ANALISIS TANGGAPAN PASAR TERHADAP PERUSAHAAN RITEL RAKSASA INDOMART DAN ALFAMART
Laporan Penelitian
Diajukan Guna Memenuhi Tugas Mata Kuliah Riset Stategi Pemasaran
Oleh:
Sulhaerati
NIM. 14611041
Linda Kurnia
NIM. 14611100
Achmad Kurniansyah T
NIM. 14611134
Aulia Ananda Yuhana
NIM.14611189
JURUSAN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS ISLAM INDONESIA 2017
BAB I PENDAHULUAN
A. Judul
Analisis Tanggapan Pasar Terhadap Perusahaan Ritel Raksasa Indomart Dan Alfamart. B. Latar Belakang
Dalam perkembangan bisnis ritel, pada saat ini bisnis ritel tidak lagi dikelola secara tradisional, melainkan dengan cara modern. Persaingan yang ketat pada bisnis ritel tidak terlepas semakin menjamurnya pusat-pusat perbelanjaan baik yang bersifat lokal, nasional, maupun internasional dengan berbagai faktor yang dibidik. Persaingan tersebut memacu para pebisnis di bidang
ritel
untuk
mempertahankan
senantiasa
menjadi
ritel
pilihan
konsumen
dan
konsumennya. Misalnya saja di sepanjang Jalan Kaliurang, Kaliurang,
Yogyakarta banyak ditemui bisnis ritel secara modern yaitu Indomart dan Alfamart tumbuh subur seperti jamur dimusim hujan ditambah lagi lokasi keduanya yang saling berdekatan dan pembangunan kedai secara berkala menunjukkan kepada masyarakat adanya sebuah persaingan secara terbuka. Indomart dan Alfamart adalah dua minimarket yang saat ini sedang berkembang dan mendapat respon baik oleh masyarakat. Tingginya persaingan diantara kedua minimarket ini tentunya mengaharuskan masing-masing menerapkan strategi pemasaran yang efektif agar mampu memenangkan persaingan. persaingan. Persaingan antara kedua brand minimarket ternama Indomaret dan Alfamart sangat ketat bisa dilihat dari lokasinya selalu dalam jarak yang tidak berjauhan, segmen hingga tata ruang nya tidak jauh berbeda demikian pula
1
jenis barang yang ditawarkan tidak jauh berbeda. Persaingan Persa ingan antara keduanya memicu munculnya strategi dan pelayanan untuk
memenangkan hati
konsumen. Setiap perusahaan dituntut untuk mampu memuaskan aspek psikologis pelanggan dengan menilai keinginan-keinginan, kebutuhan serta
harapan
pelanggan terhadap pasar. Keepuasan pelanggan menjadi salah satu tujuan setiap perusahaan, hal ini tercermin dari semakin maraknya publikasi tentang produk dan berbagai cara dalam mengambil perhatian pelanggan. Dengan adanya hal ini dapat diyakini bahwa memenangkan persaingan dagang dibutuhkan strategi yang bagus dan terobosan-terobosan yang cukup menarik minat pelanggan. Setiap perusahaan dituntut untuk menciptakan strategi bersaing yang baik dan terpadu karena persaingan adalah kunci dari keberhasilan atau kegagalan suatu perusahaan. Meningkatnya intensitas persaingan dari pesaing menuntut perusahaan untuk selalu memperhatikan kebutuhan dan keinginan konsumen serta berusaha memenuhi harapan konsumen dengan cara memberikan pelayanan yang lebih memuaskan daripada yang dilakukan oleh pesaing. (Anindita,2012). Beragam strategi Indomart dan Alfamart untuk menarik minat customer , dan banyaknya kedai Indomart dan Alfamart hampir diseluruh daerah di Indonesia memunculkan keiingintahuan penulis terhadap pencapaian yang telah dilakukan Indomart maupun Alfamart kepada Customer berdasarkan Customer berdasarkan dari d ari analisis tanggapan-tanggapan berupa status di media sosial seperti twiter. Berdasarkan latar belakang tersebut, maka dilakukan penelitian Analisis Tanggapan Pasar Terhadap Perusahaan Ritel Raksasa Indomart Dan Alfamart.
2
C.
Rumusan Masalah
1. Bagaimana tanggapan customer indomart dan alfamart di media sosial 2. Bagaimana perbandingan tanggapan antara konsumen alfamart dan indomaret? D. Tujuan
1. Mengetahui bagaimana tanggapan konsumen terhadap indomart dan alfamart di media sosial.. 2. Mengetahui perbandingan tanggapan antara konsumen alfamart dan indomaret. E.
Manfaat Penelitian
1. Memberikan sumbangan pemikiran bagi pihak pemerintah Daerah Istimewa Yogyakarta pengambilan keputusan dalam rangka pembangunan daerah.
3
BAB II TINJAUAN PUSTAKA
2.1 Text Mining
Text mining , yang juga disebut sebagai sebagai Teks Data Mining (TDM) atau Knowledge Discovery in Text (KDT ), ), secara umum mengacu pada proses ekstraksi informasi dari dokumen-dokumen teks tak terstruktur (unstructured). Text mining dapat didefinisikan sebagai penemuan informasi baru dan tidak diketahui sebelumnya oleh komputer, yang secara otomatis mengekstrak informasi dari sumber-sumber teks tak terstruktur yang berbeda. Kunci dari proses ini adalah menggabungkan informasi yang berhasil diekstraksi dari berbagai sumber. Tujuan utama text mining adalah adalah mendukung proses knowledge discovery pada koleksi dokumen yang besar. Pada prinsipnya, text mining adalah bidang ilmu multidisipliner, melibatkan information retrieval (IR), (IR), text analysis, analysis, information extraction (IE), (IE), clustering , categorization, categorization, visualization, visualization, database technology, technology, natural language processing (NLP), (NLP) , machinelearning , dan dan data mining . Dapat pula dikatakan bahwa text mining merupakan salah satu bentuk aplikasi kecerdasan buatan (artificial intelligence (artificial intelligence / AI). Text mining mencoba memecahkan masalah information masalah information overload dengan menggunakan teknik-teknik dari bidang ilmu yang terkait. Text mining dapat dipandang sebagai suatu perluasan dari data mining atau atau knowledge-discovery in database (KDD), (KDD), yang mencoba untuk menemukan pola-pola menarik dari basis data berskala besar. Namun text mining memiliki potensi komersil yang lebih tinggi dibandingkan dengan data mining , karena kebanyakan format alami dari penyimpanan informasi adalah berupa teks. Text mining menggunakan menggunakan informasi teks tak terstruktur
4
dan mengujinya dalam upaya mengungkap struktur dan arti yang tersembunyi di dalam teks. Perbedaan mendasar antara text mining dan data mining terletak pada sumber data yang digunakan. Pada data mining , pola-pola diekstrak dari basis data yang terstruktur, sedangkan di text mining , pola-pola diekstrak dari data tekstual (natural (natural language). language). Secara umum, basis data didesain untuk program dengan tujuan melakukan pemrosesan secara otomatis, sedangkan teks ditulis untuk dibaca langsung oleh manusia. 2.2 Ruang Lingkup Text mining
Text mining merupakan suatu proses yang melibatkan beberapa area teknologi. Namun secara umum proses-proses pada text mining mengadopsi proses data mining . Bahkan beberapa teknik dalam proses text mining juga menggunakan teknik-teknik data mining. Ada empat tahap proses pokok dalam text mining , yaitu pemrosesan awal terhadap teks (text (text preprocessing ), ), transformasi teks (text (text transformation), transformation), pemilihan fitur ( feature feature selection), selection), dan penemuan pola ( pattern discovery). pattern discovery). a. Text Preprocessing Tahap ini melakukan analisis semantik (kebenaran arti) dan sintaktik (kebenaran susunan) terhadap teks. Tujuan dari pemrosesan awal adalah untuk mempersiapkan teks menjadi data yang akan mengalami pengolahan lebih lanjut. Operasi yang dapat dilakukan pada tahap ini meliputi part-of-speech (PoS) tagging , menghasilkan parse menghasilkan parse tree untuk tiap-tiap kalimat, dan pembersihan teks. b. Text Transformation Transformasi teks atau pembentukan atribut mengacu pada proses untuk mendapatkan representasi dokumen yang diharapkan. Pendekatan representasi dokumen yang lazim digunakan oleh model “ bag of words” words ” dan model ruang vector (vector (vector space model ). ). Transformasi teks sekaligus juga melakukan
5
pengubahan kata-kata ke bentuk dasarnya dan pengurangan dimensi kata di dalam dokumen. Tindakan ini diwujudkan dengan menerapkan stemming dan menghapus stop menghapus stop words. words. c. Feature c. Feature Selection Pemilihan fitur (kata) merupakan tahap lanjut dari pengurangan dimensi pada proses transformasi teks. Walaupun tahap sebelumnya sudah melakukan penghapusan kata-kata yang tidak deskriptif ( stopwords), stopwords), namun tidak semua kata-kata di dalam dokumen memiliki arti penting. Oleh karena itu, untuk mengurangi dimensi, pemilihan hanya dilakukan terhadap kata-kata yang relevan yang benar-benar merepresentasikan isi dari suatu dokumen. Ide dasar dari pemilihan fitur adalah menghapus kata-kata yang kemunculannya di suatu dokumen terlalu sedikit atau terlalu banyak. Algoritma yang digunakan pada text mining , biasanya tidak hanya melakukan perhitungan pada dokumen saja, tetapi juga pada feature pada feature . . Empat macam feature macam feature yang sering digunakan: a.
Character , merupakan komponan individual, bisa huruf, angka, karakter spesial dan spasi, merupakan block pembangun pada level paling tinggi pembentuk semantik feature, feature, seperti kata, term term dan concept . Pada umumnya, representasi character-based ini ini jarang digunakan pada beberapa teknik pemrosesan teks.
b.
Words. Words.
c.
Terms merupakan merupakan single word dan dan multiword phrase yang terpilih secara langsung dari corpus. corpus. Representasi term-based dari dari dokumen tersusun dari subset term dalam dokumen.
d.
Concept , merupakan merupakan feature yang di-generate dari sebuah dokumen secara manual, rule-based , atau metodologi lain.
c.
Pattern Discovery Pattern Discovery Pattern discovery merupakan tahap penting untuk menemukan pola atau
pengetahuan (knowledge) knowledge) dari keseluruhan teks. Tindakan yang lazim dilakukan pada tahap ini adalah operasi text mining , dan biasanya menggunakan teknik-
6
teknik data mining . Dalam penemuan pola ini, proses text mining dikombinasikan dikombinasikan dengan proses-proses data mining . Masukan awal dari proses text proses text mining adalah suatu data teks dan menghasilkan keluaran berupa pola sebagai hasil interpretasi atau evaluasi. Apabila hasil keluaran dari penemuan pola belum sesuai untuk aplikasi, dilanjutkan evaluasi dengan melakukan iterasi ke satu atau beberapa tahap sebelumnya. Sebaliknya, hasil interpretasi merupakan tahap akhir dari proses text mining dan dan akan disajikan ke pengguna dalam bentuk visual. 2.3 Ekstraksi Dokumen
Teks yang akan dilakukan proses text mining , pada umumnya memiliki beberapa karakteristik diantaranya adalah memiliki dimensi yang tinggi, terdapat noise pada data, dan terdapat struktur teks yang tidak baik. Cara yang digunakan dalam mempelajari suatu data teks, adalah dengan terlebih dahulu menentukan fitur-fitur yang mewakili setiap kata untuk setiap fitur yang ada pada dokumen. Sebelum menentukan fitur-fitur yang mewakili, diperlukan tahap preprocessing yang dilakukan secara umum dalam teks mining pada dokumen, yaitu case folding , tokenizing , filtering , stemming , tagging dan analyzing dan analyzing . a.
Case folding dan dan Tokenizing Case folding adalah mengubah semua huruf dalam dokumen menjadi huruf kecil. Hanya huruf “a” sampai dengan “z” yang diterima. Karakter selain huruf dihilangkan dan dianggap delimiter. Tahap tokenizing / parsing / parsing adalah adalah tahap pemotongan string input berdasarkan tiap kata yang menyusunnya.
b.
Filtering Filtering adalah tahap mengambil kata-kata penting dari hasil token. Bisa menggunakan algoritma stoplist algoritma stoplist (membuang (membuang kata yang kurang penting) atau wordlist (menyimpan kata penting). Stoplist / stopword stopword adalah adalah kata-kata yang tidak deskriptif yang dapat dibuang dalam pendekatan bag-of-words. bag-of-words. Contoh stopwords Contoh stopwords adalah “yang”, “dan”, “di”, “dari”, dan seterusnya
c.
Stemming
7
Tahap stemming Tahap stemming adalah adalah tahap mencari root kata kata dari tiap kata hasil filtering hasil filtering . Pada tahap ini dilakukan proses pengembalian berbagai bentukan kata ke dalam suatu representasi yang sama. Tahap ini kebanyakan dipakai untuk teks berbahasa nggris dan lebih sulit diterapkan pada teks berbahasa Indonesia. Hal ini dikarenakan bahasa Indonesia tidak memiliki rumus bentuk baku yang permanen. Stemming merupakan suatu proses yang terdapat dalam sistem IR IR yang mentransformasi kata-kata yang terdapat dalam suatu dokumen ke kata-kata akarnya (root ( root word ) dengan menggunakan aturan-aturan tertentu. Sebagai contoh, kata bersama, kebersamaan, menyamai, akan distem ke distem ke root word nya nya yaitu “sama”. Proses stemming pada teks berbahasa Indonesia berbeda dengan stemming pada teks berbahasa Inggris. Pada teks berbahasa Inggris, proses yang diperlukan hanya proses menghilangkan sufiks. Sedangkan pada teks berbahasa Indonesia, selain sufiks, prefiks, dan konfiks juga dihilangkan.
8
BAB III METODE PENELITIAN A.
Objek Penelitian
Objek penelitian yang diangkat adalah tweet dari media social twitter mengenai Alfamart dan Indomart. Diambil 100 tweet secara acak sebagai objek yang akan diamati mengenai Alfamart dan Indomart.
B.
Variabel Penelitian
Variabel menurut Sugiyono (2012) adalah “segala sesuatu yang disebut apa saja yang ditetapkan oleh peneliti untuk dipelajari sehingga diperoleh informasi tentang hal tersebut, kemudian ditarik kesimpulannya ”. Variabel yang digunakan dalam penelitian ini adalah tweet dengan keyword atau kata kunci Alfamart dan Indomart yang kemudian akan tweet tentang kedua keyword tersebut,
C.
Sumber Data
Penelitian inin menggunakan data sekunder yang diambil dari hasil crawling data di media sosial twitter (www.twitter.com) . D.
Metode Analisis Data Untuk mengolah data yang didapatkan, digunakan software Microsoft Excel
2013 dan R 3.2.2. 3.2.2. Ada beberapa metode analisis data yang digunakan dalam penelitan ini, antara lain : a. Metode
Analisis
Deskriptif,
digunakan
untuk
menggambarkan
dan
menjelaskan secara umum mengenai objek penelitian. b. Crawling , digunakan untuk menggali data berupa kata kunci di dalam media sosial untuk mendapatkan tweet secara acak sebagai objek penelitian. c. Asosiasi, digunakan untuk mengidentifikasi dan membentuk pola kata yang berasosiasi dengan kata lain guna mendapatkan informasi yang dianggap penting dan berguna.
9
E.
Langkah Penelitian
Langkah atau tahapan yang dilakukan pada penelitian ini digambarkan memalui gambar 3.1 dibawah ini
Gambar 3.1 Diagram Alir Penelitian
10
BAB IV HASIL DAN PEMBAHASAN
Gambar 4.1 Analisis sentimen pada alfamart
Pada Gambar 4.1 menunjukan klasifikasi tweet tentang alfamart dari 1000 tweet. Klasifikasi tersebut dibagi menjadi 3 kategori yaitu negative, neutral , dan positive. dan positive. Dari Dari 1000 tweet yang yang sudah diambil diperoleh hasil yaitu sebanyak 990 kata yang termasuk kategori positif dan 10 tweet sisanya terklasifikasi kedalam kategori negatif atau netral, sehingga tweet positif masih mendominasi tanggapan customer terhadap alfamart.
Gambar 4.2 Tabel frekuensi kata pada tweet
Dapat dilihat pada Gambar 4.2 diatas diatas bahwa kata alfamart menjadi kata dengan frekuensi paling besar yaitu 967, selanjutnya kata indomart yaitu sebanyak
11
418, sedangkan kata thank merupakan merupakan frekuensi yang terkecil yaitu sebanyak 160. Dari hasil di atas kemunculan kata alfamart dengan frekuensi yang cukup besar pada tweet orang dibandingkan dengan kata kunci indomart menunjukan bahwa alfamart merupakan perusahaan yang tidak bisa dipisahkan dari Indomart dalam hal ini pesaing. Selanjutnya untuk visualisasi data tweet dengan kata kunci alfamart dapat dilihat pada word cloud dibawah dibawah ini.
Gambar 4.3 Word Cloud Alfamart
Berdasarkan Gambar 4.3 dapat dilihat bahwa dari wordcloud tersebut menampilkan
jika
kata
Alfamart
terlihat
memiliki
ukuran
lebih
besar
dibandingkan kata yang lainnya ini artinya kata alfamart tersebut menjadi kata yang paling sering muncul di tweet konsumen konsumen Alfamart. Kemudian, kata lain yang memiliki frekuensi yang tinggi berikutnya yaitu “indomart, bersebrangan, dan terdekat” terdekat”. Kata Indomaret terlihat jelas pada tampilan wordcloud alfamart alfamart tersebut hal ini dipengaruhi karna Indomaret merupakan pesaing utama minimarket alfamart tersebut maka, wajar jika kedua kata Alfamart dan Indomaret letaknya saling bersebelahan dan ketika konsumen menge-tweet menge- tweet di media sosial twitter ketika membahas alfamart, konsumen pun mengait-kaitkan dengan minimarket indomaret pula.
12
Gambar 4.4 Analisis sentimen pada Indomart
Pada Gambar 4.4 menunjukan klasifikasi tweet tentang alfamart dari 1000 tweet. Klasifikasi tersebut dibagi menjadi 3 kategori yaitu negative, neutral, dan positive. dan positive. Dari Dari 1000 tweet yang sudah diambil diperoleh hasil yaitu sebanyak 900 kata yang termasuk kategori positif dan 100 tweet sisanya terklasifikasi kedalam kategori negatif atau netral, sehingga tweet positif masih mendominasi tanggapan costumer terhadap alfamart.
Gambar 4.5 Tabel frekuensi kata pada tweet
Dapat dilihat pada Gambar 4.5 bahwa kata
indomart menjadi kata
dengan frekuensi paling besar yaitu 984, selanjutnya kata alfamart yaitu sebanyak 432, sedangkan kata atm meruapan frekuensi terkecil yaitu sebesar 157. Dari hasil di atas kemunculan kata alfamart dengan frekuensi yang cukup besar pada tweet orang dengan kata kunci indomart menunjukan bahwa alfamart merupakan
13
perusahaan yang tidak bisa dipisahkan dari Indomart dalam hal ini pesaing. Selanjutnya untuk visualisasi data tweet dengan kata kunci indomart dapat dilihat pada word cloud dibawah dibawah ini.
Gambar 4.6 Word Cloud Indomaret
Berdasarkan Gambar 4.6 dapat dilihat bahwa dari wordcloud tersebut menampilkan
jika
kata
Indomart
terlihat
memiliki
ukuran
lebih
besar
dibandingkan kata yang lainnya ini artinya kata alfamart tersebut menjadi kata yang paling sering muncul di tweet konsumen. konsumen. Kemudian, kata lain yang memiliki frekuensi yang tinggi berikutnya yaitu “indomart, bersebrangan, danterdekat” danterdekat”.
14
BAB V PENUTUP
5.1 Kesimpulan
1. Dari 1000 tweet dapat disimpulkan bahwa alfamart lebih unggul dibandingkan Indomart. 2. Dilihat dari word cloud alfamart kata bernilai positif yang paling sering muncul dalam tweet konsumen adalah promo, sedangkan pada indomart kata bernilai positif adalah kata bisa.
5.2 Saran
1. Indomart harus meningkatkan pelayanan dan promosi sehingga mampu menyeimbangi alfamart. 2. Alfamart sudah terbilang cukup baik dibandingkan indomart sehingga disini alfamart harus mampu mempertahankan kualitas pelayanan dan promosi agar tetap menjadi minimarket pilihan customer. customer.
15
DAFTAR PUSTAKA
Aher, S. B., Lobo, L.M. R. J. 2012. Association Rule Mining of Classified and Clustered Data of e-Learning System. System . International Journal of Computer Applications® (IJCA). Bishop, C. M., 2006. Pattern Recognition and Machine Learning . New York: Springer-Verlag. Kotler, Philip dan Keller. 2009. Manajemen Pemasaran. Jakarta: Erlangga. Kurniawan, B., Effendi, S., Sutompul, O. P. 2012. Klasifikasi Konten Berita dengan Metode Text Mining . Journal Dunia Teknologi Informasi, Vol.1, Hal.14-19. Lingga, Purnama. 2002. Stategic Marketing Plan. Jakarta: PT Gramedia Pustaka Utama. Nashihun, M. Ulwan. 2016. Pattern Recognition Pada Unstructured Data Teks Menggunakan Support Vector Machine dan Association. Tugas Akhir. Jurusan Statistika Universitas Islam Indonesia Yogyakarta. Notoatmodjo, S. 2010. 2010. Metodologi Penelitian Kesehatan. Jakarta : Rineka Cipta. Sari, Khrisna Dini Yunita. 2006. 2006 . Kategorisasi Teks Dengan Metode Klasifikasi Support Vector Machine. Tugas Akhir. Jurusan Teknik Informatika Universitas Telkom. Septianusa. 2015. Pengenalan Pola Aktivitas Gunung Api Dan Gempa Bumi Menggunakan Teknik Algoritma Spade Dan Visualisasi. Tugas Akhir. Jurusan Statistika Universitas Islam Indonesia Yogyakarta.
16
