Perbandingan Algoritma Support Vector Machine (SVM) dan Decision Tree untuk Sistem Rekomendasi Tempat Wisata
Industri pariwisata Indonesia berkembang dari tahun ke tahun. Daerah Istimewa Yogyakarta merupakan salah satu provinsi yang memiliki banyak destinasi wisata. Pertumbuhan internet dan teknologi informasi juga menjadi faktor dalam industri pariwisata Indonesia. Dengan adanya informasi mengenai pariwis...
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | Indonesian |
| Published: |
Universitas Andalas
2023-08-01
|
| Series: | Jurnal Teknologi dan Sistem Informasi |
| Subjects: | |
| Online Access: | https://teknosi.fti.unand.ac.id/index.php/teknosi/article/view/2280 |
| _version_ | 1797676757833220096 |
|---|---|
| author | Rian Oktafiani Rianto Rianto |
| author_facet | Rian Oktafiani Rianto Rianto |
| author_sort | Rian Oktafiani |
| collection | DOAJ |
| description | Industri pariwisata Indonesia berkembang dari tahun ke tahun. Daerah Istimewa Yogyakarta merupakan salah satu provinsi yang memiliki banyak destinasi wisata. Pertumbuhan internet dan teknologi informasi juga menjadi faktor dalam industri pariwisata Indonesia. Dengan adanya informasi mengenai pariwisata di internet, dapat memudahkan wisatawan untuk mencari informasi. Namun, karena jumlah informasi yang sangat banyak akan membuat wisatawan kebingungan untuk menentukan tujuan wisata. Selain itu, wisata lokal memiliki potensi yang cukup tinggi untuk membantu perekonomian daerah, namun saat ini belum dieksplorasi secara maksimal. Sistem rekomendasi dan kemampuan klasifikasi tempat wisata diperlukan untuk memberikan akurasi rekomendasi yang baik. Untuk menentukan jumlah fitur yang paling menguntungkan untuk klasifikasi lokasi wisata, Teknik Principal Component Analysis (PCA) digunakan dalam penelitian ini untuk membandingkan metodologi Support Vector Machine (SVM) dan Decision Tree (DT). Hasilnya menunjukkan bahwa, dengan nilai akurasi 98.97% penerapan PCA dengan nilai n=5 dan berada pada perbandingan Split Data 75% : 25%, pendekatan SVM memiliki performa lebih baik daripada metode Decision Tree. Metode Decision Tree juga memiliki performa yang baik, dengan menggunakan PCA dengan nilai n=5, Decision Tree memiliki akurasi 96.55% yang berada pada perbandingan Split Data 85% : 15%. |
| first_indexed | 2024-03-11T22:34:56Z |
| format | Article |
| id | doaj.art-860c4ed109cf4fc694b675b59b10d2d1 |
| institution | Directory Open Access Journal |
| issn | 2460-3465 2476-8812 |
| language | Indonesian |
| last_indexed | 2024-03-11T22:34:56Z |
| publishDate | 2023-08-01 |
| publisher | Universitas Andalas |
| record_format | Article |
| series | Jurnal Teknologi dan Sistem Informasi |
| spelling | doaj.art-860c4ed109cf4fc694b675b59b10d2d12023-09-22T15:52:21ZindUniversitas AndalasJurnal Teknologi dan Sistem Informasi2460-34652476-88122023-08-019211312110.25077/TEKNOSI.v9i2.2023.113-121212Perbandingan Algoritma Support Vector Machine (SVM) dan Decision Tree untuk Sistem Rekomendasi Tempat WisataRian Oktafiani0Rianto Rianto1Magister Teknologi Informasi, Universitas Teknologi YogyakartaMagister Teknologi Informasi, Universitas Teknologi YogyakartaIndustri pariwisata Indonesia berkembang dari tahun ke tahun. Daerah Istimewa Yogyakarta merupakan salah satu provinsi yang memiliki banyak destinasi wisata. Pertumbuhan internet dan teknologi informasi juga menjadi faktor dalam industri pariwisata Indonesia. Dengan adanya informasi mengenai pariwisata di internet, dapat memudahkan wisatawan untuk mencari informasi. Namun, karena jumlah informasi yang sangat banyak akan membuat wisatawan kebingungan untuk menentukan tujuan wisata. Selain itu, wisata lokal memiliki potensi yang cukup tinggi untuk membantu perekonomian daerah, namun saat ini belum dieksplorasi secara maksimal. Sistem rekomendasi dan kemampuan klasifikasi tempat wisata diperlukan untuk memberikan akurasi rekomendasi yang baik. Untuk menentukan jumlah fitur yang paling menguntungkan untuk klasifikasi lokasi wisata, Teknik Principal Component Analysis (PCA) digunakan dalam penelitian ini untuk membandingkan metodologi Support Vector Machine (SVM) dan Decision Tree (DT). Hasilnya menunjukkan bahwa, dengan nilai akurasi 98.97% penerapan PCA dengan nilai n=5 dan berada pada perbandingan Split Data 75% : 25%, pendekatan SVM memiliki performa lebih baik daripada metode Decision Tree. Metode Decision Tree juga memiliki performa yang baik, dengan menggunakan PCA dengan nilai n=5, Decision Tree memiliki akurasi 96.55% yang berada pada perbandingan Split Data 85% : 15%.https://teknosi.fti.unand.ac.id/index.php/teknosi/article/view/2280decision treeprincipal component analysissupport vector machinesistem rekomendasi wisata |
| spellingShingle | Rian Oktafiani Rianto Rianto Perbandingan Algoritma Support Vector Machine (SVM) dan Decision Tree untuk Sistem Rekomendasi Tempat Wisata Jurnal Teknologi dan Sistem Informasi decision tree principal component analysis support vector machine sistem rekomendasi wisata |
| title | Perbandingan Algoritma Support Vector Machine (SVM) dan Decision Tree untuk Sistem Rekomendasi Tempat Wisata |
| title_full | Perbandingan Algoritma Support Vector Machine (SVM) dan Decision Tree untuk Sistem Rekomendasi Tempat Wisata |
| title_fullStr | Perbandingan Algoritma Support Vector Machine (SVM) dan Decision Tree untuk Sistem Rekomendasi Tempat Wisata |
| title_full_unstemmed | Perbandingan Algoritma Support Vector Machine (SVM) dan Decision Tree untuk Sistem Rekomendasi Tempat Wisata |
| title_short | Perbandingan Algoritma Support Vector Machine (SVM) dan Decision Tree untuk Sistem Rekomendasi Tempat Wisata |
| title_sort | perbandingan algoritma support vector machine svm dan decision tree untuk sistem rekomendasi tempat wisata |
| topic | decision tree principal component analysis support vector machine sistem rekomendasi wisata |
| url | https://teknosi.fti.unand.ac.id/index.php/teknosi/article/view/2280 |
| work_keys_str_mv | AT rianoktafiani perbandinganalgoritmasupportvectormachinesvmdandecisiontreeuntuksistemrekomendasitempatwisata AT riantorianto perbandinganalgoritmasupportvectormachinesvmdandecisiontreeuntuksistemrekomendasitempatwisata |