<![CDATA[Pembatalan pemesanan hotel menyebabkan inefisiensi operasional dan kerugian finansial hingga 20% dari potensi pendapatan harian. Penelitian ini bertujuan mengembangkan dan membandingkan model prediksi pembatalan menggunakan Random Forest dan XGBoost pada 119.390 data pemesanan hotel, serta mengidentifikasi faktor dominan pembatalan sebagai dasar strategi manajemen pendapatan. Empat perbaikan metodologis diterapkan, yaitu IQR capping berbasis train set, ablation study untuk mengevaluasi deposit_type, OrdinalEncoder post-split, dan pembagian data stratified 70:15:15. Ablation study menunjukkan deposit_type tidak berkontribusi signifikan (delta AUC = 0,0006) sehingga dikeluarkan. Kedua model dioptimasi menggunakan GridSearchCV dengan 3-fold cross-validation. Tuned Random Forest menghasilkan performa terbaik dengan ROC-AUC 0,9394, accuracy 0,8749, precision 0,8691, dan F1-score 0,8219, sementara Tuned XGBoost unggul pada recall (0,8345) untuk early warning. Learning curve mengonfirmasi Tuned XGBoost memiliki generalisasi lebih baik (gap 0,0345) dibandingkan Tuned Random Forest (gap 0,0697). Seluruh perbedaan performa dikonfirmasi signifikan melalui uji McNemar (p < 0,05). Feature importance mengidentifikasi lead_time (12,42%) sebagai prediktor utama pada Random Forest (semakin panjang jarak pemesanan ke kedatangan, semakin tinggi risiko pembatalan), sementara room_type_match (17,40%) mendominasi XGBoost, mengindikasikan ketidaksesuaian kamar sebagai faktor pembatalan yang signifikan secara operasional. Temuan ini memberikan landasan empiris bagi manajemen hotel dalam merancang strategi intervensi berbasis risiko secara proaktif.]]>
Copyrights © 2026
