Bagian 2
Research Gap
Posisi penelitian ini terhadap studi-studi terdahulu di bidang sistem rekomendasi wisata, prediksi kunjungan, dan optimasi rute.
2.1 Peta Penelitian Terdahulu
Berbagai penelitian terdahulu menunjukkan bahwa penggabungan beberapa pendekatan dalam sistem rekomendasi mampu meningkatkan kinerja dibandingkan penggunaan satu metode secara terpisah. Tabel berikut merangkum posisi studi terdahulu menurut empat pilar yang relevan dengan penelitian ini.
| Pilar | Pendekatan pada studi terdahulu | Keterbatasan terhadap tujuan penelitian ini |
|---|---|---|
| Rekomendasi hybrid CBF–CF | Kombinasi content-based filtering dan collaborative filtering untuk meningkatkan akurasi rekomendasi destinasi [20,21,22] . | Fitur destinasi umumnya atribut tekstual saja; skor akhirnya tidak diteruskan ke tahap optimasi rute apa pun. |
| Rekomendasi berbasis citra | Citra destinasi/produk diproses untuk memperkaya representasi item dalam rekomendasi hybrid [23,24] . | Citra digabung langsung ke satu model, bukan sebagai tahap CBF eksplisit dalam skema cascade menuju NCF — sehingga kontribusi citra terhadap tahap re-ranking tidak teruji terpisah. |
| Neural Collaborative Filtering | NCF/NeuMF terbukti unggul menangkap interaksi non-linear pengguna–item, termasuk pada domain hotel dan e-commerce [15,25] . | Diterapkan pada domain di luar wisata rute-terbatas; belum diuji sebagai tahap kedua atas kandidat CBF berbasis atribut+citra pada konteks destinasi wisata. |
| Algoritma genetika untuk rute | GA terbukti efektif menyusun rute perjalanan yang efisien dari sisi jarak/waktu [19,26,27,28] , termasuk dikombinasikan dengan hybrid CBF–CF pada konteks wisata Lombok [7] . | Prioritas destinasi dalam fungsi fitness umumnya statis (jarak, rating rata-rata); belum memasukkan skor rekomendasi hybrid dan prediksi kunjungan sekaligus sebagai variabel pembobotan. |
| Prediksi deret waktu wisata (RNN/GRU/LSTM) | RNN, GRU, dan LSTM — termasuk kombinasi dengan CNN — dipakai memprediksi permintaan kunjungan atau memodelkan urutan preferensi wisatawan [16,17,18,29,30,31,32,33,34,35,36,37] . | Hasil prediksi berhenti sebagai keluaran akhir (permintaan agregat atau urutan rekomendasi); belum diumpankan sebagai variabel eksplisit ke fungsi fitness optimasi rute. |
2.2 Kesenjangan yang Teridentifikasi
Kelima pilar di atas masing-masing telah matang secara terpisah. Namun integrasi yang dilakukan penelitian-penelitian tersebut umumnya bersifat parsial: modul rekomendasi destinasi, pemodelan sekuensial/prediksi kunjungan, dan optimasi rute berbasis algoritma genetika umumnya dibangun terpisah atau hanya terhubung secara terbatas. Belum terlihat adanya kerangka yang secara eksplisit mengorkestrasi prioritas destinasi hasil rekomendasi dengan prediksi kunjungan wisatawan dalam satu mekanisme optimasi rute.
Dengan kata lain, state of the art saat ini belum sampai pada tahap di mana skor relevansi dari sistem rekomendasi hybrid (CBF berbasis atribut dan citra dengan CNN, serta NCF/NeuMF) dan hasil forecasting kunjungan (berbasis RNN/GRU/LSTM) digunakan secara bersamaan sebagai komponen kunci fungsi fitness algoritma genetika untuk menyusun rute wisata yang sekaligus personal, efisien, dan peka terhadap potensi kepadatan.
Celah inilah yang menjadi titik tolak penelitian ini — dijabarkan lebih rinci pada halaman Kebaruan (Novelty).
2.3 Roadmap Riset Tim Peneliti
Penelitian ini juga melanjutkan rangkaian riset tim sebelumnya di Pulau Lombok, bukan studi yang berdiri sendiri:
- 2023 — Pemetaan destinasi wisata Lombok memakai data geolokasi pada Mapbox [38] .
- 2024 — Sistem rekomendasi destinasi dengan kombinasi content-based filtering dan Apriori [7] .
- 2025 — Konvergensi personalisasi pariwisata berkelanjutan melalui hybrid filtering dan optimasi rute berbasis algoritma genetika [39] .
- 2026 (penelitian ini) — Menambahkan modul prediksi kunjungan wisatawan dan mengorkestrasikannya secara eksplisit ke dalam fungsi fitness algoritma genetika bersama skor rekomendasi cascade-hybrid.