Perbandingan Model Polynomial Regression dan Facebook Prophet untuk Prediksi Jumlah Pasien Positive COVID-19 di Indonesia

Article Sidebar

Published: Feb 13, 2024
DOI: https://doi.org/10.22219/repositor.v3i5.32042
Keywords:
Covid-19 Polynomial Regression Facebook Prophet

Main Article Content

Tsabitah Ayu Rahmawati
Universitas Muhammadiyah Malang
Gita Indah Marthasari
Nur Hayatin

Abstract

Corona Virus Disease 2019 atau yang biasa disebut sebagai COVID-19 menjadi ancaman bagi seluruh dunia, terutama bagi Negara Indonesia. WHO menyebutkan bahwa COVID-19 adalah sindrom pernafasan akut parah yang ditularkan melalui tetesan saluran pernapasan (air liur atau ingus) dan kontak langsung dengan penderita. Penyakit ini membutuhkan perhatian khusus dari pemerintah agar penyebaran Covid-19 ini semakin berkurang. Wabah ini telah memasuki Indonesia pada awal bulan maret, dan sampai saat ini jumlah penderita penyakit ini semakin meningkat. Pada penelitian kali ini, akan ditunjukkan perbandingan dari prediksi yang dihasilkan oleh model polynomial regression dan model FBProphet dengan realita yang terjadi terhadap jumlah pasien positive COVID-19 untuk menghasilkan prediksi yang akurat sebagai persiapan kemungkinan terburuk penderita COVID-19. Dataset yang digunakan sebanyak 396 data yang diambil dalam kurun waktu 02/03/2020 hingga 31/12/2020 pada dataset gitbub dan kemudian dilengkapi hingga tanggal 31/03/2021 pada website covid19.go.id. Dari hasil penelitian ini hasil prediksi yang terbaik terdapat pada Polynomial Regression dengan tingkat akurasi sebesar 0,98%, sedangkan dengan FBProphet tingkat akurasi yang didapat sebesar 0,95%. Hal ini dapat membantu paramedis dalam meramalkan perkiraan jumlah pasien positif covid-19 di Indonesia.

Downloads

Download data is not yet available.

Article Details

How to Cite
[1]
T. A. Rahmawati, G. I. Marthasari, and N. Hayatin, “Perbandingan Model Polynomial Regression dan Facebook Prophet untuk Prediksi Jumlah Pasien Positive COVID-19 di Indonesia”, JR, vol. 3, no. 5, Feb. 2024.
Issue
Vol. 3 No. 5 (2021): November 2021
Section
Articles
Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

References

Kementerian Kesehatan, “Kesiapsiagaan Menghadapi Infeksi COVID-19,” 2020. https://www.kemkes.go.id/folder/view/full-content/structure-faq.html.

R. Gupta, G. Pandey, P. Chaudhary, and S. K. Pal, “SEIR and Regression Model based COVID-19 outbreak predictions in India,” medRxiv, p. 2020.04.01.20049825, 2020, doi: 10.1101/2020.04.01.20049825.

I. Yenidogan, A. Cayir, O. Kozan, T. Dag, and C. Arslan, “Bitcoin Forecasting Using ARIMA and PROPHET,” UBMK 2018 - 3rd Int. Conf. Comput. Sci. Eng., no. February 2019, pp. 621–624, 2018, doi: 10.1109/UBMK.2018.8566476.

H. A. Parhusip, “Study on COVID-19 in the World and Indonesia Using Regression Model of SVM, Bayesian Ridge and Gaussian,” J. Ilm. Sains, vol. 20, no. 2, p. 49, 2020, doi: 10.35799/jis.20.2.2020.28256.

W. Setialaksana et al., “Model Jaringan Syaraf Tiruan dalam Peramalan Kasus Positif Covid-19 di Indonesia,” vol. 2, no. 2, pp. 53–56, 2020.

G. R. Shinde, A. B. Kalamkar, P. N. Mahalle, N. Dey, J. Chaki, and A. E. Hassanien, “Forecasting Models for Coronavirus Disease (COVID-19): A Survey of the State-of-the-Art,” SN Comput. Sci., vol. 1, no. 4, pp. 1–15, 2020, doi: 10.1007/s42979-020-00209-9.

E. Ostertagová, P. Frankovský, and O. Ostertag, “Application of polynomial regression models for prediction of stress state in structural elements,” Glob. J. Pure Appl. Math., vol. 12, no. 4, pp. 3187–3199, 2016, doi: 10.12691/ajme-4-7-3.

R. Gupta and S. K. Pal, “Trend Analysis and Forecasting of COVID-19 Outbreak in India,” medRxiv, p. 2020.03.26.20044511, 2020, doi: 10.1101/2020.03.26.20044511.

C. Sri and W. Widayati, “Komparasi Beberapa Metode Estimasi Kesalahan Pengukuran,” J. Penelit. dan Eval. Pendidik., vol. 13, no. 2, pp. 182–197, 2013, doi: 10.21831/pep.v13i2.1409.

E. Ostertagová, “Modelling using polynomial regression,” Procedia Eng., vol. 48, pp. 500–506, 2012, doi: 10.1016/j.proeng.2012.09.545.

E. Ostertagová, “Modelling using polynomial regression,” Procedia Eng., vol. 48, no. December 2012, pp. 500–506, 2012, doi: 10.1016/j.proeng.2012.09.545.

S. J. Taylor and B. Letham, “Prophet: forecasting at scale,” 2017. https://research.fb.com/prophet-forecasting-at-scale/ (accessed Jan. 07, 2021).

A. K. Gupta, V. Singh, P. Mathur, and C. M. Travieso-Gonzalez, “Prediction of COVID-19 pandemic measuring criteria using support vector machine, prophet and linear regression models in Indian scenario,” J. Interdiscip. Math., 2020, doi: 10.1080/09720502.2020.1833458.

C. Chandra and S. Budi, “Analisis Komparatif ARIMA dan Prophet dengan Studi Kasus Dataset Pendaftaran Mahasiswa Baru,” J. Tek. Inform. dan Sist. Inf., vol. 6, no. 2, pp. 278–287, 2020, doi: 10.28932/jutisi.v6i2.2676.

CSSEGISandData, “CSSEGISandData/COVID-19,” 2020. https://github.com/CSSEGISandData/COVID-19/tree/master/csse_covid_19_data/csse_covid_19_time_series.

Y. S. Chen, P. P. Chong, and M. Y. Tong, “Mathematical and computer modelling of the Pareto principle,” Math. Comput. Model., vol. 19, no. 9, pp. 61–80, 1994, doi: 10.1016/0895-7177(94)90041-8.

covid19.go.id, “Data Sebaran,” www.covid19.go.id. https://covid19.go.id/