Email this article Analisis Ketercapaian Vaksinasi Terhadap Penyebaran COVID-19 Menggunakan Machine Learning
Abstract
Pada akhir tahun 2019 tepatnya bulan Desember Organisasi Kesehatan Dunia (WHO) mengatakan virus baru bernama virus COVID-19 ditemukan di Wuhan, Cina dengan cepat mempengaruhi masyarakat setempat. WHO sebagai organisasi kesehatan dunia menyetujui vaksinasi COVID-19 dan tersedia untuk seluruh masyarakat di dunia guna meningkatkan kekebalan tubuh manusia supaya tidak mudah terinfeksi oleh COVID-19. Untuk mengetahui ketercapaian vaksinasi diperlukan alat yang dapat bekerja secara otomatis dari pola data tanpa pemrograman eksplisit menggunakan Machine Learning (ML). Adapun data cakupan vaksinasi yang diprediksi adalah pada provinsi Jakarta dengan sumber melalui website satgas COVID-19 dengan parameter yang akan di uji adalah sasaran, belum vaksin, dosis 1, dosis 2, total vaksin diberikan kepada masyarakat. Pemodelan ML yang diusulkan adalah AdaBoost Regressor. Kinerja regressor ditentukan berdasarkan akar rata – rata keasalahan (RMSE) dan kesalahan mutlak (MAE). Nilai Akurasi yang didapatkan adalah 98% dengan nilai korelasi 99%. Berdasarkan berita dari kementrian kesehatan Indonesia dikatakan tercapainya vaksinasi jika sudah mencapai lebih kurang 80% untuk total vaksinasi yang sudah diberikan yaitu baik vaksinasi dosis 1 dan dosis 2. Total dosis vaksinasi yang sudah disebarkan pada masyarakat di provinsi DKI Jakarta dengan Kabupaten Adm. Kep. Seribu sebagai kota/kabupaten yang tertinggi untuk memberikan vaksinasi dosis 1 dan dosis 2 yang sudah mencapai 140% total dosis yang diberikan.
Keywords
Full Text:
PDFReferences
S. Balinandi et al., “Identification and molecular characterization of highly divergent RNA viruses in cattle, Uganda.,” Virus Res., vol. 313, no. March, p. 198739, 2022, doi: 10.1016/j.virusres.2022.198739.
S. Yazdanirad, M. Sadeghian, M. Jahadi Naeini, M. Abbasi, and S. M. Mousavi, “The contribution of hypochondria resulting from Corona virus on the occupational productivity loss through increased job stress and decreased resilience in the central workshop of an oil refinery: A path analysis,” Heliyon, vol. 7, no. 4, p. e06808, 2021, doi: 10.1016/j.heliyon.2021.e06808.
P. Wu et al., “Real-time tentative assessment of the epidemiological characteristics of novel coronavirus infections in Wuhan, China, as at 22 January 2020,” Eurosurveillance, vol. 25, no. 3, pp. 1–6, 2020, doi: 10.2807/1560-7917.ES.2020.25.3.2000044.
M. C. Younis, “Evaluation of deep learning approaches for identification of different corona-virus species and time series prediction,” Comput. Med. Imaging Graph., vol. 90, no. January, p. 101921, 2021, doi: 10.1016/j.compmedimag.2021.101921.
A. Khakimova, L. abdollahi, O. Zolotarev, and R. Fakher, “Global interest in vaccines during the COVID‑19 pandemic: evidence from Google Trends,” Vaccine X, vol. 10, p. 100152, 2022, doi: 10.1016/j.jvacx.2022.100152.
A. Dogan and D. Birant, “Machine learning and data mining in manufacturing,” Expert Syst. Appl., vol. 166, p. 114060, 2021, doi: 10.1016/j.eswa.2020.114060.
S. B. 2 and M. A. L. M. Jonathan Schmidt 1 , Mário R. G. Marques 1, “Recent advances and applications of machine learning in solid- state materials science.” pp. 1–36, 2019.
G. Nicora, M. Rios, A. Abu-Hanna, and R. Bellazzi, “Evaluating pointwise reliability of machine learning prediction,” J. Biomed. Inform., vol. 127, p. 103996, 2022, doi: 10.1016/j.jbi.2022.103996.
X. Zhu, P. Zhang, and M. Xie, “A Joint Long Short-Term Memory and AdaBoost regression approach with application to remaining useful life estimation,” Meas. J. Int. Meas. Confed., vol. 170, no. September, p. 108707, 2021, doi: 10.1016/j.measurement.2020.108707.
S. Dutta, U. Mukherjee, and S. Kumar Bandyopadhyay, “Pharmacy Impact on Vaccination Progress Using Machine Learning Approach,” 2021, doi: 10.20944/preprints202106.0533.v1.
D. S. K. Karunasingha, “Root mean square error or mean absolute error? Use their ratio as well,” Inf. Sci. (Ny)., vol. 585, pp. 609–629, Mar. 2022, doi: 10.1016/J.INS.2021.11.036.
D. Arimbi, A. Afifuddin, and R. W. Sekarsari, “Dampak Pengembangan Dan Pembangunan Alun-Alun Kota Wisata Batu terhadap Jumlah Sampah di Kawasan Alun-Alun Kota Batu (Studi Kasus: Manajemen Alun …,” Respon Publik, vol. 14, no. 2, pp. 111–118, 2020, [Online]. Available: http://www.riset.unisma.ac.id/index.php/rpp/article/view/8078.
I. P. Ninditama, I. P. Ninditama, W. Cholil, M. Akbar, and D. Antoni, “Klasifikasi Keluarga Sejahtera Study Kasus : Kecamatan Kota Palembang,” J. TEKNO KOMPAK, vol. 15, no. 2, pp. 37–49, 2020, [Online]. Available: https://ejurnal.teknokrat.ac.id/index.php/teknokompak/article/view/1156.
P. C. Ncr et al., “Crisp-Dm,” SPSS inc, vol. 78, pp. 1–78, 2000, [Online]. Available: http://www.crisp-dm.org/CRISPWP-0800.pdf.
S. Narulita, A. T. Oktaga, and I. Susanti, “Pengujian Akurasi Model Prediksi Menggunakan Metode Data Mining Classification Decision Tree Algoritma C4 . 5,” J. Media Apl., vol. 13, no. 2, pp. 15–29, 2021.
B. Ouyang, Y. Song, Y. Li, G. Sant, and M. Bauchy, “EBOD: An ensemble-based outlier detection algorithm for noisy datasets,” Knowledge-Based Syst., vol. 231, p. 107400, 2021, doi: 10.1016/j.knosys.2021.107400.
N. N. R. R. Suri, N. Murty, and M. G. Athithan, Outlier Detection: Techniques and Applications - A Data Mining Perspective. 2019.
G. Huang, “Missing data filling method based on linear interpolation and lightgbm,” J. Phys. Conf. Ser., vol. 1754, no. 1, 2021, doi: 10.1088/1742-6596/1754/1/012187.
D. Amara, D. Kartini, A. Farmadi, M. Muliadi, and I. Budiman, “Implementasi ARAS Melalui Pendekatan Interpolasi Linier pada Penyeleksian Peserta Magang,” J. Ilm. Merpati (Menara Penelit. Akad. Teknol. Informasi), vol. 8, no. 2, p. 125, 2020, doi: 10.24843/jim.2020.v08.i02.p06.
S. van Cranenburgh, S. Wang, A. Vij, F. Pereira, and J. Walker, “Choice modelling in the age of machine learning - Discussion paper,” J. Choice Model., vol. 42, no. January 2021, p. 100340, 2022, doi: 10.1016/j.jocm.2021.100340.
R. M.-G. Jesús de-Prado-Gil, Covadonga Palencia, Neemias Silva-Monteiro, “To predict the compressive strength of self compacting concrete with recycled aggregates utilizing ensemble machine learning models,” Case Stud. Constr. Mater., vol. 16, no. April, p. e01046, 2022, doi: 10.1016/j.cscm.2022.e01046.
DOI: http://dx.doi.org/10.22441/incomtech.v12i3.15370
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Publisher Address:
Magister Teknik Elektro, Universitas Mercu Buana
Jl. Meruya Selatan 1, Jakarta 11650
Phone (021) 31935454/ 31934474
Fax (021) 31934474
Email: [email protected]
Website of Master Program in Electrical Engineering
http://mte.pasca.mercubuana.ac.id
pISSN: 2085-4811
eISSN: 2579-6089
Jurnal URL: http://publikasi.mercubuana.ac.id/index.php/Incomtech
Jurnal DOI: 10.22441/incomtech
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional
The Journal is Indexed and Journal List Title by:
