Komparasi Algoritma Decision Tree, Random Forest, SVM dan KNN dalam Klasifikasi Kepuasan Penumpang Maskpai Penerbangan

• MUZAKKI HAFIZH SETIONO

---

ABSTRAK

ABSTRAK

Muzakki Hafizh Setiono (12180498), Komparasi Algoritma Decision Tree, Random Forest, SVM dan KNN dalam Klasifikasi Kepuasan Penumpang Maskpai Penerbangan

Pada era globalisasi ini telah mengubah berbagai paradigma dalam sektor bisnis yang berdampak pada meningkatnya persaingan antar maskapai penerbangan. Seiring dengan minat calon konsumen yang terus tumbuh, berbagai cara telah dilakukan oleh setiap maskapai penerbangan dalam meningkatkan tipe atau standar kualitas pelayanan. Dalam mengevaluasi kualitas layanan yang diberikan oleh maskapai penerbangan dari perspektif bisnis, aspek layanan ini harus dievaluasi berdasarkan indikator kepuasan konsumen. Teknik data mining adalah salah satu metode yang dapat digunakan dalam menentukan tingkat kepuasan konsumen. Evaluasi ini dapat dilakukan dengan menggunakan model klasifikasi. Algortima klasifikasi yang digunakan dalam penelitian ini antara lain: Decision Tree, Random Foreset, Support Vector Machine (SVM) dan K-Nearest Neighbor (K-NN). Adapaun tahapan dalam penelitian ini melakukan analisis data, data preprocessing, pembuatan model, melakukan uji model dan mengevaluasi hasil dari model yang dibuat. Dari hasil penelitian yang dilakukan dapat diketahui bahwa Random Forest merupakan algortima klasifikasi yang paling baik dalam studi kasus ini, dengan nilai tingkat akurasi yaitu 96%. Adapun untuk Decision Tree, Support Vector Machine (SVM) dan K-Nearest Neighbor masing-masing memiliki tingkat akurasi 94%, 95% dan 93%.

Kata kunci: Kepuasan Maskapai Penerbangan, Data Mining , Decision Tree, Random Forest, K-NN, SVM

KATA KUNCI

Algoritma Decision tree

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

[1] Siti Fatimah, Pengantar Transportasi. Ponorogo: Myria Publisher, 2019.

[2] A. Rudi and Asrul, Pengantar Sistem dan Perencanaan Transpotasi. Yogyakarta: Deepublish, 2018.

[3] E. L. Widjaja, “Analisa Pengaruh Kualitas Layanan Terhadap Kepuasan Penumpang Maskapai Penerbangan Batik Air,” Univ. Kristen Petra, vol. 2013, no. Lcc, pp. 224–233, 2017, [Online]. Available: http://publication.petra.ac.id/index.php/manajemenperhotelan/article/view/5943.

[4] S. Gultom, D. Marlita, and A. Wardana, “Kualitas Layanan , Kepercayaan Merek dan Kepuasan Penumpang,” J. Manaj. Transp. Logistik, vol. 05, no. 02, pp. 169–178, 2018, [Online]. Available: https://journal.itltrisakti.ac.id/index.php/jmtranslog/article/view/248.

[5] E. R. Lestari, Manajemen Inovasi: Upaya Meraih Keunggulan Kompetitif. Universitas Brawijaya Press, 2019.

[6] Yoga Religia and Amali, “Perbandingan Optimasi Feature Selection pada Naïve Bayes untuk Klasifikasi Kepuasan Airline Passenger,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 3, pp. 527–533, 2021, doi: 10.29207/resti.v5i3.3086.

[7] A. Wijayanto, J. F. A. Bernardo, and S. Pamungkas, “Analisis Klasifikasi Kepuasan Penumpang Maskapai Penerbangan Menggunakan Algoritma Naïve Bayes,” J. Sains Komput. dan Teknol. Inf., vol. 3, no. 2, pp. 97–103, 2021, doi: 10.33084/jsakti.v3i2.2041. 55

[8] S. Adinugroho and Y. A. Sari, Implementasi Data Mining Menggunakan Metode. Malang: Universitas Brawijaya Press, 2018.

[9] W. Nengsih, “Analisa Akurasi Permodelan Supervised Dan Unsupervised Learning Menggunakan Data Mining,” Sebatik, vol. 23, no. 2, pp. 285–291, 2019, doi: 10.46984/sebatik.v23i2.771.

[10] D. P. Utomo and M. Mesran, “Analisis Komparasi Metode Klasifikasi Data Mining dan Reduksi Atribut Pada Data Set Penyakit Jantung,” J. Media Inform. Budidarma, vol. 4, no. 2, p. 437, 2020, doi: 10.30865/mib.v4i2.2080.

[11] P. R. Sihombing and I. F. Yuliati, “Penerapan Metode Machine Learning dalam Klasifikasi Risiko Kejadian Berat Badan Lahir Rendah di Indonesia,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 20, no. 2, pp. 417–426, 2021, doi: 10.30812/matrik.v20i2.1174.

[12] S. Hendrian, “Algoritma Klasifikasi Data Mining Untuk Memprediksi Siswa Dalam Memperoleh Bantuan Dana Pendidikan,” Fakt. Exacta, vol. 11, no. 3, 2018, doi: 10.30998/faktorexacta.v11i3.2777.

[13] H. Yomeldi, M. R. Azmy, and R. Pranita, “Analisis Kecenderungan Keterlambatan Pembayaran Pengecekan Kapal di Pelabuhan Regional Riau,” J. Sist. Cerdas, vol. 2, no. 2, pp. 92–98, 2019, doi: 10.37396/jsc.v2i2.36.

[14] I. Saputra and D. A. Kristiyanti, Machine Learning Untuk Pemula. Bandung: Informatika Bandung, 2022.

[15] Imam Tahyudin, Pengenalan Machine Learning Menggunakan Jupyter Notebook. Zahira Media, 2020.

[16] R. A. Rizal, I. S. Girsang, and S. A. Prasetiyo, “Klasifikasi Wajah 56 Menggunakan Support Vector Machine (SVM),” REMIK (Riset dan E-Jurnal Manaj. Inform. Komputer), vol. 3, no. 2, p. 1, 2019, doi: 10.33395/remik.v3i2.10080.

[17] H. N. Irmanda and Ria Astriratma, “Klasifikasi Jenis Pantun Dengan Metode Support Vector Machines (SVM),” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 4, no. 5, pp. 915–922, 2020, doi: 10.29207/resti.v4i5.2313.

[18] M. M. Baharuddin, H. Azis, and T. Hasanuddin, “Analisis Performa Metode K-Nearest Neighbor Untuk Identifikasi Jenis Kaca,” Ilk. J. Ilm., vol. 11, no. 3, pp. 269–274, 2019, doi: 10.33096/ilkom.v11i3.489.269-274.

[19] F. Tempola, M. Muhammad, and A. Khairan, “Perbandingan Klasifikasi Antara KNN dan Naive Bayes pada Penentuan Status Gunung Berapi dengan K-Fold Cross Validation,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 5, p. 577, 2018, doi: 10.25126/jtiik.201855983.

[20] M. W. Prihatmono and A. F. Watratan, “Implementasi Algoritma C4.5 Menggunakan Python Untuk Klasifikasi Kepuasan Konsumen,” J. Inform. Prog., vol. 11, pp. 49–55, 2019, [Online]. Available: https://jurnal.stmikprofesional.ac.id/index.php/Progress/article/view/146/22.

[21] R. M. Awangga, R. Prastya, T. A. D. Simamora, D. Majesty, and I. Fadilah, Dasar-Dasar Python. Kreatif Industri Nusantara, 2019.

[22] D. Setiabudidya, “Penggunaan Piranti Lunak Jupyter Notebook Dalam Upaya Mensosialisasikan Open Science,” INA-Rxiv, pp. 1–4, 2017, [Online]. Available: https://www.researchgate.net/publication/326132474_PENGGUNAAN_PIRA 57 NTI_LUNAK_JUPYTER_NOTEBOOK_DALAM_UPAYA_MENSOSIALI SASIKAN_OPEN_SCIENCE.

[23] D. F. Sengkey, F. D. Kambey, S. P. Lengkong, S. R. Joshua, and H. V. F. Kainde, “Pemanfaatan Platform Pemrograman Daring dalam Pembelajaran Probabilitas dan Statistika di Masa Pandemi CoVID-19,” J. Inform., vol. 15, pp. 257–264, 2020.

[24] D. A. Firdlous, “Komparasi Algoritma Klasifikasi Data Mining Untuk Memprediksi Penyakit Jantung,” J. Ilmu-ilmu Inform. dan Manaj. STMIK, vol. 16, pp. 79–84, 2022.

[25] N. B. Putri and A. W. Wijayanto, “Analisis Komparasi Algoritma Klasifikasi Data Mining Dalam Klasifikasi Website Phishing,” J. Sist. Komput., vol. 11, pp. 59–66, 2022, [Online]. Available: https://ojs.unikom.ac.id/index.php/komputika/article/view/4350.

[26] R. Annisa, “Analisis Komparasi Algoritma Klasifikasi Data Mining Untuk Prediksi Penderita Penyakit Jantung,” J. Tek. Inform. Kaputama, vol. 3, no. 1, pp. 22–28, 2019, [Online]. Available: https://jurnal.kaputama.ac.id/index.php/JTIK/article/view/141/156.

[27] S. Watmah, Suryanto, and Martias, “Komparasi Metode K-NN, Support Vector Machine, Dan Random Forest Pada E-Commerce ShopeeKomparasi Metode K-NN, Support Vector Machine, Dan Random Forest Pada ECommerce Shopee,” Insa. - J. Inov. dan Sains Tek. Elektro, vol. 2, no. 1, pp. 15–21, 2021, [Online]. Available: http://103.75.24.116/index.php/insantek/article/view/419. 58

[28] A. Purnamawati, W. Nugroho, D. Putri, and W. F. Hidayat, “InfoTekJar?: Jurnal Nasional Informatika dan Teknologi Jaringan AttributionNonCommercial 4.0 International. Some rights reserved Deteksi Penyakit Daun pada Tanaman Padi Menggunakan Algoritma Decision Tree, Random Forest, Naïve Bayes, SVM dan KNN,” J. Nas. Inform. dan Teknol. Jar., vol. 5, no. 1, pp. 212–215, 2020, [Online]. Available: https://doi.org/10.30743/infotekjar.v5i1.2934.

[29] N. L. W. S. R. Ginantra, F. N. Arifah, A. H. Wijaya, R. S. Septarini, and N. Ahmad, Data Mining dan Penerapan Algoritma. Yayasan Kita Menulis, 2021.