Peramalan jumlah kasus Covid-19 menggunakan joint learning

This item is published by Universitas Islam Negeri Sunan Ampel Surabaya

Nur, Muhammad Rizqi (2021) Peramalan jumlah kasus Covid-19 menggunakan joint learning. Undergraduate thesis, UIN Sunan Ampel Surabaya.

[img] Text
Muhammad Rizqi Nur_H76217063.pdf

Download (5MB)

Abstract

COVID-19 adalah penyakit pernapasan yang berbahaya karena penyebarannya yang sangat cepat dan mudah. Vaksin memang sudah mulai tersedia, tapi pandemi COVID-19 belum akan berakhir dalam waktu dekat. Peramalan diharapkan dapat membantu meningkatkan penanganan pandemi. Deep Learning, khususnya LSTM, telah digunakan untuk meramal jumlah kasus COVID-19 untuk daerah tertentu. Akan tetapi, model deep learning memerlukan data dalam jumlah besar untuk dapat belajar dengan baik sedangkan data COVID19 harian cukup langka. Meskipun begitu, COVID-19 tidak terdapat pada satu daerah saja melainkan juga pada daerah tetangga. Penelitian ini bertujuan menggunakan joint learning dengan data dari daerah-daerah lain untuk meningkatkan kinerja model daerah dengan data relatif sedikit lalu menggunakan model itu untuk meramal hingga 9 bulan setelah tanggal data yang terakhir diambil. Joint learning dilakukan dengan membuat model daerah dalam satu cluster berbagi beberapa bagian model yang sama dan melatih model-model itu bersamaan. Untuk mengatasi skala data dan umur pandemi yang berbeda pada tiap daerah, data ditransformasikan ke dalam bentuk variabel SIRD serta dievaluasi menggunakan RMSSE. Joint learning tidak berhasil meningkatkan kinerja model dalam penelitian ini. Kinerja model yang diajukan lebih baik daripada model ARIMA-SIRD dan SIRD tapi tidak lebih baik daripada model LSTM encoderdecoder biasa dan jarang mencapai nilai RMSSE di bawah 1. Pandemi di Kab. Sampang, Kab. Tuban, Kota Madiun, dan Kota Pasuruan yang berada dalam cluster yang sama diramalkan akan berakhir dengan cepat pada bulan Mei 2021, sedangkan jumlah kasus aktif di Kab. Bojonegoro diramalkan meningkat dengan drastis pada bulan Juni 2021 hingga puncaknya pada akhir Juli setelah menginfeksi 78,48% populasi. Semua hasil ramalan tersebut berbeda jauh dari kenyataannya karena model hanya dilatih untuk meramal sejauh 14 hari dan adanya varian delta yang tidak ada dalam data training. Khusus untuk Kab. Bojonegoro, model berhasil menangkap bentuk grafik dengan cukup baik, tapi skalanya terlalu besar.

Statistic

Downloads from over the past year. Other digital versions may also be available to download e.g. from the publisher's website.

Item Type: Thesis (Undergraduate)
Creators:
CreatorsEmailNIM
Nur, Muhammad Rizqirizqinur2010@gmail.comH76217063
Contributors:
ContributionNameEmailNIDN
Thesis advisorAmin, Faris Mushlihulfaris@uinsby.ac.id2013088801
Thesis advisorYusuf, Ahmadahmadyusuf@uinsby.ac.id2020019001
Subjects: Teknologi > Teknologi Informasi
Keywords: Joint learning; SIRD; Covid-19; forecasting; deep learning; RMSSE
Divisions: Fakultas Sains dan Teknologi > Studi Sistem Informasi
Depositing User: Editor : Abdun Nashir------ Information------library.uinsby.ac.id
Date Deposited: 18 Mar 2022 03:26
Last Modified: 18 Mar 2022 03:26
URI: http://digilib.uinsby.ac.id/id/eprint/52500

Actions (login required)

View Item View Item