PREDICTION OF HOTEL BOOKING CANCELLATION USING DEEP NEURAL NETWORK AND LOGISTIC REGRESSION ALGORITHM

Abstract

Booking cancellation is a key aspect of hotel revenue management as it affects the room reservation system. Booking cancellation has a significant effect on revenue which essentially affects request the board choices in the inn business. To reduce the cancellation effect, the hotel applies the cancellation model as the key to addressing this problem with the machine learning-based system developed. This study, using data collected from the Kaggle website with the name hotel-bookingdemand dataset. The research objective was to see the performance of the deep neural network method which has two classification classes, namely cancel and not. Then optimized with optimizers and learning rate. And to see which attribute has the most role in determining the level of accuracy using the Logistic Regression algorithm. The results obtained are the Encoder-Decoder Layer by adamax optimizer which is higher than that of the DecoderEncoder by adadelta optimizer. After adding the learning rate, the adamax accuracy for the encoders and encoders decreased for a learning rate of 0.001. The results of the top three ranks of each neural network after adding the learning rate show that the smaller the learning rate, the higher the accuracy, but we don t know what the optimal value for the learning rate is. By using the Logistic Regression algorithm by eliminating several attributes, the most influential level of accuracy is the state attribute and total_of_special_requests, where accuracy increases when the state attribute is removed because there are 177 variations in these attributes. Keywords—Bookings Cancellation; Deep Neural Network; Logistic Regression; Abstrak—Pembatalan pemesanan merupakan aspek kunci dari manajemen pendapatan hotel karena mempengaruhi sistem reservasi kamar. Pembatalan pemesanan berpengaruh signifikan terhadap pendapatan yang berdampak signifikan terhadap keputusan manajemen permintaan di industri hotel. Untuk mengurangi efek pembatalan, hotel menerapkan model pembatalan sebagai kunci untuk mengatasi masalah ini dengan sistem berbasis pembelajaran mesin yang dikembangkan. Dalam penelitian ini menggunakan pengumpulan data dari website Kaggle dengan nama dataset hotel-booking-demand. Tujuan penelitian adalah untuk melihat performansi metode deep neural network yang memiliki dua kelas klasifikasi yaitu cancel dan not. Kemudian dioptimalkan dengan pengoptimal dan kecepatan pembelajaran. Dan untuk melihat atribut mana yang paling berperan dalam menentukan tingkat akurasi menggunakan algoritma Regresi Logistik. Hasil yang diperoleh adalah Encoder-Decoder Layer oleh adamax optimizer lebih tinggi dari pada Decoder-Encoder oleh adadelta optimizer. Setelah menambahkan kecepatan pembelajaran, akurasi adamax untuk pembuat enkode dan pembuat enkode menurun untuk kecepatan pembelajaran 0,001. Hasil dari tiga peringkat teratas dari setiap jaringan neural setelah menambahkan kecepatan pemelajaran menunjukkan bahwa semakin kecil kecepatan pemelajaran, semakin tinggi keakuratannya, tetapi kami tidak tahu berapa nilai optimal untuk kecepatan pemelajaran tersebut. Dengan menggunakan algoritma Regresi Logistik dengan menghilangkan beberapa atribut maka tingkat akurasi yang paling berpengaruh adalah atribut state dan total_of_special_requests, dimana akurasi meningkat ketika atribut state dihilangkan karena terdapat 177 variasi pada atribut tersebut. Kata Kunci: Pembatalan Pemesanan; Jaringan Saraf Dalam; Regresi Logistik.