Sistem Rekomendasi Destinasi Wisata Berbasis Web Terintegrasi Rute Trans Jogja Menggunakan Metodologi CRISP-DM dan Algoritma Estimasi ETA
Tahun 2026 · Penulis: Khisan Afif Ainur Rohim
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/12717
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Daerah Istimewa Yogyakarta (DIY) mencatat 38.030.739 perjalanan wisatawan nusantara pada tahun 2024 dan 1.459.542 kunjungan selama libur Lebaran 2025, menjadikannya salah satu destinasi wisata terbesar di Indonesia. Trans Jogja sebagai layanan bus rapid transit dengan 20 koridor, 273 halte yang beroperasi, dan 119 unit armada mengalami pertumbuhan penumpang sebesar 19,6% dari 24.549 menjadi 29.368 penumpang per hari antara 2024 dan 2025. Meski demikian, wisatawan masih kesulitan menghubungkan informasi destinasi wisata, halte terdekat, koridor yang tersedia, dan estimasi waktu perjalanan secara mandiri untuk menyusun rencana kunjungan yang realistis. Penelitian ini bertujuan: (1) merancang dan membangun sistem rekomendasi destinasi wisata berbasis web yang mengintegrasikan data destinasi, halte, rute Trans Jogja, dan estimasi ETA; (2) menerapkan metodologi CRISP-DM pada seluruh tahap pengembangan; dan (3) membangun model ETA berbasis data historis jadwal hasil scraping Moovit sebagai dasar rekomendasi perjalanan wisata. Metode yang digunakan adalah CRISP-DM (Cross-Industry Standard Process for Data Mining) yang mencakup enam tahap: business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Dataset yang digunakan meliputi 480 destinasi wisata, 273 halte kanonikal dari file KML resmi Trans Jogja, dan 31.150 entri jadwal hasil scraping Moovit. Model ETA dibangun menggunakan lookup table berbasis segmen antarhalte dengan Bayesian smoothing. Grid search 5-Fold Cross Validation terhadap 180 kombinasi parameter digunakan untuk memilih konfigurasi optimal. Mekanisme rekomendasi menggunakan weighted ranking enam faktor: ETA total (0,35), jarak berjalan kaki DIGITAL REPOSITORY UNIVERSITAS JEMBER DIGITAL REPOSITORY UNIVERSITAS JEMBER (0,20), jumlah transit (0,20), margin jam operasional (0,10), rating (0,10), dan popularitas (0,05). Hasil penelitian menunjukkan bahwa konfigurasi optimal (bin_size = 120 menit, K = 1,0, min_bin_n = 3) menghasilkan MAE 0,117 menit (≈ 7 detik) dan RMSE 0,779 menit pada data validasi. Nilai MAE ini jauh melampaui target keberhasilan yang ditetapkan (< 5 menit). Konsistensi antara CV RMSE (0,7951) dan hold-out RMSE (0,7787) membuktikan bahwa model tidak mengalami overfitting. Dari 480 POI yang tersedia, 144 destinasi (30,0%) lolos sebagai kandidat aktif setelah penyaringan radius, kategori, dan exclusion pattern. Pengujian pada empat skenario (Malioboro umum, Malioboro budaya, Terminal Jombor keluarga, Bandara Adisutjipto umum) menghasilkan total 48 rekomendasi yang seluruhnya valid—semua smoke test lulus (4/4 PASS). Seluruh 48 rekomendasi berstatus buka pada estimasi waktu kedatangan dan memiliki rute bus atau opsi jalan kaki yang valid. Validasi oleh Dinas Perhubungan DIY mengonfirmasi akurasi data rute dan halte yang digunakan, mengapresiasi penerapan model prediksi waktu berbasis Bayesian smoothing, dan menyatakan rencana konkret untuk mengintegrasikan sistem ini dengan platform Jogja Travel Pass—sebuah platform pembelian tiket wisata Yogyakarta secara online dalam sistem paket yang dikelola Dishub DIY. Validasi oleh masyarakat Yogyakarta dan wisatawan menunjukkan antarmuka yang dinilai simpel, praktis, dan mudah dipahami, dengan rekomendasi yang dinilai wajar dan komprehensif serta sistem secara keseluruhan dinyatakan siap pakai. Penelitian ini membuktikan bahwa data publik sekunder dataset destinasi wisata, file KML resmi Trans Jogja, dan jadwal hasil scraping dapat dipadukan untuk membangun sistem rekomendasi wisata yang operasional dan presisi tanpa memerlukan infrastruktur data real-time, sekaligus membuka peluang replikasi pendekatan ini pada daerah lain dengan layanan BRT yang belum memiliki API real-time.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,789
Tahun 2025 · Penulis: Ivanda Inaroh
Penerapan Algoritma Dijkstra dan Bellman-Ford Untuk Menentukan Rute Terpendek ke Beberapa Objek Wisata di Kabupaten Banyuwangi
Objek wisata adalah suatu tempat yang memiliki daya tarik tertentu serta dapat menarik kunjungan wisatawan. Kabupaten Banyuwangi merupakan salah satu kabupaten di Jawa Timur yang berpotensi untuk dikembangkan menjadi daerah tujuan wisata. Mengutip berita dari
- Cosine 0,783
Tahun 2025 · Penulis: Dina Septy Puspayani
Implementasi Algoritma Dijkstra dalam Menentukan Rute Terpendek Evakuasi Medis Bencana
Respon bencana yang efektif membutuhkan sistem evakuasi medis yang cepat dan akurat, terutama di daerah berisiko tinggi seperti Kabupaten Jember. Salah satu masalah penting dalam evakuasi medis adalah menentukan rute terpendek dari titik evakuasi ke fasilitas
- Cosine 0,763
Tahun 2024 · Penulis: Fitriyatul Mardiyah
Analisis Real Relative Asymmetry pada Masalah Urban Transportation Network menggunakan Konsep Space Syntax, REDS, dan Machine Learning
Penelitian ini membahas topik Real Relative Asymmetry (RRA) pada masalah urban transportation network menggunakan konsep space syntax, REDS, dan mmachine learning. Bebebrapa konsep tersebut digunakan untuk menganalisis tempat yang dianggap tepat dan strategis