Penerapan Algoritma Model Regresi pada Angka New Active Cases Covid-19 di Indonesia.

Cintya Cintya, Arif Bijaksana Putra Negara, Tursina Tursina

Abstract


Virus COVID-19 sudah menjadi wabah yang menyebar hampir keseluruh dunia dalam dua tahun terakhir. Kasus aktif COVID-19 dapat menjadi salah satu penyebab penularan virus ini. Hal ini dikarenan, kasus aktif merupakan sebutan bagi sekelompok orang yang dinyatakan positif COVID-19 dan masih dalam masa perawatan. Dalam penerapannya, penggunaan algoritma model regresi untuk memprediksi angka new active cases COVID-19 dapat dilakukan, berdasarkan feature yang berkolerasi baik dengan label. Tujuan dari penelitian ini adalah untuk menganalisa penerapan algoritma model regresi prediksi angka new active cases yang dibangun menggunakan algoritma Multiple Linear Regression dan Neural Network, dengan menambahkan proses optimasi hyperparameter terhadap hyperparameter dari masing-masing algoritma. Berdasarkan hasil pengujian akurasi terhadap kedua model, menunjukkan bahwa error yang dihasilkan oleh kedua model ini dianggap masih cukup besar, namun nilai R2-nya dianggap dapat menjelaskan hubungan antara variabel bebas dengan label yang kuat, serta model dapat mengikuti pola trend dari data aktualnya. Model yang memiliki akurasi terbaik, yaitu model yang dibangun menggunakan algoritma Neural Network yang menghasilkan nilai RMSE = 925.452, Absolute Error = 669.729 dan R2 = 0.866. 


Keywords


COVID-19; New Active Cases; Multiple Linear Regression; Neural Network; Model Regresi

Full Text:

PDF

References


F. Freni et al., “Symptomatology in head and neck district in coronavirus disease (COVID-19): A possible neuroinvasive action of SARS-CoV-2,” Am. J. Otolaryngol. - Head Neck Med. Surg., vol. 41, no. 5, p. 102612, 2020, doi: 10.1016/j.amjoto.2020.102612.

E. M. Jesiani, A. Apriansyah, and R. Adriat, “Model Pendugaan Evaporasi dari Suhu Udara dan Kelembaban Udara Menggunakan Metode Regresi Linier Berganda di Kota Pontianak,” Prism. Fis., vol. 7, no. 1, p. 46, 2019, doi: 10.26418/pf.v7i1.32515.

A. E. MINARNO, M. H. C. MANDIRI, and M. R. ALFARIZY, “Klasifikasi COVID-19 menggunakan Filter Gabor dan CNN dengan Hyperparameter Tuning,” ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. Tek. Elektron., vol. 9, no. 3, p. 493, 2021, doi: 10.26760/elkomika.v9i3.493.

S. Rath, A. Tripathy, and A. R. Tripathy, “Prediction of new active cases of coronavirus disease (COVID-19) pandemic using multiple linear regression model,” Diabetes Metab. Syndr. Clin. Res. Rev., vol. 14, no. 5, pp. 1467–1474, 2020, doi: 10.1016/j.dsx.2020.07.045.

H. R. Niazkar and M. Niazkar, “Application of artificial neural networks to predict the COVID-19 outbreak,” Glob. Heal. Res. Policy, vol. 5, no. 1, 2020, doi: 10.1186/s41256-020-00175-y.

N. Susanti, “Penerapan Model Neural Network Backpropagation untuk Prediksi Harga Ayam,” Semin. Nas. Teknol. Ind. dan Inform., pp. 325–332, 2014.

S. P. NYONI, T. NYONI, and T. A. CHIHOHO, “Prediction of Daily New Cases of Covid-19 in Brazil Using Artificial Neural Networks,” Researchgate.Net, no. December, 2020, [Online]. Available: https://www.researchgate.net/profile/Thabani_Nyoni2/publication/347509979_PREDICTION_OF_DAILY_NEW_CASES_OF_COVID-19_IN_BRAZIL_USING_ARTIFICIAL_NEURAL_NETWORKS/links/5fdf27cb45851553a0d64bf0/PREDICTION-OF-DAILY-NEW-CASES-OF-COVID-19-IN-BRAZIL-USING-ARTIFIC.

A. S. Argawu, G. Gobebo, K. Bedane, T. Senbeto, R. Lemessa, and A. Galdassa, “Prediction of COVID-19 New Cases Using Multiple Linear Regression Model Based on May to June 2020 Data in Ethiopia,” J. Pharm. Res. Int., no. January 2022, pp. 54–63, 2021, doi: 10.9734/jpri/2021/v33i51a33468.

M. Tranmer, J. Murphy, M. Elliot, and M. Pampaka, “Multiple Linear Regression (2nd Edition),” Cathie Marsh Inst. Work. Pap., no. 01, p. 59, 2020, [Online]. Available: https://hummedia.manchester.ac.uk/institutes/cmist/archive-publications/working-papers/2020/2020-1-multiple-linear-regression.pdf.

A. Solechan and Q. Shinta, “Kajian Komparasi Artificial Neural Network dan Regresi Linier Dalam Memprediksi Harga Saham Dengan Mempertimbangkan Faktor Fundamental Pada Sektor …,” Semant. 2012, vol. 2012, no. Semantik, pp. 404–410, 2012, [Online]. Available: http://eprints.dinus.ac.id/143.

J. Bell, “Chapter 5 - Artificial Neural Networks,” Mach. Learn. Hands-On Dev. Tech. Prof., pp. 91–116, 2014.

S. S. U. Hulu, “Analisis Kinerja Metode Cross Validation Dan K-Nearest Neighbor Dalam Klasifikasi Data,” Univ. Sumatera Utara, pp. 4–16, 2020.

F. Aditya, A. Muchayan, R. Bahaswan, and ..., “Uji Beda Kinerja Keuangan Bank Menggunakan Independent Sample T-Test,” E-Jurnal SPIRIT …, vol. 7, no. April, pp. 48–57, 2021, [Online]. Available: https://jurnal.narotama.ac.id/index.php/patria/article/view/1493.

D. Oreski, S. Oreski, and B. Klicek, “Effects of dataset characteristics on the performance of feature selection techniques,” Appl. Soft Comput. J., vol. 52, pp. 109–119, 2017, doi: 10.1016/j.asoc.2016.12.023.

O. Access et al., “Encountered Problems of Time Series with Neural Networks: Models and Architectures,” Intech, vol. i, no. tourism, p. 13, 2016, [Online]. Available: https://www.intechopen.com/books/advanced-biometric-technologies/liveness-detection-in-biometrics%0Afile:///D:/Google Drive/Organized Folder/2016/Kerkeni et al/We are IntechOpen , the world ’ s leading publisher of Open Access books Built by scientists ,




DOI: https://doi.org/10.26418/jari.v1i1.59941

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.


View My Stats

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.