SKRIPSI
IMPLEMENTASI DATA MINING MENGGUNAKAN
ALGORITMA C4.5 UNTUK PREDIKSI KEPUASAN
PELANGGAN TAKSI KOSTI
IMPLEMENTATION OF DATA MINING USING C4.5
ALGORITHM FOR PREDICTION OF CUSTOMER
SATISFACTION AT KOSTI TAXI
Diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana Teknik Informatika – S1Disusun Oleh :
Nama
: Mochamad Rizki Ilham S
NIM
: A11.2012.07233
Program Studi : Teknik Informatika- S1
FAKULTAS ILMU KOMPUTER
UNIVERSITAS DIAN NUSWANTORO
SEMARANG
2016
i
SKRIPSI
IMPLEMENTASI DATA MINING MENGGUNAKAN
ALGORITMA C4.5 UNTUK PREDIKSI KEPUASAN
PELANGGAN TAKSI KOSTI
IMPLEMETATION OF DATA MINING USING C4.5
ALGORITHM FOR PREDICTION CUSTOMER SATISFACTION
AT KOSTI TAXI
Diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana Teknik Informatika – S1
Disusun Oleh :
Nama
: Mochamad Rizki Ilham S
NIM
: A11.2012.07233
Program Studi : Teknik Informatika- S1
FAKULTAS ILMU KOMPUTER
UNIVERSITAS DIAN NUSWANTORO
SEMARANG
2016
ii
HALAMAN PERSETUJUAN SKRIPSI
Nama : Mochamad Rizki Ilham Saputra
NIM : A11.2012.07233
Program Studi : Teknik Informatika – S1 Fakultas : Ilmu Komputer
Judul Tugas Akhir : Implementasi Data Mining Menggunakan Algoritma C4.5 Untuk Prediksi Kepuasan Pelanggan Taksi KOSTI
Telah diperiksa dan disetujui oleh pembimbing tugas akhir guna mencapai gelar Sarjana Komputer Strata Satu pada Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Semarang. Semarang, 17 Februari 2016 Menyetujui Pembimbing Purwanto.Ph.D NPP.0686.11.1994.051 Mengetahui
Dekan Fakultas Ilmu Komputer
Dr. Drs. Abdul Syukur, MM NPP.0686.11.1992.017
iii
PENGESAHAN DEWAN PENGUJI
Nama : Mochamad Rizki Ilham S
NIM : A11.2012.07233
Program Studi : Teknik Informatika – S1 Fakultas : Ilmu Komputer
Judul Tugas Akhir : Implementasi Data Mining Menggunakan Algoritma C4.5 Untuk Prediksi Kepuasan Pelanggan Taksi Kosti
Tugas Akhir ini telah diujikan dan dipertahankan dihadapan Dewan Penguji pada Sidang Tugas Akhir tanggal 17 Februari 2016 Menurut pandangan kami, tugas akhir ini memadai dari segi kualitas maupun kuantitas untuk tujuan penganugrahan gelas Sarjana Komputer (S. Kom)
Semarang, 17 Februari 2016 Dewan Penguji,
Penguji 1
Aisyatul Karima, S.Kom, MCS NPP. 0686.11.2012.441
Penguji 2
Ricardus Anggi Pramunendar, MCS NPP. 0686.11.2011.416 Ketua Penguji
Heru Agus Santoso, Ph.D NPP. 0686.11.1998.165
iv
PERNYATAAN KEASLIAN SKRIPSI
Sebagai mahasiswa Universitas Dian Nuswantoro, yang bertanda tangan di bawah ini, saya :
NAMA : MOCHAMAD RIZKI ILHAM SAPUTRA
NIM : A11.2012.07233
Menyatakan bahwa karya ilmiah saya yang berjudul :
“Implementasi Data Mining Menggunakan Algoritma C4.5 Untuk Prediksi Kepuasan Pelanggan Taksi KOSTI”
Merupakan karya asli saya (kecuali cuplikan dan ringkasan yang masing-masing telah saya jelaskan sumbernya dan perangkat pendukung). Apabila di kemudian hari, karya saya disinyalir bukan merupakan karya asli saya, yang disertai dengan bukti-bukti yang cukup, maka saya bersedia untuk dibatalkan gelas saya beserta hak dan kewajiban yang melekat pada gelar tersebut. Demikian surat pernyataan ini saya buat dengan sebenarnya.
Dibuat di : Kota Semarang, Pada tanggal : 17 Februari 2016
Yang menyatakan
v
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH
UNTUK KEPENTINGAN AKADEMIS
Sebagai mahasiswa Universitas Dian Nuswantoro, yang bertanda tangan di bawah ini, saya :
NAMA : MOCHAMAD RIZKI ILHAM SAPUTRA
NIM : A11.2012.07233
Demi mengembangkan Ilmu Pengetahuan, menyetujui untuk memberikan kepada Universitas Dian Nuswantoro Hak Bebas Royalti Non-Eksklusif (Non-exclusive Royalty-Free Right) atas karya ilmiah saya yang berjudul :
“Implementasi Data Mining Menggunakan Algoritma C4.5 Untuk Prediksi Kepuasan Pelanggan Taksi Kosti”
Beserta perangkat yang diperlukan (bila ada). Dengan Hak Bebas Royalti Non-Eksklusif ini Universitas Dian Nuswantoro berhak untuk menyimpan, mengcopy ulang (memperbanyak), menggunakan, mengelolanya dalam bentuk pangkalan data (database), mendistribusikannya dan menampilkan/ mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa perlu meminta izin dari saya selama tetap mencantumkan nama saya sebagai penulis/ pencipta.
Saya bersedia untuk menanggung secara pribadi, tanpa melibatkan pihak Universitas Dian Nuswantoro, segala bentuk tuntutan hukum yang timbul atas pelanggaran Hak Cipta dalam karya ilmiah saya ini. Demikian surat pernyataan ini saya buat dengan sebenarnya.
Dibuat di : Kota Semarang, Pada tanggal : 17 Februari 2016
Yang menyatakan
vi
UCAPAN TERIMA KASIH
Puji syukur kepada Tuhan yang Maha Esa atas segala berkat yang telah diberikan-Nya, sehingga Laporan Tugas Akhir ini dapat diselesaikan.
Laporan Tugas Akhir dengan judul “IMPLEMENTASI DATA MINING
MENGGUNAKAN ALGORITMA C4.5 UNTUK PREDIKSI KEPUASAN PELANGGAN TAKSI KOSTI” ini ditujukan untuk memenuhi sebagian
persyaratan akademik guna menyelesaikan studi di Program Studi Teknik Informatika Strata Satu Universitas Dian Nuswantoro Semarang.
Penulis menyadari bahwa tanpa bimbingan, bantuan, dan doa dari berbagai pihak, Laporan Tugas Akhir ini tidak akan dapat diselesaikan tepat pada waktunya. Oleh karena itu, penulis mengucapkan terimakasih yang sebesar-besarnya kepada semua pihak yang telah membantu dalam proses penulisan Laporan Tugas Akhir ini, yaitu kepada :
1) Dr. Ir. Edi Noersasongko, M.Kom, selaku Rektor Universitas Dian Nuswantoro.
2) Dr. Abdul Syukur, selaku Dekan Fakultas Ilmu Komputer.
3) Dr. Heru Agus Santoso, M.Kom, selaku Ketua Program Studi Teknik Informatika – S1
4) Purwanto, Phd. selaku Dosen Pembimbing Tugas Akhir yang telah memberikan bimbingan dan banyak memberikan masukan kepada penulis. 5) Ibu, Bapak, dan keluarga yang telah memberikan dukungan moril, doa dan
kasih sayang.
6) Bapak Zaenal Arifin yang telah membantu dalam pembagian kuisioner 7) Ninik Setiyaningrum atas motivasi dan dukungan selama ini.
8) Alfareno yang telah membantu dalam proses pembuatan program saya. 9) Semua pihak yang namanya tidak dapat disebutkan satu per satu yang terlibat
dalam penyusunan Laporan Tugas Akhir ini sehingga dapat selesai dengan baik.
Akhir kata, penulis menyadari bahwa mungkin masih terdapat kekurangan dalam Laporan Tugas Akhir ini. Oleh karena itu, kritik dan saran dari pembaca sangat bermanfaat bagi penulis. Semoga Laporan Tugas Akhir ini dapat bermanfaat bagi semua pihak yang membacanya.
Semarang, 17 Februari 2016
vii
ABSTRAK
Banyak cara dilakukan oleh masing-masing perusahaan penyedia jasa, khususnya transportasi untuk memenangkan persaingan, antara lain dengan meningkatkan kepuasan pelanggan transportasi. Salah satu perusahaan penyedia jasa transportasi yang berkomitmen dalam meningkatkan kepuasan pelangganya adalah Taksi KOSTI. Penelitian ini bertujuan untuk menganalisis kepuasan pelanggan Taksi KOSTI dengan menggunakan teknik data mining dengan algoritma C4.5. Atrribut masukan kepuasan pelanggan dalam penelitian ini mencangkup harga, fasilitas, pelayanan dan loyalitas. Dalam penelitian ini, didapatkan bahwa hasil yang didapatkan berasal dari beberapa atribut masukan menghasilkan hubungan sebab-akibat dalam mengklasifikasikan konsumen puas dan tidak puas. Penelitian ini di harapkan dapat membantu pihak KOSTI dalam meningkatkan kepuasan konsumen untuk mempertahankan pelanggan dan meningkatkan laba perusahaan taksi KOSTI tersebut. Berdasarkan Hasil klasifikasi menggunakan algoritma C4.5 menunjukkan bahwa diperoleh akurasi mencapai 88.01%, yang menunjukkan bahwa algoritma C4.5 cocok digunakan untuk mengukur tinggkat kepuasan pelanggan taksi KOSTI.
Kata Kunci : Data mining, Decision Tree, Algoritma C4.5, Kepuasan Pelanggan, Perusahaan Jasa Transportasi.
viii
DAFTAR ISI
HALAMAN JUDUL ... i
PERSETUJUAN SKRIPSI ... ii
PENGESAHAN DEWAN PENGUJI ... iii
PERNYATAAN KEASLIAN SKRIPSI ... iv
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA
ILMIAH UNTUK KEPENTINGAN AKADEMIS ... v
KATA PENGANTAR ... vi
ABSTRAK ... vii
DAFTAR ISI ... viii
DAFTAR GAMBAR ... x
DAFTAR TABEL ... xi
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Identifikasi Masalah ... 4
1.3 Rumusan Masalah ... 5
1.4 Batasan Masalah ... 5
1.5 Tujuan Penelitian ... 5
1.6 Manfaat Penelitian ... 6
1.7 Sistematika Penulisan... 6
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI ... 8
2.1 Penelitian Terkait ... 8
2.2 Literatur yang Mendkung Penelitian... 13
2.2.1 Kualitas Jasa dan Pelayanan ... 13
2.2.2 Kepuasan Konsumen ... 14
2.2.3 Loyalitas Pelanggan ... 14
2.2.4 Variabel Kuisioner ... 14
2.2.5 Desain Kuesioner dan Skala Pengukuran ... 17
2.2.6 Data Mining ... 18
2.2.6.1 Tahap – Tahap Data Mining ... 19
2.2.7 CRISP-DM ... 21
2.2.8 Klasifikasi ... 24
2.2.9 Decision Tree Algoritma C4.5 ... 25
2.2.10 Confusion Matrix ... 27
2.3 Rapid Miner ... 29
2.4 Java ... 30
2.5 Netbeans Integrated Development Environment (IDE) ... 30
2.6 Kerangka Pemikiran ... 32
BAB II METODE PENELITIAN ... 33
ix
3.1.1 Kebutuhan Perangkat Lunak ... 33
3.1.2 Kebutuhan Perangkat Keras ... 33
3.1.3 Desain Kuisioner dan Skala Pengukuran ... 33
3.2 Objek Penelitian ... 35
3.3 Metode Pengumpulan Data ... 35
3.4 Teknik Analisis Data ... 36
BAB IV ANALISIS HASIL DAN PEMBAHASAN ... 39
4.1 Pengolahan Data ... 39
4.2 Proses Data Mining ... 43
4.3 Pengujian Rules Terhadap Data Kepuasan Pelanggan
Taksi KOSTI dengan Variabel Data Kuisioner ... 47
4.3.1 Pengujian 1 ... 48
4.3.2 Pengujian 2 ... 50
4.3.3 Pengujian 3 ... 52
4.4 Analisa Hasil Pengujian ... 54
4.5 Implementasi ... 54
BAB V KESIMPULAN DAN SARAN... 55
5.1 Kesimpulan ... 55
5.2 Saran ... 55
DAFTAR PUSTAKA ... 56
x
DAFTAR GAMBAR
Gambar 2.1 Tahap – Tahap Data Mining ... 19
Gambar 2.2 Gambar Siklus Hidup CRISP-DM ... 22
Gambar 2.3 Konsep Decision Tree ... 25
Gambar 2.4 Contoh Pohon Keputusan ... 26
Gambar 2.5 Tampilan Awal Netbeans IDE ... 31
Gambar 2.6 Kerangka Pemikiran ... 32
Gambar 3.1 Prosedur Penelitian ... 37
Gambar 4.1 Kuisioner Bagian 1 ... 40
Gambar 4.2 Kuisioner Bagian 2 ... 41
Gambar 4.3 Alur Pengolahan Data ... 45
Gambar 4.4 Proses pengolahan data pada RapidMiner ... 46
Gambar 4.5 Pohon Keputusan Hasil Pegolahan dengan Rapid Miner ... 47
Gambar 4.6 Pengujian model K-Fold Validation 10 ... 51
Gambar 4.7 Pengujian model K-Fold Validation 10 ... 51
Gambar 4.8 AUC (Area Under Curve) Pengujian 1 ... 53
Gambar 4.9 Pengujian model K-Fold Validation 5 ... 54
Gambar 4.10 Pengujian model K-Fold Validation 5 ... 54
Gambar 4.11 AUC (Area Under Curve) Pengujian 2 ... 56
Gambar 4.12 Pengujian model K-Fold Validation 3 ... 57
Gambar 4.13 Pengujian model K-Fold Validation 3 ... 57
xi
DAFTAR TABEL
Tabel 1.1 Perusahaan Taksi Di Semarang ... 2
Tabel 2.1 Tabel Penelitian Terkait ... 12
Tabel 2.2 Confusion matrix 2 kelas ... 28
Tabel 4.1 Keterangan Data Kuisioner ... 42
Tabel 4.2 Pemilihan Atribut ... 42
Tabel 4.3 Data Awal Sebelum Pemilihan Atribut ... 43
Tabel 4.4 Data Setelah Pemilihan Atribut ... 44
Tabel 4.5 Data yang akan di import ke dalam Rapid Miner ... 45
Tabel 4.6 Data Error ... 49
Tabel 4.7 Confusion Matrix Pengujian 1 ... 52
Tabel 4.8 Evaluasi dan Validasi 1 ... 53
Tabel 4.9 Confusion Matrix Pengujian 2 ... 55
Tabel 4.10 Evaluasi dan Validasi 2 ... 56
Table 4.11 Hasil Akurasi Pengujian 3 ... 58
Tabel 4.12 Evaluasi dan Validasi 3 ... 59
1
BAB I
PENDAHULUAN
1.1. Latar Belakang
Seiring dengan tingginya aktifitas manusia untuk memenuhi keperluan dan kebutuhan hidupnya sehari-hari, baik dalam bekerja, belanja, ataupun sekedar jalan-jalan untuk melepas rasa penat. Maka, hal ini perlu didukung dengan adanya sarana transportasi yang memadai, baik transportasi milik pribadi ataupun transportasi umum. Karena pada kenyataannya tidak semua masyarakat memiliki kendaraan pribadi. Dengan adanya kebutuhan akan sarana transportasi umum tersebut, maka hal ini mendorong berdirinya perusahaan jasa yang bergerak dibidang transportasi umum. Saat ini terdapat bermacam-macam jasa transportasi umum yang dapat digunakan, salah satunya diantaranya adalah taksi [1].
Taksi adalah angkutan umum yang menggunakan mobil sedan untuk mengangkut penumpangnya yang dilengkapi dengan radio komunikasi. Perbedaan utama antara taksi dengan angkutan umum darat lainnya seperti bus terletak pada jumlah penumpangnya. Taksi memiliki kapasitas maksimal 4 penumpang dengan 1 pengemudi, yang siap mengantar kemana saja sesuai dengan keinginan penumpang, dan penumpangnya tersebut biasanya berada dalam satu kelompok [2]. Oleh karena itu taksi sering disebut jasa transportasi eksklusif, karena taksi dapat memberikan sisi privacy yang lebih dibanding dengan angkutan umum darat lainnya.
Sejalan dengan kemajuan dalam pendidikan dan perekonomian yang lebih makmur, serta perkembangan ilmu pengetahuan dan teknologi, maka kesadaran masyarakat terhadap unsur – unsur pelayanan yang dapat diberikan oleh perusahaan semakin meningkat. Pada saat ini kesadaran konsumen akan pentingnya nilai kualitas pelayanan (Service Quality) yang diberikan oleh perusahaan, baik dalam bentuk jasa maupun dalam bentuk barang semakin meningkat. Dari beberapa pengalaman menunjukan bahwa atas pemberian suatu kualitas jasa/ pelayanan tertentu akan menimbulkan penilaian yang
berbeda dari setiap konsumen, karena tergantung dari bagaimana konsumen mengharapkan kualitas jasa/ pelayanan tersebut [3].
Konsumen adalah orang yang menilai baik tidaknya kualitas pelayanan. Konsumen menilai pelayanan tersebut dengan cara membandingkan pelayanan yang mereka terima dengan pelayanan yang mereka harapkan. Bila konsumen merasa sangat puas terhadap pelayanan yang diberikan oleh suatu perusahaan akan mengakibatkan konsumen tersebut akan kembali lagi untuk menggunakan jasa perusahaan lagi. Dengan kata lain perusahaan yang dapat memuaskan konsumen akan memiliki konsumen yang loyal. Sehingga secara tidak langsung konsumen yang loyal tersebut akan merekomendasikan kepada konsumen lain dari mulut ke mulut tanda dipaksa mengenai pelayanan yang pernah diterimanya [1].
Pada saat ini industri jasa transportasi taksi semakin marak di Indonesia. Perusahaan KOSTI (Koperasi Sopir Taksi Indonesia) Semarang merupakan salah satu badan usaha yang mengkonsentrasikan salah satu bidang usahanya di sektor industri jasa transportasi yaitu taksi. Sebagai suatu perusahaan swasta tentu saja KOSTI (Koperasi Sopir Taksi Indonesia) hadir untuk mendapatkan keuntungan sekaligus memberikan pelayanan yang memuaskan bagi konsumen. Akan tetapi bukan hanya KOSTI (Koperasi Sopir Taksi Indonesia) sendiri yang bergerak di bidang jasa transportasi taksi ini sehingga hal ini menimbulkan persaingan antar perusahaan yang bergerak di bidang ini.
Berikut ini akan disajikan tabel yang berisi perusahaan-perusaahaan yang bergerak di bidang jasa transportasi taksi di Semarang:
Tabel 1.1 Perusahaan Taksi Di Semarang
Nama Perusahaan Alamat
Puri Kencana Rogojembangan Raya No 68
New Atlas Telogo Bodas No.1
Kosti Semarang Pamularsih Raya No 15
Satria Express Perdana Bumi Rejo 11 No 9 Centries Multi Persada Majapahit No. 583
Pandu Persada Sarana Mukti Kaligawe Km 4/46 Semarang Blue bird Pusaka Brigjen Sufiarto No.492 Sumber : Dinas Perhubungan Kota Semarang 2009 [1].
Dapat dilihat pada tabel diatas bahwa sangat banyak perusahaan yang bergerak dibidang jasa transportasi taksi ini dan jumlahnya terus bertambah. Sekarang ini tercatat sampai tahun 2015 Kosti Semarang memiliki anggota 633 orang. Kosti berdiri sejak tahun 1998, dengan memberikan pelayanan-pelayanan yang baik maka kosti dapat bertahan hingga sekarang [4].
Namun perkembangan dunia usaha yang semakin pesat ini menyebabkan perusahaan harus menghadapi persaingan yang ketat. Perusahaan pada umumnya menginginkan pelanggan yang dimilikinya dapat dipertahankan selama-lamanya. Untuk mewujudkan hal itu bukanlah sesuatu yang mudah diiklim persaingan usaha yang sangat ketat saat ini mengingat adanya perubahan-perubahan yang cepat dapat terjadi setiap saat seperti perubahan pada diri pelanggan, pesaing maupun perubahan kondisi secara luas yang selalu dinamis. Hal ini menuntut para pengambil kebijakan untuk mengembangkan suatu strategi yang mampu mancapai sasaran pertumbuhan penjualan, peningkatan porsi pasar perusahaan, serta pencapaian kemampuan sebagai dasar pertumbuhan berkelanjutan [3].
Sementara itu, Data mining adalah proses pengekstrakan informasi dari kumpulan data yang besar [5]. Pengekstrakan informasi dilakukan berdasarkan metode data mining yang akan digunakan. Ada beberapa metode serta algoritma data mining yang digunakan untuk mengekstrak informasi antara lain: metode klasifikasi, metode asosiasi, metode clustering, metode prediksi, dan metode estimasi.
Algoritma C4.5 adalah salah satu algoritma dari metode klasifikasi algoritma C4.5 adalah algoritma yang digunakan untuk membuat pohon keputusan. Pohon keputusan merupakan metode klasifikasi dan prediksi yang sangat kuat dan terkenal. Metode pohon keputusan mengubah fakta yang sangat besar menjadi pohon keputusan yang merepresentasikan aturan. Aturan dapat dengan mudah dipahami dengan bahasa alami.
Ibnu Fatchur Rohman [6] dalam penelitianya menggunakan algoritma C4.5 pada kepuasan pelanggan perum DAMRI menghasilkan akurasi sebesar 93%. Selanjutnya Teguh budi santoso [7] melakukan penelitian untuk prediksi loyalitas pelanggan dengan menggunakan algoritma C4.5 dan menunjukan bahwa diperoleh akurasi mencapai 97,5% yang menunjukan bahwa algoritma C4.5 cocok digunakan untuk mengukur tingkat loyalitas pelanggan.
David Hartanto Kamagi [8] melaporkan bahwa penelitianya menggunakan Algoritma C4.5 mendapatkan hasil yang bagus. Dari hasil uji coba terhadap 100 data, peneliti mendapatkan tingkat akurasi dari hasil prediksi kelulusan terhadap data testing sebesar 87.5%. Selanjutnya Anik Andriani [9] Penelitianya terhadap Klasifikasi mahasiswa Dropout menggunakan Algoritma C4.5 memperoleh hasil yang baik. Hasil evaluasi dan validasi dengan confussion matrix menunjukkan tingkat akurasi pada algoritma C4.5 sebesar 97,75%. Dan Dyah satiti [10] memperoleh hasil yang baik pada penelitian Analisis kepuasan konsumen terhadap restoran cepat saji melalui pendekatan data mining.
Untuk mengetahui apakah perusahaan telah memberikan kualitas jasa yang sesuai dengan harapan pelanggan, maka perlu dilakukan evaluasi dari sisi pelanggannya untuk mengetahui apakah pelanggan puas atau tidak puas dengan pelayanan yang di berikan. Oleh karena itu melihat permasalahan di atas maka dilakukan dengan penelitian dengan mengambil judul : “Implementasi Data Mining Menggunakan Algoritma C4.5 Untuk Prediksi Kepuasan Pelanggan Taksi Kosti”.
1.2. Identifikasi Masalah
Dari latar belakang diatas terdapat beberapa masalah yang timbul dan dapat di identifikasikan sebagai berikut :
1. Belum diketahuinya apakah pelanggan sudah puas atau belum dengan layanan yang diberikan oleh perusahaan Kosti
2. Perlu adanya pengolahan data melalui survey dengan mengajukan pertanyaan–pertanyaan dalam bentuk kuisioner yang melibatkan faktor–
faktor yang mempengaruhi kepuasan pelanggan untuk menyesuaikan pelayanan yang lebih baik hingga sesuai dengan yang diharapkan pelanggan.
1.3. Rumusan Masalah
Berdasarkan uraian latar belakang, penulis dapat merumuskan masalah sebagai berikut :
1. Bagaimana akurasi algoritma C4.5 untuk memprediksi kepuasan pelanggan pada taksi KOSTI?
2. Bagaimana cara menerapkan algortima C4.5 pada kepuasan pelanggan taksi KOSTI?
1.4. Batasan Masalah
Agar penyusunan tugas akhir ini tidak terlalu meluas dan keluar dari pokok permasalahan yang dirumuskan, penulis merasa perlu memberikan batasan permasalahan sebagai berikut:
1. Dataset yang penulis analisa ini difokuskan pada data kuisioner yang dibagikan kepada 200 responden pelanggan taksi KOSTI Semarang pada bulan Oktober – November 2015.
2. Dataset yang penulis analisa ini difokuskan untuk prediksi kepuasan pelanggan dengan parameter yang digunakan meliputi harga, fasilitas, pelayan dan loyalitas.
3. Pengembangan analisa ini akan dititik beratkan pada implementasi metode klasifikasi data mining dengan algoritma decision tree C4.5.
1.5. Tujuan Penelitian
Berdasarkan rumusan masalah diatas maka tujuan pada penelitian ini adalah sebagai berikut :
1. Mengetahui akurasi algoritma C4.5 untuk memprediksi kepuasan pelanggan pada taksi KOSTI.
1.6. Manfaat Penelitian 1.6.1 Untuk Akademik
Penelitian ini dapat memberikan informasi bagi peneliti atau calon peneliti lain untuk menerapkannya kedalam sistem yang lebih luas dan lebih kompleks atau sebagai bahan acuan yang dapat dikembangkan bagi kemungkinan pengembang konsep dan materi lebih lanjut serta dapat melengkapi referensi pustaka akademik
1.6.2 Untuk Perusahaan
Untuk mendapatkan pendukung keputusan bagi KOSTI Semarang untuk memperbaiki pelayanannya dalam mempertahankan pelanggan.
1.6.3 Untuk Penulis
Penulis dapat mengaplikasikan ilmu dan keterampilan yang diperoleh di perkuliahan Teknik Informatika, dan untuk memenuhi salah satu syarat kelulusan Strata Satu (S1) Teknik Informatika Universitas Dian Nuswantoro, serta menambah wawasan pengetahuan dan pengalaman mengenai dunia bisnis khususnya dalam kepuasan pelanggan atas pelayanan yang didapatkan.
1.7. Sistematika Penulisan
Adapun sistematika penulisan dari penelitian ini adalah : Bab I : Pendahuluan
Bab ini merupakan bagian pendahuluan yang berisi latar belakang masalah mengapa kepuasan pelanggan taksi KOSTI di kota semarang menjadi menarik untuk diteliti, identifikasi masalah, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian serta sistematika penulisan.
Bab II : Landasan Teori
Bab ini berisikan landasan teori yang menjadi dasar penelitian. Teori yang digunakan merupakan teori yang berpijak pada bidang data mining dengan menggunakan metode algoritma C4.5 dan beberapa penelitian terdahulu yang dijadikan acuan dalam melakukan
penelitian. Selain itu disusun juga kerangka pemikiran penulis tentang penelitian yang akan dilakukan.
Bab III : Metode Penelitian
Pada bab ini berisi deskripsi tentang bagaimana penelitian akan dilaksanakan dengan menggunakan metode algoritma C4.5, jenis dan sumber data, metode klasifikasi data, serta metode analisis.
Bab IV : Hasil Dan Analisis
Bab ini menjelaskan secara singkat keadaan KOSTI Semarang sebagai objek penelitian, kemudian menuju ke analisis dan klasifikasi data serta pembahasan hasil analisis dari penelitian ini.
Bab V : Penutup
Bab ini merupakan bab terakhir yang berisikan kesimpulan dan saran atas penelitian yang dilakukan berkaitan tentang kepuasan pelanggan di Kosti Semarang.
8
BAB II
TINJAUAN PUSTAKA DAN LANDASAN TEORI
2.1. Penelitian Terkait
Kualitas Jasa dan Pelayanan merupakan salah satu unsur yang sangat penting dalam menciptakan kepuasan konsumen. Salah satu cara untuk menempatkan hasil pelayanan yang lebih unggul daripada pesaing adalah dengan memberikan pelayanan yang baik, efisien, dan cepat [11]. Umumnya konsumen melihat dari suatu pelayanan yang diberikan oleh perusahaan kepada pelanggan. Jika pelayanan yang diberikan sangat memuaskan dan mencapai tingkat kepuasan konsumen, maka konsumen akan merasa puas akan jasa atau pelayanan tersebut. Semua pelayanan dan fasilitas yang diberikan harus disesuaikan dengan kebutuhan konsumen dan dievaluasi melalui opini atau presepsi konsumen. Opini atau presepsi konsumen merupakan suatu penilaian terhadap kelebihan atau kekurangan suatu jasa atau pelayanan.
Atas dasar presepsi konsumen yang merupakan suatu penilaian terhadap jasa atau pelayanan suatu perusahaan, maka perusahaan harus melakukan peningkatan kualitas pelayanan yang diharapkan akan semakin meningkatnya konsumen untuk menggunakan jasa atau layanan yang di tawarkan oleh suatu perusahaan yang diharapkan dapat memenuhi kebutuhan setiap konsumen sehingga konsumen dapat merasa puas.
Berdasarkan kualitas jasa dan kepuasan pelanggan yang saling berkaitan maka dilakukanlah penelitian ini dengan terlebih dahulu melakukan studi kepuasan pelanggan dari penelitian-penelitian sebelumnya dan sumber lain. Dari penelitian-penelitian sebelumnya penulis menemukan beberapa penelitian yang membahas tentang topik yang terkait dengan penelitian penulis, antara lain adalah algortima yang akan digunakan oleh penulis pada penelitian ini.
Penelitian pertama dilakukan oleh Ibnu Fatchur Rochman [6] yang membuat penelitian pada kepuasan pelanggan perum damri menggunkan algoritma C4.5. Dari hasil pengujian algortima C4.5 dalam memprediksi
kepuasan pelanggan perum DAMRI atas 90 sample data pelanggan yang diuji dalam penelitian ini, menunjukan bahwa algoritma C4.5 memiliki tingkat akurasi yang cukup tinggi yaitu sebesar 93%. Pada penelitian ini peneliti membuat kuisioner dengan jumlah yang telah di tentukan sejumlah 150 kuisioner yang selanjutnya kuisioner tersebut akan menjadi bahan acuan awal untuk menentukan jumlah puas dan tidak puas pada prosentasi kepuasan pelanggan Bus Perum DAMRI. Hasil dari perhitungan manual jumlah puas dan tidak puas pada kuisioner tersebut dimasukkan kedalam rumus algoritma C4.5.
Kuisioner di bagi dalam tiga kategori yang masing-masing kategori memiliki beberapa pertanyaan, kategori kuisioner yang diajukan oleh peneliti meliputi Harga, Pelayanan, dan Fasilitas.
Peneliti melakukan 3 kali pengujian terhadap data pelanggan dengan jumlah data testing dan data training yang berbeda yaitu :
a. Data training 40% dan data testing 60% b. Data training 60% dan data testing 40% c. Data training 80% dan data testing 20%
Setelah dilakukan penelitian dan percobaan sebanyak 3 kali, maka dapat disimpulkan sebagai berikut :
a. Dari percobaan yang telah dilakukan penulis sebanyak 3x, maka dapat di ketauhi bahwa percobaan 1, 2, dan 3 ini dapat dikatakan baik dan berhasil, karena sudah terlihat jelas bahwa nilai akurasi yang terus bertambah dan semakin akurat.
b. Algoritma C4.5 pada kepuasan pelanggan di Perum DAMRI dapat diterapkan dengan baik.
Penelitian kedua dilakukan oleh Teguh Budi Santoso [7] Penelitian ini meneliti tentang prediksi loyalitas pelanggan data seluler menggunakan metode klasifikasi dengan Algoritma C4.5 dan hasil klasifikasi menggunakan algortima C4.5 menunjukan bahwa diperoleh akurasi mencapai 97,5% yang menunjukan bahwa algoritma C4.5 cocok digunakan untuk mengukur tingkat loyalitas pelanggan data seluler. Data yang digunakan adalah data
primer dari penyebaran kuisioner berupa penyataan embentukan model prediksi menggunakan metode C4.5. pada algoritma C4.5 dilakukan perhitungan entropy dan information gain dimana atribut loyalitas pelanggan sebagai atribut tujuan, sedangkan harga, pelayanan, promosi, citra perusahaan, dan kepercayaan sebagai atribut sumber untuk memperoleh node akar dan node lainnya.
Tahap pertama peneliti melakukan perhitungan nilai entropy dan information gain terhadap 40 sample, pada tahap selanjutnya peneliti membagi data dari hasil yang diperoleh dari konsep algoritma C4.5 menjadi 2 bagian yaitu data testing dan data training. Berdasarkan analisa penggunaan data minning dengan algoritma C4.5 dapat digunakan pada data set pelanggan kedalam kegiatan manajemen strategi sehingga dapat menahan selama mungkin pelanggannya dengan baik.
Selanjutnya, Penelitian yang dilakukan oleh David Hartanto dan Seng Hansun [8] meneliti tentang Tingkat Kelulusan Mahasiswa yang akan di prediksi menggunakan Algorita C4.5. Peneliti menggunakan 100 data yang diperoleh dari department IT Universitas multimedia nusantara program studi Teknik Informatika.
Dari hasil uji coba terhadap 100 data peneliti mendapatkan tingkat akurasi dari hasil prediksi kelulusan terhadap data testing sebesar 87.5%. Peneliti menyimpulkan bahwa IPS semester 6 merupakan attribute yang paling berpengaruh dari keputusan yang ada. Berdasarkan penelitian ini terbukti bahwa datamining dengan Algoritma C4.5 dapat di Implementasikan untuk memprediksi tingkat kelulusan mahasiswa. Dan hasil prediksi kelulusan dapat membantu bagian program studi untuk mengetahui status kelulusan mahasiwa.
Penelitian keempat dilakukan oleh Anik Andriani [9] dari AMIK BSI Jakarta meneliti tentang mahasiswa yang dinyatakan layak untuk melanjutkan studi atau harus dinyatakan putus kuliah atau dropout (DO). Penelitian ini menggunakan metode klasifikasi dengan menggunakan Algoritma C4.5 Dalam proses Klasifikasi peneliti menggunakan beberapa atribut data antara lain nama, nim, jenis kelamin, Usia masuk, Asal daerah, Jurusan SLTA,
status orangtua, penghasilan Orangtua/wali, waktu kuliah, IPK Semester 1, Kehadiran semester 1, Status Beasiswa, Biaya Studi, status Bekerja., peneliti menguji data menggunakan confusion matrix dan kurva ROC
Hasil evaluasi dan validasi dengan confussion matrix menunjukkan tingkat akurasi pada algoritma C4.5 sebesar 97,75%. Hasil dari penelitian ini menunjukan nilai lebih dari 0,9 sehingga penelitian ini dapat dikategorika sebagai excellent classification.
Penelitian yang dilakukan oleh Dyah Satiti, Sucipto dan Shyntia Atica [10] tentang analisis preferensi konsumen waralaba makanan cepat saji dengan menggunakan pendekatan data mining di restoran x Surabaya. Suatu Restoran pastinya membutuhkan strategi pemasaran yang tepat dengan mengetahui preferensi konsumen sebagai upaya mempertahankan posisi di tengah persaingan restoran cepat saji. Maka Dyah satiti melakukan penelitian ini yang bertujuan untuk mengetahui urutan atribut-atribut, preferensi pelanggan berdasarkan segmen, dan segmen priorita restoran X di Surabaya.
Peneliti menggunakan pendekatan data mining menggunakan metode K-means cluster analysis untuk memperoleh segmen konsumen berdasar karakterpenilaian preferensi dan neural network backpropgataion untuk membuat model pengenalan pola preferensi konsumen. Penelitian ini menunjukkan Hasil lima atribut yang penting bagi konsumen yaitu :
a. lokasi yang strategis
b. suasana yang bersih dan rapi c. adanya areal parker
d. suasanya nyaman
e. serta rasa makanan yang lezat
Begitu juga ada tiga segmen konsumen yaitu : a. konsumen penyuka pelayanan yang ramah b. konsumen yang kritis dan,
c. konsumen penyuka suasana yang bersih dan nyaman.
Segmen prioritas restoran X adalah segmen ketiga (konsumen penyuka suasana yang bersih dan nyaman) dengan anggota terbanyak yakni 49,5%. Selain itu, segmen kedua (konsumen yang kritis) perlu dipertimbangkan
melihat anggotanya sebesar 45,5%. Dibutuhkan perbaikan kualitas kondisi restoran, menu makanan, pelayanan dan intensitas promosi untuk membidik dua segmen ini.
Tabel 2.1 Tabel Penelitian Terkait
No Penulis Topik Metode Variabel Hasil
1 Ibnu Fatchur Rochman Prediksi Kepuasan Pelanggan di perum DAMRI Algoritma C4.5 Harga Fasilitas Pelayanan
Dari hasil pengujian algortima C4.5 dalam memprediksi kepuasan pelanggan perum DAMRI atas 90
sample data pelanggan yang diuji dalam penelitian ini, menunjukan bahwa algoritma C4.5 memiliki tingkat akurasi yang cukup tinggi
yaitu sebesar 93%. 2 Teguh Budi Santoso Analisa dan prediksi Loyalitas pelanggan data seluler Algoritma C4.5 Usia Pelayanan Promosi Harga Citra Perusahaan Kepercayaan
hasil klasifikasi menggunakan algortima C4.5 menunjukan bahwa
diperoleh akurasi mencapai 97,5% yang menunjukan bahwa algoritma
C4.5 cocok digunakan untuk mengukur tingkat loyalitas
pelanggan data seluler. 3 David Hartanto kamagi dan Seng Hansun Implementasi data mining yang di implementasikan untuk memprediksi kelulusan mahasiswa Algoritma C4.5 IPS1,IPS2 IPS3,IPS4 IPS5,IPS6 Jumlah SKS Ketepatan Lulus
Dari hasil uji coba terhadap 100 data peneliti mendapatkan tingkat akurasi dari hasil prediksi kelulusan
terhadap data testing sebesar 87.5%. Peneliti menyimpulkan bahwa IPS semester 6 merupakan attribute yang paling berpengaruh
dari keputusan yang ada. 4 Anik Andriani Penerapan metode klasifikasi untuk mengklasifikasi Algoritma C4.5 Waktu Kuliah IPK Smt 1 Kehadiran Smt 1
Hasil evaluasi dan validasi dengan confussion matrix menunjukkan tingkat akurasi pada algoritma C4.5
mahasiswa dropout Status Orang tua Penghasilan Orang tua Beasiswa
penelitian ini menunjukan nilai lebih dari 0,9 sehingga penelitian
ini dapat dikategorika sebagai excellent classification. 5 Dyah Satiti, Sucipto, Shyntia Atica Putri Analisis preferensi konsumen waralaba terhadap makanan cepat saji K-Means Kondisi Restoran Menu makanan Jenis Pelayanan Bentuk Pemasaran
Terdapat 2 Segmen, Segmen prioritas restoran X adalah segmen ketiga (konsumen penyuka suasana yang bersih dan nyaman) dengan anggota terbanyak yakni 49,5%.
Selain itu, segmen kedua (konsumen yang kritis) perlu
dipertimbangkan melihat anggotanya sebesar 45,5%. Dibutuhkan perbaikan kualitas kondisi restoran, menu makanan, pelayanan dan intensitas promosi untuk membidik dua segmen ini.
2.2. Literatur yang Mendukung Penelitian
2.2.1 Kualitas Jasa dan Pelayanan
Pelayanan merupakan salah satu unsur yang sangat penting dalam menciptakan kepuasan konsumen. Agar harapan konsumen terpenuhi, perusahaan harus memberikan pelayanan yang berkualitas. Kualitas dapat diartikan sebagai pengukuran seberapa baik tingkat pelayanan yang diberikan dan sesuai dengan harapan konsumen, jadi dengan kata lain memberikan pelayanan berkualitas berarti menyesuaikan diri dengan harapan konsumen. Ini merupakan salah satu faktor keberhasilan dalam persaingan yang makin ketat. Pelayanan yang berkualitas adalah orientasi semua sumber daya manusia dalam suatu perusahaan terhadap kepuasan pelanggan [11].
Menurut Wirasasmita, Sitorus dan Manurung [11], definisi kualitas jasa adalah:
“Suatu sifat atau ciri yang membedakan nilai dari suatu barang atau jasa dengan nilai dari barang atau jasa yang lain yang sejenis”.
2.2.2 Kepuasan Konsumen
Kepuasan konsumen merupakan hal yang sangat penting dalam industri jasa. Karena dalam industri jasa, pelayanan yang dapat memuaskan konsumen akan memberikan imbalan yang menguntungkan, serta meningkatkan daya saing perusahaan.
Kotler [12] mendefinisikan kepuasan pelanggan adalah:
“Satisfaction is a person’s feelings of pleasure or disappointment resulting from comparing a product’s perceived performance (or outcome) in relation
to his or her expectations. “
Secara umum kepuasan konsumen dan ketidakpuasan konsumen merupakan hasil dari perbedaan antara harapan dengan kinerja yang dirasakan oleh konsumen, Atau dengan kata lain ada dua kemungkinan yang akan terjadi, yaitu:
1. Kinerja yang dirasakan konsumen lebih besar dari yang diharapkan, artinya konsumen merasa puas dengan kualitas pelayanan yang diberikan oleh perusahaan
2. Kinerja yang dirasakan konsumen lebih kecil dari yang diharapkan, artinya konsumen tidak puas dengan kualitas pelayanan yang diberikan perusahaan.
2.2.3 Loyalitas Pelanggan
Loyalitas pelanggan secara umum dapat diartikan kesetiaan seseorang atas suatu produk, baik barang maupun jasa tertentu. Istilah loyalitas pelanggan menurut Swastha [21] sebetulnya berasal dari loyalitas merek yang mencerminkan loyalitas pelanggan pada merek tertentu. Pelanggan yang setia pada merek tertentu cenderung terikat pada merek tersebut dan akan membeli produk yang sama lagi sekalipun tersedia banyak alternatif lainnya.
2.2.4 Variabel Kuisioner 1. Harga
Menurut Basu Swastha definisi dari harga adalah “sejumlah uang yang dibutuhkan untuk mendapat sejumlah kombinasi dari barang beserta pelayannya”[21].
2. Kualitas Pelayanan
Kualitas Pelayanan adalah seberapa jauh perbedaan antara kenyataan dan harapan pelanggan atas layanan yang mereka terima. Terdapat lima dimensi dalam kualitas pelayanan yaitu tangibles, reliability, responsiveness, assurance,dan empathy yaitu:
a. Berwujud (tangible)
Yaitu kemampuan suatu perusahaan dalam menunjukkan eksistensinya kepada pihak eksternal. Penampilan dan kemampuan sarana dan prasarana fisik perusahaan yang dapat diandalkan keadaan lingkungan sekitarnya merupakan bukti nyata dari layanan yang diberikan oleh para pemberi jasa. Hal ini meliputi fasilitas fisik (contoh : gedung, gudang dan lain-lain), perlengkapan dan peralatan yang digunakan (teknologi) serta penampilan pegawainya.
b. Keandalan (reliability)
Yaitu kemampuan perusahaan untuk memberikan layanan sesuai dengan dijanjikan secara akurat dan terpercaya. Kinerja harus sesuai dengan harapan pelanggan yang berarti ketepatan waktu, layanan yang sama untuk semua pelanggan tanpa kesalahan, sikap yang simpatik dan dengan akurasi yang tinggi.
c. Ketanggapan (responsiveness)
Yaitu suatu kebijakan untuk membantu dan memberikan layanan yang cepat (responsive) dan tepat kepada pelanggan dengan penyampaian informasi yang jelas. Membiarkan konsumen menunggu, persepsi yang negatif dalam kualitas layanan.
d. Jaminan dan kepastian (assurance)
Yaitu pengetahuan, kesopansantunan dan kemampuan para pegawai perusahaan untuk menumbuhkan rasa percaya para pelanggan kepada
perusahaan. Hal ini meliputi beberapa komponen anatara lain komunikasi (communication), kredibilitas (credibility), keamanan (security), kompetensi (competence) dan sopan santun (courtesy). e. Empati (empathy)
Yaitu memberikan perhatian yang tulus dan bersifat individual atau pribadi yang diberikan kepada para pelanggan dengan berupaya memahami keinginan konsumen. Dimana suatu perusahaan diharapkan memilki pengertian dan pengetahuan tentang pelanggan, memahami kebutuhan pelanggan secara spesifik, serta memiliki waktu pengoperasian yang nyaman bagi pelanggan.
3. Fasilitas
Menurut Kotler [12], mendefinisikan fasilitas yaitu segala sesuatu yang bersifat peralatan fisik dan disediakan oleh pihak penjual jasa untuk mendukung kenyamanan konsumen.
4. Loyalitas Konsumen a. Behaviour
Keinginan konsumen untuk menggunakan taksi KOSTI di masa yang akan datang (Repurchase Behaviour)
Kecenderungan niat konsumen untuk selalu menggunakan taksi KOSTI disaat ingin menggunakan jasa transportasi taksi (Repeat Purchase Intensions)
b. Attitude
Niat konsumen untuk merekomendasikan taksi KOSTI kepada orang lain (word of mouth)
Niat konsumen untuk mengatakan hal-hal positif tentang taksi KOSTI kepada orang lain
Niat konsumen untuk mendorong orang lain agar menggunakan taksi KOSTI
c. Cognitive
Kerelaan konsumen untuk tetap menggunakan taksi KOSTI walaupun harga untuk menggunakan taksi KOSTI lebih mahal (Willingness to pay more)
Komitmen dari konsumen bahwa harga bukanlah masalah yang penting, dan akan tetap lebih memilih taksi KOSTI (Preference)
Kecenderungan niat konsumen untuk selalu menggunakan taksi KOSTI dan tidak mau menggunakan taksi merk lain (choice reduction behavior)
Kecenderungan untuk menempatkan taksi KOSTI sebagai pilihan utama (first choice in mind)
2.2.5 Desain Kuesioner dan Skala Pengukuran
Untuk memperoleh data tentang variable perlu menggunakan kuesioner. Kuesioner adalah alat ukur yang terdiri dari sejumlah pertanyaan atau pernyataan tertulis yang harus dijawab atau diisi oleh responden [19].Ada tiga macam format dasar yang digunakan dalam kuesioner yaitu :
1. Close Ended Questions
Format ini berisi pertanyaan yang memberikan pilihan respon di dalam kuesioner.
2. Open Ended Questions
Format pertanyaan yang tidak memberikan pilihan respon kepada responden. Responden diminta untuk mengisi pertanyaan dengan kata-kata nya sendiri.
3. Scale Response Questions
Format ini menggunakan skala untuk mengukur respon konsumen atas pelayanan yang diberikan.
Dalam penelitian pengukuran perilaku reponden yang sifatnya subjektif tidak dapat diukur secara langsung karena menyangkut aspek mental, untuk itu digunakan skala. Skala tersebut akan menunjukkan hasil berupa angka yang diperoleh dari suatu proses pengukuran [20].
Ada 2 skala pengukuran yang dapat digunakan : 1. Skala Nominal
Skala yang paling sederhana dimana angka yang diberikan kepada suatu kategori lainnya, hanya berupa kode atau label
2. Skala Interval
Skala yang memiliki jarak yang tetap antar respon yang ditawarkan, biasanya 1 unit skala [19].
2.2.6 Data Mining
Data mining [13] adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar. Dalam data mining terdapat dua pendekatan metode pelatihan, yaitu [14]:
a. Unsupervised learning, metode ini diterapkan tanpa adanya latihan (training) dan tanpa ada guru (teacher). Guru di sini adalah label dari data.
b. Supervised learning, yaitu metode belajar dengan adanya latihan dan pelatih. Dalam pendekatan ini, untuk menemukan fungsi keputusan, fungsi pemisah atau fungsi regresi, digunakan beberapa contoh data yang mempunyai output atau label selama proses training.
Ada beberapa teknik yang dimiliki data mining berdasarkan tugas yang bisa dilakukan, setiap teknik memiliki algoritma masing-masing. Teknik dalam data mining terbagi menjadi enam kategori, yaitu [16] :
a. Deskripsi
Para peneliti biasanya mencoba menemukan cara untuk mendeskripsikan pola dan trend yang tersembunyi dalam data.
b. Estimasi
Estimasi mirip dengan klasifikasi, kecuali variabel tujuan yang lebih kearah numerik dari pada kategori.
c. Prediksi
Prediksi memiliki kemiripan dengan estimasi dan klasifikasi. Hanya saja, prediksi hasilnya menunjukkan sesuatu yang belum terjadi (mungkin terjadi dimasa depan).
d. Klasifikasi
Dalam klasifikasi variabel, tujuan bersifat kategorik. Misalnya, kita akan mengklasifikasikan pendapatan dalam tiga kelas, yaitu pendapatan tinggi, pendapatan sedang, dan pendapatan rendah.
e. Klastering
Clustering lebih ke arah pengelompokan record, pengamatan, atau kasusdalam kelas yang memiliki kemiripan.
f. Asosiasi
Mengidentifikasi hubungan antara berbagai peristiwa yang terjadi pada satu waktu.
2.2.6.1 Tahap-tahap Data Mining
Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi beberapa tahap. Tahap-tahap tersebut bersifat interaktif di mana pemakai terlibat langsung atau dengan perantaraan knowledge base [17].
Data Warehouse Processed data Transformed Pattern Knowledge data
Gambar 2.1 : Tahap – tahap data mining Tahap-tahap data mining yaitu :
1. Pembersihan data (data cleaning)
Pembersihan data merupakan proses menghilangkan noise dan data yang tidak konsisten atau data tidak relevan. Pada umumnya data yang diperoleh, baik dari database suatu perusahaan maupun hasil eksperimen, memiliki isian-isian yang tidak sempurna seperti data yang hilang, data yang tidak valid atau juga hanya sekedar salah ketik.Selain itu, ada juga atribut-atribut data yang tidak relevan dengan hipotesa data mining yang dimiliki. Data-data yang tidak relevan itu juga lebih baik dibuang. Pembersihan data Selection
Processing
Transformation
Data mining
juga akan mempengaruhi performasi dari teknik data mining karena data yang ditangani akan berkurang jumlah dan kompleksitasnya.
2. Integrasi data (data integration)
Integrasi data merupakan penggabungan data dari berbagai database ke dalam satu database baru. Tidak jarang data yang diperlukan untuk data mining tidak hanya berasal dari satu database tetapi juga berasal dari beberapa database atau file teks. Integrasi data dilakukan pada atribut-aribut yang mengidentifikasikan entitas-entitas yang unik seperti atribut nama, jenis produk, nomor pelanggan dan lainnya. Integrasi data perlu dilakukan secara cermat karena kesalahan pada integrasi data bisa menghasilkan hasil yang menyimpang dan bahkan menyesatkan pengambilan aksi nantinya. Sebgai contoh bila integrasi data berdasarkan jenis produk ternyata menggabungkan produk dari kategori yang berbeda maka akan didapatkan korelasi antar produk yang sebenarnya tidak ada. Dalam integrasi data ini juga perlu dilakukan transformasi dan pembersihan data karena seringkali data dari dua database berbeda tidak sama cara penulisannya atau bahkan data yang ada di satu database ternyata tidak ada di database lainnya.
3. Seleksi Data (Data Selection)
Data yang ada pada database sering kali tidak semuanya dipakai, oleh karena itu hanya data yang sesuai untuk dianalisis yang akan diambil dari database. Sebagai contoh, sebuah kasus yang meneliti faktor kecenderungan orang membeli dalam kasus market basket analysis, tidak perlu mengambil nama pelanggan, cukup dengan id pelanggan saja.
4. Transformasi data (Data Transformation)
Beberapa teknik data mining membutuhkan format data yang khusus sebelum bisa diaplikasikan. Data diubah atau digabung ke dalam format yang sesuai untuk diproses dalam data mining. Beberapa metode data mining membutuhkan format data yang khusus sebelum bisa diaplikasikan. Sebagai contoh beberapa metode standar seperti analisis asosiasi dan clustering hanya bisa menerima input data kategorikal. Karenanya data berupa angka numerik yang berlanjut perlu dibagi-bagi menjadi beberapa interval. Proses ini sering
disebut transformasi data.Transformasi dan pemilihan data ini juga menentukan kualitas dari hasil data mining nantinya karena ada beberapa karakteristik dari teknik-teknik data mining tertentu yang tergantung pada tahapan ini
5. Proses mining
Merupakan suatu proses utama saat metode diterapkan untuk menemukan pengetahuan berharga dan tersembunyi dari data.
6. Evaluasi pola (pattern evaluation)
Untuk mengidentifikasi pola-pola menarik kedalam knowledge based yang ditemukan. Dalam tahap ini hasil dari teknik data mining berupa pola-pola yang khas maupun model prediksi dievaluasi untuk menilai apakah hipotesa yang ada memang tercapai. Bila ternyata hasil yang diperoleh tidak sesuai hipotesa ada beberapa alternatif yang dapat diambil seperti menjadikannya umpan balik untuk memperbaiki proses data mining, mencoba metode data mining lain yang lebih sesuai, atau menerima hasil ini sebagai suatu hasil yang di luar dugaan yang mungkin bermanfaat.
7. Presentasi pengetahuan (knowledge presentation)
Tahap terakhir dari proses data mining adalah bagaimana memformulasikan keputusan atau aksi dari hasil analisis yang didapat. Visualisasi dan penyajian pengetahuan mengenai metode yang digunakan untuk memperoleh pengetahuan yang diperoleh pengguna.Ada kalanya hal ini harus melibatkan orang-orang yang tidak memahami data mining. Karenanya presentasi hasil data mining dalam bentuk pengetahuan yang bisa dipahami semua orang adalah satu tahapan yang diperlukan dalam proses data mining. Dalam presentasi ini, visualisasi juga bisa membantu mengkomunikasikan hasil data mining.
2.2.7 CRISP-DM
CRISP-DM (Cross-Industry Standard Process for Data Mining) merupakan suatu konsorsium perusahaan yang didirikan oleh Komisi Eropa pada tahun 1996 dan telah ditetapkan sebagai proses standar dalam data mining yang dapat diaplikasikan di berbagai sektor industri. Gambar 2.2
menjelaskan tentang siklus hidup pengembangan data mining yang telah ditetapkan dalam CRISP-DM.
Gambar 2.2 : gambar siklus CRISP-DM
Berikut ini adalah enam tahap siklus hidup pengembangan data mining [16]: 1. Business Understanding
Tahap pertama adalah memahami tujuan dan kebutuhan dari sudut pandang bisnis, kemudian menterjemakan pengetahuan ini ke dalam pendefinisian masalah dalam data mining. Selanjutnya akan ditentukan rencana dan strategi untuk mencapai tujuan tersebut.
2. Data Understanding
Tahap ini dimulai dengan pengumpulan data yang kemudian akan dilanjutkan dengan proses untuk mendapatkan pemahaman yang mendalam tentang data, mengidentifikasi masalah kualitas data, atau untuk mendeteksi adanya bagian yang menarik dari data yang dapat digunakan untuk hipotesa untuk informasi yang tersembunyi.
3. Data Preparation
Tahap ini meliputi semua kegiatan untuk membangun dataset akhir (data yang akan diproses pada tahap pemodelan/modeling) dari data mentah. Tahap ini dapat diulang beberapa kali. Pada tahap ini juga mencakup pemilihan tabel, record, dan atribut-atribut data, termasuk proses
Business Understanding Data Understanding Data Preparation Modeling Evaluation Deployment
pembersihan dan transformasi data untuk kemudian dijadikan masukan dalam tahap pemodelan (modeling).
4. Modeling
Dalam tahap ini akan dilakukan pemilihan dan penerapan berbagai teknik pemodelan dan beberapa parameternya akan disesuaikan untuk mendapatkan nilai yang optimal. Secara khusus, ada beberapa teknik berbeda yang dapat diterapkan untuk masalah data mining yang sama. Di pihak lain ada teknik pemodelan yang membutuhan format data khusus. Sehingga pada tahap ini masih memungkinan kembali ke tahap sebelumnya.
5. Evaluation
Pada tahap ini, model sudah terbentuk dan diharapkan memiliki kualitas baik jika dilihat dari sudut pandang analisa data. Pada tahap ini akan dilakukan evaluasi terhadap keefektifan dan kualitas model sebelum digunakan dan menentukan apakah model dapat mencapat tujuan yang ditetapkan pada fase awal (Business Understanding). Kunci dari tahap ini adalah menentukan apakah ada masalah bisnis yang belum dipertimbangkan. Di akhir dari tahap ini harus ditentukan penggunaan hasil proses data mining. 6. Deployment
Pada tahap ini, pengetahuan atau informasi yang telah diperoleh akan diatur dan dipresentasikan dalam bentuk khusus sehingga dapat digunakan oleh pengguna. Tahap deployment dapat berupa pembuatan laporan sederhana atau mengimplementasikan proses data mining yang berulang dalam perusahaan. Dalam banyak kasus, tahap deployment melibatkan konsumen, di samping analis data, karena sangat penting bagi konsumen untuk memahami tindakan apa yang harus dilakukan untuk menggunakan model yang telah dibuat.
2.2.8 Klasifikasi
Data Mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat dilakukan, yaitu : Deskripsi, Estimasi, Prediksi, Klasifikasi, Pengklusteran, dan Asosiasi.
Klasifikasi merupakan bagian dari algoritma data mining, klasifikasi ini adalah algoritma yang menggunakan data dengan target (class/label) yang berupa nilai kategorikal/nominal. Menurut Gorunescu [15] proses klasifikasi didasarkan pada empat komponen mendasar, yaitu:
1. Kelas (Class)
Variabel dependen dari model, merupakan variabel kategorikal yang merepresentasikan “label” pada objek setelah klasifikasinya. Contoh kelas semacam ini adalah: adanya kelas penyakit jantung, loyalitas pelanggan, kelas bintang (galaksi), kelas gempa bumi (badai), dll.
2. Prediktor (Predictor)
Variabel independen dari model, direpresentasikan oleh karakteristik (atribut) dari data yang akan diklasifikasikan dan berdasarkan klasifikasi yang telah dibuat. Contoh prediktor tersebut adalah : merokok, konsumsi alkohol, tekanan darah, frekuensi pembelian, status perkawinan, karakteristik (satelit) gambar, catatan geologi yang spesifik, kecepatan dan arah angin, musim , lokasi terjadinya fenomena , dll.
3. Pelatihan dataset (Training dataset)
Kumpulan data yang berisi nilai-nilai dari kedua komponen sebelumnya dan digunakan untuk melatih model dalam mengenali kelas yang cocok/sesuai, berdasarkan prediktor yang tersedia. Contoh set tersebut adalah: kelompok pasien yang diuji pada serangan jantung, kelompok pelanggan supermarket (diselidiki oleh intern dengan jajak pendapat), database yang berisi gambar untuk monitoring teleskopik dan pelacakan objek astronomi, database badai, database penelitian gempa.
4. Dataset Pengujian (Testing Dataset)
Berisi data baru yang akan diklasifikasikan oleh (classifier) model yang telah dibangun di atas sehingga akurasi klasifikasi (model performance) dapat dievaluasi.
Berikut beberapa model (metode) klasifikasi yang paling popular [15] : 1. Decision/classification trees;
2. Bayesian classifiers/Naive Bayes classifiers; 3. Neural networks;
4. Statistical analysis; 5. Genetic algorithms; 6. Rough sets;
7. k-nearest neighbor classifier; 8. Rule-based methods;
9. Memory based reasoning; 10. Support vector machines. 2.2.9 Decision Tree Algoritma C4.5
Pohon keputusan adalah salah satu metode klasifikasi yang kuat dan terkenal. Metode Decision Tree mengubah fakta besar menjadi pohon keputusan yang mewakili aturan, sehingga aturan tersebut dapat dengan mudah dipahami oleh manusia. Decision Tree juga berfungsi untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah variabel input dan variabel tujuan [14].
Model pohon keputusan terdiri dari satu set keputusan untuk membagi sejumlah populasi yang besar menjadi satu aturan yang kecil dengan memperhatikan target berupa objek. Objek target biasanya diklasifikasikan dan model pohon keputusan lebih fokus pada perhitungan probabilitas dari setiap record data dari beberapa kategori atau untuk mengklasifikasikan tiap record berdasarkan kelompok menjadi suatu kelas. Sebuah keputusan dapat dibangun dengan menerapkan salah satu algoritma Decision tree untuk memodelkan sekelompok data yang belum terklasifikasi. Konsep dari Decision tree adalah mengubah data menjadi pohon keputusan dan aturan keputusan.
Gambar 2.3 : Konsep Decision Tree
Dalam pohon keputusan sangat berhubungan dengan algoritma C4.5, karena dasar algoritma C4.5 adalah pohon keputusan. Algoritma data mining C4.5 merupakan salah satu algoritma yang digunakan untuk melakukan klasifikasi atau segmentasi atau pengelompokan yang bersifat prediktif. Cabang-cabang pohon keputusan merupakan pertanyaan klasifikasi dan daun-daunnya merupakan kelas-kelas atau segmen-segmennya.
Gambar 2.4 : Contoh Pohon Keputusan
Algoritma C4.5 merupakan salah satu algoritma machine learning. Dengan algoritma ini, mesin (komputer) akan diberikan sekelompok data untuk dipelajari yang disebut learning dataset. Kemudian hasil dari pembelajaran selanjutnya akan digunakan untuk mengolah data-data yang baru yang disebut test dataset. Karena algoritma C4.5 digunakan untuk melakukan klasifikasi, jadi hasil dari pengolahan test dataset berupa pengelompokkan data ke dalam kelas-kelasnya Umumnya, langkah-langkah algoritma C4.5 yang digunakan untuk membentuk pohon keputusan adalah [17].
a. Pilih atribut sebagai root. b. Buat cabang untuk setiap nilai.
Layak IPK Ada Tidak Ada Tinggi Cukup Rendah Tidak Layak Layak Penghasilan Orang Tua Layak Tidak Layak Tinggi Rendah Piagam Penghargaan
c. Bagi tiap cabang kedalam kelas.
d. Ulangi proses untuk setiap cabang sampai semua kasus pada tiap cabang memiliki kelas yang sama.
Untuk memilih atribut sebagai root, didasarkan pada nilai gain tertinggi dari atribut yang tersedia.Sementara itu, untuk mendapat nilai gain tertinggi kita harus menghitung nilai entropy dari semua nilai didalam atribut.Entropy berperan sebagai parameter untuk mengukur varian dari data sampel. Setelah nilai entropy dalam data sampel diketahui, atribut yang paling berpengaruh akan menjadi pengukur dalam pengklasifikasian data, ukuran ini disebut sebagai Information gain.
Rumus menghitung entropy pada algoritma C4.5
Entropi (S) = 2 1
*log
k ipi
pi
Keterangan : S adalah Himpunan (dataset) kasus
k adalah banyaknya partisi S
Pi adalah probabilitaas yang didapat dari Sum (Ya) atau Sum (Tidak) dibagi total kasus
Setelah mendapatkan entropi dari keseluruhan kasus, lakukan analisis pada setiap atribut dan nilai-nilainya dan hitung entropinya. Langkah berikutnya yaitu dengan menghitung Gain, rumus daripada Gain adalah sebagai berikut:
Gain (A) = Entropi (S) -
1
|
|
( )
|
|
i i k iS
xEntropi S
S
2.2.10 Confusion MatrixConfusion Matrix adalah tool yang digunakan untuk evaluasi model klasifikasi untuk memperkirakan objek yang benar atau salah. Sebuah matrix dari prediksi yang akan dibandingkan dengan kelas yang asli dari inputan atau dengan kata lain berisi informasi nilai actual dan prediksi pada klasifikasi [17].
Tabel 2.2 : Confusion Matrix 2 kelas Classification Predicted class
Class = Yes Class = No
Class=Yes a (true positive-TP) b (false negative-FN) Class=No c (false positive-FP) d (true negative-TN)
vRumus untuk menghitung tingkat akurasi pada matriks adalah:
Akurasi = TP TN a d
TP FP TN FN a b c d
x 100%
2.3 Rapid Miner
Rapid Miner merupakan perangakat lunak yang bersifat terbuka (open source). Rapid Miner adalah sebuah solusi untuk melakukan analisis terhadap data mining, text mining dan analisis prediksi. Rapid Miner menggunakan berbagai teknik deskriptif dan prediksi dalam memberikan wawasan kepada pengguna sehingga dapat membuat keputusan yang paling baik. Rapid Miner memiliki kurang lebih 500 operator data mining, termasuk operator untuk input, output, data preprocessing dan visualisasi. Rapid Miner merupakan software yang berdiri sendiri untuk analisis data dan sebagai mesin data mining yang dapat diintegrasikan pada produknya sendiri. Rapid Miner ditulis dengan munggunakan bahasa java sehingga dapat bekerja di semua sistem operasi.
Rapid Miner sebelumnya bernama YALE (Yet Another Learning Environment), dimana versi awalnya mulai dikembangkan pada tahun 2001 oleh RalfKlinkenberg, Ingo Mierswa, dan Simon Fischer di Artificial Intelligence Unit dari University of Dortmund. Rapid Miner didistribusikan di bawah lisensi AGPL (GNU Affero General Public License) versi 3. Hingga saat ini telah ribuan aplikasi yang dikembangkan mengunakan Rapid Miner di lebih dari 40 negara. Rapid Miner sebagai software open source
untuk data mining tidak perlu diragukan lagi karena software ini sudah terkemuka di dunia. Rapid Miner menempati peringkat pertama sebagai Software data mining pada polling oleh KDnuggets, sebuah portal data-mining pada 2010-2011.
Rapid Miner menyediakan GUI (Graphic User Interface) untuk merancang sebuah pipeline analitis. GUI ini akan menghasilkan file XML (Extensible Markup Language) yang mendefenisikan proses analitis keingginan pengguna untuk diterpkan ke data. File ini kemudian dibaca oleh Rapid Miner untuk menjalankan analis secara otomatis.
Rapid Miner memiliki beberapa sifat sebagai berikut:
a. Ditulis dengan bahasa pemrograman Java sehingga dapat dijalankan di berbagai sistem operasi.
b. Proses penemuan pengetahuan dimodelkan sebagai operator trees.
c. Representasi XML internal untuk memastikan format standar pertukaran data.
d. Bahasa scripting memungkinkan untuk eksperimen skala besar dan otomatisasi eksperimen.
e. Konsep multi-layer untuk menjamin tampilan data yang efisien dan menjamin penanganan data.
f. Memiliki GUI, command line mode, dan Java API yang dapat dipanggil dari program lain.
Beberapa Fitur dari Rapid Miner, antara lain:
a. Banyaknya algoritma data mining, seperti decision tree dan self-organization map.
b. Bentuk grafis yang canggih, seperti tumpang tindih diagram histogram, tree chart dan 3D Scatter plots.
c. Banyaknya variasi plugin, seperti text plugin untuk melakukan analisis teks.
d. Menyediakan prosedur data mining dan machine learning termasuk: ETL (extraction, transformation, loading), data preprocessing, visualisasi, modelling dan evaluasi
e. Proses data mining tersusun atas operator-operator yang nestable, dideskripsikan dengan XML, dan dibuat dengan GUI
f. Mengintegrasikan proyek data mining Weka dan statistika R [14].
2.4 Java
Java adalah suatu teknologi di dunia software komputer, yang merupakan suatu bahasa pemrograman sekaligus suatu platform. Sebagai bahasa pemrograman, Java dikenal sebagai bahasa pemrograman tingkat tinggi yang berorientasi objek. Sebagai bahasa pemrograman Java dirancang agar dapat dijalankan di semua platform.
Java diciptakan oleh suatu tim yang dipimpin oleh Patrick Naughton dan James Gosling dalam suatu proyek dari Sun Microsystem yang memiliki kode Green dengan tujuan untuk menghasilkan bahasa komputer sederhana yang dapat dijalankan di peralatan sederhana dengan tidak terikat pada arsitektur tertentu.
Program yang ditulis menggunakan Java berjalan pada suatu Virtual Machine dengan nama Java Runtime Environment (JRE).
Pada Java, terdapat lima fase pada pembuatan dan eksekusi program. Fase pertama yaitu editing kode sumber (source code) Java menjadi file *.java pada penyimpanan sekunder (HDD). Fase kedua yaitu kompilasi source code *.java menjadi file dengan ekstensi *.class. Setelah terbentuk file dengan ekstensi *.class, dilakukan class loading pada fase ketiga kedalam memori primer (RAM) untuk dilakukan cek error sebelum dieksekusi. Setelah file *.class diload pada RAM, dilakukan bytecode verification pada fase empat. Setelah bytecode diverifikasi kemudian dieksekusi pada Java Virtual Machine (JVM) agar dapat digunakan oleh user [14].
2.5 Netbeans Integrated Development Environment (IDE)
Netbeans adalah sebuah integrated development environment (IDE) untuk pengembangan terutama dengan java, tetapi netbeans juga support bahasa pemrograman lain seperti di php tertentu, C/C++, dan html 5. Netbeans juga merupakan aplikasi platform framework untuk aplikasi desktop Java dan lainnya [15]. Beberapa karakteristik dari Netbeans IDE :
a. User Interface Framework b. Data Editor c. Customization Display d. Wizard Framework e. Data Systems f. Internationalization g. Help System
Fitur yang ditawarkan oleh Netbeans dapat dikostumisasi oleh pemrogram dengan mudah dan cepat dalam membangun software.
2.6 Kerangka Pemikiran
Penulis perlu membuat gambaran singkat sebagai alur penyusunan laporan ini dengan kerangka pemikiran sebagai berikut:
Gambar 2.6: kerangka pemikiran Masalah
Bagaimana Akurasi dan penerapan algortima C4.5 pada kepuasan pelanggan taksi KOSTI Semarang.
Studi Pustaka
Buku dan jurnal tentang data mining, Algoritma C4.5 dan kepuasan pelanggan taksi.
Metode Algoritma C4.5
Penerapan
Data kuisioner pelanggan taksi KOSTI
Pengembangan
Hasil Pengujian
Tools RapidMiner & Java
Cross Validation
Akurasi dan Penerapan Algoritma C4.5 terhadap kepuasan pelanggan
33
BAB III
METODOLOGI PENELITIAN
3.1 Instrumen Penelitian
Instrumen penelitian ini diperlukan agar penelitian dapat berjalan dengan lancar dan baik. Instrumen tersebut terdiri dari perangkat keras dan perangkat lunak.
3.1.1 Kebutuhan Perangkat Lunak
Perangkat lunak yang digunakan dalam penelitian ini antara lain : 1. Microsoft Windows 8 sebagai OS notebook.
2. Microsoft Excel 2013 sebagai media penulisan datashet.
3. RapidMiner, framework yang akan digunakan untuk melihat hasil akurasi dari algoritma yang digunakan terhadap datashet yang sedang diteliti.
4. NetBeans IDE 7.4, digunakan untuk membuat program dengan rule yang di dapat dari pengolahan data.
3.1.2 Kebutuhan Perangkat Keras (Hardware)
Selain kebutuhan perangkat lunak, juga dibutuhkan perangkat keras yang digunakan dalam penelitian ini, Notebook dengan spesifikasi :
- Prosesor intel(R) Celeron(R) 1.10 GHz - 64-bit Operating System
- RAM 4GB - 150GB HDD
3.1.3 Desain Kuesioner dan Skala Pengukuran
Untuk memperoleh data tentang variable dalam penelitian ini digunakan instrumen penelitian berupa kuesioner. Kuesioner adalah alat ukur yang terdiri dari sejumlah pertanyaan atau pernyataan tertulis yang harus dijawab atau diisi oleh responden, Kuesioner pada penelitian ini di ambil dari penelitian yang dilakukan oleh Deddy Setyawan Wicaksono [1] yang berjudul “analisis kepuasan pengguna jasa transportasi taksi untuk meningkatkan loyalitas [ studi pada pt. blue bird pusaka di semarang]” Variable Kuisioner terdiri dari :
1. Harga
Bagaimanakah Harga atau tarif yang diberikan Taksi KOSTI kepada Pelanggan.
2. Fasilitas
Apakah Fasilitas yang diberikan sudah sesuai dengan apa yang diharapkan oleh pelanggan taksi KOSTI.
3. Pelayanan
Apakah Pelayanan yag diberikan oleh perusahaan taksi KOSTI/ sopir Taksi Kosti sudah sesuai dengan harapan pelanggan taksi KOSTI.
4. Loyalitas
Seberapa Loyalkah pelanggan taksi KOSTI terhadap taksi KOSTI. Dalam penelitian pengukuran perilaku reponden yang sifatnya subjektif tidak dapat diukur secara langsung karena menyangkut aspek mental, untuk itu digunakan skala. Skala tersebut akan menunjukkan hasil berupa angka yang diperoleh dari suatu proses pengukuran [20].
Ada 2 skala pengukuran yang dapat digunakan : 1. Skala Nominal
Skala yang paling sederhana dimana angka yang diberikan kepada suatu kategori lainnya, hanya berupa kode atau label
