Penerapan Algoritma Naïve Bayes dan ID3 untuk Memprediksi Segmentasi Pelanggan pada Penjualan Mobil
DOI:
https://doi.org/10.37802/joti.v4i1.265Keywords:
Algoritma ID3, Naïve Bayes, Segmentasi PelangganAbstract
Memprediksi segmentasi pelanggan merupakan salah satu cara untuk memperluas peluang penjualan mobil dengan mengklasifikasikan calon pelanggan sehingga dapat meningkatkan pendapatan perusahaan. Sampai saat ini banyak pendekatan pemasaran hanya berorientasi pada produk. Pendekatan produk ini ternyata berdampak terhadap sulitnya mengidentifikasi pelanggan dengan tepat. Untuk itu diperlukan sebuah metode atau cara dalam memprediksi segmentasi pelanggan penjualan mobil. Perbandingan kinerja algoritma Naive Bayes dan ID3 bertujuan mengukur tingkat akurasi terbaik dari masing-masing algoritma dalam memprediksi segmentasi pelanggan penjualan mobil. Data yang diperoleh sebanyak 840 dataset yang terbagi atas data training sebanyak 700 dataset dan data testing sebanyak 140 dataset. Dengan menggunakan Weka 3.8.4, hasil perbandingan algoritma Naïve Bayes dan ID3 menunjukkan bahwa algoritma ID3 menghasilkan nilai akurasi 96,43% sedangkan Naïve Bayes menghasilkan nilai akurasi 56,43%. Dari data tersebut diketahui bahwa metode ID3 dinilai lebih baik daripada metode Naïve Bayes dalam memprediksi segmentasi pelanggan penjualan mobil.
Downloads
References
M. Arifin, “Business Intelligence untuk Customer Churn Telekomunikasi,” in Prosiding SNATIF ke-1, 2014, no. 1, pp. 279–286.
N. W. Wardani, G. R. Dantes, and G. Indrawan, “Prediksi Customer Churn dengan Algoritma Decision Tree C4 . 5,” J. Resist., vol. 1, no. 1, pp. 16–24, 2018.
S. Sudriyanto, “Clustering Loyalitas Pelanggan dengan Metode RFM (Recency, Frequency, Monetary) dan Fuzzy C-Means,” in Prosiding SNATIF ke-4, 2017, pp. 815–822.
H. A. Indriyani, “Algoritma Decision Tree (ID3) dan K-Nearest Neighbour (K-NN) dalam Prediksi Costumer Churn Berdasarkan Segmentasi Pelanggan (Studi Kasus Radity Craft Tasikmalaya),” Universitas Siliwangi, 2019.
I. Oktanisa and A. A. Supianto, “Perbandingan Teknik Klasifikasi dalam Data Mining untuk Bank Direct Marketing,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 5, p. 567, 2018, doi: 10.25126/jtiik.201855958.
J. R. Otukei and T. Blaschke, “Land Cover Change Assessment Using Decision Trees, Support Vector Machines and Maximum Likelihood Classification Algorithms,” Int. J. Appl. Earth Obs. Geoinf., vol. 12, no. SUPPL. 1, pp. 27–31, 2010, doi: 10.1016/j.jag.2009.11.002.
J. Han, M. Kamber, and J. Pei, Data Mining Concepts and Techniques Third Edition, 3rd ed. Waltham,: Elsevier, 2012.
N. W. Wardani et al., “Prediksi Pelanggan Loyal Menggunakan Metode Naïve Bayes Berdasarkan Segmentasi Pelanggan dengan Pemodelan RFM,” J. Manaj. dan Teknol. Inf., vol. 12, no. 2, pp. 113–124, 2022.
N. W. Wardani and N. K. Ariasih, “Analisa Komparasi Algoritma Decision Tree C4.5 dan Naïve Bayes untuk Prediksi Churn Berdasarkan Kelas Pelanggan Retail,” Int. J. Nat. Sci. Eng., vol. 3, no. 3, p. 103, 2019, doi: 10.23887/ijnse.v3i3.23113.
Maghfirah, T. B. Adji, and N. A. Setiawan, “Menggunakan Data Mining untuk Segmentasi Customer pada Bank untuk Meningkatkan Customer Relationship Management (CRM) dengan Metode Klasifikasi (Algoritma J-48, Zero-R dan Naive Bayes),” in Prosiding Seminar Nasional Sains dan Teknologi, 2015, vol. 1, no. 1, pp. 65–70.
N. Nurdiana and A. Algifari, “Studi Komparasi Algoritma ID3 dan Algoritma Naive Bayes untuk Klasifikasi Penyakit Diabetes Mellitus,” Infotech J., vol. 6, no. 2, pp. 18–23, 2020.
D. A. Munawwaroh and A. H. Primandari, “Implementasi CRISP-DM Model Menggunakan Metode Decision Tree dengan Algoritma CART untuk Prediksi Lila Ibu Hamil Berpotensi Gizi Kurang,” J. Ilm. Pendidik. Mat., vol. 10, no. 2, pp. 367–380, 2022.
A. Muzakir and R. A. Wulandari, “Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree,” Sci. J. Informatics, vol. 3, no. 1, pp. 19–26, 2016, doi: 10.15294/sji.v3i1.4610.
T. R. Patil and S. . Sherekar, “Performance Analysis of Naive Bayes dan J48 Classification Algorithm for Data Classification,” Int. J. Comput. Sci. Appl., vol. 6, no. 2, pp. 256–261, 2013.
M. F. Rifai, H. Jatnika, and B. Valentino, “Penerapan Algoritma Naïve Bayes pada Sistem Prediksi Tingkat Kelulusan Peserta Sertifikasi Microsoft Office Specialist (MOS),” Petir J. Pengkaj. dan Penerapan Tek. Inform., vol. 12, no. 2, pp. 131–144, 2019, doi: 10.33322/petir.v12i2.471.
H. F. Putro, R. T. Vulandari, and W. L. Y. Saptomo, “Penerapan Metode Naive Bayes untuk Klasifikasi Pelanggan,” J. Teknol. Inf. dan Komun., vol. 8, no. 2, 2020, doi: 10.30646/tikomsin.v8i2.500.
A. Ghassa, A. Wahyudi, S. O. Tampubolon, N. A. Putri, E. Rasywir, and D. Kisbianty, “Penerapan Data Mining Algoritma Naive Bayes Clasifier untuk Mengetahui Minat Beli Pelanggan terhadap INDIHOME,” J. Inform. dan Rekayasa Komput., vol. 2, no. 2, pp. 240–247, 2022.
N. Ramadhani and N. Fajarianto, “Sistem Informasi Evaluasi Perkuliahan dengan Sentimen Analisis Menggunakan Naïve Bayes dan Smoothing Laplace,” JSINBIS (Jurnal Sist. Inf. Bisnis), vol. 10, no. 2, pp. 228–234, 2020.
D. Indrajaya, “Sistem Pendukung Keputusan Perizinan Santri Menggunakan Metode Naïve Bayes Classifier dengan Laplace Correction,” J. Simki-Techsain, vol. 2, no. 12, pp. 1–6, 2018.
I. Listiowarni, “Implementasi Naïve Bayessian dengan Laplacian Smoothing untuk Peminatan dan Lintas Minat Siswa SMAN 5 Pamekasan,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 8, no. 2, pp. 124–129, 2019, doi: 10.32736/sisfokom.v8i2.652.
C. J. Mantas and J. Abellán, “Credal-C4.5: Decision Tree Based on Imprecise Probabilities to Classify Noisy Data,” Expert Syst. Appl., vol. 41, no. 10, pp. 4625–4637, 2014, doi: 10.1016/j.eswa.2014.01.017.
N. Nafi’iyah and C. Fatichah, “Metode Fuzzy ID3 untuk Klasifikasi Bentuk Wajah Manusia Menggunakan Dental Panoramic,” J. SPIRIT, vol. 10, no. 1, pp. 13–20, 2018.
A. Sifaunajah and R. D. Wahyuningtyas, “Penggunaan Algoritma ID3 untuk Klasifikasi Data Calon Perserta Didik,” CSRID J., vol. 14, no. 2, pp. 103–112, 2022.
H. Hikmatulloh, S. Susilawati, and S. Nurajizah, “Peningkatan Akurasi pada Algoritma ID3 Menggunakan Operator Bagging dalam Mendiagnosa Kesehatan Kehamilan,” Indones. J. Comput. Inf. Technol., vol. 6, no. 2, pp. 92–96, 2021.
