Analisa Efektifitas Kebijakan PPKM terhadap Pertumbuhan Kasus COVID-19 Menggunakan Algoritma Naïve Bayes
Regiolina Hayami*, Yulia Fatma, Okta Tri Antoni, Harun Mukhtar
Fakultas Ilmu Komputer, Teknik Informatika, Universitas Muhammadiyah Riau, Pekanbaru, Indonesia Email: 1,*regiolinahayami@umri.ac.id, 2yuliafatma@umri.ac.id, 3oktatriantoni@gmail.com, 4harunmukhtar@umri.ac.id
Email Penulis Korespondensi: 1regiolinahayami@umri.ac.id
Abstrak−Pandemi yang sedang dialami oleh Indonesia, yakni merebaknya virus COVID-19, menyebabkan diberlakukannya pembatasan social berskala besar dalam rangka percepatan penanganan penyebaran virus. Akibat dari meningkatnya jumlah kasus covid-19 di Indonesia, termasuk di Propinsi Riau, dimana disetiap Kota dan Kabupatennya mengalami peningkatan terutama Pekanbaru maka dilaksanakannya Pemberlakuan Pembatasan Kegiataan Masyarakat (PPKM). Penelitian ini mencoba menjawab hal tersebut dengan menggunakan Algoritma Naïve Bayes. Naïve Bayes Classifier merupakan salah satu teknik klasifikasi metode probabilistik dan statistik yang memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya. Penggunaan algoritma Naïve Bayes untuk memprediksi pertumbuhan kasus Covid-19 di Pekanbaru memperoleh nilai perfoma yang baik dangan akurasi 90.00%, presisi 90.24% dan Recall 91.90%. Berdasarkan hasil klasifikasi terhadap dataset yang digunakan dalam penelitian ini dapat disimpulkan bahwa penerapan kebijakan Pemberlakuan Pembatasan Kegiatan Masyarakat(PPKM) di kota Pekanbaru terbukti efektif dimana terjadi penurunan kategori pertumbuhan kasus Covid- 19 dengan kategori tinggi dari 70% menjadi 25%. Begitu juga sebaliknya, pertumbuhan kasus Covid-19 dengan kategori rendah mengalami peningkatan dari semula 30% menjadi 65%.
Kata Kunci: Pemberlakuan Pembatasan Kegiataan Masyarakat (PPKM); Prediksi; Machine Learning; Naïve Bayes;
Rapidminer
Abstract−The pandemic that is being experienced by Indonesia, namely the outbreak of the COVID-19 virus, has led to the implementation of large-scale social restrictions in order to accelerate the handling of the spread of the virus. As a result of the increasing number of COVID-19 cases in Indonesia, including in Riau Province, where every City and Regency has increased, especially Pekanbaru, the implementation of Community Activity Restrictions (PPKM). This study tries to answer this question by using the Naïve Bayes Algorithm. Naïve Bayes Classifier is a probabilistic and statistical method of classification technique that predicts future opportunities based on previous experience. The use of the Naïve Bayes algorithm to predict the growth of Covid-19 cases in Pekanbaru obtained a good performance score with 90.00% accuracy, 90.24% precision and 91.90% recall.
Based on the results of the classification of the datasets used in this study, it can be concluded that the implementation of the Policy for Enforcement of Community Activity Restrictions (PPKM) in the city of Pekanbaru has proven to be effective where there has been a decline in the category of growth of Covid-19 cases with a high category from 70% to 25%. Vice versa, the growth of Covid-19 cases in the low category has increased from 30% to 65%.
Keywords: Implementation of the Policy for Enforcement of Community Activity Restrictions (PPKM); Machine Learning;
Naïve Bayes; Rapidminer
1. PENDAHULUAN
Berbagai negara termasuk Indonesia hingga saat ini masih berada dalam masa pandemi akibat penyebaran wabah virus Covid-19 yang membuat pergerakan dan kegiatan manusia menjadi lebih terbatas[1]. Di Indonesia sendiri khususnya kota Pekanbaru, berbagai langkah kebijakan telah dilakukan pemerintah daerah mulai dari himbauan pembatasan jarak pisik (physical distansing), melakukan karantina terhadap orang atau kelompok tertentu sesuai dengan protokol kesehatan, sampai pada disusunnya kebijakan pembatasan kegiatan masyarakat[2]. Langkah tersebut dilakukan pemerintah dikarenakan bahaya yang ditimbulkan oleh wabah virus Covid-19 tidak hanya mempengaruhi kesehatan orang yang sedang terjangkit saja, namun dengan mudah menular kepada orang-orang yang berinteraksi dengannya, sehingga perlu adanya upaya untuk memutus rantai penyebaran tersebut ditengah- tengah masyarakat.
Peningkatan kasus Covid-19 menjadikan kota Pekanbaru berada di posisi 5 besar dengan jumlah kasus terbanyak se-Riau. Hal tersebut menyebabkan pemerintah daerah kota Pekanbaru mengambil kebijakan mengajukan permohonan untuk melakukan pembatasan kegiatan masyarakat pada tahun tersebut. Sehubungan dengan belum adanya perubahan yang signifikan terhadap perkembangan kasus COVID-19 di Pekanbaru, maka PSBB dilanjutkan ke Tahap II yang diberlakukan mulai tanggal 1 Mei sampai dengan 14 Mei 2020 dan dilanjutkan dengan PSBB Tahap III hingga 28 Mei 2020. Jumlah kasus positif virus Covid-19 di kota Pekanbaru terus mengalami peningkatan meskipun pemerintah telah mencoba melaksanakan kebijakan terkait pembatasan kegiatan masyarakat tersebut [2], [3].
Realita ini yang mendasari kebijakan pemerintah kota terkait pembatasan kegiatan masyarakat sebagai upaya untuk mengendalikan pertumbuhan kasus Covid-19[4]. Pada tahun 2021 pemerintah kota Pekanbaru menerapkan Pemberlakuan Pembatasan Kegiatan Masyarakat(PPKM) sebagai kelanjutan pelaksanaan PSBB di tingkat kotamadya. PPKM di kota Pekanbaru dilaksanakan dalam beberapa tahap, yaitu tanggal 31 Mei s.d 13 Juni 2021 dan diperpajang pada tanggal 15 Juni s.d 28 Juni 2021.
Melihat dari statistik pertumbuhan Covid-19 di tahun sebelumnya saat menerapkan PSBB, serta dalam upaya menekan pertumbuhan kasus Covid-19 dan mendukung realisasi kebijakan pemerintah daerah kota
Regiolina Hayami, Copyright © 2022, MIB, Page 1650 Pekanbaru, kebijakan PPKM ini menjadi hal penting dan dibutuhkan studi ilmiah untuk mengetahui efektifitas dari kebijakan tersebut. Penyajian model pengukuran efektifitas dari kebijakan pembatasan kegiatan masyarakat ini diharapkan dapat membuka jalan bagi pemerintah untuk mengambil tindakan tegas selama masa pandemi Covid-19 yang belum teridentifikasi kapan akan berakhir.
Analisa machine learning dapat menjadi sangat berguna dan memberikan hasil yang baik untuk menjelaskan kemungkinan korelasi antar variabel yang diteliti melalui prediksi atau peramalan. Algoritma Naïve Bayes merupakan salahsatu algoritma machine learning yang menggunakan perhitungan statistik untuk mendapatkan probabilitas anggota pada suatu kelas dengan menjumlahkan frekuensi dan kombinasi nilai dari dataset yang diberikan. Algoritma ini didasarkan pada teorema Bayes, memiliki kemampuan untuk melakukan klasifikasi yang mirip dengan decision tree dan neural network dalam memahami peristiwa yang terjadi sebelumnya untuk memprediksi peristiwa/ kejadian di masa yang akan datang [5], [6].
Studi mengenai analisa machine learning terkait skrining Covid-19 diberbagai wilayah menunjukkan peningkatan dari segi akurasi prediksi yang dihasilkan[7]. Penelitian lain menggunakan 6(enam) model Machine Learning dalam memprediksi jumlah total kasus Covid-19 pada 1,3, dan 6 hari ke depan di 10(sepuluh) negara bagian Brazil dan memperoleh error range 0,87% –3,51%, 1,02% –5,63%, dan 0,95% –6,90%[8]. Algoritma machine learning seperti Naïve Bayes, Random Forest, XGBoost juga terbukti dalam untuk menangkap korelasi antara cuaca, penggunaan masker, penutup wajah(face covering) terhadap tingkat kematian dan/ penularan Covid- 19 diberbagai negara [9]–[12].
Berdasarkan studi yang telah dikemukakan sebelumnya terkait penggunakan algoritma machine learning dalam menganalisa data kasus Covid-19, maka dilakukan prediksi pertumbuhan kasus Covid-19 di Kota Pekanbaru selama penerapan kebijakan pembatasan kegiatan masyarakat berskala mikro diberlakukan. Selanjutnya, akan dilakukan analisa berdasarkan data statistik dan peramalan untuk memperkirakan efektifitas kebijakan pembatasan kegiatan masyarakat selama masa pandemi. Tujuan yang ingin dicapai adalah dikembangkannya sebuah model prediksi terkait pertumbuhan kasus Covid-19 di kota Pekanbaru menggunakan algoritma Naïve Bayes sebagai salahsatu algoritma machine learning yang dapat diukur tingkat akurasi hasil prediksinya. Selain itu, melalui penelitian ini dilakukan analisa hasil peramalan terhadap data statistik terkait variabel kebijakan pembatasan kegiatan masyarakat dan variabel pertumbuhan kasus Covid-19 untuk menjelaskan korelasi kedua variabel tersebut pada pertumbuhan kasus di kota Pekanbaru.
2. METODOLOGI PENELITIAN
Metodologi penelitian merupakan penggambaran tahapan-tahapan yang dilaksanakan salam menyelesaikan suatu penelitian agar dapat dikerjakan secara sistematis. Pada penelitian ini, tahapan proses penelitian disusun melalui gambar 1 berikut ini:
Gambar 1. Tahapan Proses Penelitian 2.1 Pengumpulan Data
Populasi dalam penelitian ini berupa data pertumbuhan kasus Covid-19 di kota Pekanbaru yang terdiri atas data kasus terkonfirmasi, jumlah kematian, dan kasus sembuh. Adapun tahapan yang dilakukan dalam pengumpulan data pada penelitian ini adalah:
a. Penentuan periode pengambilan data sebelum dan saat pelaksanaan PPKM berskala mikro.
b. Pencarian akun sosial media resmi dari Dinas Kesehatan Provinsi Riau berupa akun instagram dengan alamat web https://www.instagram.com/dinkespemprovriau/.
c. Pengumpulan/crawling data pertumbuhan kasus Covid-19 harian di kota Pekanbaru melalui pengecekkan secara manual terhadap postingan akun instagram Dinas Kesehatan Provinsi Riau dalam bentuk gambar selama periode 1 Mei s.d 10 Juli 2021.
d. Pengelompokan data dan validasi ulang atas jumlah data kasus harian baik akumulasi kasus baru, kasus sembuh, dan kasus meninggal untuk memastikan ketepatan data yang dikumpulkan.
e. Penyimpanan data dalam format CSV untuk selanjutnya digunakan sebagai dataset dalam penelitian.
Tabel 1 berikut merupakan contoh data penelitian yang telah dikumpulkan terkait akumulasi pertumbuhan kasus Covid-19 kota Pekanbaru:
Tabel 1. Sampel Data Pertumbuhan Kasus Covid-19 Kota Pekanbaru Tahun 2021 Data Kasus Konfirmasi Covid-19 Di Pekanbaru Dari 1 Mei – 1 Juli 2021 N
o Tanggal
Jumlah Kasus Jumlah Sembuh Jumlah Meninggal Sebel
um
Terb aru
Kumul atif
Sebel um
Terb aru
Kumul atif
Sebel um
Terb aru
Kumul atif 1 Saturday, May 1,
2021 20845 116 20961 18499 155 18654 437 6 443
2 Sunday, May 2,
2021 20960 252 21212 18654 110 18764 443 5 448
3 Monday, May 3,
2021 21211 74 21285 18764 169 18933 448 5 453
4 Tuesday, May 4,
2021 21281 205 21486 18933 108 19041 453 0 453
5 Wednesday, May
5, 2021 21485 275 21760 19041 220 19261 453 2 455
6 Thursday, May 6,
2021 21759 143 21902 19261 218 19479 455 4 459
7 Friday, May 7,
2021 21903 167 22070 19477 263 19740 459 5 464
8 Saturday, May 8,
2021 22071 263 22334 19740 154 19894 464 2 466
Dalam penelitian ini akan diukur tingkat efektifitas pelaksanaan PPKM berskala mikro berdasarkan hasil prediksi menggunakan algoritma Machine Learning. Untuk mencapai tujuan tersebut, diperlukan perbandingan peramalan menggunakan data yang dikumpulkan, maka data tersebut dibagi menjadi 2 kondisi, yaitu:
a. Pertumbuhan kasus Covid-19 kota pekanbaru sebelum Pemberlakuan Pembatasan Kegiatan Masyarakat (PPKM) berskala mikro.
b. Pertumbuhan kasus Covid-19 kota Pekanbaru saat Pemberlakuan Pembatasan Kegiatan Masyarakat(PPKM) berskala mikro.
2.2 Analisa Data
Terhadap data yang diperoleh pada tahap sebelumnya, dilakukan eksplorasi untuk memastikan semua atribut- atribut dan kelas dalam dataset tersebut valid dan dapat digunakan sebagai objek penelitian. Atribut dataset yang digunakan pada penelitian ini terdiri atas atribut kasus baru, jumlah sembuh, jumlah meninggal dan tingkat kasus.
Kelas tingkat kasus digunakan untuk mengelompokkan jenis pertumbuhan kasus Covid-19 pada dataset yang digunakan dalam penelitian, dibagi menjadi 2 atribut tinggi dan rendah dengan parameter 150>jumlah kasus baru<150. Penentuan kelas didapat dari bertambah dan berkurangnya kasus Covid-19 baik sebelum PPKM atau pada saat PPKM berskala mikro dilaksanakan.
2.3 Prediksi
Pada tahap ini dilakukan pemprosesan dataset untuk selanjutnya dilakukan proses prediksi untuk mengetahui performansi dari algoritma Naïve Bayes sebagai salahsatu jenis algoritma machine learning yang digunakan dalam penelitian ini. Adapun tahapan yang dilakukan adalah:
2.3.1 Preprocessing
Agar data dapat digunakan, maka harus dilakukan beberapa tahapan preprocessing sebelum dataset dapat digunakan dalam model yang dibangun. Berikut ini tahapan preprocessing yang dilakukan:
a. Penentuan Atribut dan data Cleaning
b. Menambahkan data real untuk atribut program PPKM, kasus baru, jumlah sembuh, jumlah meninggal, sementara data tingkat kelas diubah menjadi TINGGI dan RENDAH.
2.3.2 Pembangunan Model Naïve Bayes
Pembangunan model algoritma naïve bayes untuk memprediksi pertumbuhan kasus Covid-19 pada penelitian ini dilakukan dengan memanfaatkan tools Rapidminer. Rapidminer memiliki kemudahan dalam penggunaannya, seperti pengumpulan data yang dapat diperoleh dari berbagai sumber seperti basis data, cloud, dokumen, media sosial dan aplikasi bisnis. Selain itu Rapidminer dapat digunakan untuk mengeksplorasi dan memvisualisasi data secara statistic melalui beberapa model mesin pembelajaran dan model validasi [13]. Melalui tools tersebut model yang dibangun akan diberikan data latih sebagai proses training pembelajaran terhadap sekumpulan data yang
Regiolina Hayami, Copyright © 2022, MIB, Page 1652 menjadi input dan selanjutnya diberikan data uji untuk menguji/ testing akurasi model naïve bayes yang dibangun dalam memprediksi pertumbuhan kasus Covid-19 di kota Pekanbaru. Gambar 2 berikut memaparkan langkah- langkah pembangunan model prediksi menggunakan algoritma naïve bayes:
Gambar 2. Alur Proses Naïve Bayes
Set Role menjelaskan bagaimana operator menjalankan atribut yang telah ditentukan sebelumnya. Operator ini digunakan untuk menentukan field atau bagian mana yang akan digunakan sebagai label [14]. Cross-validasi atau dapat disebut estimasi rotasi adalah sebuah teknik validasi model untuk menilai bagaimana hasil statistik analisis akan menggeneralisasi kumpulan data independen. Teknik ini utamanya digunakan untuk melakukan prediksi model dan memperkirakan seberapa akurat sebuah model prediktif ketika dijalankan dalam praktiknya [15].
2.3.3 Pengukuran Performa
Validasi dari model yang telah dibangun dapat diperoleh melalui confusion matrix yang merepresentasikan kelas actual dan prediksi dari data (atau sebaliknya) dalam bentuk tabel seperti ilustrasi berikut ini [16]:
Tabel 2. Ilustrasi Confusion Matrix
Predicted Negative Predicted Positive Actual Negative True Negative (TN) False Positive (FP) Actual Positive False Negative (FN) True Positive (TP)
a. True Positive = banyak data yang aktual kelasnya positif, dan model juga memprediksi positif.
b. True Negative = banyak data yang aktual kelasnya negatif, dan model memprediksi negatif.
c. False Positive = banyak data yang aktual kelasnya negatif, namun model memprediksi positif.
d. False Negative = banyak data yang aktual kelasnya positif, namun model memprediksi negatif.
Untuk mengukur performa dari model yang telah dibangun, melalui hasil confussion matrix tersebut selanjutnya diperoleh nilai accuracy, precision dan recall melalui rumus [17]:
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 𝑇𝑃+𝑇𝑁
𝑇𝑃+𝐹𝑃+𝑇𝑁+𝐹𝑁 (1)
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 𝑇𝑃
𝑇𝑃+𝐹𝑃 (2)
𝑅𝑒𝑐𝑎𝑙𝑙 = 𝑇𝑃
𝑇𝑃+𝐹𝑁 (3)
2.4 Critical Analysis
Tahapan critical analysis merupakan tahap akhir dari pelaksanaan penelitian ini yang memberikan hasil dan juga penarikan kesimpulan berdasarkan hasil analisa peramalan. Kesimpulan yang diperoleh dijadikan sebagai ukuran untuk menjelaskan efektifitas kebijakan pembatasan kegiatan masyarakat terhadap pertumbuhan kasus Covid-19 di kota Pekanbaru.
3. HASIL DAN PEMBAHASAN
Setelah dataset dikumpulkan melalui pencatatan manual, selanjutnya dilakukan proses pembelajaran(learning) untuk mengetahui performadari algoritma Naïve Bayes sebagai salahsatu jenis algoritma Machine Learning yang digunakan dalam penelitian ini. Adapun tahapan yang dilakukan adalah:
3.1 Persiapan Dataset
Pada tahapan ini dilakukan penentuan atribut dan data cleaning sebelum dataset tersebut ditambahkan sesuai data tingkat kelas kasus pertumbuhan Covid-19 tinggi atau rendah. Tabel berikut menjelaskan tentang atribut yang digunakan dalam penelitian ini:
Tabel 3. Atribut Dataset
Nama Atribut Notasi Class
Tanggal X1 Date
Program PPKM X2 Sebelum dan Saat PPKM
Kasus Baru Covid-19 X3 Real
Sembuh X4 Real
Meninggal X5 Real
Tingkat Kasus Y Tinggi/ rendah
Selanjutnya, dilakukan proses import data pada aplikasi Rapidminer untuk selanjutnya digunakan sebagai data training dan testing pada model yang dibangun, seperti terlihat pada gambar 3 berikut ini:
Gambar 3 Import Data Pada Rapidminer 3.2 Pemodelan Naïve Bayes
Proses selanjutnya setelah data berhasil diimport adalah membangun model Naïve Bayes untuk melatih dan menguji penggunaan algoritma tersebut terhadap dataset. Tahapan pembangunan model dimulai dengan penentuan label dalam proses Set Roll selanjutnya digunakan dalam proses Cross Validation. Proses pengaturan role dan parameter Cross validation pada algoritma Naïve Bayes menggunakan Rapid Miner dapat dilihat pada gambar berikut:
Gambar 4 Set Role dan Parameter Cross Validation
Parameter K-fold Cross Validation pada penelitian ini adalah sebanyak 7(tujuh), maksudnya adalah dataset tersebut akan dibagi 7(tujuh) himpunan bagian. Dimana setiap subset akan memiliki 7(tujuh) data dengan
Regiolina Hayami, Copyright © 2022, MIB, Page 1654 pembagian 6(enam) data pelatihan/ data training dan 1(satu) data pengujian/ data testing, serta proses pembelajaran dan pengujian dilakukan 7(tujuh) kali. Setelah pengaturan Role dan parameter Cross Validation dilakukan selanjutnya apply model tersebut pada dataset yang telah dibagi menjadi data training dan data testing untuk mengetahui performa dari algoritma dalam memprediksi pertumbuhan kasus Covid-19 di Kota Pekanbaru sebelum dan saat kebijakan PPKM diberlakukan.
3.3 Pengukuran Performa
Tahapan setelah model digunakan adalah mengukur performa dari algoritma dalam memprediksi dataset menggunakan confusion matrix untuk mengetahui nilai akurasi, presisi dan recall. Confusion matrix dibuat dengan membandingkan antara nilai prediksi dan nilai aktual untuk mengukur performa. Berdasarkan pengujian yang dilakukan, diperoleh hasil seperti tercantum pada gambar 5 dibawah ini.
Gambar 5 Confusion Matrix dan Performance Vector Algoritma Naïve Bayes
Berdasarkan gambar pengukuran kinerja diatas, dapat dilihat bahwa algoritma Naïve Bayes dapat melakukan prediksi dengan baik. Hal tersebut terlihat pada kelas pertumbuhan kasus dengan status rendah terdapat 3 kesalahan dan pada kelas pertumbuhan kasus dengan status tinggi terdapat 4 kesalahan. Dari hasil confussion matrix selanjutnya dilakukan pengukuran performa dari model yang dibangun melalui nilai akurasi yang diperoleh mencapai 90%, presisi 92,01%, dan recall 91,90%.
3.4 Critical Analysis
Tahapan critical analysis merupakan tahap akhir dari pelaksanaan penelitian ini yang menampilkan hasil dan juga penarikan kesimpulan berdasarkan hasil analisa klasifikasi. Kesimpulan yang diperoleh dijadikan sebagai ukuran untuk menjelaskan efektifitas kebijakan pembatasan kegiatan masyarakat terhadap pertumbuhan kasus Covid-19 di kota Pekanbaru.
Gambar 6 Perbandingan Klasifikasi Kasus Covid-19 Sebelum dan Saat Pelaksanaan PPKM Berskala Mikro di kota Pekanbaru
Grafik diatas menunjukkan hasil klasifikasi pada saat dilaksanakan PPKM dan sebelum dilaksanakannya PPKM berskala mikro di kota Pekanbaru. Klasifikasi kelas pertumbuhan tinggi ditandai dengan grafik batang berwarna merah, sementara pertumbuhan rendah ditandai dengan grafik batang berwarna biru. Sebelum PPKM berskala mikro dilakukan, terlihat perbandingan antara pertumbuhan kasus Covid-19 dengan tingkat kasus “Tinggi” lebih banyak dibandingkan pertumbuhan dengan tingkat kasus “Rendah”. Kondisi sebaliknya terjadi saat dilaksanakannya PPKM berskala mikro, pertumbuhan kasus Covid-19 dengan tingkat kasus “Tinggi” yang semula memiliki nilai lebih besar berbanding terbalik dengan pertumbuhan dengan tingkat kasus “Rendah”. Berikut perbandingan persentase pertumbuhan kasus Covid-19 kota Pekanbaru yang diperoleh dari hasil klasifikasi data:
Tabel 4 Perbandingan Persentase Pertumbuhan Kasus Covid-19 Kota Pekanbaru Sebelum dan Saat Pelaksanaan PPKM Berskala Mikro
Tingkat Kasus
(%) Sebelum PPKM Berskala Mikro Saat PPKM Berskala Mikro
Tinggi 70% 25%
Rendah 30% 65%
Jika dilihat dari kondisi nyata dilapangan, selama pelaksanaan PPKM berskala mikro tersebut memberikan dampak yang sangat signifikan terhadap pertumbuhan kasus Covid-19 di kota Pekanbaru. Hal tersbut dibuktikan dengan terjadinya penurunan level PPKM kota Pekanbaru yang sebelumnya berstatus level 4 dan berhasil turun ke level 1 dan terjadinya penurunan drastis kasus aktif pada tahun 2022 ini.
4. KESIMPULAN
Dari hasil penelitian yang dilakukan terhadap prediksi efektivitas PPKM di Pekanbaru menggunakan algoritma Naïve Bayes dapat disimpulkan bahwa penggunaan algoritma Naïve Bayes untuk mengklasifikasikan Penyebaran Kasus Covid-19 di Pekanbaru memperoleh nilai perfoma yang baik dangan akurasi 90.00%, presisi 90.24% dan Recall 91.90%. Selain itu, berdasarkan penelitian yang dilakukan dapat diprediksi bahwa tingkat kasus Covid-19 berstatus “TINGGI” saat tidak dilaksanakanya PPKM. Hal tersebut dapat dijelaskan melalui persentase klasifikasi pertumbuhan kasus dengan status tinggi (70%) lebih besar nilainya dibanding dengan pertumbuhan kasus dengan status rendah yang hanya mencapai 30%. Sementara itu, perbandingan terbalik terjadi saat PPKM dilaksanakan, dimana pertumbuhan kasus dengan status tinggi hanya bernilai 25% dan pertumbuhan kasus dengan status tinggi meningkat hingga 65%. Berdasarkan perbandingan tersebut dapat dinyatakan Program PPKM efektif dilakukan untuk menekan pertumbuhan kasus Covid-19 di kota Pekanbaru. Pada penelitian selanjutnya diharapkan adanya analisa lebih mendalam dengan penambahan atribut lainnya terkait data pertumbuhan kasus Covid-19 dan prediksi terhadap cakupan wilayah yang lebih kecil seperti kecamatan atau kelurahan untuk hasil prediksi yang lebih spesifik pada suatu kota/ kabupaten. Selain itu, perlu dilakukan perbandingan prediksi menggunakan algoritma lain yang dapat mengidentifikasi penyebaran Kasus Covid-19 di daerah lainnya baik di provinsi Riau maupun daerah lainnya.
REFERENCES
[1] O. Económico and para a C. e D, “Innovation , development and COVID-19 : Challenges , opportunities and ways forward,” pp. 1–14, 2020.
[2] Y. Yanis et al., “PENGEMBANGAN MODAL SOSIAL SEBAGAI STRATEGI MENGATASI DAMPAK PANDEMI COVID-19 DI KOTA,” vol. 9, no. 2, pp. 427–432, 2021.
[3] R. M. Amin, R. F. Envelope, and B. Wicaksono, “Handling COVID-19 from a Collaborative Governance Perspective in Pekanbaru City,” vol. 13, pp. 1–13, 2021.
[4] P. K. Pekanbaru, “Wali Kota Aktifkan Seluruh Pos PPKM di Kota Pekanbaru,” 2021. .
[5] D. Suhardi, S. P. Insinyur, U. M. Malang, and K. Malang, “PREDIKSI DIABETES BERDASARKAN PENGUKURAN MAGE ( MEAN AMPLITUDE GLYCEMIC ) DENGAN,” pp. 48–59, 2021.
[6] A. Purwanto and E. A. Darmadi, “Perbandingan Minat Siswa Smu Pada Metode Klasifikasi Menggunakan 5 Algoritma,”
ikraith-informatika, vol. 2, no. 1, pp. 43–47, 2018.
[7] S. Lalmuanawma, J. Hussain, and L. Chhakchhuak, “Applications of machine learning and artificial intelligence for Covid-19 (SARS-CoV-2) pandemic: A review,” Chaos, Solitons & Fractals, p. 110059, 2020.
[8] M. H. D. M. Ribeiro, R. G. da Silva, V. C. Mariani, and L. dos Santos Coelho, “Short-term forecasting COVID-19 cumulative confirmed cases: Perspectives for Brazil,” Chaos, Solitons & Fractals, vol. 135, p. 109853, 2020.
[9] Z. Malki, E.-S. Atlam, A. E. Hassanien, G. Dagnew, M. A. Elhosseini, and I. Gad, “Association between weather data and COVID-19 pandemic predicting mortality rate: Machine learning approaches,” Chaos, Solitons & Fractals, vol. 138, p. 110137, 2020.
[10] L. K. Shrivastav and S. K. Jha, “A gradient boosting machine learning approach in modeling the impact of temperature and humidity on the transmission rate of COVID-19 in India,” Appl. Intell., vol. 51, no. 5, pp. 2727–2739, 2021.
[11] M. J. Maloney, N. J. Rhodes, and P. R. Yarnold, “Mask mandates can limit COVID spread: Quantitative assessment of month-over-month effectiveness of governmental policies in reducing the number of new COVID-19 cases in 37 US States and the District of Columbia,” medRxiv, 2020.
[12] M. L. Feb, “Analysis of the Effectiveness of Face-Coverings on the Death Rate of COVID-19 Using Machine Learning,”
Regiolina Hayami, Copyright © 2022, MIB, Page 1656 pp. 1–24, 2021.
[13] S. Widaningsih, “Perbandingan Metode Data Mining Untuk Prediksi Nilai Dan Waktu Kelulusan Mahasiswa Prodi Teknik Informatika Dengan Algoritma C4,5, Naïve Bayes, Knn Dan Svm,” J. Tekno Insentif, vol. 13, no. 1, pp. 16–25, 2019, doi: 10.36787/jti.v13i1.78.
[14] B. S. Prakoso, D. Rosiyadi, D. Aridarma, H. S. Utama, F. Fauzi, and M. A. N. Qhomar, “Optimalisasi Klasifikasi Berita Menggunakan Feature Information Gain Untuk Algoritma Naive Bayes Terhubung Random Forest,” J. Pilar Nusa Mandiri, vol. 15, no. 2, pp. 211–218, 2019, doi: 10.33480/pilar.v15i2.684.
[15] F. Tempola, M. Muhammad, and A. Khairan, “Perbandingan Klasifikasi Antara KNN dan Naive Bayes pada Penentuan Status Gunung Berapi dengan K-Fold Cross Validation,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 5, p. 577, 2018, doi: 10.25126/jtiik.201855983.
[16] R. Hayami and I. Gunawan, “Klasifikasi Jamur Menggunakan Algoritma Naïve Bayes,” J. CoSciTech (Computer Sci.
Inf. Technol., vol. 3, no. 1, pp. 28–33, 2022.
[17] R. Setiawan and A. Triayudi, “Klasifikasi Status Gizi Balita Menggunakan Naïve Bayes dan K- Nearest Neighbor Berbasis Web,” vol. 6, no. 2, pp. 777–785, 2022, doi: 10.30865/mib.v6i2.3566.
