Prediksi Jumlah Penderita COVID-19 di Kota Malang Menggunakan Jaringan Syaraf Tiruan Backpropagation dan Metode Conjugate Gradient
Kata Kunci:
backpropagation, conjugate gradient, jaringan syaraf tiruan, prediksi, penderita COVID-19Abstrak
COVID-19 merupakan penyakit menular yang diakibatkan oleh infeksi virus
corona baru. Penyakit ini sangat berbahaya dan menyebabkan kematian terutama bagi
penderita yang memilki penyakit bawaan atau yang memiliki imunitas rendah.
Penyebaran penyakit ini melalui melalui percikan-percikan dari hidung atau mulut yang
keluar saat orang yang terinfeksi COVID-19 batuk, bersin atau berbicara. Prediksi
jumlah penderita COVID-19 menjadi sangat penting untuk dilakukan dalam pencegahan
dan penanggulangan penyebaran penyakit ini. Jaringan syaraf tiruan backpropagation
merupakan salah metode yang dapat digunakan untuk menyelesaikan masalah prediksi
dengan hasil yang baik, tetapi kinerjanya dipengaruhi oleh metode optimisasi yang
digunakan saat pelatihan. Pada umumnya metode optimisasi yang digunakan adalah
metode gradient descent, tetapi metode ini memiliki konvergensi yang lambat. Metode
Conjugate Gradient memiliki konvergensi yang sangat baik jika dibandingkan dengan
metode gradient descent. Pada tulisan ini akan dibahas bagaimana membuat model
prediksi jumlah penderita COVID-19 di Kota Malang menggunakan jaringan syaraf
backprogation dan metode conjugate gradient. Hasil eksperimen menunjukan bahwa
model prediksi ini memperoleh hasil yang baik jika dibandingkan jaringan syaraf tiruan
yang dioptimasi dengan metode gradient descent.
Unduhan
Referensi
Ibrahim, I. M., Abdelmalek, D. H., Elshahat, M. E., & Elfiky, COVID-19 Spike-host Cell Receptor GRP78 Binding Site Prediction 80, Journal of Infection,(5), 554–562. (2020).
Pradanti, Evaluation of Formal Risk Assessment Implementation of Middle East Respiratory Syndrome Coronavirus in 2018, Jurnal Berkala Epidemologi, 7(3), 197. (2019).
Barda, N., Riesel, D., Developing a COVID-19 Mortality Risk Prediction Model when Individuallevel Data are not Available, Nature Communications, 11(1), 1–9. (2020)
Kavadi, D. P., Patan, R., Ramachandran, M., & Gandomi, Partial Derivative Nonlinear Global Pandemic Machine Learning Prediction of COVID 19, 139. (2020).
Wynants, L., Van Calster, B., Prediction Models for Diagnosis and Prognosis of Covid-19: Systematic Review and Critical Appraisal, Chaos, Solitons, and Fractals, 369. (2020).
Yi, Y., Lagniton, P. N. P., Ye, S., Li, E., & Xu, COVID-19: What has been Learned and to be Learned about the Novel Coronavirus Disease., International Journal of Biological Sciences, 16(10), 1753–1766. (2020).
Dona, Finky, Komparasi Algoritma Conjugate gradient dan Gradient Descent pada MLPNN untuk Tingkat Pengetahuan Ibu, Prosiding Konferensi Nasional Sistem & Informatika, 507–512. (2017).
Bafitlhile, T. M., Li, Z., & Li, Q, Comparison of Levenberg Marquardt and Conjugate Gradient Descent Optimization Methods for Simulation of Streamflow Using Artificial Neural Network, Advances in Ecology and Environmental Research, 3(2517–9454), 217–237. (2018).
Thaheer, H, Teknik Optimasi Lanjut, Denpasar: Udayana University Press. (2019).
Du, K. L., & Swamy, Neural Networks in a Softcomputing Framework, 1–566. (2006).
Sudarsono, A. Jaringan Syaraf Tiruan untuk Memprediksi Laju Pertumbuhan Penduduk Menggunakan Metode Backpropagation, Media Infotama, 61–69 . (2016).
Laurene, F., Fundamentals of Neural Network, Architectures, Algorithm and Applications. United State: Prentice Hall, inc. (1994).
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2022 Prosiding Seminar Nasional Teknoka
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Supported by :
