Perbandingan Kinerja Algoritma K-Nearest Neighbor dan Naive Bayes untuk Klasifikasi Loyalitas Pelanggan (Studi Kasus: CV Cahaya Alam Indah)

Abdan Syakur Ramadhan; Lena Magdalena; Mesi Febima

doi:10.31004/riggs.v4i3.2697

Authors

Abdan Syakur Ramadhan Universitas Catur Insan Cendikia
Lena Magdalena Universitas Catur Insan Cendikia
Mesi Febima Universitas Catur Insan Cendikia

DOI:

https://doi.org/10.31004/riggs.v4i3.2697

Keywords:

Klasifikasi, Loyalitas Pelanggan, K-Nearest Neighbors, Machine Learning, Naive Bayes

Abstract

CV Cahaya Alam Indah menghadapi tantangan dalam merancang strategi pemasaran yang efektif karena tidak adanya sistem klasifikasi pelanggan yang terstruktur. Penelitian ini bertujuan untuk membangun model klasifikasi dengan membandingkan performa algoritma K-Nearest Neighbors (KNN) dan Naive Bayes untuk mengkategorikan pelanggan menjadi Loyal, Cenderung Loyal, dan Tidak Loyal. Penelitian ini menggunakan 220 data riwayat penjualan pelanggan yang melalui tahap pra-pemrosesan menggunakan normalisasi Min-Max dan dibagi menjadi 70% data latih dan 30% data uji. Kinerja model dievaluasi berdasarkan akurasi, presisi, recall, dan F1-Score. Hasil penelitian menunjukkan bahwa algoritma KNN mencapai akurasi lebih tinggi sebesar 83.3%, mengungguli algoritma Naive Bayes yang memperoleh 80.3%. Nilai F1-Score KNN juga secara konsisten lebih superior di semua kelas. Dengan demikian, model KNN direkomendasikan sebagai solusi yang lebih efektif untuk klasifikasi loyalitas pelanggan pada studi kasus ini.

Downloads

Download data is not yet available.

References

Gultom, D. K., Arif, M., & Fahmi, M. (2020). Determinasi Kepuasan Pelanggan Terhadap Loyalitas Pelanggan Melalui Kepercayaan. Maneggio : Jurnal Ilmiah Magister Manajemen, 3(2), pp. 171–180.

I. N. Suwandana dan I. K. A. Purnamawati, "Analisis Kualitas Pelayanan dan Kepuasan Pelanggan pada Depot Air Minum Isi Ulang," Jurnal Ilmiah Manajemen dan Bisnis, vol. 9, no. 2, pp. 150–159, 2021.

Kementerian Lingkungan Hidup dan Kehutanan Republik Indonesia, Status Lingkungan Hidup Indonesia Tahun 2020, Jakarta: KLHK, 2021.

Badan Pusat Statistik, Statistik Lingkungan Hidup Indonesia 2021, Jakarta: BPS, 2021.

Badan Nasional Penanggulangan Bencana (BNPB), Laporan Tahunan Bencana Indonesia 2022, Jakarta: BNPB, 2023.

Kementerian PUPR, Rencana Strategis Direktorat Jenderal Cipta Karya 2020–2024, Jakarta: KemenPUPR, 2020.

Kementerian Pekerjaan Umum dan Perumahan Rakyat, Kajian Strategi Pengembangan Sistem Penyediaan Air Minum di Wilayah Perkotaan Tahun 2021, Jakarta: Direktorat Jenderal Cipta Karya, 2021.

Peningkatan Produk dengan Data Pelanggan, Digima, 2024. [Online]. Tersedia: https://digima.co.id/peningkatan-produk-dengan-data-pelanggan/. [Diakses: 12-Mei-2025].

Segmentasi Transaksional (Analisis RFM): Pengertian, Strategi, dan Contohnya, Kledo, 2023. [Online]. Tersedia: https://kledo.com/blog/segmentasi-transaksional/. [Diakses: 12-Mei-2025].

Cara Meningkatkan Penjualan Berdasarkan Data Pelanggan," PTNAS, 2024. [Online]. Tersedia: https://ptnas.co.id/blog/cara-meningkatkan-penjualan-bisnis/. [Diakses: 12-Mei-2025].

R. Rahmadana et al., "Penerapan Algoritma KNN dalam Analisis Kepuasan Pelanggan pada PDAM Batiwakkal Berau," Jurnal Teknologi dan Sistem Informasi, vol. 12, no. 1, pp. 50-62, 2024.

B. Rekayasa et al., "Perbandingan Algoritma SVM dan Naïve Bayes dalam Klasifikasi Kualitas Air," Jurnal Sistem Informasi, vol. 15, no. 3, pp. 120-130, 2025.

E. F. Wati, H. Ginting, dan F. W. Pratiwi, "Klasifikasi loyalitas pelanggan menggunakan metode Naïve Bayes, C4.5 dan KNN," Indonesian Journal of Information System and Technology (IJISTECH), vol. 4, no. 1, pp. 30–36, 2024.

R. Y. Hayuningtyas, "Klasifikasi Loyalitas Pelanggan Menggunakan Naïve Bayes pada Konsumen Starbucks," Jurnal Teknik dan Komputer, vol. 5, no. 1, pp. 45–51, 2024.

M. A. Alif, "Penerapan Algoritma Naive Bayes untuk Klasifikasi Data Mahasiswa," Jurnal Ilmiah Teknologi Informasi, vol. 6, no. 2, pp. 55–60, 2020.