Seleksi Fitur Berbasis Artificial Bee Colony Dan Gradient Boosting Decision Tree Untuk Prediksi Pembatalan Reservasi Hotel Menggunakan Random Forest

Hamida Maulana Lailatal Baroah, 202069040050 (2024) Seleksi Fitur Berbasis Artificial Bee Colony Dan Gradient Boosting Decision Tree Untuk Prediksi Pembatalan Reservasi Hotel Menggunakan Random Forest. Sarjana thesis, Universitas Yudharta.

	Text (Abstrak.pdf) 202069040050_Abstrak.pdf Restricted to Registered users only Download (35kB) | Request a copy
	Text (BAB I.pdf) 202069040050_BAB I.pdf Restricted to Registered users only Download (131kB) | Request a copy
	Text (BAB II.pdf) 202069040050_BAB II.pdf Restricted to Registered users only Download (154kB) | Request a copy
	Text (BAB III.pdf) 202069040050_BAB III.pdf Restricted to Registered users only Download (186kB) | Request a copy
	Text (BAB IV.pdf) 202069040050_BAB IV.pdf Restricted to Registered users only Download (471kB) | Request a copy
	Text (BAB V.pdf) 202069040050_BAB V.pdf Restricted to Registered users only Download (35kB) | Request a copy
	Text (Daftar Pustaka.pdf) 202069040050_Daftar Pustaka.pdf Restricted to Registered users only Download (171kB) | Request a copy
	Text (Halaman Depan.pdf) 202069040050_Halaman Depan.pdf Restricted to Registered users only Download (581kB) | Request a copy

Abstract

Penelitian ini berfokus pada prediksi pembatalan pemesanan hotel menggunakan machine learning untuk meningkatkan akurasi dan efisiensi operasional. Metode yang digunakan termasuk Random Forest, Artificial Bee Colony (ABC), dan Gradient Boosting Decision Tree (GBDT). ABC yang unggul dalam optimasi namun rentan terhadap jebakan optima lokal, digabungkan dengan GBDT untuk seleksi fitur. Dataset Hotel_Bookings dari Kaggle, dengan 119.390 entri dan 28 fitur, diproses melalui cleansing, normalisasi, dan pembagian data (75% pelatihan, 25% pengujian). Seleksi fitur dilakukan dengan ABC dan GBDT, dan model prediksi dibangun menggunakan Random Forest. Evaluasi model menggunakan confusion matrix dan metrik precision, recall, f1-score, dan accuracy menunjukkan akurasi masing-masing 86,17% dan 86,65% untuk ABC dan GBDT. Peningkatan jumlah pohon dan fitur umumnya meningkatkan kinerja model, dengan seleksi fitur menunjukkan peningkatan kinerja signifikan dibandingkan tanpa seleksi fitur.

Item Type:	Thesis (Sarjana)
Identification Number:	0293-KI-24-01
Contributors:	Contribution Contributors Email Thesis advisor Lukman Hakim, S.Kom., P.Hd, ㅤ UNSPECIFIED
Subjects:	Karya Umum > Perpustakaan dan Ilmu Informasi
Divisions:	Fakultas Teknik > Teknik Informatika
Date Deposited:	15 Sep 2024 09:08
Last Modified:	04 Jan 2025 09:43
URI:	https://repository.yudharta.ac.id/id/eprint/5602

Actions (login required)

View Item