Peramalan Jumlah Kedatangan Wisatawan Menggunakan Support Vector Regression Berbasis Sliding Window

 (*)Ma’idatul Fitriah Mail (Universitas Islam Negeri Sultan Syarif Kasim Riau, Pekanbaru, Indonesia)
 Inggih Permana (Universitas Islam Negeri Sultan Syarif Kasim Riau, Pekanbaru, Indonesia)
 Febi Nur Salisah (Universitas Islam Negeri Sultan Syarif Kasim Riau, Pekanbaru, Indonesia)
 Medyantiwi Rahmawita Munzir (Universitas Islam Negeri Sultan Syarif Kasim Riau, Pekanbaru, Indonesia)
 Megawati Megawati (Universitas Islam Negeri Sultan Syarif Kasim Riau, Pekanbaru, Indonesia)

(*) Corresponding Author

Submitted: January 26, 2024; Published: July 26, 2024

Abstract

As a developing city, Pekanbaru has the potential for attractive tourist attractions for tourists. The arrival of tourists has had a big positive impact on the economy of Pekanbaru City. The number of tourist arrivals can experience ups and downs every month, for this reason it is necessary to forecast the number of tourists in the future. This research aims to apply the Orange Data Mining application in predicting the number of tourist arrivals by comparing the kernels in the Support Vector Regression (SVR) method and applying Sliding Window size 3 to window size 13 to transform into time series data. As well as sharing data using the K-Fold Validation method with a value of K-10. Then the performance of the kernels used can be seen using the Test and Score widget which presents the results of Root Mean Absolute Error (MAE), Mean Square Error (MSE), Root Mean Square Error (RMSE), dan R-squared(R2). The results for forecasting the number of tourist arrivals to Pekanbaru City using the SVR method show that the RBF Kernel is the optimal choice compared to the Polinomial and Linear Kernels. The results of the Test and Score widget show that the RBF Kernel with window size 10 has lower MAE, MSE and RMSE values, namely 0.118, 0.022 and 0.147. Apart from that, the comparison of R2 in window size 10 for Kernel RBF shows better performance with a value of 0.519.

Keywords


Forecasting; Orange Data Mining; Sliding Window; Support Vector Regression; Tourist

Full Text:

PDF


Article Metrics

Abstract view : 175 times
PDF - 101 times

References

M. K. Aidid and M. Nusrang, “Implementasi Metode Fuzzy Time Series untuk Peramalan Jumlah Pengunjung di Benteng Fort Rotterdam,” vol. 2, no. 1, pp. 1–12, 2020, doi: 10.35580/variansiunm12895.

A. Ersan, A. Rahmawati, and D. H. Amrina, “Analisis sosial ekonomi masyarakat terhadap pemanfaatan taman lindung hutan mangrove di Desa Sidodadi Kec. Teluk Pandan Kab. Pesawaran Lampung,” Entrep. Bisnis Manaj. Akunt., pp. 102–112, 2022.

C. Rahmad, M. F. Ramadhani, and D. Puspitasari, “Peramalan Jumlah Kedatangan Wisatawan Mancanegara Dengan Menggunakan Metode Time Invariant Fuzzy Time Series (Studi Kasus : Wisata Kabupaten Pasuruan),” J. Inform. Polinema, vol. 4, no. 3, p. 195, 2018, doi: 10.33795/jip.v4i3.206.

N. Uli and W. Sulandari, “Jurnal Ilmiah Matematika Peramalan jumlah kedatangan wisatawan mancanegara ke bali menggunakan metode hibrida SSA-WFTS,” vol. 8, no. 1, pp. 19–32, 2021.

F. Eddyono, Pengelolaan destinasi pariwisata. uwais inspirasi indonesia, 2021.

Rahmawati, Yuniza, A. N. Rahma, and Zukrianto, “Prediksi Jumlah Wisatawan di Kota Pekanbaru pada Tahun 2019- 2023 Dengan Menggunakan Metode Fuzzy Time Series Chen,” J. Pendidik. Mat., vol. 2, no. 1, pp. 36–44, 2020.

M. Wati and N. Puspitasari, “Penerapan Metode Fuzzy Time Series Chen dan Hsu dalam Memprediksi Kunjungan Wisatawan di Museum Mulawarman,” vol. 4, no. 2, 2020.

I. J. Thira, N. A. Mayangky, D. N. Kholifah, I. Balla, and W. Gata, “Peramalan Data Kunjungan Wisatawan Mancanegara ke Indonesia menggunakan Fuzzy Time Series,” vol. 5, no. 1, pp. 18–23, 2019.

D. Febrian, D. Kartika, D. Agnes, and J. Nainggolan, “Peramalan Jumlah Wisatawan Mancanegara Yang Datang Ke Sumatera Utara dengan Fuzzy Time Series,” no. January 2019.

Y. D. W. I. PUTRA, “Implementasi Fuzzy Time Series Cheng Untuk Peramalan Titik Panas Di Provinsi Riau.” Universitas Islam Negeri Sultan Syarif Kasim Riau, 2021.

N. R. N. Rizky, “Analisis Peramalan Tingkat Penghunian Kamar Pada Hotel & Resort Griya Inkoppabri.” Fakultas Ekonomi Dan Bisnis Universitas Pakuan, 2023.

A. Wahyuni, P. Studi, S. Informasi, F. Teknologi, and U. N. Mandiri, “RANCANG BANGUN SISTEM INFORMASI ABSENSI KARYAWAN Perkembangan teknologi informasi berkembang secara cepat , efektif dan efisien . Dalam hal ini perkembangan dalam bidang komputer saat ini telah membuka peluang kepada pengambil keputusan baik dalam institu,” J. Inform., no. February, pp. 27–33, 2022.

A. E. Radho, P. Sugiartawan, and G. A. Santiago, “Prediksi Jumlah Kasus COVID-19 Menggunakan Teknik Sliding Wondows dengan Metode BPNN,” J. Sist. Inf. dan Komput. Terap. Indones., vol. 4, no. 1, pp. 12–23, 2022, doi: 10.33173/jsikti.123.

X.-Q. Su, J.-L. An, Y.-X. Zhang, J.-S. Liang, J. Liu, and X. Wang, “Application of support vector machine regression in ozone forecasting,” Huan Jing ke Xue= Huanjing Kexue, vol. 40, no. 4, pp. 1697–1704, 2019.

M. P. Raharyani, R. R. M. Putri, and B. D. Setiawan, “Implementasi Algoritme Support Vector Regression Pada Prediksi Jumlah Pengunjung Pariwisata,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 4, pp. 1501–1509, 2018.

A. Kurniawati and A. Arima, “Analisis Prediksi Harga Saham PT. Astra International Tbk Menggunakan Metode Autoregressive Integrated Moving Average (ARIMA) dan Support Vector Regression (SVR),” J. Ilm. Komputasi, vol. 20, no. 3, pp. 417–423, 2021, doi: 10.32409/jikstik.20.3.2732.

M. HALILAH, “Perbandingan Peramalan Jumlah Penumpang Bus Damri Yogyakarta Menggunakan Metode Artificial Neural Network Dan Support Vector Regression.” Muhammadiyah University, Semarang, 2019.

U. N. Aeni, A. L. Prasati, and M. Kallista, “Grafik Jumlah Penumpang 2018,” vol. 7, no. 2, pp. 4919–4926, 2020.

N. P. N. Hendayanti, I. K. P. Suniantara, and M. Nurhidayati, “Penerapan Support Vector Regression (Svr) Dalam Memprediksi Jumlah Kunjungan Wisatawan Domestik Ke Bali,” J. Varian, vol. 3, no. 1, pp. 43–50, 2019, doi: 10.30812/varian.v3i1.506.

M. P. Raharyani, R. R. M. Putri, and B. D. Setiawan, “Implementasi Algoritme Support Vector Regression Pada Prediksi Jumlah Pengunjung Pariwisata,” J. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 4, pp. 1501–1509, 2018.

C. Neto, M. Brito, V. Lopes, H. Peixoto, A. Abelha, and J. Machado, “Application of data mining for the prediction of mortality and occurrence of complications for gastric cancer patients,” Entropy, vol. 21, no. 12, p. 1163, 2019.

D. Ferreira, S. Silva, A. Abelha, and J. Machado, “Recommendation system using autoencoders,” Appl. Sci., vol. 10, no. 16, p. 5510, 2020.

M. A. Hasanah, S. Soim, and A. S. Handayani, “Implementasi CRISP-DM Model Menggunakan Metode Decision Tree dengan Algoritma CART untuk Prediksi Curah Hujan Berpotensi Banjir,” J. Appl. Informatics Comput., vol. 5, no. 2, pp. 103–108, 2021, doi: 10.30871/jaic.v5i2.3200.

Y. A. Singgalen, “Penerapan Metode CRISP-DM dalam Klasifikasi Data Ulasan Pengunjung Destinasi Danau Toba Menggunakan Algoritma Naïve Bayes Classifier (NBC) dan Decision Tree (DT),” J. Media Inform. Budidarma, vol. 7, no. 3, pp. 1551–1562, 2023, doi: 10.30865/mib.v7i3.6461.

M. Fajar, D. Mahdiana, A. Diana, and G. Triyono, “PERAMALAN HARGA SAHAM UBER MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE UBER STOCK PRICE FORECASTING USING SUPPORT VECTOR,” vol. 2, no. April, pp. 304–308, 2023.

A. Emrul, M. Yamin, and L. Surimi, “Analisis Quality of Service (QoS) Kinerja Sistem Hotspot Pada Routerboard Mikrotik 951Ui-2HnD Pada Jaringan Teknik Informatika,” vol, vol. 3, pp. 87–94, 2018.

R. E. Wahyuni, “Optimasi Prediksi Inflasi Dengan Neural Network Pada Tahap Windowing Adakah Pengaruh Perbedaan Window Size,” Technol. J. Ilm., vol. 12, no. 3, p. 176, 2021, doi: 10.31602/tji.v12i3.5181.

R. Oktafiani, A. Hermawan, and D. Avianto, “Pengaruh Komposisi Split data Terhadap Performa Klasifikasi Penyakit Kanker Payudara Menggunakan Algoritma Machine Learning,” J. Sains dan Inform., pp. 19–28, 2023.

P. I. Nainggolan, D. S. Prasvita, and D. S. Bukit, “Klasifikasi Informasi Kesehatan Pada Data Media Sosial Menggunakan Support Vector Machine dan K-Fold Cross Validation,” Malikussaleh J. Mech. Sci. Technol., vol. 5, no. 2, pp. 34–38, 2021.

M. Syukron, R. Santoso, and T. Widiharih, “Perbandingan metode smote random forest dan smote xgboost untuk klasifikasi tingkat penyakit hepatitis C pada imbalance class data,” J. Gaussian, vol. 9, no. 3, pp. 227–236, 2020.

A. N. Maulidaniar and E. Widodo, “Perbandingan Metode Peramalan Double Exponential Smoothing dan Triple Exponential Smoothing Pada Penjualan Indihome di Wilayah Telekomunikasi Cirebon,” Emerg. Stat. Data Sci. J., vol. 1, no. 2, pp. 320–330, 2023, doi: 10.20885/esds.vol1.iss.2.art32.

D. Ramadhani, “Prediksi Harga Cryptocurrency Menggunakan Algoritma Prophet.” Universitas Medan Area, 2023.

M. Muharrom, “Analisis Komparasi Algoritma Data Mining Naive Bayes, K-Nearest Neighbors dan Regresi Linier Dalam Prediksi Harga Emas,” Bull. Inf. Technol., vol. 4, no. 4, pp. 430–438, 2023, doi: 10.47065/bit.v4i4.986.

M. Devanda, H. Kusuma, and S. Hidayat, “Penerapan Model Regresi Linier dalam Prediksi Harga Mobil Bekas di India dan Visualisasi dengan Menggunakan Power Abstrak,” vol. 5, no. 2, pp. 1097–1110, 2024.

Refbacks

  • There are currently no refbacks.


Copyright (c) 2024 JURNAL MEDIA INFORMATIKA BUDIDARMA

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.



JURNAL MEDIA INFORMATIKA BUDIDARMA
STMIK Budi Darma
Secretariat: Sisingamangaraja No. 338 Telp 061-7875998
Email: mib.stmikbd@gmail.com

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.