Optimasi Model XGBoost dengan Optuna untuk Prediksi Wisatawan Mancanegara Bandara Kualanamu
Keywords:
XGBoost, Optuna, Prediksi wisman, Time series forecasting, Bandara KualanamuAbstract
Pariwisata merupakan salah satu sektor penting dalam perekonomian Indonesia yang memberikan kontribusi signifikan terhadap pertumbuhan ekonomi melalui peningkatan devisa dan perluasan lapangan kerja. Bandara Internasional Kualanamu sebagai gerbang utama wisatawan mancanegara (wisman) di Sumatera Utara mengalami fluktuasi jumlah kunjungan yang dipengaruhi oleh berbagai faktor ekonomi, sosial, dan global. Penelitian ini bertujuan mengembangkan model prediksi jumlah kunjungan wisman menggunakan algoritma XGBoost yang dioptimasi dengan Optuna untuk meningkatkan akurasi peramalan. Data yang digunakan merupakan data deret waktu bulanan dari Badan Pusat Statistik periode Januari 2008 hingga Desember 2024 dengan total 204 observasi. Proses penelitian meliputi tahap preprocessing data (data cleaning, konversi tipe data, penanganan outlier, dan normalisasi menggunakan Min-Max Scaler), pembagian data dengan rasio 80:20, pemodelan XGBoost, optimasi hyperparameter menggunakan Optuna berbasis TPE, dan evaluasi model menggunakan metrik MAE, RMSE, dan MAPE. Hasil penelitian menunjukkan nilai MAE sebesar 0,1389, RMSE sebesar 0,1652, dan MAPE sebesar 13,89%, yang mengindikasikan performa yang dapat diterima untuk data dengan volatilitas tinggi. Model mampu menangkap tren umum dengan baik, namun memiliki keterbatasan dalam memprediksi fluktuasi tajam dan lonjakan ekstrem pada periode 2023-2024. Penerapan Optuna terbukti efektif dalam meningkatkan efisiensi optimasi hyperparameter. Model ini dapat digunakan untuk mendukung perencanaan strategis pariwisata jangka menengah di Sumatera Utara.
References
I. Rochayati, U. D. Syafitri, I. M. Sumertajaya, and I. J. of S. and I. A. IJSA, “KAJIAN MODEL PERAMALAN KUNJUNGAN WISATAWAN MANCANEGARA DI BANDARA KUALANAMU MEDAN TANPA DAN DENGAN KOVARIAT,” Indonesian Journal of Statistics and Its Applications, vol. 3, no. 1, pp. 18–32, Feb. 2019, doi: 10.29244/ijsa.v3i1.171.
M. Y. Febrian and A. W. Wijayanto, “Prediksi Jumlah Wisatawan Mancanegara Yang Masuk Melalui Bandara Kualanamu Menggunakan Big Data Google Trends,” Seminar Nasional Official Statistics, vol. 2024, no. 1, pp. 851–862, Nov. 2024, doi: 10.34123/semnasoffstat.v2024i1.2273.
H. Mukhtar, R. Muhammad, T. Reny Medikawati, and Yoze Rizki, “Peramalan Kedatangan Wisatawan Mancanegara Ke Indonesia Menurut Kebangsaan Perbulannya Menggunakan Metode Multilayer Perceptron,” Jurnal CoSciTech (Computer Science and Information Technology), vol. 2, no. 2, pp. 113–119, Dec. 2021, doi: 10.37859/coscitech.v2i2.3324.
T. Chen and C. Guestrin, “XGBoost,” in Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, New York, NY, USA: ACM, Aug. 2016, pp. 785–794. doi: 10.1145/2939672.2939785.
A. Prayuda and I. Pratama, “PREDIKSI JUMLAH KEDATANGAN WISATAWAN MANCANEGARA DI INDONESIA BERDASARKAN PINTU MASUK KEDATANGAN UDARA,” Rabit : Jurnal Teknologi dan Sistem Informasi Univrab, vol. 9, no. 2, pp. 232–241, Jul. 2024, doi: 10.36341/rabit.v9i2.4787.
T. Akiba, S. Sano, T. Yanase, T. Ohta, and M. Koyama, “Optuna,” in Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, New York, NY, USA: ACM, Jul. 2019, pp. 2623–2631. doi: 10.1145/3292500.3330701.
Y. Cai, J. Feng, Y. Wang, Y. Ding, Y. Hu, and H. Fang, “The Optuna–LightGBM–XGBoost Model: A Novel Approach for Estimating Carbon Emissions Based on the Electricity–Carbon Nexus,” Applied Sciences, vol. 14, no. 11, p. 4632, May 2024, doi: 10.3390/app14114632.
T. O. Hodson, “Root-mean-square error (RMSE) or mean absolute error (MAE): when to use them or not,” Geosci Model Dev, vol. 15, no. 14, pp. 5481–5487, Jul. 2022, doi: 10.5194/gmd-15-5481-2022.
Nurdin, N. Suarna, and W. Prihartono, “ALGORITMA REGRESI LINIER SEDERHANA UNTUK PREDIKSI PENGGUNAAN VOLUME AIR BERDASARKAN JENIS PELANGGAN PDAM,” Jurnal Kecerdasan Buatan dan Teknologi Informasi, vol. 4, no. 1, pp. 43–52, Jan. 2025, doi: 10.69916/jkbti.v4i1.187.
A. V Tatachar, “Comparative Assessment of Regression Models Based On Model Evaluation Metrics,” International Research Journal of Engineering and Technology, 2021, [Online]. Available: www.irjet.net
D. Chicco, M. J. Warrens, and G. Jurman, “The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation,” PeerJ Comput Sci, vol. 7, p. e623, Jul. 2021, doi: 10.7717/peerj-cs.623.
P. Goodwin and R. Lawton, “On the asymmetry of the symmetric MAPE,” Int J Forecast, vol. 15, no. 4, pp. 405–408, Oct. 1999, doi: 10.1016/S0169-2070(99)00007-2.
