Terakreditasi SINTA Peringkat 3
Surat Keputusan Direktur Jenderal Pendidikan Tinggi, Riset, dan Teknologi, Nomor: 72/E/KPT/2024
masa berlaku mulai Volume 10 Nomor 1 Tahun 2023 sampai Volume 14 Nomor 2 Tahun 2027

Terbit online pada laman web jurnal: https://jurnal.plb.ac.id/index.php/tematik/index

Jurnal Teknologi Informasi Komunikasi (e -Journal)
Vol. 11 No. 2 (2024) 189 - 194

ISSN Media Elektronik: 2443-3640

Model Prediksi Kepadatan Pariwisata Jawa Barat Menggunakan Metode
Long Short-Term Memory with Temporal Attention
West Java Tourism Density Prediction Model Using Long Short-Term Memory Networks with
Temporal Attention Method
Nadya Safitri1, Rully Pramudita2, Saludin Muis3, Fitri Shafirawati4, Muhammad Seno Anggoro5
1Rekayasa Prangkat Lunak, Fakultas Informatika, Universitas Bina Insani
2,3,4Teknik Informatika, Fakultas Informatika, Universitas Bina Insani
5Sistem Informasi, Fakultas Informatika, Universitas Bina Insani
1nadyasafitri@binainsani.ac.id, 2rullypramudita@binainsani.ac.id, 3saludin@binainsani.ac.id, 4fshafira0904@gmail.com,
5muhammadseno4@gmail.com

Abstract
This study aims to apply the Long Short-Term Memory Networks (LSTM) with Temporal Attention method in predicting tourism
density in West Java tourist destinations. The problem faced is the uncertainty in estimating tourist density at various locations
and times, which makes the management of tourism resources and facilities difficult. Therefore, this study is important to
provide a tool that can help make more effective decisions in the tourism sector in West Java. The urgency of this study lies in
the need for accurate and real-time tourist density predictions to support the management and development of tourist
destinations in West Java. With the right prediction model, related parties can regulate capacity, optimize services, and avoid
negative impacts such as excess capacity and crowds that have the potential to endanger visitors and the environment. The
purpose of this study is to develop a tourism density prediction model that combines the distinctive features of LSTM with a
temporal attention mechanism. This model aims to provide accurate and dynamic tourist density estimates, taking into account
the temporal patterns of tourist visits in West Java. The model evaluation methods used in this study are RMSE and MAE, and
the results of the model testing are that it has an RMSE value of 32208867.139 and an MAE value of 5099.219, and it is hoped
that there will be a dataset with a long period after the covid mass where the dataset is free from abnormal events so that a
more appropriate model is obtained.
Keywords: density, LSTM, prediction, tourism, west java

Abstrak
Penelitian ini bertujuan untuk mengaplikasikan metode Long Short-Term Memory Networks (LSTM) with Temporal Attention
dalam memprediksi kepadatan pariwisata di destinasi wisata Jawa Barat. Permasalahan yang dihadapi adalah ketidakpastian
dalam mengestimasi kepadatan wisatawan di berbagai lokasi dan waktu, yang membuat pengelolaan sumber daya dan fasilitas
wisata menjadi sulit. Oleh karena itu, penelitian ini menjadi penting untuk menyediakan alat yang dapat membantu
pengambilan keputusan yang lebih efektif di bidang pariwisata Jawa Barat. Urgensi penelitian ini terletak pada kebutuhan akan
prediksi kepadatan wisatawan yang akurat dan waktu-nyata untuk mendukung pengelolaan dan pengembangan destinasi wisata
di Jawa Barat. Dengan adanya model prediksi yang tepat, pihak terkait dapat melakukan pengaturan kapasitas, mengoptimalkan
layanan, dan menghindari dampak negatif seperti kelebihan kapasitas dan kerumunan yang berpotensi membahayakan
pengunjung dan lingkungan. Tujuan penelitian ini adalah untuk mengembangkan model prediksi kepadatan pariwisata yang
menggabungkan fitur-fitur khas dari LSTM dengan mekanisme perhatian temporal. Model ini bertujuan untuk memberikan
estimasi kepadatan wisatawan yang akurat dan dinamis, dengan mempertimbangkan pola temporal kunjungan wisatawan di
Jawa Barat. Metode evaluasi model yang digunakan dalam penelitian ini ialah RMSE dan MAE, dan hasil pengujian modelnya
yaitu memiliki nilai RMSE sebesar 32208867.139 dan nilai MAE sebesar 5099.219, dan diharapkan adanya dataset dengan
periode panjang setelah massa covid dimana dataset bebas dari kejadian abnormal sehingga diperoleh model yang lebih sesuai.
Kata kunci: jawa barat, kepadatan, LSTM, prediksi, pariwisata

1. Pendahuluan
Diterima Redaksi: 05-11-2024 | Selesai Revisi: 18-12-2024 | Diterbitkan Online: 20-12-2024
189

Nadya Safitri, Rully Pramudita, Saludin Muis, Fitri Shafirawati, Muhammad Seno Anggoro
Tematik: Jurnal Teknologi Informasi Komunikasi (e-Journal) Vol. 11 No. 2 (2024)
Sektor pariwisata memiliki peran vital dalam
perekonomian Indonesia, karena merupakan sumber
utama devisa negara sekaligus penyedia lapangan kerja
terbesar di tanah air [1] termasuk di Provinsi Jawa Barat
(Jabar) yang memiliki banyak destinasi wisata menarik.
Berdasarkan data Badan Pusat Statistik (BPS) Provinsi
Jawa Barat, jumlah kunjungan wisatawan mancanegara
dan nusantara di Jawa Barat dari tahun 2021-2023 terus
mengalami peningkatan dari sekitar 28 juta pengunjung
pada tahun 2021 menjadi 59 juta pengunjung pada
tahun 2023 [2]. Pengelolaan pariwisata yang efektif
memerlukan pemahaman yang mendalam tentang pola
kunjungan wisatawan dan kepadatannya di berbagai
lokasi wisata [3]. Namun, estimasi kepadatan
wisatawan yang akurat dan dinamis merupakan
tantangan yang kompleks. Hal ini disebabkan oleh
fluktuasi kunjungan yang dipengaruhi oleh faktor
waktu dan lokasi, serta interaksi antar destinasi wisata.
Oleh karena itu, di bidang pariwisata, memprediksi
jumlah kunjungan wisatawan adalah langkah penting
untuk memahami perkiraan jumlah wisatawan di masa
yang akan datang [4] guna mendukung pengelolaan dan
pengembangan pariwisata di Jawa Barat.
Selama dekade terakhir, minat terhadap klasifikasi telah
meningkat. Data deret waktu ditemukan di banyak
bidang, seperti pengukuran cuaca, catatan keuangan,
observasi industri, dan sinyal psikologis [5]. Berbagai
pendekatan, termasuk berbasis fitur, ensemble, dan
pembelajaran mendalam, telah digunakan untuk
mengklasifikasikan data deret waktu [6]. Misalnya,
dalam pariwisata, metode seperti jaringan Long Short
Term Memory (LSTM) dengan mekanisme perhatian
menangkap pola temporal yang kompleks dan
memprioritaskan titik data yang signifikan seperti
weekend, hari libur nasional atau periode puncak
kunjungan wisatawan untuk meningkatkan akurasi
prediksi kepadatan wisatawan.
Pada penelitian Haodong Sun et.all tahun 2023 yang
berjudul Forecasting tourism demand across multiple
attractions using a spatiotemporal grid: a model based
on convolutional block attention module. Penelitian ini
menyatakan bahwa peramalan permintaan wisatawan
yang efektif sangat penting bagi operasional perusahaan
dan manajemen destinasi, model yang diajukan pada
penelitian ini adalah convolutional block and attention
module (CBAM) untuk mengestimasi permintaan
pariwisata secara akurat [7]. Pada penelitian Fahira dan
Priyanto tahun 2023 yang berjudul Predicting Foreign
Tourist Arrival Patterns and Analyzing Tripadvisor
Reviews with LSTM and LDA. Penelitian ini
memanfaatkan model LSTM dan LDA untuk
memprediksi pola kedatangan wisatawan asing serta
menganalisis ulasan di Tripadvisor mengenai Jakarta.
Model LSTM digunakan untuk memproyeksikan pola
kunjungan
berdasarkan
data
historis
dan
memperlihatkan adanya peningkatan jumlah wisatawan
dalam satu tahun ke depan. Sementara itu, LDA

berfungsi untuk mengidentifikasi topik utama dalam
ulasan, dengan tujuan memberikan rekomendasi
spesifik terkait kota Jakarta. Evaluasi tersebut
menunjukkan kinerja yang baik, dengan MAPE sebesar
2,69% dalam memprediksi kedatangan wisatawan [8].
Dalam penelitian Saladan dkk tahun 2023 yang berjudul
Prediksi Jumlah Kunjungan Wisatawan di Toraja Utara
Menggunakan Metode Long Short Term Memory"
menjelaskan bahwa dalam sektor pariwisata,
memperkirakan jumlah kunjungan wisatawan penting
untuk mendapatkan perkiraan jumlah kunjungan di
masa depan. Metode Long Short Term Memory (LSTM)
diterapkan sebagai salah satu cara untuk memprediksi
data kunjungan wisatawan di Toraja Utara. Penelitian
ini bertujuan untuk menentukan model terbaik dan
mengevaluasi kinerja model berdasarkan parameter
Jumlah Layer (32, 64, 128), Sliding Window dengan
ukuran (3, 6, 9), Dropout (0.01, 0.1, 0.2, 0.5), dan Max
Epoch 100. Hasil pelatihan menunjukkan model terbaik
dicapai dengan MSE terendah pada konfigurasi layer
32, dropout 0.01, dan epoch 100, menghasilkan Mean
Square Error (MSE) sebesar 0.070323934. Model
terbaik ini kemudian diuji pada data pengujian dengan
parameter layer 32, dropout 0.01, dan epoch 100, yang
menghasilkan MSE sebesar 110198720. Hasil ini
menunjukkan bahwa model yang dilatih memiliki
kemampuan prediksi yang baik. Pada penelitian
Mukhtar et al. Pada tahun 2022 yang berjudul Prediksi
Kunjungan Wisatawan dengan Noise Reduction pada
Google Trends menggunakan Transformasi HilbertHuang dan Long Short-Term Memory" menyatakan
bahwa data dan pencarian terkait pariwisata sering
terganggu oleh noise. Tanpa pemrosesan noise, akurasi
prediksi data dari mesin pencari dapat melemah atau
menjadi tidak valid. Sebagai salah satu metode untuk
menangani noise, Transformasi Hilbert-Huang (HHT)
mampu mengurangi atau membersihkan noise.
Penelitian ini berfokus pada Prediksi Kunjungan
Wisatawan dengan Pemrosesan Noise pada Mesin
Pencari menggunakan metode Transformasi HilbertHuang. Pengujian prediksi pada dataset yang berisi 156
data menghasilkan nilai RMSE untuk tahun 2019, di
mana RMSE untuk LSTM adalah 129249, dan untuk
kombinasi HHT+LSTM adalah 653058. Hasil ini
menunjukkan bahwa nilai RMSE yang diperoleh
cenderung mendekati 0 [9]. Pada penelitian Roosaputri
et al. pada tahun 2022 yang berjudul Perbandingan
Algoritma ARIMA, Prophet, dan LSTM dalam
Memprediksi Penjualan Tiket Taman Hiburan (Studi
Kasus: Taman Hiburan Saloka)" membandingkan
algoritma ARIMA, Prophet, dan Long Short-Term
Memory (LSTM) guna menentukan model yang paling
tepat untuk memprediksi penjualan tiket taman hiburan.
Data yang digunakan diambil dari data historis dan
melewati beberapa tahap, seperti pra-pemrosesan dan
pengujian algoritma, untuk memastikan akurasi
prediksi setiap model. Dari hasil perbandingan ketiga
model peramalan, didapatkan bahwa algoritma ARIMA

DOI: https://doi.org/10.38204/tematik.v11i2.2086
Lisensi: Creative Commons Attribution 4.0 International (CC BY 4.0)
190

Nadya Safitri, Rully Pramudita, Saludin Muis, Fitri Shafirawati, Muhammad Seno Anggoro
Tematik: Jurnal Teknologi Informasi Komunikasi (e-Journal) Vol. 11 No. 2 (2024)
menghasilkan nilai RMSE sebesar 762,009 dan MAE
sebesar 478,887 [10].
Evaluasi model terhadap data uji untuk mengukur
akurasi dan efektivitasnya dalam memprediksi
kepadatan wisatawan menggunakan Mean Absolute
Error (MAE) [11],[12],[13] dan Root Mean Square
Error (RMSE) [11], [14], [15],[16],[17],[18],[19],[20]
yang bertujuan untuk meningkatkan akurasi prediksi.
Penelitian ini mengusulkan pendekatan baru
menggunakan Long Short-Term Memory Networks
(LSTM) dengan Temporal Attention dalam prediksi
kepadatan wisatawan. Kebaruan pendekatan ini terletak
pada kemampuannya untuk menangkap pola temporal
yang kompleks dari data kunjungan wisatawan dan
memungkinkan model untuk memprioritaskan
informasi yang lebih penting dari data historis.
Misalnya, kunjungan wisatawan pada akhir pekan, hari
libur nasional, atau musim liburan mungkin memiliki
dampak yang lebih signifikan pada prediksi kepadatan
wisatawan daripada pada hari kerja. Mekanisme
attention membantu model untuk "memperhatikan"
waktu-waktu ini dengan lebih cermat, sehingga
meningkatkan akurasi prediksi. Dengan demikian,
pendekatan ini diharapkan dapat memberikan prediksi
kepadatan wisatawan di destinasi wisata Jawa Barat
yang lebih akurat dan dinamis. Selain itu, penelitian ini
juga memberikan kontribusi terhadap pengembangan
metodologi prediksi kepadatan pariwisata yang lebih
maju dan efektif dengan menggunakan teknologi
pembelajaran mendalam dalam konteks pariwisata
lokal.
2.

yang memungkinkan model untuk fokus pada bagian
tertentu dari urutan input temporal (seperti urutan
kunjungan wisatawan) yang lebih relevan atau penting
untuk prediksi. Diharapkan dengan penambahan layer
Temporal Attention, model LSTM dapat lebih akurat
dalam memprediksi kepadatan wisatawan karena dapat
menangkap dan memanfaatkan pola temporal yang
relevan dengan lebih efektif. Pelatihan model yang
dibuat menggunakan data latih dan pengoptimalan
parameter model. Validasi model dilakukan untuk
memvalidasi model menggunakan data uji untuk
melihat keakuratan model yang dibuat, dan siap
dievaluasi pada tahap akhir.
Tahap Ketiga: Evaluasi dan Implementasi Model,
kinerja model akan dievaluasi menggunakan metrik
yang relevan seperti Mean Absolute Percent Error
(MAPE) dan Root Mean Square Error (RMSE), untuk
mengukur seberapa akurat model dalam memprediksi
kepadatan wisatawan, dan analisis hasil evaluasi untuk
implementasi lebih lanjut.

Metode Penelitian

Berdasarkan Gambar 1, alur penelitian dijelaskan
sebagai berikut:
Tahap Pertama: Penyiapan Data, dimulai dengan
mengidentifikasi permasalahan pada objek penelitian
dan menentukan tujuan penelitian. Pengumpulan data
diperoleh dari Dinas Pariwisata dan Kebudayaan
Provinsi Jawa Barat, Open Data Jawa Barat dan hasil
observasi lapangan pada objek wisata. Data yang
dikumpulkan dari berbagai sumber berbentuk time
series. Dataset mencakup 170 data kunjungan
wisatawan setiap bulan dari tahun 2010 hingga awal
tahun 2024. Proses Exploratory Data Analytics (EDA)
untuk memahami data yang telah diperoleh dan
menyiapkan data menggunakan tools Ms.Excel dan
Google Colab agar siap diolah pada tahap pemodelan.
Tahap Kedua: Pemodelan Deep Learning, model
LSTM dengan Temporal Attention akan dikembangkan
menggunakan teknik deep learning. Arsitektur model
akan dirancang untuk memanfaatkan informasi
temporal dari data kunjungan wisatawan, serta
memperhatikan pola temporal yang terjadi dari waktu
ke waktu. Temporal attention berperan dalam
menjalankan mekanisme dalam model deep learning

Gambar 1. Tahapan Penelitian

3. Hasil dan Pembahasan
Dataset penelitian terdiri dari 170 record, dengan 3
variabel yaitu tahun, bulan dan wisatawan. Berdasarkan
dataset tersebut dilakukan proses Exploratory Data
Analytics (EDA) untuk mengetahui informasi apa saja
yang terdapat dalam dataset tersebut. Pertama, mencari
tahu statistik ringkasan data seperti jumlah data, ratarata nilai, serta nilai minimum dan maksimum dari data
tersebut, kemudian melakukan pengecekan terhadap

DOI: https://doi.org/10.38204/tematik.v11i2.2086
Lisensi: Creative Commons Attribution 4.0 International (CC BY 4.0)
191

Nadya Safitri, Rully Pramudita, Saludin Muis, Fitri Shafirawati, Muhammad Seno Anggoro
Tematik: Jurnal Teknologi Informasi Komunikasi (e-Journal) Vol. 11 No. 2 (2024)
data missing value. Tabel 1 menjelaskan hasil ringkasan
statistik.
Tabel 1. Ringkasan Data Statistik
Count
Std
Min
25%
50%
75%
Max

Years
170
4.1002
2010
2013
2017
2020
2024

Tourist Visit
170
6676.2727
32
514
10570
14246
30922

80:20. Inisialisasi parameter yang digunakan dalam
penelitian ini mencakup rasio data, jumlah unit neuron,
epoch, dan ukuran batch. Tabel 2 menunjukkan
parameter-parameter yang diinisialisasi selama
pelatihan model.

Berdasarkan dataset tersebut, dapat dilihat bagaimana
distribusi kunjungan wisatawan berdasarkan frekuensi
kemunculannya. Hal ini dijelaskan pada Gambar 2.
Gambar 4. Jumlah Rata-rata Kunjungan Wisatawan setiap Bulan
Tabel 2. Inisiasi Model Parameter
No.
Parameters
1
Rasio Data
2
Unit neuron
3
Epoch
4
Optimizer
5
Batch size
6
Dropout value
Sumber: (Hasil Penelitian, 2024)

Gambar 2. Distribusi Jumlah Kunjungan Wisatawan

Gambar 3 menjelaskan tren kunjungan wisatawan
setiap tahunnya mulai tahun 2010 hingga tahun 2024,
jumlah wisatawan mengalami penurunan yang cukup
tajam pada tahun 2019-2020 karena dampak pandemi
Covid-19 yang melanda dunia, termasuk Indonesia.

Amount
80:20
100
100
Adam
170
0.3

Berdasarkan parameter tersebut, pemodelan dilakukan
dengan metode LSTM dengan perhatian temporal.
Gambar 5 menunjukkan visualisasi model prediksi
yang dihasilkan.

Gambar 5. Hasil Model Prediksi LSTM with Temporal Attention
Gambar 3. Tren Kunjungan Wisatawan Setiap Tahun

Gambar 4 menunjukkan rata-rata jumlah kunjungan
wisatawan setiap bulannya. Terlihat bahwa jumlah
kunjungan wisatawan tertinggi terjadi pada bulan
Desember, yang kemungkinan terjadi karena pada
bulan tersebut seluruh dunia sedang libur akhir tahun.
Setelah melakukan proses EDA, langkah berikutnya
adalah
melakukan
eksperimen
pemodelan
menggunakan metode LSTM, dengan memanfaatkan
bahasa pemrograman Python dan dukungan Google
Colab untuk proses komputasinya. Pembagian data
untuk pelatihan dan pengujian dilakukan dengan rasio

Kinerja model dinilai dengan menggunakan metode
Root Mean Square Error (RMSE) dan Mean Absolute
Error (MAE), yang bertujuan untuk mengukur tingkat
akurasi model dalam memprediksi jumlah kunjungan
wisatawan. Nilai error model yang dirancang memiliki
nilai RMSE sebesar: 32208867.139 dan nilai MAE
sebesar MAE: 5099.219. Dapat disimpulkan bahwa
masih perlu dilakukan perbaikan baik dari segi data
maupun parameter pada model LSTM.
Berdasarkan hasil percobaan pertama, pada penelitian
ini kami mencoba menghilangkan data outlier pada
dataset sebelumnya dikarenakan adanya penurunan
jumlah wisatawan yang cukup drastis pada masa

DOI: https://doi.org/10.38204/tematik.v11i2.2086
Lisensi: Creative Commons Attribution 4.0 International (CC BY 4.0)
192

Nadya Safitri, Rully Pramudita, Saludin Muis, Fitri Shafirawati, Muhammad Seno Anggoro
Tematik: Jurnal Teknologi Informasi Komunikasi (e-Journal) Vol. 11 No. 2 (2024)
pandemi Covid-19, kami mencoba menguji kembali
dengan harapan mendapatkan hasil model yang lebih
baik. Percobaan kedua menghapus data dari bulan
Maret 2020 sampai dengan Februari 2024. Pada
percobaan kedua, parameter yang diubah hanya pada
ukuran batch saja yang disesuaikan dengan jumlah
sampel data. Gambar 6 mengilustrasikan hasil
percobaan kedua.

percobaan tambahan ini nilai RMSE dan MAE
mengalami perbaikan, pada percobaan kedua
menghasilkan nilai RMSE sebesar 12492923,517 dan
nilai MAE sebesar 2912,475. Pada penelitian
selanjutnya diharapkan adanya dataset dengan kurun
waktu pasca massa covid yang panjang dimana dataset
tersebut terbebas dari kejadian abnormal sehingga
diperoleh model yang lebih tepat, dan diusulkan untuk
melakukan percobaan dengan penggunaan model yang
lain agar diperoleh model prediksi yang lebih baik
dengan dataset yang sama, atau penggunaan dataset lain
dengan jumlah yang lebih banyak dengan harapan
model dapat memperoleh pola yang lebih baik.
Ucapan Terimakasih

Gambar 6. Hasil Model Prediksi LSTM with Temporal Attention
setelah menghilangkan data outlier

Percobaan kedua menghasilkan nilai RMSE sebesar
12492923.517 dan nilai MAE sebesar 2912.475.
Berdasarkan hasil percobaan kedua tersebut evaluasi
model memiliki nilai error yang lebih rendah.
Dapat disimpulkan bahwa RMSE dan MAE dapat
digunakan untuk mengevaluasi model LSTM,
percobaan penghilangan data outlier ternyata
memberikan dampak yang signifikan terhadap nilai
RMSE dan MAE yang diperoleh, dengan
kecenderungan penurunan nilai error. Maka dapat
disimpulkan bahwa data outlier pada data time series
perlu dihilangkan untuk meningkatkan kinerja model.

Kami mengucapkan terima kasih kepada Direktorat
Riset, Teknologi, dan Pengabdian kepada Masyarakat
(DRTPM) atas dukungannya dalam pendanaan
penelitian ini melalui program Pendanaan Program
Penelitian dan Pengabdian kepada Masyarakat Tahun
Anggaran 2024.
Daftar Rujukan
[1]

[2]

[3]
[4]

4. Kesimpulan
[5]

Penelitian ini berhasil melakukan setiap tahapan mulai
dari penyiapan data, pemodelan deep learning dan
diakhiri dengan evaluasi model. Dari hasil percobaan
yang telah dilakukan, dapat disimpulkan bahwa model
LSTM dengan temporal attention dapat memprediksi
data kunjungan wisatawan di Provinsi Jawa Barat,
Implementasi model LSTM dalam memprediksi data
time series, tidak dapat ditentukan batasan tingkat
akurasi, hal ini dikarenakan untuk model LSTM dalam
memprediksi data time series, model LSTM dinyatakan
layak, apabila mampu mengikuti tren pergerakan data
time series dan tidak kehilangan momentum ketika data
time series berperilaku fluktuatif. Sedangkan untuk
memperkecil nilai RMSE dan MSE yang perlu
dilakukan melalui proses optimalisasi model. Hasil
evaluasi model menunjukkan nilai RMSE sebesar
32208867,139 dan nilai MAE sebesar 5099,219.
Dengan hasil tersebut maka dilakukan percobaan
tambahan dengan membuang data outlier agar dapat
meningkatkan kinerja model. Terbukti dengan

[6]

[7]

[8]

[9]

[10]

[11]

M. F. F. Mardianto, “Prediksi Kedatangan Wisatawan
Mancanegara yang Dikaitkan dengan Potensi Wisata Halal
di Indonesia,” Unair News, Surabaya, Nov. 2019. [Online].
Available:
https://unair.ac.id/prediksi-kedatanganwisatawan-mancanegara-yang-dikaitkan-dengan-potensiwisata-halal-di-indonesia/
Tim BPS Jabar, “Jumlah Kunjungan Wisatawan Ke Objek
Wisata (Orang), 2021-2023,” Badan Pusat Statistik, 2023.
Jumlah Kunjungan Wisatawan Ke Objek Wisata (Orang),
2021-2023 (accessed Mar. 27, 2024).
I. K. Suwena and I. G. N. Widyatmaja, Pengetahuan Dasar
Ilmu Pariwisata. Pustaka Larasan, 2017.
F. Saladan, A. Michael, and F. B. Gallaran, “Prediksi
Jumlah Kunjungan Wisatawan Di Toraja Utara
Menggunakan Metode Long Short Term Memory,” vol. 3,
no. 1, pp. 11–20, 2023, doi: 10.47178/infinity.v3i1.2189.
J.D.Hamilton, Time series analysis. Princeton university
press, 2020.
B. Lim and S. Zohren, “Time-series forecasting with deep
learning: A survey,” Philos. Trans. R. Soc. A Math. Phys.
Eng. Sci., vol. 379, no. 2194, 2021, doi:
10.1098/rsta.2020.0209.
H. Liu, “Intelligent Tourism Information Service Model
considering Tourist Experience in the Environment of
Internet of Things,” Comput. Intell. Neurosci., vol. 2022,
2022, doi: 10.1155/2022/5252218.
F. Fahira and C. Prianto, “Prediksi Pola Kedatangan Turis
Mancanegara dan Menganalisis Ulasan Tripadvisor dengan
LSTM dan LDA,” J. Tekno Insentif, vol. 17, no. 2, pp. 69–
83, 2023, doi: 10.36787/jti.v17i2.1096.
H. Mukhtar, Y. Rizki, F. A. Wenando, and M. Abdul Al
Aziz, “Prediksi Kunjungan Wisatawan Ke Indonesia
Dengan Reduksi Noise Pada Mesin Pencari Menggunakan
Metode Hilbert Huang Transform,” J. Fasilkom, vol. 12,
no. 3, pp. 152–159, 2022, doi: 10.37859/jf.v12i3.4332.
D. R. Roosaputri and C. Dewi, “Perbandingan Algoritma
ARIMA, Prophet, dan LSTM dalam Prediksi Penjualan
Tiket Wisata Taman Hiburan (Studi Kasus : Saloka Theme
Park),” J. Penerapan Sist. Inf. (Komputer Manajemen), vol.
4, no. 3, pp. 507–517, 2023.
L. Wiranda and M. Sadikin, “Penerapan Long Short Term
Memory pada Data Time Series untuk Memprediksi

DOI: https://doi.org/10.38204/tematik.v11i2.2086
Lisensi: Creative Commons Attribution 4.0 International (CC BY 4.0)
193

Nadya Safitri, Rully Pramudita, Saludin Muis, Fitri Shafirawati, Muhammad Seno Anggoro
Tematik: Jurnal Teknologi Informasi Komunikasi (e-Journal) Vol. 11 No. 2 (2024)

[12]

[13]

[14]

[15]

[16]

Penjualan Produk PT. Metiska Farma,” J. Nas. Pendidik.
Tek. Inform., vol. 8, no. 3, pp. 184–196, 2019.
M. Musfiroh, D. C. R. Novitasari, P. K. Intan, and G. G.
Wisnawa, “Penerapan Metode Principal Component
Analysis (PCA) dan Long Short-Term Memory (LSTM)
dalam Memprediksi Prediksi Curah Hujan Harian,” Build.
Informatics, Technol. Sci., vol. 5, no. 1, pp. 1–11, 2023, doi:
10.47065/bits.v5i1.3114.
C. Rusmana, Kusrini, and Kusnawi, “Penggunaan Variabel
Event dan Libur Sekolah Dalam Memprediksi Wisatawan
Dengan Metode LSTM,” J. Fasilkom, vol. 13, no. 02, pp.
88–95, 2023, doi: 10.37859/jf.v13i02.4974.
L. Iben Nasr, A. Masmoudi, and L. Hadrich Belguith,
“Natural Tunisian Speech Preprocessing for Features
Extraction,” in 2023 IEEE/ACIS 23rd International
Conference on Computer and Information Science (ICIS),
2023, pp. 73–78. doi: 10.1109/ICIS57766.2023.10210270.
N. Selle, N. Yudistira, and C. Dewi, “Perbandingan
Prediksi Penggunaan Listrik dengan Menggunakan Metode
Long Short Term Memory (LSTM) dan Recurrent Neural
Network (RNN),” J. Teknol. Inf. dan Ilmu Komput., vol. 9,
no. 1, pp. 155–162, 2022, doi: 10.25126/jtiik.2022915585.
S. S. Nurashila, F. Hamami, and T. F. Kusumasari,
“Perbandingan Kinerja Algoritma Recurrent Neural
Network (Rnn) Dan Long Short-Term Memory (Lstm):
Studi Kasus Prediksi Kemacetan Lalu Lintas Jaringan Pt

[17]

[18]

[19]

[20]

Xyz,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform.,
vol.
8,
no.
3,
pp.
864–877,
2023,
doi:
10.29100/jipi.v8i3.3961.
M. A. Ridla, N. Azise, and M. Rahman, “Perbandingan
Model Time Series Forecasting Dalam Memprediksi
Jumlah Kedatangan Wisatawan Dan Penumpang Airport,”
Simkom, vol. 8, no. 1, pp. 1–14, 2023, doi:
10.51717/simkom.v8i1.103.
M. L. Pratama and H. Utama, “Pendekatan Deep Learning
Menggunakan Metode Lstm Untuk Prediksi Harga
Bitcoin,” Indones. J. Comput. Sci. Res., vol. 2, no. 2, pp.
43–50, 2023, doi: 10.59095/ijcsr.v2i2.77.
T. A. Faisal Muhammad and M. I. Irawan, “Implementasi
Long Short-Term Memory (LSTM) untuk Prediksi
Intensitas Curah Hujan (Studi Kasus: Kabupaten Malang),”
J. Sains dan Seni ITS, vol. 12, no. 1, 2023, doi:
10.12962/j23373520.v12i1.106892.
M. Marwondo and T. Hidayah, “Perbandingan Algoritma
Long Short-Term Memory (LSTM) dan Gated Recurrent
Unit (GRU) Untuk Prediksi Harga Emas Dunia,” In Search,
vol. 21, no. 2, pp. 230–239, 2023, doi:
10.37278/insearch.v21i2.600.

DOI: https://doi.org/10.38204/tematik.v11i2.2086
Lisensi: Creative Commons Attribution 4.0 International (CC BY 4.0)
194