Klasifikasi Gejala Penyakit Coronavirus Disease 19 (COVID-19) Menggunakan Machine Learning
DOI:
10.51519/journalsea.v2i1.105Keywords:
Covid-19, Klasifikasi, RapidMiner, K-Nearest neighbor, Random Forest, Neural Network, Naive Bayes, Knowledge Discovery in Database, Kaggle.com, Machine LearningAbstract
Coronavirus Disease 19 (COVID-19) merupakan virus baru yang menyebabkan infeksi saluran pernapasan. Virus ini berasal dari hewan yang dapat menular pada manusia dengan percikan air liur. Menurut data epidemiologi rata-rata pasien terjangkit virus ini berusia 15-80 tahun. Virus ini memiliki masa inkubasi 2-14 hari yang mempunyai gejala awal yaitu deman tinggi, sesak nafas, batuk pilek. Indonesia memiliki 2 kasus pertama pada 2 maret 2020. Permasalahan yang diangkat dalam penelitian ini adalah bagaimana mengklasifikasi resiko terjangkit virus covid-19 dari gejala yang ditimbulkan. Tujuan penelitian ini untuk mengetahui tingkat resiko terjangkit virus covid-19 berdasarkan instrumen yang digunakan dari metode Knowledge Discovery in Database yang terdiri dari 5 tahapan yaitu selection, pre-processing, transformation, data mining, dan evaluation. Dataset yang digunakan peneliti diambil dari web resmi kaggle.com. Penelitian ini menggunakan 4 (empat) algoritma yaitu K-Nearest Neighbor (K-NN), Neural Network (NN), Random Forest (RF), dan Naive Bayes dengan bantuan tool rapidminer. Values dataset antara lain tingkat rendah 25,98%, tingkat sedang 54,33%, dan tingkat tinggi 19,69%. Nilai akurasi pada dataset dengan 127 data pasien terjangkit covid-19 menggunakan algoritma k-nearest neighbor memperoleh 57,89%, neural network memperoleh 73,68%, random forest memperoleh 68,42%, naive bayes memperoleh 65,38%. Pada penelitian ini algoritma klasifikasi Neural Network memberikan nilai akurasi yang tertinggi.
References
Tim Kerja Kementerian Dalam Negeri, D. S. “Pedoman Umum Menghadapi Pandemi Covid-19 bagi Pemerintah Daerah” Jakarta, Indonesia: Kementerian Dalam Negeri RI 2020, [Online] Available.
N. Sholikah. P.S “Kesiapsiagaan Indonesia Menghadapi Potensi Penyebaran Corona Virus Disease” PPBK DPR RI, vol. XII, No. 3, pp 13-18, 2020,
Abdillah, L. (2020). Stigma Terhadap Orang Positif COVID-19 (Stigma on Positive People COVID-19). Pandemik COVID-19: Antara Persoalan Dan Refleksi Di Indonesia, Forthcoming.
JHU CSSE COVID-19 Data, desember 2020. https://news.google.com/covid19/map?hl=id&mid=%2Fm%2F02j71&gl=ID&ceid=ID%3Aid
Siagian, T. H. (2020). Mencari kelompok berisiko tinggi terinfeksi virus corona dengan discourse network analysis. Jurnal Kebijakan Kesehatan Indonesia: JKKI, 9(2), 98-106.
Buana, D. R. (2020). Analisis perilaku masyarakat indonesia dalam menghadapi pandemi virus corona (Covid-19) dan kiat menjaga kesejahteraan jiwa. Salam: Jurnal Sosial dan Budaya Syar-i, 7(3), 217-226.
Indrayanti, I., Sugianti, D., & Al Karomi, A. (2017). Optimasi Parameter K Pada Algoritma K-Nearest Neighbour Untuk Klasifikasi Penyakit Diabetes Mellitus. Prosiding SNATIF, 823-829.
Suryanegara, G. A. B., & Purbolaksono, M. D. (2021). Peningkatan Hasil Klasifikasi pada Algoritma Random Forest untuk Deteksi Pasien Penderita Diabetes Menggunakan Metode Normalisasi. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(1), 114-122.
Rifai, B. (2013). Algoritma Neural Network Untuk Prediksi Penyakit Jantung. Jurnal Techno Nusa Mandiri, 10(1), 1-9.
Imandasari, T., Irawan, E., Windarto, A. P., & Wanto, A. (2019, September). Algoritma Naive Bayes Dalam Klasifikasi Lokasi Pembangunan Sumber Air. In Prosiding Seminar Nasional Riset Information Science (SENARIS) (Vol. 1, pp. 750-761).
Nofitri, R., & Irawati, N. (2019). INTEGRASI METODE NEIVE BAYES DAN SOFTWARE RAPIDMINER DALAM ANALISIS HASIL USAHA PERUSAHAAN DAGANG. JURTEKSI (Jurnal Teknologi dan Sistem Informasi), 6(1), 35-42.
Dinata, R. K., Akbar, H., & Hasdyna, N. (2020). Algoritma K-Nearest Neighbor dengan Euclidean Distance dan Manhattan Distance untuk Klasifikasi Transportasi Bus. ILKOM Jurnal Ilmiah, 12(2), 104-111.
Ayudhitama, A. P., & Pujianto, U. (2020). Analisa 4 Algoritma Dalam Klasifikasi Liver Menggunakan Rapidminer. Jurnal Informatika Polinema, 6(2), 1-9.
Siddik, M., Hendri, H., Putri, R. N., Desnelita, Y., & Gustientiedina, G. (2020). Klasifikasi Kepuasan Mahasiswa Terhadap Pelayanan Perguruan Tinggi Menggunakan Algoritma Naïve Bayes. INTECOMS: Journal of Information Technology and Computer Science, 3(2), 162-166.
Ciputra, A., Rachmawanto, E. H., & Susanto, A. (2018). Klasifikasi Tingkat Kematangan Buah Apel Manalagi dengan Algoritma Naive Bayes dan Ekstraksi Fitur Citra Digital. Simetris: Jurnal Teknik Mesin, Elektro Dan Ilmu Komputer, 9(1), 465-472.
Zailani, A. U., & Hanun, N. L. (2020). Penerapan Algoritma Klasifikasi Random Forest Untuk Penentuan Kelayakan Pemberian Kredit Di Koperasi Mitra Sejahtera. Infotech: Journal of Technology Information, 6(1), 7-14.
Religia, Y., Nugroho, A., & Hadikristanto, W. (2021). Analisis Perbandingan Algoritma Optimasi pada Random Forest untuk Klasifikasi Data Bank Marketing. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(1), 187-192.
Rifai, B. (2013). Algoritma Neural Network Untuk Prediksi Penyakit Jantung. Jurnal Techno Nusa Mandiri, 10(1), 1-9.
Hastuti, K. (2012). Analisis komparasi algoritma klasifikasi data mining untuk prediksi mahasiswa non aktif. Semantik, 2(1).
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2021 Suci Anggraini, Muhamad Akbar, Alex Wijaya, Hadi Syaputra, Muhammad Sobri
This work is licensed under a Creative Commons Attribution 4.0 International License.
