Prediksi Vaksinasi Terhadap Penambahan Kasus Covid-19 Dengan Neural Network

Irma Damayanti; Arief Rachman  Hakim; Pungkas  Subarkah; Dias Ayu Budi  Utami; Prastyadi Wibawa  Rahayu

doi:10.51454/decode.v4i1.354

Authors

Irma Damayanti Program Studi Teknologi Informasi Universitas Amikom Purwokerto
Arief Rachman Hakim Program Studi Informatika Universitas Amikom Purwokerto
Pungkas Subarkah Program Studi Informatika Universitas Amikom Purwokerto
Dias Ayu Budi Utami Program Studi Sistem Informasi Universitas Amikom Purwokerto
Prastyadi Wibawa Rahayu Program Studi Teknik Informatika Universitas Dhyana Pura

DOI:

https://doi.org/10.51454/decode.v4i1.354

Keywords:

Machine Learning, Neural Network, Prediksi, Vaksinasi

Abstract

Covid-19 menjadi masalah kritis yang harus segera diselesaikan. Karena telah menyebabkan peningkatan kasus dan kematian yang signifikan di seluruh dunia. Upaya pencegahan dan pengendalian yang dilakukan oleh berbagai negara meliputi penutupan, pembatasan sosial, dan termasuk vaksinasi tak terkecuali di Indonesia. Analisis dan pemahaman yang lebih mendalam tentang hubungan antara vaksinasi dan penambahan kasus Covid-19 diperlukan. Dengan perkembangan teknologi dan berdasarkan penelitian terdahu model kecerdasan buatan yang salah satunya berupa jaringan saraf tiruan (neural network) dapat membantu dalam memodelkan dan memprediksi dampak vaksinasi terhadap penambahan kasus Covid-19. Penelitian ini melakukan perhitungan prediksi vaksinasi terhadap laju kenaikan kasus di Indonesia dengan Neural Network menggunakan struktur backpropagation. Data yang digunakan dalam penelitian ini yaitu data Covid-19 dan data vaksinasi ditahun 2020 sampai 2021. Hasil yang didapa bahwa model Neural Network dapat melakukan prediksi vaksinasi. Dengan pola skenario batchSize = 32, hidden layer = 5, learningRate = 0.3, momentum = 0.2 , dan trainingTime = 100 menunjukan akurasi 60,73% dengan nilai RMSE 0.484, yang mana diketahui bahwa 99 data yang berhasil diprediksi dengan tepat.

References

Andrian, A. (2014). Penerapan Algoritma Backpropagation Dan Principal Component Analysis Untuk Pengenalan Wajah. Teknovasi, 1(2), 62–70.

Arianto, D., & Sutrisno, A. (2021). Kajian Antisipasi Pelayanan Kapal dan Barang di Pelabuhan Pada Masa Pandemi Covid–19. Jurnal Penelitian Transportasi Laut, 22(2), 97–110. https://doi.org/10.25104/transla.v22i2.1682

Bhakti, H. D. (2019). Aplikasi Artificial Neural Network (ANN) untuk Memprediksi Masa Studi Mahasiswa Program Studi Teknik Informatika Universitas Muhammadiyah Gresik. Eksplora Informatika, 9(1), 88–95. https://doi.org/10.30864/eksplora.v9i1.234

Chai, T., & Draxler, R. R. (2014). Root mean square error (RMSE) or mean absolute error (MAE)? -Arguments against avoiding RMSE in the literature. Geoscientific Model Development, 7(3), 1247–1250. https://doi.org/10.5194/gmd-7-1247-2014

Coccia, M. (2022). Optimal levels of vaccination to reduce COVID-19 infected individuals and deaths: A global analysis. Environmental Research, 204(Pt C), 112314. https://doi.org/10.1016/j.envres.2021.112314

Faid, M., Jasri, M., & Rahmawati, T. (2019). Perbandingan Kinerja Tool Data Mining Weka dan Rapidminer Dalam Algoritma Klasifikasi. Teknika, 8(1), 11–16. https://doi.org/10.34148/teknika.v8i1.95

Falahi, S., & Kenarkoohi, A. (2022). Host factors and vaccine efficacy: Implications for COVID-19 vaccines. Journal of Medical Virology, 94(4), 1330–1335. https://doi.org/10.1002/jmv.27485

Fauziah, D. A., & Sari, D. N. (2023). Efektivitas Vaksinasi terhadap Tingkat Keparahan Covid-19. Jurnal Epidemiologi Kesehatan Indonesia, 7(1), 1. https://doi.org/10.7454/epidkes.v7i1.6374

Hastuti, N., Djanah, S. N., Pascasarjana, M., & Dahlan, U. A. (2020). Studi Tinjauan Pustaka : Penularan Dan Pencegahan Penyebaran Covid-19 Literature Review Study : Transmission And Prevention Of The Spread Of Covid-19. An-Nadaa: Jurnal Kesehatan Masyarakat, 7(2), 70–76.

Hasugian, P. M. (2017). Pengujian Algoritma Apriori Dengan Aplikasi Weka Dalam Pembentukan Asosiation Rule. Jurnal Mantik Penusa, 1(2), 98–103.

Hendrawan, A., Vydia, V., & Cholil, S. R. (2020). Prediksi Pandemi Covid 19 Kota Semarang Menggunakan Pendekatan Neural Network. JURNAL RIPTEK, 15(1), 43–46.

Hizham, F. A., Nurdiansyah, Y., & Firmansyah, D. M. (2018). Implementasi Metode Backpropagation Neural Network (BNN) dalam Sistem Klasifikasi Ketepatan Waktu Kelulusan Mahasiswa (Studi Kasus: Program Studi Sistem Informasi Universitas Jember). Berkala Sainstek, 6(2), 97. https://doi.org/10.19184/bst.v6i2.9254

Hukubun, A. (2022). Neural Network. Artificial Intelligence.

Lauddin, F. M., Hardhienata, M. K. D., AAdisantoso, J., Abadi, D., Abadi, F., Abdillah, M. N., Abdulbaaqiy, C. L., Abdullah, I. N. [1], Abdurrohim, M. A., Abialdo, J., Abidin, J. A. Z., Abiyoga, I., Abriantini, G., Achyat, M. B. P., Adam, M. A. N. [2], Adelia, D. [1], Adhani, G., Adhieputra, D. A. A., Adhikara, G. G., & Adhima, F. (2021). Model Prediksi Jumlah Kasus COVID-19 dan Analisis Berbasis Demografi, Sosial dan Ekonomi Menggunakan Long Short Term Memory (Studi Kasus di Jawa Timur). Scientific Repository. https://repository.ipb.ac.id/handle/123456789/108854?show=full

Li, L., Yang, Z., Dang, Z., Meng, C., Huang, J., Peng, H., & Shao, Y. (2020). Propagation analysis and prediction of the COVID-19. Infectious Disease Modelling, 5, 282–292. https://doi.org/10.1016/j.idm.2020.03.002

Niazkar, H. R. (2020). Application of artificial neural networks to predict the COVID-19 outbreak. Global Health Research and Policy.

Resha, M., & Syamsu, S. (2021). Prediksi Penyebaran Kasus Tuberkulosis dengan metode Artificial Neural Network dan Multi-Layer Perceptron di kota makassar.

Suprayogi, I., Trimaijon, & Mahyudin. (2014). Model Prediksi Liku Kalibrasi Menggunakan Pendekatan Jaringan Saraf Tiruan (ZST) (Studi Kasus : Sub DAS Siak Hulu). Jurnal Online Mahasiswa Fakultas Teknik Universitas Riau, 1(1), 1–18.

Wijaya, A. H. (2019). Artificial Neural Network Untuk Memprediksi Beban Listrik Dengan Menggunakan Metode Backpropagation. Jurnal CoreIT, 5(2), 61–70.

Yanti, N. (2011). Penerapan Metode Neural Network Dengan Struktur Backpropagation Untuk Prediksi Stok Obat Di Apotek (Studi Kasus : Apotek ABC). SNATI, 2011, 17–18.