SISTEM REKOMENDASI PENCARIAN TEMPAT WISATA BERBASIS TEKNOLOGI MENGGUNAKAN PENDEKATAN MULTI-METODE

Abstract

Perkembangan sektor pariwisata di Indonesia mendorong perlunya sistem rekomendasi yang mampu membantu wisatawan menentukan destinasi yang sesuai dengan preferensi dan kebutuhan mereka. Berbagai metode telah diterapkan dalam penelitian-penelitian sebelumnya untuk membangun sistem rekomendasi wisata, mulai dari algoritma klasik seperti AHP, TOPSIS, dan Haversine hingga pendekatan modern berbasis machine learning seperti PCA–SVM, K-Nearest Neighbor (KNN), dan Neural Collaborative Filtering (NCF). Studi literatur ini menganalisis sepuluh penelitian terkait pengembangan sistem rekomendasi wisata dari berbagai daerah di Indonesia.

        Hasil analisis menunjukkan bahwa setiap metode memiliki keunggulan masing-masing. AHP dan TOPSIS efektif untuk pengambilan keputusan multikriteria; Haversine akurat untuk perhitungan jarak geografis; metode CBF unggul dalam mempersonalisasi rekomendasi; KNN memberikan hasil yang cukup akurat berdasarkan kemiripan data; PCA–SVM menawarkan akurasi tinggi hingga 93%; dan NCF mampu mempelajari preferensi pengguna secara mendalam dengan akurasi 81%. Secara keseluruhan, implementasi sistem rekomendasi wisata berbasis teknologi informasi terbukti memberikan dampak signifikan terhadap peningkatan efisiensi pencarian destinasi, pengalaman wisatawan, serta promosi pariwisata daerah.