Analisis Pola Pergerakan Wisatawan di Bali Berdasarkan Data Geotag Foto pada Situs Flickr

RAFI ATHA GANIZA

Informasi Umum

Kode

20.04.3470

Klasifikasi

006.312 - Data mining

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Data Mining

Dilihat

102 kali

Informasi Lainnya

Abstraksi

Sektor pariwisata merupakan salah satu sektor penyumbang devisa terbesar bagi negara Indonesia. Hal ini dapat dilihat dari data tahun 2018 di mana pariwisata menjadi salah satu sektor andalan karena berhasil menyumbangkan devisa sebesar US$ 20 miliar. Hal tersebut menunjukkan pentingnya peran pariwisata di Indonesia. Bali sebagai provinsi yang mendapatkan sebagian besar pendapatannya dari pariwisata dan menjadi destinasi wisata favorit memiliki peran penting bagi sektor pariwisata di Indonesia terutama dalam mencapai target pemerintah menjadikan pariwisata di Indonesia menjadi yang terbaik di regional. Tujuan dari penelitian ini adalah untuk memberikan wawasan bagi semua stakeholder dalam industri pariwisata terkait karakteristik dan pola pergerakan wisatawan mancanegara di Bali khususnya wilayah metropolitan Sarbagita. Dalam penelitian ini peneliti melakukan identifikasi area of interest (AOI) bagi wisatawan menggunakan DBSCAN pada data berupa geotagged photo yang diunggah pengguna Flickr. Hasil DBSCAN menunjukkan adanya enam AOI yang terletak di Kuta Utara, Ubud, Kuta Selatan, Nusa Dua, Sanur, dan Tanah Lot. Kuta Utara menjadi AOI favorit karena memiliki jumlah kunjungan paling banyak. Penelitian ini juga melakukan identifikasi preferensi waktu kunjungan wisatawan pada setiap AOI, di mana didapatkan bahwa AOI dengan objek wisata berjenis coastal akan mengalami peningkatan jumlah wisatawan pada saat matahari terbenam sedangkan AOI dengan objek wisata rural mengalami penurunan akibat berakhirnya jam operasional pada objek wisata yang berada di AOI tersebut. Terakhir, penelitian ini mengidentifikasi pola pergerakan wisatawan dengan membuat model markov chain untuk memetakan dan memprediksi destinasi wisata yang dikunjungi selanjutnya dari seorang wisatawan, di mana model yang dihasilkan memiliki tingkat akurasi 75,2%. Penelitian selanjutnya dianjurkan untuk menambahkan faktor lain seperti preferensi wisatawan terhadap jenis objek wisata yang ada ke dalam model prediksi untuk meningkatkan akurasi model.

Kata kunci: pola pergerakan wisatawan, Bali, Flickr, DBSCAN, markov chain