KLASIFIKASI DATA MINNING MENGGUNAKAN ALGORITMA C4.5 TERHADAP KEPUASAN PELANGGAN SEWA KAMERA CIKARANG

Sutan Faisal

Abstract


Kepuasan pelanggan merupakan salah satu tujuan dari perusahan dalam memberikan pelayanan kepada pelanggannya baik perusahaan jasa maupun non jasa. Salah satu perusahaan jasa penyedia sewa kamera yang berkomitmen untuk kepuasan pelanggannya adalah Sewa Kamera Cikarang. Penelitian ini bertujuan untuk menganalisa kepuasan pelanggan sewa kamera cikarang dengan menggunakan algoritma K Nearest Neighbour (KNN). Atribut masukan kepuasan pelanggan dalam penelitian ini mencangkup harga, fasilitas, pelayanan dam loyalitas. Keluaran hasil dari atribut masukan diatas adalah puas dan tidak puas. Penelitian ini diharapkan untuk membantu Sewa Kamera Cikarang untuk meningkatkan kepuasan pelanggan dan meningkatkan laba pada Sewa Kamera Cikarang. Hasil penelitian yang dapat dicapai menggunakan algoritma C 4.5 adalah acuracy = 95%, classification recall =100%, Classification precision = 92.31% dan AUC = 0.948. Hasil penelitian ini bisa menjadikan referensi untuk membangun sebuah aplikasi yang dapat memudahkan perusahaan dalam memperoleh informasi mengenai kepuasan pelanggannya.

Full Text:

PDF

References


] Barber, I. "Bayesian Opinion Mining." Tersedia di: http://phpir. com/bayesian-opinion-mining [diunduh: 10 Nov 2010] (2010). [2] Bramer, Max. Principles of data mining. Vol. 180. London: Springer, 2007.

Basuki, Achmad dan Syarif, Iwan. 2003. Modul Ajar Decision Tree. Surabaya : PENS-ITS. [4] Giudici, Paolo, and Silvia Figini. Front Matter. John Wiley & Sons, Ltd, 2009.Applied Data Mining for Business and Industry [5] Gorunescu, Florin. Data Mining: Concepts, models and techniques. Vol. 12. Springer Science & Business Media, 2011.

Han J, Kamber M. 2001. Data Mining : Concepts and Techniques. Simon Fraser University, Morgan Kaufmann Publishers.

Larose, D.T, 2006. Discovering Knowledge in Data: An Introduction to Data mining. John Willey &Sons, Inc. [8] Maimon, Oded, and Lior Rokach, eds. Data mining and knowledge discovery handbook. Vol. 2. New York: Springer, 2005. [9] Powers, David Martin. "Evaluation: from precision, recall and F-measure to ROC, informedness, markedness and correlation." (2011).

Rapid-I GmbH. (2008).Rapidminer-4.2-tutorial. Germany: Rapid-I. [11] Sachdeva, M., Zhu, S., Wu, F., Wu, H., Walia, V., Kumar, S., ... & Mo, Y. Y. (2009). p53 represses c-Myc through induction of the tumor suppressor miR-145. Proceedings of the National Academy of Sciences, 106(9), 3207-3212.

Santosa, Budi. 2007. Data Mining : Teknik Pemanfaatan Data untuk Keperluan Bisnis, Teori dan Aplikasi. Graha Ilmu Yogyakarta

Tan S, Kumar P, Steinbach M. 2005. Introduction To Data Mining. Addison Wesley. [14] Vitaro, F., Brendgen, M., Larose, S., & Trembaly, R. E. (2005). Kindergarten Disruptive Behaviors, Protective Factors, and Educational Achievement by Early Adulthood. Journal of educational psychology, 97(4), 617. [15] M Rizki Ilham, Purwanto. 2016. Implementasi Datamining Menggunakan Algoritma C 4.5 Untuk Prediksi Kepuasan Pelanggan. UDINUS Semarang


Refbacks

  • There are currently no refbacks.