Optimasi metode Long Short-Term Memory menggunakan seleksi fitur Boruta untuk memprediksi jumlah kedatangan wisatawan berbasis Google Trends

ABSTRAK

Prediksi jumlah kedatangan wisatawan secara akurat sangat penting dalam mendukung perencanaan strategis dan pengambilan kebijakan di sektor pariwisata. Penelitian ini bertujuan untuk mengoptimalkan performa model prediksi berbasis Long Short-Term Memory (LSTM) dengan menerapkan seleksi fitur menggunakan algoritma Boruta. Tiga pendekatan dibandingkan, yaitu LSTM univariate, LSTM multivariate dengan semua fitur, dan LSTM multivariate dengan fitur hasil seleksi Boruta. Dataset yang digunakan terdiri dari data bulanan kedatangan wisatawan ke Jawa Timur Indonesia (2008–2025) dan indeks pencarian dari Google Trends. Hasil evaluasi menunjukkan bahwa model LSTM univariate menghasilkan performa terbaik dengan nilai R² sebesar 0.732, RMSE sebesar 3238.38, dan MAE sebesar 2737.36. Meskipun demikian, model LSTM multivariate dengan fitur Boruta menunjukkan peningkatan performa yang cukup signifikan dibandingkan pendekatan multivariate tanpa seleksi, yang berarti algoritma Boruta tetap memiliki kontribusi positif dalam konteks pengurangan fitur yang tidak relevan. Temuan ini menekankan pentingnya pemilihan fitur yang mempertimbangkan karakteristik temporal dalam peramalan deret waktu.

مستخلص البحث

يُعدّ التنبؤ الدقيق بعدد السياح الأجانب الوافدين بالغ الأهمية لدعم التخطيط الاستراتيجي وصنع السياسات في قطاع السياحة. تهدف هذه الدراسة إلى تحسين أداء نموذج التنبؤ القائم على الذاكرة طويلة المدى قصيرة المدى (LSTM) من خلال تطبيق اختيار الميزات باستخدام خوارزمية بوروتا. تُقارن ثلاثة مناهج، وهي: LSTM أحادي المتغير، وLSTM متعدد المتغيرات مع جميع الميزات، وLSTM متعدد المتغيرات مع ميزات مختارة من بوروتا. تتكون مجموعة البيانات المستخدمة من بيانات شهرية عن السياح الوافدين إلى جاوة الشرقية إندونيسيا من عام 2008 إلى عام 2025 ومؤشرات البحث من جوجل تريندز. تُظهر نتائج التقييم أن نموذج LSTM أحادي المتغير يُحقق أفضل أداء بقيمة R² تبلغ 0.732، وRMSE يبلغ 3238.38، وMAE يبلغ 2737.36. ومع ذلك، يُظهر نموذج LSTM متعدد المتغيرات مع خصائص بوروتا زيادةً ملحوظةً في الأداء مقارنةً بالنهج متعدد المتغيرات دون اختيار، مما يعني أن خوارزمية بوروتا لا تزال تُقدم مساهمةً إيجابيةً في تقليل الخصائص غير ذات الصلة. تُؤكد هذه النتيجة على أهمية اختيار الخصائص الذي يُراعي الخصائص الزمنية في التنبؤ بالسلاسل الزمنية

ABSTRACT

Accurate forecasting of international tourist arrivals is essential for strategic planning and decision-making in the tourism sector. This study aims to optimize the predictive performance of Long Short-Term Memory (LSTM) models by applying feature selection using the Boruta algorithm. Three approaches were compared: univariate LSTM, multivariate LSTM using all features, and multivariate LSTM with Boruta-selected features. The dataset consisted of monthly tourist arrivals to East Java Indonesia (2008–2025) and Google Trends search index data. The evaluation results show that the univariate LSTM model achieved the best performance with an R² of 0.732, RMSE of 3238.38, and MAE of 2737.36. However, the Boruta-based multivariate model significantly improved performance compared to the multivariate model without feature selection, indicating that Boruta remains useful for eliminating irrelevant features. These findings highlight the importance of feature selection that accounts for temporal characteristics in time-series forecasting.