JINACS: Volume 07 Nomor 03, 2026 (Journal of Informatics and Computer Scienc.
ISSN : 2686-2220 Penerapan Business Intelligence Untuk Analisis Penjualan Dan Segmentasi Pelanggan Toko Bangunan XYZ Irsyad Adi Rochman1.
I Kadek Dwi Nuryana2 Jurusan Teknik Informatika.
Fakultas Teknik.
Universitas Negeri Surabaya 21014@mhs.
2dwinuryana@unesa.
AbstrakAi Penelitian mengimplementasikan sistem Business Intelligence (BI) guna meningkatkan kapabilitas analitik pada Toko Bangunan XYZ, dengan fokus pada analisis kinerja penjualan dan segmentasi perilaku pelanggan berbasis data.
Metodologi yang diterapkan mencakup tahapan perancangan data warehouse menggunakan metode Nine-Step Kimball dengan MySQL sebagai sistem manajemen basis data, dilanjutkan dengan proses Extract.
Transform.
Load (ETL) untuk menjamin integritas dan kesiapan Analisis dilakukan dengan pendekatan Online Analytical Processing (OLAP) untuk eksplorasi data multidimensi, serta penerapan teknik Data Mining berupa model Recency.
Frequency.
Monetary (RFM) untuk melakukan segmentasi pelanggan secara Hasil implementasi menunjukkan bahwa analisis OLAP berhasil mengidentifikasi determinan kinerja penjualan, seperti produk dengan kontribusi volume tertinggi, kategori dengan margin profitabilitas optimal, dan pola temporal dalam tren pembelian.
Sementara itu, segmentasi RFM menghasilkan pengelompokan pelanggan yang berbeda secara statistik ke dalam klaster High Value.
Potential.
Loyal dan Dormant.
Seluruh temuan kemudian diwujudkan dalam bentuk dashboard analitik interaktif menggunakan Looker Studio, yang berfungsi sebagai alat bantu keputusan bagi manajemen.
Simpulan penelitian mengindikasikan bahwa implementasi sistem BI ini secara efektif mentransformasi data operasional menjadi insight strategis, sehingga mendukung pengambilan keputusan yang lebih terinformasi dan berbasis bukti.
Kata KunciAi Business Intelligence.
RFM.
OLAP.
Data Mining.
Looker Studio.
PENDAHULUAN
Di era digital, data telah berevolusi menjadi aset strategis yang kritis bagi keberlangsungan dan pertumbuhan bisnis.
Hampir seluruh sektor usaha, termasuk ritel bahan bangunan, dituntut untuk mampu mengelola dan menganalisis data dalam volume besar guna menghasilkan informasi yang relevan untuk pengambilan keputusan .
Transformasi digital di sektor ini semakin menguat, sebagaimana disoroti dalam laporan Boston Consulting Group (BCG) yang mengidentifikasi peluang besar dalam pemanfaatan data transaksi dan perilaku pelanggan yang sebelumnya kurang terolah .
Dalam hal ini, penerapan teknologi Business Intelligence (BI) menjadi semakin mendesak untuk mendukung strategi bisnis yang kompetitif dan berbasis data.
Business Intelligence (BI) didefinisikan sebagai proses mengumpulkan, mengolah, dan menyajikan data mentah menjadi informasi strategis yang bermanfaat bagi pengambilan keputusan .
Pada sektor ritel, implementasi BI telah terbukti meningkatkan efektivitas analisis.
Studi oleh Hanifah .
berhasil membangun dashboard BI untuk mengolah data penjualan, pembelian, dan stok pada toserba, yang meningkatkan alokasi sumber daya.
Penelitian lain oleh Nino .
menerapkan metode Online Analytical Processing (OLAP) untuk analisis transaksi penjualan, sementara teknik Recency.
Frequency.
Monetary (RFM) banyak digunakan untuk segmentasi pelanggan berdasarkan perilaku pembelian .
Temuan-temuan ini mengindikasikan potensi besar BI dalam mengatasi tantangan operasional di ritel.
Namun, pada objek penelitian ini yaitu Toko Bangunan XYZ, pemanfaatan data masih jauh dari optimal.
Meskipun toko telah menggunakan sistem komputer untuk pencatatan transaksi harian, data yang terkumpul lebih sering berakhir sebagai arsip keuangan statis tanpa dianalisis lebih lanjut.
Akibatnya, manajemen kesulitan mengidentifikasi tren penjualan, menentukan produk unggulan, serta mengenali profil pelanggan yang paling berkontribusi .
Ketiadaan dashboard interaktif juga menyebabkan proses analisis berjalan lambat, strategi promosi tidak tepat sasaran, dan pemantauan stok menjadi tidak optimal.
Kondisi ini berpotensi menurunkan kepuasan pelanggan dan menghambat pertumbuhan usaha.
Berdasarkan permasalahan dan peluang tersebut, penelitian ini bertujuan untuk merancang dan mengimplementasikan dashboard Business Intelligence di Toko Bangunan XYZ.
Fokus penelitian adalah memanfaatkan metode OLAP untuk analisis penjualan multidimensi dan teknik RFM untuk segmentasi pelanggan, dengan hasil akhir yang divisualisasikan dalam sebuah dashboard yang interaktif.
Implementasi ini diharapkan dapat mentransformasi data operasional yang tersimpan pasif menjadi insight yang dapat ditindaklanjuti, sehingga membantu pemilik toko dalam: .
memantau kinerja penjualan secara real-time, .
menyusun strategi pemasaran yang lebih tepat sasaran, .
mengelola persediaan barang secara efisien, dan .
pada akhirnya mendukung pengambilan keputusan strategis yang sepenuhnya berbasis data.
II.
METODE PENELITIAN
Metodologi penelitian ini mengadopsi kerangka kerja Business Intelligence Lifecycle yang mencakup beberapa tahapan utama, yaitu perumusan masalah, pengumpulan data, perancangan data warehouse, proses Extract.
Transform.
Load (ETL), analisis data, serta visualisasi dan interpretasi hasil.
Kerangka ini digunakan untuk memastikan bahwa proses analisis data dilakukan secara sistematis dan terarah dalam mendukung pengambilan keputusan bisnis pada Toko Bangunan XYZ.
JINACS: Volume 07 Nomor 03, 2026 (Journal of Informatics and Computer Scienc.
ISSN : 2686-2220 Data dan Alat Penelitian Gbr.
1 Kerangka Penelitian Business Intelligence.
Data yang digunakan dalam penelitian ini merupakan data transaksi penjualan dan data pelanggan Toko Bangunan XYZ yang disusun menyerupai kondisi data ritel aktual.
Data tersebut mencakup informasi produk, kategori, pelanggan, transaksi penjualan, dan detail Alat yang digunakan dalam penelitian ini meliputi perangkat keras berupa laptop, serta perangkat lunak yang terdiri dari MySQL sebagai basis data dan data warehouse, serta Looker Studio sebagai alat visualisasi dan pembuatan dashboard Business Intelligence.
Proses ETL Proses Extract.
Transform.
Load (ETL) dilakukan untuk menyiapkan data sebelum dianalisis.
Tahap extract dilakukan dengan mengambil data dari basis data operasional.
Tahap transform mencakup pembersihan data, penggabungan tabel, serta penyesuaian format data agar sesuai dengan kebutuhan Selanjutnya, data dimuat ke dalam data warehouse MySQL sebagai sumber data utama.
Perancangan Data Warehouse Perancangan data warehouse dilakukan menggunakan pendekatan Nine-Step Kimball dan direpresentasikan dalam bentuk star schema.
Model ini dipilih karena mampu menyederhanakan proses query dan mendukung analisis multidimensi secara efisien.
Struktur star schema terdiri dari tabel fakta penjualan yang terhubung dengan tabel dimensi seperti dimensi waktu, produk, kategori, dan pelanggan.
Teknik Analisis Data Gbr.
Star Schema.
Teknik analisis data penelitian ini menggunakan pendekatan Online Analytical Processing (OLAP) dan Data Mining dengan metode Recency.
Frequency.
Monetary (RFM).
OLAP digunakan untuk melakukan analisis multidimensi terhadap data penjualan guna mengidentifikasi tren penjualan, produk dengan volume tertinggi, margin kategori, serta pengaruh diskon terhadap transaksi.
Sementara itu, metode RFM digunakan untuk melakukan segmentasi pelanggan berdasarkan waktu transaksi terakhir .
, frekuensi transaksi .
, dan nilai pembelian .
Hasil analisis kemudian divisualisasikan dalam bentuk dashboard Business Intelligence menggunakan Looker Studio untuk mendukung pengambilan keputusan berbasis data.
Rumusan Pertanyaan Analisis JINACS: Volume 07 Nomor 03, 2026 (Journal of Informatics and Computer Scienc.
ISSN : 2686-2220
TABEL I
RUMUSAN PERTANYAAN
RQ1
Bagaimana tren
penjualan toko
dari waktu ke Deskripsi
Mengidentifikasi pola
penjualan berdasarkan periode harian, bulanan, dan Produk apa yang memiliki Menentukan produk
unggulan sebagai dasar strategi stok
Kategori produk
mana yang Mengidentifikasi kategori paling menguntungkan RQ4
Seberapa besar pengaruh diskon
Mengevaluasi efektivitas program promosi
RQ5
Bagaimana Mengelompokkan pelanggan menggunakan metode RFM
RQ2
RQ3
Fitur XAeAxis (Measur.
Y-Axis (Dimens.
Drill Down jumlah_terjual nama_item Dice jumlah_ terjual Roll jumlah_ terjual nama_item Penerapan Mengeksplorasi Memotong data bulan dan tahun Menjumlahkan .
jumlah_terjual nama item .
Analisis Margin Kategori Produk Analisis margin kategori menggunakan star schema fact_margin_per_kategori, dim_kategori, dim_waktu_bulanan dengan total keuntungan sebagai measure untuk mengevaluasi profitabilitas kategori Fitur OLAP yang digunakan ditunjukkan pada tabel berikut.
TABEL i FITUR OLAP MARGIN KATEGORI Fitur XAeAxis (Measur.
Y-Axis (Dimens.
Margin .
nama_kategori Margin .
nama_kategori Visualisasi Dashboard Hasil analisis data divisualisasikan dalam bentuk dashboard Business Intelligence menggunakan Looker Studio.
Dashboard ini dirancang untuk menyajikan informasi strategis secara interaktif dan mudah dipahami, sehingga dapat membantu manajemen Toko Bangunan XYZ dalam memantau kinerja penjualan, memahami segmentasi pelanggan, serta mendukung pengambilan keputusan berbasis data.
HASIL DAN PEMBAHASAN
Analisis Penjualan Menggunakan OLAP .
Analisis Produk Terlaris Analisis produk terlaris menggunakan star schema fact_penjualan_per_produk yang berelasi dengan dim_produk dan dim_waktu dengan jumlah_terjual sebagai measure utama untuk mengevaluasi performa penjualan per periode.
Fitur OLAP yang digunakan ditunjukkan pada tabel berikut.
TABEL II
FITUR OLAP PRODUK TERLARIS
Penerapan Mencari rata rata dari sum .
euntun ga.
/sum .
untuk setiap Memotong bulan dan .
Analisis Pengaruh Diskon terhadap Penjualan Analisis pengaruh diskon menggunakan star schema fact_diskon_per_produk yang berelasi dengan dim_produk dim_waktu_harian mengevaluasi hubungan antara diskon dan volume Fitur OLAP yang digunakan ditunjukkan pada tabel berikut.
JINACS: Volume 07 Nomor 03, 2026 (Journal of Informatics and Computer Scienc.
ISSN : 2686-2220
TABEL IV
FITUR OLAP PENGARUH DISKON
Fitur XAeAxis (Measur.
Y-Axis (Dimens.
nama_item jumlah_terjual jumlah_terjual bulan, tahun roll up/ jumlah terjual status_diskon Segmentasi Pelanggan Menggunakan RFM Penerapan Menampilkan data pertahun dan masih bisa lebih detail lagi, misalnya dalam bulan Memotong data bulan, untuk melihat data bulan tertentu Menjumlahkan unit terjual kategori, yaitu diskon dan tanpa diskon .
Segmen High Value Segmen High Value diidentifikasi menggunakan metode RFM berdasarkan nilai recency rendah, frequency tinggi, dan monetary tinggi yang menunjukkan pelanggan dengan kontribusi transaksi paling signifikan.
Hasil segmentasi ditunjukkan pada visualisasi berikut Gbr.
3 Segmen High Value.
Analisis Tren Penjualan Analisis tren penjualan menggunakan star schema fact_penjualan_bulanan dan dim_waktu dengan total penjualan sebagai measure untuk mengevaluasi performa penjualan periodik.
Fitur OLAP yang digunakan ditunjukkan pada tabel berikut.
Segmen Loyal Segmen Loyal mencerminkan pelanggan dengan frekuensi transaksi stabil dan nilai pembelian konsisten berdasarkan skor RFM.
Distribusi pelanggan pada segmen ini ditampilkan pada visualisasi berikut.
TABEL V
FITUR OLAP TREN PENJUALAN
Fitur XAeAxis (Measur.
Y-Axis (Dimens.
Roll up/ Avg .
otal_ sum .
otal_ Drill down tahun, bulan Sum .
otal_ Penerapan Menghitung rata rata penjualan garis dan penjualan untuk titik penjualan Data penjualan dipecah untuk detail per bulan dari setiap tahun yang dipilih Memotong data tahun tertentu Gbr.
4 Segmen Loyal .
Segmen Potential Segmen Potential terdiri dari pelanggan dengan aktivitas transaksi yang menunjukkan peluang peningkatan nilai pembelian berdasarkan analisis RFM.
Hasil segmentasi ditunjukkan pada visualisasi Gbr.
5 Segmen Potential JINACS: Volume 07 Nomor 03, 2026 (Journal of Informatics and Computer Scienc.
ISSN : 2686-2220 .
Segmen Dormant Segmen Dormant mengidentifikasi pelanggan dengan tingkat aktivitas rendah atau tidak aktif berdasarkan nilai recency tinggi pada analisis RFM.
Distribusi segmen ini ditampilkan pada visualisasi berikut.
Gbr.
8 Dashboard Business Intelligence.
Dashboard Segmentasi Pelanggan Gbr.
6 Segmen Dormant.
Distribusi Segmentasi RFM Distribusi keseluruhan segmentasi menunjukkan proporsi masing-masing segmen berdasarkan skor RFM yang dihasilkan dari analisis data transaksi.
Visualisasi distribusi segmentasi ditunjukkan pada gambar berikut.
Dashboard segmentasi pelanggan menyajikan hasil analisis RFM secara visual untuk membantu identifikasi karakteristik pelanggan dan mendukung perumusan strategi pemasaran berbasis data.
Visualisasi dashboard segmentasi pelanggan ditunjukkan pada gambar berikut Gbr.
9 Segmentasi Pelanggan.
IV.
KESIMPULAN
Gbr.
7 Distribusi RFM.
Implementasi Dashboard Business Intelligence Dashboard Business Intelligence dirancang untuk mengintegrasikan hasil analisis penjualan berbasis OLAP dalam bentuk visualisasi interaktif guna mempermudah pemantauan kinerja penjualan dan evaluasi strategi bisnis.
Tampilan dashboard analisa penjualan ditunjukkan pada visualisasi berikut Penelitian ini berhasil mengimplementasikan sistem Business Intelligence pada Toko Bangunan XYZ melalui integrasi analisis penjualan berbasis OLAP dan segmentasi pelanggan menggunakan metode RFM dalam sebuah dashboard interaktif.
Hasil analisis menunjukkan bahwa pendekatan OLAP efektif dalam mengidentifikasi produk unggulan, profitabilitas kategori, pengaruh diskon, serta pola tren penjualan, sementara metode RFM mampu mengelompokkan pelanggan berdasarkan karakteristik transaksi secara terukur.
Integrasi kedua pendekatan tersebut dalam dashboard Business Intelligence memberikan dukungan yang lebih sistematis terhadap pengambilan keputusan berbasis data dan peningkatan strategi bisnis.
UCAPAN TERIMA KASIH