Prediksi jumlah pengunjung harian Museum Mpu Purwa menggunakan Metode Ligh Gradient Boosting Machine (LightGBM)

INDONESIA :

Prediksi jumlah pengunjung harian merupakan salah satu langkah penting dalam mendukung pengelolaan dan perencanaan operasional destinasi wisata. Penelitian ini bertujuan untuk memprediksi jumlah pengunjung harian Museum Mpu Purwa menggunakan metode Light Gradient Boosting Machine (LightGBM) berdasarkan data historis kunjungan periode 2022–2025. Tahapan penelitian meliputi exploratory data analysis (EDA), preprocessing data yang terdiri dari cleaning, aggregation, dan capping, serta feature engineering berupa fitur kalender, lag feature, rolling mean, dan shock feature untuk menangkap pola temporal pada data deret waktu. Selanjutnya dilakukan proses pelatihan model dengan beberapa kombinasi hyperparameter dan tiga skenario pembagian data, yaitu 70:30, 80:20, dan 90:10. Kinerja model dievaluasi menggunakan metrik Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model LightGBM mampu menghasilkan prediksi yang baik terhadap jumlah pengunjung harian Museum Mpu Purwa, dengan skenario terbaik diperoleh pada pembagian data 90:10 yang menghasilkan nilai MAE sebesar 1,65, RMSE sebesar 2,27, dan MAPE sebesar 7,29%. Nilai tersebut menunjukkan bahwa model memiliki tingkat kesalahan prediksi yang rendah dan mampu mengikuti pola fluktuasi jumlah pengunjung harian dengan baik. Dengan demikian, metode LightGBM dapat digunakan sebagai pendekatan yang efektif dalam memprediksi jumlah pengunjung harian serta mendukung pengambilan keputusan yang lebih tepat dalam pengelolaan Museum Mpu Purwa.

ENGLISH :

Daily visitor prediction is an important step in supporting the management and operational planning of tourist destinations. This study aims to predict the daily number of visitors to Museum Mpu Purwa using the Light Gradient Boosting Machine (LightGBM) method based on historical visitor data from 2022 to 2025. The research stages include Exploratory Data Analysis (EDA), data preprocessing consisting of cleaning, aggregation, and capping, as well as feature engineering involving calendar features, lag features, rolling mean, and shock features to capture temporal patterns in time-series data. Subsequently, the model was trained using several hyperparameter combinations and three data-splitting scenarios, namely 70:30, 80:20, and 90:10. Model performance was evaluated using Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and Mean Absolute Percentage Error (MAPE). The results show that the LightGBM model is capable of generating accurate predictions for the daily number of visitors to Museum Mpu Purwa. The best performance was achieved using the 90:10 data-splitting scenario, resulting in an MAE of 1.65, an RMSE of 2.27, and a MAPE of 7.29%. These results indicate that the model has a low prediction error rate and is able to effectively capture fluctuations in daily visitor patterns. Therefore, the LightGBM method can be considered an effective approach for daily visitor prediction and can support more informed decision-making in the management of Museum Mpu Purwa.

ARABIC:

يُعَدُّ التنبؤ بعدد الزوار اليومي من الخطوات المهمة في دعم إدارة الوجهات السياحية والتخطيط التشغيلي لها. وتهدف هذه الدراسة إلى التنبؤ بعدد الزوار اليومي لمتحف مبو بوروا باستخدام خوارزمية تعزيز التدرج الخفيف للقرارات (LightGBM) اعتمادًا على البيانات التاريخية للزوار خلال الفترة من عام ٢٠٢٢ إلى عام ٢٠٢٥. وقد اشتملت مراحل البحث على تحليل البيانات الاستكشافي، والمعالجة المسبقة للبيانات التي تضمنت التنظيف والتجميع ومعالجة القيم المتطرفة، بالإضافة إلى هندسة الخصائص التي شملت خصائص التقويم، وخصائص التأخير، والمتوسط المتحرك، وخصائص الصدمات؛ وذلك لتمثيل الأنماط الزمنية في بيانات السلاسل الزمنية. بعد ذلك تم تدريب النموذج باستخدام عدة مجموعات من المعلمات الفائقة وثلاثة سيناريوهات لتقسيم البيانات، وهي ٧٠:٣٠ و٨٠:٢٠ و٩٠:١٠. وتم تقييم أداء النموذج باستخدام مقاييس متوسط الخطأ المطلق (MAE)، والجذر التربيعي لمتوسط مربعات الخطأ (RMSE)، ومتوسط نسبة الخطأ المطلق (MAPE). وأظهرت نتائج الدراسة أن نموذج تعزيز التدرج الخفيف للقرارات حقق أداءً جيدًا في التنبؤ بعدد الزوار اليومي لمتحف مبو بوروا، حيث أظهر أفضل النتائج عند استخدام سيناريو تقسيم البيانات بنسبة ٩٠:١٠، محققًا قيمة متوسط خطأ مطلق بلغت ١٫٦٥، وقيمة الجذر التربيعي لمتوسط مربعات الخطأ بلغت ٢٫٢٧، وقيمة متوسط نسبة الخطأ المطلق بلغت ٧٫٢٩٪. وتشير هذه النتائج إلى انخفاض معدل الخطأ في التنبؤ وقدرة النموذج على تمثيل التغيرات اليومية في أعداد الزوار بصورة جيدة. وبناءً على ذلك، يمكن استخدام هذه الخوارزمية بوصفها أسلوبًا فعالًا للتنبؤ بأعداد الزوار اليومية، بما يسهم في دعم اتخاذ القرارات وتحسين إدارة متحف مبو بوروا