Implementation of K-Nearest Neighbor Algorithm for Customer Satisfaction

Abstrak—Kepuasan pelanggan merupakan tujuan perusahaan dalam memberikan pelayanan kepada pelanggannya. Sewa Kamera Cikarang berkomitmen terhadap kepuasan pelanggan. Dengan menggunakan algoritma K Nearest Neighbor (KNN) penelitian ini dilakukan untuk menganalisis kepuasan pelanggan penyewa kamera. Pada penelitian ini harga, fasilitas, pelayanan dan loyalitas merupakan atribut input dari kepuasan pelanggan. Puas dan tidak puas merupakan hasil dari outputnya. Peningkatan kepuasan pelanggan dan peningkatan keuntungan pada Sewa Kamera Cikarang merupakan tujuan dari penelitian ini. Penelitian ini dengan menggunakan algoritma KNN diperoleh akurasi = 98%, recall klasifikasi = 86,67%, akurasi klasifikasi = 100% dan AUC = 0,750. Diharapkan hasil penelitian ini dapat dijadikan acuan untuk membangun aplikasi yang dapat memudahkan perusahaan dalam memperoleh informasi mengenai kepuasan pelanggan. 

Kata Kunci—Datamining, klasifikasi, algoritma KNN, kepuasan pelanggan.

1.  Dataset Merupakan kumpulan data, tabel basis data yang direpresentasikan oleh dataset, atau bisa juga berupa matriks data yang mana setiap variabel tertentu direpresentasikan oleh kolom, jumlah data direpresentasikan oleh baris. Operator Retrieve memuat objek RapidMiner ke dalam proses yang digunakan dalam penelitian ini. ExampleSet, tetapi bisa juga berupa Collection atau Model. Data diambil dengan cara ini serta meta data dari Objek RapidMiner. 
2.  Validation Operator yang digunakan untuk melakukan validasi sederhana membagi ExampleSet secara acak ke dalam training set untuk mengatur pengujian dan mengevaluasi model. Split validation untuk mengestimasi kinerja operator learning (biasanya dalam data set yang tidak terlihat) dilakukan oleh operator ini. Dalam praktiknya, akan ditunjukkan seberapa akurat suatu estimasi model (dipelajari oleh operator learning tertentu). 
3.  Algoritma KNN Pada penelitian ini dilakukan percobaan dengan menggunakan metode klasifikasi decamination tree datamining algoritma KNN pada data kuesioner kepuasan pelanggan Rental Kamera Cikarang. Data akan diolah menggunakan algoritma KNN dan menghasilkan sebuah model, kemudian model yang dihasilkan akan diuji Cross Validation yang menghasilkan akurasi, presisi, recall dan AUC. 
4. Apply Model Algoritma learning yang merupakan model pertama yang dilatih pada ExampleSet oleh Operator lain. Setelah itu, model ini dapat diaplikasikan ke ExampleSet lain yang disebut Apply Model. Untuk mendapatkan prediksi pada data yang tidak terlihat atau untuk mentransformasi data dengan menerapkan model preprocessing merupakan tujuan dari penerapan model. Atribut model harus kompatibel dengan ExampleSet tempat model diaplikasikan. ExampleSet Apply Model harus memiliki atribut nomor, urutan, tipe, dan peran yang sama dengan ExampleSet yang digunakan untuk membangkitkan model. 
5. Performance Operator digunakan untuk mengevaluasi statistik dari tugas klasifikasi binomial, yaitu tugas klasifikasi yang atribut labelnya memiliki tipe binomial. Operator ini memberikan daftar nilai kriteria kinerja dari tugas klasifikasi binomial. Mengukur hasil penelitian ini menggunakan matriks konfusi (akurasi, recall klasifikasi, akurasi klasifikasi) dan kurva ROC.

Kesimpulan__Metode klasifikasi menggunakan algoritma KNN sangat baik untuk menentukan ketepatan klasifikasi dalam penambangan data. Terbukti dengan hasil akurasi = 98%, recall klasifikasi = 86,67%, presisi klasifikasi = 100%, dan AUC = 0,750.

Reference:  https://journal.ubpkarawang.ac.id/index.php/bit-cs/article/view/886/872

Thumbnail:  https://serokell.io/blog/knn-algorithm-in-ml