Peramalan Kebutuhan Ranjang Rumah Sakit untuk Pasien COVID-19 di Indonesia Menggunakan LSTM

Authors

  • Farhan Utama Departemen Statistika FMIPA Universitas Padjadjaran
  • Yuyun Hidayat Departemen Statistika FMIPA Universitas Padjadjaran

DOI:

https://doi.org/10.1234/pns.v10i.90

Keywords:

COVID-19, Prediksi, Bed Occupancy Rate, Long Short Term Memory

Abstract

Novel Coronavirus (2019-nCoV) atau sering disebut sebagai virus COVID-19 merupakan jenis baru virus Corona yang belum pernah diidentifikasi sebelumnya pada manusia. Pada 11 Maret 2020, World Health Organization (WHO) menetapkan bahwa penyakit COVID-19 ini merupakan pandemik global. Pada Bulan Juni hingga Juli 2021, me nurut data yang dilaporkan Kementrian Kesehatan Indonesia, terdapat beberapa waktu di mana angka Bed Occupacy Rate (BOR) pasien COVID-19 secara nasional berada di atas nilai 60 persen. Selain itu, pada waktu yang sama, di beberapa provinsi pernah mencatatkan angka Bed Occupacy Rate (BOR) pasien COVID-19 melebihi angka 80 persen dan bahkan mencapai 100 persen. Hal ini mengindikasikan bahwa pada waktu tersebut, terlihat tidak ada kebijakan dari pemerintah yang dapat mengakomodasi kenaikan kasus aktif COVID-19 yang melonjak naik secara signifikan ini. Oleh karena itu, dibutuhkan prediksi jumlah kasus aktif baru COVID-19 di Indonesia yang kemudian dapat dijadikan referensi bagi pemerintah untuk lebih memperhatikan kebijakan preventif dalam penanggulangan pandemic COVID-19 di Indonesia. Untuk mengatasi permasalahan analisis menggunakan metode konvensional, maka pada penelitian ini akan menggunakan metode Long Short Term Memory (LSTM). Data merupakan data sekunder jumlah kasus baru COVID-19 di Indonesia pada periode bulan Maret hingga bulan Oktober 2021 yang didapat dari laman worldometer.info/coronavirus/country/indonesia. Setelah mendapatkan parameter model LSTM terbaik, maka kemudian akan didapatkan prediksi jumlah kasus baru COVID-19 di Indonesia selama dua minggu ke depan.

Downloads

Download data is not yet available.

References

Ceraolo C, Giorgi FM. Genomic variance of the 2019‐nCoV coronavirus. J Med Virol. 2020; 92:522–8.

Zhou P, Yang X, Wang X, et al. A pneumonia outbreak associated with a new coronavirus of probable bat origin. Nature 579. 2020; 270–3.

Beritasatu, “Indonesia confirms first Coronavirus cases in its territory,” Jakarta Globe, (2 Maret, 2020). Diambil dari https://jakartaglobe.id/news/indonesia-confirms-first-coronavirus-cases-in-its-territory/

Suara.com, Jakarta (2 Juli 2021). Diambil dari https://www.suara.com/news/2021/07/02/110848/luhut-akui-tak-prediksi-lonjakan-coronakawalcovid19-sejak-april-kami-sudah-ingatkan?page=all

K. K. R. Indonesia. (2020). Keputusan Menteri Kesehatan Republik Indonesia Nomor HK.01.07/MENKES/413/2020 Tentang Pedoman Pencegahan dan Pengendalian Coronavirus Disease 2019 (COVID-19).

Aurélien Géron. (2019). Hands-on machine learning with Scikit-Learn, Keras and TensorFlow: concepts, tools, and techniques to build intelligent systems. O’Reilly Media, 851. Diambil dari https://www.oreilly.com/library/view/hands-on-machine-learning/9781492032632/

Bengio, Y., Simard, P., & Frasconi, P. (1994). Learning long-term dependencies with gradient descent is difficult. IEEE Transactions on Neural Networks.

Grossi, E., & Buscema, M. (2007). Introduction to artificial neural networks. European Journal of Gastroenterology and Hepatology, 19(12), 1046–1054. Diambil dari https://doi.org/10.1097/MEG.0B013E3282F198A0

Fausset, L. (1994). Fundamentel of Neural Networks : Architectures, Algorithms, and Applications. New Jersey : Prentice-Hall.

Fromm, G. (1978). “An Overview of the Objectives and Framework of Seasonal Adjiusment”. Seasonal Analysis of Economic Time Series: Volume 3 (pp. 26-29). Washington D.C: U.S. Department of Commerce, Bureau of the Census.

Hyndman, R., & Anthanasopoulos, G. (2018). Forecasting: Principles and practice 2nd ed. Monash University: OTexts.

Ranjan, C. (2021). Understanding Deep Learning: Application in Rare Event Prediction. Journal of Chemical Information and Modeling, 1(1), 1–426.

Lawrence, R. (1997). Using Neural Networks to Forecast Stock Market Prices. Department of Computer Science, University of Manitoba, Wannipeg, Canada.

Jain, Y. K., & Bhandare, S. K. (2014). Min Max Normalization Based Data Pertubation Method for Privact Protection. International Journal of Computer & Communication Technology, 45-50.

Kirbas, I., Sözen, A., Tuncer, A. D., Kazancioglu, F. S. (2020). Comparative analysis and forecasting of COVID-19 cases in various European countries with ARIMA, NARNN and LSTM approaches. Chaos, Solitons & Fractals.

Makridakis, S., Wheelwright, S.C., & McGee, V.E. (1999). Metode dan Aplikasi Peramalan Jilid 1 (Ir. Untung Sus Ardiyanto, M.Sc. & Ir. Abdul Basith, M.Sc. Terjemahan), Edisi Kedua. Jakarta : Penerbit Erlangga.

Makridakis, S., & Petropoulos, F. (2020). Forecasting the novel coronavirus COVID-19. PLOS ONE, p. 1.

Panchal, Foram, S., & Panchal, M. (2014). Review on Methods of Selecting Number of Hidden Nodes in Artificial Neural Network. International Journal of Computer Science and Mobile Computing, 3(11), 455-464.

Panchal, G., Ganatra, A., Kosta, Y., & Panchal, D. (2011). Behaviour Analysis of Multilayer Perceptrons with Multiple Hidden Neurons and Hidden Layers. International Journal of Computer Theory and Engineering, 332-337.

Wang, P., Zheng, X., Ai, G., Liu, D., Zhu, B. (2020). Time series prediction for the epidemic trends of COVID-19 using the improved LSTM deep learning method: Case studies in Russia, Peru and Iran. Chaos, Solitons & Fractals.

Zhang, G. Peter. 2003. Time Series Forecasting Using a Hybrid ARIMA and Neural Network Model. Neurocomputing 50 (2003) pg. 159–175

Yildiz, B., Bilbao, J., Sproul, A. (2017). A review and analysis of regression and machine learning models on commercial building electricity load forecasting. Renewable and Sustainable Energy Reviews.

Downloads

Published

2021-12-30

How to Cite

Utama, F. ., & Hidayat, Y. . (2021). Peramalan Kebutuhan Ranjang Rumah Sakit untuk Pasien COVID-19 di Indonesia Menggunakan LSTM. Prosiding Seminar Nasional Statistika, 10, 26. https://doi.org/10.1234/pns.v10i.90