Prediksi kunjungan Museum Mpu Purwa dengan pendekatan Neural Basis Expansion Analysis for Interpretable Time Series Forecasting (N-BEATS)

INDONESIA:

Penelitian ini bertujuan untuk memprediksi jumlah kunjungan harian pada Museum Mpu Purwa menggunakan model deep learning berbasis N-BEATS (Neural Basis Expansion Analysis for Time Series). Latar belakang penelitian ini didasarkan pada pentingnya peramalan jumlah pengunjung sebagai dasar pengambilan keputusan dalam pengelolaan museum, terutama dalam perencanaan operasional dan strategi peningkatan kunjungan. Metode yang digunakan adalah pendekatan time series forecasting dengan memanfaatkan data historis kunjungan harian. Penelitian ini menguji beberapa kombinasi hyperparameter, yaitu lookback window (14 dan 30), jumlah block (1 dan 2), serta learning rate (0.001 dan 0.0005). Selain itu, dilakukan tiga skenario pembagian data, yaitu 70:15:15, 80:10:10, dan 90:05:05 untuk data latih, validasi, dan uji. Evaluasi kinerja model dilakukan menggunakan tiga metrik, yaitu Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Symmetric Mean Absolute Percentage Error (SMAPE). Hasil penelitian menunjukkan bahwa performa model dipengaruhi oleh kombinasi hyperparameter dan proporsi data latih. Skenario pembagian data 90:05:05 menghasilkan performa terbaik dengan nilai error yang lebih rendah dibandingkan skenario lainnya. Penggunaan lookback 30 terbukti lebih efektif dalam menangkap pola data dibandingkan lookback 14. Dari seluruh percobaan, model terbaik diperoleh pada konfigurasi lookback 30, block 1, dan learning rate 0.001 dengan nilai MAE sebesar 5.15, RMSE sebesar 6.69, dan SMAPE sebesar 11.31% pada pengujian menggunakan data terbaru. Secara keseluruhan, model N-BEATS mampu mengikuti pola tren data kunjungan museum dengan cukup baik, meskipun masih terdapat keterbatasan dalam menangkap perubahan yang bersifat cepat atau fluktuasi ekstrem. Hasil penelitian ini diharapkan dapat menjadi referensi dalam penerapan metode deep learning untuk peramalan jumlah pengunjung serta mendukung pengambilan keputusan dalam pengelolaan museum.

ENGLISH:

This study aims to predict daily visitor numbers at the Mpu Purwa Museum using an N-BEATS (Neural Basis Expansion Analysis for Time Series)-based deep learning model. The rationale for this study stems from the importance of forecasting visitor numbers as a basis for decision-making in museum management, particularly in operational planning and strategies to increase visitor numbers. The method used is a time series forecasting approach utilizing historical daily visitation data. This study tested several hyperparameter combinations, namely the lookback window (14 and 30), the number of blocks (1 and 2), and the learning rate (0.001 and 0.0005). Additionally, three data splitting scenarios were applied: 70:15:15, 80:10:10, and 90:05:05 for training, validation, and test data, respectively. Model performance was evaluated using three metrics: Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and Symmetric Mean Absolute Percentage Error (SMAPE). The results indicate that model performance is influenced by the combination of hyperparameters and the proportion of training data. The 90:05:05 data split scenario yielded the best performance with lower error values compared to the other scenarios. A lookback of 30 proved to be more effective at capturing data patterns than a lookback of 14. Across all experiments, the best model was obtained with a lookback of 30, a block size of 1, and a learning rate of 0.001, yielding an MAE of 5.15, an RMSE of 6.69, and an SMAPE of 11.31% in testing using the latest data. Overall, the N-BEATS model was able to follow the trends in museum visitation data quite well, although there are still limitations in capturing rapid changes or extreme fluctuations. The results of this study are expected to serve as a reference in the application of deep learning methods for visitor forecasting and to support decision-making in museum management.

ARABIC:

يهدف هذا البحث إلى توقع عدد الزيارات اليومية لمتحف مبو بوروا باستخدام نموذج التعلم العميق القائم على NBEATS (تحليل التوسع العصبي الأساسي للسلاسل الزمنية). ويستند خلفية هذا البحث إلى أهمية توقع عدد الزوار كأساس لاتخاذ القرارات في إدارة المتحف، لا سيما في التخطيط التشغيلي واستراتيجيات زيادة عدد الزيارات. الطريقة المستخدمة هي نهج التنبؤ بالسلاسل الزمنية (time series forecasting) باستخدام البيانات التاريخية للزيارات اليومية. تختبر هذه الدراسة عدة مجموعات من المعلمات الفائقة، وهي نافذة الرجوع (14 و30)، وعدد الكتل (1 و2)، ومعدل التعلم (0.001 و0.0005). بالإضافة إلى ذلك، تم تنفيذ ثلاثة سيناريوهات لتقسيم البيانات، وهي 70:15:15، و80:10:10، و90:05:05 لبيانات التدريب والتحقق والاختبار. تم تقييم أداء النموذج باستخدام ثلاثة مقاييس، وهي الخطأ المطلق المتوسط (MAE)، والخطأ المربع المتوسط الجذري (RMSE)، والخطأ المطلق المتوسط المتماثل (SMAPE). أظهرت نتائج البحث أن أداء النموذج يتأثر بمزيج المعلمات الفائقة ونسبة بيانات التدريب. أسفر سيناريو تقسيم البيانات 90:05:05 عن أفضل أداء مع قيمة خطأ أقل مقارنة بالسيناريوهات الأخرى.. أثبت استخدام فترة الرجوع (lookback) البالغة 30 يومًا فعاليته في التقاط أنماط البيانات مقارنةً بفترة الرجوع البالغة 14 يومًا. ومن بين جميع التجارب، تم الحصول على أفضل نموذج عند استخدام إعدادات فترة الرجوع 30 يومًا، وكتلة واحدة، ومعدل التعلم 0.001، حيث بلغت قيمة MAE 5.15، و RMSE 6.69، و SMAPE 11.31% في الاختبار الذي استخدم أحدث البيانات. بشكل عام، تمكن نموذج N-BEATS من تتبع أنماط اتجاهات بيانات زيارات المتحف بشكل جيد، على الرغم من وجود بعض القيود في التقاط التغيرات السريعة أو التقلبات الشديدة. ومن المتوقع أن تشكل نتائج هذا البحث مرجعًا في تطبيق طرق التعلم العميق للتنبؤ بعدد الزوار ودعم عملية اتخاذ القرار في إدارة المتاحف.