Pemanfaatan Data Google Trends untuk Meramalkan Jumlah Kedatangan Wisatawan Mancanegara ke Bali Menggunakan Metode Support Vector Regression

Winardiansyah, Rachmat (2023) Pemanfaatan Data Google Trends untuk Meramalkan Jumlah Kedatangan Wisatawan Mancanegara ke Bali Menggunakan Metode Support Vector Regression. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 06211940000042-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (4MB) | Request a copy

Abstract

Sektor pariwisata merupakan sektor andalan Indonesia dalam hal penerimaan devisa negara. Provinsi Bali masih menjadi penyumbang terbesar pada sektor tersebut. Keunikan alam dan budaya yang dimiliki Bali menjadi daya tarik wisatawan mancanegara untuk berkunjung. Namun, adanya pandemi Covid-19 pada tahun 2020 hingga 2021 menyebabkan penurunan jumlah wisatawan mancanegara secara drastis. Seiring dengan melandainya kasus Covid-19 pada awal tahun 2022, jumlah wisatawan mancanegara sudah mengalami peningkatan kembali. Sehingga, diperlukan peramalan terhadap kedatangan wisatawan sebagai upaya pemulihan ekonomi yang tepat. Penelitian ini bertujuan untuk meramalkan jumlah kedatangan wisatawan mancanegara ke Bali dengan memanfaatkan data Google Trends. Metode yang digunakan adalah Support Vector Regression dengan kernel Radial Basis Function dan Polynomial, sedangkan penentuan lag dari variabel input menggunakan metode statistika seperti Partial Autocorrelation Function (PACF) dan Cross Correlation Function (CCF), serta metode percobaan. Dalam mengevaluasi hasil peramalan, digunakan ukuran Root Mean Square Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Hasil penelitian ini adalah model peramalan yang memanfaatkan data Google Trends selalu menunjukkan hasil peramalan yang lebih baik daripada model peramalan yang hanya menggunakan data official statistics terkait jumlah kedatangan wisatawan mancanegara di masa lalu. Model peramalan dengan penggunaan kernel Polynomial dan penentuan lag dari variabel input menggunakan metode PACF dan CCF menghasilkan hasil peramalan yang terbaik dengan nilai RMSE dan MAPE untuk data out-of-sample masing-masing sebesar 33.410,91 dan 6,08%.
========================================================================================================================
The primary source of foreign exchange for Indonesia is the tourist industry. The province of Bali continues to be the main contributor to this industry. The natural and cultural diversity of Bali draws in visitors from other countries. But from 2020 to 2021, the Covid-19 pandemic caused a sharp decline in the number of foreign visitors. However, the number of foreign visitors has increased significantly as the Covid-19 case began to decline in early 2022. As a result, forecasting visitor arrivals is essential for a successful economic recovery strategy. This study utilizes data from Google Trends to forecast the number of foreign visitors in Bali. Support Vector Regression using Radial Basis Function and Polynomial kernel is the method used, and the lag of the input variables is determined using both experimental and statistical methods, such as Partial Autocorrelation Function (PACF) and Cross Correlation Function (CCF). The Mean Absolute Percentage Error (MAPE) and Root Mean Square Error (RMSE) measurements are used to assess the forecasting results. According to the findings of this study, forecasting modelsthat use Google Trends data consistently outperform forecasting models that rely solely on official statistics data about the number of foreign visitor arrivals in the past. The forecasting model using the Polynomial kernel and determining the lag of the input variable using the PACF and CCF methods produces the best forecasting results with RMSE and MAPE values for out-of-sample data of 33.410,91 and 6,08%, respectively.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Bali, Forecasting, Google Trends, Support Vector Regression, Tourist, Bali, Google Trends, Peramalan, Support Vector Regression, Wisatawan
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning.
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User:	Rachmat Winardiansyah
Date Deposited:	30 Aug 2023 04:59
Last Modified:	30 Aug 2023 04:59
URI:	http://repository.its.ac.id/id/eprint/104545

Actions (login required)

View Item