Prediksi Tingkat Kematian Covid-19 di Indonesia dengan menggunakan Metode Linear Regression

Benedict, Lucky (2022) Prediksi Tingkat Kematian Covid-19 di Indonesia dengan menggunakan Metode Linear Regression. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

Preview	PDF HALAMAN_AWAL.pdf Download (1MB) | Preview
Preview	PDF DAFTAR_PUSTAKA.pdf Download (208kB) | Preview
Preview	PDF BAB_I.pdf Download (210kB) | Preview
Preview	PDF BAB_II.pdf Download (283kB) | Preview
Preview	PDF BAB_III.pdf Download (264kB) | Preview
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
Preview	PDF BAB_V.pdf Download (203kB) | Preview
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (703kB)

Abstract

Pandemi Covid-19 membawa banyak dampak bagi kehidupan manusia, pan- demi ini merubah cara beraktivitas seluruh umat manusia secara bersamaan. Berdasarkan data covid.go.id telah mencata sebanyak 4.626.936 terkonfirmasi Covid-19, 4.216.328 dinyatakan sembuh dan 144.784 lainya dinyatakan mening- gal pada tanggal 09 Februari 2022. Berdasarkan data tersebut pemerintah telah mengambil beberapa tindakan dalam mengurangi angka kematian dengan mener- apkan PPKM di Indonesia. Sehingga pada penelitian ini bertujuan untuk mem- bantu pemerintah dalam pengambilan keputusan PPKM yang akan diterapkan di In- donesia berdasarkan tingkat kematian di Indonesia yang meningkat setiap bulanya. Pada penelitian ini dirancang dengan metode Linear Regression, pemilihan metode Linear Regression dikarenakan memiliki korelasi yang cukup kuat terhadap hasil prediksi yang akan dihasilkan serta hubungan antar variabel independan dan depen- den memiliki hubungan linear. Dengan penggunaan metode Linear Regression me- nunjukan kecocokan dataset dengan model yang dibuat dengan tingkat akurasi yang cukup baik yaitu dengan nilai evaluasi MAE (10.34940846), MAPE (1.565490869), RMSE (14.83289051) dan R2 Score (0.9982726641).

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Covid-19, Linear Regression, Machine Learning
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 006 Special Computer Methods
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	20 Jul 2022 04:27
Last Modified:	28 Jun 2023 08:19
URI:	https://kc.umn.ac.id/id/eprint/22407

Actions (login required)

View Item