Teknik Industri USU
5.4. Analisis Confusion Matrix
Berdasarkan analisis data yang telah dilakukan maka didapatkan tingkat akurasi dari masing-masing metode, didapatkan bahwa metode algoritma C5.0 memiliki tingkat akurasi sebesar 66,66%. Hal ini menujukkan bahwa dari 112 data yang digunakan sebagai data training, terdapat 75 data yang tepat diklasifikasikan dan terdapat 37 data yang tidak tepat diklasifikasikan.
Pada metode algoritma CART memiliki tingkat akurasi sebesar 75%. Hal ini menujukkan bahwa dari 112 data yang digunakan sebagai data training, terdapat 84 data yang tepat diklasifikasikan dan terdapat 20 data yang tidak tepat diklasifikasikan.
6.1. Kesimpulan
Kesimpulan yang diperoleh dari penelitian ini adalah sebagai berikut:
1. Pada metode algoritma C5.0, dimensi kualitas pelayanan yang paling mempengaruhi kepuasan mahasiswa adalah dimensi assurance diikuti oleh reliability, emphaty. Sedangkan pada metode CART, dimensi kualitas pelayanan yang paling mempengaruhi kepuasan mahasiswa adalah dimensi assurance diikuti oleh reliability, responsiveness, dan tangibles.
2. Berdasarkan hasil analisis dengan metode Algoritma C5.0 dan metode CART, diperoleh hasil ketepatan klasifikasi pelayanan akademik di Teknik Industri USU dengan tingkat akurasi masing-masing sebesar 66,66% dan 75%.
Sehingga dapat dikatakan bahwa metode algoritma CART merupakan metode yang lebih baik dalam pengklasifikasikan data.
3. Berdasarkan hasil analisis Indeks Three Box Method, diperoleh nilai indeks dimensi assurance sebesar 71,77 dengan indikator terendahnya “Pegawai memberikan jaminan tepat waktu dalam pelayanan” dengan nilai indeks sebesar 64,03, dimensi reliability sebesar 70,08, dimensi responsiveness sebesar 72,61, dimensi tangibles sebesar 73,41 dan dimensi emphaty sebesar 74,19. Nilai indeks ini dapat digunakan sebagai penentu indikator dari dimensi kualitas yang perlu diperbaiki.
1. Disarankan pihak Departemen Teknik Industri USU dapat meningkatkan kualitas pelayanan akademik, dan dengan adanya penelitian ini pihak departemen dapat melihat hasil pengerjaan skripsi ini sebagai rujukan dalam pengambilan keputusan dimensi dan indikator mana yang menjadi prioritas utama dalam perbaikan
2. Pihak departemen dapat memilih metode CART dengan nilai akurasi yang lebih tinggi daripada metode Algoritma C5.0 untuk memilih dimensi mana yang menjadi prioritas perbaikan.
3. Perbaikan dimensi assurance yang diidentifikasi sebagai dimensi yang paling mempengaruhi kepuasan mahasiswa, disarankan pihak departemen meningkatkan nilai indikator “Pegawai memberikan jaminan tepat waktu dalam pelayanan” yang memiliki nilai indeks terkecil dari indikator assurance lainnya.
4. Penelitian selanjutnya dapat dibandingkan dengan metode klasifikasi yang lain, misalnya metode algoritma C4.5, Naïve Bayes, Analytical Neural Network, Classification Rule with Unbiased Interaction Selection and Estimation (CRUISE) dan metode Quick Unbiased Efficient Statistical Tree (QUEST).
Ahmad AM, Rizaner A, Ulusoy AH, 2018. A Novel Decision Tree Classification Based on Post-Pruning with Bayes Minimum Risk. Plos One. 13(4).
Akbar MS, Yuanita D, Harini, 2010. Pendekatan CART untuk Mendapatkan Faktor yang Mempengaruhi Terjangkitnya Penyakit Demam Tifoid di Aceh Utara.
Jurnal CAUCHY. 1(2): 71-77.
Angelova B, Zekiri J, 2011. Measuring Customer Satisfaction with Service Quality Using American Customer Satisfaction Model (ACSI Model). Internasional Journal of Academic Research in Business and Social Sciences, 1(3): 232-258
Arinichev IV, Arinciheva IV, Matveeva LG, Darmilova ZD, 2019. Evaluation of consumer satisfaction based on binary decision trees. Espacios, 40(25): 18-28.
Daga R, Ismail N, Maddatuang B, 2020. Analisis Efektivitas Program Mandiri Dagang Untung Pada PT. Bank Mandiri (Persero), Tbk. Kanwil Regional X Sulawesi dan Maluku. Seiko: Journal of Management & Business. 3(3): 65-78
Han J, Fang M, Ye S, Chen C, Wan Q, Qian X, 2019. Using Decision Tree to Predict Response Rates of Consumer Satisfaction, Attitude, and Loyalty Surveys.
MDPI, 11.
Han J, Kamber M, Pei J, 2012. Data Mining: Concepts and Techniques. Morgan Kaufman Publisher. United States of America.
Harwati, Sudiya A, 2016. Application of Decision Tree Approach to Student Selection Model – A Case Study. IOP Conf. Series: Materials Science and Engineering. 105.
Hermawati FA, 2013. Data Mining. Andi. Yogyakarta.
HemlataAggarwal, Arora HD, Kumar V, 2020. Constructing a Data Mining Model Using Fuzzy Decision Tree. Internasional Journal of Advanced Science and Technology. 29(3): 3924-3934.
Ilieska K, 2013. Customer Satisfaction Indeks – as a Base for Strategic Marketing Management. TEM Journal 2(4): 327-331
Ishak A, Siregar K, Aspriyati, Ginting R, Afif M, 2020. Orange Software Usage in Data Mining Classification Method on The Dataset Lenses. IOP Conf.
Series: Materials Science and Engineering. 1003.
Ishak A, Wijaya T. 2020. Spare Part Supplier Selection Model Using Decision Tree Classification Techniqu: J48 Algorithm. IOP Conf. Series: Materials Science and Engineering. 801.
IBM Corporation. 2012. IBM SPSS Statistics for Windows, Version 22.0 [Software]. IBM Corporation, New York.
Jijo BT, Abdulazeez AM, 2021. Classification Based on Decision Tree Algorithm for Machine Learning. Journal of Applied Science and Technology Trends.
2(1): 20-28.
Lippinski P, Brzychczy E, Zimroz R, 2020. Decision Tree-Based Classification for Planetary Gearboxes’ Condition Monitoring with the Use of Vibration Data in Multidimencional Symptom Space. MDPI Sensors. 20.
Marthalina, 2018. Analisis Kualitas Pelayanan Akademik dan Kepuasan Mahasiswa di IPDN Kampus Jakarta. Jurnal MSDM, 5(1): 1-18.
Panjaitan JE, Yuliati AL, 2016.Pengaruh Kualitas Pelayanan Terhadap Kepuasan Pelanggan Pada JNE Cabang Bandung. DeReMa Jurnal Manajemen, 11(2):
265-289
Patil N, Lathi R, Chitre V, 2012. Comparison of C5.0 & CART Classification algorithms using pruning technique. International Journal of Engineering Research & Technology, 1.
Pramana S, Yuniarto B, Mariyah, Siti, Santoso, Ibnu, Nooraeni, 2018. Data Mining dengan R. Konsep Serta Implementasi. In Media. Bogor.
Prasetyo E, 2012. Data Mining-Konsep dan Aplikasi Menggunakan Matlab. Andi.
Yogyakarta.
Prasetyo E, 2014. Data Mining-Mengolah Data Menjadi Informasi Menggunakan Matlab. Andi. Yogyakarta.
Pratiwi FE, Zain I, 2014. Klasifikasi Pengangguran Terbuka Menggunakan CART (Classification and Regression Tree) di Provinsi Sulawesi Utara. Jurnal Sains dan Seni Pomits, 3(1): 54-59.
Putri YR, Mukhlash I, Hidayat N, 2013. Prediksi Pola Kecelakaan Kerja pada Perusahaan Non Ekstraktif Menggunakan Algoritma Decision Tree: C4.5 dan C5.0. Jurnal Sains dan Seni Pomits, 2(1): 1-6.
Rahareng VJ, Relawan N, 2017. Pengaruh Kualitas Pelayanan Akademik Terhadap Kepuasan Mahasiswa (Studi Pada Mahasiswa Administrasi Bisnis Universitas Telkom). Jurnal AdBispreneur. 2(2): 125-133.
Sadiq MH, Ahmed NS, 2019. Classifying and Predicting Students’ Performance Using Improved Decision Tree C4.5 in Higher Education Institues. Journal of Computer Science. 15(9): 1291-1306.
Sinulingga S, 2013. Metode Penelitian. USU Press. Medan
Skrbinjek V, Dermol V, 2019 Predicting Students Satisfaction Using a Decision Tree. Tertiary Education and Management.
Svajone B, Sarka H, 2018. Decision Tree-Based Classification Model for Identification of Effective Leadership Indikator. J Math Fund. Sci. 50(2):
121-141/
Tsami M, Adamos G, Nathanail E, 2018. A Decision Tree Approach for Achieving High Customer Satisfaction at Urban Interchanges. Transport and Telecommunication, 19(3): 194-202.