Perancangan Sistem Prediktor Untuk Memprediksi Jumlah Kasus Covid-19 Dengan Algoritma Multivariate Long Short Term Memory Berdasarkan Variabel Polutan Dan Cuaca : Studi Kasus Kota Surabaya

Anggara, Yusni (2022) Perancangan Sistem Prediktor Untuk Memprediksi Jumlah Kasus Covid-19 Dengan Algoritma Multivariate Long Short Term Memory Berdasarkan Variabel Polutan Dan Cuaca : Studi Kasus Kota Surabaya. Other thesis, Institu Teknologi Sepuluh Nopember.

[thumbnail of 02311740000013-Undergraduate_Thesis.pdf] Text
02311740000013-Undergraduate_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 April 2024.

Download (2MB) | Request a copy

Abstract

Penyakit Coronavirus Disease-19 (COVID-19) ditetapkan sebagai pandemi global oleh WHO.
Penyakit COVID-19 merupakan masalah serius yang sedang dihadapi negara-negara di dunia, salah
satunya Indonesia. Penelitian ini bertujuan untuk merancang suatu sistem prediktor yang dapat
memprediksi jumlah kasus COVID-19 berdasarkan variabel cuaca dan polutan di kota Surabaya.
Metode yang digunakan dalam membuat sistem prediktor adalah jaringan syaraf tiruan dengan
algoritma multivariate long short term memory (LSTM). Algoritma multivariate long short term
memory (LSTM) merupakan versi modifikasi dari jaringan saraf berulang (RNN), khusus untuk
mempelajari data dengan sekuensi yang panjang dan dapat mengatasi kekurangan dari algoritma
RNN yaitu dikatakan sebagai vanishing gradient. Uji korelasi untuk menentukan variable input
prediktor dengan kriteria yang memenuhi ketentuan. Uji korelasi dilakukan dengan menggunakan
metode Spearman-Rank dan bantuan software SPSS. Hasil uji korelasi menunjukkan bahwa
konsentrasi PM2.5, PM10, NO2, O3, temperatur minimum, temperatur maksimum, temperatur rata�rata, lama penyinaran matahari dan kecepatan angin rata-rata, memiliki korelasi dengan kasus
terkonfirmasi, sembuh dan meninggal akibat COVID-19. Model prediktor dengan RNN dan
algoritma LSTM, dilakukan melalui training terlebih dahulu dengan 80% jumlah data, dan sisa data
digunakan untuk validasi. Hasil model yang tervalidasi digunakan untuk melakukan prediksi dengan
data riil yang lain, dan diperoleh besarnya MAPE untuk kasus konfirmasi, sembuh dan meninggal ,
berturut - turut adalah: 8.38%; 10.32% dan 9.20%. Algoritma multivariate long short term memory
di dalam predictor menunjukkan kemampuan yang dikategorikan baik.
================================================================================================
Coronavirus Disease (COVID-19) has been declared a global pandemic by WHO. COVID-19 is a
serious problem that is being faced by countries in the world, one of which is Indonesia. This study
aims to design a predictor system that can predict the number of COVID-19 cases based on weather
and pollutant variables in the city of Surabaya. The method used in making the predictor system is
an artificial neural network with a multivariate long short term memory (LSTM) algorithm.
Algorithm multivariatelongshort term memory is a modifiedversionof the reccurent neural network
(RNN), specifically for studying data with long sequences and can overcome the shortcomings of the
RNN algorithm, which is vanishing gradient. Correlation test to determine predictor input variables
with criteria that meet the requirements. The correlation test was carried out using the
SpearmanRank and the helpsoftware SPSS. The correlation test results show that the concentrations
of PM2.5, PM10, NO2, O3, minimum temperature, maximum temperature, average temperature,
duration of sunshineandaverage windspeed,havea correlation with confirmed, recovered and died
cases of COVID -19. Predictor model with RNN and LSTM algorithm is done through training
beforehand with 80% of the data, and the remaining data is used for validation. The results of the
validated model are used to make predictions with other real data, and the magnitude of MAPE for
confirmed, recovered and died case are: 8.38%; 10.32% and 9.20%. Algorithm of multivariate long
short term memory in the predictor shows the performance that is categorized as good performance.

Item Type: Thesis (Other)
Uncontrolled Keywords: Sistem prediktor, COVID-19, LSTM, polutan, cuaca, Predictor System, pollution, weather
Subjects: T Technology > T Technology (General) > T174 Technological forecasting
Divisions: Faculty of Industrial Technology and Systems Engineering (INDSYS) > Physics Engineering > 30201-(S1) Undergraduate Thesis
Depositing User: Yusni Anggara
Date Deposited: 01 Mar 2022 04:56
Last Modified: 31 Oct 2022 01:57
URI: http://repository.its.ac.id/id/eprint/94771

Actions (login required)

View Item View Item