Metode Klasifikasi Fuzzy RFM


Analisa RFM

Analisa RFM terdiri dari tiga dimensi, yaitu (Tsiptsis dan Chorianopoulos, 2009) :

  1. Recency, yaitu rentang waktu (dalam satuan hari, bulan, tahun) dari transaksi terakhir yang dilakukan oleh konsumen sampai saat ini.
  2. Frequency, yaitu jumlah total transaksi atau jumlah rata-rata transaksi dalam satu periode.
  3. Monetary, yaitu jumlah rata-rata nilai pembelian konsumen dalam suatu satuan waktu.

Sharp RFM

Metode sharp RFM mendeskripsikan atribut recency, frequency, dan monetary dengan variabel linguistik (Zumstein, 2007). Sebagai contoh, atribut recency dideskripsikan dengan bahasa natural  long ago (lama) dan very recent (baru saja). Atribut frequency dideskripsikan dengan bahasa natural rare (jarang)dan frequent (sering). Sedangkan atribut monetary dideskripsikan dengan bahasa natural low value (rendah)dan high value (tinggi). Konteks dari masing-masing atribut didefinisikan sebagai berikut :

  1. Domain atribut recency didefinisikan dalam rentang [0, 730] hari. Rentang nilai ini dibagi menjadi dua kelas yang ekuivalen, yaitu [0, 365] hari untuk variable linguistik very recent dan [366, 730] hari untuk long ago.
  2. Domain atribut frequency didefinisikan dalam rentang [0, 100]. Rentang nilai ini dibagi menjadi dua kelas yang ekuivalen, yaitu [0, 9] untuk variable linguistik rare dan [10, 100] untuk frequent.
  3.  Domain atribut monetary didefinisikan dalam rentang [0, 200] euro. Rentang nilai ini dibagi menjadi dua kelas yang ekuivalen, yaitu [0, 99] euro untuk variable linguistik low value dan [100, 200] euro untuk high value.

Pada Tabel 1, delapan kelas (C1 sampai C8) didefinisikan menggunakan atribut RFM dan variabel linguisik. Untuk setiap kelas ditentukan nilai (score) yang bergantung dari besarnya nilai recency, frequency, dan monetary. Semakin tinggi nilai recency, frequency, dan monetary dari konsumen, semakin tinggi juga nilai (score) yang diperoleh.

Class

RFM attributes, (equivalence classes) and terms

Scores

Recency

Frequency

Monetary value

Days last purchases

Term

Number of purchases

Term

Ø turnover

Term

C1

[0, 365]

Very recent

[10, 100]

Frequent

[0, 99]

Low value

70 p

C2

[0,365]

Very recent

[0, 9]

Rare

[0, 99]

Low value

40 p

C3

[366, 730]

Long ago

[10, 100]

Frequent

[0, 99]

Low value

30 p

C4

[366, 730]

Long ago

[0, 9]

Rare

[0, 99]

Low value

0 p

C5

[0, 365]

Very recent

[10, 100]

Frequent

[100.200]

High value

100 p

C6

[0,365]

Very recent

[0, 9]

Rare

[100.200]

High value

60 p

C7

[366, 730]

Long ago

[10, 100]

Frequent

[100.200]

High value

50 p

C8

[366, 730]

Long ago

[0, 9]

Rare

[100.200]

High value

20 p

 

 

Pada Tabel 2 dibawah ini diberikan contoh nilai recency, frequency, dan monetary dari empat konsumen. Nilai yang diperoleh oleh masing-masing konsumen diberikan berdasarkan ketentuan pada Tabel 1 di atas.

Customer

Class

RFM attributes, (equivalence classes) and terms

Scores

Recency

Frequency

Monetary value

Days last purchases

Term

Number of purchases

Term

Ø turnover

Term

Smith

C3

378

Long ago

11

Frequent

92

Low value

30 p

Ford

C4

723

Long ago

7

Rare

12

Low value

0 p

Brown

C5

342

Very recent

13

Frequent

117

High value

100 p

Miller

C5

14

Very recent

38

Frequent

193

High value

100 p

Dari hasil Tabel 2 di atas terlihat bahwa meskipun Smith dan Brown memiliki nilai monetary yang tidak jauh berbeda, keduanya diklasifikasikan ke dalam kelas yang berbeda. Di lain pihak, Miller diklasifikasikan ke dalam kelas yang sama dengan Brown meskipun unjuk kerja Brown lebih baik daripada Miller. Kekurangan metode sharp RFM disempurnakan dalam fuzzy RFM menggunakan konsep himpunan fuzzy dan fungsi keanggotaan (Zumstein, 2007). Dengan klasifikasi menggunakan metode fuzzy RFM, nilai (score) dari masing-masing konsumen dapat diperhitungkan dengan lebih akurat dan lebih baik (Tabel 3).

Class

Corresponding membership functions

to each class

Mnorm (Oi | Ck)

Fuzzy Calculated RFM Score

Ford

Smith

Brown

Miller

Ford

Smith

Brown

Miller

C1

μvery recent

μfrequent

μlow value

70

0

0

0.14902

0.12810

0

10.43

8.97

0

C2

μvery recent

μrare

μlow value

40

0

0

0.13051

0.09641

0

5.22

3.86

0

C3

μlong ago

μfrequent

μlow value

30

0.42857

0.42857

0.17340

0.11167

12.86

5.20

3.35

0

C4

μlong ago

μrare

μlow value

0

0.57143

0.57143

0.15235

0.08296

0

0

0

0

C5

μvery recent

μfrequent

μhigh value

100

0

0

0.09708

0.17521

0

9.71

17.52

100

C6

μvery recent

μrare

μhigh value

60

0

0

0.8360

0.13427

0

5.02

8.06

0

C7

μlong ago

μfrequent

μhigh value

50

0

0

0.11456

0.15395

0

5.73

7.70

0

C8

μlong ago

μrare

μhigh value

20

0

0

0.09948

0.11732

0

1.99

2.35

0

Total

1

1

1

1

12.86

43.3

51.81

100

Dari hasil Tabel 3 di atas, terlihat bahwa penilaian menggunakan metode fuzzy RFM memberikan hasil yang lebih baik dibandingkan metode sharp RFM. Dalam metode fuzzy RFM, indikator yang penting dalam menentukan klasifikasi adalah derajat keanggotaan dari kelas-kelas yang berbeda dan nilai total dari metode fuzzy RFM. Perbandingan antara metode sharp RFM dengan fuzzy RFM ditunjukkan melalui Gambar berikut ini

fuzzy

 

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s