BAB II

TINJAUAN PUSTAKA

2.1. Teori Umum

Bab ini mengenai istilah dan pengertian secara umum yang berhubungan

dengan pelaksana penelitian.

2.1.1. Knowledge Discovery in Database (KDD)

Menurut (Marlina, 2018), istilah data mining dan Knowledge Discovery

in Database (KDD) sering digunakan secara bergantian untuk

menggambarkan proses penggalian informasi tersembunyi dalam database

besar. Padahal, kedua istilah ini memiliki konsep yang berbeda, namun saling

berkaitan. Salah satu fase dari keseluruhan proses KDD adalah penambangan

data. Proses KDD dapat digambarkan sebagai berikut:

1. Pemilihan data : Pemilihan data (seleksi) dari data operasional harus

dilakukan sebelum tahap ekstraksi data di KDD dimulai. Data terpilih yang

digunakan dalam proses penambangan data disimpan dalam file yang terpisah

dari basis data operasional.

2. Preprocessing/Cleaning : Sebelum data mining dapat dilakukan, harus

dilakukan proses pembersihan pada data yang menjadi fokus KDD. Proses

pembersihan meliputi menghapus duplikat data, memeriksa data yang tidak

konsisten dan memperbaiki kesalahan pada data seperti kesalahan cetak

(tipografi)
3. Transform coding adalah transformasi data terpilih agar sesuai untuk proses

data mining. Proses pengkodean KDD adalah proses kreatif dan sangat

bergantung pada jenis atau model data yang diambil dari database.

4. Data mining adalah pencarian pola atau informasi menarik dari data terpilih

dengan menggunakan teknik atau metode tertentu. Teknik, metode, atau

algoritma data mining sangat bervariasi. Memilih metode atau algoritma yang

tepat sangat bergantung pada tujuan dan keseluruhan proses KDD.

5. Interpretasi/evaluasi : Model data yang dibuat oleh proses data mining

harus disajikan dalam bentuk yang mudah dipahami oleh pihak yang

berkepentingan. Langkah ini merupakan bagian dari proses KDD yang disebut

rendering. Pada fase ini kami memeriksa apakah formula atau informasi yang

ditemukan bertentangan dengan fakta atau hipotesis yang ada sebelumnya.

 Gambar 2.1 Proses Data Mining Dalam Penemuan Pengetahuan Dalam

Database

2.1.2 Data Mining

Data mining, sering disebut knowledge discovery in database (KDD),

adalah kegiatan yang mengumpulkan dan menggunakan data historis untuk

menemukan keteraturan, pola, atau hubungan dalam data dalam jumlah besar.

Database Discovery (KDD) pada dasarnya adalah proses menemukan

informasi yang berguna dari kumpulan data. A. Berstein dkk. juga

mendefinisikan database retrieval (KDD) sebagai hasil dari proses penelitian

yang mencakup berbagai prosedur algoritmik untuk memproses data,

membangun model data, dan memanipulasi model. Menurut Turban dalam

bukunya Sistem Pendukung Keputusan dan Sistem Cerdas, data mining

adalah istilah yang menggambarkan pencarian informasi dalam basis data.

Penambangan data adalah proses yang menggunakan teknik statistik,

matematika, kecerdasan buatan, dan pembelajaran mesin untuk mengekstraksi

dan mengidentifikasi informasi yang berguna dan informasi terkait dari basis

data besar (Elisa, 2018).

Data mining adalah proses yang menggunakan satu atau lebih teknik

pembelajaran komputer (pembelajaran mesin) untuk menganalisis dan

mengekstrak data (informasi) secara otomatis. Definisi lain termasuk

pembelajaran induktif, yaitu proses menciptakan definisi umum dari konsep

dengan mengamati contoh konkrit dari konsep yang dipelajari. Penemuan

Pengetahuan dalam Database (KDD) adalah penerapan metode ilmiah untuk

data mining. Dalam konteks ini, data mining merupakan langkah dari proses

KDD.

Beberapa teknik dan fungsi data mining adalah sebagai berikut:

A evaluasi [prediktif]

B. pengelompokan [deskriptif]

C. Penemuan Aturan Asosiasi [deskriptif]

D. Regresi [prediktif]

e. Deteksi anomali [audio] Karena data mining adalah proses berantai, ini

dibagi menjadi beberapa langkah. Fase-fase ini bersifat interaktif, pengguna

terlibat baik secara langsung maupun melalui perantara KDD.

Tahapan data mining dibagi menjadi enam bagian, yaitu:

1. Sanitasi Data (Data Sanitization) Sebelum data mining dapat dilakukan,

harus dilakukan proses pembersihan terhadap data yang menjadi fokus KDD.

Proses pembersihan mencakup hal-hal seperti menghapus data duplikat,

memeriksa data yang tidak konsisten, dan memperbaiki kesalahan pada data

seperti kesalahan Cetak (tipografi) Selain itu dilakukan proses pengayaan

yaitu “pengayaan” data yang ada dengan data lain yang penting dan

diperlukan untuk KDD, seperti data atau informasi eksternal.

2. Integrasi data (data integration) Integrasi data adalah penggabungan data

dari database yang berbeda ke dalam database baru. Informasi yang

dibutuhkan untuk data mining seringkali tidak hanya berasal dari satu

database, tetapi juga dari beberapa database atau file teks. Integrasi data

dilakukan untuk atribut yang mengidentifikasi entitas unik, seperti atribut

Nama, jenis produk, nomor pelanggan dan lain-lain. Integrasi data harus

dilakukan dengan hati-hati, karena kesalahan dalam integrasi data dapat

menyebabkan hasil yang tidak jelas dan bahkan menyesatkan tindakan di

masa mendatang. Misalnya, jika ternyata integrasi data berbasis jenis produk

menggabungkan produk dari kategori yang berbeda, muncul korelasi antar

produk yang sebenarnya tidak ada.

3. Pemilihan data (data selection) Karena tidak semua data dalam database

sering digunakan, hanya data yang cocok untuk analisis yang dicari dari

database. Misalnya, jika keahlian berbelanja orang sedang diperiksa, nama

pelanggan tidak boleh digunakan dalam analisis keranjang belanja, cukup ID

pelanggan saja.

4. Transformasi data (data transformation) Data diubah atau dibawa ke dalam

bentuk yang sesuai untuk diproses dalam data mining. Beberapa metode data

mining memerlukan format data tertentu sebelum dapat digunakan. Misalnya,

beberapa metode standar, seperti analisis asosiasi, hanya dapat menerima data

input kategorikal. Oleh karena itu, data harus dibagi menjadi beberapa interval

waktu dalam bentuk angka numerik yang berurutan. Proses ini sering disebut

transformasi data.

5. proses mining adalah proses yang paling penting saat menggunakan metode
untuk menemukan informasi tersembunyi dan berharga dalam data.

6. Pattern Evaluation, mengidentifikasi pola-pola menarik pada database yang

ditemukan Pada langkah ini, hasil teknik data mining dievaluasi dalam bentuk

pola tipikal dan model prediksi untuk menilai apakah hipotesis yang ada

terpenuhi.

7. Penyajian informasi (presentasi informasi), Ini adalah penyajian dan

visualisasi informasi tentang metode dimana pengguna menerima informasi

yang telah mereka terima. Langkah terakhir dalam proses data mining adalah

bagaimana merumuskan keputusan atau tindakan dari hasil analisis yang

diperoleh. Terkadang harus ada orang yang tidak mengetahui data mining.

Oleh karena itu, menyajikan hasil data mining dalam bentuk informasi yang

dapat dipahami oleh siapa saja merupakan langkah penting dalam data

mining. Dalam representasi ini, visualisasi juga dapat membantu dalam

mengkomunikasikan hasil data mining (Eska, 2016).

2.1.3 Klasifikasi

Klasifikasi adalah teknik klasifikasi yang merupakan salah satu teknik

data mining yang paling umum digunakan dalam berbagai aplikasi. Dua jenis

informasi diperlukan untuk proses klasifikasi:

data latihan dan data uji. Data pelatihan adalah data yang digunakan oleh

algoritma data mining untuk mempelajari metrik klasifikasi untuk

mengklasifikasikan data lain, yaitu data uji. Dua data artikel teks digunakan,

dibagi menjadi data pelatihan dan data uji. (Ardi Ramdani, 2022)
 Dan Menurut (Setio, 2020) Klasifikasi adalah teknik data mining yang

mengklasifikasikan data ke dalam kelompok atau kategori yang telah

ditentukan. Klasifikasi adalah teknik pembelajaran terawasi yang

membutuhkan data pelatihan berlabel untuk membuat aturan yang membagi

data uji ke dalam kelompok atau kelas yang telah ditentukan sebelumnya.

Teknik klasifikasi yang digunakan meliputi pohon keputusan, pengklasifikasi

berbasis aturan, jaringan saraf, mesin pendukung, dan pengklasifikasi naif

Bayesian. Setiap teknik menggunakan algoritme pembelajaran untuk

mengidentifikasi model yang menyediakan hubungan paling tepat antara

atribut dan pengidentifikasi kelas dari data input.

2.1.4 Pohon keputusan (Decision tree)

Menurut (Tangkelayuk, 2022), pohon keputusan merupakan algoritma

yang banyak digunakan untuk pengambilan keputusan. Pohon keputusan adalah

algoritma yang cocok untuk klasifikasi atau prediksi. Pohon keputusan adalah

algoritma yang cocok untuk klasifikasi atau prediksi. sebuah pohon yang terdiri

dari beberapa bagian, yaitu root node, internal node, dan terminal node. Sebuah

pohon keputusan terdiri dari simpul-simpul keputusan yang dihubungkan oleh

cabang-cabang dari simpul akar ke simpul daun (akhir). Model pohon

keputusan berbentuk pohon yang terdiri dari beberapa bagian yaitu root node,

internal node, dan terminal node.

 Pohon keputusan adalah bagan alur yang mirip dengan struktur pohon,

di mana setiap simpul internal mewakili atribut yang akan diuji, setiap cabang

mewakili hasil pengujian atribut, dan simpul daun mewakili kelas atau

distribusi kelas tertentu. Istilah pohon keputusan mengacu pada proses

menemukan kumpulan pola atau fungsi yang menggambarkan dan

membedakan kelas data satu sama lain untuk memprediksi data yang belum

memiliki kelas data tertentu (eka satria, 2020).

2.1.5 Algoritma C4.5

Algoritma C4.5 yaitu sebuah algoritma yang digunakan untuk

membangun decision tree (pengambilan keputusan). Algoritma C.45 adalah

salah satu algoritma induksi pohon keputusan yaitu ID3 (Iterative

Dichotomiser 3). ID3 dikembangkan oleh J. Ross Quinlan. Dalam prosedur

algoritma ID3, input berupa sampel training, label training dan atribut.

Algoritma C4.5 merupakan pengembangan dari ID3.

Beberapa pengembangan yang dilakukan pada C4.5 adalah sebagai

antara lain bisa mengatasi missing value, bisa mengatasi continu data, dan

pruning. Sebuah objek yang diklasifikasikan dalam pohon harus dites nilai

Entropy-nya. Entropy adalah ukuran dari teori informasi yang dapat

mengetahui karakteristik dari impuryt dan homogenity dari kumpulan data.

Dari nilai Entropy tersebut kemudian dihitung nilai information gain (IG)
masing-masing atribut. Entropy (S) merupakan jumlah bit yang diperkirakan

dibutuhkan untuk dapat mengekstrak suatu kelas (+ atau -) dari sejumlah data

acak pada ruang sampel S. Entropy dapat dikatakan sebagai kebutuhan bit

untuk menyatakan suatu kelas. Semakin kecil nilai Entropy maka akan

semakin Entropy digunakan dalam mengekstrak suatu kelas. Entropy

digunakan untuk mengukur ketidak aslian S. Untuk memilih atribut akar,

didasarkan pada nilai gain tertinggi dari atribut-atribut yang ada. Untuk

menghitung gain digunakan rumus seperti yang tertera dalam persamaan

berikut.

|Si|
Gain ( A )=Entropi ( S )−∑ ❑i
n
x Entropi ( Si )
|S|

Rumus 2.1 Perhitungan Gain

Di mana :

S : himpunan kasus

A : atribut

N : jumlah partisi atribut A

|Si| : jumlah kasus pada partisi ke-i

|S| : jumlah kasus dalam S

Sementara itu, perhitungan nilai entropi dapat dilihat pada persamaan 2

berikut.
 n
Entropi ( S )=∑ −¿ pi∗log 2 pi ¿
i=1

Rumus 2.2 Rumus Entropy

Di mana :

S : himpunan kasus

A : fitur

N : jumlah partisi S

pi : proporsi dari Si terhadap S

Secara umum algoritma C4.5 untuk membangun pohon keputusan adalah

sebagai berikut :

a. Pilih atribut sebagai akar.

b. Buat cabang untuk tiap-tiap nilai.

c. Bagi kasus dalam cabang.

d. Ulangi proses untuk setiap cabang sampai semua kasus pada cabang

memiliki kelas yang sama.(Elisa, 2018)

2.1.6 WEKA (Waikato Environment for Knowledge Analysis)

Weka Serangkaian alat pembelajaran mesin praktis WEKA adalah

aplikasi yang diproduksi oleh University of Waikato di Selandia Baru. Untuk

penelitian, pembelajaran dan kebutuhan aplikasi lainnya. WEKA dapat

memecahkan masalah data mining di dunia nyata. Khususnya dalam klasifikasi

berdasarkan penerapan machine learning. Perangkat lunak ini dibuat dengan

bahasa hirarki kelas Java dengan menggunakan metode berorientasi objek dan

dapat berjalan di semua platform (Saputra, 2023).

WEKA adalah seperangkat alat pembelajaran mesin yang praktis.

WEKA adalah singkatan dari Waikato Environment for Knowledge Analysis,

yang dibuat di Universitas Waikato di Selandia Baru untuk penelitian,

pendidikan, dan berbagai aplikasi. WEKA dapat memecahkan masalah

penambangan data dunia nyata, terutama klasifikasi yang mendasari pendekatan

pembelajaran mesin. Perangkat lunak ini ditulis dalam hierarki kelas Java

dengan metode berorientasi objek dan bekerja di hampir semua platform

WEKA mudah digunakan dan di implementasikan di berbagai tingkatan. Ada

algoritma pembelajaran canggih yang dapat diterapkan ke kumpulan data dari

baris perintah. WEKA mencakup alat untuk pemrosesan data, klasifikasi,

regresi, pengelompokan, aturan asosiasi, dan visualisasi. Pengguna dapat

melakukan praproses data, memasukkannya ke dalam model pembelajaran, dan

menganalisis pengklasifikasi yang dihasilkan dan kinerjanya tanpa menulis

kode pemrograman apa pun. Banyak metode data mining yang dapat dilakukan

dengan WEKA, salah satunya adalah pohon keputusan yang populer. Pohon

keputusan adalah salah satu metode klasifikasi yang paling menarik, yang

melibatkan pembuatan pohon keputusan yang terdiri dari simpul-simpul akar

yang dihubungkan oleh cabang-cabang dari simpul akar ke simpul daun

(kepala). Di simpul keputusan, atribut diuji dan setiap hasil mengarah ke

 cabang. Setiap cabang diarahkan ke simpul lain atau simpul akhir untuk

pengambilan keputusan. Menurut Maimon dan Rokach, pohon keputusan

adalah metode klasifikasi yang dinyatakan sebagai partisi rekursif. Pohon

keputusan terdiri dari simpul-simpul yang membentuk pohon berakar dan setiap

simpul memiliki input tunggal. Node keluaran disebut node uji. Node lain

disebut node keputusan atau seringkali node daun. Setiap node internal berbagi

dua atau lebih subruang sesuai dengan kelas atribut dan dibagi sesuai dengan

nilai kelas kasus. Kasus-kasus ini membentuk pohon keputusan yang mengarah

pada pemecahan masalah. Pohon keputusan adalah struktur pohon seperti

diagram alir di mana setiap simpul internal mewakili pengujian atribut, setiap

cabang mewakili hasil pengujian, dan simpul daun mewakili pohon keputusan.

untuk mendapatkan informasi untuk pengambilan keputusan. Pohon keputusan

dimulai dari simpul akar (titik awal) dari mana pengguna bertindak. Dari

simpul akar ini, pengguna memecahkan pohon keputusan sesuai dengan

algoritme. Hasil akhirnya berupa pohon keputusan, dimana setiap cabang

menunjukkan kemungkinan skenario dari keputusan dan hasil yang dibuat

(Pujiono., 2013)

2.2 Teori Khusus

Teori ini membahas istilah dan pengertian secara khusus berkaitan dengan

pelaksaan penelitian.

2.2.1 Kepuasan Pelanggan

 Kepuasan adalah tingkat perasaan setelah membandingkan kinerja atau

hasil yang diamati dengan harapan, sejauh mana tingkat yang dirasakan dari

produk dan jasa memenuhi harapan pelanggan atau pembeli. Jika aktivitas

menjelaskan bahwa kualitas layanan adalah kesesuaian dan kemampuan untuk

menggunakan karakteristik umum produk dan layanan yang ditawarkan untuk

memenuhi kebutuhan dan harapan yang diinginkan konsumen dengan

karakteristik atau faktor seperti: tampilan langsung, perhatian pribadi karyawan

kepada konsumen, daya tanggap, kehandalan dan jaminan Jika kinerja

memenuhi harapan, pelanggan puas. Harapan pelanggan dapat dibentuk oleh

pengalaman masa lalu, komentar kerabat, serta janji dan informasi dari pemasar

dan pesaing (Riyani, 2021).

Konsumen yang puas memiliki kehandalan yang tinggi dan tidak

berpindah ke tempat lain, bahkan ikut mempromosikan tempat ini kepada

kerabat atau teman, calon konsumen lainnya. Kepercayaan adalah harapan

seseorang bahwa ia dapat mempercayai bahasa seseorang (Elisa, 2018).

2.2.2 Thrift

Salah satu bisnis yang paling aktif di masyarakat, terutama di kalangan

anak muda adalah bisnis hemat. Kata hemat berasal dari kata flori yang berarti

tumbuh atau maju, sedangkan bahasa hemat berarti penggunaan uang atau

barang lain secara benar dan efisien. Menabung juga bisa diartikan sebagai

membeli barang bekas, namun kegiatan ini tidak hanya sekedar membeli barang
 bekas, tetapi juga berarti kepuasan pribadi terhadap barang bagus dengan

budget lebih kecil atau dengan harga yang murah 6 Menabung juga bisa disebut

bisnis. mulai dari baju import hingga baju, topi, sepatu dan celana. Namun ia

menjual barang dengan beberapa merk ternama seperti Nike, Adidas, Dickies,

dll. Meski dalam beberapa tahun terakhir menjadi pemberitaan, pemerintah

telah melarang pembelian dan penjualan pakaian bekas impor dengan berbagai

alasan, salah satunya adalah kepedulian pemerintah terhadap penampilan yang

sehat. Namun kini lebih populer terutama di kalangan anak muda. Hal itu juga

bermula dari urgensi kebutuhan masyarakat yang membuat toko barang bekas

semakin populer. Minat yang kuat dari pedagang dan konsumen semakin

meningkatkan bisnis pakaian bekas karena masyarakat setempat dapat

merasakan manfaat dari dapat mendaur ulang pakaian bekas sambil tetap

memiliki nilai jual kembali yang baik (Richard Oliver, 2021).

2.3 Penelitian Terdahulu

Peneliti juga menemukan beberapa hasil penelitian terdahulu yang berkaitan

dengan menganalisa menggunakan algoritma C4.5 yang dirangkum yaitu :

1. Dari penelitian ”Implementasi data mining menggunakan algoritma C.45

untuk memprediksi kepuasan pelanggan” yang dilakukan oleh

(Nugraha.,2020) Didapatkan informasi Berdasarkan hasil analisis cara

menerapakan algoritma C4.5 pada data kepuasan pelanggan Gojek adalah

dengan menggunakan Aplikasi Rapid Minner sehingga mendapatkan pohon

 keputsan dari data pelanggan Gojek. Hasil dari percobaan penerapan

Algoritman C4.5 pada data kepuasan pelanggan Gojek yang telah dilakukan

penulis sebanyak 3 kali, maka dapat di ketauhi bahwa percobaan 1, 2, dan 3

ini dapat dikatakan baik dan berhasil, karena sudah terlihat jelas bahwa nilai

akurasi yang tinggi dan semakin meningkat sehingga dapat dikatakan akurat.

Algoritma C4.5 pada kepuasan pelanggan Gojek dapat diterapkan dengan

baik.

2. Dari penelitian “Analisa Tingkat Kepuasan Masyarakat Terhadap Pelayanan

Pengadilan Agama Pematangsiantar Menggunakan Algoritma C4.5” yang

dilakukan oleh (Pribadi., 2020) didapatkan informasi bahwa menggunakan

Algoritma C.45 metode ini membuat klasifikasi lebih sederhana,mudah dan

juga tingkat akurasi yang [Link] ini dapat memberikan informasi

kepada Pengadilan Agama Pematangsiantar dalam mengevaluasi kebijakan

dan pelayanan. Penelitian ini juga diharapkan dapat memberikan masukan

kepada pihak Pengadilan Agama Pematangsiantar dalam melakukan

pelayanan terbaik.

3. Dari penelitian “Index Kepuasan Pelanggan Informa dengan Menggunakan

Algoritma C.45 Amanda” yang dilakukan oleh (Febriyani, Prayoga

Nurdiawan, 2021) didapatkan informasi bahwa bahwa dengan penggunaan

jenis algoritma C4.5 terbukti mengevaluasi kepuasan pelayanan, artinya

pelayanan sebagai kunci keberhasilan Karena jika tidak demikian, maka

perusahaan akan ditinggal oleh pelangganny.

4. Dari penelitian “Prediksi Tingkat Kepuasan Pelayanan Online Menggunakan

Metode Algoritma C.45” yang dilakukan oleh(Indah Lestari Defit, 2021)

didapatkan informasi bahwa untuk mengetahui tingkat kepuasan pada kantor

Dinas Kependudukan dan Pencatatan Sipil Kota Padang. Metode yang

digunakan pada penelitian ini yaitu metode prediksi dengan menggunakan

algoritma C4.5

5. Dari penelitian “Prediksi Profit Pada Perusahaan Dengan Klasifikasi

Algoritma C4.5” yang dilakukan oleh(Elisa, 2018) didapatkan informasi

bahwa dengan algoritma C4.5 mengolah data-data dari rencana anggaran

biaya konsultan perencana untuk memprediksi profit perusahaan. Data

mining merupakan sebuah teknik untuk menggali informasi baru dari

tumpukan atau gudang data, sebagaimana yang kita ketahui informasi

dipandang sebagai sesuatu hal yang sangat penting dan berharga karena

dengan menguasai informasi maka dengan mudah untuk mencapai sebuah

tujuan yang diinginkan, hal ini membuat setiap orang berlomba untuk

memperoleh informasi.

6. Dari penelitian “Penerapan Data Mining Algoritma C4.5 untuk Mengetahui

Tingkat Kepuasan Konsumen di Hotel Grand Zuri Dumai ” yang dilakukan

oleh (Desyanti, 2018) didapatkan informasi bahwa Menggunakan Algoritma

C45 untuk menilai kepuasan pelayanan konsumen terhadap pelayanan di

Hotel Grand Zuri [Link] dilakukan penelitian diperoleh hasil Jika

 Pelayanan sangat puas, keramahan sangat ramah, kenyamanan nyaman lalu

fasilitas puas maka konsumen sangat puas.

7. Dari penelitian “Penerapan Algoritma C.45 Untuk Menentukan Tingkat

Kepuasan Pelanggan Kartu Telkomsel Prabayar” yang dilakukan oleh

(Sikumbang, 2022) didapatkan informasi bahwa menerapkan metode

Algoritma C.45 dalam memutuskan kepuasan pelanggan terhadap

penggunaan kartu Telkomsel prabayar.

8. Dari penelitian ”Data Mining Menggunakan Algoritma C4.5 Untuk

Memprediksi Kepuasan Mahasiswa Terhadap Kinerja Dosen Di Kota Batam

yang dilakukan(Yulia anggia, 2019) didapatkan informasi bahwa data mining

dengan menggunakan algoritma C4.5 dapat digunakan untuk melakukan

klasifikasi terhadap data dan pencarian pola sehingga menghasilkan informasi

yang menarik dalam pengambilan keputusan. Selain itu, pohon keputusan yang

didapatkan melalui perhitungan manual algoritma C4.5 memiliki hasil yang

sama dengan pohon keputusan yang dihasilkan aplikasi WEKA dengan

persentase akurasi sebesar 94,12 persen.

9. Dari penelitian “Penerapan Algoritma C4.5 untuk Prediksi Kepuasan

Penumpang Bus Rapid Transit (BRT) Trans Semarang” yang dilakukan oleh

(Febriarini & Astuti, 2019) penggunaan jenis Algoritma dari C4.5 sangat

bermanfaat saat peneliti ingin melakukan proses klasifikasi atau

pengelompokkan data dengan jumlah yang sangat banyak dan dapat

mengasilkan nilai yang akurat.

10. Dari penelitian “Penerapan Data Mining Untuk Menganalisis Kepuasan

Konsumen Menggunakan Metode Algoritma C4.5” yang dilakukan oleh

(Takalapeta, 2018) didapatkan informasi bahwa dengan penggunaan jenis

algoritma dari C4.5 terbukti dapat membantu pihak dari restoran dalam fokus

peningkatan pelayanan terhadap konsumen dan memberikan masukan informasi

yang penting dalam menetapkan kebijakan.

11. Dari penelitian ”Algoritma C4.5 Untuk Mengetahui Kepuasan Jamaah Masjid

Darul Hijrah Terhadap Program Dan Fasilitas DKM” yang dilakukan oleh

(Warsino, 2018) didapatkan informasi bahwa pada saat melakukan proses dari

data mining dapat diketahui hasil yang menjelaskan mengenai perilaku dan juga

mengenai persepsi dari jamaah yang berasal dari Masjid terhadap kualitas dari

program, kualitas dari pelayanan, dan manfaat dari fasilitas serta bentuk

hubungan dari setiap jamaan yang terdapat dalam Masjid.

12. Dari Penelitian dengan judul “Klasifikasi Data Minning Menggunakan

Algoritma C4.5 Terhadap Kepuasan Pelanggan Sewa Kamera Cikarang” yang

dilakukan (Faisal, 2019) menunjukkan bahwa penggunaan algoritma C4.5 pada

data mining memudahkan peneliti dalam memperoleh informasi mengenai

kepuasan pelanggan dan menghasilkan akurasi tinggi yang mencapai 95 persen.

13. Dari Penelitian dengan judul “Analisis Kepuasan Konsumen Terhadap

Pelayanan Bengkel Menggunakan Metode Algoritma C4.5” yang dilakukan

oleh (Alawiah,2021)menyatakan bahwa Algoritma C4.5 terbukti dapat

 dipergunakan untuk klasifikasi kepuasan konsumen pada bengkel Zul Keluarga

Jaya Pematang siantar dengan tingkat akurasi sebesar 94 persen.

14. Dari Penelitian dengan judul “Analisa Kepuasan Konsumen Menggunakan

Algoritma C4.5” yang dilakukan(Azwanti & Elisa, 2020) menyatakan bahwa

algoritma C4.5 merupakan algoritma data mining yang mampu memberikan

hasil yang baik karena dapat menghasilkan aturan pohon keputusan yang

mudah dipahami serta memiliki fungsi dalam menganalisis kepuasan

konsumen.

15. Dari penelitian “Prediksi Tingkat Kepuasan Pelayanan Online Menggunakan

Metode Algoritma C.45” yang dilakukan oleh (Indah Lestari & Defit, 2021)

didapatkan informasi bahwa dengan algoritma C4.5 dapat memprediksi suatu

nilai atau menentukan tingkat kepuasan masyarakat pada tahun 2021 secara

tepat.
2.4 Kerangka Pemikiran

Dibawah ini adalah kerangka pemikiran dari pengkajian dan juga penjelasanya.

Gambar 2.2 Kerangka Pemikiran

Data pembeli yang diperoleh dari hasil data riwayat penjualan fashion

trift (pakaian bekas) dalam satu tahun di Toko Barang Bekas Svf Collection

digunakan sebagai data input dalam proses survei, dan pengolahan data

dilakukan melalui metode algoritma C4.5 dengan metode algoritma C4.5

Hasil olahan diuji dengan aplikasi WEKA dan didapatkan hasil berupa skor

kepuasan pelanggan penjualan fashion bekas di Svf Collection Thrift .