Pemodelan Jumlah Kasus Baru Covid-19 di Masa Kenormalan Baru Menggunakan Metode Pencocokan Kurva

Maftahatul Hakimah, Muchamad Kurniawan, Rani Rotul Muhima

Abstract


Artikel ini bertujuan mendapatkan model matematika pertambahan jumlah kasus baru penderita Covid-19 di masa kenormalan baru. Model matematika yang digunakan adalah polinom interpolasi Lagrange; polinom interpolasi Newton dan Fungsi Eksponensial dengan pendekatan regresi linier. Interpolasi dan regresi sering dikenal dengan metode pencocokan kurva. Pada model interpolasi, titik-titik data dipilih berdasarkan periode 1 bulan, 15 hari dan 20 hari. Derajat polinom yang dikaji diperoleh dari titik data yang dipilih berdasarkan periode tersebut. Berdasarkan evaluasi kesalahan, polinom Lagrange dan polinom Newton berderajat 4 memberikan hasil yang paling bagus dalam pencocokan kurva dataset jumlah kasus baru Covid-19. Setelah model matematika diperoleh, prediksi jumlah kasus baru Covid-19 diperoleh dengan memproyeksikan fungsi hampiran untuk periode berikutnya. Hasil prediksi polinom Newton derajat 3 dan Fungsi Eksponensial menunjukkan jumlah kasus penderita Covid-19 perharinya semakin meningkat. Secara kontradiktif, polinom Lagrange dan Newton derajat 4 menunjukkan jumlah kasus penderita Covid-19 perharinya mengalami penurunan. Salah satu faktor yang mempengaruhi hasil prediksi pada interpolasi adalah penentuan titik-titik data yang dilibatkan pada pembentukan polinom interpolasi.

Keywords


Covid-19; interpolasi; eksponensial; regresi; kenormalan baru

Full Text:

PDF

References


M. Idris, “Mulai 1 Juni, Ini Skenario Tahapan New Normal Untuk Pemulihan Ekonomi,” PT.Kompas Cyber Media, 2020. [Online]. Available: https://money.kompas.com/read/2020/05/26/073708726/mulai-1-juni-ini-skenario-tahapan-new-normal-untuk-pemulihan-ekonomi?page=all.

S. Fitra, “Kasus Covid-19 Bertambah 1519 Kasus (Minggu, 2/8),” Katadata, 2020. [Online]. Available: https://databoks.katadata.co.id/datapublish/2020/08/02/Kasus-Covid-19-Bertambah-1519-Kasus-Minggu-28#.

I. Cooper, A. Mondal, and C. G. Antonopoulos, “A SIR model assumption for the spread of COVID-19 in different communities,” Chaos, Solitons and Fractals, vol. 139, p. 110057, 2020.

R. Goel and R. Sharma, “Mobility Based SIR Model For Pandemics -- With Case Study Of COVID-19,” 2020.

Y. Yeni and S. G. Davies, “ASEAN Journal of Community Predicitive modeling , empowering women , and COVID-19 in South Sumatra , Indonesia Predictive modeling , empowering women , and COVID-19 in South Sumatra , Indonesia Yeni a *, Najmah b , Sharyn Graham Davies c,” vol. 4, no. 1, 2020.

S. Sifriyani, U. Mulawarman, D. Rosadi, and U. G. Mada, “PEMODELAN SUSCEPTIBLE INFECTED RECOVERED ( SIR ) UNTUK ESTIMASI ANGKA REPRODUKSI COVID-19 DI KALIMANTAN TIMUR DAN SAMARINDA,” no. July, 2020.

L. Yufajjiru and S. Dharma, “Indonesian Covid-19 Case Modeling Using Gaussian Equation Pemodelan Kasus Covid-19 Di Indonesia Menggunakan Persamaan Gaussian,” vol. 15, no. 1, 2020.

H. A. Parhusip, “Study on COVID-19 in the World and Indonesia Using Regression Model of SVM, Bayesian Ridge and Gaussian,” J. Ilm. Sains, vol. 20, no. 2, p. 49, 2020.

K. Aritonang et al., “Analisis Pertambahan Pasien COVID-19 di Indonesia Menggunakan Metode Rantai Markov,” vol. 9, no. 2, pp. 69–76, 2020.

R. Munir, METODE NUMERIK, Revisi Ketiga, Ketiga. Bandung: Informatika Bandung, 2013.

K. W. Ryan Pratama, R.H Sianipar, “Pengaplikasian Metode Interpolasi Dan Ekstrapolasi Lagrange , Chebyshev Dan Spline Kubik Untuk Memprediksi,” vol. 1, no. 2, pp. 116–121, 2014.

S. Eniyati et al., “Penggunaan metode lagrange dalam peramalan jumlah mahasiswa baru,” pp. 978–979, 2020.

M. I. J. Lamabelawa, “Analisis Perhitungan Metode Interpolasi Pada Data Time Series Kemiskinan di NTT,” J. HOAQ, vol. 8, no. 1, pp. 640–646, 2018.

F. Ngf and S. C. Sihombing, “Prediksi Hasil Produksi Pertanian Kelapa Sawit di Provinsi Riau dengan Pendekatan Interpolasi Newton Gregory,” no. 1999, pp. 63–70, 2017.

J. J. Montaño Moreno, A. Palmer Pol, A. Sesé Abad, and B. Cajal Blasco, “El índice R-MAPE como medida resistente del ajuste en la previsio?n,” Psicothema, vol. 25, no. 4, pp. 500–506, 2013.

M. V. Shcherbakov, A. Brebels, N. L. Shcherbakova, A. P. Tyukov, T. A. Janovsky, and V. A. evich Kamaev, “A survey of forecast error measures,” World Appl. Sci. J., vol. 24, no. 24, pp. 171–176, 2013.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2020 Prosiding Seminar Nasional Sains dan Teknologi Terapan

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.