Pemanfaatan Metode SMOTE dan PSO Untuk Mengoptimalkan Tingkat Akurasi Klasifikasi Kepuasan Pelanggan

Sari

Penyedia layanan telekomunikasi Indihome Witel Jakarta Selatan mempunyai keunggulan dan kekurangan yang dapat memberikan kepuasan dan ketidakpuasan yang  membuat pelanggan berpindah ke penyedia layanan internet lain. Pengetahuan tentang klasifikasi konsumen yang puas dan tidak puas sangat dibutuhkan dalam mengambil keputusan. Tujuan dari penelitian ini adalah untuk menganalisa algoritma klasifikasi data mining mana yang menghasilkan nilai akurasi yang paling tinggi untuk klasifikasi kepuasan pelangan Indihome Jakarta Selatan antara algoritma Naïve Bayes, Support Vector Machine, Decission Tree. Dalam mengukur atau memprediksi tingkat kepuasan pelanggan dapat menggunakan algoritma klasifikasi data mining yaitu Naïve Bayes, Support Vector Machine, Decission Tree dengan penambahan fitur  Metode Synthetic Minority Over-sampling Technique (SMOTE) dan teknik Particle Swarm Optimization (PSO).SMOTE berguna untuk menyeimbangkan data dan PSO untuk mengoptimalkan hasil nilai pada algoritma klasifikasi. Penelitian ini menghasilkan penggunaan Algoritma SVM + SMOTE + PSO menghasilkan Acurracy 98.57%, precision tertinggi 98.51%, recall tertinggi 98.51% dan AUC tertinggi 0.995 yang termasuk dalam excellent classification. Penggunaan SMOTE dan PSO pada algoritma klasifikasi terbukti berpengaruh meningkatkan accuracy algoritma SVM namun tidak secara signifikan. 
The South Jakarta Indihome Witel telecommunication service provider has advantages and disadvantages that can provide satisfaction and dissatisfaction that make customers switch to other internet service providers. Knowledge of the classification of satisfied and dissatisfied consumers is needed in making decisions. The purpose of this study is to analyze which data mining classification algorithm produces the highest accuracy value for the classification of South Jakarta Indihome customer satisfaction between the Naïve Bayes algorithm, Support Vector Machine, and Decission Tree. In measuring or predicting the level of customer satisfaction, data mining classification algorithms can be used, namely Naïve Bayes, Support Vector Machine, Decission Tree with the addition of the Synthetic Minority Over-sampling Technique (SMOTE) method if the data is unbalanced and the Particle Swarm Optimization (PSO) technique. SMOTE is useful for balancing data and PSO to optimize the value results in the classification algorithm. This research resulted in the use of the SVM + SMOTE + PSO algorithm resulting in an accuracy of 98.57%, the highest precision of 98.51%, the highest recall of 98.51% and the highest AUC of 0.995 which is included in the excellent classification. The use of SMOTE and PSO in the classification algorithm has proven to have an effect on increasing the accuracy of the SVM algorithm but not significantly.