PERBANDINGAN METODE ELMAN RECURRENT DAN RADIAL BASIS FUNCTION UNTUK PERAMALAN WISATAWAN

Abstrak

Elman Recurent Neural Network (ERNN) adalah model jaringan syaraf yang memiliki minimal satu feedback loop, sedangkan Radial Basis Function Neural Network (RBFNN) adalah model JST yang mentransformasikan input secara nonlinier menggunakan fungsi aktivasi Gaussian pada lapisan tersembunyi sebelum diproses secara linier di lapisan output. Tujuan penelitian untuk memperoleh model terbaik dari ERNN dan RBFNN dengan fungsi pelatihan terbaik untuk peramalan jumlah kunjungan wisatawan mancanegara di Indonesia. Hasil ERNN model terbaik diperoleh pada arsitektur jaringan 2-15-1 dengan algoritma pelatihan gradient descent with momentum and adaptive learning rate dengan momentum 0,2, learning rate 0,1, nilai MSE dan MAPE pengujian sebesar 1,70E+10 dan 13,5869%, serta akurasi jaringan sebesar 86,4131%. Sedangkan hasil peramalan menggunakan RBFNN diperoleh model terbaik pada arsitektur jaringan 2-8-1 dengan algoritma pelatihan gradient descent with momentum and adaptive learning rate atau gradient descent with momentum dengan spread 1. Nilai MSE dan MAPE pengujian sebesar 1,26E-02 dan 6,7043%, serta akurasi jaringan sebesar 93,2957%. Model terbaik untuk peramalan jumlah kunjungan wisman adalah RBFNN (2-8-1). Elman Recurent Neural Network (ERNN) is a neural network model that has at least one feedback loop, while Radial Basis Function Neural Network (RBFNN) is an ANN model that transforms input nonlinearly using a Gaussian activation function in the hidden layer before being processed linearly in the output layer. The purpose of the study was to obtain the best model from ERNN and RBFNN with the best training fuction for forecasting the number of foreign tourist arrivals in Indonesia. The best ERNN model results are obtained on a 2-15-1 network architecture with a gradient descent with momentum and adaptive learning rate training algorithm with a momentum of 0.2, learning rate of 0.1, MSE and MAPE testing values 1.70E+10 and 13,5869%, and network accuracy of 86,4131%. While the results of forecasting using RBFNN obtained the best model on the network architecture 2-8-1 with a training algorithm gradient descent with momentum and adaptive learning rate or gradient descent with momentum with a spread of 1. The MSE and MAPE testing values 1.26E-02 and 6, 7043%, and network accuracy of 93.2957%. The best model for forecasting the number of foreign tourists visiting is RBFNN (2-8-1).