Prediksi Penderita Tuberkulosis Menggunakan Algoritma Support Vector Regression (SVR)
Abstract
Abstrak— Salahsatu penyakit menular yang menjadi topik pembahasan yang ramai di dunia kesehatan adalah Tuberkulosis (TBC). Karena TBC merupakan salahsatu dari 10 penyakit yang menjadi penyebab utama kematian di seluruh dunia dan di Indonesia berada peringkat ketiga dengan kasus tertinggi setelah India dan China. Hal tersebut menjadikan penyakit ini perlu adanya suatu peramalan atau prediksi ke depannya sehingga masyarakat mengantisipasi lebih awal.Dalam penelitian tugas akhir ini penulis akan membuat sistem Prediksi Penderita Tuberkulosis. Hasil dari penelitian ini berupa prediksi jumlah penderita kedepannya. Data yang digunakan berasal dari Dinas Kesehatan Kabupaten Karawang periode 1 Januari 2020 sampai 31 Desember 2021.Sistem Prediksi Penderita Tuberkulosis ini menggunakan metode Support Vector Regression dan menggunakan kernel Radial Basis Function yang menghasilkan nilai error performansi Mean Square Error (MAE) sebesar 0.099448, Root Mean Square Error (RMSE) sebesar 0.136204 dan R² sebesar 0.220323.
Kata kunci— penyakit tuberkulosis, prediksi, support vector regressionReferences
M. drg.Oscar Primadi, “Profil Kesehatan Indonesia 2020,” Jakarta, Kementerian Kesehatan Republik Indonesia, 2020.
M. Indah, “Infodatin Pusat Data dan Informasi Kementerian Kesehatan RI,” Jakarta, ISSN , 2018.
R. K. Mariette Awad, “Efficient Learning Machines,” dalam Support Vector Regression, Berkeley,CA, IEEE, 2015.
WHO, “Global Tuberculosis Report,” WHO, 2021.
D. H. N. Hidayat, “Profil Kesehatan Kabupaten Karawang Tahun 2018,” dalam Pengendalian Penyakit, Karawang, Dinas Kesehatan Pemerintah Kabupaten Karawang , 2019.
Majdawati, "Uji Diagnostik Gambaran Lesi Foto Thorax pada penderita dengan klinis tuberkulosis paru" mutiara medika, 2010
J. Y. Wu, “Housing Price Prediction Using Support Vector Regression,” Computer Science, 2017.
S. Rutgers, “Support Vector Machine-Regression (SVR),”https://www.saedsayad.com/support_vector_machine_reg.htm, 2019.
J. P. Nikmatun Khasanah, “Identifikasi Skor Kebahagiaan, Metode Support Vector Regression,” Jurnal Ilmiah Matematika, 2022.
S. P. Shom Prasad Das, “Support Vector Machines for Prediction of Futures Prices in Indian Stock Market,” International Journal of Computer Applications, Vol.1, 2012.
P. Cortez, “A Data Mining Approach to Predict Forest Fires Using Meteorological Data,” IEEE, 2007.
S. Shataee, S. K, A. Fallah, & D. Pelz, “Forest Attribute Imputation using Machine Learning methods and aster data: Comparison of k-NN, SVR and Random Forest Regression Algorithms,” Int. J. Remote Sens, vol. 33, 2012
B. Yuniarto & Robert Kurniawan, Analisis Regresi : Dasar dan penerapannya dengan R, Jakarta: Kencana, 2016.
M. J. W. G. J. Davide Chicco, “The Coefficient of determination R-Squared is more informative than SMAPE,MAE,MAPE,MSE,RMSE in regression analysis evaluation,” PeerJ Computer Science, 2021.
S. V. d. R. S.Kavitha, “A comparative analysis on linear regression and support vector regression,” dalam International Conferance, 2016.
M. H. Hekmatyar, “Peramalan Jumlah Kasus Demam berdarah di Kabupaten Malang menggunakan metode Support Vector Regression,” Sistem Informasi, 2019.
M. G. &. M. F. Lorenzi L, “Support vector regression with kernel combination for missing data reconstruction,” IEEE Geoscience and Remote Sensing Letters, 2013.
F. Yusup, “Uji Validitas dan Reliabilitas Instrumen Penelitian Kuantitatif,” Jurnal Tarbiyah:Jurnal Ilmiah Kependidikan, 2018.
