Ilustrasi AIP (Artikel Ilmiah Populer) (Foto: UNAIR NEWS)

Data Terbatas Bukan Halangan: Langkah Inovatif Meningkatkan Presisi Prediksi Pariwisata

86 Views•3 minutes read

Sektor pariwisata memegang peranan yang sangat penting dalam memacu pertumbuhan ekonomi Indonesia melalui pergerakan wisatawan nusantara. Aktivitas ini memberikan dampak berganda terhadap berbagai bidang, mulai dari usaha mikro, kecil, dan menengah (UMKM), industri kreatif, hingga pendapatan asli daerah. Oleh karena itu, kemampuan untuk memprediksi jumlah kunjungan wisatawan secara akurat menjadi kebutuhan yang sangat strategis bagi pemangku kepentingan dalam merancang perencanaan infrastruktur, strategi pemasaran, serta alokasi sumber daya secara tepat guna.

Sayangnya, upaya untuk menghasilkan prediksi yang presisi sering kali terkendala oleh terbatasnya ketersediaan data historis. Keterbatasan jumlah data deret waktu ini menjadi tantangan besar, khususnya bagi pemodelan berbasis kecerdasan buatan seperti Deep Learning. Model cerdas modern umumnya membutuhkan volume data yang cukup besar untuk dapat mengenali pola temporer secara optimal, sehingga rentan mengalami kegagalan atau overfitting saat diterapkan pada data deret waktu yang relatif pendek.

Guna mengatasi tantangan tersebut, beberapa model telah dibandingkan untuk mengevaluasi efektivitas teknik data augmentation berbasis interpolasi linier pada pemodelan prediksi. Model yang dibandingkan adalah SARIMA dengan beberapa variasi model Long Short-Term Memory (LSTM). Variasi tersebut mencakup model LSTM tanpa augmentasi serta model yang diperkaya dengan skema single interpolation dan triple interpolation.

Hasil evaluasi menunjukkan bahwa penggunaan data asli tanpa augmentasi menyebabkan model LSTM gagal memprediksi dengan baik, bahkan menghasilkan akurasi yang lebih buruk dibandingkan tebakan konvensional sederhana. Ketersediaan sampel data asli yang terbatas terbukti tidak mencukupi bagi jaringan syaraf LSTM untuk mempelajari ketergantungan pola jangka panjang secara presisi. Hal ini menegaskan bahwa penerapan strategi penambahan data bukan lagi sekadar pilihan opsional, melainkan sebuah kebutuhan mendasar saat berhadapan dengan himpunan data yang sangat terbatas.

Sebaliknya, penerapan teknik triple interpolation memberikan peningkatan akurasi yang sangat signifikan pada model LSTM. Model ini berhasil mencapai MAPE yang sangat rendah, yaitu sebesar 2,6%, jauh melampaui performa model SARIMA yang berada pada angka 8,0%. Penambahan titik data melalui interpolasi linier mampu memperkuat sinyal autokorelasi tanpa merusak distribusi dasar data, sehingga memungkinkan LSTM menangkap dinamika tren dan lonjakan drastis kunjungan wisatawan dengan jauh lebih akurat.

Meskipun model LSTM dengan interpolasi mingguan membutuhkan waktu komputasi yang lebih lama dibandingkan model statistik SARIMA, efisiensi akurasi yang dihasilkan sangat sepadan. Temuan ini memberikan kontribusi empiris yang berharga dalam pemodelan data deret waktu di bidang pariwisata. Hasil pengujian ini membuktikan bahwa interpolasi linier dapat menjadi solusi praktis dan efektif dalam menghasilkan estimasi perencanaan ekonomi daerah yang jauh lebih presisi.

Penulis: Dwi Rantini

Informasi detail artikel:

Yandra, M. M. ., Rantini, D., Ramadan, A. ., Widjaja, C. M. ., Muna, A. S. ., & Sesay, A. . (2026). The Power of Interpolation Effects on SARIMA and LSTM: An Indonesia Domestic Forecasting Case Study. Science and Technology Indonesia, 11(4), 1311–1322. https://doi.org/10.26554/sti.2026.11.4.1311-1322


Accessibility ✕
Bahasa Indonesia Bahasa Indonesia English English
Universitas Airlangga
Excellence with Morality
Scroll to Top