Perpustakaan Digital ITB

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.