Pada bulan Maret 2020 pandemi COVID-19 telah melanda seluruh dunia termasuk Indonesia. Oleh karena itu, dinas kesehatan, pemerintah, dan layanan publik perlu bekerja sama secara global untuk mencegah penyebaran lebih lanjut. Analisis dan pemetaan kerawanan sangat dibutuhkan untuk mengembangkan informasi terkait pandemi COVID-19 dari beberapa faktor yang yang mempengaruhi penularan COVID-19, salah satunya adalah faktor sosial- ekonomi yang memiliki tingkat interaksi antar manusia yang cukup beresiko. Dengan Machine Learning Technique Random forest dapat membantu dalam memberikan keputusan tingkatan atau prioritas parameter dalam analisis dan pemetaan kerawanan pandemi COVID-19 dengan akurat dan mendukung keputusan serta tindakan pencegahan. Penelitian ini bertujuan untuk melakukan analisis dan pemetaan kerawanan pandemi COVID-19 berdasarkan faktor sosial-ekonomi di Unit Pengembangan II Kertajaya dan III Tambak Wedi Kota Surabaya. Penelitian ini menggunakan data statistik jumlah kasus penderita COVID-19 pada bulan Maret tahun 2020 hingga Agustus tahun 2021 dan data fasilitas sosial-ekonomi berupa jumlah fasilitas kesehatan (rumah sakit, puskesmas, dan klinik), objek wisata (tempat wisata dan taman kota), perbankan (atm dan bank), pasar, mall, SPBU, dan terminal. Hasil pengolahan random forest didapatkan tingkat pengaruh dari setiap parameter terhadap penyebaran COVID-19, yaitu fasilitas kesehatan 24,135%, terminal 20,338%, objek wisata 19,916%, mall 19,574%, pasar 11,317%, perbankan 2,628%, dan SPBU 2,092%. Berdasarkan penelitian terdahulu, uji akurasi model yang dihasilkan dapat dikatakan baik dengan nilai akurasi sebesar 0,946 dan nilai kappa sebesar 0,892 serta nilai AUC sebesar 0,984. Hasil pemetaan dari model random forest tersebut, didapatkan daerah dengan tingkat kerawanan rendah pada bagian sebelah utara Kecamatan Kenjeran dan sebelah timur Kecamatan Sukolilo dan Kecamatan Mulyorejo, sedangkan tingkat kerawanan tinggi pada bagian tengah Kecamatan Mulyorejo, dan bagian tengah Kecamatan Sukolilo.
Copyrights © 2024