236-Article Text-759-1-10-20190629
236-Article Text-759-1-10-20190629
Abstract- Based on the of tourist visits of West Nusa Provinsi NTB dari peningkatan selama periode lima tahun
Tenggara from 2013 to 2017 obtained from Tourism Office terakhir tersebut adalah sebesar 10.7%[1].
of NTB Province the number of tourist visits changes every Berdasarkan data tersebut maka perlu dilakukan suatu
year. a prediction is needed to estimate the number of tourist prediksi jumlah kunjungan wisatawan ke Provinsi NTB
visits in the upcoming year to help the government in making untuk membantu pemerintah terkait dalam menangani
policy. The Tourism Office currently estimaties the tourist
lonjakan wisatawan dan dalam proses pengambilan
visit based on the events that will be carried out. There are
no mathematic calculations in estimations. This study uses keputusan. Prediksi jumlah kunjungan wisatawan ke
Backpropagation to predict the number of tourist visits. Provinsi NTB sudah dilakukan oleh Dinas Pariwisata
Backpropagation is a good and accurate in predicting process Provinsi NTB namun hanya berdasarkan pada event yang
involving fluctuating data. This study aims to examine the akan dilaksanankan ke depannya sehingga belum ada
effectiveness of the backpropagation in predicting the penggunaan perhitungan matematis yang mendasari
number of tourist visits based on the minimum value of the perkiraan tersebut oleh karena itu dalam melakukan
Mean Square Error (MSE). Using a maximum iteration of prediksi diperlukan penerapan metode dengan tujuan
1500, learning rate 0.3 and the number of hidden layers 21 untuk memperkecil kesalahan dalam proses prediksi
produces the minimum MSE value of 0.003901 and the
sehingga lebih akurat atau hampir mendekati nilai aktual.
prediction of tourist visits in 2018 has the most tourist
arrivals in July 2018 of 465.202 tourists and the lowest visit Proses memprediksi jumlah kunjungan wisatawan seperti
was in February 2018, which estimated to 236.864 tourists. metode exponential smoothing (ES), autoregressive
integrated moving average (ARIMA), seasonal
Key words: Prediction, Backpropagation, Tourists Visit, autoregressive integrated moving average (SARIMA) dan
West Nusa Tenggara Province Weighted Moving Average (WMA) sudah banyak
dimanfaatkan. Kekurangan dari metode statistik di atas
I. PENDAHULUAN adalah jeleknya akurasi dan data memiliki sifat linear [2].
Faktor penentu perkembangan pariwisata di Provinsi Untuk mengatasinya maka pada penelitian ini digunakan
NTB adalah tingkat kunjungan wisatawan baik nusantara metode Jaringan Syaraf Tiruan (JST) Backpropagation.
maupun mancanegara. Data jumlah kunjungan wisatawan Metode Backpropagation sangat cocok digunakan untuk
lima tahun terakhir di Provinsi NTB yakni januari 2013 data yang bersifat nonlinear seperti data jumlah kunjungan
hingga desember 2017 yang diperoleh dari Dinas wisatawan yang dapat mengalami fluktuasi setiap
Pariwisata Provinsi NTB dimana wisatawan yang tahunnya.
berkunjung cenderung mengalami perubahan. Banyaknya Oleh karena itu, pada penelitian ini digunakan metode
wisatawan yang ke Provinsi NTB untuk tahun 2013 adalah JST backpropagation untuk melihat bagaimana tingkat
1.357.602 wisatawan yang mengalami peningkatan efektifitas dan akurasi dari metode tersebut untuk di
sebesar 19.9% pada tahun 2014 yakni sebanyak 1.629.122 terapkan pada proses prediksi jumlah kunjungan
wisatawan. Wisatawan di 2015 meningkat 35.7% wisatawan ke Provinsi NTB dengan menggunakan aplikasi
dibandingkan 2014 yakni sebanyak 2.210.527 wisatawan. berbasis website dalam memperkirakan dan memprediksi
Pada 2016 meningkat sebesar 39.9% dibandingkan 2015 banyaknya kunjungan dan hasil dari sistem ini diharapkan
yakni sebanyak 3.094.437 wisatawan, dan yang terakhir di dapat membantu pemerintah terutama yang berkaitan
2017 meningkat kembali sebesar 13.4% dibandingkan dengan Dinas Pariwisata sebagai bahan pertimbangan
2016 yakni berjumlah 3.508.903 wisatawan, sehingga dalam proses pengambilan kebijakan untuk
rata-rata peningkatan jumlah kunjungan wisatawan ke pengembangan sektor wisata di Provinsi NTB.
http://jcosine.if.unram.ac.id/ 39
J-COSINE, Vol. 3, No. 1, Juni 2019 E-ISSN:2541-0806, P-ISSN:2540-8895
II. TINJAUAN PUSTAKA wisatawan manacanegara dari tujuh negara Asia Tenggara
Hingga saat ini metode statistik banyak dimanfaatkan yakni Brunai Darusalam, Malaysia, Philipina, Singapura,
untuk prediksi jumlah kunjungan wisatawan pada Thailand, Vietnam dan Myanmar. Hal yang diuji yakni
penelitian sebelumnya [3][4][5]. Dari ketiga penelitian parameter hidden layer sebanyak 7, 10, 11, 12, dan 15 dan
tersebut dapat disimpulkan bahwa prediksi kunjungan di peroleh hasil pengujian terbaik pada jumlah 7 hidden
wisata dianggap sangat penting karena merupakan suatu layer dengan nilai nilai MSE sebesar 0.006513.
faktor penentu terhadap perkembangan sektor wisata yang Berdasarkan dari beberapa penelitian yang menjadi
akan berdampak pada sektor ekonomi masyarakat. Hasil tinjauan pustaka tersebut dapat disimpulkan bahwa
dari ketiga penelitian tersebut antara lain, pada penelitian prediksi jumlah kunjungan wisatawan dengan
prediksi kunjungan wisata di Lombok Tengah untuk menggunakan metode statistik masih manghasilkan nilai
metode SARIMA didapatkan akurasi nilai Root Mean akurasi yang tidak akurat yang dapat dilihat dari nilai
Square Error (RMSE) sebesar 1133.602, Mean Absolute MSE, RMSE, MAPE dan ME yang dihasilkan masih
Error (MAE) sebesar 860.4347 dan Mean Absolute cukup besar, sedangkan metode Backpropagation pada
Precentage Error (MAPE) sebesar 16.70765. Prediksi beberapa kasus prediksi menghasilkan nilai MSE yang
jumlah kunjungan wisatawan ke Uluwatu dengan metode cukup baik dan akurat, sehingga pada pada penelitian ini
ARIMA diperoleh hasil dengan nilai MSE 32313.95, dilakukan suatu penelitian yaitu prediksi kunjungan wisata
sedangkan prediksi jumlah wisata di Jatim Park Group dengan penerapan metode Backpropagation di NTB.
pada Kota Wisata Batu untuk metode WMA dilakukan Penelitian ini memilih kasus prediksi jumlah kunjungan
pengujian metode WMA selama 5 tahun. Pengujian ini wisatawan karena kunjungan wisatawan merupakan suatu
dibedakan high session dan low session dengan faktor penentu terhadap perkembangan pariwisata di
pengukuran Mean Error (ME). Dalam range waktu 3 Provinsi NTB yang sangat berpengaruh pada keadaan
bulan diperoleh nilai ME sebesar -1918.98 pada low ekonomi masyarakat NTB, juga untuk membantu
season dan nilai ME sebesar 976.2374 pada high season, pemerintah terkait dalam proses pengambilan keputusan
dalam range waktu 4 bulan diperoleh nilai ME sebesar dan kebijakan. Metode Backpropagation dipilih sebagai
568.0617 pada low season dan ME sebesar 787.1036 pada metode yang digunakan karena dianggap sangat cocok
high season, sedangkan pada range waktu 5 bulan digunakan untuk data yang bersifat nonlinear seperti data
diperoleh nilai ME sebesar 524.608 pada low season dan jumlah kunjungan wisatawan yang dapat mengalami
nilai ME sebesar 746.1027 pada high season. fluktuasi setiap tahunnya. Backpropagation memiliki
Beberapa penelitian sudah menggunakan metode error yang minimum untuk mengenali pola di masa
Backpropagation untuk prediksi seperti pada kasus sebelumnya [12]. Data yang dipakai jumlah kunjungan
prediksi curah hujan, prediksi jumlah permintaan koran, wisatawan dalam periode 5 tahun terakhir yakni 2013-
prediksi harga saham, prediksi harga jual kelapa sawit, dan 2017 yang dibangun dengan sistem berbasis web. Tujuan
prediksi permintaan produksi[6][7][8][9][10]. Dari kelima penelitian untuk melihat efektifitas prediksi metode
penelitian tersebut dapat ditarik kesimpulan bahwa backpropagation di NTB.
Backpropagation sangat cocok untuk diterapkan pada III. METODE P ENELITIAN
prediksi. Pada penelitian prediksi curah hujan diperoleh
hasil akurasi terbaik pada pengujian jumlah 5 hidden layer A. Data
dan target error 0.0072 dengan nilai akurasi sebesar Penggunaan datanya bersumber dari Dinas Pariwisata
43.27%. Penelitian prediksi jumlah permintaan koran Provinsi NTB. Datanya berupa jumlah kunjungan
diperoleh hasil pengujian terbaik pada iterasi sebanyak wisatawan ke Provinsi NTB selama periode lima tahun
200, learning rate 0.6 dan jumlah data training 100 dan yakni dari Januari 2013 hingga Desember 2017 sebanyak
data tes 10 dengan MSE sebesar 0.0162. Penelitian bulan selama 5 tahun yakni 60 data dimana data tahun
prediksi harga saham menggunakan data sebanyak 1235. 2013-2016 sebanyak 48 data di gunakan sebagai data latih
yang dibagi menjadi data harga pembuka dan penutup, dan datah tahun 2017 sebanyak 12 data di gunakan sebagai
tertinggi dan terendah, harga emas dan minyak dengan data uji yang diperoleh berdasarkan pintu masuk seperti
hasil 99,98% akurat dan MSE 0,9915. Pada penelitian Pelabuhan Lembar, Bandara Internasional, Pelabuhan Fast
prediksi harga jual kelapa sawit di peroleh hasil pengujian Boat dan Pelabuhan Sape. Teknik pengambilan data
terbaik dengan menggunakan 6 hidden layer dan iterasi dilakukan dengan melakukan wawancara dengan Staf di
maksimum sebanyak 166 menghasilkan nilai MSE sebesar Dinas Pariwisata Provinsi NTB.
0.001, sedangkan pada penelitian prediksi permintaan
produksi dengan pengujian 20 lapisan tersembunyi, 0,1 B. Alur Penelitian
learning rate yang digunakan dan 0,2 nilai konstanta Alur dari penelitian ini dapat dilihat pada Gambar 1.
momentum. Hasilnya MSE tahap training 0,001 dan 1. Studi literatur di sini berupa jurnal, dokumentasi, dan
MAPE tahap tes 5,7134%. pustaka. Tujuannya agar dapat mengetahui kekurangan
Terdapat penelitian yang menggunakan metode dan kelebihan dari berbagai penelitian sebelumnya
Backpropagation dalam melakukan estimasi wisatawan sehingga dapat digunakan sebagai acuan dalam
mancanegara yang data ke Sumatera Utara[11], penelitian mengembangkan sistem.
tersebut hanya melakukan prediksi terhadap kunjungan
http://jcosine.if.unram.ac.id/ 40
J-COSINE, Vol. 3, No. 1, Juni 2019 E-ISSN:2541-0806, P-ISSN:2540-8895
2. Identifikasi masalah merupakan tahap untuk 5. Setelah data dianalisa dan pola yang tepat sudah
menentukan daftar permasalahan yang akan dicari ditentukan maka selanjutnya data akan diolah dengan
solusinya. Input yang dibutuhkan adalah data jumlah metode backpropagation. Tahapan prediksi dimulai
kunjungan wisatawan ke Provinsi NTB selama lima dengan mengambil masukan data, normalisasi,
tahun dan output yang ingin dihasilkan adalah hasil training, tes dan melakukan prediksi yang dapat dilihat
prediksi jumlah kunjungan pada bulan di tahun pada Gambar 2.
berikutnya dan proses apa yang dilakukan untuk mulai
Provinsi NTB.
Normalisasi
mulai Studi Literatur Identifikasi Masalah
Training
Prediksi
Pengolahan Data dengan
Implementasi berbasis Web Pengujian
Backpropagation
Hasil peramalan
http://jcosine.if.unram.ac.id/ 41
J-COSINE, Vol. 3, No. 1, Juni 2019 E-ISSN:2541-0806, P-ISSN:2540-8895
mengubah parameter jumlah hidden layer, aktual untuk beberapa parameter seperti jumlah hidden
maksimal iterasi, serta learning rate dengan tujuan layer, jumlah iterasi dan learning rate.
mendapat variasi terbaik yang akan digunakan 8. Setelah dilakukan pengujian hasil akan di analisa
dalam proses prediksi. Setelah didapat hasil berdasarkan variasi parameter pada pengujian yang
prediksi selanjutnya hasil prediksi tersebut akan menghasilkan tingkat keakurasian yang paling baik.
dibandingkan dengan data aktual untuk melihat Proses analisa hasil dari pengujian iterasi maksimum,
tingkat ke akurasiannya. Pengujian dilakukan pada learning rate dan hidden layer.
tiga parameter yaitu: 9. Apabila hasil sudah sesuai maka langsung dilakukan
a. Iterasi maximum yang menghasilkan akurasi tahap dokumentasi berupa laporan dan jurnal apabila
yang paling baik. Iterasi maksimum yang akan belum sesuai maka kembali ke tahap analisa data dan
digunakan antara lain 100, 500, 1000, 1500, penetuan pola.
2000, 2500 dan 3000
C. Diagram Alir Metode Backpropagation
b. Learning rate yang paling baik dengan nilai 0.1,
0.2, 0.3, 0.4, 0.5, 0.6 dan 0.7 Gambar 3 adalah alur perhitungan pada metode
c. Hidden layer sebanyak 3, 9, 15, 21, 27, 30 dan Backpropagation [13].
36 Start
∑𝑛
𝑖=1 (𝑋𝑛 − 𝐹𝑛 )
2
𝑀𝑆𝐸 = 𝑛
Setting Input
(𝑋 ′ − 0.1)(𝑏−𝑎)
𝑋= 0.8
+𝑎 (2) End
http://jcosine.if.unram.ac.id/ 42
J-COSINE, Vol. 3, No. 1, Juni 2019 E-ISSN:2541-0806, P-ISSN:2540-8895
𝑧_𝑛𝑒𝑡𝑗 = 𝑣𝑗0 + ∑𝑛𝑖=1 𝑥𝑖 𝑣𝑗𝑖 (4) Faktor 𝛿𝑘 ini kemudian dikirim ke layer depannya
Keterangan :
Dan memakai fungsi aktivasi sigmoid yang telah 𝛿𝑘 = faktor koreksi error bobot 𝑤𝑗𝑘
ditentukan untuk menghitung sinyal output dari hidden 𝑡𝑘 = target output ke – k
layer yang bersangkutan, 𝑦𝑘 = aktivasi output ke – k
∆𝑤𝑘𝑗 = nilai koreksi error bobot 𝑤𝑘𝑗
1
𝑧𝑗 = 𝑓(𝑧𝑛𝑒𝑡𝑗 ) = 1+𝑒 −𝑧_𝑛𝑒𝑡𝑗 (5) 𝑧𝑗 = aktivasi hidden layer ke – j
Lalu mengirim sinyal output ke seluruh layer pada 8) Langkah 7 : Hitung faktor 𝛿 hidden layer berdasarkan
output layer kesalahan di setiap hidden layer (𝑍𝑗, 1,2,3, … , 𝑝)
dimana : menggunakan Persamaan (10)
𝑧_𝑛𝑒𝑡𝑗 = sinyal input pada hidden layer ke – j
𝑣𝑗𝑜 = bias ke hidden layer ke – j 𝛿_𝑛𝑒𝑡𝑗 = ∑𝑚
𝑘=1 𝛿𝑘 𝑤𝑘𝑗 (10)
𝑣𝑗𝑖 = bobot antara input layer ke – i dan hidden layer
Faktor 𝛿 hidden layer :
ke – j
𝑥𝑖 = input layer ke – i
𝛿𝑗 = 𝛿_𝑛𝑒𝑡𝑗 𝑓′(𝑧𝑛𝑒𝑡 𝑗 ) = 𝛿𝑛𝑒𝑡𝑗 𝑧𝑗 (1 − 𝑧𝑗 ) (11)
𝑧𝑗 = hidden layer ke – j
𝑖 = urutan input layer
Hitung suku perubahan bobot yang akan digunakan
𝑗 = urutan hidden layer
untuk proses perubahan bobot :
𝑝 = jumlah maksimum unit pada hidden layer
∆𝑣𝑗𝑖 = 𝛼𝛿𝑗 𝑥𝑖 (12)
6) Langkah 5 : Hitung semua keluaran jaringan di layer
output 𝑦𝑘 , 𝑘 = 1,2,3, … , 𝑚) menggunakan Persamaan
(6). dimana :
𝛿_𝑛𝑒𝑡𝑗 = bobot hidden layer ke – j
𝑦_𝑛𝑒𝑡𝑘 = 𝑤𝑘0 + ∑𝑛𝑖=1 𝑧𝑗 𝑤𝑘𝑗 (6) 𝛿𝑘 = faktor koreksi error bobot 𝑤𝑘𝑗
𝑤𝑘𝑗=bobot antara output ke – k dan hidden layer ke–j
Dan memakai fungsi aktivasi yang telah ditentukan 𝛿𝑗 = faktor koreksi bobot 𝑣𝑖𝑗
untuk menghitung sinyal output dari output layer yang 𝑧𝑗 = hidden layer ke – j
bersangkutan: 𝑣𝑗𝑖 = nilai koreksi error bobot 𝑣𝑗𝑖
𝛼 = laju percepatan (learning rate)
1 𝛿𝑖 = faktor koreksi error bobot 𝑣𝑗𝑖
𝑦𝑘 = 𝑓(𝑦𝑛𝑒𝑡𝑘 ) = (7)
1+𝑒 −𝑦_𝑛𝑒𝑡𝑘 𝑥𝑖 = unit input ke – i
dimana : Fase 3: Perubahan Bobot
𝑦_𝑛𝑒𝑡𝑘 = sinyal masukan output ke – k 9) Langkah 8 : Setiap unit output (𝑦𝑘 , 𝑘 = 1,2,3, … , 𝑚)
𝑤𝑘0 = bias ke hidden layer le – k akan memperbarui bias dan bobotnya dengan setiap
𝑤𝑘𝑗 = output ke – k dan hidden layer ke – j hidden unit
𝑧𝑗 = hidden layer ke – j.
𝑤𝑘𝑗 (𝑏𝑎𝑟𝑢) = 𝑤𝑘𝑗 (𝑙𝑎𝑚𝑎) + ∆𝑤𝑘𝑗 (13)
Fase 2: Propagasi Mundur
7) Langkah 6 : Hitung faktor 𝛿 Setiap output layer dari Begitu juga dengan setiap hidden unit akan
error tiap output layer (𝑦𝑘, k=1,2,3,…,m) memperbarui bias dan bobotnya denga setiap unit-unit
menggunakan Persamaan 8 input.
http://jcosine.if.unram.ac.id/ 43
J-COSINE, Vol. 3, No. 1, Juni 2019 E-ISSN:2541-0806, P-ISSN:2540-8895
http://jcosine.if.unram.ac.id/ 44
J-COSINE, Vol. 3, No. 1, Juni 2019 E-ISSN:2541-0806, P-ISSN:2540-8895
http://jcosine.if.unram.ac.id/ 45
J-COSINE, Vol. 3, No. 1, Juni 2019 E-ISSN:2541-0806, P-ISSN:2540-8895
Jumlah Kunjungan
jika learning rate terlalu besar maka algoritma menjadi 400000
tidak stabil dan tidak menghasilkan akurasi yang baik.
300000
B.3. Pengujian Jumlah Hidden Layer
Tahap ini dilakukan dengan mengubah jumlah layer 200000
tersembunyi dimulai dari 3, 9, 15, 21, 27, 30 dan 36. 48
100000
data latih diperoleh dari jumlah bulan selama 4 tahun yakni
2013-2016 dan 12 data uji diperoleh dari jumlah bulan 0
selama 1 tahun yakni 2017 dengan menggunakan nilai
Jun
Jul
Jan
Mei
Sep
Des
Okt
Nov
Feb
Mar
Ags
Apr
parameter iterasi maksimum terbaik yang didapatkan dari
pengujian iterasi maksimum yakni 1500 iterasi dan Bulan
learning rate terbaik pada tahap ini 0.3. Nilai MSE terkecil
atau terbaik pada pengujian hidden layer atau pengujian aktual prediksi
terakhir ini akan digunakan dalam proses prediksi jumlah
kunjungan wisatawan di tahun berikutnya. Hasil pengujian Gambar 9. Grafik Data Prediksi dan Aktual
terdiri dari tabel yang membandingkan data aktual dan
data prediksi dan terdapat hasil perhitungan selisih error, Pada Gambar 9 dapat di lihat bahwa perbedaan antara
persen error dan nilai MSE yang menjadi acuan tingkat nilai aktual dan prediksi memiliki selisih error yang
akurasi dari pengujian yang dilakukan. minimal atau data prediksi hampir mendekati nilai aktual,
Berdasarkan Tabel III, nilai MSE dari hasil pengujian sehingga dapat di simpulkan bahwa proses pelatihan dan
hidden layer mulai dari 3, 9, 15, 21, 27, 30 dan 36 pengujian sudah mendapatkan hasil yang baik dan dapat
mengalami penurunan secara berturut-turut pada hidden digunakan pada tahap prediksi pada tahun berikutnya
layer 3 hingga 21 yakni sebesar 0.018198, 0.004713, yakni 2018.
0.004471 dan 0.003901, dan mengalami kenaikan pada
jumlah hidden layer 27, 30 dan 36 yakni 0.007201,
0.006958 dan 0.011104 C. Prediksi Jumlah Kunjungan Wisatawan
TABEL III. HASIL PENGUJIAN HIDDEN LAYER DENGAN ITERASI Proses prediksi jumlah kunjungan wisatawan dilakukan
MAKSIMUM 1500 DAN LEARNING RATE 0.3 dengan menggunakan variasi parameter terbaik yakni
Hidden Layer MSE jumlah iterasi sebanyak 1500, 0.3 learning rate dan 21
3 0.018198 jumlah layer tersembunyi. Hasil prediksi adalah perkiraan
9 0.004713 jumlah kunjungan wisatawan pada satu tahun berikutnya
15 0.004471 yakni tahun 2018 sesuai Tabel 4 dan grafik pola kunjungan
21 0.003901 dapat dilihat pada Gambar 10.
27 0.007201
30 0.006958 TABEL IV. HASIL PREDIKSI J UMLAH KUNJUNGAN WISATAWAN
36 0.011104 PROVINSI NTB 2018
Jumlah
Dari hasil pengujian menggunakan hidden layer 3, 9, NO Tahun Bulan
Kunjungan
15, 21, 27, 30 dan 36 menunjukan bahwa hidden layer 21 1 2018 Januari 244786
memberikan hasil terbaik karena menghasilkan MSE yang 2 2018 Februari 236864
paling kecil yakni sebesar 0.003901. Sering kali pelatihan 3 2018 Maret 249848
lebih mudah dilakukan dengan menambahkan jumlah 4 2018 April 340404
layer tersembnyi namun terlalu banyak jumlah hidden 5 2018 Mei 391562
layer belum tentu dapat menghasilkan error yang lebih 6 2018 Juni 445319
sedikit. 7 2018 Juli 465202
Jadi dapat disimpulkan bahwa dengan jumlah iterasi
8 2018 Agustus 458528
sebanyak 1500, 0.3 learning rate, dan 21 jumlah layer
9 2018 September 430305
tersembunyi merupakan variasi dari ketiga parameter yang
10 2018 Oktober 397235
terbaik karna menghasilkan nilai MSE yang paling kecil,
maka variasi dari ketiga parameter tersebut akan 11 2018 November 328138
digunakan dalam proses selanjutnya yakni proses prediksi 12 2018 Desember 268167
satu tahun berikutnya yakni tahun 2018. Grafik Pada Tabel IV dapat dilihat grafik pola kunjungan di
perbandingan data aktual dan data prediksi dari hasil 2018, yaitu pada bulan januari sebesar 244.786 wisatawan
pengujian menggunakan jumlah iterasi 1500, 0.3 learning yang mengalami penurunan dibandingkan Februari
rate dan 21 layer tersembunyi dengan MSE 0.003901 sebesar 236.864 wisatawan. Sedangkan Maret hingga Juli
dapat dilihat pada Gambar 9. terjadi peningkatan kembali 249.845 wisatawan pada
bulan Maret, 340.404 wisatawan pada bulan April,
http://jcosine.if.unram.ac.id/ 46
J-COSINE, Vol. 3, No. 1, Juni 2019 E-ISSN:2541-0806, P-ISSN:2540-8895
391.562 wisatawan pada bulan Mei, 445.319 wisatawan mengalami peningkatan terbesar pada bulan Juli 2018
pada bulan Juni dan 465.202 pada bulan Juli, pada bulan sebesar 465.202 wisatawan dan kunjungan terendah
Agustus hingga Desember jumlah kunjungan wisatawan terdapat pada bulan Februari 2018 yakni sebesar
ke Provinsi NTB kembali mengalami penurunan yakni 236.864 wisatawan.
sebesar 458.528 wisatawan pada bulan Agustus, 430.305 4. Mengacu pada hasil pengujian dan prediksi yang cukup
wisatawan pada bulan September, 397.235 wisatawan baik sistem ini sehingga dapat sebagai bahan
pada bulan Oktober, 328.138 wisatawan pada bulan pertimbangan dalam proses pengambilan keputusan
November dan 268.167 wisatawan pada bulan Desember. pada kasus prediksi jumlah kunjungan wisatawan ke
Jadi pada garfik pola kunjungan wisatawan pada Gambar Provinsi NTB
4.30 dapat dilihat bahwa kunjungan wisatawan terbesar 5. Belum tentunya menghasilkan nilai prediksi yang sama
atau terbanyak ke Provinsi NTB terdapat pada bulan Juli untuk parameter dan data pembelajaran yang sama
2018 yakni sebesar 465.202 wisatawan dan kunjungan dikarenakan nilai bobot setiap melakukan pelatihan di
terendah terdapat pada bulan Februari 2018 sebesar acak secara random sehingga nilai bobot yang
236.864 wisatawan. digunakan akan berbeda-beda.
B. Saran
500000 Adapun saran dari penelitian ini sebagai berikut:
450000 1. Adanya tindakan lebih lanjut mengenai data untuk
Jumlah Kunjunagn
Mei
Jul
Des
Nov
Feb
Sep
Mar
Okt
Ags
Apr
Gambar 10. Pola Kunjungan Wisatawan ke Provinsi NTB tahun 2018 REFERENSI
[1] I.N. Gusia, “Interview, Wawancara Jumlah Pola
V. KESIMPULAN DAN SARAN
Kunjungan Wisata”. Dinas Pariwisata Provinsi NTB,
A. Kesimpulan Provinsi NTB, 2018.
Hasil yang cukup baik didapatkan dari [2] Z. Arifin, Kridalaksana, dkk, “Prediksi Kedatangan
Backpropagation memberikan hasil yang cukup baik dan Turis Asing ke Indonesia Menggunakan
memuaskan dalam proses prediksi jumlah kunjungan Backpropagation Neural Network”, Jurnal
wisatawan ke Provinsi NTB sebagai bahan pertimbangan Teknologi dan Sistem Komputer, 2016.
dalam proses pengambilan keputusan pihak-pihak terkait. [3] S.R. Ainy, “Peramalan Jumlah Kunjungan
Berdasarkan hasil penelitian tentang prediksi jumlah Wisatawan Mancanegara Di Kabupaten Lombok
kunjungan wisatawan ke Provinsi NTB dimulai dari tahap Tengah Pada Tahun 2010-2015 Menggunakan
pengembangan sistem maka dapat di peroleh beberapa Metode Seasonal Autoregressive Integrated Moving
kesimpulan sebagai berikut: Average (SARIMA)”, Fakultas Matematika dan Ilmu
1. Pengujian menggunakan tiga parameter yakni iterasi Pengetahuan Alam Universitas Islam Indonesia,
maksimum, learning rate dan hidden layer di peroleh 2016.
hasil yang terbaik adalah dengan menggunakan iterasi [4] T.T. Sukraini, “Peramalan Kunjungan Wisatawan Ke
maksimum 1500, 0.3 learning rate dan 21 layer Uluwatu Dengan Menggunakan Model
tersembunyi dengan MSE 0.003901. Autoregressive Integrated Moving Average
2. Prediksi jumlah kunjungan wisatawan ke Provinsi (ARIMA)”, Jurusan Administrasi Niaga Politeknik
NTB dengan data yang mengalami fluktuasi setiap Negeri Bali, 2016.
bulannya dengan menggunakan metode [5] Y.L. Saputra, Ekojono, “Sistem Informasi Prediksi
Backpropagation dapat memprediksi yang baik Jumlah Wisatawan Pada Jawa Timur Park Group
dengan MSE 0.003901 yang mendekati 0 yakni Kota Wisata Batu Menggunakan Metode
sehingga metode Bakpropagation ini cukup efektif Forecasting”, Program Studi Teknik Informatika,
untuk digunakan pada kasus prediksi. Jurusan Teknologi Informasi, Politeknik Negeri
3. Hasil prediksi ini di Provinsi NTB pada tahun 2018 Malang, 2016.
dapat diketahui bahwa kunjungan wisatawan [6] Y. Andrian, E. Ningsih, “Prediksi Curah Hujan di
Kota Medan Menggunakan Metode
http://jcosine.if.unram.ac.id/ 47
J-COSINE, Vol. 3, No. 1, Juni 2019 E-ISSN:2541-0806, P-ISSN:2540-8895
Backpropagation Neural Network”, Medan: Teknik Jaringan Syaraf Tiruan Backpropagation”, Jurusan
Informatika Potensi Utama, 2014. Teknik Industri Universitas Sultan Ageng Tirtayasa,
[7] N.P. Sakinah, I. Cholissodin, W.A. Widodo, 2013.
“Prediksi Jumlah Permintaan Koran Menggunakan [11] E.R. Pranata, Sinaga, S. Palentino, Wanto, Anjar,
Metode Jaringan Syaraf Tiruan Backpropagation”, “Estimasi Wisatawan Mancanegara yang Datang ke
Malang: Program Studi Teknik Informatika, Fakultas Sumatera Utara Menggunakan Jaringan Syaraf”,
Ilmu Komputer, Universitas Brawijaya, 2018. Program Studi Teknik Informatika, STIKOM Tunas
[8] A. Triyono, A.J. Santoso, Pranowo, “Penerapan Bangsa Pematangsiantar, 2018.
Metode Jaringan Syaraf Tiruan Backpropagation [12] C. Oktaviani, Afdal, “Prediksi Curah Hujan Bulanan
Untuk Meramalkan Harga Saham (IHSG)”, Magister Menggunakan Jaringan Syaraf Tiruan dengan
Teknik Informatika, Universitas Atma Jaya Beberapa Fungsi Pelatihan Backpropagation”, Jurnal
Yogyakarta, 2015. Fisika Unand, 2013.
[9] S. Andriyani, Sitohang, Norenta, “Implementasi [13] J.J. Siang, “Jaringan Syaraf Tiruan dan
Metode Backpropagation Untuk Memprediksi Harga Pemrogramannya menggunakan MATLAB”,
Jual Kelapa Sawit Berdasarkan Kualitas Buah”, Yogyakarta: Andi, 2009.
Jurnal Teknologi dan Sistem Informasi, Vol. IV No.
2, hlm. 155 – 164, STMIK Royal, 2018.
[10] M. Febrina, F. Arina, Ekawati, Ratna, “Peramalan
Jumlah Permintaan Produksi Menggunakan Metode
http://jcosine.if.unram.ac.id/ 48