Robust Prediction Model of Covid-19 using Deep Learning algorithm
Abstract
Prediksi wabah Covid-19 adalah tugas yang menantang dan masalah yang rumit dalam kumpulan data yang sangat besar. Beberapa komunitas telah mengusulkan berbagai metode untuk memprediksi kasus positif Covid-19. Namun, teknik konvensional tetap menjadi kelemahan untuk memprediksi kasus tren yang sebenarnya. Dalam eksperimen ini, kami mengadopsi CNN untuk membangun model kami dengan menganalisis fitur dari kumpulan data besar Covid-19 untuk memprediksi wabah jangka panjang hingga menghadirkan pencegahan dini. Berdasarkan hasil percobaan, model kami dapat mencapai akurasi yang memadai dengan kerugian kecil. Dalam penelitian ini, kami menghitung fungsi yang menghasilkan RMSE 0,00070 dan MAPE 0,02440 untuk memprediksi kasus baru dan mendapatkan RMSE 0,00468 dan MAPE 0,06446 untuk memprediksi kematian baru. Oleh karena itu, metode yang kami usulkan dapat mencapai akurasi yang baik dalam memprediksi tren kasus positif wabah Covid-19 di Indonesia.
Downloads
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
IJICOM is an open-access journal. Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
