Komparasi Algoritme C4.5 Dan Naïve Bayes Dalam Klasifikasi Produk Zam–Zam Time Berdasarkan Tingkat Kepuasan Pelanggan
Abstract
The grouping of Zam-Zam Time products based on the level of customer satisfaction is carried out using the C4.5 and Naïve Bayes classification algorithms. Algorithm classification for Zam-Zam Time products is carried out to find out which products are classified as Best Selling or Less Selling. The purpose of this study is to measure and analyze the best algorithm for handling data on the level of customer satisfaction. Zam-Zam Time is classified as a best seller or not a best seller. The method used in this study was data preprocessing by distributing questionnaires and labeling taken from private or primary data from Zam-Zam Time itself as well as the results of a questionnaire of 400 customer respondents, then a classification analysis process was carried out. The results of the performance of the C4.5 Algorithm in the classification of Zam-Zam Time products are classified as Best Selling or Less Selling, namely with a Training data accuracy value of 98%, computation time of 0.003989458084106445 seconds, Testing data accuracy value of 96%, commutation time of 0.001993417739868164 seconds, with the 8th max_depth, and while Naïve Bayes Data Accuracy Value Training 90% computing time 0.0049860477447509766 seconds, Data Testing 85%, computing time 0.0019948482513427734 seconds.
Keywords: Classification; Customer Satisfaction; C4.5 Algorithm; Naïve Bayes; Zam-Zam Time
Abstrak
Pengelompokan produk Zam-Zam Time berdasarkan tingkat kepuasan pelanggan dilakukan menggunakan klasifikasi algoritme C4.5 dan Naïve Bayes. Klasifikasi algoritme pada produk Zam-Zam Time dilakukan untuk mengetahui produk tergolong laris atau kurang laris. Tujuan dari penelitian ini mengukur dan analisis algoritme terbaik dalam menangani data tingkat kepuasan pelanggan Zam-Zam Time tergolong laris atau kurang laris. Metode yang digunakan dalam penelitian ini adalah dilakukan preprocessing data dengan penyebaran kuesioner dan pelabelan yang diambil dari data privat atau primer dari Zam-Zam Time itu sendiri serta hasil kuesioner sebanyak 400 responden pelanggan, kemudian dilakukan proses analisis klasifikasi. Hasil kinerja Algoritme C4.5 dalam klasifikasi produk Zam-Zam Time tergolong Laris atau Kurang Laris yaitu dengan Nilai Akurasi data Training 98%, waktu komputasi 0.003989458084106445 detik, nilai akurasi data Testing 96%, waktu komutasi 0.001993417739868164 detik, dengan max_depth ke-8, sedangkan Naïve Bayes Nilai Akurasi data Training 90% waktu komputasi 0.0049860477447509766 detik, data Testing 85%, waktu komputasi 0.0019948482513427734 detik.
Kata Kunci: Kepuasan Pelanggan; Algoritme C4.5; Naïve Bayes; Klasifikasi; Zam-Zam Time
References
T. Imandasari, E. Irawan, A. Perdana Windarto, A. Wanto, And S. A. Tunas Bangsa Pematangsiantar Jln Jendral Sudirman Blok No, “Prosiding Seminar Nasional Riset Information Science (Senaris) Algoritme Naive Bayes Dalam Klasifikasi Lokasi Pembangunan Sumber Air,” No. September, Pp. 750–761, 2019.
E. Indrayuni, “Klasifikasi Text Mining Review Produk Kosmetik Untuk Teks Bahasa Indonesia Menggunakan Algoritme Naive Bayes,” J. Khatulistiwa Inform., Vol. 7, No. 1, Pp. 29–36, 2019, Doi: 10.31294/Jki.V7i1.1.
T. S. Jaya, “Klasifikasi Nanas Layak Jual Dengan Metode Naïve Bayes Classifier Dan K-Nearest Neighbor,” Vol. 13, No. 1, Pp. 2221–2229, 2021.
E. Setiani And W. Ce, “Text Classification Services Using Naïve Bayes For Bahasa Indonesia,” In Proceedings Of 2018 International Conference On Information Management And Technology, Icimtech 2018, 2018, Pp. 361–366. Doi: 10.1109/Icimtech.2018.8528258.
V. Anestiviya, A. Ferico, And O. Pasaribu, “Analisis Pola Menggunakan Metode C4.5 Untuk Peminatan Jurusan Siswa Berdasarkan Kurikulum (Studi Kasus : Sman 1 Natar),” J. Teknol. Dan Sist. Inf., Vol. 2, No. 1, Pp. 80–85, 2021, [Online]. Available: Http://Jim.Teknokrat.Ac.Id/Index.Php/Jtsi
P. B. N. Setio, D. R. S. Saputro, And Bowo Winarno, “Klasifikasi Dengan Pohon Keputusan Berbasis Algoritme C4.5,” Prism. Pros. Semin. Nas. Mat., Vol. 3, Pp. 64–71, 2020.
E. Purwaningsih, “Seleksi Mobil Berdasarkan Fitur Dengan Komparasi Metode Klasifikasi Neural Network, Support Vector Machine, Dan Algoritme C4.5,” J. Pilar Nusa Mandiri, Vol. Xii, No. 2, Pp. 153–160, 2016, [Online]. Available: Https://Ejournal.Nusamandiri.Ac. Id/Index.Php/Pilar/Article/View/269
I. Nawangsih, & A. Setyaningsih, “Penerapan Algoritma Naive Bayes Untuk Menentukan Klasifikasi Produk Terlaris Pada Penjualan Pulsa”. Jurnal SIGMA, vol. 10, no. 4, pp. 9-15, 2019.
A. Nurhidayati, “Klasifikasi Penjualan Obat Pertanian Laris Dan Kurang Laris Pada UD Cahaya Tani Menggunakan Metode Decission Tree”. Jurnal Informatika dan Teknologi, vol. 2, no. 2, pp. 101-108, 2019.
A.K. Lalo, P. Batarius, & Y.C.H. Siki, “Implementasi Algoritma C4. 5 Untuk Klasifikasi Penjualan Barang di Swalayan Dutalia”. Jurnal Teknik Informatika UNIKA Santo Thomas, vol. 6, no. 1, pp. 1-12, 2021.
R.W. Abdullah, D. Hartanti, H. Permatasari, A.W. Septyanto, & Y.A. Bagaskara, “Penerapan Data Mining untuk Memprediksi Jumlah Produk Terlaris Menggunakan Algoritma Naive Bayes Studi Kasus (Toko Prapti)”. Jurnal Informatika Global, vol. 13, no. 1, pp. 34-41, 2022
A. Hanafiah, Sutedja, & I. Ahmaddien, Pengantar Statistika. Bandung: Widina Bhakti Persada Bandung, 2020.
R. H. Alawiah, Saifullah, And I. S. Damanik, “Analisis Kepuasan Konsumen Terhadap Pelayanan Bengkel Menggunakan Metode Algoritme C4.5,” J. Penerapan Sist. Inf. (Komputer Manajemen), Vol. 2, No. 1, Pp. 31–38, 2021, Doi: 10.29406/Jpr.V4i1.789.
D. R. Adhy, “Rancang Bangun Sistem Prediksi Varietas Padi Yang Cocok Dengan Lahan Menggunakan Metode Data Mining Algoritme C4. 5,” Jurnal Ilmiah Sains, Teknologi Dan Rekayasa. 2021. [Online]. Available: Http://Saintesa.Sttybsi.Ac.Id/Index. Php/Saintesa/Article/View/3
D. J. Hand, Principles Of Data Mining, Vol. 30, No. 7. 2007. Doi: 10.2165/00002018-200730070-00010.
Fatmawati, “Perbandingan Algoritme Klasifikasi Data Mining Model C4.5 Dan Naive Bayes Untuk Prediksi Penyakit Diabetes,” J. Techno Nusa Mandiri, Vol. Xiii, No. 1, P. 50, 2016.
Budi Raharjo, Pembelajaran Mesin (Machine Learning). Semarang: Yayasan Prima Agus Teknik, 2016. [Online]. Available: Https://Www.Codepolitan.Com/Mengenal-Teknologi-Machine-Learning-Pembelajaran-Mesin
F. T. Admojo And Ahsanawati, “Klasifikasi Aroma Alkohol Menggunakan Metode Knn,” Indones. J. Data Sci., Vol. 1, No. 2, Pp. 34–38, 2020, Doi: 10.33096/Ijodas.V1i2.12.
T. A. M. Putri, U. Enri, And B. N. Sari, “Ijcit (Indonesian Journal On Computer And Information Technology) Analisis Algoritme Naive Bayes Classifier Untuk Klasifikasi Tweet Pelecehan Seksual Dengan #Metoo,” Ijcit (Indonesian J. Comput. Inf. Technol., Vol. 5, No. 2, Pp. 126–135, 2020, [Online]. Available: Https://Ejournal.Bsi.Ac.Id/Ejurnal/Index. Php/Ijcit/Article/View/8636
A. Rosadi And D. Gustiana, “Analisis Sentimen Berdasarkan Opini Pengguna Pada Media Twitter Terhadap Bpjs Menggunakan Metode Lexicon Based Dan Naïve Bayes Classifier,” J. Ilm. Komputasi, Vol. 20, No. 1, Pp. 39–52, 2021, Doi: 10.32409/Jikstik.20.1.401.
D. Normawati And S. A. Prayogi, “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” J. Sains Komput. Inform., Vol. 5, No. 2, Pp. 697–711, 2021.
W. Widystuti And J. B. B. Darmawan, “Pengaruh Jumlah Data Set Terhadap Akurasi Pengenalan Dalam Deep Convolutional Network,” Konf. Nas. Sist. Inf., Pp. 8–9, 2018.
I. Budiman, Muliadi, And R. Ramadina, “Penerapan Fungsi Data Mining Klasifikasi Untuk Prediksi Masa Studi Mahasiswa Tepat Waktu Pada Sistem Informasi Akademik Perguruan Tinggi,” J. Jupiter, Vol. 7, No. 1, Pp. 39–50, 2015.
Ainurrohmah, “Akurasi Algoritme Klasifikasi Pada Software Rapidminer Dan Weka,” Prisma, Vol. 4, Pp. 493–499, 2021, [Online]. Available: Https://Journal.Unnes.Ac.Id/Sju/ Index.Php/Prisma/
N. S. B. Kusrorong, D. R. Sina, And N. D. Rumlaklak, “Kajian Machine Learning Dengan Komparasi Klasifikasi Prediksi Dataset Tenaga Kerja Non-Aktif,” J-Icon, Vol. 7, No. 1, Pp. 37–49, 2019.
G. Lukhayu Pritalia, “Penerapan Algoritme C4.5 Untuk Penentuan Ketersediaan Barang E-Commerce,” Indones. J. Inf. Syst., Vol. 1, No. 1, Pp. 47–56, 2018, Doi: 10.24002/Ijis. V1i1.1727.
S. Ucha Putri, E. Irawan, F. Rizky, S. Tunas Bangsa, P. A. -Indonesia Jln Sudirman Blok No, And S. Utara, “Implementasi Data Mining Untuk Prediksi Penyakit Diabetes Dengan Algoritme C4.5,” Januari, Vol. 2, No. 1, Pp. 39–46, 2021.
F. M. Hana, “Klasifikasi Penderita Penyakit Diabetes Menggunakan Algoritme Decision Tree C4.5,” J. Sist. Komput. Dan Kecerdasan Buatan, Vol. 4, No. 1, pp. 32-39, 2020.
N. Nurhidayati And A. Alimuddin, “Klasifikasi Penjualan Obat Pertanian Laris Dan Kurang Laris Pada Ud Cahaya Tani Menggunakan Metode Decission Tree,” Infotek J. Inform. Dan Teknol., Vol. 2, No. 2, Pp. 101–108, 2019, Doi: 10.29408/Jit.V2i2.1489.
M. Muhamad, A. P. Windarto, And S. Suhada, “Penerapan Algoritme C4.5 Pada Klasifikasi Potensi Siswa Drop Out,” Komik (Konferensi Nas. Teknol. Inf. Dan Komputer), Vol. 3, No. 1, Pp. 1–8, 2019, Doi: 10.30865/Komik.V3i1.1688.
How To Cite This :
Refbacks
- There are currently no refbacks.
