EVALUASI ALGORITMA XGBOOST MENGGUNAKAN HYPERPARAMETER DEFAULT DAN HYPERPARAMETER TUNING DALAM MEMPREDIKSI PEMBATALAN BOOKING HOTEL

Nagara, Dimas Pramudya (2025) EVALUASI ALGORITMA XGBOOST MENGGUNAKAN HYPERPARAMETER DEFAULT DAN HYPERPARAMETER TUNING DALAM MEMPREDIKSI PEMBATALAN BOOKING HOTEL. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (137kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (577kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (269kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (708kB)
	Text (BAB V) BAB V.pdf Download (73kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (181kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4040.zip Restricted to Repository staff only Download (288kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (906kB)

Abstract

Pembatalan booking hotel merupakan salah satu tantangan yang dihadapi industri perhotelan karena dapat memengaruhi pendapatan dan efisiensi operasional. Penelitian ini bertujuan untuk membangun model prediksi pembatalan booking hotel menggunakan algoritma XGBoost, yang dikenal unggul dalam klasifikasi dan efisiensi komputasi. Data yang digunakan berasal dari platform Kaggle dengan total 36.285 data dan 17 fitur, yang kemudian melalui tahapan preprocessing mencakup data cleaning, encoding, feature selection, normalisasi, dan balancing menggunakan SMOTEENN. Model awal dibangun menggunakan pengaturan hyperparameter default, kemudian ditingkatkan melalui proses tuning dengan GridSearchCV untuk menemukan kombinasi hyperparameter terbaik. Evaluasi model dilakukan menggunakan classification report, confusion matrix, learning curve, dan AUC-ROC. Hasil penelitian menunjukkan bahwa model dengan tuning hyperparameter memberikan performa lebih baik dibanding model default, dengan akurasi sebesar 0.97 pada model default dan 0.99 pada model dengan tuning hyperparameter. Peningkatan juga terjadi pada nilai precision, recall, dan F1-score untuk kedua kelas, di mana masing-masing metrik meningkat dari 0.97 menjadi 0.99 setelah dilakukan tuning hyperparameter. Selain itu, nilai AUC dari kedua model mencapai 0.99, yang menunjukkan kemampuan klasifikasi yang sangat baik. Hasil penelitian ini menunjukkan bahwa model yang dikembangkan memiliki potensi untuk diterapkan di bidang perhotelan, khususnya sebagai alat bantu prediktif bagi manajer hotel dalam mengantisipasi dan mengurangi risiko kerugian akibat pembatalan booking.

Actions (login required)

View Item