Perbandingan Model SVR dan LSTM Berbasis Sentimen Pada Peramalan Jumlah Wisatawan Domestik di Provinsi Bali

Abstract

Peramalan pariwisata merupakan kebutuhan strategis bagi pemerintah daerah dan pemangku kepentingan industri dalam mengelola sumber daya dan merumuskan kebijakan. Penelitian ini membandingkan performa model Support Vector Regression (SVR) dan Long Short-Term Memory (LSTM) yang diperkaya dengan fitur sentimen yang diekstraksi dari berita daring untuk meramalkan jumlah kunjungan wisatawan domestik bulanan di Provinsi Bali pada periode Januari 2014 hingga Desember 2025. Analisis sentimen dilakukan terhadap 3.569 artikel berita pariwisata menggunakan model bahasa pre-trained IndoBERT, menghasilkan rasio positif bulanan sebagai fitur eksogen bersama data historis kunjungan wisatawan dan variabel dummy COVID-19. Kedua model dioptimalkan menggunakan GridSearchCV dengan time series k-fold cross-validation (k=5) dalam skema sliding window. Model SVR dengan hyperparameter optimal (C=100, ?=0,01, e=0,001) menghasilkan MAPE sebesar 10,52% dan WMAPE sebesar 10,46% pada data uji. Model LSTM dengan konfigurasi optimal (units=16, dropout_rate=0,2, batch_size=8, epochs=100) menghasilkan MAPE sebesar 11,00% dan WMAPE sebesar 11,19%. SVR secara konsisten mengungguli LSTM pada data latih maupun data uji, meskipun selisih pada data uji kurang dari 1%. Kedua model menghasilkan MAPE di bawah 15%, ambang batas yang umumnya dianggap memadai untuk keperluan perencanaan pariwisata. Peramalan untuk tahun 2026 mencerminkan pola musiman historis dengan puncak kunjungan diprediksi terjadi pada bulan April dan lembah terendah pada bulan Maret. Temuan ini menunjukkan bahwa SVR dengan fitur yang diperkaya sentimen menawarkan pendekatan yang praktis dan akurat untuk peramalan permintaan pariwisata jangka pendek.