Analisis dan Desain Algoritme Paralel Branch and Bound Reverse Skyline pada Pencarian Pelanggan Potensial untuk Bundling Product.

Abstract

Kemajuan teknologi membuat kegiatan belanja menjadi lebih mudah dilakukan, yaitu dengan berbelanja secara online. Data aktivitas transaksi pelanggan yang terekam pada saat berbelanja online merupakan sumber informasi yang potensial bagi manajer Customer Relationship Management (CRM) untuk mengembangkan strategi penjualan dan meningkatkan loyalitas pelanggan. Strategi penjualan diperlukan untuk mengidentifikasi produk yang diminati pelanggan dan calon pelanggan untuk bundling product tertentu. Strategi tersebut umumnya didasarkan pada Market Basket Analysis (MBA). MBA dapat menggabungkan produk dalam bundling, dan menawarkan secara personal kepada setiap pelanggan dengan menggunakan pola transaksi belanja pelanggan. Strategi ini belum mempertimbangkan kriteria preferensi produk pelanggan. Penerapan skyline menghasilkan himpunan produk yang paling menarik dan disukai berdasarkan semua preferensi pelanggan. Sedangkan, untuk mencari himpunan pelanggan potensial yang tertarik pada produk-produk tertentu, reverse skyline dapat digunakan untuk meningkatkan strategi pemasaran bundling product. Branch and Bound Reverse Skyline (BBRS) adalah algoritme untuk mencari reverse skyline yang dapat diterapkan untuk mendapatkan pelanggan potensial dari bundling product. Namun demikian, waktu komputasi BBRS ini akan meningkat secara linier seiring dengan pertambahan jumlah pelanggan yang bertransaksi dan pertambahan jumlah produk yang di-bundling. Oleh karena itu, penelitian ini mengusulkan Recency, Frequency, dan Monetary (RFM) untuk mengurangi calon pelanggan potensial dari bundling product sebagai data masukan bagi algoritme BBRS. RFM dapat mengelompokkan pelanggan yang paling berpotensi melakukan pembelian lagi di masa mendatang. Selanjutnya, BBRS dapat diterapkan untuk menemukan pelanggan paling potensial yang menyukai setiap produk dalam paket bundling. Penelitian ini menggunakan paralel BBRS untuk mengatasi peningkatan waktu komputasi saat terjadi penambahan jumlah produk dalam bundling. Hasil percobaan menunjukkan bahwa waktu komputasi paralel BBRS yang dihasilkan pada penelitian ini memiliki peningkatan kecepatan paling tinggi hingga mencapai 2.1 kali lebih cepat daripada BBRS tanpa paralel, terutama pada dataset yang berukuran besar. Dengan demikian, penerapan RFM dan paralel BBRS dapat digunakan untuk pencarian grup pelanggan terbaik pada kasus pemasaran bundling product untuk mendukung strategi pemasaran bundling product yang lebih efisien waktu dan biaya, juga berpotensi efektif memasarkan produk dengan tepat sasaran.