Mengatasi cold-start problem menggunakan artificial neural network untuk sistem rekomendasi pada game destinasi wisata Kota Batu

INDONESIA:
Tingkat perkembangan pariwisata di Indonesia semakin meningkat dan menarik pengunjung wisata. Berdasarkan Badan Pusat Statistik 2020 perkembangan tersebut mencapai hingga 16,11 juta kunjungan wisatawan mancanegara. Hal ini menunjukkan bahwa Indonesia dapat membangun perekonomian dengan cara meningkatkan sektor industri yang kreatif dengan keanekaragaman destinasi wisata yang ada di Indonesia. Salah satu Kota yang memiliki daya tarik wisata yaitu Kota Batu yang terletak di Provinsi Jawa Timur. Kota Batu dijuluki sebagai kota wisata dan agropolitan yang memiliki aneka ragam destinasi wisata baik wisata buatan, budaya, alam, dan lain – lain. Dengan banyaknya destinasi wisata Kota Batu menyebabkan wisatawan menjadi bingung untuk berwisata, terutama wisatawan baru yang sebelumnya belum pernah berwisata di Kota Batu. Oleh karena itu, dibutuhkan recommender system yang dapat menghasilkan rekomendasi destinasi wisata kepada wisatawan baru dengan media yang tidak bosan yaitu dengan memainkan permainan destinasi wisata. Pada penelitian ini akan membahas cara mengatasi kelemahan dari pendekatan sistem rekomendasi yaitu cold start problem. Cold-start problem terjadi ketika pengguna baru (wisatawan baru) tidak mendapatkan rekomendasi dari sistem karena tidak terdapat rating yang diberikan pada item atau sistem yang kekurangan informasi data pengguna. Oleh karena itu, dibutuhkan data preferensi pengguna baru untuk dipelajari/diolah menggunakan metode Artificial Neural Network. Berdasarkan perbandingan metode collaborative filtering dengan ANN menunjukkan bahwa metode ANN lebih baik dalam mengatasi cold-start problem. Input data yang digunakan dalam mengolah data menggunakan metode ANN berupa lima preferensi pengguna (pekerjaan, hobi, daerah asal, teman perjalanan, dan repetition) sedangkan outputnya berupa rekomendasi destinasi wisata yang sebelumnya telah diberikan oleh responden dalam kumpulan data preferensi pengguna. Data training dilatih hingga menghasilkan arsitektur jaringan yang tepat, kemudian nilai update bobot dan bias digunakan untuk menentukan rekomendasi destinasi wisata kepada data pengguna uji (testing). Terdapat 46 data pengguna baru yang digunakan sebagai data pengguna uji dan menghasilkan akurasi sebesar 67,235% dalam menentukan rekomendasi destinasi wisata Kota Batu.

ENGLISH:
The level of tourism development in Indonesia is increasing and attracting the attention tourists visitors. Based on the 2020 Central Statistics Agency, this development reached up to 16,11 million foreign tourist visits. This shows that Indonesia can build the economy by increasing the creative industrial sector with the diversity of tourist destinations in Indonesia. One of the cities that has an interesting tourist attraction is Batu City which is located in East Java Province. Batu City is dubbed as a tourist and agropolitan city which has a variety of tourist destinations, both artificial, cultural, natural, and others. With so many tourist destinations in Batu City, tourists are confused about traveling, especially new tourists who have never travelled in Batu City before. Therefore, we need a recommendation system for tourist destinations to new tourists with media that are not bored, namely by playing tourist destination games.This study, we will discuss how to overcome the weakness of the recommendation system approach, namely the cold-start problem. Cold-start problems occur when new users (new tourists) do not get recommendations from the system because there is no rating given to items or the system lacks user data information. Therefore, new user preference data is needed to be processed using the Artificial Neural Network method. Based on the comparison of the Collaborative Filtering method with the ANN, it shows that the ANN method is better at overcoming the cold-start problem. The input data used in processing the data using the ANN method are in the form of five user preferences (job, hobby, area of origin, travel companion, and repetition) while the output is in the form of tourist destination recommendations that have been the user preference data collection. The training data is trained to produce the right network architecture, then the updated weight and bias values are used to determine tourist destination recommendations for testing user data. There are 46 new tourist data that are used as test user data and produce an accuracy of 67,235% in determining recommendations for Batu City tourist destinations.

ARABIC:
مستوى التنمية السياحية في إندونيسيا آخذ في الازدياد ويجذب انتباه السياح, كل من السياح المحليين والأجانب. بناء على الجهاز المركزي للإحصاء لعام ٢٠٢٠، وصل التطور إلى ١١,١٦ مليون زيارة سياحية أجنبية. هذا يدل على أن إندونيسيا يمكنها بناء الاقتصاد من خلال زيادة القطاع الصناعي الإبداعي مع مجموعة متنوعة من الوجهات السياحية في إندونيسيا. واحدة من المدن التي لديها جاذبية سياحية مثيرة للاهتمام هي مدينة باتو الواقعة في مقاطعة جاوة الشرقية. يطلق على مدينة باتو اسم المدينة السياحية والزراعية التي تضم مجموعة متنوعة من الوجهات السياحية سواء السياحة الاصطناعية أو الثقافة أو الطبيعة وغيرها. يشار إلى ذلك من خلال الحصول على جائزتين في جائزة جاوة الشرقية للسياحة (إيجتا) التي نظمها مكتب الثقافة والسياحة في مقاطعة جاوة الشرقية في عام ٢٠٢٠. مع العديد من الوجهات السياحية ، تتسبب مدينة باتو في الخلط بين السياح للسفر ، وخاصة السياح الجدد الذين لم يسبق لهم السفر في مدينة باتو. لذلك ، هناك حاجة إلى نظام توصية يمكنه تقديم توصيات للوجهات السياحية للسياح الجدد مع وسائل الإعلام التي لا تشعر بالملل من خلال لعب لعبة الوجهات السياحية.في هذه الدراسة سوف يناقش كيفية التغلب على نقاط الضعف في نهج نظام التوصية هي مشكلة البداية الباردة. تحدث مشاكل البدء البارد عندما لا يحصل المستخدمون الجدد (المسافرون الجدد) على توصية من النظام لأنه لا يوجد تصنيف معين على العنصر أو يفتقر النظام إلى معلومات بيانات المستخدم. لذلك ، هناك حاجة إلى بيانات تفضيل المستخدم الجديدة التي يمكن تعلمها / معالجتها باستخدام أساليب الشبكة العصبية الاصطناعية. واستنادا إلى المقارنة بين طريقة الترشيح التعاوني مع آن أظهرت أن طريقة آن هو أفضل في التغلب على مشكلة بداية الباردة. إدخال البيانات المستخدمة في معالجة البيانات باستخدام طريقة آن في شكل خمسة تفضيلات المستخدم (العمل ، هواية ، منطقة المنشأ ، الصحابة السفر ، والتكرار) في حين أن الإخراج هو توصية من الوجهات السياحية التي سبق أن أعطيت من قبل المشاركين في مجموعة البيانات تفضيلات المستخدم. يتم تدريب بيانات التدريب لإنتاج بنية الشبكة الصحيحة ، ثم يتم استخدام قيمة وزن التحديث والتحيز لتحديد توصية الوجهات السياحية لاختبار بيانات المستخدم (الاختبار). كان هناك ٤٦ بيانات المستخدم الجديدة المستخدمة كبيانات المستخدم اختبار وأسفرت عن دقة ٪٢٣٥,٤٦ في تحديد توصية من الوجهات السياحية مدينة باتو.