Aplikasi Customer Relathionship Management Untuk Klasifikasi Pelanggan Menggunakan Algoritma C4.5

(1)

Aplikasi Customer Relathionship Management Untuk Klasifikasi Pelanggan Menggunakan Algoritma C4.5

Ruli Utami^*, Ferry Andhika Primadana, Suryo Atmojo

Fakultas Teknik Elektro dan Teknologi Informasi, Program Studi Sistem Informasi, Institut Teknologi Adhi Tama Surabaya, Surabaya, Indonesia

3 Fakultas Teknik, Program Studi Teknik Informatika, Universitas Wijaya Putra, Surabaya, Indonesia Email: ^1,* [email protected], ²[email protected],³ [email protected]

Email Penulis Korespondensi: [email protected]

Abstrak−Lembaga Bimbingan Belajar (LBB) merupakan usaha jasa yang banyak berkembang di Indonesia, banyaknya pesaing yang ada sangat berpengaruh terhadap jumlah pelanggan yang menggunakan jasa bimbingan tersebut, sehingga diperlukan strategi tertentu untuk dapat menarik pelanggan baru ataupun mempertahankan pelanggan lama. Untuk menseleksi pelanggan yang layak mendapatkan paket promo yang disediakan LBB, maka dibutuhkan satu aplikasi yang dapat mengakomodasi kebutuhan klasfikasi mana pelanggan yang layak atau tidak untuk mendapatkan promo tersebut. Untuk mengatasi masalah tersebut, maka diusulkan untuk membangun suatu aplikasi customer relationship management dengan implementasi algoritma C4.5 yang memiliki fungsi klasifikasi pada metode data mining. Berdasarkan analisa, pengolahan data, serta pengujiam yang telah dilakukan; diperoleh kesimpulan bahwa implementasi algoritma C4.5 ini cocok digunakan pada studi kasus yang diambil dengan nilai rata-rata akurasi sebesar 86%. Selain itu diperoleh juga kesimpulan bahwa semakin banyak data yang digunakan pada proses training berpengaruh terhadap tingkat akurasi sistem, hal ini dibuktikan dari dua pengujian dengan menggunakan jumlah data training yang berbeda.

Kata Kunci: Customer Relationship Management; Algoritma C4.5; Data Mining; Lembaga Bimbingan Belajar; Klasifikasi Pelanggan

Abstract−The Tutoring Institute (LBB) is a business service that is growing in Indonesia, the number of existing competitors greatly affects to customers number who use these tutoring services, so great strategies are needed to attract new customers or retain old customers. To select customers that eligible for the promo package provided by LBB, an application is needed that can accommodate the classification needs of which customers are eligible or not to get the promo. To overcome this problem, it is proposed to build a customer relationship management application with the implementation of the C4.5 algorithm which has a classification function in data mining method. Based on the analysis, data processing, and testing that has been done; it is concluded that the implementation of the C4.5 algorithm is suitable for use in case studies taken with an average accuracy value of 86%. In addition, it is also concluded that the more data used in the training process affects the level of system accuracy, this is evidenced by two tests using different amounts of training data.

Keywords: Customer Relationship Management; C4.5 algorithm; Data Mining; The Tutoring Institute; Customer Classification

1. PENDAHULUAN

Customer Relationship Management (CRM) merupakan strategi yang dapat digunakan untuk menjembatani dan menggambarkan hubungan pelanggan dengan korporat, CRM ini akan mengintegrasikan komponen-komponen yang dapat menciptakan komunikasi antara pelanggan dan korporat melalui integrasi manusia, teknologi, dan proses bisnis yang ada [1]. Hal ini dimaksudkan untuk dapat menumbuhkan dan meningkatkan tingkat loyalitas pelanggan terhadap perusahaan. CRM ini sangat penting untuk digunakan sebagai media demi meningkatkan loyalitas pelanggan dengan memahami kebiasaan dan kenginan pelanggan melalui pengolahan data transaksi yang tepat. Dengan implementasi CRM, kita dapat meningkatkan nilai dari data pelanggan untuk meningkatkan margin korporat [2] [3].

Dalam proses bisnis Lembaga Bimbingan Belajar (LBB) XYZ bergantung pada jumlah pelanggan (siswa) yang menggunakan jasa LBB tersebut, sehingga manajerial harus membuat strategi yang tepat agar pelanggan tetap loyal menggunakan jasa bimbingan tersebut [4]. Untuk menarik pelanggan sesuai target marketnya, LBB menawarkan beberapa paket promosi yang menarik; salah satunya adalah dengan memberikan potongan harga sesuai dengan kriteria penerima promosi. Selama ini manajerial selalu kesulitan dalam mengklasifikasikan mana pelanggan yang layak menerima potongan harga tersebut, hal ini berdampak pada terjadinya kesalahan penentuan penerimaan paket promo tersebut. Memang bukan hal yang mudah untuk mengklasifikasikan pelanggan yang dinilai layak untuk mendapatkan paket promo yang tersedia pada LBB, oleh karena itu dibutuhkan implementasi algoritma yang dapat membantu mengkalsifikasikan pelanggan sesuai dengan kriteria yang telah ditentukan. Salah satu algoritma yang bisa digunakan untuk menyelesaikan permasalahan ini adalah algoritma C4.5 [5] [6]. Untuk optimalisasi aplikasi klasifikasi pelanggan dalam bentuk CRM, maka peneliti mengimplementasikan algoritma C4.5 ini dalam aplikasi CRM yang akan digunakan oleh LBB.

Beberapa peneliti yang sebelumnya yang telah dilakukan dan membahas penggunaan algoritma C4.5 mulai dari pemberian beasiswa atau potongan harga yaitu seperti penerapan data mining untuk rekomendasi beasiswa pada sman 1 mlongo menggunakan algoritma C4.5 [7], dan sistem pendukung keputusan pemberian beasiswa untuk siswa kurang mampu di SMK Muhammadiyah 1 kepanjen menggunakan metode fuzzy tsokamoto [8]. Ada

(2)

Ruli Utami, Copyright © 2022, MIB, Page 1427 juga sebagai analisi perbandingan algoritma C4.5 dan K-naïve Bayes untuk menklasifikasikan penerima mahasiswa baru tingkat universitas [9]. Data mining merupakan salah satu ilmu untuk menggali dan mengekstraksi data dalam jumlah besar, metode data mining seringkali digunakan untuk menemukan pola tertentu sesuai dengan kebutuhan korporat [10]. Salah satu proses penemuan pola adalah dengan cara klasifikasi dengan menemukan kesamaan karakteristik dalam satu kelompok data [11].

Dengan mengintegrasikan algoritma C4.5 dalam aplikasi Customer Realthionship Management untuk mengklasifikasikan pelanggan ini maka manajerial akan lebih mudah dalam memutuskan mana pelanggan yang layak menerima promo dan tidak. Sedangkan dalam ilmu pengetahuan peneliti berharap dapat menambah referensi baik bagi Pendidikan ataupun masyarakat umum terkait knowledge management yang terintegrasi dalam aplikasi CRM yang membantu proses bisnis perusahaan dalam penanganan data pelanggan.

2. METODOLOGI PENELITIAN

Metodologi penelitian pada gambar 1 ini membahas tentang tahapan apa saja yang akan dilalui untuk mengembangkan aplikasi CRM untuk klasfikasi pelanggan.

Gambar 1. Metodologi Penelitian 2.1 Pengumpulan data

Pengumpulan data primer yang digunakan dalam penelitian ini dilakukan pada Lembaga Bimbingan Belajar XYZ dalam kurun waktu tiga tahun transaksi pendaftaran. Adapun data yang digunakan adalah data siswa LBB, data terebut kemudian dipelajari untuk mendapatkan kriteria yang tepat untuk klasifikasi data tersebut. Adapun kriteria yang akan digunakan adalah nilai beberapa mata pelajaran, asal sekolah, peringkat di sekolah, kondisi keuangan keluarga, dan kurun waktu siswa bergabung di LBB.

2.2 Pengolahan Data Menggunakan Algoritma C4.5

Lagoritma C4.5 ini merupakan bagian dari algoritma decision tree yang ada pada data mining yang memiliki fungsi mengamati dan mentraining data untuk menghasilkan pola tertentu sebagai output dari klasifikasi yang dilakukan [12]. Untuk membangun pohon keputusan perlu dilakukan ebberapa langkah diantaranya adalah memilih atribut yang akan digunakan sebagai root, kemudian menentukan cabang untuk masing-masing nilai node, dan membaginya dalam cabang lain [13].

Untuk ketentuan root tertinggi, maka harus didefinisikan atribut mana yang memiliki nilai gain tertinggi pada masing-masing atribut yang telah ditentukan sebelumnya. Namun sebelum menghitung nilai gain, langkah sebelumnya adalah menghitung nilai entrophy seperti pada persamaan 1. Sedangkan untuk persamaan untuk menghitung nilai gain adalah seperti pada persamaan 2 berikut [14] [15].

Entrophy (S) = ∑ =^𝒏_𝟏 𝟏 − 𝒑𝒊 ∗ 𝐥𝐨𝐠_𝟐𝒑𝒊 (1)

Gain S,A = Entorpy (S) - ∑_𝟏^𝒏= 𝟏^|𝑺𝒊|

𝑺 ∗ 𝑬𝒏𝒕𝒐𝒓𝒑𝒚 (𝑺𝒊) (2)

Dimana S merupakan himpunan kasus, A merupkan atribut, n merupakan jumlah partisi pada atribut A, |Si|

merupakan banyaknya kasus pada partisi ke I, dan |S| merupakan banyaknya kasus pasa S. sedangkan untuk variable yang terdapat pada persamaan 1 adalah S merupakan banyaknya partisi S dan pi merupakan proporsi dari Si terhadap S. Untuk langkah mengolah data menggunakan algoritma C4.5 adalah sebagai berikut [16]:

a. Menghitung nilai total entrophy pada keseluruhan kasus.

b. Menghitung nilai entrophy masing-masing kelompok data setiap atribut.

c. Menghitung nilai gain pada setiap atribut.

d. Membandingkan dan memilih satu atribut yang memiliki nilai gain tertinggi utnuk dijadikan root.

(3)

Pada tahapan ini, akan dilakukan perancangan aplikasi CRM yang akan dibangun nantinya, dalam hal ini akan di lakukan dengan menggunakan perancangan terstruktur untuk mendeskripsikan pemodelannya. Perancangan dimulai dengan menganalisa sistem yang sedang berjalan saat ini, kemudian menggambarkan aplikasi CRM yang disuslkan menggunakan Data Flow Diagram (DFD), dilanjutkan dengan membuat perencanaan database, dan terakhir adalah gambaran dari aplikasi CRM itu sendiri [17].

2.4 Pengujian

Pada tahapan ini akan dilakukan pengujian terhadap aplikasi CRM dengan implementasi algoritma C4.5 untuk klasifikasi pelanggan (siswa) pada LBB dengan membandingkan output yang dihasilkan aplikasi CRM dengan hasil kuisioneryang telah di isi oleh pemegang keputusan pada LBB. Dari hasil ini kemudian akan dihitung prosentase kesalahan sistem yang nantinya akan ditarik dalam kesimpulan hasil penelitian.

3. HASIL DAN PEMBAHASAN

Pembahasan akan dimulai dari penyajian data asli yang kemudian akan ditraining untuk menghasilkan aturan atau pola yang digunakan untuk mengklasifikasikan pelanggan (siswa) mana yang layak mendapatkan paket promosi yang disediakan oleh pihak LBB.

3.1 Algoritma C4.5

Dalam penelitian ini di ambil sampel lima puluh record data (kasus) dengan dengan tujuh atribut yang meliputi nilai IPA, nilai Matematika, nilai Bahasa inggris, asal sekolah, peringkat (ranking), kondisi keluarga, dan lamanya ikut LBB. Lima puluh record data tersebut kemudian akan di klasifikasikan menjadi dua class yaitu class YA dan class TIDAK, dari data asli yang terekam kemudian akan dilakukan pembersihan data dari atribut-atribut yang tidak dibutuhkan seperti pada tabel 1.

Tabel 1. Tabel pelanggan setelah pembersihan atribut Id

Pelanggan N.Ipa N.Mat N.Ing Sekolah Rangking Kondisi Kel Lama Ikut Lbb 1 Tinggi Rendah Sedang Negeri Tinggi Mampu Lama 2 Sedang Sedang Rendah Swasta Sedang Tidak Mampu Lama

3 Rendah Tinggi Rendah Swasta Tinggi Mampu Lama

4 Rendah Sedang Tinggi Swasta Sedang Mampu Baru 5 Sedang Tinggi Tinggi Negeri Rendah Tidak Mampu Baru 6 Tinggi Sedang Sedang Negeri Rendah Mampu Lama 7 Sedang Rendah Rendah Swasta Tinggi Tidak Mampu Lama . Tinggi Sedang Sedang Swasta Sedang Mampu Baru . Sedang Rendah Rendah Swasta Tinggi Tidak Mampu Lama

. Rendah Rendah Rendah Swasta Sedang Mampu Baru

48 Rendah Rendah Rendah Swasta Sedang Tidak Mampu Lama 49 Rendah Tinggi Tinggi Swasta Tinggi Mampu Lama 50 Tinggi Tinggi Tinggi Swasta Sedang Tidak Mampu Baru

Implementasi algoritma C4.5 dimulai dengan menghitung entrophy dan gainnya untuk mendefinisikan aturan yang menentukan pola klasifikasi. Dari 50 kasus (record) yang digunaka sebagai sampel, 23 kasus merupakan class YA dan 27 lainnya merupakan class TIDAK, dari perhitungan yang telah dilakukan diperoleh hasil pohon keputusan akhir seperti pada gambar 2.

Gambar 2. Pohon Keputusan Akhir

(4)

1. Nilai IPA = Tinggi; Nilai Matematika = Rendah; Rangking = Sedang 2. Nilai IPA = Tinggi; Nilai Matematika = Rendah; Rangking = Rendah

3. Nilai IPA = Tinggi; Nilai Matematika = Rendah; Rangking = Tinggi; Sekolah = Negeri 4. Nilai IPA = Sedang; Nilai Matematika = Rendah[

5. Nilai IPA = Sedang; Nilai Matematika = Sedang; Rangking = Tinggi

6. Nilai IPA = Sedang; Nilai Matematika = Rendah; Rangking = Sedang; Kondisi Keluarga = Mampu 7. Nilai IPA = Rendah; Lama Ikut LBB = Lama; Sekolah = Swasta

8. Nilai IPA = Rendah; Lama Ikut LBB = Lama; Sekolah = Negeri; Nilai Matematika = Rendah

9. Nilai IPA = Rendah; Lama Ikut LBB = Lama; Sekolah = Negeri; Nilai Matematika = Tinggi; Nilai Inggris = Tinggi

10. Nilai IPA = Rendah; Lama Ikut LBB = Lama; Sekolah = Negeri; Nilai Matematika = Tinggi; Nilai Inggris = Sedang

11. Nilai IPA = Rendah; Lama Ikut LBB = Lama; Sekolah = Negeri; Nilai Matematika = Sedang; Rangking = Sedang

12. Nilai IPA = Rendah; Lama Ikut LBB = Lama; Sekolah = Negeri; Nilai Matematika = Sedang; Rangking = Rendah

13. Nilai IPA = Rendah; Lama Ikut LBB = Baru; Nilai Matematika = Tinggi; Nilai Inggris = Tinggi 14. Nilai IPA = Rendah; Lama Ikut LBB = Baru; Nilai Matematika = Tinggi; Nilai Inggris = Sedang

15. Nilai IPA = Rendah; Lama Ikut LBB = Baru; Nilai Matematika = Tinggi; Nilai Inggris = Rendah; Sekolah = Negeri

16. Nilai IPA = Rendah; Lama Ikut LBB = Baru; Nilai Matematika = Rendah; Sekolah = Swasta; Kondisi Keluarga

= Tidak Mampu

Setelah dilakukan traning data, maka testing data dilakukan dengan menggunakan data yang belum diketahui kelasnya. Testing dilakukan dengan mengambil sampel beberapa kasus seperti tabel 2.

Tabel 2. Tabel data testing

Id

Pelanggan N.Ipa N.Mat N.Ing Sekolah Rangking Kondisi Kel

Lama Ikut Lbb

Dapat

?

1 Tinggi Tinggi Sedang Negeri Tinggi Mampu Lama

2 Sedang Rendah Rendah Swasta Sedang Tidak Baru

3 Rendah Tinggi Rendah Swasta Tinggi Mampu Lama

Dari data testing tersebut kita terapkan dengan kriteria yang telah ditetapkan dengan nilai atribut sesuai pada tabel 2 kasus kedua, maka dapat disimpulkan bahawa yang bersangkutan masuk dalam class TIDAK atau tidak layak mendapatkan paket promo, keputusan tersebut diambil berdasarkan aturan yang diperoleh dari perhitungan entrophy dan gain sehingga terbentuk pohon keputusan seperti pada gambar 3.

NILAI IPA

NILAI MATEMATIKA

1.1

TINGGI

LAMA IKUT LBB 1.3 NILAI

MATEMATIKA 1.2 SEDANG

RENDAH

RANGKING 1.1.3 TIDAK TIDAK

TINGGI SEDANG

RENDAH

KONDISI KELUARGA 1.2.2 TIDAK YA

TINGGI SEDANG

RENDAH

SEKOLAH 1.3.1

NILAI MATEMATIKA

1.3.2

LAMA BARU

Gambar 3. Pohon Keputusan Testing kasus kedua

3.2 Perancangan Aplikasi Customer Relationship Management

Perancangan aplikasi CRM ini dimulai dari analisis sistem yang sedang berjalan saat ini, dengan menggunakan perancangan terstruktur dapat dijelaskan bahwa sistem pengambilan keputusan terkait siapa yang layak menerima paket promo ini hanya berdasar pada atribut status baru atau lamanya pelanggan menggunakan jasa LBB. Hal ini tentu saja dapat menimbulkan unefektifitas pengambilan keputusan, dan juga berpengaruh juga terhadap besarnya kemungkinan terjadinya salah sasaran. Maka untuk meminimalisir hal tersebut, peneiliti menawarkan pengembangan sistem baru dengan mengangkat isu aplikasi CRM dengan implementasi algoritma C4.5 untuk pengolahan data klasifikasi pelanggan yang terbagi dalam class YA dan class TIDAK untuk pelanggan yang layak menerima paket promosi potongan harga dari LBB. Aplikasi baru yang diusulkan oleh peneliti dipresentasikan

(5)

Ruli Utami, Copyright © 2022, MIB, Page 1430 dalam bentuk flowchart sistem seperti gambar 4, dalam gambar tersebut terlihat bahwa terdapat integrasi penggunaan algoritma C4.5 pada aplikasi CRM yang nantinya akan dibangun.

Gambar 4. Flowchart Sistem Aplikasi CRM

Diagram konteks pada gambar 5 merupakan gambaran global dari sistem baru yang diusulkan oleh peneliti, pada usecase diagram ini terdapat dua aktor yang akan menggunakan aplikasi CRM ini yaitu admin dan pimpinan.

Masing-masing user akan memiliki authorize tersendiri sesuai dengan kebutuhan user tersebut.

Gambar 5. Usecase diagram Aplikasi CRM

(6)

Tahap akhir yang dilalui dalam perancangan terstruktur adalah perancangan database pada gambar 6, terdapat lima class yang saling berelasi membentuk satu class diagram yang akan menjadi tempat penyimpanan data pada aplikasi CRM nantinya.

3.3 Implementasi Aplikasi Customer Relationship Management

Pada implementasinya, aplikasi CRM ini dimulai dengan halaman awal berupa dashboard pada gambar 7 yang menunjukkan informasi umum terkait pelanggan misalnya jumlah pelanggan setiap tahunnya serta kuota yang tersedia pada setiap tahunnya, dengan demikian diharapkan manajerial/pimpinan dapat terus memantau perkembangan data pelanggan setiap saat untuk kepentingan pengambilan keputusan.

Gambar 7. Dashboard Aplikasi CRM

Halaman yang terlihat pada gambar 8 merupakan halaman yang menyajikan informasi terkait data master yang tersimpan pada aplikasi CRM klasfikasi pelanggan LBB, terdapat perbedaan kewenangan antara user admin dengan user pimpinan pada halaman ini. Jika admin merupakan super user yang dapat melakukan CRUD pada sistem, maka user pimpinan hanya bisa read data master yang ada pada halaman ini.

(7)

Gambar 9 menjelaskan tentang halaman aplikasi CRM yang dapat menampilkan aturan atau role yang klasifikasi yang diperoleh dari perhitungan entrophy dan gain pada semua atribut pada kasus yang ada. Role ini merupakan bentuk lain dari pohon keputusan yang merupakan hasil dari proses algoritma C4.5.

Gambar 9. Halaman Hasil Aturan/Role pada Aplikasi CRM

Sedangkan gambar 10 menampilkan halaman yang disediakan oleh aplikasi CRM untuk melakukan testing dataset terhadap aturan yang telah dihasilkan sesuai aturan pada gambar 8. Uji klasfikasi pelanggan pada aplikasi CRM ini terdapat du acara; yang pertama adalah uji klasfikasi tunggal yang artinya setiap kasus akan di uji secara terpisah, dan cara kedua adalah uji klasifikasi secara komunal yang artinya beberapa kasus dapat di uji secara Bersama-sama.

Gambar 10. Halaman Pengujian Klasfikasi pada Aplikasi CRM

(8)

Pada tahap ini merupakan tahap pengujian dari hasil sistem yang telah dibuat apakah hasil yang telah didapat merupakan sesuai dengan harapan dan sistem yang telah dibuat dapat diimplementasikan dalam perusahaan. Untuk pengujian ini dilakukan dengan membandingkan hasil testing data dari sistem dengan perhitungan dari manual yang selama ini dilakukan oleh perusahaan. Hasil testing dari sistem klasifikasi dapat dilihat pada tabel 3 dibawah merupak tabel sampel pengujian sistem yang telah dilakukan.

Tabel 3. Tabel Sampel Pengujian algoritma C4.5 pada Aplikasi CRM

No Id

Pelanggan N. Ipa N.

Matematika N. Bhs.

Inggris Jenis

Sekolah Rangking Kondisi Keluarga

Lama Bergabung

Dapat Potongan

DATA TRAINING

50 DATA DATA TRAINING

150 DATA

HASIL

1 1 SEDANG TINGGI TINGGI NEGERI TINGGI MAMPU LAMA TIDAK TIDAK TIDAK SESUAI

2 2 RENDAH SEDANG SEDANG SWASTA SEDANG TIDAK

MAMPU LAMA YA YA YA SESUAI

3 3 RENDAH RENDAH RENDAH SWASTA TINGGI MAMPU LAMA YA YA YA SESUAI

4 4 TINGGI RENDAH RENDAH SWASTA SEDANG MAMPU BARU TIDAK YA YA TIDAK

5 5 TINGGI TINGGI TINGGI NEGERI RENDAH TIDAK

MAMPU BARU TIDAK TIDAK TIDAK SESUAI

6 6 SEDANG TINGGI TINGGI NEGERI RENDAH MAMPU LAMA TIDAK TIDAK TIDAK SESUAI

7 7 RENDAH RENDAH SEDANG SWASTA TINGGI TIDAK

. 8 RENDAH RENDAH TINGGI NEGERI TINGGI TIDAK

. 17 SEDANG TINGGI TINGGI NEGERI TINGGI MAMPU LAMA TIDAK TIDAK TIDAK SESUAI

43 43 TINGGI RENDAH SEDANG NEGERI TINGGI MAMPU LAMA YA YA YA SESUAI

44 44 TINGGI SEDANG SEDANG NEGERI TINGGI MAMPU BARU TIDAK TIDAK TIDAK SESUAI

45 45 SEDANG SEDANG TINGGI NEGERI TINGGI TIDAK

MAMPU LAMA TIDAK YA TIDAK TIDAK

Pada pengujian sistem ini peneliti melakukan dua kali pengujian, yang pertama adalah dengan menggunakan 50 data training dan 45 data testing; diperoleh 38 data yang sesuai antara perhitungan manual dengan sistem dengan tingkat kesesuaian sebesar 84%. Sedangkan pada pengujian kedua dengan menggunakan 150 data training dan 45 data testing diperoleh 39 data yang sesuai antara perhitungan manual dengan sistemdengan tingkat kesesuaian sebesar 87%. Dengan demikian maka dapat disimpulkan bahwa rata-rata akurasi dari aplikasi CRM untuk klasifikasi pelanggan yang layak emndapatkan paket promo dari LBB ini adalah sebesar 86%, dan semakin banyak data yang digunakan pada proses training berpengaruh terhadap tingkat akurasi sistem.

4. KESIMPULAN

Berdasarkan analisa dan pengolahan data menggunakan algoritma C4.5 pada aplikasi CRM untuk klasfikasi pelanggan LBB dan hasil dua pengujian sistem yang telah dilakukan, yaitu yang pertama adalah dengan menggunakan 50 data training dan 45 data testing; diperoleh 38 data yang sesuai antara perhitungan manual dengan sistem dengan tingkat kesesuaian sebesar 84%. Sedangkan pada pengujian kedua dengan menggunakan 150 data training dan 45 data testing diperoleh 39 data yang sesuai antara perhitungan manual dengan sistemdengan tingkat kesesuaian sebesar 87%. Dengan demikian maka dapat disimpulkan bahwa rata-rata akurasi dari aplikasi CRM untuk klasifikasi pelanggan yang layak emndapatkan paket promo dari LBB ini adalah sebesar 86%, dan semakin banyak data yang digunakan pada proses training berpengaruh terhadap tingkat akurasi sistem.

REFERENCES

[1] I. R. Putri, W. Witanti, and F. R. Umbara, “Pembangunan Sistem Customer Relationship Management ( Crm ) Pada Pt . Fazypcare,” Seminar Nasional Riset dan Inovasi Teknologi (SEMNAS RISTEK), 2021.

[2] H. E. Sari and R. Prasetiawati, “CRM, Berbasis WEB Analisis Sistem Informasi Customer Relationship Management (CRM) Berbasis Web (Studi Kasus_ PT INOVATIF TEKNIK MESINDO),” Technomedia Journal, vol. 5, no. 1, 2020, doi: 10.33050/tmj.v5i1.881.

[3] S. Kosasi, “Perancangan Sistem Electronic Customer Relationship Management Untuk Mempertahankan Loyalitas Pelanggan,” Jurnal Sistem Informasi dan Teknologi Informasi, vol. 4, no. 2, 2018.

[4] F. Ranuharja, B. R. Fajri, and A. D. Samala, “SISTEM PELAYANAN BANTUAN MENTOR BIMBINGAN BELAJAR (BAMBIMBEL) BERBASIS WEB,” Jurnal Teknologi Informasi dan Pendidikan, vol. 13, no. 1, 2020, doi:

10.24036/tip.v13i1.291.

(9)

Ruli Utami, Copyright © 2022, MIB, Page 1434 [5] Suherman, M. Purnamasari, and Fitriani Dwi Hastuti, “KLASIFIKASI SISWA BERDASARKAN MATA PELAJARAN LINTAS MINAT MENGGUNAKAN METODE DECISION TREE C4.5,” JSiI (Jurnal Sistem Informasi), vol. 8, no. 2, 2021, doi: 10.30656/jsii.v8i2.3508.

[6] “Implementasi Data Mining Menggunakan Algoritme Naive Bayes Classifier dan C4.5 untuk Memprediksi Kelulusan Mahasiswa,” Telematika, vol. 13, no. 1, 2020, doi: 10.35671/telematika.v13i1.881.

[7] A. Merdekawati and L. K. Rahayu, “Sistem Pendukung Keputusan Pemberian Bantuan Ekonomi Menggunakan Algoritma C4.5,” Jurnal Serambi Engineering, vol. 6, no. 1, 2020, doi: 10.32672/jse.v6i1.2471.

[8] A. A. F. Bahri Saiful, “Sistem Pendukung Keputusan Pemberian Beasiswa Untuk Siswa Kurang Mampu Di Smk Muhammadiyah 1 Kepanjen Menggunakan Metode Fuzzy Tsukamoto,” Jurnal SPIRIT, vol. 9, no. 2, 2017.

[9] “Implementasi Data Mining Menggunakan Algoritme Naive Bayes Classifier dan C4.5 untuk Memprediksi Kelulusan Mahasiswa,” Telematika, vol. 13, no. 1, 2020, doi: 10.35671/telematika.v13i1.881.

[10] R. Utami and S. Atmojo, “Implementasi algoritma Apriori untuk Penentuan Weekend Product Promotion pada Minimarket ‘XYZ,’” 2019.

[11] A. Fikri and W. Verina, “PENERAPAN DATA MINING UNTUK PREDIKSI PENJUALAN ALAT MEDIS MENGGUNAKAN ALGORITMA C4.5 PT. MURNI INDAH SENTOSA,” INFOSYS (INFORMATION SYSTEM) JOURNAL, vol. 5, no. 1, 2020, doi: 10.22303/infosys.5.1.2020.70-83.

[12] Suherman, M. Purnamasari, and Fitriani Dwi Hastuti, “KLASIFIKASI SISWA BERDASARKAN MATA PELAJARAN LINTAS MINAT MENGGUNAKAN METODE DECISION TREE C4.5,” JSiI (Jurnal Sistem Informasi), vol. 8, no. 2, 2021, doi: 10.30656/jsii.v8i2.3508.

[13] I. A. Saragih, A. U. Firmansyah, and R. Rohminatin, “Penerapan Metode C4.5 Untuk Penentuan Kelayakan Penerima Program Keluarga Harapan,” JUTSI (Jurnal Teknologi dan Sistem Informasi), vol. 1, no. 3, 2021, doi:

10.33330/jutsi.v1i3.1341.

[14] A. K. Lalo, P. Batarius, and Y. C. H. Siki, “Implementasi Algoritma C4.5 Untuk Klasifikasi Penjualan Barang di Swalayan Dutalia,” Jurnal Teknik Informatika UNIKA Santo Thomas, 2021, doi: 10.54367/jtiust.v6i1.1089.

[15] A. Ulfa, D. Winarso, and E. Arribe, “Sistem Rekomendasi Jurusan Kuliah Bagi Calon Mahasiswa Baru Menggunakan Algoritma C4.5,” JURNAL FASILKOM, vol. 10, no. 1, 2020, doi: 10.37859/jf.v10i1.1511.

[16] R. S. Putra, “Klasifikasi Penyebaran Covid-19 Menggunakan Algoritma C4.5 Kota Pagar Alam,” Jukomika, vol. 4, no. 1, 2021.

[17] T. G. Pratama, A. Ridwan, and A. Prihandono, “Penerapan Algoritma C4.5 untuk Klasifikasi Kanker Serviks Tingkat Awal,” Urecol Journal. Part E: Engineering, vol. 1, no. 1, 2021, doi: 10.53017/uje.4.