Publisher

PLBPLB

Journal TEMATIKTEMATIK Abstract

Penelitian ini bertujuan untuk mengaplikasikan metode Long Short-Term Memory Networks (LSTM) with Temporal Attention dalam memprediksi kepadatan pariwisata di destinasi wisata Jawa Barat. Permasalahan yang dihadapi adalah ketidakpastian dalam mengestimasi kepadatan wisatawan di berbagai lokasi dan waktu, yang membuat pengelolaan sumber daya dan fasilitas wisata menjadi sulit. Oleh karena itu, penelitian ini menjadi penting untuk menyediakan alat yang dapat membantu pengambilan keputusan yang lebih efektif di bidang pariwisata Jawa Barat. Urgensi penelitian ini terletak pada kebutuhan akan prediksi kepadatan wisatawan yang akurat dan waktu-nyata untuk mendukung pengelolaan dan pengembangan destinasi wisata di Jawa Barat. Dengan adanya model prediksi yang tepat, pihak terkait dapat melakukan pengaturan kapasitas, mengoptimalkan layanan, dan menghindari dampak negatif seperti kelebihan kapasitas dan kerumunan yang berpotensi membahayakan pengunjung dan lingkungan. Tujuan penelitian ini adalah untuk mengembangkan model prediksi kepadatan pariwisata yang menggabungkan fitur-fitur khas dari LSTM dengan mekanisme perhatian temporal. Model ini bertujuan untuk memberikan estimasi kepadatan wisatawan yang akurat dan dinamis, dengan mempertimbangkan pola temporal kunjungan wisatawan di Jawa Barat. Metode evaluasi model yang digunakan dalam penelitian ini ialah RMSE dan MAE, dan hasil pengujian modelnya yaitu memiliki nilai RMSE sebesar 32208867.139 dan nilai MAE sebesar 5099.219, dan diharapkan adanya dataset dengan periode panjang setelah massa covid dimana dataset bebas dari kejadian abnormal sehingga diperoleh model yang lebih sesuai.

Conclusion

Penelitian ini berhasil menerapkan model LSTM dengan temporal attention untuk memprediksi data kunjungan wisatawan di Provinsi Jawa Barat.Nilai RMSE dan MAE yang diperoleh menunjukkan bahwa model dapat mengikuti tren data time series meskipun masih perlu perbaikan.Percobaan dengan menghilangkan data outlier terbukti meningkatkan kinerja model dengan menurunkan nilai RMSE dan MAE.Diperlukan dataset pasca-covid yang lebih panjang dan bebas kejadian abnormal untuk pengembangan model yang lebih tepat di masa depan.

Future Research

Penelitian lanjutan dapat menguji model prediksi lain seperti GRU atau Transformer pada dataset yang sama untuk membandingkan kinerja dan akurasi prediksi. Selain itu, disarankan untuk mengeksplorasi integrasi variabel eksternal seperti data cuaca, hari libur, atau event khusus yang dapat mempengaruhi kunjungan wisatawan. Pengembangan dataset dengan periode lebih panjang pasca pandemi COVID-19 juga perlu dilakukan untuk mendapatkan pola data yang lebih stabil dan bebas dari anomali, sehingga model dapat belajar pola temporal dengan lebih baik.

References

1. Model Prediksi Kepadatan Pariwisata Jawa Barat Menggunakan Metode Long Short-Term Memory with Temporal... jurnal.plb.ac.id/index.php/tematik/article/view/2086Model Prediksi Kepadatan Pariwisata Jawa Barat Menggunakan Metode Long Short Term Memory with Temporal jurnal plb ac index php tematik article view 2086
2. Perbandingan Prediksi Penggunaan Listrik dengan Menggunakan Metode Long Short Term Memory (LSTM) dan... jtiik.ub.ac.id/index.php/jtiik/article/view/5585Perbandingan Prediksi Penggunaan Listrik dengan Menggunakan Metode Long Short Term Memory LSTM dan jtiik ub ac index php jtiik article view 5585
3. Perbandingan Model Time Series Forecasting Dalam Memprediksi Jumlah Kedatangan Wisatawan Dan Penumpang... e-jurnal.stmikbinsa.ac.id/index.php/simkom/article/view/103Perbandingan Model Time Series Forecasting Dalam Memprediksi Jumlah Kedatangan Wisatawan Dan Penumpang e jurnal stmikbinsa ac index php simkom article view 103

Metadata

File size	371.51 KB
Pages	6
DMCA	ReportReport