OPTIMASI EXTREME GRADIENT BOOSTING MENGGUNAKAN BAYESIAN OPTIMIZATION UNTUK PREDIKSI HARGA TIKET PESAWAT

Harga tiket pesawat dipengaruhi oleh berbagai faktor yang kompleks dan bersifat dinamis, sehingga diperlukan metode prediksi yang mampu menangkap pola nonlinier secara akurat. Penelitian ini bertujuan untuk membangun model prediksi harga tiket pesawat menggunakan algoritma Extreme Gradient Boosting (XGBoost) serta meningkatkan kinerjanya melalui Hyperparameter Tuning menggunakan Bayesian Optimization. Dataset yang digunakan merupakan data historis harga tiket pesawat yang telah melalui tahapan preprocessing, meliputi pembersihan data, transformasi data menggunakan One-Hot Encoding, normalisasi fitur numerik, serta pembagian data menjadi data latih dan data uji dengan proporsi 85:15. Model XGBoost dibangun sebagai model baseline, kemudian dilakukan optimasi hyperparameter menggunakan metode BayesSearchCV untuk memperoleh konfigurasi parameter terbaik, dengan evaluasi performa menggunakan metrik Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan R² Score. Hasil penelitian menunjukkan bahwa penerapan Bayesian Optimization mampu meningkatkan kinerja model secara signifikan dibandingkan dengan konfigurasi default, di mana model XGBoost setelah Tuning menghasilkan nilai MSE sebesar 3738706.7500000 RMSE sebesar 1933.5735698 MAE sebesar 912.3685303, dan nilai R² sebesar 0.9926839, yang mengindikasikan tingkat akurasi prediksi yang sangat tinggi. Selain itu, analisis feature importance menunjukkan bahwa kelas penerbangan dan jumlah transit merupakan faktor dominan dalam menentukan harga tiket pesawat, sehingga dapat disimpulkan bahwa kombinasi XGBoost dan Bayesian Optimization merupakan pendekatan yang efektif dan andal untuk prediksi harga tiket pesawat serta berpotensi dikembangkan lebih lanjut ke dalam sistem prediksi yang bersifat aplikatif. Kata Kunci: XGBoost, Bayesian Optimization, Machine Learning, Regression.