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.