Prediksi Wabah COVID-19 Menggunakan Metode Long Short-Term Memory
Fenomena pandemi virus COVID-19 masih terdeteksi Provinsi Kalimantan Timur, Indonesia. Hal ini juga membutuhkan intervensi teknologi untuk membantu mengembalikan situasi dan memulihkan keadaan sebaik mungkin. Tujuan dalam penelitian ini adalah agar dapat memprediksi 3 (tiga) arah trend penyebaran COVID-19 yaitu kasus terkonfirmasi, sembuh dan meniggal untuk membantu pihak medis dan pihak terkait. Penelitian ini telah menerapkan metode Long Short-Term Memory (LSTM) yang merupakan salah satu jenis dari RNN, mampu menangkap data dari proses sebelumnya dan menggunakannya untuk prediksi masa depan. Penelitian ini telah menggunakan data yang diperoleh dari Dinas Kesehatan, Provinsi Kalimantan Timur. Metode percobaan yang telah dilakukan adalah trial and error dalam rangka mendapatkan model terbaik LSTM yang diukur dengan metode means square error (MSE) dan root means square error (RMSE). Berdasarkan percobaan sebanyak 1440 skenario percobaan, telah diperoleh model terbaik LSTM dalam prediksi dengan nilai MSE 0.000010 dan RMSE 0.003160 pada kasus terkonfirmasi, nilai MSE 0.000010 dan RMSE 0.003097 pada kasus sembuh. Sedangkan, nilai MSE 0.000044 dan RMSE 0.006601 pada kasus kematian. Hasil penelitian memperlihatkan bahwa tren COVID-19 di Provinsi Kalimantan Timur akan mengalami kenaikan dalam 30 hari kedepan periode 09 Mei 2022 hingga 06 Juni 2022 pada kasus terkonfirmasi, arah tren pada kasus sembuh mengalami penurunan, lalu mengalami kenaikan pada 17 Mei 2022 hingga 06 Juni 2022, sedangkan arah tren kasus Meninggal mengalami naik turun secara berulang periode 09 Mei 2022 hingga 06 Juni 2022.
Ketersediaan
Detail Information
Judul | Prediksi Wabah COVID-19 Menggunakan Metode Long Short-Term Memory |
---|---|
Pengarang | SYAMSIAH - Personal Name |
No. Panggil | SKRIPSI SYA p 2023 |
Subyek | COVID-19 RMSE MSE LSTM Provinsi Kalimantan Timur |
Bahasa | Indonesia |
Tempat Terbit | Universitas Mulawarman |
Tahun Terbit | 2023 |
Penerbit | Fakultas Teknik |
Jurusan | Informatika |
Lampiran Berkas | LOADING LIST... |
DIGITAL LIBRARY