IMPLEMENTASI RECURRENT NEURAL NETWORK (RNN) UNTUK MEMPREDIKSI JUMLAH KUNJUNGAN WISATAWAN DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA (DIY)

Nabila 'Aqil Mufida, Universitas Negeri Yogyakarta
Syarifah Inayati, Universitas Negeri Yogyakarta

 10.21831/jktm.v12i2.29416

Abstract


Sektor pariwisata di Provinsi Daerah Istimewa Yogyakarta (DIY) memiliki peran strategis terhadap perekonomian daerah, tetapi jumlah kunjungan wisatawan seringkali mengalami fluktuasi signifikan akibat berbagai faktor eksternal. Penelitian ini bertujuan untuk membangun model prediksi jumlah kunjungan wisatawan di Provinsi DIY menggunakan metode Recurrent Neural Network (RNN) dengan jaringan Elman dan mengetahui hasil prediksi. Data yang digunakan adalah data bulanan jumlah kunjungan wisatawan periode Januari 2019 hingga Desember 2024 (72 data) yang bersumber dari Badan Pusat Statistik Provinsi DIY, mencakup tiga periode yaitu prapandemi, pandemi, dan pasca pandemi. Penentuan variabel input dilakukan berdasarkan plot Autocorrelation Function (ACF) yang menghasilkan 3 lag signifikan, sehingga model dibangun dengan 3 variabel input dan 1 variabel output. Data dibagi dengan proporsi 80% data training dan 20% data testing. Pemilihan model terbaik dilakukan melalui trial dan error terhadap jumlah neuron lapisan tersembunyi dari 1 hingga 20 neuron. Model terbaik diperoleh dengan arsitektur 3-9-1 yang menghasilkan nilai MAPE data training sebesar 8,51% (kategori sangat baik) dan MAPE data testing sebesar 13,88% (kategori baik), sehingga menunjukkan kemampuan model yang baik dalam melakukan prediksi pada data yang belum pernah dilihat sebelumnya. Uji diagnostik white noise secara visual menunjukkan bahwa residual tidak memiliki lag yang signifikan, mengindikasikan model telah menangkap seluruh pola sistematis dari data. Hasil prediksi jumlah kunjungan wisatawan tahun 2025 menunjukkan pola musiman yang konsisten dengan data historis, dengan prediksi tertinggi pada bulan Desember 2025 sebesar 5.628.235 kunjungan dan terendah pada bulan Maret 2025 sebesar 1.042.415 kunjungan.

Kata kunci: Jaringan Elman, MAPE, Prediksi Wisatawan, Recurrent Neural Network


Full Text:

PDF

References


Aiziyah, E., Lukmana, A. H., & Abadi, A. M. (2025). Prediksi rate of penetration pada pengeboran minyak bumi dengan Elman recurrent neural network. Journal MIND Journal, 10(2), 145–161. https://doi.org/10.26760/mindjournal.v10i2.145-161

Berlinditya, B., & Noeryanti. (2019). Pemodelan time series dalam peramalan jumlah pengunjung objek wisata di Kabupaten Gunungkidul menggunakan metode ARIMAX efek variasi kalender. Jurnal Statistika Industri Dan Komputasi, 4(1), 81–88.

BPS. (2025). Statistik kunjungan wisatawan mancanegara 2024. https://www.bps.go.id/id/publication/2025/03/20/a85d584df19ea65a5e2b3d0b/statistik-kunjungan-wisatawan-mancanegara-2024

BPS DIY. (2025). Perkembangan pariwisata DIY Agustus 2025. https://yogyakarta.bps.go.id/id/pressrelease/2025/10/01/1663/jumlah-kunjungan-wisatawan-mancanegara-ke-indonesia-melalui-bandara-yia-selama-bulan-agustus-2025-naik-10-88-persen-dibandingkan-juli-2025.html

Difitria, R., Cholissodin, I., & Indriati. (2020). Penerapan support vector regression dan particle swarm optimization untuk prediksi jumlah kunjungan wisatawan mancanegara ke Daerah Istimewa Yogyakarta. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 4(5), 1364–1371.

Ghozi, A. A., Aprianti, A., Dimas, A. D. P., & Fauzi, R. (2022). Analisis prediksi data kasus covid-19 di Provinsi Lampung menggunakan recurrent neural network (RNN). Indonesian Journal of Applied Mathematics, 2(1), 25–32. https://journal.itera.ac.id/index.php/indojam/

Hajjah, A., & Marlim, Y. N. (2021). Analisis error terhadap peramalan data penjualan. Techno.Com, 20(1), 1–9. https://doi.org/10.33633/tc.v20i1.4054

Hanke, J. E. ., & Wichern, D. W. . (2014). Business forecasting (9th ed.). Pearson Educated Limited.

Haykin, S. (1999). Neural network: A comprehensive foundation (2nd ed.). Prentice Hall.

Hsieh, S.-C. (2021). Tourism demand forecasting based on an LSTM network and its variants. Algorithms, 14(8), 243. https://doi.org/10.3390/a14080243

Lu, G., Ou, Y., Wang, Z., Qu, Y., Xia, Y., Tang, D., Kotenko, I., & Li, W. (2025). A survey of deep learning for time series forecasting: Theories, datasets, and state-of-the-art techniques. Computers, Materials and Continua, 85(2), 2403–2441.

https://doi.org/10.32604/cmc.2025.068024

Noho, C. T., & Fajriyah, R. (2023). Analisis peramalan jumlah wisatawan ke DIY menggunakan Holt-Winter’s exponential smoothing. Emerging Statistics and Data Science Journal, 1(1).

Pemda DIY. (2025, Februari 2). Pertumbuhan ekonomi DIY 2024 masih tertinggi se-Pulau Jawa. Portal Pemerintah Daerah Daerah Istimewa Yogyakarta. https://jogjaprov.go.id/berita/detail-berita/pertumbuhan-ekonomi-diy-2024 masih-tertinggi-se-pulau-jawa

Rizal, A. A., & Soraya, S. (2018). Multi time steps prediction dengan recurrent neural network long short term memory. MATRIK : Jurnal Manajemen, Teknik Informatika Dan Rekayasa Komputer, 18(1), 115–124. https://doi.org/10.30812/matrik.v18i1.344

Safitri, B. (2024). Perbandingan kinerja antara metode deep learning dan metode klasik dalam pengenalan pola pada citra medis. Logicloom.Id, 1(2), 1–21.

Siregar, A. M., Jaman, J. H., & Mufti, A. (2021). Analisa prediksi kesehatan masyarakat Indonesia menggunakan recurrent neural network. INTERNAL (Information System Journal), 4(1), 28–34. https://doi.org/10.32627

Sugiartawan, P., & Hartati, S. (2019). Time series data prediction using Elman recurrent neural network on tourist visits in Tanah Lot tourism object. International Journal of Engineering and Advanced Technology, 9(1), 314–320. https://doi.org/10.35940/ijeat.A1833.109119

Sun, S., Wei, Y., Tsui, K.-L., & Wang, S. (2019). Forecasting tourist arrivals with machine learning and internet search index. Tourism Management, 70, 1–10. https://doi.org/10.1016/j.tourman.2018.07.010

Wang, J., Wang, J., Fang, W., & Niu, H. (2016). Financial time series prediction using Elman recurrent random neural networks. Computational Intelligence and Neuroscience, 2016, 1–14. https://doi.org/10.1155/2016/4742515

Wibowo, D. B., & Purwaningsih, T. (2023). Analisis peramalan jumlah pengunjung daya tarik wisata Kabupaten Bantul dengan metode seasonal autoregressive integrated moving average (SARIMA). Emerging Statistics and Data Science Journal, 1(1), 117–127.

Yuhono, T., Hassolthine, C. ramadhona, & Sahara, R. (2024). Prediksi harga steel hot-rolled (HRC) dengan model recurrent neural network (RNN). JEKIN (Jurnal Teknik Informatika), 4(1), 1–9.

Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159–175. https://doi.org/10.1016/S0925-2312(01)00702-0

Zhang, Y., Tan, W. H., & Zeng, Z. (2025). Tourism demand forecasting based on a hybrid temporal neural network model for sustainable tourism. Sustainability, 17(5), 2210. https://doi.org/10.3390/su17052210




DOI: https://doi.org/10.21831/jktm.v12i2.29416

Refbacks

  • There are currently no refbacks.


 

Online ISSN (e-ISSN): 3031-1152

Creative Commons LicenseJurnal Kajian dan Terapan Matematika by https://journal.student.uny.ac.id/index.php/jktm/index is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
 
View My Stats