ix DAFTAR ISI
HALAMAN SAMPUL ... i
HALAMAN JUDUL ... ii
PERNYATAAN ... iii
LEMBAR PENGESAHAN TUGAS AKHIR ... iv
BERITA ACARA TUGAS AKHIR ... v
KATA PENGANTAR ... vi
ABSTRAK ... vii
ABSTRACT ... viii
DAFTAR ISI... ix
DAFTAR GAMBAR ... xi
DAFTAR TABEL ... xiii
DAFTAR KODE PROGRAM ... xiv
DAFTAR LAMPIRAN ... xv BAB I PENDAHULUAN ... 1 1.1 Latar Belakang ... 1 1.2 Rumusan Masalah... 4 1.3 Tujuan Penelitian ... 4 1.4 Manfaat Penelitian ... 4 1.5 Batasan Masalah ... 5 1.6 Sistematika Penulisan ... 5
BAB II TINJAUAN PUSTAKA ... 7
2.1 State of the Art ... 7
2.2 Faktor Kedatangan Wisatawan Mancanegara ... 9
2.2.1 Produk Domestik Bruto ... 9
2.2.2 Populasi ... 10
2.2.3 Daya Saing Harga ... 10
2.3 Metode Recurrent Neural Network ... 11
2.3.1 Persiapan Data ... 12
2.3.2 Pelatihan ... 12
2.3.3 Pengujian ... 16
2.4 Single Moving Average ... 17
BAB III METODOLOGI PENELITIAN ... 18
3.1 Tempat dan Waktu Penelitian ... 18
3.2 Sumber Data ... 18
3.3 Instrumen Pembuatan Sistem ... 19
3.4 Perancangan Sistem ... 19
3.4.1 Gambara Umum Sistem ... 19
3.4.2 Pemilihan Data ... 20
3.4.3 Algoritma Sistem ... 21
3.4.4 Pelatihan ... 23
3.4.5 Pengujian ... 28
x
3.6 Antar Muka Aplikasi ... 29
BAB IV PEMBAHASAN DAN ANALISIS HASIL ... 35
4.1 Pembuatan Sistem... 35
4.1.1 Kode Program ... 35
4.1.2 Tampilan Antarmuka Sistem ... 50
4.2 Uji Coba Sistem ... 61
4.3 Unjuk Kerja Metode RNN BPTT ... 67
BAB V SIMPULAN DAN SARAN ... 91
5.1 Simpulan ... 91
5.2 Saran ... 92
DAFTAR PUSTAKA ... 93
xi DAFTAR GAMBAR
Gambar 2.1 Arsitektur RNN ... 11
Gambar 2.2 Proses Forward Propagation ... 13
Gambar 3.1 Diagram Konteks Sistem ... 19
Gambar 3.2 Diagram Alir Pengujian Sistem Prediksi Kedatangan Wisman ... 22
Gambar 3.3 Arsitektur RNN yang Digunakan ... 23
Gambar 3.4 Arsitektur Jaringan Prediksi Jangka Waktu 1 Bulan ... 24
Gambar 3.5 Arsitektur Jaringan Prediksi Jangka Waktu 3 Bulan ... 25
Gambar 3.6 Arsitektur Jaringan Prediksi Jangka 6 Bulan ... 26
Gambar 3.7 Diagram Alir Proses Pelatihan RNN BPTT ... 27
Gambar 3.8 Diagram Alir Proses Pengujian RNN BPTT ... 28
Gambar 3.9 Tabel Relasi Sistem Prediksi Kedatangan Wisman ... 29
Gambar 3.10 Rancangan Antar Muka Halaman Utama Sistem ... 30
Gambar 3.11 Rancangan Antar Muka Halaman Hasil Pengujian Prediksi ... 30
Gambar 3.12 Rancangan Antar Muka Halaman Master Data Kedatangan Wisman ... 31
Gambar 3.13 Rancangan Antar Muka Menu Tambah Data Kedatangan Wisman 31 Gambar 3.14 Rancangan Antar Muka Menu Ubah Data Kedatangan Wisman .... 32
Gambar 3.15 Rancangan Antar Muka Menu Hapus Data Kedatangan Wisman .. 32
Gambar 3.16 Rancangan Antar Muka Halaman Master Data Faktor Kedatangan Wisman ... 33
Gambar 3.17 Rancangan Antar Muka Menu Tambah Data Faktor Kedatangan Wisman ... 33
Gambar 3.18 Rancangan Antar Muka Menu Ubah Data Faktor Kedatangan Wisman ... 34
Gambar 3.19 Rancangan Antar Muka Menu Hapus Data Faktor Kedatangan Wisman ... 34
Gambar 4.1 Formulir Sign In ke Halaman Administrator ... 50
Gambar 4.2 Halaman Administrator ... 51
Gambar 4.3 Tampilan Peringatan Adanya Data yang Bernilai 0 ... 52
Gambar 4.4 Tampilan Grafik Hasil Pengujian ... 52
Gambar 4.5 Tampilan Grafik Hasil Pelatihan ... 53
Gambar 4.6 Tampilan Grafik Hasil Prediksi ... 53
Gambar 4.7 Tampilan Master Data Kedatangan Wisman ... 54
Gambar 4.8 Tampilan Fomulir Tambah Data Kedatangan Wisman ... 55
Gambar 4.9 Tampilan Fomulir Ubah Data Kedatangan Wisman ... 56
Gambar 4.10 Tampilan Konfirmasi Hapus Data Kedatangan Wisman ... 56
Gambar 4.11 Tampilan Master Data Faktor Kedatangan Wisman ... 57
Gambar 4.12 Tampilan Formulir Tambah Jenis Faktor... 57
Gambar 4.13 Tampilan Formulir Ubah Jenis Faktor ... 58
Gambar 4.14 Tampilan Fomulir Tambah Data Faktor Kedatangan Wisman ... 59
Gambar 4.15 Tampilan Fomulir Ubah Data Faktor Kedatangan Wisman ... 59
xii
Gambar 4.17 Tampilan Menu Grafik ... 60 Gambar 4.18 Tampilan Grafik Hasil Prediksi Beberapa Negara ... 61 Gambar 4.19 Grafik Uji Prediksi Kedatangan Wisman Australia Jangka Waktu 6 Bulan dengan MSE Data Uji Pertama Terbaik ... 69 Gambar 4.20 Grafik Uji Prediksi Kedatangan Wisman Cina Jangka Waktu 6 Bulan dengan MSE Data Uji Pertama Terbaik ... 72 Gambar 4.21 Grafik Uji Prediksi Kedatangan Wisman Malaysia Jangka Waktu 6 Bulan dengan MSE Data Uji Pertama Terbaik ... 75 Gambar 4.22 Grafik Uji Prediksi Kedatangan Wisman Jepang Jangka Waktu 6 Bulan dengan MSE Data Uji Pertama Terbaik ... 78 Gambar 4.23 Grafik Uji Prediksi Kedatangan Wisman Singapura Jangka Waktu 6 Bulan dengan MSE Data Uji Pertama Terbaik ... 81
xiii DAFTAR TABEL
Tabel 2.1 Penelitian Terdahulu yang Terkait ... 8 Tabel 2.2 Contoh Perhitungan dengan Metode Single Moving Average ... 17 Tabel 3.1 Data Serta Sumber Data yang Diperlukan ... 18 Tabel 4.1 Contoh Data Masukan yang Telah Dinormalisasi (Bulan Berurutan) .. 62 Tabel 4.2 Pasangan Data Masukan Dan Data Keluaran (Target yang Diharapkan) ... 63 Tabel 4.3 Konfigurasi Uji Coba Prediksi ... 65 Tabel 4.4 Contoh Data Masukan yang Telah Dinormalisasi (Bulan Januari) ... 66 Tabel 4.5 Pasangan Data Masukan Dan Data Keluaran (Target yang Diharapkan) ... 66 Tabel 4.6 Hasil Uji Prediksi Kedatangan Wisman Australia Bulan Berurutan .... 67 Tabel 4.7 Hasil Uji Prediksi Kedatangan Wisman Cina Bulan Berurutan ... 70 Tabel 4.8 Hasil Uji Prediksi Kedatangan Wisman Malaysia Bulan Berurutan .... 73 Tabel 4.9 Hasil Uji Prediksi Kedatangan Wisman Jepang Bulan Berurutan ... 76 Tabel 4.10 Hasil Uji Prediksi Kedatangan Wisman Singapura Bulan Berurutan . 78 Tabel 4.11 Metode Terbaik untuk Masing-Masing Negara dari Setiap Jangka Waktu ... 84
xiv
DAFTAR KODE PROGRAM
Kode Program 4.1 Deklarasi Variabel (Bulan Berurutan) ... 36
Kode Program 4.2 Menentukan Nilai Maksimum dan Minimum (Bulan Berurutan) ... 36
Kode Program 4.3 Normalisasi Data (Bulan Berurutan) ... 37
Kode Program 4.4 Deklarasi Variabel (Bulan) ... 38
Kode Program 4.5 Menentukan Nilai Maksimum dan Minimum Dari Data (Bulan) ... 39
Kode Program 4.6 Memasukkan Data ke Tabel Menggunakan Cursor (Bulan) .. 39
Kode Program 4.7 Deklarasi Variabel (Bulan Berurutan) ... 40
Kode Program 4.8 Menentukan Nilai Maksimum dan Minimum Data (Bulan Berurutan)... 40
Kode Program 4.9 Memasukkan Data ke Tabel Menggunakan Cursor (Bulan Berurutan)... 41
Kode Program 4.10 Deklarasi Variabel (Bulan) ... 42
Kode Program 4.11 Menentukan Nilai Maksimum dan Minimum Dari Data (Bulan) ... 42
Kode Program 4.12 Memasukkan Data ke Tabel Menggunakan Cursor (Bulan) 43 Kode Program 4.13 Constructor dari Kelas RNN ... 43
Kode Program 4.14 Proses Inisialisasi Awal ... 45
Kode Program 4.15 Proses Memperbarui Nilai Variabel Pelatihan ... 46
Kode Program 4.16 Proses Forward Propagation ... 47
Kode Program 4.17 Proses Backpropagation Through Time ... 49
xv
DAFTAR LAMPIRAN
vii ABSTRAK
Pariwisata di Bali telah berkembang pesat semenjak tahun 1980 yang dapat dilihat dari kunjungan wisatawan yang cukup tinggi. Provinsi Bali merupakan salah satu provinsi yang memberikan kontribusi devisa yang sangat besar bagi Indonesia karena potensi pariwisatanya. Berlakunya Masyarakat Ekonomi ASEAN mengakibatkan persaingan antar negara ASEAN semakin ketat termasuk dalam bidang pariwisata. Penelitian ini bertujuan untuk membuat sistem yang mampu melakukan prediksi kedatangan wisatawan mancanegara ke Provinsi Bali menggunakan Metode RNN BPTT berdasarkan data dari tahun 2005 hingga 2015 yang diharapkan dapat membantu Pemerintah Daerah Provinsi Bali untuk menyusun strategi pariwisata dan mengantisipasi MEA. Pengujian prediksi dengan Metode RNN BPTT menggunakan data bulan berurutan menunjukkan 80%, 70% dan 80% hasil yang lebih baik untuk prediksi 1, 3 dan 6 bulan kedepan secara berturut-turut dari 10 negara dibandingkan metode SMA(3). Hasil yang baik juga ditunjukkan oleh Metode RNN BPTT dalam pengujian prediksi berdasarkan bulan tertentu.
Kata kunci: prediksi,Recurrent Neural Network, Backpropagation Through Time,
viii ABSTRACT
Tourism in Bali has grown rapidly since 1980 which can be seen from the high tourist traffic. Bali Province is one of the provinces that contribute huge foreign exchange for Indonesia because of its tourism potential. Effectuation of the ASEAN Economic Community lead to strict competition among ASEAN countries, including in the tourism field. This research aims to create a system which is able to forecast the arrival of foreign tourists to Bali province using BPTT RNN method based on data from 2005 to 2015 that is expected to help the Provincial Government of Bali to develop a tourism strategy and anticipate the AEC. Prediction Test with RNN BPTT method using consecutive month data showed 80%, 70% and 80% better results for prediction of 1, 3 and 6 months ahead respectively from 10 countries compared to SMA(3) method. Good results are also shown by RNN BPTT method in the testing of predictions based on a specific month.
Keywords: forecasting, Recurrent Neural Network, Backpropagation Through
1 BAB I PENDAHULUAN
1.1 Latar Belakang
Bali merupakan salah satu provinsi di Indonesia yang terdiri dari beberapa pulau, yaitu Pulau Bali, Pulau Nusa Penida, Pulau Nusa Lembongan dan Pulau Nusa Ceningan. Pulau yang memiliki luas 5.636 km2 dan jumlah penduduk 3.89
juta jiwa berdasarkan sensus tahun 2010 ini memiliki tiga potensi utama yaitu di bidang pariwisata, pertanian, dan industri berskala kecil.
Pariwisata di Bali telah berkembang pesat semenjak tahun 1980 yang dapat dilihat dari kunjungan wisatawan yang cukup tinggi. Berdasarkan data Dinas Pariwisata Provinsi Bali, sejak tahun 2011 hingga 2015 jumlah kedatangan wisatawan mancanegara selalu meningkat. Tahun 2011 terdapat 2.756.579 wisman yang datang ke Bali, lalu meningkat menjadi 2.892.109 pada tahun 2012, kemudian pada tahun 2013 meningkat kembali menjadi 3.278.598. Tahun berikutnya yaitu 2014 bertambah 15% menjadi 3.766.638, serta pada tahun 2015 sudah menyentuh angka 4.001.835 (Dispar, 2016). Selain itu, data dari Badan Pusat Statistik Tahun 2015 menunjukkan bahwa Bali merupakan satu-satunya provinsi di Indonesia dengan jumlah wisman yang menginap pada hotel berbintang terbanyak berturut-turut mulai tahun 2003 hingga 2014. Hal ini menjadikan Provinsi Bali sebagai salah satu provinsi yang memberikan kontribusi devisa sangat besar bagi Indonesia karena berdasarkan data Kementrian Parwisata (2016), pariwisata merupakan penyumbang devisa negara terbesar di luar migas dan tambang. Berdasarkan hal ini, dapat dikatakan potensi pariwisata di Bali dapat menjadi sumber devisa utama negara sekaligus sebagai tulang punggung perekonomian masyarakat lokal di era globalisasi ini.
Era globalisasi membawa 3C yaitu Complexity (Kompleksitas),
Competition (Kompetisi) dan Change (Perubahan). Setiap organisasi atau orang
harus siap untuk mengantisipasi arus 3C tersebut. Kompleksitas harus diantisipasi dengan pendekatan interdisipliner, kompetisi harus diikuti dengan peningkatan
2
kemampuan sehingga diperlukan perubahan di segala lini terutama sumber daya manusia sebagai aset utama (Manuaba, 2008). Perubahan di segala lini dan pemanfaatan SDM yang efektif ini tentu tidak akan berhasil dalam mengatasi kompleksitas jika tidak diimbangi dengan strategi. Salah satu permasalahan era globalisasi yang memerlukan penerapan strategi dan sedang hangat diperbincangkan adalah diberlakukannya Masyarakat Ekonomi ASEAN di akhir tahun 2015.
Masyarakat Ekonomi ASEAN merupakan satu pasar tunggal di kawasan Asia Tenggara yang bertujuan untuk meningkatkan investasi asing di kawasan Asia Tenggara, termasuk Indonesia yang juga membuka arus perdagangan barang dan jasa dengan mudah ke negara-negara di Asia Tenggara. Berlakunya Masyarakat Ekonomi ASEAN mengakibatkan persaingan antar negara ASEAN semakin ketat termasuk dalam bidang pariwisata yang merupakan bidang jasa. Terlebih lagi akan dilaksanakannya program bebas visa. Pemberlakuan program bebas visa dari MEA tentu memudahkan wisatawan yang berkunjung ke negara ASEAN untuk mendatangi Indonesia, namun negara ASEAN lainnya juga memiliki kesempatan yang sama.
Guna menghadapi persaingan tersebut pemerintah Indonesia telah mengeluarkan Instruksi Presiden Nomor 6 Tahun 2014 Tentang Peningkatan Daya Saing Dalam Rangka Menghadapi Masyarakat Ekonomi ASEAN. Hal ini merupakan salah satu langkah pemerintah untuk meminta para aparatur negara termasuk pemerintah daerah di seluruh Indonesia agar mengambil langkah-langkah yang diperlukan guna melakukan peningkatan daya saing nasional dan melakukan persiapan pelaksanaan MEA. Pemberian amanat oleh presiden ini merupakan kesempatan baik bagi pemerintah daerah Provinsi Bali untuk mempertahankan atau bahkan meningkatkan kedatangan wisatawan mancanegara ke Provinsi Bali. Hal ini dapat dilakukan dengan cara melakukan promosi dan meningkatkan fasilitas pariwisata yang tentunya harus diawali dengan penyusunan strategi pariwisata.
Menurut Zhang (2004) salah satu dasar dalam menyusun strategi dan mengambil keputusan adalah dengan melakukan prediksi. Prediksi merupakan meramal masa depan seakurat mungkin berdasarkan informasi yang ada termasuk
3
data historis dan informasi mengenai peristiwa di masa depan yang akan mempengaruhi ramalan (Hyndman, 2014). Terdapat banyak metode untuk melakukan prediksi, salah satunya adalah Recurrent Neural Network(RNN).
Recurrent Neural Networks (RNN) merupakan jaringan saraf yang mengikuti cara berfikir manusia karena jaringan ini memiliki kemampuan untuk mengingat. Proses mengingat ini dilakukan dengan menggunakan hasil kalkulasi node tersembunyi pada pelatihan sebelumnya untuk pelatihan pada proses berikutnya. Hal ini yang menyebabkan RNN dapat digunakan sebagai metode prediksi data time series yang memiliki keterkaitan antara data pada waktu sebelumnya dengan data pada waktu berikutnya. Proses pelatihan RNN dapat dilakukan menggunakan Algoritma Backpropagation Through Time. Algoritma ini berakar dari Algoritma Backpropagation. Perbedaanya adalah algoritma ini mendukung kemampuan dari RNN yaitu mengingat hasil dari proses jaringan sebelumnya.
Sejauh ini terdapat beberapa penelitian yang membahas mengenai prediksi kedatangan wisatawan maupun prediksi menggunakan Recurrent Neural Network Backpropagation Thorugh Time. Rob Law dan Ray Pine dalam Zhang (2004) menyatakan bahwa prediksi menggunakan ANN Backpropagation dan Single Exponential Smoothing mengungguli metode lainnya. Rully Soelaiman at al. (2009), menyatakan pelatihan Recurrent Neural Network dengan Metode Backpropagation Through Time (RNN-BPPT) yang dikombinasikan dengan Algoritma Boosting memberikan hasil prediksi yang lebih akurat dibandingkan pelatihan dengan RNN-BPTT saja. Koscak at al. (2012) menyatakan bahwa penggunaan metode pelatihan Backpropagation Through Time dengan menerapkan Stochastic Update pada data time series suhu harian memberikan hasil prediksi yang lebih baik. Penelitian Sanju S. Saini at al. (2016), menunjukkan bahwa penggunaan RNN-BPTT untuk memprediksi harga tukar mata uang memberikan hasil yang lebih baik dibandingkan menggunakan ANN Backpropagation.
Berdasarkan pemaparan di atas maka dilakukan pengimplementasian Metode Recurrent Neural Network Backpropagation Through Time dalam bentuk
4
sistem berbasis web guna memprediksi kedatangan wisatawan mancanegara ke Provinsi Bali menggunakan data historis yang bersifat time series.
1.2 Rumusan Masalah
Rumusan masalah dari prediksi kedatangan wisatawan mancanegara ke Provinsi Bali menggunakan metode Recurrent Neural Network Backpropagation Through Time adalah sebagai berikut.
1. Bagaimana proses prediksi kedatangan wisatawan mancanegara ke Provinsi Bali menggunakan metode Recurrent Neural Network Backpropagation Through Timedilakukan.
2. Bagaimana unjuk kerja metode Recurrent Neural Network Backpropagation Through Time dalam memprediksi kedatangan wisatawan mancanegara ke Provinsi Bali.
1.3 Tujuan Penelitian
Tujuan dilakukannya prediksi kedatangan wisatawan mancanegara ke Provinsi Bali menggunakan metode Recurrent Neural Network Backpropagation Through Time adalah sebagai berikut.
1. Mengetahui proses prediksi kedatangan wisatawan mancanegara ke Provinsi Bali menggunakan metode Recurrent Neural Network Backpropagation Through Time.
2. Mengetahui hasil prediksi kedatangan wisatawan mancanegara ke Provinsi Bali menggunakan metode Recurrent Neural Network Backpropagation Through Time terhadap data aktual.
1.4 Manfaat Penelitian
Manfaat dilakukannya prediksi kedatangan wisatawan mancanegara ke Provinsi Bali menggunakan Metode Recurrent Neural Network Backpropagation Through Time adalah untuk memberikan sumbangan pemikiran bagi pemerintah daerah Bali mengenai metode prediksi kedatangan wisatawan mancanegara ke
5
Provinsi Bali guna menyusun strategi dalam menghadapi Masyarakat Ekonomi ASEAN.
1.5 Batasan Masalah
Batasan masalah dari prediksi kedatangan wisatawan mancanegara ke Provinsi Bali menggunakan metode Recurrent Neural Network Backpropagation Through Time adalah sebagai berikut.
1. Data latih dan data uji merupakan data jumlah kedatangan wisatawan mancanegara ke Provinsi Bali dari tahun 2005 hingga 2015.
2. Negara asal wisatawan yang diprediksi adalah 10 negara dengan rata-rata jumlah kedatangan wisatawan tertinggi ke Provinsi Bali mulai dari tahun 2011 hingga tahun 2015 diantaranya adalah Negara Australia, Cina, Malaysia, Jepang, Singapura, Korea Selatan, Inggris, Amerika Serikat, Perancis dan Jerman.
1.6 Sistematika Penulisan
Sistematika penulisan yang diterapkan dalam menyajikan gambaran singkat mengenai prediksi kedatangan wisatawan mancanegara ke Provinsi Bali menggunakan metode Recurrent Neural Network Backpropagation Through Time adalah sebagai berikut.
BAB I PENDAHULUAN
Bab I akan membahas mengenai latar belakang, rumusan masalah, tujuan, manfaat, batasan masalah dan sistematika penulisan.
BAB II TINJAUAN PUSTAKA
Bab II akan membahas state of the art, definisi, dan membahas teori yang digunakan dalam penelitian ini.
BAB III METODOLOGI PENELITIAN
Bab III akan membahas mengenai metode yang digunakan dalam penelitian.
6
BAB IV HASIL DAN PEMBAHASAN
Bab IV akan membahas mengenai analisis dan hasil dari penelitian yang telah dilakukan.
BAB V PENUTUP
Bab V akan menyimpulkan apa yang telah dibahas pada bab-bab sebelumnya serta memberikan saran untuk pengembangan lebih lanjut.
