84
Jurnal Teknik Elektro dan Komputer Vol. I, No. I, April 2013, 84-90
Gain Ratios Model Implementasi Decision Tree Analisis Kepuasan Konsumen terhadap Restoran Siap Saji Warnia Nengsih Jurusan Komputer Program Studi Sistem Informasi Politeknik Caltex Riau Jl. Umbansari No1 Rumbai Pekanbaru Riau 28265
[email protected];
[email protected]
Abstrak Untuk memenangkan persaingan, manajemen restoran siap saji harus mampu memberikan, mempertahankan dan meningkatkan kepuasan kepada konsumen. Tingkat kepuasan konsumen berdampak pada market share yang diraih. Untuk meningkatkan kepuasan konsumen manajemen restoran siap saji harus mengetahui variablel –variabel apa saja yang menjadi daya tarik konsumen pada restoran tersebut. Dengan menggunakan teknik decision tree data mining dihasilkan variabel-variabel yang menentukan tingkat kepuasan konsumen restoran siap saji dan menemukan variabel indikator yang berpengaruh sehingga restoran tersebut bisa mempertahankan dan meningkatkan pangsa pasar dan bisa berkembang dengan baik. Terdapat 4 variabel sebagai indikator ukur kepuasan konsumen terhadap restoran siap saji : rasa makanan, harga, suasana restoran serta variabel pelayanan . Faktor dengan Gain ratio tertinggi merupakan indikator yang paling berpengaruh terhadap tingkat kepuasan konsumen terhadap restoran siap saji . Gain ratios tertinggi diperoleh dari variabel Pelayanan restoran terhadap konsumen menunjukkan bahwa bahwa variable tersebut merupakan variabel root dari variabel –variabel class yang ada. Harga yang bersaing, suasana yang nyaman , rasa produk yang enak ternyata tidak menjadi tolak ukur bertahannya keberadaan sebuah restoran saji . Namun faktor yang paling utama adalah pelayanan. Pelayanan prima terhadap konsumen menjadi salahsatu daya tarik agar konsumen datang lagi pada kesempatan yang lain. Kata kunci -- Datamining, Gain Ratios, Decision Tree, customer satisfaction, fast food restaurants Abstract To win the competition, the management of fast-food restaurants should be able to provide, maintain and enhance customer satisfaction. Level of customer satisfaction impact on market share achieved. To improve customer satisfaction management of fast-food restaurants need to know what variables the consumer appeal at the restaurant. By using the technique of decision tree data mining the resulting variable-variable that determine the level of customer satisfaction and a fast-food restaurant found the indicator variable that affects so restaurants can memmpertahankan and increase market share and thrive. There are 4 variables as an indicator measuring customer satisfaction with fast-food restaurants: taste food, price, atmosphere and variable service restaurant. Gain factors with the highest ratio is an indicator of the effect on the level of customer satisfaction with fast-food restaurants. Gain obtained the highest ratios of variables restaurant service to customers and it shows that the service is a root variable from variables competitive price , good atmosphere, a good sense of the product turned out to be a barometer of the persistence of the presence of a fast food restaurant. But the most important factor is service. Excellent service to the consumer to be one of the main incentive for the consumer to come again on another occasion. Keywords -- Datamining, Gain Ratios, Decision Tree, customer satisfaction, fast food restaurants
1. Pendahuluan Gaya hidup masyarakat serta faktor keefektifan dan keefisienan merupakan salahsatu pemicu geliat tumbuhnya restoran siap saji . Hal ini terbukti outlet-outlet yang bertebaran, hampir di setiap sudut kota dengan variatif jenis makanan cepat saji yang ditawarkan
Gain Ratios Model Implementasi Decision Tree Analisis …
85
Tentunya keuntungan yang besar dan menjanjikan memberikan sebuah tantangan bagi para investor yang memiliki keunggulan dan kelebihan terjun pada bisnis ini . Persaingan dalam dunia bisnis terutama industri makanan menjadikan sebuah tolak ukur bagi para manajemen restoran agar tetap exis. Salahsatu factor penting yang harus diperhatikan adalah konsumen. Konsumen adalah Objek penentu untuk perkembangan sebuah bisnis.. Hal ini juga penentu untuk profit yang akan diperoleh karena tanpa konsumen sebuah industry tidak akan bisa bertahan. Untuk memenangkan persaingan, manajemen restoran siap saji harus mampu memberikan, mempertahankan dan meningkatkan kepuasan kepada konsumen. Tingkat kepuasan konsumen berdampak pada market share yang diraih. Untuk meningkatkan kepuasan konsumen manajemen restoran siap saji harus mengetahui variabel –variabel apa saja yang menjadi daya tarik konsumen pada restoran tersebut. Kemudian dari beberapa indikator tersebut temukan indikator yang paling berpengaruh. Banyak cara yang dilakukan untuk mengatasi hal tersebut diantaranya adalah melakukan analisa pola kebiasan pelanggan, meningkatkan pelayanan serta senantiasa selalu meningkatkan dan mempertahankan kualitas produk, dan tetntunya promosi juga merupakan faktor yang perlu diperhatiakn. Namun hal yang tidak kalah penting adalah kualitas internal dari restoran tersebut seperti rasa produk, dimulai dari sistem pengelolaan yang baik , good atmosphere, menciptakan suasana kenyamanan restoran dengan memperhatikan faktor interior dan exterior, harga yang bersaing dan pelayanan yang diberikan . Dengan menggunakan teknik decision tree Data mining dihasilkan variabel-variabel yang menentukan tingkat kepuasan konsumen restoran siap saji dan menemukan variabel indikator yang berpengaruh sehingga restoran tersebut bisa mempertahankan dan meningkatkan pangsa pasar dan bisa berkembang dengan baik. 2. TINJAUAN PUSTAKA 2.1 Industri Makanan Cepat Saji Quick Service Restaurants atau lebih dikenal dengan restoran cepat saji merupakan salahsatu bentuk solusi dari budaya masyarakat dunia yang saat ini berpolemik dengan hal serba instant Produk yang disajikan tidak melalui fase yang rumit sehingga faktor kecepatan pelayanan menjadi hal yang bisa di utamakan. Berbagai bentuk makanan siap saji seperti burger, sandwich, chicken nuggets dan sebagainya. Jaminan kecepatan pelayanan yang diberikan menyebabkan industri di bidang ini tetap terus menjamur.
2.2 Penerapan Data Mining Penemuan pola –pola atau pengetahuan baru dari serangkaian kegiatan atau melakukan analisa terhadap pola yang ada merupakan pengembangan dalam konsep data mining. Bidang ilmu ini merupakan pengembangan dari proses pencarian nilai tambah dari beberapa informasi yang tidak diketahui secara manual. Sebagai salahsatu media untuk membantu melakukan analisasi terhadap perubahan perilaku sebuah kondisi menjadikan datamining dikenal dengan beberapa istilah seperti knowledge discovery, knowledge extraction dan bisa dikategorikan ke dalam business intelligence. Data mining merupakan proses pencarian pola - pola yang menarik dan tersembunyi ( hidden pattern) dari suatu kumpulan data yang berukuran besar yang tersimpan dalam suatu basis data, data warehouse, atau tempat penyimpanan data lainnya (Tan dkk, 2006) .
86
Warnia Nengsih
Beberapa permodelan dan algoritma yang digunakan serta pemilihan teknik disesuaikan dengan kasus atau tujuan utama dari sebuah pengetahuan. Untuk mendapatkan pola beberapa teknik yang digunakan dalam data mining seperti neural network, decision tree, classification, genetic algorithm, association rules. 2.3 Decision Tree Decision tree atau struktur pohon. Seperti layaknya sebuah pohon memiliki cabang , daun dan akar. Salahsatu variabel yang digunakan akan menjadi variabel root sebagai penentu variabel output. Metode ini merupakan bagian dari teknik klasifikasi. Klasifikasi adalah proses menemukan kumpulan pola atau fungsi-fungsi yang mendeskripsikan dan memisahkan kelas data satu dengan lainnya, untuk dapat digunakan untuk memprediksi data yang belum memiliki kelas data tertentu. (Jianwei Han, 2001). Terdapat node atau disebut dengan root dari beberapa variabel yang ada . Berikut tahapan pembentukan node 1. Hitung Entropy (1) 2. Hitung Information Gain
(2) 3. Atribut dengan Infromation Gain tertinggi dijadikan Node Entropy merupakan pengukuran dari jumlah informasi dari atribut. Dimana Probabilitas sampel di simbolkan dengan P+, sementara sampel psotif digambarkan dengan S+ 3.
UJI COBA
Dari analisa primer yang diperoleh terdapat beberapa variabel yang menjadi indicator sebab dan 1 variabel yang menajadi variabel akkibat. Atau lebih dikenal dengan data training dan data testing. Berikut variabel –variabel yang memempengaruhi kepuasan konsumen terhadap restoran cepat saji. 1. Variable Rasa Produk (Enak,biasa, tidak enak)= Data training 2. Variable Suasana Restoran (Nyaman, kurang nyaman dan tidak nyaman= Data training 3. Variabel Harga (Mahal, Normal dan Murah ) = Data Training 4. Variabel Pelayanan (Ramah, kurang ramah,tidak ramah)= Data training 5. Variabel Keterangan( Puas,tidak Puas) =Data Testing Analisa kepuasan konsumen terhadap restoran cepat saji untuk faktor rasa produk enak. If Faktor rasa produk=Enak and Suasana restoran=Tidak nyaman and Harga =normal and Pelayanan = Kurang Ramah then Keterangan=Puas If Faktor rasa produk=Enak and Suasana restoran= nyaman and Harga =murah and Pelayanan =Tidak Ramah then Keterangan= Tidak Puas If Faktor rasa produk=Enak and Suasana restoran= nyaman and Harga =Normal and Pelayanan = Ramah then Keterangan= Puas If Faktor rasa produk=Enak and Suasana restoran= Tidak Nyaman and Harga =Murah and Pelayanan = Kurang Ramah then Keterangan= Tidak Puas If Faktor rasa produk=Enak and Suasana restoran= Kurang Nyaman and Harga =Normal and Pelayanan = Kurang Ramah then Keterangan= Puas If Faktor rasa produk=Enak and Suasana restoran= Kurang Nyaman and Harga =Mahal and Pelayanan = Tidak Ramah then Keterangan= Tidak Puas
Gain Ratios Model Implementasi Decision Tree Analisis …
87
If Faktor rasa produk=Enak and Suasana restoran= Tidak Nyaman and Harga = Murah and Pelayanan = Ramah then Keterangan= Puas If Faktor rasa produk=Enak and Suasana restoran=Kurang Nyaman and Harga = Normal and Pelayanan = Ramah then Keterangan= Puas If Faktor rasa produk=Enak and Suasana restoran= Nyaman and Harga = Normal and Pelayanan = Ramah then Keterangan= Puas If Faktor rasa produk=Enak and Suasana restoran=Kurang Nyaman and Harga = Mahal and Pelayanan = Ramah then Keterangan= Puas Analisa kepuasan konsumen terhadap restoran cepat saji untuk faktor rasa produk “biasa”. If Faktor rasa produk= Biasa and Suasana restoran= Nyaman and Harga =Murah and Pelayanan = Kurang Ramah then Keterangan= Puas If Faktor rasa produk= Biasa and Suasana restoran= Nyaman and Harga =Mahal and Pelayanan = Kurang Ramah then Keterangan= Tidak Puas If Faktor rasa produk= Biasa and Suasana restoran= Nyaman and Harga =Mahal and Pelayanan = Ramah then Keterangan= Tidak Puas Analisa kepuasan konsumen terhadap restoran cepat saji untuk faktor rasa produk “tidak enak”. If Faktor rasa produk= Tidak Enak and Suasana restoran= Nyaman and Harga =Murah and Pelayanan = Ramah then Keterangan= Tidak Puas If Faktor rasa produk= Tidak Enak and Suasana restoran= Nyaman and Harga =Mahal and Pelayanan = Tidak Ramah then Keterangan= Tidak Puas If Faktor rasa produk= Tidak Enak and Suasana restoran= Nyaman and Harga =Murah and Pelayanan = Ramah then Keterangan= Puas If Faktor rasa produk= Tidak Enak and Suasana restoran= Nyaman and Harga =Murah and Pelayanan = Ramah then Keterangan= Puas Dari 1000 data terdapat 2 kategori output class dengan nilai puas= dan tidak puas. Ada 2 nilai untuk pemilihan kepuasan konsumen terhadap restoran cepat saji, 650 nilai untuk “Puas” dan 350 untuk “Tidak Puas” Hal ini tertuang dalam bentuk fungsi berikut: (650/1000)*(- log 650/1000) + (350/1000)*(- log 350/1000) =0.04 Jika atribut “ Rasa Produk” ditempatkan pada posisi root maka Enak : 350 Puas & 50 Tidak Puas Biasa : 370 Puas & 30 Tidak Puas Tidak Enak : 182 Puas & 18 Tidak Puas Probabilitas yang dihasilkan: (400/1000)*(- log 400/1000) + (400/1000)*(- log 400/1000) + (200/1000)*(- log 200/1000) =0.18 Jadi Gain (Tingkat Rasa Produk)= 0.04-0.18 = -0.14
Jika atribut “suasana restoran” ditempatkan pada posisi root maka Nyaman : 340 Puas & 56 Tidak Puas Kurang Nyaman : 204 Puas & 100 Tidak Puas Tidak Nyaman : 150 Puas & 150 Tidak Puas Probabilitas yang dihasilkan: (396/1000)*(- log 396/1000) + (304/1000)*(- log 304/1000) + (300/1000)*(- log 300/1000) =0.16 Jadi Gain (Suasana Restoran)= 0.04-0.16
88
Warnia Nengsih
= -0,12 Jika atribut “Harga ” ditempatkan pada posisi root maka Murah : 602 Puas & 58 Tidak Puas Normal : 140 Puas & 130 Tidak Puas Mahal : 60 Puas & 10 Tidak Puas Probabilitas yang dihasilkan (660/1000)*(-log660/1000)+(270/1000)*(-log 270/1000)*(70/1000)*(-log70/1000) =0.19 Jadi Gain (Harga)= 0.04-0.19 = -0.15 Jika atribut “Pelayanan” ditempatkan pada posisi root maka Ramah : 100 Puas & 250 Tidak Puas Kurang Ramah : 260 Puas & 150 Tidak Puas Tidak Ramah : 140 Puas & 100 Tidak Puas Probabilitas yang dihasilkan: (350/1000)*(- log 350/1000) + (410/1000)*(- log 410/1000) + (240/1000)*(-log 240/1000) =0.47 Jadi Gain (Pelayanan)=0.04-0.47 = -0.43 Informasi Gain Ratios dari kelima atribut di atas adalah: Gain (Rasa Produk) = -0.14 Gain (Suasana Restoran) = -0.12 Gain (Harga) = -0.15 Gain (Pelayanan) = -0.43 Entropy_utama=-650/1000*log10(650/1000)-350/1000*log10(350/1000) %tingkat rasa produk "enak" Entropy(1,1)=-350/1000*log10(350/1000)-50/12*log10(50/12) %tingkat rasa produk "biasa" Entropy(1,2)=-370/1000*log10(370/1000)-30/1000*log10(30/1000) %tingkat rasa produk "tidak enak" Entropy(1,3)=-182/1000*log10(182/1000)-18/1000*log10(18/1000) %tingkat suasana restoran "nyaman" Entropy(3,1)=-340/1000*log10(340/1000)-56/1000*log10(56/1000) %tingkat suasana restoran "kurang nyaman" Entropy(3,2)=-204/1000*log10(204/1000)-100/1000*log10(100/1000) %tingkat suasana restoran "tidak nyaman" Entropy(3,3)=-150/1000*log10(150/1000)-150/1000*log10(150/1000) %tingkat harga "murah" Entropy(4,1)=-602/1000*log10(602/1000)-58/1000*log10(58/1000) %tingkat harga "normal" Entropy(4,2)=-140/1000*log10(140/1000)- 130/1000*log10(130/1000)%tingkat harga "mahal" Entropy(4,3)=-60/1000*log10(60/1000)-104/1000*log10(104/1000) %tingkat pelayanan "ramah" Entropy(5,1)=-100/1000*log10(100/1000)-250/1000*log10(250/1000) %tingkat pelayanan "kurang ramah" Entropy(5,2)=-260/1000*log10(260/1000)-150/1000*log10(150/1000) %tingkat pelayanan "tidak ramah"
Gain Ratios Model Implementasi Decision Tree Analisis …
89
Entropy(5,3)=-140/1000*log10(140/1000)- 100/1000*log10(100/1000) % gain tingkat suasana restoran %sort Gain in ascending order [ordered_Gain, index_Gain]=sort(Gain); if index_Gain(5)==1 disp('Tingkat Rasa Produk attribute has the largest Gain value'); elseif index_Gain(5)==2 disp('Porsi Produk attribute has the largest Gain value'); elseif index_Gain(5)==3 disp('Suasana Restoran attribute has the largest Gain value'); elseif index_Gain(5)==4 disp('Harga attribute has the largest Gain value'); else disp('Pelayanan attribute has the largest Gain value'); end %draw a figure figure; bar(Gain'); xlabel('Five Attributes: Rasa Produk, , Suasana Restoran, Harga, Pelayanan'); ylabel('Gain value'); legend('Rasa Produk', 'Suasana Restoran', 'Harga', 'Pelayanan'); title('Gain value comparisons') 4. KESIMPULAN 4.1 Kesimpulan Berikut simpulan dari hasil analisa yang dilakukan : 1. Terdapat 4 variabel sebagai indikator ukur kepuasan konsumen terhadap restoran siap saji yaitu: rasa makanan, harga, suasana restoran serta variable pelayanan 2. Faktor dengan Gain ratios tertinggi merupakan indikator yang paling berpengaruh terhadap tingkat kepuasan konsumen terhadap restoran siap saji . Gain ratios tertinggi diperoleh dari variabel pelayanan restoran terhadap konsumen dan itu menunjukkan bahwa pelayanan merupakan variabel root dari variabel –variabel class yang ada 3. Harga yang bersaing, suasana yang nyaman , rasa produk yang enak ternyata tidak menjadi tolak ukur bertahannya keberadaan sebuah restoran saji . Namun faktor yang paling utama adalah pelayanan. Pelayanan prima terhadap konsumen menjadi salahsatu daya tarik agar konsumen datang lagi pada kesempatan yang lain. 4.2 Saran Menambah dan memperluas indikator variabel sehingga lebih luas serta pecarian indikator masalah lain untuk pengembangan penelitian selanjutnya
90
Warnia Nengsih
DAFTAR PUSTAKA [1] Kusrini & Luthfi, E. T. 2009. ”Algoritma Data Mining. Yogyakarta: Andi [2] Publishing.aRokach, L., 2010.Using Fuzzy Logic in Data Mining.In : Maimon, O., Rokach, L., editors. [3] Data Mining and Knowledge Discovery Handbook Second Edition. London : Springer. [4] Tan, P.N., Steinbach, M. & Kumar, V. 2006. Introduction to Data Mining Pearson Ed ucation, Inc. [5] Myatt, G.J. 2007. A Practical Guide to Exploratory Data Analysis and Data Mining. John Wiley & Sons Inc., United States of America. [6] Tjiptono, F., Anastasia, D., 2004, Total Quality Management , Edisi Revisi, Penerbit ANDI, Yogyakarta.
