Metode Radial Basis Function Neural Network (RBFNN) untuk Peramalan Kunjungan Wisatawan dengan Perbandingan Kombinasi Fungsi Pelatihan

Article Sidebar

pdf
Published Mar 13, 2023

Main Article Content

Istiqomah Ambarwati
Universitas Negeri Semarang

Abstract

Kunjungan wisatawan mancanegara ke Indonesia memiliki peran penting bagi pertumbuhan ekonomi dari segi sektor pariwisata. Data kunjungan wisatawan merupakan data runtun waktu yang dapat digunakan untuk meprediksi dimasa mendatang. Jaringan syaraf tiruan merupakan salah satu metode yang dapat digunakan untuk memprediksi data nonlinier. Radial Basis Function Neural Network (RBF) adalah model jaringan syaraf yang mentransformasikan input secara nonlinier dengan menggunakan fungsi aktivasi Gaussian pada lapisan tersembunyi sebelum diproses secara linier di lapisan output. RBFNN merupakan salah satu metode yang baik digunakan pada peramalan kunjungan wisatawan karena dapat memberikan nilai akurasi yang tinggi. Kecepatan proses pelatihan jaringan sangat diperlukan, oleh karena itu perlu dilakukan berbagai kombinasi fungsi pelatihan untuk mempercepat konvergensi pelatihan jaringan. Pada penelitian ini model RBFNN dikembangkan dengan kombinasi fungsi pelatihan levenberg-marquadrt (trainlm), gradient descent with momentum and adaptive learning rate (traingdx) dan regulasi bayesian (trainbr). Penelitian ini menggunakan data kunjungan wisatawan mancanegara di Indonesia dari bulan Januari 2008 hingga Januari 2020 dan jumlah kunjungan wisatawan sebagai variabel input Arsitektur jaringan metode RBFNN menggunakan 2 neuron pada input layer, 8 neuron pada hidden layer, dan 1 neuron pada output layer dengan nilai spread 1, Hasil menunjukan bahwa model terbaik untuk peramalan kunjungan wisatawan menggunakan fungsi pelatihan levenberg-marquadrt (trainlm). Nilai MSE pelatihan diperoleh sebesar 0,0088 dengan kecepatan konvergesi pelatihan selama 1 menit 16 detik dan nilai MAPE pengujian sebesar 5,2559% dengan akurasi jaringan sebesar 94,7441%.

Article Details

How to Cite
Ambarwati, I. (2023). Metode Radial Basis Function Neural Network (RBFNN) untuk Peramalan Kunjungan Wisatawan dengan Perbandingan Kombinasi Fungsi Pelatihan. PRISMA, Prosiding Seminar Nasional Matematika, 6, 687-693. Retrieved from https://journal.unnes.ac.id./sju/prisma/article/view/67036
Issue
Vol 6 (2023): PRISMA, Prosiding Seminar Nasional Matematika XVI
Section
Articles

References

Arifiana, G., Anggraeni, N., & Abadi, A. M. (2017). Prediksi Nilai Indeks Harga Konsumen ( IHK ) Kota Jambi Menggunakan Radial Basis Function Neural Network ( RBFNN ) dengan Metode Fuzzy C-Means Clustering. Prosiding Seminar Matematika Dan Pendidikan Matematika. Yogyakarta.
BPS. (2021). Berita Resmi Statistik 1 Februari 2021. (Online). (https://www.bps.go.id/pressrelease/2021/02/01/1796/jumlah-kunjungan-wisman-ke-indonesia-bulan-desember-2020-mencapai-164-09-ribu-kunjungan-.html, diakses 25 September 2022).
Caselli, M., Trizio, L., Gennaro, G., & Ielpo, P. (2008). A Simple Feedforward Neural Network for the PM10 Forecasting : Comparison with a Radial Basis Function Network and a Multivariate Linear Regression Model. Water,Air, Soil ,Pollut, 201(1), 365–377.
Chen, Y., Yu, G., Long, Y., Teng, J., You, X., Liao, B., & Lin, H. (2019). Bioresource Technology Application of radial basis function artificial neural network to quantify interfacial energies related to membrane fouling in a membrane bioreactor. Bioresource Technology, 293, 122103.
Du, K. ., & Swamy, M. (2014). Radial Basis Function Networks. In Du,K.L Swamy,M.
Hapsari, K., Cholissodin, I., & Santoso, E. (2016). Optimasi Radial Basis Function Neural Network Menggunakan Hybrid Particle Swarm Optimization Dan Genetic Algorithm Untuk Peramalan Curah. Jurnal Mahasiswa PTIIK, 7(15).
Hashemi, A., Madanifar, F., & Abbasi, M. (2018). Implementation of multilayer perceptron ( MLP ) and radial basis function ( RBF ) neural networks to predict solution gas-oil ratio of crude oil systems. Petroleum, December, 0–1.
Hemageetha, N., & Nasira, G. . (2013). Radial Basis Function Model for Vegetabel Price Prediction. Proceedings of the 2013 International Conference on Pattern Recognition, Informatics and Mobile Engineering (pp. 424-428). IEEE.
Herawati, S. (2016). Peramalan Kunjungan Wisatawan Mancanegara Menggunakan Generalized Regression Neural Networks. Infote Journal, 8(1), 35–39.
Shanmuganathan, S., & Samarasinghe, S. (2016). Artificial Neural Network Modelling. Springer.
Talahatu, J., Benarkah, N., & Jimmy. (2015). Penggunaan Aplikasi Sistem Jaringan Syaraf Tiruan Berulang Elman Untuk Prediksi Pergerakan Harga Saham. Jurnal Ilmiah Mahasiswa Universitas Surabaya, 4(1), 1–12.
Tarigan, R., Yasin, H., & Prahutama, A. (2018). Peramalan Indeks Harga Saham Gabungan (Ihsg) Dengan Metode Radial Basis Function Neural Network Menggunakan Gui Matlab. Jurnal Gaussian, 7(4), 431–442.
Wiyanti, D. T., & Pulungan, R. (2014). RBF and ARIMA Combined for Time Series Forecasting. Seminar Nasional Aplikasi Teknologi Informasi (SNATI), 1(1).
Wulandari, A., & Wahyuningsih, S. (2017). Peramalan Harga Minyak Mentah Dunia ( Crude Oil ) Menggunakan Metode Radial Basis Function Neural Network ( RBFNN ) Crude Oil Price Forecasting Using Radial Basis Function Neural Network Method ( RBFNN ). Jurnal Eksponensial, 8(2), 161–168.
Zhao, Z., Lou, Y., Chen, Y., Lin, H., Li, R., & Yu, G. (2019). Bioresource Technology Prediction of Interfacial Interactions Related with Membrane Fouling in A Membrane Bioreactor Based on Radial Basis Function Artificial Neural Network ( ANN ). Bioresource Technology, 282, 262–268.