PERBANDINGAN METODE RANDOM FOREST DAN NAIVE BAYES DALAM KLASIFIKASI PREFERENSI DESTINASI WISATA BERBASIS ALAM

Abstract

Prediksi preferensi wisatawan pada destinasi berbasis alam merupakan isu penting dalam analitik pariwisata karena perbedaan minat pengunjung memengaruhi segmentasi, promosi, perencanaan layanan, dan pengembangan destinasi. Tantangan utama penelitian ini adalah menentukan model klasifikasi yang mampu merepresentasikan pola preferensi wisatawan secara akurat. Penelitian ini membandingkan Random Forest dan Naive Bayes untuk mengklasifikasikan preferensi wisatawan terhadap destinasi pegunungan dan pantai. Perbandingan kedua metode diperlukan karena data preferensi wisatawan memuat atribut demografis dan perilaku yang berpotensi membentuk pola klasifikasi berbeda, sehingga perlu diuji menggunakan algoritma dengan karakteristik pembelajaran yang berbeda. Random Forest dipilih karena mampu menangkap interaksi fitur kompleks melalui mekanisme ensemble berbasis decision tree, sedangkan Naive Bayes digunakan sebagai pembanding karena sederhana, efisien, dan relevan sebagai baseline probabilistik dalam tugas klasifikasi. Penelitian ini menggunakan desain kuantitatif berbasis machine learning dengan dataset Mountains vs. Beaches Preferences dari Kaggle. Tahapan penelitian meliputi eksplorasi data, praproses, pembangunan model, dan evaluasi komparatif. Data dibagi dengan proporsi 80:20. Evaluasi dilakukan menggunakan confusion matrix serta metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan Random Forest unggul atas Naive Bayes pada seluruh metrik. Random Forest memperoleh akurasi 0,994596, presisi 0,994626, recall 0,994596, dan F1-score 0,994604, sedangkan Naive Bayes memperoleh akurasi 0,919226, presisi 0,930133, recall 0,919226, dan F1-score 0,921664. Temuan ini menunjukkan bahwa Random Forest lebih sesuai untuk dataset yang dianalisis dan machine learning dapat mendukung pengambilan keputusan manajerial dalam pengelolaan destinasi wisata alam