Implementasi Untuk Prediksi Jumlah Kedatangan Wisatawan Domestik Pulau Bali Menggunakan Algoritme Performance Improved Holt Winters
| Main Author: | Arief, Nabila |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2020
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/id/eprint/193883/1/Nabila%20Arief.pdf http://repository.ub.ac.id/id/eprint/193883/ |
Daftar Isi:
- Pada suatu Daerah Tujuan Wisata (DTW) Kedatangan wisatawan telah memberikan kemakmuran dan kesejahteraan bagi penduduk daerah tersebut. Oleh karena itu pariwisata merupakan sektor yang diandalkan oleh pemerintah di Indonesia untuk menghasilkan devisa negara. Menurut kajian yang telah dilakukan oleh World Travel and Tourism Council (WTTC) pada tahun 2004, sektor pariwisata bersifat Quick Yielding Industry atau cepat menghasilkan membuat sektor pariwisata dapat meningkatkan pendapatan daerah. Namun jumlah kedatangan wisatawan kedalam suatu daerah tidak dapat dipastikan, untuk itu dilakukan prediksi kedatangan wisatawan. Metode yang digunakan pada penelitian ini adalah Performance Improved Holt Winters sehingga dapat diperolehnya informasi terkait prediksi jumlah kedatangan wisatawan domestik ke Pulau Bali. Metode ini digunakan untuk prediksi wisatawan ke Pulau Bali karena metode Performance Improved Holt Winters metode yang cocok digunakan untuk memprediksi pola data yang musiman. Performance Improved Holt Winters menggunakan perhitungan yang melibatkan trend dan musiman yang didasari oleh persamaan smoothing yang terdiri dari persamaan smoothing level (keseluruhan), persamaan smoothing trend dan persamaan smoothing seasonal (musiman) dengan data yang digunakan adalah jumlah kedatangan wisatawan domestik ke Pulau Bali dengan kurun waktu Januari 2004-Desember 2018 yang diperoleh dari bali.bps.go.id, website resmi BPS (Badan Pusat Statistika) Bali. Berdasarkan dari pengujian pada penelitian yang dilakukan, didapat nilai parameter α (alfa) sebesar 0,03; β (beta) sebesar 0,003; γ (gamma) sebesar 0,04 dan nilai MAPE terendah sebesar 8% dengan data latih sebanyak 168 dan data uji sebanyak 12