Prediksi Kunjungan Wisatawan Mancanegara Ke Indonesia Berdasarkan Pintu Masuk Menggunakan Metode Long Short-Term Memory (LSTM)

Abstract

termasuk Indonesia. Prediksi jumlah kunjungan wisatawan mancanegara menjadi hal yang krusial
untuk menunjang perencanaan dan pengambilan keputusan strategis dalam pengembangan sektor
ini. Saat ini, belum banyak pendekatan prediktif yang memanfaatkan model deep learning untuk
mengantisipasi dinamika jumlah kunjungan wisatawan berdasarkan kategori pintu masuk ke
Indonesia. Penelitian ini bertujuan dua hal: pertama menerapkan metode Long Short-Term
Memory (LSTM) dalam memprediksi kunjungan wisatawan mancanegara ke Indonesia
berdasarkan tiga jenis pintu masuk, yaitu udara, laut, dan darat. Kedua, mengukur tingkat akurasi
dari hasil prediksi yang dihasilkan. Dataset yang digunakan berupa data bulanan kunjungan
wisatawan mancanegara menurut pintu masuk kedatangan dari Januari 2008 hingga Desember
2024 yang diperoleh dari Badan Pusat Statistik (BPS). Model LSTM dilatih menggunakan dua
lapisan LSTM dengan masing-masing 64 neuron serta dropout sebesar 0,1. Evaluasi model
dilakukan menggunakan metrik RMSE, MAE, MAPE, dan R². Hasil evaluasi terbaik pada masing
masing kategori pintu masuk menunjukkan bahwa pintu udara memiliki nilai RMSE 73.133,52,
MAE 57.747,22, MAPE 17,56%, dan R² sebesar 0,9405. Untuk pintu laut, diperoleh nilai RMSE
37.267,33, MAE 28.368,17, MAPE 15,44%, dan R² sebesar 0,7542. Sementara itu, pintu darat
diperoleh nilai RMSE 13.871,17, MAE 9.511,75, MAPE 12,51%, dan R² sebesar 0,3728. Hasil
prediksi menunjukkan bahwa pintu udara dan laut menunjukkan kecenderungan peningkatan
dalam 12 bulan ke depan, sedangkan pintu darat justru mengalami penurunan. Secara keseluruhan,
metode LSTM menunjukkan kinerja yang baik dalam memodelkan tren data kunjungan wisatawan
mancanegara berdasarkan pola data historis dan berpotensi menjadi alat bantu dalam pengambilan
keputusan strategis di sektor pariwisata