Blum Blum Shub (BBS) merupakan algoritma komputasi yang digunakan untuk menciptakan karakter acak sehingga menghasilkan karakter yang sulit diprediksi. Perkembangan teknologi komputer yang pesat pada saat ini, telah mendorong para ahli dalam bidang kriptografi untuk menciptakan sebuah algoritma yang dapat digunakan dengan sederhana namun tetap memiliki sifat pengacakan yang kuat. Bidang tersebut erat kaitannya dengan usaha perlindungan data dan informasi, sehingga kemajuan teknologi tersebut terjamin keamanannya. Selain kriptografi, pada saat ini algoritma pengacakan juga dapat diterapkan dalam bidang lain seperti pengujian statistik, pertandingan atau pengundian, pengujian perangkat lunak dan lain-lain.

Pengertian Algoritma Blum Blum Shub (BBS)

Algoritma Blum Blum Shub (BBS) adalah suatu algoritma yang diterapkan pada komputasional yang di rancang dengan tujuan untuk menghasilkan suatu urutan nilai yang tidak dapat di tebak polanya dengan mudah, sehingga urutan nilai tersebut dapat di anggap sebagai suatu keadaan acak (random). Algoritma Blum Blum Shub (BBS) merupakan cryptographically psedorandom number generator (CSPRNG) yang berarti bahwa deret bilangan yang dihasilkannya sebenarnya dihasilkan oleh algoritma deterministik, namun sulit untuk diprediksi atau ditebak tanpa pengetahuan tentang kunci rahasia yang digunakan.

Salah satu manfaat nyata dari penggunaan algoritma tersebut adalah untuk menciptakan karakter acak yang kuat sehingga sulit ditebak. Hal ini berkaitan dengan kriptografi modern, dimana cukup banyak diperlukan pembangkit bilangan acak sebagai salah satu komponen utama dalam meningkatkan keamanan pengiriman informasi.

Secara teoritis tidak ada prosedur komputasi yang mampu menghasilkan deret bilangan acak yang benar-benar sempurna (truly random). Oleh sebab itu, dalam tekhnologi komputerisasi saat ini, setiap karakter acak yang dihasilkan merupakan hasil dari proses pseudo-random number generator (PRNG). Pengertian dari pseudo-random number generator (PRNG) itu sendiri adalah sebuah proses pengacakan menggunakan formula matematis atau deterministik yang diawali oleh suatu kondisi yang disebut dengan seed. Selain itu pseudo-random number generator (PRNG) juga memiliki periodik yang berarti memiliki panjang siklus, yang ketika dalam kondisi tertentu dan periode tertentu maka pengacakan mungkin dapat terulang secara identik.

Kelemahan Blum Blum Shub (BBS)

Algoritma Blum Blum Shub (BBS) tidak cocok untuk diterapkan pada keamanan kriptografi tingkat pertama yang mengandalkan sifat acak atas bilangan yang dihasilkan. Karena Algoritma Blum Blum Shub (BBS) masih mungkin dapat diprediksi dan dapat berulang dalam pola periode tertentu. Algoritma Blum Blum Shub (BBS) juga tidak cocok untuk penguncian informasi secara langsung. Contoh dari hal ini misalnya menggunakan Algoritma Blum Blum Shub (BBS) untuk menciptakan password karena hal ini beresiko untuk dapat ditebak melalui proses matematis tertentu.

Kelebihan Blum Blum Shub (BBS)

Algoritma Blum Blum Shub (BBS) dibuat pada tahun 1986 oleh Lenore Blum, Manuel Blum dan Michael Shub. Blum Blum Shub (BBS) memiliki suatu kelebihan dibandingkan metode pengacakan lainnya, yaitu terletak pada kesederhanaannya dalam melakukan pengacakan. Dengan kesederhanaan proses tersebut maka sangat cocok apabila diterapkan pada proses kryptografi yang melibatkan file besar jika dibandingkan dengan algoritma lainnya.

Algoritma Blum Blum Shub (BBS) cocok untuk diterapkan pada kebutuhan pengacakan rendah yang memperbolehkan kemungkinan penggunaan ulang reuseable. Hal ini disebabkan karena Algoritma Blum Blum Shub (BBS) memungkinkan diatur periodenya sehingga dapat menciptakan pengacakan ulang secara identik. Kelebihan ini sekaligus memanfaatkan kekurangan dari Algoritma Blum Blum Shub (BBS). Contoh penggunaan semacam ini misalnya kita akan mengacak sebuah kumpulan angka urutan soal yang jumlahnya terbatas, atau melakukan pengundian pada range yang tidak lengkap, juga ketika ingin melakukan pengacakan dalam batas-batas tertentu.

Penerapan Algoritma Blum Blum Shub (BBS)

Algoritma Blum Blum Shub (BBS) dapat dimanfaatkan oleh beberapa bidang yang menggunakan teknologi komputer serta mengandalkan kemampuan pengacakan. Algoritma Blum Blum Shub (BBS) dapat diterapkan sesuai karakteristik pseudo-random number generator (PRNG) yang dimilikinya sehingga lebih efektif dan efisien. Berikut ini adalah beberapa contoh penerapan Algoritma Blum Blum Shub (BBS):

• Penerapan Algoritma Blum Blum Shub (BBS) dalam bidang penelitian untuk pengujian statistik. Dalam beberapa proses pengujian statistik membutuhan kondisi dimana objek memiliki validitas yang tinggi atas informasinya ketika dilakukan pengujian dalam kondisi yang tidak dapat diduga. Penerapan Algoritma Blum Blum Shub (BBS) bisa digunakan untuk menentukan sample penelitian, pengujian validitas data atau pengujian persamaan yang menjawab kesesuaian antara interpertasi statustik dengan kondisi sebenarnya.
• Penerapan Algoritma Blum Blum Shub (BBS) dalam simulasi komputer. Dalam proses simulai komputer diperlukan suatu kondisi yang kompleks dengan tingkatan yang dpat diukur. Dengan menggunakan Algoritma Blum Blum Shub (BBS) maka proses simulasi dapat terdeskripsi melalui tingkatan pengacakan yang dihasilkan.
• Permainan dan Hiburan. Dalam game komputasi agar konten tidak dapat diprediksi oleh pemain maka dalam kondisi tertentu menggunakan pengacakan untuk menghasilkan tantangan yang menarik. Proses pengcakan yang dibutuhkan adalah generator yang bisa menyesuaikan dengan kondisi manakala sumber daya yang digunakan pada permaianan yang diciptakan memiliki batasan tertentu. Misalnya dalam proses pengacakan nomor soal, pengacakan kondisi permaianan atau pengacakan ID pemain untuk memperoleh kisaran angka acak dalam rang tertentu.

Penutup

Kelemahan pada Algoritma Blum Blum Shub (BBS) sebetulnya dapat ditutupi dengan menggunakan kondisi awal yang berbeda-beda sehingga pengacakan yang dihasilkan tidak dapat di reverse. Dalam penerapannya untuk bidang keamanan data informasi dapat diterapkan untuk penciptaan pengacakan blok logika sehingga informasi yang ada didalamnya tidak dapat diprediksi dengan mudah karena menghasilkan permutasi yang tidak terbatas. Algoritma Blum Blum Shub (BBS) cocok untuk diterapkan pada kebutuhan pengacakan rendah yang memperbolehkan kemungkinan penggunaan ulang reuseable. Dalam konteks pemahaman ini, pengacakan bisa digunakan untuk memberikan faktor bias pada objek yang memiliki kemampuan prediksi yang cukup tinggi semisalnya kecerdasan buatan (AI) sehingga informasi yang diserap tidak dapat diterjemahkan dengan mudah.

Penciptaan bilangan acak membutuhkan batasan tertentu, pada siklus tertentu dengan jarak nilai tertentu pula agar mudah diimplementasikan dan diterapkan dalam kehidupan sehari-hari. Walaupun Algoritma Blum Blum Shub (BBS) tidak sepenuhnya acak, namun dapat direkayasa dengan beberapa cara sehingga menghasilkan permutasi yang tidak terbatas. Namun dampaknya, penggunaan semacam itu harus menyertakan penghentian algoritma secara manual ketika kondisi pengacakan sudah mencapai tujuan sesuai batasan yang diinginkan.

Sumber Pustaka

• Munir , Rinaldi. 2011. Algoritma dan Pemrograman. Bandung : Informatika
• Rizal Adi Saputra 2021, Implementasi Metode Blum Blum Shub (BBS) Untuk Pengacakan soal Kuis Pada Aplikasi Media Pembelajaran Ipa Tingkat Sekolah Dasar Kelas 6 Berbasis Mobile
• Wibowo, M. A. (2015). Pengacakan Soal Menggunakan Metode Blum Blum Shub (BBS) Pada Aplikasi Pembelajaran Matematika Berbasis DekstoP. STMIK AKAKOM Yogyakarta.https://eprints.akakom.ac.id/3

Supply chain management (SCM) adalah dasar yang memiliki peran fundamental guna mendukung pemenuhan kebutuhan konsumen yang dilakukan oleh bisnis manufaktur, ritel, dan grosir. Dengan kata lain, SCM adalah faktor penentu kesuksesan dari bisnis-bisnis tersebut yang berhubungan dengan ketersediaan barang

Industri adalah kegiatan ekonomi yang mengolah bahan mentah, barang, barang setengah jadi dan atau barang dengan nilai yang lebih tinggi untuk penggunaannya, termasuk kegiatan rancang bangunan dan perekayasaan industri yakni kelompok industri hulu (kelompok industri dasar), kelompok industri hilir, dan kelompok industri kecil. Bidang usaha industri adalah lapangan kegiatan yang bersangkutan dengan cabang industri yang mempunyai ciri khusus yang sama dan atau hasilnya bersifat akhir dalam proses produksi.

Pengertian Supply chain management (SCM)

Supply chain management (SCM) atau yang sering disebut sebagai rantai pasokan dalam setiap bisnis bisa saja berbeda. Versi paling dasarnya yakni mencakup perusahaan, pemasoknya, dan pelanggan perusahaan tersebut. Namun, untuk perusahaan yang lebih besar, maka cakupannya juga jadi semakin luas. Istilah supply chain management dan logistik sering membingungkan atau digunakan secara bergantian, namun sebenarnya keduanya berbeda. Logistik adalah komponen dari manajemen rantai pasokan, berfokus pada pemindahan produk atau material dengan cara yang paling efisien sehingga tiba di tempat yang tepat pada waktu yang tepat. Sedangkan SCM melibatkan serangkaian kegiatan yang lebih luas, mulai dari mencari sumber bahan baku, memperoleh barang dan bahan baku dengan harga terbaik, dan mengoordinasikan upaya visibilitas di seluruh jaringan rantai pasokan.

Pengertian Supply Chain Management (SCM) adalah suatu konsep atau mekanisme untuk meningkatkan produktivitas seluruh perusahaan yang tergabung dalam rantai pasok melalui optimalisasi kualitas dan waktu. Supply Chain Management merupakan pengintegrasian sumber-sumber bisnis yang berkompeten baik di dalam maupun di luar perusahaan untuk mendapatkan sistem supplai yang kompetitif dan berfokus kepada sinkronisasi aliran produk dan informasi untuk menciptakan nilai pelanggan (customer value) yang tinggi. Sumber-sumber bisnis yang diintegrasikan meliputi Pemasok (Supplier), Pabrikan, Gudang, Pengangkut, Distributor, Retailer dan Konsumen yang bekerja secara efisien sehingga produk yang dihasilkan dan didistribusikan memenuhi tepat jumlah, kualitas, waktu dan lokasi. Masalah terhadap waktu proses produksi dan distribusi yang tidak menentu dan stok persediaan barang yang terkadang kehabisan dapat dioptimalkan melalui pengendalian persediaan barang.

SCM (Supply Chain Management) Upstream merupakan manajemen yang mengurus hubungan antara perusahaan dengan vendor atau juga pihak lain dalam hal transfer barang. Jadi barang-barang yang diproduksi oleh perusahaan tidak langsung sampai ke tangan konsumen tapi juga disalurkan ke perusahaan penyalur lainnya. Transaksi antara organisasi dan pemasok dan perantara, setara dengan e-commerce sisi pembelian. Upstream activity meliputi pemasok bahan baku, yaitu bahan yang tidak diproses. Misalnya, logam seperti aluminium dan tembaga adalah bahan baku. Kegiatan hulu dapat mencakup pemasok menambang bahan-bahan ini untuk memenuhi pesanan. Misalkan bahan sudah dipesan tetapi tidak ada di tangan. Fokus kegiatan kemungkinan akan menambang bahan yang diminta secepat dan seefisien mungkin. Mengangkut atau mengirim ke pabrik adalah contoh lain dari kegiatan hulu.

Dalam memenuhi kebutuhan barang diperlukan model peramalan permintaan. Pada penelitian ini, metode peramalan permintaan (Demand Forecasting) yang digunakan adalah metode Exponential smoothing (penghalusan eksponensial) yaitu metode peramalan rataan bergerak dengan pembobotan di mana titik-titik data dibobotkan oleh fungsi eksponensial.

Menurut J. A. O’Brien (2006), SCM adalah sistem antar perusahaan lintas fungsi, yang menggunakan teknologi informasi untuk membantu mendukung, serta mengelola berbagai hubungan antara beberapa proses bisnis utama perusahaan dan dengan pemasok, pelanggan, dan para mitra bisnis. Perusahan manufactur menurut Pujawan (2005), kegiatankegiatan utama yang masuk dalam klasifikasi SCM adalah :

• Kegiatan merancang produk baru (Product Development), kegiatan mendapatkan bahan baku (Procurement).
• Kegiatan merencanakan produksi dan persediaan (Planning and Control), kegiatan melakukan produksi (Production).
• Kegiatan melakukan pengiriman / distribution.

Ukuran performansi SCM, antara lain:

• Kualitas (tingkat kepuasan pelanggan, loyalitas pelanggan, ketepatan pengiriman)
• Waktu (total replenishment time, business cycle time)
• Biaya (total delivered cost, efisiensi nilai tambah)
• Fleksibilitas (jumlah dan spesifikasi).

SCM juga bisa diartikan jaringan organisasi yang menyangkut hubungan ke hulu (upstream) dan ke hilir (downstream), dalam proses yang berbeda dan menghasilkan nilai dalam bentuk barang / jasa di tangan pelanggan terakhir (ultimate customer/end user).

Peramalan (Forecasting)

Dalam dunia usaha khususnya yang berhubungan dengan produksi sangat penting untuk memperkirakan hal-hal yang akan terjadi dimasa depan sebagai dasar untuk pengambilan keputusan. Menurut Arman Hakim Nasution dan Yudha Prasetyawan dalam buku nya yang berjudul perencanaan dan pengendalian produksi (2008). Peramalan adalah proses untuk memperkirakan beberapa kebutuhan dimasa datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu, dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang maupun jasa. Render dan Heizer (2007) mendefinisikan peramalan adalah seni dan ilmu memprediksi peristiwa-peristiwa masa depan. Hal ini serupa dengan pendapat Subagyo (2000) Forecasting adalah memperkirakan sesuatu yang akan terjadi. Menurut Render dan Heizer (2004) pada jenis peramalan dapat dibedakan menjadi beberapa tipe. Dilihat dari perencanaan operasi di masa depan, maka peramalan dibagi menjadi 3 macam yaitu:

• Peramalan ekonomi (economic forecast) menjelaskan siklus bisnis dengan memprediksi tingkat inflasi, ketersediaan uang, dana yang dibutuhkan untuk membangun perumahan dan indikator perencanaan lainnya.
• Peramalan teknologi (technological forecast) memperhatikan tingkat kemajuan tehnologi yang dapat meluncurkan produk baru yang menarik, yang membutuhkan pabrik dan peralatan baru.
• Peramalan permintaan (demand forecast) adalah prediksi dari proyeksi permintaan untuk produk atau layanan suatu perusahaan.

Demand Forecasting

Peramalan permintaan (forecasting Demand) merupakan suatu usaha memprediksi tingkat permintaan produk – produk yang diharapkan akan terealisasi untuk jangka waktu tertentu pada masa yang akan datang. Didalam Management permintaan ada dua jenis permintaan, yaitu:

Permintaan bebas (Independent Demand). Merupakan permintaan terhadap material, suku cadang atau produk yang bebas atau tidak terkait langsung dengan struktur Bill Of Material (BOM) untuk produk akhir atau item teretentu.

Permintaan tidak bebas (Dependent Demand). Merupakan permintaan terhadap material, suku cadang atau produk yang terkait langsung dengan atau diturunkan dari struktur BOM untuk produk akhir atau item tertentu.

Permintaan suatu produk pada suatu perusahaan sangat dipengaruhi oleh berbagai faktor lingkungan yang saling berinteraksi dalam pasar yang berada di luar kendali perusahaan. Dimana faktor - faktor lingkungan tersebut juga akan mempengaruhi peramalan. Berikut ini merupakan beberapa faktor lingkungan yang mempengaruhi peramalan :

• Kondisi umum bisnis dan ekonomi
• Reaksi dan tindakan pesaing
• Tindakan pemerintah
• Kecenderungan pasar
• Siklus hidup produk
• Gaya dan mode
• Perubahan permintaan konsumen
• Inovasi teknologi

Analisa deret waktu didasarkan pada asumsi bahwa deret waktu tersebut terdiri dari komponen komponen Trend/kecenderungan (T), Siklus/cycle (C), Pola Musiman/Season (S), dan variasi acak/Random (R) yang akan menunjukan suatu pola tertentu.Penjelasan komponen – komponen tersebut adalah sebagai berikut:

• Trend (T) merupakan sifat dari permintaan masa lalu terhadap waktu terjadinya apakah permintaan tersebut cenderung naik, turun atau konstan.
• Cycle (C) merupakan sifat dari permintaan dalam satu periode apakah mengalami permintaan dengan jumlah yang sama atau tidak.
• Season (S) merupakan Fluktuasi permintaan suatu produk yang dapat mengalami kenaikan atau penurunan pada saat saat musim tertentu. Pola ini biasanya disebabkan oleh factor cuaca, musim libur panjang, hari raya keagamaanyang akan berulang secara periodic tiap tahunnya.
• Random (R) permintaan suatu produk dapat berubah secara tiba- tiba yang disebabkan oleh faktor tertentu. Contoh bencana alam, promosi khusus, perusahaan pesaing, dimana faktor- faktor ini tidak dapat diperkirakan dan tidak mempunyai pola tertentu.

Dalam metode time series ada beberapa teknik yang biasa digunakan tergantung pola permintaan yang terjadi, disini peneliti mencoba untuk menggunakan teknik Moving Average dimana Peramalan moving average (rataan bergerak) menggunakan sejumlah data aktual masa lalu untuk menghasilkan peramalan dengan persamaan sebagai berikut:

Keterangan :

• At = Permintaan aktual pada periode t
• N = Jumlah data permintaan yang dilibatkan dalam perhitungan

Penutup

Supply chain management (SCM) atau yang sering disebut sebagai rantai pasokan dalam setiap bisnis bisa saja berbeda. Sedangkan SCM melibatkan serangkaian kegiatan yang lebih luas, mulai dari mencari sumber bahan baku, memperoleh barang dan bahan baku dengan harga terbaik, dan mengoordinasikan upaya visibilitas di seluruh jaringan rantai pasokan.

Pengertian Supply Chain Management (SCM) adalah suatu konsep atau mekanisme untuk meningkatkan produktivitas seluruh perusahaan yang tergabung dalam rantai pasok melalui optimalisasi kualitas dan waktu. Supply Chain Management merupakan pengintegrasian sumber-sumber bisnis yang berkompeten baik di dalam maupun di luar perusahaan untuk mendapatkan sistem supplai yang kompetitif dan berfokus kepada sinkronisasi aliran produk dan informasi untuk menciptakan nilai pelanggan (customer value) yang tinggi. Sumber-sumber bisnis yang diintegrasikan meliputi Pemasok (Supplier), Pabrikan, Gudang, Pengangkut, Distributor, Retailer dan Konsumen yang bekerja secara efisien sehingga produk yang dihasilkan dan didistribusikan memenuhi tepat jumlah, kualitas, waktu dan lokasi. Masalah terhadap waktu proses produksi dan distribusi yang tidak menentu dan stok persediaan barang yang terkadang kehabisan dapat dioptimalkan melalui pengendalian persediaan barang.

Sumber Pusataka

1.  Afif, Rafii Muhammad, Eddie Krishna Putra, and Tacbir Hendro Pudjiantoro. 2020. “Sistem Electronic Supply Chain Management Menggunakan Metode Just in Time Di PT Cemara Agung Mandiri.” 4:970–78. doi: 10.30865/mib.v4i4.2338.
2. Handoko, Hani. 2014. Dasar-Dasar Manajemen Produksi Dan Operasi. Yogyakarta: Penerbit BPFE-Yogyakarta.
3. Harsono, Hanifah. 2002. Implementasi Kebijakan Dan Politik. Jakarta: Grafindo Jaya.
4. Hasibuan, Malayu. 2006. Manajemen Dasar, Pengertian, Dan Masalah,Edisi Revisi. Jakarta: Bumi Aksara.
5. Indrajit, R. E., & Djokopranoto, R. 2003. Manajemen Persediaan, Barang Umum Dan Suku Cadang Untuk Pemeliharaan Dan Operasi. Jakarta: Grasindo.
6. Indrajit, Richardus Eko,.Djokopranoto, Richardus. 2002. Konsep Manajemen Supply Chain : Cara Baru Memandang Mata Rantai Penyediaan Barang. Jakarta: PT. Gramedia Widiasarana Indonesia.
7. Oey, Elia, and Gabriella Karolina Ayrine. 2018. “Penerapan Proses Dan Teknik Peramalan – Studi Kasus Di Manufaktur Transformer.” Jurnal Manajemen Industri Dan Logistik 2(2):106–15. doi: 10.30988/jmil.v2i2.31.
8. Pahrudinsyah, Deppy, Aji Permana. 2020. “Implementasi SCM Pada Pengelolaan Barang Dan Distribusi Pomade Berbasis Web.” 2507(February):1–9.
9. Pires, et al. 2001. Measuring Supply Chain Performance. Orlando: Orlando.
10. Pujawan, I. Nyoman. 2017. Supply Chain Management. Surabaya: Guna Wijaya.
11. Rahman, Aviv Yuniar, Bagus Setyawan, Feddy Wanditya Setiawan, and April Lia Hananto. 2020. “Model Supply Chain Management (SCM) Pada Pupuk Organik Berbahan Cacing.” JOINTECS (Journal of Information Technology and Computer Science) 5(1):33. doi: 10.31328/jointecs.v5i1.1198.
12. Ravinder, Handanhal V. 2013. “Forecasting With Exponential Smoothing Whats The Right Smoothing Constant?” Review of Business Information Systems (RBIS) 17(3):117–26. doi: 10.19030/rbis.v17i3.8001.
13. Risma, Leni Ayu, La Hatani, H. Muh. Taufik, and Agustinus Tangalayuk. 2020. “Implementasi Supply Chain Manajement Pada Kelompok Usaha Sagu Meambo Food Di Kelurahan Mata Kota Kendari.” Jurnal Manajemen Dan Kewirausahaan 12(1):26–42.
14. Saptaria, Lina. 2016. “Peramalan Permintaan Produk Cincau Hitam Dalam Memaksimalkan SCM (Supply Chain Management).” Jmk 1(3):247–56.
15. Sihotang, Fransiska Prihatini. 2020. “Supply Chain Management Pabrik Roti ABC Dengan Metode Weighted Moving Average (WMA).” JATISI (Jurnal Teknik Informatika Dan Sistem Informasi) 7(2):349–63. doi: 10.35957/jatisi.v7i2.299.
16. Simchi-Levi, David. 2000. Designing And Managing The Supply Chain. United States of America: Mc Graw -Hill Companies Inc.
17. Subagya. 1994. Manajemen Logistik. Jakarta: PT Gunung Agung.
18. Turban, Efraim. 2005. Decision Support System and Intelligent System II. Yogyakarta: Andi Offset.

Konteks pemasaran (marketing) mengisyaratkan pentingnnya loyalitas, keputusan dan persepsi positif dari pelanggan terhadap layanan yang diberikan perusahaan. Untuk memegang kendali penuh terhadap aspek tersebut maka pendekatan yang paling relevan adalah dengan Customer Relationship Management (CRM). Konsep tersebut merupakan pendekatan yang paling relevan sehingga kita pahami bahwa CRM (Customer Relationship Management) merupakan strategi, cara-cara yang diputuskan oleh perusahaan dalam kegiatannya menjalankan sales, marketing dan service yang terintegrasi satu dengan lainnya.

Menurut Kristianto (2010) CRM (Customer Relationship Management) merupakan proses dinamis dalam mengelola hubungan antara pelanggan dengan perusahaan sehingga pada akhirnya para pelanggan dapat memilih untuk tetap melanjutkan interaksi yang saling menguntungkan secara komersial.

Customer Relationship Management (CRM) adalah proses mengidentifikasi pelanggan, menciptakan customer knowledge terhadap produk atau layanan yang ditawarkan, membangun hubungan (customer relationship), dan membentuk persepsi pelanggan terhadap perusahaan dan solusinya. CRM adalah proses untuk mendapatkan informasi pelanggan, mempertahankan pelanggan lama, dan mengembangkan pelanggan baru sehingga dapat menguntungkan (profitabel customers) bagi bisnis perusahaan terlebih dengan CRM analitikal ini interaksi menjadi saling menguntungkan antar dua pihak. Salah satu tinjauan penting dalam CRM ini adalah tentang analitikal, yang mengukur dan melakukan identifikasi kebutuhan pasar yang selanjutnya dapat digunakan untuk memutuskan strategi yang tepat.

Penegertian CRM (Customer Relationship Management) Analitikal

Customer Relationship Management (CRM) analitikal adalah proses analisis dari data-data yang dihasilkan melalui proses opersional. Oleh sebab itu proses analitikal tersebut tidak akan berlangsung sebelum bisnis melakukan operasionalnya. Sebagai lanjutan dari tahapan dalam pemasaran maka analitikal ini memiliki moment krusial, diamana perusahaan harus memiliki instrumen yang baik dalam pengumpulan datanya sehingga dapat dianalisis dengan baik pada tahapan ini.

Customer Relationship Management (CRM) analitikal adalah proses analisis data-data yang diperoleh dari kegiatan operasional perusahaan secara aktual yang dilakukan melalui riwayat bisnis yang sudah berlangsung. Semakin banyak landasan analisis yang digunakan maka akan semakin baik, akurat dan mudah analisis yang dilakukan. Pada saat ini banyak perusahaan berusaha untuk lebih mengerti tentang pelanggan mereka dengan memberikan respon secara lebih baik dan mengantisipasi kebutuhan mereka melalui rekomendasi analisis yang dilakukan. Namun, kebanyakan perusahaan berfokus untuk mengimplementasikan CRM hanya sebatas untuk mengetahui kebutuhan dan keluhan dari pelanggan, yang pada praktisnya hanya berkonsentrasi pada komponen operational dan collaborative, sehingga analisis akan pemahaman dan pengenalan terhadap pelanggan belum optimal. Dari kekurangan tersebut maka komponen analitikal dibutuhkan untuk mengoptimalkan hubungan antara perusahaan dengan pelanggannya sehingga menciptakan iklim pemasaran yang berkelanjutan.

Menurut Greenberg (2004), analitikal CRM adalah tahapan untuk mendapatkan, menyimpan, mengekstrak, memproses, menginterpretasikan, dan melaporkan data pelanggan kepada perusahaan untuk dijadikan landasan dalam memutuskan strategi di masa depan. Xu dan Walton dalam Zafareh (2007) menyatakan bahwa CRM analitikal dilakukan dengan menggabungkan antar instrumen yang dapat memproses data informasi pelanggan untuk mendukung penyediaan informasi pelanggan secara strategis dan mendapatkan pehamaman tentang pelanggan. Analitikal CRM adalah sebuah kombinasi dari data warehouse atau data mart yang terintegrasi dengan business inteligence analitikal systems (Online Analitikal Processing – OLAP) (Zafareh, 2007).

Berdasarkan pengertian tersebut maka jelaslah bahwa konsep CRM ini tidak dapat dipisahkan antara operasional dan analikal. Karena keduanya dapat digunakan secara bersamaan dalam dinamika bisnis yang berkelanjutan. Masing-masing aktivitas tersebut dapat saling melengkapi dan memberikan hasil sebagai bahan bagi pengelola memetakan strategisnya. Untuk selanjutnya, praktisi bisnis yang berorientasi pada pemasaran dapat mengembangan instrumen apa saja yang digunakan dalam proses analitikal tersebut.

Tujuan CRM (Customer Relationship Management) Analitikal

Dengan menerapkan CRM analitikal, perusahaan diharapkan memiliki kecerdasan bersaing dalam penetapan strategi pemasarannya yang digunakan. Sebagai contoh, dengan CRM analitikal ini diharapkan meningkatkan kemampuan perusahaan dalam memetakan segment pelanggannya sebagai acuan untuk menentukan metode marketing yang lebih fokus sehingga lebih efisien. Informasi-informasi yang dikumpulkan dari berbagai sumber kemudian dikelola dan dianalisis menggunakan Pemrosesan analitik online (OLAP), menghasilkan pengetahuan yang lebih mengenai pelanggan dan memungkinkan proses marketing yang lebih efektif.

Dalam proses CRM analitikal diharapkan perusahaan mampu melakukan segmentasi pelanggan, membedakan pelanggan yang memiliki profitabilitas tinggi dengan tingkat akurasi yang lebih matang, sehinggan menyedbabkan return on investement (ROI) akan suatu pelanggan dapat diprediksi dengan baik. Dengan pengetahuan tersebut maka penawaran yang tepat, harga yang tepat dapat ditawarkan pada saat yang tepat, kepada pelanggan yang memang berpotensi untuk membelinya, hal ini akan mengoptimasi pelanggan dan perusahaan.

Dengan integrasi informasi tentang karakteristik pelanggan dari semua sumber operasional pada tahap sebelumnya dan sarana informasi vital lainnya yang menggambarkan interaskis perusahaan dengan pelanggan, maka manajemen perusahaan dapat memperoleh gambaran yang pasti tentang pelanggan dan prilaku keputusannya. Informasi yang memiliki akurasi tinggi dapat membantu perusahaan dalam melakukan personalisasi terhadap pelanggan dan melakukan penyesuaian (adaptasi) diri terhadap iklim bisnis seiring dengan kemungkinan perubahan-perubahan yang terjadi dari permintaan pelanggan.

Penerapan CRM (Customer Relationship Management) Analitikal

CRM analitikal digunakan juga sebagai alat untuk mengevaluasi profitabilitas yang diperoleh, berdasarkan segmentasi dari hasil analisa yang kuat, dan meningkatkan return on investement (ROI) dari pelanggan. Dengan menganalisa profitabilitas dari sisi pelanggan, perusahaan dapat melakukan segmentasi pelanggannya berdasarkan tingkat profitabilitasnya sehingga dapat menetapkkan target tingkat penjualannya terhadap masing-masing pelanggan.

Langkah selanjutnya adalah tindak lanjut terhadap feedback loop dari hasil analisa yang telah dilakukan melalui CRM analitikal tersebut untuk menentukan strategi interaksi selanjutnya yang akan dibangun dengan pelanggan. Dalam penelitian Ahmed (2004) membuat sebuah model data mining menggunakan prediksi dan klasifikasi untuk menemukan karakteristik dari pelanggan yang memiliki kecenderungan dalam memutuskan pembelitan. Berdasarkan informasi tersebut, jenis promosi yang efektif untuk menjaring pelanggan dengan segment tertentu dapat ditentukan dengan akurat. Tipe-tipe data yang diperlukan dalam aplikasi data mining untuk bisnis berbasis pelanggan diantaranya adalah:

• Demografik, seperti usia, jenis kelamin, alamat sebagai informasi klasifikasi wilayah dan status pernikahan sebagai dasar tanggungan keluarga.
• Status ekonomi, seperti gaji, nilai rata-rata pendapatan dan pengeluaran dan pekerjaan atau profesi.
• Detail geografik, seperti kota, provinsi, dan negara untuk menentukan gambaran kemampuan pelanggan dilihat dari klasifikasi wilayah.

Semua data tersebut beserta jenis data demografik lain dapat digunakan untuk mengelompokkan pelanggan ke dalam suatu segmen pelanggan yang memiliki kemiripan karakteristik dan kebutuhan produk yang serupa. Selain penelitian di atas, Qiaohong, dkk (2004) menunjukkan desain analitikal CRM berbasis data warehouse. Sap.com (2003) mendiskusikan pentingnya penggunaan analitikal CRM di dalam suatu bisnis. Xu dan Walton (2005) juga menjelaskan pentingnya mendapatkan pengetahuan tentang pelanggan melalui analitikal CRM.

CRM analitis memberdayakan bisnis untuk:

• Kumpulkan informasi pelanggan dan atur ke dalam repositori.
• Tawarkan interaksi yang dipersonalisasi untuk meningkatkan hubungan dengan pelanggan dan prospek.
• Tingkatkan keefektifan kampanye pemasaran dengan memisahkan audiens dalam kriteria yang berbeda.
• Meramalkan dan mencegah pembelokan pelanggan untuk meningkatkan retensi pelanggan.
• Rencanakan prakiraan keuangan yang didukung oleh analisis metrik kinerja.

Penutup

Meskipun banyak penelitian yang sudah dilakukan terkait penerapan aplikasi analitikal CRM, namun kebanyakan lebih berfokus pada teknologi data warehouse ataupun metode data mining daripada arsitektur dan implementasinya. Hal ini melatarbelakangi penelitian yang sudah dilakukan oleh Xie (2008) menganai perancangan arsitekur analitikal CRM beserta implementasinya pada industry bank. Gambar 3 di bawah ini merupakan arsitektur dari analitikal CRM yang sudah diimplementasikan. Secara umum sistem analitikal CRM dapat dibagi menjadi dua bagian, yaitu front-end subsystem yang menyediakan berabagi modul untuk mengontrol data warehouse dan data mining, serta back-end subsystem yang bertujuan untuk menganalisis, memprediksi, dan melaporkan perilaku pelanggan.

Sumber Pustaka

1. Bryan, Bergeron. 2002. Essentials of Customer Relationship Management. New York: Wiley & Son Inc,.
2. Chorianopoulos, Antonios. 2015. “Effective CRM Using Predictive Analytics.” John Wiley & Sons, Ltd. i–xv.
3. Dyantina. 2012. “Penerapan Customer Relationship Management (CRM) Berbasis Web (Studi Kasus Pada Sistem Informasi Pemasaran Di Toko Yen-Yen).” Jurnal Sistem Informasi (JSI) 4(2):2.
4. Greenberg. 2004. CRM at the Speed of Light: Essential Customer Strategies for the 21st Century (Third Edition). London & New York: McGraw-Hill.
5. Hananto, Valentinus Roby, Agus Dwi Churniawan, and Ayouvi Poerna Wardhanie. 2017. “Perancangan Analitikal CRM Untuk Mendukung Segmentasi Pelanggan Di Institusi Pendidikan.” Jurnal Ilmiah Teknologi Informasi Asia 11(1):79. doi: 10.32815/jitika.v11i1.55.
6. Hijriani, Astria, and Fikri Ahmad Maulana. 2019. “Implementasi Customer Relationship Management ( CRM ) Pada Usaha Mikro Bidang Retail Studi Kasus CV Duta Square Bandar Lampung.” Prosiding Seminar Nasional Sains, Matematika, Informatika Dan Aplikasinya. 5(1):84–94.
7. Hutasoit, Elfrida Mariyetta, and Sandra Sunanto. 2017. “Rancangan Sistem Analitikal Crm Untuk Showroom Faza Sindanglaya77 Motor.” 2(1):1–17.
8. Kodong, Frans Richard. 20011. “Customer Relationship Management.” Pengembangan Customer Reliationship Management (0274):463–78. doi: https://doi.org/10.31315/telematika.v7i2.420.
9. Kristianto, Reynald Dwi. 2010. Customer Relationship Management. Yogyakarta: eknik Informatika UPN.
10. Laudon. 2010. Management Information Syistem: Managing The Digital Firm. New Jersey: Prentic Hall.
11. Mulyanto, Agus. 2009. Sistem Informasi Konsep Dan Aplikasi. Yogyakarta: Pustaka Pelajar.
12. Natalia, Natalia, Cooky Tri Adhikara, and Shirley Agusthina. 2020. “Analisis Implementasi Customer Relationship Management Dan Marketing Public Relations Terhadap Nilai Pelanggan Dan Dampaknya Terhadap Loyalitas Pelanggan: Studi Kasus Grand Tropic Suites’ Hotel.” Binus Business Review 3(1):513. doi: 10.21512/bbr.v3i1.1339.
13. Ranjan. 2009. Role of Analitikal CRM in CRM Systems: Importance and Benefits. Management & Change. Management & Change.
14. Sutanta, Edhy. 2003. Sistem Informasi Manajemen. Yogyakarta: Graha Ilmu.
15. Tjiptono. 2001. Manajemen Jasa. Yogyakarta: Andi Yogyakarta.
16. Wardani, Ni Wayan. 2020. Penerapan Data Mining Dalam Analytic CRM.
17. Zafareh. 2007. The Role of Analitikal CRM in Maximizing Customer Profitability in Private Banking. Lulea: Lulea University of Technology.

Algoritma penyandian data yang telah dijadikan standard sejak tahun 1977 adalah Data Encryption Standard (DES) setelah disetujui oleh National Bureau of Standard (NBS) dan setelah dinilai kekuatannya oleh National Security Agency (NSA). Algoritma DES dikembangkan di IBM di bawah kepemimpinan W.L. Tuchman pada tahun 1972. Kekuatan DES saat itu terletak pada panjang kuncinya yaitu 56-bit. Akibat perkembangan teknologi yang begitu pesat, DES, dalam beberapa hal, terbukti kurang dalam hal jaminan aspek keamanan (Menezes, et al., 1997).

Perangkat keras khusus yang bertujuan untuk menentukan kunci 56-bit DES hanya dalam waktu beberapa jam sudah dapat dibangun. Dan pada tahun 1998, Electronic Frontier Foundation menggunakan suatu komputer yang dikembangkan secara khusus yang bernama DES Cracker, dalam waktu kurang dari tiga hari telah mampu untuk memecahkan DES. Beberapa pertimbangan tersebut telah manandakan bahwa diperlukan sebuah standard algoritma baru dan kunci yang lebih panjang. Setelah itu, dibuatlah beberapa pengembangan dari DES dengan cara memperbesar ruang kunci. Varian pengembangan DES yang paling dikenal adalah DES Berganda, yakni pemanfaatan DES berkali-kali untuk proses enkripsi dan dekripsinya. Double DES mempunyai kelemahan yaitu ia dapat diserang

Dengan algoritma yang dikenal sebagai meet-in-the-middle-attack, yang pertama kali ditemukan oleh Diffie dan Hellman. Sebagai bentuk pencegahan terhadap serangan tersebut, maka digunakanlah tiga kali langkah DES. Bentuk tersebut dinamakan sebagai Triple DES.

Algoritma Triple DES termasuk algoritma cipher blok berbasis kuncisimetris. 3DES (Triple Data Encryption Standard) atau biasa di sebut DESede atau juga Triple DES merupakan suatu algoritma pengembangan dari algoritma DES (Data Encryption Standard). Triple DES menggunakan algoritma DES sebagai algoritma utama. Pada dasarnya algoritma yang digunakan sama, hanya pada 3DES dikembangkan dengan melakukan enkripsi dengan implementasi algoritma DES sebanyak tiga kali. 3DES memiliki tiga buah kunci yang berukuran 168-bit (tiga kali kunci 56-bit dari DES). Triple DES dipilih sebagai cara simpel untuk memperbesar ukuran kunci tanpa perlu mengganti algoritma Triple DES dikembangkan untuk mengatasi kelemahan ukuran kunci yang digunakan pada proses enkripsi-deskripsi DES sehingga teknik kriptografi ini lebih tahan terhadap exhaustive key search yang dilakukan oleh kriptoanalis.

Penggunaan triple DES dengan suatu kunci tidak akan menghasilkan pemetaan yang sama seperti yang dihasilkan oleh DES dengan kunci tertentu. Hal itu disebabkan oleh sifat DES yang tidak tertutup (not closed). Sedangkan dari hasil implementasi dengan menggunakan modus Electronic Code Book (ECB) menunjukkan bahwa walaupun memiliki kompleksitas/notasi O yang sama (O(n)), proses enkripsi-deskripsi pada DES lebih cepat dibandingkan dengan triple DES.

Pada algoritma Triple DES dibagi menjadi tiga tahap, setiap tahapnya merupakan implementasi dari algoritma DES. Tahap pertama, plainteks yang diinputkan dioperasikan dengan kunci eksternal pertama (K1) dan melakukan proses enkripsi dengan menggunakan algoritma DES. Sehingga menghasilkan pra-cipherteks pertama. Tahap kedua, pra-cipherteks pertama yang dihasilkan pada tahap pertama, kemudian dioperasikan dengan kunci eksternal kedua (K2) dan melakukan proses enkripsi atau proses dekripsi (tergantung cara pengenkripsian yang digunakan) dengan menggunakan algoritma DES. Sehingga menghasilkan pra-cipherteks kedua. Tahap terakhir, pra-cipherteks kedua yang dihasilkan pada tahap kedua, dioperasikan dengan kunci eksternal ketiga (K3) dan melakukan proses enkripsi dengan menggunakan algoritma DES, sehingga menghasilkan cipherteks (C).

Beberapa mode operasi yang dapat diterapkan pada algoritma kriptografi penyandi blok Triple DES di antaranya adalah Electronic Code Book (ECB), Cipher Block Chaining (CBC), Cipher Feedback (CFB), dan Output Feedback (OFB) (Pasca Nugraha 2011:113)

Bentuk Umum 3DES

Konsep Triple DES sebenarnya sama dengan DES, namun terdapat beberapa pengembangan, Bentuk umum TDES (mode EEE):

• Enkripsi: C = EK3(EK2(EK1 (P)))
• Dekripsi: P = DK1(DK2 (DK3 (C)))

Untuk menyederhanakan TDES, maka langkah di tengah diganti dengan D (mode EDE). Ada dua versi TDES dengan mode EDE:

• Menggunakan 2 kunci
• Menggunakan 3 kunci

Berikut merupakan skema Triple DES dengan 2 kunci :

Dan di bawah ini adalah skeme Triple DES dengan 3 kunci :

Sedangkan untuk pemilihan kunci ada dua pilihan untuk pemilihan kunci eksternal algoritma 3DES, yaitu:

• K1, K2, dan K3 adalah kunci-kunci yang sama
  K1 = K2 = K3 = K1
• K1, K2, dan K3 adalah kunci-kunci yang saling bebas
  1 ≠ K2 ≠ K3 ≠ K1
• K1 dan K2 adalah kunci-kunci yang saling bebas, dan K3 = K1

Penutup

Kekuatan DES saat itu terletak pada panjang kuncinya yaitu 56-bit. Akibat perkembangan teknologi yang begitu pesat, DES, dalam beberapa hal, terbukti kurang dalam hal jaminan aspek keamanan. Dengan algoritma yang dikenal sebagai meet-in-the-middle-attack, yang pertama kali ditemukan oleh Diffie dan Hellman. Sebagai bentuk pencegahan terhadap serangan tersebut, maka digunakanlah tiga kali langkah DES. Bentuk tersebut dinamakan sebagai Triple DES. Triple DES menggunakan algoritma DES sebagai algoritma utama. Pada dasarnya algoritma yang digunakan sama, hanya pada 3DES dikembangkan dengan melakukan enkripsi dengan implementasi algoritma DES sebanyak tiga kali.

Sumber Pustaka

•  A.S. Rosa dan Shalahudin  M, 2011. Rekayasa Perangkat Lunak. Modula. Bandung.
• Anwar Ashraf, 2014. International Journal of Software Engineering, 
• Bin Ladjamudin, Al ¬Bahra. 2005, Analisis dan  Desain Sistem Informasi, Graha Ilmu, Yogyakarta. 
• Fauzi Ahmad, 2016. Analisis Hybrid Cryptosystem Algoritma Elgamal Dan Algoritma Triple Des. STMIK Kaputama Binjai. Medan Sumatra Utara.
• Heru Adya Gunawan, dkk. 2014. Keamanan login web menggunakan metode 3des Berbasis teknologi quick response code. Jurnal Informatika Mulawarman.
• Jogiyanto. 2001. Analisis dan perancangan system. Andi Offset. Yogyakarta.
• Kadir, Abdul. 2003. Pengenalan Sistem Informasi. Penerbit Graha Ilmu, Jakarta.
• Laudon, 2010. Management Information Syistem: Managing The Digital Firm. Prentic Hall. New Jersey.
• Mulyanto Agus, 2009. Sistem Informasi Konsep dan Aplikasi. Pustaka Pelajar. Yogyakarta.
• Pressman, 2002. Rekayasa Perangkat Lunak Pendekatan Praktisi (Buku Satu), ANDI Yogyakarta.
• Pasca Nugraha, M., & Munir, R. 2011. Pengembangan Aplikasi QR Code Generator dan QR Code Reader dari Data Berbentuk Image. Konferensi Nasional Informatika.
• Rahayu, Y. D., Nana Ramadijanti, S. M., & Yuliana Setiowati, S. M. 2010. Pembuatan Aplikasi Pembacaan Quick Response Code Menggunakan Perangkat Mobile Berbasis J2ME untuk identifikasi Barang.