Keywords
Kepuasan Pelanggan
Klasifikasi Data
How to Cite
Abstract
Penelitian ini bertujuan membangun sistem klasifikasi kepuasan pelanggan menggunakan algoritma K-Nearest Neighbor pada Toko Buku Anugerah Ilmu di Kabupaten Kediri. Masalah utama yang dihadapi adalah pengolahan data survei kepuasan pelanggan yang masih dilakukan secara manual, sehingga menyulitkan proses klasifikasi dan analisis data. Metode penelitian menggunakan pendekatan kuantitatif dengan mengimplementasikan algoritma K-Nearest Neighbor pada 170 data survei yang dibagi dengan rasio 90:10 untuk data training dan testing. Hasil penelitian menunjukkan tingkat akurasi sistem mencapai 88,24% dengan nilai K=3, dimana sistem berhasil mengklasifikasikan data ke dalam tiga kategori kepuasan (Puas, Biasa, dan Kurang Puas). Tingkat presisi dan recall untuk kategori Puas mencapai 100%, sementara untuk kategori Biasa dan Kurang Puas sebesar 67%. Implementasi sistem ini sangat bermanfaat bagi toko dalam menganalisis data survei secara lebih cepat dan akurat untuk mendukung pengambilan keputusan strategis.
References
[1] A. S. Maulana, “Pengaruh Kualitas Pelayanan dan Harga terhadap Kepuasan Pelanggan,” J. Econ. Bus. UBS, vol. 8, no. 1, pp. 1–17, 2022, doi: 10.52644/joeb.v8i1.13.
[2] R. Yusuf, H. Hendawati, and L. A. Wibowo, “Pengaruh Konten Pemasaran Shoppe Terhadap Pembelian Pelanggan,” J. Manaj. Pendidik. dan iImu Sos., vol. 1, no. 2, pp. 506–515, 2020, doi: 10.38035/JMPIS.
[3] M. Fansyuri, “Analisa algoritma klasifikasi k-nearest neighbor dalam menentukan nilai akurasi terhadap kepuasan pelanggan (study kasus pt. Trigatra komunikatama),” Humanika J. Ilmu Sos. Pendidikan, dan Hum., vol. 3, no. 1, pp. 29–33, 2020, doi: https://doi.org/10.47065/josh.v6i1.6038.
[4] F. Rahmadana, N., Rahim, A., & Yulianto, “ANALISIS KEPUASAN PELANGGAN MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS PADA PERUSAHAAN UMUM DAERAH AIR MINUM BATIWAKKAL BERAU,” vol. 9, pp. 183–192, 2024, doi: https://doi.org/10.24252/instek.v9i2.51236.
[5] Hernawati and A. Yani, “Sistem Informasi Survei Kepuasan Pelanggan Berbasis Web Pada PT. Usaha Saudara Mandiri Tangerang,” Insa. –Jurnal Inov. dan Sains Tek. Elektro, vol. 1, no. 2, pp. 108–115, 2022.
[6] David W. Aha, Dennis Kibler, and M. K. Albert, “Instance-Based Learning Algorithms DAVID,” Mach. Learn., vol. 6, no. Springer, pp. 37--66, 1991.
[7] E. Y. Boateng, J. Otoo, and D. A. Abaye, “Basic Tenets of Classification Algorithms K-Nearest-Neighbor, Support Vector Machine, Random Forest and Neural Network: A Review,” J. Data Anal. Inf. Process., vol. 08, no. 04, pp. 341–357, 2020, doi: 10.4236/jdaip.2020.84020.
[8] I. H. Witten and E. Frank, Credibility: Evaluating What’s been Learned. 2005. [Online]. Available: http://books.google.com/books?hl=en&lr=&id=QTnOcZJzlUoC&oi=fnd&pg=PR17&dq=Data+Mining+Practical+Machine+Learning+Tools+and+Techniques&ots=3gpDdrWiOc&sig=TZS7G8l1eXSa2SpAvfD6aBoJ2lw
[9] A. R. Setiawan, M. Asfi, A. Sevtiana, S. Pranata, and W. E. Septian, “Design System pada Perancangan Antarmuka Perangkat Lunak Sistem Akses Digital,” vol. 9, no. 1, pp. 56–64, 2023, doi: https://doi.org/10.54914/jtt.v9i1.619.
[10] S. Junaidi, M. Devegi, and H. Kurniawan, “Pelatihan Pengolahan dan Visualisasi Data Penduduk menggunakan Python,” ADMA J. Pengabdi. dan Pemberdaya. Masy., vol. 4, no. 1, pp. 151–162, 2023, doi: 10.30812/adma.v4i1.2963.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Muhammad Fajrul Fahmi, Risa Helilintar, Intan Nur Farida