Prosiding Seminar Nasional Manajemen Teknologi XX Program Studi MMT-ITS, Surabaya 1 Februari 2014
PREDIKSI LOYALITAS PELANGGAN HOTEL DENGAN MENGGUNAKAN METODE BACK PROPAGATION 1Bain
Khusnul Khotimah, dan 2Lynda Octavia Suryaningtias Program Studi Teknik Informatika, Fakultas Teknik, Universitas Trunojoyo Madura, Jl. Raya Telang, PO. BOX. 2 Kamal, Bangkalan-Madura email:
[email protected],
[email protected]
1,2)
ABSTRAK Hotel merupakan usaha bisnis yang bergerak di bidang jasa untuk melayani konsumen. Bidang usaha bisnis menjadikan dunia industri hotel mengalami persaingan yang ketat. Pada studi kasus hotel Weta Internasional Hotel yang dituntut untuk memberikan pelayanan yang baik kepada semua konsumennya. Dalam system ini akan dibangun sebuah system yang akan mem-prediksi loyalitas tamu hotel dengan menggunakan pendekatan back propagation neural network. Metode ini memiliki keunggulan dalam learning rate. Learning rate sangat berguna dalam menentukan prediksi dengan eror yang kecil. Dengan menggunakan metode ini, tingkat akurasi data yang paling besar dipengaruhi oleh fitur fitur yang dimiliki dalam metode ini. Tingkat akurasi terbesar diperoleh dengan Hidden layer 8, maks Epoch 1000, learning rate 0.9 dan error MSE sebesar 0.01. Sehingga hasil prediksi ini akan dapat ditentukan langkahlangkah yang tepat untuk mengembangkan pelayanan yang optimal dan dapat memuaskan konsumen. Kata kunci: Loyalitas, Neural Network, Back Propagation, Weta Hotel, Prediksi.
PENDAHULUAN Industri perhotelan adalah industri yang bergerak dibidang jasa untuk melayani konsumen dengan persaingan yang sangat ketat, konsumen dengan mudahnya dapat memilih pelayanan dan produk sesuai dengan kebutuhannya. Bisnis jasa perhotelan berhubungan dengan jasa sehingga faktor kepuasan pelayanan dapat menjadi tolak ukur utama. Tolak ukur ini sangat mempengaruhi terhadap loyalitas konsumen terhadap perusahaan. Dengan mengevaluasi kualitas pelayanan dapat mempertahankan pelanggan, dimana pelanggan akan membantu perusahaan dalam memperkirakan dampak secara finansial berupa profit bagi perhotelan. Selama ini perkembanagan perhotelan di Indonesia khususnya di daerah wisata dan kota bersifat dinamis yang memiliki pola data yang selalu berubah-ubah sehingga peramalan dengan metode berbasis statistika tidak bisa mengatasi masalah kriteria yang dinamis yang dipengaruhi aspek waktu, pola data, tipe model sistem yang diamati, tingkat keakuratan ramalan yang diinginkan dan sebagainya. Metode untuk mengukur prediksi loyalitas pelanggan diantaranya adalah back propagation yang berbasis neural netowk atau disebut dengan back propagation neural netowk (BNN). Kelebihan algoritma back propagation yang digunakan dalam peramalan karena menggunakan error untuk mengubah nilai bobot bobot jaringan dalam arah mundur (Kumar,dkk.,2008). back propagation adalah salah satu metode dari jaringan syaraf tiruan yang dapat diaplikasikan dengan baik dalam bidang peramalan (forecasting). Back propagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan mengenali pola yang digunakan selama training serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama pelatihan. Algoritma back ISBN : 978-602-97491-9-9 C-11-1
Prosiding Seminar Nasional Manajemen Teknologi XX Program Studi MMT-ITS, Surabaya 1 Februari 2014
propagation memiliki beberapa keunggulan pada segi kekonvergenan dan lokasi lokal minimumnya yang sangat peka terhadap pemilihan inisialisasi awal serta perbaikan pembobotnya dapat terus dilakukan hingga diperoleh nilai hasil yang hampir sama dengan target dimana error yang dihasilkan mendekati nol. Metode ini dapat digunakan untuk data stationer dan non stationer. Untuk data non stationer hal ini dapat meredam jump (perubahan mendadak) yang mungkin saja terjadi pada saat krisis moneter atau global. Seperti pergerakan kurs mata uang dalam kegiatan tukar menukar valuta asing (valas). Keakuratan dan keefektifan ketiga model tersebut akan diuji dengan nilai error menggunakan Mean Squred Error (MSE). METODE Penelitian ini dilakukan secara 3 tahap, yaitu penelitian pendahuluan, identifikasi parameter, uji coba learning dan perhitungan nilai MSE. Tahap penelitian awal yaitu pendahuluan dengan mengumpulkan data kuisioner dan pengambilan data kuantitatif dari loyalitas pelanggan di hotel Weta International Surabaya. Loyalitas Pelanggan Kepuasan yang dirasakan oleh pelanggan mempunyai konsekuensi perilaku berupa complain atau loyal. Secara umum loyalitas diartikan sebagai pembelian ulang yang terus menerus pada merek yang sama, atau dengan kata lain adalah tindakan seseorang yang membeli merek, perhatian hanya merek tertentu, dan tidak mencari informasi yang berkaitan dengan merek tersebut. Pelanggan yang loyal atau setia adalah seorang yang melakukan pembelian ulang dari perusahaan yang sama, memberitahukan ke konsumen potensial lain dari mulut ke mulut. Loyalitas adalah suatu perilaku pembelian pengulangan yang menjadi kebiasaan, yang telah ada keterkaitan dan keterlibatan tinggi pada pilihannya terhadap objek tertentu, dan bercirikan dengan ketiadaan pencarian informasi eksternal dan evaluasi alternatif. Penelitian tentang loyalitas konsumen umumnya berpusat pada loyalitas konsumen terhadap tangible products, dan sering disebut sebagai brand loyalty. Pelanggan konsumen akan semakin lama bertahan jika hotel mampu memberikan pelayanan yang berkualitas. Lima dimensi kualitas pelayanan (Widyanti dan Kurniaty, 2012: 875), sebagai berikut: 1. Tangible (kenyataan) Parameter ini menjelaskan pelayanan yang dilihat dari sarana fisik, dapat berupa penampilan karyawan, ruang tunggu dan kolam renang. 2. Reliability (kehandalan) Parameter ini berisi indeks ukur kemampuan dan kehandalan karyawan untuk menyediakan pelayanan dan terpercaya bagi konsumen. 3. Responsiveness (daya tanggap) Parameter ini berupa daya tanggap karyawan untuk sanggup membantu dan menyediakan pelayanan secara cepat dan tepat serta tanggap terhadap keinginan konsumen. 4. Assurance (jaminan) Parameter ini berupa kemampuan dan keramahan serta sopan santun pegawai dalam meyakinkan kepercayaan konsumen. 5. Empathy (perhatian) Parameter ini mengarahkan karyawan untuk memiliki sikap tegas tetapi penuh perhatian terhadap konsumen. Kepuasan konsumen bagi hotel merupakan sasaran dan faktor utama dalam menentukan kesuksesan. Menurut penelitian Rahmi Widyanti dan Kurniaty, kualitas pelayanan member peranan penting berupa tangble, responsiveness, assurance dan empathy ISBN : 978-602-97491-9-9 C-11-2
Prosiding Seminar Nasional Manajemen Teknologi XX Program Studi MMT-ITS, Surabaya 1 Februari 2014
berpengaruh secara signifikan terhadap kepuasan masyarakat yaitu sebagai konsumen. Reliable tidak berpengaruh secara signifikan karena aspek yang berupa kenyataan, keandalan, daya tanggap, jaminan dan perhatian memiliki pengaruh hubungan yang erat kepada kepuasan pelanggan. Konsumen mengharapkan pelayanan yang terbaik dari tempat yang dijadikan pilihannya. Jika kualitas pelayanan ditingkatkan maka akan memberikan pengaruh terhadap pendapatan bagi perusahaan itu sendiri (Siddiqui & Sharma, 2010: 223). Metode Back Propagation Dalam back propagation menggunakan fungsi aktivasi yang bersifat kontinu terdifferensial. Fungsi tersebut yang menggunakan fungsi sigmoid biner yang memiliki range (0,1) meliputi 3 fase yaitu fase maju mulai dari layar masukan hingga layar keluaran menggunakan menggunakan fungsi aktivasi yang ditentukan. Sedangkan fase kedua adalah fase mundur yang berada pada fungi keluaran jaringan dan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unitunit di layar keluaran. Fase yang ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi (Fausset, 1994). Ketiga fase tersebut dilakukan learning sacara berulang maka kondisi nilai parameter akan dicapai dan akan dijadikan sebagai acuan prediksi. Untuk mengukur tingkat konvergensi optimalnya nilai parameter kondisi penghentian yang dipakai adalah jumlah iterasi atau toleransi kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan. Langkah-langkah Algoritma Back Propagation Langkah pertama dalam metode back propagation adalah inisialisasi bobot pada semua bobot dengan bilangan acak kecil. Bobot bias input (vjk) = bilangan acak dari - dan +, dan bobot input (vij) = bilangan acak dari -0.5 dan 0.5. Sedangkan Bobot bias hidden (w0k) dan bobot hidden (wjk) = bilangan acak dari -1 dan 1, sesuai dengan langkah-langkah berikut: 1. Pada tiap unit output, gunakan formula ini untuk memperbaiki nilai bobot dan bias (δ): Jika w≥0 = (1 − ) (1) = (1 − ) (2) Jika w<0 ℎ = − − 2.
(3) Hitung derivatif fungsi biaya terhadap bobot-bobot pada lapisan output dengan rumus: Jika w≥0
Jika w<0
= −
−
(4)
(5)
ISBN : 978-602-97491-9-9 C-11-3
Prosiding Seminar Nasional Manajemen Teknologi XX Program Studi MMT-ITS, Surabaya 1 Februari 2014
3.
Hitung fungsi derivatif terhadap bobot-bobot pada setiap hidden layer input dengan rumus: Jika wj≥0 dan wji≥0 (1 − ) = − − (1 − )
(6)
Jika wj ≥0 dan wji<0
(7) Jika wj<0 dan wji≥0 (8) Jika wj<0 dan wji<0 (9) 4. Menghitung penambahan nilai bobot (∆w) dan bias (∆b) dengan menggunakan formula: ∆wj(t+1) = η + α∆wj(0) (10) ∆b (t+1) = -η + α∆b(0) (11) dimana a = momentum, η = learning rate 5. Analisa kinerja metode back propagation dengan menghitung MSE (Mean Square Error) dengan menggunakan formula: MSE= 6.
(12)
Jika (Epoch < maximum Epoch) atau (MSE < Target Error), ulangi langkah pelatihan (dengan memulai feedforward). Selanjutnya dilakukan proses training sesuai degan menggunakan metode
back propagation dengan menentukan n buah inputan (ditambah sebuah bias), sebuah hidden layer yang terdiri dari p unit (ditambah sebuah bias), serta m buah unit output, sesuai dengan gambar flowchart 1. Sistem yang akan dirancang dalam penelitian ini adalah sebuah sistem penentuan
prediksi loyalitas para tamu berdasarkan semua layanan dari yang ada di Weta International Hotel Surabaya. Data yang digunakan dari 120 responden pada tahun 2012 digunakan untuk memprediksi pelanggan hotel untuk tahun 2013. Data tersebut dibagi menjadi 2 bagian yaitu data training (pelatihan) dan data tes (uji prediksi) sesuai Tabel 1.
Gambar 1. Pembagian data Pelatihan dan Data uji
Validasi Data Responden Pengambilan data berbasis sampling dari sejumlah responden tamu hotel Weta International Surabaya, menggunakan teknik probability sampling secara random (Sangadji, ISBN : 978-602-97491-9-9 C-11-4
Prosiding Seminar Nasional Manajemen Teknologi XX Program Studi MMT-ITS, Surabaya 1 Februari 2014
2010: 186). Dalam menghitung jumlah sample rata-rata indicator maka tergantung pada jumlah indikator dikalikan 10 (Muslicha, 2011: 4). Dengan tingkat efektifitas sebesar 10 %. Adapun perhitungan sampel minimal pada penelitian ini adalah sebagai berikut: Jumlah sampel = Jumlah indikator x 10 = 12 x 10 = 120 responden Hasil sampel menunjukkan 120 responden, tetapi dikarenakan pihak hotel memiliki ketentuan, dimana adanya batas kuesioner yang ingin disebar. Sehingga penyebaran kuesioner hanya dapat dilakukan sebanyak 120. Dalam pengambilan sampel dimana jumlah indikator dikalikan sepuluh, dengan indikator sesuai dengan Tabel 1. Tabel 1. Variabel Pelayanan Reliability (kehandalan)
No. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12.
N=12 Penampilan resepsionis rapi. Seragam resepsionis mencerminkan citra perusahaan. Resepsionis memiliki kemampuan untuk melayani anda. Resepsionis kami akurat dalam menginput data konsumen. Resepsionis kami sangat membantu Resepsionis kami menyediakan layanan dengan cepat dan akurat. Resepsionis kami cepat merespon keinginan konsumen Resepsionis kami dapat menjamin konsumen pada layanan hotel yang disediakan. Resepsionis kami ramah. Resepsionis kami sopan. Resepsionis kami penuh perhatian. Resepsionis kami perhatian pada kebutuhan anda.
HASIL DAN PEMBAHASAN Menu Akses Hak akses pada penelitian ini untuk tiga user yaitu admin, manager dan pelanggan hotel. Pada saat menjalankan aplikasi ini pada web browser, pada form penting yaitu untuk pengisian criteria berisi data data kriteria yang ada sesuai Gambar 2, dimana form kriteria berhubungan dengan pengisian kuisioner dan data kriteria.
Gambar 2. Menu Kuisioner
ISBN : 978-602-97491-9-9 C-11-5
Prosiding Seminar Nasional Manajemen Teknologi XX Program Studi MMT-ITS, Surabaya 1 Februari 2014
Hasil Uji Coba Menggunakan Back Propagation Hasil uji coba menggunakan metode back propagation dengan perubahan parameter ditunjukkan pada Tabel 2 dan 3. Tabel 2. Hasil Uji Coba Nilai MSE Menggunakan Back Propagation Jumlah Hidden Layer 4 6 8 10 12
MSE Pelatihan 0.0008 0.0011 0.0014 0.0013 0.0020
MSE uji Prediksi 0.0121 0.0114 0.0104 0.0264 0.0282
Tabel 3. Hasil Uji Coba Berdasarkan Pengaruh Perubahan Parameter Learning Rate 0.01
0.05
0.1
0.5
0.9
Momentum 0.6 0.7 0.8 0.9 0.6 0.7 0.8 0.9 0.6 0.7 0.8 0.9 0.6 0.7 0.8 0.9 0.6 0.7 0.8 0.9
Epoch 100 500 1000 2000 100 500 1000 2000 100 500 1000 2000 100 500 1000 2000 100 500 1000 2000
MSE 0.0114 0.0111 0.0108 0.0112 0.0122 0.0091 0.0014 0.0054 0.004 0.0052 0.0084 0.0094 0.0104 0.0094 0.0014 0.0084 0.0143 0.0032 0.0093 0.0064
Pada uji coba Tabel 2. dengan menggunakan epoch 2000, hidden layer 12 dan learning rate 1 menghasilkan nilai MSE yang berbeda antara nilai MSE pada proses pelatihan dan uji testing (uji waktu prediksi). Hal ini dipengaruhi oleh perubahan penggunaan jumlah hidden layer. Mengenai nilai cut off sesuai dengan Gambar 3. dicapai pada saat epoch mendekati 1500 untuk mencapai nilai konvergen dimana nilai MSE mencapai kestabilan. Sedangkan pada hasil Tabel 4. Dengan menggunakan hidden layer 6 maka nilai cut off mencapai lebih dari 1500 dan mendekati 2000 pada saat mengalami konvergen. Semakin banyak hidden layer yang digunakan maka semakin cepat nilai konvergen diperoleh. Pada saat penggunaan jumlah hidden layer semakin anyak digunakan menyebabkan nilai MSE peramalan semakin tinggi sesuai dengan Tabel 2, dan jumlah neuron yang cocok pada uji coba dengan metode backpropagation adalah 6 keatas karena algoritma akan cepat mengalami konvergen dengan nilai MSE<1. Dari Tabel 2 tersebut menghasilkan nilai MSE training berbanding terbalik dengan nilai MSE peramalan pada waktu uji testing, akan tetapi MSE yang digunakan adalah MSE pada waktu proses peramalan. ISBN : 978-602-97491-9-9 C-11-6
Prosiding Seminar Nasional Manajemen Teknologi XX Program Studi MMT-ITS, Surabaya 1 Februari 2014
Gambar 3. Hasil Uji Coba Berdasarkan Pengaruh Perubahan Parameter
Gambar 4. Hasil Uji Coba Berdasarkan Pengaruh Perubahan Parameter
Selanjutnya dilakukan pengujian dengan menggunakan perubahan parameter untuk mengetahui tingkat kinerja metode back propagation, dimana hasilnya sesuai dengan Tabel 2 dan 3. dapat dilihat bahwa jaringan back propagation dapat mengenali pola. Dari hasil tersebut didapatkan arsitektur jaringan yang terbaik menggunakan hidden layer lebih dari 6, dan epoch 1000 keatas menghasilkan MSE semakin kecil walaupun sacara fluktuatif pada learning rate mendekati nilai 0.9. KESIMPULAN DAN SARAN Sistem peramalan uji coba prediksi loyalitas pelanggan hotel dengan menggunakan metode back propagation dipengaruhi oleh penggunaan parameter. Dimana semakin besar learning rate, jumlah hidden layer dan epoch yang digunakan, maka learning akan semakin mendekati titik kestabilan (cut off) atau mengalami kondisi konvergen. Pada hasil uji coba penggunaan metode back propagation menghasilkan nilai error berupa MSE training berbanding terbalik dengan nilai MSE peramalan, dimana jumlah hidden layer terbaik mencapai lebih dari 6 neuron. Berdasarkan hasil uji coba penggunaan epoch semakin tinggi epoch yang digunakan maka nilai MSE error yang diperoleh akan semakin besar tapi masih dibawah toleransi <0.1 dengan nilai learning rate mendekati 0.9. Saran Diharapkan pada penelitian selanjutnya adalah bagaimana caranya memperbaiki titik optimal pada metode backproppagation dengan mengoptimalisasi parameter. Sehingga diharapkan penelitian kedepan akan menghasilkan pendekatan metode yang lebih baik diantaranya dengan optimalisasi parameter menggunakan metode grid search dan algortima genetika. ISBN : 978-602-97491-9-9 C-11-7
Prosiding Seminar Nasional Manajemen Teknologi XX Program Studi MMT-ITS, Surabaya 1 Februari 2014
DAFTAR PUSTAKA Engel, J. F; R. D. Blackwell, and P. W. Miniard. (1993). Consumer Behavior, Florida, The Dryden Press, Edisi ke tujuh. Kotler, P., & Keller, K. L. (2007). Manajemen Pemasaran 12st edition. New Jersey: Pearson. Rachmad Raharjo, Deddy. (2010). Pengaruh Kualitas Layanan Terhadap Kepuasan Konsumen pada Hotel Weta Surabaya. UPN Jawa Timur. Kumar, P. R., Murty, M. V. R., dkk. (2008), Time Series Modeling Using Artificial Neural Networks, Journal of Theoretical and Applied Information Technology, 4 (12), hal. 1259 - 1264. Siddiqyi, M. H., & Sharma, T. G. (2010). Analyzing Customer Satisfaction with Service Quality in Life Insurance Service. Journal of Targetting, Measurement and Analysis for Marketing, 221-238. Widyanti, R., Kurniaty, & Banjarmasin, U. M.-B. (2012). Kualitas Pelayanan dan Pengaruhnya Terhadap Kepuasan Pelanggan. Journal of Conference in Business, Accounting and Management, 873-883.
ISBN : 978-602-97491-9-9 C-11-8