IMPLEMENTASI METODE ARTIFICIAL NEURAL NETWORK (ANN) MENGGUNAKAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI JUMLAH KUNJUNGAN WISATAWAN (STUDI KASUS DI WISATA BUKIT PAMOYANAN KABUPATEN SUBANG)

APUDIN, APUDIN (2024) IMPLEMENTASI METODE ARTIFICIAL NEURAL NETWORK (ANN) MENGGUNAKAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI JUMLAH KUNJUNGAN WISATAWAN (STUDI KASUS DI WISATA BUKIT PAMOYANAN KABUPATEN SUBANG). Skripsi thesis, UNIVERSITAS SANGGA BUANA YPKP.

	Text Cover.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (87kB)
	Text Lembar Pengesahan.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (574kB)
	Text Lembar Pernyataan.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (487kB)
	Text Abstrak.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (158kB)
	Text Bab I.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (292kB)
	Text Skripsi Full.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (6MB) | Request a copy
	Text Daftar Pustaka.pdf - Bibliography Available under License Creative Commons Public Domain Dedication. Download (279kB)
	Text Surat Keterangan Hasil Cek Plagiarisme.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (1MB)

Abstract

Bukit Pamoyanan merupakan destinasi wisata bukit di Kabupaten Subang yang populer dan cocok untuk pengunjung dari segala usia. Fluktuasi jumlah pengunjung yang tak terduga dapat mempengaruhi pendapatan dan perkembangan tempat wisata ini. Penelitian ini bertujuan untuk mengembangkan model prediksi jumlah kunjungan wisatawan wisata Bukit Pamoyanan menggunakan metode Artificial Neural Network (ANN) algoritma backpropagation. Implementasi dilakukan dengan membagi data menjadi data pelatihan dan pengujian. Evaluasi menunjukkan bahwa hasil pelatihan model ini ditunjukkan dengan mencapai akurasi pelatihan sebesar 83.87% dengan MSE pada data pelatihan sebesar 0.0217188. Hasil pengujian menunjukkan rata-rata error sebesar 9.81% dan akurasi sebesar 90.19%. Penggunaan skenario penelitian dengan proporsi data pelatihan 70% dan pengujian 30% memberikan hasil optimal. Parameter ANN yang digunakan meliputi: jumlah neuron input 2, jumlah hidden layer satu dengan 10 node, jumlah output 1, iterasi 1000, dan nilai alpha 0.1. Fungsi aktivasi yang digunakan adalah sigmoid biner.

Actions (login required)

View Item