UJI EFEKTIVITAS PENERAPAN MACHINE LEARNING CLASSIFICATION UNTUK SURVEY KEPUASAN PELANGGAN MASKAPAI PENERBANGAN X

Abstract

Transportasi dapat mempermudah masyarakat untuk berpindah dari satu tempat ke tempat lainnya secara cepat, salah satunya dengan menggunakan transportasi udara. Karena hal ini maskapai penerbangan perlu meningkatan kualitas pelayanan melalui survey yang diberikan kepada penumpang. Proses klasifikasi kepuasan pelanggan melalui survey maskapai penerbangan dapat dilakukan dengan mudah jika menggunakan metode data mining. Penelitian ini berfokus pada proses klasifikasi kepuasan pelanggan dibuat menggunakan machine learning dengan model K-nearest neighbor, decision tree, dan random forest agar dapat mempermudah maskapai dalam melakukan klasifikasi. Sedangkan performa model machine learning klasifikasi dianalisis berdasarkan hasil akurasi, presisi, recall, dan F1-Score. Berdasarkan hasil Analisis performa yang dilakukan, model machine learning decision tree dan random forest memiliki hasil performa yang sangat baik dengan nilai akurasi decision tree sebesar 92,96% pada data testing dan random forest memiliki nilai akurasi sebesar 93,22% pada data testing. Kedua model machine learning tersebut juga diuji menggunakan metode cross validation untuk mengetahui model machine learning yang lebih efektif untuk diterapkan. Berdasarkan hasil uji cross validation model decision tree memiliki akurasi sebesar 94,5% dan random forest memiliki akurasi sebesar 96%. Dengan nilai cross validation yang bagus, maka decision tree dan random forest dapat diterapkan untuk membantu maskapai penerbangan X dalam menentukan nilai kepuasan pelanggan.The use of air transportation is one way that transportation may make it simpler for people to get from one place to another place rapidly. As a result, airlines must enhance the quality of their services by using passengers feedback. Using the data mining method makes it simple to categorize consumer satisfaction from airline surveys. This study focuses on the customer satisfaction classification method created using machine learning with the K-nearest neighbor, decision tree, and random forest models to make it simpler for airlines to categorize. The accuracy, precision, recall, and F1-Score statistics are used to analyze the performance of the classification machine learning model. According to the findings of the performance study, the machine learning decision tree and random forest models have good performance results. The accuracy values for the testing data for the decision tree and random forest models, respectively, are 92,96% and 93,22%. The cross-validation method was also used to examine the two machine learning models to determine which one is more practical to use. The decision tree model and the random forest both have accuracy levels of 96% and 94,5%, respectively, according to the findings of the cross-validation test. Decision trees and random forests can be used to help airline X determine customer satisfaction levels if the cross-validation value is increased.