Bagian 7

Kesimpulan

Sintesis atas seluruh hasil di Hasil & Pembahasan, dikembalikan ke tiga klaim kebaruan pada Bagian 3.

7.1 Ringkasan Temuan

Cascade-hybrid recommendation

Dengan fitur citra CNN aktif, cascade CBF→NeuMF mencapai nDCG@10 —, naik tajam dari performa sebelum citra tersedia (nDCG@10 cascade sebelumnya jauh di bawah NeuMF tunggal). Ini membuktikan bahwa cascade CBF→NeuMF hanya kompetitif bila tahap penyaringnya (CBF) cukup kuat — Recall@M kandidat menjadi metrik yang harus dipantau di setiap perubahan model, bukan cuma nDCG akhir.

Prediksi kunjungan wisatawan

RNN mengungguli baseline musiman terkuat dengan RMSE turun — — penting karena RMSE menghukum galat besar pada hari-hari puncak, justru saat prediksi kepadatan paling dibutuhkan. GRU dan LSTM tidak mengungguli RNN sederhana pada horizon dan pola musiman data ini.

Optimasi rute (algoritma genetika)

Fungsi fitness tiga suku berhasil mengekspos trade-off yang dapat diukur: memasukkan suku kepadatan (varian D vs B) menurunkan skor kepadatan rata-rata — dengan biaya penurunan nDCG rute yang jauh lebih kecil. Hanya varian GA yang konsisten menghasilkan rute layak anggaran — algoritma greedy gagal pada sebagian besar skenario karena tidak dapat mundur dari pilihan rakusnya.

7.2 Tujuan Penelitian Tercapai?

Merujuk tujuan pada Pendahuluan §1.3 — mengembangkan sistem rekomendasi rute wisata yang personal, efisien, dan adaptif terhadap dinamika kunjungan:

Personal — tercapai; rekomendasi berbasis profil preferensi individual (riwayat + kategori diminati), bukan generik/populer.
Efisien — tercapai; GA menghasilkan rute layak anggaran/waktu secara konsisten, tidak seperti baseline greedy.
Adaptif terhadap kepadatan — tercapai secara terukur; suku kepadatan pada fitness terbukti mengubah rute yang dihasilkan (§7.1), bukan sekadar hadir tanpa efek.
Dapat diakses publik — tercapai untuk pengembangan lokal; deployment produksi (Railway + shared hosting) masih berjalan, lihat §7.3.

7.3 Keterbatasan

Konsisten dengan sikap melaporkan apa adanya di seluruh halaman ini, berikut keterbatasan yang belum terselesaikan:

Target Precision@10 ≥0,70 dan nDCG@10 ≥0,75 dari proposal tidak tercapai — bukan karena model lemah, melainkan karena target tersebut secara struktural tidak mungkin dicapai di bawah protokol leave-one-out full-ranking yang dipakai (batas atas Precision@10 = 0,1; lihat Hasil §6.1). Perlu disepakati dengan tim: revisi target di laporan kemajuan, atau pertahankan sebagai keterbatasan metodologis yang justru menunjukkan evaluasi yang lebih ketat dibanding sebagian studi pembanding.
Satu destinasi (DST-024, Desa Wisata Sekarbela) belum memiliki citra yang memenuhi syarat resolusi — otomatis jatuh ke representasi atribut saja.
Manifes lisensi citra belum lengkap — sebagian citra berasal dari unduhan yang sumber dan lisensinya perlu dicatat manual sebelum submit artikel.
Deployment produksi belum selesai — FastAPI belum di-deploy ke Railway, Laravel belum ke shared hosting, load test dan UAT (SUS) belum dijalankan.
Evaluasi rute (GA) memakai jarak lurus/OSRM tanpa mempertimbangkan jam buka destinasi atau ketersediaan riil di lapangan pada tanggal kunjungan.

7.4 Saran Penelitian Lanjutan

Melengkapi citra untuk DST-024 dan menaikkan jumlah citra per destinasi menuju target ideal 15–20 (saat ini rata-rata 6–7).
Menguji ulang cascade dengan gerbang ItemKNN sebagai pembanding tetap terhadap gerbang CBF pada penelitian lanjutan — keduanya kini kompetitif dan pilihan gerbang dapat bergantung pada skenario cold-start vs pengguna lama.
Sesuai roadmap tim (Research Gap §2.3), 2027 mengarah ke analisis sentimen sebagai bobot tambahan, dan 2028 ke antarmuka chatbot berbasis NLU di atas modul yang sudah dibangun tahun ini.
Mengukur SUS (System Usability Scale) dari ≥30 responden nyata setelah deployment, untuk melengkapi bukti kuantitatif model dengan bukti pengalaman pengguna.