Model Analisis Kasus Covid-19 Di Indonesia Menggunakan Algoritma Regresi Linier Dan Random Forest

Main Article Content

Amril Mutoi Siregar

Abstract

Kenaikan kasus covid-19 di Indonesia tidak bisa diperkirakan perkembangannya, sehingga menyebabkan buruknya berbagai aspek kehidupan di Indonesia. Analisis data sangat penting untuk dilakukan, dengan menganalisis maka akan dihasilkan informasi baru yang bisa digunakan untuk menunjang penelitian lebih dalam terhadap permasalahan yang sama. Penelitian ini bertujuan untuk menganalisis data covid-19 di Indonesia dengan cara  mengetahui nilai akurasi yang diperoleh dalam data. Dalam penelitian ini metode yang digunakan yaitu metode regresi linier dan random forest. Hasil penelitian dapat diketahui bahwa dalam penelitian ini cara analisis yang dilakukan yaitu menggunakan perhitungan manual dengan tools microsoft excel, pemrograman bahasa python menggunakan tools google colaboratory dan perangkat lunak pengolahan data menggunakan tools rapidminer. Nilai akurasi dalam setiap metode dapat berbeda sesuai dengan tools yang digunakan. Pada metode regresi linier nilai akurasi tertinggi adalah 99,7% dengan nilai RMSE (root mean squared error) yaitu 26,19, data tersebut dianalisis menggunakan perhitungan manual dengan tools microsoft excel. Sedangkan untuk metode random forest nilai akurasi tertinggi adalah 98,4% dan dianalisis menggunakan tools rapidminer

Downloads

Download data is not yet available.

Article Details

How to Cite
Siregar, A. (2021). Model Analisis Kasus Covid-19 Di Indonesia Menggunakan Algoritma Regresi Linier Dan Random Forest. Petir, 15(1). https://doi.org/10.33322/petir.v15i1.1487
Section
Articles

References

[1] M. K. Sari, “Sosialisasi tentang Pencegahan Covid-19 di Kalangan Siswa Sekolah Dasar di SD Minggiran 2 Kecamatan Papar Kabupaten Kediri,” J. Karya Abdi, vol. 4, no. 1, pp. 80–83, 2020.
[2] N. H. . W. Nasution, “MANAJEMEN MASJID PADA MASA PANDEMI COVID 19 Oleh: Dr. Nurseri Hasnah Nasution, M.Ag 1 Dr. Wijaya, M.Si. 2,” Manaj. Masjid Pada Masa Pandemi Covid 19, vol. 2, no. 1, p. 1, 2020.
[3] N. Kusumawati, F. Marisa, and I. D. Wijaya, “Prediksi Kurs Rupiah Terhadap Dollar Amerika Dengan Menggunakan Metode Regresi Linear,” J I M P - J. Inform. Merdeka Pasuruan, vol. 2, no. 3, pp. 45–56, 2017.
[4] A. R. Muhajir, E. Sutoyo, and I. Darmawan, “Forecasting Model Penyakit Demam Berdarah Dengue Di Provinsi DKI Jakarta Menggunakan Algoritma Regresi Linier Untuk Mengetahui Kecenderungan Nilai Variabel Prediktor Terhadap Peningkatan Kasus,” Fountain Informatics J., vol. 4, no. 2, p. 33, 2019.
[5] V. W. Siburian and I. E. Mulyana, “Prediksi Harga Ponsel Menggunakan Metode Random Forest,” Pros. Annu. Res. Semin., vol. 4, no. 1, pp. 144–147, 2018.
[6] H. Wiguna, Y. Nugraha, F. Rizka R, A. Andika, J. I. Kanggrawan, and A. L. Suherman, “Kebijakan Berbasis Data: Analisis dan Prediksi Penyebaran COVID-19 di Jakarta dengan Metode Autoregressive Integrated Moving Average (ARIMA),” J. Sist. Cerdas, vol. 3, no. 2, pp. 74–83, 2020.
[7] A. S. Albana and S. Azhari, “Prediksi Penyebaran COVID-19 Kota Surabaya dengan Simulasi,” J. Adv. Inf. Ind. Technol., vol. 2, no. 1, pp. 36–42, 2020.
[8] S. A. Hardiyanti and Q. Shofiyah, “PREDIKSI KASUS COVID-19 DI INDONESIA MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS),” Semin. Nas. Terap. Ris. Inov. Ke-6, vol. 1, no. 1, pp. 974–981, 2020.
[9] R. Teguh, A. S. Sahay, and F. F. Adji, “Pemodelan Penyebaran Infeksi Covid-19 Di Kalimantan, 2020,” J. Teknol. Inf. J. Keilmuan dan Apl. Bid. Tek. Inform., vol. 14, no. 2, pp. 171–178, 2020.
[10] F. S. D. Arianto and Noviyanti, “Prediksi Kasus COVID-19 di Indonesia Menggunakan Metode Backpropagation dan Fuzzy Tsukamoto,” J. Teknol. Inf., vol. 4, no. 1, pp. 120–127, 2020.
[11] F. R. Pratikto, “Prediksi Akhir Pandemi COVID-19 di Indonesia dengan Simulasi Berbasis Model Pertumbuhan Parametrik,” J. Rekayasa Sist. Ind., vol. 9, no. 2, pp. 63–68, 2020.
[12] H. Y. Jayanti, “Peramalan pendapatan reksa dana dalam setahun menggunakan metode regresi linier sederhana,” J. Teknol. Inf. Dan Komun., vol. VIII, no. 2, 2018.
[13] J. Sanjaya, E. Renata, V. E. Budiman, F. Anderson, and M. Ayub, “Prediksi Kelalaian Pinjaman Bank Menggunakan Random Forest dan Adaptive Boosting,” J. Tek. Inform. dan Sist. Inf., vol. 6, no. 1, pp. 50–60, 2020.
[14] M. M. Ramadhan, I. Budhi, and C. Setianingsih, “Penerjemahan Huruf Cyrillic Rusia Ke Huruf Latin Menggunakan Algoritma SVM ( Support Vector Machine ) Translation Russian Cyrillic To Latin Alphabet Using SVM ( Support Vector Machine ),” vol. 4, no. 3, pp. 4007–4014, 2017.
[15] A. P. Ayudhitama and U. Pujianto, “Analisa 4 Algoritma Dalam Klasifikasi Penyakit Liver Menggunakan,” J. Inform. Polinema, vol. 6, pp. 1–9, 2020.

Most read articles by the same author(s)

Obs.: This plugin requires at least one statistics/report plugin to be enabled. If your statistics plugins provide more than one metric then please also select a main metric on the admin's site settings page and/or on the journal manager's settings pages.