Publisher

IJCISIJCIS

Journal International Journal of Computer and Information System (IJCIS)International Journal of Computer and Information System (IJCIS) Abstract

Prediksi kehadiran pada acara skala besar merupakan tugas penting untuk mendukung perencanaan sumber daya, logistik, dan manajemen keamanan yang lebih baik. Studi ini meneliti kinerja berbagai model machine learning dalam memprediksi kehadiran acara menggunakan fitur metadata seperti jenis acara, venue, lokasi, tanggal, dan durasi. Dataset terdiri dari lebih dari 19.526 catatan acara yang diambil dari repositori data terbuka pemerintah AS, mencakup beberapa tahun dan kategori acara yang beragam. Kinerja model dievaluasi menggunakan Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan Koefisien Determinasi (R²). Di antara model yang diuji, metode ensemble seperti Gradient Boosting Regressor dan XGBoost unggul dengan MAE terendah (61,37 dan 59,52) serta R² tertinggi (0,22 dan 0,15). Hasil ini menunjukkan kemampuan generalisasi yang lebih baik dalam menangkap pola nonlinier kompleks. Sebaliknya, model linear dan metode nonparametrik sederhana seperti Decision Trees dan K-Nearest Neighbors (KNN) menunjukkan akurasi prediksi yang lebih rendah dengan skor R² mendekati atau di bawah 0,14. Meskipun nilai R² menunjukkan bahwa metadata saja memberikan pandangan terbatas tentang dinamika kehadiran, MAE yang relatif rendah di seluruh model menunjukkan bahwa prediksi titik yang masuk akal masih dapat dicapai. Temuan ini menyoroti potensi metode berbasis ensemble untuk tugas peramalan dasar. Selain itu, studi ini menekankan pentingnya menggabungkan set fitur yang lebih kaya seperti harga tiket, cuaca, aktivitas promosi, dan sentimen sosial untuk meningkatkan model di masa depan. Penelitian ini menyediakan benchmark dasar untuk peramalan kehadiran berbasis data dan menawarkan implikasi praktis bagi penyelenggara acara yang mencari alat prediksi otomatis yang skalabel untuk mendukung perencanaan strategis.

Conclusion

Studi ini menunjukkan bahwa model ensemble seperti Gradient Boosting Regressor dan XGBoost lebih efektif dalam menangkap pola kehadiran acara dibandingkan model linear atau nonparametrik sederhana.Namun, keterbatasan utama adalah penggunaan metadata saja yang tidak cukup untuk menjelaskan variasi kehadiran secara lengkap.Dalam masa depan, penelitian lanjutan perlu mengintegrasikan data kontekstual tambahan seperti harga tiket, cuaca, dan aktivitas promosi untuk meningkatkan akurasi prediksi.Selain itu, transparansi dan keadilan model harus dipertimbangkan jika alat prediksi ini digunakan dalam konteks kritis seperti perencanaan keamanan publik atau optimasi harga tiket.

Future Research

Penelitian lanjutan dapat fokus pada integrasi data real-time seperti cuaca, sentimen sosial, atau harga tiket untuk meningkatkan akurasi prediksi. Selain itu, pengembangan model hybrid yang menggabungkan metode ensemble dengan algoritma lain seperti neural networks dapat dieksplorasi untuk menangkap pola yang lebih kompleks. Terakhir, studi tentang dampak strategi pemasaran acara terhadap kehadiran pengunjung bisa menjadi arah penelitian baru yang relevan, terutama dalam konteks peningkatan partisipasi melalui promosi digital.

Metadata

File size	309.96 KB
Pages	6
DMCA	Report