Metode Klasifikasi Fuzzy RFM

1. Analisa RFM

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

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

2. Sharp RFM

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

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

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

*Class*	*RFM attributes, (equivalence classes) and terms*	*Scores*
*Recency*	*Frequency*	*Monetary value*
*Days last purchases*	*Term*	*Number of purchases*	*Term*	*Ø turnover*	*Term*
C1	[0, 365]	Very recent	[10, 100]	Frequent	[0, 99]	Low value	70 p
C2	[0,365]	Very recent	[0, 9]	Rare	[0, 99]	Low value	40 p
C3	[366, 730]	Long ago	[10, 100]	Frequent	[0, 99]	Low value	30 p
C4	[366, 730]	Long ago	[0, 9]	Rare	[0, 99]	Low value	0 p
C5	[0, 365]	Very recent	[10, 100]	Frequent	[100.200]	High value	100 p
C6	[0,365]	Very recent	[0, 9]	Rare	[100.200]	High value	60 p
C7	[366, 730]	Long ago	[10, 100]	Frequent	[100.200]	High value	50 p
C8	[366, 730]	Long ago	[0, 9]	Rare	[100.200]	High value	20 p

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

*Customer*	*Class*	*RFM attributes, (equivalence classes) and terms*	*Scores*
*Recency*	*Frequency*	*Monetary value*
*Days last purchases*	*Term*	*Number of purchases*	*Term*	*Ø turnover*	*Term*
Smith	C3	378	Long ago	11	Frequent	92	Low value	30 p
Ford	C4	723	Long ago	7	Rare	12	Low value	0 p
Brown	C5	342	Very recent	13	Frequent	117	High value	100 p
Miller	C5	14	Very recent	38	Frequent	193	High value	100 p

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

Class	*Corresponding membership functions* *to each class*	*M_norm* (O_i \| C_k)	*Fuzzy Calculated RFM Score*
*Ford*	*Smith*	*Brown*	*Miller*	*Ford*	*Smith*	*Brown*	*Miller*
C1	μ_{very recent}	μ_frequent	μ_{low value}	70	0	0	0.14902	0.12810	0	10.43	8.97	0
C2	μ_{very recent}	μ_rare	μ_{low value}	40	0	0	0.13051	0.09641	0	5.22	3.86	0
C3	μ_{long ago}	μ_frequent	μ_{low value}	30	0.42857	0.42857	0.17340	0.11167	12.86	5.20	3.35	0
C4	μ_{long ago}	μ_rare	μ_{low value}	0	0.57143	0.57143	0.15235	0.08296	0	0	0	0
C5	μ_{very recent}	μ_frequent	μ_{high value}	100	0	0	0.09708	0.17521	0	9.71	17.52	100
C6	μ_{very recent}	μ_rare	μ_{high value}	60	0	0	0.8360	0.13427	0	5.02	8.06	0
C7	μ_{long ago}	μ_frequent	μ_{high value}	50	0	0	0.11456	0.15395	0	5.73	7.70	0
C8	μ_{long ago}	μ_rare	μ_{high value}	20	0	0	0.09948	0.11732	0	1.99	2.35	0
Total	1	1	1	1	12.86	43.3	51.81	100

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

(a) Sharp RFM dan (b) Fuzzy RFM

Clustering Fuzzy

Metode Klasifikasi Fuzzy RFM

1. Analisa RFM

2. Sharp RFM

Komentar 0

Related Posts