Hybrid Deep Learning Untuk Prediksi Kunjungan Tamu Hotel
DOI:
https://doi.org/10.56995/sintek.v5i2.173Keywords:
Prediksi Kunjungan Tamu, Hybrid Deep Learning, CNN, LSTM, HotelAbstract
Prediksi jumlah kunjungan tamu hotel adalah aspek penting dalam pengelolaan operasional dan perencanaan strategis, terutama pasca pandemi Covid-19 yang menyebabkan fluktuasi tinggi dalam kunjungan. Holiday Resort Lombok, resort bintang empat di Senggigi, mencatat pertumbuhan kunjungan 35,20% dari 2022 hingga 2023, menunjukkan pemulihan pariwisata. Penelitian ini mengembangkan model prediksi menggunakan hybrid deep learning yang mengintegrasikan Convolutional Neural Network (CNN) untuk mengekstraksi pola spasial dan Long Short-Term Memory (LSTM) untuk menangani aspek temporal. Dataset terdiri dari 730 catatan harian kunjungan dari Januari 2022 hingga Desember 2023, dengan pelatihan model pada variasi epoch (50, 100, 150, dan 200). Hasil terbaik diperoleh pada 150 epoch, dengan Root Mean Sequare Error (RMSE) 29,55 untuk data pelatihan dan 32,23 untuk data pengujian, menunjukkan akurasi yang lebih baik dibandingkan metode tradisional. Namun, model menunjukkan potensi overfitting, memerlukan optimalisasi lebih lanjut. Model ini dapat mendukung pengambilan keputusan terkait alokasi sumber daya dan strategi pemasaran. Penelitian selanjutnya disarankan untuk mengeksplorasi ensemble learning dan integrasi variabel eksternal untuk meningkatkan ketepatan model.
Downloads
References
B. Zhang, N. Li, R. Law, and H. Liu, “A hybrid MIDAS approach for forecasting hotel demand using large panels of search
data,” Tourism Economics, vol. 28, no. 7, pp. 1823–1847, Nov. 2022, doi: 10.1177/13548166211015515.
N. Dowlut and B. Gobin-Rahimbux, “Forecasting resort hotel tourism demand using deep learning techniques – A
systematic literature review,” Heliyon, vol. 9, no. 7, Jul. 2023, doi:
1016/j.heliyon.2023.e18385.
A. Cecaj, M. Lippi, M. Mamei, and F. Zambonelli, “Comparing deep learning and statistical methods in forecasting crowd distribution from aggregated mobile phone data,” Applied Sciences (Switzerland), vol. 10, no. 18, Sep. 2020, doi: 10.3390/APP10186580.
A. Voulodimos, N. Doulamis, A. Doulamis, and E. Protopapadakis, “Deep Learning for Computer Vision: A Brief Review,” 2018, Hindawi Limited. doi: 10.1155/2018/7068349.
Y. S. Pasaribu, J. William, I. V Ps, K. Baru, K. Percut, and S. Tuan, “Prediksi Jumlah Tamu Hotel di Provinsi NTB dengan Metode Monte Carlo,” Jurnal Penelitian dan Karya Ilmiah, vol. 2, no. 3, 2024, doi: 10.59059/mutiara.v2i2.1326.
H. Sarjono and I. Zulkifli, “PREDIKSI JUMLAH TAMU MENGINAP DI HOTEL KARLITA INTERNATIONAL, TEGAL, JAWA TENGAH.”
Seminar Nasional Edusainstek. 2018.
J. Sains and D. Seni Pomits, “Peramalan
Jumlah Tamu di Hotel ‘X’ dengan Pendekatan Arima, Fungsi Transfer, dan Anfis,” 2013.
W. Damayanti, D. Yulianto, A. 3bsi, Y. Yogyakarta´jl, G. Ringroad Barat Ambarketawang, and Y. Sleman, “PERANAN HOUSEKEEPING DALAM MENANGANI KOMPLAIN UNTUK MEMBERIKAN KEPUASAN TAMU DI MAWAR ASRI HOTEL
JOGJA,” 2014.
I. Gede, I. Sudipa, and M. Darmawiguna, “BUKU AJAR DATA MINING,” 2024. [Online]. Available: https://www.researchgate.net/publication /377415198
K. Nungqi Somala, R. Dwi Respati, and R. K. Hera Merdeka, “PENGARUH KUALITAS PELAYANAN TERHADAP LOYALITAS TAMU
HOTEL NOVOTEL.” [Online]. Available: https://jurnal.umt.ac.id/public/journals/40 /homepageImage_en_US.jpg
A. Agga, A. Abbou, M. Labbadi, and Y. el Houm, “Short-term self consumption PV plant power production forecasts
based on hybrid CNN-LSTM, ConvLSTM models,” Renew Energy, vol. 177, May 2021, doi: 10.1016/j.renene.2021.05.095.
P. A. Bayupati, A. A. A. S. Dewi, and N. K. A. Wirdiani, “Perbandingan Metode Artificial Neural Network dan Artificial
