PERAMALAN PENGUNJUNG PARIWISATA MENGGUNAKAN METODE

EXTREME LEARNING MACHINE BERBASIS RADIAL BASIS FUNCTION

(ELM-RBF)

*Bain Khusnul Khotimah, Mula’ab, **Iis Farihah

Program Studi Teknik Informatika, Fakultas Teknik

Universitas Trunojoyo

E-mail : *bainkk@gmail.com, **richa_lacity@yahoo.com

Abstrak

Sistem peramalan pariwisata merupakan proses untuk memperkirakan jumlah pengunjung di masa datang sebagai pertimbangan dalam memenuhi kebutuhan pelayanan yang tepat dan cepat. Metode peramalan yang digunakan dalam penelitian ini adalah metode Extreme Learning Machine Radial Basis Function (ELM-RBF) yang merupakan salah satu metode pembelajaran baru dari jaringan syaraf tiruan dengan keunggulan memiliki tingkat error yang kecil berdasarkan nilai MSE (Mean Square Error) dan MAPE (Mean Absolute Percentage Error). Penggabungan fungsi Radial Basis Function (RBF) digunakan untuk memodifikasi pembobotan pada hidden layer menghasilkan proses iterasi yang lebih cepat dan error yang lebih kecil dibandingkan dengan menggunakan metode Back Propagation dan ELM. Penelitian ini menggunakan 4 data ujicoba dengan hasil pengujian untuk pariwisata Gondang menghasilkan nilai MSE = 0.15147 dan nilai MAPE = 0.0059%, pariwisata WBl menghasilkan nilai MSE = 0.3134 dan MAPE = 0.4206%, pariwisata Mazola menghasilkan nilai MSE = 0.2266 dan MAPE = 0.0368% sedangkan Sunan Drajad nilai MSE = 0.2998 dan MAPE = 0.1475%.

Kata kunci : Peramalan, Extreme Learning Machine (ELM), Radial Basis Function (RBF)

Abstract

Forecasting tourism system is the process to estimate the number of visitors in the future for consideration in meeting the needs of precise and fast service. Forecasting methods used in this research is a method of Extreme Learning Machine Radial Basis Function (ELM-RBF), which is one of the new learning method of neural networks with the advantages of having a small error rate based on the value of MSE (Mean Square Error) and MAPE (Mean Absolute Percentage Error). Merging functions of Radial Basis Function (RBF) is used to modify the weighting of the hidden layer iteration process yields faster and smaller error than using the Back Propagation and ELM. This study used four experimental data with the results of testing for produce Gondang tourism MSE = 0.15147, and the value of MAPE = 0.0059%, WBL tourism generating MSE = 0.3134 and MAPE = 0.4206%, Mazola generate tourism MSE = 0.2266 and MAPE = 0.0368% while Sunan Drajad MSE = 0.2998 and MAPE = 0.1475%.

Keyword: Forecasting, Extreme Learning Machine (ELM), Radial Bases Function (RBF)

PENDAHULUAN

Mengamati pertumbuhan kunjungan wisatawan ke beberapa daerah di Jawa Timur merupakan suatu hal yang menarik. Lamongan adalah kota yang sangat kaya akan keindahan alam dan beraneka ragam budaya. Lamongan memiliki potensi wisata yang dapat

dimanfaatkan semaksimal mungkin dan berpotensi sebagai kota tujuan wisata atau daerah tujuan wisata. Beberapa objek dan daya tarik wisata yang dapat dikunjungi dan dinikmati para wisatawan di daerah Lamongan antaralain : Wisata Bahari Lamongan(WBL), Maharani Zoo Lamongan(Mazola), Sunan Drajad dan Waduk Gondang. Obyek wisata

SI-125

dikawasan tersebut sangat diminati pengunjung, sehingga sulit memperkirakan jumlah pengunjung karena kapasitas obyek wisata juga terbatas dan kurangnya petugas pengelola yang mengakibatkan antrian panjang [1].

Peramalan dalam pariwisata sendiri merupakan proses untuk memperkirakan jumlah pengunjung di masa datang meliputi: kebutuhan pelayanan yang tepat dan cepat dalam mendapatkan jumlah pengunjung yang banyak dan demi memenuhi keinginan pengunjung. Peramalan data pengunjung salah satu alternatif perbaikan sistem pariwisata di Lamongan untuk memprediksi jumlah pengunjung sebagai bekal memperbaiki pelayanan terhadap pengunjung di masa yang akan datang [2].

Penelitian ini menggunakan metode peramalan yang digunakan adalah metode Extreme Learning Machine (ELM) berbasis Radial Basis Function (RBF). Algoritma Extreme Learning Machine (ELM) mempunyai kelebihan dalam learning speed, serta mempunyai tingkat akurasi yang lebih baik dibandingkan dengan metode lainnya sehingga dengan menerapkan metode ini pada demand forecasting diharapkan mampu menghasilkan ramalan yang lebih efektif [3]. Sedangkan penggunaaan metode Radial Basis Function (RBF) di dalam metode Extreme Learning Function (ELM) mudah mencapai kinerja generalisasi baik pada kecepatan belajar yang sangat cepat Algoritma Extreme Learning Function (ELM) untuk jaringan Radial Basis Function (RBF) atau disebur ELM-RBF dapat menyelesaikan belajar pada kecepatan yang sangat cepat dan menghasilkan kinerja generalisasi sangat dekat dengan Extreme Learning Function (ELM) [4].

SISTEM PERAMALAN

Peramalan adalah proses untuk memperkirakan berapa kebutuhan di masa datang. Salah satu teknik peramalan adalah analisis serial waktu dan proyeksi. Metode serial waktu didasari oleh asumsi bahwa kejadian-kejadian masa mendatang akan mengikuti jalur yang ada dalam penggunaan data historis untuk memprediksi masa depan. Tujuan peramalan dilihat dengan waktu [5]:

a. Jangka pendek (Short Term)

Menentukan kuantitas dan waktu dari item dijadikan produksi. Biasanya bersifat

harian ataupun mingguan dan ditentukan oleh Low Management.

b.            Jangka Menengah (Medium Term) Menentukan kuantitas dan waktu dari kapasitas produksi. Biasanya bersifat bulanan ataupun kuartal dan ditentukan oleh Middle Management.

c.            Jangka Panjang (Long Term)

Merencanakan kuantitas dan waktu dari fasilitas produksi. Biasanya bersifat tahunan, 5 tahun, 10 tahun, ataupun 20 tahun dan ditentukan oleh Top Management.

Peramalan Deret Waktu

Time series adalah serangkaian nilai-nilai variabel yang disusun berdasarkan waktu. Analisis time series mempelajari pola gerakan¬gerakan nilai-nilai variabel pada satu interval waktu (misal minggu, bulan, dan tahun) yang teratur.

Peramalan pendugaan masa depan dilakukan berdasarkan nilai masa lalu. Tujuan metode peramalan deret berkala (time series) seperti ini adalah menemukan pola dalam deret historis dan mengekstrapolasikan pola tersebut kemasa depan. Pola data dapat dibedakan menjadi empat jenis siklis dan trend [6].

1.            Pola Harizontal (H)

Terjadi apabila nilai data fluktuasi disekitar nilai rata-rata yang konstan. Suatu calon mahasiswa baru yang tidak meningkat dan menurun selama waktu tertentu, termasuk kedalam pola ini

2.            Pola Musiman

Terjadi apabila suatu deret dipengaruhi oleh musiman (misal kuartal tahun tertentu).

3.            Pola Siklis

Terjadi apabila datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang behubungan siklis bisnis

4.            Pola Random

Permintaan suatu produk dapat mengikuti pola bervariasi secara acak karena faktor¬faktor adanya bencana alam, bankrutnya perusahaan pesaing, promosi khusus dan kejadian-kejadian lainnya yang tidak mempunyai pola tertentu. Variasi acak ini diperlukan dalam rangka menentukan

persediaan          pengamanan      untuk

mengantisipasi kekurangan permintaan.

5.            Pola Trend

Terjadi apabila terdapat kenaikan atau penurunan sekuler jangka panjang dalam data.

2.2 Akurasi Peramalan

Ukuran akurasi hasil peramalan yang merupakan ukuran kesalahan peramalan merupakan ukuran tentang tingkat perbedaan antara hasil peramalan dengan permintaan yang sebenarnya terjadi. Ukuran yang biasa digunakan, yaitu [6]:

1. Mean Absolute Percentage Error (MAPE) Pendekatan MAPE digunakan untuk menilai prestasi jaringan yang dilatih karena MAPE mengenal secara pasti signifikasi hubungan diantara data ramalan dengan data aktual melalui persentase dari data aktual serta indikator positif atau negatif pada galat (error) diabaikan.

MAPE =(100~At−Ft

n             At

(1)

2. Mean Square Error (MSE)

MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan. Secara matematis, MSE dirumuskan sebagai berikut [6]:

MSE = Y (At − Ft)2             (2)

n

2.3 Fungsi Autokorelasi

Salah satu bentuk analisis dalam teori Statistika adalah Analisis Data deret Waktu, yaitu analisis terhadap data yang merupakan fungsi atas waktu atau tempat. Analisis data deret waktu merupakan analisis khusus dari analisis regresi, sebab dalam data deret waktu terlibat suatu besaran yang dinamakan Autokorelasi. Keberadaan autokorelasi bisa merupakan autokorelasi periodik, yaitu autokorelasi dengan nilai periodesitasnya lebih dari satu, dan autokorelasi seperti ini banyak terdapat pada data deret waktu yang memiliki komponen musiman-periodik. Perumusan autokorelasi sama dengan perumusan korelasi antar dua variabel.

Dalam metode Statistika, jika dimiliki sampel atas data bivariat (X , Y). Dalam hal ini data yang di proses berdasarkan waktunya

akan diproses dengan rumus autokorelasi sehingga didapatkan time lags atau waktu yang bersignifikan dengan waktu yang diramalkan. Kemudian data tersebut pada waktu yang bersignifikan tersebut akan menjadi data masukan pada proses pelatihan jaringan syaraf tiruan. Rumus untuk mencari fungsi autokorelasi:

n En (Yt − Y t )(Yt−k − Y t )J

n ()2

Yt −-Yt

t=1

Keterangan:

Yt = data baru atau nilai aktual pada periode t

rk = nilai signifikan

EXTREME LEARNING MACHINE

Extreme Learning Machine merupakan metode pembelajaran baru dari jaringan syaraf tiruan. Metode ini pertama kali diperkenalkan oleh Huang (2004). ELM merupakan jaringan syaraf tiruan feedforward dengan single hidden layer atau biasa disebut dengan Single Hidden Layer Feedforward neural Networks (SLFNs) Metode pembelajaran ELM dibuat untuk mengatasi kelemahan-kelemahan dari jaringan syaraf tiruan feedforward terutama dalam hal learning speed [3][5].

Output layer (predict forecast)

Hidden layer

Input layer (independent var)

Gambar 1. Arsitektur ELM

H diatas adalah hidden layer output matrix g (wi • xi+b1 ) menunjukkan output dari hidden neuron yang berhubungan dengan input i x . β merupakan matrix dari output weight dan T matrix dari target atau output . Pada ELM input weight dan hidden bias ditentukan secara acak, maka output weight yang berhubungan dengan hidden layer

Pada ELM parameter-parameter seperti input weight dan hidden bias dipilih secara random, sehingga ELM memiliki learning speed yang cepat dan mampu mengshasilkan

good generalization performance. Metode ELM mempunyai model matematis yang berbeda dari jaringan syaraf tiruan feedforward. Model matematis dari ELM lebih sederhana dan efektif. Berikut model matrematis dari ELM. Untuk N jumlah sample yang berbeda (xi, ti)

aktifasi yang berupa fungsi basis radial. Fungsi basis radial ini diasosiasikan oleh lebar dan posisi center dari fungsi basis tersebut. Struktur dasar jaringan RBF [4][6].

Fungsi basis pada jaringan RBF identik dengan dengan fungsi gaussian yang diformulasikan sebagai berikut :

Standart SLFNs dengan jumlah hidden nodes sebanyak N dan activation function g ( x ) dapat digambarkan secara matematis sebagai berikut :

               (5)

(Wr.Xj+bi)= oj     (6)

dimana :

J = 1,2,..., N

wi = (wi1 ,wi2 ,..., win )T = merupakan vektor dari weight yang menghubungkan i th hidden nodes dan input nodes.

βi = (βi1 , βi2 ,..., βin )T = merupakan weight vector yang menghubungkan i th hidden dan output nodes.

bi = threshold dari ke-i pada hidden nodes. w i x j = hasil inner produk dari w i dan x j

RADIAL BASIS FUNCTION

RBF (φ) merupakan fungsi dimana keluarannya simetris terhadap center c tertentu atau dinyatakan sebagai φc = φ ||x - c||, dimana || . || merupakan vektor normal. Jaringan syaraf yang dibentuk dengan menggunakan fungsi basis berupa fungsi basis radial dinamakan Jaringan Syaraf RBF. Jaringan RBF terdiri atas 3 layer yaitu layer input, hidden layer (unit tersembunyi) dan layer output. Masing– masing unit tersembunyi merupakan fungsi

dimana:

φj =Keluaran fungsi basis ke – j data x

x = Masukan fungsi basis cj = Center fungsi gausian ke - j σj = Lebar fungsi gausian ke – j

HASIL DAN PEMBAHASAN

Data input yang digunakan dalam penelitian ini adalah data pengunjung pariwisata di Kab.Lamongan. Dalam data yang akan di analisa memiliki beberapa data pariwisata anatara tahun 2006-2010 dengan nama wisata sebagai berikut :

Tabel 1. Data Wisata Lamongan

No          Data Wisata Lamongan

1             Wisata Bahari Lamongan (WBL)

2             Maharani Zoo Lamongan (Mazola)

3             Sunan Drajad

4 Waduk Gondang

Preprosessig data dilakukan dengan menggunakan proses autokorelasi dan normalisasi sehingga menjadi data dengan range 0-1. Autokorelasi menghasilkan nilai kedekatan dengan lags maksimal 1, setelah itu data dimasukkan sebagai data latih dalam peramalan meggunakan ELM berbasis RBF dengan tampilan form sebagai berikut:

Gambar 1. Interface ELM berbasis RBF Tabel 2. Hasil Uji Coba dengan Perbandingan penggunaan Metode

Data

BP (%)

MSE       MAPE    ELM (%)

MSE       MAPE    ELM-RBF(%)

MSE       MAPE

WBL       4,2871   1,2635   2,3031   1,5782   0.17103               0.0053

Mazola  7,2540   1,5316   4,1044   0,8377   0.3134   0.0420

Sunan Drajad      1,1330   0,9622   1,1603   0,6695   0.2266   0.0368

Waduk Gondang               2,6536   1,5613   1,5602   0,5051   0.2998   0.1475

Tabel 3. Hasil Uji Coba berdasarkan perhitungan waktu

Data

BP (detik)             ELM (detik)          ELM-RBF (detik)

(Epoch) 1000      2000      1000      2000      1000      2000

WBL       720        1200      630        1118      480        902

Mazola  680        1109      590        1001      510        989

Sunan Drajad      780        1204      750        1084      621        994

Waduk Gondang               800        1590      720        1390      689        1320

Data Wisata lamongan terdiri dari rekapitulasi data bulanan selama 5 tahun antara tahun 2006-2010 yang berjumlah 60 tupple. Uji coba akan membagi 60 data tupple yaitu data training sebanyak 48, data pengujian sebanyak 12. Selanjutnya memasukkan beberapa nilai parameter yaitu : hidden layer yang digunakan 8, nilai epoch 1000 dan learning rate sebesar 0.9. Hasil ujicoba pada Tabel 2. menunjukkan bahwa metode ELM¬RBF menghasilkan error yang lebih kecil dibandingkan dengan menggunakan metode Back Propagation (BP) dan ELM. Hasil uji

coba menggunakan ELM-RBF pada data WBL menghasilkan nilai MSE sebesar 0.17103 dan MAPE 0.0053%, pada data Mazola menghasilkan nilai MSE sebesar 0.3134 dan MAPE 0.0420%, pada data wisata Gunung Drajat Menghasilkan nilai MSE sebesar 0.2266 dan MAPE 0.0368% dan terakhir data wisata Waduk Gondang menghasilkan nilai MSE sebesar 0.2998 dan MAPE 0.1475%. Hasil uji coba mengenai analisa penggunaan waktu pelatihan ditunjukkan pada Tabel 3. menunjukkan hasil penggunakan metode

ELM-RBF lebih cepat dibandingkan dengan metode BP dan ELM.

KESIMPULAN

Kesimpulan yang dapat diambil penulis dari pembuatan perangkat lunak ini adalah:

1.            Sistem peramalan pengunjung pariwisata dengan menggunakan metode Extreme Learning Machine (ELM) berbasis Radial Basis Function (RBF) meghasilkan proses iterasi yang lebih cepat dan error yang lebih kecil dibandingkan dengan menggunakan metode Back Propagation dan ELM.

2.            Berdasarkan uji coba pariwisata WBL menghasilkan nilai MSE sebesar 0.17103 dan MAPE 0.0053%, pariwisata Mazola menghasilkan nilai MSE sebesar 0.3134 dan MAPE 0.0420%, pariwisata Sunan Drajad menghasilkan nilai MSE sebesar 0.2266% dan MAPE 0.0368%, dan

pariwisata           Waduk  Gondang

menghasilkan nilai MSE sebesar 0.2998% dan MAPE 0.1475%.

DAFTAR PUSTAKA

[1]          Buku Laporan Tahunan Wisata di Lamongan, 2011

[2]          Wutsqa, Dhoriva Urwatul, Suhartono. 2007. Peramalan Deret Waktu Multivariat Seasonal pada Data Pariwisata dengan Model Var-Gstar. Jurusan Matematika, Universitas Negeri

Yogyakarta, Yogyakarta, Jurusan Statistika, Institut Teknologi Sepuluh Nopember, Surabaya. Indonesia.

[3]          Yulianarta, Handry.          2011. Sistem

Peramalan Jumlah Pengguna Provider XL menggunakan Metode Extreme Learning. Teknik Informatika-Universitas Trunojoyo Madura, Indonesia.

[4]          Huang, Guang-Bin. Siew, Chee-Kheong. 2004. Extreme Learning Machine : RBF Network Case. School of electrical and

electronic            engineering,       Nanyang

Technological University, Nanyang Avenue, Singapore.

[5]          Agustina Irwin, Dwi. 2009. Penerapan Metode Extreme Learning Machine untuk

Peramalan           Permintaan.        Sistem

Informasi-ITS Surabaya, Indonesia.

[6]          Hariyanto, Wahyudi, Setiawan, Iwan. 2007. Aplikasi Jaringan Syaraf Tiruan RBF pada Sistem Kontrol Valve untuk pengendalian tinggi muka air. Jurusan Teknik Elektro, Fakultas Teknik,

Universitas          Diponegoro,Semarang,

Indonesia.

[7]          Zhang, G., Pattuwo, B.E., Hu, M.Y. 1997. Forecasting with Artificial Neural Networks : The State of the Art. Elsevier International Journal of Forecasting 14 (1998) 35-62.

[8]          Kusumadewi, Sri. 2003. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta : Graha Ilmu.

[9]          Sun, Z.L., Choi, T.M., Au, K.F., dan Yu, Y. 2008. Sales Forecasting using Extreme Learning Machine with Application in Fashion Retailing. Elsevier Decision Support Systems 46 (2008) 411-419.