Prediksi Kasus COVID-19 di Indonesia dengan Menggunakan Support Vector Regression dan Particle Swarm Optimization

Rahmantyo, Rezki Dwi and Syaiful Anam, S.Si., M.T., Ph.D. (2024) Prediksi Kasus COVID-19 di Indonesia dengan Menggunakan Support Vector Regression dan Particle Swarm Optimization. Sarjana thesis, Universitas Brawijaya.

Abstract

COVID-19 merupakan penyakit paling berpengaruh dalam beberapa dekade terakhir dan telah memberikan dampak negatif di seluruh dunia, termasuk Indonesia. Salah satu strategi untuk dapat mengurangi meningkatnya wabah COVID-19 ialah dengan melalui penyampaian informasi seperti prediksi total kasus aktif COVID-19. Informasi terkait prediksi total kasus aktif dapat menjadi landasan untuk pengambilan langkah-langkah pencegahan dan penanggulangan yang lebih terarah oleh masyarakat, pemerintah, dan pihak terkait. Support Vector Regression (SVR) adalah salah satu algoritma regresi yang memiliki performa yang baik dalam memprediksi penyebaran total kasus aktif COVID-19. Akan tetapi, pemilihan nilai parameter pada SVR haruslah tepat, agar mendapatkan hasil prediksi yang akurat. Oleh karena itu, penelitian ini berfokus pada prediksi total kasus aktif COVID-19 di Indonesia dengan menggunakan SVR yang dioptimalkan dengan Particle Swarm Optimization (PSO). Berdasarkan hasil pengujian pengaruh jumlah partikel terhadap evaluasi performa model, diperoleh hasil terbaik pengujian terjadi saat partikel berjumlah 40 dengan nilai rata-rata MAPE yang didapatkan untuk data training yaitu 0,93% dan standar deviasi 0,11%, sedangkan untuk data testing nilai rata-rata MAPE yang diperoleh adalah 0,54% dan standar deviasi sebesar 0,01%. Berdasarkan hasil pengujian perbandingan SVR dengan SVR-PSO, nilai MAPE terbaik yang diperoleh SVR yaitu 4,25% dengan RMSE 1168,526, sedangkan pada SVR-PSO nilai MAPE terbaik yang didapat sebesar 0,38% dan RMSE 899,565. Oleh karena itu, dari hasil tersebut dapat disimpulkan bahwa SVR-PSO lebih unggul dibandingkan SVR.

English Abstract

COVID-19 is the most influential disease in recent decades and had a negative impact on the world, including Indonesia. One strategy to reduce the increase in the COVID-19 outbreak is by providing information such as predictions of the total number of active COVID-19 cases. Information related to predictions of total active cases can be a basis for taking more targeted prevention and control measures by the community, government, and related parties. Support Vector Regression (SVR) is a regression algorithm that has good performance in predicting the total spread of active COVID-19 cases. However, the selection of parameter values in SVR must be precise to obtain accurate prediction results. Therefore, this research focuses on predicting the total number of active cases of COVID-19 in Indonesia using SVR and Particle Swarm Optimization (PSO). Based on the test results on the influence of the number of particles on the model performance evaluation, the best test results were obtained when the number of particles was 40. For the training data, the average value obtained was 0,93% with a standard deviation of 0,11%, while for the testing data, the average value obtained was 0,54% with a standard deviation of 0,01%. Based on the results of comparison tests between SVR and SVR-PSO, the best MAPE value obtained by SVR was 4,25% with RMSE 1168,526, while for SVR-PSO the best MAPE value obtained was 0,38% and RMSE 899,565. Therefore, from these results, it can be concluded that SVR-PSO is superior to SVR.

Item Type:	Thesis (Sarjana)
Identification Number:	0524090050
Uncontrolled Keywords:	COVID-19, Support Vector Regression, Particle Swarm Optimization
Divisions:	Fakultas Matematika dan Ilmu Pengetahuan Alam > Matematika
Depositing User:	Unnamed user with username nova
Date Deposited:	25 Apr 2024 02:42
Last Modified:	25 Apr 2024 02:42
URI:	http://repository.ub.ac.id/id/eprint/218582

Text (DALAM MASA EMBARGO) Rezki Dwi Rahmantyo.pdf Restricted to Registered users only Download (5MB)

Actions (login required)

View Item