PREDIKSI KUNJUNGAN WISATAWAN MENGGUNAKAN RECURRENT NEURAL NETWORK (Studi Kasus Di Taman Nasional Gunung Merbabu)

Manullang, Josua (2020) PREDIKSI KUNJUNGAN WISATAWAN MENGGUNAKAN RECURRENT NEURAL NETWORK (Studi Kasus Di Taman Nasional Gunung Merbabu). S1 thesis, UNIVERSITAS ATMA JAYA YOGYAKARTA.

Preview	Text (Josua Manullang) 15 07 08510_0.pdf Download (641kB) | Preview
Preview	Text 15 07 08510_1.pdf Download (205kB) | Preview
Preview	Text 15 07 08510_2.pdf Download (206kB) | Preview
	Text 15 07 08510_3.pdf Restricted to Registered users only Download (1MB)
	Text 15 07 08510_4.pdf Restricted to Registered users only Download (1MB)
	Text 15 07 08510_5.pdf Restricted to Registered users only Download (2MB)
Preview	Text 15 07 08510_6.pdf Download (244kB) | Preview

Abstract

Industri pariwisata di Indonesia memiliki kontribusi yang besar dalam mendatangkan wisatawan baik nusantara hingga mancanegara salah satunya adalah pariwisata alam. Parawisata alam yang cukup terkenal di Indonesia adalah kawasan konservasi Taman Nasional Gunung Merbabu (TNGMb). Dalam pengelolaanya, TNGMb dapat di katakan berhasil untuk menarik minat wisata para wisatawan. Oleh karena itu pihak pengelola perlu menjadi peramal permintaan wisatawan jika ingin memiliki perencanaan yang baik. Salah satu bentuk perencaan yang baik dapat menerapkan prediksi deret waktu (Time series forecasting) agar dapat memprediksi nilai masa depan dari suatu urutan tertentu menggunakan data historis. Pihak pengelola Balai TNGMb memiliki data historis deret waktu yang dapat di manfaatkan sebagai sampel untuk melakukan prediksi. Terdapat salah satu metode dari cabang ilmu deep learning yang dapat diterapakan untuk memprediksi yaitu Recurrent Neural Network (RNN). Pada penelitian ini telah dilakukan analisis deret waktu dan pembangunan model untuk melakukan prediksi menggunakan arsitektur RNN serta arsitektur pengembanganya yaitu long-short term memory (LSTM). Penelitian ini telah mengimplementasi gabungan dari beberapa macam metode mulai dari tahap pemrosesan data deret waktu hingga tahap pengujian pada model untuk menghasilkan nilai prediksi. Untuk kesederhanaan telah di buat 18 skenario sebagai objek penelitian pada studi kasus ini, sehingga dapat menganalisis dan mengidentifikasi pengaruh antara bentuk data dan pengaturan hyperparameter pada setiap model. Hasil yang di dapat menunjukkan data sampel dengan menggunakan format lag time dapat meningkatkan kemampuan pada model untuk mempelajari pola pada data, yaitu menggunakan tujuh lag sebagai feature dan satu lag sebagai label. Model menggunakan 80% data latih dan 20% data uji, dimana pada setiap skenario data latih merupakan data jumlah wisatawan di tahun 2013 hingga tahun 2017 dan data uji merupakan data jumlah wisatawan di tahun 2018. Hasil pengujiian terbaik terjadi saat melakukan prediksi menggunakan model dengan jumlah satu unit pada input layer, tujuh unit pada hidden layer dan satu unit pada output layer. Pengukuran besar kesalahan hasil prediksi dilakukan dengan mengunakan root mean square error (RMSE), dengan nilai RMSE terkecil yaitu 4,2 pada model arsitektur RNN dan nilai RMSE terkecil yaitu 3,7 pada model arsitektur LSTM.

Actions (login required)

View Item