Zeta Ae Math Journal Volume 9 Nomor 2.
November 2024, pp.
E-ISSN: 2579-5864 P-ISSN: 2459-9948
https://doi.
org/10.
31102/zeta.
Perbandingan Algoritma K Nearest Neighbor Pada Nilai K untuk Forecasting Occupancy Room pada Hotel XYZ Aldi Age Hasan1.
Teguh Herlambang2*.
Romli Arief3 Undergraduate Program Studi S1 Sistem Informasi.
Fakultas Ekonomi Bisnis Teknologi Digital.
Universitas Nahdlatul Ulama Surabaya Departemen Sistem Informasi.
Fakultas Ekonomi Bisnis Teknologi Digital.
Universitas Nahdlatul Ulama Surabaya *Penulis korespondensi.
Email: teguh@unusa.
ABSTRAK
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.
Kata Kunci: Hotel.
Okupansi.
Peramalan.
KNN
ABSTRACT
Hotels plays an important role as an economic support factor for the tourism in Indonesia.
Based on the data of the Central Statistics Agency (BPS) of East Java in April 2023, foreign tourist visits to East Java through Juanda AirportSurabaya increased by 74% compared to that of the previous year in the same month.
The hotel occupancy rate, which is an indicator of the number of rooms occupied by guests, becomes critical in managing resources such as electricity.
And, this research discusses a method of predicting hotel occupancy rates, with a focus on the K-NN Regression KNN has strong consistency and effectiveness against training datasets with a lot of noise, although its performance is affected by the value of k which determines the extent of the search.
The results of this study are, that for the division of 70% training data and 30% testing data, at the value of K = 3 and K = 4, has an RMSE value of 204, then that for the division of 80:20 data at the value of K = 3 has an RMSE value of 0.
127, and that for the division of 90:10 data at the value of K = 3 has an RMSE value of 0.
Keyword: Hotel.
Occupancy.
Forecasting.
KNN Article info: Submitted: 6 July 2024 Accepted: 29 November 2024 How to cite this article:
Hasan.
Herlambang.
, & Arief.
Perbandingan Algoritma K Nearest Neighbor Pada Nilai K untuk Forecasting Occupancy Room pada Hotel XYZ.
Zeta - Math Journal, 9.
, 97-104.
https://doi.
org/10.
31102/zeta.
This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution-ShareAlike 4.
0 International License.
Zeta Ae Math Journal, vol.
9, no.
2, pp.
97 - 104.
November, 2024.
PENDAHULUAN
Hotel merupakan salah satu faktor penunjang pada perekonomian di Indonesia pada sektor parawisata.
Menurut sumber data BPS (Badan Pusat Statistik.
Jawa Timur pada bulan April 2023, kunjungan wisatawan mancanegara ke Jawa Timur melalui pintu masuk Bandara Juanda di Surabaya mengalami peningkatan.
Jumlah kunjungan ini naik 74% dari tahun sebelumnya di bulan yang sama.
Sudah sepantasnya bagi pemilik hotel untuk menentukan perencanaan yang baik kedepannya agar dapat menampung jumlah wisatawan.
Terlebih lagi di kota Surabaya yang merupakan kota terbesar yang ada di Jawa Timur dengan melakukan manajerial kualitas pelayanan yang baik dan juga ketersedian jumlah kamar.
Dengan meningkatkan kualitas manajerial pelayanan yang baik, maka para wisatawan akan merasa lebih aman, nyaman, dan betah untuk tinggal lebih lama di dalam hotel sehingga dapat menaikkan ekonomi didaerah Surabaya di bidang pariwisata (T.
Herlambang et al.
,2.
Forecasting adalah bagian awal dari proses aktivitas pengambilan suatu keputusan yang dibutuhkan untuk menentukan kapan terjadinya besarnya nilai data pada suatu peristiwa (Chang Y.
M et al.
,2.
Forecasting merupakan suatu kegiatan memperkirakan atau memprediksikan kejadian dimasa yang akan datang tentunya dengan bantuan penyusunan rencana terlebih dahulu, dimana rencana ini dibuat berdasarkan kapasitas dan kemampuan permintaan/keuntungan yang telah dilakukan di perusahaan (Anshori M.
, 2.
Adapun 3 prosedur yang penting kita ketahui dalam melakukan peramalan yakni dengan menganalisa data masa lalu untuk mengetahui pola data masa lalu sebagai perbandingan di masa depan.
Lalu selanjutnya ialah menentukan data yang akan digunakan.
Selanjutnya yang terakhir adalah memproyeksikan data yang lalu dengan metode yang digunakan.
Beberapa metode algoritma yang sering digunakan dalam melakukan forecasting yakni Regresi Linear.
C45.
Nayve Bayes.
SVM.
Neural Network dan masih banyak lainnya.
Dikutip dari hasil penelitian SLR (Studi Literatur Revie.
di tahun 2011 hingga 2021 yang dilakukan oleh Zhang pada tahun 2022 (W.
Zhang, et al.
, bahwa algoritma K-Nearest Neighbor (KNN) ini merupakan algoritma machine learning yang banyak dipakai untuk dilakukan penelitian.
Pada penelitian ini akan melakukan forecasting pada tingkat hunian hotel dengan menggunakan algoritma dan juga K-Nearest Neighbor (KNN).
Algoritma K-Nearest Neighbor (KNN) adalah algoritma yang memiliki konsistensi yang kuat dan memiliki kelebihan dalam menangani dataset pelatihan yang memiliki banyak noise (Labolo A.
, et al.
, 2.
Kelebihan lainnya dari K-Nearest Neighbor (KNN) ini adalah algoritma ini sangat efektif terhadap jumlah data pelatihan yang tinggi atau besar (Putrasyah et al.
,2.
Pada penelitian sebelumnya, algoritma KNN ini juga sudah digunakan secara luas.
Beberapa contoh penelitian yang mengimplementasikan algoritma K-Nearest Neighbor (KNN) diantaranya, algoritma KNearest Neighbor (KNN) berhasil mencapai tingkat akurasi 91,67% dalam memprediksi tingkat hunian hotel di kota Cirebon (A.
S Akbar.
et al.
, 2.
Kemudian, ditahun sebelumnya yaitu pada tahun 2023, algoritma KNearest Neighbor (KNN) digunakan untuk memprediksi harga rata-rata kamar di Hotel S (AsyAoari V, et al.
Disamping itu, algoritma K-Nearest Neighbor (KNN) juga dapat diimplementasikan pada bidang lain seperti peramalan harga saham bank swasta (Muallif I.
et al.
, 2.
Berikut merupakan tabel dataset histori okupansi pada Hotel XYZ yang memiliki rentang tahun 2018 Tabel 1.
Data Hotel XYZ Bulan No.
Rooms 1 Apr 2018 1 May 2018 1 Jun 2018 1 Jul 2018 1 Jan 2019 1 Feb 2019 Rooms Avail.
Occ Rooms Sold Av Rm Rate Room Revenue Perbandingan Algoritma K Nearest Neighbor Pada Nilai K untuk Forecasting Occupancy Room pada Hotel XYZ Hasan.
Herlambang, dll.
1 Mar 2019
1 Apr 2019
1 Jan 2020
1 Feb 2020
1 Mar 2020
1 Apr 2020
1 Jan 2021
1 Feb 2021
1 Mar 2021
1 Apr 2021
1 Jan 2022
1 Feb 2022
1 Mar 2022
1 Apr 2023
METODE PENELITIAN
Secara umum, pada penelitian ini menggunakan metode kuantitatif dengan dataset yang didapatkan dari hasil histori Hotel XYZ yang kemudian diolah menggunakan Rapidminer dengan algoritma K-Nearest Neighbor (KNN) untuk memprediksi hasil produksi kelapa pada masa mendatang HASIL PENELITIAN 1 Algoritma K-Nearest Neighbor (KNN) K-Nearest Neighbor (KNN) adalah metode yang menggunakan algoritma supervised dimana hasil dari query instance yang baru diklasifikasikan berdasarkan mayoritas dari label class pada KNN (Drajana I.
,2.
Prinsip K-Nearest Neighbor (KNN) melibatkan pengklasifikasian setiap sampel yang mirip dengan sampel-sampel disekitarnya (M.
N Muttaqin, et.
,2.
Algoritma K-Nearest Neighbor (KNN) menggunakan klasifikasi ketetanggan sebagai nilai prediksi yang dihitung menggunakan fungsi Euclidean.
Berikut merupakan fungsi matematika dari aturan Euclidean.
ya = Oo.
cu Oe ycu )2 Oe .
c Oe yc )2 ya : Jarak ycu : Sample data yc : Data uji 2 Root Mean Squared Error (RMSE) Metode Root Mean Squared Error (RMSE) merupakan metode kuadratik untuk mengukur skor dengan cara menghitung rata-rata magnitudo dari error.
RMSE mengindikasikan beberapa hal yaitu kesesuaian absolut antara model dan data.
Selain itu.
RMSE menunjukan rata-rata error prediksi dari model.
Penelitian ini memanfaatkan metode RMSE untuk mengukur keakuratan model K-Nearest Neighbor (KNN) yang terbentuk untuk memprediksi tingkat hunian pada hotel.
Semakin rendah nilai dari RMSE menunjukan model yang dibuat mampu melakukan prediksi dengan baik (Choirun A.
, et.
,2.
Perhitungan RMSE dapat dilakukan dengan persamaan berikut.
ycu ycIycAycIya = oc ycn=1 .
cUycn Oe yaycn )2 ycu : Banyak data hasil ramalan .
Zeta Ae Math Journal, vol.
9, no.
2, pp.
97 - 104.
November, 2024.
: Data ramalan dihitung dari model yang digunakan pada waktu / tahun i : Data sebenarnya 3 Implementasi K Nearest Neighbor (KNN) Berikut merupakan implementasi dari metode K Nearest Neighbor (KNN) pada data histori okupansi di Hotel XYZ.
Gambar 2.
Implementasi Algoritma K Nearest Neighbor (KNN) Analisis dan prediksi dengan metode K-Nearest Neighbor (KNN) di diawali dengan menentukan variabelvariabel independen dan dependen.
Sebelum dilakukan simulasi dan prediksi untuk menemukan nilai Pada penelitian ini, simulasi diawali dengan membagi dataset dari fitur/kolom-kolom yang terpilih sebagai variabel independen dan dependen kedalam data training dan data testing berdasarkan proporsi tertentu.
Simulasi pertama membagi data training sebesar 70% dan data testing sebesar 30%.
Simulasi kedua membagi data training sebesar 80% dan data testing sebesar 20%.
Simulasi ketiga membagi data training sebesar 90% dan data testing sebesar 10%.
Gambar 3.
Pemodelan Forecasting K Nearest Neighbor (KNN) Menggunakan Rapidminer Hasan.
Herlambang, dll.
Perbandingan Algoritma K Nearest Neighbor Pada Nilai K untuk Forecasting Occupancy Room pada Hotel XYZ Gambar 4.
Hasil Perbandingan Forecasting Pada Nilai K Dengan Data Latih 70% dan Data Uji 30% Pada Gambar 4 menunjukan grafik perbandingan akurasi nilai K pada algoritma K-Nearest Neighbor (KNN) dengan pembagian data latih sebesar 70% dan data uji sebesar 30%.
Grafik pada Gambar 4 menunjukkan bahwa K=3 yang digambarkan dengan garis hijau terlihat ada fluktuasi yang signifikan dalam prediksi, terutama pada periode awal pada analisis pada rentang tahun 2018 sampai tahun 2019.
Selanjutnya Nilai K=4 yang digambarkan pada garis warna oranye ini menunjukkan performa yang lebih baik dibandingkan K=3, dengan prediksi yang lebih mendekati data aktual pada beberapa periode.
Nilai K=5 menunjukkan keseimbangan yang baik antara stabilitas dan akurasi.
Prediksi K=5 lebih dekat dengan data aktual dibandingkan K=3 dan K=4.
Nilai K=6 menunjukkan performa yang sangat baik, dengan prediksi yang lebih stabil dan mendekati data aktual pada banyak titik.
Nilai K=7 menunjukkan performa prediksi yang paling stabil dan akurat dibandingkan dengan nilai K lainnya.
Gambar 5.
Hasil Perbandingan Forecasting Pada Nilai K Dengan Data Latih 80% dan Data Uji 20% Pada Gambar 5 menunjukan grafik perbandingan akurasi nilai K pada algoritma K-Nearest Neighbors (KNN) dengan pembagian data 80:20 menunjukkan bahwa Prediksi dengan nilai K=3 dengan digambarkan garis hijau, cenderung memiliki pola data fluktuatif dan tidak stabil.
Nilai K=4 yang digambarkan dengan garis Zeta Ae Math Journal, vol.
9, no.
2, pp.
97 - 104.
November, 2024.
oranye menunjukkan kinerja yang lebih baik dibandingkan K=3 dengan prediksi yang mendekati data Pada nilai K=5 diwakili oleh garis hitam, menunjukkan keseimbangan yang baik antara stabilitas dan akurasi, dengan prediksi lebih dekat dengan data aktual dibandingkan K=3 dan K=4.
Pada nilai K=6 yang digambarkan dengan garis berwarna merah muda menunjukkan performa yang sangat baik dengan prediksi yang lebih stabil dan mendekati data aktual pada banyak titik.
Nilai K=7 yang digambarkan dengan warnah merah, menunjukkan performa prediksi yang paling stabil dan akurat dibandingkan nilai K lainnya dengan prediksi yang mendekati data aktual pada banyak periode.
Gambar 6.
Hasil Perbandingan Forecasting Pada Nilai K Dengan Data Latih 90% dan Data Uji 10% Pada Gambar 6 menunjukan grafik perbandingan akurasi nilai K pada algoritma K-Nearest Neighbors (KNN) dengan pembagian data 90:10 menunjukkan bahwa Prediksi dengan nilai K=3 dengan digambarkan garis hijau cenderung memiliki pola data forecasting fluktuatif dan menunjukkan beberapa penyimpangan dari data real.
Pada nilai K=4 digambarkan pada garis berwarna oranye ini menunjukkan performa yang lebih baik dibandingkan K=3, dengan nilai data prediksi yang mendekati data aktual pada beberapa periode.
Pada nilai K=5 yang digambarkan dengan garis berwarna hitam, yang menunjukkan keseimbangan yang baik antara stabilitas dan akurasi, dengan pola data prediksi lebih dekat dengan data aktual dibandingkan dengan nilai K=3 dan K=4.
Pada nilai K=6 yang digambarkan dengan garis bewarna ungu, menunjukkan performa yang sangat baik dengan pola data prediksi yang lebih stabil dan mendekati data aktual pada banyak Pada nilai K=7 yang digambarkan dengan garis berwarna merah menunjukkan performa prediksi yang memiliki pola data prediksi yang berbeda dengan data real.
Jauh lebih baik dengan nilai K=3.
K=4 dan K=5.
Setelah melakukan simulasi forecasting model berdasarkan pembagian data, pada Tabel 2 berikut merupakan hasil rekapitulasi dari hasil nilai kesalahan (RMSE).
Tabel 2.
Tabel Rekapitulasi Nilai RMSE
Nilai K
K=3
K=4
K=5
K=6
K=7
70:30
RMSE
80:20
90:10
Hasan.
Herlambang, dll.
Perbandingan Algoritma K Nearest Neighbor Pada Nilai K untuk Forecasting Occupancy Room pada Hotel XYZ
KESIMPULAN
Berdasarkan analisis RMSE (Root Mean Square Erro.
untuk berbagai nilai K pada algoritma K Nearest Neighbor (KNN) dengan pembagian data yang berbeda yaitu, 70%:30%, 80%:20%, dan 90%:10%, terlihat bahwa nilai K terbaik bervariasi menurut divisi data.
Pada pembagian data 70%:30%, nilai RMSE terendah dicapai oleh K=4 dan K=5 dengan nilai yang sama yaitu 0,204 yang menunjukkan bahwa kedua nilai K ini memberikan prediksi yang paling akurat untuk pembagian data ini.
Untuk pembagian data 80%:20% dan 90%:10%.
K=3 memberikan RMSE terendah masing-masing sebesar 0,127 dan 0,080 yang menunjukkan bahwa K=3 lebih unggul pada kondisi dengan data latih yang lebih banyak, mampu menangkap pola data dengan baik dan memberikan prediksi terbaik.
Nilai K yang lebih rendah seperti K=3 cenderung lebih responsif terhadap pola pada data ketika jumlah data pelatihan lebih besar, sedangkan nilai K yang lebih tinggi memberikan keseimbangan yang lebih baik antara bias dan varians pada kondisi dengan data pelatihan yang lebih sedikit.
DAFTAR PUSTAKA