<![CDATA[Sektor pariwisata Indonesia menghadapi fluktuasi signifikan dalam kunjungan wisatawan, yang dipengaruhi oleh berbagai faktor ekonomi, lingkungan, dan sosial. Penelitian ini mengembangkan model Adaptive LightGBM with Anomaly Detection and Multi-Task Learning (ALAD-MTL) untuk memprediksi kunjungan wisatawan domestik tahunan di tingkat provinsi dan mengidentifikasi pola kunjungan yang tidak normal. Model ini mengintegrasikan data statistik multi-domain (ekonomi, lingkungan, transportasi, fiskal) dan data media sosial (Twitter) yang kaya sentimen. Data mentah diolah dan dinormalisasi ke dalam format panjang, dengan data Twitter menjalani ekstraksi fitur sentimen menggunakan model RoBERTa berbahasa Indonesia dan agregasi. Semua data kemudian digabungkan ke dalam master_df dengan granularitas provinsi-tahunan. Model LightGBM dioptimalkan melalui penyetelan hyperparameter dan dievaluasi menggunakan metrik MAE, RMSE, R-squared, dan MAPE. Deteksi anomali diimplementasikan berdasarkan residual Z-Score dan Isolation Forest. Multi-Task Learning disimulasikan dengan melatih model LightGBM terpisah untuk tugas-tugas terkait (misalnya, Tingkat Hunian Hotel Bintang, Jumlah Tamu Hotel Asing) menggunakan set fitur yang sama. Hasil menunjukkan model mencapai R-squared tinggi (misalnya, >0.96 untuk tugas utama) dengan MAPE yang kompetitif, menunjukkan kemampuan prediksi pola yang kuat.]]>
Copyrights © 2025
