Komparasi Algoritme K-Nearest Neighbors Dan Support Vector Machines Dalam Prediksi Layanan Produk ICONNET
Abstract
Prediction of customer needs is needed to help ICON+ management provide maximum and quality ICONNET services to customers, and is useful for company management in planning related products offered, as well as providing input to management regarding products that are in great demand by customers. This study implements and compares the K-Nearest Neighbor (K-NN) and Support Vector Machine (SVM) algorithms in predicting the service Iconnet products that are most in demand by customers, so as to facilitate ICON+ management in planning customer service provision, and preparing market strategies in the future. future. A total of 3,206 datasets (consisting of 2,565 training data and 641 testing data) ICONNET service enthusiasts for 1 year that have been cleaned, were tested on both algorithms, based on parameters Bandwidth, Request_Date, Status, customer address, and service fee. Algorithm performance accuracy was tested using Cross Validation, Confusion Matrix and ROC curve methods. The results of the accuracy test show that the performance of the K-NN algorithm is more accurate than the SVM algorithm in various test categories.
Keywords: Data Mining; Customer interest; Performance Accuracy; Cross Validation; Confusion Matrix
Abstrak. Prediksi kebutuhan pelanggan diperlukan untuk membantu manajemen ICON+ menyediakan layanan ICONNET secara maksimal dan berkualitas kepada pelanggan, serta berguna bagi jajaran manajemen perusahaan dalam melakukan perencanaan terkait produk yang ditawarkan, serta memberi masukan pada pihak manajemen mengenai produk yang banyak diminati oleh pelanggan. Penelitian ini mengimplementasikan dan membandingkan algoritme K-Nearest Neighbor (K-NN) dan Support Vector Machine (SVM) dalam memprediksi layanan produk Iconnet yang paling diminati oleh pelanggan, sehingga dapat mempermudah manajemen ICON+ dalam perencanaan penyediaan layananan pelanggan, dan penyusunan strategi pasar di masa mendatang. Sebanyak 3.206 dataset (terdiri atas 2.565 data training dan 641 data testing) peminat layanan ICONNET selama 1 tahun yang telah dibersihkan, diuji pada kedua algoritme tersebut, berdasarkan parameter Bandwith, Request_Date, Status, alamat pelanggan, dan biaya layanan. Akurasi kinerja algoritme diuji menggunakan metode Cross Validation, Confusion Matrix serta ROC curve. Hasil uji akurasi menunjukkan kinerja algoritme K-NN lebih akurat dari algoritme SVM pada berbagai kategori pengujian.
Kata kunci: Data Mining; Minat pelanggan; Akurasi Kinerja; Cross Validation; Confusion Matrix
References
S. Nuryudayatun, “Membangun Kepuasan Pelanggan dengan Melakukan Customer Understanding”. Jurnal Bisnis, Manajemen, dan Akuntansi, vol. 1, no. 2, pp. 17-24, 2013.
D. T. Larose, Discovering knowledge in data: an introduction to data mining. Hoboken, N.J: Wiley-Interscience, 2005.
D. T. Larose, Data Mining Methods and Models: Larose/Data Mining Methods and Models. Hoboken, NJ, USA: John Wiley & Sons, Inc., 2005.
A. U. Haspriyanti and P. T. Prasetyaningrum, “Penerapan Data Mining Untuk Prediksi Layanan Produk IndihomeMenggunakan Metode K-NearstNeighbor,” Journal of Information System and Artificial Intelligence, vol. 1, no. 2, pp. 57–64, 2021.
T. Praningki and Budi, “Sistem Prediksi Penyakit Kanker Serviks Menggunakan CART, Naive Bayes, dan k-NN”. Creative Information Technology Journal, vol. 4, no. 2, pp. 83-93, 2018.
H.A. Wowiling and J. Johan, “Aplikasi Diagnosis Penyakit Kulit Pada Kucing Menggunakan K-Nearest Neighbor (K-NN)”. Jurnal Mahasiswa Aplikasi Teknologi Komputer dan Informasi (JMApTeKsi), vol. 2, no. 1, pp. 56-61, 2020.
Y. Umaidah and P. Purwantoro, “Penerapanalgoritme K-Nearest Neighbor (K-NN) Dengan Pencarian Optimaluntuk Prediksi Prestasi Siswa”. Journal of Information System, Informatics and Computing, vol. 3, no. 2, pp. 1-8, 2019.
A.S. Mananta and G.A. Sandag, “Prediksi Kelulusan Mahasiswa Dalam Memilih Program Magister Menggunakan Algoritme K-NN”. Smart Comp: Jurnalnya Orang Pintar Komputer, vol. 10, no. 2, pp. 90-96, 2021.
H.S. Perdana, R. Ruliah, and S. Fathimah, “Penentuan Keberhasilan Inseminasi Buatan Pada Sapi Menggunakan K-Nearest Neighbor”. Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi, vol. 7, no. 1, pp. 11-20, 20128.
R. Tineges, A. Triayudi, and I. D. Sholihati, “Analisis Sentimen Terhadap Layanan Indihome Berdasarkan Twitter Dengan Metode Klasifikasi Support Vector Machine (SVM),” mib, vol. 4, no. 3, pp. 650-658, 2020, doi: 10.30865/mib.v4i3.2181.
A. Darmawan, N. Kustian, and W. Rahayu, “Implementasi data mining menggunakan model svm untuk prediksi kepuasan pengunjung taman tabebuya”. STRING (Satuan Tulisan Riset dan Inovasi Teknologi), vol. 2, no. 3, pp. 299-307, 2018.
N.P.N. Hendayanti, I.K.P. Suniantara, and M. Nurhidayati, “Penerapan Support Vector Regression (SVR) Dalam Memprediksi Jumlah Kunjungan Wisatawan Domestik Ke Bali”. Jurnal Varian, vol. 3, no. 1, pp. 43-50, 2019.
Y.V. Wijaya, A. Erfina, and C. Warman, “Analisis Sentimen Seputar UU ITE Menggunakan Algoritma Support Vector Machine”. Progresif: Jurnal Ilmiah Komputer, vol. 17, no. 2, pp. 1-14, 2021.
Y. Ramdhani and A. Mubarok, “Analisis Time Series Prediksi Penutupan Harga Saham Antm. Jk Dengan Algoritme SVM Model Regresi”. Jurnal Responsif: Riset Sains dan Informatika, vol. 1, no. 1, pp. 77-82, 2019.
S. Wahyuni, I. Sulistianingsih, E. Hariyanto, and O.C.V. Lumbanbatu, “Data Mining Prediksi Minat Customer Penjualan Handphone Dengan Algoritme Apriori”. JURNAL UNITEK, vol. 14, no. 2, pp. 10-19, 2021.
P.F. Longgana, I. Irvan, and A.H. Wilarto, “Penentuan Minat Konsumen Terhadap Produk Menggunakan Algoritme Apriori Pada PT. Telkom Indonesia”. Jurnal Teknoinfo, vol. 16, no. 2, pp. 340-353, 2022.
H. Susana, S. Khofidoh, and A. Al Afghani, “Implementasi Data Mining Metode C. 45 untuk Memprediksi Peminat Kuota Internet pada Masa Covid 19. MEANS (Media Informasi Analisa dan Sistem), vol. 6, no. 2, pp. 155-157, 2021.
D. Nofriansyah, K. Erwansyah, and M. Ramadhan, “Penerapan Data Mining dengan Algoritme Naive Bayes Clasifier untuk Mengetahui Minat Beli Pelanggan terhadap Kartu Internet XL (Studi Kasus di CV. Sumber Utama Telekomunikasi). Jurnal Saintikom, vol. 15, no. 2, pp. 81-92, 2016
A. Sarino, “Upaya Menciptakan Kepuasan Pelanggan Dengan Pengelolaan Service Quality (Servqual),” Jurnal MANAJERIAL, vol. 9, no. 2, pp. 19–24, 2010, doi: 10.17509/manajerial.v9i2.1798.
T. Thi Bi Dan, S. Widya Sihwi, and R. Anggrainingsih, “Implementasi Iterative Dichotomiser 3 Pada Data Kelulusan Mahasiswa S1 Di Universitas Sebelas Maret,” ITSmart, vol. 4, no. 2, pp. 84-91, 2016, doi: 10.20961/its.v4i2.1770.
J. Demšar et al., “Orange: Data Mining Toolbox in Python,” Journal of Machine Learning Research, vol. 14, no. 35, pp. 2349–2353, 2013.
Defiyanti, “Analisis dan Prediksi Kinerja Mahasiswa Menggunakan Teknik Data Mining,” Syntax J. Inf., vol. 2, no. 1, pp. 1-8, 2016, doi: 10.35706/syji.v2i01.192.
I. Loelianto, Moh. S. S. Thayf, and H. Angriani, “Implementasi Teori Naive Bayes Dalam Klasifikasi Calon Mahasiswa Baru Stmik Kharisma Makassar,” SINTECH Journal, vol. 3, no. 2, pp. 110–117, 2020, doi: 10.31598/sintechjournal.v3i2.651
S.A. Naufal, A. Adiwijaya, and W. Astuti, “Analisis Perbandingan Klasifikasi Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN) untuk Deteksi Kanker dengan Data Microarray. JURIKOM (Jurnal Riset Komputer), vol. 7, no. 1, pp. 162-168, 2020.
A. Budianto, R. Ariyuana, and D. Maryono, “Perbandingan K-Nearest Neighbor (KNN) Dan Support Vector Machine (SVM) Dalam Pengenalan Karakter Plat Kendaraan Bermotor. Jurnal Ilmiah Pendidikan Teknik dan Kejuruan, vol. 11, no. 1, pp. 27-35, 2018.
How To Cite This :
Refbacks
- There are currently no refbacks.
