Klasifikasi Tingkat Kepuasan di Maskapai Penerbangan: Studi Komparasi Algoritma K-NN dan Adaboost

Abstract

Dalam persaingan bisnis yang ketat, kepuasan pelanggan menjadi kunci utama dalam meningkatkan kinerja perusahaan, terutama di industri penerbangan. Faktor-faktor seperti bagasi tertinggal di bandara keberangkatan, air conditioning (AC) pesawat yang tidak berfungsi selama penerbangan, dan keterlambatan penerbangan hingga 2 jam berpotensi besar mempengaruhi kepuasan penumpang. Untuk meningkatkan efisiensi layanan, perusahaan harus melakukan survei guna memahami faktor-faktor yang memengaruhi kepuasan pelanggan dan mencapai keunggulan kompetitif. Dalam mengukur kualitas layanan, indikator kepuasan penumpang menjadi penting sebagai pandangan bisnis. Dengan menggunakan teknik data mining, khususnya model klasifikasi dalam menganalisis data kepuasan pelanggan, perusahaan dapat menemukan komponen utama yang berkontribusi terhadap kepuasan atau ketidakpuasan pelanggan, seperti kualitas makanan, ketepatan waktu penerbangan, dan layanan di dalam pesawat. Penelitian ini mengkomparasi algoritma K-Nearest Neighbors (K-NN) dan Adaptive Boosting (Adaboost) yang bertujuan untuk mengetahui algoritma mana yang memiliki performa yang baik, untuk mengukur performa dari kedua algoritma maka akan digunakan teknik confusion matrix. Hasil akurasi algoritma K-NN sebesar 86%, dengan nilai precision 85% dan recall 78%. Sementara itu, algoritma Adaboost berhasil mencapai akurasi 90%, dengan nilai precision 90% dan recall 84%. Dengan akurasi, precision, dan recall yang lebih tinggi, Adaboost menjadi pilihan terbaik, dengan mencatat score true positive (TP) 3.199 dan true negative (TN) 5.550.