Klasifikasi Sebaran Wilayah dengan Risiko Penyakit Mers di Provinsi Jawa Timur dengan Menggunakan Algortima Support Vector Machine (SVM)

Abstract View: 101, PDF Download: 76

Authors

  • Sharenada Norisdita Wahyudi Universitas Islam Negeri Sunan Ampel Surabaya
  • Moh. Hafiyussholeh Universitas Islam Negeri Sunan Ampel Surabaya
  • Hugeng Susanto Dinas Kesehatan Provinsi Jawa Timur
  • Hani Khaulasari Universitas Islam Negeri Sunan Ampel Surabaya

DOI:

https://doi.org/10.32665/james.v7i2.3269

Keywords:

Classification, MERS-Cov, Support Vector Machine (SVM), Klasifikasi

Abstract

Middle East Respiratory Syndrome Coronavirus (MERS-CoV) ialah penyakit saluran pernapasan yang menular melalui virus corona. MERS pertama kali muncul dan terkonfirmasi pada tahun 2012 dengan gejala awal berupa demam, batuk berdahak disertai dengan sesak napas. MERS Merupakan salah satu penyakit mematikan dengan jumlah kasus lebih dari 2600 kasus terkonfirmasi dengan total 935 kematian. Penyakit ini paling banyak terkonfirmasi di Arab Saudi tepatnya di Mekkah, yang mana kota tersebut menjadi pusat terlaksananya ibadah Haji dan Umroh bagi seluruh umat muslim dunia. Jawa Timur merupakan salah satu wilayah dengan jumlah kuota jamaah haji tertinggi di Indonesia yang memiliki potensi tinggi terjadinya penyebaran penyakit MERS-Cov. Oleh karenanya perlu dilakukan suatu usaha mitigasi resiko guna memperkecil potensi terjadinya sebaran penyakit MERS di Indonesia khususnya di Jawa Timur, salah satunya ialah melakukan prediksi sebaran potensi menggunakan algoritma SVM. Hal itu dikarenakan SVM dinilai unggul dalam mengolah data non linear dengan baik karena sudah dilengkapi dengan bantuan fungsi kernel dalam kinerja algortimanya. Data yang digunakan pada penelitian ini adalah data sebaran potensi kasus MERS di Jawa Timur pada tahun 2023 yang didapatkan dari Dinas Kesehatan Provinsi Jawa Timur. Dilakukan beberapa pengujian untuk mendapatkan hasil optimal dengan menggunakan beberapa pembagian proporsi data training:testing, diantaranya 60:40, 65:35, 70:30, 75:25, 80:20, dan didapati hasil pengujian tertinggi terdapat pada proporsi data sebesar 75:25 dengan nilai akurasi 0.9 (90%).

References

M. P. Ladimo and I. Irwan, “Vol :4, No.1,April 2020,” Journal Health & Science : Gorontalo Journal Health and Science Community, vol. 4, no. 2, pp. 18–28, 2020, [Online]. Available: https://ejurnal.ung.ac.id/index.php/gojhes/article/view/4666

WHO, “MERS Situation Updates 2024,” HEALTH TOPIC-MERS. Accessed: Mar. 23, 2024. [Online]. Available: https://www.emro.who.int/health-topics/mers-cov/mers-outbreaks.html

European Centre for Disease Prevention and Control, “Geographical distribution of confirmed cases of MERS in Saudi Arabia by probable region of infection and exposure, with dates of onset from 1 January to 6 August 2024,” Official Website of the Europe Union.

N. N. Chathappady House, S. Palissery, and H. Sebastian, “Corona Viruses: A Review on SARS, MERS and COVID-19,” Microbiol Insights, vol. 14, p. 117863612110024, 2021, doi: 10.1177/11786361211002481.

amnisa salma, “Kemenag Umumkan Daftar Jemaah yang Masuk Alokasi Kuota Haji Reguler 1445 H/2024 M,” Direktorat Jendral Penyelenggaraan Haji dan Umrah. Accessed: Mar. 18, 2024. [Online]. Available: https://haji.kemenag.go.id/v5/detail/kemenag-umumkan-daftar-jemaah-yang-masuk-alokasi-kuota-haji-reguler-1445-h-2024-m

F. B. Komariah, “Kuota Tambahan Haji Terbanyak Diberikan ke Jawa Timur,” Radio Republik Indonesia, Jakarta, Indonesia, p. 1, Nov. 07, 2023. [Online]. Available: https://www.rri.co.id/nasional/433005/kuota-tambahan-haji-terbanyak-diberikan-ke-jawa-timur#:~:text=%22Karena Jawa Timur menjadi provinsi,Tengah dengan tambahan 3.095 kuota.

M. N. Maskuri, Harliana, K. Sukerti, and R. M. H. Bhakti, “Penerapan Algoritma K-Nearest Neighbor (KNN) untuk Memprediksi Penyakit Stroke,” Jurnal Ilmiah Intech : Information Technology Journal of UMUS, vol. 4, no. 1, pp. 130–140, 2022.

R. K. Halder, M. N. Uddin, M. A. Uddin, S. Aryal, and A. Khraisat, “Enhancing K-nearest neighbor algorithm: a comprehensive review and performance analysis of modifications,” J Big Data, vol. 11, no. 1, Dec. 2024, doi: 10.1186/s40537-024-00973-y.

A. H. Nasrullah, “Implementasi Algoritma Decision Tree Untuk Klasifikasi Produk Laris,” vol. 7, no. 2, 2021, [Online]. Available: http://ejournal.fikom-unasman.ac.id

N. Nazifah, C. Prianto, and C. A. Id, “Analisis Perbandingan Decision Tree Algoritma C4.5 dengan algoritma lainnya: Sistematic Literature Review,” Jurnal Informatika dan Teknologi Komputer, vol. 04 No.02, no. 2774–7115, pp. 57–64, Oct. 2023, [Online]. Available: https://ejurnalunsam.id/index.php/jicom/

Normah, B. Rifai, S. Vambudi, and R. Maulana, “Analisa Sentimen Perkembangan Vtuber Dengan Metode Support Vector Machine Berbasis SMOTE,” Jurnal Teknik Komputer AMIK BSI, vol. 8, no. 2, pp. 174–180, 2022, doi: 10.31294/jtk.v4i2.

S. P. Azzahra, Y. A. Apriyanto, and A. Wijaya, “Analisis Sentimen Ulasan Aplikasi DEEPL Pada Google Play Dengan Metode Support Vector Machine (SVM),” vol. 4, no. 2, pp. 59–66.

Z. Zhu, X. Lian, X. Su, W. Wu, G. A. Marraro, and Y. Zeng, “From SARS and MERS to COVID-19: A brief summary and comparison of severe acute respiratory infections caused by three highly pathogenic human coronaviruses,” Aug. 27, 2020, BioMed Central Ltd. doi: 10.1186/s12931-020-01479-w.

A. Mostafa et al., “Middle east respiratory syndrome coronavirus (MERS-CoV): State of the science,” Microorganisms, vol. 8, no. 7, pp. 1–27, 2020, doi: 10.3390/microorganisms8070991.

M. Cevik, M. Tate, O. Lloyd, A. E. Maraolo, J. Schafers, and A. Ho, “SARS-CoV-2, SARS-CoV, and MERS-CoV viral load dynamics, duration of viral shedding, and infectiousness: a systematic review and meta-analysis,” Lancet Microbe, vol. 2, no. 1, pp. e13–e22, Jan. 2021, doi: 10.1016/S2666-5247(20)30172-5.

L. Owen, “Bifurkasi Pada Model Penyebaran Penyakit MERS-CoV di Dua Wilayah dengan Populasi Konstan,” Jambura Journal of Mathematics, vol. 4, no. 2, pp. 296–305, 2022, doi: 10.34312/jjom.v4i2.14190.

I. A. Ropikoh, R. Abdulhakim, U. Enri, and N. Sulistiyowati, “Penerapan Algoritma Support Vector Machine (SVM) untuk Klasifikasi Berita Hoax Covid-19,” 2021. [Online]. Available: http://jurnal.polibatam.ac.id/index.php/JAIC

A. Toha, P. Purwono, and W. Gata, “Model Prediksi Kualitas Udara dengan Support Vector Machines dengan Optimasi Hyperparameter GridSearch CV,” Buletin Ilmiah Sarjana Teknik Elektro, vol. 4, no. 1, pp. 12–21, May 2022, doi: 10.12928/biste.v4i1.6079.

F. S. Pamungkas and I. Kharisudin, “Analisis Sentimen dengan SVM,” vol. 4, pp. 628–634, 2021, [Online]. Available: https://journal.unnes.ac.id/sju/index.php/prisma/

R. N. Ainum, N. Hidayat, and A. A. Soebroto, “Klasifikasi Buku Perpustakaan menggunakan Metode Naive Bayes,” 2022. [Online]. Available: http://j-ptiik.ub.ac.id

M. -Normalisasi Data Untuk Efisiensi K-Means Pada Pengelompokan Wila-yah Berpotensi Kebakaran Hutan Dan Lahan Berdasarkan Sebaran Titik Panas, A. Harmain, H. Kurniawan, D. Maulina, and M. Universitas Amikom Yogyakarta, “Data Normalization For K-Means Efficiancy On Groups Of Areas With Potential Forest And Land Fire Based On Heat Spots Distribution.”

I. Permana and F. N. S. Salisah, “Pengaruh Normalisasi Data Terhadap Performa Hasil Klasifikasi Algoritma Backpropagation,” Indonesian Journal of Informatic Research and Software Engineering (IJIRSE), vol. 2, no. 1, pp. 67–72, 2022, doi: 10.57152/ijirse.v2i1.311.

B. T. P. Briandy, E. Yulianingsih, Fatmasari, and Ferdiansyah, “Analisis Tingkat Akurasi Prediksi Gejala COVID - 19 Dengan Menggunakan Metode Logistic Regression dan Support Vector Machine,” Jurnal Fasilkom, vol. 13, no. 02, pp. 269–278, 2023, doi: 10.37859/jf.v13i02.5629.

F. Adams, R. A. Dwi Anggoro, M. B. Satria, A. W. Oktavia, and N. Chamidah, “Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan Algoritma Naïve Bayes, Decision Tree, dan Support Vector Machine,” Seminar Nasional Mahasiswa Ilmu Komputer dan Aplikasinya (SENAMIKA), vol. 2, no. 2, pp. 260–268, 2021, [Online]. Available: https://conference.upnvj.ac.id/index.php/senamika/article/view/1744

N. G. Ramadhan and A. Khoirunnisa, “Klasifikasi Data Malaria Menggunakan Metode Support Vector Machine,” Jurnal Media Informatika Budidarma, vol. 5, no. 4, p. 1580, 2021, doi: 10.30865/mib.v5i4.3347.

S. Rabbani, D. Safitri, N. Rahmadhani, A. A. F. Sani, and M. K. Anam, “Perbandingan Evaluasi Kernel SVM untuk Klasifikasi Sentimen dalam Analisis Kenaikan Harga BBM,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 3, no. 2, pp. 153–160, Oct. 2023, doi: 10.57152/malcom.v3i2.897.

N. Pratiwi and Y. Setyawan, “Analisi Akurasi Dari Perbedaan Fungsi Kernel Dan COST Pada Support Vector Machine Studi Kasus Klasifikasi Curah Hujan diJakarta,” Journal of Fundamental Mathematics and Applications (JFMA), vol. 4, no. 2, pp. 203–212, Nov. 2021, doi: 10.14710/jfma.v4i2.11691.

R. Nadzirah, I. Indarto, D. R. Widyaningsih, and M. I. T. Okiawan, “Analisis Perbandingan Tutupan Lahan (Land Cover) Wilayah Malang Raya Menggunakan Citra Sentinel,” Rona Teknik Pertanian, vol. 16, no. 2, pp. 160–174, 2023, doi: 10.17969/rtp.v16i2.33675.

U. Indahyanti, N. L. Azizah, and H. Setiawan, “Pendekatan Ensemble Learning Untuk Meningkatkan Akurasi Prediksi Kinerja Akademik Mahasiswa,” Jurnal Sains dan Informatika, vol. 8, no. 2, pp. 160–169, 2022, doi: 10.34128/jsi.v8i2.459.

T. Terttiaavini and T. S. Saputra*, “Analisa Akurasi Penggunaan Metode Single Eksponential Smoothing untuk Perkiraan Penerimaan Mahasiswa Baru Pada Perguruan Tinggi XYZ,” Jurnal Ilmiah Informatika Global, vol. 11, no. 1, pp. 64–68, 2020, doi: 10.36982/jiig.v11i1.1075.

R. A. Farissa, R. Mayasari, and Y. Umaidah, “Perbandingan Algoritma K-Means dan K-Medoids Untuk Pengelompokkan Data Obat dengan Silhouette Coefficient di Puskesmas Karangsambung,” Journal of Applied Informatics and Computing, vol. 5, no. 2, pp. 109–116, 2021, doi: 10.30871/jaic.v5i1.3237.

Endang Etriyanti, “Perbandingan Tingkat Akurasi Metode Knn Dan Decision Tree Dalam Memprediksi Lama Studi Mahasiswa,” Jurnal Ilmiah Binary STMIK Bina Nusantara Jaya Lubuklinggau, vol. 3, no. 1, pp. 6–14, 2021, doi: 10.52303/jb.v3i1.40.

B. P. Pratiwi, A. S. Handayani, and S. Sarjana, “Pengukuran Kinerja Sistem Kualitas Udara Dengan Teknologi Wsn Menggunakan Confusion Matrix,” Jurnal Informatika Upgris, vol. 6, no. 2, pp. 66–75, 2021, doi: 10.26877/jiu.v6i2.6552.

A. J. Arifin and A. Nugroho, “Uji Akurasi Penggunaan Metode KNN dalam Analisis Sentimen Kenaikan Harga BBM pada Media Twitter,” Progresif: Jurnal Ilmiah Komputer, no. September, pp. 700–708, 2023.

Downloads

Published

2024-10-10

How to Cite

[1]
S. N. Wahyudi, M. Hafiyussholeh, H. Susanto, and H. Khaulasari, “Klasifikasi Sebaran Wilayah dengan Risiko Penyakit Mers di Provinsi Jawa Timur dengan Menggunakan Algortima Support Vector Machine (SVM)”, JaMES, vol. 7, no. 2, pp. 167–175, Oct. 2024.
Abstract View: 101, PDF Download: 76

Most read articles by the same author(s)