Detail Cantuman Kembali
SKEMA JURNAL/PROSIDING: PREDIKSI KUNJUNGAN WISATAWAN DOMESTIK ABNORMAL DENGAN ADAPTIVE LIGHTGBM DAN DETEKSI ANOMALI
- Bagikan:
Sektor pariwisata Indonesia menghadapi fluktuasi signifikan dalam kunjungan wisatawan. Penelitian ini mengembangkan model Adaptive LightGBM with Anomaly Detection and Multi-Task Learning (ALAD-MTL) untuk memprediksi kunjungan wisatawan domestik tahunan dan mengidentifikasi pola kunjungan yang tidak normal. Model ini mengintegrasikan data multi-domain, termasuk data statistik dan sentimen dari Twitter yang diekstrak menggunakan model RoBERTa berbahasa Indonesia. Hasil evaluasi menunjukkan model mencapai R-squared tinggi (>0.96) dan MAPE yang kompetitif, mengindikasikan kemampuan prediksi yang kuat untuk pola kunjungan reguler. Pada saat yang sama, modul deteksi anomali berhasil mengidentifikasi lonjakan kunjungan signifikan di Jawa Timur pada tahun 2024, ditandai dengan Residual Z-Score ekstrem sekitar 38. Hal ini menunjukkan model efektif dalam mendeteksi dan menandai anomali yang melebihi prediksi. Integrasi data multi-domain dan sentimen media sosial terbukti krusial dalam menjelaskan anomali ini. Penelitian ini menyediakan kerangka kerja prediktif dan deteksi anomali yang komprehensif untuk pengambilan keputusan strategis dalam manajemen pariwisata.
Pariwisata; Prediksi; Deteksi Anomali; Pembelajaran Multi-Tugas
002 MIL P R.1
NONE
Thesis
Indonesia
UNIVERSITAS TEKNOLOGI DIGITAL INDONESIA (UTDI)
2026
Yogyakarta
002 MTI 2024
LOADING LIST...
LOADING LIST...