PREDIKSI JUMLAH HOTEL DAN RESTAURANT TUTUP AKIBAT DAMPAK COVID-19 MENGGUNAKAN BACKPROPAGATION DAN ADAPTIVE NEURO FUZZY
DOI:
https://doi.org/10.30587/indexia.v3i2.3038Keywords:
Backpropagation, Adaptive Neuro Fuzzy, Covid-19, Prediksi, Neural NetworkAbstract
Corona Virus Disease (Covid-19) telah menjadi bencana dunia karena menyerang banyak korban di seluruh dunia dan mengakibatkan kematian. Karena virus tersebut menyerang di beberapa negara termasuk Indonesia, pemerintah Indonesia membuat keputusan untuk menutup hotel dan restaurant sebagai pencegahan Covid-19. Pada penelitian ini, metode prediksi akan dilakukan menggunakan Backpropagation dan Adaptive Neuro Fuzzy. Pada prediksi jumlah hotel dan restaurant yang tutup menggunakan Backpropagation dan Adaptive Neuro Fuzzy, dibutuhkan beberapa input seperti jumlah korban di Jakarta, jumlah korban di Indonesia, dan jumlah korban di dunia. Backpropagation dan Adaptive Neuro Fuzzy dapat menghasilkan prediksi jumlah hotel dan restaurant yang tutup mendekati nilai target. Simulasi diterapkan dengan membagi dataset ke dalam data training (80%) dan data testing (20%). Dari simulasi Backpropagation, Backpropagation dapat menghasilkan prediksi jumlah hotel dan restaurant yang tutup pada data training dengan optimal RMSE adalah 9,2422 dan data testing dengan optimal RMSE adalah 8,9419. Dari simulasi Adaptive Neuro Fuzzy, Adaptive Neuro Fuzzy dapat membuat prediksi jumlah hotel dan restaurant yang tutup pada data training dengan optimal RMSE adalah 0,5324 dan testing data dengan optimal RMSE adalah 5,3198.
References
[2] M.S. Pradana, D. Rahmalia, E.D.A. Prahastini (2020). Peramalan Nilai Tukar Petani Kabupaten Lamongan dengan ARIMA. Jurnal Matematika.[Online].10(2),hal. 91-104.
[3] D. Rahmalia, N. Aini (2018). Pengaruh Korelasi Data pada Peramalan Suhu Udara Menggunakan Backpropagation Neural Network. Zeta-Math Journal.[Online].4(1),hal. 1-6.
[4] D. Rahmalia, M.S. Pradana (2019). Backpropagation Neural Network pada Data yang Tak Stationer (Studi Kasus : Jumlah Penderita Penyakit Ebola). Jurnal Riset dan Aplikasi Matematika (JRAM).[Online].3(1),hal. 32-42.
[5] D. Rahmalia, A. Rohmatulla (2019). Pengaruh Korelasi Data pada Peramalan Kelembaban Udara Menggunakan Adaptive Neuro Fuzzy Inference System. Applied Technology and Computing Science Journal.[Online].2(1),hal. 10-24.
[6] J. Han, M. Kamber, J. Pei, Data Mining Concepts and Techniques. USA: Elsevier, 2012
[7] L. Fausett, Fundamental of Neural Networks. USA: Prentice Hall, 1994
[8] M.Y. Anshori, D. Rahmalia, T. Herlambang. Comparison Backpropagation (BP) and Learning Vector Quantification (LVQ) on Classifying Price Range of Smartphone in Market. Dipresentasikan di ICCGANT.[Online].
[9] J. Shing, R. Jang. ANFIS : Adaptive Network Based Fuzzy Inference System. Dipresentasikan di IEEE Transaction on System, Man and Cybernetics.
[10] D.F. Karya, P. Katias, T. Herlambang, D. Rahmalia. Development of Unscented Kalman Filter Algorithm for Stock Price Estimation. Dipresentasikan di ICCGANT.[Online].
[11] D. Rahmalia, M.S. Pradana, T. Herlambang (2020). Klasifikasi Multi Output pada Harga Smartphone Menggunakan Learning Vector Quantization (LVQ) dan Backpropagation (BP). Systemic Information System and Informatics Journal.[Online].6(2),hal. 14-19.
[12] M.Y. Anshori, D. Rahmalia, T. Herlambang, D.F. Karya. Optimizing Adaptive Neuro Fuzzy Inference System (ANFIS) Parameters Using Cuckoo Search (Case Study of World Crude Oil Price Estimation). Dipresentasikan di ICCGANT.[Online].
[13] D. Rahmalia, T. Herlambang. Comparison between Neural Network (NN) and Adaptive Neuro Fuzzy Inference System (ANFIS) on Sunlight Intensity Prediction Based on Air Temperature and Humidity. Dipresentasikan di ICCGANT.[Online].
[14] D. Rahmalia (2021). Optimizing the Membership Degree of Fuzzy Inference System (FIS) and Fuzzy Clustering Means (FCM) in Weather Data Using Firefly Algorithm. Cauchy Journal.[Online].6(4),hal. 169-180.