Prediksi Kunjungan Wisatawan Mancanegara Ke Indonesia
Menggunakan Jaringan Saraf Tiruan Dengan Algoritma
Backpropagation
Opriyani Armaya Putri
1, Poningsih
2, Heru Satria Tambunan
31,3
STIKOM Tunas Bangsa, Pematangsiantar, Sumatera Utara, Indonesia
2
AMIK Tunas Bangsa, Pematangsiantar, Sumatera Utara, Indonesia
Jln. Sudirman Blok A No. 1-3 Pematangsiantar, Sumatera Utara
1opriyaniarmaya17@gmail.com
,
2poningsih@amiktunasbangsa.ac.id,
3
heru@amiktunasbangsa.ac.id
Abstract
This study aims to see the development of the number of foreign tourist arrivals in the following year. With these predictions, it is expected to be able to assist the government in making policies related to foreign tourists in accordance with their home regions. Sources of data obtained from the Central Statistics Agency. In this study, researchers used the Backpropagation Algorithm. Backpropagation Algorithm is an algorithm that serves to reduce the error rate by adjusting the weight based on the desired output and target. From the test results of foreign tourist visit data obtained in 1-4-1 architecture which shows the target is reduced by the output that SSE 1.03218 which shows that there is an increase in the number of visits as a target. From the data obtained, that the performance calculation of artificial neural networks with Backpropagation Algorithm is 83.3This research contributes to the government and the community to further increase the provision of facilities, infrastructure, infrastructure, transportation and accommodation in order to get a satisfying predicate to improve the quality of the world market.
Keywords : International Tourists, Artificial Neural Networks, Backpropagation, Tourist Visits
Abstrak
Penelitian ini bertujuan untuk melihat perkembangan jumlah kunjungan wisatawan mancanegara di tahun berikutnya. Dengan adanya prediksi tersebut diharapkan bisa membantu pemerintah dalam pengambilan kebijakan terkait wisatawan mancanegara sesuai dengan daerah asalnya. Sumber data didapat dari Badan Pusat Statistik. Pada penelitian ini peneliti menggunakan Algoritma Backpropagation. Algoritma Backpropagation merupakan Algoritmayang berfungsi untuk memperkecil tingkat error dengan menyesuaikan bobot berdasarkan output dan target yang diinginkan. Dari hasil pengujian data kunjungan wisatawan mancanegara didapat pada arsitektur 1-4-1 yang menunjukan dari target dikurang dengan output bahwa SSE 1,03218 yang menunjukan bahwa adanya peningkatan jumlah kunjungan sebagai target. Dari data yang didapat, bahwa perfomance perhitungan jaringan syaraf tiruan dengan Algoritma Backpropagation adalah 83,3%. Penelitian ini memberikan kontribusi pada pemerintah dan masyarakat agar lebih meningkatkan penyediaan fasilitas sarana, prasarana, infrastruktur, transportasi dan akomodasi agar mendapatkan predikat yang memuaskan guna meningkatkan kualitas pasar dunia.
Kata Kunci : Wisatawan Mancanegara, Jaringan Saraf Tiruan, Backpropagation, Kunjungan Wisatawan
1. Pendahuluan
Indonesia adalah salah satu negara yang menjadi incaran wisatawan mancanegara karena keindahan alam serta keanekaragaman hayatinya. Salah satu alasan mengapa
Indonesia menjadi salah satu destinasi wisata pilihan di dunia adalah keberagaman warisan budaya dan tradisi unik yang dimiliki negara ini karena banyaknya ketersediaan akomodasi dengan harga yang terjangkau, transportasi, kuliner, serta hiburan internasional dan lokal dan menjadikan Indonesia sebagai negara yang paling sering dikunjungi oleh wisatawan mancanegara.
Dengan banyaknya wisatawan mancanegara yang datang ke Indonesia, terdapa t beberapa permasalahan dalam pembangunan kebudayaan dan pariwisata. Permasalahan tersebut seperti belum meratanya persediaan prasarana dan sarana, minimnya infrastruktur, transportasi dan akomodasi. Hal ini disebabkan karena belum dilakukannya prediksi jumlah kunjungan wisatawan mancanegara.
Disini penulis menerapkan sebuah metode Backpropagation yang mana metode tersebut dapat dijadikan solusi dalam memprediksi jumlah kunjungan wisatawan mancanegara yang datang ke Indonesia, karena metode ini merupakan bagian dari pembelajaran terawasi yang biasanya di gunakan untuk lapisan menentukan bobot -bobot yang tehubung dengan neuron-neouron yang ada pada lapisan yang tersembunyi. Yang mana metode Backpropagation tersebut akan di virtualsasika ke dalam program matlab dan akan menghasilkan perhitungan yang valid. Dengan digunakannya algoritma Backpropagation dalam penelitian ini maka penelitian ini diharapkan dapat membantu dalam meningkatkan penyediaan fasilitas sarana, prasarana, infrastruktur, transportasi dan akomodasi agar mendapatkan predikat yang memuaskan guna meningkatkan kualitas pasar dunia.
2. Metodologi Penelitian
2.1. Jaringan Saraf Tiruan
Jaringan Saraf Tiruan (JST) merupakan suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan saraf biologis (JSB) Jaringan Saraf Tiruan tercipta sebagai suatu generalisasi model matematis dari pemahaman manusia (human cognition) [1][2]. Jaringan saraf tiruan dibentuk sebagai generalisasi model matematika dari jaringan saraf biologis manusia, dengan asumsi bahwa[3][4]:
a) Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).
b) Sinyal dikirimkan di antara neuron-neuron melalui penghubung- penghubung.
c) Penghubung antar neuron memiliki bobot yang akan memperkuat dan memperlemah sinyal.
d) Untuk menentukan keluaran, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlah masukan yang diterima. Besarnya keluaran ini selanjutnya dibandingkandengan suatu batas ambang.
2.2. Algoritma Backpropagation
Keunggulan utama dari sistem algoritma backpropagation adalah kemampuan “belajar” dari contoh yang diberikan. Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak layar lapisan untuk mengubah bobot-bobot yang ada pada lapisan tersembunyinya. “Algoritma backpropagation adalah algoritma iteratif yang mudah dan sederhana yang biasanya berkinerja baik, bahkan dengan data yang kompleks”[5][6].
Agar data dapat dikenali oleh algoritma backpropagation, maka data harus dipresentasikan ke dalam bentuk 2 able 2 2 antara 0 s/d 1, dimana data masukan (input) adalah data yang diperoleh dan data keluaran (output) merupakan hasil dari prediksi yang diperoleh dari model arsitektur terbaik pada saat penentuan pola terbaik. “Hal ini dikarenakan jaringan aktivasi sigmoid biner (tansig) yang
data masukan dan keluaran 3 able 3 untuk dipelajari. Data masukan dibutuhkan sebagai data masukan, dan data keluaran dibutuhkan sebagai target jaringan. “Sebelum diproses data dinormalisasi terlebih dahulu. Normalisasi terhadap data dilakukan agar keluaran jaringan sesuai dengan fungsi aktivasi yang digunakan. Data-data tersebut dinormalisasi dengan interval [0,1]” [8].
(1)
Keterangan : : data yang telah ditransformasi : data yang akan dinormalisasi
: data 3able33 : data maksimun
Pengukuran akurasi kerja jaringan dengan menggunakan data yang ada. Besarnya persentase kesalahan (% error) dan akurasi prediksi didapatkan menggunakan persamaan berikut” [8].
(2)
Keterangan : : nilai sebenarnya (data sebenarnya) : nilai yang didapatkan (hasil prediksi).
3. Hasil dan Pembahasan
Pada penelitian ini data yang penulis gunakan adalah data yang diperoleh dari Badan Pusat Statistik (BPS) tahun 2017-2019. Dalam melakukan pelatihan dan pengujian hasil dari pengolahan data untuk memprediksi jumlah kunjungan wisatawan mancanegara yang datang ke indonesia, maka pengolahan data tersebut juga akan diujikan ke dalam sistem komputerisasi. Dalam melakukan pengujian data, penulis menggunakan software Matlab R2011. Berikut adalah data penelitian yang digunakan:
Tabel 1. Jumlah Kunjungan
Bulan 2017 2018 2019 Januari 1107968 1079839 1212562 Februari 1023388 1197503 1264055 Maret 1059777 1363426 1340504 April 1171386 1302321 1297757 Mei 1148588 1242705 1259205 Juni 1144001 1322674 1454141 Juli 1370591 1547321 1483792 Agustus 1393243 1511021 1555435 September 1250231 1370943 1365761 Oktober 1161565 1291605 1293178 November 1062030 1157483 1254332 Desember 1147031 1405554 1355785
Langkah pertama yang harus dilakukan dalam menerapkan algoritma
backpropagation untuk memprediksi jumlah blanko adalah membagi data yang akan
diuji menjadi dua (2) bagian, dimana bagian pertama adalah untuk data pelatihan
(Traning) dan bagian kedua adalah untuk data pengujian (Testing).
Tabel 2. Data Pelatihan (Traning) dan (Testing)
No Bulan Training Testing
2017 Target 2018 Target
1 Januari 1107968 1079839 1079839 1212562 2 Februari 1023388 1197503 1197503 1264055 3 Maret 1059777 1363426 1363426 1340504 4 April 1171386 1302321 1302321 1297757
No Bulan Training Testing 2017 Target 2018 Target 5 Mei 1148588 1242705 1242705 1259205 6 Juni 1144001 1322674 1322674 1454141 7 Juli 1370591 1547321 1547321 1483792 8 Agustus 1393243 1511021 1511021 1555435 9 September 1250231 1370943 1370943 1365761 10 Oktober 1161565 1291605 1291605 1293178 11 November 1062030 1157483 1157483 1254332 12 Desember 1147031 1405554 1405554 1355785
Pada penelitian ini terdapat lima model arsitektur yang digunakan untuk pelatihan dan penujian data yaitu model 1-2-1, 1-3-1, 1-4-1, 1-5-1, 1-9-1. Pada setiap model digunakan cara yang sama dalam melakukan pelatihan dan pengujian data. Semua data yang sudah diolah akan disimpulkan kembali agar mendapat model arsitektur terbaik. Pada penelitian ini terdapat lima model arsitektur yaitu 1 -2-1, 1-3-1, 1-4-1, 1-5-1, 1-9-1, dari ke 5 model tersebut dapat diperoleh satu model arsitektur terbaik, model arsitektur dapat di lihat pada Tabel 3 dibawah ini.
Tabel 3. Model Arsitektur Backpropagation
No Arsitektur Traning Testing
Epoch Waktu MSE MSE Akurasi
1 1-2-1 931 00:04 0,009992937 0,036044364 75 2 1-3-1 510 00:02 0,009986815 0,03523009 8,3 3 1-4-1 329 00:01 0,009945744 0,08601462 83,3 4 1-5-1 390 00:01 0,009964354 0,087279993 25 5 1-9-1 44 00:01 0,009961632 0,088585277 83,3
Pada tahapan ini akan dilakukan pengamatan terhadap laju pembelajaran kinerja jaringan dengan parameter tingkat akurasi, waktu pembelajaran, MSE selama proses pelatihan dan lamanya waktu iterasi (Epoch). Dengan memakai arsitektur jaringan terbaik pada pelatihan, maka akan diamati laju pembelajaran terhadap kinerja jaringan. Berdasarkan Tabel 3. diatas dapat disimpulkan bahwa dalam melakukan proses prediksi blanko dengan menerapkan algoritma backpropagation yang menggunakan lima (5) model arsitektur. Dari kelima model arsitektur tersebut diperoleh satu (1) model terbaik yaitu 1 -4-1 dengan tingkat keakurasian 83,3 % dengan epoch 329 iterasi dalam waktu 00.01 detik.
Selanjutnya akan dilakukan adalah proses prediksi jumlah kunjungan wisatawan ditahun yang akan datang. Setelah didapatkan model arsitektur terbaik dari algoritma Backpropagation, selanjutnya akan dilakukan proses prediksi, Tahapan ini dilakukan dengan melakukan pengujian dengan menerapkan model arsitektur 1 -4-1 menggunakan software Matlab R2011, model ini digunakan untuk mengetahui seberapa akuratnya model arsitektur 1-4-1 dalam memperoleh suatu hasil yang diinginkan. Dalam melakukan pengujian data untuk memperoleh hasil prediksi yang diinginkan menggunakan model arsitektur 1 -4-1 terbaik yang diperoleh melalui langkah yang sudah dilakukan penulis menggunakan software Matlab R2011. Adapun hasil prediksi terhadap jumlah penduduk untuk tahun 2020 dapat dilihat pada Tabel 4. berikut.
Tabel 4. Prediksi Kunjungan Tahun 2020
No Data Real Target Target Prediksi Prediksi
1 1212562 0,32325 0,435049483 1356161 2 1264055 0,40987 0,439743893 1358173 3 1340504 0,53846 0,689216501 1465095
No Data Real Target Target Prediksi Prediksi 4 1297757 0,46656 0,573302417 1415415 5 1259205 0,40171 0,474279242 1372975 6 1454141 0,72961 0,772690823 1500871 7 1483792 0,77949 0,075619727 1202113 8 1555435 0,90000 0,225352787 1266287 9 1365761 0,58095 0,711404512 1474605 10 1293178 0,45886 0,551971582 1406273 11 1254332 0,39351 0,419278118 1349402 12 1355785 0,56417 0,588845827 1422077 Adapun penjelasan dari tabel diatas yaitu :
1) Data Real diperoleh dari data asli tahun terakhir
2) Data Target diperoleh dari data testing yang sudah di normalisasi
3) Data Target Prediksi diperoleh dari hasil pengujian menggunakan Software
Matlab R2011, adapun paramater pencarian data target prediksi sebagai berikut :
a) >>net=newff(minmax(PP),[9,1].{‘tansig’,’logsig’},’traingd’); b) >> net=IW{1,1}; c) >> net.b{1}; d) >> net.LW{2,1}; e) >> net.b{2}; f) >> net.trainParam.epochs=100000; g) >> net.trainParam.goal=0.001; h) >> net.trainParam.Lr=0.01; i) >> net.trainParam.show=1000; j) >> net=train(net,PP,TT)
Setelah semua paramater selesai di input akan tampil proses pengujian prediksi pertama dengan model arsitektur 1-4-1.
Gambar 1. Pengujian Prediksi 1 Menggunakan Arsitektur 1 -4-1
Dari Gambar 1. menunjukan bahwa hasil pengujian arsitektur 1-4-1 menghasilkan
epoch sebesar 329 dengan lama waktu 00:01 detik. Setelah proses pengujian selesai,
selanjutnya untuk mendapatkan hasil target prediksi digunakan rumus :
[a,Pf,Af,e,Perf]=sim(net,PP,[],[],TT)
4) Untuk mencari data prediksi digunakan rumus sebagai berikut : Prediksi = ( Xn - 0,1) ´ (b - a)
0,8 + a
Untuk mempermudah dalam memahami data yang diperoleh, maka penulis menyusun hasil prediksi dengan data awal menjadi satu kesatuan. Data jumlah kunjungan dapat dilihat pada Tabel 5. berikut.
Tabel 5. Data Jumlah Kunjungan (2017-2020) No Bulan Tahun 2017 2018 2019 2020 1 Januari 1107968 1079839 1212562 1356161 2 Februari 1023388 1197503 1264055 1358173 3 Maret 1059777 1363426 1340504 1465095 4 April 1171386 1302321 1297757 1415415 5 Mei 1148588 1242705 1259205 1372975 6 Juni 1144001 1322674 1454141 1500871 7 Juli 1370591 1547321 1483792 1202113 8 Agustus 1393243 1511021 1555435 1266287 9 September 1250231 1370943 1365761 1474605 10 Oktober 1161565 1291605 1293178 1406273 11 November 1062030 1157483 1254332 1349402 12 Desember 1147031 1405554 1355785 1422077
Selanjutnya dilakukan Prediksi Tahun 2021 Menggunakan Arsitektur 1-4-1. Dalam melakukan pengujian data untuk memperoleh hasil prediksi yang diinginkan menggunakan model arsitektur 1-4-1 terbaik yang diperoleh melalui langkah yang sudah dilakukan penulis menggunakan software Matlab R2011. Adapun hasil prediksi terhadap jumlah penduduk untuk tahun 2021 dapat dilihat pada Tabel 6. berikut.
Tabel 6. Prediksi Kunjungan Tahun 2021
No Data Real Target Target Prediksi Prediksi
1 1356161 0,32325 0,435049483 1327236 2 1358173 0,40987 0,439743893 1328990 3 1465095 0,53846 0,689216501 1422154 4 1415415 0,46656 0,573302417 1378867 5 1372975 0,40171 0,474279242 1341887 6 1500871 0,72961 0,772690823 1453328 7 1202113 0,77949 0,075619727 1193008 8 1266287 0,90000 0,225352787 1248926 9 1474605 0,58095 0,711404512 1430440 10 1406273 0,45886 0,551971582 1370901 11 1349402 0,39351 0,419278118 1321347 12 1422077 0,56417 0,588845827 1384671
Pada penelitian ini, penulis melakukan prediksi dalam rentang waktu 2 tahun kedepan terhitung dari tahun 2019-2021. Berdasarkan hasil prediksi yang diperoleh, jumlah kunjungan mengalami peningkatan disetiap tahunnya . Namun dalam hal ini, hasil prediksi yang diperoleh menggunakan model arsitektur terbaik yang diperoleh yaitu model 1-4-1 dengan tingkat akurasi 83,3% dan epoch sebesar 329 iterasi dalam waktu 00:01 detik merupakan suatu hal yang masih merupakan prediksi yang dapat digunakan sebagai acuan atau tidak, dalam menerapkan suatu algoritma
backpropagation untuk memprediksi jumlah kunjungan wisatawan. Berikut hasil
akhir kesimpulan prediksi yang sudah di peroleh dengan menggunakan algoritma
backpropagation dalam memprediksi jumlah kunjungan wisatawan dalam rentang
waktu 2 tahun ke depan terhitung dari tahun 2017 -2021 dapat di lihat di Tabel 7. Tabel 7. Data Jumlah Kunjungan (2017-2021)
No Bulan Tahun
2017 2018 2019 2020 2021
1 Januari 1107968 1079839 1212562 1356161 1327236 2 Februari 1023388 1197503 1264055 1358173 1328990 3 Maret 1059777 1363426 1340504 1465095 1422154
No Bulan Tahun 2017 2018 2019 2020 2021 4 April 1171386 1302321 1297757 1415415 1378867 5 Mei 1148588 1242705 1259205 1372975 1341887 6 Juni 1144001 1322674 1454141 1500871 1453328 7 Juli 1370591 1547321 1483792 1202113 1193008 8 Agustus 1393243 1511021 1555435 1266287 1248926 9 September 1250231 1370943 1365761 1474605 1430440 10 Oktober 1161565 1291605 1293178 1406273 1370901 11 November 1062030 1157483 1254332 1349402 1321347 12 Desember 1147031 1405554 1355785 1422077 1384671
4. Kesimpulan
Berdasarkan pembahasan sebelumnya dapat disimpulkan bahwa:
a) Penggunaan metode Backpropogation dapat di gunakan didalam prediksi jumlah kunjungan wisatawan mancanegara yang mana memiliki data valid.
b) Hasil yang di dapat dari analisa metode Backpropogation dan virtualisasi mengunakan aplikasi matlab dapat di hasilkan dengan data yang valid dan menghasilkan tingkat akurasi 83,3% pada model arsitektur 1-4-1. Dapat disimpulkan bahwa metode Backpropogation dapat di jadikan sebagai metode prediksi yang sangat memudahkan untuk mencari prediksi apapun.
Daftar Pustaka
[1] S. Amalia, “Pengenalan Digit 0 Sampai 9 Menggunakan Ekstraksi Ciri Mfcc Dan Jaringan Syaraf Tiruan Backpropagation,” J. Tek. Elektro Itp, Vol. 6, No. 1, Pp. 1– 8, 2017, Doi: 10.21063/Jte.2017.3133601.
[2] A. S. Rachman, I. Cholissodin, And M. A. Fauzi, “Peramalan Produksi Gula Menggunakan Metode Jaringan Syaraf Tiruan,” J. Pengemb. Teknol. Inf. Dan Ilmu
Komput., Vol. 2, No. 4, Pp. 1683–1689, 2018, [Online]. Available:
Https://Www.Researchgate.Net/Publication/322963136.
[3] N. P. Sakinah, I. Cholissodin, And A. W. Widodo, “Prediksi Jumlah Permintaan Semen Menggunakan Jaringan Syaraf Tiruan Backpropagation,” J. Pegembangan
Teknol. Inf. Dan Imlu Komput., Vol. 3, No. 1, Pp. 347–353, 2019.
[4] A. F. Setiawan And A. K. Agung, “Klasifikasi Pola Sidik Jari Menggunakan Jaringan Syaraf Tiruan Backpropagation Untuk Analisa Karakteristik Seseorang,”
Antivirus J. Ilm. Tek. Inform., Vol. 10, No. 2, Pp. 50–55, 2016, Doi:
10.35457/Antivirus.V10i2.162.
[5] T. W. Khusniyah And S. Sutikno, “Prediksi Nilai Tukar Petani Menggunakan Jaringan Syaraf Tiruan Backpropagation,” Sci. J. Informatics, Vol. 3, No. 1, Pp. 11–18, 2016, Doi: 10.15294/Sji.V3i1.4970.
[6] D. Jauhari, A. Himawan, And C. Dewi, “Prediksi Distribusi Air Pdam Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation Di Pdam Kota Malang,” J. Teknol. Inf. Dan Ilmu Komput., Vol. 3, No. 2, P. 83, 2016, Doi: 10.25126/Jtiik.201632155.
[7] A. P. Windarto, “Implementasi Jst Dalam Menentukan Kelayakan Nasabah Pinjaman Kur Pada Bank Mandiri Mikro Serbelawan Dengan Metode Backpropogation,” J-Sakti (Jurnal Sains Komput. Dan Inform., Vol. 1, No. 1, Pp. 12–23, 2017.
[8] C. Oktaviani And Afdal, “Prediksi Curah Hujan Bulanan Menggunakan Jaringan Syaraf Tiruan Dengan Beberapa Fungsi Pelatihan Backpropagation,” J. Fis.