Mengurangi Kerumunan dengan Teknologi Prediksi Wisata ARTEMISÂ
Recommender System (RS) telah menjadi bagian integral dalam dunia digital, membantu pengguna menavigasi pilihan yang semakin beragam dan kompleks. Dalam industri pariwisata, RS menawarkan cara yang cerdas untuk meningkatkan pengalaman wisata dengan memberikan rekomendasi yang relevan berdasarkan preferensi dan konteks pengguna. Salah satu artikel terbaru, berjudul "ARTEMIS: a Context-Aware Recommendation System with Crowding Forecaster for the Touristic Domain" oleh Sara Migliorini, Anna Dalla Vecchia, Alberto Belussi, dan Elisa Quintarelli (2024), menjelaskan bagaimana RS dapat digunakan untuk memprediksi Point of Interest (PoI) di tempat wisata dan menyesuaikan rekomendasi berdasarkan informasi kontekstual seperti cuaca, lokasi, dan waktu kunjungan.
Penelitian ini menjadi sangat penting mengingat peningkatan jumlah wisatawan di destinasi populer yang dapat menyebabkan kerumunan dan penurunan kualitas pengalaman. Sebagai contoh, PoI seperti Arena Amphitheatre di Verona telah menerima lebih dari 421.000 kunjungan dalam periode tertentu, yang menunjukkan tantangan dalam mengelola arus pengunjung. Oleh karena itu, kemampuan RS seperti ARTEMIS untuk memprediksi kepadatan dan memberikan saran waktu kunjungan yang lebih optimal dapat membantu mengurangi kerumunan serta meningkatkan distribusi wisatawan ke tempat-tempat lain yang lebih sepi.
***
Teknologi sistem rekomendasi (RS) yang digunakan dalam ARTEMIS menggabungkan pembelajaran mesin (machine learning) dan pembelajaran mendalam (deep learning) untuk mengolah data historis dan data kontekstual pengguna. Artikel ini menunjukkan bahwa faktor kontekstual seperti cuaca, waktu, dan lokasi mempengaruhi preferensi pengguna dan Point of Interest (PoI) suatu tempat wisata. Berdasarkan analisis terhadap lebih dari 2,1 juta catatan kunjungan wisata selama enam tahun di kota Verona, sistem ini mampu memprediksi waktu terbaik untuk mengunjungi berbagai PoI, sehingga mengurangi kerumunan dan meningkatkan pengalaman pengguna secara keseluruhan.
Metode yang digunakan dalam ARTEMIS melibatkan dua komponen utama, yaitu peramal keramaian (crowding forecaster) dan model preferensi kontekstual. Peramal keramaian menganalisis data historis dan faktor kontekstual untuk memprediksi jumlah wisatawan di PoI pada waktu tertentu. Model preferensi kontekstual, di sisi lain, mempelajari perilaku pengguna untuk memberikan rekomendasi personal yang sesuai dengan preferensi mereka dalam konteks spesifik, seperti waktu hari atau cuaca.
Menurut penelitian ini, prediksi yang lebih akurat dapat membantu mengoptimalkan rute wisata, mengurangi waktu antrian, dan mendistribusikan wisatawan ke tempat-tempat yang tidak terlalu ramai, sehingga mengurangi tekanan di tempat-tempat yang populer seperti Juliet's House yang menerima 375.305 kunjungan selama periode penelitian. Penerapan sistem ini di dunia nyata menunjukkan peningkatan efisiensi, terutama di destinasi wisata yang sering mengalami lonjakan pengunjung pada waktu-waktu tertentu. Teknologi semacam ini juga dapat diadopsi oleh sektor lain, seperti perhotelan atau perbelanjaan, di mana mengelola arus orang sangat penting.
***
Sistem rekomendasi seperti ARTEMIS menawarkan solusi yang lebih cerdas dan efektif untuk menghadapi tantangan di industri pariwisata. Dengan memanfaatkan pembelajaran mesin untuk memprediksi kepadatan dan menyesuaikan rekomendasi berdasarkan data kontekstual, sistem ini tidak hanya membantu mengurangi kerumunan tetapi juga memberikan pengalaman yang lebih personal kepada pengguna. Dengan implementasi teknologi semacam ini, baik wisatawan maupun pengelola destinasi dapat mengoptimalkan sumber daya dan menciptakan lingkungan yang lebih nyaman bagi pengunjung. Potensi untuk memperluas penerapan sistem ini di berbagai sektor juga menjanjikan, membuka peluang inovasi lebih lanjut dalam manajemen arus orang dan layanan personalisasi di masa depan.
***
Referensi
Migliorini, S., Dalla Vecchia, A., Belussi, A., & Quintarelli, E. (2024). ARTEMIS: a context-aware recommendation system with crowding forecaster for the touristic domain. Information Systems Frontiers. https://doi.org/10.1007/s10796-024-10512-y