MEMPREDIKSI KEPUASAN PENUMPANG MASKAPAI

PENERBANGAN MENGGUNAKAN METODE

CLASSIFICATION
Muhammad Islahfari Wahid
Islahfari301@gmail.com

Abstrak
Maskapai penerbangan merupakan perusahaan yang selalu memberikan pelayanan terbaik
kepada penumpangnya. Kepuasan penumpang merupakan aspek terpenting dalam dunia
penerbangan, terdapat banyak faktor yang mempengaruhi kepuasan pelanggan. Oleh karena itu
dibutuhkan sebuah metode yang dapat memprediksi kepuasan penumpang dengan hasil yang
optimal. Metode yang digunakan untuk memprediksi kepuasan penumpang adalah metode
classification, dengan banyaknya algoritma pada metode classification dapat di ketahui algoritma
mana yang paling optimal dalam melakukan prediksi. Algoritma yang optimal dapat dihitung
dengan nilai evaluasi seperti akurasi, presisi, recall, dan AUC. Dari hasil penelitian ini ditarik
kesimpulan bahwa algoritma SVM mendapatkan hasil yang optimal dalam melakukan prediksi.

1. Pendahuluan

Salah satu industi yang perkembangannya cukup pesat adalah transportasi udara, maskapai
penerbangan dituntut untuk memberikan pelayan terbaik kepada setiap penumpang.
Penumpang yang merasa puas terhadap pelayanan maskapai akan memiliki kecenderungan
untuk melakukan pembelian ulang.
Rumusan permasalahan penelitian ini adalah bagaimana memprediksi kepuasan penumpang
dengan berbagai macam faktor dan mendapatkan hasil yang optimal.
Tujuan penelitian ini adalah untuk mengetahui algoritma yang optimal dalam memprediksi
kepuasan penumpang.

Penelitian ini membahas mengenai suatu metode yang dapat memprediksi kepuasan
penumpang dengan hasil yang optimal.

Metode yang digunakan dalam penelitian ini merupakan metode classification. Classification
merupakan proses memprediksi kelas dari yang diamati atau titik data yang diberikan.
2. Tinjauan Pustaka
2.1 Landasan Teori atau Konsep Dasar

 Preprocessing merupakan tahapan sebelum proses pengklasifikasian yang diperlukan

untuk membersihkan, menghilangkan, mengubah sumber data, baik itu berupa karakter
non alfabet maupun kata-kata yang tidak diperlukan. Hal ini bertujuan agar data yang
digunakan lebih optimal ketika digunakan pada proses pengklasifikasiannya.[1]

 Data cleaning adalah suatu teknik yang digunakan untuk menangani data yang tidak
lengkap. Proses data cleaning ini juga mencakup antara lain membuang duplikasi data,
memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data, seperti
kesalahan cetak.[2]

 Transformasi Data merupakan sebuah proses data diubah atau digabung ke dalam format
yang sesuai untuk diproses. Sebagai contoh beberapa metode standar seperti analisis
asosiasi dan clustering hanya bisa menerima input data kategorikal. Karenanya data
berupa angka numerik yang berlanjut perlu dibagi-bagi menjadi beberapa interval.[3]

 Principal Component Analysis merupakan teknik yang biasa digunakan untuk

menyederhanakan suatu data, dengan cara mentransformasi data secara linier sehingga
terbentuk sistem koordinat baru dengan varians maksimum. Analisis PCA dapat
digunakan untuk mereduksi dimensi suatu data tanpa mengurangi karakteristik data
tersebut secara signifikan.[4]

 K-Means Clustering adalah salah suatu metode cluster analysis pada Data Mining yang
termasuk non hirarki yang berusaha untuk mempartisi objek yang ada kedalam satu atau
lebih cluster atau kelompok objek berdasarkan karakteristiknya, sehingga objek yang
mempunyai karakteristik yang sama dikelompokan dalam satu cluster yang sama dan
objek yang mempunyai karakteristik yang berbeda dikelompokan kedalam cluster yang
berbeda.[4]

 Decision Tree adalah struktur flowchart yang menyerupai Tree (pohon), dimana setiap
simpul internal menandakan suatu tes pada atribut, setiap cabang merepresentasikan
hasil tes, dan simpul daun merepresentasikan kelas atau distribusi kelas.[5]

 Naïve Bayes Classifier merupakan suatu metode classifier yang mengacu pada teorema
bayes yaitu teorema yang mengacu pada konsep probabilitas bersyarat. Pada metode ini
diperlukan kombinasi pengetahuan sebelumnya dengan pengetahuan yang baru. Dalam
melakukan pengklasifikasiannya diperlukan training set sebagai data latih. Pada setiap
sample dari data latih tersebut memiliki kelas label tersendiri.[1]
  Algoritma SVM adalah salah satu algoritma dari metode klasifikasi yang dapat
menghasilkan proses pembelajaran dalam suatu masalah klasifikasi diterjemahkan
sebagai upaya mencari garis (hyperlane) untuk memisahkan dari kedua kelompok
tersebut.[6]

 Algoritma Artificial Neural Network (ANN) merupakan model penalaran yang didasarkan
pada otak manusia. ANN terdiri dari sejumlah prosesor sangat sederhana dan saling
berhubungan yang disebut neuron. Neuron yang terhubung dengan pembobotan
(weight) melewatisinyal dari neuron satu ke neuron yang lain.[7]

2.2 Penelitian Terdahulu

Penelitian ini membahas tentang variabel-variabel yang signifikan terhadap kepuasan
penumpang Maskapai Penerbangan Batik Air, terdapat lima variabel yang berpengaruh yaitu
tangibles, reliability, responsiveness, assurance, dan empathy. Hasilnya variabel assurance yang
paling berpengaruh terhadap kepuasan penumpang Maskapai Penerbangan Batik Air.[8]
Makalah ini membahas tentang kepuasan penumpang Lion Air dengan pelayanan dari pihak Lion
Air, terdapat beberapa variabel yang menjadi acuan yaitu tangibles, reliability, responsiveness,
assurance, dan empathy. Hasilnya pihak Lion Air masih harus memperbaiki kualitas layanan pada
variabel reliability dan responsiveness.[9]
Makalah ini membahas tentang kualitas pelayanan maskapai Garuda Indonesia seperti Pre-flight,
In-flight, Post-flight dan juga pengaruh kepuasan konsumen terhadap loyalitas pelanggan.
Hasilnya layanan maskapai Garuda Indonesia tergolong baik dan model PLS yang digunakan
memiliki nilai yang tergolong tinggi yaitu 0.6109.[10]
Penelitian ini bertujuan untuk mengetahui kualitas pelayanan terhadap kepuasan pelanggan
pada maskapai Express Airlines, terdapat empat variabel yang menjadi acuan dalam penelitian
yaitu tangibles, reliability, responsiveness, assurance, dan empathy. Hasilnya variabel tersebut
berpengaruh terhadap kepuasan pelanggan.[11]

Penelitian ini bertujuan untuk megetahui hubungan kualitas layanan dan kepercayaan merek
terhadap kepuasan penumpang. Hasilnya kualitas layanan dan kepercayaan penumpang pada
nama besar merek dapat meningkatkan kepuasan penumpang, karena memiliki nilai pengaruh
sebesar 0.433.[12]
3. Metode Penelitian
3.1 Sumber Data
Dataset yang digunakan pada penelitian ini adalah “Airline Passenger Satisfaction” yang
bersumber dari repository Kaggle yaitu https://www.kaggle.com/teejmahal20/airline-
passenger-satisfaction. Dataset tersebut berisi survey kepuasan penumpang pada maskapai
penerbangan.
3.2 Identifikasi Variabel
Terdapat 25976 data dan 24 variabel pada dataset yang digunakan, yang terdiri dari 22 variabel
bebas dan 1 variabel terikat.

 Variabel Bebas
No Variabel Tipe Data Deskripsi
Atribut yang menyatakan
1 satisfaction object kepuasan pada maskapai
penerbangan

 Variabel Terikat
No Variabel
1 Gender
2 Customer Type
3 Age
4 Type of Travel
5 Class
6 Flight Distance
7 Inflight wifi service
Departure/Arrival
8 int64
time convenient
Tipe Data Deskripsi
Atribut yang menyatakan jenis
object
kelamin customer.
Atribut yang menyatakan tipe
object customer “Loyal” atau
“Disloyal”.
Atribut yang menyatakan umur
int64
customer.
Atribut yang menyatakan tujuan
object customer “Personal Travel” atau
“Bisnis Travel”.
Atribut yang menyatakan kelas
layanan pada maskapai
object
“Business”, “Economy”, dan
“Economy Plus”.
Atribut yang menyatakan jarak
int64
penerbangan.
Atribut yang menyatakan
int64 tingkat kepuasan terhadap
pelayanan wifi dalam pesawat.
Atribut yang menyatakan
tingkat kepuasan terhadap
 kenyamanan pada waktu
keberangkatan/kedatangan.
Atribut yang menyatakan
Ease of Online tingkat kepuasan terhadap
9 int64
booking kemudahan pada pemesanan
secara online.
Atribut yang menyatakan
10 Gate location int64 tingkat kepuasan terhadap
lokasi gerbang keberangkatan.
Atribut yang menyatakan
tingkat kepuasan terhadap
11 Food and drink int64
makanan dan minuman pada
maskapai.
Atribut yang menyatakan
12 Online boarding int64 tingkat kepuasan terhadap
online boarding.
Atribut yang menyatakan
13 Seat comfort int64 tingkat kepuasan terhadap kursi
pada maskapai.
Atribut yang menyatakan
14 Inflight entertainment int64 tingkat kepuasan terhadap
hiburan di dalam pesawat.
Atribut yang menyatakan
tingkat kepuasan terhadap
15 On-board service int64
pelayanan ketika menunggu
penerbangan di dalam pesawat.
Atribut yang menyatakan
tingkat kepuasan terhadap
16 Leg room service int64
pelayanan ketika menggunakan
leg room.
Atribut yang menyatakan
17 Baggage handling int64 tingkat kepuasan terhadap
pelayanan bagasi.
Atribut yang menyatakan
18 Checkin service int64 tingkat kepuasan terhadap
pelayanan ketika check-in.
Atribut yang menyatakan
19 Inflight service int64 tingkat kepuasan terhadap
pelayanan di dalam pesawat.
Atribut yang menyatakan
20 Cleanliness int64 tingkat kepuasan terhadap
kebersihan pada maskapai.
 Departure Delay in Atribut yang menyatakan menit
21 int64
Minutes delay ketika keberangkatan.
Arrival Delay in Atribut yang menyatakan menit
22 float64
Minutes delay ketika kedatangan.

3.3 Langkah-langkah Penelitian

 Analisis eksplorasi data

Eksplorasi data dilakukan untuk mengetahui tipe data pada tiap variable, statistik dasar
dari data, visualisasi data, dan korelasi dari tiap atribut.

 Praproses Data
 Mengatasi rendundansi data
Mendeteksi rendundansi data dapat dilakukan dengan menggunakan fungsi
duplicated() yang terdapat pada library pandas, untuk mengatasinya bisa
dilakukan dengan menghapus data.

 Mengatasi missing value

Mengatasi missing value bisa dilakukan dengan beberapa cara, yaitu menghapus
data jika jumlah data yang memiliki missing value sangat sedikit atau mengganti
missing value dengan nilai rata-rata atau median.

 Label-Encoding
Label-Encoding dilakukan untuk mengonversi data kategorikal menjadi data
numeric, dengan memberikan nomor unik mulai dari 0.

 Transformasi Data
Transformasi data dapat dilakukan dengan berbagai metode seperti min-max, z-
score, dan scalling. Metode yang digunakan yaitu min-max menggunakan fungsi
MinMaxScaler().

 Deteksi Outlier
Outlier dapat dideteksi dengan berbagai cara seperti metode binning, dan
menggunakan nilai IQR. Nilai yang berada di luar kelompok cluster dianggap
sebagai data outlier.

 Reduksi Dimensi
Metode yang digunakan adalah PCA (Principal Components Analysis), PCA
bekerja dengan menghitung variance dari tiap atribut. Variance adalah informasi
 yang dimiliki sebuah atribut. Tujuan dari PCA adalah mengurangi jumlah atribut
pada dataset tanpa mengurangi informasi.

 Membangun Model
Metode yang digunakan untuk membangun model adalah classification dengan
menggunakan algoritma KNN, Decision Tree, Naïve Bayes, SVM, Random Forest,
dan ANN

 Evaluasi Kinerja Model

Evaluasi kinerja model dapat dihitung dengan akurasi, presisi, recall, dan AUC.
JIka nilai yang didapatkan tinggi maka model tersebut bagus.

3.4 Diagram Alur Penelitian

4. Hasil dan Pembahasan
4.1 Hasil Eksplorasi Data

Dataset yang digunakan berisi tentang faktor-faktor yang mempengaruhi kepuasan penumpang
pada suatu maskapai penerbangan.

 Tipe data pada tiap variabel :

Untuk mengetahui informasi dari tiap fitur dapat menggunakan fungsi info() dari library
pandas, seperti gambar di atas.
 Statistik dasar pada tiap variabel :

Untuk mengetahui statistik dasar pada dataset seperti rata-rata, minimum, maximum,
dan lainnya. Dapat menggunakan fungsi describe() dari library pandas, seperti gambar di
atas.

 Visualisasi Data :

Gambar di atas untuk mengetahui jumlah penumpang yang satisfied dan dissatisfied,
berdasarkan visualisasi terlihat cukup seimbang.
Gambar di atas untuk mengetahui berapa jumlah penumpang yang satisfied dan
dissatisfied, berdasarkan fitur Class dan Type of Travel .

Gambar di atas untuk mengetahui berapa jumlah penumpang yang satisfied dan
dissatisfied, berdasarkan fitur Gender dan Customer Type.
Gambar di atas merupakan visualisasi korelasi dari tiap fitur, terdapat dua fitur yang
memiliki nilai korelasi cukup besar yaitu Departure Delay in Minutes dan Arrival Delay in
Minutes.
 Gambar di atas merupakan visualisasi dari hubungan Departure Delay in Minutes dan
Arrival Delay in Minutes, hasilnya hubungan antara dua fitur tersebut linear artinya bisa
diwakilkan oleh salah satu fitur.

4.2 Praproses Data

a. Pembersihan Data

Mengatasi redundansi data dapat dilakukan dengan cara seperti di atas, hasilnya tidak
ada data yang redundansi.
Terdapat 83 missing value pada fitur Arrival Delay in Minutes, karena jumlahnya cukup
sedikit untuk mengatasinya data tersebut dapat dibuang.

Hasilnya sudah tidak ada missing value pada dataset.

Karena terdapat 5 fitur yang memiliki tipe data kategorikal maka dilakukan Label-
Encoding untuk mengubah fitur tersebut menjadi numerik.

Mendeteksi data outlier dibutuhkan nilai Q1, Q3, dan IQR dari tiap variabel.

Hasilnya terdapat banyak data outlier pada 5 fitur, jika dibuang akan sangat
mempengaruhi pengolahan data sehingga data outlier tersebut dapat ditolerir.
b. Transformasi Data

Untuk melakukan transformasi data digunakan metode MinMaxScaler, hasilnya seperti

berikut :

c. Reduksi Dimensi

Untuk mengetahui variabel yang paling berpengaruh terhadap label dapat menggunakan
metode PermutationImportance, hasilnya fitur yang paling berpengaruh adalah Type of
Travel.
 Awalnya terdapat 22 variabel bebas pada dataset, dilakukan reduksi dimensi untuk
mengurangi variabel pada dataset. Reduksi dimensi dilakukan dengan metode PCA.

Hasilnya variabel pada dataset berkurang dari 22 menjadi 12.

4.3 Hasil Klasifikasi

Langkah pertama yang dilakukan untuk membangun model adalah membagi data, karena data
yang digunakan sebanyak 25976 maka data akan dibagi dengan perbandingan 80% untuk training
dan 20% untuk testing. Hasilnya didapatkan data testing sebanyak 5179 dan data training
sebanyak 20714, selanjutnya untuk membangun model digunakan berbagai macam algoritma.
Algoritma yang digunakan untuk membangun model pada dataset ini yaitu KNN, Decision Tree,
Naïve Bayes, SVM, Random Forest, dan ANN.
 Membuat model menggunakan algoritma KNN :

Membangun model dengan algoritma KNN dapat menggunakan fungsi

KNeighborsClassifier yang terdapat pada library sklearn, lalu tentukan minimum tetangga
yang harus dimiliki setiap kelas sebaiknya jumlah tetangga adalah bilangan ganjil. Jumlah
minimum tetangga yang ditentukan adalah 25, kemudian lakukan training model dengan
fungsi fit() menggunakan data training. Terakhir lakukan prediksi dengan fungsi predict()
menggunakan data testing, hasil model yang didapatkan dengan menggunakan algoritma
KNN berdasarkan fitur pc3 dan pc5 sebagai berikut :

Confusion Matrix :
 Membuat model menggunakan algoritma Decision Tree :

Membangun model dengan algoritma Decision Tree dapat menggunakan fungsi

DecisionTreeClassifier yang terdapat pada library sklearn, terdapat tiga metode yang
dapat digunakan pada Decision Tree yaitu entropy, gain ratio, dan gini index. Digunakan
metode gini index untuk membangun model, kemudian lakukan training model dengan
fungsi fit() menggunakan data training. Terakhir lakukan prediksi dengan fungsi predict()
menggunakan data testing, hasil model yang didapatkan dengan menggunakan algoritma
Decision Tree berdasarkan fitur pc3 dan pc5 sebagai berikut :

Confusion Matrix :
 Membuat model menggunakan algoritma Naïve Bayes :

Membangun model dengan algoritma Naïve Bayes dapat menggunakan fungsi

GaussianNB yang terdapat pada library sklearn, lalu lakukan training model dengan fungsi
fit() menggunakan data training. Terakhir lakukan prediksi dengan fungsi predict()
menggunakan data testing, hasil model yang didapatkan dengan menggunakan algoritma
Naïve Bayes berdasarkan fitur pc3 dan pc5 sebagai berikut :

Confusion Matrix :
 Membuat model menggunakan algoritma SVM :

Membangun model menggunakan algoritma SVM dapat dilakukan dengan fungsi svm
pada library sklearn, terdapat dua kernel pada algoritma svm yaitu rbf dan linear.
Digunakan dua kernel untuk melihat kernel mana yang lebih optimal dalam membangun
model, kemudian lakukan training model dengan fungsi fit() menggunakan data training.
Terakhir lakukan prediksi dengan fungsi predict() menggunakan data testing, hasil model
yang didapatkan dengan menggunakan algoritma SVM berdasarkan fitur pc3 dan pc5
sebagai berikut :

Confusion Matrix :
 Membuat model menggunakan algoritma Random Forest :

Membangun model menggunakan algoritma Random Forest dapat dilakukan dengan

fungsi RandomForestClassifier pada library sklearn, lalu latih model dengan fungsi fit()
menggunakan data training. Terakhir lakukan prediksi dengan fungsi predict()
menggunakan data testing, hasilnya didapatkan model menggunakan algoritma Random
Forest berdasarkan fitur pc3 dan pc5 sebagai berikut :

Confusion Matrix :
 Membuat model menggunakan algoritma ANN :

Langkah pertama untuk membangun model dengan algoritma ANN yaitu membagi data
menjadi tiga bagian data testing, data training dan data validasi. Pertama bagi data
menjadi data training dan data testing dengan perbandingan 80:20, lalu bagi lagi data
training menjadi data validasi dengan perbandingan 80:20. Hasilnya didapatkan data
training sebanyak 16571, data testing sebanyak 5179, dan data validasi sebanyak 4143.

Selanjutnya buat model menggunakan library keras. Membuat layer dilakukan dengan
cara trial and error karena jumlah layer sangat mempengaruhi performa model, bisa saja
model mengalami overfitting atau underfitting. Lalu masukkan input layer sesuai dengan
banyaknya variabel terikat pada dataset, jumlah variabel terikat setelah melalui proses
reduksi dimensi adalah 12. Kemudian buat layer dengan jumlah node yang ditentukan
layer pertama sebanyak 8 node, layer kedua sebanyak 6 node, dan layer ketiga sebanyak
4 node. Terakhir output layer ditentukan dengan jumlah kelas pada label, pada dataset
ini jumlah kelas pada label adalah 2.
Langkah selanjutnya lakukan training model menggunakan data training dengan iterasi
sebanyak 220 kali. Lakukan juga validasi model menggunakan data validasi, hasilnya
seperti berikut :

Bisa dilihat hasilnya akurasi training dan akurasi validasi seimbang, dengan begini model
yang didapatkan cukup optimal.
4.4 Evaluasi Kinerja Metode
Untuk evaluasi kinerja metode bisa dilakukan dengan banyak cara seperti menghitung akurasi,
presisi, recall, dan AUC.

 Evaluasi kinerja model menggunakan algoritma KNN :

Untuk menghitung akurasi, presisi, dan recall dapat menggunakan library sklearn, hasil
yang didapatkan sebagai berikut :

Bisa dilihat kinerja model dengan menggunakan algoritma KNN cukup bagus, hanya saja
nilai recall yang cukup rendah.

Untuk menghitung skor AUC dapat menggunakan library sklearn, hasilnya sebagai berikut
:

Bisa dilihat skor AUC yang didaptakan lumayan tinggi yaitu 0.97.
 Evaluasi kinerja model menggunakan algoritma Decision Tree :

Bisa dilihat kinerja model menggunakan algoritma Decision Tree lebih rendah
dibandingkan algoritma KNN, tetapi untuk recall algoritma Decision Tree lebih baik.

Bisa dilihat skor AUC untuk algoritma Decision Tree cukup rendah yaitu 0.87.
 Evaluasi kinerja model menggunakan algoritma Naïve Bayes :

Bisa dilihat kinerja model menggunakan algoritma Naïve Bayes merupakan yang paling
rendah dibandingkan algortima KNN dan Decision Tree.

Tetapi untuk skor AUC algoritma Naïve Bayes lebih tinggi daripada algoritma Decision
Tree.
 Evaluasi kinerja model menggunakan algoritma SVM :

Bisa dilihat untuk kinerja dari model yang menggunakan algoritma SVM lebih baik dengan
menggunakan kernel rbf, kinerja model yang didapatkan paling bagus.

Skor AUC dari kernel rbf sebanyak 0.98 sedangkan kernel linear sebanyak 0.93.
 Evaluasi kinerja model menggunakan algoritma Random Forest :

Bisa dilihat kinerja model menggunakan algoritma Random Forest agak mirip dengan
algoritma KNN, sehingga kinerja modelnya tergolong cukup baik.

Bisa dilihat untuk skor AUC dari algortima Random Forest cukup baik yaitu sebesar 0.97
  Evaluasi kinerja model menggunakan algoritma ANN :

Bisa dilihat hasil kinerja model yang menggunakan algoritma ANN cukup baik.

5. Kesimpulan
Kesimpulan dari penelitian ini adalah hasil evaluasi kinerja dari model yang dibangun
menggunakan berbagai algoritma berbeda-beda. Algoritma SVM dengan kernel rbf merupakan
yang terbaik untuk memprediksi kepuasan penumpang, sedangkan algoritma Naïve Bayes dan
Decision Tree merupakan yang terendah untuk memprediksi kepuasan penumpang.

Daftar Pustaka
[1] Muttaqin, Firdaus Akhmad dan Bachtiar, Adam Mukaharil. “Implementasi Teks Mining Pada
Aplikasi Pengawasan Penggunaan Internet Anak Dodo Kids Browser”, Jurnal Ilmiah Komputer
dan Informatika.
[2] Jasmir. “Implementasi Teknik Data Cleaning dan Teknik Roughset Pada Data Tidak Lengkap
Dalam Data Mining”, Seminar Nasional APTIKOM, 28-29 Oktober 2016.
[3] Asriningtias, Yuli dan Mardhiyah, Rodhyah. “Aplikasi Data Mining Untuk Menampilkan
Informasi Tingkat Kelulusan Mahasiswa”, Jurnal Informatika, Vol. 8, No. 1, Januari 2014.
[4] Rahayu, Gusni dan Mustakim. “Principal Component Analysis untuk Dimensi Reduksi Data
Clustering Sebagai Pemetaan Persentase Sertifikasi Guru di Indonesia”, Seminar Nasional
Teknologi Informasi.
[5] Kasih, Patmi. “Pemodelan Data Mining Decision Tree Dengan Classification Error Untuk
Seleksi Calon Anggota Tim Paduan Suara”, Innovation in Research of Informatics, Oktober
2019.
[6] Darmawan, Agus, dkk. “Implementasi Data Mining Menggunakan Model SVM Untuk Prediksi
Kepuasan Pengunjung Taman Tabebuya”, Jurnal String, Vol. 2, No. 3, April 2018.
[7] Kurniawansyah, Arius Satoni. “Implementasi Metode Artificial Neural Network Dalam
Memprediksi Hasil Ujian Kompetensi Kebidanan (Studi Kasus: Akademi Kebidanan Dehasen
Bengulu)”, Jurnal Pseudocode, Vol. 5, No. 1, Februari 2018.
[8] Widjaja, Ezra Laurentia. “Analisa Pengaruh Kualitas Layanan Terhadap Kepuasan Penumpang
Maskapai Penerbangan Batik Air”, Surabaya.
[9] Mardoko, Arman. “Tingkat Kepuasan Penumpang Terhadap Layanan Penerbangan PT. Lion
Air Rute Mamuju - Jakarta”, Jurnal Perhubungan Udara, Maret 2015.
[10] Suryawan, I Kadek Wawan dan Sharif, Osa Omar. “Pengaruh Kualitas Layanan
Penerbangan Terhadap Kepuasan Penumpang dan Loyalitas (Studi Kasus : Penerbangan
Garuda Indonesia)”, Jurnal Wacana Ekonomi.
[11] Tiyono, Andri. “Analisis Pengaruh Kualitas Pelayanan Terhadap Kepuasan Pelanggan Pada
Maskapai Penerbangan Express Airlines di Bandara Babullah Ternate”, 2012.
[12] Gultom, Simon, dkk. “Kualitas Layanan, Kepercayaan Merek dan Kepuasan Penumpang”,
Jakarta.