Prediksi Jumlah Wisatawan Mancanegara Ke Indonesia Berdasarkan Kebangsaan Menggunakan SARIMA
Article Sidebar
Read Counter : 69
Download : 48
Main Article Content
Abstract
Penelitian ini bertujuan untuk memprediksi jumlah wisatawan mancanegara ke Indonesia berdasarkan kebangsaan menggunakan model Seasonal Autoregressive Integrated Moving Average (SARIMA). Data yang digunakan adalah kunjungan wisatawan dari berbagai negara ke beberapa kota utama di Indonesia. Hasil analisis menunjukkan bahwa model SARIMA (1,1,1)(1,1,1,12) memberikan performa terbaik untuk prediksi jumlah wisatawan dengan pola musiman yang konsisten. Model ini menunjukkan akurasi yang tinggi, terutama pada beberapa pasangan kota dan kebangsaan tertentu. Tiga pasangan dengan nilai Mean Absolute Error (MAE) terkecil adalah wisatawan asal Vietnam di Medan dengan MAE sebesar 85,24, wisatawan Australia di Surabaya dengan MAE 756,971, dan wisatawan Filipina di Yogyakarta dengan MAE 411,736. Hasil ini menunjukkan bahwa model SARIMA (1,1,1)(1,1,1,12) dapat menjadi pilihan yang efektif untuk memprediksi jumlah kunjungan wisatawan mancanegara di Indonesia, khususnya untuk kebangsaan dan kota yang memiliki pola kunjungan yang stabil.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
This work is licensed under a Jurnal Komunikasi Creative Commons Attribution-ShareAlike 4.0 International License.
References
[1] S. Paludi, “SETAHUN PANDEMI COVID-19 DAN DAMPAKNYA TERHADAP INDUSTRI PARIWISATA INDONESIA,” Equilibrium: Jurnal Penelitian Pendidikan dan Ekonomi, vol. 19, no. 01, 2022, doi: 10.25134/equi.v19i01.4337.
[2] Muchammad Satrio Wibowo and L. A. Belia, “Partisipasi Masyarakat Dalam Pengembangan Pariwisata Berkelanjutan,” Jurnal Manajemen Perhotelan dan Pariwisata, vol. 6, no. 1, pp. 25–32, Mar. 2023, doi: 10.23887/jmpp.v6i1.58108.
[3] Tiara Dita Puspita and Vivaldy Ismail, “Analisis Strategi Pengembangan Digital Tourism Sebagai Promosi Pariwisata,” Gemawisata: Jurnal Ilmiah Pariwisata, vol. 19, no. 1, 2023, doi: 10.56910/gemawisata.v19i1.262.
[4] R. E. Caraka et al., “Connectivity, sport events, and tourism development of Mandalika’s special economic zone: A perspective from big data cognitive analytics,” Cogent Business & Management, vol. 10, no. 1, p. 2183565, Dec. 2023, doi: 10.1080/23311975.2023.2183565.
[5] D. A. D. Nasution, E. Erlina, and I. Muda, “Dampak Pandemi COVID-19 terhadap Perekonomian Indonesia,” Jurnal Benefita, vol. 5, no. 2, 2020, doi: 10.22216/jbe.v5i2.5313.
[6] A. Rusmini, S. Tinggi, and P. Ambarrukmo, “GAMBARAN DAMPAK PANDEMI COVID-19 TERHADAP DESTINASI DAN PARIWISATA DI INDONESIA.”
[7] D. T. Anggarini, “UPAYA PEMULIHAN INDUSTRI PARIWISATA DALAM SITUASI PANDEMI COVID -19,” Jurnal Pariwisata, vol. 8, no. 1, 2021, doi: 10.31294/par.v8i1.9809.
[8] S. Saadah, K. Shaleh, D. Arwaty, F. Sukmawati, R. F. Mulyawan, and D. Nababan, “Analisis Sektor Industri Pariwisata Yang Terdampak Covid – 19 Dan Upaya Pemulihan Ekonomi Indonesia Dari Sektor Pariwisata,” Jesya, vol. 6, no. 1, 2023, doi: 10.36778/jesya.v6i1.914.
[9] T. Nguyen-Da, Y. M. Li, C. L. Peng, M. Y. Cho, and P. Nguyen-Thanh, “Tourism Demand Prediction after COVID-19 with Deep Learning Hybrid CNN–LSTM—Case Study of Vietnam and Provinces,” Sustainability 2023, Vol. 15, Page 7179, vol. 15, no. 9, p. 7179, Apr. 2023, doi: 10.3390/SU15097179.
[10] B. S. Pratama, A. F. Suryono, N. Auliyah, and N. Chamidah, “COMPARISON OF LOCAL POLYNOMIAL REGRESSION AND ARIMA IN PREDICTING THE NUMBER OF FOREIGN TOURIST VISITS TO INDONESIA,” BAREKENG: Jurnal Ilmu Matematika dan Terapan, vol. 18, no. 1, 2024, doi: 10.30598/barekengvol18iss1pp0043-0052.
[11] L. Tugas Akhir, “Prediksi Kedatangan Wisatawan Mancanegara di Bali Menggunakan Algoritma Support Vector Machine dan Regresi Linear”, Accessed: Aug. 28, 2024. [Online]. Available: https://lib.mercubuana.ac.id
[12] Indra Gunawan, Dwi Purnomo Putro, and Adhika Pramita Widyassari , “Can Google Trends(GT) be used to predict tourist arrivals?: FB Prophet Machine Learning(ML) for Predicting Tourist Arrivals,” INTERNATIONAL CONFERENCE ON DIGITAL ADVANCE TOURISM, MANAGEMENT AND TECHNOLOGY, vol. 1, no. 1, 2023, doi: 10.56910/ictmt.v1i1.57.
[13] F. Astuti, R. Dwi Bekti, A. Arianita, B. Keliat, T. I. Sebo, and A. History, “Backpropagation algorithm modeling to predict the number of foreign tourist visits to indonesia via air gates ARTICLE INFO ABSTRACT,” Desimal: Jurnal Matematika, vol. 6, pp. 337–348, 2023, doi: 10.24042/djm.
[14] D. R. Lyngkhoi, S. B. Singh, R. Singh, and H. Tyngkan, “Trend Analysis of Milk Production in India,” Asian Journal of Dairy and Food Research, vol. 41, no. 2, 2022, doi: 10.18805/ajdfr.DR-1789.
[15] F. E. Mokorimban, N. Nainggolan, Y. A. R. Langi, and K. Kunci, “Penerapan Metode Autoregressive Integrated Moving Average (ARIMA) dalam Model Intervensi Fungsi Step terhadap Indeks Harga Konsumen di Kota Manado,” d’Cartesian: Jurnal Matematika dan Aplikasi, vol. 10, no. 2, pp. 91–99, Sep. 2021, doi: 10.35799/DC.10.2.2021.34969.
[16] K. R. A. Muslihin and B. N. Ruchjana, “Model Autoregressive Moving Average (ARMA) untuk Peramalan Tingkat Inflasi di Indonesia,” Limits: Journal of Mathematics and Its Applications, vol. 20, no. 2, p. 209, Jul. 2023, doi: 10.12962/limits.v20i2.15098.
[17] J. Liu, Z. Zhao, Y. Zhong, C. Zhao, and G. Zhang, “Prediction of the dissolved gas concentration in power transformer oil based on SARIMA model,” Energy Reports, vol. 8, 2022, doi: 10.1016/j.egyr.2022.03.020.