Pengaruh Faktor Eksternal terhadap Prediksi Kunjungan Wisatawan Domestik di Indonesia Menggunakan STL-GRU

Azzahra, Nailah (2026) Pengaruh Faktor Eksternal terhadap Prediksi Kunjungan Wisatawan Domestik di Indonesia Menggunakan STL-GRU. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5026221010-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (9MB) | Request a copy

Abstract

Sektor pariwisata merupakan katalis vital pemulihan ekonomi nasional pascapandemi, namun memiliki karakteristik permintaan yang sangat fluktuatif dan rentan terhadap gangguan eksternal. Mengingat sifat produk pariwisata yang perishable (tidak dapat disimpan), akurasi peramalan menjadi krusial untuk mencegah kerugian operasional akibat ketidakpastian pasar. Dinamika kunjungan wisatawan domestik tidak hanya dipengaruhi oleh pola historis, tetapi juga oleh variabel eksogen seperti kondisi ekonomi sampai dengan minat pencarian daring. Oleh karena itu, tugas akhir ini bertujuan membangun dan mengevaluasi model peramalan jumlah kedatangan wisatawan domestik harian dengan pendekatan hybrid Seasonal-Trend Decomposition using Loess dan Gated Recurrent Unit (STL-GRU) dengan mempertimbangkan kausalitas variabel eksternal berupa inflasi, curah hujan, hari libur, dan keywords Google Trends pada tiga wilayah studi, yakni DKI Jakarta, DI Yogyakarta, dan Bali. Data bulanan didisagregasi menjadi harian menggunakan ARES, kemudian didekomposisi dengan STL dan dipelajari menggunakan GRU. Evaluasi dilakukan melalui metrik galat dan uji Diebold-Mariano untuk membandingkan skema univariat, Only Feature (bivariat), dan multivariat, serta untuk menilai peran fitur eksternal melalui mekanisme pengujian aditif dan subtraktif (ablasi). Hasil evaluasi menunjukkan bahwa tidak terdapat konfigurasi tunggal yang optimal untuk seluruh wilayah. Berdasarkan pola galat, DKI Jakarta cenderung stabil pada rasio data latih menengah hingga tinggi (70-80%) dengan memori jangka pendek (sekitar 30 hari), DI Yogyakarta lebih optimal pada rasio data latih lebih rendah (sekitar 50%) karena komposisi data lebih representatif terhadap perubahan pola pascapandemi, sedangkan Bali membutuhkan rasio data latih tinggi (70-80%) dan memori lebih panjang (sekitar 90 hari) untuk menangkap pola musiman. Uji signifikansi menegaskan bahwa penambahan fitur eksternal secara masif dalam model multivariat cenderung menurunkan akurasi akibat redundansi informasi dan noise antarfitur. Sebaliknya, seleksi fitur yang spesifik per wilayah lebih efektif, dimana DKI Jakarta paling konsisten dipengaruhi curah hujan dan hari libur, DI Yogyakarta dipengaruhi intensi digital yang umum melalui Google Trends “Wisata”, serta Bali menunjukkan kontribusi eksternal yang selektif, dengan curah hujan sebagai kandidat yang menjanjikan dan keyword terkait logistik perjalanan sebagai fitur komplementer. Secara keseluruhan, pendekatan STL-GRU mampu menghasilkan prediksi yang sangat akurat pada konfigurasi optimal, dengan stabilitas yang lebih baik ketika menggunakan konfigurasi hyperparameter dan fitur yang terkurasi sesuai karakter wilayah.
============================================================================================================================
Tourism is a vital catalyst for post-pandemic national economic recovery, yet its demand is highly volatile and vulnerable to external shocks. Given the perishable nature of tourism products, accurate forecasting is crucial to reduce operational losses arising from market uncertainty. Domestic tourist arrivals are driven not only by historical patterns but also by exogenous factors ranging from economic conditions to online search interest. Therefore, this study develops and evaluates a daily domestic tourist arrival forecasting model using a hybrid Seasonal-Trend Decomposition using Loess and Gated Recurrent Unit (STL-GRU) framework, incorporating external variables including inflation, rainfall, holidays, and Google Trends keywords across three study areas, namely DKI Jakarta, DI Yogyakarta, and Bali. Monthly data are disaggregated into daily series using ARES, then decomposed via STL and learned using a GRU network. Model performance is assessed using error metrics and the Diebold-Mariano test to compare univariate, Only Feature (bivariate), and multivariate schemes, and to quantify the contribution of external features through additive and subtractive (ablation) testing. The results indicate that no single configuration is optimal across all regions. Based on error patterns, DKI Jakarta tends to be more stable with medium-to-high training ratios (70-80%) and short memory windows (around 30 days), DI Yogyakarta performs better with a lower training ratio (around 50%) due to a more representative composition of post-pandemic changes, while Bali requires high training ratios (70-80%) and longer memory windows (around 90 days) to capture seasonal dynamics. Significance testing further shows that adding all external features simultaneously in a multivariate model often reduces accuracy due to information redundancy and inter-feature noise. In contrast, region-specific feature selection is more effective. DKI Jakarta is most consistently influenced by rainfall and holidays features, DI Yogyakarta by broad digital intent captured through the Google Trends keyword “Wisata,” and Bali by selective external contributions, with rainfall feature as a promising candidate and logisticsrelated keywords as complementary signals. Overall, the STL-GRU approach can deliver highly accurate predictions under optimal configurations, with improved stability when hyperparameters and features are curated to match regional characteristics.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Fitur Eksternal, GRU, Peramalan, STL, Wisatawan Domestik, Domestic Tourists, External Features, Forecasting, GRU, STL
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > QA Mathematics > QA276 Mathematical statistics. Time-series analysis. Failure time data analysis. Survival analysis (Biometry) Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Nailah Azzahra Azzahra
Date Deposited:	19 Jan 2026 05:38
Last Modified:	19 Jan 2026 05:38
URI:	http://repository.its.ac.id/id/eprint/129717

Actions (login required)

View Item