Abstrak - Nicholas Amadeus Michael
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Dynamic pricing memungkinkan maskapai menyesuaikan harga sesuai kondisi
pasar, memaksimalkan pendapatan, dan meningkatkan okupansi kursi. Namun,
fluktuasi ini menimbulkan tantangan dalam memprediksi harga. Dengan kemajuan
teknologi, terutama melalui pembelajaran mesin, yang mampu menganalisis data
historis dan mengenali pola, prediksi harga tiket yang lebih akurat dapat dicapai.
Penelitian ini berfokus pada penerapan algoritma Bi-directional Long Short-Term
Memory (BiLSTM) untuk memodelkan harga tiket penerbangan yang dinamis,
dengan tujuan memahami faktor-faktor yang memengaruhi harga tiket,
mengevaluasi kinerja model dalam memprediksi harga tiket, dan mengidentifikasi
waktu terbaik untuk pembelian tiket. Data berasal dari Google Flights untuk rute
Jakarta – Batam (CGK-BTH) dan Jakarta-Lombok (CGK-LOP) pada Juli-Agustus
2024 menggunakan maskapai Lion Air. Setelah data didapatkan, dilakukan preprocessing
data dan data clustering untuk menyiapkan data dan membagi data
menjadi kelompok-kelompok berdasarkan kesamaan pola harga. Hasil penelitian
menunjukkan bahwa model BiLSTM telah sukses dikembangkan dan cukup efektif
dalam memodelkan pola harga tiket, penggunaan model dedicated untuk setiap
nomor penerbangan lebih efektif dalam memodelkan dinamika harga tiket
dibandingkan dengan menggunakan model umum, dengan nilai MAPE terbaik
1.27% untuk JT-374. Faktor-faktor seperti jenis destinasi, waktu keberangkatan,
dan maskapai penerbangan juga terbukti memiliki pengaruh terhadap pola harga
tiket. Selain itu, dengan tren harga yang konsisten pada setiap nomor penerbangan,
didapatkan waktu terbaik untuk membeli tiket.