i
LAPORAN AKHIR
PENELITIAN DOSEN PEMULA
Prediksi Kedatangan Wisatawan Nusantara dan Mancanegara
Berdasarkan Daerah Menggunakan Algoritma
Neural Network
Berbasis
Genetic Algorithm
Tahun ke-1 dari rencana 1 tahun
Mohamad Ilyas Abas, S.SI, M.Kom (Ketua) NIDN: 0926089101 Alter Lasarudin, M.Kom (Anggota) NIDN: 0923038503
UNIVERSITAS MUHAMMADIYAH GORONTALO September 2018
Kode/Nama Rumpun Ilmu: 458/Teknik Informatika
3 RINGKASAN
Wisatawan merupakan bagian yang tidak terpisahkan dari dunia pariwisata. Umumnya wisatawan berkunjung untuk melihat keanekaragaman dari suatu daerah. Di Gorontalo mempunyai beberapa tempat wisata sudah banyak dikunjung oleh wisatawan nusantara dan mancanegara. Hal ini tentunya merupakan jumlah yang banyak sehingga dapat membantu memperbaiki pertumbuhan ekonomi di Gorontalo dari sektor wisata. Oleh sebab itu perlunya pengetahuan terhadap jumlah wisatawan untuk tahun mendatang. Sehingga, dapat memberikan analisis pertimbangan keputusan kepada pemerintah untuk dapat menyiapkan langkah-langkah dalam membangun perekonomian dari sektor wisata. Jumlah wisatawan tersebut dapat dilakukan suatu prediksi dengan menggunakan metode dalam data mining yaitu Neural Network. Neural Network merupakan salah satu metode yang baik untuk melakukan prediksi untuk dataset non linear seperti jumlah wisatawan. Data wisatawan yang sering berubah tiap bulannya pastinya sulit untuk dijadikan pertimbangan keputusan, dengan metode Neural Network hal tersebut dapat dilakukan. Bukan hanya itu, Genetic Algorithm akan digunakan guna mengoptimalkan parameter dari
Neural Network sehingga dapat meningkatkan nilai akurasi yang dapat diukur dengan nilai
Root Mean Square Error (RMSE). Hasil dari penelitian ini menunjukkan bahwa nilai RMSE untuk data wisatawan nusantara sebagai berikut Kota Gorontalo: 0.116, Kabupaten Gorontalo: 0.220, Boalemo: 0.073, Pohuwato: 0.142, Bone Bolango: 0.078, Gorontalo Utara: 0.093. Untuk wisatawan mancanegara Kota Gorontalo: 0.117, Kabupaten Gorontalo: 0.178, Boalemo: 0.075, Pohuwato: 0.099, Bone Bolango: 0.124, Gorontalo Utara: 0.155.
4 PRAKATA
Penelitian dengan judul “Prediksi Kedatangan Wisatawan Nusantara dan Mancanegara Berdasarkan Daerah Menggunakan Algoritma Neural Network Berbasis Genetic Algorithm” ini dapat penulis selesaikan sesuai rencana karena dukungan dari berbagai pihak yang tidak ternilai besarnya terutama pihak RISTEK DIKTI karena program Penelitian Dosen Pemula tahun 2017 untuk pendanaan 2018.
Penulis menyadari adanya keterbatasan pada penelitian ini, maka kritik, saran dan masukan yang membangun akan sangat membantu penulis dalam penelitian selanjutnya. Semoga tulisan ini dapat bermanfaat bagi ilmu pengetahuan dan pembaca.
Gorontalo, September 2018
5 DAFTAR ISI HALAMAN SAMPUL ... i RINGKASAN ... 2 DAFTAR TABEL ... 7 DAFTAR GAMBAR ... 8 DAFTAR LAMPIRAN ... 9 BAB 1 PENDAHULUAN ... 10 1.1 Latar Belakang ... 10 1.2 Pembatasan Masalah ... 11
BAB 2 TINJAUAN PUSTAKA ... 12
2.1 Landasan Teori ... 12
2.1.1 Time Series Prediction ... 12
2.1.2 Analisis Rentet Waktu ... 12
2.1.3 Prediksi (peramalan) ... 12
2.1.4 Jaringan Saraf Tiruan (Neural Network) ... 12
1.1.5 Algoritma Genetik (Genetic Algoritm) ... 13
1.1.6 Neural Network berbasis Genetic Algoritm untuk peramalan time series ... 14
1.1.7 Kajian Riset Sebelumnya ... 14
1.1.8 Road Map Penelitian ... 15
BAB 3 TUJUAN DAN MANFAAT PENELITIAN ... 17
A. Tujuan Penelitian ... 17
B. Manfaat ... 17
BAB 4 METODE PENELITIAN ... 18
a. Lokasi Penelitian ... 18
b. Pengumpulan dan Analisis Data ... 18
c. Preprocessing ... 19
d. Normalisasi ... 20
e. Metode Yang Digunakan ... 20
f. Hasil Prediksi ... 21
BAB 5. HASIL DAN LUARAN YANG DICAPAI... 23
BAB 6. RENCANA TAHAPAN BERIKUTNYA ... 34
6
a. Kesimpulan ... 35
b. Saran ... 35
7
DAFTAR TABEL
Halaman
Tabel 1 Target capaian luaran 11
Tabel 2 Pola data time series (univariate ke multivariate) 21 Tabel 3 Dataset tahun 2013 (sebelum normalisasi) 24
Tabel 4 Dataset tahun 2013 (normalisasi) 25
Tabel 5 Data univariate 26
Tabel 6 Data multivariate 27
Tabel 7 Prediksi data wisatawan (Normalisasi) tahun 2017 29 Tabel 8 Prediksi data wisatawan (Denormalisasi) tahun 2017 30 Tabel 9 Prediksi data wisatawan (Normalisasi) tahun 2018 30 Tabel 10 Prediksi data wisatawan (Denormalisasi) tahun 2018 31
8
DAFTAR GAMBAR
Halaman
Gambar 1 Desain neural network 14
Gambar 2 Road map penelitian 17
Gambar 3 Data wisatawan nusantara 2013-2016 19
Gambar 4 Data wisatawan mancanegara 2013-2016 20
Gambar 5 Skema data univariate menjadi multivariate 20
Gambar 6 Diagram Alir Penelitian 23
Gambar 7 Grafik wisatawan nusantara (2017) 32
Gambar 8 Grafik wisatawan mancanegara (2017) 32
Gambar 9 Data wisatawan nusantara (2018) 33
Gambar 10 Data wisatawan mancanegara (2018) 33
Gambar 11 Grafik perkembangan wisatawan nusantara (2013-2018) 34 Gambar 12 Grafik perkembangan wisatawan mancanegara (2013-2018) 34
9
DAFTAR LAMPIRAN
Halaman
10
BAB 1 PENDAHULUAN
1.1 Latar Belakang
Wisatawan merupakan salah dari sekian banyak sektor yang dapat dibanggakan disetiap daerah. Kedatangan wisatawan dari berbagai daerah dan negara menjadi kebanggaan tersendiri dari daerah tersebut. tentunya selain hal tersebut dapat meningkatkan perekomian dari suatu daerah. Seperti halnya di beberapa daerah lain tempat wisata sudah merupakan roda perekonomian yang bergerak setiap bulan dan dapat menjadi penghasilan baru bagi pemerintah daerah dan penduduk sekitar khususnya. Jumlah wisatawan yang meningkat seiring berjalannya waktu dapat menarik investor untuk membangun dan merenovasi dari tempat wisata tersebut. Fasilitas berupa hotel, penginapan dan tranportasi akan mengalami peningkatan dalam setiap kunjungan wisatawan di daerah. Di Gorontalo jumlah wisatawan tergolong besar dengan angka mencapai 1.267.581 yang terdiri dari wisatawan nusantara dan mancanegara. Wisatawan tersebut tersebar diseluruh daerah di provinsi Gorontalo.
Kunjungan wisatawan yang datang untuk tiap bulannya pada tiap daerah kabupaten/kota di Gorontalo selalu mengalami perubahan dari tahun 2013 sampai dengan 2016. Data yang sering berubah dalam periode perbulan tersebut membuat pemerintah Gorontalo kesulitan dalam melakukan prediksi tingkat kedatangan dari wisatawan ke Gorontalo. Dengan adanya prediksi kedatangan pemerintah dalam hal ini Dinas Pariwisata Gorontalo dapat menghindari penurunan jumlah wisnu maupun wisman untuk datang berkunjung guna menikmati keanekaragaman wisata yang ada di Gorontalo. Menurut data pada dinas Pariwisata Gorontalo beberapa destinasi objek wisata yang dapat dikunjungi terbagi atas daerah yaitu antara lain pantai olele, wisata lombongo, wisata hiu paus yang terletak di Bone Bolango, benteng otanaha, museum pendaratan Soekarno, wisata religi bongo (Kota), pemandian air pantas pentadio resort yang (Kabupaten), suaka marga satwa nantu, pantai bolihutuo (boalemo), pulau saronde (Gorontalo Utara), suku bajo torosiaje dan pula cinta yang terletak di daerah Pohuwato. Dari data yang didapatkan tercatat bahwa daerah Kota Gorontalo merupakan daerah destinasi yang banyak dikunjungi oleh wisnu dan wisman sebanyak 6.967 wisatawan. Hal ini tentunya dapat menjadi pertimbangan kepada pemerintah guna melakukan prediksi yang akurat. Pelayanan, pengembangan infrastruktur dan fasilitas wisata dapat ditingkatkan bukan hanya penghasilan dari segi wisatawan, hal ini juga memberikan proyeksi kepada investor dalam melakukan investasi di tiap lokasi wisata yang diprediksikan mengalami kenaikan kedatangan wisatawan.
11
Prediksi dapat dilakukan dengan menggunakan salah satu algoritma data mining yaitu
neural network. Algoritma ini dipilih karena mampu melakukan analisis terhadap dataset
time series non linear seperti data kunjungan wisatawan yang pernah diteliti sebelumnya (Das & Uddin, 2013) tentang prediksi terhadap jumlah stok yang berguna untuk perkiraan produksi kedepannya dengan baik. Tetapi penggunaan parameter neural network dalam melakukan prediksi pada tren penelitian saat ini perlu adanya optimasi dari segi training cycles, learning rate dan momentum. Oleh karena itu beberapa penelitian mengusulkan untuk mengoptimasi parameter neural network menggunakan genetic algoritm seperti penelitian oleh (Noersasongko et al., 2016) menunjukkan bahwa genetic algoritm mampu mengoptimalkan parameter neural network sehingga memberikan hasil RMSE yang baik.
Tabel 1 Target capaian luaran
NO Jenis Luaran Indikator Capaian
Kategori Sub Kategori Wajib Tambahan TS 1 TS+1 TS+2
1. Artikel ilmiah dimuat di jurnal
Internasional bereputasi Nasional terakreditasi
Nasional tidak terakreditasi published 2. Artikel ilmiah dimuat
di prosiding
Internasional Terindeks Nasional
3. Invited speaker dalam temu ilmiah
Internasional Nasional 4. Visiting Lecturer Internasional
5. Hak Kekayaan Intelektual (HKI) Paten Paten sederhana Hak Cipta Merek dagang Rahasisa dagang Desain Produk Industri Indikasi Geografis Perlindungan Varietas Tanaman
Perlindungan Topografi Sirkuit Terpadu
6. Teknologi Tepat Guna
7. Model/Purwarupa/Desain/Karya Seni/Rekayasa Sosial
8. Buku Ajar (ISBN)
9. Tingkat Kesiapan Teknologi 2
1.2 Pembatasan Masalah
1. Penelitian difokuskan untuk melakukan prediksi terhadap kedatangan wisata tiap daerah kabupaten/kota di Gorontalo.
12
BAB 2 TINJAUAN PUSTAKA 2.1 Landasan Teori
2.1.1 Time Series Prediction
Prediksi peristiwa deret waktu disebut prediksi time-series. Bila prediksi dilakukan berdasarkan hanya satu variabel independen, ini disebut prediksi univariat; Jika tidak, ini disebut prediksi multivariat. (Kasabov, n.d.)
2.1.2 Analisis Rentet Waktu
Analisis Rentet Waktu (Time Series) merupakan serangkaian observasi terhadap suatu variabel yang diambil secara berurutan berdasarkan interval waktu yang tetap (Wei & Hamilton, 1994). Rangkaian data pengamatan time series dinyatakan dengan variabel Zt dimana t adalah indeks waktu dari urutan pengamatan.
2.1.3 Prediksi (peramalan)
Prediksi (peramalan) adalah proses menghasilkan informasi untuk pengembangan proses masa depan yang mungkin dari data tentang masa lalu dan perkembangannya saat ini. Tiga tugas berbeda dapat dibedakan berdasarkan masalah prediksi generik (Kasabov, n.d.):
1. Prediksi jangka pendek (yang merupakan batasan dan arti default dari kata "prediksi"). 2. Pemodelan, yaitu menemukan struktur dasar, model, dan formula yang mendasari, yang dapat menjelaskan perilaku proses dalam jangka panjang dan dapat digunakan untuk prediksi jangka panjang serta untuk memahami masa lalu.
3. Karakterisasi, yang bertujuan untuk menemukan sifat dasar proses yang sedang dipertimbangkan, seperti derajat kebebasan, dll. Prediksi gempa bumi dan bencana lainnya, prediksi pergerakan lapisan ozon, dan lain sebagainya. Prediksi adalah masalah Artificial Intelegence generik yang sangat penting.
2.1.4 Jaringan Saraf Tiruan (Neural Network)
Jaringan syaraf tiruan mewujudkan paradigma subsistematik untuk mewakili dan memproses informasi. Bidang sains yang berhubungan dengan metode dan sistem untuk pengolahan informasi menggunakan jaringan syaraf tiruan disebut neurocomputation (Kasabov, n.d.). Jaringan Saraf Tiruan (Neural Network) merupakan metode yang polanya mengikut kerja dari sistem saraf manusia. Dimana pemrosesan utama sistem saraf manusia terletak pada otak. Bagian terkecil dari otak manusia yaitu sel saraf yang merupakan unit dasar untuk pemroses informasi. Unit ini disebut juga neuron. Ada sekitar 10 miliar neuron
13
dalam setiap otak manusia dan sekitar 60 triliun koneksi antar neuron di dalam otak manusia tersebut (Kiki, 2005). Dengan menggunakan neuron-neuron tersebut secara simultan, otak manusia dapat memproses informasi secara paralel dan cepat, bahkan lebih cepat dari kompoter tercepat saat ini. Berangkat dari analogi sistem kerja saraf otak tersebut neural network mengadopsinya menjadi sebuah algoritma. Neural network terdiri dari unit pemroses yang disebut neuron yang berisi adder dan fungsi aktivasi, sejumlah bobot dan sejumlah vektor masukan. Fungsi aktivasi berguna untuk mengatur keluaran yang diberikan oleh neuron. Seperti terlihat pada gambar 2.1 di bawah ini:
Gambar 1 Desain neural network
Gambar 1 di atas menjelaskan bahwa vektor masukan terdiri dari sejumlah nilai yang diberikan sebagai nilai masukan pada neural network, vektor masukan terdiri dari 3 nilai (x1 ,x2, x3) sebagai fitur dalam vektor yang akan diproses dalam neural network,
masing-masing nilai masukan melewati sebuah hubungan berbobot w, kemudian semua nilai digabungkan. Nilai gabungan tersebut kemudian diproses melalui neuron oleh fungsi aktivasi untuk menghasilkan sinyal y sebagai keluaran. Fungsi aktivasi menggunakan nilai ambang batas untuk membatasi nilai keluaran agar selalu dalam batas nilai yang ditetapkan.
1.1.5 Algoritma Genetik (Genetic Algoritm)
(Kiki, 2005) Algoritma Genetik (Genetic Algorithm) yaitu proses komputasi untuk melakukan optimasi yang diperkenalkan pertama kali oleh John Holland dari Universitas Michigan tahun 1975. Algoritma Genetik merupakan suatu proses pencarian optimasi dalam pencarian acak. Dalam prosesnya algoritma ini dilakukan untuk proses seleksi secara alamiah atau dikenal sebagai proses evolusi dan operasi terhadap genetika atas kromosom. Sehingga dalam penggunaannya dapat digunakan untuk mengoptimasi nilai
Root Mean Squared Error (RMSE) terhadap Algoritma Neural Network. Algoritma ini
∑
X2 X1 X3 w1 w2 w3 y Vektor Masukan Neuron Pemroses Keluaran14
memanfaatkan proses seleksi secara alamiah yang dikenal dengan proses evolusi dan operasi genetika atas kromosom.
1.1.6 Neural Network berbasis Genetic Algorithm untuk peramalan time series
Neural network merupakan algoritma yang sering digunakan untuk dataset time series. Pemilihan variabel masukan untuk data training yang efektif merupakan salah satu dilema terpenting dalam bidang peramalan dan pengambilan keputusan (Makvandi, Jassbi, & Khanmohammadi, 2005). Pada perkembangan parameter neural network dapat di optimasi menggunakan genetic algoritm guna mengotomatisasi parameter neural network yang terdiri dari training cycles, learning rate dan momentum. Hasil penelitian oleh (Peralta, Gutierrez, & Sanchis, 2007) menunjukkan bahwa desain neural network dan
genetic algorithm dapat mengolah dan meramalkan data time series sehingga mendapatkan hasil yang baik.
1.1.7 Kajian Riset Sebelumnya
(Hartono, Daniel dan Satrio Wahono, 2013), melakukan penelitian tentang Model Prediksi Rentet Waktu Penjualan Minuman Kesehatan Berbasis Neural Network.
Penelitian menitik beratkan pada arsitektur terbaik dengan menggunakan neural network, dimana setting parameter neural network dengan menggunakan jumlah hidden layer tidak lebih dari jumlah input maupun output. Empat tahapan yang dilakuakn yaitu adjustment parameter, model, object dan measurement. Parameter yang digunakan meliputi learning rate, momentum dan neuron size. Model yang dipakai dalam eksperimen ini adalah neural network with backpropagation. Objek yang diteliti adalah prediksi rentet waktu bisnis penjualan minuman kesehatan. Sedangkan pengukuran menggunakan RMSE (Root Mean Square Error). Berdasarkan hasil eksperimen yang telah dilakukan, maka didapatkan model terbaik untuk prediksi dengan arsitektur training cycles: 300, learning rate: 0.3,
momentum: 0.7, jumlah hidden layer: 1, dan size hidden layer: 23, tingkat RMSE yang rendah yaitu 0,152. Dan error yang dihasilkan dari hasil pengujian tersebut sebesar 0.0189%. Hal tersebut menunjukkan neural network dengan algoritma pembelajaran
backpropagation dapat menghasilkan model rentet waktu untuk prediksi secara akurat. (Ruliah & Rolyadely, 2014) melakuka penelitian tentang Peramalan Pemakaian Listrik dalam operasi sistem tenaga listrik mulai dari perencanaan pembangkitan, analisis aliran daya, unit commitment, hydro thermis, dan operasi ekonomis sistem tenaga. Oleh karena itu peramalan Pemakaian listrik menjadi penting. Dalam penelitian ini menggunakan data time series dari pemakaian listrik wilayah Kalimantan Selatan dan Tengah periode 2008 - 2012 karena memiliki atribut waktu, metode yang digunakan
15
Backpropagation Neural Network. Hasil penelitian ini mampu menghasilkan Peramalan Pemakaian Listrik dengan struktur 12-3-1 Root Mean Square Error yang dihasilkan mencapai 0.024, dan pada struktur 12-25-1 mampu menghasilkan Root Mean Square Error
0.011, dan terakhir pada struktur 12-100-1 mampu menghasilkan Root Mean Square Error 0.0098.
(Varahrami, 2010), melakukan penelitian tentag peramalan kebutuhan air jangka pendek dalam perencanaan dan pengelolaan fasilitas air dan limbah seperti penjadwalan pompa, pengendalian volume waduk, manajemen tekanan dan program konservasi air. Hal ini membantu manajer jaringan dalam untuk mengurangi kerentanan sistem dan konsumen untuk meningkatkan keandalan jaringan. Makalah ini menjelaskan tentang penerapan algoritma genetika terhadap peramalan jaringan saraf permintaan air jangka pendek. Dua jenis jaringan syaraf tiruan: MLFF dengan algoritma pembelajaran backpropagation dan GMDH dengan algoritma pembelajaran genetik diselidiki untuk memodelkan perkiraan kebutuhan air. Perbandingan tersebut menunjukkan bahwa jaringan syaraf tiruan GMDH dengan GA menghasilkan hasil yang mendekati data aktual.
(Makvandi et al., 2005) melakukan penelitian untuk menentukan variabel efektif mengenai peramalan dividen di masa depan dari perusahaan-perusahaan yang menjadi anggota bursa saham di Teheran. Hasil penelitian yang dilakukan bahwa model NNGA dapat digunakan di berbagai bidang seperti peramalan keuangan, prediksi variabel pasar, pengambilan keputusan dan lain sebagainya.
(Sciences, Scientific, & Corp, 2014) melakukan penelitian untuk mengembangkan model prediksi hybrid berdasarkan neural network dan genetic algorithm yang mengitegrasikan manfaat kedua teknik tersebut untuk meningkatkan perkiraan beban listrik. Genetic algorithm dapat mengoptimasi arsitektur neural network nilai bobot awal neuron, pemilihan algoritma pelatihan dan analisis kritis dan pemilihan parameter masukan yang paling tepat merupakan beberapa pertimbangan dalam analisis dalam prediksi.
1.1.8 Road Map Penelitian
Road map penelitian untuk algoritma neural network dalam melakukan prediksi berkembang seiring berjalannya waktu. Beberapa penelitian menunjukkan bahwa menggunakan algoritma neural network perlu dilakukan optimasi salah satunya menggunakan genetic algorithm. Hasil dari penelitian sebelumnya menunjukkan bahwa kombinasi dari kedua menghasilkan prediksi yang baik. Berikut road map penelitian ini dapat dilihat pada gambar 2 di bawah ini:
16
17
BAB 3 TUJUAN DAN MANFAAT PENELITIAN A.Tujuan Penelitian
1. Melakukan prediksi kedatangan wisatawan nusantara dan mancanegara di Gorontalo untuk tahun yang akan datang.
2. Hasil dari prediksi tersebut dapat digunakan oleh pemerintah untuk melakukan analisis dalam menghindari penurunan jumlah wisnu dan wisman.
3. Hasil prediksi dapat digunakan untuk menigkatkan pelayanan wisata, infrastruktur, fasilitas hotel dan lain sebagainya serta mendatangkan investor.
4. Hasil prediksi untuk tahun mendatang dapat menjadi acuan untuk melakukan prediksi lanjutan.
B.Manfaat
1. Hasil prediksi wisnu dan wisman akan ditampilkan dalam graphic line guna mengenai kenaikan ataupun penurunan wisatawan tiap daerah.
2. Dilakukan publikasi di jurnal nasional terakreditasi atau jurnal nasional tidak terakreditasi.
18
BAB 4 METODE PENELITIAN
a. Lokasi Penelitian
Lokasi penelitian ini dilakukan di Dinas Pariwisata Provinsi Gorontalo untuk dataset kedatangan wisatawan.
b. Pengumpulan dan Analisis Data
Pengumpulan data dilakukan di Dinas Pariwisata Provinsi Gorontalo melalui untuk data wisatawan baik nusantara maupun mancanegara. Data diperoleh dengan memasukkan surat izin penelitian untuk permohonan pengambilan data guna proses pengolahan data dalam penelitian. Dari data yang diperoleh tercatat bahwa dinas pariwisata melakukan rekapan data dari tahun 2013 sampai 2016. Data tersebut terbagi atas tiap daerah kabupaten/kota. Sehingga dalam proses pengolahan dan analisis data nanti, data yang diambil memenuhi kriteria dalam pengolahan dengan neural network berbasis genetic algorithm. Rekapan kedatangan wisatawan yang diambil terbagi atas periode perbulan. Berikut grafik wisatawan nusantara dan mancanegara pada gambar 3 dan 4 di bawah ini:
Gambar 3 Data wisatawan nusantara 2013-2016 (Dinas Pariwisata Gorontalo)
2013 2014 2015 2016 155,876 361,941 572,155 196158 0 100000 200000 300000 400000 500000 600000 700000
19
Gambar 4 Data wisatawan mancanegara 2013-2016 (Dinas Pariwisata Gorontalo) Variabel dari data tersebut berjumlah 48 record dari Januari 2013 sampai dengan Desember 2016. Dimana, dataset 2013 sampai 2015 untuk data training sedangkan data 2016 sebagai data testing. Output yang dihasilkan akan digunakan untuk melakukan prediksi untuk tahun mendatang.
c. Preprocessing
Tahapan ini dilakukan untuk mengubah data yang diolah dari data univariate ke data
Multivariate yaitu dengan mengubah data mulai xt, xt-1, sampai dengan xt-10. Hal ini bertujuan untuk mencari pola terbaik untuk melakukan prediksi. Pola terbaik akan ditentukan dengan melihat parameter Root Mean Squared Error (RMSE) paling terkecil dari hasil analisis n. Tujuan time series multivariate yaitu memodelkan peubah data yang berkorelasi dan tercatat dari waktu ke waktu. Peubah tersebut dinotasikan dalam skema dan tabel pola data time series berikut.
Gambar 5 Skema data univariate menjadi multivariate
Pola data yang digunakan untuk mengubah data univariate menjadi multivariate, dapat dilihat pada tabel pola data berikut.
3238 4094 3634 2820 0 500 1000 1500 2000 2500 3000 3500 4000 4500 2013 2014 2015 2016
Data Wisatawan Mancanegara
2013 2014 2015 2016 x1 x2 x3 xp xp +1 xp +2 xp +3 xm Target (1) Target (2) Target (3) Target (m)
20
Tabel 2 Pola data time series (univariate ke multivariate) (Purwanto, Eswaran, & Logeswaran, 2011)
Pattern Input lag Output/ Target
1 2 3 ... m-p x1, x2, x3, x4, ..., xp x2, x3, x4, x5,..., xp+1 x3, x4, x5, x6,..., xp+2 ... xm-p, xm-p+1, xm-p+2, ..., xm-1 xp+1 xp+2 xp+3 ... xm
Tabel 2 merupakan pola yang digunakan untuk mengubah data univariate ke multivariate
dimana : m-p : nilai pattern xm-p : input lag xm : Output/Target model : xm = xm-p, xm-p+1, xm-p+2, ..., xm-1 ... (3.1) d. Normalisasi
Normalisasi dilakukan bertujuan untuk mengubah dataset time series menjadi angka biner range antara 0 sampai 1 (Prasetyo, 2014). Hal tersebut dilakukan agar pengolahan data dapat lebih baik karena menghindari missing value atau nilai dominan dari suatu dataset. Berikut rumus normalisasi yang digunakan:
...(3.2) Di mana,
x’ = data hasil normalisasi x = data asli/ data awal a = nilai maksimum data asli b = nilai minimum data asli e. Metode Yang Digunakan
Metode yang akan digunakan pada penelitian ini adalah Neural Network Backpropagation dengan melakukan analisis terhadap data time series wisnu dan wisman. Untuk mendapatkan nilai RMSE terkecil optimasi dilakukan dengan menambah genetic
21
algorithm. Dengan data time series kedatangan wisnu dan wisman di Gorontalo sebanyak 48 record. kemudian data tersebut diubah dari univariate ke multivariate model. Data tersebut diubah menjadi multivariate model dari (x1, x2, .... xm) pola terbaik akan membuat
proses analisis menjadi lebih baik. Dari proses perubahan model data ke multivariate
tersebut barulah kemudian data akan diolah menggunakan metode neural network backpropagation dan genetic algoritm untuk mendapatkan nilai RMSE yang terkecil. Optimasi parameter genetic algorithm terdiri dari Max Generations, Population Size, Mutation Type, Selection Type dan Crossover Probability. Diharapkan dengan penambahan parameter untuk mencari nilai fitness terbaik akan memperoleh nilai RMSE
terbaik yang didapat dari proses analisis yang hanya menggunakan neural network akan dapat dioptimasi. Sehingga, dapat meningkatkan perfomance untuk mengurangi nilai
RMSE. Nilai RMSE yang kecil akan membuat penerapan algoritma ini akan mencapai keakuratan dalam melakukan prediksi.
f. Hasil Prediksi
Sebelum menampilkan hasil akhir dari prediksi yang akan dilakukan data normalisasi dari proses analisis Neural Network dan Genetic Algorithm akan diubah ke data aktual dengan cara denormalisasi data menggunakan rumus di bawah ini:
x = ( )( )
... (3.3)
x = data asli/ data awal a = nilai maksimum data asli b = nilai minimum data asli x’ = data hasil normalisasi
Setelah proses denormalisasi dilakukan selanjutnya data hasil prediksi akan ditampilkan untuk prediksi wisatawan untuk masa yang akan datang . Hasil prediksi dari analisis yang dilakukan akan ditampilkan dan dibuat grafik line wisnu dan wisman dari berbagai daerah di kabupaten/kota di gorontalo. Sehingga hasil tersebut dapat digunakan oleh pihak pemerintah daerah maupun provinsi untuk melakukan pengelolaan dengan baik serta mendatangkan investor guna pengembangan wisata di Gorontalo kedepannya. Tahapan penelitian ini dapat dilihat pada gambar 6 di bawah ini:
22 Start
Dataset time series wisatawan Normalisasi Preprocessing Genetic Algorithm Neural Network Hasil Analisis (RMSE) Denormalisasi Hasil Prediksi Finish
23
BAB 5. HASIL DAN LUARAN YANG DICAPAI
Penelitian ini dilakukan untuk memperoleh hasil prediksi yang akurat dengan nilai RMSE terkecil. Hal tersebut dilakukan untuk menghasilkan prediksi jumlah wisnu dan wisman sebagai tolak ukur pengembangan wisata di daerah Gorontalo. Untuk dapat melakukan prediksi tersebut peneliti menggunakan optimasi algoritma genetika pada neural network berdasarkan parameter yang terdiri dari training cycle, learning rate, dan momentum.
Dataset yang digunakan yakni dari tahun 2013 sampai dengan 2017 secara time series
mulai Januari sampai Desember. Prediksi yang dilakukan terhadap tahun 2018 akan dijadikan acuan untuk prediksi pada tahun mendatang. Penggunaan algoritma optimasi
Genetic Algorithm dapat menekan nilai RMSE. RMSE terkecil akan digunakan untuk melakukan prediksi pada tahun-tahun mendatang. Dari hasil analisis terbukti bahwa Genetic Algorithma dapat memperkecil nilai RMSE untuk mencapai hasil yang terbaik untuk prediksi. Proses pengolahan data diawali dengan merubah data dari univariate ke
multivariate, hal ini dilakukan untuk memudahkan proses pengolahan data dan value dari tiap data perbulannya. Pola yang dilakukan seperti yang terlihat pada tabel 3 dengan menentukan period (p)=3 dan xp yang menjadi target dari proses training. Proses ini dilakukan sama terhadap pengolahan data yang lain. Secara berurut proses pengolahan data, hasil analisis dan prediksi dapat dilihat pada tabel…..
1. Normalisasi data untuk dataset tahun 2013
Tabel 3. Dataset tahun 2013 (sebelum normalisasi)
TAHUN BULAN JUMLAH WISNU
2013 JANUARI 2773 FEBRUARI 2444 MARET 2001 APRIL 2198 MEI 1806 JUNI 1798 JULI 1421 AGUSTUS 5591
24
SEPTEMBER 4344
OKTOBER 4211
NOVEMBER 4900
DESEMBER 3780
Pada tabel 4 di atas merupakan dataset awal di tahun 2013 sebelum dilakukan normalisasi data. Berikut hasil normalisasi data yang dilakukan seperti terlihat pada tabel 5 di bawah ini:
Tabel 4. Dataset tahun 2013 (normalisasi)
TAHUN BULAN JUMLAH WISNU
2013 JANUARI 0.154 FEBRUARI 0.141 MARET 0.123 APRIL 0.131 MEI 0.115 JUNI 0.115 JULI 0.100 AGUSTUS 0.267 SEPTEMBER 0.217 OKTOBER 0.212 NOVEMBER 0.239 DESEMBER 0.194
Proses normalisasi dilakukan dengan cara membuat range angka dari 0 sampai 1 pada setiap dataset wisatawan. Rumus normalisasi yang digunakan yaitu:
... Di mana,
x’ = data hasil normalisasi x = data asli/ data awal
25 a = nilai maksimum data asli
b = nilai minimum data asli
Pada tabel 5 menunjukkan hasil perubahan data setelah di normalisasi guna mempermudah proses pengolahan data dan menghindari range value dari tiap data yang diolah.
Berikut proses normalisasi terhadap dataset pada tabel 5 di atas:
X1’ = (0.8*( 2773 - 1421) / (21431 - 1421 )) + 0.1 = 0.154 X2’ = (0.8*( 2444- 1421) / (21431 - 1421 )) + 0.1 = 0.141 X3’ = (0.8*( 2001 - 1421) / (21431 - 1421 )) + 0.1 = 0.123 X4’ = (0.8*( 2198 - 1421) / (21431 - 1421 )) + 0.1 = 0.131 X5’ = (0.8*( 1806 - 1421) / (21431 - 1421)) + 0.1 = 0.115 X6’ = (0.8*( 1798 - 1421) / (21431 - 1421 )) + 0.1 = 0.115 X7’ = (0.8*( 1421 - 1421) / (21431 - 1421 )) + 0.1 = 0.100 X8’ = (0.8*( 5591 - 1421) / (21431 - 1421 )) + 0.1 = 0.267 X9’ = (0.8*( 4344 - 1421) / (21431 - 1421 )) + 0.1 = 0.217 X10’ = (0.8*( 4211 - 1421) / (21431 - 1421 )) + 0.1 = 0.212 X11’ = (0.8*( 4900 - 1421) / (21431 - 1421 )) + 0.1 = 0.239 X12’ = (0.8*( 3780 - 1421) / (21431 - 1421 )) + 0.1 = 0.194
2. Perubahan data dari univariate ke multivariate
Tabel 5. Data univariate
No dataset 1 0.221 2 0.260 3 0.291 4 0.185 5 0.189 6 0.260 7 0.271 8 0.342 9 0.247 10 0.342 11 0.194 12 0.390 ….60 0.144
26
Tabel 7. Data multivariate
No x1 x1 xp+1 1 0.291 0.260 0.221 2 0.185 0.291 0.260 3 0.189 0.185 0.291 4 0.260 0.189 0.185 5 0.271 0.260 0.189 6 0.342 0.271 0.260 7 0.247 0.342 0.271 8 0.342 0.247 0.342 9 0.194 0.342 0.247 10 0.390 0.194 0.342 11 0.144 0.390 0.194 12 0.168 0.144 0.390 ….60 0.230 0.168 0.144
Setelah data diubah menjadi multivariate barulah proses analisis dilakukan dengan melakukan pelatihan data training terhadap target menggunakan metode NNGA. Data yang diolah dan dianalisis mulai dari wisatawan nusantara sampai mancanegara. Dari hasil analisis tersebut dapat dijabarkan sebagai berikut:
1. Hasil analisis data wisatawan nusantara
a. Kota Gorontalo Performance: PerformanceVector [ ---root_mean_squared_error: 0.116 +/- 0.067 (mikro: 0.136 +/- 0.000) ---squared_error: 0.026 +/- 0.023 (mikro: 0.028 +/- 0.063) ] Neural Net.training_cycles = 567 Neural Net.learning_rate = 0.06824643747185676 Neural Net.momentum = 0.6886873766706619 b. Kabupaten Gorontalo Performance: PerformanceVector [ ---root_mean_squared_error: 0.220 +/- 0.043 (mikro: 0.157 +/- 0.000) ---squared_error: 0.026 +/- 0.023 (mikro: 0.028 +/- 0.063) ] Neural Net.training_cycles = 624 Neural Net.learning_rate = 0.8770207129246534 Neural Net.momentum = 0.6081585748823284 c. Kabupaten Boalemo Performance: PerformanceVector [ ---root_mean_squared_error: 0.073 +/- 0.100 (mikro: 0.129 +/- 0.000) ---squared_error: 0.026 +/- 0.023 (mikro: 0.028 +/- 0.063) ] Neural Net.training_cycles = 8 Neural Net.learning_rate = 0.22764518955936736 Neural Net.momentum = 0.501959389503085
27 d. Kabupaten Pohuwato Performance: PerformanceVector [ ---root_mean_squared_error: 0.142 +/- 0.073 (mikro: 0.167 +/- 0.000) ---squared_error: 0.026 +/- 0.023 (mikro: 0.028 +/- 0.063) ] Neural Net.training_cycles = 937 Neural Net.learning_rate = 0.06821613547185676 Neural Net.momentum = 0.6886873766706619
e. Kabupaten Bone Bolango
Performance: PerformanceVector [ ---root_mean_squared_error: 0.078 +/- 0.104 (mikro: 0.125 +/- 0.000) ---squared_error: 0.017 +/- 0.042 (mikro: 0.016 +/- 0.082) ] Neural Net.training_cycles = 25 Neural Net.learning_rate = 0.4266205133429176 Neural Net.momentum = 0.17820899564696754
f. Kabupaten Gorontalo Utara
Performance: PerformanceVector [ ---root_mean_squared_error: 0.093 +/- 0.082 (mikro: 0.121 +/- 0.000) ---squared_error: 0.015 +/- 0.028 (mikro: 0.015 +/- 0.055) ] Neural Net.training_cycles = 25 Neural Net.learning_rate = 0.3911046017603027 Neural Net.momentum = 0.18379129498419863
2. Hasil analisis data wisatawan mancanegara
a. Kota Gorontalo Parameter set: Performance: PerformanceVector [ ---root_mean_squared_error: 0.117 +/- 0.067 (mikro: 0.139 +/- 0.000) ---squared_error: 0.018 +/- 0.024 (mikro: 0.019 +/- 0.039) ] Neural Net.training_cycles = 94 Neural Net.learning_rate = 0.06161096910007824 Neural Net.momentum = 0.692586106000668 b. Kabupaten Gorontalo Parameter set: Performance: PerformanceVector [ ---root_mean_squared_error: 0.178 +/- 0.068 (mikro: 0.191 +/- 0.000) ---squared_error: 0.036 +/- 0.027 (mikro: 0.036 +/- 0.057) ] Neural Net.training_cycles = 94 Neural Net.learning_rate = 0.07175661502593832 Neural Net.momentum = 0.6828753220446866 c. Kabupaten Boalemo Performance:
28 PerformanceVector [ ---root_mean_squared_error: 0.075 +/- 0.097 (mikro: 0.129 +/- 0.000) ---squared_error: 0.015 +/- 0.033 (mikro: 0.017 +/- 0.083) ] Neural Net.training_cycles = 94 Neural Net.learning_rate = 0.07468284675672582 Neural Net.momentum = 0.7032287706468333 d. Kabupaten Pohuwato Performance: PerformanceVector [ ---root_mean_squared_error: 0.099 +/- 0.099 (mikro: 0.141 +/- 0.000) ---squared_error: 0.020 +/- 0.036 (mikro: 0.020 +/- 0.085) ] Neural Net.training_cycles = 8 Neural Net.learning_rate = 0.058013402521914774 Neural Net.momentum = 0.19861040240909603
e. Kabupaten Bone Bolango
Parameter set: Performance: PerformanceVector [ ---root_mean_squared_error: 0.124 +/- 0.062 (mikro: 0.141 +/- 0.000) ---squared_error: 0.019 +/- 0.016 (mikro: 0.020 +/- 0.034) ] Neural Net.training_cycles = 94 Neural Net.learning_rate = 0.05441269878094703 Neural Net.momentum = 0.6972589409675468
f. Kabupaten Gorontalo Utara
Parameter set: Performance: PerformanceVector [ ---root_mean_squared_error: 0.155 +/- 0.138 (mikro: 0.212 +/- 0.000) ---squared_error: 0.043 +/- 0.051 (mikro: 0.045 +/- 0.105) ] Neural Net.training_cycles = 25 Neural Net.learning_rate = 0.40107538634598017 Neural Net.momentum = 0.1887688425336287
Hasil analisis di atas merupakan proses algoritma optimasi Genetic Algorithm
terhadap Neural Network, Kombinasi algoritma ini menghasilkan nilai RMSE terkecil sehingga dapat menghasilkan prediksi terbaik pada data wisatawan nusantara dan mancanegara di Provinsi Gorontalo. Berdasarkan hasil analisis prediksi yang dilakukan menghasilkan nilai sebagai berikut:
Tabel 7. Prediksi data wisatawan (Normalisasi) tahun 2017
Nusantara Mancanegara Kota Kab. Gorontalo Kab. Boalemo Kab. Pohuwato Kab. Bone Bolango Kab. Gorontalo Utara Kota Kab. Gorontalo Kab. Boalemo Kab. Pohuwato Kab. Bone Bolango Kab. Gorontalo utara 0.214 0.440 0.120 0.290 0.246 0.246 0.221 0.292 0.134 0.191 0.315 0.125
29 0.211 0.440 0.120 0.290 0.266 0.246 0.260 0.319 0.134 0.192 0.314 0.163 0.207 0.436 0.119 0.290 0.274 0.246 0.291 0.318 0.143 0.193 0.314 0.175 0.210 0.441 0.119 0.287 0.294 0.246 0.185 0.335 0.148 0.194 0.334 0.123 0.224 0.435 0.118 0.289 0.289 0.246 0.189 0.356 0.141 0.195 0.360 0.123 0.234 0.441 0.120 0.286 0.285 0.246 0.260 0.297 0.139 0.196 0.384 0.127 0.231 0.438 0.119 0.290 0.271 0.246 0.271 0.371 0.135 0.197 0.397 0.128 0.225 0.441 0.120 0.289 0.255 0.246 0.342 0.479 0.137 0.198 0.350 0.129 0.227 0.439 0.119 0.290 0.261 0.246 0.247 0.556 0.073 0.199 0.333 0.127 0.277 0.446 0.121 0.287 0.270 0.247 0.342 0.364 0.181 0.200 0.328 0.125 0.290 0.499 0.136 0.286 0.275 0.247 0.194 0.319 0.143 0.201 0.315 0.128 0.350 0.461 0.135 0.283 0.279 0.248 0.390 0.305 0.145 0.202 0.323 0.131
Setelah dilakukan normalisasi data kemudian data di denormalisasi untuk mengembalikan data hasil normalisasi menjadi data aktual. Tabel di bawah ini menunjukkan bahwa data berhasil di normalisasi.
Tabel 8. Prediksi data wisatawan (Denormalisasi) tahun 2017
Nusantara Mancanegara Kota Kab. Gorontalo Kab. Boalemo Kab. Pohuwato Kab. Bone Bolango Kab. Gorontalo Utara Kota Kab. Gorontalo Kab. Boalemo Kab. Pohuwato Kab. Bone Bolango Kab. Gorontalo utara 4279 9922 1910 6173 5076 5066 62 90 29 36 99 26 4188 9936 1915 6166 5568 5063 77 100 29 24 98 40 4106 9833 1889 6180 5772 5064 89 100 33 28 98 45 4168 9945 1902 6110 6265 5068 49 106 34 26 106 25 4521 9805 1880 6139 6160 5071 50 114 32 31 116 25 4767 9944 1911 6071 6052 5075 77 92 31 0 125 26 4701 9876 1903 6166 5687 5072 82 120 29 34 130 27 4545 9942 1916 6156 5300 5068 109 161 30 78 112 27 4593 9894 1904 6172 5455 5064 73 191 6 112 105 26 5838 10075 1955 6099 5670 5090 109 117 47 148 103 26 6176 11405 2326 6074 5794 5107 52 100 33 20 99 27 7685 10446 2296 6005 5900 5116 127 95 33 31 102 28
Tabel 9. Prediksi data wisatawan (Normalisasi) tahun 2018
Nusantara Mancanegara Kota Kab. Gorontalo Kab. Boalemo Kab. Pohuwato Kab. Bone Bolango Kab. Gorontalo Utara Kota Kab. Gorontalo Kab. Boalemo Kab. Pohuwato Kab. Bone Bolango Kab. Gorontalo utara 0.343 0.501 0.059 0.279 0.409 0.211 0.316 0.311 0.134 0.149 0.272 0.163 0.344 0.505 0.059 0.279 0.408 0.212 0.315 0.303 0.143 0.152 0.270 0.175 0.344 0.505 0.059 0.279 0.409 0.212 0.313 0.302 0.148 0.151 0.295 0.123 0.344 0.504 0.058 0.279 0.407 0.211 0.317 0.296 0.141 0.152 0.357 0.123
30 0.343 0.502 0.058 0.277 0.407 0.211 0.317 0.291 0.139 0.152 0.381 0.127 0.343 0.501 0.058 0.280 0.408 0.211 0.315 0.307 0.135 0.160 0.436 0.128 0.343 0.502 0.057 0.280 0.408 0.211 0.315 0.279 0.137 0.146 0.350 0.129 0.343 0.502 0.059 0.279 0.408 0.211 0.312 0.239 0.073 0.128 0.303 0.127 0.343 0.500 0.059 0.279 0.409 0.212 0.316 0.213 0.181 0.113 0.308 0.125 0.342 0.497 0.057 0.279 0.408 0.212 0.311 0.288 0.143 0.108 0.269 0.128 0.342 0.494 0.056 0.277 0.408 0.210 0.317 0.303 0.145 0.154 0.288 0.131 0.341 0.492 0.056 0.279 0.408 0.341 0.315 0.304 0.140 0.152 0.287 0.130
Tabel 10. Prediksi data wisatawan (Denormalisasi) tahun 2018
Nusantara Mancanegara Kota Kab. Gorontalo Kab. Boalemo Kab. Pohuwato Kab. Bone Bolango Kab. Gorontalo Utara Kota Kab. Gorontalo Kab. Boalemo Kab. Pohuwato Kab. Bone Bolango Kab. Gorontalo utara 7490 11451 396 5890 9162 4207 99 97 29 35 82 40 7516 11539 400 5897 9126 4211 99 94 33 36 81 45 7516 11542 405 5893 9141 4210 98 94 34 36 91 25 7513 11519 379 5896 9105 4208 99 91 32 36 115 25 7508 11475 366 5858 9105 4204 99 89 31 36 124 26 7506 11452 364 5916 9123 4202 98 96 29 39 145 27 7510 11478 354 5920 9117 4200 99 85 30 34 112 27 7502 11466 388 5897 9136 4206 97 69 6 27 94 26 7500 11432 389 5903 9142 4210 99 59 47 21 96 26 7486 11353 345 5892 9134 4211 97 88 33 19 81 27 7462 11280 322 5858 9136 4171 99 94 33 37 88 28 7448 11224 311 5907 9121 7448 99 94 31 36 88 28
31
Dari hasil prediksi menunjukkan tren wisatawan tiap daerah, tertinggi yakni di Kabupaten Gorontalo yang akan mengalami kenaikan dari segi wisatawan. Hal tersebut sejalan dengan adanya beberapa tempat wisata baru yang berkembang saat ini.
Gambar 7. Grafik wisatawan nusantara (2017)
Gambar 8. Grafik wisatawan mancanegara (2017)
Sedangkan untuk mancanegara juga di daerah Kabupaten yang mengalami peningkatan dibandingkan daerah lain. Hal itu dengan diselenggarakan beberapa seminar internasiona tentang halal tourism dan pesona danau limboto yang terletak di wilayaj Kabupaten Gorontalo. 59567 121023 23707 73511 68699 60924 0 20000 40000 60000 80000 100000 120000 140000
Grafik wisatawan nusantara (2017)
Data wisatawan nusantara 956 1386 366 568 1293 348 0 200 400 600 800 1000 1200 1400 1600
Data wisatawan mancanegara
Data wisatawan mancanegara
32
Gambar 9. Data wisatawan nusantara (2018)
Gambar 10. Data wisatawan mancanegara (2018)
Pada tahun 2018 hasil prediksi juga mengalami peningkatan di daerah Kabupaten Gorontalo dibandingkan dengan daerah lain. Hasil prediksi ini dapat menjadi acuan bagi pemerintah untuk terus meningkatkan pengolahan dan pengembangan di sektor wisata. Guna mendapatkan peningkatan ekonomi dari hasil kunjungan wisatawan. Hasil prediksi ini juga membuktikan bahwa Provinsi Gorontalo dapat menjadi daerah wisata yang baik dan dapat bersaing dengan daerah besar lainnya seperti bali, bandung, jakarta dan kota besar lainnya. 89957 137211 4419 70727 109548 53688 0 20000 40000 60000 80000 100000 120000 140000 160000
Data wisatawan nusantara (2018)
Data wisatawan nusantara 1182 1050 368 392 1197 350 0 200 400 600 800 1000 1200 1400
Data wisatawan mancanegara (2018)
Data wisatawan mancanegara
33
Gambar 11. Grafik perkembangan wisatawan nusantara (2013-2018)
Gambar 12. Grafik perkembangan wisatawan mancanegara (2013-2018)
Jika dilihat pada gambar di atas tren pengunjung wisata mengalami peningkatan dan penurunan pada tiap tahunnya. Hal tersebut dapat terjadi akibat pengelolaan wisata dan juga promosi tempat wisata ke khalayak masyarakat. Untuk itu, perlu peningkatan promosi dan pengembangan wisata-wisata baru yang lebih menarik wisatawan untuk berkunjung ke Gorontalo. Untuk wisnu mengalami peningkatan positif di tahun 2017 dan 2018. Sedangkan sebaliknya untuk wisman mengalami penurunan untuk wisman tahun 2018.
155876 361941 572155 196158 407431 465550 0 100000 200000 300000 400000 500000 600000 700000 2013 2014 2015 2016 2017 2018
Data Wisatawan Nusantara
2013 2014 2015 2016 2017 2018 3238 4094 3634 2820 4917 4539 0 1000 2000 3000 4000 5000 6000 2013 2014 2015 2016 2017 2018
Data Wisatawan Mancanegara
2013 2014 2015 2016 2017 2018
34
BAB 6. RENCANA TAHAPAN BERIKUTNYA
Adapun rencana tahapan berikutnya yang akan dilakukan peneliti adalah sebagai berikut:
1. Mengembangkan algoritma/ metode baru guna memperoleh hasil yang lebih maksimal
2. Melakukan pendekatan dari segi sosial, ekonomi, dan bidang ilmu yang lainnya menjadi transdisiplin ilmu.
3. Mengembangkan sistem yang akan dibuat menggunakan algoritma NNGA. 4. Melakukan prediksi untuk tahun berikutnya jika diperlukan.
35
BAB 7. KESIMPULAN DAN SARAN
a. Kesimpulan
Berdasarkan penelitian yang telah dilakukan terhadap prediksi jumlah wisawatan nusantara dan mancanegara berdasarkan kabupaten/ kota. Dalam proses analisis terbukti bahwa optimasi yang dilakukan menggunakan Genetic Algorithm dapat memperkecil
RMSE. Sehingga dari gabungan pola Neural Network dan penentuan parameter Genetik Algorithm menghasilkan RMSE yang terbaik yang kemudian akan digunakan untuk melakukan prediksi. Dari analisis yang dilakukan tanpa menggunakan Genetik Algoritma metode Neural Network menunjukkan nilai RMSE yang lebih besar dibandingkan dengan melakukan optimasi. Hasil penelitian ini dapat menjadi acuan untuk melakukan pengembangan tempat wisata dan promosi lebih lanjut untuk menarik perhatian wisnu dan wisman.
Dengan total jumlah wisnu yang mencapai angka 1.740.111, hal ini lebih menegaskan bahwa wisatawan sudah mengalami kenaikan yang signifikan mulai tahun 2013 sampai 2018. Sedangkan untuk wisman mencapai jurnal 23.242 perlu adanya peningkatan dalam promosi untuk wisatawan mancanegara. Dari seluruh data mulai dari tahun 2013 sampai 2018 akan menjadi dasar guna mencapai prediksi di tahun mendatang. Peningkatan jumlah wisnu dan wisman akan sangat dipengaruhi oleh manajemen pengelolaan wisata di Gorontalo. Pelayanan lebih ditingkatkan agar dapat menarik wisatawan untuk berkunjung di Gorontalo. Makin banyak wisatawan yang berkunjung akan meningkatkan perekonomian masyarakat Gorontalo mulai dari transportasi, jual beli barang khas Gorontalo dan juga masyarakat dekat tempat wisata. Hal ini tentunya bernilai baik dari segi ekonomi masyarakat.
b. Saran
1. Perlu adanya percobaan secara terus menerus untuk optimasi baik menggunakan genetic algorithm maupun PSO dan semacamnya.
2. Percobaan terhadap data record yang lebih baik
3. Perlu analisis dari berbagai aspek bidang ilmu agar penelitian ini dapat bernilai lebih 4. Dapat menjadi pendukung keputusan bagi pemerintah untuk peningkatan manajemen, pengelolaan dalam sektor wisata
36
DAFTAR PUSTAKA
Das, D., & Uddin, M. S. (2013). Data Mining and Neural Network Tecniques In Stock Market Prediction, 4(1), 117–127.
Hartono, Daniel dan Satrio Wahono, R. (2013). Model Prediksi Rentet Waktu Penjualan Minuman Kesehatan Berbasis Neural Network. Jurnal Teknologi Informasi, 9, 12–21. Kasabov, N. K. (n.d.). Foundations of Neural Networks , Fuzzy Systems , and Knowledge Engineering.
Kiki, S. K. (2005). Penyelesaian Masalah Optimasi Menggunakan Teknik-teknik Heuristik. Yogyakarta: Graha Ilmu.
Makvandi, P., Jassbi, J., & Khanmohammadi, S. (2005). Application of Genetic Algorithm and Neural Network in Forecasting with Good Data, 2005, 56–61.
Noersasongko, E., Julfia, F. T., & Syukur, A. (2016). A Tourism Arrival Forecasting using Genetic Algorithm based Neural Network, 9(January), 3–7.
https://doi.org/10.17485/ijst/2016/v9i4/78722
Peralta, J., Gutierrez, G., & Sanchis, A. (2007). Design of Artificial Neural Networks based on Genetic Algorithms to Forecast Time Series.
Prasetyo, E. (2014). Mengolah Data Menjadi Informasi Menggunakan Matlab. Yogyakarta.
Purwanto, Eswaran, C., & Logeswaran, R. (2011). Improved Adaptive Neuro-Fuzzy Inference System for HIV/AIDS Time Series Prediction. Informatics Engineering and Information Science, Pt Iii, 253, 1–13.
Ruliah, S., & Rolyadely, R. (2014). Prediksi Pemakaian Listrik Dengan Pendekatan Back Propagation. Jurnal Teknik Informatika Dan Sistem Informasi, 3(1), 465–476.
Sciences, A., Scientific, M., & Corp, P. (2014). Research Article A Hybrid Neural
Network and Genetic Algorithm Based Model for Short Term Load Forecast B . Islam , Z . Baharudin , Q . Raza and P . Nallagownden Department of Electrical and Electronics Engineering , Universiti Teknologi PETRONAS , 7(13), 2667–2673.
https://doi.org/10.19026/rjaset.7.583
Varahrami, V. (2010). Application of Genetic Algorithm To Neural Network Forecasting of Short – Term Water Demand E, 783–788.
Wei, W. W. S., & Hamilton, J. D. (1994). Time series analysis. Prentice Hall New Jersey 1994. https://doi.org/10.1016/j.ijforecast.2004.02.001
