Isi Artikel Utama
Abstrak
Pariwisata memiliki potensi besar dalam mendorong pertumbuhan ekonomi melalui penciptaan lapangan kerja, peningkatan pendapatan, dan dampak positif pada berbagai sektor terkait seperti kerajinan tangan, penginapan, dan transportasi. Kabupaten Garut, yang terletak di bagian selatan Provinsi Jawa Barat, semakin dikenal karena destinasi wisata alamnya yang masih alami dan menarik minat wisatawan. Namun, lonjakan jumlah pengunjung di destinasi wisata tersebut memunculkan berbagai tantangan, termasuk kepadatan yang mengurangi kenyamanan dan keamanan, serta penurunan kualitas layanan akibat permintaan yang tinggi. Infrastruktur yang tidak memadai, seperti transportasi dan parkir, juga menjadi masalah yang perlu diatasi. Untuk membantu pemerintah daerah mempersiapkan diri menghadapi lonjakan pengunjung di masa mendatang, penelitian ini menggunakan Algoritma Regresi Linier untuk memprediksi jumlah pengunjung wisata di Kabupaten Garut. Algoritma ini dipilih karena kemampuannya dalam mengukur hubungan antara variabel dependen (jumlah pengunjung) dan variabel independen (faktor-faktor yang mempengaruhi kunjungan). Proses pengumpulan data dilakukan dengan mengelompokkan jumlah pengunjung berdasarkan kategori wisata di Kabupaten Garut, sehingga model prediksi dapat lebih akurat dan relevan. Hasil penelitian menunjukkan bahwa model regresi linier yang digunakan mampu menghasilkan prediksi dengan nilai Mean Absolute Error (MAE) sebesar 11.406,37, Mean Absolute Percentage Error (MAPE) sebesar 6.449, Mean Squared Error (MSE) sebesar 282.815.506,30, dan Root Mean Squared Error (RMSE) sebesar 16.817,12. Nilai R-squared (R²) sebesar 0,9346 menunjukkan bahwa model ini mampu menjelaskan sekitar 93,46% variasi dalam data, yang mengindikasikan kinerja yang cukup baik dalam memprediksi jumlah pengunjung. Tetapi, memiliki nilai MAPE yang cukkup besar yang mengidentifikasi adanya ketidaklarasan pada dataset yang disebabkan oleh nilai yang sangat kecil atau nol dalam data Actual. Prediksi ini diharapkan dapat membantu Dinas Pariwisata Kabupaten Garut dalam perencanaan dan pengambilan keputusan strategis, seperti penyiapan infrastruktur yang lebih baik, peningkatan kualitas layanan, dan perancangan promosi wisata serta perbaikan-perbaikan oleh penelitian selanjutnya agar lebih bisa menghasilkan hasil yang sangat baik dengan penggunaan Algoritma yang lainnya.
Kata Kunci
Rincian Artikel
Artikel ini berlisensi Creative Commons Attribution-NoDerivatives 4.0 International License.
References
- N. P. N. Hendayanti, I. K. P. Suniantara, and M. Nurhidayati, “Penerapan Support Vector Regression (Svr) Dalam Memprediksi Jumlah Kunjungan Wisatawan Domestik Ke Bali,” J. Varian, vol. 3, no. 1, pp. 43–50, 2019, doi: 10.30812/varian.v3i1.506.
- E. Satria, A. Sutedi, and P. Permatasari, “Rancang Bangun Aplikasi Edukasi Pariwisata Garut Berbasis Android Menggunakan Metode Multimedia Development Life Cycle,” J. Algoritm., vol. 19, no. 1, pp. 202–209, 2022, doi: 10.33364/algoritma/v.19-1.1050.
- M. P. Raharyani, R. R. M. Putri, and B. D. Setiawan, “Implementasi Algoritme Support Vector Regression Pada Prediksi Jumlah Pengunjung Pariwisata,” J. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 4, pp. 1501–1509, 2018.
- A. Rahim, A. D. Rahajoe, and M. Mahaputra, “Prediksi Jumlah Pengunjung Perperiode Terhadap Tempat Wisata Pantai Menggunakan Triple Exponential Smoothing (Studi Kasus Pantai Gili Labak Sumenep),” J. Ilm. Teknol. Inf. dan Robot., vol. 3, no. 2, pp. 39–43, 2021, doi: 10.33005/jifti.v3i2.66.
- M. Marzuqi, M. Tafrikan, and S. Maslihah, “Prediksi Jumlah Pengunjung Semarang Zoo dengan Metode Fuzzy Time Series,” Zeta - Math J., vol. 7, no. 1, pp. 19–27, 2022, doi: 10.31102/zeta.2022.7.1.19-27.
- M. Hasan, “Prediksi Jumlah Pengunjung Pantai Bolihutuo Mengunakan Metode Fuzzy Time Series,” vol. 2, no. 2, pp. 127–134, 2023.
- I. Himawan, O. Nurdiawan, G. Dwilestari, and ..., “Prediksi Harga Saham dengan Algoritma Regresi Linier dengan RapidMiner,” JURSIMA (Jurnal …, vol. 10, no. 3, pp. 239–247, 2022, [Online]. Available: https://ejournal.indobarunasional.ac.id/index.php/jursima/article/view/475%0Ahttps://ejournal.indobarunasional.ac.id/index.php/jursima/article/download/475/314
- A. Alfani W.P.R., F. Rozi, and F. Sukmana, “Prediksi Penjualan Produk Unilever Menggunakan Metode K-Nearest Neighbor,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 6, no. 1, pp. 155–160, 2021, doi: 10.29100/jipi.v6i1.1910.
- M. A. Hasanah, S. Soim, and A. S. Handayani, “Implementasi CRISP-DM Model Menggunakan Metode Decision Tree dengan Algoritma CART untuk Prediksi Curah Hujan Berpotensi Banjir,” J. Appl. Informatics Comput., vol. 5, no. 2, pp. 103–108, 2021, doi: 10.30871/jaic.v5i2.3200.
- A. Figueiró, Python Data Science. 1967.
- F. N. Dhewayani, D. Amelia, D. N. Alifah, B. N. Sari, and M. Jajuli, “Implementasi K-Means Clustering untuk Pengelompokkan Daerah Rawan Bencana Kebakaran Menggunakan Model CRISP-DM,” J. Teknol. dan Inf., vol. 12, no. 1, pp. 64–77, 2022, doi: 10.34010/jati.v12i1.6674.
- A. A. Azahra, “Analisis Prediksi Jumlah Penerimaan Mahasiswa Baru Menggunakan Metode Regresi Linier Sederhana,” Bull. Appl. Ind. Eng. Theory, vol. 3, no. 1, pp. 75–78, 2022.
- D. I. Mulyana, “Optimasi Prediksi Harga Udang Vaname dengan Metode RMSE dan MAE Dalam Algoritma Regresi Linier,” no. 01, pp. 50–58.
- A. T. Lumataw and G. C. Rorimpandey, “Sistem Prediksi Pengadaan Barang Menggunakan Algoritma Regresi Linier,” J. Inf. Syst. Manag., vol. 5, no. 2, pp. 194–198, 2024, doi: 10.24076/joism.2024v5i2.1402.
- E. D. Wahyuni, A. A. Arifiyanti, and M. Kustyani, “Exploratory Data Analysis dalam Konteks Klasifikasi Data Mining,” Pros. Nas. Rekayasa Teknol. Ind. dan Inf. XIV Tahun 2019, vol. 2, no. November, pp. 263–269, 2019, [Online]. Available: http://journal.itny.ac.id/index.php/ReTII
References
N. P. N. Hendayanti, I. K. P. Suniantara, and M. Nurhidayati, “Penerapan Support Vector Regression (Svr) Dalam Memprediksi Jumlah Kunjungan Wisatawan Domestik Ke Bali,” J. Varian, vol. 3, no. 1, pp. 43–50, 2019, doi: 10.30812/varian.v3i1.506.
E. Satria, A. Sutedi, and P. Permatasari, “Rancang Bangun Aplikasi Edukasi Pariwisata Garut Berbasis Android Menggunakan Metode Multimedia Development Life Cycle,” J. Algoritm., vol. 19, no. 1, pp. 202–209, 2022, doi: 10.33364/algoritma/v.19-1.1050.
M. P. Raharyani, R. R. M. Putri, and B. D. Setiawan, “Implementasi Algoritme Support Vector Regression Pada Prediksi Jumlah Pengunjung Pariwisata,” J. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 4, pp. 1501–1509, 2018.
A. Rahim, A. D. Rahajoe, and M. Mahaputra, “Prediksi Jumlah Pengunjung Perperiode Terhadap Tempat Wisata Pantai Menggunakan Triple Exponential Smoothing (Studi Kasus Pantai Gili Labak Sumenep),” J. Ilm. Teknol. Inf. dan Robot., vol. 3, no. 2, pp. 39–43, 2021, doi: 10.33005/jifti.v3i2.66.
M. Marzuqi, M. Tafrikan, and S. Maslihah, “Prediksi Jumlah Pengunjung Semarang Zoo dengan Metode Fuzzy Time Series,” Zeta - Math J., vol. 7, no. 1, pp. 19–27, 2022, doi: 10.31102/zeta.2022.7.1.19-27.
M. Hasan, “Prediksi Jumlah Pengunjung Pantai Bolihutuo Mengunakan Metode Fuzzy Time Series,” vol. 2, no. 2, pp. 127–134, 2023.
I. Himawan, O. Nurdiawan, G. Dwilestari, and ..., “Prediksi Harga Saham dengan Algoritma Regresi Linier dengan RapidMiner,” JURSIMA (Jurnal …, vol. 10, no. 3, pp. 239–247, 2022, [Online]. Available: https://ejournal.indobarunasional.ac.id/index.php/jursima/article/view/475%0Ahttps://ejournal.indobarunasional.ac.id/index.php/jursima/article/download/475/314
A. Alfani W.P.R., F. Rozi, and F. Sukmana, “Prediksi Penjualan Produk Unilever Menggunakan Metode K-Nearest Neighbor,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 6, no. 1, pp. 155–160, 2021, doi: 10.29100/jipi.v6i1.1910.
M. A. Hasanah, S. Soim, and A. S. Handayani, “Implementasi CRISP-DM Model Menggunakan Metode Decision Tree dengan Algoritma CART untuk Prediksi Curah Hujan Berpotensi Banjir,” J. Appl. Informatics Comput., vol. 5, no. 2, pp. 103–108, 2021, doi: 10.30871/jaic.v5i2.3200.
A. Figueiró, Python Data Science. 1967.
F. N. Dhewayani, D. Amelia, D. N. Alifah, B. N. Sari, and M. Jajuli, “Implementasi K-Means Clustering untuk Pengelompokkan Daerah Rawan Bencana Kebakaran Menggunakan Model CRISP-DM,” J. Teknol. dan Inf., vol. 12, no. 1, pp. 64–77, 2022, doi: 10.34010/jati.v12i1.6674.
A. A. Azahra, “Analisis Prediksi Jumlah Penerimaan Mahasiswa Baru Menggunakan Metode Regresi Linier Sederhana,” Bull. Appl. Ind. Eng. Theory, vol. 3, no. 1, pp. 75–78, 2022.
D. I. Mulyana, “Optimasi Prediksi Harga Udang Vaname dengan Metode RMSE dan MAE Dalam Algoritma Regresi Linier,” no. 01, pp. 50–58.
A. T. Lumataw and G. C. Rorimpandey, “Sistem Prediksi Pengadaan Barang Menggunakan Algoritma Regresi Linier,” J. Inf. Syst. Manag., vol. 5, no. 2, pp. 194–198, 2024, doi: 10.24076/joism.2024v5i2.1402.
E. D. Wahyuni, A. A. Arifiyanti, and M. Kustyani, “Exploratory Data Analysis dalam Konteks Klasifikasi Data Mining,” Pros. Nas. Rekayasa Teknol. Ind. dan Inf. XIV Tahun 2019, vol. 2, no. November, pp. 263–269, 2019, [Online]. Available: http://journal.itny.ac.id/index.php/ReTII