SUPPORT VECTOR REGRESSION (SVR) DALAM PREDIKSI JUMLAH KASUS PENDERITA COVID-19

• DODI SUPRAYOGI
• 14002130

---

ABSTRAK

ABSTRAK

 

 

Nama                     :     Dodi Suprayogi

NIM                      :     14002130

Program Studi       :     Ilmu Komputer

Jenjang                  :     Program Magister  (S2)

Konsentrasi           :     Data Mining

Judul                     :     “Support Vector Regression (SVR) Dalam Prediksi Jumlah

  Kasus Penderita COVID-19”

 

Penyebaran Virus COVID-19 terus menyebar dan meluas sampai hampir di seluruh negara terinfeksi, negara-negara maju pun tidak luput dari serangan virus COVID-19, mulai dari anak-anak hingga orang dewasa yang sudah tua, Para Peneliti pun mencoba untuk memprediksi kapan COVID-19 berakhir, dengan berbagai metode. Banyak cara dalam membuat suatu prediksi, dalam hal ini menentukan prediksi jumlah penderita COVID-19 bisa dengan menggunakan machine learning, tidak hanya COVID-19, prediksi yang dibuat dengan machine learning mampu memprediksi seperti saham, ekonomi, dan permintaan. Sehingga sangat diperlukan informasi prediksi dalam memudahkan masyarakat untuk dapat menerima informasi contohnya tentang COVID-19 Penelitian ini pun mencoba memprediksi kapan Pandemic COVID-19 berakhir dengan menggunakan algoritma SVR dengan kernel RBF, Linear, Polynomial, dan Sigmoid. pemilihan model menggunakan SVR karena SVR mampu mengatasi overfitting. Penelitian ini menggunakan dataset dari github John Hopkins University menggunakan sample lima negara dengan jumlah kasus COVID-19 yang berbeda. Hasil yang didapat untuk kernel RBF sangat baik untuk lima negara dalam membuat pola grafik yang fit antara data aktual dan data prediksi dengan tunning parameter yang berbeda-beda, kemudian hasil perbandingan dilihat dari nilai RMSE yang mendekati angka 0 pada setiap negara yaitu Italy dengan nilai RMSE 0.10077 dengan nilai gamma 1, negara Brazil RMSE 0.10577 dengan gamma 1, untuk data Negara Jerman dengan nilai RMSE 0.100737 dengan gamma 1, untuk data Negara US dengan nilai RMSE 0.100732 dengan gamma 0.25 dan terkahir untuk data Negara Indonesia dengan nilai RMSE 0.102466 dengan gamma 0.15

 

Kata kunci:

COVID-19, SVR, RBF, Linear, Polynomial, Sigmoid, Prediksi.

KATA KUNCI

SUPPORT VECTOR REGRESSION

---

DAFTAR PUSTAKA

Daftar Referensi

[1]     Puji Hari Santoso, 2020. Application Of Data Mining Classification For Covid-19 Infected Status Using Algortima Naïve Method, Volume 4 Number 1 May 2020, pp. 267-275.

[2]     F. Rustam et al., COVID-19 Future Forecasting Using Supervised Machine Learning Models, in IEEE Access, vol. 8, pp. 101489-101499.

[3]     Zhan C, Tse CK, Lai Z, Hao T, Su J 2020 Prediction of COVID-19 spreading profiles in South Korea, Italy and Iran by data-driven coding. PLoS ONE 15(7): e0234763.

[4]     Ayyoubzadeh, Seyed & Ayyoubzadeh, Seyed Mehdi & Zahedi, Hoda & Ahmadi, Mahnaz & Rostam Niakan Kalhori, Sharareh. 2020. Predicting COVID-19 Incidence Through Analysis of Google Trends Data in Iran: Data Mining and Deep Learning Pilot Study. JMIR Public Health and Surveillance. 6. 10.2196/18828..

[5]     Gergo Pinter, et al., 2020. Covid-19 Pandemic Prediction For Hungary; A Hybrid Machine Learning Approach, Mathematics.

[6]     Iwendi, Celestine et al. COVID-19 Patient Health Prediction Using Boosted Random Forest Algorithm. Frontiers in public health vol. 8 357. 3

[7]     Abdillah, A.  A.,Murfi,  H.,dan Satria,  Y.2015. Uji  Kinerja  Learning  to  Rank dengan  Metode  Support  Vector  Regression. Jurnal  Industri  dan  Aplikasi Matematika.

[8]     Piatetsky-Shapiro, F.a., 1996. Knowledge Discovery in Databases:An Overview. The AAAI/MIT Press, Menlo Park, C.A.

[9]     Rushing, J., et al., 2005. ADaM: a data mining toolkit for scientists and engineers. Computers & geosciences, 31(5): p. 607-618.

[10]   Chaitrali S. Dangare & SulabhaS. Apte, PhD, 2012. Improved Study of Heart Disease Prediction System using Data Mining Classification Techniques. Volume 47–No.10, June 2012.

[11]   COVID-19 Data Repository by the Center for Systems Science and Engineering (CSSE) at Johns Hopkins University 2019. Github (Update 2020) Tersedia di : https://github.com/CSSEGISandData/COVID-19.

[12]   Smola, A.J., Schölkopf, B. A, 2004. tutorial on support vector regression. Statistics and Computing 14, 199–222.

[13]   Vijayakumar, Sethu and Shengli Wu. 1999, Sequential Support Vector Classifiers and Regression. IIA/SOCO.

[14]   Noval Dini Maulana, et al. 2019. Implementasi Metode Support Vector Regression (SVR)Dalam Peramalan Penjualan Roti (Studi Kasus: Harum Bakery). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer. Vol. 3, No. 3, hlm. 2986-2995.

[15]    Yao, Wanxiang & Zhang, Chunxiao & Hao, Haodong & Wang, Xiao & Li, Xianli, 2018. A support vector machine approach to estimate global solar radiation with the influence of fog and haze, Renewable Energy, Elsevier, vol. 128(PA), pages 155-162.

[16]    Muhammad Asyhar Agmalaro,et al. Model  Spasial  untuk  Prediksi  Konsentrasi  Polutan  Kabut  Asap Kebakaran    Lahan    Gambut    MenggunakanSupport   Vector Regression. Jurnal Ilmu Komputer Agri Informatika, Volume 5 Nomor 2 halaman 119–127.

[17]    Muis Nanja,et al, 2015. Metode K-Nearest Neighbor Berbasis Forward Selection Untuk Prediksi Harga Komoditi Lada. Jurnal Psuedocode, Vol 2 No 1.

[18]    Herlawati, 2020. COVID-19 Spread Pattern Using Support Vector Regression. Journal Penelitian Ilmu Komputer, System Embedded & Logic, Vol. 8 (1): 67 – 74 

[19]    Paules CI, Marston HD, Fauci AS, 2020. Coronavirus Infections—More Than Just the Common Cold. JAMA ;323(8):707–708.

[20]    Esper F, Ou Z, Huang YT. Human coronaviruses are uncommon in patients with gastrointestinal illness. J Clin Virol. 2010;48(2):131-133.

[21]    Otrompke, J.. (2014). Investigating treatment strategies for MERS-CoV. Pharmaceutical Journal. 293. 422-424.

[22]    Bai Y, Yao L, Wei T, et al. Presumed Asymptomatic Carrier Transmission of COVID-19. JAMA. 2020;323(14):1406–1407.

[23]    BMJ 2020;368:m641

[24]    Turban. E, dkk. 2005, Decision Support System and Intelligent Systems, 7th Edition, Jilid 1, Yogyakarta: Andi

[25]    Witten,  I.  H.,  Frank,  E.,  Hall,  M.  A.  2011. DataMining  Practical  Machine Learning Toolsand Techniques (3rd ed). USA: Elsevier

[26]    Usama Fayad, et al. 1996 Knowledge Discovery and Data Mining:Towards a Unifying Framework KDD-96 Proceedings.

[27]   Agus Darmawan, et al. 2018, Implementasi Data Mining Menggunakan Model SVM untuk Prediksi Kepuasan Pengunjung Taman Tabebuya, Jurnal String Vol. 2 No. 3 April 2018.

[28]   Kusrini, luthfi taufiq Emha, 2009, Algoritma Data Mining, Penerbit Andi, Yogyakarta.

[29]   Furi, R. P., Jordi & Saepudin, D., 2015. Prediksi Financial     Time     Series     Menggunakan Independent    Component    Analysis    dan Support  Vector  Regression  Studi  Kasus  : IHSG  dan  JII. e-proceding  of  engineering, Volume 2 , p. 3610.

[30]   H. Yasin, A. Prahutama, and T. Utami, 2014. PREDIKSI HARGA SAHAM MENGGUNAKAN SUPPORT VECTOR REGRESSION DENGAN ALGORITMA GRID SEARCH, MEDIA STATISTIKA, vol. 7, no. 1, pp. 29-35.

[31]   Risky Amanda, et al. 2014, ANALISIS SUPPORT VECTOR REGRESSION (SVR) DALAM MEMPREDIKSI KURS RUPIAH TERHADAP DOLLAR AMERIKA SERIKAT, JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 849 - 857

[32]   Santosa,  Budi 2007. Data  Mining  Teknik  Pemanfaatan  Data  untuk  Keperluan Bisnis.  Yogyakarta : Graha Ilmu

[33]   Gunn, C. A. (1998). Issues in Tourism Curricula. Journal of Travel Research, 36(4), 74–77.

[34]   https://id.wikipedia.org/wiki/Python_(bahasa_pemrograman)

[35]   ChengT, Wang, J, LiX,2007. The support vector machine for nonlinear spatio-temporal regression. Proc Geocomputation.

[36]  Zeng J, Qiao W. 2013. Short-term solar power prediction using a support vector machine. Renewable Energy.52:118-127.

[37] Subagyo, Pangestu, 1986, Forecasting Konsep dan Aplikasi, Yogyakarta, BPPE UGM.

[38]   Asfan Muqtadir, 2019. PENERAPAN METODE MEAN ABSOLUTE ERROR (MEA) DALAM ALGORITMA REGRESI LINEAR UNTUK PREDIKSI PRODUKSI PADI , Vol 11 No 1 (2019): Vol.11 No. 1.

[38]   Isra Al-Turaiki, et al 2016 .Building predictive models for MERS-CoV infections using data mining techniquesJournal of Infection and Public Health. Volume 9, Issue 6, November–December 2016, Pages 744-748

[39]   Hanna Arini Parhusip 2020. Menelusuri COVID-19 di Dunia dan di Indonesia dengan Model Regresi SVM, Bayesian dan Gaussian. Volume 20 Nomor 2,  JURNAL ILMIAH SAINS

[40]   Wildan Wiguna, dan Dwiza Riana, 2020. DIAGNOSIS OF CORONAVIRUS DISEASE 2019 (COVID-19) SURVEILLANCE USING C4.5 ALGORITHM, Jurnal PILAR Nusa Mandiri Vol. 16, No. 1

[41]   Bohdan M. Pavlyshenko , 2020. Regression Approach for Modeling COVID-19 Spread and Its Impact On Stock Market, arXiv:2004.01489

[42]   Pandey, Gaurav & Chaudhary, Poonam & Gupta, Rajan & Pal, Saibal, 2020. SEIR and Regression Model based COVID-19 outbreak predictions in Indonesia.