<![CDATA[Abstract: This study aims to classify provinces in Indonesia based on tourist stay patterns in star-rated hotels using the Hebb Network method. Computational data is sourced from official publications of the Central Statistics Agency (BPS) covering 38 provinces in Indonesia. The Hebb Network method was chosen because of its effectiveness in linearly adjusting the strength of weights between neurons based on the bipolar correlation of input and output values, thus mapping provinces into three target classes: Low, Medium, and High. The system is implemented using the PHP programming language to facilitate the training and computational testing process. Based on the results of testing 38 test data using the final network weight parameters, the model successfully classified 29 data sets correctly according to their actual target classes. The evaluation results showed that the system achieved an accuracy level of 76.32%. Misclassification of 23.68% generally occurred in data with values in the threshold area due to the dominance of the final network bias parameters. Overall, this model classification is valid in identifying stay patterns, thus providing strategic insights for local governments and tourism industry players in formulating more targeted and data-driven development policies. Keywords: Hebb Network, Classification, Length of Stay, Starred Hotels, Machine Learning, Indonesian Tourism. Abstrak: Penelitian ini bertujuan untuk mengklasifikasikan provinsi di Indonesia berdasarkan pola durasi menginap wisatawan pada hotel berbintang menggunakan metode Jaringan Hebb. Data komputasi bersumber dari publikasi resmi Badan Pusat Statistik (BPS) yang mencakup 38 provinsi di Indonesia. Metode Jaringan Hebb dipilih karena efektivitasnya dalam menyesuaikan kekuatan bobot antar neuron secara linier berdasarkan korelasi nilai masukan dan keluaran bipolar, sehingga mampu memetakan provinsi ke dalam tiga kelas target: Rendah, Sedang, dan Tinggi. Sistem diimplementasikan menggunakan bahasa pemrograman PHP untuk memfasilitasi proses pelatihan dan pengujian komputasi. Berdasarkan hasil pengujian terhadap 38 data uji menggunakan parameter bobot akhir jaringan, model berhasil mengklasifikasikan 29 data dengan tepat sesuai kelas target aktualnya. Hasil evaluasi menunjukkan bahwa sistem mampu mencapai tingkat akurasi sebesar 76,32%. Misklasifikasi sebesar 23,68% umumnya terjadi pada data dengan nilai di area batas ambang (threshold) akibat dominasi parameter bias akhir jaringan. Secara keseluruhan, model klasifikasi ini valid dalam mengidentifikasi pola durasi menginap, sehingga dapat memberikan wawasan strategis bagi pemerintah daerah dan pelaku industri pariwisata dalam merumuskan kebijakan pengembangan yang lebih terarah dan berbasis data. Kata Kunci: Jaringan Hebb, Klasifikasi, Durasi Menginap, Hotel Berbintang, Machine Learning, Pariwisata Indonesia.]]>
Copyrights © 2026
