SNIPTEK 2016
ISBN: 978-602-72850-3-3
PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN Titik Misriati
AMIK BSI Jakarta Jl. R.S Fatmawati No. 24 Pondok Labu, Jakarta Selatan
[email protected] ABSTRACT—Some of the methods used in, among others ARIMA forecasting, Adaptive Neuro-Fuzzy Inference System (ANFIS), and Artificial Neural Network (ANN). This study has the objective to implement and know the performance of neural networks to predict the number of tourist arrivals to Lombok. Method of Neural Network Matlab software was used for data analysis. Best network architecture on forecasting the number of tourist arrivals to Lombok, which is 2-6-1 (2 input neurons, hidden layer 6 neurons, one neuron output) with the smallest MSE value 0, 00000000277. MSE value during training at 7858.75 while at the time of testing at 5,309,807.667. The average error simulation results of forecasting the number of tourist arrivals to Lombok in the period from March to May, 2015 by 9.5%. Keywords: forecasting, backpropagation.
artificial
neural
networks,
INTISARI—Beberapa metode yang digunakan pada peramalan antara lain ARIMA, Adaptive Neuro-Fuzzy Inference System (ANFIS), dan Jaringan Syaraf Tiruan (JST). Penelitian ini mempunyai tujuan untuk mengimplementasikan dan mengatahui kinerja dari Jaringan Syaraf Tiruan untuk meramalkan jumlah kunjungan wisatawan mancanegara ke Lombok. Metode Jaringan Syaraf Tiruan menggunakan Software Matlab untuk analisa data. Arsitektur jaringan terbaik pada peramalan jumlah kunjungan wisatawan mancanegara ke Lombok, yaitu 2-6-1 (2 neuron input, 6 neuron hidden layer, 1 neuron output) dengan nilai MSE terkecil 0, 00000000277. Nilai MSE pada saat pelatihan sebesar 7858,75 sedangkan pada saat pengujian sebesar 5309807,667. Rata-rata kesalahan hasil simulasi peramalan jumlah kunjungan wisatawan mancanegara ke Lombok pada periode Maret – Mei 2015 sebesar 9,5%. Kata Kunci: peramalan, backpropagation.
jaringan
syaraf
tiruan,
PENDAHULUAN Menurut Undang-Undang No.10 Tahun 2009 tentang Kepariwisataan, wisatawan adalah orang yang melakukan kunjungan wisata. Wisatawan Mancanegara (Wisman) menurut United Nation World Tourism Organization (UNWTO) yaitu setiap orang yang mengunjungi suatu negara di luar tempat tinggalnya, didorong oleh satu atau
beberapa keperluan tanpa bermaksud memperoleh penghasilan di tempat yang dikunjungi dan lamanya kunjungan tidak melebihi 12 bulan. Badan Pusat Statistik (BPS) menyatakan bahwa jumlah kunjungan wisatawan mancanegara ke Indonesia pada bulan September 2016 mencapai 1.010.000 kunjungan, dimana jumlah kunjungan mengalami kenaikan sebesar 9,40 persen dibandingkan dengan September 2015, yaitu sebanyak 920.000 kunjungan wisatawan mancanegara. Sementara itu, jika dibandingkan dengan bulan Agustus 2016 mengalami penurunan sebesar 2,45 persen. Jumlah kunjungan wisatawan mancanegara ke Indonesia melalui 19 Pintu Utama pada bulan September 2016 mencapai 922.600 kunjungan, mengalami kenaikan sebesar 12,11 persen dibandingkan jumlah kunjungan wisatawan mancanegara pada bulan yang sama tahun sebelumnya. Salah satu kunjungan wisatawan mancanegara ke Indonesia adalah Lombok. Lombok merupakan sebuah pulau kecil di Indonesia yang terletak di sebelah barat Bali. Lombok mempunyai tempat wisata yang sangat indah diantaranya wisata alam, wisata pantai, dan wisata bahari. Pariwisata di Lombok, saat ini menjadi tujuan wisata di Indonesia yang digemari oleh wisatawan domestik dan wisatawan mancanegara. Jaringan Syaraf Tiruan (JST) ialah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran otak manusia tersebut (Sinaga, 2012). Jaringan Syaraf Tiruan terdiri dari kumpulan node (neuron) dan relasi. Ada tiga tipe neuron, yaitu input, hidden, dan output. Setiap relasi menghubungkan dua buah node dengan bobot tertentu dan terdapat arah yang menunjukkan aliran data dalam proses (Kusrini dan Emha Taufiq Luthfi, 2009). Beberapa penelitian yang telah dilakukan dengan menggunakan Jaringan Syaraf Tiruan antara lain Jaringan Syaraf Tiruan sebagai metode peramalan konsumsi listrik rumah tangga di Provinsi Bali (Kencana, 2012), model neural network dengan algoritma recurrent sebagai metode peramalan harga koin emas di pegadaian (Milla, 2012), model recurrent neural network dengan variasi kalender islam pada data kunjungan wisata candi Prambanan (Sulistyaningsih,2013), meramalkan harga emas menggunakan Feedforward Neural Network dengan Algoritma Backpropagation (Kusumadewi, 2014). Penelitian tentang peramalan jumlah kunjungan wisatawan mancanegara ke Lombok mempunyai tujuan untuk mengetahui kinerja Jaringan Syaraf Tiruan dalam
Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri
13
ISBN: 978-602-72850-3-3
SNIPTEK 2016
meramalkan jumlah kunjungan wisatawan mancanegara ke Lombok.
BAHAN DAN METODE Penelitian dilakukan menggunakan data sekunder yang diperoleh dari Badan Pusat Statistik (BPS), yaitu mengenai jumlah kunjungan wisatawan mancanegara melalui Bandara Lombok dari bulan Januari 2010 sampai dengan Desember 2015 sebanyak 72 data, dimana data akan dibagi menjadi dua, yaitu data pelatihan dan data pengujian. Metode yang digunakan pada penelitian ini adalah Jaringan Syaraf Tiruan dengan algoritma pembelajaran backpropagation menggunakan software Matlab. Proses pembelajaran pada algoritma backpropagation dilakukan dengan menyesuaikan bobot-bobot jaringan syaraf tiruan dengan arah mundur berdasarkan nilai error dalam proses pembelajaran (Kusrini dan Emha Taufiq Luthfi, 2009). Data pelatihan berupa pasangan data masukan (input) dan keluaran aktual (target) yang diberikan pada jaringan untuk dilatih polanya. Data training yang digunakan adalah data pada bulan Januari 2010 sampai dengan bulan Desember 2014, sedangkan data pada bulan Januari 2015 sampai dengan Desember 2015 digunakan untuk testing.
Tahapan awal yang dilakukan yaitu menentukan arsitektur jaringan yang akan digunakan. Pada penelitian ini menggunakan arsitektur jaringan layar banyak (Multi Layer Network) yang mempunyai input, output, dan hidden layer. Tahap berikutnya adalah menentukan algoritma pembelajaran yang digunakan. Pada penelitian ini menggunakan algoritma pembelajaran backpropagation. Tahap selanjutnya pada penelitian ini adalah menentukan data training yang diberikan pada jaringan untuk dilatih polanya. Jaringan diberikan bobot dan bias awal dengan bilangan acak paling kecil. Sinyal masukan dipropagasi ke layar tersembunyi (hidden layer) menggunakan fungsi aktivasi yang ditentukan. Output dari setiap unit layar tersembunyi kemudian dipropagasi maju lagi sampai menghasilkan keluaran jaringan. Nilai selisih antara keluaran jaringan dan target yang harus dicapai diisebut nilai kesalahan. Nilai kesalahan digunakan untuk menghitung nilai faktor yang dipakai untuk mendistribusikan kesalahan di unit keluaran ke semua unit tersembunyi. Ketiga fase tersebut diulang hingga kondisi penghentian dipenuhi. Kondisi penghentian tercapai jika MSE (Mean Square Error) telah mencapai harga minimum epoch atau epoch sama dengan batas toleransi yang diberikan. Nilai MSE pada satu siklus pelatihan adalah nilai kesalahan (error = nilai keluaran - nilai masukan) rata-rata dari seluruh record. Semakin kecil MSE, semakin kecil kesalahan Jaringan Syaraf Tiruan dalam memprediksi pola dari record yang baru. Maka pelatihan Jaringan Syaraf Tiruan ditujukan untuk memperkecil MSE dari satu siklus berikutnya sampai selisih nilai MSE pada siklus ini dengan siklus sebelumnya lebih kecil atau sama dengan batas minimal yang diberikan. Output peramalan terbaik akan tercapai hingga kondisi penghentian dipenuhi. Kondisi penghentian yang dipakai adalah jumlah iterasi yang ditoleransi sebesar 2000 epochs. Iterasi sebesar 2000 dipilih berdasarkan nilai default iterasi. Nilai iterasi yang terlalu kecil akan menunjukkan hasil yang kurang akurat, sedangkan bila iterasi terlalu besar akan menyebabkan pelatihan jaringan yang terlalu lama.
HASIL DAN PEMBAHASAN
1 Sumber: Kusrini dan Emha Taufiq Luthfi, 2009
Gambar 1. Diagram Alir Algoritma Backpropagation
14
Pada tahun 2010, jumlah wisatawan mancanegara yang datang ke Lombok sebanyak 17.288 wisatawan dengan jumlah kunjungan tertinggi terjadi pada bulan Agustus 2010 dengan jumlah wisatawan sebanyak 2.171 orang dan jumlah kunjungan terendah terjadi pada bulan Januari 2010, yaitu sebanyak 727 wisatawan. Jumlah wisatawan mancanegara yang datang ke Lombok pada tahun 2011 mengalami peningkatan sebanyak 650 wisatawan dengan jumlah wisatawan terbanyak pada bulan Juli 2011 sebanyak 2182 wisatawan dan terendah pada bulan Februari 2011 sebanyak 835 wisatawan. Pada tahun 2012 sampai dengan tahun 2014 jumlah kunjungan wisatawan tertinggi terjadi pada bulan Desember berturutturut, yaitu sebanyak 2527, 7683, dan 7259 wisatawan mancanegara, sedangkan jumlah kunjungan wisatawan mancanegara ke Lombok terendah terjadi pada Februari
Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri
SNIPTEK 2016
ISBN: 978-602-72850-3-3
2012, Januari 2013, dan November 2014 dengan jumlah wisatawan mancanegara berturut-turut sebesar 871, 1077, dan 3748. Tabel 1. Data Kunjungan Wisatawan Mancanegara ke Lombok Pada Bulan Januari 2010 – Desember 2014 Bulan
2010
2011
2012
2013
2014
Januari
727
1164
1230
1077
5105
Februari
974
835
871
1734
4862
Maret
1293
1315
1348
2258
5987
April
1319
1639
1482
2284
5413
Mei
1170
1698
942
2434
6499
Juni
1585
1683
1384
2711
6071
Juli
2134
2182
1219
2444
6582
Agustus
2171
1506
996
3246
7259
September
1340
1216
1037
3829
6532
Oktober
1459
1629
2251
5294
5438
November
1253
1368
1745
5386
3748
Desember 1863 1703 2527 Sumber: Badan Pusat Statistik (2016)
7683
6385
berdasarkan dengan trial dan error sampai dihasilkan performance dan goal yang terkecil. Tabel 2. Hasil Pelatihan Jaringan Jumlah Neuron 1 2 3 4 5 1 6 7 8 9 10 Sumber: Data Diolah (2016) Tahun
MSE 1,90E+02 3,69E+04 1,61E+04 2,32E+03 5,79E+00 2,77E-09 77,2 920 1,17E-07 488
Jaringan terbaik dihasilkan pada pelatihan jaringan 2-6-1 (2 neuron input, 6 neuron hidden layer, 1 neuron output) dengan nilai MSE terkecil, yaitu 0,00000000277.
Jumlah kunjungan wisatawan mancanegara ke Lombok dari tahun 2010 sampai dengan tahun 2014 menunjukkan pola musiman, dimana jumlah kunjungan mengalami kenaikan pada setiap periode.
Sumber: Data Diolah (2016) Gambar 3. Grafik Hasil Pelatihan Jumlah Kunjungan Wisatawan Mancanegara ke Lombok Sumber: Badan Pusat Statistik (2016) Gambar 2. Grafik Jumlah Kunjungan Wisatawan Mancanegara ke Lombok Pelatihan data dilakukan dengan Jaringan Syaraf Tiruan menggunakan Algoritma Backpropagation dengan metode pelatihan Levenberg-Marquardt dengan menggunakan Software Matlab. Pelatihan jaringan membutuhkan parameter-parameter yang digunakan untuk mengenali pola data. Parameter pelatihan dalam penelitian meliputi maksimum epochs 2000. Maksimum epoch berfungsi sebagai kriteria pemberhentian pelatihan, yaitu pelatihan dihentikan setelah mencapai 2000 iterasi. Nilai goal (MSE) adalah 0, digunakan untuk menentukan batas nilai MSE agar iterasi dihentikan, nilai ini dipilih
Gambar 3 menunjukan grafik perbandingan hasil pelatihan antara data aktual dengan hasil ramalan. Grafik tersebut menunjukkan kinerja yang cukup baik dilihat dari kedekatan antara hasil ramalan dengan data aktual. Tabel 2. Perbandingan Data Aktual dan Hasil Ramalan Data Aktual
Hasil Ramalan
Kesalahan
5105
5105
0
4862
4862
0
5987
5987
0
5413
5413
0
6499
6499
0
6071
6071
0
Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri
15
ISBN: 978-602-72850-3-3
SNIPTEK 2016
Data Aktual
Hasil Ramalan
Kesalahan
6582
6582
0
7259
7247
-12
6532
6812
280
5438
5438
0
3748
3867
119
6385
6425
40
MSE Sumber: Data Diolah (2016)
7858,75
Jaringan yang terbentuk dari hasil pelatihan diuji dengan menggunakan data pengujian, yaitu pada bulan Januari 2015 sampai dengan bulan Desember 2015. Data pengujian ini tidak dikenali oleh jaringan dan tidak diikutsertakan dalam proses pelatihan. Struktur jaringan yang digunakan terdiri dari 2 neuron input, 6 neuron hidden layer, 1 neuron output. Fungsi aktivasi yang digunakan adalah fungsi tansig. Nilai MSE yang dihasilkan setelah peramalan yaitu sebesar 5309807,667 sedangkan sebelum peramalan nilai MSE yang diperoleh sebesar 7858,75 yang menunjukkan bahwa nilai MSE sesudah peramalan lebih besar dibandingkan nilai MSE sebelum peramalan. Hal ini dikarenakan nilai mean pada saat testing lebih besar dibandingkan nilai mean saat pemodelan.
Tabel 3. Hasil Peramalan Kunjungan Wisatawan Mancanegara Periode Maret – Mei 2015 Periode
Data Aktual
Ramalan
Presentase Kesalahan
Maret 2015
6004
5823
3%
April 2015
5725
5813
1,54%
Mei 2015
5713
4347
24%
Rata-rata kesalahan Sumber: Data Diolah (2016)
9,5%
Hasil peramalan kunjungan wisatawan mancanegara pada bulan Maret 2015 sebesar 5.823 kunjungan. Hasil peramalan ini menunjukkan kesalahan sebesar 3 persen dari data aktual, yaitu sebanyak 6.004 kunjungan. Presentase kesalahan pada bulan April 2015 sebesar 1,54 persen dari data aktual sebanyak 5.725 kunjungan dan hasil ramalan sebanyak 5.813 kunjungan, sedangkan pada bulan Mei 2015 menunjukkan presentase kesalahan sebesar 24 persen dari data aktual 5.713 kunjungan dan hasil ramalan sebanyak 4.347 kunjungan wisatawan. Nilai Mean Absolute Percentage Error (MAPE) memberikan informasi presentase kesalahan peramalan. Presentase kesalahan pada peramalan ini sebesar 9,5 persen.
KESIMPULAN Penerapan metode Jaringan Syaraf Tiruan dengan algoritma backpropagation untuk peramalan jumlah kunjungan wisatawan mancanegara ke Lombok menghasilkan arsitektur jaringan single hidden layer terbaik yaitu 2-6-1 (2 neuron input, 6 neuron hidden layer, 1 neuron output). Nilai Mean Square Error (MSE) pada metode Jaringan Syaraf Tiruan untuk peramalah jumlah kunjungan wisatawan mancanegara ke Lombok terbaik adalah 0,00000000277.
UCAPAN TERIMA KASIH Terima kasih kepada semua pihak yang telah membantu sehingga penelitian ini dapat selesai tepat waktu.
REFERENSI
Sumber: Data Diolah (2016) Gambar 4. Grafik Regresi Pengujian Data Pada Gambar 4 menunjukkan regresi sebesar 0.99604 yang mempunyai arti antara variabel-variabel aktual dengan Jaringan Syaraf Tiruan pada pengujian mempunyai korelasi yang baik.
16
Badan Pusat Statistik. 2016. Perkembangan Pariwisata dan Transportasi Nasional September 2016. (http://www.bps.go.id/website/brs_ind/brsInd20161101114632.pdf, diakses 20 November 2016) Kencana, I Putu Eka N. 2012. Evaluasi Kinerja Jaringan Syaraf Tiruan pada Peramalan Konsumsi Listrik Kelompok Tarif Rumah Tangga. Jurnal Matematika. (Online), Vol. 2, No. 1, ( HYPERLINK "http://ojs.unud.ac.id" http://ojs.unud.ac.id , diakses 20 November 2016)
Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri
SNIPTEK 2016
ISBN: 978-602-72850-3-3
Kusrini dan Emha Taufiq Luthfi. 2009. Algoritma Data Mining. Yogyakarta: Andi Offset.
Informatika Budi Darma. Volume 11. ISSN : 23019425. Hal 1-4.
Kusumadewi, Felasufah. 2014. Peramalan Harga Emas Menggunakan Feedforward Neural Network dengan Algoritma Backpropagation. Skripsi. Yogyakarta: FMIPA UNY.
Sulistyaningsih, Ambar. 2013. Aplikasi Model Recurrent Neural Networks dengan Variasi Kalender Islam pada Data Kunjungan Wisata Candi Prambanan. Skripsi. Yogyakarta : FMIPA UNY.
Siang,
Undang-Undang No.10 Tahun 2009 tentang Kepariwisataan.
J.J. 2009. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Yogyakarta:Andi Offset.
Sinaga, RA. 2012. Aplikasi Jaringan Syaraf Tiruan Untuk Penentuan Konsentrasi Program Studi Bagi Calon Mahasiswa Baru Stmik Budidarma Medan. Pelita
Milla, Widatul. 2012. Penerapan model Neural Networks dengan Algoritma Recurren Sebagai Metode Peramalan Harga Koin Emas di Pegadaian. Skripsi. Yogyakarta : FMIPA UNY.
Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri
17
