KLASTERISASI DATA MINING JENIS BOOKING PADA HOTEL THE HIVE

Abstrak

Penelitian ini bertujuan untuk mendukung manajemen hotel The Hive dalam memantau data pengunjung berdasarkan jenis pemesanan yang digunakan selama periode Januari hingga Desember 2023. Menggunakan perangkat lunak RapidMiner dan metode K-Means clustering, penelitian ini mengelompokkan data tamu hotel ke dalam beberapa segmen berdasarkan kesamaan karakteristik pemesanan. Metode yang digunakan mencakup observasi, pengumpulan data primer dari pihak hotel, serta pengolahan data menggunakan teknik K-Means clustering. Data awal terdiri dari 12 variabel dengan total 3587 baris data, yang kemudian dipilih dan dibersihkan untuk memastikan hasil clustering yang optimal. Hasil penelitian mengungkap bahwa tamu hotel dapat dibagi ke dalam tiga kelompok utama: rendah, sedang, dan tinggi, dengan tingkat akurasi yang memadai berdasarkan metrik seperti Euclidean Distance dan Davies Bouldin Index. Temuan utama dari penelitian ini mencakup identifikasi pola pemesanan tamu hotel yang membantu manajemen dalam meningkatkan layanan, personalisasi, penetapan harga, dan pengelolaan kapasitas secara lebih efisien.

This study aims to support the management of The Hive Hotel in monitoring visitor data based on the types of bookings used during the period from January to December 2023. Using RapidMiner software and the K-Means clustering method, this research segments hotel guest data into several groups based on similarities in booking characteristics. The methods employed include observation, primary data collection from the hotel, and data processing using the K-Means clustering technique. The initial data consists of 12 variables with a total of 3,587 rows, which were then selected and cleaned to ensure optimal clustering results. The study's findings reveal that hotel guests can be divided into three main groups: low, medium, and high, with adequate accuracy based on metrics such as Euclidean Distance and the Davies Bouldin Index. Key findings from this research include the identification of guest booking patterns that help management enhance services, personalization, pricing, and capacity management more efficiently.