Prediksi Kunjungan Wisatawan Ke Indonesia Dengan Reduksi Noise Pada Mesin Pencari Menggunakan Metode Hilbert Huang Transform

Abstract


 In many studies, Google Trends Data is efficient to analyze and estimate as explanatory variables, including tourism predictions. However, data retrieval and tourism are always plagued by noise. Without noise processing, the predictive ability of search engine data may be weak, even invalid. As a noise processing method, Hilbert-Huang Transform (HHT) can reduce or clean noise. Forecasting is the art and science of predicting future events. LSTM is able to overcome long-term dependence. This study tries to provide predictions of tourist visits by processing noise in search engines using the Hilbert-Huang Transform method. The forecasting architecture that is built is composed of 3 hidden LSTM layers with 100 units of neurons or nerves that function to process information, which in the LSTM layer also becomes the input layer. Prediction test results on a dataset of 156 rows, resulting in RMSE values in 2019 getting RMSE LSTM 129249 results, and RMSE HHT + LSTM 653058. so that the resulting RMSE is closer to remembering 0.

Komparasi Multiple Linear Regression dan Decision Tree dalam Memprediksi Penetasan Penyu Jenis Chelonioidea Sp di Pulau Mangkai

“…Salah satu pemanfaatan sumberdaya alam yang tetap mempertahankan ekosistem dan ekologi adalah dengan ekowisata turtle watching atau pengamatan penyu bertelur dan pelepasan tukik (anak penyu). Pariwisata adalah pemanfaatan keunikan sumberdaya alam pada suatu daerah dan dapat meningkatkan data tarik orang luar untuk berkunjung serta dapat menambah penghasilan bagi masyarakat tempatan [7]. Kegiatan ini perlu dijalankan sebagai langkah pengendalian dan mengurangi akibat dari perubahan dan peralihan fungsi lahan serta masifnya pemahaman orang terhadap pelestarian biota penyu [8].…”

Implementasi Model SARIMA Untuk Memprediksi Produksi Minyak Kelapa Sawit

“…Selanjutnya, dilakukan pengujian sistem dengan menggunakan metrik Mean Absolute Percentage Error (MAPE). MAPE digunakan untuk mengetahui presentase error pada hasil peramalan [19] dan menganalisis sejauh mana sistem telah berjalan dengan baik dalam memprediksi produksi minyak kelapa sawit. MAPE dapat dihitung dengan persamaan (2).…”