Sistem Prediksi Jumlah Pasien Covid-19 Menggunakan Metode Trend Least Square Berbasis Web

Johanna Sindya Widjaya, Dewi Agushinta R, Sri Rahayu Puspita Sari

Abstract


Abstrak

Virus Corona telah menjadi masalah kesehatan yang marak terjadi sejak awal tahun 2020, bermula dari negara China, Wuhan. Indonesia telah menjadi salah satu negara di Asia dengan angka kematian (Death Rate) tertinggi di dunia. Banyaknya kasus yang masih belum terdeteksi dan terlaporkan membuat situasi di Indonesia menjadi lebih buruk. Jumlah pasien yang terus meningkat dan keterbatasan fasilitas, alat dan tenaga kesehatan menjadi kendala bagi Indonesia untuk menghadapi COVID-19. Berdasarkan permasalahan di atas, penulis tertarik membuat sistem prediksi jumlah pasien COVID-19 menggunakan metode Trend Least Square berbasis web. Proses prediksi dilakukan dengan menggunakan tool RStudio. Hasil prediksi akan diimplementasikan ke dalam website. Analisa hasil prediksi dilakukan dengan menghitung nilai Mean Absolute Percentage Error (MAPE). Sayangnya, nilai rata-rata persentase MAPE prediksi pasien COVID-19 di Indonesia sebesar 59,2 % menunjukkan prediksi dengan metode Trend Least Square tergolong buruk. Sistem prediksi ini dapat memprediksi pasien COVID-19 sesuai waktu yang tersedia dan terproses sebelumnya menggunakan RStudio. Uji coba website menggunakan metode Black Box memiliki hasil sukses untuk setiap skenario uji coba. Tujuan dari penelitian ini adalah membuat sistem prediksi jumlah pasien COVID-19 menggunakan metode Trend Least Square berbasis web. Sistem ini dapat memprediksi perkembangan jumah pasien yang terjangkit, sembuh, dan meninggal terkait COVID-19 khususnya di wilayah Indonesia, sehingga pemerintah daerah dapat menyiapkan sarana dan prasarana serta kebijakan yang tepat untuk menangani epidemi COVID-19.

 

Kata Kunci: COVID-19, prediksi, trend least square, rstudio, data mining

 

Abstract

The Coronavirus has becomed a rife health problem since the beginning of 2020, starting in China, Wuhan. Indonesia has become one of the countries in Asia with the highest death rate in the world. The large number of cases that have not been detected and reported has made the situation in Indonesia even worse. The increasing number of patients and limited facilities, equipment, and health personnel are obstacles for Indonesia to deal with COVID-19. Based on the  problems, the authors are interested in making a prediction system for the number of COVID-19 patients using the web-based Trend Least Square method. The prediction process is carried out using the RStudio tool. The prediction results will be implemented on the website. Analysis of the prediction results is done by calculating the value of Mean Absolute Percentage Error (MAPE). Unfortunately, the average value of the predicted MAPE percentage for COVID-19 patients in Indonesia is 59.2%, indicating that the prediction using Trend Least Square method is poor. This prediction system can predict COVID-19 patients according to the available time and are processed in advance using RStudio. Testing the website using the Black Box method has successful results for each test scenario. The purpose of this study was to create a prediction system for COVID-19 patients using the web-based Trend Least Square method. This system predicts the development of the number of patients who are infected, recovered and related to COVID-19, especially in the Indonesian region, so that local governments can prepare the right facilities and infrastructure and policies for the COVID-19 epidemic.


Keywords:  COVID-19, prediction, trend least square, rstudio, data mining


Full Text:

PDF

References


G. Kampf, D. Todt, S. Pfaender, and E. Steinmann, “Persistence of coronaviruses on inanimate surfaces and their inactivation with biocidal agents,” J. Hosp. Infect., vol. 104, no. 3, pp. 246–251, 2020, doi: 10.1016/j.jhin.2020.01.022.

A. Susilo et al., “Coronavirus Disease 2019: Tinjauan Literatur Terkini,” J. Penyakit Dalam Indones., vol. 7, no. 1, pp. 45–67, 2020, doi: 10.7454/jpdi.v7i1.415.

Statista.com, “Coronavirus (COVID-19) death rate in countries with confirmed deaths and over 1,000 reported cases as of August 24, 2020, by country,” www.statista.com, 2020. https://www.statista.com/statistics/1105914/coronavirus-death-rates-worldwide (accessed Apr. 18, 2020).

I. D. Jaya, “Penerapan Metode Trend Least Square Untuk Forecasting (Prediksi) Penjualan Obat Pada Apotek,” J. CoreIT J. Has. Penelit. Ilmu Komput. dan Teknol. Inf., vol. 5, no. 1, pp. 1–7, 2019.

F. R. Hariri, “Metode Least Square Untuk Prediksi Penjualan Sari Kedelai Rosi,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 7, no. 2, p. 731, 2016, doi: 10.24176/simet.v7i2.788.

Kementrian Kesehatan Indonesia, “Tentang Novel Coronavirus (NCOV),” kemenkes.go.id, 2020. https://www.kemkes.go.id/resources/download/info-terkini/Covid-19/Tentang Novel Coronavirus.pdf (accessed Apr. 20, 2020).

Yuliana, “Corona virus diseases (Covid -19); Sebuah tinjauan literatur,” WELLNESS Heal. Mag., vol. 2, no. 1, pp. 187–192, 2020, doi: 10.2307/j.ctvzxxb18.12.

A. M. Siregar and A. Puspabhuana, Data Mining: Pengolahan Data Menjadi Informasi dengan RapidMiner. CV. Kekata Group, 2017.

R. D. Ramadhani, “Data Mining Menggunakan Algoritma K-Means Clustering Untuk Menentukan Strategi Promosi Universitas Dian Nuswantoro,” vol. 1, no. 1, pp. 1–9, 2014, doi: 10.1016/j.indmarman.2016.05.016.

M. Hatta and A. F. Fitri, “Sistem Prediksi Persediaan Stok Darah Dengan Metode Least Square Pada Unit Transfusi Darah Studi Kasus Pmi Kota Cirebon,” J. Ilm. Ilmu Komput., vol. 6, no. 1, pp. 19–23, 2020.

R. C. N. Santi, S. Eniyati, and S. Mulyani, “Penggunaan Weight Moving Average Untuk Sistem Peramalan Estimasi Jumlah Mahasiswa Baru,” Proceeding SINTAK 2019, no. 1, pp. 520–524, 2019.

A. Rohman, V. Suhartono, and C. Supriyanto, “Penerapan Algoritma C4.5 Berbasis Adaboost Untuk Prediksi Penyakit Jantung,” J. Teknol. Inf., vol. 13, no. 1, pp. 13–19, 2017.

N. K. A. I. Cahyani, I. M. Putrama, and I. M. A. Wirawan, “Sistem Pendukung Keputusan Peramalan Pendapatan Di Dinas Penanaman Modal Dan Pelayanan Perizinan Terpadu Satu Pintu Kabupaten Buleleng Dengan Metode Least Square,” JANAPATI, vol. 7, no. 1, pp. 1–11, 2018.

H. S. Pakpahan, Y. Basani, and R. R. Hariani, “Prediksi Jumlah Penduduk Miskin Kalimantan Timur Menggunakan Single dan Double Exponential Smoothing,” Inform. Mulawarman J. Ilm. Ilmu Komput., vol. 15, no. 1, pp. 47–51, 2020.

R. Mayriayanti, B. E. Purnama, and Sukadi, “Aplikasi Pengolahan Jurnal Online Pada Sekolah Tinggi Keguruan Dan Ilmu Pendidikan (STKIP) PGRI Pacitan,” Indones. J. Netw. Secur., pp. 1–5, 2011, [Online]. Available: http://ijns.org.




DOI: https://doi.org/10.32520/stmsi.v10i1.1036

Article Metrics

Abstract view : 88 times
PDF - 46 times

Refbacks

  • There are currently no refbacks.


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