Prediksi Jumlah Pendaftar Jemaah Umrah Menggunakan Backpropagation dan Regresi Linear pada PT. Hajar Aswad Mubaroq
Prediction of the Registrant Umrah Congregation using Backpropagation and Linear Regression at PT. Hajar Aswad Mubaroq
DOI:
https://doi.org/10.57152/malcom.v4i4.1371Keywords:
Backpropagation, Machine Learning, Prediksi, Regresi Linear, UmrahAbstract
Umrah adalah perjalanan menuju Baitullah (Ka'bah) di Makkah yang dilakukan untuk melaksanakan serangkaian amal ibadah dengan memenuhi persyaratan-persyaratan khusus. PT Hajar Aswad Mubaroq adalah salah satu agen perjalanan umrah yang secara konsisten siap memberikan layanan kepada calon Jemaah Umrah untuk melakukan ibadah di tanah suci. Pada saat ini PT. Hajar Aswad Mubaroq masih melakukan prediksi manual untuk menghitung prediksi jumlah Jemaah yang akan berangkat umrah. Salah satu akibat dari prediksi manual jumlah pendaftar Jemaah umrah dengan akurat adalah perselisihan jumlah booking pesawat yang terkadang terdapat kekurangan dan kelebihan pemesanan. Sehubungan dengan itu penelitian ini bertujuan memprediksi jumlah Jemaah Umrah PT. Hajar Aswad Mubaroq menggunakan Teknik Machine Learning Agar meminimalkan kesalahan dalam pemesanan penerbangan dan meningkatkan efisiensi analisis serta pengambilan kebijakan terkait data yang ada. Teknik Machine Learning yaitu metode Backpropagation dan Regresi Linear. Hasil penelitian menunjukkan performa terbaik untuk prediksi jumlah pendaftar Jemaah umrah PT. Hajar Aswad Mubaroq yaitu menggunakan algoritma Backpropagation dengan nilai RMSE sebesar 0.101 +/- 0.000, R2 sebesar 0.010 +/- 0.021 dan MAPE 19.74% pada percobaan window size 8.
References
Z. Sitorus, “Perancangan Aplikasi Tata Cara Melaksanakan Ibadah Haji Dan Umroh Berdasarkan Syariat Islam Berbasis Android,” J. Pionir LPPM Univ. Asahan, vol. 2, no. 3, pp. 61–69, 2018.
A. Rohmaniya, “Sistem Prediksi Jumlah Jamaah Umroh Di PT. Prabu Nurul Ismi Dengan Menggunakan Metode Moving Average,” Universitas Nahdlatul Ulama Sunan Giri Bojonegoro, 2021.
H. Prihanto and P. Damayanti, “Faktor-Faktor yang Berpengaruh pada Keberlanjutan Usaha Biro Jasa Perjalanan Haji dan Umrah,” J. Manag. Bus. Rev., vol. 19, no. 1, pp. 29–48, 2022, doi: https://doi.org/10.34149/jmbr.v19i1.314.
R. Hasan, “Pemanfaatan Media Sosial Facebook Sebagai Strategi Pemasaran Paket Umrah PT Hajar Aswad Mubaroq Kabupaten Siak,” Universitas Islam Negeri Sultan Syarif Kasim Riau, 2020.
H. A. Fikri, “Prediksi Harga Emas Dengan Algoritma Backpropagation,” J. Sains Komput. Inform., vol. 7, no. 1, pp. 182–189, 2023.
I. H. Harahap, E. Budianita, and I. Afrianty, “Penerapan Algoritma Jaringan Syaraf Tiruan Backpropagation Untuk Prediksi Jumlah Jamaah Pendaftar Haji Provinsi Riau,” Semin. Nas. Teknol. Informasi, Komun. dan Ind. 13, no. November, pp. 32–42, 2021.
D. Anggraini and L. O. A. Rahman, “Prediksi Kondisi Kritis Anak di Ruangan Intensif Melalui Machine Learning?: Tinjauan Literatur,” JKA (Jurnal Keperawatan Abdurrab), vol. 05, no. 02, pp. 62–72, 2022.
A. Z. Hasibuan, G. Ginting, and K. Tampubolon, “Prediksi Jumlah Jamaah Pendaftar Umroh Dan Haji Plus Dengan Algoritma Rough Set ( Studi Kasus?: PT . Annajwa Islamic Tour & Travel ),” Maj. Ilm. INTI, vol. 5, no. 3, pp. 257–261, 2018.
I. W. Supriana, M. A. Raharja, and I. M. S. Bimantara, “Pengembangan Sistem Prediksi Bantuan Program Keluarga Harapan ( PKH ) Berbasis Machine Learning,” vol. 6, no. 1, pp. 1–11, 2023.
Nurhanudin and J. E. Riwurohi, “Prediction Of Number Of Elderly Hajj Registrant Using Backpropagation Artificial Neural Network,” JIKO (Jurnal Inform. dan Komputer), vol. 4, no. 2, pp. 112–121, 2021, doi: 10.33387/jiko.
R. Novita and A. Putri, “Analisis Algoritma Backpropagation Neural Network dalam Permalan Jumlah Benih Ikan,” J. Ilm. Rekayasa dan Manaj. Sist. Inf., vol. 7, no. 2, pp. 201–207, 2021.
R. A. Ahmad, N. Nafi’iyah, and S. Mujilahwati, “Prediksi Nilai Calon Mahasiswa dengan Algoritma Backpropagation (Studi Kasus?: Data Kaggle),” J. Nas. Komputasi dan Teknol. Inf., vol. 3, no. 1, pp. 9–17, 2020.
P. Santoso, H. Abijono, and N. L. Anggreini, “Algoritma Supervised Learning Dan Unsupervised,” vol. 4, no. 2, pp. 315–318, 2021.
Miftahuljannah, A. S. Sunge, and A. T. Zy, “Analisis Prediksi Penjualan Dengan Metode Regresi Linear Di PT. Eagle Industry Indonesia,” JINTEKS (Jurnal Inform. Teknol. dan Sains), vol. 5, no. 3, pp. 398–403, 2023.
V. P. Ramadhan and F. Y. Pamuji, “Analisis Perbandingan Algoritma Forecasting dalam Prediksi Harga Saham LQ45 PT Bank Mandiri Sekuritas ( BMRI ),” J. Teknol. dan Manaj. Inform., vol. 8, no. 1, pp. 39–45, 2022.
J. S. Sebayang and B. Yuniarto, “Berganda, Perbandingan Model Estimasi Artificial Neural Network Optimasi Genetic Algorithm dan Regresi Linier,” Media Stat., vol. 10, no. 1, pp. 13–23, 2017, doi: 10.14710/medstat.10.1.13-23.
N. Nafi and N. N. Aulia, “Prediksi Harga Minyak Sayuran Data Kaggle dengan Regresi Linear Berganda dan Backpropagation,” J. SISFOTENIKA, vol. 12, no. 2, pp. 136–145, 2022.
Masruroh and K. F. Mauladi, “Perbandingan Metode Regresi Linear Dan Neural Network Backpropagation Dalam Prediksi Nilai Ujian Nasional Siswa Smp,” JOUTICA, vol. 5, no. 1, pp. 331–336, 2020.
Amrin, “Analisa Komparasi Neural Network Backpropagation Dan Multiple Linear Regression Untuk Peramalan Tingkat,” J. Tek. Komput. AMIK BSI, vol. II, no. 2, pp. 1–6, 2016.
Wahyudin and H. Purwanto, “Prediksi Kasus Covid-19 Di Indonesia Menggunakan Metode Backpropagation Dan Regresi Linear,” J. Inf. Syst. Applied, Manag. Account. Res., vol. 5, no. 2, pp. 331–339, 2021, doi: 10.52362/jisamar.v5i2.
V. Arinal and M. Azhari, “Penerapan Regresi Linear Untuk Prediksi Harga Beras Di Indonesia,” J. Sains dan Teknol., vol. 5, no. 1, pp. 341–346, 2023.
V. R. Prasetyo, H. Lazuardi, A. A. Mulyono, and C. Lauw, “Penerapan Aplikasi RapidMiner Untuk Prediksi Nilai Tukar Rupiah Terhadap US Dollar Dengan Metode Regresi Linier,” J. Nas. Teknol. dan Sist. Inf., vol. 01, no. 1, pp. 8–17, 2021.
C. Schröerab, F. Kruseb, and J. M. Gómezb, “A Systematic Literature Review on Applying CRISP-DM Process Model,” Elsevier, vol. 181, no. 2019, pp. 526–534, 2021, doi: 10.1016/j.procs.2021.01.199.
S. E. Damayanti, “Analisis Dan Implementasi Framework CRISP-DM ( Cross Industry Standard Process For Data Mining ) Untuk Clustering Perguruan Tinggi Swasta,” 2006.
D. Z. H. Iskandar and Y. Ramdhani, “Optimasi Parameter Random Forest menggunakan Grid Search Untuk Analisis Time series,” PETIR J. Pengkaj. dan Penerapan Tek. Inform., vol. 16, no. 2, pp. 267–277, 2023.
F. R. Ramadani, I. Permana, M. Afdal, and S. Monalisa, “Model for Estimating Waste Generation in Pekanbaru Using Backpropagation Algorithm,” JITE (Journal Informatics Telecommun. Eng. Available, vol. 7, no. 1, pp. 317–327, 2023.
R. Ocviani, Mustakim, Rusliyawati, M. Muharrom, I. Ahmad, and Sepriano, “Classification of Student Graduation Using Backpropagation Neural Network with Features Selection and Dimensions Reduction,” in 2023 5th International Conference on Cybernetics and Intelligent System (ICORIS), 2023, pp. 1–5. doi: 10.1109/ICORIS60118.2023.10352284.
S. A. Putri and Mustakim, “Dimensional Data Unsupervised Learning Using an Analytic Hierarchy Process in Determining Attributes in the Classification Algorithm,” Build. Infromatics, Technol. Sci., vol. 4, no. 1, pp. 235–240, 2022, doi: 10.47065/bits.v4i1.1752.
J. R. Simanungkalit, H. Haviluddin, H. S. Pakpahan, N. Puspitasari, and M. Wati, “Algoritma Backpropagation Neural Network dalam Memprediksi Harga Komoditi Tanaman Karet,” Ilk. J. Ilm., vol. 12, no. 1, pp. 32–38, 2020, doi: 10.33096/ilkom.v12i1.521.32-38.
D. I. Purnama, R. L. Islami, L. Sari, and P. R. Sihombing, “Analisis Klasifikasi Data Tracer Study Dengan Support Vector Machine Dan Neural Network,” J. SISKOM-KB (Sistem Komput. dan Kecerdasan Buatan), vol. 4, no. 2, pp. 46–52, 2021, doi: 10.47970/siskom-kb.v4i2.191.
N. Nafi’iyah, “Perbandingan Regresi Linear , Backpropagation Dan Fuzzy Mamdani Dalam Prediksi Harga Emas,” Semin. Nas. Inov. DAN Apl. Teknol. DI Ind. 2016, pp. 291–296, 2016.
R. E. Wahyuni, “Optimasi Prediksi Inflasi Dengan Neural Network Pada Tahap Windowing?: Adakah Pengaruh Perbedaan Window Size??,” vol. 12, no. 3, pp. 176–181, 2021.
