Perbandingan Algoritma Random Forest dan XGBoost dalam Merekomendasikan Perpindahan Akomodasi Pada Saat Periode Menginap

Akomodasi menjadi suatu tempat persinggahan dan tempat berlindung sementara bagi para wisatawan. Akan tetapi, tidak jarang ditemukan banyak tempat akomodasi yang kurang memadai bagi para wisatawan, baik kesalahan dari tempat
akomodasi maupun kejadian-kejadian yang tidak diinginkan pada saat itu. Hal ini mampu membuat perasaan yang tidak nyaman bagi wisatawan, sehingga memutuskan untuk berpindah ke akomodasi lainnya. Dari sebab itu, penelitian ini bertujuan untuk menentukan metode tree-based terbaik antara Random Forest dan XGBoost dalam membantu menyediakan rekomendasi akomodasi selanjutnya bagi wisatawan yang ingin berpindah selama periode menginap di akomodasi sebelumnya. Berdasarkan teori dan penelitian sebelumnya yang menggunakan
teknik Random Forest dan XGBoost, Random Forest memberikan hasil prediksi klasifikasi yang lebih baik. Tahapan penelitian dilakukan dengan mengelompokkan ciri-ciri akomodasi pada pembelian selanjutnya menggunakan K-Prototypes Clustering, kemudian menggunakan Random Forest dan juga XGBoost untuk memprediksi kelompok tersebut. Melalui uji coba algoritma
optimasi parameter yang dilakukan, dan menggunakan recall based dropping, ditemukan model dengan hasil terbaik adalah XGBoost dengan nilai akurasi sebesar 83.92% dan 3 variabel yang paling penting adalah “hotel_score”, “gbv_idr”, dan “selling_price_idr”.