Publisher

UMMUMM

Journal KOMTIKAKOMTIKA Abstract

Peramalan jumlah kunjungan turis merupakan salah satu aspek penting dalam perencanaan dan pengambilan keputusan di sektor pariwisata. Ketepatan prediksi sangat dibutuhkan untuk mengantisipasi lonjakan atau penurunan kunjungan, merancang strategi pemasaran, serta mengelola sumber daya secara efisien. Penelitian ini mengusulkan pendekatan Hybrid yang mengintegrasikan metode statistik tradisional dengan algoritma machine learning untuk meningkatkan kinerja peramalan jumlah kunjungan turis. Lima jenis model peramalan diterapkan, yaitu ARIMA sebagai representasi model statistik tradisional, Random Forest dan Extreme Gradient Boosting (XGBoost) sebagai model machine learning, Hybrid model sederhana yang menggabungkan prediksi ARIMA dan XGBoost melalui rata-rata (simple averaging), Weighted Hybrid yang menggabungkan kedua model dengan bobot berbasis performa historis, serta Stacking Hybrid yang memanfaatkan meta-model untuk mengoptimalkan kombinasi prediksi. Penelitian ini menggunakan metode evaluasi rolling window backtesting karena dataset yang digunakan memiliki perubahan pola yang signifikan atau structural break, seperti yang terjadi selama pandemi COVID-19. Dengan metode ini memungkinkan model diuji secara bertahap dari periode normal ke periode krisis dan pemulihan. Evaluasi performa dilakukan menggunakan tiga metrik utama, yaitu RMSE, MAE, dan MAPE. Hasil menunjukkan bahwa Stacking Hybrid secara konsisten memiliki nilai RMSE terendah, membuktikan kemampuannya menangkap tren dan fluktuasi ekstrem selama COVID-19.

Conclusion

Hasil evaluasi menunjukkan bahwa Stacking Hybrid konsisten memberikan nilai RMSE terendah pada seluruh negara (Malaysia, Singapore, Other Asia, China, Australia).Model ini mampu mengombinasikan keunggulan ARIMA, Random Forest, dan XGBoost sehingga menghasilkan prediksi yang lebih akurat dibandingkan model individu maupun hybrid berbobot.Dengan demikian, Stacking Hybrid direkomendasikan sebagai model terbaik untuk peramalan jumlah kunjungan wisatawan.Rekomendasi penelitian selanjutnya adalah mengembangkan model hybrid yang lebih adaptif, misalnya mengombinasikan deep learning (LSTM/GRU) dengan boosting models (XGBoost, LightGBM), atau menerapkan dynamic weighting yang dapat menyesuaikan bobot model seiring perubahan pola data.Hal ini diharapkan mampu mengatasi ketidakstabilan pola kunjungan turis akibat faktor eksternal di masa depan.

Future Research

Penelitian lanjutan dapat menggabungkan deep learning seperti LSTM/GRU dengan model boosting (XGBoost, LightGBM) untuk meningkatkan adaptasi terhadap perubahan pola data yang kompleks. Selain itu, pengembangan model dengan dynamic weighting yang menyesuaikan bobot berdasarkan fluktuasi data secara real-time bisa menjadi arah studi baru. Terakhir, mempertimbangkan faktor eksternal seperti indikator ekonomi atau data media sosial dalam peramalan dapat memberikan wawasan lebih luas tentang pengaruh variabel luar terhadap kunjungan turis.

References

1. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... doi.org/10.1007/s10994-024-06517-yClient Challenge client challenge javascript disabled browser please enable proceed required part site doi 10 1007 s10994 024 06517 y
2. Pendekatan Hibrida Statistik dan Machine Learning untuk Peramalan Jumlah Kunjungan Turis | Jurnal Komtika... journal.unimma.ac.id/komtika/en/article/view/14909Pendekatan Hibrida Statistik dan Machine Learning untuk Peramalan Jumlah Kunjungan Turis Jurnal Komtika journal unimma ac komtika en article view 14909

Metadata

File size	652.27 KB
Pages	11
DMCA	Report