Analisis Tingkat Kepuasan Pelanggan Terhadap Penjualan Air Minum Kangen Water Dengan Metode Rough Set
-
Ermayanti Astuti Erma
*
Universitas Potensi Utama Medan,
Indonesia
- Nidia Enjelita Saragih Universitas Potensi Utama Medan, Indonesia
- Putri Yunita STMIK Dumai, Kota Dumai, Indonesia
Abstract
Kepuasan pelanggan dalam menjual air minum alkali pH 9.5 adalah air minum yang dikonsumsi oleh tubuh yang mengandung mineral, memiliki rasa yang manis dan ringan, berbeda dengan air minum yang biasa dikonsumsi oleh konsumen. Mengingat penjualan air minum berbahan dasar alkali semakin meningkat di setiap daerah selama perkembangannya khususnya di wilayah Medan Johor dan sekitarnya. Saat ini masyarakat lebih memilih untuk mengkonsumsi air minum berbahan dasar alkali pH 8,5-9,5 karena membuat tubuh jauh lebih sehat, berenergi, dan vitalitas juga akan meningkat serta menghemat waktu dalam pemesanan. Peningkatan penjualan air minum berbahan alkali pH 9,5 “kangen water” juga disebabkan sulitnya mendapatkan air bersih untuk konsumsi di kota-kota yang kekurangan air bersih untuk konsumsi saat itu. Penjualan air minum yang baik juga didasarkan pada tingkat kebersihan air, kualitas pelayanan, harga, dan waktu pengisian air. Dalam hal ini penulis menganalisis Depot Air Minum “KangenWater” Kecamatan Medan Johor dengan analisis menggunakan metode Rough Set. Metode ini diharapkan dapat mengetahui kepuasan pelanggan terhadap penjualan air minum berbahan alkali pH 9,5 “Kangen Water”. Analisis ini diharapkan dapat membantu mengetahui tingkat kepuasan pelanggan terhadap penjualan air minum alkali pH 8,5-9,5. Dan dari hasil analisa tersebut dapat diketahui nilai jual produk Kangen Water yang diberikan kepada pelanggan sesuai dengan kriteria tingkat kepuasan.
References
[2] Gregori Satia Budhi, Felicia Soedjianto (2007) "Journal of Informatics." Data Mining Market Basket Analysis Applications In Table Of Electronic Attendance Data To Detect Employee Check Fraud (Check Lock) In Company. 119-129
[3] Khalida binti Oseman, Sunarti binti Mohd Shukor, Norazrina Abu Haris, Faizin bin Abu Bakar (2010) “ Journal of Statistical Modeling and Analytics.” Data Mining in Churn Analysis Model for Telecommunication Industry. 19-27
[4] Kusrini, Emha Taufiq Luthfi (2009). “Data Mining Algorithm.” 1. STMIK AMIKOM Yogyakarta : Andi.
[5] Mujib Ridwan, Hadi Suyono dan M.Sarosa (2013). “EECCIS Journal. “ Implementation of Data Mining for Student Academic Performance Evaluation Using Naive Bayes Classifer Algorithm.
[6] A. Wanto, “Penerapan Jaringan Saraf Tiruan Dalam Memprediksi Jumlah Kemiskinan Pada Kabupaten/Kota Di Provinsi Riau,” Klik - Kumpul. J. Ilmu Komput., vol. 5, no. 1, p. 61, 2018, doi: 10.20527/klik.v5i1.129.
[7] S. Mamase and R. S. Sinukun, “Prediksi Tingkat Kemiskinan Provinsi Gorontalo Menggunakan Metode Gabungan K-Means dan Generalized Regression Neural Network,” J. ENERGY, vol. 10, no. 2, pp. 29–34, 2018.
[8] E. Ermawati, “Algoritma Klasifikasi C4.5 Berbasis Particle Swarm Optimization Untuk Prediksi Penerima Bantuan Pangan Non Tunai,” Sistemasi, vol. 8, no. 3, p. 513, 2019, doi: 10.32520/stmsi.v8i3.576.
[9] Syaharuddin, E. Pujiana, I. P. Sari, V. M. Mardika, and M. Putri, “Analisis Algoritma Back Propagation Dalam Prediksi Angka Kemiskinan Di Indonesia,” J. Pendidik. Berkarakter, vol. 3, no. 1, pp. 11–17, 2020, [Online]. Available: http://journal.ummat.ac.id/index.php/pendekar/article/view/2814.
[10] A. Kumila, B. Sholihah, E. Evizia, N. Safitri, and S. Fitri, “Perbandingan Metode Moving Average dan Metode Naïve Dalam Peramalan Data Kemiskinan,” JTAM | J. Teor. dan Apl. Mat., vol. 3, no. 1, p. 65, 2019, doi: 10.31764/jtam.v3i1.764.
[11] R. Efendi, V. A. Dewi, S. Basriati, and D. S. Ss, “Pengaruh Pengangguran dan PDRB Terhadap Tingkat Kemiskinan Menggunakan Regresi Linier Berganda dan Rough Sets,” no. November, pp. 651–657, 2018.
[12] Z. Pawlak, “Rough sets,” Int. J. Comput. Inf. Sci., vol. 11, no. 5, pp. 341–356, 1982, doi: 10.1007/BF01001956.
[13] M. Kryszkiewicz, “Rough set approach to incomplete information systems,” Inf. Sci. (Ny)., vol. 112, no. 1–4, pp. 39–49, 1998, doi: 10.1016/S0020-0255(98)10019-1.
[14] R. S. S. Saprina Mamase, “Prediksi Tingkat Kemiskinan Provinsi Gorontalo dengan Metode GRNN,” in Seminar Nasional Humaniora & Aplikasi Teknologi Informasi 2018 (SEHATI 2018) PREDISKI, 2018, pp. 29–32.
[15] V. Rahmadi, R. Yulistiani, R. Sheffi, T. Gultom, and M. M. Santoni, “Prediksi Penyebab Utama Kemiskinan Di Indonesia Dengan,” in Seminar Nasional Mahasiswa Ilmu Komputer dan Aplikasinya (SENAMIKA), 2020, pp. 172–181.
[16] D. A. Rezki, “Analisa Kinerja Guru Sekolah di Dinas Pendidikan Dengan Menggunakan Metode Rought Set ( Studi Kasus : Dinas Pendidikan Provinsi Sumatera Utara ),” J. Comput. Syst. Informatics, vol. 1, no. 3, pp. 172–177, 2020.
[17] M. Jamaris, “Implementasi Metode Rough Set Untuk Menentukan Kelayakan Bantuan Dana Hibah Fasilitas Rumah Ibadah,” INOVTEK Polbeng - Seri Inform., vol. 2, no. 2, p. 161, 2017, doi: 10.35314/isi.v2i2.203.
[18] M. A. Sembiring and Z. Azhar, “Implementasi Metode Rough Set Untuk Menganalisa Laba/Rugi Pada Suatu Perusahaan Distributor (Studi Kasus : Usaha Kita Ps Payakumbuh),” pp. 1–6, 2013.
[19] P. Sihombing, “Implementasi Metode Rough Set Dalam Memprediksi Dampak Tanah Longsor ( Studi Kasus Badan Penanggulangan Bencana Daerah ( BPBD ) Provinsi Sumatera Utara a : U,” vol. 6, no. 4, pp. 407–415, 2019.
[20] K. Suryani, “Prediksi Peluang Kelulusan Mahasiswa PTIK dalam Uji Kompetensi Microsoft Office 2010 menggunakan Teori Rough Set,” J. Nas. Teknol. dan Sist. Inf., vol. 2, no. 1, pp. 1–10, 2016, doi: 10.25077/teknosi.v2i1.2016.1-10.
[21] A. Prajana, F. Sains, T. Universitas, I. Negeri, A. Raniry, and B. Aceh, “Penerapan Teory Rough Set Untuk Memprediksi Tingkat Kelulusan Siswa Dalam Ujian Nasional Pada Sma Negeri 5 Kota Banda Aceh,” J. Islam. Sci. Technol., vol. 2, no. 1, pp. 75–88, 2016, [Online]. Available: www.jurnal.ar-raniry.com/index.php/elkawnie.
[22] A. Putra, Z. A. Matondang, N. Sitompul, I. Pendahuluan, and A. Prediksi, “Implementasi Algoritma Rough Set Dalam Memprediksi Kecerdasan Anak,” J. Pelita Inform., vol. 7, no. 2, pp. 149–156, 2018.
[23] M. R. Raharjo and A. P. Windarto, “Penerapan Machine Learning dengan Konsep Data Mining Rough Set ( Prediksi Tingkat Pemahaman Mahasiswa terhadap Matakuliah ),” vol. 5, pp. 317–326, 2021, doi: 10.30865/mib.v5i1.2745.
Copyright (c) 2022 Ermayanti Astuti Erma
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under Creative Commons Attribution 4.0 International License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (Refer to The Effect of Open Access).
