The hotel prepares rooms and resources according to the room booking. Advance booking from customers is a relationship between customers and hotels that ensures price stability for customers to enjoy services. Cancellation of hotel bookings and inability to satisfy potential customers is a widespread and alarming problem that can increase hotel operating costs and affect customer satisfaction. Given that the impact on the hospitality industry can be very bad, predicting hotel cancellations can be a solution to help build an appropriate operational strategy. Method used in this research is stacking machine learning model. Stacking consists of two levels, where in this study level 0 (base learner) uses the Naive Bayes, Logistic Regression, and Gradient Boosting Machine algorithms while at level 1 (meta learner) uses the Random Forest algorithm. Accuracy value of the stacking model classification and the gradient boosting machine has the highest accuracy value of 0.87. Sensitivity value of the stacking model is 0.86 and is the highest sensitivity value which means that the stacking model classification is very precise in predicting consumers in canceling hotel reservations. Specificity value of the gradient boosting machine is 0.88 and is the highest specificity value, which means that the gradient boosting machine classification is very precise in predicting consumers who do not cancel hotel reservations. Naive bayes and logistic regression classifications have accuracy, sensitivity, specificity, precision values that are not high.
Bahasa Indonesia
Hotel mempersiapkan kamar dan sumber daya sesuai dengan pemesanan kamar. Pemesanan di awal dari pelanggan merupakan hubungan antara pelanggan dengan hotel yang memastikan kestabilan harga bagi pelanggan untuk menikmati layanan. Pembatalan pemesanan hotel dan ketidakmampuan untuk memuaskan calon konsumen merupakan masalah yang meluas dan mengkhawatirkan yang dapat meningkatkan biaya operasional hotel dan mempengaruhi kepuasan pelanggan. Mengingat hal itu dampaknya terhadap industri perhotelan bisa sangat buruk, maka dengan memprediksi pembatalan hotel dapat menjadi solusi untuk membantu membangun strategi operasional yang sesuai. Metode yang digunakan pada penelitian ini adalah stacking machine learning model. Stacking terdiri dari dua level, dimana pada penelitian ini level 0 (base learner) menggunakan algoritma Naive Bayes, Logistic Regression, dan Gradient Boosting Machine sedangkan pada level 1 (meta learner) menggunakan algoritma Random Forest. nilai akurasi klasifikasi stacking model dan gradient boosting machine memiliki nilai akurasi tertinggi sebesar 0.87. Nilai sensitivitas stacking model sebesar 0.86 dan merupakan nilai sensitivitas tertinggi yang berarti klasifikasi stacking model sangat tepat memprediksi konsumen dalam pembatalan pemesanan hotel. Nilai Spesifisitas gradient boosting machine sebesar 0.88 dan merupakan nilai spesifisitas tertinggi yang berarti klasifikasi gradient boosting machine sangat tepat memprediksi konsumen yang tidak melakukan pembatalan pemesanan hotel. Klasifikasi naive bayes dan logistic regression memiliki nilai akurasi, sensitivitas, spesifisitas, presisi yang tidak tinggi. Kata kunci: Stacking Model, Base Learner, Meta Learner
Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.