Klasifikasi Gejala Penyakit Coronavirus Disease 19 (COVID-19) Menggunakan Machine Learning

Authors

  • Suci Anggraini Mahasiswa
  • Muhamad Akbar Universitas Bina Darma
  • Alex Wijaya Universitas Bina Darma
  • Hadi Syaputra Universitas Bina Darma
  • Muhammad Sobri Universitas Bina Darma

DOI:

https://doi.org/10.51519/journalsea.v2i1.105

Keywords:

Covid-19, Klasifikasi, RapidMiner, K-Nearest neighbor, Random Forest, Neural Network, Naive Bayes, Knowledge Discovery in Database, Kaggle.com, Machine Learning

Abstract

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

2021-02-28

How to Cite

Anggraini, S., Akbar, M., Wijaya, A., Syaputra, H., & Sobri, M. (2021). Klasifikasi Gejala Penyakit Coronavirus Disease 19 (COVID-19) Menggunakan Machine Learning. Journal of Software Engineering Ampera, 2(1), 57–68. https://doi.org/10.51519/journalsea.v2i1.105