Industri pariwisata di Indonesia memiliki kontribusi yang besar dalam mendatangkan
wisatawan baik nusantara hingga mancanegara salah satunya adalah pariwisata alam. Parawisata
alam yang cukup terkenal di Indonesia adalah kawasan konservasi Taman Nasional Gunung
Merbabu (TNGMb). Dalam pengelolaanya, TNGMb dapat di katakan berhasil untuk menarik minat
wisata para wisatawan. Oleh karena itu pihak pengelola perlu menjadi peramal permintaan
wisatawan jika ingin memiliki perencanaan yang baik. Salah satu bentuk perencaan yang baik dapat
menerapkan prediksi deret waktu (Time series forecasting) agar dapat memprediksi nilai masa depan
dari suatu urutan tertentu menggunakan data historis. Pihak pengelola Balai TNGMb memiliki data
historis deret waktu yang dapat di manfaatkan sebagai sampel untuk melakukan prediksi.
Terdapat salah satu metode dari cabang ilmu deep learning yang dapat diterapakan untuk
memprediksi yaitu Recurrent Neural Network (RNN). Pada penelitian ini telah dilakukan analisis
deret waktu dan pembangunan model untuk melakukan prediksi menggunakan arsitektur RNN serta
arsitektur pengembanganya yaitu long-short term memory (LSTM). Penelitian ini telah
mengimplementasi gabungan dari beberapa macam metode mulai dari tahap pemrosesan data deret
waktu hingga tahap pengujian pada model untuk menghasilkan nilai prediksi. Untuk kesederhanaan
telah di buat 18 skenario sebagai objek penelitian pada studi kasus ini, sehingga dapat menganalisis
dan mengidentifikasi pengaruh antara bentuk data dan pengaturan hyperparameter pada setiap
model.
Hasil yang di dapat menunjukkan data sampel dengan menggunakan format lag time dapat
meningkatkan kemampuan pada model untuk mempelajari pola pada data, yaitu menggunakan tujuh
lag sebagai feature dan satu lag sebagai label. Model menggunakan 80% data latih dan 20% data
uji, dimana pada setiap skenario data latih merupakan data jumlah wisatawan di tahun 2013 hingga
tahun 2017 dan data uji merupakan data jumlah wisatawan di tahun 2018. Hasil pengujiian terbaik
terjadi saat melakukan prediksi menggunakan model dengan jumlah satu unit pada input layer, tujuh
unit pada hidden layer dan satu unit pada output layer. Pengukuran besar kesalahan hasil prediksi
dilakukan dengan mengunakan root mean square error (RMSE), dengan nilai RMSE terkecil yaitu
4,2 pada model arsitektur RNN dan nilai RMSE terkecil yaitu 3,7 pada model arsitektur LSTM.