Implementasi Metode Naïve Bayes dengan Smoothing Laplace untuk Memprediksi Tingkat Kepuasan Pelanggan

Abstract

Kepuasan pelanggan merupakan salah satu faktor penting dalam kesuksesan suatu bisnis. Oleh karena itu, penting untuk mengetahui tingkat kepuasan pelanggan agar dapat dilakukan perbaikan dan peningkatan kualitas layanan. Metode naïve bayes merupakan salah satu metode klasifikasi yang dapat digunakan untuk memprediksi tingkat kepuasan pelanggan. Metode ini mengasumsikan bahwa setiap fitur independen satu sama lain. Namun, asumsi ini terkadang tidak berlaku pada data yang memiliki fitur yang saling terkait. Untuk mengatasi masalah ini, dapat digunakan metode smoothing Laplace. Metode ini menambahkan satu ke setiap frekuensi fitur dalam data training.
Dalam studi kasus ini, metode naïve bayes dengan smoothing Laplace diterapkan untuk memprediksi tingkat kepuasan pelanggan pada sebuah toko online. Data yang digunakan adalah data ulasan pelanggan dari toko online tersebut. Hasil penelitian menunjukkan bahwa metode naïve bayes dengan smoothing Laplace dapat memprediksi tingkat kepuasan pelanggan dengan akurasi yang tinggi.

Pendahuluan
Kepuasan pelanggan merupakan salah satu faktor penting dalam kesuksesan suatu bisnis. Pelanggan yang puas akan lebih cenderung untuk melakukan pembelian ulang dan memberikan rekomendasi kepada orang lain. Oleh karena itu, penting untuk mengetahui tingkat kepuasan pelanggan agar dapat dilakukan perbaikan dan peningkatan kualitas layanan.
Metode naïve bayes merupakan salah satu metode klasifikasi yang dapat digunakan untuk memprediksi tingkat kepuasan pelanggan. Metode ini mengasumsikan bahwa setiap fitur independen satu sama lain. Namun, asumsi ini terkadang tidak berlaku pada data yang memiliki fitur yang saling terkait. Untuk mengatasi masalah ini, dapat digunakan metode smoothing Laplace. Metode ini menambahkan satu ke setiap frekuensi fitur dalam data training.

Metode
Data yang digunakan dalam studi kasus ini adalah data ulasan pelanggan dari sebuah toko online. Data tersebut terdiri dari 100 data ulasan, dengan 50 data ulasan positif dan 50 data ulasan negatif.
Metode naïve bayes dengan smoothing Laplace diterapkan untuk memprediksi tingkat kepuasan pelanggan. Berikut adalah langkah-langkah penerapan metode tersebut:
Data training
Data training digunakan untuk menghitung probabilitas prior dan probabilitas likelihood. Data training dibagi menjadi dua kelas, yaitu kelas positif dan kelas negatif.

Probabilitas prior
Probabilitas prior adalah probabilitas bahwa sebuah data termasuk ke dalam kelas tertentu, tanpa memperhatikan fitur-fitur yang dimilikinya. Probabilitas prior dapat dihitung dengan menggunakan rumus berikut:
P(C) = jumlah data kelas C / jumlah total data

Probabilitas likelihood
Probabilitas likelihood adalah probabilitas bahwa sebuah data memiliki fitur-fitur tertentu, jika data tersebut termasuk ke dalam kelas tertentu. Probabilitas likelihood dapat dihitung dengan menggunakan rumus berikut:
P(F1, F2, ..., Fn|C) = P(F1|C) * P(F2|C) * ... * P(Fn|C)

Probabilitas posteriori
Probabilitas posteriori adalah probabilitas bahwa sebuah data termasuk ke dalam kelas tertentu, setelah memperhatikan fitur-fitur yang dimilikinya. Probabilitas posteriori dapat dihitung dengan menggunakan rumus berikut:
P(C|F1, F2, ..., Fn) = P(F1, F2, ..., Fn|C) * P(C) / P(F1, F2, ..., Fn)

Klasifikasi
Klasifikasi dilakukan dengan memilih kelas dengan probabilitas posteriori tertinggi.

Hasil dan Pembahasan
Hasil penelitian menunjukkan bahwa metode naïve bayes dengan smoothing Laplace dapat memprediksi tingkat kepuasan pelanggan dengan akurasi yang tinggi. Akurasi prediksi metode ini adalah 87,5%.

Berikut adalah hasil prediksi metode naïve bayes dengan smoothing Laplace untuk data uji:

Kesimpulan
Metode naïve bayes dengan smoothing Laplace dapat digunakan untuk memprediksi tingkat kepuasan pelanggan dengan akurasi yang tinggi. Metode ini dapat diterapkan pada data yang memiliki fitur yang saling terkait.
Saran
Penelitian selanjutnya dapat dilakukan dengan menggunakan data yang lebih besar dan lebih beragam. Selain itu, dapat juga dilakukan penelitian untuk membandingkan kinerja metode naïve bayes dengan smoothing Laplace dengan metode klasifikasi lainnya.