Penerapan Metode Long Short-Term Memory dalam Memprediksi Pasien Terkonfirmasi COVID-19 di Indonesia

Abstract

Pada awal tahun 2020, dunia dihebohkan dengan ditemukannya virus baru yang menyebabkan pasien yang tertular virus ini mengalami pneumonia berat. Dalam hal ini, Organisasi Kesehatan Dunia (WHO) menyatakan keadaan darurat global dan menyebutnya sebagai COVID-19. Pesatnya penyebaran menyebabkan bertambahnya jumlah pasien terkonfirmasi virus, sehingga banyak dilakukan penyelidikan mengenai kasus ini dengan memprediksi pasien terkonfirmasi
COVID-19 dengan menggunakan berbagai metode, salah satunya yaitu Long Short-Term Memory yang merupakan versi lebih lanjut dari metode RNN (Recurrent Neural Network). Metode ini menyimpan informasi dengan mendalami informasi mana yang disimpan dan informasi mana yang dibuang. Dalam penelitian ini, dilakukan prediksi mengenai pasien terkonfirmasi COVID-19 yang ada di Indonesia dengan metode LSTM menggunakan bantuan aplikasi Python. Penentuan neuron dan epochs sebagai langkah awal prediksi sehingga dapat dimasukkan ke dalam syntax aplikasi yang digunakan. Kemudian dilanjutkan dengan melakukan prediksi pada model yang diberikan aplikasi. Hasil prediksi menunjukkan bahwa untuk beberapa hari ke depan, pasien terkonfirmasi COVID-19 bertambah sehingga penyebaran COVID-19 semakin meluas. Hasil prediksi dikatakan sangat baik dengan MSE sebesar 11.523,98 dan MAPE sebesar 1%.