Perpustakaan Digital ITB

Transformasi digital dalam industri panw1sata telah menghadirkan tantangan mendasar terkait distribusi kunjungan yang tidak merata. Fenomena bias popularitas dalam sistem rekomendasi konvensional berkontribusi terhadap konsentrasi kunjungan wisatawan pada sekelompok kecil destinasi populer, sementara destinasi altematif yang berpotensi mengalami marjinalisasi. Secara global, data menunjukkan bahwa sebagian besar kedatangan wisatawan terkonsentrasi pada destinasi yang telah populer, menciptakan ketimpangan distribusi yang tidak berkelanjutan. Di Kabupaten Sumedang, pola serupa teramati di mana mayoritas kunjungan terpusat pada sejumlah kecil destinasi, sementara destinasi lainnya menghadapi tantangan dalam menarik perhatian wisatawan. Sistem rekomendasi berbasis Collaborative Filtering tradisional cenderung memperkuat preferensi mayoritas melalui mekanisme feedback loop, sehingga memperparah ketimpangan distribusi eksposur destinasi. Dalam konteks literatur sistem rekomendasi, berbagai pendekatan telah dikembangkan untuk meningkatkan keberagaman rekomendasi, termasuk teknik Maximal Marginal Relevance (MMR) yang memungkinkan penyeimbangan antara relevansi dan keberagaman melalui parameter tunggal. Namun, pendekatan yang ada umumnya menggunakan parameter statis yang tidak dapat beradaptasi terhadap karakteristik dinamis domain pariwisata. Faktor kontekstual seperti kondisi cuaca, waktu kunjungan, dan preferensi pengguna yang bervariasi sangat memengaruhi keputusan wisatawan, namun belum terintegrasi secara adaptif dalam sistem diversifikasi. Lebih lanjut, eksplorasi sistematis mengenai optimasi parameter diversifikasi secara dinamis untuk mencapai keseimbangan optimal antara akurasi dan keberagaman dalam konteks pariwisata dengan keterbatasan data masih terbatas. Penelitian ini bertujuan mengembangkan dan mengevaluasi sistem rekomendasi adaptif yang mampu mengoptimalkan keseimbangan antara akurasi dan keberagaman melalui mekanisme pembelajaran parameter dinamis, serta memvalidasi dampaknya terhadap distribusi eksposur destinasi. Penelitian ini menggunakan Design Science Research Methodology (DSRM) untuk mengembangkan artefak berupa sistem rekomendasi adaptif dengan arsitektur hibrida yang mengintegrasikan Collaborative Filtering, Content-Based Filtering, dan komponen Context-Aware yang memproses informasi kontekstual secara real-time. Mekanisme pembelajaran adaptif diimplementasikan menggunakan algoritma Multi-Armed Bandit dengan pendekatan kontekstual yang memilih parameter diversifikasi secara dinamis berdasarkan fungsi reward yang mempertimbangkan akurasi, keberagaman, dan kebaruan. Evaluasi dilakukan terhadap dataset pariwisata Kabupaten Sumedang yang telah dipreproses, menghasilkan data akhir dengan karakteristik high sparsity, untuk mengukur performa sistem dibandingkan dengan model baseline melalui metrik standar sistem rekomendasi. Hasil evaluasi kuantitatif menunjukkan bahwa sistem yang dikembangkan berhasil meningkatkan keberagaman rekomendasi secara signifikan dibandingkan model baseline, dengan tetap mempertahankan tingkat akurasi yang setara secara statistik. Perbaikan juga teramati pada metrik distribusi, menunjukkan penurunan tingkat konsentrasi rekomendasi dan peningkatan cakupan katalog destinasi yang direkomendasikan. Analisis distribusi lebih lanjut mengungkapkan bahwa sistem mampu meningkatkan eksposur destinasi berkualitas tinggi yang sebelumnya kurang terekspos, dengan peningkatan frekuensi rekomendasi yang substansial pada kategori long-tail. Mekanisme pembelajaran adaptif menunjukkan kemampuan sistem dalam menyesuaikan strategi diversifikasi berdasarkan karakteristik data dan konteks pengguna, mengindikasikan efektivitas pendekatan Multi-Armed Bandit dalam domain pariwisata dengan keterbatasan data. Integrasi komponen kontekstual juga terbukti memberikan kontribusi positif terhadap relevansi dan keberagaman rekomendasi yang dihasilkan. Penelitian ini memberikan kontribusi teoretis berupa demonstrasi empiris bahwa pendekatan pembelajaran adaptif menggunakan Multi-Armed Bandit dapat mengatasi permasalahan trade-off antara akurasi dan keberagaman dalam sistem rekomendasi pariwisata. Temuan menunjukkan bahwa optimasi parameter diversifikasi secara dinamis lebih efektif dibandingkan pendekatan statis konvensional dalam konteks data dengan sparsitas tinggi. Dari perspektif praktis, sistem yang dikembangkan menawarkan solusi algoritmik untuk mendukung pemerataan distribusi pariwisata dan meningkatkan visibilitas destinasi berkualitas yang kurang terekspos, dengan implikasi positifbagi pengelola destinasi wisata dan pembuat kebijakan dalam upaya pengembangan pariwisata berkelanjutan. Keterbatasan penelitian meliputi cakupan geografis yang terbatas pada satu kabupaten dan evaluasi yang dilakukan secara ojjline menggunakan data historis