Jurnal Media Informatika Budidarma

Perbandingan Algoritma Regresi Linier dan Regresi Random Forest Dalam Memprediksi Kasus Positif Covid-19

Syakirah Fachid, Agung Triayudi^*

Fakultas Teknologi Kominukasi dan Informatika, Sistem Informasi, Universitas Nasional, Jakarta Indonesia Email: ¹ syakairahfachid2018@student.unas.ac.id, ²agungtriayudi@civitas.unas.ac.id

Email Penulis Korespondensi: agungtriayudi@civitas.unas.ac.id

Abstrak−Dunia di gemparkan oleh virus yang pertama kali di laporkan di Wuhan, Tiongkok. Virus ini dilaporkan memiliki penyebaran yang sangat luas dalam waktu yang singkat, Sehingga menyebar ke seluruh dunia. world Health Organization (WHO) sudah menunjuk Corona Virus Disease 2019 menjadi pandemik global. Dalam waktu singkat Virus Covid 19 langsung menjalar ke penjuru dunia termasuk Indonesia. Akibat tersebarnya covid 19 yang melambung tinggi, terjadilah kehebohan pada masyarakat. Situasi ini mempengaruhi segudang sektor kehidupan bangsa. Maka dari itu peneliti melakukan penelitian ini guna mengetahui berapakah data yang terkena, meninggal, dan sembuh karena Covid 19 serta bagaimana analisa perhitungan regresi linier dan regresi random forest. Hasil penilitian penulis menghasilkan nilai RMSE sebesar 3031.127 MAPE 47.66 dan tingkat akurasi sebesar 94% pada algoritma Regresi Linier sedangkan untuk algoritma Random Forest menghasilkan nilai RMSE sebesar 1886.555, MAPE 14.85 dan tingkat akurasi sebesar 97.7%. Maka dapat disimpulkan bahwa pada penilitian ini regresi random forest lebih baik digunakan dibandingan regresi linier.

Kata Kunci: Covid-19; Machine Learning; Regresi Linear; Random Forest Regression; RMSE

Abstract−The world is in an uproar by a virus that was first reported in Wuhan, China. This virus is reported to have spread very widely in a short time, so that it spread throughout the world. The World Health Organization (WHO) has designated Corona Virus Disease 2019 as a global pandemic. In a short time the Covid 19 virus immediately spread to all corners of the world, including Indonesia. Due to the spread of COVID-19 which has soared, there has been a stir in the community. This situation affects many sectors of the nation's life. Therefore, the researchers conducted this study to find out how much data were affected, died, and recovered from Covid 19 and how to analyze linear regression and forest random regression calculations. The results of the author's research produce an RMSE value of 3031,127 MAPE 47.66 and an accuracy rate of 94% in the Linear Regression algorithm while the Random Forest algorithm produces an RMSE value of 1886,555, MAPE 14.85 and an accuracy rate of 97.7%. So it can be concluded that in this research random forest regression is better to use than linear regression.

Keywords: Covid 19; Machine Learning; Linear Regression; Random Forest Regression; RMSE

1. PENDAHULUAN

Pandemi COVID-19 telah diderita semua negara yang ada di dunia dan menghasilkan imbas yang sangat besar, Pelaksanan kebijakan penguncian daerah (Lockdown) menghambat aktifitas warga dari semua kalangan, lembaga pemerintahan, lembaga swasta, wirausaha, transportasi, pariwisata, pendidikan, dan masih banyak lagi yang terkena imbasnya dari penerapan ini sehingga menimbulkan banyak kerugian dan permasalahan yang terjadi.

[1]Untuk itu tujuan dari penilitian ini untuk memperoleh akurasi terbaik atas pemodelan machine learning untuk memprediksi kasus positif covid 19. Penilitian ini penting dilakukan karena tingginya angka positif covid 19.

Dengan regresi liner sebagai metode algoritma yang merupakan ilmu yang dipakai untuk melihat hubungan sebab akibat yang terjadi pada variabel yang satu dengan yang lainnya. Metode ini juga memiliki kelibhan yaitu mudah digunakan, kemudian dapat menentukan akurasi. [2] Tak hanya itu metode ini pun memiliki kelemahan yaitu metode ini merupakan nilai estimasi yang kemungkinannya tidak sesuai dengan data masih dapat memungkinkan.

[3] Selain itu penulis juga menerapkan metode pembanding yaitu Random Forest Regression yang merupakan algoritma yang menggunakan metode pembelajaran ensemble untuk regresi sebagai teknik yang menggabungkan prediksi dari beberapa prosedur pemecahan dalam machine learning Untuk menghasilkan prediksi yang akurat dari pada model tunggal. [4] [5] [6]

Analisis regresi linier merupakan sebuah metode dalam statistika yang mempelajari hubungan antar variabel Y lalu serangkaian variabel X1,....,Xp. Adapun tujuan dari metode ini yaitu mempridiksi nilai Y dari nilai X yang telah diberikan. Pada pemodelan ini hanya memiliki satu variabel bebas yaitu variabel X. analisa ini memiliki beberapa fungsi, diantaranya adalah untuk melakukan prediksi kepada variabel yang terikat yaitu variabel Y. [7][8] [10]

Random Forest Regression merupakan algoritma pembelajaran terawasi yang menggunakan metode pembelajaran ensemble untuk regresi sebagai teknik yang menggabungkan prediksi dari beberapa prosedur pemecahan dalam machine learning Untuk menghasilkan prediksi yang akurat dari pada model tunggal.[4][9]

Terdapat beberapa penelitian relevan terpaut prediksi kasus Covid-19 yang sebelumnya telah dilaksanakan, Salah satunya yaitu penelitian yang dilaksanakan oleh Hendrik Setiawan,Ema Utami, Sudarmawan tahun 2021[1].

Jurnal ini menjelaskan analisa sentimen twitter dengan algoritma Support Vector Machine dan Naive Bayes. Hasil dari prediksi tersebut ialah hasil performa yang didapatkan pada algoritma bayes akurasi 81,20% , waktunya 9,00 detik , recall79,60% dan presisinya 79,40%, sementara itu untuk algoritma SVM mendapati nilaiakurasi

85%, waktunya 31,60 detik , dengan recall 84% dan presisinya 83,60% , hasil performa tadi didapatkan di iterasi ‘1’ pada naïve bayes dan iterasi ‘423’ pada algoritma SVM.

Kemudian penelitian selanjutnya dilakukan oleh Lailatul Ainiyah dan Muflihah Bansori tahun 2021 [11]Pada penelitian tersebut penulis menggunakan metode ARIMA guna melakukan analisa kasus covid 19.Hasilnya dalam pemeriksaan data differencing atas Partial Autokorelasi menghasilkan kurang dari tiga lag yang keluar dari garis konviden interval. Dari beberapa model ARIMA dilangsungkan trial and error dengan cara melihat nilai RMSE terkecil.

Penelitian lainnya adalah yang dilakukan oleh Firsta Rio, Michael, Ralfpiere Charlitos, Sudiono, dan Susanti Thang tahun 2021 [12]. Jurnal ini berisi analisa kaus covid 19 yang ada di Indonesia pada bulan april 2021.Hasil yang diprediksi di bandingkan dengan data yang sebenarnya dan hasilnya hampir 80% berbeda dengan jumlah data sebenarnya yang terjadi. Menurut hasil data prediksi yang disimpulkan bahwa angka kesembuhan COVID-19 akan mengalami kenaikan pada tanggal 16 April s/d 30 April 2021, yang dimana angka tertinggi kesembuhan ada pada tanggal 29 April 2021 dengan bertotalkan 12 orang.

Kemudian penelitian selanjutnya dilakukan oleh Juan Felix Nyoto Santoso, Alexander Setiawan, Silvia Rostianingsih tahun 2021 [13]. Penelitian mengenai analisis menggunakan metode artificial neural network dan SIRD, berdasarkan hasil analisis pengimplementasian website, metode ANN memiliki error dengan metode MAD rata – rata sebesar 53,1733 pada training dan 89,73 pada testing, RMSE rata – rata sebesar 6581,09 untuk training dan 22953,9067 untuk testing, dan MAPE rata – rata sebesar 17,7367% pada training dan 16,3067% pada testing.

Metode SIRD pengukuran error MAD rata – rata sebesar 309,81, RMSE rata – rata 150496,08, dan MAPE rata – rata sebesar 30,2%.

Kemudian penelitian selanjutnya dilakukan oleh I Gusti Bagus Ngurah Diksa tahun 2021 [14]. urnal ini mengenai peramalan gelombang covid 19 dengan metode Hybrid Nonlinear Regression Logistic – Double Exponential Smoothing. Hasilnya adalah Score MAPE model tunggal jauh lebih tinggi dibandingkan model hybrid. Dari hasil penelitian model hybrid bisa dilihat juga dengan metode yang sama namun dalam wave yang berbeda, Lebih efisien diterapkan dalam kondisi daerah yang mengalami one wave pada kasus Covid 19. Jadi Model peramalan Hybrid Nonlinear Regression Logistic and Doubel Exponential Smoothing terbukti efisien digunakan dalam peramalan kasus Covid 19 di Prancis dan Indonesia.

Penelitian lain dari Lisa Widyarsi, Ivana Yoselin Purba Siboro, Peterson Hamonangan Immanuel Sihotang, Satria Dirgantara, Yakobus Natanael Tarigan, Yuniar Putri Awaliyah Risky, dan Rani Nooraeni tahun 2021 [15].

Jurnal ini membahas prediksi kasus covid-19 metode long short term memory. Kesimpulan dari prediksi menggunakan regresi time series menghasilkan overpredict yang cenderung memprediksi penambahan kasus COVID-19 jauh lebih tinggi dari data aktual. Hasil prediksi memakai metode STM atas skenario keempat mendapat hasil RMSE terkecil, Akibatnya metode LSTM dengan skenario keempat merupakan metode dengan prediksi yang baik.

Dengan mengacu pada permasalahan diatas dan beberapa studi literatur yang ada, dalam analisis Prediksi kasus covid ini, penulis berencana akan mengembangkan lagi penelitian sebelumnya yang memiliki tema yang relevan atas penelitian kali ini, namun dengan metode yang berbeda yaitu dengan membandingkan regresi linier dan random forest regression. Analisa ini akan dirancang untuk membantu memprediksi pertumbuhan kasus yang tepat pada covid 19, serta memberikan informasi yang sesuai dengan pengamatan pada faktor-faktor yang ada.

2. METODOLOGI PENELITIAN

2.1 Tahapan Penelitian

Penelitian ini dilakukan untuk dapat membangun sebuah sistem yang bertujuan memberikan prediksi kasus positif covid-19. Berikut kerangka penelitian yang dilakukan penulis.

Gambar 1. Diagram Alur Proses Penelitian

2.1.1 Pengumpulan Data

Data yang digunakan adalah sebuah data yang didapat melalui situs kawalcovid19.co.id. Dataset yang digunakan diambil dari situs kawal covid-19 indonesia, kemudian rentang data yang digunakan dimulai dari tanggal 1 januari 2021 sampai dengan 19 Desember 2021. Jumlah baris pada dataset tersebut sebanyak 353 baris dengan 8 kolom.

Adapaun data yang didapatkan adalah Tanggal, Kasus Harian, Kasus Aktif, Kasus Aktif Dalam %, Sembuh (Harian), Sembuh, Meninggal(Harian) , Meninggal.

Tabel 1. Sample Dataset Yang Digunakan Tanggal Kasus

Harian

Kasus Aktif

Kasus Aktif dalam %

Sembuh (Harian)

Sembuh Meninggal (Harian)

Meningggal

19-Jun 12906 135738 0.07 7016 1786143 248 54291

20-Jun 13737 142719 0.07 6385 1792528 371 54662

21-Jun 14536 147728 0.07 9233 1801761 294 54956

22-Jun 13668 152686 0.08 8375 1810136 335 55291

23-Jun 15308 160524 0.08 7167 1817303 303 55594

Sumber dataset dari kawalcovid19.co.id, dataset tersebut merupakan sekumpulan data real terpercaya. Pada penilitian ini penulis menggunakan fitur korelasi antar variabel. Karena Feature korelasi mengungkap hubungan antar variabel.

2.1.2 Penentuan Algoritma

Feature korelasi mengungkap relasi antar feature. Artinya sebuah fitur harus amat berkorelasi terhadap kelas dan tidak banyak berkorelasi kepada fitur yang lain di kelas yang akan dituju [7]

Penentuan fitur ini adalah langkah yang sangat penting dalam preprocecing data sebelum diterapkan pada algoritma. Permasalahan yang wajib di pertimbangkan dalam hal ini adalah kompeksitas komputasinya [7]

Heatmap data korelasi sebagai berikut :

Gambar 2. Feature Corellation

Dalam penilitian keseluruhan korelasi terhadap variabel kasus harian menunjukan nilai positif yang artinya setiap variabel bebas yang menentukan variabel terikat memiliki hubungan yang kuat. Adapun variabel yang memiliki hubungan yang sangat kuat yaitu variabel kasus harian dan kasus aktif yang masing masing diantaranya menunjukan nilai korelasi sebesar 1 dan 0.94. Karena variabel tersebut memiliki nilai korelasi yang sangat tinggi dengan variabel terikat, maka variabel kasus harian dan kasus aktif sangat berpengaruh untuk menentukan variabel terikat atau variabel kasus harian dibandingkan dengan variabel yang lain.

2.1.3 Analisis Data

Selanjutnya penulis melakukan analisa terhadap data yang telah di kumpulkan . Nantinya pada algoritma yang digunakan akan melalui proses pembentukan data menggunakan scatter plot .Proses ini berguna untuk mengidentifikasi hubungan antara variabel X dan Y. Jika garis pada plot pada variabel X dan Variabel Y berkesinambungan maka dapat dipastikan model tersebut layak digunakan. Selanjutnya menentukan parameter yang digunakan untuk melakukan prediksi. Setelah itu akan dilakukan pengujian pada parameter yang telah ditentukan. [7] Adapun algoritma yang di gunakan adalah Regresi Linier dan pembandingnya Regresi Random Forest.

2.2 Regresi Linier

Pada tahap regresi linier menggunakan persamaan sebagai berikut :

𝑌 = 𝑎 + 𝑏𝑋 (1) (1)

Y merupakan variabel terikat yang di cari sedangkan X merupakan variabel bebas , a adalah nilai Y disaat X = 0 (intercep) dan b merupakan perubahan nilai Y terhadap satu unit X ( Slope) n adalah banyaknya data. [3]

[16]. Nilai a dan b dapat di temukan dengan menggunaan rumus berikut :

( )

y b x

a n

−

=  

(2)

( ) ( )( ) (

²

) ( )

²

n xy x y

b

n x x

= −

−

  

 

⁽³⁾

2.3 Regresi Random Forest

Variabel pada algoritma pembanding yang penulis gunakan yaitu regresi random forest. Guna meningkatkan akurasi dalam metode random forest, digunakan hyperparameter diantaranya n_estimators dan max_depth.

Parameter n_estimators ini yang menyimpulkan segenap decission tree yang selanjutnya dibuat, sedangkan max_depth menyatakan sedalam apa layer setiap regresi linier akan dibuat.

Tabel 2. Hyperparameter regresi random forest HyperParameter Random Forest

HyperParameter Nilai

Max_depth 10

N_estimators 100

Sesuai dengan pembahasan pada kasus covid 19 ini maka feature X adalah Tanggal, kasus aktif, kasus aktif dalam %, Sembuh (Harian), Sembuh, Meninggal Harian, Meninggal.Sedangkan Y merupakan kasus harian. Guna kebutuhan data training , komposisi dataset dibagi menjadi 80% data train dan 20% data test.

2.4 Mean Absolute Percentage Error (MAPE)

Mean Absolute Percentage Error (MAPE) merupakan metode perhitungan statistika untuk membuktikan akurasi sebuah model prediksi atau peramalan.[17]

Rumus MAPE adalah : 𝑀𝐴𝑃𝐸 = ∑ [^{𝑌𝑖−𝑌̄}

𝑌̄_𝑖 ]

𝑛𝑡=1 𝑋100% (4)

Nilai MAPE dapat diartikan ke dalam 4 kategori yaitu :

Tabel 3. Range Nilai MAPE

Range MAPE Arti Nilai

< 10% Kemampuan Model Peramalan Sangat Baik 10 - 20% Kemampuan Model Peramalan Baik 20 - 50 % Kemampuan Model Peramalan Layak

>50% Kemampuan Model Peramalan Buruk 2.5 Root Mean Square Error (RMSE)

Root Mean Square Error adalah besarnya angka kesalahan pada hasil prediksi. Nilai RMSE yang rendah atau nilainya mendekati angka 0 menunjukan bahwa hasil peramalan sesuai dengan data aktual. RMSE juga dapat berupa angka negatif, Semakin kecil hasil RMSE semakin dekat pula prediksinya. dengan penjelasan tersebut maka model ini dapat di implementasikan dalam penelitian ini dan digunakan dimasa yang akan datang.

RMSE dapat dirumuskan seperti berikut : 𝑅𝑀𝑆𝐸 = (^{∑(𝑌𝑖−𝑌̄𝑖)}

𝑛 )

1

2 (5)

3. HASIL DAN PEMBAHASAN

Pada penelitian ini penulis menggunakan metode regresi linear dan random forest regression sebagai pembandingnya untuk memprediksi kasus harian covid-19. untuk melakukan prediksi dengan menggunakan regresi linier diperlukan nilai koefisien dari setiap variabel dan nilai konstantanya. Setelah menghitung koefisien dari setiap variabel maka persamaan liniernya menjadi sebagai berikut

Tabel 4. Hasil perhitungan

Features Koefisien Konstanta

Kasus Aktif (x1) -0.041779

-46210.5 Kasus Aktif dalam % (x2) 327136.3

Features Koefisien Konstanta Sembuh (Harian) (x3) 0.047775

Sembuh (x4) 0.086941

Meninggal (Harian) (x5) 9.327484

Meningggal (x6) -2.152675

Setelah diketehui nilai koefisien dari setiap variabel bebas untuk memprediksi variabel terikat dan mengetahui nilai konstantanya maka persamaan regresi linier bergandanya adalah sebagai berikut :

𝑌 = 𝐴 + 𝑏𝑥

𝑌 = −0.041779 (𝑥1) + 327136.3(𝑥2) + 0.047775 (𝑥3) + 0.086941(𝑥4) + 9.327484 (𝑥5) + −2.152675(𝑥6)

Pada metode regresi linier mendaptkan hasil R2 Score sebesar 0.940 ini membuktikan jika model regresi linier sederhana Cukup baik. Untuk pengujian tingkat akurasi R2 Score, peniliti menggunakan Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Pada RMSE menunjukan nilai 3031.127 yang artinya bahwa hasil peramalan belum cukup baik.

Nilai RMSE yang rendah atau nilainya mendekati angka 0 menunjukan bahwa hasil peramalan sesuai dengan data aktual dengan hal tersebut maka model dapat digunakan dimasa yang akan datang. Lalu pada model ini diperoleh tingkat MAPE yaitu sebesar 47.6 %

Sedangkan dengan menggunakan metode random forest dengan menggunakan hyperparameter pada n_estimators = 100 dan max_depth = 10 diperoleh tingkat MAPE sebesar 14.85% dan tingkat akurasi pada pemodelan ini diperoleh hasil sebesar 0.977 dan RMSE menunjukan di angka 1886.555.

Tabel 5. Nilai Akurasi

Regresi Linier Random Forest Regresi MAPE RMSE R2 Score MAPE RMSE R2 Score

47.66 3031.127 0.940 14.85 1886.555 0.977

Berdasarkan dari perhitungan yang dapatkan MAPE pada regresi linier medapatkan nilai 47.66% dan 14.85% pada regresi random forest yang artinya kemampuan model peramalan kedua algoritma sama sama dinyatakan baik, namun jika melihat hasil persentasenya algoritma random forest lebih baik dibandingkan dengan regresi linier.

Kemudian selanjutnya peniliti akan menguji tingkat prediksi tersebut. Sejauh mana tingkat prediksi yang peniliti miliki dengan data yang dimiliki ketika memprediksi data yang telah dilatih dan data yang telah diuji.

Gambar 3. Uji Pemodelan Regresi Linier

Pada visualisasi tersebut dapat dilihat bahwa data yang ada memiliki nilai prediksi yang sangat baik guna memprediksi di masa yang akan datang. Sedangkan visualsiasi pengujian terhadap model Random Forest adalah sebagai berikut :

Gambar 7. Uji Pemodelan Random Forest

Dapat dilihat bahwa visualisasi terhadap uji pemodelan antar kedua algoritma memiliki sedikit perbedaan. Pada model regresi linier garis hasil prediksi keluar dari garis data aktual sedangkan pada model random forest regresi garis data prediksi hanya sedikit sekali tidak berada dijalur data aktual.

4. KESIMPULAN

Hasil penilitian yang diperoleh dengan menggunakan model Regresi Linier menghasilkan tingkat akurasi sebesar 94% dengan RMSE sebesar 3031.127 dan MAPE sebesar 47.66. Sedangkan pada model Random Forest dengan menggunakan hyperparameter max_depth = 10 dan n_estimators = 100 dapat menghasilkan tingkat akurasi sebesar 97.7% dengan RMSE sebesar 1886.555 dan nilai MAPE sebesar 14.85. Dapat disimpulkan bahwa pada penilitian model random forest lebih baik daripada regresi linier, karena tingkat akurasinya 97.7%. Terdapat perbedaan diantara kedua algoritma tersebut salah satunya pada nilai MAPE dari masing masing algoritma. Jika merujuk pada interpretasi MAPE bahwa model random forest dikategorikan 'baik' untuk digunakan dimasa yang akan datang sedangkan model regresi linier hanya di kategorikan 'layak' digunakan dimasa yang akan mendatang. Ini menunjukan bahwa model Regresi Random Forest lebih baik daripada regresi linier.

REFERENCES

[1] H. Setiawan, E. Utami, and S. Sudarmawan, “Analisis Sentimen Twitter Kuliah Online Pasca Covid-19 Menggunakan Algoritma Support Vector Machine dan Naive Bayes,” J. Komtika (Komputasi dan Inform., vol. 5, no. 1, pp. 43–51, 2021, doi: 10.31603/komtika.v5i1.5189.

[2] A. Ahmad Hania, “Mengenal Artificial Intelligence, Machine Learning, & Deep Learning,” J. Teknol. Indones., no.

June, 2017, [Online]. Available: https://amt-it.com/mengenal-perbedaan-artificial-inteligence-machine-learning- deep-learning/.

[3] A. Hijriani, K. Muludi, and E. A. Andini, “Penyajian Hasil Prediksi Pemakaian Air Bersih Pdam Informasi Geofrafis,”

J. Inform., vol. 11, no. 2, pp. 37–42, 2016.

[4] F. Komunikasi, U. M. Surakarta, J. A. Yani, and T. Pos, “Sistem Klasifikasi Variabel Tingkat Penerimaan Konsumen Terhadap Mobil Menggunakan Metode Random Forest,” J. Tek. Elektro, vol. 9, no. 1, pp. 24–29, 2017, doi:

10.15294/jte.v9i1.10452.

[5] A. Triayudi and W. O. Widyarto, “Educational Data Mining Analysis Using Classification Techniques,” J. Phys. Conf.

Ser., vol. 1933, no. 1, 2021, doi: 10.1088/1742-6596/1933/1/012061.

[6] A. Botchkarev, “Performance Metrics (Error Measures) in Machine Learning Regression, Forecasting and Prognostics: Properties and Typology,” pp. 1–37, 2018, [Online]. Available: http://arxiv.org/abs/1809.03006.

[7] B. Kriswantara, Kurniawati, and hilman f Pardede, “Prediksi Harga Mobil Bekas Dengan Machine Learning,” vol. 6, no. 5, p. 6, 2021.

[8] K. Hastuti, “ANALISIS KOMPARASI ALGORITMA KLASIFIKASI DATA MINING UNTUK PREDIKSI MAHASISWA NON AKTIF,” Semin. Nas. Teknol. Inf. Komun. Terap. 2012, vol. 14, no. 1, pp. 241–249, 1994, doi:

10.2307/j.ctv11hppt6.3.

[9] S. Dutalia, A. K. Lalo, P. Batarius, Y. Carmeneja, and H. Siki, “Implementasi Algoritma C4 . 5 Untuk Klasifikasi Penjualan,” vol. 06, no. April, pp. 1–12, 2021.

[10] A. L. Fairuz, R. D. Ramadhani, and N. A. Tanjung, “Analisis Sentimen Masyarakat Terhadap COVID-19 Pada Media Sosial,” J. DINDA, vol. 1, no. 1, pp. 10–12, 2021, [Online]. Available: http://journal.ittelkom- pwt.ac.id/index.php/dinda/article/view/180.

[11] L. Ainiyah and M. Bansori, “PREDIKSI JUMLAH KASUS COVID-19 MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE ( ARIMA ) ( STUDI KASUS KABUPATEN SIDOARJO ) FORECASTING COVID-19 CASES USING AUTOREGRESSIVE INTEGRATED MOVING AVERAGE ( ARIMA ) METHOD ( CASE FOR SIDOARJO REGENCY ,” vol. 10, no. 2, pp. 62–68, 2021.

[12] F. Rio, R. Charlitos, and S. Thang, “Analisa Prediksi Angka Kesembuhan Covid-19 Pada,” J. Digit. Ecosyst. Nat.

Sustain., vol. 1, no. 1, pp. 25–28, 2021, [Online]. Available:

http://journal.uvers2.ac.id/index.php/jodens/article/view/22/12.

[13] J. Felix, N. Santoso, A. Setiawan, S. Rostianingsih, and J. S. Surabaya, “Perbandingan dan Analisis Metode Artificial Neural Network dan SIRD pada Kasus Covid-19 di Surabaya,” 2020.

[14] I. G. B. Ngurah Diksa, “Peramalan Gelombang Covid 19 Menggunakan Hybrid Nonlinear Regression Logistic – Double Exponential Smoothing di Indonesia dan Prancis,” Jambura J. Math., vol. 3, no. 1, pp. 37–51, 2021, doi:

10.34312/jjom.v3i1.7771.

[15] L. Widyarsi et al., “Prediksi Kasus Covid-19 Melalui Analisis Data Google Trend Di Indonesia : Pendekatan Metode Long Short Term Memory (LSTM),” J. SAINTIKA UNPAM J. Sains dan Mat. Unpam, vol. 3, no. 2, pp. 161–177, 2021.

[16] S. Rong and Z. Bao-Wen, “The research of regression model in machine learning field,” MATEC Web Conf., vol. 176, pp. 8–11, 2018, doi: 10.1051/matecconf/201817601033.

[17] A. A. Suryanto, “Penerapan Metode Mean Absolute Error (Mea) Dalam Algoritma Regresi Linear Untuk Prediksi Produksi Padi,” Saintekbu, vol. 11, no. 1, pp. 78–83, 2019, doi: 10.32764/saintekbu.v11i1.298.