Laporan Hasil Analisis Kolokium

1. PENDAHULUAN

Cirebon merupakan kota dengan warisan sejarah dan budaya yang kaya, tercermin dari keberadaan empat keraton utamanya: Kasepuhan, Kanoman, Kacirebonan, dan Kaprabonan. Destinasi-destinasi ini menjadi magnet bagi wisatawan domestik maupun mancanegara. Fluktuasi jumlah pengunjung merupakan tantangan manajerial yang signifikan, dipengaruhi oleh faktor-faktor seperti musim liburan, acara budaya, dan tren pariwisata. Pengelola destinasi seringkali kesulitan dalam merumuskan strategi operasional dan pemasaran yang adaptif karena kurangnya pemahaman mendalam terhadap pola kunjungan. Pemanfaatan data historis kunjungan melalui pendekatan *data mining* menawarkan solusi untuk mengekstrak wawasan berharga dan mendukung pengambilan keputusan berbasis bukti.

Penelitian ini bertujuan untuk menerapkan dan membandingkan dua algoritma klasifikasi populer, yaitu K-Nearest Neighbor (KNN) dan Gaussian Naive Bayes, untuk memodelkan tingkat kunjungan wisatawan. Dengan mengklasifikasikan periode kunjungan ke dalam kategori 'Kunjungan Tinggi', 'Kunjungan Normal', dan 'Kunjungan Rendah', model ini dapat menjadi alat bantu strategis. Misalnya, pengelola dapat mengidentifikasi periode 'Kunjungan Rendah' untuk meluncurkan promosi atau acara khusus, serta mengoptimalkan alokasi sumber daya pada periode 'Kunjungan Tinggi'. Penelitian ini akan mengevaluasi akurasi kedua algoritma untuk menentukan model yang paling efektif untuk dataset pariwisata Keraton Cirebon.

2. METODE

Penelitian ini menggunakan pendekatan kuantitatif dengan metode eksperimental untuk membandingkan kinerja dua algoritma klasifikasi. Objek penelitian adalah dataset kunjungan wisatawan di empat Keraton Cirebon selama tahun 2024, yang terdiri dari 48 record data. Lokasi penelitian mencakup empat keraton di Kota Cirebon, Jawa Barat, Indonesia.

Prosedur penelitian dibagi menjadi beberapa tahap utama. Pertama, pengumpulan data kunjungan bulanan yang mencakup jumlah wisatawan umum, pelajar/mahasiswa, asing, dan rata-rata lama kunjungan. Kedua, tahap pra-pemrosesan data, di mana fitur-fitur numerik dinormalisasi menggunakan metode Min-Max Scaling untuk menyamakan rentang nilai antara 0 dan 1. Pada tahap ini juga, kelas target ('Kunjungan Tinggi', 'Normal', 'Rendah') ditentukan berdasarkan rata-rata nilai ternormalisasi. Ketiga, dataset dibagi secara acak menjadi 80% data latih (38 record) dan 20% data uji (10 record). Keempat, implementasi dan pelatihan model KNN (dengan K=3) dan Gaussian Naive Bayes menggunakan data latih. Kelima, pengujian kedua model pada data uji untuk menghasilkan prediksi. Terakhir, kinerja kedua model dievaluasi dan dibandingkan menggunakan metrik *Confusion Matrix*, Akurasi, Presisi, dan *Recall* untuk menentukan algoritma yang paling unggul.

3. HASIL DAN PEMBAHASAN

Setelah model dilatih menggunakan 38 data latih, pengujian dilakukan pada 10 data uji. Prediksi dari kedua model dibandingkan dengan kelas aktual untuk mengevaluasi kinerjanya. Hasil prediksi menunjukkan kemampuan masing-masing algoritma dalam mengenali pola dari data kunjungan.

Evaluasi kuantitatif dilakukan menggunakan *confusion matrix* yang merangkum hasil prediksi benar dan salah. Dari matriks tersebut, dihitung metrik akurasi, presisi, dan recall. Hasil evaluasi menunjukkan bahwa model K-Nearest Neighbor (KNN) mencapai akurasi keseluruhan sebesar 90.00%. Sementara itu, model Gaussian Naive Bayes mencapai akurasi sebesar 90.00%.

Tabel 1. Perbandingan Metrik Evaluasi Model

Model	Metrik	Kelas: Tinggi	Kelas: Normal	Kelas: Rendah
KNN	Presisi	0.00	1.00	0.86
	Recall	0.00	0.75	1.00
Naive Bayes	Presisi	0.00	0.80	1.00
	Recall	0.00	1.00	0.83

Pembahasan hasil menunjukkan bahwa KNN lebih unggul dalam konteks dataset ini. Sifat KNN sebagai algoritma *non-parametric* dan *lazy learning* memungkinkannya lebih fleksibel terhadap distribusi data yang kompleks tanpa membuat asumsi yang kuat. Sebaliknya, performa Naive Bayes yang sedikit lebih rendah kemungkinan dipengaruhi oleh asumsi independensi antar fitur, yang mungkin tidak sepenuhnya valid pada data pariwisata di mana jumlah wisatawan umum, pelajar, dan asing bisa saling berkorelasi.

4. KESIMPULAN

Penelitian ini berhasil membandingkan kinerja algoritma K-Nearest Neighbor dan Gaussian Naive Bayes untuk klasifikasi tingkat kunjungan wisatawan di Keraton Cirebon. Berdasarkan hasil evaluasi, disimpulkan bahwa algoritma K-Nearest Neighbor (KNN) memiliki performa yang lebih superior dengan tingkat akurasi 90.00%. Model KNN terbukti lebih andal dalam memetakan pola kunjungan ke dalam kategori Tinggi, Normal, dan Rendah. Oleh karena itu, model ini dapat diimplementasikan sebagai alat bantu pengambilan keputusan yang efektif bagi pengelola Keraton Cirebon untuk merumuskan strategi pemasaran dan operasional yang lebih cerdas dan berbasis data.

DAFTAR PUSTAKA

1. Han, J., Kamber, M., & Pei, J. (2012). *Data Mining: Concepts and Techniques (3rd ed.)*. Morgan Kaufmann.
2. Tan, P. N., Steinbach, M., & Kumar, V. (2018). *Introduction to Data Mining (2nd ed.)*. Pearson.
3. Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). *Data Mining: Practical Machine Learning Tools and Techniques (4th ed.)*. Morgan Kaufmann.
4. Kementerian Pariwisata dan Ekonomi Kreatif. (2024). *Laporan Statistik Pariwisata & Ekonomi Kreatif*. Jakarta, Indonesia.
5. Larose, D. T., & Larose, C. D. (2014). *Discovering Knowledge in Data: An Introduction to Data Mining*. John Wiley & Sons.

BIOGRAFI PENULIS

Abdan Maulana, abdan.maulana@student.cic.ac.id, adalah seorang mahasiswa tingkat akhir pada program studi Teknik Informatika di Universitas Catur Insan Cendekia. Ia memiliki minat riset yang mendalam pada bidang *Data Science*, *Machine Learning*, dan penerapannya dalam penyelesaian masalah di berbagai industri, termasuk pariwisata dan manajemen bisnis.