UNSIKAUNSIKA

BAROMETERBAROMETER

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 meningkatkan 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.

Penelitian ini mengidentifikasi beberapa layanan maskapai penerbangan X yang perlu ditingkatkan, seperti penanganan bagasi, layanan wifi dalam penerbangan, dan kemudahan pemesanan online.Selain itu, model machine learning Decision Tree dan Random Forest terbukti efektif dalam mengklasifikasikan kepuasan pelanggan berdasarkan hasil cross validation yang baik.Oleh karena itu, model-model ini dapat diimplementasikan oleh maskapai penerbangan X untuk membantu menentukan nilai kepuasan pelanggan secara lebih efisien dan akurat.

Berdasarkan hasil penelitian ini, beberapa saran penelitian lanjutan dapat diajukan. Pertama, penelitian lebih lanjut dapat dilakukan dengan mengintegrasikan data dari berbagai sumber, seperti media sosial dan ulasan online, untuk mendapatkan gambaran yang lebih komprehensif tentang sentimen pelanggan. Kedua, eksplorasi algoritma machine learning yang lebih canggih, seperti deep learning, dapat dilakukan untuk meningkatkan akurasi prediksi kepuasan pelanggan. Ketiga, penelitian dapat difokuskan pada pengembangan sistem rekomendasi personalisasi yang memberikan saran perbaikan layanan kepada maskapai penerbangan berdasarkan preferensi individu pelanggan. Penelitian-penelitian ini diharapkan dapat memberikan wawasan yang lebih mendalam tentang faktor-faktor yang mempengaruhi kepuasan pelanggan dan membantu maskapai penerbangan X dalam meningkatkan kualitas layanan mereka secara berkelanjutan. Dengan memanfaatkan data dan teknologi secara optimal, maskapai penerbangan dapat menciptakan pengalaman perjalanan yang lebih memuaskan bagi pelanggan dan meningkatkan daya saing di industri penerbangan.

  1. Predicting Airline Passenger Satisfaction with Classification Algorithms | Hayadi | International Journal... doi.org/10.47738/ijiis.v4i1.80Predicting Airline Passenger Satisfaction with Classification Algorithms Hayadi International Journal doi 10 47738 ijiis v4i1 80
  2. BAROMETER. test application machine learning airline customer satisfaction survey barometer authors dimas... doi.org/10.35261/barometer.v8i1.6566BAROMETER test application machine learning airline customer satisfaction survey barometer authors dimas doi 10 35261 barometer v8i1 6566
Read online
File size665.09 KB
Pages10
DMCAReport

Related /

ads-block-test