PENERAPAN SEQUENTIAL CLUSTERING UNTUK
MENGKLASTER POLA WAKTU KUNJUNGAN
PELANGGAN HOTEL DI DIY
Kresno Aji1, Harry Eko UAB2
1 2Magister Teknik Informatika Universitas AMIKOM Yogyakarta
Jl. Ringroad Utara Condong Catur Depok Sleman Yogyakarta, 55283 Email: kresno.aji@gmail.com1, harryekouab@gmail.com2
Abstrak
Sequence clustering adalah kumpulan metode yang bertujuan untuk mempartisi sejumlah urutan ke dalam kelompok yang berarti atau kelompok yang memiliki urutan serupa. Salah satu metode sequence clustering adalah algoritma first-order markov chain. dimana dalam algoritma ini, tiap cluster dikaitkan dengan first-order Markov Chain yang tergantung pada kondisi sebelumnya (1). Penelitian ini menggunakan simulasi terhadap pola waktu pelanggan hotel di DIY. ROI diukur dari perubahan ekuitas tamu hotel, sehingga dapat diperkirakan perubahan ekuitas pelanggan dapat diukur secara tepat.
PENDAHULUAN
Pendataan administrasi di perhotelan me-merlukan ketepatan mekanisme dan pengelo-laan yang terorganisir agar dapat tampil dan terjaga keamanannya dengan baik. Seiring dengan pesatnya teknologi dan kemudahan-kemudahan yang ditawarkan di dalamnya. maka pengolahan data-data konvensional di-alihkan kedalam pola komputerisasi yang mempermudah proses input dan pencarian data-data yang tersimpan di dalam data-databa-se.
Database sendiri dibuat dengan tujuan agar proses kerja bisa menjadi lebih optimal dan efisien waktu dalam menampilkan infor-masi dengan tingkat ketepatan yang tinggi dan kesalahan minimal. Dalam hal penge-lolaan data-data tersebut, maka pihak hotel harus memiliki sistem pengelolaan data yang baik dan sistematis, yang bisa memberikan kelancaran dalam menyimpan dan menga-mankan data-data yang ada. Dengan demi-kian pihak manajemen bisa memberikan pe-layanan maksimal dan cepat bagi tamu-tamu hotel.
Sehubungan dengan semakin meningkat-nya tingkat kunjungan wisata dan pengem-bangan potensi wisata di provinsi DIY (3), maka kami memberikan sebuah alternatif metode pengolahan data dengan menggunak-an first-order Markov Chain.
METODE
Metode Penelitian
Proses penelitian menggunakan bahan beru-pa data yang didapatkan dari Badan Pusat Statistik. Bahan yang dimaksud adalah data kunjungan wisata di Provinsi DIY pada ta-hun 2015.
Alat-alat pendukung digunakan dalam pe-nelitian sebuah komputer personal yang men-dukung aplikasi Spreadsheet untuk menyi-apkan data sumber menjadi data dengan struktur yang siap untuk dilakukan pengga-lian data.
Jalannya penelitian ditunjukkan pada gambar 1 berikut.
Metode Pembobotan dan Perhitungan
Data-data yang kami cermati adalah urutan yang dimiliki untuk memberikan kemungkinan-kemungkinan cluster yang diamati urutannya, dimana dihasilkan oleh rantai markov yang terkait dengan cluster tersebut.
Untuk urutan x=x0, x1, x2, ....,
xL-1) sepanjang L bisa diekspresikan sebagai berikut:
Gambar 1: Alur Penelitian
Buatlah matriks transisi dari probabili-tas yang diketahui,
Melakukan operasi perkalian matriks da-ri probabilitas waktu sebelumnya de-ngan matriks transisi.
Rumusnya adalah:
Matriks periode ke-n = Matriks periode ke-n+1 x Matriks transisi
Mengulang proses yang sama sampai me-nemukan probabilitas yang hendak dica-ri.
HASIL
Dari hasil penelitian yang sudah dilakukan, maka dihasilkan data-data yang diperlukan untuk dianalisis, yaitu data tentang pengun-jung hotel, maka diketahui: Dari jumlah 60 pelanggan hotel kelas 1, diperoleh data bahwa 40 tetap memilih kelas B (bintang 1 s/d 3) dan 20 lainnya memilih kelas A (bintang 4 - 5),
Dari jumlah 40 pelanggan di kelas A di- nyatakan bahwa 25 tetap memilih di ke- las A. Sedang 15 lainnya di kelas B,
Penjelasan Terperinci
Menentukan Matriks Transisi
a) Probabilitas bulan pertama “1” dan bul-an kedua “1” = 40/60 = 0,667
c) Probabilitas bulan pertama “0” dan bul-an kedua “0” = 25/40 = 0,625
d) Probabilitas bulan pertama “0” dan bul-an kedua “1” = 15/40 = 0,375
Sehingga matriks transisi yang diperoleh adalah:
Gambar 2: Penentuan matriks transisi
Keterangan:
1. Baris pertama kolom pertama : Bulan pertama “1”, bulan kedua “1”
2. Baris pertama kolom kedua : Bulan per-tama “1”, bulan kedua “0”
3. Baris kedua kolom pertama : Bulan per-tama “0”, bulan kedua “1”
4. Baris kedua kolom kedua : Bulan perta-ma “0”, bulan kedua “0”
Kedua
Apabila pada bulan pertama, pelanggan ter-sebut memilih kelas “B” artinya
pelanggan tersebut pasti memilih di kelas “B”, jadi probabilitas pelanggan tersebut datang ke kelas B adalah 1, dan probabilitas pelanggan tersebut datang ke kelas “A” adalah 0.
Sehingga matriks probabilitas untuk bulan pertama adalah [ 1 0] Apabila dilakuk-an perkalidilakuk-an dilakuk-antara matriks probabilitas pada buldilakuk-an pertama dengdilakuk-an matriks trdilakuk-an- tran-sisi pada kasus ini maka akan diperoleh data:
Ketiga
Gambar 3: Perolehan data pertama
matriks transisi yang dibentuk dari data probabilitas pada bulan kedua.
Selanjutnya, untuk menghitung probabili-tas pada bulan ketiga adalah dengan mengo-perasikan perkalian matriks antara matriks probabilitas bulan kedua dengan matriks transisinya. Sehingga diperoleh:
Gambar 4: Perolehan data kedua
Jadi diperoleh probabilitas bulan ketiga, apabila pada bulan pertama memilih di kelas “1”, untuk kelas “1” adalah 0.653, dan kelas “0” adalah 0.347.
Keempat
Apabila pada bulan pertama, pelanggan ter-sebut memilih untuk di kelas “A” artinya pe-langgan tersebut pasti memilih untuk di ke-las “0”, jadi probabilitas pelanggan tersebut di kelas “0” adalah 1, dan probabilitas pe-langgan tersebut di kelas “B” adalah 0. Se-hingga matriks probabilitas untuk bulan per-tama adalah: [1 0] Apabila dilakukan perka-lian antara matriks probabilitas pada bulan pertama dengan matriks transisi pada kasus ini maka akan diperoleh data:
Gambar 5: Persamaan A = 0,217 + 0, 375A
A - 0,375A = 0,217 0,625A = 0,217 A = 0,348
Jadi probabilitas keadaan tetap (steady state) nya adalah:
• kelas “1” (B) = 0.652 • kelas “0” (A) = 0.348
Kelima
Menghitung probabilitas keadaan tetap bisa dilakukan dengan melakukan operasi perhi-tungan persamaan sebagai berikut:
Keenam
Jumlah perkiraan pelanggan dalam jangka panjang bisa dihitung dengan mengalikan probabilitas keadaan tetap dengan jumlah to-tal pelanggannya
• kelas “1” (B) = 0.652 * 100 = 65 pe-langgan • kelas “0” (A) = 0.348 * 100 = 35 pe-langgan
KESIMPULAN
Karena jumlah probabilitas adalah satu maka Persamaan 3: S + A = 1
Dari ketiga persamaan tersebut, kita subs-titusikan, sehingga diperoleh nilai probabi-litas S dan A akan diperoleh. Probabilitas yang kita peroleh itulah yang merupakan pro-babilitas keadaan tetap.
Dari persamaan 3, maka bisa dikonversik-an menjadi : A = 1 - S
Disubstitusikan ke persamaan 1: S = 0,667S + 0,625(1-S) S = 0,667S + 0,625- 0,625S 0,958S = 0,625 S = 0,652 Disubstitusikan hasil nilai S tersebut ke dalam persamaan 2: A = 0,333 x 0,652 + 0,375A
Berdasarkan paparan dan temuan di atas, maka dapat disimpulkan sebagai berikut: 1. Penggunaan sequential clustering bisa digunakan dalam DSS mengklaster po-la waktu kunjungan pelanggan hotel di DIY,
2. Kelas Ekonomi lebih dinikmati daripada kelas Eksekutif dan bisa diprediksi pola atau kecenderungan tingkat hunian pada bulan berikutnya.
SARAN
Penggunaan metode Sequential Clustering dalam DSS ini masih bersifat konsep, namun terbukti bisa dilakukan analisa pengelompok-an secara berurutan dan bisa dilakukan pe-ngembangan lebih lnajut. Hal ini dikarenak-an di Indonesia masih sedikit yang menggu-nakan metode ini.
DAFTAR PUSTAKA
[1] Chapter 11 - Markov Chains,
[2] Kisilevich, Slava and friends, "A GIS-based decision-support system for hotel room rate estimation and temporal pri-ce prediction: The hotel brokers conte-xt", Data Mining, Databases and Visu-alization, Department of Computer and Information Science, University of Kon-stanz, 78457 Konstanz, Germany,
[3] Dinas Pariwisata DIY, "Statistik Kepari-wisataan 2015", 2015
[4] PT. Superintending Company Of In-donesia, "Laporan Akhir Penyusunan Data Spasial Potensi Pariwisata Per-Kecamatan Se- DIY", 2015,
