitu melakukan
pengelompokan pelanggan. Pengelompokan pelanggan merupakan proses pengelompokan
data pelanggan berdasarkan data transaksi. Pada penelitian ini cara untuk
menetukan jumlah kalster yang tepat yaitu dengan rumus estimasi
n/2 , dimana
“n” adalah objek data. Dengan rumus ini, maka ekspektasi jumlah objek data
dalam suatu klaster adalah
![](file:///C:\Users\Novi\AppData\Local\Temp\msohtmlclip1\01\clip_image002.png)
![](file:///C:\Users\Novi\AppData\Local\Temp\msohtmlclip1\01\clip_image003.png)
![](file:///C:\Users\Novi\AppData\Local\Temp\msohtmlclip1\01\clip_image004.png)
![](file:///C:\Users\Novi\AppData\Local\Temp\msohtmlclip1\01\clip_image005.png)
![](file:///C:\Users\Novi\AppData\Local\Temp\msohtmlclip1\01\clip_image006.png)
![](file:///C:\Users\Novi\AppData\Local\Temp\msohtmlclip1\01\clip_image007.png)
Berdasarkan wawancara yang dilakukan dengan
pihak management bahwa pemberian jenis layanan berupa potongan harga akan
diberikan kepada 2 kalster teratas, maka klaster yang nanti akan digunakan
dalam klasterisasi pelanggan adalah 3 klaster sebagai berikut :
1.
Pelanggan potensial
2.
Pelanggan cukup potensial
3.
Pelanggan tidak potensial
Setelah dikelompokan maka pelanggan akan
diberikan jenis layanan yang berbeda, adapun jenis layanan yang akan diberikan
pada masing-masing kelompok yaitu :
1.
Potongan harga (diskon) 10% untuk pelanggan yang berada
pada kelompok pelanggan potensial.
2.
Potongan harga (diskon) 5% untuk pelanggan yang berada
pada kelompok pelanggan cukup potensial.
3.
Potongan harga (diskon) 0% untuk pelanggan yang berada
pada kelompok pelanggan tidak potensial.
Klasterisasi pelanggan berdasarkan data
pelanggan dan data transaksi dengan menggunakan metode algoritma K-Means. Data
yang akan digunakan dalam penelitian ini adalah data transaksi pada periode
Januari 2018 dengan jumlah total pelanggan sebanyak 211 orang. Pada proses
klasterisasi data akan diambil data sampel sebanyak 35 data secara acak dari
data yang ada. Dalam proses pengelompokan dengan algoritma K-Means akan
digunakan 3 centroid atau pusat cluster.
Selain merujuk pada konsep tersebut
perlu di sesuaikan juga dengan kebutuhan perusahaan dalam mengelompokan
pelanggan.
4. Profil tempat penelitian
Nah ini penting juga teman-teman
mengetahui visi dan misi perusahaan tempat kita melakukan penelitian juga
struktur organisasi jika kita melakukan penelitian pada satu divisi pada
perusahan tersebut, sehingga membuat jelas saat kita presentasi dihadapan
pembimbing bahkan penguji bahwa masalah yang kita angkat mempunyai
batasan-batasan tertentu.
4 point tersebut (bold) yang menjadi acuan terbentuknya BAB III - sampai di tahap ini kita sudah belajar memahami alur dan bahasan BAB I, BAB II, BAB III selanjutnya adalah inti pembahasan dari skripsi nya yaitu BAB VI.. checked out!! ^^
Nice...
ReplyDeleteThanks sangat membantu sekali
ReplyDeletemy pleasure ^^
DeleteNice explanation. You can use our fishbone diagram maker to create them online. Plus we have some ready-made templates covering various scenarios so you can quickly edit and create your own version.
ReplyDeleteThis comment has been removed by the author.
ReplyDeleteThis comment has been removed by the author.
ReplyDeleteSelamat pagi, kak nopi nurhayati. Boleh saya meminta journal ilmiah untuk artikel ini?
ReplyDelete