Jurnal informasi dan Komputer Vol: 12 No:2.
P-ISSN: 2337-8344
E-ISSN: 2623-1247
DESAIN DAN FRAMEWORK MODEL KLASIFIKASI KEPUTUSAN SELEKSI
PENGADUAN PERKARA KONSUMEN PADA BADAN PENYELESAIAN
SENGKETA KONSUMEN
Muhammad Syaukani1 Institut Teknologi Bisnis dan Bahasa AuDian Cipta CendikiaAy 1 Jl.
Cut Nyak Dien No.
Durian Payung.
Kec.
Tj.
Karang Pusat.
Lampung and 35119.
Indonesia E-mail : mbsyaukani@gmail.
ABSTRAK
Penelitian ini melakukan pengembangan desain dan framework model klasifikasi keputusan untuk seleksi pengaduan perkara konsumen.
Model ini mengakomodasi proses seleksi penganduan perkara dan keputusan perkara konsumen yang melibatkan majelis dan ketua Badan Penyelesaian Sengketa Konsumen (BPSK) berperan dalam sebuah keputusan.
Penelitian ini menghasilkan desain dan framework model klasifikasi keputusan seleksi pengaduan perkara konsumen dengan tahapan proses seleksi klasifikasi pengaduan perkara konsumen diselesaikan dengan Nayve Bayes Classifier dan TOPSIS untuk tahapan keputusan akhir perkara konsumen, sedangkan pengujian menggunakan Confusion Matrix.
Kata kunci : Desain.
Framework.
Klasifikasi.
SPK.
Nayve Bayes Classifier.
TOPSIS
ABSTRACT
This study develops the design and framework of a decision classification model for selecting consumer case This model accommodates the decision-making process on consumer cases involving the assembly and the chairman of the Consumer Dispute Resolution Agency (BPSK) playing a role in a decision.
This study produces a design and framework of a decision classification model for the selection of consumer case complaints with the stages of the consumer case classification selection process completed with the Nayve Bayes Classifier and TOPSIS for the final decision stage of the consumer case while testing uses the Confusion Matrix.
Keywords : Desain.
Framework.
Classification.
DSS.
Nayve Bayes Classifier.
TOPSIS
PENDAHULUAN
Dalam era digitalisasi dan perkembangan perdagangan daring, interaksi antara konsumen dan pelaku usaha mengalami Peningkatan jumlah transaksi, baik di sektor barang maupun jasa yang dilakukan melalui platform online, memberikan kemudahan dan Namun, perubahan ini juga membawa tantangan baru terkait perlindungan konsumen, seperti masalah produk yang tidak sesuai, layanan yang kurang memadai dari pelaku usaha dan penipuan produk.
Melalui Badan Penyelesaian Sengketa Konsumen (BPSK) hak-hak konsumen dapat BPSK berperan sebagai lembaga yang menyelesaikan masalah perselisihan konsumen dengan pelaku usaha.
BPSK memiliki tugas yaitu menerima, memproses, dan menyelesaikan pengaduan konsumen melalui tiga metode:
mediasi, konsiliasi, dan arbitrase.
Pengaduan yang diterima oleh BPSK sangat beragam, mencakup berbagai sektor seperti produk elektronik, pakaian, layanan perbankan, hingga jasa transportasi.
Untuk mempercepat proses penyelesaian dan memastikan setiap kasus ditangani sesuai jenis sengketa.
BPSK melakukan klasifikasi terhadap pengaduan yang masuk.
Klasifikasi pengaduan ini penting untuk memastikan penanganan yang tepat dan efisien, serta membantu BPSK dalam mengidentifikasi tren permasalahan antara konsumen dan pelaku usaha, juga dapat digunakan untuk meningkatkan perlindungan konsumen di masa depan.
142 | I T B A D i a n C i p t a C e n d i k i a Jurnal informasi dan Komputer Vol: 12 No:2.
P-ISSN: 2337-8344
E-ISSN: 2623-1247
Tantangan utama yang dihadapi BPSK adalah tingginya volume pengaduan dan kompleksitas masalah, terutama dalam konteks transaksi online yang melibatkan banyak pihak, seperti platform e-commerce dan penyedialayanan Oleh karena itu, adanya klasifikasi pengaduan yang jelas sangat penting untuk memberikan rasa keadilan bagi konsumen.
Dengan banyaknya pengaduan perkara sengketa konsumen di BPSK Kota Banjarmasin, maka semakin mengalami kendala dalam melakukan klasifikasi perkara tersebut yaitu proses penyelesaian sengketa menjadi terlambat dan masih kurang akurat dalam menentukanapakah pengaduan tersebut masuk dalam kategori kasus konsumen, untuk mengatasi permasalahan tersebut diperlukan sebuah pemodelan keputusan berbasis teknologi informasi agar proses pengambilan keputusan lebih tepat, seperti penelitian tentang Klasifikasi pengaduan pelayanan dilakukan menggunakan metode Nayve Bayes .
dan mengembangkan klasifikasi laporan pengaduan masyarakat pada Ombudsman Republik Indonesia dengan menerapkan metode machine learning dengan algoritma Nayve Bayes Classifier untuk pengaduan/laporan masyarakat secara otomatis agar lebih efektif dan efisien .
Penelitian ini mengembangkan Desain Model Keputusan yang dibangun dapat mengakomodasi proses seleksi pengaduan perkara penyelesaian sengketa konsumen dan proses ini digunakan untuk membantu para majelis BPSK dalam pengambilan keputusan.
Penelitian ini, keputusan yang digunakan sebagai alat bantu untuk seleksi pengaduan perkara sengketa konsumen pada BPSK Kota Banjarmasin.
TINJAUAN PUSTAKA
Penelitian tentang klasifikasi telah banyak diterapkan diantaranya yaitu penelitian ini mengembangkan sistem klasifikasi pengaduan masyarakat terhadap BPJS Ketenagakerjaan di Kota Pekanbaru dengan tiga kategori: masalah pencairan, pelayanan, dan penyelenggaraan jaminan sosial.
Pengujian sistem untuk unit dan integrasi dengan whitebox testing, untuk validasi dengan blackbox testing serta uji usability dengan hasil tingkat akurasi 90%, precision 93%, recall 91%, dan F1-score 90%.
Penelitian ini menunjukkan efektivitas algoritma Naive Bayes dalam mengklasifikasikan pengaduan secaraakurat .
Kemudian penelitian tentang adanya keluhan pelanggan pada proses jasa pengiriman barang di Instagram perusahaan dengan menggunakan text mining dan algoritma Nayve Bayes kemudian teknik yang digunakan adalah SMOTE dan ekstraksi fitur N-Gram.
Sebelum penerapan N-Gram, akurasi mencapai 88,54%, dan meningkat menjadi 89,98% setelah penerapan N-Gram.
Dataset yang digunakan terdiri dari 776 komentar yang telah melalui proses text preprocessing, menunjukkan peningkatan akurasi sebesar 1,44% setelah penerapan N-Gram.
Penelitian tentang sistem lapor mengenai penanganan keluhan masyarakat terkait pelayanan Masalahnya adalah operator sering salah mengarahkan laporan ke instansi yang tidak Penelitian ini memberikan solusi dengan mengembangkan klasifikasi laporan otomatis menggunakan Natural Language Processing (NLP).
Metode Latent Dirichlet Allocation (LDA) untuk menyelesaikan proses topik laporan,Support Vector Machine (SVM) menyelesaikan klasifikasi untuk nilai topik laporan diekstraksi.
Model LDASVM diuji menggunakan train-testsplit 70:30, dari hasil pengujian tingkat akurasinya 79,85%, nilai presisi 79,98%, nilai recall 72,37%, dan nilai F1 Score 74,67% .
Selain keputusan juga telah banyak dilakukan diantarnya mengembangkan model pengambilan keputusan yang menggabungkan metode SWARA dan TOPSIS dalam lingkungan plithogenic untuk memilih teknologi pemrosesan makanan yang Model ini membantu mengatasitantangan dalam memilih teknologi dengan teknik normalisasi dan penentuan bobot kriteria yang tepat, serta terbukti lebih efisien dalam pengambilan keputusan multi-kriteria di bidang pemrosesan makanan .
Selanjutnya Systematic Literature Review (SLR) untuk mengidentifikasi kriteria evaluasi dan mengembangkan metode pengambilan keputusan multikriteria (MADM) yang menggabungkan Fuzzy-AHP dan TOPSIS.
Validasi dilakukan melalui wawancara ahli dan studi kasus di industri penerbangan.
Penelitian ini mengidentifikasi tiga kelompok kriteria utama:
143 | I T B A D i a n C i p t a C e n d i k i a Jurnal informasi dan Komputer Vol: 12 No:2.
P-ISSN: 2337-8344
E-ISSN: 2623-1247
potensi, usaha, dan risiko, dan menunjukkanbahwa metode ini efektif dalam menilai proyek inovasi yang kompleks di bidang manufaktur, membantu pengambilan keputusan yang lebih holistik .
Penelitian tinjauan literatur sistematis terhadap aplikasi metode MCDA dari 1977 hingga 2022, menggunakan data dari Web of Science dan Scopus.
Analisis bibliometrik menunjukkan bahwa China.
India, dan Iran memiliki publikasi terbanyak di bidang MCDA, dengan metode yang sering digunakan termasuk AHP.
TOPSIS.
VIKOR, dan PROMETHEE.
MCDA paling banyak diterapkan di bidang teknik dan ilmu Tinjauan ini memberikan wawasan tentang perkembangan MCDA selama 44 tahun dan mendukung penelitian lebih lanjut di bidang tersebut .
Penelitian pengambilan keputusan berbasis fuzzy spherical untuk memilih penyedia layanan paket wisata yang optimal, dengan mempertimbangkan kriteria seperti harga, kualitas layanan, teknologi, dan Metode Delphi digunakan untuk menentukan kriteria utama, sementara TOPSIS merangking alternatif penyedia layanan.
Metode ini efektif dalam membantu operator tur meningkatkan daya tarik dan daya saing paket wisata dengan mengoptimalkan faktor-faktor yang mempengaruhi keputusan pelanggan .
Penelitian menggunakan metode TOPSIS untuk memilih kontraktor optimal dalam proyek pembangunan pusat transfer penumpang, dengan mempertimbangkan kriteria seperti reputasi, waktu realisasi, dan jumlah keluhan.
TOPSIS menentukan peringkat kontraktor berdasarkan jarak dari solusi ideal dan anti-ideal.
Hasil menunjukkan kontraktor nomor 5 terbaik dengan bobot yang sama, namun kontraktor nomor 4 unggul saat bobot bervariasi.
Penelitian ini menekankan pentingnya penentuan bobot kriteria dan keefektifan TOPSIS dalam meningkatkan akurasi pemilihan kontraktor untuk kesuksesan proyek .
Penelitian menggabungkan metodeDAHP (Delphi-AHP) dan TOPSIS untuk menentukan kanal komunikasi terbaik bagi CR- IoV.
Simulasi menggunakan MATLAB mempertimbangkan kriteria seperti SNR, bandwidth, gangguan, dan kecepatan data.
Hasilnya menunjukkan bahwa kombinasi DAHP dan TOPSIS menghasilkan keputusan yang lebih mengurangi keterlambatan, dan meningkatkan kecepatan transmisi data.
Model ini meningkatkan efisiensi pengelolaan spektrum komunikasi dan menawarkan solusi efektif untuk komunikasi kendaraan otonom, terutama untuk aplikasi multimedia yang memerlukan bandwidth besar .
Penelitian menggunakan metode TOPSIS untuk memilih pegawai penerima reward di Universitas Raharja, dengan kriteria berbeda untuk dosen dan pegawai administrasi.
TOPSIS terbukti efektif dalam menciptakan sistem pendukung keputusan yang objektif, mengurangi bias, dan meningkatkan kepuasan karyawan.
Sistem ini mempercepat proses, meningkatkan akurasi pemilihan, serta meminimalkan kesalahan manual.
Universitas Raharja dapat mengadopsi metode ini untuk meningkatkan transparansi dan manajemen sumber daya manusia, yang juga dapat diterapkan di organisasi lain .
Berdasarkan hasil penulusuran mengenai penelitian klasifikasi dan sistem pendukung keputusan, belum ditemukan penelitian tentang kolaborasi antara klasifikasi dan sistem pendukung Penelitian pengembangan desain dan framework model klasifikasi keputusan seleksi pengaduan perkara konsumen dengan mengkolaborasikan klasifikasi dan sistem pendukung keputusan menggunakan Nayve Bayes Classifier dengan TOPSIS.
METODE PENELITIAN
Metode Pelayanan Seleksi Penganduan Perkara Konsumen Berdasarkan hasil penelitian di BPSK Kota Banjarmaisn proses pelayanan seleksi pengaduan perkara yang berjalan saat ini yaitu konsumen melakukan pelaporan ke sekertariat BPSK, setelah itu berkas pelaporan tersebut diseleksi secara adminitrasi, jika pelaporan tersebut masuk dalam kategori kasus perkara konsumen, maka laporan lanjurkan untuk proses tahap berikutnya yaitu pembuatan jadwal sidang dan pemanggilan pihak pelapor dan pihak terlapor, setelah proses persidangan maka ketua BPSK memutuskan hasil keputusan perkara konsumen tersebut.
Berikut Proses layanan seleksi pengaduan perkara konsumen di BPSK.
144 | I T B A D i a n C i p t a C e n d i k i a Jurnal informasi dan Komputer Vol: 12 No:2.
P-ISSN: 2337-8344
E-ISSN: 2623-1247
Usulan Desain dan Framework Model Klasifikasi dan Sistem Pendukung Keputusan Dari penjelasan gambar 1 bahwa proses pelayanan seleksi pengaduan perkara yang berjalan pada BPSK.
Berikut gambar 2 merupakan desain dan framework model klasifikasi keputusan seleksi pengaduan perkara konsumen yang diusulkan.
Gambar 1.
Proses layanan seleksi pengaduan perkara konsumen di BPSK 145 | I T B A D i a n C i p t a C e n d i k i a Jurnal informasi dan Komputer Vol: 12 No:2.
P-ISSN: 2337-8344
E-ISSN: 2623-1247
Gambar 2.
Desain dan Framework Model Klasifikasi Keputusan Pengaduan Perkara Konsumen Desain dan Framework Model Klasifikasi Keputusan Pengaduan Perkara Konsumen yang diusulkan terdiri dari knowledge manajemen yang terdiri dari manajemen data, database kriteria dan alternatif, model klasifikasi dan DSS, antar muka dan alternatif keputusan.
Knowledge manajemen yaitu komponen data dalam model pengambilan keputusan untuk seleksi pengaduan perkara sengketa konsumen berfungsi untuk mengelola data dalam database yang berupa data kriteria, data alternatif, data rating kecocokan, yang akan digunakan dalam pemodelan pengambilan keputusan untuk untuk seleksi pengaduan perkara sengketa konsumen.
Antar muka pengguna digunakan sebagai proses interaksi pengguna dengan sistemklasifikasi keputusan pengaduan perkara konsumen.
Model klasifikasi Keputusan digunakan untuk melakukan proses data dalam pengambilan keputusan untuk seleksi pengaduan perkara sengketa konsumen dengan Nayve Bayes Classifier dan TOPSIS.
Klasifikasi pengaduan perkara konsumen apakah termasuk perkara konsumen, jika pengaduan tersebut masuk sebagai perkara konsumen maka proses dilanjutkan ke tahapan selanjutnya yaitu penjadwalan sidang dan pemanggilan pihak pelapor dan terlapor dan jika pengaduan tersebut tidak masuk sebagai perkara konsumen maka laporan ditolak dikembalikan ke pihak konsumen menggunakan Nayve Bayes Classifier sedangkan TOPSIS digunakan untuk melakukan proses perangkingan keputusan akhir.
HASIL DAN PEMBAHASAN
Berdasarkan Gambar 2 untuk menyelesaikan proses model klasifikasi keputusan pengaduan perkara konsumen pada penelitian ini dilakukan dua tahapan, yaitu: .
Tahapan klasifikasi pengaduan perkara konsumen metode Nayve Bayes Classifier dan .
Tahapan pengambilan keputusan perkara konsumen dengan metode TOPSIS, berikut diuraikan tahapannya:
Tahap Klasifikasi Pengaduan Perkara Konsumen Metode Nayve Bayes Classifier Berdasarkan penelitian yang dilakukan di BPSK Kota Banjarmasin data yang diperoleh adalah data pengaduan perkara konsumen periode 146 | I T B A D i a n C i p t a C e n d i k i a Jurnal informasi dan Komputer Vol: 12 No:2.
P-ISSN: 2337-8344
E-ISSN: 2623-1247
bulan Januari Ae Desember 2023, informasi data seperti Tabel 1 Tabel 1.
Informasi Data Pengaduan Konsumen
Data Pengaduan Perkara Konsumen
Jumlah Data Pengaduan Atribut Perkara
Tahun Pengambilan P(X|H) : Probabilitas nilai X berdasarkan kondisi
P(X)
: Nilai probabilitas X Tahapan Pengambilan Keputusan Perkara Konsumen dengan Metode TOPSIS Setelah proses klasifikasi kemudian dilakukan perangkingan keputusan menggunakan metode TOPSIS.
Tabel 3 dan Tabel 4 merupakan data alternatif dan kriteria yang digunakan sebagai proses perangkingan keputusan perkara konsumen Data Dari Tabel 1.
Informasi data pengaduan perkara konsumen berjumlah 507 record data sedangkan jumlah atribut perkara sebanyak tujuh Atribut-atribut tersebut terdiri dari nomor pelaporan, konsumen, pelaku usaha, barang/jasa, masalah, barang bukti, kasus konsumen dan cara Tabel 2.
Atribut Data Perkara Pengaduan Konsumen Nama Atribut Perkara Nomor Pengaduan Konsumen Pelaku Usaha Barang/Jasa Masalah Arang Bukti Kasus Konsumen Cara Penyelesaian Tabel 2 merupakan atribut pada kumpulan data yang bertipe berbeda-beda dan memiliki jumlah data sebanyak 507 record, dari datatersebut dilakukan tahapan yaitu pertama Tahap preprocessing data terdiri dari data proses cleaning, data proses integration, data proses reduction, data proses transformation.
Tahapa Data Mining yaitu data proses training, data proses testing, proses klasifikasi pengaduan perkara konsumen dengan nayve bayes classifier.
Keterangan :
: Data yang mempunyai kelas yang tidak : Hipotesis data X masuk ke kelas P(H|X) : Probabilitas nilai H berdasarkan kondisi
P(H)
: Nilai probabilitas H.
Tabel 3 Alternatif Kode A.
Alternatif Konsumen_1 Konsumen_2 A.
Konsumen _X Tabel 4 Kriteria
Kode
Kriteria
Syarat Standar
Berat bersih
Ukuran Garansi
Komposisi
Label
Halal
Nama produk
Buku Petunjuk C10
Barang Rusak
C11
Barang Bukti Untuk kecocokan suatu alternatif terhadap setiap kriteria, nilai yang diberikan dapat dilihat Tabel 5 menunjukkan nilai kriteria terhadap alternatif.
Tabel 5.
Nilai Kriteria Terhadap Alternatif Paramater Skor Tidak Sesuai Ada tapi tidak sesuai Sesuai Tabel 6 menampilkan secara umum matrik kinerja pada alternatif A=.
=1,2, .
dan dimana i merupakan jumlah dari alternatif keputusan perkara konsumen.
Kemudian kriteria C=.
=1,2, ,.
dan dimana j merupakan jumlah dari kriteria pengaduan konsumen.
147 | I T B A D i a n C i p t a C e n d i k i a Jurnal informasi dan Komputer Vol: 12 No:2.
P-ISSN: 2337-8344
E-ISSN: 2623-1247
Tabel 6 Matrik Kinerja Umum Kriteria
Alternatif
X11
X12
X21
X22
Xm1 Xm2 X1n X2n Xmn Dari Tabel 6 sebagai contoh jika ada suatu kejadian penganduan perkara konsumen, maka tabel 1 mempunyai 3 Alternatif yaitu A1 = Konsumen_1.
A2 = Konsumen_2 dan A3 = Konsumen_3 dan tabel 2 mempunyai 11 kriteria adalah C1 = Syarat Standar.
C2 = Berat bersih.
C3 = Ukuran.
C4 = Garansi.
C5 = Komposisi.
C6 = Label.
C7 = Halal.
C8 = Nama produk.
C9 = Buku Petunjuk.
C10 = Barang Rusak dan C11 = Barang Bukti.
Tabel 7 menampilkan matrik kinerja alternatif pada kriteria pengaduan konsumen.
Tabel 7 Matrik Kinerja Alternatif pada Kriteria
pengaduan konsumen
Kriteria
Alternatif
A1=
Konsumen_1 A2= Konsumen_2 A3= Syarat Standar (C.
Berat (C.
Barang Bukti (C.
X11
X12
X111
X21
X32
X311
Konsumen_3 Formual 3 berfungsi untuk menghitung jumlah normalisasi terbobot yaitu masing-masing tiap alternatif dari matrik rnormaliasi dikalikan yij = wi.
Dimana :
- yij = jumlah matrik kinerja ternormalisasi terbobot - wi = nilai masing-masing bobot kriteria - rij = jumlah normalisasi setiap alternatif dimana i = 1,2, .
, m dimana m merupapkan banyaknya nilai alternatif dan j = 1,2, .
, n dimanan merupakan banyak kriteria.
Formula 4, 5, 6 dan 7 berfungsi untuk menghitung nilai solusi ideal positif dengan solusi ideal negatif sesuai nilai normalisasi.
Dimana Berdasarkan Tabel 7 matrik rating kinerja, bahwa pengambil keputusan penilaian pada kriteria terhadap alternatif untuk keputusan menggunakan TOPSIS.
Adapun prosesnya seperti berikut :
Dari hasil Tabel 7 dilakukan perhitungan nilai matrik ternormalisasi menggunakan formula 2.
Dimana:
rij = jumlah normalisasi pada sebuah alternatif konsumen ke-i terhadap kriteria konsumen ke-j xij = jumlah matrik kinerja alternatif konsumen ke-i pada kriteria konsumen m = banyak alternatif keputusan Dengan - A = nilai maksimum setiap kolom ke-j pada matrik ternormalisasi terbobot .
untuk solusi ideal positif - A- = nilai minimum setiap kolom ke-j pada matrik ternormalisasi terbobot .
untuk solusi ideal negatif - Yi = matrik normalisasi terbobot .
ij ) untuk nilai maksimum setiap kolom ke-j 148 | I T B A D i a n C i p t a C e n d i k i a Jurnal informasi dan Komputer Vol: 12 No:2.
P-ISSN: 2337-8344
E-ISSN: 2623-1247
- Alternatif Ai yang lebih dipilih jika Nilai Vi lebih besar - Y -=i matrik normalisasi terbobot .
) ijuntuk nilai minimum setiap kolom ke-j Formulai 8 dan 9 berfungsi untuk menghitung jarak setiap alternatif terhadap solusi ideal positif dan solusi ideal negatif.
Formula 8 digunakan untuk jarak alternatif Ai terhadap solusi ideal positif:
Pengujian Desain dan Framework Model menggunakan Confusion Matrix Tabel 8 merupakan tabel Confusion Matrix yang digunakan menguji Model untuk mengetahui tingkat akurasi pada sebuah model.
Tabel 8 Confusion Matrix i = 1,2,.
,m.
Formulai 9 digunakan untuk jarak alternatif Ai terhadap solusi ideal negatif :
Actual Sampel True False Predicted Sample True False 1,2,.
,m.
Dimana - Di didapat dengan nilai akar dari jumlah nilai setiap alternatif yang diperoleh dari jumlah normalisasi terbobot pada setiap alternatif .
dikurangi solusi ideal positif .
i ) dan dipangkatkan dua adalah perhitungan jarak alternatif Ai antara solusi ideal positif .
j ).
- Di- didapat dengan nilai akar dari jumlah nilai setiap alternatif yang diperoleh dari jumlah ternormalisasi terbobot pada setiap alternatif .
di kurangi solusi idealnegatif .
j-) dan dipangkatkan dua adalah perhitungan jarak alternatif Ai antara solusi ideal negatif .
j -).
Formula 10 berfungsi untuk menghitung nilai terdekat setiap alternatif terhadap solusi ideal .
Dimana - nilai jarak alternatif Ai dengan solusi ideal negatif (Di-) dibagi dengan jumlah nilai jarak alternatif Ai dengan solusi ideal negatif untuk memperoleh Vi .
ilai preferensi untuk setiap alternati.
Keterangan :
: True positives merupakan jumlah data kelas positif tergolong positif.
: True negative merupakan jumlah data kelas negatif tergolong negatif.
: False positives merupakan banyaknya total data kelas positif tergolong negatif.
: False negative merupakan jumlah data kelas negatif tergolong positif Terdapat menyatakan kinerja sistem pengklasifikasi diantaranya, precision, sensitivity, accuracy, specificity dan error rate.
Precision yaitu hasil jumlah katagori data positif yang diklasifikasi benar dibagi total diklasifikasi data positif menggunakan persamaan 11.
Sensitivity yaituhasil jumlah klasifikasi data positif benar dibagi total katagori data positif menggunakan persamaan 12.
Accuracy yaitu hasil perbandingan semua data terklasifikasi benar terhadap jumlah keseluruhan Specificity merupakan hasil seberapa baik semua dat terklasifikasi benar menggunakan persamaan Error rate merupakan hasil perbandingan semua data terklasifikasi salah terhadap semua data menggunakan persamaan 15.
149 | I T B A D i a n C i p t a C e n d i k i a Jurnal informasi dan Komputer Vol: 12 No:2.
P-ISSN: 2337-8344
E-ISSN: 2623-1247
KESIMPULAN
Desain dan framework model klasifikasi keputusan untuk seleksi pengaduan perkara pengaduan perkara yang termasuk dalam penyelesaian sengketa konsumen.
Perancangan model klasifikasi ini dikembangkan sebagai alat pengambilan keputusan terhadap sengketa konsumen yang diselesaikan oleh badan penyelesaian sengketa konsumen.
Hasil penelitian ini mengembangkan desain dan framework model klasifikasi keputusan dengan Naive Bayes Classifier dengan TOPSIS.
Model ini dapat diimplementasi pada BPSK diseluruh kota yang ada di Indonesia.
DAFTAR PUSTAKA