PEMODELAN PREDIKTIF PADA KASUS COVID-19 DI INDONESIA MENGGUNAKAN SUPPORT VECTOR REGRESSION

• SAFITRI LINAWATI
• 14002247

---

ABSTRAK

ABSTRAK

 

Nama                     :     Safitri Linawati

NIM                      :     14002247

Program Studi       :     Magister Ilmu Komputer

Jenjang                  :     Strata Dua (S2)

Konsentrasi           :     Data Mining

Judul                     :     “Pemodelan Prediktif Pandemi Covid19 Menggunakan Support Vector Regression”

 

Pada tanggal 11 maret 2020 organisasi kesehatan dunia (WHO) menyatakan bahwa wabah covid19 global adalah pandemi karena kecepatan dan skala penularan virus sangat cepat. Kasus pertama covid-19 dilaporkan pada desember 2019 yang berasal dari wuhan cina dan dengan penyebarannya yang cepat covid-19 kini telah menjadi pandemi yang mempengaruhi 972.303 orang dilebih dari 170 negara didunia salah satunya diindonesia. Pandemi covid-19 mulai membuat resah warga indonesia pada bulan maret 2020. Berdasarkan data yang diambil dari tanggl 2 maret hingga 21 juli 2020 telah diprediksi menggunakan metode SMOreg dengan model Polykernel. Pada model ini dapat dihasilkan Root Mean Squared Error (RMSE) yang lebih rendah pada data sembuh 0.0545 dan Mean Squared Error (MSE) 0.003 . Data kasus baru memiliki Root Mean Squared Error (RMSE) 0.1076 dan Mean Squared Error (MSE) 0.0.0845 dan untuk data kematian memiliki Root Mean Squared Error (RMSE) 0.0845 dan Mean Squared Error (MSE) 0.0071.

 

Kata kunci: Covid19, SMOreg, polykernel, RMSE, dan MSE

KATA KUNCI

Data Mining,SUPPORT VECTOR REGRESSION

---

DAFTAR PUSTAKA

DAFTAR REFERENSI

 

[1]      U. Bhayangkara and J. Raya, “COVID-19 Spread Pattern Using Support Vector Regression,” vol. 8, no. 28, pp. 67–74, 2020.

[2]      H. H. Elmousalami and A. E. Hassanien, “Day Level Forecasting for Coronavirus Disease (COVID-19) Spread: Analysis, Modeling and Recommendations,” 2020.

[3]      I. J. C. Heart et al., “Coronavirus disease 2019 and cardiovascular system?: A narrative review,” IJC Hear. Vasc., vol. 29, p. 100557, 2020, doi: 10.1016/j.ijcha.2020.100557.

 

[4]      C. Liu, Q. Zhou, Y. Li, L. V Garner, S. P. Watkins, L. J. Carter, A. C. Gregg, A. D. Daniels, S. Jervey, and D. Albaiu, “Research and Development on Therapeutic Agents and Vaccines for COVID-19 and Related Human Coronavirus Diseases,” 2020.

[5]      D. Telaumbanua, “Urgensi Pembentukan Aturan Terkait Pencegahan Covid-19 di Indonesia,” vol. 12, no. 1, pp. 59–70, 2020.

[6]      N. R. Yunus, A. Rezki, K. Nabi, M. Saw, M. Wabah, and P. Menular, “No Title.”

[7]      B. H. Prakoso, P. Studi, R. Medik, J. Kesehatan, P. N. Jember, and J. Timur, “IMPLEMENTASI SUPPORT VECTOR REGRESSION PADA PREDIKSI,” vol. 19, no. 1, pp. 155–162, 2019.

[8]      Z. Zhang and W. Hong, “Electric Load Forecasting by Hybrid Self- Recurrent Support Vector Regression Model With Variational Mode Decomposition and Improved Cuckoo Search Algorithm,” vol. 8, 2020.

[9]      P. Pai, K. Lin, C. Lin, and P. Chang, “Expert Systems with Applications Time series forecasting by a seasonal support vector regression model,” Expert Syst. Appl., vol. 37, no. 6, pp. 4261–4265, 2010.

[10]    P. Pemberian, K. Pinjaman, D. Metode, N. Ajeng, B. W. Sari, M. Kom, D. Prabowo, M. Kom, S. Informasi, U. Amikom, and K. Kunci, “TSUKAMOTO Abstraksi Keywords?:,” vol. 3, no. 1, 2020.

[11]    S. Kasus, M. Fakultas, and T. Informasi, “PREDIKSI NILAI MAHASISWA MENGGUNAKAN METODE ID3,” pp. 144–148, 2019.

[12]    A. Ardiana, “BERDASARKAN KONDISI MUSIM DENGAN PENDEKATAN.”

[13]    R. R. Pratama, “Analisis Model Machine Learning Terhadap Pengenalan Aktifitas Manusia,” vol. 19, no. 2, pp. 302–311, 2020.

[14]    D. A. Mardhika, B. D. Setiawan, and R. C. Wihandika, “Penerapan Algoritma Support Vector Regression Pada Peramalan Hasil Panen Padi Studi Kasus Kabupaten Malang,” vol. 3, no. 10, 2019.

[15]    K. Wisatawan, M. Di, and P. Bali, “Support vector regression,” vol. 11, pp. 60–66, 2017.

[16]    Y. Ye, J. Gao, Y. Shao, C. Li, Y. Jin, and X. Hua, “Robust support vector regression with generic quadratic nonconvex ε -insensitive loss,” Appl. Math. Model., vol. 82, pp. 235–251, 2020.

[17]    I. Rehman, “Data Mining for Forecasting OGDCL Share Prices Using WEKA,” 2019 13th Int. Conf. Math. Actuar. Sci. Comput. Sci. Stat., pp. 1–7, 2019.

[18]    A. Satyo and B. Karno, “Prediksi Data Time Series Saham Bank BRI Dengan Mesin Belajar LSTM ( Long ShortTerm Memory ),” vol. 1, no. 1, pp. 1–8, 2020.

[19]    U. Efendi and A. Kristianto, “UJI PERFORMA ASIMILASI DATA OBSERVASI UDARA ATAS DAN UDARA PERMUKAAN MODEL WRF DI SEMARANG ( STUDI KASUS Sekolah Tinggi Meteorologi Klimatologi dan Geofisika,” 2018.

[20]    E. Suhartanto, L. M. Limantara, H. Arum, and R. Tamaya, “METEOROLOGI KLIMATOLOGI DAN GEOFISIKA SAWAHAN KABUPATEN NGANJUK , JAWA TIMUR,” pp. 1–5, 2011.

[21]    T. P. Kabupaten, “PERBANDINGAN METODE TRIPLE EXPONENTIAL SMOOTHING DAN METODE SEASONAL ARIMA UNTUK PERAMALAN INFLASI DI KOTA Prosiding Sendika?: Vol 5 , No 2 , 2019 76 Prosiding Sendika?: Vol 5 , No 2 , 2019 77,” vol. 5, no. 2, pp. 76–83, 2019.

[22]    N. Science, C. Phenomena, D. Parbat, and M. Chakraborty, “Chaos , Solitons and Fractals A python based support vector regression model for prediction of COVID19 cases in India,” vol. 138, pp. 3–7, 2020.

[23]    S. Tuli, S. Tuli, R. Tuli, and S. Singh, “Internet of Things Predicting the growth and trend of COVID-19 pandemic using machine learning and cloud computing R,” vol. 11, 2020.

[24]    P. Pai, K. Lin, C. Lin, and P. Chang, “Expert Systems with Applications Time series forecasting by a seasonal support vector regression model,” Expert Syst. Appl., vol. 37, no. 6, pp. 4261–4265, 2010.