Analisis Algoritma K-Nearest Neighbors dengan Teknik SMOTE untuk Klasifikasi Kepuasan Pelanggan pada Layanan Laundry

Dea Syahfira Hasibuan; Sriani Sriani

doi:10.56211/sudo.v5i3.2014

Authors

Dea Syahfira Hasibuan Universitas Islam Negeri Sumatera Utara
Sriani Sriani Universitas Islam Negeri Sumatera Utara

DOI:

https://doi.org/10.56211/sudo.v5i3.2014

Keywords:

K-Nearest Neighbors ; Kepuasan Pelanggan; Klasifikasi; Laundry; SMOTE

Abstract

Zayn Laundry menghadapi persaingan bisnis laundry yang semakin ketat di Kota Medan sehingga diperlukan pengukuran kepuasan pelanggan secara objektif. Penelitian ini bertujuan menerapkan algoritma K-Nearest Neighbors (KNN) untuk mengklasifikasikan tingkat kepuasan pelanggan, mengetahui tingkat kepuasan berdasarkan data kuesioner, dan mengetahui akurasi model yang dihasilkan. Data penelitian diperoleh dari 250 pelanggan melalui kuesioner yang terdiri dari 15 pernyataan dengan skala Likert 1–4 yang mencakup lima variabel, yaitu kualitas pelayanan, harga, kemudahan akses, pengalaman pelanggan, dan kualitas hasil layanan. Data melalui tahap pra-pemrosesan, uji validitas dan reliabilitas, kemudian dikelompokkan menjadi tiga kategori, yaitu Tidak Puas, Cukup Puas, dan Puas dengan kategori Puas sebagai kategori mayoritas. Ketidakseimbangan kelas ditangani menggunakan Synthetic Minority Over-sampling Technique (SMOTE). Klasifikasi dilakukan menggunakan KNN dengan Euclidean Distance, sedangkan nilai K terbaik ditentukan melalui Stratified K-Fold Cross Validation. Hasil penelitian menunjukkan K=3 sebagai nilai terbaik. Model KNN sebelum SMOTE menghasilkan akurasi sebesar 96%, precision sebesar 0,96%, recall sebesar 0,96%, dan F1-score sebesar 0,95%. Setelah menggunakan SMOTE, model memperoleh accuracy sebesar 98%, precision, recall, dan F1-score masing-masing sebesar 0,98%. Hasil tersebut menunjukkan KNN dengan SMOTE dapat meningkatkan akurasi model klasifikasi.

Downloads

Download data is not yet available.

References

[1] M. Siringoringo, E. O. P. Damanik, dan J. W. Pangihutan, “Analisis motivasi kerja untuk meningkatkan kinerja karyawan pada fresh laundry pematangsiantar,” Manaj. J. Ekon. USI, vol. 5, no. 1, hal. 59–64, 2023. DOI: https://doi.org/10.36985/trqhy765

[2] M. F. Arif dan A. H. Hasugian, “Penentuan Tingkat Kepuasan Pelanggan untuk Menentukan Pengembangan Bisnis Batik menggunakan Algoritma Naive Bayes Determining Customer Satisfaction Level to Determine Batik Business Development u sing Naive Bayes Algorithm,” Sist. J. Sist. Inf., vol. 13, hal. 1662–1678, 2024. DOI: https://doi.org/10.32520/stmsi.v13i4.4283

[3] R. Putra, “Shaka Laundry Kabupaten Lahat Tesis Untuk memenuhi sebagian persyaratan Mencapai derajat Sarjana S2 Program Magister Manajemen Disusun Oleh : Shaka Laundry Kabupaten Lahat,” Universitas Islam Negeri Sultan Agung Semarang, 2025.

[4] M. F. Auji, W. Fuadi, dan A. Razi, “Klasifikasi Kepuasan Masyarakat terhadap Kinerja Petugas Sensus menggunakan K-Nearest Neighbours,” Algoritma, hal. 205–214, 2025, doi: 10.33364/algoritma/v.22-2.2502. DOI: https://doi.org/10.33364/algoritma/v.22-2.2502

[5] S. Rahayu, Y. MZ, J. E. Bororing, dan R. Hadiyat, “Implementasi Metode K-Nearest Neighbor ( K-NN ) untuk Analisis Sentimen Kepuasan Pengguna Aplikasi Teknologi Finansial FLIP,” vol. 6, no. 1, hal. 98–106, 2022, doi: 10.29408/edumatic.v6i1.5433. DOI: https://doi.org/10.29408/edumatic.v6i1.5433

[6] S. Khaerunnisa dan S. Nursyamsiah, “Pengembangan Layanan Ramah Lingkungan pada Perusahaan Laundry IronMom di Cirebon Jawa Barat,” Innov. J. Soc. Sci. Res., vol. 3, hal. 8249–8258, 2023.

[7] H. Kurniawan, Pengantar Praktis Penyusunan Instrumen Penelitian. Yogyakarta: Deepublish, 2022. [Daring]. Tersedia pada: https://books.google.co.id/books?id=-bM-EQAAQBAJ

[8] C. Hironima, B. Sihotang, M. Syaifuddin, dan I. Mariami, “Penerapan Data Mining Dalam Penjualan Alat Kerja Cleaning Service Menggunakan Metode Apriori,” STMIK Triguna Dharma, vol. 2, hal. 249–259, 2023. DOI: https://doi.org/10.53513/jursi.v2i2.7212

[9] B. J. Z. Abidin, Klasifikasi Dengan Artificial Neural Network di Perguruan Tinggi. Sukabumi: Naureen Digital Education, 2023. [Daring]. Tersedia pada: https://books.google.co.id/books?id=STTCEQAAQBAJ

[10] Rahmaddeni, D. Wulandari, S. Aziz, S. Adrianto, dan F. Pratiwi, Teori Dan Implementasi Machine Learning Menggunakan Python. Sumatera Barat: Serasi Media Teknologi, 2025.

[11] A. M. Hasibuan, “Classification of Customer Loan Eligibility Using The K-Nearest Neighbor ( K-NN ) Algorithm Klasifikasi Kelayakan Peminjaman Nasabah Menggunakan Algoritma K-Nearest Neighbor ( K-NN ),” MALCOM, vol. 4, no. 10, hal. 1525–1532, 2024. DOI: https://doi.org/10.57152/malcom.v4i4.1682

[12] S. Junaidi, I. S. Beno, M. Farkhan, dan I. K. D. G. Supartha, Buku Ajar Machine Learning. Jambi: PT. Sonpedia Publishing Indonesia, 2024.

[13] A. N. Putro dan M. A. Muslim, “Penanganan Ketidakseimbangan Data Ekstrim pada Sistem Prediksi,” Tecno.COM, vol. 24, no. 4, hal. 1359–1367, 2025. DOI: https://doi.org/10.62411/tc.v24i4.15005

[14] A. S. Firmansyah, A. Aziz, dan M. Ahsan, “OPTIMASI K-NEAREST NEIGHBOR MENGGUNAKAN ALGORITMA SMOTE UNTUK MENGATASI IMBALANCE CLASS PADA KLASIFIKASI ANALISIS SENTIMEN,” JATI, vol. 7, no. 6, 2023. DOI: https://doi.org/10.36040/jati.v7i6.7257

[15] Rianto dan P. I. Santosa, Data Preparation untuk Machine Learning & Deep Learning. Yogyakarta: Penerbit Andi, 2025. [Daring]. Tersedia pada: https://books.google.co.id/books?id=Y5U9EQAAQBAJ