Index Kepuasan Pelanggan Informa dengan Menggunakan Algoritma C.45
Amanda Febriyani1, Guntur Kukuh Prayoga2, Odi Nurdiawan2,*
1 Program Studi Sistem Informasi, STMIK IKMI, Cirebon, Indonesia
2 Program Studi Teknik Informatika, STMIK IKMI, Cirebon, Indonesia
Email: 1[email protected] , 2[email protected] 3,*[email protected] Email Penulis Koresponden : [email protected]
Submitted 16-11-2021; Accepted 11-12-2021; Published 30-12-2021 Abstrak
Keberhasilan perusahaan dalam memasarkan produknya sangat di tentukan oleh ketepatan strategi yang dipakai. Dalam menentukan strategi pemasaran, pihak pemasar perlu mengkaji setiap karakteristik perilaku konsumen yang di implementasikan ke dalam harapan dan keinginannya. Dengan mengetahui alasan yang mendasar mengapa konsumen melakukan pembelian, maka dapat di ketahui strategi yang tepat untuk di gunakan dengan kata lain pihak pemasaran harus mengaktualisasikan setiap harapan konsumen menjadi suatu kepuasan atas pelayanan yang diberikan. Penelitian ini mengunakan 6 (enam) Kriteria dan 21 (Dua Puluh Satu) Sub Kriteria dengan rincian sebagai berikut Kriteria yaitu Staff, Produk, Kenyamanan Toko, Kemanan, Pengiriman dan Instalasi. Tujuan penelitian ini sebagai bahan evaluasi pihak manajemen dalam meningkatkan penelitian. Tahapan penelitian mengacu pada Knowladge Discovery Data yaitu Data, Data Selection, Data Transformation, Model data mining, Intrepretation. Hasil Akurasi akurasi yang didapat yaitu sebesar 84,16 % dengan rincian sebagai berikut Hasil Prediksi Puas dan ternyata True Puas Sebesar 80 Data, Hasil Prediksi Puas dan ternyata True Sangat Puas Sebesar 15 Data, Hasil Prediksi Puas dan ternyata True Cukup Puas Sebesar 0 Data, Hasil Prediksi Sangat Puas dan ternyata True Puas Sebesar 0 Data, Hasil Prediksi Sangat Puas dan ternyata True Sangat Puas Sebesar 0 Data, Hasil Prediksi Sangat Puas dan ternyata True Cukup Puas Sebesar 0 Data.
Kata Kunci: Pelanggan; Informa; Data Mining; Algoritma C.45; Kepuasan Abstract
The company's success in marketing its products is largely determined by the accuracy of the strategy used. In determining a marketing strategy, marketers need to examine every characteristic of consumer behavior that is implemented into their hopes and desires. By knowing the basic reasons why consumers make purchases, it can be seen the right strategy to be used, in other words, the marketing party must actualize every consumer expectation into a satisfaction for the services provided. This study uses 6 (six) criteria and 21 (twenty one) sub- criteria with details as follows: Staff, Product, Store Convenience, Security, Delivery and Installation. The purpose of this research is to evaluate the management in improving research. The research stages refer to Knowladge Discovery Data, namely Data, Data Selection, Data Transformation, Data mining Model, Interpretation. Accuracy results obtained are 84.16% with the following details. Prediction Results Satisfied and turns out to be True Satisfied with 80 Data, Prediction Results Satisfied and turns out to be True Very Satisfied with 15 Data, Prediction Results Satisfied and turns out to be True Sufficiently Satisfied with 0 Data, The Prediction Result is Very Satisfied and turns out to be True Satisfied with 0 Data, Prediction Result is Very Satisfied and turns out to be True Very Satisfied with 0 Data, Prediction Result is Very Satisfied and turns out to be True Quite Satisfied with 0 Data.
Keywords: Customers; Information; Data Mining; C.45 Algorithm; Satisfaction
1. PENDAHULUAN
Globalisasi sekarang ini telah terjadi dan menyebabkan zaman semakin maju, akan tetapi tidak diikuti dengan perekonomian negara kita yang jauh tertinggal. Banyak sekali perkembangan zaman yang bisa kita lihat disekitar. Salah satunya adalah penggunaan ponsel pintar yang semakin meningkat setiap tahunnya. Banyaknya fitur-fitur media sosial yang mudah diakses dan ditawarkan dalam sistem komunikasi ponsel pintar ini tentunya semakin mempermudah kita dalam berkomunikasi dan tetap terhubung dengan orang-orang. Hal ini jelas dimanfaatkan oleh para produsen atau affiliate (orang yang menjualkan produk orang lain) untuk mencari celah atau peluang usaha dengan mengambil keuntungan yang didapat dari banyak pengguna ponsel pintar saat ini.
Dengan hanya bermodalkan ponsel pintar yang kita gunakan dalam keseharian ditunjang pula dengan fasilitas internet yang semakin luas, kita dapat mencoba suatu bentuk usaha yang dapat ditawarkan kepada konsumen termasuk dalam interaksi jual belinya. Saat ini ada satu tren yang sedang mengemuka di indonesia, bahkan didunia, yakni belanja online atau sering disebut online shop[1].
Informa adalah perusahaan ritel furnishings terbesar dan terlengkap di indonesia. Informa menyediakan berbagai koleksi berkualitas untuk hunian, kantor, aksesoris, sampai ruang komersial dengan beragam gaya dan desain terbaru untuk memenuhi kebutuhan pelanggan terhadap furnitur idaman. Informa furnishings terdiri dari beberapa departemen seperti living, designer collections, dining, kitchen, commercial tables and chairs, office, kept concept, bedroom, kids, mattress, beauty commercial, american home furniture, dan lighting. Informa juga dilengkapi dengan koleksi home accessories yang terdiri dari home décor, home textile, dan household untuk kebutuhan aksesoris hunian sampai ruang usaha.
Penelitian pertama yang dilakukan oleh fandi ramadhan wiratama, setia astuti, pada jurnal eksplora informatika vol.
6, no. 2, maret 2017 dengan judul implementasi algoritma c4.5 untuk analisa performa pelayanan bank terhadap nasabah menjelaskan bahwa perbankan adalah segala sesuatu yang berkaitan dengan bank, kegiatan usaha, serta cara dan proses dalam melaksanakan kegiatan usahanya. Tujuan dari penelitian ini adalah untuk mengetahui tingkat kepuasan nasabah terhadap pelayanan yang diberikan oleh bank danamon kantor cabang utama semarang dan mengetahui tingkat akurasi untuk prediksi kepuasan pelanggan. Kualitas layanan yang ingin dipenuhi harus dilihat dari sudut pandang nasabah, karena nasabah
bank merupakan penilai utama dari kualitas pelayanan sehingga prioritas utama dalam jaminan kualitas adalah penilaian nasabah terhadap kualitas pelayanan jasa perbankan.metode yang digunakan dalam penelitian ini menggunakan metode algoritma c4.5. Algoritma c4.5 adalah salah satu metode algoritma yang digunakan oleh beberapa penelitian guna membuat suatu pohon keputusan. Pohon keputusan merupakan metode klasifikasi serta prediksi yang kuat dan terkenal. Metode menggunakan pohon keputusan merupakan metode yang dapat mengubah suatu fakta yang besar menjadi suatu pohon keputusan yang merepresentasikan aturan agar mudah dipahami dengan bahasa alami.atribut yang digunakan dalam metode ini yaitu pelayanan, fasilitas, dan mobile banking. Kesimpulan yang didapatkan dalam penelitian ini menunjukan bahwa nilai akurasi pada pengujian ke-2 dapat di katakan baik karena memiliki nilai akurasi lebih tinggi di bandingkan pengujian 1 [2][3].
Penelitian kedua yang dilakukan oleh sherly maisa putri, sasa ani arnomo pada jurnal ournal of information system research (josh) volume 1, no. 2, januari 2020 dengan judul penerapan algoritma c4.5 untuk prediksi kualitas pelayanan terhadap kepuasan konsumen (studi kasus: hinet batam) menjelaskan bahwa perkembangan teknologi telekomunikasi dan informasi saat ini sangat berkembang dengan pesat salah satunya yaitu internet. Terbukti dengan banyaknya kehadiran perusahaan yang menyediakan layanan internet atau sering disebut dengan internet service provider (isp). Salah satu provider yang ada indonesia yaitu pt. Berca hardayaperkasa dengan produk layanan akses data internet yaitu hinet. Hinet telah berkembang dibeberapa wilayah di daerah indonesia salah satunya yaitu kota batam. Hinet batam berdiri sejak januari 2019 dan sudah memiliki 4 base traincever station (bts) yang tersebar di 4 kecamatan kota batam. Kualitas pelayanan merupakan tujuan dari perusahaan dalam memberikan kepuasan kepada konsumen baik perusahaan jasa maupun non jasa. Salah satu perusahaan jasa penyedia layanan akses internet yang berkomitmen untuk meningkatkan kualitas pelayanan terhadap kepuasan konsumen adalah hinet batam. Penelitian ini bertujuan untuk menganalisa kualitas pelayanan terhadap kepuasan konsumen hinet batam dengan menggunakan algoritma c4.5. Variabel penilaian mencakup emphaty, responsiveness, reliability dengan keputusan puas dan tidak puas. Hasil dari pengolahan metode data mining dengan menggunakan algoritma c4.5 ternyata mampu mengklasifikasi tingkat kepuasan konsumenterhadap kualitas pelayanan. Dengan nilai presisi prediksi puas sebesar 61.7% dan nilai presisi prediksi tidakpuas 38,3%. Hasil penelitian ini bisa dijadikan acuan untuk meningkatkan kualitas pelayanan serta untuk mempertahankan loyalitas konsumen dalam menggunakan produk paket data layanan internet dan meningkatkan penjualan[4][5]
Keberhasilan perusahaan dalam memasarkan produknya sangat di tentukan oleh ketepatan strategi yang dipakai.
Dalam menentukan strategi pemasaran, pihak pemasar perlu mengkaji setiap karakteristik perilaku konsumen yang di implementasikan ke dalam harapan dan keinginannya. Dengan mengetahui alasan yang mendasar mengapa konsumen melakukan pembelian, maka dapat di ketahui strategi yang tepat untuk di gunakan dengan kata lain pihak pemasaran harus mengaktualisasikan setiap harapan konsumen menjadi suatu kepuasan atas pelayanan yang diberikan.
Fokus penelitian ini yaitu mengevaluasi kepuasan pelayanan, artinya pelayanan sebagai kunci keberhasilan Karena jika tidak demikian, maka perusahaan akan ditinggal oleh pelangganny. Pengelolaan kepuasan pelanggan menggunakan metode datamining dengan algoritma C.45.
2. METODOLOGI PENELITIAN
2.1 Pengumpulan Data
Adapun teknik pengumpulan data merupakan suatu cara yang dilakukan oleh peneliti untuk memperoleh data-data yang diperlukan. Dalam penelitian ini teknik yang digunakan antara lain yaitu Sumber data pada penelitian ini menggunakan Data Skunder artinya data tersebut di ambil data hasil kuisoner konsumen yang diambil melalui konsep kuisoner, kemudian di rekap dan di analisa.
2.2 Tahapan Penelitian
Metode analisis data yang digunakan di penelitian ini adalah analisis deskriptif dalam menyeleksi data kuantitatif. Dalam fungsinya analisis deskriptif digunakan untuk mendeskripsikan atau memberi gambaran dari data yang terkumpul dari fakta fakta yang ada, data yang dimaksud adalah data sekunder yang berupa data kuantitatif yang bentuk angka-angka dapat digunakan untuk operasi matematika. Metode pengembangan data mining yang digunakan untuk menganalisis data dalam penerapan data mining ini menggunakan proses tahapan knowledge discovery in databases (KDD) yang terdiri dari Data, Data Cleaning, Data transformation, Data mining, Pattern evolution, knowledge [6][7]:
Berikut merupan hal–hal yang perlu di lakukan dalam penelitian berdasarkan tahapan knowledge discovery in databases:
1. Data
Data merupakan sekumpulan data operasional yang diperlu sebelum dilakukan sebelum tahap penggalian informasi dalam Knowledge Discovery Database (KDD) dimulai.
2. Data Cleaning
Proses data cleaning merupakan proses Pembersihan data yang bertujuan untuk menghilangkan data yang tidak memiliki nilai (null), data yang salah input, data yang tidak relevan, duplikat data dan data yang tidak konsisten karena keberadaanya bisa mengurangi mutu atau akurasi dari hasil data mining nantinya. Pembersihan data juga akan mempengaruhi performasi dari system data mining karena data yang akan ditangani akan berkurang jumlah dan kompleksitasnya[8][9].
3. Data transformation
Data transformation dilakukan dengan memberikan inisialisasi terhadap data yang memiliki nilai nominal menjadi bernilai numerik[7][10].
2. Data Mining.
Pada fase ini yang dilakukan adalah menerapkan algoritma atau metode pencarian pengetahuan. Ini adalah langkah penting di mana teknik kecerdasan diterapkan untuk mengekstrak pola informasi yang berpotensi berguna dari data yang dipilih.
3. Evaluation
Pada tahap evaluasi, akan diketahui apakah hasil daripada tahap data mining dapat menjawab tujuan yang telah ditetapkan. Untuk itu akan dilakukan profilisasi pada setiap cluster yang telah terbentuk, untuk diketahui karakteristik pada kelompok tersebut. Disamping itu untuk diketahui kesesuaian dengan jalur perminatan akan dilakukan analisis lebih lanjut untuk dihubungkan dengan atribut perminatan, Sehingga diharapkan mendapatkan informasi atau pola yang berguna sebagai acuan pemutakhiran data.
4. Knowledge
Tahap terakhir dari proses data mining adalah bagaimana memformulasikan keputusan atau aksi dari hasil analisis yang didapat.
3. HASIL DAN PEMBAHASAN
3.1 Data
Penelitian ini menggunakan data kuisoner index kepuasan layanan dengan data kriteria sebagai berikut : Tabel 1. Data Kriteria
No Kriteria Sub Kriteria
1 Staff Keramahan
2 Staff Kerapihan
3 Staff Pengetahuan
4 Staff Kesediaan untuk membantu
5 Staff Kecepatan Transaksi oleh Kasir
6 Staff Penanganan Keluhan oleh Costumer Service
7 Produk Kualitas
8 Produk Kelengkapan
9 Produk Harga
10 Kenyamanan Toko Kemudahan Parkir 11 Kenyamanan Toko Kebersihan Toko 12 Kenyamanan Toko Suasana Toko 13 Kenyamanan Toko Kebersihan Toilet
14 Kemanan Kemanan didalam store
15 Pengiriman Keramahan
16 Pengiriman Kerapihan Penampilan
17 Pengiriman Ketepatan
18 Pengiriman Keseuaian Jumlah dan type barang 19 Instalasi Keramahan dan Kerapihan penampilan
20 Instalasi Ketepatan Jadwal
21 Instalasi Hasil Instansi
Kemudian dari kriteria dan sub kritria terebut peneliti menyebarkan beberapa kuisoner ke konsumen member pada bulan januari tahun 2021 yang malakukan pengisian kuisoner sebanyak 338 Member informa, dan dokumen kuisoner sebagaimana dalam gambar berikut ini :
Gambar 2. Sebaran Kuisoner Hasil sebran kuisoner pelanggan, dapat dilihat pada tabel berikut ini :
Tabel 2. Hasil Kuisoner
No Nama Q1 Q2 Q3 Q4 Q5 .. Total Hasil Kepuasan
1 Aditya Febriyadi 4 4 5 5 5 .. 89 Puas
2 AmaliaRosdinar 4 5 5 5 4 .. 94 Sangat Puas
3 MalidaTiara Tresna 4 4 4 5 4 .. 84 Puas
4 Riska Nurfitrianah 4 5 5 5 4 .. 90 Puas
5 RizkyFerdian 3 4 4 4 5 .. 84 Puas
6 Fitri 5 5 5 4 4 .. 86 Puas
7 Abdur Rohim 4 4 5 5 3 .. 75 Cukup Puas
8 Rini Ekawati 4 4 4 4 4 .. 84 Puas
9 Dewi Febriyanti 4 4 3 3 4 .. 77 Cukup Puas
… … … …
338 Listiyana 4 4 4 5 4 .. 96 Sangat Puas
3.2 Desain Model Algoritma C.45
Implementasi model algoritma c.45 atau decision tree pada studi index kepuasan pelanggan dapat digambarkan sebagai berikut :
Gambar 3. Model Algoritma FP Growth
Berdasarkan gambar 3 menjelaskan bahwa dalam menyusun model algoritma Decision Tree terdapat beberapa
Gambar 4. Model Training dan Testing 3.3 Hasil Akurasi
Berdasarkan hasil penerapan akurasi model algoritma Decision tree maka mendapatkan akurasi yang sangat baik. Hal tersebu tertuang dalam gambar berikut ini :
Gambar 5. Hasil Pola Akurasi
Berdasarkan gambar diatas menjelaskan bahwa akurasi yang didapat yaitu sebesar 84,16 % dengan rincian sebagai berikut : Hasil Prediksi Puas dan ternyata True Puas Sebesar 80 Data. Hasil Prediksi Puas dan ternyata True Sangat Puas Sebesar 15 Data. Hasil Prediksi Puas dan ternyata True Cukup Puas Sebesar 0 Data. Hasil Prediksi Sangat Puas dan ternyata True Puas Sebesar 0 Data. Hasil Prediksi Sangat Puas dan ternyata True Sangat Puas Sebesar 0 Data. Hasil Prediksi Sangat Puas dan ternyata True Cukup Puas Sebesar 0 Data. Hasil Prediksi Cukup Puas dan ternyata True Puas Sebesar 0 Data. Hasil Prediksi Cukup Puas dan ternyata True Sangat Puas Sebesar 0 Data. Hasil Prediksi Cukup Puas dan ternyata True Cukup Puas Sebesar 5 Data.
3.4 Pembahasan
Pembahasan hasil penelitian ini dalam bentuk graph seperti tertuang dalam gambar berikut ini :
Gambar 6. Graph Kepuasan Informan
Berdasarkan gambar diatas menjelaskan bahwa Total > 79.500: Puas {Puas=266, Sangat Puas=54, Cukup Puas=0} Total ≤ 79.500: Cukup Puas {Puas=0, Sangat Puas=0, Cukup Puas=18}
4. KESIMPULAN
Hasil penelitian yang telah dilakukan penulis dapat menarik kesimpulan bahwa penelitian ini mengunakan 6 (enam) Kriteria dan 21 (Dua Puluh Satu) Sub Kriteria dengan rincian sebagai berikut Kriteria yaitu Staff, Produk, Kenyamanan Toko, Kemanan, Pengiriman dan Instalasi. Hasil Akurasi akurasi yang didapat yaitu sebesar 84,16 % dengan rincian sebagai berikut Hasil Prediksi Puas dan ternyata True Puas Sebesar 80 Data, Hasil Prediksi Puas dan ternyata True Sangat Puas Sebesar 15 Data, Hasil Prediksi Puas dan ternyata True Cukup Puas Sebesar 0 Data, Hasil Prediksi Sangat Puas dan ternyata True Puas Sebesar 0 Data, Hasil Prediksi Sangat Puas dan ternyata True Sangat Puas Sebesar 0 Data, Hasil Prediksi Sangat Puas dan ternyata True Cukup Puas Sebesar 0 Data, Hasil Prediksi Cukup Puas dan ternyata True Puas Sebesar 0 Data, Hasil Prediksi Cukup Puas dan ternyata True Sangat Puas Sebesar 0 Data, Hasil Prediksi Cukup Puas dan ternyata True Cukup Puas Sebesar 5 Data. Hasil Graph Total > 79.500: Puas {Puas=266, Sangat Puas=54, Cukup Puas=0} Total ≤ 79.500: Cukup Puas {Puas=0, Sangat Puas=0, Cukup Puas=18}.
REFERENCES
[1] H. Muhabatin, C. Prabowo, I. Ali, C. L. Rohmat, And D. R. Amalia, “Klasifikasi Berita Hoax Menggunakan Algoritma Naïve Bayes Berbasis Pso,” Informatics Educ. Prof. J. Informatics, Vol. 5, No. 2, Pp. 156–165, 2021.
[2] L. Ija, “Analisis Sistem Pengembangan Layanan Transportasi Online Terhadap Kepuasan Konsumen Di Kota Kendari,” Simkom, Vol. 4, No. 2, Pp. 1–8, 2019, Doi: 10.51717/Simkom.V4i2.29.
[3] S. M. Putri And S. A. Arnomo, “Penerapan Algoritma C4.5 Untuk Prediksi Kualitas Pelayanan Terhadap Kepuasan Konsumen (Studi Kasus : Hinet Batam),” J. Inf. Syst. Res., Vol. 1, No. 2, Pp. 70–76, 2020.
[4] D.- Desyanti, “Penerapan Data Mining Algoritma C4.5 Untuk Mengetahui Tingkat Kepuasan Konsumen Di Hotel Grand Zuri Dumai,” Satin - Sains Dan Teknol. Inf., Vol. 4, No. 2, P. 36, 2019, Doi: 10.33372/Stn.V4i2.403.
[5] N. Azwanti And E. Elisa, “Analisa Kepuasan Konsumen Menggunakan Algoritma C4.5,” Pros. Semin. Nas. Ilmu Sos. Dan Teknol., No. 3, Pp. 126–131, 2020.
[6] N. Satria, H. Pratama, And D. T. Afandi, “Menurunkan Presentase Kredit Macet Nasabah Dengan Menggunakan Algoritma K- Nearest Neighbor,” Vol. 5, No. 2, Pp. 131–140, 2021.
[7] I. L. Septiani, A. R. F. Hadinata, A. Bahtiar, N. Suarna, And N. R, “Analisa Kepuasan Mahasiswa Terhadap E-Learning Menggunakan Teknik Machine Learning,” Informatics Educ. Prof. J. Informatics, Vol. 5, No. 2, P. 137, 2021, Doi:
10.51211/Itbi.V5i2.1521.
[8] L. S. Auraly, Andi, A. M. Robani, F. M. Basysya, And R. D. Dana, “Game Eedukasi Simulasi Penyemprotan Cairan Disinfektan Berbasis 2d Dalam Upaya Pencegahan Wabah Covid-19,” Informatics Educ. Prof., Vol. 5, No. 2, Pp. 166–175, 2021.
[9] F. R. Wiratama, “Implementasi Algoritma C4 . 5 Untuk Analisa Performa Pelayanan,” Explor. Inform., Vol. 6, Pp. 127–135, 2017.
[10] A. Surip, M. A. Pratama, I. Ali, A. R. Dikananda, And A. I. Purnamasari, “Penerapan Machine Learning Menggunakan Algoritma C4.5 Berbasis Pso Dalam Menganalisa Data Siswa Putus Sekolah,” Informatics Educ. Prof. J. Informatics, Vol. 5, No. 2, P. 147, 2021, Doi: 10.51211/Itbi.V5i2.1530.
