OPTIMALISASI DATA TERBATAS PREDIKSI JANGKA PANJANG COVID-19 DENGAN KOMBINASI LSTM DAN GRU

Authors

  • Adhitio Satyo Bayangkari Karno Universitas Gunadarma
  • Widi Hastomo STMIK Jakarta STI&K
  • Sutarno STMIK Jakarta STI&K

Keywords:

LSTM, GRU, Deep Learning, COVID-19

Abstract

Jumlah data yang terbatas menjadi masalah utama Deep Learning (DL) untuk dapat menghasilkan prediksi data time series COVID-19 yang baik. Dalam penelitian ini dipergunakan 2 metode untuk dapat melakukan optimalisasi, pertama adalah memperoleh hasil prediksi dengan nilai error yang minimum, yaitu dengan mengkombinasikan hidden layer dengan 2 metode LSTM (Long Short Term Memory) dan GRU (Gated Reccurend Unit) dan yang kedua adalah memperkecil nilai time step agar dapat melipat gandakan jumlah data menjadi lebih banyak. Algoritma Deep Learning umumnya hanya dirancang untuk dapat melakukan prediksi jangka pendek (satu langkah kedepan setelah prediksi data testing). Dalam memperoleh prediksi jangka panjang yaitu dengan menjadikan hasil prediksi satu langkah kedepan menjadi satu data baru. Hal ini dilakukan secara berulang hingga mencapai prediksi jangka panjang yang diharapkan. Hasil dari penelitian ini adalah grafik prediksi dengan nilai RMSE (Root Mean Square Error) minimum untuk 100 hari kedepan. Pada fitur new_cases COVID-19 Indonesia diperoleh dengan nilai RMSE =57.497234, epoch = 25 , dengansusunan hidden layer pertama sampai keempat adalah LSTM,LSTM,LSTM,LSTM,. Sedangkan untuk fitur new_deaths diperoleh nilai RMSE =3.2645181, epoch = 55 , dengan urutan hidden layer adalah GRU,GRU,GRU,GRU.

Published

2020-09-30