Jurnal Sistem Informasi dan Sistem Komputer.
Vol.
No.
Januari 2023 ISSN: 2715-906X (Onlin.
51717/simkom.
PERBANDINGAN MODEL TIME SERIES FORECASTING DALAM
MEMPREDIKSI JUMLAH KEDATANGAN WISATAWAN DAN
PENUMPANG AIRPORT
Muhammad Ali Ridla1.
Nur Azise2.
Miftahur Rahman3 riedla@gmail.
com, 2nuriza3010@gmail.
com, 3miftahurrahman@unmuhjember.
Sistem Informasi.
Fakultas Sains dan Teknologi.
Universitas Ibrahimy,3 Teknik Informatika.
Fakultas Teknik.
Universitas Muhammadiyah Jember Abstrak Kemajuan dunia pariwisata dalam kehidupan zaman sekarang sudah sangat lazim ditemui di setiap negara di dunia.
Meningkatkan kualitas pariwisata merupakan hal yang sangat penting bagi setiap negara, mengingat pariwisata merupakan salah satu sumber pemasukan negara.
Oleh karena itu, salah satu parameter yang sangat penting akan hal ini adalah mengetahui jumlah pengunjung atau wisatawan setiap waktu, serta dapat memanfaatkan data historis yang ada untuk memprediksi jumlah wisatawan di waktu yang akan datang.
Pada penelitian ini akan dilakukan prediksi/forecasting jumlah wisatawan dan penumpang di airport menggunakan metode Seasonal Auto Regressive Integrated Moving Average (SARIMA).
Long-short Term Memory (LSTM), dan Prophet pada dua dataset time series dengan frekuensi bulanan.
Dari tiga model forecasting tersebut, diperoleh hasil masing-masing lalu dikomparasi, model SARIMA merupakan model yang paling baik performanya dengan nilai RMSE dan MSE yang paling kecil.
Kata kunci: ARIMA.
LSTM.
Prediksi.
Time Series.
Univariat Abstract The progress of the world of tourism in today's life is very common in every country in the world.
Improving the quality of tourism is very important for every country, considering that tourism is a source of state income.
Therefore, one of the most important parameters in this regard is knowing the number of visitors or tourists at any time, and being able to utilize existing historical data to predict the number of tourists in the future.
This research will predict/forecast the number of tourists and passengers at the airport using the Seasonal Auto Regressive Integrated Moving Average (SARIMA).
Long-short Term Memory (LSTM), and Prophet methods on two time series datasets with a monthly frequency.
Of the three forecasting models, the results were obtained for each and then compared, the SARIMA model is the model with the best performance with the lowest RMSE and MSE values.
Keywords: ARIMA.
LTSM.
Predictions.
Time Series.
Univariat Pendahuluan Kemajuan dunia pariwisata sudah sangat lazim ditemui pada zaman dengan teknologi yang super canggih seperti sekarang ini.
Setiap negara pasti akan selalu berusaha meningkatkan kualitas pariwisatanya kepada setiap wisatawan yang berkunjung ke negaranya.
Salah satu parameter yang sangat penting akan hal ini adalah mengetahui jumlah pengunjung atau wisatawan setiap waktu.
Analisis data jumlah pengunjung ini akan sangat berguna bagi pihak otoritas untuk memperbaiki dan meningkatkan kualitas pariwisatanya.
Data-data jumlah wisatawan yang terkumpul dari periode waktu tertentu dapat digunakan untuk memprediksi kejadian-kejadian dimasa depan berdasarkan kejadian-kejadian dimasa lalu, berdasarkan data tersebut .
Hal ini akan sangat berguna bagi pihak otoritas dalam melakukan pengambilan keputusan guna meningkatkan kualitas pariwisata di negaranya.
http://e-jurnal.
id/index.
php/simkom Jurnal Sistem Informasi dan Sistem Komputer.
Vol.
No.
Januari 2023 ISSN: 2715-906X (Onlin.
51717/simkom.
Prediksi tersebut dapat diterapkan pada data time series jumlah wisatawan dalam periode tertentu, bisa harian, mingguan, bulanan, hingga tahunan.
Ada banyak metode atau model prediksi data time series yang dapat digunakan untuk melakukan peramalan .
pada rentang waktu yang akan datang .
Seperti penelitian .
, yang menggunakan metode gabungan atau yang disebut dengan metode hybrid antara metode Autoregressive Integrated Moving Average (ARIMA) dan Artificial Neural Network (ANN).
Ada 3 dataset berbeda yang digunakan untuk melakukan eksperimen guna mendemonstra-sikan model hybrid .
yaitu: data WolfAos sunspot.
Canadian lynx .
ucing Iyn.
data, dan kurs poundsterling dan dollar Amerika.
Hasil dari percobaan ini lalu dikomparasi dengan hasil metode non hybrid yaitu ARIMA dan ANN.
Metode hybrid atau gabungan ARIMA dan ANN berhasil mendapatkan jumlah Mean Square Error (MSE) terkecil, hal ini menandakan bahwa model hybrid memiliki performa yang lebih baik daripada metode ARIMA dan ANN.
Metode Time series adalah suatu deret data observasi yang berurut berdasarkan waktu .
Model time series .
untun wakt.
telah banyak diimplementasikan dalam berbagai bidang, misalnya teknik, geofisika, ekonomi, pertanian dan kedokteran.
Time series forecasting adalah proses peramalan atau prediksi kejadian dimasa datang berdasarkan kejadian dimasa lalu menggunakan data historis yang bersifat time series .
untun wakt.
Berikut akan dijelaskan beberapa metode prediksi .
yang akan digunakan dalam penelitian ini:
ARIMA dan SARIMA ARIMA (Auto Regressive Integrated Moving Averag.
atau yang biasa disebut Box-Jenkins merupakan salah satu metode untuk memprediksi data time series.
Metode ARIMA biasanya digunakan untuk memprediksi kejadian jangka pendek .
hort ter.
Adapun metode ARIMA dapat didefinisikan sebagai berikut:
Autoregressive (AR) Metode Autoregressive atau disingkat dengan AR adalah metode yang mengatakan bahwa kejadian di periode sekarang dipengaruhi oleh data kejadian di periode sebelumnya .
Metode autoregressive dengan orde p (AR.
) atau orde .
,0,.
pada model ARIMA dapat dinyatakan sebagai .
Dimana pada parameter ycUyc adalah nilai tingkat perbedaan urutan waktu ke-.
yu0 merupakan nilai konstanta.
yuEycy adalah nilai parameter auto regressive ke p.
yceyc adalah ycuycnycoycaycn error ke .
Moving Average (MA) Moving average (MA) adalah model yang menyatakan bahwa nilai data waktu seluruhnya memiliki hubungan dengan nilai error hasil prediksi di masa sekarang dan masa lalu secara berurutan.
Model moving average dengan orde q disingkat dengan MA.
atau ARIMA .
,0,.
Persamaan dasar dari model ini dapat dinyatakan sebagai berikut:
Dimana parameter yuE0 adalah nilai ycoycuycuycycycaycuycyca, yuEyc merupakan parameter ycoycuycycnycuyci ycaycyceycycayciyce ycoyce yc, sedangkan yceycOeycy adalah ycuycnycoycaycn error ke yc Ae yco.
http://e-jurnal.
id/index.
php/simkom Jurnal Sistem Informasi dan Sistem Komputer.
Vol.
No.
Januari 2023 ISSN: 2715-906X (Onlin.
51717/simkom.
ARMA
Model ARMA atau Auto Regressive Model Average adalah model gabungan.
dari AR dan MA.
Jadi dapat dikatakan bahwa data kejadian di masa sekarang dipengaruhi oleh data periode sebelumnya dan juga kesalahan .
data di masa lalunya.
Model ARMA dengan orde p dan q disinkat ARMA .
atau ARIMA .
,0,.
Persamaan dari model ini adalah sebagai berikut:
ARIMA
Auto Regressive Integrated Moving Average (ARIMA) sama dengan model ARMA namun ada tambahan metode differencing untuk membuat data time series menjadi data stationery, hal ini dilakukan apabila data time series-nya tidak stationery .
Adapun persamaan ARIMA dengan orde .
,d,.
adalah sebagai berikut:
SARIMA
Seasonal Auto Regressive Integrated Moving Average adalah model yang sama dengan ARIMA, namun ada tambahan beberapa parameter seasonality padanya.
Model ini digunakan ketika data time series yang diobservasi memiliki pola musiman .
yang berulang-ulang dalam periode waktu tertentu .
Adapun persamaannya dapat dibentuk sebagai berikut:
Dimana .
,d,.
dan (P,D,Q) adalah komponen non-musiman dan musiman dari masing-masing model tersebut.
Parameter s adalah jumlah periode permusim .
Penerapan model SARIMA pada penelitian forecasting menggunakan persamaan sebagai berikut:
Dimana dan adalah parameter autoregressif (AR) komponen musiman dan non-musiman, masing-masing.
dan parameter Moving Average (MA) dari komponen musiman dan non-musiman.
adalah operator mundur.
=yt -1.
-BS)D = Dth banyaknya perbedaan musim s.
-B)d=dth perbedaan non-musiman.
adalah variabel acak yang didistribusikan secara independen.
perintah komponen AR.
Q dan q perintah komponen MA.
D dan d banyaknya perbedaan musim .
LSTM
Long Short-term Memory (LTSM) pertama kali dikembangkan oleh Hochreiter dan Schmidhuber .
yang memiliki struktur kompleks yang di dalamnya memiliki lapisan tersembunyi .
LTSM
merupakan teknik turunan dari model Recurrent Neural Network (RNN) .
RNN merupakan salah satu model yang memiliki performa yang baik untuk menganalisis data-data kejadian yang terjadi dalam waktu yang berurutan .
, seperti data time series .
Sedangkan LSTM sendiri memiliki keunggulan tersendiri daripada simple RNN, seperti yang ditunjukan pada gambar 1 di bawah ini:
Gambar 1.
Memory di RNN http://e-jurnal.
id/index.
php/simkom Jurnal Sistem Informasi dan Sistem Komputer.
Vol.
No.
Januari 2023 ISSN: 2715-906X (Onlin.
51717/simkom.
Pada gambar 1 dijelaskan bahwa kekurangan RNN dapat terlihat pada input ycU, ycU1 yang membawa rentang informasi yang sangat besar dengan ycUt, ycU1 1, sehingga ketika output Ht 1 membutuhkan nilai masukan yang sesuai dengan X1.
X0 RNN tidak bias belajar untuk menyesuaikan informasi disebabkan memori yang lama sudah tertimpa dan tergantikan oleh data di memori yang baru dalam rentetan waktu yang berjalan.
Namun masalah ini dapat teratasi menggunakan model LSTM yang dapat mengatur memori terhadap setiap input-annya dengan memanfaatkan memory cells dan gate units, yaitu Input Gate.
Forget Gate, dan Output Gate.
Seperti yang digambarkan pada gambar 2 ini:
Gambar 2.
Memory Cells dan Gate Units LSTM Prophet Model peramalan atau prediksi Prophet, adalah sebuah metode prediksi yang dikembangkan oleh Facebook, yang sudah tersedia dalam Bahasa R dan Python.
Proses prediksinya berdasarkan model tambahan .
dimana non-linier relevan dengan pengaruh seasonality seperti tahunan, mingguan, dan harian, serta pengaruh musim liburan.
Model Prophet ini sangat bagus diterapkan pada data time series yang memiliki sifat seasonality yang kuat.
Model Prophet dapat bekerja dengan baik pada data dengan missing value dan dapat menangani outliers dengan baik.
Berikut persamaan model prophet:
Dimana parameter-parameter model tersebut g.
, s.
, h.
OOt: adalah kurva linier bertahap untuk pemodelan perubahan jeda waktu non-linear pada data time series, perubahan periode waktu, efek pola waktu yang tidak biasa seperti holiday, nilai error yang dihasilkan dari perubahan yang tidak diakomodasi oleh model secara beurutan .
Untuk menerapkan model Prophet forcesting pada data time series yang memiliki seasonality dan ingin memprediksi berdasarkan seasonality dapat menggunakan deret fourier yang dapat membuat model fleksibel.
Pengaruh seasonality s.
dapat dinyatakan dalam persamaan 8 ini .
Tahapan Penelitian Pada penelitian ini dilakukan beberapa tahapan, yaitu dengan melakukan eksperimen pada data jumlah pengunjung wisatawan dan data jumlah kedatangan penumpang di Changi Airport Singapura.
Adapun tahapan penyelesaian ditunjukkan pada gambar 3 di bawah ini:
http://e-jurnal.
id/index.
php/simkom Jurnal Sistem Informasi dan Sistem Komputer.
Vol.
No.
Januari 2023 ISSN: 2715-906X (Onlin.
51717/simkom.
Gambar 3.
Alur Tahapan Penyelesaian Pengumpulan Data Metode pengumpulan data pada penelitian ini menggunakan data dataset global yang diperoleh dari w.
com, ada dua dataset time series, yaitu:
Data jumlah pengunjung negara Taiwan dengan frekuensi waktu bulanan dari tahun 2011 sampai tahun 2018, ada 96 data record.
Pada dataset ini, peneliti hanya memilih jumlah pengunjung dari negara Indonesia saja, untuk lebih menyederhanakan proses analisis.
Data jumlah kedatangan penumpang di Changi Airport Singapura, dengan frekuensi waktu bulanan dari tahun 2009 sampai tahun 2019, ada 132 data record.
Kedua dataset tersebut merupakan data time series univariate yang memiliki frekuensi waktu bulanan.
Pengolahan data Sebelum melakukan eksperimen dan pengujian data, tahap yang harus dilakukan adalah melakukan pengolahan data pada tahap preprocessing.
Pengolahan data dilakukan pada pada masing-masing metode, yaitu Pada metode SARIMA tahap preprocessing pada metode SARIMA menggunakan metode Sedangkan pada model model LSTM, dataset terlebih dahulu dinormalisasi guna mengurangi tingkat nilai error.
Teknik normalisai min-max scalling akan digunakan pada kedua dataset Min-max scalling adalah mengubah data real menjadi nilai range interval dengan persamaan berikut .
http://e-jurnal.
id/index.
php/simkom Jurnal Sistem Informasi dan Sistem Komputer.
Vol.
No.
Januari 2023 ISSN: 2715-906X (Onlin.
51717/simkom.
Eksperimen Tahap ini merupakan tahap pengujian pada masing-masing data, yaitu data jumlah pengunjung wisatawan dan data kedatangan penumpang di Changi Airport Singapura yang dilakukan dengan menggunakan metode Prophet.
LTSM, dan SARIMA untuk mendapatkan nilai MSE dan RMSE terkecil.
Hasil dan Pembahasan Sebelum melakukan forecasting, analisis data diperlukan guna mendapatkan insight dari data time series tersebut.
Berikut akan ditampilkan line plot diagram dari kedua dataset tersebut:
Gambar 4.
Data Pengunjung Taiwan dari Indonesia Dari line plot diagram tersebut, dapat dilihat jumlah pengunjung cukup fluktuatif setiap tahunnya, dan memiliki hampir pola seasonality di setiap tahunnya.
Untuk lebih jelasnya, berikut line plot diagram dengan sample periode 3 tahun saja.
Gambar 5.
Data Pengunjung Taiwan dari Indonesia tahun 2012-2014 Terlihat cukup jelas fluktuasi jumlah pengunjung mengalami pola seasonality yang sama setiap Jumlah pengunjung selalu meningkat di bulan Agustus dan Desember hal ini diperkirakan karena liburan sekolah akhir semester, dan juga liburan akhir tahun.
Namun jumlah pengunjung akan kembali menurun di bulan Februari dan Januari.
Setiap data time series harus setidaknya memiliki tiga unsur ini.
Trend.
Seasonality, dan Resdiual.
Berikut line diagram dari ketiga unsur tersebut pada dataset jumlah pengunjung Taiwan dari Indonesia:
http://e-jurnal.
id/index.
php/simkom Jurnal Sistem Informasi dan Sistem Komputer.
Vol.
No.
Januari 2023 ISSN: 2715-906X (Onlin.
51717/simkom.
Gambar 6.
Tren.
Seasonal, dan Residual Pengunjung Taiwan dari Indonesia Data tersebut memiliki tren yang cukup stabil di tahun 2011-2016, dan memiliki tren yang meningkat .
di tahun 2016-2018.
Seasonality data tersebut juga cukup terlihat signifikan.
Gambar 7.
Data Jumlah Kedatangan Penumpang di Changi Airport Singapura Gambar 8.
Tren.
Seasonal, dan Residual Jumlah Kedatangan Penumpang di Changi Airport Singapura Tidak jauh berbeda dengan data pengunjung di Taiwan, pada dataset jumlah kedatangan penumpang di Changi airport juga cukup fluktuatif.
Terdapat pola seasonality yang terjadi hampir setiap tahunnya, jumlah kedatangan penumpang meningkat di bulan Juli dan Desember, dan kembali turun di bulan Februari.
Tren yang dimiliki cukup kuat, disini terdapat tren meingkat .
Pada tahap implementasi dan hasil model time series forecasting ini akan dilakukan percobaan forcesting pada kedua dataset tersebut.
Model yang akan digunakan adalah SARIMA.
LSTM (RNN) dan http://e-jurnal.
id/index.
php/simkom Jurnal Sistem Informasi dan Sistem Komputer.
Vol.
No.
Januari 2023 ISSN: 2715-906X (Onlin.
51717/simkom.
Prophet Forcesting Model.
Dalam implementasi ini semua dataset akan dibagi menjadi dua, yaitu data latih, dan data uji guna memvalidasi hasil implementasi model pada data latih.
Untuk dataset jumlah pengunjung Taiwan dari Indonesia, data latihnya berjumlah 84 .
alam rentang waktu 2011-2.
, dan data ujinya berjumlah 12 .
tahun terakhir, 2.
Sedangkan untuk dataset jumlah kedatangan penumpang di Changi Airport, data latih berjumlah 120 .
alam rentang waktu 2009-2.
, dan data uji berjumlah 12 .
tahun terakhir 2.
Berikut line plot data latih dan data uji dari kedua dataset tersebut:
Gambar 9.
Data latih dan data uji dataset jumlah pengunjung Taiwan dari Indonesia Gambar 10.
Data latih dan data uji dataset jumlah Kedatangan Penumpang di Changi Airport Singapura Implementasi Hasil SARIMA Pada Model Seasonal Auto Integrated Moving Average ini, dataset tersebut haruslah bersifat Jika data tersebut tidak stationary dapat dilakukan sebuah preprocessing yaitu dengan metode Oleh karena itu, untuk mengetahui dataset tersebut stationary atau tidak, dapat dilakukan stationary test yang salah satunya dengan teknik Dickey Fuller Statistical Test.
Berikut hasil dari Dickey Fuller Statistical Test tersebut:
http://e-jurnal.
id/index.
php/simkom Jurnal Sistem Informasi dan Sistem Komputer.
Vol.
No.
Januari 2023 ISSN: 2715-906X (Onlin.
51717/simkom.
Tabel 1 ADF Test Data Pengunjung Taiwan dari Indonesia Dataset Pengunjung Taiwan dari Indonesia Dickey Fuller Statistical Test P-value Used Lags Number of comments used Critical Value .
%) Critical Value .
%) Critical Value .
%) Dickey Fuller Statistical Test Tabel 2 ADF Test Jumlah Kedatangan Penumpang di Changi Airport Singapura Dataset Jumlah Kedatangan Penumpang di Changi Airport Singapura Dickey Fuller Statistical Test P-value Used Lags Number of comments used Critical Value .
%) Critical Value .
%) Critical Value .
%) Berdasarkan hasil ADF tersebut, semua hasil statistic ADF lebih besar dari critical values, jadi dapat disimpulkan bahwa semua dataset bersifat non-stationary.
Hasil test statistik masih juga harus dicocokkan atau dikonfirmasi dengan teknik visual pada diagram line-nya dan harus dilakukan percobaan pada nilai masukan Integrated (I/ Differencin.
saat mengimplementasikan model SARIMA.
Selanjutnya akan dilakukan percobaan menggunakan metode SARIMA, dengan urutan masukan ARIMA .
,d,.
(P,D,Q)s seperti yang dijelaskan pada sub bab 11.
1 sebelumnya.
Nilai masukan tersebut akan dicoba dengan nilai differencing yang berbeda lalu akan dikomparasi hasil RMSE dan MSE nya pada data latih.
Model SARIMA pada dataset pengunjung Taiwan dari Indonesia Hasil eksperimen dengan model SARIMA pada dataset pengunjung di Taiwan dari Indonesia ditunjukkan pada tabel 3 di bawah ini.
Tabel 3 Hasil SARIMA Forecasting .
,d,.
(P,D,Q)s MSE ,0,.
,1,.
,1,.
,1,.
319425,29
2926073,47
RMSE
565,18
1710,58
Dari hasil percobaan pada data latih lalu dilakukan validasi pada data uji, didapatkan nilai masukan ARIMA .
,0,.
,1,.
12 memiliki nilai MSE dan RMSE yang paling kecil.
Berikut line plot hasil forecasting menggunakan model SARIMA pada data latih:
http://e-jurnal.
id/index.
php/simkom Jurnal Sistem Informasi dan Sistem Komputer.
Vol.
No.
Januari 2023 ISSN: 2715-906X (Onlin.
51717/simkom.
Gambar 11.
Perbandingan data uji dengan hasil prediksi SARIMA .
,0,.
,1,.
12 Model SARIMA pada dataset jumlah kedatangan penumpang di Changi Airport Hasil eksperimen dengan model SARIMA pada dataset pengunjung di Taiwan dari Indonesia ditunjukkan pada tabel 3 di bawah ini.
Tabel 4 Hasil SARIMA Forecasting .
,d,.
(P,D,Q)s MSE
RMSE
,0,.
,1,.
,1,.
,1,.
172212,1316
153141,864
Dari hasil percobaan pada data latih lalu dilakukan validasi pada data uji, didapati bahwa nilai masukan ARIMA .
,1,.
,1,.
12 memiliki nilai MSE dan RMSE yang paling kecil.
Berikut line plot hasil forecasting menggunakan model SARIMA pada data latih:
Gambar 12 Perbandingan data uji dengan hasil prediksi SARIMA .
,1,.
,1,.
12 Implementasi LSTM RNN Preprocessing Sebelum melakukan percobaan model LSTM, dataset terlebih dahulu dinormalisasi guna mengurangi tingkat nilai error.
Teknik normalisai min-max scalling akan digunakan pada kedua dataset tersebut.
Min-max scalling adalah mengubah data real menjadi nilai range interval .
Long-short Term Memory (LSTM) RNN Setelah melakukan preprocessing selanjutnya akan dilakukan percobaan forecasting menggunakan model LSTM.
Pada LSTM disini, menggunakan 1 hidden layer dengan 200 dimensi, dan menggunakan activation function ReLu, serta Epoch= 100.
Berikut hasil MSE dan RMSE dari LSMTM pada kedua dataset masing-masing.
http://e-jurnal.
id/index.
php/simkom Jurnal Sistem Informasi dan Sistem Komputer.
Vol.
No.
Januari 2023 ISSN: 2715-906X (Onlin.
51717/simkom.
Tabel 5 Hasil LSTM Forecasting Jumlah Pengunjung di Taiwan dari Indonesia
LSTM: Dataset Jumlah Pengunjung Taiwan dari Indonesia
MSE
RMSE
1813932,153
1346,822985
Gambar 13 Perbandingan data uji dengan hasil prediksi LSTM Dataset Pengunjung Taiwan Tabel 6 Hasil LSTM Forecasting Jumlah Kedatangan Penumpang di Changi Airport
LSTM: Dataset Jumlah Kedatangan Penumpang di Changi Airport
MSE
RMSE
157503,0781
Gambar 14 Perbandingan data uji dengan hasil prediksi LSTM Dataset Kedatangan Changi Airport Implementasi Prophet Forecasting Model Berikut hasil MSE & RMSE dari percobaan forecasting menggunakan model Prophet, dengan masukan pada persamaan yang sudah dijelaskan pada sub bab 2.
Tabel 7 Hasil Prophet Forecasting Prophet: Dataset Jumlah Pengunjung Taiwan dari Indonesia
MSE
RMSE
3003489,275
1733,057782
http://e-jurnal.
id/index.
php/simkom Jurnal Sistem Informasi dan Sistem Komputer.
Vol.
No.
Januari 2023 ISSN: 2715-906X (Onlin.
51717/simkom.
Gambar 15 Perbandingan data uji dengan hasil prediksi Prophet Dataset Pengunjung Taiwan Tabel 8 Hasil Prophet Forecasting Prophet: Dataset Jumlah Kedatangan Penumpang di Changi Airport
MSE
RMSE
156711,3638
Gambar 16 Perbandingan data uji dengan hasil prediksi Prophet Dataset Kedatangan Changi Airport Berikut adalah hasil komparasi dari hasil semua percobaan pada tiga model forecasting yaitu SARIMA.
LSTM, dan Prophet:
Tabel 9 Komparasi Tiga Model Forecasting Dataset Jumlah Pengunjung Taiwan dari Indonesia
Model
RMSE
MSE
SARIMA
LSTM
Prophet
Tabel 10 Perbandingan Data Real dan Hasil Forecasting Data Uji Pengunjung Taiwan dari Indonesia
Month
Real
ARIMA
LSTM
Prophet
01/18
02/18
03/18
04/18
05/18
06/18
07/18
08/18
09/18
10/18
11/18
12/18
http://e-jurnal.
id/index.
php/simkom Jurnal Sistem Informasi dan Sistem Komputer.
Vol.
No.
Januari 2023 ISSN: 2715-906X (Onlin.
51717/simkom.
Tabel 11 Komparasi Tiga Model Forecasting Dataset Jumlah Kedatangan Penumpang di Changi Airport
Model
RMSE
MSE
SARIMA
LSTM
Prophet
Tabel 12 Perbandingan Data Real dan Hasil Forecasting pada Data Uji Jumlah Kedatangan Changi
Airport Singapura
Month
Real
ARIMA
LSTM
Prophet
01/19
02/19
03/19
04/19
05/19
06/19
07/19
08/19
09/19
10/19
11/19
12/19
Berdasarkan hasil pengujian pada Data jumlah pengunjung negara Taiwan dan data jumlah kedatangan penumpang di Changi Airport Singapura, model SARIMA menunjukkan hasil yang lebih baik, hal tersebut juga ditunjukkan pada hasil penelitian .
Kesimpulan dan Saran Prediksi atau forecasting pada kedua dataset time series.
jumlah pengunjung Taiwan dari Indonesia, dan jumlah kedatangan penumpang di Changi Airport menggunakan tiga model forecasting yaitu SARIMA.
LSTM, dan Prophet, dapat diketahui dari hasil komparasi nilai RMSE dan MSE yang diujikan pada data uji, model SARIMA memiliki performa yang paling baik di antara tiga model tersebut, dengan nilai RMSE dan MSE yang paling kecil.
Daftar Pustaka