Sistem Prediksi Kasus Covid-19 di Indonesia Menggunakan Algoritma Linear Regression
Yusriyah Isnaini Mufidah*1, Andika Bayu Saputra2, Netania Indi Kusumaningtyas3
1,2Informatika, FTTI Unjaya, Yogyakarta, Indonesia
3Sistem Informasi, FTTI Unjaya, Yogyakarta, Indonesia
e-mail: *1[email protected], 2[email protected], 3[email protected]
Abstract - The Coronavirus disease outbreak caused by severe acute respiratory syndrome by coronavirus 2 was first reported in Wuhan, Hubei province, China in December 2019, until March 2, 2020, President Joko Widodo announced the first case of an Indonesian citizen who was confirmed positive for COVID-19. The development of new cases of COVID-19 patients in Indonesia is still being reported even though the pandemic has lasted for almost two years. Then need a way to determine predictions or predict the number of increases in Indonesia’s COVID-19 cases in the future using machine learning technology with the Linear Regression algorithm. Estimating the number of active cases adding positive COVID-19 cases in Indonesia over the next 3 months using the machine learning method using the Linear Regression algorithm. This study predicts COVID-19 cases using machine learning with the Linear Regression algorithm. The model results have a linear coefficient, so the model predicts very well for linear data on days 0 – 300, and on the day after that, the number of positive cases of the national COVID-19 virus does not continue to show a linear relationship, the model becomes inaccurate again. The results of the parameter evaluation show that the level of accuracy is low, but this model can be used as a reference for case predictions for the next month with the results of comparison of predicted data and actual data not much different.
Keywords - COVID-19, Data Science, Linear Regression, Machine Learning, Prediction
Abstrak - Wabah penyakit Coronavirus disebabkan oleh sindrom pernapasan akut parah oleh coronavirus 2 yang dilaporkan pertama kali di Wuhan, provinsi Hubei, China pada Desember 2019, hingga pada tanggal 2 Maret 2020, Presiden Joko Widodo mengumumkan kasus pertama warga negara Indonesia yang terkonfirmasi positif COVID-19.
Perkembangan kasus-kasus baru pasien COVID-19 di Indonesia masih terus dilaporkan meski pandemi telah berlangsung selama hampir lebih dari dua tahun.
Maka perlu sebuah cara untuk menentukan prediksi atau meramal jumlah kenaikan kasus COVID-19 Indonesia di masa depan menggunakan teknologi machine learning dengan algoritma Linear Regression. Penelitian ini bertujuan untuk memperkirakan jumlah kasus aktif penambahan kasus positif COVID-19 di Indonesia selama 3 bulan
ke depan dengan metode machine learning menggunakan algoritma Linear Regression.
Penelitian ini memprediksi kasus COVID-19 dengan menggunakan machine learning dengan algoritma Linear Regression. Hasil model memiliki koefisien linier, jadi model tersebut memprediksi dengan sangat baik untuk data berbentuk linier pada hari ke 0 – 300, dan pada hari sesudah itu, jumlah kasus positif virus COVID-19 nasional tidak terus menunjukkan hubungan linier, model menjadi tidak akurat lagi.
Hasil evaluasi parameter menunjukkan bahwa tingkat akurasi yang rendah, namun model ini bisa digunakan sebagai acuan prediksi kasus selama satu bulan ke depan dengan hasil perbandingan data prediksi dan data aktual tidak jauh berbeda.
Kata kunci - COVID-19, Data Science, Linear Regression, Machine Learning, Prediksi
I.PENDAHULUAN
Wabah penyakit Coronavirus (COVID-19) disebabkan oleh sindrom pernapasan akut parah yang disebabkan oleh virus SARS-CoV-2 [1]. Penyebaran virus ini dimulai di Wuhan, China pada Desember 2019.
Pada 30 Januari 2020, Organisasi Kesehatan Dunia (WHO) menyatakan COVID-19 sebagai Kedaruratan Kesehatan Masyarakat yang Meresahkan Dunia.
Penyebaran virus ini terus terjadi di seluruh dunia dan kasus pertama di Indonesia diumumkan oleh Presiden Joko Widodo pada 2 Maret 2020.
Meski pandemi telah berlangsung hampir dua tahun, masih terjadi penambahan kasus baru di Indonesia.
Prediksi kasus COVID-19 digunakan sebagai metode untuk memperkirakan peningkatan jumlah kasus di masa depan. Metode ini dapat melalui analisis teknik, informasi dari paparan medis, dan penggunaan intuisi, tetapi metode yang lebih baik dengan menggunakan pembelajaran mesin atau machine learning yang dapat memprediksi kasus COVID-19 [2].
Untuk membuktikan kebenaran hipotesis tersebut, maka penelitian ini akan menggunakan algoritma linear regression [3]untuk memprediksi kasus COVID-19 dan mengembangkannya menjadi sistem prediksi. Linear regression adalah alat statistik yang digunakan untuk mengetahui pengaruh satu atau lebih variabel terhadap satu variabel. Variabel yang mempengaruhi sering disebut variabel terikat atau (y) dengan satu atau lebih variabel bebas (x). Output yang dihasilkan dari penelitian ini adalah untuk mengetahui apakah metode
machine learning ini dapat digunakan untuk memprediksi kenaikan atau penurunan kasus baru COVID-19 di Indonesia selama 3 bulan ke depan.
Dalam data science, banyak penelitian telah dilakukan untuk meramalkan dan memprediksi COVID- 19 di berbagai negara. Di China, penggunaan model machine learning digunakan untuk meramalkan kenaikan kasus COVID-19 [2]. Di Brazil, metode fungsi Boltzmann digunakan untuk memperkirakan kasus COVID-19 [4], hasil penelitian tersebut menunjukkan peningkatan yang substansial dalam kasus infeksi. Di Jakarta, Indonesia, dampak kematian COVID-19 dianalisis menggunakan metode ARIMA [5]. Di Mesir, prediksi pandemi COVID-19 menggunakan Nonlinear Auto Regressive Artificial Neural Networks (NARANN) dan Autoregressive Integrated Moving Average (ARIMA) [6]. Model NARANN menunjukkan kinerja yang lebih baik dibandingkan dengan ARIMA berdasarkan kriteria statistik yang berbeda. Penelitian selanjutnya menggunakan empat model machine learning, yaitu LR, LASSO, SVM, dan ES, untuk memprediksi jumlah kasus baru yang terinfeksi, jumlah kematian, dan jumlah kasus pemulihan pasien COVID- 19 di seluruh dunia untuk periode 10 hari ke depan [7]
menunjukkan bahwa model LR dan LASSO juga menunjukkan kinerja yang baik dalam memperkirakan tingkat kematian dan kasus yang terkonfirmasi positif, hingga batas tertentu. Di Nigeria, model linear regression digunakan untuk memprediksi prevalensi COVID-19 [8] berdasarkan riwayat perjalanan dan kontak, dan prediksi tersebut menunjukkan sangat dekat.
Berdasarkan penelitian sebelumnya, dapat disimpulkan bahwa algoritma linear regression menunjukkan performa yang baik dalam memprediksi kasus COVID-19. Namun, penelitian tentang penggunaan algoritma tersebut untuk memprediksi kenaikan kasus COVID-19 di Indonesia belum ditemukan. Oleh karena itu, dalam penelitian ini akan dilakukan analisis terhadap model prediksi menggunakan algoritma Linear Regression. Hasil peramalan dari model tersebut akan dibandingkan menggunakan skor R-squared (𝑅2) dan Root Mean Square Error (RMSE) sebagai alat evaluasi. Model yang telah dilatih akan disimpan dalam sistem web service menggunakan framework Flask. Selanjutnya, sistem tersebut akan di deploy melalui cloud Platform as a Service (PaaS) Heroku sebagai web servernya.
II.METODE PENELITIAN
Penelitian ini merupakan analisis prediksi kasus COVID-19 di Indonesia dengan algoritma Linear Regression yang membutuhkan dataset berisi kasus terkonfirmasi positif, kasus kematian, dan kesembuhan penderita di Indonesia, selanjutnya dilakukan pengolahan data berupa preprocessing untuk melakukan pembersihan dan transformasi data. Data tersebut nantinya digunakan untuk melatih model yang akan digunakan untuk memprediksi kasus COVID-19.
A. Bahan Penelitian
Bahan penelitian yang digunakan pada penelitian adalah dataset yang berasal dari website https://covid19.go.id/ yang merupakan media edukasi dan informasi serta situasi perkembangan COVID-19 di Indonesia berbentuk Application Programming Interface (API). Dataset tersebut digunakan sebagai sumber data yang dipakai untuk melakukan analisis prediksi kasus COVID-19 di Indonesia.
B. Jalan Penelitian
Metode yang digunakan menjadi 6 tahap, yaitu tahap Data Preprocessing (pembersihan data), Data Splitting (pemisahan data), Testing Set, Trained Model (melatih model), Evaluation Parameter (evaluasi model), dan Visualization (visualisasi) yang dapat dilihat pada Gambar 1.
Gambar 1. Jalan penelitian 1) Pengambilan Data
Tahap pertama dimulai dengan melakukan pengambilan dataset COVID-19. Tujuan penelitian ini adalah prediksi kasus COVID-19 dengan fokus pada jumlah kasus positif, jumlah kematian, dan jumlah kesembuhan. Dataset yang digunakan diperoleh dari website https://covid19.go.id/ yang merupakan media edukasi dan informasi serta situasi perkembangan COVID-19 di Indonesia berbentuk Application Programming Interface (API). Dalam API tersebut berisi data JSON time series harian, termasuk jumlah kasus yang terkonfirmasi, kematian, dan kesembuhan secara real-time yang di update setiap hari. Semua data berasal dari laporan kasus harian dan frekuensi pembaruan data adalah satu hari.
2) Exploratory Data Analysis (EDA)
Melakukan pengamatan data sebelum membuat asumsi. Ini dapat membantu mengidentifikasi kesalahan yang jelas, serta lebih memahami pola dalam data, mendeteksi outlier atau anomali, menemukan hubungan yang menarik di antara variabel.
3) Preprocessing Data
Dilanjutkan dengan melakukan preprocessing data untuk menemukan statistik dari jumlah kasus terinfeksi yang dikonfirmasi setiap hari, jumlah kasus sembuh, dan jumlah kasus kematian. Hasil time series yang dihasilkan kemudian diekstraksi untuk dilakukan ke tahap berikutnya.
4) Data Splitting dan Testing Set
Setelah langkah preprocessing data awal, dataset dibagi menjadi dua subset, yaitu: training set (set pelatihan) untuk melatih model dan testing set (set pengujian) untuk menguji model sesuai data latih.
5) Training Model
Untuk pelatihan model yang digunakan dalam penelitian ini adalah menggunakan algoritma Linear Regression. Model ini kemudian dilatih pada hari dan kasus yang baru dikonfirmasi, kasus sembuh, dan kasus kematian. Dalam teknik pemodelan ini, algoritma mengambil kumpulan data dengan instance input yang sesuai untuk melatih model. Kemudian model yang sudah dilatih dilakukan pengujian dengan membandingkan hasil aktual kasus COVID-19 dengan hasil prediksi model.
6) Evaluation Model
Model pembelajaran kemudian dievaluasi berdasarkan metrik penting seperti R2-score, dan RMSE kemudian dilaporkan hasilnya performasi model untuk memprediksi kasus.
7) Visualisasi
Hasil prediksi yang telah diperoleh kemudian divisualisasikan dalam bentuk grafik dan dianalisis agar bisa menemukan insights bagaimana performa prediksi kasus COVID-19 di Indonesia dengan menggunakan algoritma Linear Regression.
8) Deployment Model
Pada tahap ini, model yang telah dilatih disimpan dalam format .pkl menggunakan library joblib. Proses selanjutnya adalah menyimpan model dengan membuat serial objek dan menyimpannya ke file menggunakan module Pickle. Pickle digunakan untuk melakukan serializing dan de-serializing struktur objek Python, proses ini juga disebut marshaling atau flattening.
Serializing mengacu pada konversi objek dalam memori byte stream yang dapat disimpan pada disk. Kemudian, karakter stream ini dapat diambil dan de-serialized kembali ke objek Python [9]. Setelah model tersimpan dalam file .pkl, model tersebut diterapkan sebagai sistem web service layanan REST API menggunakan framework Flask. Sistem tersebut akan di-deploy pada server aplikasi yang sesuai dengan protokol WSGI menggunakan cloud Platform as a Service (PaaS) Heroku sebagai web servernya. Heroku adalah layanan cloud yang digunakan oleh banyak developer untuk deploy, manage, dan menskalakan aplikasi modern.
Dalam penelitian ini, Flask API akan di-deploy menggunakan Heroku Command Line Interface (Heroku CLI)[10].
III.HASIL DAN PEMBAHASAN
A. Ringkasan Hasil Penelitian
Berisi uraian rinci tentang hasil yang didapatkan dari penelitian analisis prediksi kasus COVID-19 di
Indonesia dengan algoritma Linear Regression.
Penelitian ini membutuhkan dataset yang berisi kasus terkonfirmasi positif, kasus kematian, dan kesembuhan penderita di Indonesia, selanjutnya dilakukan pengolahan data berupa preprocessing untuk melakukan pembersihan dan transformasi data. Data tersebut nantinya digunakan untuk melatih model yang akan digunakan untuk memprediksi kasus COVID-19.
Kemudian membuat sistem sederhana yang memuat model dan masukan untuk memprediksi kasus positif COVID-19 selama 3 bulan ke depan.
B. Implementasi Desain Interface
Tampilan UI halaman utama sistem prediksi kasus COVID-19 ditunjukkan pada Gambar 2 pada laman https://mcai-coronavirus.herokuapp.com/.
Gambar 2. Tampilan halaman utama awal Tampilan UI pada halaman prediksi kasus COVID- 19 ditunjukkan pada Gambar 3 pada laman https://mcaicoronavirus.herokuapp.com/predict/.
Gambar 3. Tampilan halaman prediksi C. Fitur-fitur Sistem
Terdapat 2 route, yaitu halaman home dan halaman/predict. Halaman home/tampilan awal sistem ditunjukkan pada Gambar 2. Dan pada halaman/predict ditunjukkan pada Gambar 3. Hasil dari predict diperoleh dengan memasukkan input tempat, bulan, dan tanggal.
D. Pengambilan Data
Penelitian ini menggunakan dataset di website https://covid19.go.id/ secara real-time menggunakan Application Programming Interface (API). Secara sederhana, API dapat diartikan sebagai metode komunikasi antara komputer yang memungkinkan transaksi pertukaran data terjadi. Mengingat jumlah data yang tersedia di portal tersebut banyak dan sebagian
tidak relevan, dalam penelitian ini dilakukan modifikasi pada API agar memudahkan pembacaan data.
Gambar 4. Respon API
Disini mengambil sample ekstrak dari Respon API yang ditunjukkan pada Gambar 4 dengan menggunakan fungsi len() dan method keys(), maka output yang dihasilkan:
E. Exploratory Data Analysis (EDA)
Exploratory Data Analysis untuk menemukan pola, anomali, menguji hipotesis, dan memeriksa asumsi dengan bantuan statistik dan grafik. Informasi lebih detail mengenai struktur DataFrame dengan menggunakan fungsi info(). Pada Gambar 5 menunjukkan lima data teratas COVID-19 Indonesia dan Gambar 6 menunjukkan lima data terbaru COVID- 19 Indonesia.
Gambar 5. Lima data teratas COVID-19 Indonesia
Gambar 6. Lima data terbaru COVID-19 Indonesia
Setelah mengekstrak dan mengamati variabel cov_ina, ditemukan beberapa anomali pada data. Di antaranya adalah data untuk kolom tanggal dan representasi kolom yang tidak konsisten seperti kolom lastUpdate. Beberapa langkah diperlukan untuk membuat data lebih mudah diproses dan dianalisis.
Tahapan pada normalisasi data cov_ina ini yaitu:
1. Menghapus kolom tanggal dan kolom nilai total.
2. Mengganti penulisan kolom menjadi huruf kecil 3. Merubah nama kolom kasus dengan kasus_baru 4. Memperbaiki tipe data kolom tanggal
menggunakan pd.to_datetime Visualisasi
Diagram batang kondisi kasus harian positif COVID-19 di Indonesia ditunjukkan pada Gambar 7.
Gambar 7. Kasus Harian Positif COVID-19 di Indonesia
Gambar 8. Kasus Harian Sembuh COVID-19 di Indonesia
Gambar 9. Kasus Harian Meninggal COVID-19 di Indonesia
Setelah melihat grafik perkembangan kasus yang ditunjukkan pada Gambar 7, Gambar 8 dan Gambar 9, diketahui bahwa jumlah kasus harian berfluktuasi dari hari ke hari. Atas dasar itu, kemudian memantau
perkembangan kasus tersebut dalam rentang waktu selama beberapa minggu ke depan (pekanan) yang dapat dilihat pada Gambar 10.
Gambar 10. Sepuluh data pekanan lebih baik teratas Dengan menggunakan data yang perhitungan diatas, dapat dibuat diagram batang dari kasus yang ditambahkan berdasarkan minggu, seperti ditunjukkan pada Gambar 11. Ini akan dilengkapi dengan informasi baru untuk menjawab perkembangan kasus selama jangka waktu mingguan.
Gambar 11. Grafik perkembangan kasus pekanan COVID-19 di Indonesia
Mencermati grafik pada Gambar 11, banyak orang yang telah sembuh, tetapi jumlah yang meninggal karena COVID-19 cukup signifikan, sementara kasus baru terus bertambah di Indonesia. Hal ini menimbulkan pertanyaan lain tentang berapa banyak kasus aktif yang masih berlangsung hari ini. Aktif mengenai pengobatan atau isolasi. Jumlah kumulatif kasus aktif dapat dihitung dengan mengurangkan total kasus positif dari total kesembuhan dan jumlah kematian. Gambar 12 menunjukkan grafik akumulasi kasus aktif sedangkan Gambar 13 menunjukkan grafik dinamika kasus COVID-19 di Indonesia.
Gambar 12. Grafik akumulasi kasus aktif
Gambar 13. Grafik dinamika kasus COVID-19 di Indonesia
F. Prepocessing Data
Setelah mengunduh data kasus COVID-19 harian per provinsi dan nasional melalui sumber data covid19.go.id. Kemudian file tersebut di gabung (merge) menjadi satu file agar pengolahan data lebih mudah.
Data yang sudah di merge tersimpan dalam file
‘COVID19_DAILY_FULL.csv’. kemudian melakukan processing manual dengan tools excel dengan mengambil data kasus terkonfirmasi positif dan disimpan dengan nama ‘DAILY_CONFIRMED.xlsx’
yang ditunjukkan pada Gambar 14.
Gambar 14. Info data yang sudah dibersihkan
Setelah itu, menambah kolom ‘Total_Kasus_Harian’
untuk menjadi acuan data pada prediksi nasional, hasil keluaran ditunjukkan pada Gambar 15. Data pada kolom tersebut diperoleh dari penjumlahan semua kolom per provinsi dengan menggunakan fungsi sum().
Gambar 15. Data kolom ‘Total_Kasus_Harian’
Setelah itu, transpose data agar kolom tanggal berubah menjadi header dan menyimpan hasil transpose data ke dalam file csv. Pada Gambar 16 menampilkan info data final.
Gambar 16. Info Data Final G. Spliting Data Train dan Testing
Pada tahap ini akan menghitung prakiraan prediksi kasus dalam 30 hari ke depan, mengubah semua tipe bilangan integer menjadi datetime, membagi serta visualisasi data training. Berikut ini merupakan hasil output data training yang ditunjukkan pada Gambar 17.
Gambar 17. Grafik data training H. Training Model
Untuk melatih model berdasarkan data training menggunakan library sklearn.preprocessing untuk melakukan fitur polinomial. Fitur polinomial dapat membantu dalam meningkatkan model regresi atau regresi polinomial. Berikut ini kode yang digunakan.
I. Prediksi Model
Dengan menggunakan model yang terlatih, dapat memprediksi variabel dari sample data test. Hasil output prediksi:
J. Evaluation Model
Setelah proses training dan testing prediksi selesai, selanjutnya melakukan evaluasi kinerja model menggunakan matriks yang berbeda yang diimpor dari metrik sklearn. Hasil evaluasi model menunjukkan bahwa nilai R2 adalah 0.10484674603408806 tidak akan menjadi prediktor yang baik karena memiliki nilai R2 yang lebih kecil. Grafik evaluasi model ditunjukan pada Gambar 18:
Gambar 18. Grafik evaluasi model
Hasil evaluasi berdasarkan bagan model yang ditunjukkan pada Gambar 18 menunjukkan bahwa evaluasi dari hari ke 0 hingga hari ke 300 memprediksi jumlah kasus positif akibat virus COVID-19 di Indonesia cukup baik, namun semenjak ada lonjakan yang cukup tinggi dari hari 350 hingga 900, score evaluasi menjadi tidak linier lagi.
K. Deployment Model
Deployment aplikasi dapat diakses dalam laman https://mcai-coronavirus.herokuapp.com/. Pada Gambar 19 menunjukkan tampilan website setelah proses deployment.
Gambar 19. Tampilan website setelah proses deployment
Hasil Prediksi VS Hasil Aktual
Hasil prediksi kasus nasional ditunjukkan pada Gambar 20 sedangkan hasil aktual nasional ditunjukkan pada Gambar 21.
Gambar 20. Hasil prediksi kasus nasional
Gambar 21. Hasil aktual nasional Sumber:
https://twitter.com/KemenkesRI/status/1555541942091 493376/photo/1
Hasil input prediksi pada 5 Agustus lalu, jumlah kasus terkonfirmasi positif COVID-19 di Indonesia mencapai 4.884, dan hasil aktual yang diperoleh dari Kementerian Kesehatan RI mencapai 5.929 kasus.
Sehingga dapat diketahui bahwa selisih antara hasil prediksi COVID-19 menggunakan algoritma Linear Regression dan hasil aktual sebanyak 1045 kasus.
Hasil prediksi lain provinsi di Indonesia, salah satunya di Ibukota DKI Jakarta ditunjukkan pada Gambar 22, dan hasil aktual kasus positif ditunjukkan pada Gambar 23.
Gambar 22. Hasil prediksi kasus di DKI Jakarta
Gambar 23. Hasil aktual di DKI Jakarta Sumber:
https://twitter.com/DKIJakarta/status/15555504168672 46080/photo/2
IV.KESIMPULAN
Kesimpulan yang dapat diambil dari penelitian ini menunjukkan kekurangan dalam model yang dipakai.
Model memiliki koefisien linier, jadi wajar jika model tersebut memprediksi dengan sangat baik untuk data berbentuk linier pada hari ke 0 – 300, dan pada hari sesudah itu, jumlah kasus positif virus COVID-19 nasional tidak terus menunjukkan hubungan linier, model menjadi tidak akurat lagi. Semakin banyak data historis kasus aktif yang terjadi lonjakan yang tidak menentu untuk melatih model menggunakan algoritma Linear Regression menghasilkan ketidakakuratan dalam mengenali pola kasus aktif sehingga kemampuan model dalam memperkirakan penambahan kasus aktif menjadi tidak akurat. Secara umum hasil prediksi kasus aktif dengan Linear Regression menunjukkan bahwa penambahan kasus untuk tiap harinya mengalami pertambahan kasus aktif yang linier. Dari output evaluasi model menunjukkan bahwa nilai R2 adalah 0.10484674603408806, jadi bisa disimpulkan tidak akan menjadi prediktor yang baik karena memiliki nilai R2 yang lebih kecil.
DAFTAR PUSTAKA
[1] Z. Ceylan, “Estimation of COVID-19 prevalence in Italy, Spain, and France,” Science of The Total Environment, vol. 729, p. 138817, 2020.
[2] L. Zhang, J. Zhu, X. Wang, J. Yang, X. F. Liu, and X.-K. Xu, “Characterizing COVID-19 transmission: incubation period, reproduction
rate, and multiple-generation spreading,” Front Phys, vol. 8, p. 589963, 2021.
[3] M. A. Golberg and H. A. Cho, Introduction to regression analysis. WIT press, 2004.
[4] G. C. de Melo, R. A. de Araújo Neto, and K. C.
G. M. de Araújo, “Forecasting the rate of cumulative cases of COVID-19 infection in Northeast Brazil: a Boltzmann function-based modeling study,” Cad Saude Publica, vol. 36, p.
e00105720, 2020.
[5] F. Fadly and E. Sari, “An approach to measure the death impact of Covid-19 in Jakarta using autoregressive integrated moving average (ARIMA),” Unnes Journal of Public Health, vol. 9, no. 2, pp. 108–116, 2020.
[6] A. I. Saba and A. H. Elsheikh, “Forecasting the prevalence of COVID-19 outbreak in Egypt using nonlinear autoregressive artificial neural networks,” Process safety and environmental protection, vol. 141, pp. 1–8, 2020.
[7] F. Rustam et al., “COVID-19 future forecasting using supervised machine learning models,”
IEEE access, vol. 8, pp. 101489–101499, 2020.
[8] R. O. Ogundokun, A. F. Lukman, G. B. M.
Kibria, J. B. Awotunde, and B. B. Aladeitan,
“Predictive modelling of COVID-19 confirmed cases in Nigeria,” Infect Dis Model, vol. 5, pp.
543–548, 2020.
[9] Python 3.10.6 documentation. (n.d.)., “pickle — Python object serialization.”
https://docs.python.org/3/library/pickle.html (accessed Jul. 12, 2022).
[10] “Deploying with Git | Heroku Dev Center.”
https://devcenter.heroku.com/articles/git (accessed Jul. 07, 2022).