TEKNIK DATA MINING UNTUK MENGKLASIFIKASIKAN DATA ULASAN DESTINASI WISATA MENGGUNAKAN REDUKSI DATA PRINCIPAL COMPONENT ANALYSIS (PCA)

Alven Safik Ritonga, Isnaini Muhandhis

Abstract


Peningkatan kunjungan wisatawan ke suatu destinasi wisata, dipengaruhi oleh kepuasan wisatawan waktu berkunjung. Untuk mengetahui suatu destinasi pariwisata sudah sesuai dengan yang diharapkan wisatawan, perlu dilakukan evaluasi terhadap kepuasan wisatawan. Tujuan penelitian ini adalah mendapatkan model klasifikasi yang mempunyai akurasi tinggi dalam melakukan klasifikasi ulasan kepuasan destinasi wisata dan menghasilkan alat bantu untuk pengambilan keputusan dalam pengembagan destinasi wisata. Data yang dipakai pada penelitian ini dimensinya cukup besar, hal ini nantinya membuat waktu komputasi untuk pengklasifikasian makin lama, membuat analisis tidak praktis atau tidak layak, maka reduksi dimensi data diterapkan pada penelitian ini untuk mendapatkan dimensi data yang jauh lebih kecil, namun tetap mempertahankan integritas data asli. Metode yang digunakan untuk pengklasifikasian ulasan kepuasan destinasi wisata adalah kombinasi antara metode Principal Component Analysis (PCA) sebagai metode reduksi dimensi data, dengan tiga metode data mining berikut ini; Support Vector Machine (SVM), Jaringan Saraf Tiruan (JST), dan Decision Trees. Penelitian ini menggunakan data kedua yang diambil dari UCI Machine Learning Repository. Hasil penelitian dengan mengkombinasikan PCA pada ketiga metode memperlihatkan bahwa akurasi klasifikasi lebih baik untuk beberapa metode. Dari ketiga metode yang dipakai, SVM-PCA mempunyai akurasi yang lebih baik dengan 91,50% disusul oleh metode ANN-PCA sebesar 89,46% dan metode Decision-PCA sebesar 88,78%.

             


Full Text:

PDF

References


Analisis Kesiapan Destinasi Dalam Rangka Pencapaian Target 20 Juta Wisman Pada Tahun 2019 (n,d). Rettrieved, tanggal download 22-03-2020. Kementerian Pariwisata dan Ekonomi Kreatif, http://www.kemenparekraf.go.id/index.php/post/penelitian.

Han, J., Kamber,M., dan Pei, J., 2012, Data Mining Concepts and Techniques, Morgan Kaufmann Publishers, Waltham.

Higa, A. (2018),” Diagnosis of Breast Cancer using Decision Tree and

Artificial Neural Network Algorithms”, International Journal of Computer Applications Technology and Research, Vol. 7, No. 1, p. 23-27.

Irawan, G. A., dan Muliantara, A.(2017), “ Prediksi Kesuburan (Fertility) dengan Menggunakan Principal Component Analysis dan Klasifikasi Naive Bayes”, Jurnal Ilmiah Ilmu Komputer, Vol. 10, No. 2., p. 10-14.

Nasution, A.D., Khotimah, H.H., dan Chamidah,N. (2019). “Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan Algoritma K-NN”, Journal of Computer Engineering System and Science, Vol. 4, No.1., p.78-82.

Pitana, I G. dan Putu G. Gayatri. 2005, Sosiologi Pariwisata, Penerbit Andi, Denpasar.

Rahman, MA., Hossain, MF., Hossain, M., dan Ahmmed, R. (2020),” Employing PCA and t-statistical approach for feature extraction and classification of emotion from multichannel EEG signal”, Egyptian Informatics Journal, Vol. 21, p.23-35.

Santosa, B., 2007, Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis, Graha Ilmu, Yogyakarta.




DOI: https://doi.org/10.21107/edutic.v7i2.9247

Refbacks

  • There are currently no refbacks.




Indexed by:
Sinta 3 Google ScholarCrossrefDimensionsWorldcatScilit MDPIROAD


J. Ilm. Edutic is licensed under a Creative Commons Attribution 4.0 International License