Optimasi Backward Elimination untuk Klasifikasi Kepuasan Pelanggan Menggunakan Algoritme k-nearest neighbor (k-NN) and Naive Bayes

Mempertahankan kepuasan pelanggan merupakan sebuah tantangan besar bagi perusahaan. Salah satu upaya yang dapat dilakukan adalah memberikan pelayanan terbaik terhadap pelanggan berdasarkan aspek yang paling berpengaruh. Pada penelitian ini dilakukan optimasi fitur Backward Elimination pada klasifikasi kepuasan pelanggan dengan algoritme k-NN dan Naïve Bayes. Penggunaan fitur Backward Elimination bertujuan meningkatkan akurasi dan mengurangi jumlah atribut yang kurang berpengaruh. Hasilnya, dapat diketahui bahwa pemodelan terbaik tanpa Backward Elimination adalah algoritme Naïve Bayes dengan akurasi 99.04% dan nilai AUC mencapai 1. Sedangkan penerapan Backward Elimination bekerja lebih optimal pada algoritme k-NN dengan peningkatan sebesar 33.74% menjadi 97.28% dengan AUC 0.996. Hal ini menunjukkan bahwa kinerja fitur Backward Elimination efektif dalam optimasi klasifikasi kepuasan pelanggan dan dapat mengurangi atribut yang kurang berpengaruh.