Fishbone Diagram (Diagram Sebab Akibat) Dan Contoh Kasus

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.

 CONTOH FISHBONE DIAGRAM

                                                          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

  

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!! ^^