Comparison of support vector machine and backpropagation models in forecasting the number of foreign tourists in Bali province

Tarigan, Imelda Alvionita; Bayupati, I Putu Agung; Putri, Gusti Agung Ayu

doi:10.14710/jtsiskom.2021.13847

Cited by 3 publications

(3 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Telah terdapat beberapa penelitian terdahulu yang menggunakan SVM untuk memprediksi sesuatu. Seperti penelitian yang dilakukan oleh Imelda dkk (2021) dalam membandingkan SVM dan Backpropagation untuk meramalkan banyaknya wisatawan mancanegara yang datang ke Bali yang menunjukkan bahwa, tingkat akurasi terbaik diraih oleh SVM (Tarigan et al, 2021). Kemudian penelitian yang juga dilakukan oleh Prima dkk (2019) dalam membandingkan metode SVM, Naive Bayes Classifier (NBC) dan Diskriminan pada data kebakaran hutan yang juga menunjukkan bahwa, metode yang memiliki akurasi paling tinggi adalah metode SVM (Rahmadina, 2019).…”

Section: Pendahuluanunclassified

Komparasi Support Vector Machine (Svm) Dan Autoregressive Integrated Moving Average (Arima) Pada Peramalan Hujan Di Daerah Albury, Australia

Riyantoni

Bahreisy²,

Hakim³

et al. 2023

j.sist.inf.inform.

View full text Add to dashboard Cite

Rain is one of the 4 weather conditions on earth. The rain itself is sometimes erratic. For some people, rain is sometimes seen as an obstacle in carrying out their daily activities. Therefore, predictions about rain are needed. Predictions about rain really help people in carrying out their daily activities. The research aims to compare the predictive performance of SVM and ARIMA in forecasting rain. The data used in this case study research is data regarding daily weather for 10 years in the Albury area, Australia from 2008-2017 with a lot of 3040 data. The results obtained from SVM for forecasting rain using daily weather data for 10 years in the Albury area, Australia with the best accuracy rate with the SVM model is 97.532% with an error rate of 2.468%, while in the ARIMA model, the results are MAE 0.181, RMSE 0.254 and MAPE 0.159. So it can be concluded that the ARIMA model has a better performance in predicting rain than the SVM method.

show abstract

Section: Pendahuluanunclassified

Komparasi Support Vector Machine (Svm) Dan Autoregressive Integrated Moving Average (Arima) Pada Peramalan Hujan Di Daerah Albury, Australia

Riyantoni

Bahreisy²,

Hakim³

et al. 2023

j.sist.inf.inform.

View full text Add to dashboard Cite

show abstract

“…Berbagai prediksi kunjungan wisatawan mancanegara sebenarnya telah dilakukan. Beberapa penelitian ini telah dilakukan, seperti penelitian mengenai peramalan kunjungan wisatawan asing ke Bali dengan membandingkan model Support Vector Machine dan Backpropagation sudah pernah dilakukan sebelumnya, hasil penelitian menunjukkan model Support Vector Machine lebih baik dari Backpropagation karena menghasilkan nilai akurasi yang baik [3]. Penelitian tentang peramalan jumlah wisatawan asing maupun lokal pernah dilakukan pada kasus di Taman Nasional Kuala Tahan, Pahang dengan membandingkan metode Seasonal Autoregressive Integrated Moving Average (SARIMA) dan Exponential Smoothing, hasil menunjukkan SARIMA lebih baik dari Exponential Smoothing berdasarkan nilai MAPE, RMSE, MAE [4].…”

Section: Pendahuluanunclassified

Prediksi Kunjungan Wisatawan Mancanegara Melalui Pintu Udara Menggunakan ARIMA, Glmnet, dan Prophet

Mu'minin

Fauziah

Gunaryati

2022

View full text Add to dashboard Cite

Pariwisata merupakan salah satu industri yang memberikan kemajuan perekonomian negara. Pandemi COVID-19 mengakibatkan industri pariwisata memburuk karena pembatasan kunjungan yang secara luas. Tujuan penelitian ini untuk mendapatkan model terbaik dalam memprediksi kunjungan wisatawan mancanegara ke Indonesia melalui pintu udara dengan membandingkan tiga metode, yaitu ARIMA, Prophet, dan Glmnet. Data yang digunakan adalah data bulanan Badan Pusat Statistik dengan periode Januari 2017 sampai dengan November 2021. Hasil penelitian ini menunjukkan model ARIMA merupakan model terbaik untuk melakukan prediksi dibandingkan model Prophet dan Glmnet karena menghasilkan nilai terbaik pada MAE sebesar 749030.4, MAPE sebesar 23196.45, MASE sebesar 17.86681, SMAPE sebesar 175.9592, dan RMSE sebesar 779670.7. Berdasarkan hasil prediksi menggunakan model ARIMA(1,1,0)(0,0,1)12, dalam 12 bulan berikutnya, menunjukkan kunjungan wisatawan mancanegara ke Indonesia melalui pintu udara cenderung mengalami peningkatan. Menindaklanjuti hasil penelitian ini, bahwa penggunaan kombinasi model harus lebih dioptimalkan untuk pembaharuan dalam teknik peramalan.

show abstract

“…Metode Backpropagation menggunakan arsitektur jaringan 9-10-2-1, learning rate 0.5 dan epoch 1000. Hasil MAPE terkecil Metode SVM 0.0276 sedangkan Backpropagation memperoleh MAPE 0.1539 [6] Berdasarkan studi literatur yang telah dilakukan belum ada penelitian yang membahas mengenai perbandingan metode peramalan untuk meramalkan volume sampah di TPA Suwung. Tujuan dari penelitian ini adalah membandingankan Metode SVM dan Backpropagation untuk memperoleh metode peramalan dengan akurasi terbaik.…”

Section: Introductionunclassified

Komparasi Metode Neural Network Backpropagation dan Support Vector Machines dalam Prediksi Volume Sampah TPA Suwung

Purnamaswari,

Darma Putra,

Suwija Putra

2022

jitter

View full text Add to dashboard Cite

Provinsi Bali memiliki salah satu TPA sampah yang terletak di Kelurahan Pedungan, Denpasar Selatan bernama TPA Regional Sarbagita Suwung atau TPA Suwung. Tumpukan sampah di TPA mengalami kepadatan hingga menimbulkan dampak negatif bagi masyarakat sekitar TPA. Peramalan volume sampah merupakan langkah awal dan langkah penting dalam merencanakan suatu pengelolaan sampah. Hasil peramalan yang akurat berdasarkan dari data historis volume sampah di TPA Suwung dapat menciptakan strategi penanganan sampah yang baik serta menciptakan suatu infrastruktur pembuangan sampah yang mencukupi. Penelitian ini membandingkan kinerja Metode Backpropagation dan Support Vector Machine dalam meramalkan volume sampah berdasarkan dengan data jumlah volume sampah bulanan yang tertampung di TPA Suwung dari Tahun 2015 hingga 2020. Uji optimalisasi parameter peramalan sesuai dengan masing – masing metode dilakukan untuk mendapatkan hasil yang terbaik. Hasil dari peramalan volume sampah menggunakan Metode Backpropagation mencapai tingkat kesalahan terkecil yaitu 0.048 sedangkan peramalan volume sampah menggunakan Metode SVM mencapai tingkat kesalahan yaitu 0.108.

show abstract

Comparison of support vector machine and backpropagation models in forecasting the number of foreign tourists in Bali province

Cited by 3 publications

References 7 publications

Komparasi Support Vector Machine (Svm) Dan Autoregressive Integrated Moving Average (Arima) Pada Peramalan Hujan Di Daerah Albury, Australia

Komparasi Support Vector Machine (Svm) Dan Autoregressive Integrated Moving Average (Arima) Pada Peramalan Hujan Di Daerah Albury, Australia

Prediksi Kunjungan Wisatawan Mancanegara Melalui Pintu Udara Menggunakan ARIMA, Glmnet, dan Prophet

Komparasi Metode Neural Network Backpropagation dan Support Vector Machines dalam Prediksi Volume Sampah TPA Suwung

Contact Info

Product

Resources

About