UMBUMB

SINERGISINERGI

Bisnis maskapai penerbangan adalah salah satu bisnis yang ditentukan oleh kualitas layanannya. Setiap maskapai penerbangan menciptakan layanan terbaiknya agar pelanggan merasa puas dan loyal menggunakan layanan mereka. Oleh karena itu, kepuasan pelanggan adalah metrik penting untuk mengukur fitur dan layanan yang disediakan. Dengan memiliki database tentang kepuasan pelanggan, perusahaan dapat memanfaatkan data untuk pemodelan pembelajaran mesin. Model yang dihasilkan dapat memprediksi kepuasan pelanggan dengan melihat kriteria fitur yang ada dan menjadi sistem pendukung keputusan untuk manajemen. Artikel ini membandingkan pembelajaran mesin antara Split Point and Attribute Reduced Classifier (SPAARC), Multilayer Perceptron (MLP), dan Random Fores (RF) dalam memprediksi kepuasan pelanggan. Berdasarkan data pengujian, algoritma Random Forest memberikan hasil yang lebih baik dengan waktu pelatihan terendah dibandingkan dengan SPAARC dan MLP. Ia memiliki akurasi sebesar 95,827%, skor F sebesar 0,958, dan waktu pelatihan sebesar 84,53 detik.

Setelah membandingkan algoritma klasifikasi, Split Point and Attribute Reduced Classifier (SPAARC), Multilayer Perceptron (MLP), dan Random Forest, ditemukan bahwa algoritma Random Forest memberikan hasil terbaik.Algoritma ini memiliki akurasi tertinggi sebesar 95,827%, skor F sebesar 0,958, dan waktu pelatihan terendah.Hasil ini menunjukkan bahwa metode ensemble dalam Random Forest dapat menstabilkan kesalahan generalisasi, menghasilkan model yang lebih akurat.Penelitian lebih lanjut dapat mengembangkan Random Forest untuk mengidentifikasi faktor-faktor yang memengaruhi kepuasan pelanggan maskapai penerbangan.

Berdasarkan penelitian ini, terdapat beberapa saran penelitian lanjutan yang dapat dilakukan. Pertama, penelitian dapat dilakukan untuk mengeksplorasi penggunaan teknik pembelajaran mendalam (deep learning) selain Random Forest, seperti Convolutional Neural Networks (CNN) atau Recurrent Neural Networks (RNN), untuk memprediksi kepuasan pelanggan maskapai penerbangan. Hal ini bertujuan untuk melihat apakah model yang lebih kompleks dapat memberikan akurasi yang lebih tinggi dibandingkan dengan model yang lebih sederhana seperti Random Forest. Kedua, penelitian dapat difokuskan pada identifikasi fitur-fitur yang paling signifikan memengaruhi kepuasan pelanggan. Dengan menggunakan teknik analisis fitur, peneliti dapat menentukan faktor-faktor kunci yang perlu ditingkatkan oleh maskapai penerbangan untuk meningkatkan kepuasan pelanggan. Ketiga, penelitian dapat dilakukan untuk mengembangkan sistem rekomendasi yang dipersonalisasi berdasarkan preferensi pelanggan. Dengan memanfaatkan data pelanggan, maskapai penerbangan dapat menawarkan layanan dan produk yang sesuai dengan kebutuhan masing-masing pelanggan, sehingga meningkatkan kepuasan dan loyalitas pelanggan.

  1. Journal of Integrated and Advanced Engineering (JIAE). journal integrated advanced engineering jiae title... doi.org/10.51662/jiaeJournal of Integrated and Advanced Engineering JIAE journal integrated advanced engineering jiae title doi 10 51662 jiae
  2. ELMAN-RECURRENT NEURAL NETWORK FOR LOAD SHEDDING OPTIMIZATION | Aribowo | SINERGI. elman recurrent neural... publikasi.mercubuana.ac.id/index.php/sinergi/article/view/5974ELMAN RECURRENT NEURAL NETWORK FOR LOAD SHEDDING OPTIMIZATION Aribowo SINERGI elman recurrent neural publikasi mercubuana ac index php sinergi article view 5974
  3. THE IMPLEMENTATION OF ARTIFICIAL NEURAL NETWORKS IN DESIGNING INTELLIGENT DIAGNOSIS SYSTEMS FOR CENTRIFUGAL... doi.org/10.22441/sinergi.2021.1.012THE IMPLEMENTATION OF ARTIFICIAL NEURAL NETWORKS IN DESIGNING INTELLIGENT DIAGNOSIS SYSTEMS FOR CENTRIFUGAL doi 10 22441 sinergi 2021 1 012
  4. Comparative analysis of classification algorithm: Random Forest, SPAARC, and MLP for airlines customer... publikasi.mercubuana.ac.id/index.php/sinergi/article/view/13024Comparative analysis of classification algorithm Random Forest SPAARC and MLP for airlines customer publikasi mercubuana ac index php sinergi article view 13024
Read online
File size304.76 KB
Pages10
DMCAReport

Related /

ads-block-test