Introduction. This research aims to study a novel approach to producing tourism statistics, especially accommodation statistics, in Indonesia using scraping of online travel agent Websites. Method. Accommodation data (e.g., room availability and price) were gathered from two of the largest online travel agencies in Indonesia. All data were collected automatically from the sites’ URLs listed in the sitemap. Analysis. The data were collected daily from 6 March to 27 July 2019. Datasets from the two Websites were merged. The room occupation rate (ROR) for each province was calculated and compared with the official statistics from Statistics Indonesia. Results. The results show that the online room occupancy rates and official statistics have a similar pattern indicating the use of the Web scraping technique provides valuable information, to measure the room occupation rate with an advantage in terms of cost and collection time. Conclusions. It is feasible to use big data as a proxy of or a complement to official statistics, especially in tourism statistics. By using the Web scraping technique, the indicator that usually requires significant time and cost can be done in real-time and less cost. This new approach would improve the quality of tourism statistics produced by BPS Statistics Indonesia.

Pandemi wabah virus corona (COVID-19) telah melumpuhkan aktivitas ekonomi di banyak negara, termasuk Indonesia. Big data sebagai sumber data alternatif untuk mengukur aktivitas ekonomi terutama dalam situasi pandemi dapat menjadi tambang informasi yang berharga. Penelitian ini memberikan sebuah pendekatan baru dalam mengukur aktivitas ekonomi yang berbasis pada Mobile Positioning Data (MPD). Data yang digunakan adalah data sampel dari aktivitas pelanggan jaringan seluler yang dikumpulkan di tingkat kabupaten/kota dengan interval harian, di mana aktivitas tersebut didefinisikan sebagai jumlah transaksi seluler dan lokasi yang terdeteksi, dan jumlah pengguna unik. Penelitian ini menunjukkan bahwa Mobile Positioning Data (MPD) dapat menjadi proksi untuk mengestimasi aktivitas ekonomi di Indonesia, terutama pada saat kondisi pandemi.

Prosiding Use Cases Artificial Intelligence Indonesia adalah buku yang mengumpulkan hasil-hasil kajian dan liputan 26 use cases inovasi dan 4 inisiatif pemanfaatan kecerdasan artifisial yang kemudian dipetakan menjadi lima klaster bidang kecerdasan artifisial, yakni: riset industri dan hankam, layanan publik dan kesehatan, kota cerdas dan kebencanaan, ketahanan pangan dan maritim, serta klaster inisiatif pemanfaatan kecerdasan artifisial. Materi buku diperoleh dari para kontributor seluruh anggota quadhelix dan para narasumber pegiat kecerdasan artifisial di Indonesia. Buku ini akan membantu masyarakat dalam mendapatkan pengetahuan dan pencerahan tentang seluruh teknologi kecerdasan artifisial yang membantu sektor-sektor terkait dalam hal otomatisasi, alat bantu untuk menganalisis, membuat rekomendasi serta keputusan, memprediksi dan sebagainya.

Badan Pusat Statistik (BPS) dalam memajukan official statistics menerapkan Corporate Statistical Infrastructure yang mengadopsi tidak hanya sumber data administratif, sensus, dan survei, tetapi juga big data. Inovasi-inovasi pemanfaatan kecerdasan artifisial/artificial intelligence (AI) dan big data di BPS meliputi beberapa hal. Pertama, Mobile Positioning Data (MPD) for Official Statistics yang memanfaatkan informasi lokasi dari perangkat mobile untuk pendukung sumber data statistik pariwisata serta delineasi Metropolitan Statistical Area di kota besar dan mengestimasi jumlah komuter. Kedua, pemanfaatan citra satelit untuk pertanian dan pemetaan kemiskinan. Pada statistik pertanian, pemanfaatan model AI digunakan untuk melakukan klasifikasi tutupan lahan pertanian dan estimasi luas tanam padi dan jagung. Sementara itu, pada pemetaan kemiskinan, model AI, seperti convolutional neural network, digunakan untuk mengekstraksi fitur-fitur geospasial permukaan bumi, infrastruktur, dan pusat-pusat perekonomian dari citra siang dan malam hari untuk membantu memetakan sebaran kemiskinan di suatu wilayah. Selain itu, informasi dari berita online maupun media sosial digunakan untuk menangkap fenomena yang terjadi di masyarakat. Ke depannya, optimalisasi berbagai sumber data transaksi dan big data, dengan metodologi statistik dan machine learning akan ditingkatkan untuk menyempurnakan kualitas data yang dihasilkan BPS.

In conducting a mobility analysis using Mobile Positioning Data, the most critical step is to define each customer's usual environment. The initial concept of mobility used is the movement that occurs from and to every usual environment, so errors in determining the usual environment will cause incorrect mobility statistics. Therefore, Anchor Mobility Data Analytic (AMDA) is proposed for Home-Work Location Determination from Mobile Positioning Data. This algorithm uses clockwise reversal to make it easier to classify someone in their usual environment. Unfortunately, only about 80% of the raw data can be used to establish usual environments. The remaining 20% do not have sufficient data history. This study found that the accuracy of AMDA in determining monthly home location was 98.8% at the provincial level and 88.7% at the regency level. As for the determination of monthly work locations, 98.9% at the provincial level and 70.4% at the regency level.