Analisis Peramalan dengan Long Short Term Memory pada Data Kasus Covid-19 di Provinsi Jawa Tengah
Article Sidebar
Main Article Content
Abstract
Makalah ini bertujuan untuk menjelaskan model Long Short Term Memory pada penerapan analisis peramalan kasus Covid-19 di Provinsi Jawa Tengah. Penelitian ini menggunakan google colab dengan bahasa pemrograman python. Data yang diamati adalah data harian dari 8 Maret 2020 sampai dengan 6 September 2021 sebanyak 548 periode. Hasil analisis time series menunjukkan bahwa model terbaik untuk meramal kasus Covid-19 di Provinsi Jawa Tengah adalah metode LSTM untuk regresi menggunakan metode window. Hal ini dikarenakan ketepatan nilai RMSE terendah sebesar 715,62 dibandingkan dengan metode yang lainnya. Dalam peramalan ini terdapat kemungkinan bahwa sewaktu-waktu berubah dikarenakan faktor tertentu. Kasus pandemi ini juga bisa berubah sewaktu-waktu tergantumg upaya pemerintah Provinsi Jawa Tengah dan juga kesadaran masyarakat untuk selalu menjaga kebersihan dan menerapkan protokol kesehatan.
Article Details
References
Karno, A. S. B. (2020). Prediksi Data Time Series Saham Bank BRI Dengan Mesin Belajar LSTM (Long Short Term Memory). Journal of Information and Information Security (JIFORTY), 1(1), 1–8.
Makridakis, S. G. (1999). Forecasting, Planning, and Strategy for the 21 st Century.
Rahmadayanti, R., Susilo, B., & Puspitaningrum, D. (2015). PERBANDINGAN KEAKURATAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DAN EXPONENTIAL SMOOTHING PADA PERAMALAN PENJUALAN SEMEN DI PT. SINAR ABADI. 3(1), 23–36.
Sindi, S., Ratnasari, W., Ningse, O., Sihombing, I. A., Zer, F. I. R. H., Hartama, D., & Kunci, K. (2020). Analisis algoritma k-medoids clustering dalam pengelompokan penyebaran covid-19 di indonesia. 4(1), 166–173.
Time Series Prediction with LSTM Recurrent Neural Networks in Python with Keras. (n.d.). Retrieved September 14, 2021, from https://machinelearningmastery.com/time-series-prediction-lstm-recurrent-neural-networks-python-keras/
World Health Organization. (2020). Situation Report 10: Coronavirus Disease 2019 (Covid-19) in Indonesia. World Health Organization, 19(June), 1–20.
Yuniastari, N. L., & Wirawan, I. (2014). Peramalan Permintaan Produk Perak Menggunakan Metode Simple Moving Average Dan Exponential Smoothing. JURNAL SISTEM DAN INFORMATIKA, 9(1), 97–106.
Zheng, J., Xu, C., Zhang, Z., & Li, X. (2017). Electric Load Forecasting in Smart Grids Using Long-Short-Term-Memory based Recurrent Neural Network. 1–6.