PREDIKSI KASUS COVID-19 MELALUI ANALISIS DATA GOOGLE TREND DI INDONESIA: PENDEKATAN METODE LONG SHORT TERM MEMORY (LSTM)

Lisa Widyarsi (Politeknik Statistika STIS)
Ivana Yoselin Purba Siboro (Politeknik Statistika STIS)
Peterson Hamonangan Immanuel Sihotang (Politeknik Statistika STIS)
Satria Dirgantara (Politeknik Statistika STIS)
Yakobus Natanael Tarigan (Politeknik Statistika STIS)
Yuniar Putri Awaliyah Risky (Politeknik Statistika STIS)
Rani Nooraeni (Politeknik Statistika STIS)

Jurnal Saintika Unpam : Jurnal Sains dan Matematika Unpam
Vol 3, No 2 (2021)

Salah satu faktor yang diperlukan untuk menekan angka kasus COVID-19 adalah tingginya perhatian atau atensi masyarakat. Hal tersebut terlihat dari intensitas pencarian informasi publik mengenai COVID-19 di platform online bernama Google Trend. Makalah ini bertujuan untuk mendeskripsikan kondisi wabah COVID-19 di masyarakat dengan menggunakan data Google Trend dan memprediksi kasus COVID-19 baik dengan metode nowcasting maupun forecasting dengan menggabungkan data atensi publik dari Google Trend dengan data resmi pertumbuhan COVID-19 di Indonesia. Data yang digunakan berupa data time series harian dari tanggal 1 April hingga 30 September 2020. Metode Regresi Linear Berganda juga digunakan untuk membandingkan hasil prediksi dengan LSTM. Hasil regresi time series menghasilkan RMSE 1060,80. Selain metode analisis time series, prediksi penambahan kasus COVID-19 juga dilakukan menggunakan metode LSTM dengan empat skenario, di mana skenario pertama menghasilkan RMSE 526,59, skenario kedua menghasilkan RMSE 528,81, skenario ketiga menghasilkan RMSE 528,81. RMSE 483,25 dan skenario terakhir menghasilkan RMSE 482,21. Prediksi menggunakan metode LSTM dengan scnario keempat menghasilkan RMSE, sehingga metode LSTM merupakan metode keempat dengan prediksi yang cukup baik.