Support Vector Regression Dalam Prediksi Penurunan Jumlah Kasus Penderita Covid-19

Dodi Suprayogi (Universitas Nusa Mandiri)
Hilman Ferdinandus Pardede (Universitas Nusa Mandiri dan Lembaga Ilmu Pengetahuan Indonesia)

Journal of Information Technology and Computer Science (JOINTECS)
Vol 7, No 2 (2022)

Penyebaran Virus COVID-19 sangat mengkhawatirkan dan terus menyebar serta meluas di seluruh negara terinfeksi mulai dari anak-anak hingga orang dewasa. Banyak cara dalam membuat suatu prediksi, dalam hal ini menentukan prediksi  jumlah penderita COVID-19 bisa dengan menggunakan machine learning, tidak hanya COVID-19. Penelitian ini mencoba memprediksi kapan Pandemic COVID-19 ini menurun dengan menggunakan algoritma SVR dengan kernel RBF, Linear, Polynomial, dan Sigmoid, pemilihan model menggunakan SVR karena SVR mampu mengatasi overfitting. Penelitian ini menggunakan dataset dari github John Hopkins University menggunakan sample lima negara dengan jumlah kasus COVID-19 yang berbeda. Hasil yang didapat untuk kernel RBF sangat baik untuk lima negara dalam membuat pola grafik yang fit antara data aktual dan data prediksi, dengan melakukan tunning parameter yang berbeda-beda disetiap negara, kemudian melakukan pengujian nilai gamma untuk mendapatkan nilai RMSE, R2, dan MAE, hasil terbaik ada pada negara Jerman dengan nilai RMSE 0.099, kemudian Itali dengan nilai RMSE 0.101, Indonesia nilai RMSE 0.102, brazil nilai RMSE 0.105, dan US nilai RMSE 0.105.