KOMPARASI FUNGSI AKTIVASI DALAM PREDIKSI KASUS TERINFEKSI COVID-19 DI DKI JAKARTA MENGGUNAKAN METODE RECURRENT NEURAL NETWORK

Muhammad, Iqbal Anwar (2022) KOMPARASI FUNGSI AKTIVASI DALAM PREDIKSI KASUS TERINFEKSI COVID-19 DI DKI JAKARTA MENGGUNAKAN METODE RECURRENT NEURAL NETWORK. Diploma thesis, Universitas Andalas.

	Text (Cover & Abstrak) 1. Cover & Abstrak.pdf - Published Version Download (2MB)
	Text (Bab 1 Pendahuluan) 2. Bab 1.pdf - Updated Version Download (2MB)
	Text (Bab 6 Penutup) 3. Bab 6.pdf - Published Version Download (2MB)
	Text (Daftar Pustaka) 4. Daftar Pustaka.pdf - Published Version Download (2MB)
	Text (Skripsi Full Text) 5. Softcopy Lengkap.pdf - Published Version Restricted to Repository staff only Download (2MB)

Abstract

Coronavirus disease 2019 (Covid-19) adalah penyakit menular yang disebabkan oleh jenis coronavirus baru yaitu Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-Cov-2). Terhitung tanggal 23 November 2021 jumlah kasus terinfeksi Covid-19 di Indonesia sebanyak 4.254.433 kasus dengan kasus terinfeksi terbanyak terjadi di Provinsi DKI Jakarta sebanyak 863.551 kasus (20,29%). Pada penelitian ini, dilakukan prediksi kasus terinfeksi Covid-19 di DKI Jakarta menggunakan salah satu metode machine learning yaitu Recurrent Neural Network (RNN) dengan melakukan komparasi fungsi aktivasi Sigmoid, Tanh dan ReLU di hidden dan output layer. Model prediksi RNN yang paling optimal diharapkan dapat menjadi salah satu alat dalam mengambil keputusan oleh pemerintah, tenaga kesehatan, dan pihak yang membutuhkan keputusan, serta pihak terkait dapat mengantisipasi dan waspada apabila jumlah kasus Covid-19 diprediksi tinggi. Berdasarkan implementasi, model RNN yang dibangun oleh fungsi aktivasi ReLU di hidden layer dan Tanh di output layer menjadi model terbaik dibandingkan model RNN dengan kombinasi fungsi aktivasi lainnya. Performa model RNN (ReLU-Tanh) berdasarkan mean square error pada testing data adalah 0.000651.

Actions (login required)

View Item