Fakultas Ilmu Komputer
Universitas Brawijaya 2111
Implementasi untuk Prediksi Jumlah Kedatangan Wisatawan Domestik Pulau Bali menggunakan Algoritme Performance Improved Holt winters
Nabila Arief1, Mochammad Tanzil Furqon2, Candra Dewi3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1[email protected], 2[email protected], 3[email protected]
Abstrak
Datanganya wisatawan kedalam suatu Daerah Tujuan Wisata (DTW) dapat memberikan kemakmuran dan kesejahteraan bagi penduduk setempat. Karena itu pariwisata merupakan sektor yang diandalkan oleh pemerintah di Indonesia untuk menghasilkan devisa negara. Menurut World Travel and Tourism Council (WTTC) pada tahun 2004, sektor pariwisata dapat meningkatkan pendapatan daerah karena sektor pariwisata bersifat Quick Yielding Industry (cepat menghasilkan). Namun jumlah kedatangan wisatawan tidak dapat dipastikan, untuk itu dilakukan prediksi kedatangan wisatawan. Pada penelitian ini metode yang digunakan adalah metode Performance Improved Holt Winters sehingga dapat diperolehnya informasi mengenai prediksi jumlah kedatangan wisatawan domestik ke Pulau Bali.
Performance Improved Holt winters digunakan untuk prediksi wisatawan ke Pulau Bali karena metode yang cocok untuk memprediksi pola data yang musiman. Performance Improved Holt winters menggunakan perhitungan yang melibatkan trend dan musiman yang didasari oleh persamaan smoothing yang terdiri dari persamaan smoothing level (keseluruhan), persamaan smoothing trend dan persamaan smoothing seasonal (musiman) dengan menggunakan data jumlah kedatangan wisatawan domestik ke Pulau Bali dengan kurun waktu Januari 2004-Desember 2018 yang diperoleh dari bali.bps.go.id, website resmi BPS (Badan Pusat Statistika) Bali. Berdasarkan dari pengujian yang dilakukan pada penelitian ini, didapat nilai parameter α (alfa) sebesar 0,03; β (beta) sebesar 0,003; γ (gamma) sebesar 0,04, nilai error menggunakan MAPE terendah sebesar 8% dan data latih sebanyak 168 dengan data uji sebanyak 12.
Kata kunci: prediksi, wisatawan domestik, Performance Improved Holt Winters, MAPE Abstract
The arrival of tourists into a tourist destination (DTW) has brought prosperity and to local people.
Therefore, it is a sector that governments rely on in Indonesia to generate foreign exchange reserves.
According to a study conducted by the World Travel and Tourism Council (WTTC) in 2004, the tourism sector can increase local income because of its Quick Yielding Industry. But the number of visitors entering an area is uncertain, for it was predicted the arrival of the tourists. In the study his method was Performance Improved Holt winters so it could be obtained information regarding predictions of the number of domestic tourists arriving to Bali. Performance Improved Holt winters was used for tourist predictions to Bali because of Improved methods used to predict seasonal data patterns. Performance Improved Holt winters rely on scaling trends and seasonal improvements based on the smoothing level equations, the smoothing trend and the smoothing seasonal equations, using data of the number of domestic tourists to Bali during January 2004-December 2018 received from bali.bps.go.id (official website of the BPS). Based on the tests done on this research, the value parameter α (alpha) = 0,03; β (beta) = 0,003; γ (gamma) = 0,04 and value of the smallest error using MAPE is 8% with the number of training data = 168 and testing data = 12.
Keywords: prediction, domestic traveler, Performance Improved Holt winters, MAPE
1. PENDAHULUAN
Menurut Badan Pusat Statistik Provinsi Bali,
pariwisata di Pulau Bali sangat mengagumkan sehingga banyak menarik wisatawan baik domestik maupun asing untuk berkunjung.
Banyaknya wisatawan yang datang ke Pulau Bali menempatkan Bali sebagai tujuan wisata terbaik kedua setelah kepulauan Galapagos, Ekuador. Telah diakui oleh sebagian organisasi internasional yaitu PBB, Bank Dunia dan World Tourism Organization (WTO) bahwa pariwisata di Bali adalah bagian yang tidak dapat dipisahkan dari kehidupan manusia utamanya menyangkut dengan kegiatan sosial dan ekonomi (Abdul Majid et al., 2015).
Berdasarkan penelitian (Wijaya &
Djayastra, 2014) pengaruh positif dan signifikan terhadap Pendapatan Asli Daerah didapatkan dari kedatangan wisatawan kedalam suatu daerah. Jumlah dan persentase pendapatan sektor wisata ditunjukkan pada Tabel 1.
Tabel 1. Pendapatan Sektor Pariwisata 2011- 2016
Tahun
Pendapatan Sektor Pariwisata Devisa Wisatawan
(US $)
Persentase Kontribusi (%)
2011 8.554,39 4,00
2012 9.120,89 3,96
2013 10.054,15 4,02
2014 11.116,13 4,07
2015 12.225,89 4,31
2016 12.440,42 4,03
Sumber: Kementrian Pariwisata 2018
Namun permasalahan yang terjadi adalah tidak dapat diprediksinya kedatangan wisatawan domestik sehingga pengaturan dan pengembangan belum dapat dipastikan agar dapat diatur sebelumnya.
Dari penelitian yang ada maka dilakukan penelitian dengan tujuan agar diketahuinya pengaruh nilai parameter pada metode Performance Imroved Holt Winters agar dapat memprediksi jumlah kedatangan wisatawan domestik ke Pulau Bali. Setelah diketahui nilai parameter, jumlah wisatawan domestik ke Pulau Bali beserta nilai error nya dapat diketahui.
Penggunaan metode Performance Imroved Holt Winters pernah dilakukan oleh (Arputhamary & Arockiam, 2016) dalam memprediksi data penjualan online eBay dengan memperoleh akurasi Mean Square Error (MSE) sebesar 59851581.
Penelitian menggunakan metode Performance Imroved Holt winters juga pernah dilakukan oleh (Raden, 2018) yang memperkirakan kejadian demam berdarah di Kabupaten Sleman dengan hasil yang didapatkan adalah α = 0,9, β = 0,02 dan γ = 0,01 dan menghasilkan MSE sebesar 5,28 dan MAPE
sebesar 4,01%.
Saat digunakan, metode Performance Improved Holt winters menggunakan tiga parameter yaitu parameter α (alfa), parameter β (beta), dan parameter γ (gamma). Namun dalam penentuan parameter untuk mendapatkan hasil yang optimal cukup sulit.
2. DASAR TEORI 2.1 Prediksi
Prediksi adalah memproses informasi sebelumnya untuk memperkirakan variabel dimasa depan dengan data yang diproses adalah data yang memiliki sifat kuantitatif. Hasil prediksi berusaha mencari jawaban sedekat mungkin dengan yang akan terjadi, bukan memberikan jawaban secara akurat sesuai dengan kejadian yang terjadi dimasa depan (Herdianto, 2013).
Data dapat dibedakan menjadi dua jika dilihat dari dimensi waktunya yaitu dapat dibedakan menjadi data series dan cross sectional. Menurut (Lobo & Santosa, 2014) dalam prediksi terdapat 4 jenis pola data, yaitu:
1. Pola data stasioner (data horizontal) adalah sebuah pola data data yang memiliki sifat berfluktuasi pada nilai rata-rata sekitarnya yang membentuk garis horizontal.
2. Pola data growth (data trend) adalah pola data dalam rata-rata panjang yang pergerakan datanya cenderung bergerak menaik, menurun atau tetap. Cara menganalisis pola data trend adalah dengan melihat nilai rata-rata dalam rentang waktu tertentu, nilai rata-rata pola data trend akan berubah seiring waktu.
3. Pola data musiman datanya memiliki pola yang berulang antar periode dalam satu satuan waktu (hari, minggu atau bulan tertentu). Faktor yang mempengaruhi musiman berpengaruh dari hal-hal lain seperti hari atau musim libur dan cuaca.
4. Pola data siklis adalah pola data yang jenias datanya mengalami perubahan siklus, memiliki gelombang dengan panjang waktu lebih dari satu tahun. Faktor ekonomi dalam jangka panjang akan mempengaruhi faktor durasi yang ada. Pola siklis mirip dengan pola data musiman, namun rentang waktu pola data siklis lebih panjang dibandingkan dengan pola data musiman.
2.2 Pariwisata
Pariwisata adalah perjalanan yang dimulai
dari berangkat menuju pada satu atau beberapa destinasi sampai dengan kembali menuju pada tempat semula (Nandi, 2016). Faktor yang mempengaruhi sektor pariwisata diantaranya adalah banyaknya obyek wisata yang tersedia, banyaknya jumlah wisatawan baik domestik, internesional maupun keduanya, jumlah hunian bagi wisatawan seperti hotel dan jumlah pendapatan perkapita (Rahma & Handayani, 2013).
2.3 Performance Improved Holt Winters Metode Performance Improved Holt Winters (PIHW) adalah sebuah metode pengembangan dari metode Holt Winters (Triple Exponential Smoothing) yang melibatkan trend dan musiman. Holt Winters didasari dari tiga persamaan pemulusan yaitu pemulusan keseluruhan (level), pemulusan growth (trend) dan pemulusan seasonal (musiman). Parameter pemulusan yang digunakan adalah parameter α (alfa), parameter β (beta) dan parameter γ (gamma) yang dikalikan dengan 2 pada level additive agar hasil yang diperoleh lebih akurat.
Inisialisasi nilai awal untuk persamaan pemulusan pada model additive menggunakan persamaan (1) hingga persaman (3).
𝐿0=1
𝑆 (𝑦1+ 𝑦2+ ⋯ + 𝑦𝑠) (1) 𝑏0=1
𝑆 [𝑦𝑠+1−𝑦1
𝑠 +𝑦𝑠+2−𝑦2
𝑠 + ⋯ +𝑦𝑠+𝑠−𝑦𝑠
𝑠 ] (2) 𝑆𝑗= 𝑦𝑗− 𝐿0 (3) Persamaan pada PIHW yang digunakan ada pada persamaan (4) hingga persamaan (7).
a. Smoothing keseluruhan (level) 𝐿𝑗= 2𝛼(𝑦𝑗− 𝑆𝑗−𝑠− 1) +
(1 − 2𝛼)(𝐿𝑗−1+ 𝑏𝑗−1) (4) b. Smoothing growth (trend)
𝑏𝑗= 2𝛽(𝐿𝑗− 𝐿𝑗−1) + (1 − 2𝛽)(𝑏𝑗−1) (5) c. Smoothing seasonal (musiman)
𝑆𝑗= 2𝛾(𝑦𝑗− 𝐿𝑗− 1) + (1 − 2𝛾)(𝑆𝑗−𝑠) (6) d. Nilai forecast (ramalan)
𝐹𝑗+1= 𝐿𝑗+ 𝑏𝑗+ 𝑆𝑗+1−𝑠 (7)
𝐿 = pemulusan level (keseluruhan) α = parameter alfa
𝑏 = pemulusan trend β = parameter beta 𝑆 = pemulusan musiman γ = parameter gamma 𝑗 = periode
𝑠 = panjang musim 𝑦 = data aktual
2.4 Mean Absolute Percentage Error (MAPE) Metode MAPE digunakan untuk menghitung akurasi berdasar dengan nilai absolute agar diketahui besarnya nilai persentase penyimpangan antara nilai hasil prediksi dengan data aktual. Metode MAPE digunakan saat menghitung rata-rata error absolute dari perkiraan karena metode MAPE dapat memberikan hasil yang relatif akurat. Persamaan untuk menghitung nilai Mean Absolute Percentage Error menggunakan persamaan (8).
𝑀𝐴𝑃𝐸 =1
𝑛∑ |𝑦′𝑖−𝑦𝑖
𝑦𝑖 | 𝑥 100
𝑛𝑖=1 % (8) Keterangan:
n = jumlah data
y’i = nilai prediksi indeks ke-i. i = 1, 2, ..., n yi = nilai aktual indeks ke-i. i = 1, 2, ..., n
Menurut (Chang, Wang, & Liu, 2007) untuk mengukur rata-rata error absolute menggunakan MAPE dibagi kedalam beberapa kriteria yang ditunjukkan pada Tabel 2.
Tabel 2. Kriteria MAPE
Nilai MAPE Kriteria
< 10% Sangat Baik
10% – 20% Baik
20% – 50% Cukup
> 50% Buruk
3. METODE PENELITIAN 3.1 Data Penelitian
Data yang digunakan untuk penelitian adalah data jumlah kedatangan wisatawan domestik ke Pulau Bali dengan. Data yang diambil mencangkup dalam kurun waktu Januari 2004 hingga Desember 2018. Data penelitian ini diperoleh dari bali.bps.go.id, website resmi Badan Pusat Statistika (BPS) Bali.
3.2 Perancangan
Gambar 1. Perancangan Sistem
Masukkan oleh user adalah nilai parameter α (alfa), parameter β (beta), parameter γ (gamma), tahun prediksi dan jumlah data latih yang akan digunakan.
Proses yang pertama kali dilakukan oleh algoritme PIHW yaitu proses inisialisasi awal untuk nilai persamaan level, persamaan trend dan persamaan seasonal dan dilanjutkan oleh menghitung persamaan level, persamaan trend, dan persamaan seasonal. Proses kedua yang adalah proses perhitungan error oleh algoritme MAPE untuk melihat besarnya nilai persentase penyimpangan antara nilai hasil prediksi dengan data aktual.
Output yang akan dihasilkan oleh sistem adalah jumlah dari hasil prediksi mengenai kedatangan wisatawan domestik ke Pulau Bali beserta nilai error nya.
4. PENGUJIAN DAN ANALISIS
Pengujian dilakukan menggunakan data jumlah kedatangan wisatawan domestik ke Pulau Bali dengan kurun waktu Januari 2004- Desember 2018. Pada penelitian ini terdapat empat pengujian yang dilakukan yaitu pengujian rentang nilai parameter α (alfa), β (beta), γ
(gamma) dan jumlah data latih. Rentang nilai parameter yang digunakan berdasarkan dari penelitian sebelumnya.
4.1. Pengujian Rentang Nilai Parameter α Saat menguji parameter α (alfa), masukkan yang digunakan untuk parameter β (beta) dan parameter γ (gamma) adalah nilai 0 dengan data latih yang digunakan saat pengujian adalah sebanyak 168 data dan data uji yang digunakan adalah sebanyak 12 data. Pengujian nilai parameter α (alfa) hasilnya ditunjukkan pada Tabel 3.
Tabel 3. Pengujian Parameter α
Batas Atas Nilai α
Batas Bawah Nilai α
Nilai MAPE (%) percoban ke
Rata- rata nilai MAPE
(%)
1 2 3 4
1 0,5 19 15,42 20,67 18 18,2725
0,5 0,1 12,58 13,5 14,58 11,17 12,9575
0,1 0,05 9,92 10,5 10,5 10 10,23
0,05 0,01 9,5 9,17 9 9,58 9,3125
0,01 0,005 14,25 15,08 11,3 12,42 13,2625 0,005 0,001 22,58 16,33 18,67 19,67 19,3125 0,001 0,0005 24,42 24,17 25 24,33 24,48 0,0005 0,0001 25,25 25,67 26,17 26,08 25,7925
Berdasarkan pada Tabel 3 grafik untuk pengujian parameter α (alpha) dapat ditunjukkan pada Gambar 2.
Gambar 2. Pengujian Parameter α (alfa) Pada pengamatan yang dilakukan, parameter α (alfa) adalah parameter yang mengontrol pembobotan relative. Saat dilakukan
0 5 10 15 20 25 30
Nilai MAPE
Rentang Nilai Parameter
Rata-rata MAPE
pengujian nilai parameter α (alfa) pada nilai 0,0001-0,0005 hingga rentang 0,01-0,05 nilai MAPE menurun sedangkan pada rentang 0,05- 0,1 hingga rentang 0,5-1 nilai MAPE menaik namun tidak lebih tinggi dari nilai rentang yang rendah.
Nilai α digunakan saat perhitungan pemulusan level, dimana hasil nilai level tersebut akan digunakan untuk nilai pemulusan lainnya (trend dan musiman) pada periode yang sama dan periode selanjutnya, sehingga nilai α akan sangat mempengaruhi nilai prediksi dan nilai error menggunakan MAPE. Pada parameter α (alfa) akan menghasilkan nilai MAPE yang cenderung tinggi pada rentang nilai yang rendah.
Berdasarkan hasil pengujian parameter α (alfa) diperoleh nilai MAPE terendah ada pada rentang 0,01-0,05 yaitu sebesar 9,3125%.
Berdasarkan pada Tabel 2 diperoleh nilai MAPE terendah sebesar 9,3125% dapat dikatakan sangat baik.
4.2. Pengujian Rentang Nilai Parameter β Saat menguji nilai parameter β (beta), masukkan nilai yang digunakan untuk parameter α (alfa) adalah rentang 0,01-0,05 dan parameter γ (gamma) adalah 0 dengan data latih yang digunakan pada pengujian adalah sebanyak 168 data dan data uji yang digunakan adalah sebanyak 12 data. Pengujian nilai parameter β (beta) hasilnya ditunjukkan pada Tabel 4.
Tabel 4. Tabel Pengujian Rentang Nilai Parameter β
Batas Atas Nilai β
Batas Bawah Nilai β
Nilai MAPE (%) percoban ke
Rata- rata nilai MAPE
(%)
1 2 3 4
1 0,5 19,83 15,67 19,42 17,67 18,1475 0,5 0,1 10,17 11,08 12,83 10,25 11,0825 0,1 0,05 8,92 11 10,33 10,58 10,2075 0,05 0,01 10,67 9,42 9,83 10,25 10,0425
0,01 0,005 10 8,67 10,08 9,83 9,645
0,005 0,001 9,08 9,5 9,25 9,92 9,4375 0,001 0,0005 9,25 9,75 9,92 8,83 9,4375 0,0005 0,0001 9 9,67 9,42 8,83 9,23
Berdasarkan pada Tabel 4 grafik untuk pengujian parameter β (beta) dapat ditunjukkan pada Gambar 3.
Gambar 3. Pengujian Parameter β (beta) Pada pengamatan yang baru dilakukan sebagai estimasi kemunculan pada trend seri, nilai parameter β (beta) adalah parameter yang mengotrol pembobotan relative.
Nilai β digunakan saat perhitungan nilai trend. Nilai trend akan mempengaruhi nilai level pada periode selanjutnya dan akan diambil pada nilai musiman pada periode yang sama.
Pengujian yang dilakukan terhadap parameter β (beta) yang didapatkan adalah nilai MAPE yang cenderung tinggi pada rentang nilai yang tinggi.
Semakin kecil nilai parameter β maka menurun juga nilai MAPE.
Berdasarkan pengujian nilai parameter β (beta) didapatkan nilai MAPE terendah sebesar 9,23% yang terdapat pada rentang nilai 0,0001- 0,0005. Berdasarkan Tabel 2 bahwa nilai MAPE terendah dengan nilai 9,23% dikatakan sangat baik.
4.3. Pengujian Rentang Nilai Parameter γ Saat menguji parameter γ (gamma), masukkan nilai yang digunakan untuk parameter α (alfa) adalah pada rentang 0,01-0,05 dan masukkan nilai yang digunakan untuk parameter β (beta) digunakan nilai rentang 0,0001-0,005 dengan data latih yang digunakan pada pengujian adalah sebanyak 168 data dan data uji yang digunakan adalah sebanyak 12 data.
Pengujian nilai parameter γ (gamma) hasilnya ditunjukkan pada Tabel 5.
0 2 4 6 8 10 12 14 16 18 20
Nilai MAPE
Rentang Nilai Parameter
Rata-rata MAPE
Tabel 5. Tabel Pengujian rentang nilai parameter γ
Batas Atas nilai γ
Batas Bawah nilai γ
Nilai MAPE (%) percoban ke
Rata- rata nilai MAPE
(%)
1 2 3 4
1 0,5 13,58 14,33 17,83 9 13,685
0,5 0,1 10 15 9,92 10,08 11,25
0,1 0,05 9,33 9,42 8,58 9,67 9,25
0,05 0,01 9,33 8,33 8,33 8,17 8,25
0,01 0,005 8,67 8,5 9 8,75 8,73
0,005 0,001 9,58 9,33 9 9,17 9,27
0,001 0,0005 8,92 9,25 9,17 10,58 9,48 0,0005 0,0001 9,25 9,08 8,58 9,42 9,0825
Berdasarkan pada Tabel 5 grafik untuk pengujian parameter γ (gamma) ditunjukkan pada Gambar 4.
Gambar 4. Grafik Hasil Pengujian Rentang Nilai Parameter γ
Pada pengamatan yang baru, nilai γ (gamma) adalah sebuah parameter yang akan melakukan kontrol pembobotan relative yang berfungsi untuk mengestimasi kemunculan sebuah variasi akan menunjukkan pemberian bobot yang semakin besar pada pengamatan terbaru.
Pada pemulusan musiman terdapat pengaruh dari hasil pemulusan level dan nilai γ.
Pengujian yang dilakukan terhadap parameter γ (gamma) didapatkan bahwa nilai MAPE yang cenderung tinggi pada rentang nilai yang tinggi,
saat nilai γ menurun, nilai MAPE yang didapatkan cenderung menurun.
Berdasarkan hasil pengujian parameter γ (gamma) diperoleh nilai MAPE terendah ada pada rentang 0,01-0,05 yaitu sebesar 8,25%.
Berdasarkan pada Tabel 2 nilai MAPE sebesar 8,25% dikatakan sangat baik.
4.4. Pengujian Jumlah Data Latih
Untuk pengujian pada jumlah data uji diinputkan nilai parameter α (alfa) adalah sebesar 0,03; parameter β (beta) adalah sebesar 0,003 dan untuk parameter γ (gamma) adalah sebesar 0,04 dengan data uji sebanyak 12 (bulan). Untuk nilai data latih akan diambil historikal minimal 1 tahun sebelumnya dari data uji, karena perhitungan pada PIHW data latih akan sangat berpengaruh pada hasil prediksi atau data uji sehingga saat akan menguji harus diperhitungkan dahulu data latihnya.
Pengujian jumlah data uji dilakukan satu kali perulangan untuk mengetahui berapa data uji terbaik untuk memperoleh nilai error terendah menggunakan metode MAPE. Hasil pengujian pada jumlah data uji adalah pada Tabel 6.
Tabel 6. Pengujian Jumlah Data Latih Data Latih
(Bulan)
Data Uji
(Bulan) Nilai Error (%)
12 12 12,75
24 12 11,33
36 12 13,42
48 12 14,75
60 12 20,58
72 12 15,25
84 12 11,33
96 12 10,92
108 12 9,33
120 12 8,58
132 12 8,67
144 12 8,92
156 12 8,58
168 12 8
Hasil pengujian pada jumlah data latih dalam bentuk grafik ditunjukkan pada Gambar 5.
0 2 4 6 8 10 12 14 16
Nilai MAPE
Rentang Nilai Parameter
Rata-rata MAPE
Gambar 5. Pengujian Jumlah Data Latih Berdasarkan hasil pengujian jumlah data uji diperoleh nilai MAPE terendah ada pada data 168 (bulan) dengan nilai MAPE yang didapatkan adalah sebesar 8%. Berdasarkan pada Tabel 2 bahwa nilai MAPE sebesar 8% dikatakan sangat baik.
Setelah didapat hasil prediksi, sebagian (Januari 2017-Desember 2018) perbandingan data prediksi dapat dibandingkan dengan data aktual ditunjukkan pada Tabel 7.
Tabel 7. Perbandingan Data Aktual dengan Hasil Prediksi
Bulan (2017- 2018)
Jumlah Wisatawan Data Aktual
Jumlah Wisatawan
Hasil Prediksi Januari 658.308 668.794 Februari 520.462 619.806
Maret 618.834 623.330
April 705.710 642.315
Mei 646.467 697.605
Juni 659.718 780.000
Juli 890.368 798.291
Agustus 790.323 768.109 September 832.026 736.997 Oktober 732.720 749.418 November 741.649 763.532 Desember 939.048 819.163 Januari 743.456 711.527 Februari 655.719 658.441
Maret 762.622 674.970
April 777.287 704.697
Mei 682.521 752.036
Juni 1.156.151 828.233
Juli 906.347 889.650
Agustus 770.364 849.929 September 774.144 818.387 Oktober 762.124 814.200 November 806.397 825.939 Desember 960.859 892.510
Gambar 6. Grafik Perbandingan Hasil Prediksi dengan Data Aktual
5. KESIMPULAN DAN SARAN 5.1. Kesimpulan
Dari penelitian ini, didapatkan kesimpulan bahwa pengaruh nilai-nilai parameter terhadap akurasi yang dihasilkan untuk prediksi jumlah kedatangan wisatawan domestik ke Pulau Bali berbeda setiap parameternya. Pada parameter α (alfa) akan didapatkan nilai MAPE yang cenderung tinggi pada rentang nilai yang rendah, sedangkan pada parameter β (beta) dan parameter γ (gamma) akan menghasilkan nilai MAPE yang cenderung tinggi pada rentang nilai yang tinggi. Dan pada penelitian ini didapatkan bahwa tingkat error yang berupa hasil prediksi pada prediksi jumlah kedatangan wisatawan domestik ke Pulau Bali menggunakan metode MAPE diperoleh nilai terkecil MAPE adalah sebesar 8% dengan nilai yang digunakan untuk parameter α (alfa) adalah 0,03; parameter β (beta) adalah 0,003; untuk parameter γ (gamma)
0 5 10 15 20 25
12 25 36 48 60 72 84 96 108 120 132 144 156 168
Nilai MAPE
Jumlah Data Latih (Bulan)
Rata-rata MAPE
Rata-Rata MAPE
0 200.000 400.000 600.000 800.000 1.000.000 1.200.000 1.400.000
Jan-17 Mar-17 Mei-17 Jul-17 Sep-17 Nov-17 Jan-18 Mar-18 Mei-18 Jul-18 Sep-18 Nov-18
Jumlah Wisatawan
Periode Perbandingan Data Hasil Prediksi
Dengan Data Aktual
Jumlah Wisatawan Data Aktual Jumlah Wisatawan Hasil Prediksi
adalah 0,04 dengan data data latih sebanyak 168 (bulan) dengan data uji sebanyak 12 (bulan).
5.2. Saran
Untuk mengurangi kekurangan pada penelitian yang telah dilakukan, adanya saran diperlukan agar membangun penelitian selanjutnya lebih baik. Saran untuk penelitian yang akan dilakukan selanjutnya adalah menerapkan metode perhitungan untuk mencari nilai parameter yang optimal dengan efektif dan efisien.
6. DAFTAR PUSTAKA
Abdul Majid, J., Sulaiman, M., Zailani, S., Shaharudin, M. R., Saw, B., Wu, C. L., … Challoumis, C. (2015). Reporting incentives, ownership concentration by the largest outside shareholder, and reported goodwill impairment losses. Acta Universitatis Agriculturae et Silviculturae Mendelianae Brunensis, 16(2), 39–55.
Anggono, D., Suparjo, W., Hartomo, K. D., Tanone, R., Informasi, F. T., Studi, P., … Pendahuluan, I. (2018). Model Prediksi Kekeringan Menggunakan Metode Holt winters (Studi Kasus : Wilayah Kabupaten Boyolali).
Arputhamary, B., & Arockiam, L. (2016).
Performance Improved Holt winters (PIHW) Prediction Algorithm for Big Data Environment. International Journal on Intelligent Electronic Systems, 10(2), 23–31.
https://doi.org/10.18000/ijies.30154 Bertananda, R., & Setiawan, B. D. (2018).
Implementasi Performance Improved Holt winters Untuk Prediksi Jumlah Keberangkatan Domestik di Bandar Udara Soekarno Hatta. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 2(12), 7032–7038.
Chang, P., Wang, Y., & Liu, C. (2007). The development of a weighted evolving fuzzy neural network for PCB sales forecasting.
32, 86–96.
https://doi.org/10.1016/j.eswa.2005.11.02 1
Fauzia Lamusa. (2017). PERAMALAN JUMLAH PENUMPANG PADA PT.
ANGKASA PURA I (PERSERO)
KANTOR CABANG BANDAR UDARA
INTERNASIONAL SULTAN
HASANUDDIN MAKASSAR DENGAN MENGGUNAKAN METODE HOLT
WINTERS EXPONENTIAL
SMOOTHING.
Herdianto. (2013). Prediksi Kerusakan Motor Induksi Menggunakan Metode Jaringan Saraf Tiruan Backpropagation. Tesis, Fakultas Teknik, Universitas Sumatera Utara, 187.
Lobo, D. G. D. C., & Santosa, S. (2014).
PREDIKSI PENJUALAN AIR MINUM DALAM KEMASAN MENGGUNAKAN
JARINGAN SYARAF TIRUAN
RESILIENT PROPAGATION (p. 25). p.
25.
Minarni, F. A. (2016). Prediksi Jumlah Produksi Roti Menggunakan Metode Logika Fuzzy. Teknoif, 4(2), 59–65.
Nandi, N. (2016). Pariwisata Dan Pengembangan Sumberdaya Manusia.
Jurnal Geografi Gea, 8(1).
https://doi.org/10.17509/gea.v8i1.1689 Raden, M. I. (2018). METODE IMPROVED
HOLT WINTERS PADA PRAKIRAAN KEJADIAN DEMAM BERDARAH DI KABUPATEN SLEMAN MOHAMMAD IRFAN RADEN, Agus Sihabuddin, S.Si., M.Kom., Dr.
Raharyani, M. P., Regasari, R., Putri, M., &
Setiawan, B. D. (2018). Implementasi Algoritme Support Vector Regression Pada Prediksi Jumlah Pengunjung Pariwisata. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (JPTIIK) Universitas Brawijaya, 2(4), 1501–1509.
Rahma, F. N., & Handayani, H. R. (2013).
OBYEK WISATA DAN PENDAPATAN PERKAPITA TERHADAP. 2, 1–9.
Tratar, L. F. (2014). Improved Holt winters Method: A Case of Overnight Stays of Tourists in Republic Of Slovenia.
Economic and Business Review, 16(1), 5–
17.
