Jurnal Analisis Pengembangan Karier Sales Menggunakan KNN dan Decision Tree Berbasis Data Penjualan
Analisis Pengembangan Karier Sales Menggunakan KNN dan Decision Tree Berbasis Data Penjualan
Keywords:
Loyalitas Pelanggan, Klasifikasi, Decision Tree, K-Nearest Neighbor, Data MiningAbstract
Abstrak Loyalitas pelanggan merupakan faktor penting dalam menjaga keberlangsungan bisnis, terutama di era digital yang semakin kompetitif. Penelitian ini bertujuan mengklasifikasikan loyalitas pelanggan berdasarkan data penjualan dan transaksi menggunakan dua algoritma supervised learning, yaitu K-Nearest Neighbor (KNN) dan Decision Tree. Kedua model dikembangkan dan diuji menggunakan RapidMiner pada dataset yang berisi 250 data pelanggan. Hasil evaluasi menunjukkan bahwa algoritma Decision Tree memperoleh akurasi tertinggi, yaitu 99,20%, dengan precision 99,50% dan recall 99,50%. Sementara itu, algoritma KNN mencapai akurasi 91,60%, precision 91,63%, dan recall 98,50%. Temuan ini menunjukkan bahwa model Decision Tree lebih unggul dalam mengklasifikasikan loyalitas pelanggan dan memberikan interpretasi yang lebih jelas melalui aturan keputusan yang eksplisit. Penelitian ini menegaskan bahwa data mining dapat menjadi pendekatan yang efektif untuk mendukung strategi CRM dengan mengidentifikasi pelanggan loyal dan membantu mengarahkan upaya pemasaran yang lebih tepat sasaran.
Kata Kunci: Loyalitas Pelanggan; Klasifikasi; Decision Tree; K-Nearest Neighbor; Data Mining; RapidMiner
Downloads
References
A. N. Z. Hidayah and A. F. Rozi, “Penerapan Data Mining Dalam Menentukan Kinerja Karyawan Terbaik Dengan Menggunakan Metode Algoritma C4.5 (Studi Kasus: Universitas Mercu Buana Yogyakarta),” J. Inf. Syst. Artif. Intell., vol. 1, no. 2, pp. 117–127, 2021.
H. S. Kasman and K. Kusrini, “Perbandingan Efektifitas Algoritma K-Means Clustering-Topsis dan K-Medoids Clustering-Topsis dalam Menentukan Karyawan IT dengan Kinerja Terbaik,” J. Comput. Sci. Inf. Syst. J-Cosys, vol. 4, no. 2, 2024, doi: 10.53514/jco.v4i2.534.
A. Winarni, “Karyawan Teladan Dengan Menggunakan Metode Algoritma C4 . 5 ( Studi Kasus : Yayasan Bumi Maitri Tanjungpinang ),” J. Bangkit Indones. (STT Indones. Tanjungpinang), vol. 5, pp. 1–10, 2017.
P. Marpaung, I. Febrian, and W. Putri, “Penerapan Data Mining Dalam Menentukan Tingkat Kedisiplinan Karyawan Perhotelan Menggunakan Algoritma K-Means Clustering,” J. Ilmu Komput. dan Sist. Inf., vol. 7, no. 1, pp. 167–172, 2024, doi: 10.55338/jikomsi.v7i1.2905.
K. Silvi Amalia, A. Purbaningrum, and R. Kusumastuti, “Analisis Pengelompokan Data Karyawan Terbaik Perusahaan Menggunakan Algoritma K-Means Clustering,” Semin. Nasiosuranal AMIKOM Surakarta, no. November, pp. 11–24, 2023.
F. Maulana et al., “Algorithm Comparison of Hierarchical and Non-Hierarchical Clustering Method in Grouping Regional Poverty Variables,” vol. 8, no. 1, pp. 26–40, 2025.
Y. Putri, R. Tama Andri Agus, M. Dwi Sena, P. Studi Sistem Informasi, and S. Tinggi Manajemen Informatika dan Komputer Royal, “Implementation of Apriori Algorithm in Determining the Layout of Items,” Indones. J. Artif. Intell. Data Min., vol. 8, no. 1, pp. 11–18, 2025.
H. Purnomo et al., “Klasifikasi Sentimen Ulasan Pengguna MyPertamina Menggunakan Algoritma Naive Bayes dan TF-IDF 1, 2,” pp. 801–810.
C. G. Lengari and I. Puspitasari, “Identifying Twitter Topics Using K-Means Clustering and Association Rule Mining for Improved Insights,” Indones. J. Artif. Intell. Data Min., vol. 8, no. 1, pp. 67–75, 2025.
H. Alizadeh and B. Minaei Bidgoli, “Introducing A Hybrid Data Mining Model to Evaluate Customer Loyalty,” Eng. Technol. Appl. Sci. Res., vol. 6, no. 6, pp. 1235–1240, 2016, doi: 10.48084/etasr.741.
R. Muttaqien, M. G. Pradana, and A. Pramuntadi, “Implementation of Data Mining Using C4.5 Algorithm for Predicting Customer Loyalty of PT. Pegadaian (Persero) Pati Area Office,” Int. J. Comput. Inf. Syst., vol. 2, no. 3, pp. 64–68, 2021, doi: 10.29040/ijcis.v2i3.36.
V. Loja, G. K. Pati, A. P. Setiawi, U. Stella, and M. Sumba, “Klasifikasi Data Mining dalam Memprediksi Kinerja Karyawan dengan Metode Algoritma C4 . 5 pada Toko Merpati Simpang,” vol. 2, no. 4, 2024.
S. S. Indhira and B. Hendrik, “Penerapan Algoritma Decession Tree C4. 5 Untuk Diagnosa Penyakit Ispa Pada Puskesmas Sabak Auh,” Jised J. Inf. Syst. Educ. Dev., vol. 1, no. 2, pp. 6–9, 2023.
S. Suherman, I. Afriantoro, and S. Mujiono, “Perbandingan Metode Algoritma Naïve Bayes dan C4.5 dalam Menentukan Penilaian Kinerja Karyawan Terbaik,” J. Teknol. Inform. dan Komput., vol. 9, no. 1, pp. 513–522, 2023, doi: 10.37012/jtik.v9i1.1605.
Hamzah Kadar and Agus Budiyantara, “Penentuan Kelayakan Karyawan Baru Menggunakan Data Mining Dengan Algoritma Decision Tree (C4.5),” Merkurius J. Ris. Sist. Inf. dan Tek. Inform., vol. 2, no. 6, pp. 29–41, 2024, doi: 10.61132/merkurius.v2i6.389.
.jpg){kind=logo}
