Implementasi Metode K-Nearest Neighbor untuk Klasifikasi Tingkat Kepuasan Pelanggan pada Toko Buku Anugerah Ilmu

Authors

  • Muhammad Fajrul Fahmi Universitas Nusantara PGRI Kediri Indonesia
  • Risa Helilintar Universitas Nusantara PGRI Kediri Indonesia
  • Intan Nur Farida Universitas Nusantara PGRI Kediri Indonesia

DOI:

https://doi.org/10.29407/x4mg2w61

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. 

Keywords:

K-Nearest Neighbor, Kepuasan Pelanggan, Klasifikasi Data

##plugins.themes.default.displayStats.downloads##

##plugins.themes.default.displayStats.noStats##

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.

Downloads

Published

2025-07-10

Issue

Vol. 9 No. 2 (2025): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2025

Section

Articles

License

Copyright (c) 2025 Muhammad Fajrul Fahmi, Risa Helilintar, Intan Nur Farida

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Authors who publish with this journal agree to the following terms:

  1. Copyright on any article is retained by the author(s).
  2. The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
  3. Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
  4. Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
  5. The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License

How to Cite

Implementasi Metode K-Nearest Neighbor untuk Klasifikasi Tingkat Kepuasan Pelanggan pada Toko Buku Anugerah Ilmu. (2025). Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi), 9(2), 1471-1480. https://doi.org/10.29407/x4mg2w61