PERAMALAN JUMLAH POSITIF HARIAN PASIEN COVID-19 DENGAN MENGGUNAKAN MULTIVARIABLE DAN HYBRID ARIMA-LSTM

MUHAMMAD ARDIAN R.A, Ir. Hanung Adi Nugroho, S.T., M.E., Ph.D., IPM; Dr.Eng. Ir. Sunu Wibirama, S.T., M.Eng., IPM

2022 | Tesis | MAGISTER TEKNOLOGI INFORMASI

Novel Corona virus atau dikenal dengan nama COVID-19 telah menyebar ke hampir seluruh negara di dunia dan telah menjadi pandemik global. Sangatlah penting untuk mengantisipasi sumber daya penanganan pandemik COVID-19. Peramalan jumlah pasien COVID-19 akan mempermudah mempersiapkan sumber daya yang dibutuhkan. Metode paling umum pada peramalan adalah metode statistik. Keakuratan metode statistik bergantung pada data yang digunakan. Jika data tersebut berbentuk non-linear peramalan tidak mendapatkan hasil yang baik. Metode lain dapat digunakan pada peramalan adalah metode artificial neural network (ANN). Metode ANN memiliki kelebihan dibandingkan metode statistik karena dapat memodelkan non-linearity pada data. Hasil keakuratan peramalan juga dapat dipegaruhi oleh variabel lainnya. Mobilitas penduduk, dan kondisi cuaca dapat meningkatkan penyebaran COVID-19. Penelitian ini mengusulkan metode hybrid ARIMA-LSTM serta menggunakan variable cuaca dan mobilitas penduduk untuk meramalkan kasus harian COVID-19. Metode ini membagi time-series menjadi komponen trend, komponen seasonal, dan komponen residual. Komponen seasonal dan residual akan dimodelkan menggunakan metode LSTM selain itu variabel cuaca dan mobilitas penduduk digunakan pada komponen ini. Sedangkan komponen trend akan dimodelkan dengan ARIMA. Berdasarkan analisis hasil dan penelitian yang dilakukan, metode hybrid ARIMA-LSTM dapat meningkatkan akurasi hasil peramalan dengan nilai RMSE dan MAE sebesar 86,953 dan 61,823 dibandingkan dengan ARIMA sebesar 118,533 dan 92,725 serta LSTM sebesar 156,584 dan 114,638. Namun penggunaan variabel mobilitas penduduk dan cuaca dalam metode hybrid ARIMA-LSTM tidak dapat meningkatkan akurasi peramalan karena nilai RMSE dan MAE meningkat menjadi 90,627 dan 74,835.

Novel Coronavirus or known as COVID-19 has spread in almost every country and has become a global pandemic. It is very important to anticipate the resources needed to counter the COVID-19 pandemic. Forecasting the number of COVID-19 patients will make the preparation of the resource easier. The most common method for forecasting is the statistical model. The accuracy of the statistical model depends on the data used. If the data is non-linear the result will not have a good result. Another method that can be used for forecasting is an artificial neural network (ANN). ANN method has superiority over statistical method which can model non-linearity on the data. Forecasting also can be affected by other variables. Mobility and weather conditions can increase the spread of COVID-19. This research proposed a hybrid ARIMA-LSTM method and used mobility and weather variable to forecast the daily COVID-19 case. This method divided time series into trend, seasonal, and a residual component. The seasonal and residual component will be modeled using LSTM along with weather and mobility variables. Meanwhile, the trend component will be modeled using ARIMA. Based on the analysis and experiment, the hybrid ARIMA-LSTM method can improve the prediction accuracy with RMSE dan MAE of 86,953 and 61,823 compared to ARIMA which have 118,533 dan 92,725 and LSTM which have 156,584 and 114,638 RMSE and MAE. However, mobility and weather variables cannot increase the accuracy on the hybrid ARIMA-LSTM method as the RMSE and MAE increase to 90,627 and 74,835.

Kata Kunci : COVID-19, peramalan, hybrid, ARIMA, LSTM