PERANCANGAN DATA WAREHOUSE DAN PENERAPAN DATA MINING ANGGOTA COBRAND PADA SISTEM

FREQUENT FLYER : STUDI KASUS PT. GARUDA INDONESIA

KARYA AKHIR

MUJOKO 0706193813

UNIVERSITAS INDONESIA

FAKULTAS ILMU KOMPUTER

PROGRAM STUDI MAGISTER TEKNOLOGI INFORMASI

JAKARTA

JANUARI 2009

PERANCANGAN DATA WAREHOUSE DAN PENERAPAN DATA MINING ANGGOTA COBRAND PADA SISTEM

FREQUENT FLYER : STUDI KASUS PT. GARUDA INDONESIA

KARYA AKHIR Diajukan sebagai salah satu syarat

untuk memperoleh gelar Magister Teknologi Informasi

MUJOKO 0706193813

UNIVERSITAS INDONESIA

FAKULTAS ILMU KOMPUTER

PROGRAM STUDI MAGISTER TEKNOLOGI INFORMASI

JAKARTA

JANUARI 2009

ii

HALAMAN PERNYATAAN ORISINALITAS

Karya Akhir ini adalah hasil karya saya sendiri,

dan semua sumber baik yang dikutip maupun dirujuk

telah saya nyatakan dengan benar.

Nama : Mujoko

NPM : 0706193813

Tanda tangan :

Tanggal : 09 Januari 2009

iii

HALAMAN PENGESAHAN

Karya Akhir ini diajukan oleh : Nama : Mujoko NPM : 0706193813 Program Studi : Magister Teknologi Informasi Judul Karya Akhir : Perancangan Data Warehouse dan Penerapan Data Mining Anggota Cobrand Pada Sistem Frequent Flyer : Studi Kasus PT. Garuda Indonesia Telah berhasil dipertahankan di hadapan Dewan Penguji dan diterima sebagai bagian persyaratan yang diperlukan untuk memperoleh gelar Magister Teknologi Informasi pada Program Studi Magister Teknologi Informasi, Fakultas Ilmu Komputer, Universitas Indonesia.

DEWAN PENGUJI

Pembimbing : Yova Ruldeviyani, M.Kom ( ………………….……... )

Pembimbing : Yudho Giri Sucahyo, Ph.D, CISA ( …….. .………….……... )

Penguji : Dr. Indra Budi ( .………………….…….. )

Penguji : Dr. Achmad Nizar H ( …….................. ……... )

Ditetapkan di : Jakarta

Tanggal : 9 Januari 2009

i

KATA PENGANTAR

Segala puji syukur kepada Allah SWT, karena hanya dengan berkat dan

karunia-Nya penulis dapat menyelesaikan tesis yang berjudul “PERANCANGAN

DATA WAREHOUSE DAN PENERAPAN DATA MINING ANGGOTA

COBRAND PADA SISTEM FREQUENT FLYER STUDI KASUS PT. GARUDA

INDONESIA” ini sesuai dengan yang direncanakan. Tesis ini dibuat guna

melengkapi persyaratan kelulusan pada Program Studi Magister Teknologi

Informasi, Fakultas Imu Komputer, Universitas Indonesia. Saya menyadari bahwa,

tanpa bantuan dan bimbingan dari berbagai pihak, dari masa perkuliahan sampai pada

penyusunan karya akhir ini, sangatlah sulit bagi saya untuk menyelesaikannya. Oleh

karena itu, saya mengucapkan terima kasih kepada:

(1) Orang tua, istri dan ananda Muhammad Ihsan yang telah memberikan dukungan

bantuan berupa api semangat.

(2) Ibu Yova Ruldeviyani, M.Kom sebagai dosen pembimbing yang telah membimbing

penulis selama mengerjakan Tesis ini.

(3) Bapak Yudho Giri Sucahyo, Ph.D, CISA, selaku dosen pembimbing akademik dan

ketua program studi Studi Magister Teknologi Informasi, yang telah menyediakan

waktu, tenaga, dan pikiran untuk mengarahkan saya dalam penyusunan skripsi ini

mulai dari penyusunan proposal hingga Tesis dan jabatannya berakhir

(4) Bapak Dr.Indra Budi selaku penguji dalam sidang tesis

(5) Bapak Dr.Achmad Nizar H. selaku penguji dalam sidang tesis, sekaligus ketua

program studi Magister Teknologi Informasi mendatang dan selamat atas

jabatannya.

(6) Bapak K. Budiyanto, Ibu Lusi, Ibu Cita, Pak Sonny dan segenap staff karyawan

Garuda yang telah bersedia meluangkan waktu untuk menjawab pertanyaan-

pertanyaan penulis dan menyediakan data, semoga Allah membalas kebaikan rekan

semua.

(7) Ibu Connie dan Pak Heru selaku atasan saya yang memberi kesempatan pada saya

untuk mengeksplorasi FFP sebagai bahan kajian.

(8) Sahabat-sahabat saya di FFP yang telah berjuang siang dan malam, Bank

Dukun/Mukhlis, Pak Dipo, Iin, Vera, Jonny dan Gardiary sang pejantan, yang

telah banyak membantu saya dalam menyelesaikan karya akhir ini.

ii

(9) Bang Haikal, yang tela membantu saya selama saya sakit atas dukungannya

berupa materi dan material. Semoga Allah membalas kebaikan abang.

(10) Rekan kelas B dan kelompok ABUDOMM, terima kasih atas kebersamaan

dan kenangan indah yan tak terlupakan selama di MTI.

(11) Kang Asep dan Dodick dengan tumpangan kendaraan setiap saya pulang

selama kuliah.

(12) Mas Ganda yang telah menyumpahi saya agar mendapat nilai yang terbaik.

Akhir kata, saya berharap Tuhan Yang Maha Esa berkenan membalas

segala kebaikan semua pihak yang telah membantu. Semoga karya akhir ini

membawa manfaat bagi pengembangan ilmu.

Jakarta, 9 Januari 2009

Penulis

iii

HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI

KARYA AKHIR UNTUK KEPENTINGAN AKADEMIS

Sebagai sivitas akademik Universitas Indonesia, saya yang bertanda tangan di bawah ini: Nama : Mujoko NPM : 0706193813 Program Studi : Magister Teknologi Informasi Departemen : Magister Teknologi Informasi Fakultas : Ilmu Komputer Jenis Karya : Tesis Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Indonesia Hak Bebas Royalti Nonekslusif (Non-exclusive Royalty-Free Right) atas karya ilmiah saya yang berjudul : Perancangan Data Warehouse dan Penerapan Data Mining Anggota Cobrand Pada Sistem Frequent Flyer : Studi Kasus PT. Garuda Indonesia Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non-ekskutif ini Universitas Indonesia berhak menyimpan, mengalihmedia/formatkan, mengelola dalam bentuk pangkalan data (database). Merawat, dan mempublikasikan karya akhir saya tanpa meminta izin dari saya selama tetap mencantumkan saya sebagai penulis/pencipta dan sebagai pemilik Hak Cipta. Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di : Jakarta Pada tanggal : .09 Januari 2009

Yang menyatakan

(………Mujoko…………)

iv

ABSTRACT

Globalization is now inevitable, which causes airlines to face a major problem nowadays. Time becomes major influence in decission making. If the management takes a lot of time in decision making, then company will be stagnant or even decline. There are needs to execute business decision with little time consuming, so that more opportunities can be captured with less cost. In addition to time consuming, accuracy is also a vital necessity for mature analysis and rational calculation. Any information from the insignificant one, as long as it is relevance and accurate can be used as an opportunity for increasing revenue. The main principle is how to optimize aircraft load to its maximum capacity as often as possible. In the context of winning a competition, the combination of a flexible management style and utilization of Information Technology become a vital element. Any business entity can survive depends on the existence of its customer. In order to gain more customer, business player has to execute strategy and innovation. This is necessary to influence people in choosing services provider. In this case, the context is airline service business. Any kind of Loyality Program such as Garuda Frequent Flyer (GFF), has important role in targeting core customer, i.e. customer that give the highest revenue to the company. GFF operational system that keeps information of customer profile and flight transaction, needs to be collected into a single form of data warehouse and updated periodically, so that reporting function can be executed without affecting operational performance. The extensive use of data with datamining technique could assist management in making the right decision based on historical data. Additionally, datamining has to be relevance and being part of business process in order to improve business performance. The focus of this research is to develop initial phase of datamining that can be scaled up in future, not a practical solution that can be directly used. Keyword : Data Warehouse, Data Mining, Frequent Flyer, Garuda Frequent Flyer xii+109 pages; 35 figures; 10 tables; 8 attachments; 0 technical documentation Bibliography: 16 (2001- 2008)

v

ABSTRAK

Globalisasi memang arus yang tidak bisa ditangkal. Airlines menghadapi masalah besar pada saat ini dan hari-hari mendatang. Manajemen yang terbiasa lambat mengambil keputusan dipastikan hanya akan membawa perusahaannya stall. Diperlukan kecepatan dalam mengeksekusi bisnis, agar kesempatan dapat diraih lebih banyak. Selain kecepatan, diperlukan juga ketepatan pengambilan keputusan, berdasarkan analisa perhitungan yang rasional dan matang. Persaingan mengkondisikan bisnis airlines dalam kondisi perang total. Informasi yang sekecil apapun tetapi relevan dimanfaatkan sebagai sebuah peluang untuk meningkatkan pendapatan. Prinsipnya adalah bagaimana memenuhi kapasitas angkut pesawat secara maksimal dan sesering mungkin. Dalam konteks memenangkan persaingan ini perpaduan antara gaya manajemen yang fleksibel dan peran teknologi informasi menjadi amat vital. Setiap bisnis akan tetap eksis jika dia memiliki customer. Untuk mendapatkan customer, pelaku bisnis melakukan berbagai strategi dan inovasi yang akan mempengaruhi ketertarikan orang dan memutuskan menggunakan layanan yang ditawarkan oleh penyedia layanan jasa/barang, dalam hal ini layanan angkutan penerbangan. Loyality program semacam Garuda Frequent Flyer (GFF), memegang peranan penting untuk membidik core customer, customer yang paling banyak memberikan benefit bagi perusahaan. Sistem operasional GFF yang menyimpan data anggota dan transaksi penerbangan, perlu dikumpulkan dalam satu bentuk data warehouse dan secara periodik di-update, sehingga reporting dapat dieksekusi dari data warehouse tanpa mempengaruhi kinerja operasional. Penggunaan data yang ekstensif dengan menggunakan teknik data mining dapat membantu managemen dalam mengambil kebijakan yang tepat berdasar data-data historical. Agar data mining dapat mempengaruhi bisnis, maka data mining sendiri harus relevan dan menjadi bagian dari bisnis proses. Kata Kunci : Data Warehouse, Data Mining, Frequent Flyer, Garuda Frequent Flyer xii+109 halaman; 35 gambar; 10 table; 8 lampiran; 0 technical documentation Bibliography: 16 (2001- 2008)

vi

DAFTAR ISI

KATA PENGANTAR........................................................................................................................ I

ABSTRACT....................................................................................................................................... IV

ABSTRAK..........................................................................................................................................V

DAFTAR ISI .................................................................................................................................... VI

DAFTAR GAMBAR.........................................................................................................................X

DAFTAR TABEL...........................................................................................................................XII

BAB I PENDAHULUAN...................................................................................................................1

1.1 LATAR BELAKANG .....................................................................................................................1 1.2 PERMASALAHAN ........................................................................................................................2 1.3 PEMBATASAN MASALAH............................................................................................................3 1.4 TUJUAN DAN MANFAAT PENELITIAN.........................................................................................4

BAB II LANDASAN TEORI ............................................................................................................5

2.1 DATA WAREHOUSE ......................................................................................................................5 2.1.1 Definisi Data Warehouse ..................................................................................................5 2.1.2 Penelitian Implementasi Data Warehouse .......................................................................6 2.1.3 Sistem Operasional dan Sistem Pendukung Pengambilan Keputusan ............................7 2.1.4 Keuntungan Data Warehouse ...........................................................................................8 2.1.5 Kategori Data pada Data Warehouse ............................................................................10 2.1.6 Arsitektur Data Warehouse.............................................................................................10 2.1.7 Tahapan Data Warehouse...............................................................................................12 2.1.8 Desain Data Warehouse..................................................................................................15

2.2 DATA MINING ............................................................................................................................17 2.2.1 Definisi Data Mining.......................................................................................................17 2.2.2 Teknik Data Mining.........................................................................................................18 2.2.2.1 Predictive Modeling .....................................................................................................19 2.2.2.2 Database Segmentation dengan Clustering.................................................................21 2.2.2.3 Link Analysis ................................................................................................................22 2.2.2.4 Deviation Detection......................................................................................................23 2.2.3 Tahap-Tahap Data Mining .............................................................................................24

2.3 BISNIS AIRLINE DAN DATA MINING ...........................................................................................27

vii

2.3.1 Loyalty Program dan Frequent Flyer Program .............................................................28 2.4 TOOLS DEVELOPMENT...............................................................................................................30

2.4.1 Pentaho Data Integration (PDI/Kettle) ..........................................................................30 2.4.2 Mondrian .........................................................................................................................31

2.5 KEBUTUHAN DATA MINING DALAM FREQUENT FLYER PROGRAM ............................................31

BAB III METODOLOGI PENELITIAN......................................................................................32

3.1 PENGUMPULAN DATA ..............................................................................................................32 3.2 KEBUTUHAN BISNIS DAN INFORMASI ......................................................................................32 3.3 PERANCANGAN DATA WAREHOUSE ..........................................................................................33 3.4 IMPLEMENTASI DATA MINING...................................................................................................33

BAB IV PERANCANGAN DATA WAREHOUSE .....................................................................36

4.1 PROFIL PERUSAHAAN...............................................................................................................36 4.1.1 Latar Belakang Perusahaan ...........................................................................................37 4.1.2 Visi dan Misi Perusahaan ...............................................................................................37 4.1.3 Struktur Organisasi Perusahaan ....................................................................................38

4.2 PEMAHAMAN TERHADAP PROSES BISNIS ................................................................................40 4.2.1 Pendaftaran (Enrollment) ...............................................................................................42 4.2.2 Upgrade/Downgrade Tier ...............................................................................................43 4.2.3 Aktifitas Earning Anggota...............................................................................................44 4.2.4 Aktifitas Redeem Anggota ...............................................................................................44 4.2.5 Keseimbangan Accrual dan Reedem........................................................................45 4.2.6 Kerja Sama Partner.........................................................................................................45

4.3 PERANCANGAN ARSITEKTUR ...................................................................................................45 4.3.1 Arsitektur logical .............................................................................................................46 4.3.2 Arsitektur Fisik ................................................................................................................47 4.3.4 Sumber Data....................................................................................................................48 4.3.5 Data Staging....................................................................................................................49 4.3.6 Proses ETL ......................................................................................................................50 4.3.6.1 Proses Extract .......................................................................................................50 4.3.6.2 Proses Cleansing...................................................................................................51 4.3.6.3 Proses Transformasi .............................................................................................52 4.3.6.4 Proses Loading......................................................................................................53 4.3.7 Model Data Warehouse...................................................................................................55 4.3.6.1 Model Customer....................................................................................................55 4.3.6.2 Model Air Transaction (Earning).........................................................................56 4.3.6.3 Model Non Air Transaction (Earning) .................................................................57 4.3.6.4 Model Certificate Transaction (Spending)..........................................................58

viii

4.3.6.5 Tabel Dimensi .......................................................................................................60 4.3.6.5.1 Dimensi Airport.........................................................................................................60 4.3.6.5.2 Dimensi Location ......................................................................................................60 4.3.6.5.3 Dimensi Gender.........................................................................................................60 4.3.6.5.4 Dimensi Customer Status ..........................................................................................61 4.3.6.5.5 Dimensi Member Tier Composition..........................................................................61 4.3.6.5.6 Dimensi Booking Class .............................................................................................61 4.3.6.5.7 Dimensi Time.............................................................................................................61 4.3.6.5.8 Dimensi Operating Flight Number ...........................................................................62 4.3.6.5.9 Dimensi Partner ........................................................................................................62

BAB V IMPLEMENTASI DATA WAREHOUSE ......................................................................63

5.1 PRESENTASI DATA WAREHOUSE................................................................................................63 5.2 PENYEDIAAN INFORMASI .........................................................................................................64

5.2.1 Informasi Customer.........................................................................................................65 5.2.2 Informasi Earning/Accrual Traffic .................................................................................69

5.2.3 INFORMASI REDEEM TRAFFIC ................................................................................................70 5.3 PENGARUH PERUBAHAN ..........................................................................................................71

BAB VI IMPLEMENTASI DATA MINING.................................................................................74

6.1 PEMAHAMAN TERHADAP BISNIS..............................................................................................74 6.2 SUMBER DATA .........................................................................................................................75 6.3 PEMILIHAN TEKNIK DAN PERANGKAT LUNAK DATA MINING.................................................76 6.4 PERSIAPAN DATA ............................................................................................................77

6.4.1 Persiapan Data Teknik Association Rule..................................................................77 6.4.2 Persiapan Data Teknik Decision Tree ......................................................................81

6.5 ANALISA HASIL UJI COBA...............................................................................................82 6.5.1 Analisa Hasil Uji Coba Dengan Teknik Association Rule.......................................82 6.5.2 Analisa Hasil Uji Coba Dengan Teknik Decision Tree ...........................................85

BAB VII KESIMPULAN ................................................................................................................89

7.1 KESIMPULAN ...................................................................................................................89 7.2 SARAN .............................................................................................................................90

DAFTAR PUSTAKA.......................................................................................................................91

LAMPIRAN-LAMPIRAN ..............................................................................................................93

LAMPIRAN 1 ...................................................................................................................................93

LAMPIRAN 2 ...................................................................................................................................97

LAMPIRAN 3 .................................................................................................................................102

ix

LAMPIRAN 4 .................................................................................................................................103

LAMPIRAN 5 .................................................................................................................................104

LAMPIRAN 6 .................................................................................................................................107

LAMPIRAN 7 .................................................................................................................................108

LAMPIRAN 8 .................................................................................................................................109

x

DAFTAR GAMBAR

Gambar 2.1 Arsitektur data warehouse (Ponniah, 2001)..................................... 11

Gambar 2.2 – Contoh transformasi single-field (Zain, 2008) ............................... 14

Gambar 2.3 – Contoh transformasi multi-field (Zain, 2008) ................................ 14

Gambar 2.4 Star Schema (Ponniah, 2001) ............................................................ 16

Gambar 2.5 Snow flake Schema (Ponniah, 2001) ................................................. 17

Gambar 2.6 Clasification menggunakan tree induction

(http://www.cse.unsw.edu.au/~billw/cs9414/notes/ml/06prop/id3/id3.html)....... 20

Gambar 2.7 Clasification menggunakan neural network (Connonly and Begg,

2005) ..................................................................................................................... 20

Gambar 2.9 Tahap-tahap data mining (Zein, 2008).............................................. 24

Gambar 3.1 Tahap-tahap metodologi penelitian................................................... 34

Gambar 4.1-Struktur Organisasi Executive Vice President .................................. 38

Gambar 4.2- Struktur Organisasi Customer Relation Management. .................... 39

Gambar 4.3- Arsitektur logical Garuda Frequent Flyer....................................... 47

Gambar 4.4- Arsitektur fisik data warehouse Garuda Frequent Flyer ................ 48

Gambar 4.5- Alur transformasi transaksi penerbangan anggota GFF................... 52

Gambar 4.6- Alur transformasi tabel AIRPORT ................................................... 53

Gambar 4.7- Skema job pada Spoon yang mengurutkan pengerjaan transformasi

yang telah dibuat sebelumnya ............................................................................... 54

Gambar 4.8- Model skema bintang enrollment anggota GFF............................... 55

Gambar 4.9- Model skema bintang aktifitas penerbangan anggota...................... 57

Gambar 4.10- Model skema bintang aktifitas bukan penerbangan (non air activity)

anggota GFF.......................................................................................................... 58

Gambar 4.11- Model skema bintang redeem (penggunaan mileage) anggota GFF

............................................................................................................................... 59

Gambar 5.1- Contoh report Customer per branch office pada tahun 2007........... 66

Gambar 5.2- Contoh report Customer per Tier Composition pada tahun 2007.... 67

Gambar 5.3 - Contoh report Customer per yang melakukan aktivasi pada tahun

2007....................................................................................................................... 67

xi

Gambar 5.4 Informasi Customer yang terdistribusi dalam beberapa tier yang di

slice hanya tahun 2007 dan drill-down berdasar usianya...................................... 68

Gambar 5.5 Informasi Enrolment Customer yang terdistribusi dalam dalam tahun

pendaftaran dilengkapi dengan grafik trend enrollment. ...................................... 68

Gambar 5.6- Earning mileage customer yang di-slice berdasarkan Origin

Destination airport penerbangan .......................................................................... 69

Gambar 5.7- Earning mileage customer yang di slice berdasarkan Origin

Destination airport penerbangan yang dilengkap dengan grafik pie chart. ......... 70

Gambar 5.8- Contoh report redeem activity per branch office pada tahun 2007 . 71

Gambar 5.9- Langkah-langkah implementasi jenis report baru. .......................... 72

Gambar 6.1 Building block menggunakan Rapid miner Community 4.2 dengan

teknik data mining association rule ...................................................................... 78

Gambar 6.2 Building block metode Decision tree menggunakan Rapidminer

Community 4.2 ...................................................................................................... 82

Gambar 6.3 Bagian dari diagram pohon karakter anggota Cobrand yang

mendaftar melalui channel Cobrand atau Citibank .............................................. 85

Gambar 6.4 Bagian diagram pohon karakter anggota Cobrand yang mendaftar

melalui Customer Self Service (CSS).................................................................... 86

Gambar 8.1 Pola anggota GFF Cobrand yang melakukan pendaftaran melalui

jalur BO............................................................................................................... 102

Gambar 8.2 Pola anggota GFF Cobrand yang melakukan pendaftaran melalui

jalur BO, CSS dan jalur Citibank atau disebut channel Cobrand...................... 103

xii

DAFTAR TABEL

Tabel 2.1 Tabel operasi data mining dan teknik yang digunakannya (Zein, 2008)

............................................................................................................................... 19

Tabel 3.1 Alur Pengerjaan..................................................................................... 35

Tabel 4.1- Platform database sistem GFF operasional dan pertambahan data.... 49

Tabel 4.2-Perbandingan sumber data GFF dan DatabaseTemp............................ 50

Tabel 4.3-Perbedaan format data .......................................................................... 51

Tabel 4.4-Ketidak konsistenan data penerbangan anggota GFF karena duplikasi

data. ....................................................................................................................... 51

Tabel 6.1 Tabel sebelum transformasi ................................................................. 79

Tabel 6.2 Tabel setelah transformasi/preprocessing ........................................... 80

Tabel 6.3 Model Rule dengan kesimpulan masa keanggotaan Cobrand dalam

mendaftar melalui channel BO ............................................................................. 83

Tabel 6.4 Model Rule dengan kesimpulan masa keanggotaan Cobrand dalam

range1, range2, dan range2. ................................................................................. 84

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Kebutuhan informasi bagi organisasi bisnis adalah kebutuhan utama yang

harus dipenuhi agar bisnis organisasi tersebut dapat bertahan dalam persaingan.

Pemanfaatan teknologi untuk menggali dan menyimpan berbagai informasi

menjadi penting adanya agar pengolahan dan pengelolaannya bisa optimal.

Teknologi data warehouse dan teknik data mining adalah salah satu teknologi

yang digunakan dalam Bisnis Intelligent (BI). Baik data warehouse dan data

mning bersumber pada aktifitas organisasi yang bersangkutan dengan tujuan

mendapat competitive advantage melalui analisis data internal

Frequent Flyer Program adalah program yang memberikan apresiasi

berdasarkan loyalitasnya. Frequent Flyer Program setiap airline brand-nya

berbeda-beda. Lufthansa Airline memiliki miles and more, Singapore Airline

memiliki KrisFlyer dan Garuda Airline (GA) memiliki Garuda Frequent Flyer

atau disingkat GFF. Program frequent flyer pada prinsip adalah customer akan

mendapatkan reward berupa poin (disebut miles) untuk setiap penerbangan

bersama pemilik airline atau airline partner, dan besarnya reward tergantung

pada jarak terbang, frekuensi terbang dan level member .

Jumlah anggota aktif GFF saat ini mencapai sekitar 300 000, meningkat 100

000 orang di tahun sebelumnya. Anggota GFF memiliki tingkatan/level disebut

Tier. Semakin banyak transaksi anggota dengan GA semakin besar pula poin

yang dikumpulkan dan tingkatan member. Tier tersebut berturut-turut dari rendah

ke tinggi adalah Temp, Blue, Silver , Gold dan Platinum dengan fasilitas dan

keuntungan yang berbeda.

2

Seiring waktu, data transaksi GFF terus meningkat seiring bertambah

banyaknya promosi-promosi juga peningkatan data customer. Data-data tersebut

disimpan dalam database. Tetapi pertumbuhan data yang pesat tersebut telah

menciptakan kondisi menumpuknya data tidak bisa diutilisasi sebagai sumber

informasi dan bernilai hanya sebagai tumpukan data. Data-data tersebut harus

dapat dikonversikan menjadi suatu informasi yang berguna.

Diperlukan suatu tools atau teknik yang dapat digunakan untuk menggali

lebih dalam informasi penting yang dapat diperoleh di dalam database. Business

Intelligence (BI) merupakan tools yang mampu menjawab kebutuhan di atas. BI

telah banyak digunakan oleh berbagai perusahaan dalam mengelola data dan

informasi sampai dengan dukungan pengambilan keputusan.

Anggota GFF Cobrand adalah jenis anggota yang memiliki kartu kredit

Citibank. Level tier anggota Cobrand menempati posisi Platinum, posisi tertinggi

dalam level GFF. Anggota jenis ini tidak harus melalui tier yang lebih rendah

yakni Temp, Blue, Silver dan Gold. Anggota Cobrand dianggap sebagai customer

yang potensial karena dengan kepemilikan kartu kredit, maka diasumsikan

customer tersebut masuk pada golongan orang yang memiliki pendapatan tinggi.

Timbul pertanyaan “Bagaimanakah rancangan data warehouse yang

mendukung penerapan data mining anggota Cobrand pada Sistem Frequent Flyer

di Garuda Indonesia?”.

1.2 Permasalahan

Kondisi sistem operasional GFF menampung banyak data yang lebih

banyak penggunaannya digunakan untuk kegiatan oprasional. Penggunaan data

sebagai sumber analisis adalah melalui modul reporting dari sistem GFF sendiri.

Beberapa kendala dalam penyediaan data analisis tersebut adalah;

Sistem report GFF dapat secara signifikan mengurangi performance

aplikasi hingga mengganggu jalannya aplikasi.

3

Standar report yang tersedia belum memadai dengan adanya report yang

terus berkembang.

Adanya kecenderungan permintaan report yang semakin kompleks dari

waktu ke waktu.

Terus bertambahnya jumlah report dengan tingkat kompleksitas yang

makin beragam.

Report yang tersedia belum belum memiliki informasi yang ditampilkan

secara visual sehingga mudah di baca oleh stakeholder.

Sering terjadi request report yang harus tersedia saat itu juga.

Informasi rutin maupun insidental yang dibutuhkan oleh level-level

pimpinan untuk proses perencanaan maupun pengambilan keputusan

terkadang relatif sulit disajikan.

Rumusan masalah dalam penelitian ini adalah merancang bangun sistem

pengelolaan data yang baik dan dapat menghasilkan informasi sesuai kebutuhan

secara cepat dan mudah dimengerti.

1.3 Pembatasan Masalah

Penelitian ini bertujuan untuk membantu divisi Customer Loyalty Garuda

dalam pembangunan data warehouse dan penerapan teknik data mining, sehingga

dapat mempermudah proses ekstraksi informasi yang dibutuhkan guna menggali

dan memprediksi potensi-potensi yang ada.

Pembangunan BI meliputi perancangan data warehouse dan pemanfaatan

data mining. Berdasarkan pertanyaan di sub bab latar belakang, ruang lingkup

penelitian yaitu perancangan data warehouse dan pemanfaatan data mining,

dalam rangka meningkatkan kualitas dan pelayanan Garuda Airlines. Lingkup

organisasi dibatasi pada divisi Customer Loyality.

4

1.4 Tujuan dan Manfaat Penelitian

Penelitian ini bertujuan untuk membantu divisi Customer Loyalty Garuda

dalam pembangunan BI dengan cakupan data warehouse dan penerapan teknik

data mining untuk anggota Cobrand, sehingga dapat mempermudah proses

ekstraksi informasi yang dibutuhkan guna menggali dan memprediksi potensi-

potensi yang ada atau lebih spesifik untuk menilai customer equity untuk setiap

jenis customer.

Dengan pengumpulan data ke dalam data warehouse dan penerapan data

mining diharapkan dapat membantu perusahaan dalam menghadirkan quality of

service yang baik. Dengan dipisahnya data online transaction processing (OLTP)

dan data warehouse diharapkan performance tidak terganggu saat membuat

report. dan diharapkan dapat memperoleh informasi-informasi strategic dari data

sistem GFF.

5

BAB II

LANDASAN TEORI

Pada bagian ini penulis menjelaskan landasan teori yang menjadi acuan

dalam penelitian ini yaitu landasan teori mengenai data warehouse dan data

mining. Pada sub bab data warehouse penulis menjelaskan pengertian data

warehouse, model arsitektur data warehouse yang akan digunakan berikut teknik

dan proses yang akan dilakukan untuk membentuknya. Pada sub data mining akan

dijelaskan mengenai pengertian dan kegunaan data mining berikut teknik dan

proses membuatnya.

2.1 Data Warehouse

Data warehouse merupakan database relational yang didesain untuk

melakukan lebih dari sekedar proses transaksi tapi lebih mengarah pada proses

query dan analisa. Biasanya terdiri dari historical data yang diambil dari

transaction data, tapi bisa juga berasal dari sumber yang lain. Data warehouse

memisahkan antara analisa dan transaksi dan memungkinkan suatu organisasi

untuk mengkonsolidasikan data dari beberapa source.

2.1.1 Definisi Data Warehouse

Muntean (2007) mendefinisikan data warehouse sebagai kumpulan

informasi yang disimpan dalam database yang digunakan untuk mendukung

pengambilan keputusan dalam sebuah organisasi. Data dikumpulkan dari berbagai

aplikasi yang telah ada. Data yang telah dikumpulkan tersebut kemudian

divalidasi dan direstrukturisasi lagi, untuk selanjutnya disimpan dalam data

warehouse. Pengumpulan data ini memungkinkan para pengambil keputusan

untuk pergi hanya ke satu tempat untuk mengakses data yang ada tentang

organisasinya.

Sebagai tambahan, data memuat proses extraction, transportation,

transformation, and loading (ETL) solution, mesin online analytical processing

6

(OLAP), client analysis tools, dan aplikasi lainnya yang mengatur proses

pengumpulan dan pengiriman data ke user.

Data warehouse sering menjadi bagian inti dari infrastruktur business

intelligent (BI) organisasi. Data warehouse adalah kumpulan dari basis data yang

terintegrasi dan subject oriented yang didesign untuk mendukung DSS (Decision

Support Systems). Karakter utama dari data warehouse antara adalah lain

(Muntean et al, 2007):

• Subject oriented, data disusun dan diorganisasikan berdasarkan

bagaimana users menggunakannya.

• Semua sifat ketidak konsistenan yang disebabkan oleh kesepakatan

penamaan dan representasi nama dihilangkan

• Time Variant, data bersifat kekinian tapi lebih bersifat time series.

• Non volatile, data di simpan dalam dalam format read-only dan tidak

akan berubah.

2.1.2 Penelitian Implementasi Data Warehouse

Bentuk-bentuk penelitian dalam perancangan data warehouse meliputi

berbagai bidang. Data warehouse dimanfaatkan untuk mendapatkan informasi

kinerja dosen (jumlah mata kuliah yang diajarkan, jumlah kelulusan/

ketidakllusan), kinerja mahasiswa (jumlah mata kuliah yang lulus/tidak lulus

dibanding mata kuliah yang diambil), summary tiap nilai mata kuliah yang

memiliki nilai A, B, dan C, (Handojo et al, 2004). Data warehouse juga

digunakan dibidang medis untuk membantu menyediakan sumber data dalam

infrastruktur BI dunia medis. BI dalam mengambil keputusan dalam memberikan

tindakan terbaik terhadap pasien (Bhattacharyya ,2005).

Menurut Bhattacharyya (2005), BI adalah serangkaian proses untuk

mengubah data menjadi informasi yang pada akhirnya menjadi pengetahuan

Data adalah angka-angka, gambar, kata-kata dan lain-lain. Data mendorong

terbentuknya informasi atau pengetahuan. Aplikasi operasional menyimpan data

transaksi secara simultan, sehingga pertambahan data tidak bisa dihindarkan.

7

Semakin besar data tersimpan, akan mempengaruhi performace aplikasi, terutama

modul reporting.

Handojo dan Silivia (2004) melaporkan bahwa pada kasus implementasi

data warehouse di Universitas Petra Surabaya, dengan adanya data warehouse,

proses penyusunan laporan menjadi lebih sederhana, karena pengguna bisa

melakukan customization report sesuai dengan yang diinginkan, sehingga tercipta

efisiensi waktu dari yang sebelumnya satu bulan (dengan program tambahan) atau

seminggu (manual) menjadi satu hari.

Ariana (2007) juga menyebutkan hal yang sama bahwa implementasi data

warehouse dalam organisasinya (Universitas Nasional) membantu pengambil

kebijakan. Pada kasus UNAS lebih spesifik digunakan untuk mengenali pola

karakterisitik mahasiswa yang mengambil program peminatan tertentu di program

studi Manajemen Perusahaan UNAS dengan dibantu data mining.

2.1.3 Sistem Operasional dan Sistem Pendukung Pengambilan Keputusan

Data operasional dan data yang tersimpan berbeda. Ponniah (2001)

memaparkan perbedaan tersebut diantaranya;

1. Dalam sistem operasional, data yang disimpan menunjukan data yang

sekarang (Current Values), sedangkan apa yang tersimpan dalam data

warehouse adalah data archived atau data sebagai hasil penurunan-

penurunan atau summarized dari suatu data besar.

2. Dilihat dari struktur keduanya juga berbeda, data operasional didesign

dengan sedemikian sehingga optimum untuk melakukan transaksi,

sedangkan dalam data warehouse dioptimalkan untuk menghandle query

yang rumit.

3. Penggunaan data operasional bersifat perulangan, sedangkan data

warehouse bersifat ad-hoc, acak dan heuristic.

4. Ditinjau dari frequency mengaksesnya, data operasional sangat sering

diakses sedangkan data warehouse levelnya sedang atau jarang.

5. Jika dalam data operasional akses terhadap datanya bisa read, update atau

bahkan delete, maka dalam data warehouse hanya bisa read.

8

6. Jumlah pengguna juga berbeda, jika operasional digunakan oleh orang

banyak, sedangkan data warehouse oleh beberapa orang saja untuk

mendukung analisa keputusan.

Perbedaan tersebut adalah karena memang adanya perbedaan tujuan dari

dibuatnya sistem. Data Operasional digunakan untuk menjalankan operasional

bisnis dengan cara memasukan data-data kedalamnya. Dalam data warehouse

tujuannya adalah mendapatkan informasi yang bisa mendukung pengambilan

keputusan. Pengguna bisa produk mana yang menjadi favorit, daerah mana yang

banyak mengalami masalah penjualan, kenapa bisa terjadi masalah (drill down),

yang pada prinsipnya untuk menangkap peluang dan mengurangi resiko dalam

menjalankan bisnis.

2.1.4 Keuntungan Data Warehouse

Implementasi data warehouse yang tepat dapat memberikan keuntungan-

keuntungan antara lain:

1. Meningkatkan produktifitas dari pengambil keputusan perusahaan

Data warehouse meningkatkan produktifitas dari pengambil keputusan

perusahaan dengan membuat integrasi database yang konsisten, berorientasi

subject dan historical data. Data warehouse mengintegrasikan data dari banyak

sistem yang tidak kompatibel menjadi suatu bentuk yang menyediakan satu

tampilan yang konsisten mengenai perusahaan. Dengan mentransformasikan

data menjadi informasi yang berguna, data warehouse mengijinkan si

pengambil keputusan untuk melakukan analisis lebih sesuai dengan kenyataan ,

akurat dan konsisten.

2. Potensi ROI (Return On Investment) yang besar

Suatu perusahaan akan mengeluarkan sumber daya yang cukup besar

untuk mengimplemtasikan data warehouse dan pengeluaran yan berbeda-beda

sesuai dengan variasi solusi teknikal yang akan diterapkan pada perusahaan.

Bagaimana pun juga. Suatu studi oleh International Data Corporation (IDC)

9

pada tahun 1996 melaporkan bahwa rata-rata tiga tahun return of investment

(ROI) dalam data warehouse mencapai 401% dengan lebih dari 90% dari

perusahaan yang disurvei mencapai lebih dari 40% ROI, setengah dari

perusahaan mencapai lebih dari 160% ROI, dan seperempat lebih mendapat

lebih dari 600% ROI (IDC, 1996);

3. Competitive Advantage

Return on investment yang besar dari perusahaan yang berhasil

mengimplementasikan suatu data warehouse adalah bukti dari sangat besarnya

competitive advantage yang dapat diperoleh dengan menggunakan teknologi in.

Competitive advantage diperoleh dengan mengijinkan si pengambil keputusan

untuk mengakses data tersembunyi yang sebelumnya tidak tersedia, tidak di

ketahui, dan tidak dimanfaatkan seperti data mengenai pelanggan, tren, dan

permintaan.

Berikut adalah contoh-contoh peluang yang ada karena ketersediaan

informasi strategic menurut Ponniah (2001):

Ketersediaan informasi strategic di salah satu bank terbesar di United

States dengan asset $250 billion memberikan kesempatan pada users untuk

membuat keputusan yang cepat untuk mempertahankan nilai mereka pada

customer.

Pada kasus organisasi pelayanan kesehatan yang besar, terjadi peningkatan

yang signifikan program-program pelayanan kesehatan yang terealisasi,

dengan hasil 22% penurunan kunjungan emergency room, 29% penurunan

terhadap pasien anak asma, diabetes dan peningkatan tingkat vaksinasi dan

lebih 100.000 performance report dibuat untuk pasien dan apoteker.

Komunitas apoteker yang bersaing dalam skala nasional dengan lebih dari

800 franchise apotik mengerti betul apa yang dibutuhkan oleh customer,

hasilnya penurunan level inventory, meningkatkan efektifitas promosi dan

marketing, meningkatkan keuntungan bagi perusahaan.

10

2.1.5 Kategori Data pada Data Warehouse

Untuk memahami data warehouse lebih dalam, ada dua aspek penting

yang harus di pahami yaitu pertama adalah memahami tipe spesifik

(classification) dari data yang akan disimpan di data warehouse dan kedua

mengenai tahapan proses dalam pembuatan data warehouse . Mengenai kategori

pada data warehouse, kategori ini diakomodasikan berdasarkan time-dependent

data sources.

Adapun klasifikasinya adalah sebagai berikut ini: (Kantardzic, 2003)

1. Old detail data (data lama)

2. Current (new) detail data (data saat ini atau baru)

3. Lightly summarize data (data yang disimpulkan secara ringan)

4. Highly summarize data (data yang disimpulkan secara berat)

5. Metadata (direktori data atau panduan tentang data)

2.1.6 Arsitektur Data Warehouse

Arsitektur dalam data warehouse mencakup pengaturan yang benar

komponen-komponen penyusun data warehouse, baik itu software ataupun

hardware. Untuk mempermudah proses pembangunan suatu data warehouse

diperlukan pemilihan arsitektur yang tepat dan pemahaman yang baik terhadap

arsitektur data warehouse. Berikut adalah komponen-komponen penyusun data

warehouse.

Pada sub bab ini ini di jelaskan mengenai arsitektur dan komponen utama

dari data warehouse (Anahory dan Murray, 1997) beserta proses tools, dan

teknologi yang berhubungan dengan data warehouse. Untuk lebih jelasnya dapat

dilihat pada Gambar 2.1 berikut ini.

11

Gambar 2.1 Arsitektur data warehouse (Ponniah, 2001)

• Komponen Sumber Data

• Production Data

• Internal Data

• Archived Data

• External Data

• Data Staging Component

• Data Extraction

• Data Transformation

• Data Loading

• Data Storage Component

• Information Delivery Component

• Metadata Component

• Managament and Control Component

12

2.1.7 Tahapan Data Warehouse

1. Studi kelayakan, pada phase ini melakukan kajian strategic analysis,

termasuk mengevaluasi bisnis line organisasi. Studi kelayakan mencakup

mendefinisikan aktifitas-aktifitas, biaya-biaya, keuntungan, faktor-faktor

untuk kesuksesan sistem dimasa yang akan datang.

2. Analisa bentuk perusahaan, pengertian/pengetahuan bisnis yang

dijalankan dan mengidentifikasi kebutuhan bisnis (business requirements

identification).

3. Perancangan arsitektur data warehouse, arsitektur logic dan arsitektur

fisik. Tahap ini dilakukan setelah komponen-komponen dalam organisasi

didefinisikan terlebih dahulu.

4. Pemilihan teknologi sebagai solusi, mengidentifikasi teknologi-teknologi

yang mungkin di gunakan untuk implemetasi arsitektur data dan arsitektur

aplikasi dan juga untuk arsitektur sistem support.

5. Perencanaan iterasi project, implementasi data warehouse dengan satu

subject area dalam satu waktu yang diukur dengan skala prioritas dan

kebutuhan bisnis.

6. Detail designing (data warehouse modeling), adalah pemodelan data

warehouse secara lengkap.

Memilih tahapan atau proses yang tepat untuk mengkonstruksi data

warehouse adalah langkah yang kritis dalam pembuatan suatu data warehouse.

Data pada data warehouse harus distandarisasi terlebih dahulu sebelum

dimasukkan. Proses yang digunakan dalam memproses data sebelum dimasukkan

ke dalam suatu data warehouse adalah proses ETL (extract, transform and load).

Penjelasan dari masing-masing adalah sebagai berikut;

1. Extract

Proses extract adalah proses mengekstrak (extracting) dan pengambilan data

dari sumber pada sistem untuk diload ke data warehouse. Sumber data dapat

13

diperoleh secara alternatif melalui ODS (Operational Data Storage). Data harus

dikonstruksi ulang sebelum dimasukkan ke dalam data warehouse.

Proses konstruksi ini melibatkan proses:

a) Cleansing data, yaitu proses pembersihan data kotor. Kotor dalam hal ini

adalah data berkualitas rendah seperti ketidakkonsistenan penulisan nama,

kode id, duplikasi data, data tidak lengkap dan lain-lain.

b) Restrukturisasi data pada data warehouse untuk memahami kebutuhan

yang ada. Contoh: penambahan atau pengurangan fields dan denormalisasi

data

c) Memastikan sumber data konsisten dengan data yang sudah ada di dalam

data warehouse

2. Transform

Proses transform adalah proses pengubahan data, dimana dat yang

diperoleh dari proses extract (dalam format operasional) menjadi data dalam

bentuk data warehouse. Proses transform ini melibatkan proses:

1. Summarizing the data, dengan cara pemilihan (selection), proyeksi

(projecting) , penggabungan (joining), normalisasi (normalization),

agregasi (aggregation) dan grouping relasional data menjadi views

yang lebih nyaman dan berguna bagi pengguna.

2. Packaging the data, dengan mengkonversi detail data atau

summarized data menjadi format yang lebih berguna seperti

spredsheets, text documents, private database , dan lainnya.

Terdapat dua cara transformasi yaitu dengan menggunakan fungsi record-

level, dan fungsi field-level. Fungsi record-level melibatkan proses

Summarizing the data, sedangkan fungsi field-level adalah single-field dan

multi-field. Transformasi single-field mengubah satu field menjadi field yang

lain. Berbeda dengan multi-field dimana satu data atau lebih diubah menjadi

field baru. Gambar mengenai single-field dan multi-field dapat dilihat pada

Gambar 2.2 dan 2.3.

14

ID NAME ADDRESS

ID NAME CITY

Gambar 2.2 – Contoh transformasi single-field (Zain, 2008)

ID FIRST NAME MIDDLE

NAME

LAST NAME TITLE

ID NAME TITLE ADDRESS PHONE

Gambar 2.3 – Contoh transformasi multi-field (Zain, 2008)

GEGER KALONG BANDUNG

BANDUNG

Concatenate

15

3. Load

Proses load adalah proses tahapan terakhir dari proses ETL. Pada proses

ini akan dilakukan proses pemuatan data dari proses transform ke dalam suatu

data warehouse. Pada proses ini dilakukan juga proses indexing untuk

memberikan indeks ke masing-masing data untuk mempercepat proses query.

Terdapat dua mode loading ke dalam data warehouse yaitu refresh dan update.

Mode refresh yaitu proses menuliskan kembali keseluruhan data di dalam data

warehouse pada suatu interval waktu. Sedangkan untuk mode update yaitu suatu

proses untuk meng-update (tidak menghapus atau menimpa data lain) data yang

berubah ke tempat tujuan pada data warehouse. Mode refresh digunakan pertama

kali ketika data warehouse berjalan dan hendak dimuat, sedangkan mode update

umumnya digunakan ketika pemeliharaan data atau ketika data warehouse

sedang running.

2.1.8 Desain Data Warehouse

Untuk memulai pembuatan data warehouse database harus

memperhatikan keperluan yang utama dan memilih data yang harus didahulukan

terlebih dahulu, baru setelah itu bisa diperoleh komponen-komponen database

dari data warehouse adalah dimensional modelling (DM). Pengertian dari

dimensional modeling adalah suatu teknik desain secara logikal yang memiliki

sasaran untuk mempresentasikan data dengan standar, bentuk intuitif yang

mengijinkan akses secara sangat cepat. Setiap tabel dimensional model memiliki

komposisi dari satu tabel dengan composite key yang dinamakan fact table dan

sekumpulan set tabel yang lebih kecil yang dinamakan dimension table.

Dimensional modelling memiliki beberapa struktur skema, yaitu:

Skema bintang (Star Schema)

Struktur logical yang memiliki fact table mengandung data fakta

posisi tengah, dikelilingi oleh dimension tables yang mengandung

referensi data (yang bisa didenormalisasi). Contoh dapat dilihat pada

Gambar 2.4

16

Gambar 2.4 Star Schema (Ponniah, 2001)

Skema bola salju (snowflake schema)

Snowflake schema merupakan perluasan dari skema bintang

dengan tambahan beberapa tambahan tabel dimensi yang tidak

berhubungan secara langsung dengan tabel fakta. Tabel dimensi tersebut

berhubungan dengan tabel dimensi yang lain. Skema ini memperbolehkan

dimensi memiliki dimensi.

Varian dari star schema dimana tabel dimensi tidak mengandung

denormalisasi data. Sebagai contoh kita bisa melakukan normalisasi

location data(atribut city, region, dan country) pada branch di dimension

table dari 2.4 untuk membuat dimension tables dari property sales schema

ditampilkan pada Gambar 2.5

17

Gambar 2.5 Snow flake Schema (Ponniah, 2001)

2.2 Data Mining

2.2.1 Definisi Data Mining

Data mining adalah suatu proses mengekstraksi secara valid, sebelumnya

belum diketahui, komprehensif dan informasi yang dapat memberikan aksi dari

database besar dan menggunakannya untuk membuat keputusan bisnis yang

krusial (Simoudis, 1996). Data mining berhubungan dengan analisis dari data dan

penggunaan teknik software untuk menemukan pola yang tersembunyi dan tidak

diharapkan dan relasinya dalam bentuk set suatu data. Fokus dari data mining

adalah memunculkan informasi yang tersembunyi dan tidak diharapkan. Informasi

yang tersembunyi tersebut dapat memberikan nilai tambah pada bisnis

perusahaan. Selain alasan diatas terdapat pula alasan-alasan lain mengapa

diperlukan penggunaan data mining berikut ini;

18

• Data yang tersedia berjumlah sangat besar

Dalam dekade terakhir ini, harga dari perangkat keras terutama hardisk

telah turun secara drastis. Disamping itu perusahaan telah mengumpulkan

sejumlah data yang sangat besar dari banyak aplikasi yang dimiliki.

Dengan sejumlah data ini, perusahaan melakukan eksplorasi data untuk

mencari pola tersembunyi sebagai panduan untuk membantu strategi bisnis

yang akan dijalankan

• Kompetisi yang meningkat

Kompetisi yang ada sangat tinggi sebagai hasil dari marketing dan dengan

adanya saluran distribusi seperti internet dan telekomunikasi. Perusahaan

akan menghadapi kompetisi dunia, karena itu kunci suksesnya bisnis

adalah kemampuan untuk membina pelanggan yang sudah ada dan

mendapatkan yang baru. Teknologi data mining dapat membantu

perusahaan untuk menganalisa faktor yang mempengaruhi hal tersebut.

• Kemampuan Teknologi

Teknologi data mining sebelumnya hanya ada pada lingkungan akademik

tetapi saat ini banyak teknologi seperti ini semakin canggih dan siap untuk

diterapkan pada industri. Algoritma yang ada semakin akurat, efisien dan

dapat menangani komplikasi data yang meningkat. Sebagai tambahan,

data mining application programming interfaces (APIs) telah

distandarisasi, sehingga mengijinkan pengembang untuk membuat aplikasi

data mining yang lebih baik.

2.2.2 Teknik Data Mining

Ada empat operasi utama yang dapat dilakukan pada teknik data mining

yaitu predictive modelling, database segmentation, link analysis, dan deviation

detection. Meskipun salah satu dari operasi utama dapat digunakan untuk

mengimplementasikan aplikasi bisnis apapun, ada keterhubungan yang ditemukan

antara aplikasi dan operasi yang bersangkutan. Teknik adalah implementasi secara

spesifik dari operasi data mining. Bagaimanapun juga masing-masing operasi

memiliki kekuatan dan kelemahannya masing-masing. Untuk lebih jelasnya

19

mengenai teknik yang berasosiasi dengan salah satu dari empat operasi utama

data mining (Cabena 1997 dalam Zein 2008) dapat dilihat pada Tabel 2.1 berikut

ini:

Operations Data Mining Techniques

Predictive modelling Classification

Value Prediction

Database segmentation Demographic clustering

Neural clustering

Link analysis Association discovery

Sequential pattern discovery

Similar time sequence discovery

Deviation detection Statistics

Visualization Tabel 2.1 Tabel operasi data mining dan teknik yang digunakannya (Zein, 2008)

2.2.2.1 Predictive Modeling

Predictive Modeling menggunakan pendekatan generalisasi dari ’real

world’ dan kemampuan menempatkan data baru ke kerangka utama. Predictive

modeling bisa digunakan untuk menentukan karakteristik (model) mengenai data

set. Model ini dikembangkan dengan menggunakan supervised learning yang

terdiri dari dua fase: training dan testing. Training membuat model menggunakan

sampel besar dari data yang dinamakan training set, sedangkan testing mencoba

model baru, data yang sebelumnya tidak terlihat untuk menentukan keakurasian

dan karakteristik performa fisik. Ada dua teknik yang berasosiasi dengan

predictive modeling: classification dan value prediction.

Classification digunakan untuk membangun kelas spesifik yang telah

ditentukan sebelumnya untuk masing-masing record di database, dari suatu set

terbatas ke nilai kelas yang memungkinkan. Ini adalah dua spesialisasi dari

klasifikasi: tree induction dan neural induction. Contoh dari klasifikasi

menggunakan induction ada pada Gambar 2.7. Pada contoh ini menggambarkan

20

bagaimana institusi keuangan memuruskan kelayakan calon nasabahnya layak

diberikan pinjaman atau tidak. Predictive model telah menentukan bahwa dua

variabel yang digunakan yaitu: range pendapatan applicant. catatan kriminal dan

lama waktu selama bekerja. Model ini membantu menentukan applicant yang

layak mendapatkan pinjaman, jika applicant memliki pendapatan antara $30-$70

dan bekerja kurang dari setahun ditempat kerja terkahir, maka applicant ini tidak

boleh diberikan pinjaman.

Gambar 2.6 Clasification menggunakan tree induction

(http://www.cse.unsw.edu.au/~billw/cs9414/notes/ml/06prop/id3/id3.html)

Contoh Classification dengan mengunakan neural induction ditunjukkan

pada Gambar 2.7

Gambar 2.7 Clasification menggunakan neural network (Connonly and Begg, 2005)

Customer renting property >2 years

Customer age >25 years

0.5

0.3

0.3

0.6

0.7

0.4

Class (Rent or buy property)

21

Pada kasus ini, classification dari data diperoleh dengan menggunakan nueral

network. Neural network mengadung koleksi dari titik-titik yang terkoneksi

dengan input, output, dan processing pada masing-masing titik. Antara lapisan

input dan output mungkin sebagai sejumlah lapisan proses tersembunyi. Masing-

masing proses unit dalam satu lapisan saling berhubungan dengan proses unit di

lapisan berikutnya oleh weighted value yang menggambarkan kekuatan hubungan.

2.2.2.2 Database Segmentation dengan Clustering

Berbeda dengan clasification dimana kelas data telah ditentukan

sebelumnya, clustering melakukan pengelompokan data tanpa berdasarkan kelas

data tertentu. Bahkan clustering dapat dipakai untuk memberikan label pada kelas

data yang belum diketahui itu. Karena itu clustering sering digolongkan sebagai

metode unsupervised learning.

Prinsip dari clustering adalah memaksimalkan kesamaan antar anggota

satu kelas dan meminimumkan kesamaan antar kelas/cluster. Clustering dapat

dilakukan pada data yang memiliki beberapa atribut yang dipetakan sebagai ruang

multidimensi. Ilustrasi dari clustering dapat dilihat di Gambar 2.8 dimana lokasi,

dinyatakan dengan bidang dua dimensi, dari pelanggan suatu toko dapat

dikelompokkan menjadi beberapa cluster dengan pusat cluster ditunjukkan oleh

tanda positif (+).

Gambar 2.8 Contoh Clustering (Ponniah, 2001)

22

Beberapa kategori algoritma clustering yang banyak dikenal adalah metode

partisi dimana pemakai harus menentukan jumlah k partisi yang diinginkan lalu

setiap data dites untuk dimasukkan pada salah satu partisi, metode lain yang telah

lama dikenal adalah metode hierarki yang terbagi dua lagi : bottom-up yang

menggabungkan cluster kecil menjadi cluster lebih besar dan top-down yang

memecah cluster besar menjadi cluster yang lebih kecil. Kelemahan metode ini

adalah bila salah satu penggabungan/pemecahan dilakukan pada tempat yang

salah, tidak dapat didapatkan cluster yang optimal. Pendekatan yang banyak

diambil adalah menggabungkan metode hierarki dengan metode clustering .

2.2.2.3 Link Analysis

Link analysis memiliki sasaran untuk membangun jaringan yang

dinamakan associations antara individual records atau sets of records di dalam

database. Ada tiga spesialisasi dari analysis jaringan: associations discovery,

sequential pattern discovery dan similar time sequence discovery. Associations

discovery digunakan untuk menemukan item yang menyatakan keberadaan dari

item yang lain didalam event yang sama. Sequencial pattern discovery

menemukan pattern antara event seperti keberadaan satu set dari kelompok item

yang diikuti oleh satu set dari sekelompok item yang diikuti oleh satu set dari

sekelompok item didalam database dalam beberapa periode waktu. Similar time

sequence discovery digunakan seperti contoh: dalam discovery of links antara dua

set data yang bergantung terhadap waktu dan berdasarkan derajat kesamaan antara

pola dari suatu seri waktu.

Association Rule Mining merupakan bagian dari Frequent Pattern Mining.

Frequent Pattern Mining merupakan salah satu task data mining yang sangat

penting. Task ini mencari hubungan/relasi, assosiasi, dan korelasi dalam data.

Pengetahuan yang dihasilkan juga sangat berguna untuk klasifikasi, clustering,

dan task data mining yang lain. Selain Association Rule Mining, masih ada

Sequential Pattern, dan Structured Pattern yang termasuk dalam Frequent

Pattern Mining. Association Rule Mining dapat juga disebut Frequent Itemset

Mining karena pola yang dihasilkan adalah pola item yang sering muncul

bersamaan dalam sebuah database. Contoh klasik yang sering digunakan untuk

23

menjelaskan Association Rule Mining adalah market basket analisis. Pada market

basket analisis, kita menganalisa kebiasaan konsumen dalam membeli barang.

Secara umum, Association Rule Mining dapat dibagi menjadi dua tahap

yaitu pencarian Frequent Itemset (Frequent Itemset Candidate Generation) dan

Rule Generation. Pada tahap Frequent Itemset Candidate Generation terdapat

beberapa kendala yang harus dihadapi untuk memperoleh Frequent Itemset seperti

banyaknya jumlah kandidat yang memenuhi minimum support, dan proses

perhitungan minimum support dari Frequent Itemset yang harus melakukan scan

database berulang-ulang. Pendekatan apriori sangat membantu dalam mengurangi

jumlah kandidat Frequent Itemset.

Dengan menggunakan FP-growth, dapat dilakukan Frequent Itemset

Mining tanpa melakukan candidate generation. FP-growth menggunakan struktur

data FP-tree. Dengan menggunakan cara ini scan database hanya dilakukan dua

kali saja, tidak perlu berulang-ulang. Data akan direpresentasikan dalam bentuk

FP-tree. Setelah FP-tree terbentuk, digunakan pendekatan divide and conquer

untuk memperoleh Frequent Itemset. FP-tree merupakan struktur data yang baik

sekali untuk Frequent Pattern mining. Struktur ini memberikan informasi yang

lengkap untuk membentuk Frequent Pattern. Item-item yang tidak frequent

(infrequent) sudah tidak ada dalam FP-tree.

2.2.2.4 Deviation Detection

Deviation detection adalah teknik yang relatif masih baru dalam teknik

data mining. Namun Deviation detection sering kali menjadi sumber penemuan

baru karena teknik ini mengidentifikasi outlier yang mengekspresikan deviasi dari

penemuan sebelumnya. Operasi ditampilkan menggunakan teknik statistics dan

visulazation atau sebagai suatu produk dari data mining. sebagai contoh regresi

linier memfasilitasi pengidentifikasian data dalam teknik visualisasi modern yang

menampilkan kesimpulan dan representasi grafik yang membuat deviasi mudah

untuk dideteksi.

24

2.2.3 Tahap-Tahap Data Mining

Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi

beberapa tahap yang diilustrasikan di Gambar 2.9. Tahap-tahap tersebut, bersifat

interaktif dimana pemakai terlibat langsung atau dengan perantaraan knowledge

base.

Gambar 2.9 Tahap-tahap data mining (Zein, 2008)

• Pembersihan data (untuk membuang data yang tidak konsisten dan noise)

Pada umumnya data yang diperoleh, baik dari database suatu

perusahaan maupun hasil eksperimen, memiliki isian-isian yang tidak

sempurna seperti data yang hilang, data yang tidak valid atau juga hanya

sekedar salah ketik. Selain itu, ada juga atribut-atribut data yang tidak

relevan dengan hipotesa data mining yang kita miliki. Data-data yang tidak

relevan itu juga lebih baik dibuang karena keberadaannya bisa mengurangi

mutu atau akurasi dari hasil data mining nantinya. ”Garbage in garbage

out” (hanya sampah yang akan dihasilkan bila yang dimasukkan juga

25

sampah) merupakan istilah yang sering dipakai untuk menggambarkan

tahap ini. Pembersihan data juga akan mempengaruhi performa dari sistem

data mining karena data yang ditangani akan berkurang jumlah dan

kompleksitasnya.

• Integrasi data (penggabungan data dari beberapa sumber)

Tidak jarang data yang diperlukan untuk data mining tidak hanya

berasal dari satu database tetapi juga berasal dari beberapa database atau file

teks. Integrasi data dilakukan pada atribut-atribut yang mengidentifikasikan

entitas-entitas yang unik seperti atribut nama, jenis produk, nomor

pelanggan dsb. Integrasi data perlu dilakukan secara cermat karena

kesalahan pada integrasi data bisa menghasilkan hasil yang menyimpang

dan bahkan menyesatkan pengambilan aksi nantinya. Sebagai contoh bila

integrasi data berdasarkan jenis produk ternyata menggabungkan produk

dari kategori yang berbeda maka akan didapatkan korelasi antar produk

yang sebenarnya tidak ada. Dalam integrasi data ini juga perlu dilakukan

transformasi dan pembersihan data karena seringkali data dari dua database

berbeda tidak sama cara penulisannya atau bahkan data yang ada di satu

database ternyata tidak ada di database lainnya.

Hasil integrasi data sering diwujudkan dalam sebuah data warehouse

karena dengan data warehouse, data dikonsolidasikan dengan struktur

khusus yang efisien. Selain itu data warehouse juga memungkinkan tipe

analisa seperti OLAP. Untuk membangun data warehouse juga tersedia

paket-paket software yang mapan seperti database-nya dan piranti

pendukung yang sering disebut sebagai ETL (Extract Transform Loading).

Banyak paket software ETL sudah mencakup tahap pembersihan dan

integrasi data.

• Transformasi data (data diubah menjadi bentuk yang sesuai untuk di-

mining)

Beberapa teknik data mining membutuhkan format data yang khusus

sebelum bisa diaplikasikan. Sebagai contoh beberapa teknik standar seperti

analisis asosiasi dan clustering hanya bisa menerima input data kategorikal.

Karenanya data berupa angka numerik yang berlanjut perlu dibagi-bagi

26

menjadi beberapa interval. Proses ini sering disebut binning. Disini juga

dilakukan pemilihan data yang diperlukan oleh teknik data mining yang

dipakai. Transformasi dan pemilihan data ini juga menentukan kualitas dari

hasil data mining nantinya karena ada beberapa karakteristik dari teknik-

teknik data mining tertentu yang tergantung pada tahapan ini.

• Aplikasi teknik data mining

Aplikasi teknik data mining sendiri hanya merupakan salah satu

bagian dari proses data mining. Ada beberapa teknik data mining yang

sudah umum dipakai. Kita akan membahas lebih jauh mengenai teknik-

teknik yang ada di seksi berikutnya. Perlu diperhatikan bahwa ada kalanya

teknik-teknik data mining umum yang tersedia di pasar tidak mencukupi

untuk melaksanakan data mining di bidang tertentu atau untuk data tertentu.

Sebagai contoh akhir-akhir ini dikembangkan berbagai teknik data mining

baru untuk penerapan dibidang bioinformatika seperti analisa hasil

microarray untuk mengidentifikasi DNA dan fungsi-fungsinya.

• Evaluasi pola yang ditemukan (untuk menemukan yang menarik/bernilai)

Dalam tahap ini hasil dari teknik data mining berupa pola-pola

yang khas maupun model prediksi dievaluasi untuk menilai apakah

hipotesa yang ada memang tercapai. Bila ternyata hasil yang diperoleh

tidak sesuai hipotesa ada beberapa alternatif yang dapat diambil seperti :

menjadikannya umpan balik untuk memperbaiki proses data mining,

mencoba teknik data mining lain yang lebih sesuai, atau menerima hasil

ini sebagai suatu hasil yang di luar dugaan yang mungkin bermanfaat.

Ada beberapa teknik data mining yang menghasilkan hasil analisa

berjumlah besar seperti analisis asosiasi. Visualisasi hasil analisa akan

sangat membantu untuk memudahkan pemahaman dari hasil data mining.

• Presentasi pola yang ditemukan untuk menghasilkan aksi

Tahap terakhir dari proses data mining adalah bagaimana

memformulasikan keputusan atau aksi dari hasil analisa yang didapat. Ada

kalanya hal ini harus melibatkan orang-orang yang tidak memahami data

27

mining. Karenanya presentasi hasil data mining dalam bentuk pengetahuan

yang bisa dipahami semua orang adalah satu tahapan yang diperlukan

dalam proses data mining. Dalam presentasi ini, visualisasi juga bisa

membantu mengkomunikasikan hasil data mining.

2.3 Bisnis Airline dan Data Mining

Pelayanan terhadap penumpang yang bersifat individu sebagai hasil dari

segmentasi terhadap pelanggan harus dapat dijelaskan dan nilai tambahnya juga

harus dapat dibuktikan. Hasil segmentasi terhadap penumpang adalah

mendapatkan pemahaman yang lebih baik mengenai konsumen airline. Pritscher

(2001) mengatakan, peluang data mining dalam industri airline dapat dilakukan

dengan memilah-milah customer yang katagori pembagian tersebut dapat

dilakukan berdasarkan:

1 Region : Kebutuhan penumpang akan terlayani dengan lebih baik jika

diketahui geografi yang disukai diketahui dengan baik atau tempat

penumpang. Penumpang dapat dipilah-pilah berdasarkan asal dan tujuan

perjalanan atau branch office yang terdekat dengan tempat tinggal

penumpang.

2 Market: Dari sudut pandang sales, market dibedakan menjadi market

home, market pihak ketiga yang dilayani karena penumpang dari airline

lain (connecting passenger). Penumpang dapat dipilah berdasarkan market

yang mereka gunakan dan tempat tinggal mereka.

3 Travel Preference: Agar dapat melayani penumpang dengan penawaran

yang tepat, diperlukan perjananan/travel yan bagaimana yang diinginkan

oleh penumpang. Penumpang dapat bedakan berdasarkan rasio dari

penerbangan longhaul (intercontinental) dan penerbangan shorthaul,

berdasarkan rasio dari tiket yang hight fare dan low fare juga kombinasi

keduanya.

4 Travel Behaviour: Salah satu informasi penting pelanggan adalah jenis

tiket yang dibeli secara berkala. Tipe tiket ini terkait erat dengan tujuan

28

perjalanan misalnya untuk berlibur atau untuk perjalanan bisnis. Data

penting yang tercatat adalah booking class yang digunakan untuk

penerbangan, sedangkan waktu dan harga tiket tidak terekam karena

tergantung pada ketersediaan dan waktu.

Menurut McIlroy dan Barnett (2000) dalam Wijaya (2005), biaya untuk

mendapatkan konsumen yang baru dapat mencapai 5 kali dari mempertahankan

konsumen yang sudah ada. Keanggotaan dalam loyalty program dibagi menjadi 2

jenis, open dan limited. Limited loyalty tidak dapat dikuti oleh semua orang, ada

mekanisme tertentu untuk menjadi anggota limited ini seperti membayar uang

pendaftaran dan kadang-kadang disertai syarat-syarat lainnya seperti melakukan

pmbelian dengan volume tertentu atau memiliki penghasilan tertentu (Wijaya,

2005).

2.3.1 Loyalty Program dan Frequent Flyer Program

Menarik dan mempertahanan konsumen memerlukan biaya yang tinggi,

khususnya untuk industri jasa. Loyalitas didefinisikan Oliver (Celuch dan

Goodwin, 1999) sebagai komitmen yang tinggi untuk membeli kembali suatu

produk atau jasa yang disukai di masa mendatang, disamping pengaruh situasi dan

usaha pemasar dalam merubah perilaku. Dengan kata lain konsumen akan setia

untuk melakukan pembelian ulang secara terus-menerus.

Menurut Shoemaker dan Lewis (1998) dalam Wijaya (2005), loyalty

program adalah adalah program yang ditawarkan pada konsumen untuk

membangun ikatan terhadap merek/brand tertentu. Lebih lanjut Wijaya (2005)

menyatakan bahwa sebagian besar konsumen melakukan pembelian ulang dalam

rangka menambah keuntungan yang ditawaran kemudian redeem dengan

menggunakan reward yang telah dikumpulkan. Konsumen loyal terhadap

program, bukan kepada perusahaannya. Tidak ada hubungan langsung antara

program dengan ikatan emosional konsumen terhadap perusahaan. Hubungan

emosional dapat terbentuk salah satunya dengan memberikan pelayanan yang

baik.

29

Lebih dalam lagi Gramer dan Brown (Utomo, 2006) memberikan definisi

mengenai loyalitas (loyalitas jasa), yaitu derajat sejauh mana seorang konsumen

menunjukkan perilaku pembelian berulang dari suatu penyedia jasa, memiliki

suatu desposisi atau kecenderungan sikap positif terhadap penyedia jasa, dan

hanya mempertimbangkan untuk menggunakan penyedia jasa ini pada saat

muncul kebutuhan untuk memakai jasa ini. Dari definisi yang disampaikan

Gramer dan Brown, konsumen yang loyal tidak hanya seorang pembeli yang

melakukan pembelian berulang, tetapi juga mempertahankan sikap positif

terhadap penyedia jasa.

Frequent flyer program (FFP) adalah loyalty program yang ditujukan bagi

para pengguna jasa penerbangan. Airline pengelola FFP memberikan poin reward

pada konsumen (disebut miles) yang bisa digunakan untuk membeli tiket (Emch,

2007). Ada 3 alasan bagaimana FFPs dapat mengurangi ongkos produksi dalam

dunia penerbangan (Adrian Emch , 2007);

1. Mempertahankan konsumen yang sudah jadi pelanggan lebih murah

dibandingkan dengan mencari pelanggan baru.

2. Pelanggan yang setia lebih menguntungkan dari pada pelangggan baru

3. FFP dapat digunakan untuk meningkatkan pelayanan melalui personalisasi

dari setiap service yang diberikan untuk penumpang.

Pada prinsipnya setiap tiket gratis yang dibeli dengan menggunakan

mileage yang dimiliki oleh anggota FFP adalah tiket untuk tempat duduk yang

kosong. Tidak ada biaya yang harus dikeluarkan untuk tiket yang dikeluarkan,

hanya pada tataran praktis, hal ini belum dikaji mekanismenya. Di GFF sendiri,

setiap tiket yang dibeli oleh penumpang ada prosentase bagian awardnya.

30

2.4 Tools Development

2.4.1 Pentaho Data Integration (PDI/Kettle)

Kettle adalah aplikasi ETL (Extract, Transformation and Load). Aplikasi

Kettle sendiri merupakan bagian dari aplikasi BI Pentaho. Sebelumnya proyek ini

berdiri sendiri dan kemudian diakuisisi oleh Pentaho pada tahun 2006.

Kettle terdiri dari 4 aplikasi, yaitu :

Spoon, yaitu aplikasi grafis berbasis swing yang digunakan untuk

merancang file skema job dan transformation

Pan, yaitu script yang digunakan untuk menjalankan file skema

transformation melalui terminal / command line

Kitchen, yaitu script yang digunakan untuk menjalankan file skema job

melalui terminal / command line

Carte, yaitu temporary web server yang digunakan untuk mengeksekusi

job/transformation secara cluster atau parallel

Kesemua aplikasi tersebut di atas dijalankan melalui shell atau batch script yang

berkaitan. Fitur-fitur Kettle antara lain :

• Memiliki utilitas grafik yang dapat digunakan merancang skema step atau

langkah kontrol dan transformasi data.

• Multi platform - karena dikembangkan di atas Java yang notabene

berjalan di banyak platform.

• Bersifat concurrent, dalam arti row-row data diambil oleh suatu step dan

diserahkan ke step lain secara parallel. Artinya tidak menunggu sampai

suatu koleksi data diambil secara keseluruhan terlebih dahulu.

• Scalable - dapat beradaptasi dengan penambahan kapasitas memori RAM

atau pun storage (scale up) dan dapat beradaptasi dengan penambahan

node komputer atau cluster lain (scale out).

31

2.4.2 Mondrian

Mondrian adalah web aplikasi yang berbasis open source. Mondrian

memiliki fitur-fitur untuk melakukan drill-down, drill-up seperti halnya tools

untuk presentasi data warehouse lainnya.

2.5 Kebutuhan Data Mining dalam Frequent Flyer Program

Frequent Flyer Program menyimpan data-data anggota yang juga

pelanggan setia dari penerbangannya. Data penerbangan anggota Frequent Flyer

adalah sekedar tumpukan data operasional bagi airline yang memiliki sistem

tersebut. Infrastruktur IT untuk operasional Frequent Flyer dapat mudah ditiru

oleh airline lainnya dan saat itu Frequent Flyer bukan lagi menjadi pembeda bagi

sebuah airline dari pesaingnya karena Frequent Flyer Program sudah menjadi

komoditas yang mudah dimiliki oleh setiap industri penerbangan.

Penggunaan data yang dimiliki secara ekstensif dapat menjadi keunggulan

kompetitif bagi suatu airline. Hal ini menjadikan airline tersebut berbeda dengan

airline lainnya ketika data tersebut diolah dan dianalisa dengan metode statistik

atau teknik data mining lainnya dalam BI. Hasil dari analisa tersebut sulit ditiru

oleh perusahaan lain dan bisa menjadi keunggulan kompetitif bagi perusahaan

yang bersangkutan.

Sebagai gambaran adalah promo-promo yang diadakan oleh sebuah airline

bisa menggunakan data anggota FFP agar promo tersebut bisa tepat sasaran.

Airline juga bisa membuat jadwal penerbangan dan memprediksi penerbangan

dari mana kemana yang pada waktu tertentu seperti peak season dapat lebih

optimal. Juga penggunaan data FFP untuk memberikan personalisasi untuk setiap

service yang diberikan airline.

32

BAB III

METODOLOGI PENELITIAN

Metodologi yang digunakan dalam penelitian terbagi dalam beberapa tahap,

yaitu: Pengumpulan Data, Menelaah Kebutuhan Bisnis dan Informasi, Menelaah

Data dan Perancangan Data Warehouse, dan terakhir Implementasi Data Mining.

3.1 Pengumpulan Data

Tahap pertama dalam penelitian adalah pengumpulan data. Untuk

keperluan tersebut penulis melakukan pengumpulan data dengan cara melakukan

observasi ke obyek penelitian dan melakukan pengkajian dokumen atau literatur

untuk menggali dokumen organisasi yang berkaitan, struktur organisasi, tugas dan

gambaran proses bisnisnya.

Dalam penelitian ini penulis melakukannya dengan pendekatan top-down,

pendekatan ini dimulai dengan mendefinisikan sasaran dan kebijakan organisasi

kemudian dilakukan analisis kebutuhan informasi lalu turun ke pemrosesan

transaksi. Sebelum mulai membuat data model untuk data warehouse, sebaiknya

spesifikasi kebutuhan informasi dan data yang tersedia (sumber data) sudah harus

diketahui. Tahap pertama adalah tahap pengumpulan data. Input dari tahap ini

adalah permasalahan-permasalahan dalam sistem operasional GFF, salah satunya

adalah masalah dalam modul reporting yang mempengaruhi performance sistem

operasional GFF.

3.2 Kebutuhan Bisnis dan Informasi

Tahap ini dilakukan analisis lebih dalam mengenai kebutuhan bisnis dan

informasi yang diharapkan oleh manajemen perusahaan. Data yang telah

dikumpulkan sebelumnya akan dijadikan sebagai masukan dalam proses analisis

terhadap kebutuhan bisnis dan informasi tersebut.

33

3.3 Perancangan Data Warehouse

Data diekstrak dari database operasional dan sumber eksternal, dibersihkan

untuk meminimalisasi error dan mengisikan informasi yang kurang jika

dimungkinkan, dan ditransformasikan untuk memperbaiki ketidakcocokan

semantik. Mentransformasikan data biasanya dilakukan dengan mendefinisikan

view relational pada tabel dalam sumber data. Loading data terdiri dari

mematerialisasi view dan menyimpannya dalam data warehouse. Data yang

dibersihkan dan ditransformasikan akhirnya di-load ke dalam data warehouse.

Berkaitan dengan volume data yang besar, loading merupakan proses yang

lambat. Oleh karena itu paralelisme penting untuk loading warehouse. Setelah

data di-load ke dalam warehouse, pengukuran tambahan harus dilakukan untuk

menjamin data dalam warehouse di-refresh secara periodik untuk merefleksikan

pembaruan sumber data dan secara periodik membuang data lama (mungkin

kedalam media pengarsipan)

Spesifikasi kebutuhan fungsional informasi secara teknis menyatakan data

apa yang harus disimpan didalam data warehouse untuk memenuhi analisa yang

akan dilakukan oleh pemakai. Ini dapat dinyatakan dalam bentuk pertanyaan yang

harus dapat dijawab oleh data didalam data warehouse, seperti: berapa jumlah

member GFF yang mendaftar pada bulan September hingga Desember, perbulan,

pertahun. Berapa member aktif yang melakukan penerbangan dibulan Desember.

Berapa jumlah member yang mengikuti promo-promo yang diselenggarakan oleh

GFF, berapa jumlah member GFF yang branch officenya di Bali, dan lain

sebagainya.

3.4 Implementasi Data Mining

Pada tahap ini informasi penting digali untuk kepentingan pengambilan

keputusan dengan menggunakan salah satu teknik data mining (clustering). Pada

tahap ini ini akan digunakan tools data mining yan sudah tersedia, yaitu

Rapidminer data mining versi Community development.

34

Proses yang dillakukan pada tahap ini adalah implementasi data mining

mengenai kebutuhan bisnis dan informasi yan telah diidentifikasi. Data mining

dilakukan untuk menggali informasi penring yang berguna bagi kepentingan

perusahaan dalam pengambilan keputusan.

Dalam bentuk flow diagram, keempat langkah metodologi penelitian

tersebut , nampak gambar 3.1 sebagai berikut :

Pengumpulan Data

Output:Rumusan masalah

Metode:Observasi ke lapangan

Output:Gambaran sistem operasional, 

data dan jenis report

Metode:Kajian dokumen dan literature

wawancara

OutputProses bisnis, tujuan GFF,

organisasi

Analisa

Output:Kebutuhan bisnis

dan informasi

Perancanganan

Output:Rancangan data warehouse

Implementasi

Output:Presentasi data mining

Kesimpulan

Output:Kesimpulan dan saran

Gambar 3.1 Tahap-tahap metodologi penelitian

35

Penjelasan lebih detail dari masing-masing tahapan pada alur pengerjaan

seperti metode yang digunakan berikut hasil dari masing-masin tahapan dapat

dilihat pada Tabel 3.1 berikut ini.

Tahap Pengumpulan Data

Metode : Observasi, Studi literature Output : Rumusan masalah

Analisa Kebutuhan Informasi Bisnis

Metode : Analisa kebutuhan bisnis dan informasi Output : Kebutuhan bisnis dan informasi

Perancangan Data Warehouse

Metode : Tahapan Data Warehouse Merancang arsitektur data warehouse Menentukan tabel fakta dan tabel dimensi Melakukan proses cleansing dan ETL Melakukan perancangan OLAP Output : Rancangan data warehouse

Implementasi Data Mining

Metode : Tahapan-tahapan data mining. Output : Presentasi data mining

Menarik kesimpulan Metode :deduktif Output : kesimpulan dan saran atas hasil penelitian (Perancangan Data Warehouse & implementasi Data Mining)

Tabel 3.1 Alur Pengerjaan

36

BAB IV

PERANCANGAN DATA WAREHOUSE

Data yang disimpan dalam data warehouse adalah data historis

berorientasi subyek yang dapat mendukung proses pengambilan keputusan bagi

manajemen. Artinya data tersebut harus kita susun sedemikian rupa sehingga

dapat dianalisis menjadi berbagai informasi yang dibutuhkan manajemen saat

proses pengambilan keputusan.

Oleh karena itu, tahap pertama dari perancangan data warehouse adalah

mendefinisikan informasi-informasi apa saja yang dibutuhkan oleh manajemen.

Supaya kebutuhan ini dapat didefinisikan dengan tepat, maka pemahaman akan

peran dan tugas manajemen yang membutuhkan informasi tersebut mutlak harus

dilakukan lebih dulu

Pada tahap identifikasi ini, mengacu pada struktur organisasi didukung

oleh tipe data report yang dibutuhkan, selanjutnya setelah diidentifikasi

kebutuhan informasi, maka ditentukan sumber data yang selanjutnya dilakukan

proses ETL (extract, transform, load). Pada bagian ini dijelaskan profil

perusahaan serta langkah-langkah yang akan dilakukan dalam perancangan data

warehouse di PT Garuda Indonesia, yaitu mengenai proses identifikasi,

perencanaan secara teknis, penentuan sumber data yang digunakan dan proses

persiapan dan melalui proses ETL.

4.1 Profil Perusahaan

Perusahaan yang dijadikan objek penelitian oleh penulis dalam bentuk

perseroan terbatas yaitu PT. Garuda Indonesia. Perusahaan ini didirikan pada

tahun 1949. PT. Garuda Indonesia berkantor pusat di Jakarta.

37

4.1.1 Latar Belakang Perusahaan

Garuda Indonesia mendapatkan konsesi monopoli penerbangan dari

Pemerintah Republik Indonesia pada tahun 1950 dari Koninklijke Nederlandsch

Indie Luchtvaart Maatschappij (KNILM), perusahaan penerbangan nasional

Hindia Belanda. Garuda adalah hasil joint venture antara Pemerintah Indonesia

dengan maskapai Belanda Koninklijke Luchtvaart Maatschappij (KLM). Pada

awalnya, Pemerintah Indonesia memiliki 51% saham dan selama 10 tahun

pertama, perusahaan ini dikelola oleh KLM. Pada tahun 1954, KLM menjual

sebagian dari sahamnya ke pemerintah Indonesia. Pada mulanya, Garuda memiliki

27 pesawat terbang, staf terdidik, bandara dan jadwal penerbangan, sebagai

kelanjutan dari KNILM. Saat ini, Garuda Indonesia telah menerapkan standar

internasional sesuai dengan standar ISO 9001 – 2001.

Garuda merilis GFF pada tahun 1999 untuk penerbangan domestic yang

meluas pada tahun 2001 dengan tambahan tidak hanya domestic tapi juga

Singapura, Hongkong dan Tokyo. Kemudian di tahun-tahun selanjutnya didaerah-

daerah lainnya hingga Mekkah. GFF mengalami perubahan sistem dan

managemen pada tahun 2007. Dengan adanya kebijakan Garuda untuk efisiensi

bagian IT Garuda, maka pengelolaan GFF bersama sistem IT lainnya, yang

awalnya dikelola sendiri, menjadi dikelola oleh pihak ketiga. Pihak ketiga dalam

hal ini adalah Lufthansa Systems Indonesia, perusahaan patungan antara Garuda

dan Lufthansa Systems German. Adanya GFF bagi Garuda bertujuan untuk

menjaga marketshare dengan meningkatkan customer-nya yang loyal dan untuk

mendukung program-program promosi Garuda.

4.1.2 Visi dan Misi Perusahaan

Visi PT. Garuda Indonesia adalah menjadi perusahaan penerbangan yang

handal dengan menawarkan pelayanan berkualitas kepada masyarakat dunia

menggunakan keramahan Indonesia. Misinya adalah sebagai perusahaan

penerbangan pembawa bendera bangsa (flag carrier) Indonesia yang

mempromosikan Indonesia kepada dunia guna menunjang pembangunan ekonomi

38

nasional dengan memberikan pelayanan yang profesional dan pelayanan

penerbangan yang menguntungkan.

4.1.3 Struktur Organisasi Perusahaan

PT. Garuda Indonesia terdiri dari 6 direktorat, yang dipimpin oleh 6

Executive Vice President ; EVP Business Support & Corporate Affairs, EVP

Operations, EVP Commersial, EVP Engineering, Maintenance, EVP Finance,

EVP Strategic & IT. Berikut adalah struktur organisasi yang dipimpin oleh EVP

Commercial. Berikut adalah struktur organisasi PT. Garuda Indonesia pada level

directorate Commercial.

Gambar 4.1-Struktur Organisasi Executive Vice President

39

Gambar 4.2- Struktur Organisasi Customer Relation Management.

Berikut adalah struktur organisasi yang akan dalam ruang lingkup yang

lebih kecil sesuai dengan ruang lingkup yang telah dibatasi oleh penulis Garuda

Frequent Flyer dikelola oleh departemen Customer Relation Management. Untuk

mengetahui lebih jelasnya dapat dilihat pada gambar 4.2.

Departemen Marketing menggunakan data yang dideliver oleh

departement CRM untuk membuat promosi-promosi untuk untuk jalur

penerbangan yang penumpangnya sedikit. Departemen Revenue menggunakan

untuk menentukan harga tiket dan konversi nilai award mileage. Harga tiket yang

dijual pada penumpang, salah satu komponen penyusunnya adalah jumlah award

mileage. Baik penumpang yang member GFF ataupun bukan, membayar jumlah

yang sama terhadap tiket yang digunakannya untuk terbang.

Di dalam departemen CRM sendiri, yang menggunakan data dari GFF

adalah divisi Customer Affairs. Customer affairs berkepentingan dengan keluhan-

keluhan pelanggan dan tindak lanjut terhadap keluhan, seperti masalah bagasi

yang hilang. Unit GFF juga membuat laporan pemasukan keuangan yang berasal

40

dari anggota berbayar dan bisa juga billing partner yang digunakan oleh bagian

finance.

Kebijakan garuda untuk fokus pada core bussines penerbangan, menggeser

IT GFF untuk dikelola oleh pihak ketiga bersama dengan sistem lainnya yang

mendukung operasional penerbangan. Application Service Provider (ASP) yang

mengelola sistem GFF adalah Lufthansa Systems Indonesia, yang juga diserahi

tugas untuk mengelola service-service IT yang lain untuk garuda dan penerbangan

lainnya. Lufthansa Systems Indonesia sendiri adalah adalah shareholder antara

PT. Garuda Indonesia dan Lufthansa Systems.

4.2 Pemahaman Terhadap Proses Bisnis

Tujuan adanya GFF bagi Garuda adalah untuk menjaga marketshare

dengan meningkatkan jumlah konsumen yang loyal terhadap jasa penerbangan

Garuda. Tujuan lainnya adalah untuk mendukung program marketing. Dalam

perancangan data warehouse perlu mempertimbangkan tujuan dari adanya sistem

GFF.

Untuk lebih memahami istilah dalam komponen-komponen Frequent

Flyer adalah sebagai berikut;

1. Tier, adalah tingkatan tingkatan anggota dalam GFF. Terbagi menjadi

tingkatan, secara berturut-turut dari yang paling rendah adalah TEMP,

Blue, Silver, Gold dan Platinum. Pada OLTP Tier ini disimpan menjadi

satu tabel tersendiri dan menjadi catalog.

2. Member Type, adalah jenis keanggotaan anggota GFF yakni Reguler,

Cobrand, VIP dan Junior. Member type disimpan pada satu tabel catalog.

3. Award Mileage, point yang diberikan oleh GFF kepada setiap anggotanya

sebagai bentuk penghargaan atas loyalitas yang diberikan oleh anggota.

Point ini diakumulasikan dan akan terus bertambah jika anggota

melakukan aktivitas penerbangannya dengan Garuda atau dengan partner

41

Garuda baik airlines ataupun perusahaan lainnya seperti hotel, bank,

telekomunikasi.

4. Tier Mileage, adalah jumlah point yang diberikan GFF setiap kali terbang

dengan Garuda dan digunakan untuk menentukan tingkat loyalitas anggota

GFF. Tier Mileage dihitung dari 1 Januari hingga 31 Desember dan akan

di reset setiap awal tahun, sehingga nilai tier per 1 Januari akan bernilai 0

pada tahun berikutnya.

5. Frequency, setiap satu kali penerbangan yang sifatnya eligible to earn

akan di nilai 1 point frequency. Frequency ini juga bisa menentukan

tingkat loyalitas anggota GFF.

6. Accrual rules, adalah yang mengatur jumlah mileage, baik tier mileage

maupun award mileage, yang diberikan untuk kepada anggota GFF untuk

setiap aktivitasnya dengan Garuda atau partner Garuda. Untuk aktivitas

penerbangan dengan dengan memperhatikan origin airport, destination

airport, tier member dan booking class yang digunakan. Jika aktivitas

adalah bukan penerbangan, maka yang menjadi parameter adalah partner

Garuda dan jenis aktifitasnya.

Setiap aktifitas anggota GFF disimpan dalam database. Aktifitas tersebut

di-rating oleh batch proses dengan menggunakan Accrual rules yang

berlaku saat transaksi berlangsung, maka dibuat catatan transaksi dan

menandai setiap aktifitas anggota yang dengan flag bahwa aktivitas

tersebut sudah di-rating. Hasil perhitungan award mileage, tier mileage,

dan frequency yang merupakan hasil perhitungan ketika rating, masuk ke

dalam field curr_one, curr_two dan curr_three dalam transaksi anggota

GFF yang bersangkutan.

7. Redeem award, salah satu keuntungan keanggotaan GFF adalah dengan

menggunakan award mileage yang dimilikinya untuk mendapatkan tiket

42

gratis, mengupgrade class atau yang lainnnya baik untuk diri sendiri,

kerabat ataupun teman. Anggota yang melakukan redeem award seperti

halnya membelanjakan award yang dimilikinya yang akan memotong

jumlah award yang dimilikinya. Untuk saat ini award yang bisa di-redeem

dan disediakan adalah Free Flight award dan Upgrade award baik untuk

anggota GFF yang bersangkutan, atau orang lain (companion).

8. Upgrade award, misalnya seorang anggota GFF memiliki account balance

award milage 20000 miles. Anggota tersebut membeli tiket kelas ekonomi

dan harga Upgrade award untuk penerbangan kelas W (bisnis) adalah 9000

miles. Maka ia setelah redeem upgrade, account balance award milage

menjadi 11000, demikian juga aturan yang berlaku untuk freeflight award.

4.2.1 Pendaftaran (Enrollment)

Keanggotaan dalam loyalty program dibagi menjadi 2 jenis, open dan

limited. Limited loyalty tidak dapat dikuti oleh semua orang, ada mekanisme

tertentu untuk menjadi anggota limited ini seperti membayar uang pendaftaran dan

kadang-kadang disertai syarat-syarat lainnya seperti melakukan pmbelian dengan

volume tertentu atau memiliki penghasilan tertentu (Wijaya, 2005).

Dalam GFF, jenis keanggotaan untuk yang open bersifat gratis (Reguler

Member Type, Junior Member Type). Keanggotaan limited terbagi menjadi 3;

VIP, Cobrand dan ECPlus. Member type VIP adalah untuk kalangan pejabat dan

anggota DPR yang mendapatkan penawaran khusus untuk menjadi anggota GFF

atau untuk kalangan tertentu selain pejabat. Member type Cobrand adalah pemilik

kartu kredit Citibank yang mendaftarkan diri melalui Citibank, dan GFF akan

memberikan tagihan pada Citibank untuk setiap mileage yang diberikan pada

anggota tersebut. Member type ECPlus adalah jenis anggota yang secara rutin

membayar iuran pada GFF. Pendapatan GFF yang berasal dari limited member,

dibuatkan report yang diberikan pada bagian finance (keuangan) untuk diaudit.

43

4.2.2 Upgrade/Downgrade Tier

Level keanggotaan dalam program frequent flyer disebut tier. Kenaikan

level kenggotaan dalam program frequent flyer disebut upgrade tier, sedangkan

penurunan level keanggotaan disebut downgrade tier. Proses upgrade/downgrade,

sistem melakukan langkah-langkah berikut;

a) Sistem akan membuat tier yang baru dan menonaktifkan tier yang lama

dengan masa berlaku tertentu.

b) Sistem membuat kartu yang memiliki durasi tertentu dengan tier yang sesuai

dengan tier.

c) Sistem membuat mailing card untuk untuk anggota ini yang berisi paket-paket

yang harus dikirim oleh GFF melalui pihak ketiga. Mailing card ini berisi

penjelasan status card pada awal ‘siap untuk dikirim’ dan akan diupdate oleh

sistem ketika kartu sudah diterima oleh anggota menjadi ’terkirim’. Paket ini

bisa berbeda-beda untuk setiap tier.

d) Untuk jenis anggota tertentu, anggota mendapatkan luggage mailing yang

mekanisme pengirimannya sama dan berbarengan dengan mailing card.

Baik downgrade ataupun upgrade, langkah-langkah yang ditempuh oleh

sistem sama, yang membedakannya adalah tier yang dihasilkan oleh sistem

berbeda, Untuk upgrade tier yang baru, tier pada card yang baru lebih tinggi dari

sebelumnya. Untuk downgrade, adalah sebaliknya, tier saat ini lebih rendah dari

tier sebelumnya.

Anggota GFF dapat melakukan enrollment baik melalui CSS (Customer

Self Service) atau BO (Back Office). Saat itu, anggota GFF akan memilki tier

TEMP ketika pertama kali mendaftar (untuk member type Reguler), selanjutnya

akan diupgrade menjadi BLUE setelah melakukan penerbangan perdananya

terhitung sejak anggota terdaftar. Jumlah member yang melakukan aktivasi dan

yang ugrade menjadi BLUE menjadi indikator keberhasilan/kinerja unit Customer

Loyalty.

44

4.2.3 Aktifitas Earning Anggota

Aktifitas anggota GFF terbagi menjadi aktifitas penerbangan (air actvity)

dan aktifitas bukan penerbangan (non air actvity). Aktifitas penerbangan mencatat

asal dan tujuan penerbangan anggota GFF, tanggal penerbangan dan flight

number yang digunakan. Aktifitas bukan penerbangan merupakan aktifitas

anggota dengan partner GFF, seperti melakukan transfer uang dengan

menggunakan kartu kredit Citibank, anggota menginap di hotel partner GFF,

belanja di Roda Mas dan aktiftas-aktifitas semacam ini dengan berbagai partner

GFF. Setiap aktifitas anggota akan dirating dan angota mendapatkan reward

berupa award mileage, tier milage dan frequency. Jumlah milage yang dihasilkan

oleh anggota, besarnya tergantung pada accrual rule yaitu jarak penerbangan

(untuk bukan aktifitas penerbangan), level tier saat anggota terbang, booking class

(untuk aktifitas penerbangan), jumlah volume sesuai kesepakatan antara partner

dengan GFF (untuk bukan aktifitas penerbangan). Proses rating melibatkan

accrual rule, yang berisi aturan pemberian mileage sebagai dasar perhitungan.

Setelah didapatkan nilai award mileage, tier mileage dan frequency dari proses

rating, di tambahkan record mileage transaction milik anggota tersebut.

4.2.4 Aktifitas Redeem Anggota

Award mileage yang dikumpulkan oleh anggota dapat dibelanjakan atau

ditukar dengan penawaran-penawaran dari Garuda dan partner. Award yang

tersedia saat berupa award free ticket dan upgrade booking class. Setiap anggota

membeli award akan tercatat dalam certificate activity dan mileage transaction

dengan tipe spending. Sistem meng-issued certificate untuk setiap pembelian

award dengan voucher number bersifat unik, bisa berupa certificate companion

(certificate yang digunakan oleh bukan anggota) atau self usage.

45

4.2.5 Keseimbangan Accrual dan Reedem

Accrual artinya anggota mendapatkan point terkait aktivitasnya dengan

GFF Sebagai ilustrasi, GFF sebagai organisasi berhutang sejumlah mileage (saat

ini sekitar Rp 110,-) yang dikumpulkan oleh anggota. Saat anggota GFF

melakukan redeem, artinya GFF membayar utangnya kepada anggotanya.

Jika anggota GFF banyak melakukan accrual tanpa membelanjakannya,

maka utang GFF terus bertambah dan bisa menjadi bom waktu bagi garuda jika

suatu saat anggota-anggota GFF melakukan penerbangannya secara serentak.

Untuk itu perlu keseimbangan antara jumlah accrual dan redeem sehingga utang

GFF tidak terus bertambah. Jadi, selain jumlah transaksi accrual dan redeem.

Perbandingan jumlah antara anggota yang melakukan accrual dan redeem

menjadi indikator bagi kinerja GFF, semakin seimbang maka semakin baik.

4.2.6 Kerja Sama Partner

Dari partner GFF, seperti Citibank, ABN Amro, Danamon, Hotel Aston

group dan partner GFF lainnya, bisa mendapatkan penghasilan dan mendapat

benefit secara langsung. GFF melakukan billing untuk setiap mileage yang

dikeluarkan untuk anggota karena aktifitas bukan penerbangan. Selain benefit

langsung, benefit secara tidak langsung adalah jumlah anggota GFF bisa

bertambah karena adanya partner dengan tersedianya channel-channel alternative

bagi anggota dalam melakukan aktifitasnya bersama Garuda. Hal salah satu

strategi memperkuat brand Garuda dan menambah core customer. Jumlah partner

Garuda dijadikan indicator performace GFF sebagai departemen dalam lingkup

kerja divisi Customer Loyalty.

4.3 Perancangan Arsitektur

Untuk memulai perancangan arsitektur data warehouse, didefinisikan

kebutuhan dari pengguna yang paling dibutuhkan dan data mana yang harus

46

diutamakan. Rancangan arsitektur data warehouse dibagi menjadi dua, arsitektur

logical dan arsitektur fisikal. Arsitektur logical adalah tahapan alur data dari

sumber data yang digunakan sampai data warehouse yang digunakan, sedangkan

arsitektur fisik adalah gambaran teknis dari konfigurasi yang diterapkan pada data

warehouse.

4.3.1 Arsitektur logical

Berikut adalah perancangan arsitektur logical pada data warehouse.

Sumber data yang digunakan adalah sumber data yang diperoleh dari data

operasional. RDBMS, yang digunakan untuk penyimpanan data operasional

frequent flyer. Dari sumber data ODS (Operational Data Store), dilakukan proses

selection. Proses selection yaitu proses pemilihan data yang diperlukan dalam

sistem data warehouse dari sumber data. Tidak semua data dari sumber data

digunakan untuk data warehouse, untuk itulah proses selection dilakukan. Proses

selanjutnya setelah selection adalah extraction, memindahkan data yang sudah

dipilah kedalam sistem database yang terpisah dari sistem database operasional.

Pemisahan database ini adalah agar sistem operasional tidak terganggu oleh

proses dalam data warehouse.

Data yang sudah terseleksi kemudian dilakukan proses dilakukan proses

cleansing, yaitu proses pembersihan data dan proses tranformasi yang kedua

proses tersebut dilakukan data staging atau temporary database. Kemudian proses

loading, yaitu proses memasukan data hasil proses sebelumnya ke dalam data

warehouse. Aliran data dari arsitektur logical tersebut dapat dilihat pada gambar

4.3.

47

Garuda Frequent Flyer

Data Souce Data Staging Data Warehouse

Operasional Data Store

(ODS)

Database Temp

Transformation Data Warehouse

Archive/ Backup Data

LOADINGSelection, Extraction

Gambar 4.3- Arsitektur logical Garuda Frequent Flyer

4.3.2 Arsitektur Fisik

Berikut adalah perancangan arsitektur fisik pada data warehouse Garuda

Frequent Flyer, dapat dilihat gambar 4.4. Database operasional GFF

menggunakan platform Oracle 9i begitu juga untuk database yang digunakan

untuk data staging dan data warehouse. Hanya saja mesin yang digunakan

berbeda dengan mesin yang digunakan oleh mesin operasi. Kesamaan platform

database dengan pertimbangan karena pengembangan kedepan dan lisensi yang

dimiliki saat ini adalah Oracle. User yang dapat mengakses sistem data

warehouse adalah user yang terhubung dengan web server.

48

Gambar 4.4- Arsitektur fisik data warehouse Garuda Frequent Flyer

4.3.4 Sumber Data

Sumber data yang akan digunakan adalah sumber data yang diperoleh dari

sumber database Oracle 9i. Database berisi informasi anggota GFF lengkap

dengan profilenya, transaksi harian anggota GFF baik yang diinput manual

maupun melalui proses batch.

Oracle 9i Oracle 9i

49

Tabel 4.1- Platform database sistem GFF operasional dan pertambahan data

Jumlah tabel operasional adalah 167 tabel dengan total kolom 2152 dan

ukuran data saat dilakukan penelitian ini adalah 25 giga bytes. Dari 167 tabel

tersebut tidak semua tabel akan disimpan dalam data warehouse dan dari masing-

masing tabel yang digunakan, tidak semua kolom akan disimpan. Tabel-tabel

yang diproses dan disimpan dalam data warehouse adalah tabel AIRPORT, TIER,

MEMBER_TYPE, ACCRUAL_RULE, BRANCH_OFFICE, TRANSACTION,

ACTIVITY, CUSTOMER dan MEMBER_ACCOUNT.

4.3.5 Data Staging

Tidak semua data yang berasal dari sumber data digunakan, hanya data

yang mendukung keperluan data warehouse yang digunakan. Tempat untuk

melakukan seleksi informasi yang diperlukan dan mempersiapkan data untuk

diproses lebih lanjut ke data warehouse adalah staging area, sedangkan data pada

kondisi tersebut pada pada kondisi tersebut dinamakan data staging. Pada tahap

data staging, dilakukan proses selection, filtering, editing, summarizing,

combining, dan loading data tersebut terhadap sumber data untuk mempersiapkan

data dalam pemrosesan lebih lanjut ke data warehouse.

Tipe Database RDBMS

Engine Oracle 9i

Platform Linux SUSE enterprise edition

Nama Database Oracle

Jumlah total tabel 167

Jumlah total kolom 2303

Pertambahan data 3 Mbytes/1 hari

Ukuran data 25 Giga Bytes

50

4.3.6 Proses ETL

Proses ETL (extract, transform, load) adalah proses yang digunakan

dalam memproses data sebelum dimasukkan ke dalam suatu data warehouse yang

akan dilakukan oleh load manager. Proses ini dilakukan untuk men-

standarisasikan data yang akan digunakan pada data warehouse. ETL adalah

langkah kritis dalam pembuatan data warehouse. Proses ETL dilakukan secara

periodic dan otomotis.

4.3.6.1 Proses Extract

Ekstraksi dilakukan dari sumber data yang digunakan melalui proses

pemilihan data yang kemudian disimpan pada temporary database. Penempatan

temporary database diletakkan pada penyimpanan database, mesin dan platform

yang sama dengan data warehouse agar proses ETL dapat dilakukan lebih cepat

dan tidak mengganggu proses operasional. Adapun database operasional yang

digunakan dan diekstrak dapat dilihat pada lampiran 1 dan 2 beserta penjelasan

atribut yang digunakan dan yang tidak digunakan. Untuk lebih detailnya

mengenai perbedaan karakteristik perbedaan database operasional GF dan

temporary database.

EKSTRAKSI

Source Destination

Engine Oracle 9i Oracle 9i

Platform Open Suse Microsoft Windows Server 2003

Sumber Data DB , GFF Operasional DWTemp

Jumlah Total Table 167 12

Jumlah Total Field 2303 152

Jumlah Total Row 36679283 9169821 Tabel 4.2-Perbandingan sumber data GFF dan DatabaseTemp

51

4.3.6.2 Proses Cleansing

Proses yang dilakukan selanjutnya adalah pembersihan data (cleansing).

Proses yang dilakukan pada proses cleansing ini adalah proses untuk

membersihkan data yang redundant dan data yang tidak konsisten satu sama lain.

Contoh dari ketidak konsistenan data adalah seperti data yang rusak (corrupt)

sehingga isi datanya tidak benar.

Ketidak konsistenan Format Data

Tabel Contoh Format

Transaction mm-dd-yy 02-30-07

Activity mm-dd-yyyy 03-30-2007

Member_account dd-mm-yy 23-02-2007

Customer dd-mm-yyyy 01-30-2007 Tabel 4.3-Perbedaan format data

Tanggal dalam sistem operasional mencatat tanggal hingga jam, menit

dan detik. Kebutuhan bisnis yang diwakili oleh report yang ada dan keseragaman,

format tanggal diubah menjadi dd-mm-yyyy. Untuk mengatasi permasalahan pada

tabel, maka dilakukan penyeragaman format data waktu mengikuti format dd-

mm-yyyy, hal ini juga untuk menghindari data yang tidak konsisten yang dapat

menimbulkan data yang bias.

Tabel 4.4-Ketidak konsistenan data penerbangan anggota GFF karena duplikasi data.

Transaksi anggota GFF yang tercatat oleh sistem melalui batch proses juga

berpeluang besar terjadi ketidak konsistenan dengan adanya duplikasi transaksi

anggota yang ternyata aktifitas penerbangannya hanya satu. Hal ini biasanya

Ketidak konsistenan karena adanya duplikasi data transaksi ENTITY_ID CREATED_ON TRANS_DATE CURR_ONE CERTIFICATE_ID ACCOUNT_ID ORIG DEST

1068117 15-DEC-06 01-23 -07 10000 101536 20 CGK PLM 1068118 16-DEC-06 01-23 -07 10000 101537 20 CGK PLM

52

karena sistem reservasi mengupload file penerbangan yang sama dua kali pada

hari yang berbeda, sehingga tercatat dua kali.

4.3.6.3 Proses Transformasi

Transformation pada prinsipnya mengubah bentuk data dari data yang

telah diextract menjadi bentuk yang sesuai dengan kebutuhan pengguna. Proses

ini dilakukan setelah data yang ada sudah melewati proses ekstraksi dan

pembersihan. Proses transformasi yang dilakukan dibagi berdasarkan level, yaitu

record-level dan field-level, pada proses ini dilakukan proses pemilihan,

penggabungan dan agregasi untuk mendapatkan data ringkasan sesuai dengan

dimensi yang akan dibuat. Proses transformasi menggunakan step-step

transformation yang ada pada Kettle.

Gambar 4.5- Alur transformasi transaksi penerbangan anggota GFF

Pada tranformasi diagram Kettle gambar 4.5, data transaksi anggota GFF

mengalami beberapa transformasi. Transformasi yang pertama adalah

denormalisasi customer, kemudian branch office, branch office counttry, country,

53

membersihkan data tanggal transaksi dalam penyamaan format, denormalisasi

tanggal dan pemisahan data sesuai dengan data model.

Semua jenis transaksi dalam sistem operasional disatukan dalam satu tabel

TRANSACTION. Proses transformasi ini membagi dan memisahkan setiap jenis

transaksi ke dalam 3 tabel terpisah untuk transaksi penerbangan (accrual),

transaksi bukan penerbangan (accrual) dan transaksi penerbangan jenis redeem.

Gambar 4.6- Alur transformasi tabel AIRPORT

Data-data catalog dari tabel TIER, AIRPORT, FLIGHT_SCHEDULE,

MEMBER_TYPE, ACCRUAL_RULES, COUNTRY, dan TIER proses

transformasinya berupa denormalisasi. Pada gambar 4.6 di atas, catalog

AIRPORT, field idCountry tidak lagi look_up ke tabel COUNTRY, tapi langsung

langsung diisi field name dari tabel country.

4.3.6.4 Proses Loading

Proses yang dilakukan pada tahap akhir adalah pemuatan data (loading).

Data yang digunakan pada tahap ini merupakan data dari proses-proses yang

dilakukan sebelumnya, yaitu ekstraksi, pembersihan (cleansing), dan transformasi

54

ke dalam data warehouse dengan menggunakan Spoon, Pan dan Kitchen . Semua

Tools tersebut merupakan produk Pentaho. Spoon digunakan untuk mendesign

pengolahan data untuk cleansing, selecting, transformasi dan mapping dari data

operasional ke data staging atau data warehouse. Pan digunakan untuk

mengeksekusi file-file Spoon. Kitchen untuk mengeksekusi Pan secara periodik

dengan scheduler.

Cara pemuatan data ke dalam data warehouse adalah dengan

menggunakan tool Pentaho yang dijalankan secara periodik dengan feature

scheduler milik Kitchen. Skema transformasi yang dibuat oleh Spoon, ada

beberapa yang dieksekusi secara berurutan karena satu transformasi tergantung

pada step transformasi yang lain.

Gambar 4.7- Skema job pada Spoon yang mengurutkan pengerjaan transformasi yang telah

dibuat sebelumnya

Sebagai contoh pada gambar 4.7 di atas, proses ekstraksi, transformasi dan

loading dari tabel catalog airport yang urutannya adalah dimulai dengan

pembuatan tabel airport_dim dan mengosongkan jika tabel itu sudah ada dan

mengupdate jika ada perubahan.

55

4.3.7 Model Data Warehouse

Data warehouse dan OLAP dibangun berdasarkan multidimensional data

model. Pada model ini diperlukan tabel fakta dan tabel dimensi. Tabel fakta berisi

fakta numerik yang memiliki ciri-ciri : panjang, kurus, dan besar, serta sering

berubah dan berguna untuk mengukur (measure). Sedangkan tabel dimensi berisi

kolom yang bersifat deskriptif, kecil, pendek, dan lebar yang berguna untuk

filtering (menyaring) dan didasarkan pada atribut dimensi.

4.3.6.1 Model Customer

Model Customer ini menyimpan informasi data angota GFF. Contoh

informasi yang bisa diperoleh adalah jumlah anggota GFF yang mendaftar hari,

bulan dan tahun tertentu untuk dilihat trend perkembangannya relatif terhadap

waktu. Berikut adalah model skema bintang Customer pada gambar 4.8 sebagai

berikut.

class Customer

dim_member_tier_composition

«column»*PK tierCompositionId memberType tier

«PK»+ PK_dim_member_type()

dim_cus_status

«column»*PK statusId status

«PK»+ PK_dim_cus_status()

fact_customer

«column» tierCompositionKey locationKey genderKey processKey registeredDateKey totalCustomer totalEnrolled totalProcessTier

dim_location

«column»*PK locationId branchOffice country city

«PK»+ PK_dim_location()

dim_gender

«column»*PK genderId gender

«PK»+ PK_dim_gender()

dim_process_tier

«column»*PK processId processName

«PK»+ PK_dim_process()

dim_time

«column»*PK time_id year month day

«PK»+ PK_dim_time()

1

0..*

1

0..*

1

0..*

1

0..*

1

0..*

Gambar 4.8- Model skema bintang enrollment anggota GFF

56

Ditentukannya subject ini selain berdasarkan report yang ada saat ini juga

mempertimbangkan tujuan bisnis dari sistem GFF yaitu untuk meningkatkan

market share Tabel fakta fact_customer ini menyimpan data anggota GFF yang

telah terdaftar. Peranannya adalah menyediakan informasi dan laporan tentang

jumlah customer dengan kondisi sesuai dengan atribut dari dimensi yang ada.

Measure yang ada pada tabel fakta ini ada 3 measure, yaitu totalCustomer,

totalEnrolled, dan totalProcessTier. TotalCustomer adalah measure yang

menerangkan jumlah anggota GFF. Measure totalEnrolled adalah orang yang

melakukan pendaftaran. Measure totalProcessTier adalah jumlah anggota GFF

yang mengalami perubahan level tier, baik upgrade, downgrade ataupun maintain

tier.

4.3.6.2 Model Air Transaction (Earning)

Jumlah penerbangan anggota GFF yang masuk dalam katagori earning

mileage, atau menambah jumlah mileage bagi anggota yang bersangkutan.

Measure-measure dalam tabel fakta air_transaction adalah award_mileage,

tier_mileage, flown_frequency dan frequency_mileage. Dalam accrual rule,

beberapa jenis penerbangan dinilai 0 sehingga untuk melihat jumlah penerbangan

tidak dari frequency_mileage tapi dibuat measure terpisah, yakni flown_frequency

yang menunjukan jumlah penerbangan.

57

class Air Transaction Model

fact_air_trans

«column» originAirportKey destAirportKey memberAddressKey operatorFlightNumKey bookingClassKey statusKey tierKey timeKey awarMileage tierMilaege frequencyMileage flownFrequency

dim_tier

«column» tierName

dim_time

«column» year quarter month day

dim_customer

«column» enrolledBranchOffice enrolledCity enrolledChannel gender

dim_airport

«column» iataCode country

dim_book_class

«column» bcName

dim_oper_flight

«column» fl ightNumber

dim_mem_address

«column» city country

status

«column» name

1

0..*

1

0..*

1

0..*

1 0..*

1

0..*

1

0..*

1

0..*

10..*

Gambar 4.9- Model skema bintang aktifitas penerbangan anggota

Berikut adalah skema bintang transaksi penerbangan yang menambah

mileage anggota, pada gambar 4.8. Tabel fact_air_trans ini digunakan untuk

menyimpan informasi penerbangan anggota GFF. Setiap penerbangan yang

dilakukan oleh anggota GFF tercatat ditabel ini bersama atribut-atribut yang ada

dalam dimensi. Aktivitas penerbangan akan dihargai oleh GFF dan anggota akan

mendapatkan point atas penggunaan jasa tersebut yang terdiri dari 3 macam yakni

awardMileage, tierMileage dan frequencyMileage. Ketiga mileage ditambah

dengan atribut flownFrequency menjadi measure dalam tabel fact_air_trans ini.

4.3.6.3 Model Non Air Transaction (Earning)

Model star skema untuk transaksi bukan penerbangan adalah seperti

terlihat pada gambar 4.9. Measure yang dimiliki oleh tabel fakta

non_air_transaction adalah award_mileage dan tier_mileage. Dimensi yang

58

dimiliki model ini juga berbeda dengan tabel fakta fact_air_transaction. Pada

model ini measure yan ada hanya award mileage dan tier mileage tanpa frequency

karena tidak diperhitungkan frequency tapi lebih kesepakatan paket-paket yang

menjadi kerja sama antara GFF dan partner.

class Non Air Transaction

dim_partner

«column»*PK partnerId name location

«PK»+ PK_dim_partner()

fact_non_air_trans

«column» partnerKey timeKey memberAccountKey awardMileage tierMileage

dim_time

«column»*PK timeId year quarter month day

«PK»+ PK_dim_time()

dim_customer

«column»*PK customerId enrolledBranchOffice enrolledCity enrolledChannel gender

«PK»+ PK_dim_customer()

1

0..*

10..*1 0..*

Gambar 4.10- Model skema bintang aktifitas bukan penerbangan (non air activity) anggota

GFF

Peranan dari tabel fact_non_air_trans ini adalah menyimpan informasi

data aktifitas anggota GFF yang dilakukan bersama partner GFF seperti misalnya

aktivitas melakukan credit dengan melalui kartu GFF Cobrand, kartu yang

diissued oleh CitiBank dan bekerja sama dengan GFF. Contoh aktivitas lainnya

adalah aktivitas menginap di hotel Aston, karena Aston adalah partner GFF maka

anggota tersebut mendapatkan sejumlah awardMileage. Transaksi bukan

penerbangan ini measurenya hanya satu, yakni awardMileage karena mileage

yang dihasilkan memang hanya awardMileage.

4.3.6.4 Model Certificate Transaction (Spending)

Anggota GFF yang melakukan redeem, membelanjakan mileage (award

mileage) yang dimilikinya, tercatat dan diaudit oleh bagian keuangan. Berapa

59

jumlah voucher yang telah direedem dan mileage yang telah digunakan oleh

anggota dengan berbagai dimensi. Award mileage anggota GFF bisa digunakan

untuk mendapatkan tiket gratis penerbangan atau untuk meng-upgrade tiket

booking class ekonomi yang dibeli masuk ke booking class bisnis.

class Certificate Transaction

dim_airport

«column»*PK airportId iataCode country

«PK»+ PK_dim_airport()

fact_trans_cert

«column» originAirportKey destAirportKey memberAccountKey issuedDateKey transDateKey awardMileage

dim_customer

«column»*PK customerId enrolledBranchOffice enrolledChannel enrolledCity gender

«PK»+ PK_dim_customer()

dim_ticket_office

«column»*PK ticketOfficeId boName countryName ticketOffice

«PK»+ PK_dim_ticket_office()

dim_time

«column»*PK timeId year month day

«PK»+ PK_dim_time()

dim_trans_type

«column»*PK transTypeId type

«PK»+ PK_dim_trans_type()

dim_status

«column»*PK statusId name

«PK»+ PK_dim_status()

1

0..*

1

0..*

1

0..*

1

0..*

1

0..*

1

0..*

Gambar 4.11- Model skema bintang redeem (penggunaan mileage) anggota GFF

Peranan dari tabel fakta fact_trans_cert adalah menyediakan informasi dan

laporan penggunaan awardMileage untuk mendapatkan tiket gratis. Measure yang

diperlukan untuk tabel fakta fact_trans_cert ini adalah awardMileage yang akan

mengurangi jumlah atau saldo award mileage anggota.

60

4.3.6.5 Tabel Dimensi

Tabel dimensi adalah tabel yang berisikan data dari berbagai perspektif

atau dengan kata lain tabel dimensi adalah tabel yang berisikan user-defined

metadata. Dimensi-dimensi itu dipilih dalam upaya meningkatkan kualitas

pelaporan yang sudah ada menjadi lebih baik dengan cara memberikan laporan

secara rinci berdasarkan dimensi-dimensi tersebut. Dalam model ini beberapa

dimensi digunakan bersama-sama oleh tabel fakta yang berlainan.

4.3.6.5.1 Dimensi Airport

Dimensi airport digunakan oleh tabel fakta yang berisi transaksi

penerbangan baik untuk untuk earning atau spending. Airport ini menunjukan asal

penerbangan dan tujuan penerbangan. Dalam dunia penerbangan, untuk

mengidentifikasi lokasi airport digunakan IATA code yang terdiri dari 3 huruf.

Setiap airport memiliki IATA airport code. Seluruh airport dunia diassign IATA

code dan lembaga yang mendefinisikannya adalah International Airport

Transport Association (IATA) yang bermarkas di Montreal,

4.3.6.5.2 Dimensi Location

Garuda memiliki branch office yang tersebar di hampir seluruh kota-kota

besar Indonesia dan beberapa kota besar di luar negeri. Ketika mendaftar pertama

kali, anggota GFF terdaftar di branch office terdekat yang sesuai dengan alamat

yang digunakannya. Aktifitas promosi pada anggota GFF sering dilakukan

spesifik untuk branch office tententu.

4.3.6.5.3 Dimensi Gender

Anggota GFF terdaftar dengan jenis kelamin saat dia terdaftar. Data yang

ada adalah M yang berarti Male atau pria dan F yang berarti Female atau

perempuan.

61

4.3.6.5.4 Dimensi Customer Status

Setelah anggota GFF mengaktifkan keanggotaanya dengan melakukan

penerbangannya. Status anggota GFF yang awalnya inactive menjadi active.

Setelah masa setahun hingga dua tahun (tergantung tier yang dimilikinya),

keanggotaannya dievaluasi apakah masih layak atau tidak dan jika tidak layak

maka statusnya menjadi deleted.

4.3.6.5.5 Dimensi Member Tier Composition

Tier Composition kombinasi antara catalog member type dan catalog

member tier. Member type adalah jenis keanggotaan dalam GFF. Beberapa jenis

keanggotaan GFF adalah berbayar yang berbeda bisnis prosesnya dengan yang

tidak berbayar. Tier merupakan level dalam GFF yang dijadikan indikator

loyalitas anggota pada GFF.

4.3.6.5.6 Dimensi Booking Class

Garuda Indonesia adalah full-service airline yang berbeda dengan 'no-frill’

low cost carrier. Konfigurasi kelas penerbangannya terbagi menjadi kelas

executive dan kelas ekonomi. Pembagian ini terkait dengan in-flight service yang

diberikan. Dalam sistem GFF, kelas excutive juga mendapat rate yang lebih tinggi

dibandingkan dengan kelas ekonomi. Kode booking class menggunakan kode

huruf dan yang masuk kategori class executive adalah C, D dan I. Selain ketiga

code tersebut masuk kategori class ekonomi.

4.3.6.5.7 Dimensi Time

Data yang termasuk kedalam tabel dimensi time yaitu id tanggal, tanggal

lengkap (dd-mm-yyyy), periode bulan , periode 3 bulanan (quarterly) dan tahun.

62

4.3.6.5.8 Dimensi Operating Flight Number

Aktifitas penerbangan mencatat data operator flight number, yakni flight

yang digunakan untuk terbang. Karena beberapa penerbangan bisa jadi melibatkan

berapa operator penerbangan. Primary key dari tabel dimensi ini adalah flightId.

4.3.6.5.9 Dimensi Partner

Dimensi ini berisi data-data partner GFF. Satu partner bisa berisi lebih

dari satu record dengan harus lokasi yang berbeda. Contohnya adalah partner

hotel Accor group yang memiliki beberapa hotel. Setiap hotel akan memiliki satu

key location dan satu partner memiliki satu location atau lebih.

63

BAB V

IMPLEMENTASI DATA WAREHOUSE

Tujuan adanya Frequent Flyer Program seperti GFF adalah menjaga dan

meningkatkan market share dengan mempertahankan valueable customer dengan

mengetahui dan mengerti secara proactive kebutuhan dan keinginan setiap

konsumen. Konsumen tesebut berharga karena menggunakan jasa yang disediakan

oleh Garuda secara berulang (generate repeat business among core customers)

dan menjadi core customer dan salah satu jalan meningkatkan customer equity

(CE). Konsumen menggunakan jasa Garuda secara berulang terkait dengan

kualitas pelayanan Garuda. Selain itu, GFF juga bertujuan untuk mendukung

program yang diadakan oleh bagian marketing.

Kemampuan penyediaan informasi dari data warehouse untuk melakukan

analisa terhadap kegiatan anggota Garuda Frequent Flyer, baik dari enrollment,

proses upgrade dan downgrade, sehingga managemen Garuda dapat menentukan

langkah apa yang bisa dilakukan untuk meningkatkan kualitas pelayanan terhadap

customer.

Data warehouse Garuda Frequent Flyer dibangun agar dapat

menyediakan informasi yang cepat, tepat dan akurat sehingga manajemen Garuda

dapat mengambil keputusan yang tepat dalam meningkatkan pelayanannya

terhadap penumpang dan penumpang melakukan pembelian yang terus berulang

dan menjadi penumpang yang loyal.

5.1 Presentasi Data Warehouse

Kemampuan data warehouse dalam menyajikan informasi pada pengguna

adalah hal yang paling penting. Penggunaan tools dalam presentasi data perlu

dipertimbangkan hal-hal seperti fitur yang ada, biaya saat development dan

maintain setelah data warehouse beroperasi. Tools yang digunakan sebisa

64

mungkin tidak terikat (loosely coupled) pada satu platform database supaya

pengembangan di layer bisnis tidak perlu mengubah mengubah terlalu banyak

arsitektur dibawahnya (separation of concern) . Tools yang digunakan adalah:

• Mondrian adalah OLAP engine yang menggunakan bahasa pemrograman

java. Mondrian digunakan untuk analisis interaktif dari database yang

besar, menggunakan bahasa MDX (Multi Dimensional eXpression) untuk

mengeksekusi Query. MDX merupakan query yang digunakan untuk data

multidimensional dan menggunakan sintaks yang sama dengan SQL.

Perbedaannya adalah SQL digunakan untuk query relational table

sedangkan MDX digunakan untuk query multidimensional table.

• JPivot adalah JSP yang dapat menampilkan OLAP table dan chart. JPivot

mempunyai kemampuan navigasi OLAP seperti drill down, slice dan dice.

JPivot adalah taglib Java Server Pages (JSP) yang yang bersifat open

source.

Kemampuan Mondrian dalam berintergrasi dengan berbagai platform

database memberi kebebasan bagi pengembang data warehouse untuk memilih

database sesuai dengan kebutuhan dan mengurangi ketergantungan pada satu

vendor saja (vendor lock-in). Meskipun tools ini bersifat open source dan

penggunaan tools yang bersifat open source tetapi Mondrian dan JPivot memiliki

kemampuan yang baik sebagai OLAP engine dan melakukan presentasi data

warehouse.

5.2 Penyediaan Informasi

Media yang digunakan untuk menampilkan presentasi tersebut adalah

media web. Dengan media web diharapkan dapat mempermudah pengguna dalam

melihat informasi tersebut, kapan dan dimana saja selama terhubung dengan

jaringan dan memiliki browser, yakni web browser yang mengakses aplikasi

aplikasi Mondrian yang dideploy di web server. Kemampuan yang dimiliki

aplikasi data warehouse ini antara lain:

65

• Kemampuan roll-up dan drill-down sehingga memudahkan analisa

data, seberapa dalam tingkat kedetailan yang diinginkan oleh

pengguna.

• Roll-up adalah kemampuan menampilkan data dengan tingkat rincian

yang lebih rendah. Drill –down adalah kemampuan menampilkan data

dengan tingkat rincian yang lebih tinggi.

• Kemampuanuntuk membuat query sendiri seusai dengan kebutuhan

• Kemampuan report customization sesuai dengan kebutuhan informasi.

• Kemampuan untuk membuat chart atau grafik sesuai dengan laporan

yang diinginkan.

• Kemampuan membuat report dalam format Excel dan dan PDF

5.2.1 Informasi Customer

Apapun bentuk dan jenis bisnis model, supaya tetap eksis diperlukan

customer. Ukuran keberhasilan loyality program seperti GFF salah satunya adalah

banyaknya customer atau penumpang yang terdaftar sebagai anggota GFF.

Penumpang memiliki kebutuhan yang spesifik yang perlu dipenuhi. Pembagian

kelompok dalam sistem GFF adalah dalam bentuk tier level composition.

Pembagian kelompok ini secara tidak langsung adalah salah satu upaya GFF

dalam menerapkan strategi segmentasi pelanggannya berdasarkan tingkat

penggunaan layanan jasa Garuda.

Sebagai gambaran adalah, anggota GFF yang memiliki “tier composition“

Temp Reguler, artinya anggota tersebut belum melakukan aktifitas

penerbangannya dengan dengan Garuda. Garuda akan mencoba menarik anggota

Temp Reguler ini ke dalam tier Blue untuk melakukan aktifitas penerbangannya.

Garuda memberikan paket promosi “Welcome Blue” pada anggota GFF Temp

yang melakukan penerbangan perdananya. Perlakuan Garuda terhadap anggota

GFF yang memiliki level Platinum, berbeda dengan level yang dibawahnya.

Anggota Gold dan Platinum diberikan kartu “luggage” bersamaan dengan

pengiriman kartu anggota yang baru, yang dapat digunakan oleh anggota agar

bagasinya mendapat prioritas.

66

Berikut ini adalah jenis-jenis laporan yang berkaitan dengan informasi

customer:

Laporan jumlah anggota per-branch office terdekat dari tempat tinggalnya

(Gambar 5.1).

Laporan jumlah anggota yang melakukan aktivasi (Gambar 5.2)

Laporan jumlah anggota per-tier composition (Gambar 5.3)

Gambar 5.1- Contoh report Customer per branch office pada tahun 2007

67

Gambar 5.2- Contoh report Customer per Tier Composition pada tahun 2007

Gambar 5.3 - Contoh report Customer per yang melakukan aktivasi pada tahun 2007

68

Gambar 5.4 Informasi Customer yang terdistribusi dalam beberapa tier yang di slice hanya

tahun 2007 dan drill-down berdasar usianya.

Gambar 5.5 Informasi Enrolment Customer yang terdistribusi dalam dalam tahun pendaftaran

dilengkapi dengan grafik trend enrollment.

69

5.2.2 Informasi Earning/Accrual Traffic

Aktifitas anggota GFF bersama Garuda dan partner GFF diberikan

apresiasi oleh Garuda dalam bentuk mileage atau disebut accrual mileage yang

bersifat earning point bagi anggota GFF. Anggota mendapatkan award mileage,

tier milage dan frequency.

Berikut adalah contoh informasi earning mileage customer GFF. Jumlah

mileage yang dikeluarkan oleh Garuda adalah utang garuda pada palanggannya

dan tercatat untuk audit oleh bagian keuangan. Bagian keuangan mengalokasikan

sejumlah mileage anggota yang tercatat sebagai liquid cash.

Gambar 5.6- Earning mileage customer yang di-slice berdasarkan Origin Destination airport

penerbangan

70

Gambar 5.7- Earning mileage customer yang di slice berdasarkan Origin Destination airport

penerbangan yang dilengkap dengan grafik pie chart.

5.2.3 Informasi Redeem Traffic

Traffic penerbangan anggota GFF yang merupakan penerbangan redeem,

menjadi salah satu indikator kinerja divisi loyalty. Reedem adalah penggunaan

/pembelanjaan mileage anggota GFF untuk mendapatkan award dari penyedia

loyality program, dalam hal ini Garuda.

71

Gambar 5.8- Contoh report redeem activity per branch office pada tahun 2007

5.3 Pengaruh Perubahan

Modul report dalam sistem operasional GFF adalah bagian dari sistem

GFF yang menangani berbagai bentuk report. Query yang disubmit kedalam

sistem akan di eksekusi secara periodik oleh batch proses sesuai dengan

kebutuhan. Format yang dihasilkan oleh sistem GFF adalah format microsoft

excel.

Kebutuhan untuk mendapatkan laporan, baik laporan harian, mingguan,

bulanan atau 3 bulanan saat ini ditangani sepenuhnya oleh pengelola sistem GFF.

Flow jika ada kebutuhan report yang tidak tersedia dalam sistem, flow berikut

harus dilalui dan flow ini akan memerlukan waktu hingga 1 bulan. Diawali

dengan change request dari garuda pada pihak pengelola sistem GFF. Pengelola

sistem akan melakukan analisa terhadap dampak setiap perubahan, termasuk

adanya report pada live systems. Setelah diketahui dampak-dampak perubahan,

hasil analisa ini akan dibicarakan dalam CAB meeting dan penyusunan skenario

deployment, skenario jika deployment gagal dan step-step detail untuk fall back,

menetapkan tanggal, dan team yang melakukan perubahan. Setelah CAB selesai

72

yang dilengkap dokumen perubahan (biasanya 2 kali CAB meeting), proses CAB

dilakukan pada tanggal yang telah ditetapkan. Dalam bentuk diagram alir, proses

CAB adalah sebagai berikut, pada gambar 5.9.

Gambar 5.9- Langkah-langkah implementasi jenis report baru.

Dengan adanya data warehouse, penyusunan laporan menjadi lebih

sederhana, karena pengguna dapat melakukan customization report sesuai dengan

yang diinginkan, sehingga dapat diperoleh efisiensi waktu dari yang awalnya 3

minggu untuk melakukan change request hingga dapat digunakan dan 5 hari kerja

jika diselesaikan secara ad hoc query¸ menjadi satu hari. Dengan demikian GFF

dapat mengoptimalkan sumber daya manusia yang sebelumnya dialokasikan

untuk penyusunan laporan menjadi lebih fokus pada hal yang sifatnya strategis

mengelola partnership yang strategic atau merancang promosi yang tepat untuk

diajukan ke Garuda. Hal lainnya yang diperoleh dari data warehouse adalah

tersedianya data history setiap customer baik yang statusnya active ataupun yang

tidak active lagi untuk kebutuhan data mining misalnya.

Change Request dalam bentuk RFC dan analisa dampak perubahan terhadap

Change Advisory Board Meeting (Membahas skenario jika berhasil dan gagal, dan

gagal step-step untuk fall back)

Deployment dan monitoring dampak perubahan

Change Advisory Board Meeting (Evaluasi terhadap perubahan)

73

Saat report dieksekusi langsung terhadap data operasional, sistem yang

berjalan menjadi jauh lebih lambat bahkan tidak jarang sistem menjadi tidak

stabil. Hal ini dikarenakan database yang digunakan oleh sistem operasional

resourcenya digunakan oleh query report yang jumlahnya hingga jutaan transaksi.

Setelah sistem data warehouse diimplementasikan, maka sistem operasional tidak

terganggu saat repot digenerate. Performance sistem operasional juga tidak

terganggu terkait kebutuhan report saat melakukan uji report yang baru sebagai

bagian dari proses CAB.

74

BAB VI

IMPLEMENTASI DATA MINING

Pada bab ini dijelaskan mengenai implementasi data mining untuk

mendapatkan dan menggali informasi yang tersembunyi dalam data warehouse.

Untuk mendapatkan hasil yang baik dan bermanfaat diperlukan proses data

mining yang terstruktur dengan baik melalui tahapan data mining. Karena itu

pada bab ini akan dijabarkan bagaimana implementasi data mining dijalankan

melalui tahapan data mining yang sebelumnya dijelaskan pada bab II.

6.1 Pemahaman Terhadap Bisnis

Tujuan dari adanya GFF ada dua yakni; 1) untuk menjaga dan

meningkatkan marketshare dengan cara meningkatkan jumlah customer yang

loyal, 2) mendukung program-program pemasaran. Seperti yang diuraikan

sebelumnya pada bab II, bahwa biaya untuk mendapatkan customer baru akan

jauh lebih mahal dari pada mempertahankan customer yang loyal.

Salah satu program/promosi yang ditawarkan oleh GFF dalam rangka

meningkatkan customer yang loyal adalah dengan adanya keanggotaan yang

langsung menempati posisi tertinggi dalam tingkatan tier adalah dengan adanya

program Cobrand. GFF bekerja sama dengan Citibank menjaring anggota secara

bersamaan. Cara kerjanya adalah anggota pemilik kartu kredit Citibank akan

ditawari untuk menjadi anggota GFF dengan imbalan keanggotaan eksklusif

dengan level tier tertinggi tanpa harus memiliki mileage yang cukup dan tidak

harus memenuhi kriteria seperti halnya anggota biasa. Penawaran keanggotaan ini

saat anggota akan masuk menjadi pemilik kartu kredit Citibank. Citibank menjadi

intermediary untuk melakukan cross selling GFF. Aktifitas anggota baik bersama

GFF atau bersama Citibank akan mendapatkan poin mileage.

75

Adanya program Cobrand ini cukup beralasan, karena orang-orang yang

memiliki kartu kredit Citibank berpeluang besar untuk menggunakan jasa

penerbangan Garuda terkait dengan tingkat penghasilannya yang diasumsikan

menengah keatas. Bagi GFF, selain mendapatkan Customer yang potensial untuk

memberikan revenue, juga mendapatkan prosentase membership fee dari anggota

yang dibayarkan ke Citibank.

6.2 Sumber Data

Saat anggota GFF tercatat dalam sistem, anggota tersebut dan akan

memiliki kartu Temp. Dengan level tier Temp, customer tersebut belum

melakukan penerbangan dengan Garuda, kemudian sesaat setelah anggota Temp

melakukan penerbangan maka ia berubah menjadi ber-level Blue dan selanjutnya

itu level tier bergantung pada seberapa banyak anggota melakukan aktifitasnya

bersama Garuda atau partner-nya. Sewaktu-waktu anggota tersebut bisa naik ke

level yang lebih tinggi. Dan setiap tahun, dievaluasi apakah tier-nya turun atau

tidak tergantung akumulasi aktifitas selama setahun. Aturan seperti ini berlaku

untuk anggota tidak berbayar dan bersifat terbuka dan berbeda dengan

keanggotaan yang bersifat tertutup.

Salah satu keanggotaan yang bersifat tertutup adalah Cobrand. Tidak

seperti keanggotaan terbuka atau Reguler, masa berlaku Cobrand adalah selama

tiga tahun terhitung sejak anggota tersebut mendaftar. Hanya saja, bisa saja

anggota tersebut berhenti dari Cobrand (Terminate Cobrand) dan GFF otomatis

merubah jenis kenggotaannya menjadi keanggotaan biasa (Reguler member type)

yang pada akhir tahun akan dievaluasi kelayakan level tier-nya. Pada prinsipnya,

saat anggota melakukan terminasi keanggotaan Cobrand anggota tersebut

mengundurkan diri dari kepemilikan kartu kredit Citibank, dan masih anggota

GFF.

Mekanisme melakukan terminasi Cobrand adalah dimulai dari anggota

yang mengundurkan diri melalui Citibank yang selanjutnya Citibank mengirimkan

file berisi daftar anggota yang berhenti menjadi Cobrand dan sistem operasional

memproses file tersebut.

76

Masa keanggotaan GFF Cobrand terhitung sejak terdaftar sejak anggota

tanggal mengajukan terdaftar, hingga sehari sebelum terdaftar menjadi anggota

biasa dapat dihitung sebagai lamanya anggota tersebut telah memberikan revenue

pada Garuda dengan iuran yang anggota bayar tiap tahun. Semakin lama seorang

anggota GFF menjadi Cobrand maka nilai Customer Equity semakin lebih besar

yang artinya anggota tersebut memiliki potensi menjadi sumber pendapatan GFF.

Pilihan bagi anggota untuk menggunakan alamat pribadi atau alamat

kantor diasumsikan bahwa saat anggota menggunakan alamat kantor maka

perjalanan dan aktifitasnya bersama Garuda adalah aktifitas atau perjalanan bisnis.

Karena data adalah hasil dari data warehouse, maka cleansing data tidak perlu

dilakukan, yang perlu dilakukan adalah membuat kedalam bentuk artifact (data

bukan dalam bentuk transaksi dimana customer bisa mempunyai banyak transaksi

atau satu customer bisa punya banyak baris karena transaksinya lebih dari satu,

tetapi data bisa di jadikan menjadi data aggregat sehingga satu user itu satu baris

dengan seluruh atribut yang melekat ke dia di tempatkan di memanjang sebagai

kolom-kolom). Langkah selanjutnya diskretisasi/binning. Ditentukan keperluan

untuk merubah semua atribut numerik menjadi kategori atau dipilih atribut yang

akan dibinning.

6.3 Pemilihan Teknik dan Perangkat lunak Data Mining

Teknik data mining yang digunakan untuk data mining pada sistem GFF

adalah Decision Tree dan Association Rule sesuai dengan tujuan untuk memahami

karakteristik anggota GFF Cobrand selama keanggotaannya sebelum melakukan

terminasi.

Perangkat lunak yang digunakan untuk penelitian ini adalah Rapidminer

(sebelumnya bernama Yale) versi komunitas. Rapidminer memiliki dua lisensi,

lisensi yang bersifat propietary (AGPL) dan yang bersifat free. Dari segi product

Rapidminer terdapat dua versi yaitu versi enterprise dan Rapidminer versi

komunitas. Perbedaan keduanya terutama dalam hal support yang diberikan oleh

Rapid-I sebagai pengembang.

77

6.4 Persiapan Data

Pemodelan data mining dirancang berdasarkan kebutuhan dan

karakteristik data yang ada pada data warehouse GFF. Jumlah data

anggota/customer GFF yang aktif adalah sekitar 300 000 orang. Dari jumlah

tersebut tersebut kemudian dipilih customer yang member type-nya pernah

menjadi atau memiliki Cobrand berdasarkan history dari dimensi tier composition

dan statusnya active yang jumlahnya menjadi 22 970 orang.

Tujuan dari data mining ini adalah untuk melihat karakteristik anggota

Cobrand yang mengundurkan diri melalui Citibank sebagai partner GFF. Dengan

tujuan demikian, maka customer yang dianalisa adalah customer yang telah

mengundurkan diri sebelum masa berlaku keanggotaanya habis, sehingga dari 22

970 orang, mengkerucut menjadi 990 orang yang melakukan terminasi

keanggotaan Cobrand dan berubah menjadi Reguler.

6.4.1 Persiapan Data Teknik Association Rule

Tahap pertama adalah tahap preprocessing yang meliputi operator

frequency discretization dan filter operator nominal to binominal. Frequency

discretization mengubah atribut angka menjadi disktrit dengan memasukan nilai

bins pada operator frequency discretization.

78

Gambar 6.1 Building block menggunakan Rapid miner Community 4.2 dengan teknik data

mining association rule

Preprocessing

Menghitung frequent item sets

Mencari Association Rule berdasarkan frequent item sets dari FFPGrowth

79

ACCOUNT_ID GEN- DER

ENROLL_ CHANNEL

ADDRESS_TYPE

CURRENT- TIERNAME

LIFEDURA- TIONIN- MONTH

DURATION- FROMREGIS- TERINMONTH

725 M BO PRIVATE Silver 10.07 95.63 1377 F BO BUSINESS Blue 11.6 50.03 1448 F BO PRIVATE Silver 1.27 34.73 1528 M BO PRIVATE Silver 0.27 33.83 2190 M BO BUSINESS Gold 1.77 107.2 2239 M BO PRIVATE Platinum 0.03 98.9 2367 M BO BUSINESS Gold 0.07 83.3 2555 M BO PRIVATE Platinum 10.07 85.4 2730 M BO BUSINESS Platinum 0.73 62.73 5304 M CSS BUSINESS Blue 1.07 19.57 7480 M CSS PRIVATE Silver 0.3 14 7787 M CSS PRIVATE Blue 1.37 19.2 9255 M CSS BUSINESS Silver 0.43 2.33

11871 M BO PRIVATE Blue 2.37 47.63 12043 M BO PRIVATE Silver 6 39.07 12045 M BO BUSINESS Blue 11.87 57.27 12700 M BO BUSINESS Blue 4.8 57.8 14208 M BO PRIVATE Blue 2.77 48.4 14773 M BO PRIVATE Blue 13.5 48.4 15433 F BO PRIVATE Blue 5.27 47.27 16375 F BO BUSINESS Silver 1.13 33.63 17128 F BO BUSINESS Blue 2.53 39.37 18692 M BO BUSINESS Blue 0.17 36.5 21893 M BO BUSINESS Silver 2.17 84.33 22147 M BO PRIVATE Blue 4.13 21 25268 F BO PRIVATE Blue 9.83 33.27 28911 M BO PRIVATE Blue 12 19.27 36070 M COBRAND BUSINESS Gold 0 25.73

… … … … … … …

Tabel 6.1 Tabel sebelum transformasi

80

Tabel 6.2 Tabel setelah transformasi/preprocessing

ACCOUNT_ID

CURRENTTIERNAME

GENDER = M

GENDER = F

GENDER = \\N

ENROLL_CHANNEL = BO

ENROLL_CHANNEL = CSS

ENROLL_CHANNEL = COBRAND

ADDRESS_TYPE = PRIVATE

ADDRESS_TYPE = BUSINESS

LIFEDURATIONINMONTH = range1 [-∞ - 0.450]

LIFEDURATIONINMONTH = range2 [0.450 - 1.150]

LIFEDURATIONINMONTH = range3 [1.150 - 2.315]

LIFEDURATIONINMONTH = range4 [2.315 - 5.315]

LIFEDURATIONINMONTH = range5 [5.315 - ∞]

DURATIONFROMREGISTERINMONTH = range1 [-∞ - 0.850]

DURATIONFROMREGISTERINMONTH = range2 [0.850 - 2.415]

DURATIONFROMREGISTERINMONTH = range3 [2.415 - 8.465]

DURATIONFROMREGISTERINMONTH = range4 [8.465 - 29.565]

DURATIONFROMREGISTERINMONTH = range5 [29.565 - ∞]

725

Silver

TRUE

FALSE

FALSE

TRUE

FALSE

FALSE

TRUE

FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE TRUE

1377

Blue

FALSE

TRUE

FALSE

TRUE

FALSE

FALSE

FALSE

TRUE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE TRUE

1448

Silver

FALSE

TRUE

FALSE

TRUE

FALSE

FALSE

TRUE

FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE TRUE

1528

Silver

TRUE

FALSE

FALSE

TRUE

FALSE

FALSE

TRUE

FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE

2190

Gold

TRUE

FALSE

FALSE

TRUE

FALSE

FALSE

FALSE

TRUE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE TRUE

2239

Platinum

TRUE

FALSE

FALSE

TRUE

FALSE

FALSE

TRUE

FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE

… … … … … … … … … … … … … … … .. … … … …

81

Langkah pertama dalam melakukan teknik association rule adalah

preprocessing yang meliputi operator Frequency Discretization dan filter

operator Nominal To Binominal. Frequency Discretization mengubah atribut

angka menjadi disktrit dengan memasukan nilai bins pada operator Frequency

Discretization. Tahap selanjutnya adalah menghitung frequent items dengan

menggunakan FFGrowth operator dan output dari FFGrowth akan menjadi

masukan bagi operator AssociationRuleGenerator untuk menghitung frequent

items.

6.4.2 Persiapan Data Teknik Decision Tree

Teknik Decision Tree adalah metode clasification yang mudah dipahami.

Teknik data mining ini sangat fleksibel terhadap berbagai tipe data input yang

diolah sehingga tidak diperlukan preprocessing pada atribut-atribut yang

digunakan seperti teknik Association Rule dan yang menjadi class/label yang

diprediksi adalah tier, apakah tiernya naik atau turun setelah anggota GFF

tersebut menghentikan keanggotaan Cobrand-nya. Gambar 6.2 menunjukan

building block data mining dengan teknik Decision tree yang tidak memerlukan

preprocessing terhadap atribut inputnya.

82

Gambar 6.2 Building block metode Decision tree menggunakan Rapidminer Community 4.2

6.5 Analisa Hasil Uji Coba

6.5.1 Analisa Hasil Uji Coba Dengan Teknik Association Rule

Pada uji coba ini, minimum support yang digunakan adalah 10%, sehingga

jika persentase kombinasi item dalam dataset lebih dari 10% maka akan dibuatkan

rule yang berkaitan dengan kombinasi item tersebut tetapi jika tidak maka akan

diabaikan dan dengan minimal confidence sebesar 70%. Dari percobaan ini tidak

ditemukan rule-rule yang berhubungan dengan atribut jenis alamat yang

digunakan oleh anggota GFF Cobrand. Hasil uji coba adalah sebagai berikut:

Berdasarkan hasil pemodelan yang nampak pada tabel 6.4 pada tabel

diatas, diperoleh karakteristik anggota Cobrand yang melakukan pendaftarannya

melalui channel Cobrand Citibank dan life duration Cobrand kurang dari 4 bulan,

maka kemungkinan masa keanggotaan GFF-nya kurang dari 8 bulan atau berada

pada range1 (rule no 147 dan 150) dengan nilai confidence rata-rata 98%% dan

nilai support rata-rata 12%.

Prosess Decision tree

83

No Rule Premises Conclusion Support Confidence

156

DURATIONFROMREGISTERINMONTH = range5 [29.565 - ∞]

ENROLL_CHANNEL = BO 0.200405 1

158

GENDER = M, DURATIONFROMREGISTERINMONTH = range5 [29.565 - ∞]

ENROLL_CHANNEL = BO 0.158907 1

163

ADDRESS_TYPE = PRIVATE, DURATIONFROMREGISTERINMONTH = range5 [29.565 - ∞]

ENROLL_CHANNEL = BO 0.112348 1

164

ADDRESS_TYPE = BUSINESS, DURATIONFROMREGISTERINMONTH = range5 [29.565 - ∞]

ENROLL_CHANNEL = BO 0.088057 1

170

GENDER = M, ADDRESS_TYPE = PRIVATE, DURATIONFROMREGISTERINMONTH = range5 [29.565 - ∞]

ENROLL_CHANNEL = BO 0.087045 1

171

GENDER = M, ADDRESS_TYPE = BUSINESS, DURATIONFROMREGISTERINMONTH = range5 [29.565 - ∞]

ENROLL_CHANNEL = BO 0.071862 1

Tabel 6.3 Model Rule dengan kesimpulan masa keanggotaan Cobrand dalam mendaftar melalui

channel BO

Berdasarkan hasil pemodelan yang nampak pada tabel 6.1 pada tabel

diatas, diperoleh karakteristik anggota Cobrand yang melakukan terminasi

setelah masa keanggotaan GFF-nya lebih dari 29.56 bulan adalah anggota

Cobrand yang mendaftar GFF melalui channel BO, dengan nilai confidence 100%

dan support 20%. Dapat dilihat dari rule no 156.

Channel BO atau Back Office adalah adalah channel pendaftaran yang

disediakan GFF yang dapat dilakukan di kantor cabang Garuda, ticket office atau

kantor check in Garuda dengan mengisi formulir yang telah disediakan Garuda.

Cobrand adalah salah satu jalan pintas bagi anggota GFF untuk mendapat posisi

tier tertinggi. Anggota GFF yang telah lama dan ditawari keanggotaan Cobrand,

sehingga jika keanggotaannya berada pada range5 dan anggota tersebut adalah

Cobrand, maka dapat dipastikan sebelumnya adalah anggota Reguler.

84

No Rule Premises Conclusion Support Confidence

147

GENDER = M, ENROLL_CHANNEL = COBRAND, LIFEDURATIONINMONTH = range1 [-∞ - 0.450]

DURATIONFROMREGISTER INMONTH = range1 [-∞ - 0.850] 0.112348 0.982301

150

ENROLL_CHANNEL = COBRAND, LIFEDURATIONINMONTH = range1 [-∞ - 0.450]

DURATIONFROMREGISTER INMONTH = range1 [-∞ - 0.850] 0.13664 0.985401

153

ENROLL_CHANNEL = COBRAND, LIFEDURATIONINMONTH = range3 [1.150 - 2.315]

DURATIONFROM REGISTER INMONTH = range2 [0.850 - 2.415] 0.121457 0.991736

127

ENROLL_CHANNEL = COBRAND, LIFEDURATIONINMONTH = range4 [2.315 - 5.315]

DURATIONFROMREGISTER INMONTH = range3 [2.415 - 8.465] 0.126518 0.925926

Tabel 6.4 Model Rule dengan kesimpulan masa keanggotaan Cobrand dalam range1, range2, dan range2.

Anggota Cobrand yang melakukan terminasi saat life duration-nya antara

1 hingga 2 bulan dan melakukan channel Cobrand, maka kemungkinan masa

keanggotaan GFF-nya antara 0.8 bulan hingga 2 bulan (rule 153). Pada rule ini

nilai confidence-nya 99% dan nilai support rata-rata 12%.

Dari hasil data mining dengan teknik association rule ini ditemukan

bahwa anggota GFF yang memiliki telah mendaftar dan usia GFF-nya 8 bulan

hingga 2 tahun berkecenderungan akan loyal dengan keanggotaanya sebagai

anggota Cobrand dengan masa lebih 5 dari bulan. Jika keanggotaan GFF-nya

berusia lebih dari 2 tahun maka kemungkinan besar adalah anggota yang

melakukan pendaftaran melalui BO.

Dari hasil data tersebut sebagai hasil data mining, maka bagian marketing

bisa menindak lanjuti dengan menggunakan promosi yang lebih tertarget terhadap

anggota Cobrand. Anggota Cobrand channel BO, memiliki banyak anggota yang

menempati posisi tier Platinum, meskipun telah berubah menjadi anggota

Reguler. Artinya, intensitas penggunaan jasa Garuda mencukupi dan jenis

customer ini memiliki nilai customer equity yang besar untuk ditawarkan produk-

produk dari Garuda atau anak perusahaannya seperti jasa Hotel.

85

6.5.2 Analisa Hasil Uji Coba Dengan Teknik Decision Tree

Pada uji coba dengan menggunakan operator Decision three ini class atau

label yang digunakan adalah tier dari setiap anggota. Nilai confidence saat

eksekusi adalah 10% dan criterion yang digunakan adalah information gain,

atribut selection measure yang digunakan untuk memilih test atribut dari suatu

node. Hasil uji coba adalah sebagai berikut:

Gambar 6.3 Bagian dari diagram pohon karakter anggota Cobrand yang mendaftar melalui

channel Cobrand atau Citibank

Channel Cobrand adalah jalur pendaftaran GFF melalui partner, dalam

hal ini Citibank. Anggota Cobrand yang melakukan pendaftaran melalui channel

Cobrand atau dengan kata lain melakukan pendaftaran melalui Citibank memiliki

pola seperti gambar 6.3 di atas. Nilai confidence yang yang digunakan untuk

memproses data ini adalah sebesar 25%. Level tier anggota setelah melakukan

terminasi, untuk anggota seperti di atas berada pada posisi Blue atau Silver,

tergantung pada berapa lama sudah menjadi anggota GFF dan berapa lama durasi

keanggotaan Cobrand –nya hingga saat melakukan terminasi (mengundurkan diri

dari keanggotaan Cobrand).

Anggota yang memiliki masa keanggotaan, terhitung sejak mendaftar,

kurang dari 12.13 bulan berada pada posisi Blue. Tapi jika masa keanggotaanya

lebih dari 12.13 bulan maka posisi tier bisa menjadi Blue atau Silver, tergantung

pada berapa lama durasi keanggotaan Cobrand-nya.

86

Gambar 6.4 Bagian diagram pohon karakter anggota Cobrand yang mendaftar melalui

Customer Self Service (CSS)

Customer Self Service adalah channel/jalur yang disediakan oleh GFF

bagi customer Garuda untuk melakukan pendaftaran keanggotaan GFF, secara

mandiri melalui media internet. Anggota GFF Cobrand yang melakukan

pendaftaran melalui jalur CSS pun memiliki pola yang hampir sama dengan

anggota Cobrand yang melakukan pendaftaran melalui Citibank, nampak pada

gambar 6.4. Sebagian besar anggota turun level keanggotaannya dari level

Platinum menjadi Blue atau Silver.

Baik anggota yang bergabung melalui CSS atau Citibank memiliki tier

Blue dan Silver. Hal ini dapat dimengerti karena keanggotaan Cobrand yang

bersifat tertutup mengabaikan loyalitas, diabaikan jumlah aktifitasnya bersama

Garuda dan Partner, dan digantikan oleh iuran tahunan yang harus dibayarnya.

Anggota Cobrand langsung menempati posisi tier pada level Platinum. Sehingga

saat anggota mengajukan pengunduran diri dari Cobrand (terminate Cobrand)

yang secara otomatis akan mengganti jenis keanggotaanya menjadi Reguler atau

jenis yang terbuka. Karena jenis keanggotaanya sudah menjadi Reguler, maka

GFF mulai memperhitungkan seberapa setia anggota yang awalnya Cobrand

dengan menjumlah transaksi yang telah dilakukannya.

87

Durasi anggota GFF tidaklah berbanding lurus terhadap level tier yang

dimilikinya. Sistem GFF akan mereset nilai tier mileage dan frequency anggota

GFF setiap tahunnya. Tier mileage berbeda dengan award mileage yang dimana

award mileage tidak akan pernah di reset dan akan terus diakumulasi dan yang

digunakan untuk membeli award dari Garuda adalah award mileage. Sehingga

akan ditemui anggota yang keanggotaanya kurang dari 12 bulan justru mendapat

tier Blue, tier yang paling rendah. Dan yang mendapat tier Silver karena transaksi

selama keanggotaan Cobrand ikut diperhitungkan sehingga masih mencukupi

untuk berada diposisi Silver. Untuk berada di level Blue, anggota tersebut cukup

melakukan aktifitas penerbangan sekali atau melakukan aktifitas bukan

penerbangan sekali, sedangkan untuk berada pada posisi Silver, anggota minimal

melakukan penerbangan 10 kali atau tier mileage yang dimiliki adalah 5000 poin.

Anggota Cobrand yang mendaftarkan diri menggunakan jalur BO (Back

Office) melalui kantor cabang, ticket office, atau kantor check in Garuda dengan

mengisi formulir yang telah disediakan Garuda, didapati karakternya lebih

beragam dibandingkan dengan anggota GFF Cobrand yang melakukan

pendaftaran melalui CSS dan Citibank. Bisa dilihat hasil proses data miningnya

pada lampiran 4.

Keberagaman ini salah satu penyebabnya adalah anggota yang mendaftar

channel BO ini pada awalnya adalah anggota Reguler yang kemudian mengubah

jenis membership-nya menjadi Cobrand. Hal ini bisa dilihat dari tanggal saat

anggota mendaftar yang beberapa bulan bahkan tahun lebih awal daripada tanggal

pertama kali membership Cobrand. Penawaran untuk mendapatkan anggota

Cobrand terhadap anggota Reguler adalah salah satu strategi cross-selling yang

dilakukan oleh Garuda, karena setiap transaksi anggota dengan menggunakan

kartu Citibank-nya akan diberi award mileage oleh Garuda dan Garuda akan

mengirimkan billing untuk setiap mileage yang diberikan pada anggota Cobrand.

Selain itu dengan penawaran ini akan lebih mengelompokkan tidak hanya

berdasar tier tapi berdasar kepemilikan kartu kredit Citibank, sehingga dengan

adanya segementasi yang lebih spesifik akan meningkatkan efisiensi bagian

marketing.

88

Dari hasil data mining, divisi Customer Loyality perlu mendefinisikan

kembali bagaimana managemen tier bagi anggota yang pernah menjadi anggota

Cobrand, sehingga anggota tersebut tidak turun drastis level tier-nya setelah status

keanggotaan Cobrand-nya dihentikan. Hal ini dengan alasan peluang bagi Garuda

untuk menawarkan product-product yang lain terhadap anggota yang memiliki

standar hidup menengah ke atas. Pada prinsipnya berhentinya mereka dari

keanggotaan Cobrand adalah sangat mungkin kecewa terhadap Citibank bukan

terhadap GFF karena terminasi terhadap Cobrand saat ini hanya bisa dilakukan

melalui Citibank sebagai penerbit kartu kredit.

89

BAB VII

KESIMPULAN

Bab ini berisi kesimpulan dan saran dari penelitian yang telah dilakukan.

Kesimpulan yang diperoleh merupakan hasil dari pelaksanaan proses perancangan

data warehouse dan pemanfaatan teknik data nining. Sedangkan saran yang

diberikan merupakan saran yang berguna untuk pengembangan penelitian

selanjutnya.

7.1 Kesimpulan

Kesimpulan yang dapat diambil dari perancangan data warehouse dan

penerapan teknik data mining di GFF antara lain:

a) Perancangan BI dengan cakupan pembangunan data warehouse dan data

mining anggota Cobrand pada tesis ini mengacu kepada kebutuhan bisnis

dengan melihat kebutuhan jenis dan bentuk report pada sistem yang sedang

berjalan. Selain itu juga mempertimbangkan indikator kinerja divisi Customer

Loyality.

b) Platform database yang digunakan untuk data warehouse adalah Oracle 9i

tools yang digunakan untuk presentasi data adalah Mondrian dan JPivot.

Pengembangan data warehouse dan implementasi data mining ini

membutuhkan waktu sekitar 4 bulan.

c) Keberadaan data warehouse sangat membantu dalam membuat report. Proses

yang awalnya memerlukan 3 minggu (mengikuti change request) menjadi satu

hari. Perubahan-perubahan atau kebutuhan report yang baru dapat terpenuhi

satu hari karena pengguna bisa melakukan customization report sesuai dengan

yang diinginkan sesuai dengan kebutuhan stakeholder.

Performance sistem operasional yang pada awalnya terganggu karena report

dibuat dengan mengandalkan modul report GFF yang juga bagian dari sistem

90

operasional, kini tidak lagi karena kebutuhan report disediakan oleh data

warehouse.

d) Penggunaan teknik data mining dapat digunakan untuk mengevaluasi pola

anggota Cobrand yang melakukan terminasi sebelum masa berlakunya selesai.

Hasilnya adalah perlunya peningkatan penawaran-penawaran keanggotaan

anggota GFF Cobrand dengan tujuan melakukan strategi cross-selling

terhadap anggota yang mendaftar melalui channel CSS dan Cobrand Citibank

dan perlunya evaluasi terhadap tier management bagi anggota Cobrand setelah

melakukan proses terminasi.

7.2 Saran

Dari proses pelaksanaan perancangan perancangan data warehouse dan

pemanfaatan teknik data mining yang telah dilakukan, terdapat beberapa saran

yang berguna untuk penelitian selanjutnya maupun untuk pengimplementasian

data warehouse dan data mining pada bidang yang sama. Saran-saran tersebut

adalah:

• Dalam pengembangan selanjutnya, cakupan data warehouse bisa diperluas

lagi ke divisi dan department yang lain untuk memperoleh gambaran utuh

perusahaan dengan informasi dari semua departemen.

• Dari hasil data mining bisa dilakukan umpan balik untuk memperbaiki

proses data mining yang ada dan mencoba teknik data mining dan

algoritma lain yang sesuai untuk menemukan pola-pola yang bisa berguna

bagi penelitian selanjutnya.

Uraian diatas, dapat diketahui kesimpulan dan saran dari penelitian yang

telah dilakukan. Kesimpulan pada bab ini merupakan ringkasan mengenai

pelaksanaan dalam perancangan data warehouse dan penerapan data mining

dalam usaha menghadirkan quality of service yang baik. Sedangkan saran-saran

yang telah diuraikan bisa dijadikan acuan untuk melakukan penelitian selanjutnya.

91

Daftar Pustaka

Ariana, Azimah. 2007. Penggunaan Data Warehouse dan Data Mining Untuk

Data Akademik Sebuah Studi Kasus Pada Universitas Nasional. Jurnal Sistem

Informasi MTI UI Vol.3-No 2.

Berry, Michael J. A, 2004, Data Mining Techniques: for marketing sales and

customer relationship management.

Bilotkach, Volodymyr 2005. Frequent Flyer Program Partnerships,

Substitutability, dan Airlines' Profit

Connoly, Thomas and Carolyn Begg, 2005, “Database Systems A Practical

Approach to Design, Implementation, and Management 4th ed”, England: Addison

Wessley

Emch, Adrian 2007 . Frequent Flyer Programs Under Article 82 EC – Is The Sky

the Only Limit?. World Competition, Vol. 4

Handojo, Andreas dan Silvia Rostianingsih, (2004). Pembuatan Data Warehouse

Pengukuran Kinerja Proses Belajar Mengajar Di Jurusan Teknik Informatika

Universitas Kristen Petra. Jurnal Informatika Vol. 5, No. 1: 53 - 58

http://www.cse.unsw.edu.au/~billw/cs9414/notes/ml/06prop/id3/id3.html. Akses

tanggal 27 October 2008. Induction of Decision Trees.

http://www.vibiznews.com/1new/column.php?sub=column&id=499&page=servic

es. Akses tanggal 8 Desember 2008. Mengenal Customer Equity

92

Pritscher, Lisa dan Hans Feyen. (2001). Data Mining And Strategic Marketing In

The Airline Industry. WS Proceeding September.

Lungu, Ion C. dan Bara, Adela . 2005. Executive Information Systems

Development Lifecycle. Economy Informatics Review, No. 1-4, pp. 19-22

Miele, Raffaele dan Mola, Francesco. 2005 .An Open Source Based Data

Warehouse Architecture to Support Decision Making in the Tourism Sector.

FEEM Working Paper No. 142.05

Muntean, Mihaela dan Brandas, Claudiu. 2007 . Business Intelligence Support

Systems dan Infrastructures. Economy Informatics, No. 7, pp. 100-104

Moertini, Veronica S. 2002. Data Mining Sebagai Solusi Bisnis. Integral, vol. 7

no. 1

Ponniah, Paulraj. 2001. Data Warehousing Fundamentals: A Comprehensive

Guide for IT Professionals., John Wiley & Sons, Inc

Utomo, Priyanto Doyo, 2006, Analisis Terhadap Faktor-Faktor Yang

Mempengaruhi Loyalitas Konsumen Pada Operator Telepon Seluler. Thesis:

Universitas Gadjah Mada

Velicanu, Manole dan Matei, Gheorghe. 2007. Building a Data Warehouse Step

by Step. Economic Informatics, Forthcoming

Velicanu, Manole dan Matei, Gheorghe. 2007. Database versus Data Warehouse.

Editura Economicǎ.

Wijaya , Serli . 2005. The Effect Of Loyalty Programs On Customer Loyalty In

The Hospitality Industry . Jurnal Manajemen Perhotelan, Vol. 1, No. 1: 24-31

93

Zain, Syahreza, 2008, Perancangan Data Warehouse dan Penerapan Data Mining

Pada Sistem Monitoring Jaringan GSM Studi Kasus: PT. INDOSAT TBK. Thesis:

Universitas Indonesia

LAMPIRAN-LAMPIRAN

Lampiran 1

Tabel sistem GFF yang datanya terus bertambah dan update dalam hitungan

harian (lihat bab IV PERANCANGAN DATA WAREHOUSE)

Y= digunakan dalam data warehouse

N= tidak digunakan dalam perancangan data warehouse.

Tabel ACTIVITY:

Nama Field Data Type Digunakan DW ENTITY_ID NUMBER(10,0) Y Id DISCR VARCHAR2(32 CHAR) N ENTITY_STATUS VARCHAR2(20 CHAR) Y ENTITY_STATUS CREATED_BY VARCHAR2(32 CHAR) N CREATED_ON TIMESTAMP(6) N UPDATED_BY VARCHAR2(32 CHAR) N UPDATED_ON TIMESTAMP(6) N INFO VARCHAR2(64 CHAR) N TITLE VARCHAR2(12 CHAR) N LAST_NAME VARCHAR2(32 CHAR) N FIRST_NAME VARCHAR2(32 CHAR) N CARD_NUMBER VARCHAR2(12 CHAR) N START_DATE TIMESTAMP(6) Y START_DATE END_DATE TIMESTAMP(6) Y END_DATE REF_CODE VARCHAR2(32 CHAR) N ENTRY_TYPE VARCHAR2(32 CHAR) N VOUCHER VARCHAR2(32 CHAR) N EARN_ELIGIBLE NUMBER(1,0) N BOOKING_PERSON_ALIAS VARCHAR2(64 CHAR) N SALES_OFFICE VARCHAR2(32 CHAR) Y SALES_OFFICE PAYMENT_CARD_NUMBER VARCHAR2(60 CHAR) N SENT_OUT_ACTIVITY_STATUS VARCHAR2(10 CHAR) N VOLUME FLOAT Y VOLUME PROMOTION_DATE TIMESTAMP(6) N PROMOTION_REF VARCHAR2(64 CHAR) N OPER_FLIGHT_NO VARCHAR2(10 CHAR) Y FLIGHT_NUMBER MRKT_FLIGHT_NO VARCHAR2(10 CHAR) N OPER_BOOK_CLASS VARCHAR2(10 CHAR) Y BOOKING_CLASS MRKT_BOOK_CLASS VARCHAR2(10 CHAR) N FLOWN_BOOK_CLASS VARCHAR2(10 CHAR) N

94

COMPARTMENT VARCHAR2(255 CHAR) N PAYMENT_TYPE VARCHAR2(20 CHAR) N CHECK_IN_TYPE VARCHAR2(20 CHAR) N BOOKING_IN_TYPE VARCHAR2(20 CHAR) N TKT_NO VARCHAR2(20 CHAR) N COUPON_NO VARCHAR2(20 CHAR) N SEAT_NO VARCHAR2(20 CHAR) N BOARDING_NO VARCHAR2(10 CHAR) N CODESHARE_INDICATOR VARCHAR2(20 CHAR) N DELAYED_DAYS NUMBER(10,0) N DELAYED_HOURS NUMBER(10,0) N LOST_BAGGAGE NUMBER(1,0) N FFP_ID NUMBER(10,0) N AIRLINE_ID NUMBER(10,0) N NON_AIR_ACRL_RULE_ID NUMBER(10,0) Y RULE_NAME SENT_OUT_PARTNER_ID NUMBER(10,0) N PARTNER_ID NUMBER(10,0) Y PARTNER_ID LOCATION_ID NUMBER(10,0) Y LOCATION_ID ACTIVITY_TYPE_ID NUMBER(10,0) N MARKETINGAIRLINE_ENTITY_ID NUMBER(10,0) N OD_RULE_ID NUMBER(10,0) Y OD_RULE_ID ORIGIN_AIRPORT_ID NUMBER(10,0) Y ORI_AIRPORT_ID ACCOUNT_ID NUMBER(10,0) Y ACCOUNT_ID BC_RULE_ID NUMBER(10,0) Y BOOKING_CLASS_ID DEST_AIRPORT_ID NUMBER(10,0) Y DEST_AIRPORT_ID EARN_MILES_RULE_ID NUMBER(10,0) N

Tabel Transaction:

Nama Field Data Type Digunakan DW ENTITY_ID NUMBER(10,0) Y TRANSACTION_ID DISCR VARCHAR2(32 CHAR) Y TRANSACTION_TYPE ENTITY_STATUS VARCHAR2(20 CHAR) N CREATED_BY VARCHAR2(32 CHAR) N CREATED_ON TIMESTAMP(6) N UPDATED_BY VARCHAR2(32 CHAR) N UPDATED_ON TIMESTAMP(6) N TRX_COMMENT VARCHAR2(255 CHAR) N HAS_SEEN NUMBER(1,0) N TRANS_TYPE VARCHAR2(20 CHAR) N TRANS_DATE DATE Y TRANSACTION_DATE CURR_TWO NUMBER(10,0) Y AWARD_MILEAGE CURR_THREE NUMBER(10,0) Y FREQUENCY CURR_ONE NUMBER(10,0) Y TIER_MILEAGE BILLED NUMBER(1,0) N CURR_FOUR NUMBER(10,0) N CURR_FIVE NUMBER(10,0) N FREE_TEXT_DESCRIPTION VARCHAR2(255 CHAR) N PROMO_CODE VARCHAR2(255 CHAR) N

95

INCENTIVE_ID NUMBER(10,0) N ODRULE_ID NUMBER(10,0) Y ORIGIN_DEST_RULE_ID ACTIVITY_ID NUMBER(10,0) Y ACTIVITY_ID INCENTIVE_FULFILLMENT_ID NUMBER(10,0) N TRANSACTION_ID NUMBER(10,0) N STMT_TEMPLATE_ID NUMBER(10,0) N CERTIFICATE_ID NUMBER(10,0) Y CERTIFICATE_ID AIR_ACTIVITY_ID NUMBER(10,0) Y AIR_TRANSACTION_ID BCRULE_ID NUMBER(10,0) Y BOOKING_CLASS_ID NON_AIR_ACT_ID NUMBER(10,0) Y NON_AIR_TRANSAC_ID NON_AIR_ACCRL_RULE_ID NUMBER(10,0) N ACCOUNT_ID NUMBER(10,0) Y ACCOUNT_ID STATEMENT_ID NUMBER(10,0) N INCFULMENT_ACT_ID NUMBER(10,0) N

96

Tabel Customer

Nama Field Data Type Di Gunakan

DW

ENTITY_ID NUMBER(10,0) Y ID DISC VARCHAR2(31 CHAR) N ENTITY_STATUS VARCHAR2(20 CHAR) Y ENTITY_STATUS CREATED_BY VARCHAR2(32 CHAR) N CREATED_ON TIMESTAMP(6) N UPDATED_BY VARCHAR2(32 CHAR) N UPDATED_ON TIMESTAMP(6) N ENTITY_NAME VARCHAR2(64 CHAR) N ADDRESS VARCHAR2(255 CHAR) N BOUNCECOUNTER NUMBER(10,0) N EMAILSTATUS VARCHAR2(255 CHAR) N VALIDDATE TIMESTAMP(6) Y ENROLMENT_DATE PASSWORD_HASH VARCHAR2(200 CHAR) N ACCOUNTSTATEMENTMEDIA VARCHAR2(255 CHAR) N RECEIVEEMAILNEWSLETTER NUMBER(1,0) N RECEIVESMSINFO NUMBER(1,0) N ACCOUNTINFODELIVERY VARCHAR2(255 CHAR) N ENROLL_CHANNEL VARCHAR2(255 CHAR) Y CHANNEL ENROLLMENT_STATUS VARCHAR2(32 CHAR) N ACTIVATION_CODE VARCHAR2(64 CHAR) N CALL_CENTER_PIN VARCHAR2(200 CHAR) N NOTE CLOB N SPONSOR_NUM VARCHAR2(30 CHAR) N NAME_ON_CARD VARCHAR2(100 CHAR) N FIRST_NAME VARCHAR2(100 CHAR) N DATE_OF_BIRTH TIMESTAMP(6) Y DATE_OF_BIRTH MIDDLE_NAME VARCHAR2(100 CHAR) N GENDER VARCHAR2(10 CHAR) Y GENDER FORM_ENROLLMENT_CODE VARCHAR2(15 CHAR) N REGISTRATIONFORM VARCHAR2(255 CHAR) N IDENTITY_ENTITY_ID NUMBER(10,0) N ADDR_ID NUMBER(10,0) Y ADDRESS_ID CELLPHONENUMBER_ENTITY_ID NUMBER(10,0) Y CELL_PHONE_ID SALUTATION_ID NUMBER(10,0) N PREFERED_LANG_ID NUMBER(10,0) N ACCOUNT_ID NUMBER(10,0) Y ACCOUNT_ID BRANCH_OFFICE_ID NUMBER(10,0) Y BRANCH_OFFICE_ID

97

Lampiran 2

Tabel-tabel catalog yang jarang direfresh.

Y= digunakan dalam data warehouse

N= tidak digunakan dalam perancangan data warehouse.

Tabel ACCRUAL_RULE;

Nama Field Data Type Digunakan DW and DWTEMP ENTITY_ID NUMBER(10,0) Y ACCRUAL_RULE_ID DISCRTR VARCHAR2(20 CHAR) Y DISCRIMINATOR ENTITY_STATUS VARCHAR2(20 CHAR) N CREATED_BY VARCHAR2(32 CHAR) N CREATED_ON TIMESTAMP(6) N UPDATED_BY VARCHAR2(32 CHAR) N UPDATED_ON TIMESTAMP(6) N ENTITY_NAME VARCHAR2(64 CHAR) N START_DATE DATE Y START_DATE END_DATE DATE Y END_DATE TIER_MILEAGE FLOAT Y TIER_MILEAGE AWARD_MILEAGE FLOAT Y AWARD_MILEAGE USE_ACTIVITY_VOLUME NUMBER(1,0) N FREQUENCY NUMBER(10,0) Y FREQUENCY FACTOR FLOAT Y FACTOR MIN_MILES NUMBER(10,0) N BOOKING_CLASS_ID NUMBER(10,0) Y BOOKING_CLASS_ID FFP_ID NUMBER(10,0) Y AIRLINE_ID NUMBER(10,0) N NON_AIR_ACTIVITY_ID NUMBER(10,0) N DEST_AIRPORT_ID NUMBER(10,0) Y ORIG_AIRPORT_ID ORIG_AIRPORT_ID NUMBER(10,0) Y DEST_AIRPORT_ID TIER_ID NUMBER(10,0) Y TIER_ID

Tabel BOOKING_CLASS

Nama Field Data Type Digunakan DW dan DWTEMP ENTITY_ID NUMBER(10,0) Y BOOKING_CLASS_ID ENTITY_STATUS VARCHAR2(20 CHAR) N CREATED_BY VARCHAR2(32 CHAR) N CREATED_ON TIMESTAMP(6) N UPDATED_BY VARCHAR2(32 CHAR) N UPDATED_ON TIMESTAMP(6) N EFFECTIVE_DATE TIMESTAMP(6) Y START_DATE DISCONTINUE_DATE TIMESTAMP(6) Y END_DATE BOOKING_CLASS_CODE VARCHAR2(10 CHAR) Y BOOKING_CLASS_CODE COMPARTMENT VARCHAR2(15 CHAR) Y COMPARTMENT EARN_MILES NUMBER(1,0) N AIRLINE_ID NUMBER(10,0) Y AIRLINE_ID

98

Tabel AIRPORT

Nama Field Data Type Digunakan DW dan DWTEMP

ENTITY_ID NUMBER(10,0) Y AIRPORT_ID ENTITY_STATUS VARCHAR2(20 CHAR) N CREATED_BY VARCHAR2(32 CHAR) N CREATED_ON TIMESTAMP(6) N UPDATED_BY VARCHAR2(32 CHAR) N UPDATED_ON TIMESTAMP(6) N ENTITY_NAME VARCHAR2(64 CHAR) Y AIRPORT_NAME IATA_CODE VARCHAR2(3 CHAR) Y IATA_CODE CITY_NAME VARCHAR2(255 CHAR) Y CITY_NAME PARENT_AIRPORT_ID NUMBER(10,0) N COUNTRY_ID NUMBER(10,0) Y COUNTRY_ID REGION_ID NUMBER(10,0) N

Tabel TICKET_OFFICE

Nama Field Data Type Digunakan DW dan DWTEMP ENTITY_ID NUMBER(10,0) Y TICKET_OFFICE_ID ENTITY_STATUS VARCHAR2(20 CHAR) N CREATED_BY VARCHAR2(32 CHAR) N CREATED_ON TIMESTAMP(6) N UPDATED_BY VARCHAR2(32 CHAR) N UPDATED_ON TIMESTAMP(6) N ENTITY_NAME VARCHAR2(64 CHAR) Y TICKET_OFFICE_NAME TICKET_OFFICE_CODE VARCHAR2(10 CHAR) Y TICKET_OFFICE_CODE BRANCH_OFFICE_ID NUMBER(10,0) Y BRANCH_OFFICE_ID

99

Tabel COUNTRY

Nama Field Data Type Digunakan DW and DWTEMP

ENTITY_ID NUMBER(10,0) Y COUNTRY_ID ENTITY_STATUS VARCHAR2(20 CHAR) N CREATED_BY VARCHAR2(32 CHAR) N CREATED_ON TIMESTAMP(6) N UPDATED_BY VARCHAR2(32 CHAR) N UPDATED_ON TIMESTAMP(6) N ENTITY_NAME VARCHAR2(64 CHAR) Y COUNTRY_NAME IATACODE VARCHAR2(255 CHAR) Y IATA_COUNTRY CITYLINE1 VARCHAR2(255 CHAR) N CITYLINE2 VARCHAR2(255 CHAR) N NAMELINE VARCHAR2(255 CHAR) N SALUTATIONLINE NUMBER(1,0) N ADDRESSORDER VARCHAR2(255 CHAR) N REGIONCODEREQUIRED NUMBER(1,0) N POSTALCODELENGTH NUMBER(10,0) N POSTALCODEREQUIRED NUMBER(1,0) N PHONECODE VARCHAR2(255 CHAR) N POSTALCODEEXAMPLE VARCHAR2(255 CHAR) N POSTALCODEPATTERN VARCHAR2(255 CHAR) N TIMEZONE VARCHAR2(255 CHAR) N PREFERREDLANGUAGE_ENTITY_ID NUMBER(10,0) N

Tabel ADDRESS

Nama Field Data Type Digunakan DW and DWTEMP

ENTITY_ID NUMBER(10,0) Y ADDRESS_ID DISC VARCHAR2(31 CHAR) Y ADDDRESS_TYPE ENTITY_STATUS VARCHAR2(20 CHAR) N CREATED_BY VARCHAR2(32 CHAR) N CREATED_ON TIMESTAMP(6) N UPDATED_BY VARCHAR2(32 CHAR) N UPDATED_ON TIMESTAMP(6) N VALID NUMBER(1,0) N CITY VARCHAR2(50 CHAR) Y CITY STREET_1 VARCHAR2(128 CHAR) N STREET_2 VARCHAR2(128 CHAR) N STREET_3 VARCHAR2(128 CHAR) N POSTAL_CODE VARCHAR2(255 CHAR) N REGION_CODE VARCHAR2(255 CHAR) N VALID_DATE TIMESTAMP(6) N COMPANY VARCHAR2(64 CHAR) N DEPARTMENT VARCHAR2(64 CHAR) N COUNTRY_ID NUMBER(10,0) Y COUNTRY_ID CUSTOMER_ID NUMBER(10,0) Y CUSTOMER_ID

100

Tabel TIER

Nama Field Data Type Digunakan DW and DWTEMP

ENTITY_ID NUMBER(10,0) Y TIER_ID ENTITY_STATUS VARCHAR2(20 CHAR) N CREATED_BY VARCHAR2(32 CHAR) N CREATED_ON TIMESTAMP(6) N UPDATED_BY VARCHAR2(32 CHAR) N UPDATED_ON TIMESTAMP(6) N NAME VARCHAR2(255 CHAR) Y TIER_NAME CODE_NUMBER_CSS NUMBER(10,0) N CODE_NUMBER_PARTNER NUMBER(10,0) N CODE_NUMBER_BO NUMBER(10,0) N TEMPORARYTIER NUMBER(1,0) N SEQUENCE NUMBER(10,0) Y SEQUENCE BONUS_TIER FLOAT N CODE_STRING_BO VARCHAR2(255 CHAR) N CODE_STRING_CSS VARCHAR2(255 CHAR) N CODE_STRING_PARTNER VARCHAR2(255 CHAR) N TERMINATABLE NUMBER(1,0) N ELIGIBLE_TO_SPEND_MILEAGE NUMBER(1,0) N

Tabel MEMBER_TYPE

Nama Field Data Type Digunakan DW and DWTEMP ENTITY_ID NUMBER(10,0) Y MEMBER_TYPE_ID ENTITY_STATUS VARCHAR2(20 CHAR) N CREATED_BY VARCHAR2(32 CHAR) N CREATED_ON TIMESTAMP(6) N UPDATED_BY VARCHAR2(32 CHAR) N UPDATED_ON TIMESTAMP(6) N TYPE VARCHAR2(255 CHAR) Y TYPE CODE_NUMBER NUMBER(10,0) N EXPIRY_DATE TIMESTAMP(6) N PERIODE NUMBER(10,0) N EFFECTIVE_DATE TIMESTAMP(6) N DEFINABLE_NUMBER NUMBER(1,0) N EXPIRES NUMBER(1,0) N UPGRADABLE NUMBER(1,0) N ANNUAL_FEE1 FLOAT Y ANNUAL_FEE1 ANNUAL_FEE2 FLOAT Y ANNUAL_FEE2 DELETE_INACTIVE NUMBER(10,0) N CODE_STRING VARCHAR2(255 CHAR) N TIER_ID NUMBER(10,0) Y TIER_ID MIN_AGE NUMBER N MAX_AGE NUMBER N

101

102

Lampiran 3

Lihat BAB VI. Implementasi data mining

Gambar 8.1 Pola anggota GFF Cobrand yang melakukan pendaftaran melalui jalur BO.

103

Lampiran 4

Gambar 8.2 Pola anggota GFF Cobrand yang melakukan pendaftaran melalui jalur BO, CSS dan jalur Citibank atau disebut channel Cobrand.

104

Lampiran 5

(lihat bab VI bagian 6.5.2)

ENROLL_CHANNEL = BO | DURATIONFROMREGISTERINMONTH <= 76.415 | | DURATIONFROMREGISTERINMONTH <= 17.615 | | | LIFEDURATIONINMONTH <= 4.235 | | | | LIFEDURATIONINMONTH <= 1.915 | | | | | LIFEDURATIONINMONTH <= 1.700 | | | | | | LIFEDURATIONINMONTH <= 1.465 | | | | | | | LIFEDURATIONINMONTH <= 1.200 | | | | | | | | DURATIONFROMREGISTERINMONTH <= 16.865: Silver {Silver=15, Blue=15, Gold=0, Platinum=0} | | | | | | | | DURATIONFROMREGISTERINMONTH > 16.865: Blue {Silver=0, Blue=2, Gold=0, Platinum=0} | | | | | | | LIFEDURATIONINMONTH > 1.200: Blue {Silver=0, Blue=4, Gold=0, Platinum=0} | | | | | | LIFEDURATIONINMONTH > 1.465: Silver {Silver=2, Blue=0, Gold=0, Platinum=0} | | | | | LIFEDURATIONINMONTH > 1.700: Blue {Silver=0, Blue=2, Gold=0, Platinum=0} | | | | LIFEDURATIONINMONTH > 1.915: Silver {Silver=8, Blue=1, Gold=0, Platinum=0} | | | LIFEDURATIONINMONTH > 4.235: Blue {Silver=1, Blue=9, Gold=0, Platinum=0} | | DURATIONFROMREGISTERINMONTH > 17.615 | | | LIFEDURATIONINMONTH <= 2.400 | | | | DURATIONFROMREGISTERINMONTH <= 19.800 | | | | | GENDER = F | | | | | | LIFEDURATIONINMONTH <= 0.965: Platinum {Silver=0, Blue=0, Gold=0, Platinum=2} | | | | | | LIFEDURATIONINMONTH > 0.965: Silver {Silver=1, Blue=1, Gold=0, Platinum=0} | | | | | GENDER = M: Gold {Silver=0, Blue=0, Gold=3, Platinum=0} | | | | DURATIONFROMREGISTERINMONTH > 19.800 | | | | | DURATIONFROMREGISTERINMONTH <= 28.865 | | | | | | DURATIONFROMREGISTERINMONTH <= 27.220 | | | | | | | DURATIONFROMREGISTERINMONTH <= 20.585: Blue {Silver=0, Blue=4, Gold=0, Platinum=0} | | | | | | | DURATIONFROMREGISTERINMONTH > 20.585 | | | | | | | | DURATIONFROMREGISTERINMONTH <= 23.235: Silver {Silver=8, Blue=0, Gold=0, Platinum=0} | | | | | | | | DURATIONFROMREGISTERINMONTH > 23.235: Blue {Silver=5, Blue=8, Gold=1, Platinum=0} | | | | | | DURATIONFROMREGISTERINMONTH > 27.220: Blue {Silver=0, Blue=6, Gold=1, Platinum=0} | | | | | DURATIONFROMREGISTERINMONTH > 28.865 | | | | | | DURATIONFROMREGISTERINMONTH <= 48.600 | | | | | | | DURATIONFROMREGISTERINMONTH <= 31.600 | | | | | | | | DURATIONFROMREGISTERINMONTH <= 29.615: Silver {Silver=3, Blue=0, Gold=0, Platinum=1} | | | | | | | | DURATIONFROMREGISTERINMONTH > 29.615: Blue {Silver=1, Blue=3, Gold=0, Platinum=1} | | | | | | | DURATIONFROMREGISTERINMONTH > 31.600 | | | | | | | | DURATIONFROMREGISTERINMONTH <= 44.185: Silver {Silver=24, Blue=6, Gold=0, Platinum=0}

105

| | | | | | | | DURATIONFROMREGISTERINMONTH > 44.185: Blue {Silver=2, Blue=4, Gold=0, Platinum=0} | | | | | | DURATIONFROMREGISTERINMONTH > 48.600 | | | | | | | DURATIONFROMREGISTERINMONTH <= 52.400: Gold {Silver=1, Blue=1, Gold=5, Platinum=1} | | | | | | | DURATIONFROMREGISTERINMONTH > 52.400 | | | | | | | | LIFEDURATIONINMONTH <= 0.915: Silver {Silver=14, Blue=2, Gold=1, Platinum=3} | | | | | | | | LIFEDURATIONINMONTH > 0.915: Blue {Silver=8, Blue=9, Gold=0, Platinum=0} | | | LIFEDURATIONINMONTH > 2.400 | | | | DURATIONFROMREGISTERINMONTH <= 58.515 | | | | | GENDER = F | | | | | | DURATIONFROMREGISTERINMONTH <= 47.335: Blue {Silver=2, Blue=13, Gold=0, Platinum=0} | | | | | | DURATIONFROMREGISTERINMONTH > 47.335 | | | | | | | ADDRESS_TYPE = BUSINESS: Blue {Silver=0, Blue=2, Gold=0, Platinum=0} | | | | | | | ADDRESS_TYPE = PRIVATE: Gold {Silver=0, Blue=0, Gold=2, Platinum=0} | | | | | GENDER = M | | | | | | DURATIONFROMREGISTERINMONTH <= 41.170 | | | | | | | DURATIONFROMREGISTERINMONTH <= 39.400: Blue {Silver=12, Blue=18, Gold=7, Platinum=1} | | | | | | | DURATIONFROMREGISTERINMONTH > 39.400: Gold {Silver=0, Blue=0, Gold=2, Platinum=1} | | | | | | DURATIONFROMREGISTERINMONTH > 41.170 | | | | | | | LIFEDURATIONINMONTH <= 9.950 | | | | | | | | DURATIONFROMREGISTERINMONTH <= 43.100: Blue {Silver=0, Blue=2, Gold=0, Platinum=0} | | | | | | | | DURATIONFROMREGISTERINMONTH > 43.100: Silver {Silver=6, Blue=4, Gold=0, Platinum=0} | | | | | | | LIFEDURATIONINMONTH > 9.950: Blue {Silver=1, Blue=8, Gold=0, Platinum=0} | | | | DURATIONFROMREGISTERINMONTH > 58.515 | | | | | DURATIONFROMREGISTERINMONTH <= 67.085: Silver {Silver=6, Blue=1, Gold=0, Platinum=0} | | | | | DURATIONFROMREGISTERINMONTH > 67.085: Blue {Silver=1, Blue=3, Gold=2, Platinum=0} | DURATIONFROMREGISTERINMONTH > 76.415 | | LIFEDURATIONINMONTH <= 0.820 | | | LIFEDURATIONINMONTH <= 0.085 | | | | ADDRESS_TYPE = PRIVATE: Platinum {Silver=1, Blue=0, Gold=0, Platinum=1} | | | | ADDRESS_TYPE = BUSINESS: Gold {Silver=0, Blue=0, Gold=3, Platinum=0} | | | LIFEDURATIONINMONTH > 0.085 | | | | DURATIONFROMREGISTERINMONTH <= 82.050 | | | | | DURATIONFROMREGISTERINMONTH <= 79.770: Silver {Silver=3, Blue=0, Gold=0, Platinum=0} | | | | | DURATIONFROMREGISTERINMONTH > 79.770: Platinum {Silver=0, Blue=0, Gold=0, Platinum=2} | | | | DURATIONFROMREGISTERINMONTH > 82.050: Silver {Silver=6, Blue=0, Gold=0, Platinum=0} | | LIFEDURATIONINMONTH > 0.820 | | | DURATIONFROMREGISTERINMONTH <= 84.700 | | | | LIFEDURATIONINMONTH <= 3.135: Silver {Silver=6, Blue=1, Gold=0, Platinum=0} | | | | LIFEDURATIONINMONTH > 3.135: Blue {Silver=1,

106

Blue=2, Gold=1, Platinum=0} | | | DURATIONFROMREGISTERINMONTH > 84.700 | | | | LIFEDURATIONINMONTH <= 1.800: Gold {Silver=0, Blue=0, Gold=5, Platinum=0} | | | | LIFEDURATIONINMONTH > 1.800 | | | | | ADDRESS_TYPE = PRIVATE: Gold {Silver=2, Blue=0, Gold=4, Platinum=1} | | | | | ADDRESS_TYPE = BUSINESS | | | | | | DURATIONFROMREGISTERINMONTH <= 86.715: Blue {Silver=0, Blue=2, Gold=1, Platinum=0} | | | | | | DURATIONFROMREGISTERINMONTH > 86.715: Silver {Silver=2, Blue=1, Gold=0, Platinum=0} ENROLL_CHANNEL = CSS | DURATIONFROMREGISTERINMONTH <= 14.965 | | DURATIONFROMREGISTERINMONTH <= 11.120 | | | LIFEDURATIONINMONTH <= 0.650: Silver {Silver=2, Blue=1, Gold=0, Platinum=0} | | | LIFEDURATIONINMONTH > 0.650: Blue {Silver=0, Blue=3, Gold=0, Platinum=0} | | DURATIONFROMREGISTERINMONTH > 11.120: Silver {Silver=3, Blue=0, Gold=0, Platinum=0} | DURATIONFROMREGISTERINMONTH > 14.965: Blue {Silver=0, Blue=4, Gold=1, Platinum=1} ENROLL_CHANNEL = COBRAND | DURATIONFROMREGISTERINMONTH <= 12.130: Blue {Silver=15, Blue=583, Gold=1, Platinum=13} | DURATIONFROMREGISTERINMONTH > 12.130 | | LIFEDURATIONINMONTH <= 12.515: Silver {Silver=3, Blue=3, Gold=1, Platinum=0} | | LIFEDURATIONINMONTH > 12.515: Blue {Silver=0, Blue=25, Gold=1, Platinum=0}

107

Lampiran 6

Discretization (lihat bab VI bagian 6.4.1)

DURATIONFROMREGISTERINMONTH -Infinity <= range1 [-∞ - 0.850] <= 0.85 <= range2 [0.850 - 2.415] <= 2.415 <= range3 [2.415 - 8.465] <= 8.465 <= range4 [8.465 - 29.565] <= 29.564999999999998 <= range5 [29.565 - ∞] <= Infinity LIFEDURATIONINMONTH -Infinity <= range1 [-∞ - 0.450] <= 0.44999999999999996 <= range2 [0.450 - 1.150] <= 1.15 <= range3 [1.150 - 2.315] <= 2.315 <= range4 [2.315 - 5.315] <= 5.3149999999999995 <= range5 [5.315 - ∞] <= Infinity

108

Lampiran 7

Sebagian hasil dari data mining dengan teknik association rule (lihat bab VI

bagian 6.5.1)

No Rule Premises Conclusion Support Confidence

147

GENDER = M, ENROLL_CHANNEL = COBRAND, LIFEDURATIONINMONTH = range1 [-∞ - 0.450]

DURATIONFROMREGISTER INMONTH = range1 [-∞ - 0.850] 0.112348 0.982301

150

ENROLL_CHANNEL = COBRAND, LIFEDURATIONINMONTH = range1 [-∞ - 0.450]

DURATIONFROMREGISTER INMONTH = range1 [-∞ - 0.850] 0.13664 0.985401

153

ENROLL_CHANNEL = COBRAND, LIFEDURATIONINMONTH = range3 [1.150 - 2.315]

DURATIONFROM REGISTER INMONTH = range2 [0.850 - 2.415] 0.121457 0.991736

127

ENROLL_CHANNEL = COBRAND, LIFEDURATIONINMONTH = range4 [2.315 - 5.315]

DURATIONFROMREGISTER INMONTH = range3 [2.415 - 8.465] 0.126518 0.925926

No Rule Premises Conclusion Support Confidence

20

ENROLL_CHANNEL = COBRAND, DURATIONFROMREGISTERINMONTH = range3 [2.415 – 8.465]

LIFEDURATIONINMONTH = Range4 [2.315 - 5.315] 0.126518 0.718391

109

Lampiran 8

TANGGAL : 13 November 2008

TEMPAT :

NARASUMBER : Manager Member Service & Production GFF dan 2. IT

Specialist GFF .

Q : Bagaimanakah bisnis proses GFF?

A : Secara umum, GFF berfungsi sebagai custimer loyalty program, berusaha

mendapatkan anggota sebanyak-banyaknya dan berusaha agar anggota dapat

menggunakan jasa Garuda dan partner sehingga anggota dapat mengumpulkan

poin atau mileage dan menggunakan mileage mereka.

Q : Apakah GFF mendapatkan keuntungan langsung atau revenue yang bisa

dikalkulasi?

A : Ada beberapa revenue yang bisa didapatkan dengan berjalannya GFF. Dari

keanggotaan iuran tahunan Gold ECPlus dan Platinum Cobrand. Kedua jenis

keanggotaan tersebut secara langsung dapat memberikan keutungan baik bagi

GFF ataupun Garuda. Selain itu, GFF melakukan penaikan kepada partner atas

setiap mileage yang diberikan Garuda terhadap anggota karena aktivitas angggota

GFF di partner.

Q : Bagaimana mengukur keberhasilan program GFF?

A : Bisa dilihat dari seberapa banak jumlah anggota yang melakukan aktivasi,

jumlah mileage untuk transaksi earning atau pembelian tiket , transaksi redeem

dan peningkatan jumlah partner .

Q : Bagaimana penghitungan mileage dan siapa yang menentukan?

A : Bagian keuangan menentukan konversi mileage ke dalam rupiah. Nilai tukar

itu yang dijasikan dasar penagihan transakasi ke partner sesaui dengan nilai saat

penandatangan kerja sama. Nilai tukar mileage saat ini adalah Rp.110,-