Penelitian ini bertujuan mengembangkan sistem rekomendasi pariwisata berbasis web guna mendorong pemerataan wisatawan. Menggunakan metodologi CRISP-DM, sistem ini mengimplementasikan pendekatan Content-Based Filtering. Data primer sebanyak 1.621 destinasi wisata diekstraksi melalui web scraping dari platform Google Maps. Sistem memanfaatkan arsitektur Deep Autoencoder untuk mengompresi 54 dimensi fitur menjadi 8 fitur laten guna menghitung kemiripan karakteristik destinasi, serta mengintegrasikan Haversine Formula sebagai filter geospasial. Hasil evaluasi menunjukkan model berkonvergensi optimal dengan tingkat galat Root Mean Squared Error (RMSE) sebesar 0,13. Pengujian relevansi rekomendasi menggunakan metrik Precision@10 mencatatkan tingkat akurasi rata-rata 85,00%. Hasil ini membuktikan bahwa integrasi fitur laten Autoencoder dan filter jarak geospasial mampu menghasilkan rekomendasi destinasi alternatif yang presisi secara preferensi konten, sekaligus logis secara aksesibilitas geografis bagi wisatawan.

S12570

INF 0092 2026

Bekasi

Tersedia