PERAMALAN KASUS COVID-19 DI JAWA BARAT SELAMA MASA PPKM MENGGUNAKAN METODE GREY SEASONAL LEAST SQUARE SUPPORT VECTOR REGRESSION

Vanesya Akmal, - (2022) PERAMALAN KASUS COVID-19 DI JAWA BARAT SELAMA MASA PPKM MENGGUNAKAN METODE GREY SEASONAL LEAST SQUARE SUPPORT VECTOR REGRESSION. S1 thesis, Universitas Pendidikan Indonesia.

Preview	Text S_MAT_1806574_Title.pdf Download (315kB) | Preview
Preview	Text S_MAT_1806574_Chapter1.pdf Download (248kB) | Preview
	Text S_MAT_1806574_Chapter2.pdf Restricted to Staf Perpustakaan Download (491kB)
Preview	Text S_MAT_1806574_Chapter3.pdf Download (80kB) | Preview
	Text S_MAT_1806574_Chapter4.pdf Restricted to Staf Perpustakaan Download (738kB)
Preview	Text S_MAT_1806574_Chapter5.pdf Download (177kB) | Preview
	Text S_MAT_1806574_Appendix.pdf Restricted to Staf Perpustakaan Download (141kB)

Abstract

Grey Seasonal Least Square Support Vector Regression (GSLSSVR) merupakan metode yang menggabungkan variabel dummy, kerangka model LSSVR, dan Accumulation Grey Operation (AGO) untuk menentukan variasi musiman dalam bentuk variabel, dan parameter fungsional. Metode ini diciptakan agar dapat menggabungkan manfaat atau kelebihan dari setiap metode dan memperbaiki kelemahan model LSSVR biasa. Pada penelitian ini, metode GSLSSVR digunakan untuk meramalkan kasus COVID-19 di wilayah Jawa Barat yang meliputi kasus konfirmasi, isolasi, sembuh, dan meninggal akibat COVID-19. Data yang digunakan merupakan data ketika PPKM berlangsung yaitu dimulai dari tanggal 3 Juli 2021 sampai dengan 31 Maret 2022. Untuk menilai tingkat keakuratan model digunakan Mean Absolute Percentage Error for Simulative Results (MAPES), Mean Absolute Percentage Error for Predictive Results (MAPEP), Root Mean Relative Squared Error for Simulative Results (RMRSES), dan Root Mean Relative Squared Error for Predictive Results (RMRSEP). Tujuan dari penelitian ini adalah untuk mengetahui model yang memadai untuk setiap kasus COVID-19 dan mengetahui hasil peramalan menggunakan metode GSLSSVR. Dari hasil penelitian ini diperoleh fungsi kernel dan hyperparameter terbaik untuk masing masing model pada setiap kasusnya. Untuk data kasus konfirmasi, fungsi kernel yang terbaik adalah linear dengan hyperparameter γ = 0,1. Untuk data kasus isolasi, fungsi kernel yang terbaik adalah RBF dengan hyperparameter γ = 10 dan C = 10. Untuk data kasus sembuh, fungsi kernel yang terbaik adalah linear dengan hyperparameter γ = 1. Dan untuk data kasus meninggal, fungsi kernel yang terbaik adalah linear dengan hyperparameter γ = 1. Dari setiap model terbaik tersebut menghasilkan nilai MAPES, MAPEP, RMRSES, RMRSEP terkecil. Berdasarkan hasil peramalan, nilai kasus konfirmasi, sembuh, dan meninggal pada bulan April 2022 mengalami fase kenaikan. Sedangkan nilai kasus isolasi mengalami fase penurunan. Grey Seasonal Least Square Support Vector Regression (GSLSSVR) is a method that combines dummy variables, the LSSVR model framework, and the Accumulation Grey Operation (AGO) to determine seasonal variations in the form of variables and functional parameters. This new method was created to combine each method's benefits or advantages and improve the problem. In this study, the GSLSSVR method was used to predict COVID-19 cases in the West Java region, including confirmed cases, isolation, recovery, and death due to COVID-19. The data used is when PPKM took place, starting from July 3, 2021, to March 31, 2022. To assess the accuracy level of the model, using Mean Absolute Percentage Error for Simulative Results (MAPES), Mean Absolute Percentage Error for Predictive Results (MAPEP), Root Mean Relative Squared Error for Simulative Results (RMRSES), and Root Mean Relative Squared Error for Predictive Results (RMRSEP). This study aims to find an adequate model for each COVID-19 case and find out the results of forecasting using the GSLSSVR method. From the results of this study, the best kernel and hyperparameter functions were obtained for each model in each case. For confirmation case data, the best kernel function is linear with a hyperparameter γ = 0,1. For isolation case data, the best kernel function is RBF with hyperparameters γ = 10 and C = 10. For recovered case data, the best kernel function is linear with a hyperparameter γ = 1. And for deceased case data, the best kernel function is linear with a hyperparameter γ = 1. Each of the best models produces the smallest values of MAPES, MAPEP, RMRSES, and RMRSEP. Based on the forecasting results, the value of confirmed cases, recoveries, and deaths in April 2022 experienced an upward phase. Meanwhile, the value of isolation cases has decreased.

Item Type:	Thesis (S1)
Additional Information:	ID SINTA Dosen Pembimbing : Entit Puspita : 5986409 Bambang Avip Priatna Martadiputra : 6124136
Subjects:	L Education > L Education (General) Q Science > QA Mathematics
Divisions:	Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Jurusan Pendidikan Matematika > Program Studi Matematika (non kependidikan)
Depositing User:	Vanesya Akmal
Date Deposited:	08 Sep 2022 04:40
Last Modified:	08 Sep 2022 04:40
URI:	http://repository.upi.edu/id/eprint/79060

Actions (login required)

View Item