Implementasi Artificial Neural Network Untuk Prediksi Pelaksanaan Pemeliharaan Hotel di Yogyakarta
DOI:
https://doi.org/10.55123/storage.v4i4.6022Keywords:
Artificial Neural Network, Pemeliharaan Hotel, Prediksi Kelayakan, Machine LearningAbstract
Industri perhotelan di Yogyakarta menghadapi tantangan dalam pemeliharaan fasilitas yang efisien dan berbasis kondisi aktual. Penelitian ini mengembangkan model Artificial Neural Network (ANN) untuk mengidentifikasi jenis pemeliharaan hotel secara akurat. Menggunakan pendekatan kuantitatif dengan data dari 175 responden, model dilatih menggunakan arsitektur multilayer perceptron dan data yang dinormalisasi dengan Min-Max Scaler. hasilnya menunjukkan performa klasifikasi yang sangat baik terhadap lima kategori kelayakan pemeliharaan hotel. Model berhasil memprediksi 9 data kelas Sangat Tidak Layak secara akurat, 11 dari 13 data kelas Tidak Layak dengan 2 kesalahan minor, serta 15 dari 16 data kelas Cukup Layak dengan hanya 1 kesalahan. Untuk kelas Layak, model mengklasifikasikan 9 data secara tepat, dan pada kelas Sangat Layak, seluruh 6 data diprediksi dengan akurasi sempurna tanpa kesalahan. Temuan ini menegaskan efektivitas ANN dalam pemeliharaan prediktif dan potensinya untuk diintegrasikan ke sistem IoT, meskipun masih perlu pengembangan terkait data real-time dan ketidakseimbangan kelas.
Downloads
References
Abdulhameed, O. et al. (2024) ‘Development of a Predictive Maintenance System Using Machine Learning Technique’, in Proceedings of the International Conference on Industrial Engineering and Operations Management. Michigan, USA: IEOM Society International. Available at: https://doi.org/10.46254/AN14.20240021.
Contreras, E., Torres-Treviño, L. and Torres, F. (2018) ‘Prediction of Car Accidents Using a Maximum Sensitivity Neural Network’, in, pp. 86–95. Available at: https://doi.org/10.1007/978-3-319-73323-4_9.
Dharmali, M.J., Lioner, T. and Susilo, V.V. (2021) ‘SISTEM KLASIFIKASI KERAPIHAN KAMAR HOTEL MENGGUNAKAN CONVOLUTED NEURAL NETWORK (CNN)’, Computatio : Journal of Computer Science and Information Systems, 5(2), p. 61. Available at: https://doi.org/10.24912/computatio.v5i2.15175.
Krenek, J. et al. (2016) ‘Application of Artificial Neural Networks in Condition Based Predictive Maintenance’, in, pp. 75–86. Available at: https://doi.org/10.1007/978-3-319-31277-4_7.
Madhukar Dharavath (2024) ‘AI-Driven Predictive Maintenance in Data Infrastructure: A Multi-Modal Framework for Enhanced System Reliability’, International Journal of Scientific Research in Computer Science, Engineering and Information Technology, 10(6), pp. 824–834. Available at: https://doi.org/10.32628/CSEIT241061118.
Musril, H.A. et al. (2023) ‘Using k-NN Artificial Intelligence for Predictive Maintenance in Facility Management’, International Journal of Electrical and Electronics Engineering, 10(6), pp. 1–8. Available at: https://doi.org/10.14445/23488379/IJEEE-V10I6P101.
Nasser, A. and AL-Khazraji, H. (2022) ‘A hybrid of convolutional neural network and long short-term memory network approach to predictive maintenance’, International Journal of Electrical and Computer Engineering (IJECE), 12(1), p. 721. Available at: https://doi.org/10.11591/ijece.v12i1.pp721-730.
Pratama, B.G., Sari, S.N. and Yuliani, O. (2024) ‘Pendekatan Principal Component Analysis untuk Peningkatan Efektivitas Pemeliharaan Jalan Kabupaten’, in ReTII, pp. 164–171.
Reddy Voddi, V.K. (2023) ‘The Role of Neural Networks in Improving Predictive Maintenance Across Industries’, International Journal on Recent and Innovation Trends in Computing and Communication, 11(4), pp. 533–538. Available at: https://doi.org/10.17762/ijritcc.v11i4.11226.
Sari, S.N. (2021) ‘Asumsi Prioritas Penanganan pemeliharaan Jalan Kabupaten Menggunakan Metode Analisis Hirarki Proses (AHP)’, in Prosiding CEEDRiMS 2021 Inovasi Teknologi dan Material Terbarukan Menuju Infrastruktur ISBN: 978-602-361-385-4 Yang Aman Terhadap Bencana dan Ramah Lingkungan. Yogyakarta.
Sari, S.N. et al. (2024) ‘Penilaian Pelaksanaan Pemeliharaan dan Perawatan Bangunan Hotel di Sleman Yogyakarta’, G-Tech: Jurnal Teknologi Terapan, 8(3), pp. 1769–1778. Available at: https://doi.org/10.33379/gtech.v8i3.4556.
Sari, S.N., Pratama, B.G. and Ircham, I. (2024) ‘Kolaborasi Jaringan Saraf Tiruan (JST) Dalam Identifikasi Prioritas Penanganan Pemeliharaan Jalan Kabupaten’, Device, 14(1), pp. 19–29. Available at: https://doi.org/10.32699/device.v14i1.6702.
Sari, S.N., Pratama, B.G. and Prastowo, R. (2024) ‘Pemodelan Artificial Neural Network (ANN) Untuk Identifikasi Bangunan Daerah Rawan Longsor’, Device, 14(1), pp. 8–18. Available at: https://doi.org/10.32699/device.v14i1.6701.
Sari, S.N. and Triwuryanto (2021) ‘Kajian Pemeliharaan dan Perawatan Bangunan Gedung Sesuai Dengan Peraturan Menteri Pekerjaan Umum No. 24/Prt/M/2008’, in In Civil Engineering, Environmental, Disaster & Risk Management Symposium (CEEDRiMS) Proceeding.
Tanyıldız, H., Batur Şahin, C. and Batur Dinler, Ö. (2024) ‘Disrupting Downtime: Different Deep Learning Journeys into Predictive Maintenance Anomaly Detection’, NATURENGS MTU Journal of Engineering and Natural Sciences Malatya Turgut Ozal University [Preprint]. Available at: https://doi.org/10.46572/naturengs.1490748.
Wang, L., Zhu, Z. and Zhao, X. (2024) ‘Dynamic predictive maintenance strategy for system remaining useful life prediction via deep learning ensemble method’, Reliability Engineering & System Safety, 245, p. 110012. Available at: https://doi.org/10.1016/j.ress.2024.110012.
Wang, Y. and Chen, J. (2024) ‘Hotel Energy Management Optimization System Based on Artificial Intelligence’, in 2024 3rd International Conference on Artificial Intelligence and Autonomous Robot Systems (AIARS). IEEE, pp. 667–672. Available at: https://doi.org/10.1109/AIARS63200.2024.00127.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Bagus Gilang Pratama, Sely Novita Sari, Rizal Maulana
This work is licensed under a Creative Commons Attribution 4.0 International License.
