PREDIKSI KUNJUNGAN WISATAWAN TORAJA UTARA MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION
DOI:
https://doi.org/10.47178/dynamicsaint.v5i1.1237Keywords:
Prediksi, Jaringan Syaraf Tiruan, BackpropagationAbstract
Paper ini berisi tentang penerapan algoritma jaringan saraf tiruan backpropagation untuk memprediksi kunjungan wisatawan di Toraja Utara berdasarkan data kunjungan wisatawan sebelumnya. Data yang yang digunakan merupakan data dari kunjungan wisatawan tahun 2014-2018. Arsitektur jaringan syaraf tiruan yang digunakan terdiri atas 3 (tiga) lapisan yaitu 1 lapisan masukan yang terdiri atas 12 neuron, 1 (satu) lapisan tersembunyi, dimana percobaan dilakuklan dengan 6, 12, 18, 24 dan 36 neuron sedangkan pada lapisan keluaran terdapat 1 (satu) neuron yang menjadi target prediksi. Hasil pelatihan JST
bacpropagation menunjukan arsitektur terbaik adalah yaitu 12 neuron pada lapisan masukan, 36 neuron pada lapisan tersembunyi, dan 1 neuron pada lapisan keluaran. Hasil pengujian model JST backpropagation menunjukkan bahwa prediksi cukup baik untuk melakukan prediksi kunjungan wisatawan dengan menghasilkan nilai mean square error (MSE) 0.364826512 atau persentasi akurasi sebesar 63,51%.
References
[2]C. Liu, S. C. H. Hoi, P. Zhao, and J. Sun,“Online ARIMA algorithms for time series prediction,” 30th AAAI Conf. Artif. Intell. AAAI 2016, pp. 1867–1873, 2016.
[3]T. Baldigara and M. Mamula, “Modelling international tourism demand using seasonal arima models,” Tour. Hosp. Manag., vol. 21, no. 1, pp. 1–31, 2015.
[4]Y. Ibrahim, Nanthakumar, and Loganathan,“Forecasting International Tourism Demand in Malaysia Using Box Jenkins Sarima Application,” South Asian J. Tour. Herit., vol.3, no. 2, pp. 50–60, 2010.
[5]Haviluddin and R. Alfred, “Forecasting Network Activities Using ARIMA Method,”J. Adv. Comput. Networks, vol. 2, no. 3, pp.173–177, 2014, doi:10.7763/jacn.2014.v2.106.
[6]O. Claveria and S. Torra, “Forecasting tourism demand to Catalonia: Neural networks vs. time series models,” Econ.Model., vol. 36, no. January, pp. 220–228,2014, doi: 10.1016/j.econmod.2013.09.024.
[7]G. Stalidis, D. Karapistolis, and A. Vafeiadis,“Marketing Decision Support Using Artificial Intelligence and Knowledge Modeling: Application to Tourist Destination
Management,” Procedia - Soc. Behav. Sci.,vol. 175, pp. 106–113, 2015, doi:10.1016/j.sbspro.2015.01.1180.
[8]K. Abhishek, A. Kumar, R. Ranjan, and S.Kumar, “A rainfall prediction model using artificial neural network,” Proc. - 2012 IEEE Control Syst. Grad. Res. Colloquium, ICSGRC 2012, no. Icsgrc, pp. 82–87, 2012, doi: 10.1109/ICSGRC.2012.6287140.
[9]Rudy Ansari, “Prediksi Kelulusan Mahasiswa Dengan Jaringan Syaraf Tiruan,” J. Teknol.Inf. Univ. Lambung Mangkurat, vol. 1, no. 1,pp. 18–23, 2016, doi:10.20527/jtiulm.v1i1.4.
[10] G. Guntoro, L. Costaner, and L.Lisnawita, “Prediksi Jumlah Kendaraan di Provinsi Riau Menggunakan Metode Backpropagation,” Inform. Mulawarman J.
Ilm. Ilmu Komput., vol. 14, no. 1, p. 50, 2019,doi: 10.30872/jim.v14i1.1745.
[11] A. Sudarsono, “Jaringan Syaraf Tiruan Untuk Memprediksi Laju Pertumbuhan Penduduk Menggunakan Metode Metode Backpropagation (Studi Kasus Di Kota Bengkulu),” J. Media Infotama, vol. 12, no. 1, pp. 61–69, 2016.
[12] N. M. Sukarno, P. W. Wirawan, and S. Adhy, “Perancangan Dan Implementasi Jaringan Saraf Tiruan BackpropagationUntuk Mendiagnosa Penyakit Kulit,” J.Masy. Inform., vol. 5, no. 10, pp. 9–18, 2015,doi: 10.14710/jmasif.5.10.9-18.
[13] M. Peramalan, J. Saraf, T.Menggunakan, and A. Backpropagatin,“Metode Peramalan Jaringan Saraf TiruanMenggunakan Algoritma Backpropagatin(Studi Kasus Peramalan Curah Hujan Kota Palembang),” J. MIPA, vol. 40, no. 2, pp. 87–91, 2017.
