Berbagai sumber pendapatan yang dapat dihasilkan dalam suatu daerah, salah satunya yaitu dalam sektor pariwisata. Seperti halnya sektor yang lain, sektor pariwisata juga memberikan banyak sumbangan bagi pembangunan ekonomi di suatu daerah maupun negara tujuan wisata. Indonesia memiliki banyak tujuan wisata daerah yang sudah terkenal hingga mancanegara salah satunya yaitu Pulau Bali. Bali merupakan daerah yang sudah memiliki kedudukan yang sejajar dengan daerah-daerah tujuan wisata lainnya yang ada di dunia. Sebagai suatu daerah yang sangat berpotensi dalam pengembangan wisata, maka pemerintah memberikan perhatian yang khusus dalam pengembangan pariwisata di Pulau Bali. Maka dari itu, perlu adanya peramalan jumlah kunjungan wisatawan mancanegara ke Bali yang nantinya bisa bermanfaat bagi pemerintah daerah maupun dinas pariwisata. Dalam hal ini, akan digunakan dua metode untuk meramalkan jumlah kunjungan wisatawan mancanegara ke Bali. Adapun metode yang digunakan yaitu Seasonal ARIMA dan Support Vector Regression (SVR). Hasil peramalan data out sampel dengan menggunakan metode SARIMA dan SVR menunjukkan bahwa metode SARIMA memiliki nilai MAPE lebih kecil dari pada SVR. Nilai MAPE motode SARIMA adalah 5,33% sedangkan metode SVR sebesar 19,74%. Begitu juga nilai MSE dan MAE dari metode SARIMA lebih kecil dari metode SVR. Dari Penelitian yang dilakukan dapat disimpulkan bahwa model SARIMA merupakan motode yang lebih baik untuk memprediksi jumlah kunjungan wisatawan mancanegara ke Bali.
Hukum I Tobler menduga segala sesuatu di suatu wilayah berhubungan erat dengan wilayah lainnya sehingga pemodelan analisis spasial lebih tepat digunakan untuk memodelkan faktor yang berpengaruh terhadap kemiskinan dan pengangguran di suatu wilayah dengan memperhatikan efek spasialnya Salah satu metode spasial yang bisa digunakan ialah Seemingly Unrelated Regression-Spatial Durbin Model (SUR-SDM). Di dalam penelitian SUR SDM diperlukan suatu pembobot yang digunakan untuk menghitung koefisien autokorelasi. Matriks pembobot yaitu matriks yang elemen-elemennya adalah nilai pembobot yang diberikan untuk perbandingan setiap daerah tertentu. Metode penentuan matriks pembobot dalam penelitian ini dengan menggunakan Queen Contiguity dan pembobot customize. Penelitian ini bertujuan untuk mendeskripsikan kemiskinan dan pengangguran serta faktor – faktor yang diduga mempengaruhinya menggunakan metode SUR-SDM dengan bobot Queen Contiguity dan Customize. Adapun variabel-variabel yang digunakan yaitu Variabel respon terdiri dari persentase rumah tangga miskin (%) (y1) dan angka pengangguran (%)(y2). Sedangkan variabel bebasnya yaitu terdiri dari: persentase jumlah sarana pelayanan kesehatan meliputi posyandu, poliklinik, puskesmas, puskesmas pembantu, dokter praktek, klinik bersalin, dan pos KB (%) (x1), persentase jumlah sarana sekolah meliputi TK, SD, SLTP, SMU, dan SMK (%) (x2), persentase penduduk yang bekerja di sektor pertanian (%) (x3), persentase rumah tangga yang menggunakan air bersih (PDAM) (%) (x4), dan rasio penduduk yang belum tamat SD (x5). Hasil yang didapat yaitu pemodelan SUR-SDM dengan bobot Customize menghasilkan nilai R-Square yang lebih kecil dibandingkan bobot queen di kedua variable respon yaitu sebesar 80.60% dibandingkan queen sebesar 80.64 untuk variable kemiskinan dan untuk variable pengangguran bobot Customize mengasilkan nilai 92.51% lebih kecil disbanding queen sebesar 92.53%
Bali is one of the most popular tourism sectors in Indonesia. In the arena of international tourism, the island of Bali is considered as the most famous national destination compared to other destinations. The high level of domestic tourism visits to Bali annually must be strictly noted especially for local governments and Bali provincial tourism agencies in optimizing facilities, infrastructure to the safety of tourists Visit. Therefore, it takes a method that can predict the number of tourists visiting Bali annually. One method used to predict the number of tourists visiting Bali is Support Vector Regression (SVR). SVR is a method to estimate a mapped function from an input object to a real amount based on the training data. SVR has the same properties about maximizing margins and kernel tricks for mapping nonlinear data. Results of this research. Based on forecasting using MAPE value training data obtained by 11.34% while use data testing of MAPE value obtained by 7.30%. Based on the resulting MAPE value can be categorized well for the number of tourism visitors.
Data Mining adalah penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar. Salah satu teknik yang dikenal dalam Data Mining yaitu clustering. Pengertian clustering dalam Data Mining adalah pengelompokan sejumlah data atau objek ke dalam cluster (group) sehingga setiap di lama cluster tersebut akan berisi data yang semirip mungkin dan berbeda dengan objek dalam cluster yang lain. Salah satu metode klasifiaksi atau clustering adalah Self Organizing Maps (SOM). SOM merupakan metode artificial neural network yang digunakan untuk mengelompokkan (clustering) data berdasarkan karakteristik/fitur-fitur data. Metode pengelompokan yang menggunakan konsep jarak dan memiliki karakteristik yang hampir sama dengan SOM yaitu metode K-means. Penelitian ini bertujuan untuk mengembangkan suatu metode yang merupakan hybrid dari SOM dan K-means yang digunakan untuk menentukan ketepatan suatu klasifikasi. Sebelum diujikan pada data asli, metode hybrid SOM dan K-Means diujikan lebih dulu pada data benchmark sehingga dapat diketahui berapa persen ketepan yang dihasilkan. Kemudian dilanjutkan dengan penerapan metode hybrid SOM dan K-means pada data penerimaan beasiswa di STMIK STIKOM Bali. Penelitian ini bertujuan untuk menentukan ketepatan klasifikasi penerima beasiswa STMIK STIKOM Bali dengan metode hybrid SOM dan K-means. Hasil penelitian menunjukkan bahwa metode Kmeans dan SOM memberikan hasil yang sama yang akibatnya metode SOM-Kmeans juga memberikan hasil yang sama. Alasannya, metode SOM-Kmeans menggunakan nilai centroid dari hasil SOM, dan hasil yang diperoleh pada metode Kmean memiliki hasil yang sama dengan SOM akibatnya metode SOM-Kmeans menghasilkan hasil yang sama dengan kedua metode sebelumnya.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.