Perpustakaan Digital ITB

Pengembangan sistem rekomendasi rute perjalanan wisata membutuhkan tahap ekstraksi POI (Point of Interest) atau landmark wisata dengan metode clustering. Berdasarkan penelitian Kisilevich et al., (2010), DBSCAN memiliki kekurangan yaitu tidak dapat menangani cluster yang memiliki densitas tidak uniform. Untuk mengatasinya, maka digunakan P-DBSCAN dengan teknik adaptive density. Model yang dibangun Kurashima et al., (2012) dengan metode kombinasi pemodelan topik Probabilistic Latent Semantic Analysis (PLSA) dan Markov memberikan peningkatan nilai presisi. Namun, berdasarkan penelitian Albalawi et al., (2020) pemodelan topik yang memberikan nilai kinerja paling tinggi dan memiliki kualitas topik paling baik adalah Latent Dirichlet Allocation (LDA). Pada Tugas Akhir ini digunakan kombinasi pemodelan topik LDA dan Markov untuk menghasilkan sistem rekomendasi yang mempertimbangkan riwayat perjalanan pengguna serta POI populer. Dataset yang digunakan merupakan daerah di Pulau Bali. POI diekstrak menggunakan P-DBSCAN. POI selanjutnya diekstrak menjadi riwayat perjalanan. Model dibangun dengan Latent Dirichlet Allocation menggunakan dataset riwayat perjalanan fotografer. Model diuji dengan melakukan prediksi landmark terakhir yang mungkin dikunjungi selanjutnya dari riwayat perjalanan fotografer. Nilai prediksi dihitung dengan melakukan kombinasi probabilitas dari model LDA dan probabilitas model Markov menggunakan unigram rescaling. Pengujian model menunjukkan adanya signifikansi perubahan yang kecil dengan nilai presisi terbaik sebesar 0.02994 pada model kombinasi LDA dan Markov sedangkan nilai presisi terbaik pada model topik LDA sebesar 0.02134. Hasil pengujian sistem rekomendasi pada keempat skenario pengujian memberikan kualitas topik yang cukup relevan dengan riwayat perjalanan pengguna.