Rute Wisata Lombok

Bagian 3

Kebaruan (Novelty)

Apa yang secara spesifik baru dari penelitian ini dibanding studi-studi pada Research Gap.

Pernyataan kebaruan

Kebaruan penelitian ini terletak pada pengembangan mekanisme orkestrasi prioritas destinasi dan prediksi kunjungan di dalam sebuah arsitektur terintegrasi, di mana sistem yang diusulkan tidak hanya mengombinasikan hybrid filtering (CBF + NCF/NeuMF) dengan algoritma genetika, tetapi juga memasukkan hasil forecasting kunjungan wisatawan sebagai variabel pembobotan eksplisit dalam optimasi rute.

3.1 Tiga Klaim Kebaruan

① Cascade CBF (atribut + citra CNN) → NeuMF, sebagai satu jalur terukur

Berbeda dari studi yang menggabungkan citra langsung ke satu model tunggal [23,24] , penelitian ini memisahkan atribut dan citra sebagai dua blok fitur yang digabung dengan bobot α dapat-disetel, lalu diuji sebagai gerbang tahap pertama sebelum NeuMF. Ini membuat kontribusi citra dapat diukur secara terpisah lewat ablation α — bukan diasumsikan.

② Prediksi kunjungan sebagai variabel fitness, bukan sekadar keluaran akhir

Pada studi-studi deret waktu wisata [16,17,18,29,32,33,34,35,36] , hasil prediksi umumnya berhenti sebagai angka permintaan atau urutan preferensi. Penelitian ini mengubahnya menjadi skor kepadatan per-destinasi yang langsung menjadi salah satu suku dalam fungsi fitness algoritma genetika (lihat rumus fitness).

③ Fungsi fitness tiga suku yang dapat diuji ablation-nya

GA untuk rute wisata pada studi terdahulu [19,26,27,28] umumnya mengoptimalkan jarak/waktu dengan prioritas destinasi statis. Penelitian ini merumuskan fitness sebagai kombinasi eksplisit tiga suku — relevansi rekomendasi, efisiensi jarak, dan skor kepadatan — sehingga kontribusi masing-masing suku dapat diuji lewat empat varian ablation (A/B/C/D). Bukti kuantitatifnya ada di Hasil & Pembahasan §6.4.

3.2 Kebaruan Teknis Pendukung

Di luar tiga klaim utama di atas, beberapa keputusan desain teknis turut mendukung validitas orkestrasi ini dan layak dicatat sebagai kontribusi metodologis pendamping:

  • Skor kepadatan sebagai persentil per-destinasi, bukan volume kunjungan mentah — mencegah destinasi bervolume tinggi secara alami (mis. Gili Trawangan) selalu tampak "padat" dibanding destinasi kecil yang sebenarnya sedang ramai untuk ukurannya sendiri.
  • Pembobotan IDF pada fitur fasilitas dan kegiatan — mencegah atribut yang hampir universal (mis. "Fotografi", ada di 66/70 destinasi) mendominasi kemiripan kosinus dibanding atribut langka yang justru lebih informatif.
  • Evaluasi leave-one-out dengan full ranking 70 item — bukan negative sampling — sehingga metrik Precision/Recall/nDCG yang dilaporkan tidak digelembungkan oleh kandidat negatif yang terlalu mudah dibedakan.
  • Ekstraksi fitur citra di luar jalur produksi — CNN (ResNet50/ EfficientNet-B0) dijalankan sekali secara terpisah (Google Colab), menghasilkan skor yang di-precompute; layanan produksi tidak memerlukan PyTorch sama sekali, relevan untuk kendala shared hosting yang menjadi konteks deployment penelitian ini.