Perbandingan Algoritma C4.5 dan Naïve Bayes dalam Prediksi Loyalitas Pelanggan

Authors

    Ardiane Rossi Kurniawan Maranto( 1 ) Liliy Damayanti( 2 ) Irvan Rahul Ramadika( 3 )

    (1) Universitas Buddhi Dharma
    (2) Universitas Buddhi Dharma
    (3) Universitas Buddhi Dharma

DOI:


https://doi.org/10.32877/bt.v7i2.1825

Keywords:


Algorithm C4.5, Data Mining, Internet Service Provide, Loyalitas Pelanggan, Naïve Bayes

Abstract

Industri Internet Service Provider (ISP) saat ini menghadapi tantangan besar dalam menjaga loyalitas pelanggan di tengah persaingan pasar yang semakin ketat. Loyalitas pelanggan menjadi aspek penting karena tidak hanya menjamin pendapatan yang stabil, tetapi juga meningkatkan reputasi perusahaan di mata publik. Penelitian ini berupaya mengevaluasi dua algoritma pembelajaran mesin, yaitu Algoritma C4.5 dan Naïve Bayes, dalam memprediksi loyalitas pelanggan ISP, memberikan wawasan tentang algoritma yang paling efektif untuk analisis loyalitas pelanggan. Dengan menggunakan pendekatan CRISP-DM, data pelanggan yang mengajukan penghentian layanan hingga akhir tahun 2020 menjadi data yang akan dianalisis. Data tersebut mencakup berbagai atribut, seperti alasan penghentian, jenis produk, metode penghentian, dan informasi demografis. Proses validasi penelitian ini menggunakan teknik 10-fold cross-validation, dengan hasil menunjukkan bahwa algoritma C4.5 memiliki performa lebih baik unggul dibandingkan Naïve Bayes. Algoritma C4.5 mencatat akurasi sebesar 80,67% dan nilai AUC 0,830, sementara Naïve Bayes mencatat akurasi 76,23% dan AUC 0,824. Dengan keunggulan ini, Algoritma C4.5 terbukti lebih akurat dalam membedakan pelanggan loyal dan tidak loyal. Hasil penelitian ini dapat memberikan rekomendasi strategis bagi ISP untuk meningkatkan pengelolaan pelanggan melalui analisis data yang optimal. Dengan algoritma yang tepat, perusahaan dapat mengembangkan strategi yang efektif untuk mempertahankan pelanggan setia, mengurangi tingkat kehilangan pelanggan, dan memperkuat daya saing mereka. Penelitian ini juga menekankan pentingnya adopsi teknologi prediktif untuk mendukung pengambilan keputusan strategis di industri ISP yang terus berubah.

Downloads

Download data is not yet available.

References

V. Apriana et al., “Penerapan Algoritma C4.5 Dalam Memprediksi Loyalitas Konsumen Pada Pt. Hiba Utama,” J. Students‘ Res. Comput. Sci., vol. 4, no. 1, pp. 145–156, 2023, doi: 10.31599/jsrcs.v4i1.2609.

Y. A. Azzahra and Y. Akbar, “Ketepatan Waktu Pengiriman Barang Pada PT . Rtrans Logistik Artamandiri Abstrak,” vol. 5, no. 3, pp. 2768–2780, 2024.

M. G. Pradana and P. H. Saputro, “Komparasi Metode Naïve Bayes Dan C4.5 Dalam Klasifikasi Loyalitas Pelanggan Terhadap Layanan Perusahaan,” Indones. J. Bus. Intell., vol. 3, no. 1, p. 20, 2020, doi: 10.21927/ijubi.v3i1.1205.

Y. T. Widayati, Y. Prihati, and S. Widjaja, “Pelanggan Mnc Play Kota Semarang,” Transformtika, vol. 18, no. 2, pp. 161–172, 2021.

E. F. Wati, E. S. Perangin-angin, and L. Indriyani, “Customer Loyalty Classification with Comparison of Naive Bayes , Universitas Bina Sarana Informatika , Indonesia,” vol. 8, no. 158, pp. 177–185, 2024.

A. Rahmayanti, L. Rusdiana, and S. Suratno, “Perbandingan Metode Algoritma C4.5 Dan Naïve Bayes Untuk Memprediksi Kelulusan Mahasiswa,” Walisongo J. Inf. Technol., vol. 4, no. 1, pp. 11–22, 2022, doi: 10.21580/wjit.2022.4.1.9654.

D. Yunita and I. H. Ikasari, “Perbandingan Metode Klasifikasi C4.5 dan Naïve Bayes untuk Mengukur Kepuasan Pelanggan,” J. Inform. Univ. Pamulang, vol. 6, no. 3, pp. 2622–4615, 2021.

B. Ferdiansyah and L. Geoirmanto, “Prediction of Loyalty in Employee Engagement to the Company Using the C4.5* Algorithm (Case Study of PT.XYZ),” J. Inf. Syst. Technol., vol. 8, no. 1, pp. 1–11, 2020.

S. Lestari and A. Suryadi, “Model Klasifikasi Kinerja Dan Seleksidosen Berprestasi Dengan,” Proseding Semin. Bisnis Teknol., pp. 15–16, 2014.

E. Jannah, V. Sihombing, and M. Masrizal, “Penerapan Data Mining Klasifikasi Kepuasan Pelanggan Transportasi Online Menggunakan Algoritma C4.5,” MEANS (Media Inf. Anal. dan Sist., vol. 8, no. 1, pp. 1–7, 2023, doi: 10.54367/means.v8i1.2569.

E. Prasetyaningrum and P. Susanti, “Analisa Tingkat Kepuasan Pelanggan Pada Percetakan Cv. Mega Media Menggunakan Algoritma C4.5,” Sisfotenika, vol. 13, no. 1, pp. 65–75, 2023.

R. Rahman and F. A. Sutanto, “Data Mining Untuk Memprediksi Tingkat Kepuasan Konsumen Gojek Menggunakan Algoritma Naive Bayes,” J. Interkom J. Publ. Ilm. Bid. Teknol. Inf. dan Komun., vol. 18, no. 1, pp. 8–18, 2023, doi: 10.35969/interkom.v18i1.280.

H. D. Wijaya and S. Dwiasnati, “Implementasi Data Mining dengan Algoritma Naïve Bayes pada Penjualan Obat,” J. Inform., vol. 7, no. 1, pp. 1–7, 2020, doi: 10.31311/ji.v7i1.6203.

D. Sartika and D. I. Sensuse, “Perbandingan Algoritma Klasifikasi Naive Bayes, Nearest Neighbour, dan Decision Tree pada Studi Kasus Pengambilan Keputusan Pemilihan Pola Pakaian,” Jatisi, vol. 1, no. 2, pp. 151–161, 2017.

M. S. Amrullah, S. F. Pane, and M. N. Fauzan, Analisis Sentimen Masyarakat Terhadap Kebijakan Polisi Tilang Manual Di Indonesia. Buku Pedia, 2023.

F. Rahutomo, I. Y. R. Pratiwi, and D. M. Ramadhani, “Eksperimen Naïve Bayes Pada Deteksi Berita Hoax Berbahasa Indonesia,” J. Penelit. Komun. Dan Opini Publik, vol. 23, no. 1, 2019, doi: 10.33299/jpkop.23.1.1805.

T. Tasmalaila Hanifa and S. Al-Faraby, “Analisis Churn Prediction pada Data Pelanggan PT. Telekomunikasi dengan Logistic Regression dan Underbagging,” e-Proceeding Eng., vol. 4, no. 2, pp. 3210–3225, 2017.

Downloads

Published

2024-12-27

How to Cite

[1]
A. R. Kurniawan Maranto, Liliy Damayanti, and Irvan Rahul Ramadika, “Perbandingan Algoritma C4.5 dan Naïve Bayes dalam Prediksi Loyalitas Pelanggan”, bit-Tech, vol. 7, no. 2, pp. 396–405, Dec. 2024.

Issue

Vol. 7 No. 2 (2024): bit-Tech

Section

Articles

License

Copyright (c) 2024 bit-Tech

Creative Commons License

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

I hereby assign and transfer to bit-Tech all exclusive copyright ownership rights to the above work. This includes, but is not limited to, the right to publish, republish, downgrade, distribute, transmit, sell, or use the work and other related materials worldwide, in whole, or in part, in all languages, in electronic, printed, or any other form of media, now known or hereafter developed and reserves the right to permit or license a third party to do any of the above. I understand that this exclusive right will belong to bit-Tech from the date the article is accepted for publication. I also understand that bit-Tech, as the copyright owner, has sole authority to license and permit reproduction of the article. I understand that, except for copyright, any other proprietary rights associated with the work (e.g. patents or other rights to any process or procedure) must be retained by the author. In addition, I understand that bit-Tech permits authors to use their papers in any way permitted by the applied Creative Commons license.

DOI : https://doi.org/10.32877/bt.v7i2.1825
Abstract views: 17 / PDF downloads: 14

Most read articles by the same author(s)