Perbandingan Algoritma KNN pada Nilai K  untuk Forecasting Occupancy Room pada Hotel XYZ

Aldi Age Hasan; Teguh Herlambang; M. Romli Arief

doi:10.31102/zeta.2024.9.2.97-104

Aldi Age Hasan Universitas Nahdlatul Ulama Surabaya
Teguh Herlambang Universitas Nahdlatul Ulama Surabaya
M. Romli Arief Universitas Nahdlatul Ulama Surabaya

DOI: https://doi.org/10.31102/zeta.2024.9.2.97-104

Keywords: KNN, Occupancy hotel, Forecasting, Hotel

Abstract

Hotel memainkan peran penting sebagai faktor penunjang ekonomi sektor pariwisata di Indonesia. Menurut data Badan Pusat Statistika (BPS) Jawa Timur pada April 2023, kunjungan wisatawan mancanegara ke Jawa Timur melalui Bandara Juanda, Surabaya, meningkat 74% dibandingkan tahun sebelumnya di bulan yang sama. Tingkat hunian hotel, yang merupakan indikator jumlah kamar terisi oleh tamu, menjadi kritis dalam mengelola sumber daya seperti listrik.Penelitian ini membahas metode prediksi tingkat hunian hotel, dengan fokus pada algoritma Regresi K-NN. KNN memiliki konsistensi kuat dan efektivitas terhadap dataset pelatihan dengan banyak noise, meskipun kinerjanya dipengaruhi oleh nilai k yang menentukan sejauh mana pencarian berlangsung. Hasil yang diberikan pada penelitian ini ialah pada pembagian data training 70% dan data testing 30%, mendapatkan hasil dengan nilai K=3 dan K=4 memiliki nilai RMSE 0.204, lalu pada pembagian data 80:20 ada di nilai K=3 memiliki nilai RMSE 0.127 dan hasil pada pembagian data 90:10 pada nilai K=3 memiliki nilai RMSE 0.080

Downloads

Download data is not yet available.

References

A. S. Akbar and R. H. Kusumodestoni, “Optimization of k value and lag parameter of k-nearest neighbor algorithm on the prediction of hotel occupancy rates,” J. Teknol. dan Sist. Komput., vol. 8, no. 3, pp. 246–254, Jul. 2020. https://doi.org/10.14710/jtsiskom.2020.13648

Anshori, M. Y., Asy'Ari, V., Herlambang, T., & Farid, I. W. (2023, November). Forecasting occupancy rate using neural network at Hotel R. In 2023 International Conference on Advanced Mechatronics, Intelligent Manufacture and Industrial Automation (ICAMIMIA) (pp. 347-351). IEEE. W. Zhang, Y. Wu, and J. K. Calautit, “A review on occupancy prediction through machine learning for enhancing energy efficiency, air quality and thermal comfort in the built environment,” Renew. Sustain. Energy Rev., vol. 167, no. January, p. 112704, 2022. https://doi.org/10.1016/j.rser.2022.112704

Asy'ari, V., Anshori, M. Y., Herlambang, T., Farid, I. W., Karya, D. F., & Adinugroho, M. (2023, November). Forecasting average room rate using k-nearest neighbor at Hotel S. In 2023 International Conference on Advanced Mechatronics, Intelligent Manufacture and Industrial Automation (ICAMIMIA) (pp. 496-500). IEEE. https://doi.org/10.1109/ICAMIMIA60881.2023.10427942

Chang, Y. M., Chen, C. H., Lai, J. P., Lin, Y. L., & Pai, P. F. (2021). Forecasting hotel room occupancy using long short-term memory networks with sentiment analysis and scores of customer online reviews. Applied Sciences, 11(21), 10291. https://doi.org/10.3390/app112110291

CHOIRUN, A., & Andri, A. (2020). PENERAPAN ALGORITMA K-NEAREST NEIGHBOR UNTUK PREDIKSI PENJUALAN OBAT PADA APOTEK KIMIA FARMA ATMO PALEMBANG (Doctoral dissertation, Universitas Bina Darma). I. Wayan and P. Pratama, “JAVOK: Jurnal Akademisi Vokasi IMPLEMENTASI SUPPORT VECTOR MACHINE DALAM PREDIKSI HARGA RUMAH,” vol. 2, no. 2, pp. 101–113, 2023.

Drajana, I. C. R., & Botutihe, M. H. (2023). Perbandingan Metode Forecasting K-NN, NN dan SVM Untuk Peramalan Jumlah Produksi Coconut Oil. JURNAL TECNOSCIENZA, 7(2), 298-311. https://doi.org/10.51158/tecnoscienza.v7i2.919

Labolo, A. Y., Utiarahman, S. A., Lasulika, M. E., Drajana, I. C. R., & Bode, A. (2023). K-Nearest Neighbor for Gorontalo City Chili Price Prediction Using Feature Selection, Backward Elimination, and Forward Selection. International Journal Software Engineering and Computer Science (IJSECS), 3(3), 261-269., https://doi.org/10.35870/ijsecs.v3i3.1709

M. N. Muttaqin and I. Kharisudin, “Analisis Sentimen Pada Ulasan Aplikasi Gojek Menggunakan Metode Support Vector Machine dan K Nearest Neighbor,” UNNES J. Math., vol. 10, no. 2, pp. 22–27, 2021, [Online]. Available: http://journal.unnes.ac.id/sju/index.php/ujm

Muallif, I. S., Budiman, H., & Ransi, N. (2023, November). Penerapan Data Mining untuk Prediksi Pergerakan Harga Saham Menggunakan Algoritma K-Nearest Neighbor. In Prosiding Seminar Nasional Pemanfaatan Sains Dan Teknologi Informasi (Vol. 1, No. 1, pp. 297-306). Retrieved from https://epublikasi.digitallinnovation.com/index.php/sempatin/article/view/46

Putrasyah, A., Ermatita, E., & Abdiansah, A. (2023). Klasifikasi Kemiripan Suara Rekaman Menggunakan Metode Me-Frequency Cepstra Coefficient dan Minkowski. INTECOMS: Journal of Information Technology and Computer Science, 6(2), 959-969. Purnamasari, A. I., & Suprapti, T. (2024). PREDIKSI HUNIAN HOTEL MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS. JATI (Jurnal Mahasiswa Teknik Informatika), 8(2), 1897-1903. https://doi.org/10.31539/intecoms.v6i2.7023

Putri Amaningsih, Tony Yulianto, Faisol, & Rica Amalia. (2024). Implementation of K-Means and Single Linkage on Types of Disabilities in East Java Province. Contemporary Mathematics and Applications (ConMathA), 6(2), 101–113. https://doi.org/10.20473/conmatha.v6i2.58513

T. Herlambang, M. Y. Anshori, V. Asy’ari, and B. P. Tomasouw, “TITLE OF ARTICLE,” together j. Math. &; App, 2022, doi: 10.30598/barekengxxxxxxxxxxxxx.

W. Zhang, Y. Wu, and J. K. Calautit, “A review on occupancy prediction through machine learning for enhancing energy efficiency, air quality and thermal comfort in the built environment,” Renew. Sustain. Energy Rev., vol. 167, no. January, p. 112704, 2022. https://doi.org/10.1016/j.rser.2022.112704

Article Metrics

Abstract view : 25 times