Penerapan Algoritma C4.5 Untuk Menganalisis Kepuasan Pelanggan E-Commerce Shopee
Alinda Steffany1, Kiki Aldzikri2, Muhammad Amar Rabbany Tricahya3, Muhammad Idham Arfiandono4*
1-4Sistem Informasi, Universitas Bina Sarana Informatika
1-4Jl. Kramat Raya No.98, RT.2/RW.9, Kwitang, Kec. Senen, Kota Jakarta Pusat, Daerah Khusus Ibukota Jakarta 10450
Corresponding author’s e-mail: [email protected]1, [email protected]2, [email protected]3, [email protected]4*
Abstrak - Kepuasan pelanggan merupakan hal yang penting bagi e-commerce untuk mempertahankan dan meningkatkan loyalitas pelanggan. Penelitian ini bertujuan untuk menganalisis kepuasan pelanggan e- commerce Shopee menggunakan algoritma C4.5. Data penelitian diperoleh dari kuesioner yang disebarkan melalui jejaring sosial media Instagram dan WhatsApp. Dan terkumpul 120 data pengguna Shopee yang dikategorikan : puas, cukup puas, tidak puas. Terdapat atribut yang paling berpengaruh terhadap kepuasan pelanggan Shopee adalah kualitas pelayanan, kualitas produk, kecepatan pengiriman. Penelitian ini memberikan rekomendasi kepada Shopee untuk terus meningkatkan kualitas pelayanan, kualitas produk, dan kecepatan pengiriman. Hasil penelitian menggunakan algoritma C4.5 dapat memprediksi kepuasan pelanggan Shopee dengan tingkat akurasi sebesar 94,17% dengan nilai class precision prediksi puas sebesar 94,05%, prediksi cukup puas sebesar 95.45% dan nilai class precision pada prediksi tidak puas sebesar 91.67%. maka dapat disimpulkan pengujian melaui pengumpulan data dengan menerapkan Algoritma C4.5 dapat mengetahui Kepuasan pelanggan pengguna Shopee.
Kata kunci: Kepuasan pelanggan, Shopee, Algoritma C4.5
Abstract - Customer satisfaction is important for e-commerce tol maintain and increasel customer lloyalty.
This research aims to analyze Shopee e-commerce customer satisfaction using the C4.5 algorithm. Research data was obtained from questionnaires distributed via the social media networks Instagram and WhatsApp And 120 Shopee user data was collected which were categorized as: lsatisfied, quite lsatisfied, not lsatisfied.
Therel are attributes that have thel most infuence on Shopee customer satisfaction, namely service quality, product quality, delivery speed. This research provides recommendations for Shopee to continue to improve service quality, product quality and delivery speed. Thel results of research using the C4.5 algorithm can predict Shopee customer satisfaction with an accuracy level of 94.17%. With a class precision value for satisfied predictions of 94.05%, quite satisfied predictions of 95.45%. and a class precision value for dissatisfied predictions of 91.67 %. So it can be concluded that testing through data collection by applying thel C4.5 Algorithm can determine the customer satisfaction of Shopee users..
Keywords: Customer satisfaction, Shopee, C4.5 Algorithm.
1. Pendahuluan
E-commerce telah menjadi fenomena yang mendominasi pasar gobal dalam beberapa dekade terakhir [1]. Dengan kemajuan teknologi informasi, penggunaan platform e-commerce berbasis web telah menjadi pilihan utama bagi banyak konsumen untuk melakukan transaksil belanja secaral onine [2]. Kepuasan pelanggan merupakan faktor penting yang perlu diperhatikan oleh e-commerce untuk meningkatkan loyalitas pelanggan. Kepuasan pelanggan dapat didefinisikan sebagai tingkat pemenuhan harapan pelanggan terhadap produk atau layanan yang diterima. E-commerce yang memiliki kepuasan pelanggan yang tinggi akan memiliki pelanggan yang loyal dan terus menggunakan layanannya [3] . Dalam laporan “Ecommercel in Southeast Asia 2023” baru – barul ini dirilis oleh firma riset Momentum Works.
Salah satu isi laporannya menampilkan daftar enam pasar di Indonesia. Laporan tersebut menyatakan bahwa untuk tahun 2022, Shopee menjadi marketplace terbesar alias nomor satu di Indonesia[4]. Shopee merupakan e-commerce yang menjual berbagai macam produk, mulai dari pakaian, elektronik, hingga kebutuhan sehari- hari. Shopee juga menawarkan berbagai macam fitur dan layanan untuk menarik pelanggan, seperti diskon, gratis ongkos kirim, dan metode pembayaran yang beragam [5].
Bedasarkan berbagai faktor seperti kualitas produk, kecepatan pengiriman, respon penjual, dan kemudahan pengunaan aplikasi dapat dianalisis dan diprediksi kepuasan pelanggan terhadap e-commerce Shopee [6]. Algoritma C4.5 merupakan salah satu algoritma Decision tree (Pohon Keputusan) yang paling efektif untuk melakukan kasifikasi. Algoritma ini memilikil input berupa training samples yang merupakan data contoh yang digunakan untuk membangun sebuah tree yang telah diuji kebenarannya dan samples
Submitted Date : 01 Desember 2023 Accepted Date : 12 Desember 2023
merupakan field-field data yang nantinya akan digunakan sebagai parameter dalam melakukan kasifikasi data [7]. Penelitian ini diharapkan dapat memberikan pandangan kepada Shopee tentang faktor-faktor yang paling berpengaruh terhadapl kepuasan pelanggan, sehingga Shopee dapat meningkatkan kualitas pelayanan, kualitas produk, dan kecepatan pengiriman untuk meningkatkan kepuasan pelanggan.
2. Metode Penelitian 2.1. Tahapan Penelitian
Gambar 1. Tahapan Penelitian 2.2. Penyusunan Kuesioner
Pada langkah ini dilakukan penyusunan kuisioner. Kuesioner ini dibuat untuk mengetahui tingkat kepuasan pengguna, oleh karena itu diberikan pertanyaan yang dapat memengaruhi kepuasan pengguna seperti ; Profesi, Pendapatan, Pencarian Produk, Kelengkapan Informasi, Respon Penjual, Promo Diskon, Fitur Gratis Ongkir, Keberagaman Pembayaran, Kecepatan Pengiriman, dan Kualitas Produk. Link dibawah ini mengarah ke dokumen Googe Sheets yang, mungkin, berisi rincian lebih lanjut mengenai pertanyaan dan struktur kuesioner.
https://docs.googe.com/spreadsheets/d/1u6xXcjlrvucpau3koZT9OA5Ma3efpF4/edit?usp=sharing&ouid=113 391552699870172397&rtpof=true&sd=true.
2.3. Pengumpulan Data
Padal tahapan ini dilakukan pengumpulan data menggunakan googe form yang disebarkan melalui jejaring sosial media Instagram dan WhatsApp. Jumah responden yang ditargetkan adalah 120 orang, termasuk karyawan dan siswa/mahasiswa. Kami memilih responden berdasarkan pekerjaan mereka agar lebih mudah memahami kebutuhan pelanggan sesuai dengan pekerjaan mereka. Tergantung pada jenis pekerjaan mereka dan aktivitas sehari-hari mereka, pekerja yang sering bepergian mungkin memiliki kebutuhan penggunaan aplikasi Shopee yang berbeda. Kuesioner tersebut terdiril dari data pribadi responden beserta 10 pertanyaan yang berkaitan dengan kepuasan pelanggan terhadap Shopee seperti Pencarian produk, Pilihan Produk Variatif, Kelengkapan Informasi Produk, Respon Penjual, Promo Diskon, Fitur Gratis Ongkir, Keberagaman Pembayaran, Keamanan Pembayaran, Kecepatan Pengiriman, Kualitas Produk, dan Kepuasan.
2.4. Pra-Proses Data
Tahap-tahap pra-proses yang ada dalam proses penelitian ini adalah sebagai berikut: data diproses untuk menjadi data yang dapat digunakan dan mudah dibaca.
Gambar 2. Pra-Proses Data
Setelah data dikumpulkan, pra-proses dilakukan dengan membersihkan data dari data duplikat dan melakukan seleksil variabel untuk menghilangkan variabel yang tidak terpakai. Padal penelitian ini, pra- proses data dilakukan dengan melepaskan duplikat ldata, yang digunakan untuk menghapus data yang sama agar tidak terjadil data duplikat.
2.5. Pembentukan Model
Gambar 3. Pembentukan Model [8].
Konsep dari decision tree adalah mengubah data menjadi aturan-aturan keputusan. Manfaat utama dari penggunaan decision tree adalah kemampuannya untuk mem-break down proses pengambilan keputusan yang kompleks menjadi lebih simple, sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan.[9]
Decision tree juga berguna untuk mengeksplorasi ldata, menemukan hubungan tersembunyi antara sejumah calon variabel input dengan sebuah variabel target. Decision tree memadukan antara eksplorasi data dan pemodelan, sehingga sangat bagus sebagai langkah awal dalam proses pemodelan.
Gambar 3 menunjukkan pembentukan pohon keputusan dilakukan dengan metode Decision tree C4.5 karena memilikil kemampuan untuk membuat keputusan yang kompleks menjadi lebih sederhana, yang memungkinkan pengambill keputusan untuk lebih mudah memahami solusi masalah. Rumus dasar dari entropy adalah sebagai berikut. [10]
Gambar 4. Rumus Entropy.
S : Himpunan Kasus n : jumlah partisi S
pi : Proporsi dari Si terhadap S
Nilail entrophy ini akan digunakan untuk menghitung nilai gain, yang akan digunakan untuk memisahkan objek. Rumus untuk menghitung gain adalah sebagai berikut: [11]
Gambar 5. Rumus Gain.
S: himpunan kasus A: variabel
n: jumlah partisi variabel 𝐴
|𝑆𝑖 |: jumlah kasus pada partisi ke-1
|𝑆|: jumlah kasus dalam 𝑆
Untuk menentukan cabang berikutnya, atribut dengan nilail gain terbesar dipilih sebagai akar. Setelah itu, atribut lainnya dihitung kembali dengan cara yang sama.
3. Hasil dan Pembahasan 3.1. Penyusunan Kuesioner
Pertanyaan ini dirancang dengan merujuk pada sejumlah faktor yang dapat memiliki dampak terhadap tingkat kepuasan pelanggan. Faktor-faktor ini meliputi aspek-aspek penting seperti pekerjaan, pendapatan, dan frekuensi penggunaan aplikasi. Pertanyaan ini bertujuan untuk mendapatkan pemahaman yang lebih mendalam tentang profil pengguna. Pertanyaan tentang pekerjaan bertujuan untuk mengidentifikasi profesi pelanggan, Pertanyaan mengenai kisaran pendapatan bertujuan untuk memberikan gambaran finansial pelanggan, pertanyaan mengenai seberapa sering pelanggan menggunakan aplikasi membantu untuk memahami tingkat keteribatan mereka. Informasi ini dapat menjadi indikator kepuasan pelanggan, karena semakin sering pengguna menggunakan aplikasi, semakin besar kemungkinan mereka merasa puas dengan pengalaman yang diberikan.
3.2. Pengumpulan Data
Pada penelitian ini data yang didapat dari kuesioner disebar terkumpul 120 data yang dianggap sudah mewakili pengguna aplikasi Shopee.
Tabel 1. Data hasil Kuesioner
Variabel 1 2 3 4 ... 120
Nama Desty... Dimas... Alda... Virna... ... Ilyas...
Profesi Bekerja Bekerja Pelajar Pelajar ... Bekerja
Pendapatan
2.000.000 - 5.000.000
2.000.000
- 5.000.000 < 500.000 < 500.000 ... >5.000.000
Pengunaan Sering Kadang -
Kadang
Kadang -
kadang Sangat Sering ... Kadang - Kadang
Pencarian Produk Mudah Mudah Mudah Mudah ... Mudah
Kelengkapan Informasi Ya Ya Ya Ya ... Ya
Respon Penjual Baik Baik Cukup Baik Cukup Baik ... Kurang
Baik
Promo Diskon Ya Tidak Ya Ya ... Tidak
Fitur Gratis Ongkir Ya Ya Ya Ya ... Ya
Keberagaman
Pembayaran Ya Ya Ya Ya ... Tidak
Keamanan Pembayaran Ya Ya Ya Ya ... Ya
Kecepatan Pengiriman Baik Baik Baik Cukup Baik ... Baik
Kualitas Produk Baik Baik Baik Baik ... Cukup Baik
Kepuasan Puas Cukup Puas Cukup Puas Puas ... Puas
3.3. Pembentukan Model
Mempersiapkan data, kemudian menentukan entropy data yang dihitung dari setiap atribut untuk menentukan nilai gainnya. Prosedur ini dilakukan terhadap variabel yang terkait. setelah itu nilai gain dari beberapa atribut dapat diketahui dan dapat ditentukan nilai gain yang tertinggi.
Menghitung nilai entropy total : Entropy [total]= (− 𝑃𝑢𝑎𝑠
𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑎𝑠𝑢𝑠𝑥 log 2 ( 𝑃𝑢𝑎𝑠
𝐽𝑢𝑚𝑙𝑎ℎ 𝐾𝑎𝑠𝑢𝑠)) + (− 𝑐𝑢𝑘𝑢𝑝 𝑝𝑢𝑎𝑠
𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑎𝑠𝑢𝑠𝑥 log 2 ( 𝐶𝑢𝑘𝑢𝑝 𝑝𝑢𝑎𝑠
𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑎𝑠𝑢𝑠)) + (−𝐾𝑢𝑟𝑎𝑛𝑔 𝑃𝑢𝑎𝑠
𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑎𝑠𝑢𝑠𝑥 log 2 (𝐾𝑢𝑟𝑎𝑛𝑔 𝑃𝑢𝑎𝑠 𝐽𝑢𝑚𝑙𝑎ℎ 𝐾𝑎𝑠𝑢𝑠))
Entropy [total]= (− 80
120𝑥 log 2 (80
120)) + (−27
120𝑥 log 2 (27
120)) + (−13
120𝑥 log 2 (13
120))
= 1,221541208
Selanjutnya lakukan analisis setiap atribut variabel untuk menentukan node(akar) dan leaf . lalu untuk menghitung kembali nilai entropy dan gain dari setiap atribut yang ada.
Menghitung nilai entropy dan gain Pekerjaan : Entropy [Pelajar/Mahasiswa] = (−59
90𝑥 log 2 (59
90)) + (−21
90𝑥 log 2 (21
90)) + (−10
90𝑥 log 2 (10
90))
= 1,241476577
Entropy [Bekerja] = (−21
30𝑥 log 2 (21
30)) + (− 6
21𝑥 log 2 (6
21)) + (− 3
21𝑥 log 2 (3
21))
= 1,156779649
Gain [Total - Pekerjaan] = ∑ 𝐸𝑛𝑡𝑟𝑜𝑝𝑦 − (𝐽𝑢𝑚𝑙𝑎ℎ 𝑝𝑒𝑙𝑎𝑗𝑎𝑟
𝐽𝑢𝑚𝑙𝑎ℎ 𝐵𝑒𝑘𝑒𝑟𝑗𝑎𝑥 𝐸𝑛𝑡𝑟𝑜𝑝𝑦 𝑝𝑒𝑙𝑎𝑗𝑎𝑟) − (𝐽𝑢𝑚𝑙𝑎ℎ 𝐵𝑒𝑘𝑒𝑟𝑗𝑎
𝐽𝑢𝑚𝑙𝑎ℎ 𝑝𝑒𝑙𝑎𝑗𝑎𝑟𝑥 𝐸𝑛𝑡𝑟𝑜𝑝𝑦 𝐵𝑒𝑘𝑒𝑟𝑗𝑎)
Gain [Total - Pekerjaan] = 1,221541208 − (90
30𝑥 1,241476577) − (30
90𝑥1,156779649 )
= 0,001238863
Selanjutnya ulangi perhitungan nilai entropy dan gain pada setiap atribut yang ada sampai tidak ada variabel yang digunakan sebagai node (akar). Berikut adalah hasil perhitungan nilai node dan gain pada node 1.
Tabel 2. Tabel Perhitungan Entropy dan Gain
NODE Atribut Nilai Jumlah Kasus Kepuasan (Puas) Kepuasan (Cukup Puas) Kepuasan (Tidak Puas) Entropy Gain
Total 120 80 27 13 1.221541208
Profesi Pelajar/mahasiswa 90 59 21 10 1.241476577 0.001238863
Bekerja 30 21 6 3 1.156779649
Pendapatan < 500.0000 61 38 18 5 1.240744944 0.087347179
500.000-2.000.000 26 20 1 5 0.929355012
2.000.000 - 5.000.000 19 11 7 1 1.210810026
> 5.000.000 14 11 1 2 0.946372936
Pengunaan Jarang (1-2 kali) 34 25 5 4 1.09610857 0.132262987
Kadang-kadang (4-8 kali) 52 30 17 5 1.309993052
Sering (10- 20 kali) 21 14 5 2 1.20600269
Sangat sering (> 20 kali) 13 11 0 2 0
Pencarian Produk Mudah 117 78 26 13 1.224394445 0.027756624
Tidak Mudah 3 2 1 0 0
Pilihan Produk Variatif Ya 117 79 26 12 1.201735132 0.010225392
Tidak 3 1 1 1 1.584962501
Kelengkapan Informasi Produk Ya 113 77 24 12 1.195389461 0.011368554
Tidak 7 3 3 1 1.448815636
Respon Penjual Baik 51 45 5 1 0.599032601 0.155093513
Cukup Baik 53 27 19 7 1.41199461
Sangat Baik 1 1 0 0 0
Kurang Baik 15 7 3 5 1.5058231
Promo dan diskon Ya 104 69 22 13 1.241772416 0.145338448
Tidak 16 11 5 0 0
Fitur Gratis Ongkir Ya 119 80 26 13 1.213545523 0.018108565
Tidak 1 0 1 0 0
Keberagaman Pembayaran Ya 115 77 27 11 1.202200712 0.069432193
Tidak 5 3 0 2 0
Keamanan Pembayaran Ya 119 80 27 12 1.204433224 0.027144928
Tidak 1 0 0 1 0
Kecepatan Pengiriman Sangat Baik 3 3 0 0 0 0.557422884
Baik 62 55 7 0 0
Cukup Baik 45 20 18 7 1.46632651
Kurang Baik 10 2 2 6 1.370950594
Kualitas Produk Sangat Baik 2 2 0 0 0 0.319736141
Baik 70 62 7 1 0.574830793
Cukup Baik 39 15 18 6 1.460484681
Kurang Baik 9 1 2 6 1.224394445
1
Berdasarkan hasil perhitungan Table 2. Diketahui bahwa nilai atribut tertinggi adalah kecepatan pengiriman yaitu 0,567422884. Sehingga atribut kecepatan pengiriman menjadi tolak ukur awal sebagai Node akar. Nilai atribut Sangat Baik dan Baik adalah kosong, sehingga tidak peru melakukan perhitungan pada kelas atribut tersebut. Namun, untuk kelas atribut Puas, Cukup Puas dan Tidak Puas, belum ditemukan hasil tersebut. Hasil perhitungan manual peru disesuaikan pada tahap akhir penerapan Algoritma C4.5, yang dilakukan dengan menguji program RapidMiner. Berikut gambar dari Proses sistem pada data.
Gambar 6. Proses Sistem.
Pada Gambar 6. lakukan uji coba Rapidminer pada pencarian operation cari Read Excel. Sambungkan
“inp” ke “fil” read excel pilih Set Role, hungkan “out” read excel ke “exa” Set Role. Hubungkan “par” pada split data ke “tra” pada decision tree, apply model, lalu drag ke papan proses, tiap bagian dari Apply model ke set role dan decision tree. Hubungkan “ori” pada set role ke “un” dan “mod” pada decision tree ke “mod”
pada Apply model. Selanjutnya “lab” Apply Model ke “res” pertama. Cari Operators Performance, Hubungkan “lab” Apply model ke “lab” Performance, “per” dan “exa” ke “res” dua dan ketiga. Untuk menghasilkan Pohon keputusan. Berikut merupakan hasil Pengujian dataset berbentuk Pohon bercabang menampilkan isi dan hasil kuesioner.
Gambar 7. Pohon Keputusan.
Pada Gambar 7. Hasil pembentukan model data dalam perhitungan Algoritma C4.5 dihasilkan lebih dari 50 model aturan tingkat kepuasan pelanggan pengguna Shopee. Serta hasil akurasi Algoritma C4.5 menggunakan RapidMiner dengan operator Validation menunjukan tingkat akurasi 94,17%. Berikut adalah hasil akurasi yang diperoleh.
Gambar 8. Nilai Akurasi Algoritma C4.5.
Sebagai hasil pengolahan data yang dilakukan menggunakan RapidMiner, didapatkan akurasi sebesar 94,17%, Bahwa yang dihasilkan memiliki tingkat kepuasan mendekati 100%. Ada juga hasil class precision label Puas sebesar 94,05%, label Cukup Puas sebesar 95.45%.dan label Tidak Puas sebesar 91.67%.
Parameter yang digunakan pada kelompok keputusan telah dilakukan sesuai dengan kritera decision tree di
RapidMiner. Sesuai dengan persyaratan tersebut, hasil perhitungan manual dengan Microsoft Excel dan pengujian menggunakan RapidMiner menghasilkan model kepuasan pelanggan pengguna Shopee. Pohon keputusan, model aturan yang dibuat oleh RapidMiner, dapat dilihat pada Gambar 8. Artinya, proses pengujian dengan RapidMiner penerapan Algoritma C4.5 menghasilkan hasil yang lsesuai, yang berarti pengujian dengan RapidMiner berhasil dan dapat menemukan pohon keputusan tingkat kepuasan pelanggan Shopee.
4. Kesimpulan
Berdasarkan kuesioner dan perhitungan manual dengan Microsoft Excel dan pengujian menggunakan RapidMiner penerapan Algoritma C4.5 untuk mengkelasifikasi kepuasan pelanggan Shopee. Dari hasil pengujian dengan jumlah label berbeda yang diterapkan kedalam RapidMiner menghasilkan tingkat akurasi 94.17% medekati 100%. dengan Pengujian ini dapat mengetahui kepuasan pelanggan peengguna Shopee.
Daftar Pustaka
[1] Xianfeng Wu, Hanmeng Tan, “Research on the Construction of Consumption Experience Dimensions for the E-Commerce Offline”, Open Journal of Social Sciences, vol. 7, No. 3, 2019, doi : 10.4236/jss.2019.73034.
[2] Huang Yuwen, Song Guanxing,, Ye Qiongwei, “Perceived Trust Evaluation of Cross-border E- commerce Platforms in the Context of Socialization”, Procedia Computer Science, vol. 199, 2022, doi : https://doi.org/10.1016/j.procs.2022.01.067.
[3] Anindya Dwiana Putri, Tri Astuti, “Faktor – Faktor Yang Mempengaruhi Kepuasan Konsumen Serta Dampaknya Terhadap Minat Beli Ulang Konsumen”, DIPONEGORO JOURNAL OF
MANAGEMENT, vol. 6, no. 2, pp. 73-82, 2017,
https://ejournal3.undip.ac.id/index.php/djom/article/view/1748.
[4] Kompas.com, “6 Marketplace Terbesar di Indonesia Tahun 2022, Shopee Teratas”, https://tekno.kompas.com/read/2023/06/16/19300027/6-marketplace-terbesar-diindonesia-tahun-2022- shopee-teratas diakses tanggal 01 November 2023 pukul 13.03
[5] BINUS, “Shopee Menjadi E-Commerce Yang Sangat Diminati Bagi Masyarakat Mengapa?”,
https://student-activity.binus.ac.id/himka/2021/07/13/shopee menjadi-e-commerce yang-sangat- diminati-bagi-masyarakat-mengapa/ diakses tanggal 01 November 2023 pukul 14.20
[6] Ballya Vicky Haekal, Iin Ernawati, Nurul Chamidah, “Kasifikasi Kepuasan Pengguna Layanan Aplikasi Shopee Menggunakan Metode Decesion Tree C4.5”, Jurnal Informatik Ilmu Komputer, vol. 17, no. 3, 2021, doi: http://dx.doi.org/10.52958/iftk.v17i3.3648.
[7] Gumilar Ramadhan P, agus Perdana Windarto, Eka Irawan, Widodo Sapurta, Hery Okprana,
“Penerapan Data Mining Menggunakan Algoritma C4.5 Dalam Mengukur Tingkat Kepuasan Pasien BPJS”, Prosiding Seminar Nasional Riset Dan Information Science (SENARIS), vol. 2, pp. 376-385, 2020, https://tunasbangsa.ac.id/seminar/index.php/senaris/article/viewFile/185/186.
[8] Sutriawaty Takalapeta, “Penerapan Data Mining Untuk Menganalisis Kepuasan Konsumen Menggunakan Metode Algoritma C4.5”, Jurnal Informatika Merdeka Pasuruan, vol. 3, no. 3, 2018, doi:10.37438/jimp.v3i3.186.
[9] BINUS, “Konsep Decision Tree & Random Forest”, https://socs.binus.ac.id/2020/05/26/konsep- decision-tree-random-forest/ diakses tanggal 01 November 2023 pukul 16.00
[10] Oktafianto, “Analisis Kepuasan Mahasiswa Terhadap Pelayanan Akademik Menggunakan Metode Algoritma C4.5 (Studi Kasus: Stmik Pringsewu)”, Jurnal Teknik Informasi Magister Darmajaya, vol. 2, no. 01, 2016, pp. 1-11, https://media.neliti.com/media/publications/141503-ID-none.pdf
[11] Dicky Nofiansyah, Gunadi Widi Nurcahyo, “Algoritma data mining dan pengujian”, vol. 1, Ed.1, 2015, Deepublish, Yogyakarta.
[12] D. C. Samsiya, B. Uddin, N. Anwar, and B. A. Sekti, “Aplikasi Penjualan Online pada Toko Khanz Berbasis Web,” J. Nas. Komputasi dan Teknol. Inf., vol. 6, no. 5, pp. 674–681, 2023.
[13] C. R. Pakusadewa and U. Chotijah, “Perancangan Sistem Informasi Aplikasi Kasir Unit Pelayanan Jasa Toko Raya Computer Berbasis WEB,” J. Nas. Komputasi dan Teknol. Inf., vol. 6, no. 5, pp. 621–627, 2023.
[14] R. S. Hutabarat and T. Terttiaavini, “Mengevaluasi Kepuasan Pengguna dan Kegunaan Platform E- Commerce Berbasis Web: Studi Berbasis Kuesioner,” J. Nas. Komputasi dan Teknol. Inf., vol. 6, no. 3, pp. 402–406, 2023.
[15] D. Satria, Zulfan, S. Yana, and Julijar, “Perancangan SIstem Informasi Manajemen Pembelian dan Penjualan Komoditas Perkebunan Masyarakat Pada UD.Bintang Baru,” J. Manaj. dan Akunt., vol. 4, no. 1, pp. 39–47, 2018.
