Penggunaan Variabel Event dan Libur Sekolah Dalam Memprediksi Wisatawan Dengan Metode LSTM

Candra Rusmana; Kusrini; Kusnawi

doi:10.37859/jf.v13i02.4974

Candra Rusmana Universitas Amikom Yogyakarta
Kusrini Universitas Amikom Yogyakarta
Kusnawi Universitas Amikom Yogyakarta

https://doi.org/10.37859/jf.v13i02.4974

Keywords: event, liburan, LSTM, prediksi, wisatawan

Abstract

Event yang diadakan diberbagai daerah menjadi daya tarik tersendiri bagi wisatawan untuk datang ketempat tersebut. Liburan musiman sekolah juga menjadi agenda tahunan keluarga untuk pergi ke tempat wisata. Naik turunnya jumlah wisatawan yang datang ke Provinsi NTB memberikan dampak kepada pemerintah daerah, masyarakat sekitar tempat wisata dan pelaku usaha bidang pariwisata. Tujuan penelitian ini untuk melakukan pengujian terhadap variabel event tahunan dan libur sekolah. Datasetyang digunakan didapatkan dari website publik Provinsi NTB yaitu data.ntbprov.go.id dataset tersebut berupa histori jumlah kunjungan wisatawan setiap bulan, dari website disbudpar.ntbprov.go.id didapatkan dataset event tahunan dan dari website kalender pendidikan.com didapat dataset kalender akademik untuk liburan sekolah, dataset yang diambil dari setiap sumber diambil mulai dari tahun 2017 sampai tahun 2022. Dari semua dataset yang didapat bisa dimanfaatkan dalam menggali informasi untuk melakukan prediksi. Dalam melakukan prediksi digunakan Algoritma LSTM dengan menggunakan variabel histori wisatwan, event dan libu sekolah. Penggunaan variabel histori, event dan liburan menghasilkan kinerja MAPE sebesar 20.8% dengan penggunaan data training dan data testing 90/10. Hasil kinerja dengan variabel histori dan liburan saja menghasilkan kinerja MAPE sebesar 38,6%. sedangkan hasil dengan variabel histori dan event saja menghasilkan kinerja MAPE sebesar 23,81%. Ini menunjukan bahwa variabel event dan kalender liburan bisa dengan baik digunakan dalam melakukan prediksi terhadap kedatangan wisatawan di waktu berikutnya. Penelitian ini memperkenalkan pendekatan baru dalam memprediksi jumlah wisatawan dengan menggunakan variabel event tahunan dan kalender libur sekolah dengan
menggunakan algoritma LSTM sebagai alat prediksi yang lebih canggih, yang sebelumnya belum banyak dieksplorasi dalam konteks prediksi pariwisata di Provinsi NTB.

Downloads

Download data is not yet available.

References

N. P. N. Hendayanti, I. K. P. Suniantara, and M. Nurhidayati, “Penerapan Support Vector Regression (Svr) Dalam Memprediksi Jumlah Kunjungan Wisatawan Domestik Ke Bali,” Jurnal Varian, vol. 3, no. 1, pp. 43–50, 2019.

J. L. Chen, G. Li, D. C. Wu, and S. Shen, “Forecasting seasonal tourism demand using a multiseries structural time series method,” J Travel Res, vol. 58, no. 1, pp. 92–103, 2019.

M. A. Ridla, N. Azise, and M. Rahman, “Perbandingan Model Time Series Forecasting Dalam Memprediksi Jumlah Kedatangan Wisatawan Dan Penumpang Airport,” Jurnal Sistem Informasi dan Sistem Komputer, vol. 8, no. 1, pp. 1–14, 2023.

K. T. N. Lestari, M. A. Albar, and R. Afwani, “Penerapan Metode Backpropagation Dalam Memprediksi Jumlah Kunjungan Wisatawan Ke Provinsi Nusa Tenggara Barat (NTB),” Journal of Computer Science and Informatics Engineering (J-Cosine), vol. 3, no. 1, pp. 39–48, 2019.

R. Rahmawati, Y. Yuniza, A. N. Rahma, and Z. Zukrianto, “PREDIKSI JUMLAH WISATAWAN DI KOTA PEKANBARU PADA TAHUN 2019-2023 DENGAN MENGGUNAKAN METODE FUZZY TIME SERIES CHEN,” THETA: Jurnal Pendidikan Matematika, vol. 2, no. 1, pp. 36–44, 2020.

J.-W. Bi, Y. Liu, and H. Li, “Daily tourism volume forecasting for tourist attractions,” Ann Tour Res, vol. 83, p. 102923, 2020.

H. Mukhtar, Y. Rizki, F. A. Wenando, and M. A. Al Aziz, “Prediksi Kunjungan Wisatawan dengan Reduksi Noise pada Google Trends menggunakan Hilbert-Huang Transform dan Long Short-Term Memory,” JURNAL FASILKOM, vol. 12, no. 3, pp. 152–159, 2022.

Y. Li and H. Cao, “Prediction for tourism flow based on LSTM neural network,” Procedia Comput Sci, vol. 129, pp. 277–283, 2018.

V. R. Prasetyo, B. Hartanto, and A. A. Mulyono, “Penentuan pembimbing tugas akhir mahasiswa jurusan teknik informatika universitas surabaya dengan metode dice coefficient,” Teknika, vol. 8, no. 1, pp. 44–51, 2019.

K. Dewi, P. P. Adikara, and S. Adinugroho, “Prediksi Indeks Harga Konsumen (IHK) Kelompok Perumahan, Air, Listrik, Gas Dan Bahan Bakar Menggunakan Metode Support Vector Regression,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN, vol. 2548, p. 964X, 2018.

R. Firdaus and H. Mukhtar, “Prediksi Indeks Harga Produsen Pertanian Karet Di Indonesia Menggunakan Metode LSTM,” JURNAL FASILKOM, vol. 13, no. 01, pp. 1–6, 2023.

D. Heksaputra, “Prediksi Rerata Harga Beras Tingkat Grosir Indonesia dengan Long Short Term Memory,” JATISI (Jurnal Teknik Informatika dan Sistem Informasi), vol. 7, no. 2, pp. 163–174, 2020.

H. Mukhtar, R. Gunawan, A. Hariyanto, and W. Mulyana, “Peramalan Kedatangan Wisatawan ke Suatu Negara Menggunakan Metode Support Vector Machine (SVM),” Jurnal CoSciTech (Computer Science and Information Technology), vol. 3, no. 3, pp. 274–282, 2022.

R. F. Hidayat, B. Irawan, and M. Nasrun, “Implementasi Klasifikasi Gambar Untuk Industri Pakaian Menggunakan Image Search Engine Berbasis Website,” eProceedings of Engineering, vol. 10, no. 1, 2023.

J. Manullang, A. J. Santoso, and A. W. R. Emanuel, “Prediksi Kunjungan Wisatawan Taman Nasional Gunung Merbabu dengan Time Series Forecasting dan LSTM,” Jurnal Teknik Sipil, vol. 11, no. 2, pp. 132–140, 2020.

A. Nilsen, “Perbandingan Model RNN, Model LSTM, dan Model GRU dalam Memprediksi Harga Saham-Saham LQ45,” Jurnal Statistika dan Aplikasinya, vol. 6, no. 1, pp. 137–147, 2022.

M. Rizki, S. Basuki, and Y. Azhar, “Implementasi Deep Learning Menggunakan Arsitektur Long Short Term Memory (LSTM) Untuk Prediksi Curah Hujan Kota Malang,” Jurnal Repositor, vol. 2, no. 3, pp. 331–338, 2020.

Y. P. Adiwiguna, H. Purbaseno, H. Syuhara, F. J. Pribadi, A. Sarbani, and A. D. Kusuma, “MEMBANGUN TOOL PREDIKSI YANG KOMPREHENSIF GUNA MENINGKATKAN AKURASI PRODUK AKHIR PENCAMPURAN KUALITAS BATUBARA MENERAPKAN PERBANDINGAN KOLABORATIF PADA ALGORITMA REGRESI HINGGA NEURAL NET,” Indonesian Mining Professionals Journal, vol. 4, no. 2, pp. 111–122, 2022.

S. Lionetti, D. Pfäffli, M. Pouly, T. vor der Brück, and P. Wegelin, “Tourism Forecast with Weather, Event, and Cross-industry Data.,” in ICAART (2), 2021, pp. 1097–1104.

N. A. Jauhariyah, H. Habibulloh, and A. A. Yazid, “Potret Pertumbuhan Kunjungan Wisatawan Dalam Perspektif Islam Di Kabupaten BANYUWANGI,” Jurnal Ekonomi Syariah Darussalam, vol. 2, no. 1, pp. 86–99, 2021.