Aplikasi Prakiraan Perkembangan Covid-19 Di Indonesia Menggunakan Metode Single Exponential Smoothing Berbasis Web

(1)

Aplikasi Prakiraan Perkembangan Covid-19 Di Indonesia Menggunakan Metode Single Exponential Smoothing Berbasis Web

Tsinmi Tri Azkiya Waslin^*, Oris Krianto Sulaiman, Tasliyah Haramaini

Fakultas Teknik, Program Studi Teknik Informatika, Universitas Islam Sumatera Utara, Medan, Indonesia Email: ^1,*[email protected], ²[email protected],³[email protected]

Email Penulis Korespondensi: [email protected]

Abstrak− SARSCoV2 (Severe Acute Respiratory Syndrome Coronavirus 2) merupakan virus penyebab COVID-19 yang telah menyebar ke banyak negara lain. Berbagai upaya dilakukan sebagian besar negara di dunia untuk menghadapi penyakit ini.

Akibat dari peningkatan kasus COVID-19 pekonomian terhambat dan memberi tekanan pada pertumbuhan ekonomi dunia ke depan termasuk pertumbuhan ekonomi Indonesia. Pandemi COVID-19 yang telah ditetapkan PBB, berdampak pada sektor transportasi, pariwisata, perdagangan, kesehatan dan lainnya. Tujuan dari penelitian ini adalah untuk merancang dan membuat aplikasi prakiraan perkembangan kasus COVID-19 di Indonesia dengan mengimplementasikan layanan REST API serta menggunakan metode single exponential smoothing sebagai metode matematika untuk menghitung prakiraan perkembangan kasus aktif COVID-19 di Indonesia agar dapat membantu kesiapan pemerintah Indonesia dalam melakukan tindakan pencegahan dengan cepat dan tepat serta agar dapat membantu masyarakat umum untuk mendapatkan informasi COVID-19 dan prakiraan perkembangannya. Hasil penelitian terhadap data kasus COVID-19 di Indonesia yang terkonfirmasi dengan tanggal pada bulan Maret 2020 sampai dengan April 2022 mendapatkan nilai model kesalahan MAPE sebesar 7,97% dimana 7,97% ≤ 10% sehingga termasuk ke dalam kategori tingkat akurasi yang tinggi dengan hasil prakiraan pada bulan berikutnya yaitu Mei 2022 adalah 5.334.335 kasus.

Kata Kunci: COVID-19; REST API; Single Exponential Smoothing

Abstract− SARSCoV2 (Severe Acute Respiratory Syndrome Coronavirus 2) is the virus that causes COVID-19 which has spread to many other countries. Various efforts have been made by most countries in the world to deal with this disease. As a result of the increase in COVID-19 cases, the economy is hampered and puts pressure on future world economic growth, including Indonesia's economic growth. The COVID-19 pandemic, which has been defined by the United Nations, has had an impact on the transportation, tourism, trade, health and other sectors. The purpose of this study is to design and create an application for forecasting the development of COVID-19 cases in Indonesia by implementing the REST API service and using the single exponential smoothing method as a mathematical method to calculate the forecast for the development of active COVID-19 cases in Indonesia in order to assist the readiness of the Indonesian government in taking preventive actions quickly and appropriately and in order to assist the general public to obtain information on COVID-19 and its development forecast.

The results of research on confirmed COVID-19 case data in Indonesia with dates from March 2020 to April 2022 get the MAPE error model value of 7.97% where 7,97% ≤ 10% so that it is included in the category of a high level of accuracy with forecast results in the following month, namely May 2022, which is 5,334,335 cases.

Keywords: COVID-19; REST API; Single Exponential Smoothing

1. PENDAHULUAN

Pada Desember 2019, beberapa kasus penyakit pernapasan yang parah dilaporkan muncul di Wuhan, Provinsi Hubei, Cina. Hingga 25 Januari 2020, 1.975 kasus telah dilaporkan sejak pasien dirawat di rumah sakit pada 12 Desember 2019 [1]. Penyakit pernapasan tersebut disebabkan oleh virus yang ditetapkan oleh International Committee on Taxonomy of Viruses (ICTV) sebagai Severe Acute Respiratory Syndrome Coronavirus 2 (SARS- CoV-2) pada 11 Februari 2020 [2]. Wabah SARS-CoV-2 awalnya diduga dimulai melalui penularan dari hewan ke manusia maupun sebaliknya yang berkaitan dengan pasar makanan laut (seafood market) di Wuhan, Cina [1].

Pada 30 Januari 2020, Komisi Darurat World Health Organization (WHO) mendeklarasikan darurat kesehatan masyarakat global berdasarkan peningkatan laporan China dan internasional [3]. Penyakit coronavirus baru yang disebabkan oleh SARS-CoV-2 tersebut diberi nama Coronavirus Disease 2019 (COVID19) [2].

Menghadapi jenis penyakit baru ini dan rekomendasi WHO, sebagian besar negara di dunia melakukan berbagai tindakan pencegahan penularan seperti lockdown, penerapan social distancing yaitu menjaga jarak terhadap orang yang terinfeksi maupun orang yang sehat, karantina paksa bagi mereka yang bepergian ke negara- negara tersebut, penutupan pendidikan formal dari taman kanak-kanak hingga universitas serta penutupan pendidikan non formal dari tempat kursus hingga lembaga pelatihan khusus, pemaksaan penggunaan masker, larangan berkumpul hingga 4 orang di tempat yang sama, penutupan semua acara olahraga, sering mencuci tangan, pembatasan perjalanan domestik dan internasional telah menyebabkan penurunan industri penghasil bisnis negara yang mencakup transportasi udara, transportasi laut, penanganan makanan, sektor akomodasi, hiburan dan rekreasi [4].

Di Indonesia, penyebaran virus ini dimulai sejak tanggal 02 Maret 2020, diduga berawal dari salah satu warga negara Indonesia yang melakukan kontak langsung dengan warga negara asing [5]. Dimana, salah satu tindakan pemerintah Indonesia dalam mencegah penularan COVID-19 adalah dengan menerapkan Pemberlakuan Pembatasan Kegiatan Masyarakat (PPKM).

Terjadinya peningkatan kasus COVID-19 telah memengaruhi perekonomian dunia termasuk Indonesia.

Pandemi COVID-19 yang telah ditetapkan PBB, berdampak pada sektor transportasi, pariwisata, perdagangan,

(2)

Tsinmi Tri Azkiya Waslin, Copyright © 2022, MIB, Page 1510 kesehatan dan lainnya. Kebijakan lockdown diambil oleh berbagai negara untuk mencegah penyebaran COVID- 19 dampak dari kebijakan tersebut menyebabkan perekonomian terhambat dan memberi tekanan pada pertumbuhan ekonomi dunia ke depan termasuk pertumbuhan ekonomi Indonesia [6].

Oleh karena itu, untuk membantu kesiapan pemerintah Indonesia dalam melakukan tindakan pencegahan dengan cepat dan tepat serta agar dapat membantu masyarakat Indonesia untuk mendapatkan informasi COVID- 19 dan prakiraan perkembangannya maka pemerintah perlu mendasarkan kebijakan dengan pertimbangan perkembangan kasus untuk jangka waktu kedepan yaitu dengan cara memprakirakan perkembangan kasus COVID-19 di Indonesia. Dengan menggunakan layanan REST API untuk mengumpulkan data kasus terkonfirmasi dengan tanggal COVID-19 di Indonesia, model prakiraan dapat dibuat dengan menggunakan metode single exponential smoothing (SES). Metode SES merupakan metode yang mudah dilakukan dan diterapkan. Selain itu, penulis menggunakan metode SES dengan melihat pola data COVID-19 yang tidak bersifat musiman dan tidak memiliki pola trend. Alasan ini didukung dengan pernyataan Shahid dan Rahaman yang menyatakan bahwa, metode single exponential smoothing (SES) dapat digunakan untuk memprediksi nilai masa depan dari data time series yang tidak trending dan tidak bersifat musiman [7].

Adapun penelitian sebelumnya yang berkaitan dengan penelitian ini yaitu penelitian tentang “Analisis Metode Single Exponential Smoothing dengan Brown Exponential Smoothing Pada Studi Kasus Memprediksi Kuantiti Penjualan Produk Farmasidi Apotek”. Menggunakan parameter α=0,1; α=0,3; α=0,5 dan α=0,7 didapatkan parameter nilai alpha terbaik adalah 0,5 dengan perhitungan kesalahan absolut rata-rata (MAE) terendah sebesar 71,22 dan persentase kesalahan rata-rata prediksi kuantiti penjualan produk farmasi (MAPE) terendah sebesar 1,14% [8].

Penelitian lainnya tentang “Forecasting of Groundwater Tax Revenue Using Single Exponential Smoothing Method”. Menggunakan data pajak tanah dari bulan Januari 2013 sampai dengan Januari 2017 serta menggunakan parameter α = 0,1; α = 0,3; α = 0,5; α = 0,7; dan α = 0,9. Didapatkan hasil prakiraan dengan nilai kesalahan terkecil menggunakan model kesalahan mean absolute percentage error (MAPE) sebesar 45.868735% dengan nilai α = 0,1 [9].

Penelitian tentang “Prediksi Jumlah Penerimaan Mahasiswa Baru dengan Metode Single Exponential Smoothing”. Menggunakan data histori 15 tahun dan metode pencarian nilai alpha secara coba-coba (trial) dari 0,1-0,9 didapatkan nilai alpha terbaik adalah 0,9 dengan model kesalahan mean square error sebesar 7725,33 [10].

Penelitian lainnya yaitu tentang “Sistem Prediksi Jumlah Pasien Covid-19 Menggunakan Metode Trend Least Square Berbasis Web”. Nilai MAPE dari hasil prediksi pasien positif, sembuh dan meninggal dengan menggunakan metode trend least square dan data COVID-19 dari Bulan Juli-Agustus 2020 diperoleh nilai rata- rata persentase MAPE untuk hasil prediksi pasien COVID-19 di Indonesia adalah 59,2% yang menunjukkan prediksi menggunakan metode Trend Least Square tergolong buruk untuk memprediksi pasien COVID-19 di Indonesia [11]. Metode trend least square merupakan metode peramalan yang digunakan untuk melihat tren dari data deret waktu sedangkan metode SES digunakan untuk memprediksi nilai masa depan dari data time series yang tidak trending dan tidak bersifat musiman. Jika dibandingkan dari kedua metode prakiraan ini, metode SES lebih tepat digunakan karena melihat pola data COVID-19 yang tidak bersifat musiman dan tidak memiliki pola trend.

Berdasarkan referensi [8] [9] [10] tentang variasi pemilihan parameter α yang dipilih dengan mengambil nilai ganjil maupun secara coba-coba (trial) dari α = 0,1 sampai dengan α = 0,9, pada penelitian ini hanya mengambil satu nilai parameter α yaitu 0,9.

Penelitian ini bertujuan untuk mengimplementasikan REST API sebagai media layanan penyedia data COVID-19 serta untuk memprakirakan perkembangan COVID-19 di Indonesia dengan menggunakan metode single exponential smoothing. REST API biasanya mengumpulkan data dengan mengakses beberapa endpoint.

Misalnya, membiarkan klien ingin mengambil data peneliti yang mencakup id (identifier) yang bersifat unik, judul penelitian, dan anggota proyek penelitian. Server mengirimkan representasi dari keadaan sumber daya yang diminta ke klien yang sebagian besar dalam format JSON (JavaScript Object Notation) atau XML (eXtensible Markup Language) [12].

Penelitian ini diharapkan dapat memprakirakan perkembangan kasus COVID-19 di Indonesia yang terkonfirmasi dengan tanggal untuk membantu kesiapan pemerintah Indonesia dalam melakukan tindakan pencegahan dengan cepat dan tepat, membantu masyarakat Indonesia (pemerintah maupun masyarakat biasa) untuk mendapatkan informasi COVID-19 dan prakiraan perkembangannya.

2. METODOLOGI PENELITIAN

2.1 Tahapan Penelitian a. Perencanaan

Pada tahap ini dilakukan analisis kebutuhan aplikasi. Aplikasi yang akan dibangun dapat menyediakan informasi dari COVID-19 di Indonesia dan seluruh provinsi Indonesia. Selain itu, sistem juga akan dapat melakukan prakiraan kasus COVID-19 yang terkonfirmasi dengan tanggal di Indonesia baik secara nasional maupun per provinsi serta mampu memberikan informasi visual berupa grafik perbandingan data aktual dengan prakiraan dan total kasus yang divisualisasikan dalam bentuk peta.

(3)

Pada tahap ini dilakukan perancangan aplikasi berupa desain antarmuka. Perancangan aplikasi ini dilakukan dengan menggunakan design tool Figma.

c. Implementasi

Setelah dilakukan perancangan aplikasi maka dilakukan implementasi sesuai dengan perancangan yang telah dibuat. Implementasi dilakukan dengan menggunakan HTML, CSS dan bahasa pemrograman JavaScript serta JavaScript Fetch untuk implementasi REST API.

d. Pengujian

Pada tahap ini dilakukan pengujian pada aplikasi yang telah dibuat. Pengujian dilakukan dengan mengakses aplikasi dan jika menemukan adanya error atau bug yang terjadi pada aplikasi maka akan di perbaiki kembali sehingga aplikasi tersebut dapat berjalan dengan lancar dan tidak ditemukan adanya error atau bug.

2.2 Data Penelitian

Sumber data pada penelitian ini adalah data sekunder yang berupa data perkembangan kasus COVID-19 di Indonesia yang terkonfirmasi dengan tanggal yang diperoleh dengan memanfaatkan endpoint public API data COVID-19 Indonesia yang bersumber dari Satuan Tugas Penanganan COVID-19 dan tersedia pada website covid19.go.id. Pengambilan data dilakukan pada tahun 2022 serta data yang digunakan adalah kasus COVID-19 di Indonesia yang terkonfirmasi dengan tanggal pada tahun 2020 sampai tahun 2022.

Gambar 1. Response Data API COVID-19

Gambar 1 di atas merupakan response dari public API data COVID-19 Indonesia yang bersumber dari Satuan Tugas Penanganan COVID-19 dan tersedia pada website covid19.go.id dengan endpoint detail provinsi DKI Jakarta.

2.3 Metode Single Exponential Smoothing

Metode single exponential smoothing adalah teknik peramalan rata-rata bergerak dengan pembobotan dimana data diberi bobot oleh sebuah fungsi exponential [12]. Metode single exponential smoothing pengembangan dari metode peramalan rata-rata bergerak yang menambahkan bobot eksponensial atau multi-level pada data terbaru, dimana data yang lebih baru memiliki bobot lebih yang besar [13]. Metode single exponential smoothing (SES) dapat digunakan untuk memprediksi nilai masa depan dari data time series yang tidak trending dan bersifat musiman [14]. Metode single exponential smoothing dapat dirumuskan sebagai berikut:

𝐹_𝑡+1= 𝐹_𝑡+ 𝛼(𝑋_𝑡− 𝐹_𝑡) (1)

Keterangan:

Ft = Nilai prakiraan untuk periode waktu tertentu Xt = Nilai aktual untuk 1 periode waktu t

α = Konstanta smoothing alpha yang bervariasi antara 0 dan 1

Masalah umum dengan metode single exponential smoothing adalah bagaimana menentukan nilai α yang tepat untuk meminimalkan kesalahan prakiraan. Karena berlaku 0 < α < 1, maka dapat dilakukan panduan sebagai berikut [15]:

a. Apabila pola histori data sangat bergejolak atau tidak stabil maka pilih nilai α mendekati 1.

b. Apabila pola histori data tidak bergejolak dan mendekati stabil maka pilih nilai α mendekati 0.

2.4 Ukuran Ketepatan Metode Prakiraan a. Mean Absolute Deviation (MAD)

MAD merupakan rata-rata kesalahan mutlak selama periode tertentu. Nilai absolut berguna untuk menghindari nilai penyimpangan positif dan penyimpangan negatif saling meniadakan [16]. MAD paling berguna ketika penganalisis ingin mengukur kesalahan prediksi dalam unit yang sama dengan seri aslinya [17].

(4)

𝑀𝐴𝐷 = ¹

𝑛 ∑^𝑛_𝑡=1|𝑒_𝑡| (2)

b. Mean Absolute Percentage Error (MAPE)

MAPE merupakan ukuran ketepatan relatif yang digunakan untuk mengetahui persentase penyimpangan hasil prakiraan. Semakin kecil nilai MAPE maka semakin kecil kesalahan hasil prediksi, sebaliknya semakin besar nilai MAPE maka semakin besar kesalahan hasil prediksi [16]. MAPE dapat dirumuskan sebagai berikut [16]:

𝑀𝐴𝑃𝐸 = ¹

𝑛 ∑ ^|𝑒^𝑡^|

|𝑋𝑡|𝑥100%

𝑛𝑡=1 (3)

Keterangan:

|𝑒_𝑡| = Nilai absolute error (nilai aktual – nilai prakiraan) untuk 1 periode waktu t |𝑋_𝑡| = Nilai absolute dari nilai aktual untuk 1 periode waktu t

𝑛 = Jumlah data

Nilai MAPE yang digunakan untuk menganalisis kinerja dari proses memprakirakan dapat dilihat pada Tabel 1 di bawah ini [7]:

Tabel 1. Tingkat Akurasi Nilai MAPE Nilai MAPE Tingkat Akurasi

MAPE ≤ 10% Tinggi

10% < MAPE ≤ 20% Baik 20% < MAPE ≤ 50% Wajar

MAPE > 50% Rendah

3. HASIL DAN PEMBAHASAN

3.1 Analisis Data

Data yang digunakan pada perhitungan ini adalah data kasus COVID-19 di Indonesia yang terkonfirmasi dengan tanggal pada bulan Maret 2020 sampai dengan bulan April 2022 yang ditampilkan pada Tabel 2. Perlu diketahui bahwa data di bawah ini dapat berubah sewaktu-waktu tergantung sumber data yang digunakan yaitu website covid19.go.id dan dapat mengalami perbedaan antara aplikasi dengan perhitungan yang telah dilakukan pada penelitian ini karena dengan menggunakan API, maka data akan ter-update secara otomatis mengikuti sumber data yang digunakan.

Tabel 2. Data Kasus COVID-19 Terkonfirmasi di Indonesia Maret 2020 – April 2022

Periode Kasus Periode Kasus

Mar-20 1.020 Apr-21 5.319.288

Apr-20 746.003 Mei-21 5.319.400

Mei-20 746.082 Jun-21 5.319.741

Jun-20 746.237 Jul-21 5.321.816

Jul-20 747.003 Agu-21 5.325.108

Agu-20 748.028 Sep-21 5.325.630

Sep-20 748.740 Okt-21 5.325.721

Okt-20 749.004 Nov-21 5.325.728

Nov-20 749.097 Des-21 5.325.744

Des-20 749.828 Jan-21 5.325.764

Jan-21 5.318.202 Feb-22 5.326.819

Febr-21 5.318.688 Mar-22 5.327.755

Mar-21 5.319.033 Apr-22 5.327.787

3.2 Perhitungan Prakiraan

Prakiraan perkembangan kasus COVID-19 di Indonesia yang terkonfirmasi dengan tanggal dapat dihitung dengan menggunakan persamaan (1).

a. Prakiraan Pertama (Maret 2020)

Pada tahap prakiraan Maret 2020, tidak ada data yang diketahui atau belum dilakukan prakiraan sebelumnya, oleh sebab itu hasil pada prakiraan Maret 2020 dianggap sama dengan nilai jumlah aktual pada Maret 2020 (F1

= X1).

b. Prakiraan Kedua (April 2020) 𝐹₁₊₁= 𝐹₁+ 𝛼(𝑋₁− 𝐹₁)

(5)

𝐹₂= 1.020 + 0 𝐹₂= 1.020

c. Prakiraan Untuk 1 Bulan Berikutnya dari data Maret 2020 – April 2022 (Mei 2022) 𝐹₂₆₊₁= 𝐹₂₆+ 𝛼(𝑋₂₆− 𝐹₂₆)

𝐹₂₇= 5.334.212 + 0,9(5.334.349 − 5.334.212) 𝐹₂₇= 5.334.212 + 123,3

𝐹₂₇= 5.334.335

Jadi, prakiraan untuk 1 bulan berikutnya yaitu Mei 2022 adalah 5.334.335 kasus dan jika dilihat pada data aktual pada bulan sebelumnya akan mengalami penurunan kasus. Detail dari hasil perhitungan dengan menggunakan metode single exponential smoothing dapat dilihat pada Tabel 3 di bawah ini:

Tabel 3. Hasil Prakiraan Kasus Terkonfirmasi COVID-19 di Indonesia Maret 2020 – Mei 2022 Periode Aktual Prakiraan Periode Aktual Prakiraan

Mar-20 1.020 1.020 Apr-21 5.319.288 5.320.980

Apr-20 746.003 1.020 Mei-21 5.319.400 5.325.363 Mei-20 746.082 671.504 Jun-21 5.319.741 5.325.902 Jun-20 746.237 738.624 Jul-21 5.321.816 5.326.262 Jul-20 747.003 745.475 Agu-21 5.325.108 5.328.166 Agu-20 748.028 746.850 Sep-21 5.325.630 5.331.319 Sep-20 748.740 747.910 Okt-21 5.325.721 5.332.104 Okt-20 749.004 748.657 Nov-21 5.325.728 5.332.265 Nov-20 749.097 748.969 Des-21 5.325.744 5.332.287 Des-20 749.828 749.084 Jan-22 5.325.764 5.332.304 Jan-21 5.318.202 749.753 Feb-22 5.326.819 5.332.323 Feb-21 5.318.688 4.867.262 Mar-22 5.327.755 5.333.275 Mar-21 5.319.033 5.279.451 Apr-22 5.327.787 5.334.212 Hasil Prakiraan Berikutnya Mei-22 5.334.358 5.334.335

Untuk memperoleh nilai MAD dapat dihitung dengan menggunakan persamaan (2). Berikut merupakan contoh perhitungan nilai error pada Maret 2020:

𝑒_𝑡= 𝑋_𝑡− 𝐹_𝑡 𝑒₁= 𝑋₁− 𝐹₁ 𝑒₁= 1.020 − 1.020 𝑒₁= 0

Maka, nilai absolute error-nya adalah (|et| = 0).

Untuk memperoleh nilai MAPE dapat dihitung dengan menggunakan persamaan (3). Hasil perhitungan nilai MAD dan MAPE dapat dilihat pada Tabel 4.

Tabel 4. Nilai MAD dan MAPE

Periode MAD |𝒆_𝒕| 𝐌𝐀𝐏𝐄 (|𝒆_𝒕|/|𝑿_𝒕|) Periode 𝐌𝐀𝐃 |𝒆_𝒕| 𝐌𝐀𝐏𝐄 (|𝒆_𝒕|/|𝑿_𝒕|)

Mar-20 0 0 Apr-21 4.870 0,091

Apr-20 744.983 99,863 Mei-21 599 0,011

Mei-20 74.578 9,996 Jun-21 401 0,008

Jun-20 7.613 1,02 Jul-21 2.116 0,04

Jul-20 1.528 0,205 Agu-21 3.504 0,066

Agu-20 1.178 0,157 Sep-21 873 0,016

Sep-20 830 0,111 Okt-21 179 0,003

Okt-20 347 0,046 Nov-21 25 0

Nov-20 128 0,017 Des-21 19 0

Des-20 744 0,099 Jan-21 22 0

Jan-21 4.575.011 85,92 Feb-22 1.058 0,02

Febr-21 457.988 8,6 Mar-22 1.042 0,02

Mar-21 46.144 0,866 Apr-22 137 0,003

Setelah menghitung nilai error (e) dan absolute error (|et|), dilanjutkan mencari nilai rata-rata MAD dengan cara menjumlahkan keseluruhan nilai absolute error dan dibagi dengan jumlah data yang ada. Sedangkan untuk mencari nilai rata-rata MAPE dapat dilakukan dengan cara membagikan nilai absolute dari data aktual dengan

(6)

Tsinmi Tri Azkiya Waslin, Copyright © 2022, MIB, Page 1514 nilai absolute error kemudian dikali dengan 100% dan dijumlahkan keseluruhan dari data yang ada. total penjumlahan yang telah dilakukan dibagi dengan jumlah data. Nilai rata-rata MAD dan MAPE dapat dilihat pada Tabel 5 di bawah ini.

Tabel 5. Nilai Rata-rata MAD dan MAPE

MAD 𝐌𝐀𝐏𝐄

227.919 7,97%

Berdasarkan Tabel 5 di atas, dapat dilihat bahwa nilai MAPE jika dinilai tingkat akurasinya berdasarkan Tabel 1, memiliki tingkat akurasi yang tinggi karena 7,97% ≤ 10%.

3.3 Perencanaan

Pada tahap perencanaan, dilakukan analisis kebutuhan aplikasi prakiraan perkembangan COVID-19 di Indonesia.

Tujuan dari tahap ini adalah untuk memudahkan proses desain atau rancangan antarmuka aplikasi serta kemudahan dalam penggambaran alur aplikasi yang diinginkan.

a. Aplikasi ini menggunakan data COVID-19 yang terkonfirmasi dengan tanggal agar dapat dilakukan perhitungan baik secara (monthly) maupun tahunan (yearly).

b. Aplikasi ini nantinya hanya terdapat 1 use case yaitu user. Dimana user ini nantinya tidak perlu melakukan proses login.

c. Aplikasi ini nantinya akan menyediakan informasi COVID-19 di Indonesia secara nasional maupun per provinsi, perbandingan data aktual dengan data prakiraan secara keseluruhan dalam bentuk grafik yang dapat dilihat berdasarkan kategori monthly dan yearly, melihat tingkat kasus COVID-19 di seluruh provinsi di Indonesia berdasarkan 3 kategori dan ditampilkan dalam bentuk vector map. Informasi ini direncakanan akan ditampilkan pada menu utama (dashboard) dan merupakan halaman yang pertama kali tampil saat mengakses aplikasi ini.

d. Aplikasi ini juga direncanakan dapat mengetahui detail data COVID-19 sesuai dengan provinsi yang dipilih oleh user. Data yang akan ditampilkan berupa data prakiraan pada provinsi yang terkait, total kasus, kasus terbaru, persentase kematian, kematian baru serta persentase kesembuhan.

e. Aplikasi ini direncanakan dapat menampilkan detail hasil perhitungan prakiraan dengan menggunakan metode SES yang dapat dilihat secara nasional maupun per provinsi serta memiliki fitur prakiraan secara bulanan (monthly) maupun tahunan (yearly).

f. Sehingga total menu yang terdapat pada aplikasi ini adalah 3 menu dengan rincian perencanaan pada setiap menu secara berurutan terdapat pada poin c,d dan e.

g. Pengambilan data pada aplikasi ini menggunakan web service REST API agar data COVID-19 yang digunakan selalu up-to-date.

3.4 Perancangan

Tahap selanjutnya adalah tahap perancangan. Pada tahap ini dilakukan perancangan aplikasi berupa desain antarmuka. Perancangan aplikasi ini dilakukan dengan menggunakan design tool Figma. Berikut merupakan salah satu dari perancangan yang telah dilakukan secara keseluruhan.

Gambar 2. Perancangan Halaman SES

Gambar 2 merupakan hasil perancangan untuk halaman SES dimana pada halaman ini nantinya akan ada fitur untuk melihat detail hasil perhitungan prakiraan dengan menggunakan metode SES. Pada halaman ini juga dapat menghitung hasil prakiraan dengan menggunakan metode SES secara nasional dan provinsi serta secara bulanan (monthly) maupun tahunan (yearly).

(7)

Setelah dilakukan perancangan, implementasi dilakukan dengan menggunakan HTML, CSS dan bahasa pemrograman JavaScript serta JavaScript Fetch untuk implementasi REST API. Berikut merupakan salah satu dari implementasi yang telah dilakukan secara keseluruhan.

Gambar 3. Tampilan Halaman SES Prakiraan COVID-19 di Indonesia

Gambar 3 merupakan detail perhitungan prakiraan perkembangan COVID-19 di Indonesia secara nasional dan per provinsi dan secara bulanan (monthly) maupun tahunan (yearly).

3.6 Pengujian

Pengujian dilakukan dengan menggunakan black box testing terhadap aplikasi. Hasil dari beberapa pengujian yang telah dilakukan dengan metode black box dapat dilihat pada Tabel 6 di bawah ini.

Tabel 6. Hasil Pengujian

No. Skenario Hasil yang Diharapkan Kesimpulan

1. Akses aplikasi Aplikasi dapat diakses dengan cepat serta berhasil menampilkan data API.

Sesuai 2. Klik tombol “yearly”

dan“monthly” pada grafik di menu dashboard

Data grafik menyesuaikan data yearly dan monthly dengan baik.

Sesuai

3. Pemilihan provinsi di menu map

Data prakiraan pada provinsi yang terkait berhasil ditampilkan serta total kasus, kasus terbaru, persentase kematian, kematian baru serta persentase kesembuhan pada provinsi yang dipilih sesuai dengan data API.

Sesuai

4. Pemilihan tahun pada perhitungan prakiraan bulanan dan tahunan secara nasional dan per provinsi di menu SES

Hasil perhitungan sesuai dengan perhitungan manual dan dapat menampilkan detail

perhitungan bulanan dan tahunan pada tahun dan provinsi yang dipilih

Sesuai

4. KESIMPULAN

Aplikasi ini memberikan informasi perkembangan kasus COVID-19 di Indonesia dan prakiraannya. Prakiraan perkembangan kasus COVID-19 di Indonesia dilakukan dengan menggunakan data kasus COVID-19 yang terkonfirmasi dengan tanggal dan merupakan sumber asli dari https://covid19.go.id/ sejak Maret 2020 sampai dengan April 2022 yang diimplementasikan dengan menggunakan REST API serta mampu membantu memprakirakan perkembangan kasus COVID-19 yang terkonfirmasi untuk satu bulan kedepan dan satu tahun kedepan. Aplikasi ini sudah menerapkan metode single exponential smoothing dengan baik, menampilkan grafik perbandingan data prakiraan dengan data aktual secara grafik dengan baik, serta implementasi REST API sebagai media untuk layanan data COVID-19 di Indonesia dan prakiraan perkembangannya secara up-to-date.

(8)

REFERENCES

[1] F. Wu et al., “A New Coronavirus Associated With Human Respiratory Disease in China,” Nature, vol. 579, no. 7798, pp. 265–269, 2020, doi: 10.1038/s41586-020-2008-3.

[2] P. Yang and X. Wang, “COVID-19: A New Challenge For Human Beings,” Cellular and Molecular Immunology, vol.

17, no. 5, pp. 555–557, 2020, doi: 10.1038/s41423-020-0407-x.

[3] T. P. Velavan and M. Christian G., “The COVID-19 Epidemic,” Tropical Medicine and International Health, vol. 25, no. 3, pp. 278–280, Mar. 2020, doi: 10.1111/tmi.13383.

[4] M. kirose Berihe, G. F. Feyissa, and M. C. Tadesse, “Impact of COVID19 on Tourism and Hotels of Ethiopia,” Journal of Tourism, Hospitality and Sports, vol. 49, pp. 8–13, May 2020, doi: 10.7176/jths/49-02.

[5] S. N. L. Nalini, “Dampak Dampak covid-19 terhadap Usaha MIkro, Kecil dan Menengah,” Jesya (Jurnal Ekonomi &

Ekonomi Syariah), vol. 4, no. 1, pp. 662–669, 2021, doi: 10.36778/jesya.v4i1.278.

[6] Kementerian Keuangan RI, “Siaran Pers Menjaga Ekonomi Indonesia Terhadap Dampak Negatif Pandemik COVID- 19,” Mar. 18, 2020. https://www.kemenkeu.go.id/publikasi/siaran-pers/siaran-pers-menjaga-ekonomi-indonesia- terhadap-dampak-negatif-pandemik-covid-19/ (accessed Feb. 24, 2022).

[7] S. Shahid and SK. A. Rahaman, “Exponential Smoothing Methods for Detection of the Movement of Stock Prices,”

International Journal of Recent Technology and Engineering (IJRTE), vol. 8, no. 5, pp. 1420–1422, Jan. 2020, doi:

10.35940/ijrte.e6409.018520.

[8] R. Gustriansyah, “Analisis Metode Single Exponential Smoothing dengan Brown Exponential Smoothing Pada Studi Kasus Memprediksi Kuantiti Penjualan Produk Farmasi Di Apotek,” Feb. 2017.

[9] D. M. Khairina, A. Muaddam, S. Maharani, and H. R. Hatta, “Forecasting of Groundwater Tax Revenue Using Single Exponential Smoothing Method,” in Strengthening Planning & Implementation of Energy, Environment, Epidemiology And Information System as A Respond To Industrial Revolution 4.0, 2019. doi: 10.1051/e3sconf/201.

[10] W. Handoko, “Prediksi Jumlah Penerimaan Mahasiswa Baru dengan Metode Single Exponential Smoothing,”

JURTEKSI (Jurnal Teknologi dan Sistem Informasi), vol. 5, no. 2, pp. 125–132, Jun. 2019, doi:

10.33330/jurteksi.v5i2.356.

[11] J. S. Widjaya, D. A. R., and S. R. P. Sari, “Sistem Prediksi Jumlah Pasien Covid-19 Menggunakan Metode Trend Least Square Berbasis Web,” SISTEMASI: Jurnal Sistem Informasi , vol. 10, no. 1, pp. 39–51, Jan. 2021, [Online]. Available:

http://sistemasi.ftik.unisi.ac.id

[12] A. Lawi, B. L. E. Panggabean, and T. Yoshida, “Evaluating GraphQL and REST API Services Performance in a Massive and Intensive Accessible Information System,” MDPI, vol. 10, no. 11, Nov. 2021, doi:

10.3390/computers10110138.

[13] G. L. W. S. Rahayu and I. B. G. Anandita, “Penerapan Metode Single Exponential Smoothing Dalam Peramalan Penjualan Barang,” Jurnal Sains Komputer & Informatika (J-SAKTI, vol. 3, no. 2, pp. 433–441, Sep. 2019, [Online].

Available: http://tunasbangsa.ac.id/ejurnal/index.php/jsakti

[14] C. M. Gibran, S. Setiyawati, and F. Liantoni, “Prediksi Penambahan Kasus Covid-19 di Indonesia Melalui Pendekatan Time Series Menggunakan Metode Exponential Smoothing,” Jurnal Informatika Universitas Pamulang, vol. 6, no. 1, p. 112, Mar. 2021, doi: 10.32493/informatika.v6i1.9442.

[15] N. Hudaningsih, S. F. Utami, and W. A. A. Jabbar, “Perbandingan Peramalan Penjualan Produk Aknil PT.Sunthi Sepuri Menggunakan Metode Single Moving Average dan Single Exponential Smooting,” Jurnal JINTEKS, vol. 2, no. 1, pp.

15–22, Feb. 2020.

[16] R. Ramadania, “Peramalan Harga Beras Bulanan di Tingkat Penggilingan dengan Metode Weighted Moving Average,”

Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster), vol. 07, no. 4, pp. 329–334, 2018.

[17] M. A. Muzani, M. I. A. Sukri, S. N. Fauziah, W. M. Pradnya, and A. Suyonto, “Algoritma Adaptive Neuro Fuzzy Inference System Untuk Perkiraan Intensitas Curah Hujan,” SISFOTEK, vol. 5, no. 1, pp. 102–106, Sep. 2021.