Analisis Prediksi Keterlambatan Pembayaran Listrik Menggunakan Komparasi Metode Klasifikasi Decision Tree dan Support Vector Machine

(1)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 1, Februari 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i1.3833 Hal 102−108 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom

Analisis Prediksi Keterlambatan Pembayaran Listrik Menggunakan Komparasi Metode Klasifikasi Decision Tree dan

Support Vector Machine

Dinda Nabila Batubara^*, Agus Perdana Windarto, Eka Irawan STIKOM Tunas Bangsa, Pematangsiantar

Jalan Kartini, Proklamasi, Kota Pematang Siantar, Sumatera Utara, Indonesia Email: ^1,*dindanabilabatubara@gmail.com, ²agus.perdana@amiktunasbangsa.ac.id

Email Penulis Korespondensi: dindanabilabatubara@gmail.com Submitted 16-02-2022; Accepted 25-02-2022; Published 25-02-2022

Abstrak

Energi listrik merupakan salah satu energi yang paling dibutuhkan saat ini. Pada zaman yang serba modern ini, hampir seluruh kegiatan manusia tidak lepas dari penggunaan listrik. Perusahaan penyedia tenaga kelistrikan satu-satunya di Indonesia adalah Perusahaan Listrik Negara atau PT. PLN (Persero). PLN Juga memiliki beberapa kendala dan hambatan. Salah satunya adalah jumlah tunggakan yang sangat besar terhadap pelanggan. Hal ini menyebabkan kerugian yang cukup besar bagi PLN. Loket pembayaran listrik juga mengalami hal yang sama seperti yang dirasakan oleh PLN, seperti pada PT Jaya Nuhgra Pratama. Untuk itu dilakukan penelitian ini dengan membandingkan dua metode dalam klasifikasi yaitu decision Tree dan Support Vector Machine untuk mengetahui metode mana yang paling baik dalam menyelesaikan permasalahan dan mengetahui factor yang menjadi penyebab utama terjadinya keterlambatan pembayaran listrik.

Kata Kunci: Listrik, Keterlambatan, Decision Tree, Support Vector Machine Abstract

Electrical energy is one of the most needed energy today. In this modern era, almost all human activities cannot be separated from the use of electricity. The only electricity supply company in Indonesia is the State Electricity Company or PT. PLN (Persero). PLN also has several obstacles. One of them is the very large amount of arrears to customers. This causes considerable losses for PLN. The electricity payment counter also experienced the same thing as experienced by PLN, as at PT Jaya Nuhgra Pratama. For this reason, this research was conducted by comparing two methods in the classification, namely decision tree and support vector machine to find out which method is the best in solving problems and to find out the factors that are the main causes of delays in electricity payments.

Keywords: Electricity; Delay; Decision Tree; Support Vector Machine

1. PENDAHULUAN

Energi listrik merupakan salah satu energi yang paling dibutuhkan saat ini. Pada zaman yang serba modern ini, hampir seluruh kegiatan manusia tidak lepas dari penggunaan listrik. Perusahaan penyedia tenaga kelistrikan satu-satunya di Indonesia adalah perusahaan Listrik Negara atau PT. PLN (Persero). Berdasakan data dari website resmi yang dikelola oleh PT. PLN (Persero) (https://web.pln.co.id/) Jumlah energi listrik terjual pada tahun 2019 sebesar 245.518,17 GWh meningkat 4,65% dibandingkan tahun sebelumnya. Selaku Badan Usaha Milik Negara (BUMN), PLN dituntut untuk melaksanakan kegiatan usahanya dengan sebaik-baiknya dalam menghasilkan produk yang berkualitas, strategi pemasaran yang baik, dan memberikan pelayanan terbaik terhadap pelanggan dalam meningkatkan penjualannya, agar mampu berdaya saing dengan perusahaan lainnya serta bebas subsidi pemerintah dengan beban atau kerugian yang dialami [1] . Namun selayaknya perusahaan, PLN Juga memiliki beberapa kendala dan hambatan. Salah satunya adalah jumlah tunggakan yang sangat besar terhadap pelanggan. Hal ini menyebabkan kerugian yang cukup besar bagi PLN.

Loket pembayaran listrik juga mengalami hal yang sama seperti yang dirasakan oleh PLN, seperti pada PT Jaya Nuhgra Pratama. Tunggakan yang cukup besar ini terjadi dikarenakan tingkat kesadaran masyarakat yang rendah dalam membayar tagihan listrik tepat waktu. Berdasarkan masalah yang telah dipaparkan dilakukan penelitian untuk menganalisa faktor penyebab keterlambatan pembayaran listrik sebagai bahan pertimbangan perusahaan dalam mengatasi keterlambatan pembayaran.

Banyak cabang ilmu komputer yang dapat menyelesaikan permasalahan tersebut. Salah satunya adalah teknik data mining. Terdapat beberapa tenik dalam data mining, salah satu diantaranya adalah teknik klasifikasi. Cara kerja teknik klasifikasi yaitu menentukan sebuah record data baru ke salah satu dari beberapa kategori (kelas) yang telah didefinisikan [2] . Pada penelitian sebelumnya, penelitian dengan membandingkan antara dua metode yang terdapat dalam data mining klasifikasi sudah pernah diteliti seperti yang dilakukan oleh [3] dalam melakukan prediksi tingkat ketepatan pembiayaan, dengan menggunakan pemodelan metode Naïve Bayes Classifier dan Decision Tree (C4.5) disimpulkan berdasarkan tingkat akurasi, bahwa pemodelan metode Decision Tree (C4.5) lebih baik dalam melakukan prediksi pembiayaan dan memperoleh tingkat akurasi sebesar 56% sedangkan Naïve Bayes Classifier memiliki tingkat akurasi sebasar 50%. Pada penelitian yang dilakukan oleh [4] dalam mengklasifikasi jalur minat siswa disimpulkan bahwa tingkat performansi yang diukur dengan algoritma SVM memiliki nilai akurasi sebesar 96,88% sedangkan tingkat performansi dengan algoritma Naïve Bayes Classifier memiliki nilai akurasi yang lebih rendah yaitu sebesar 88,87% . Berdasarkan yang telah dipaparkan maka dalam penelitian ini digunakan 2 metode klasifikasi yaitu Decision Tree (C4.5) dan Support Vector Machine (SVM) tujuannya untuk membandikan metode yang lebih baik dan akurat dalam menyelesaikan permasalahan yang telah

(2)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 1, Februari 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i1.3833 Hal 102−108 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom dipaparkan. Dari kedua metode tersebut dikaji metode mana yang paling baik dalam memprediksi faktor atau melihat faktor utama yang menjadi penyebab keterlambatan pembayaran listrik. Hasil penelitian diharapkan dapat menjadi menjadi bahan pertimbangan dan bahan penilaian pihak yang bersangkutan untuk mengambil tindakan dalam upaya meningkatkan kesadaran masyarakat dalam membayar tagihan listrik secara tepat waktu.

2. METODOLOGI PENELITIAN

2.1 Teknik Pengumpulan Data

Dalam upaya untuk memperoleh data yang diperlukan dalam penulisan skripsi ini, penulis menggunakan prosedure pengumpulan data sebagai berikut :

a. Observasi, Penulis melakukan pengamatan langsung ke PT Jaya Nuhgra Pratama di kota Pematangsiantar, Sumatera Utara. Observasi yang dilakukan terkait pemantauan terhadap perilaku masyarakat dalam melakukan pembayaran listrik secara rutin.

b. Wawancara, Hal ini dilakukan penulis dengan bertanya langsung kepada pihak PT Jaya Nuhgra Pratama terkait perilaku masyarakat dalam melakukan pembayaran listrik.

c. Pembagian angket atau kuisioner, Pembagian angket dilakukan dengan menyerbarkan 200 angket secara acak kepada pelanggan PT. Jaya Nuhgra Pratama. Jenis kuisioner yang akan dipakai dalam penelitian ini adalah kuisioner tertutup, dimana jawaban telah disediakan oleh peneliti dan responden tinggal memilih jawaban yang tersedia.

2.2 Teknik Pengolahan Data

Pengolahan data dilakukan pada aplikasi Microsoft Excel 2010 dan dengan bantuan aplikasi WEKA 3.9.2 Data yang digunakan sebagai berikut.

Tabel 1. Data Kuisioner Pelanggan PT. Jaya Nuhgra Pratama No Penghasilan Jumlah

Tanggungan

Tanggal Penerimaan

Gaji

Proses Pembayaran

Kualitas KWH

Biaya Denda

Status

1 Normal Sedikit Akhir Mudah Baik Rendah Tepat Waktu

2 Tinggi Normal Awal Mudah Baik Normal Tepat Waktu

3 Normal Normal Akhir Mudah Baik Normal Terlambat

4 Rendah Sedikit Akhir Mudah Normal Normal Terlambat

5 Tinggi Normal Akhir Rumit Normal Rendah Tepat Waktu

6 Tinggi Sedikit Awal Mudah Normal Normal Tepat Waktu

7 Tinggi Normal Akhir Rumit Normal Rendah Terlambat

8 Tinggi Normal Akhir Rumit Normal Tinggi Terlambat

9 Rendah Normal Akhir Mudah Normal Normal Terlambat

10 Tinggi Banyak Awal Mudah Baik Rendah Tepat Waktu

11 Tinggi Sedikit Awal Rumit Normal Tinggi Terlambat

12 Tinggi Normal Akhir Mudah Baik Rendah Tepat Waktu

13 Rendah Sedikit Akhir Rumit Normal Tinggi Terlambat

14 Normal Normal Akhir Mudah Baik Tinggi Terlambat

15 Rendah Sedikit Awal Mudah Baik Normal Terlambat

16 Tinggi Banyak Akhir Mudah Normal Normal Terlambat

17 Tinggi Banyak Akhir Mudah Baik Normal Telambat

18 Tinggi Sedikit Awal Mudah Baik Normal Tepat Waktu

19 Tinggi Normal Awal Rumit Baik Tinggi Tepat Waktu

20 Normal Sedikit Awal Mudah Baik Normal Tepat Waktu

21 Tinggi Sedikit Akhir Mudah Baik Normal Terlambat

22 Normal Normal Akhir Mudah Baik Normal Terlambat

23 Rendah Sedikit Awal Mudah Baik Normal Tepat Waktu

24 Normal Sedikit Awal Mudah Baik Normal Tepat Waktu

25 Tinggi Normal Akhir Mudah Baik Normal Tepat Waktu

2.3 Algoritma C4.5

Algoritma decision tree merupakan algoritma yang paling sering digunakan untuk klasifikasi. Decision tree adalah sebuah diagram alir yang terdiri atas 3 node yaitu root node, internal node, dan leaf node. Untuk memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari atribut-atribut yang ada. Untuk menghitung gain digunakan persamaan (1) :

𝐺𝑎𝑖𝑛(𝑆, 𝐴) = 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) − ∑ ^|𝑆^𝑖^|

|𝑆| ∗ 𝐸𝑛𝑡𝑟𝑜𝑝𝑦 (𝑆_𝑖)

𝑛𝑖=1 (1)

Dengan:

{𝑆₁, 𝑆2, 𝑆3, … , 𝑆𝑛} = partisi S, sesuai dengan nilai atribut A A : Atribut

n : Jumlah partisi atribut A

(3)

|𝑆_𝑖| : Jumlah kasus pada partisi 𝑆_𝑖

|𝑆| : Jumlah kasus dalam S

Sedangkan perhitungan nilai entropy menggunakan persamaan (2) :

𝐸𝑛𝑡𝑟𝑜𝑝𝑦 (𝑆) = ∑^𝑛_𝑖=1− 𝑝𝑖 ∗ 𝑙𝑜𝑔2𝑝𝑖 (2)

Dengan :

S : Himpunan kasus

n : Jumlah kasus pada partisi S pi : Proporsi 𝑆_𝑖 terhadap S

2.4 Algoritma Support Vector Machine

Secara sederhana konsep SVM adalah usaha mencari hyperplane “terbaik” yang berperan penting sebagai garis batas dua buah class. SVM mencari hyperplane ini berdasarkan support vectors dan margin. Support vectors adalah seluruh vektor data yang berjarak paling mendekati hyperplane, sedangkan margin menyatakan lebar dari separating hyperplane (Jumeilah, 2017). Support Vector Machine (SVM) dapat melakukan klasifikasi data yang terpisah secara linier (linearly separable) dan non-linier (nonlinear separable).

3. HASIL DAN PEMBAHASAN

3.1 Algoritma C4.5

Berikut adalah tahapan tahapan penyelesaian untuk membentuk sebuah pohon keputusan dari data kuisioner untuk mengetahui yang menjadi factor utama keterlambatan konsumen dalam melakukan pembayaran listrik. Untuk memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari atribut atribut yang ada. Untuk menghitung gain dan entropy dapat dilihat pada rumus pada bab II. Dengan menggunakan persamaan diatas, maka akan didapatkan entropy dan gain yang digunakan sebagai akar dalam membuat pohon keputusan.

a) Entropy Total

𝐸𝑛𝑡𝑟𝑜𝑝𝑦 𝑇𝑜𝑡𝑎𝑙 = (−⁴⁵

100∗ 𝐿𝑜𝑔2(⁴⁵

100)) + (−⁵⁵

100∗ 𝐿𝑜𝑔2(⁵⁵

100))

=0.992774

Entropy total adalah menghitung hasil tepat waktu (45) dan Terlambat (55) dimana 100 adalah keseluruhan jumlah kasus.

b) Entropy Atribut Penghasilan

Untuk atribut penghasilan terdiri dari 3 nilai yaitu : Penghasilan Tinggi, Penghasilan Normal, Penghasilan sedang, dimana nilai entropy masing masing adalah sebagai berikut

Penghasilan Tinggi

(Jumlah kasus = 71, Hasil Tepat waktu=33 , Hasil terlambat =38 𝐸𝑛𝑡𝑟𝑜𝑝𝑦 = (−³³

71∗ 𝐿𝑜𝑔₂(³³

71)) + (−³⁸

71∗ 𝐿𝑜𝑔₂(³⁸

71))

=0.99642

c) Gain atribut penghasilan

Gain untuk atribut penghasilan adalah :

=0.992774 − ((⁷¹

100∗ 0,99642) + (³³

100∗ 0,650022) + (³⁸

100∗ 0,998636))

= 0,016629

Hal yang sama dalam perhitungan gain dan entropy dilakukan pada seluruh atribut yang ada. Setelah seluruh nilai entropy dan gain diperoleh, selanjutnya hasil dari perhitungan tersebut dimasukkan ke dalam table 4.2.

Tabel. 2. Tabel perhitungan Node 1

Normal Jumlah Ya Tidak Entrophy Gain

Total 100 45 55 0,992774

Penghasilan 0,016629

Tinggi 71 33 38 0,99642

Rendah 6 1 5 0,650022

Normal 23 11 12 0,998636

Jumlah Tanggungan 0,057099

Sedikit 29 18 11 0,957553 Normal 43 17 26 0,968165

Banyak 28 8 20 0,863121

Tanggal Penerimaan Gaji 0,066798

Awal 51 29 22 0,986368

(4)

Normal Jumlah Ya Tidak Entrophy Gain

Akhir 49 14 35 0,863121

Proses Pembayaran 0,020902

Rumit 10 2 8 0,721928

Mudah 90 44 46 0,999644

Kualitas KWH 0,002552

Baik 26 13 13 1

Normal 74 32 42 0,986787

Biaya Denda 0,000954

Rendah 27 12 15 0,991076 Normal 63 29 34 0,995452

Tinggi 10 4 6 0,970951

max 0,066798

Pada perhitungan tabel 2 dapat diketahui bahwa atribut dengan gain tertinggiadalah atribut Tanggal Penerimaan Gaji dengan nilai 0,066798 , sehingga atribut tanggal penerimaan gaji merupakan atribut yang menjadi node akar. Pada atribut Tanggal penerimaan gaji yang dijadikan akar, terdapat dua nilai yaitu “Awal” dan “Akhir”. Dari nilai tersebut harus dilakukan perhitungan kembali sehingga dapat membentuk pohon keputusan. Selanjutnya adalah menghitung node 1.1 sebagai akar, sama dengan cara yang dilakukan pada perhitungan sebelumnya. Mengitung entropy dari atribut yang tersisa yaitu, penghasilan, . setelah dihitung entropy, lalu kemudian dihitung gain untuk setiap atribut yang tersisa.

Tabel 3. Perhitungan Entropy dan Gain pada Node 1.1

Jumlah Ya Tidak Entrophy Gain 51 29 22 0,986368 Total

Penghasilan 0,044985

Tinggi 33 22 11 0,918296

Rendah 3 1 2 0,918296

Normal 15 7 8 0,996792

Jumlah Tanggungan 0,114689

sedikit 18 15 3 0,650022

normal 19 10 9 0,998001

banyak 14 6 8 0,985228

Proses Pembayaran 0,074862

Rumit 5 1 4 0,721928

Mudah 46 30 16 0,932112

Kualitas KWH 0,027737

Baik 13 9 4 0,890492

Normal 38 22 16 0,981941

Buruk 0

Biaya Denda 0,011584

Rendah 8 5 3 0,954434

Normal 39 21 18 0,995727

Tinggi 4 3 1 0,811278

Max 0,114689

Dari hasil tabel 3 dapat diketahui bahwa atribut dengan gain tertinggi adalah atribut jumlah tanggungan yaitu sebesar 0.114689. yang berarti jumlah tanggungan adalah node akar berikutnya. Ada 3 atribut jumlah tanggungan, yaitu sedikit, normal, dan banyak. Nilai sedikit mempunyai hasil “tepat waktu” dan nilai lainnya perlu dilakukan perhitungan.

Perhitungan yang sama dilakukan seperti perhitungan sebelumnya sampai ke node akhir dan memperoleh keputusan.

Gambar 1. Hasil Analisis C4.5

(5)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 1, Februari 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i1.3833 Hal 102−108 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom Berdasarkan gambar 1 dapat dijelaskan bahwa hasil analisis C4.5 menggunakan Software WEKA diperoleh 12 General rules. Dan dapat dibentuk menjadi pohon keputusan seperti pada gambar berikut :

Gambar 2. Pohon Keputusan

Dari gambar 2 dapat dijelaskan bahwa atribut Tanggal Penererimaan Gaji dijadikan node akar, setelahnya atribut Jumlah Tanggungan menjadi node kedua, dan penghasilan dan biaya denda menjadi node selanjutnya.

3.2 Hasil Percobaan Support Vector Machine menggunakan Software WEKA

Mengimplementasikan Algoritma Support Vector Machine menggunakan Software WEKA 3.9.5 untuk melihat hasil dan keakuratan yang diperoleh. Sebelumnya data akan disimpan menggunakan Microsoft excel dengan extention .arff.

mengubah file excel menjadi extention .arff di notepad seperti pada gambar berikut :

Gambar 3. Mengubah data menjadi extention .arff

(6)

Dari gambar 3 dapat kita lihat hasil dari algoritma SVM. Untuk mengetahui atribut mana yang menjadi factor utama dapat dilihat dari tab yang berada dibawah Test Options seperti pada gambar

Gambar 4. Hasil Algoritma SVM

Dari gambar 4 dapat dilihat tanggal penerimaan gaji merupakan atribut dengan presentasi terendah dengan nilai 53%. Maka dapat disimpulkan bahwa tanggal penerimaan gaji merupakan factor utama yang menjadi penyebab keterlambatan pembayaran listrik di PT Jaya Nuhgra Pratama. Dari hasil perhitungan yang telah dilakukan maka dapat ditentukan hasil Akurasi yang dapat dilihat pada tabel berikut :

Tabel 4. Hasil perbandingan nilai Akurasi C4.5 dengan SVM C4.5 SVM

Correctly Classified Instace 70% 67%

Mean Absolute Error 0.41 0.33 Root Mean Squared Error 0.4932 0.5745

Dari tabel 4 dapat disimpulkan bahwa algotima C4.5 merupakan algoritma yang tepat dalam menyelesaikan permasalalahan yang telah dipaparkan dengan data yang tertera dengan nilai akurasi sebesar 70%.

4. KESIMPULAN

Berdasarkan penelitian yang telah dilakukan maka dapat disimpulkan bahwa Data Mining klasifikasi dengan algoritma C4.5 dan SVM terbukti mampu mengetahui hasil analisis pada factor keterlambatan pembayaran listrik berdasarkan data kuisioner di PT. Jaya Nuhgra Pratama dengan hasil atribut Tanggal Penerimaan Gaji merupakan factor utama penyebab keterlambatan konsumen dalam membayar tagihan listrik. Hasil uji coba Software WEKA membuktikan, dengan data kuisioner dalam permasalahan keterlambatan pembayaran listrik didapat algoritma C4.5 yang menjadi algoritma yang tepat dalam menyelesaikan kasus tersebut

REFERENCES

[1] D. Hariyanto and Subhan, “Faktor-Faktor Yang Mempengaruhi Pelanggan Menunggak Rekening Listrik Pada PLN Sub-Rayon Sentebang,” J. Manaj. Motiv., vol. 11, no. 1, p. 585, 2016.

[2] N. Azwanti, “Analisa Algoritma C4.5 Untuk Memprediksi Penjualan Motor Pada Pt. Capella Dinamik Nusantara Cabang Muka Kuning,” Inform. Mulawarman J. Ilm. Ilmu Komput., vol. 13, no. 1, p. 33, 2018.

[3] Y. R. Amalia, “Penerapan data mining untuk prediksi penjualan produk elektronik terlaris menggunakan metode k-nearest neighbor,” 2018.

[4] T. Rosandy, “Perbandingan Metode Naive Bayes Classifier dengan Metode Decision Tree Untuk Menganalisa Kelancaran Pembiayaan,” J. TIM Darmajaya, vol. 2, no. 1, pp. 52–62, 2016.

[5] O. Arifin and T. B. Sasongko, “Analisa perbandingan tingkat performansi metode support vector machine dan naïve bayes classifier,” Semin. Nas. Teknol. Inf. dan Multimed. 2018, vol. 6, no. 1, pp. 67–72, 2018.

[6] D. N. Batubara and A. P. Windarto, “Analisa Klasifikasi Data Mining Pada Tingkat Kepuasan Pengunjung Taman Hewan Pematang Siantar Dengan Algoritma,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 3, no. 1, pp. 588–592, 2019.

[7] R. H. Kusumodestoni, “Komparasi Model Support Vector Machines ( Svm ) dan Neural Network Untuk Mengetahui Tingkat Akurasi Prediksi Tertinggi Harga Saham,” vol. 3, no. 1, 2017.

[8] N. D. Prayoga, “Penerapan Algoritma C.45 Dalam Memprediksi Kelulusan Tepat Waktu Pada Perguruan Tinggi (Studi Kasus : Stmik Royal Kisaran),” 2018.

(7)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 1, Februari 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i1.3833 Hal 102−108 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom [9] L. N. Rani, “Klasifikasi Nasabah Menggunakan Algoritma C4.5 Sebagai Dasar Pemberian Kredit,” INOVTEK Polbeng - Seri

Inform., vol. 1, no. 2, p. 126, 2016.

[10] R. P. Fitrianti, A. Kurniawati, and D. Agusten, “Implementasi Algoritma K - Nearest Neighbor Terhadap Analisis Sentimen Review Restoran Dengan Teks Bahasa Indonesia,” Semin. Nas. Apl. Teknol. Inf. 2019, pp. 27–32, 2019.

[11] M. Fansyuri, “Analisa Algoritma Klasifikasi K-Nearest Neighbor Dalam ( Study Kasus Pt . Trigatra Komunikatama ) Analysis of K-Nearest Neighbor Classification Algorithm in Determining Accuracy Value on Customer Pleasure ( Case Study on Pt . Trigatra Komunikatama ),” Humanika J. Ilmu Sos. Pendidikan, dan Hum., vol. 3, no. 1, pp. 29–33, 2020.

[12] N. Sagala and H. Tampubolon, “Komparasi Kinerja Algoritma Data Mining pada Dataset Konsumsi Alkohol Siswa,” Khazanah Inform. J. Ilmu Komput. dan Inform., vol. 4, no. 2, p. 98, 2018.

[13] L. Ariyani, “Kajian Penerapan Model C45 , Support Vector Machine ( Svm ), Dan Neural Network Dalam Prediksi,” Fakt.

Exacta, vol. 9, no. 1, pp. 72–86, 2016.

[14] T. B. Sasongko, “Komparasi dan Analisis Kinerja Model Algoritma SVM dan PSO-SVM,” vol. 2, pp. 244–253, 2016.

[15] F. S. Jumeilah, “Penerapan Support Vector Machine (SVM) untuk Pengkategorian Penelitian Fithri,” J. RESTI (Rekayasa Sist.

dan Teknol. Informasi), vol. 1, no. 1, pp. 19–25, 2017.

[16] A. Setiyono and H. F. Pardede, “Klasifikasi Sms Spam Menggunakan Support Vector Machine,” J. Pilar Nusa Mandiri, vol. 15, no. 2, pp. 275–280, 2019.

[17] M. F. Fibrianda and A. Bhawiyuga, “Analisis Perbandingan Akurasi Deteksi Serangan Pada Jaringan Komputer Dengan Metode Naïve Bayes Dan Support Vector Machine ( SVM ),” vol. 2, no. 9, pp. 3112–3123, 2018.

[18] D. Ahmad Wahid, “Analisis Kapasitas Dan Kebutuhan Daya Listrik Untuk Menghemat Penggunaan Energi Listrik Di Fakultas Teknik Universitas Tanjungpura,” J. Tek. Elektro UNTAN, vol. 2, no. 1, p. 10, 2014.

[19] J. Simatupang and S. Sianturi, “PERANCANGAN SISTEM INFORMASI PEMESANAN TIKET BUS PADA PO. HANDOYO BERBASIS ONLINE Julianto,” J. Intra-Tech, vol. 3, no. 2, pp. 11–25, 2019.

[20] H. Ahyar et al., Buku Metode Penelitian Kualitatif & Kuantitatif, no. March. 2020.