PREDIKSI GELOMBANG CORONA DENGAN METODE NEURAL NETWORK

MELIY JEFIKA, HENDRICK KOSASI, DICKY, GALI PRAYOGI, WILLIAM (2020) PREDIKSI GELOMBANG CORONA DENGAN METODE NEURAL NETWORK , SKRIPSI, UNIVERSITAS PRIMA INDONESIA

ABSTRAK

Hingga saat ini penyebaran COVID-19 tidak terbendung. COVID-19 disebabkan oleh Virus RNA yang menyebar luas antara manusia, mamalia, dan burung yang menyebabkan penyakit pernapasan, enterik, jantung, dan neurologis. Walaupun diketahui infeksi saluran pernafasan, virus melalui plasma atau serum juga sering terjadi. Oleh karena itu, secara teoritis masih ada risiko penyebaran virus melalui transfusi darah. Karena semakin banyak kasus yang tidak menunjukkan gejala, kekhawatiran tentang penyebaran COVID-19 semakin meningkat. Beberapa upaya telah dilakukan untuk menurunkan angka kematian seperti penggunaan masker dan karantina penguncian. Jaringan saraf menyesuaikan cara kerja otak manusia. Salah satu teknik jaringan syaraf tiruan adalah Multilayer Perceptron (MLP). Dalam MLP, data masukan diterima melalui satu dimensi dan disebarkan melalui jaringan hingga diperoleh keluaran. Setiap koneksi neuron pada dua layer yang bertetangga memiliki satu nilai dimensi yang menentukan kualitas node tersebut. Pada setiap input data pada setiap layer dilakukan perhitungan bobot layer, kemudian hasilnya akan ditransformasikan dengan menggunakan rumus non linier yang disebut dengan fungsi aktivasi. Hasil dari penelitian ini diperoleh dengan bantuan dua teknik validasi silang yaitu GridSearchCV dan KFold Cross Validation yang masing-masing memberikan skor 0,943887 dan 0,911341. Skor tersebut dicapai dengan menggunakan r2 dimana parameter terbaik dari model ditentukan sebagai: relu, 0.1, (10,10), invscaling dan lbfgs. Hasil penelitian menunjukkan bahwa model yang diusulkan dapat melakukan prediksi dengan baik terhadap angka kematian korona. Pada setiap input data pada setiap layer dilakukan perhitungan bobot layer, kemudian hasilnya akan ditransformasikan dengan menggunakan rumus non linier yang disebut dengan fungsi aktivasi. Hasil dari penelitian ini diperoleh dengan bantuan dua teknik validasi silang yaitu GridSearchCV dan KFold Cross Validation yang masing-masing memberikan skor 0,943887 dan 0,911341. Skor tersebut dicapai dengan menggunakan r2 dimana parameter terbaik dari model ditentukan sebagai: relu, 0.1, (10,10), invscaling dan lbfgs. Hasil penelitian menunjukkan bahwa model yang diusulkan dapat melakukan prediksi dengan baik terhadap angka kematian korona. Pada setiap input data pada setiap layer dilakukan perhitungan bobot layer, kemudian hasilnya akan ditransformasikan dengan menggunakan rumus non linier yang disebut dengan fungsi aktivasi. Hasil dari penelitian ini diperoleh dengan bantuan dua teknik validasi silang yaitu GridSearchCV dan KFold Cross Validation yang masing-masing memberikan skor 0,943887 dan 0,911341. Skor tersebut dicapai dengan menggunakan r2 dimana parameter terbaik dari model ditentukan sebagai: relu, 0.1, (10,10), invscaling dan lbfgs. Hasil penelitian menunjukkan bahwa model yang diusulkan dapat melakukan prediksi dengan baik terhadap angka kematian korona. 911341 skor. Skor tersebut dicapai dengan menggunakan r2 dimana parameter terbaik dari model ditentukan sebagai: relu, 0.1, (10,10), invscaling dan lbfgs. Hasil penelitian menunjukkan bahwa model yang diusulkan dapat melakukan prediksi dengan baik terhadap angka kematian korona. 911341 skor. Skor tersebut dicapai dengan menggunakan r2 dimana parameter terbaik dari model ditentukan sebagai: relu, 0.1, (10,10), invscaling dan lbfgs. Hasil penelitian menunjukkan bahwa model yang diusulkan dapat melakukan prediksi dengan baik terhadap angka kematian korona.

JURNAL