Model Data Mining Untuk Karekteristik Data Traveller Pada Perusahaan Tour and Travel

Abstract

Bagi perusahaan yang bergerak dibidang sektor jasa, seperti perusahaan tour and travel pengolahan data sangatlah penting untuk mengetahui karakteristik atau minat wisatawan dalam berwisata. Sulitnya memprediksi kebutuhan atau minat wisatawan, merupakan kendala yang dihadapi perusahaan tour and travel sehingga manajemen harus dapat mengambil keputusan yang tepat dan cepat, guna memberikan pelayanan yang baik serta kepuasan kepada customer. Keputusan yang diambil harus mempertimbangkan dengan baik berdasarkan data-data yang dimiliki terutama yang berkaitan erat dengan karakteristik data traveller. Analisis data untuk mencari pola karakteristik data dari traveler memutuhkan metode yang baik dan hasil yang akurat , sehingga hasil dari analisis tersebut dapat menemukan informasi yang berguna bagi perusahaan. Metode pengeolahan data yang sering digunakan ialah data mining. K-Nearest Neighbour (K-NN) merupakan salah satu algoritma data mining yang cara kerjanya menerapkan pembelajaran pada data. Tujuan dari penelitian ini akan melakukan analisis data travellers atau wisatawan pada perusahaan tour and travel dengan menggunakan algoritma K-NN untuk mencari minat atau karakteristik wisatawan dalam memilih objek wisata. Pada hasil kualifikasi metode K-NN dan pengujian dengan metode confusion matrix nilai akurasi yang didapat 84%, nilai presisi 88%, nilai recall 85 dan nilai f1-score 85%. Pada hasil kualifikasi menunjukan bahwa objek wisata yang cenderung dominan menjadi minat wisatawan ada pada objek wisata pantai.Berdasarkan hasil analisis dengan menggunakan kedua metode tersebut bahwa karakteristik wisatawan cendrung memilih paket nomor 3 yakni Reguler Tour Lombok Packagage, dan objek wisata yang dominan minat wisatawan yakni objek wisata pantai dan disusul oleh objek wisata gili.

Analysis of Tourism Businesses Number in the Entertainment and Recreation Sector using Predictive Apriori Algorithm

“…Predictive accuracy c (X → Y) = Pr (r meets Y | r meets X) is the conditional probability of Y ⊆ r given that X ⊆ r when the distribution r is set by P. Mining association rules that can help forecast depressive symptoms and identify undergraduate students who need special care have been made possible by the Predictive Apriori algorithm employed in Youth Suicide Prevention by Screening Depressive Symptoms. [10]. Similar research was also conducted using an a priori predictive algorithm to strengthen the data to be carried out to predict data [11].…”