Electronic Theses and Dissertation

Kegiatan daring atau terhubung melalui internet menjadi salah satu aktivitas yang banyak dilakukan oleh lebih dari setengah populasi manusia di dunia. Penggunaan mesin pencarian adalah kegiatan yang sering dilakukan saat daring. Saat ini, Google mendominasi pengguna internet dan menyimpan triliunan data pencarian (query) dalam Google Trends yang dapat diakses dengan mudah dan gratis. Penelitian ini memanfaatkan data Google Trends tersebut dalam membangun model peramalan data kunjungan wisatawan ke Indonesia. Selain itu, penelitian ini juga memasukkan kejadian data Covid-19 yang dinyatakan WHO sebagai pandemi global sejak Maret 2020. Metode yang digunakan adalah Autoregressive Distributed Lag (ARDL). Penelitian ini juga menggunakan bound test cointegration untuk menguji kointegrasi atau hubungan jangka pendek dan jangka panjang antara variabel penyusun model ARDL. Dari model tersebut diketahui terdapat hubungan kointegrasi jangka panjang antara kunjungan wisatawan dan kueri Google Trends, yaitu untuk kueri tentang hotel dan penginapan, pantai dan pulau, dan acara musiman dan liburan, serta kejadian Covid-19. Di mana kejadian Covid-19 menghasilkan tingkat signifikan hingga 1%. Hubungan jangka panjang ini terjadi pada keseluruhan model ARDL Malaysia, Singapura, dan Australia yang datang ke Indonesia. Selain itu, dilakukan komparasi terhadap data ramalan model ARDL dengan data faktual kunjungan wisatawan. Komparasi ditampilkan melalui grafik garis yang menunjukkan bahwa garis data ramalan dan data faktual bergerak dalam pola yang mirip dan berhimpitan. Artinya data hasil ramalan dengan kueri Google Trends memiliki nilai yang tidak berbeda jauh dari data yang sebenarnya. Sehingga penelitian ini membuktikan pemanfaatan kueri Google Trends dapat membantu dalam peramalan ketika data yang tersedia terbatas bahkan tidak tersedia sama sekali.
Kata kunci: peramalan, wisatawan, Google Trends, ARDL, bound test, kointegrasi

Online activities or being connected through the internet is one of the activities carried out by more than half of the world's population. Search engines is oftenly used by the people during their online session. Currently, Google dominates internet users and stores trillions of search query data in Google Trends which can be accessed easily and for free. This study aims to utilize the Google Trends data in building a forecasting model of tourist visits to Indonesia. In addition, this study also includes the incidence of Covid-19 which has been declared by WHO as a global pandemic since March 2020. The method used is Autoregressive Distributed Lag (ARDL). This study also uses a cointegration bound test to examine cointegration or the short-run and long-run relationship between the variables that make up the ARDL model. From the model, it is known that there is a long-run cointegration relationship between tourist visits and Google Trends queries, such as queries on hotels and accomodation, beaches and islands, and seasonal and holiday events, even the incidence of Covid-19. The Covid-19 incidence have a significant rate of up to 1%. This long-run relationship occurs in all ARDL models from Malaysia, Singapore, and Australia that come to Indonesia. In addition, a comparison is made against the forecast data of the ARDL model with the actual data of tourist visits. The comparison is displayed through a line graph which shows that the forecast data lines and actual data move in a similar pattern and coincide fairly well. This means that the forecasted data with Google Trends queries has a value that does not differ much from the actual data. So, this study proves that the use of Google Trends queries in forecasting actual data can help predict the data in real life. Keywords: forecasting, tourist, Google Trends, ARDL, bound test, cointegration