Ekonomi adalah salah satu ilmu sosial yang mempelajari aktivitas manusia yang berhubungan dengan produksi, distribusi dan konsumsi terhadap barang dan jasa. Ekonomi mikro adalah cabang dari ilmu ekonomi yang mempelajari perilaku konsumen dari perusahaan serta penentuan harga-harga pasar dan kuantitas faktor input, barang dan jasa yang diperjual belikan. Berkaitan dengan hal tersebut peneliti mengambil judul uji normalitas omzet bulanan bagi pelaku ekonomi mikro Desa Senggigi menggunakan skewness dan kurtosis yang bertujuan untuk mengetahui penyebaran omzet bulanan pelaku ekonomi mikro Desa Senggigi. Variabel yang digunakan dalam pengujian ini adalah omzet. Metode yang digunakan dalam penelitian ini adalah skewness dan kurtosis yang dianalisis menggunakan aplikasi IBM 24, guna melihat apakah data omzet bulanan, normal atau tidaknya dan juga melihat kemencengan datanya. Dari hasil penelitian diperoleh data omzet bulanan normal, tapi belum tentu data tersebut tidak baik, karena kita bisa melihat kemencengan datanya mengarah kearah kanan positif, hal tersebut menunjukkan omzet bulanannya termasuk tinggi, hanya saja omzet bulanan yang tinggi itu tidak merata untuk semua pelaku ekonomi mikro di Senggigi.
Tidak tersedianya sumber daya alam seperti migas, hasil hutan ataupun industri manufaktur yang berskala besar di pulau Lombok menyebabkan pariwisata telah menjadi sektor andalan dalam pembangunan daerah. Kontribusi sektor pariwisata menunjukkan trend yang semakin meningkat dari tahun ke tahun. Dampak positif pengeluaran wisatawan terhadap perekonomian terdistribusikan ke berbagai sektor. Akan tetapi, pemerinatah daerah umumnya akan melakukan persiapan wisata daerah hanya pada saat even lokal saja. Padahal kunjungan wisatawan bukan hanya karena faktor adanya event lokal saja. Persiapan pemerintah daerah dan pelaku wisata sangat penting untuk meningkatkan stabilitas kunjungan wisatawan. Penelitian ini mengkaji prediksi kunjungan wisatawan dengan pendekatan Recurrent Neural Network Long Short Term Memory (RNN LSTM). LSTM berisi informasi di luar aliran normal dari recurrent nertwork dalam gate cell. Cell membuat keputusan tentang apa yang harus disimpan dan kapan mengizinkan pembacaan, penulisan dan penghapusan, melalui gate yang terbuka dan tertutup. Gate menyampaikan informasi berdasarkan kekuatan yang masuk ke dalamnya dan akan difilter menjadi bobot dari gate itu sendiri. Bobot tersebut sama seperti bobot input dan hidden unit yang disesuaikan melalui proses leraning pada recurrent network. Hasil penelitian yang dilakukan dengan membangun model prediksi kunjungan wisatawan dengan RNN LSTM menggunakan multi time steps mendapatkan hasil RMSE sebesar 6888.37 pada data training dan 14684.33 pada data testing.
Penelitian ini berisi tentang prediksi atau forecasting data iklim di Nusa Tenggara Barat (NTB) tahun 2011, yakni jumlah hari terjadinya hujan dengan menggunakan metode Autoregressive Distributed Lag (ARDL). Data yang digunakan yaitu data iklim di Nusa Tenggara Barat (NTB) dari tahun 2006 -2010, dengan menggunakan beberapa parameter error seperti Mean Absolute Deviation (MAD), Mean Squared Error (MSE), Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Berdasarkan hasil simulasi data iklim di Nusa Tenggara Barat (NTB) tersebut, diperoleh prediksi jumlah hari terjadinya curah hujan pada tahun 2011 sebesar 226 hari dengan nilai MAD 20,8069, MSE 3,5569, RMSE 1,88597, dan MAPE 11,9297 . Dan prediksi jumlah hari terjadinya hujan pada tahun 2011 sebanyak 225,928 hari atau jika di bulatkan menjadi 226 hari dengan nilai parameter error MAD sebesar 20,8069, sehingga dapat disimpulkan pada tahun 2011 terjadi peningkatan jumlah hari terjadinya hujan di Nusa Tenggara Barat (NTB).
Supervised learning in Machine learning is used to overcome classification problems with the Artificial Neural Network (ANN) approach. ANN has a few weaknesses in the operation and training process if the amount of data is large, resulting in poor classification accuracy. The results of the classification accuracy of Artificial Neural Networks will be better by using boosting. This study aims to develop a Boosting Feedforward Neural Network (FANN) classification model that can be implemented and used as a form of classification model that results in better accuracy, especially in the classification of the inaccuracy of Terbuka University students. The results showed the level of accuracy produced by the Feedforward Neural Network (FFNN) method had an accuracy rate of 72.93%. The application of boosting on FFN produces the best level of accuracy which is 74.44% at 500 iterations
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.