Jumlah
No Atribut Kasus Ya Tidak
Total 40 2 1
3 7
1 Usia
Tua 17 1 6
1
Muda 23 1 1
2 1
2 Pelayana
n
Ramah 19 1 0
9
Kurang ramah 12 4 8
Tidak ramah 9 0 9
3 Promosi
Gratis nelpon 13 7 6
Gratis SMS 12 8 4
Gratis Internet 15 8 7
4 Harga
Murah 20 2 0
0
Mahal 20 3 1
7
5 Citra Perusahaan
Memiliki Citra Positif 13 9 4
Inovatif dan Berwawasan 13 5 8
luas
Berpengalaman Dan stabil 14 9 4
6 Kepercayaan
Mengutamakan
kepentingan 24 1 7
konsumen 7
jaringan yang luas 16 6 1
0
Jumlah
No Atribut Kasus Ya Tidak Entropy Gain
Total 40 2 1
3 7 0.0474
1 Usia
Tua 17 1 6 0.9367
1
Muda 23 1 1 0.9986
2 1 0.7083
2 Pelayana
n
Ramah 19 1 0 0
9
Kurang ramah 12 4 8 0.9183
Tidak ramah 9 0 9 0
3 Promosi 0.0109
Gratis nelpon 13 7 6 0.9957
Gratis SMS 12 8 4 0.9184
Gratis Internet 15 8 7 0.9968
4 Harga 0.6788
Murah 20 2 0 0
0
Mahal 20 3 1 0.6099
7 -0.2074
5 Citra Perusahaan
Memiliki Citra Positif 13 9 4 1.7601
Inovatif dan Berwawasan 13 5 8 0.9612
luas
Berpengalaman Dan 14 9 4 0.8765
6 Kepercayaan 0.0795
Mengutamakan 0.8709
kepentingan 24 1 7
konsumen 7
jaringan yang luas 16 6 1 0.9544
0
Menghasilkan pohon keputusan
Aturan yang dapat terbentuk dari pohon pada gambar 1 adalah sebagai
berikut:
“JIKA pelayanan = ramah MAKA class = YA”
“JIKA pelayanan = tidak ramah MAKA class = TIDAK”
“JIKA pelayanan = kurang ramah DAN harga = mahal MAKA class =
TIDAK”
“JIKA pelayanan = kurang ramah DAN harga = murah DAN citra perusahaan
berpengalaman MAKA class = YA”
“JIKA pelayanan = kurang ramah DAN harga = murah DAN citra perusahaan
= inovatif DAN kepercayaan = mengutamakan konsumen MAKA class =
YA”
“JIKA pelayanan = kurang ramah DAN harga = murah DAN citra perusahaan
= citra positif MAKA class = Tidak”
Hasil klasifikasi pada data sampel atribut pelayanan sebagai root pada
decision tree, sedangkan atribut lainnya sebagai child node. Dari data sampel
dengan 40 record dihasilkan jumlah aturan yang terbentuk sebanyak 6 aturan.
Tahap selanjutnya yang akan dikerjakan adalah proses pengolahan data
dari hasil yang diperoleh dari konsep algoritma C4.5. Sebelum diproses
dengan WEKA data dipecah menjadi 2 bagian, yaitu pertama sebagai data
training sebanyak 75% dan data testing sebanyak 35% hal ini dilakukan
supaya dapat terbentuk suatu model dengan menggunakan data training,
selanjutnya data yang terbentuk dengan menggunakan data training akan
diujikan kembali menggunakan data testing. Data training diuji menggunakan
WEKA 3.7.7. pertama menguji akurasi data training, mengitung hasil
confusion matrix data training dan testing dan terakhir menghitung hasil
akurasi dan erroe rate.
Dari hasil rata-rata data training dan testing dapat dilihat pada tabel dibawah
ini:
Tabel Hasil akurasi dan error rate
Dari tabel diatas dapat dilihat nilai akurasi serta error rate data training serta
data testing, dimana data training memiliki nilai akurasi yang lebih tinggi
daripada data testing.dengan menggunakan algoritma C4.5 nilai akurasi dari
data training dan data testing lebih dari 90% hingga mencapai 97,5%. Hal ini
menunjukkan bahwa algoritma C4.5 dapat digunakan pada dataset pelanggan.
7. Kesimpulan dan saran
Berdasarkan analisa penggunaan data mining dengan algoritma C4.5
dapat digunakan pada data set pelanggan kedalam kegiatan manajemen
strategi sehingga dapat menahan selama mungkin pelanggannya dengan baik,
aplikasi algoritma C4.5 ini hendaknya di masukkan kedalam personal
computer yang ada sehingga dapat mengurangi kemungkinan pelanggan untuk
berpindah operator atau untuk mempertahankan loyalitas pelanggannya.