Prediksi Kunjungan Wisatawan Nusantara dan Mancanegara Menggunakan Metode Long Short Term Memory (LSTM)
DOI:
https://doi.org/10.30812/corisindo.v1.5307Keywords:
LSTM , Tourist prediction, Time series, Adam OptimizerAbstract
Sektor pariwisata memiliki kontribusi penting dalam menunjang pertumbuhan ekonomi daerah. Di antara berbagai provinsi di Indonesia, Nusa Tenggara Barat (NTB) tampil sebagai salah satu tujuan wisata utama yang menunjukkan peningkatan cukup pesat dalam jumlah kunjungan wisatawan dalam beberapa tahun terakhir. Penelitian ini bertujuan untuk memprediksi kunjungan wisatawan nusantara dan mancanegara di NTB menggunakan metode Long Short-Term Memory (LSTM) dengan optimasi Adam dan teknik gradient clipping. Data historis bulanan periode 2014–2023 dari Dinas Pariwisata NTB diproses melalui normalisasi Min-Max Scaling dan dibagi dengan rasio 70:30 dan 80:20. Model LSTM dengan arsitektur 4 lapisan (2 lapisan LSTM berunit 50 dan 2 lapisan Dense) diuji menggunakan metrik Root Mean Squared Error (RMSE). Berdasarkan hasil yang diperoleh menunjukkan konfigurasi terbaik pada rasio 70:30 dengan 200 epoch, menghasilkan RMSE terendah sebesar 66.70 pada data training dan 33,24 pada data testing. Hal ini berimpilkasi bahwa model mampu menangkap pola musiman dan tren kunjungan, meskipun kurang responsif terhadap outlier seperti bencana alam. Implementasi ini memberikan dasar untuk perencanaan kapasitas pariwisata dan manajemen destinasi berbasis data.
References
[1] S. Soraya, I. Fitriana Aziza, M. Rizky, U. Juanda, G. Primajati, and P. Rahima, “Peramalan Jumlah Kunjungan Wisatawan di Provinsi Nusa Tenggara Barat (NTB) Menggunakan Metode Arima Box-Jenkins,” VARIANSI: Journal of Statistics and Its Application on Teaching and Research, vol. 6, no. 01, pp. 35–43, 2024, doi: 10.35580/variansiunm150.
[2] Mardiah, R. Adha, and Kurniawan, “Strategi Promosi Pariwisata Di Dinas Pariwisata Provinsi Nusa Tenggara Barat (Studi Kasus Promosi Pariwisata Pasca Gempa Bumi di Pulau Lombok Tahun 2018),” JIAP (Jurnal Ilmu Administrasi Publik), vol. 7, no. 1, pp. 25–33, 2019.
[3] N. D. A. Amrita, M. M. Handayani, and L. Erynayati, “Pengaruh Pandemi Covid-19 Terhadap Pariwisata Bali,” Jurnal Manajemen dan Bisnis Equilibrium, vol. 7, no. 2, pp. 246–257, Sep. 2021, doi: 10.47329/jurnal_mbe.v7i2.824.
[4] I. K. P. Adnyana, I. W. Sumarjaya, and I. K. G. Sukarsa, “Peramalan Jumlah Kunjungan Wisatawan Mancanegara Yang Bekunjung Ke Bali Menggunakan Fungsi Transfer,” E-Jurnal Matematika, vol. 5, no. 4, pp. 139–147, 2016.
[5] Sugianto, S. Ramadhani, and A. H. Jumain, “Faktor-Faktor Yang Mempengaruhi Jumlah Kunjungan Wisatawan Mancanegara (Wisman) Di Provinsi Nusa Tenggara Barat,” JURNAL LOCUS Penelitian & Pengabdian, vol. 1, no. 2, pp. 48–59, 2022.
[6] C.-C. Chen, Y.-H. (Rebecca) Lai, J. F. Petrick, and Y.-H. Lin, “Tourism between divided nations: An examination of stereotyping on destination image,” Tour Manag, vol. 55, pp. 25–36, Aug. 2016, doi: 10.1016/j.tourman.2016.01.012.
[7] R. H. Hirzi, U. Hidayaturrohman, K. Kertanah, M. H. Amaly, and R. Satriawan, “Prediksi Jumlah Wisatawan Menggunakan Metode Random Forest, Single Exponential Smoothing dan Double Exponential Smoothing di Provinsi NTB,” Jambura Journal of Probability and Statistics, vol. 4, no. 1, pp. 47–55, May 2023, doi: 10.34312/jjps.v4i1.17088.
[8] F. Zamachsari and N. Puspitasari, “Penerapan Deep Learning dalam Deteksi Penipuan Transaksi Keuangan Secara Elektronik,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 2, pp. 203–212, Apr. 2021, doi: 10.29207/resti.v5i2.2952.
[9] S. Zahara, Sugianto, and M. Bahril Ilmiddafiq, “Prediksi Indeks Harga Konsumen Menggunakan Metode Long Short Term Memory (LSTM) Berbasis Cloud Computing,” Jurnal RESTI(Rekayasa Sistem dan Teknologi Informasi), vol. 3, no. 3, pp. 357–363, 2019.
[10] A. A. Rizal and S. Soraya, “Multi Time Steps Prediction dengan Recurrent Neural Network Long Short Term Memory,” MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 18, no. 1, pp. 115–124, Nov. 2018, doi: 10.30812/matrik.v18i1.344.
[11] Y. Ashari and A. Suhendar, “Implementasi Algoritma Long Short-Term Memory (LSTM) Untuk Memprediksi Harga Beras Di Jawa Tengah Berdasarkan Cuaca,” Jurnal Teknologi Informasi, vol. 5, no. 3, 2024, doi: 10.46576/djtechno.
[12] L. Wiranda and M. Sadikin, “Penerapan Long Short Term Memory Pada Data Time Series Untuk Memprediksi Penjualan Produk PT. Metiska Farma,” Jurnal Nasional Pendidikan Teknik Informatika, vol. 8, no. 3, pp. 184–196, 2019.
[13] N. Saptadi et al., Deep Learning: Teori, Algoritma, dan Aplikasi. PT Sada Kurnia Pustaka, 2025.
[14] N. Sarasuartha Mahajaya, P. Desiana, W. Ayu, and R. R. Huizen, “Pengaruh Optimizer Adam, AdamW, SGD, dan LAMB terhadap Model Vision Transformer pada Klasifikasi Penyakit Paru-paru,” in Prosiding Seminar Hasil Penelitian Informatika dan Komputer, 2024, pp. 818–823. [Online]. Available: https://www.kaggle.com/datasets/tawsifurrahman/covid19-radiography-database,
[15] A. V Tatachar, “Comparative Assessment of Regression Models Based On Model Evaluation Metrics,” International Research Journal of Engineering and Technology, 2021, [Online]. Available: www.irjet.net
