Analisis Algoritma Model Regresi Pada Prediksi Angka New Active Cases Covid-19 di Indonesia

Cintya, Cintya (2022) Analisis Algoritma Model Regresi Pada Prediksi Angka New Active Cases Covid-19 di Indonesia. Skripsi thesis, Universitas Tanjungpura.

	Text (Cover) Cover_D1041181008.pdf - Published Version Download (42kB)
	Text (Yuridis) Yuridis_D1041181008.pdf - Published Version Download (267kB)
	Text (Surat Pernyataan) SP_D1041181008.pdf - Published Version Download (82kB)
	Text (Abstrak) Abstrak_D1041181008.pdf - Published Version Download (14kB)
	Text (Kata Pengantar) Kapeng_D1041181008.pdf - Published Version Download (81kB)
	Text (Daftar Isi) Dafis_D1041181008.pdf - Published Version Download (80kB)
	Text (Daftar Lain) Daflain_D1041181008.pdf - Published Version Download (80kB)
	Text (Bab I) Bab1_D1041181008.pdf - Published Version Download (89kB)
	Text (Bab II) Bab2_D1041181008.pdf - Published Version Download (516kB)
	Text (Bab III) Bab3_D1041181008.pdf - Accepted Version Restricted to Repository staff only Download (628kB)
	Text (Bab IV) Bab4_D1041181008.pdf - Accepted Version Restricted to Repository staff only Download (897kB)
	Text (Bab V) Bab5_D1041181008.pdf - Accepted Version Restricted to Repository staff only Download (16kB)
	Text (Daftar Pustaka) Dapus_D1041181008.pdf - Published Version Download (174kB)
	Text (Lampiran) Lamp_D1041181008.pdf - Accepted Version Restricted to Repository staff only Download (1MB)

Abstract

Active cases COVID-19 dapat menjadi salah satu penyebab penularan COVID-19, karena active cases merupakan sekelompok orang yang dinyatakan positif COVID-19 dan masih dalam masa perawatan. Model regresi dapat diterapkan untuk memprediksi angka active cases COVID-19 yang baru (new active cases), berdasarkan feature yang berkolerasi dengan label. Tujuan dari penelitian ini adalah untuk mengetahui model regresi mana yang lebih baik dalam memprediksi angka new active cases. Pembangunan model regresi pada penelitian ini menggunakan algoritma Multiple Linear Regression dan Neural Network, dengan menambahkan proses optimasi hyparameter pada setiap algoritma. Pemilihan feature dilakukan berdasarkan pada seberapa besar nilai korelasi antar feature dan label. Pengujian dilakukan dengan melihat hasil akurasi yang diperoleh dari model Multiple Linear Regression dan Neural Network yang sudah di-hyperparameter tuning dengan data yang displit secara linear dan shuffled. Berdasarkan hasil pengujian yang dilakukan, diperoleh bahwa penggunaan metode shuffled sampling pada split data memberikan penurunan nilai error sebesar >50% dengan model yang memiliki akurasi yang lebih baik, yaitu model yang dibangun menggunakan algoritma Neural Network yang menghasilkan nilai RMSE = 925.452, Absolute Error = 669.729 dan R2 = 0.866. Nilai ini menunjukkan bahwa error yang dihasilkan oleh model ini masih cukup besar, namun nilai determinasi korelasinya dianggap dapat menjelaskan hubungan antara variabel bebas dan label yang kuat, serta model dapat mengikuti pola trend dari data aktualnya

Actions (login required)

View Item