KLASIFIKASI
DETEKSI GEJALA AWAL COVID-19 DENGAN METODE
LOGISTIC REGRESSION, RANDOM FOREST CLASSIFIER DAN SUPPORT VECTOR MACHINE
Fauzan Azimah1, Kiky Rizky
Nova Wardani2
Fakultas Ilmu Komputer,
Universitas Bina Darma,1,2
[email protected]1,
[email protected]2
Diterima: 02-09-2022������������������������������������� Review: 10-09-2022������������������������ ��������������� Publish:
Coronavirus Disease 19
(COVID-19) merupakan virus baru
yang menyebabkan infeksi saluran pernapasan. Virus ini berasal dari
hewan yang dapat menular pada manusia dengan percikan air liur. Menurut data epidemiologi rata-rata pasien terjangkit virus ini berusia 15-80 tahun. Virus ini memiliki masa inkubasi 2-14 hari yang mempunyai gejala awal yaitu deman
tinggi, sesak nafas, batuk pilek.
Indonesia memiliki 2 kasus pertama pada 2 maret 2020. permasalahan yang diangkat dalam penelitian ini adalah bagaimana
mengklasifiasi resiko terjangkit virus covid-19 dari gejala yang ditimbulkan. Tujuan penelitian ini untuk mengetahui
tingkat resiko terjangkit virus covid-19 berdasarkan
instrument yang digunakan dari metode AI Project Cycle yang terdiri
dari 6 tahapan yaitu Problem Scoping, Data Acquisition, Data Exploration,
Modelling, Evaluation dan Deployment. Dataset yang digunakan
peneliti diambil dari web resmi kaggle.com. Penelitin ini menggunakan
3 (tiga) algoritma yaitu Logistic Regression, Random Forest Classfier dan Support Vector Machine. Nilai akurasi pada dataset dengan 6512
rows * 12 columns data pasien terjangkit
covid-19 menggunakan algoritma
Logistic Regression memperoleh 87%, Random Forest
Classifier memperoleh 86% dan Support Vector Machine memperoleh 83%. Pada penelitian ini algoritma klasifikasi
Logistic Regression memberikan nilai
akurasi yang tertinggi.
Kata kunci: Covid-19; Klasifikasi, Logistic Regression; Random Forest
Classifier; Support Vector Machine; AI Project Cycle; kaggle.com.
Abstract:
Coronavirus Disease 19 (COVID-19) is a new
virus that causes respiratory tract infections. This virus originates from
which can be transmitted to humans through animal saliva. According to
epidemiological data, the average patient contracted this virus at the age of
15-80 years. This virus has an incubation period of 2-14 days which has
symptoms of shortness of breath, cough and runny nose. Indonesia had the first
2 cases on March 2, 2020. The problem raised in this study is how to classify
the risk of contracting the Covid-19 virus from the symptoms it causes. The
purpose of this study was to determine the level of risk of contracting the
covid-19 virus based on the instrument used from the AI Project
Cycle method which consists of 6 stages, namely Problem Scoping, Data
Acquisition, Data Exploration, Modeling, Evaluation
and Implementation. The dataset used by the researcher was taken from the
official website kaggle.com. This study uses 3 (three) algorithms, namely
Logistic Regression, Random Forest Classifier and Support Vector Machine. The
accuracy value in the dataset with 6512 rows * 12 columns of data on patients
infected with COVID-19 using the Logistic Regression algorithm was obtained
87%, the Random Forest Classifier was obtained 86% and the Support Vector
Machine was obtained 83%. In this study the Logistics Regression classification
provides the highest accuracy value.
Keywords:
Covid-19;
Classification; Logistic
Regression; Random Forest
Classifier; Support Vector
Machine; AI Project Cycle,
kaggle.com.�����������������������������������������������������������������������������������������������������������������������������������������
E-mail: [email protected]
PENDAHULUAN
World Health Organization (WHO), memberitahukan kasus baru Pneumonia di kota Wuhan,
Hubei, China yang mengidentifikasi jenis baru novel Corona Virus.Nama Corona virus Disease 2019 resmi
ditetapkan oleh WHO (Adrian, Putra, Rafialdy, &
Rakhmawati, 2021). Menurut ahli virologi
dari China, virus covid-19 ini
merupakan virus yang berbeda
dengan Severe Acute Respiratory Syndrome Associated
Coronavirus (SARS COV2) yang muncul di Guandong, China tahun 2003 tetapi memiliki gajala yang sama (Adrian et al., 2021). Tingkat penyebaran Covid-19 lebih luas dibandingkan
dengan SARS namun tingkat kematian SARS mencapai 9,6% dibanding tingkat kematian Covid-19 yang masih dibawah 5% (Adrian et al., 2021). Homologi Covid-19 mempunyai
ciri-ciri DNA yang mirip hingga mencapai 85% dengan kelelawar SARS. Penularan virus ini dari hewan ke
manusia disebut Transmisi Zoonosis dan dapat tertular dari manusia
ke manusia dengan berkontak langsung atau terkena
percikan liurnya (Anggraini, Akbar, Wijaya, Syaputra, &
Sobri, 2021). Dari data pertama di wuhan 15% menunjukan kasus fatal usia diatas 80 tahun, 8,0% berusia 70 tahun, 1% anak dibawah 15 tahun. Sedangkan kasus ringan dan berat yang mempunyai penyakit bawaan 49,0% (Adrian et al., 2021). Gejala-gejala COVID-19 yang paling umum adalah demam,
batuk kering, dan rasa Lelah
(Linssen et al., 2020). Gejala lainnya yang
lebih jarang dan mungkin dialami beberapa pasien meliputi rasa nyeri dan sakit, hidung tersumbat,
sakit kepala, konjungtivitis, sakit tenggorokan, diare, kehilangan indera rasa atau penciuman, ruam pada kulit, atau perubahan warna jari tangan
atau kaki. Gejala-gejala
yang dialami biasanya bersifat ringan dan muncul secara bertahap.
Beberapa orang menjadi terinfeksi tetapi hanya memiliki gejala ringan.Sebagian besar (sekitar 80%) orang yang terinfeksi berhasil pulih tanpa perlu
perawatan khusus (Nafi�ah, 2021). Sekitar 1 dari 5
orang yang terinfeksi COVID-19 menderita
sakit parah dan kesulitan bernapas. Orangorang lanjut usia (lansia) dan orang-orang dengan kondisi medis penyerta seperti tekanan darah tinggi, gangguan
jantung dan paru-paru,
diabetes, atau kanker memiliki kemungkinan lebih besar mengalami
sakit lebih serius[WHO].
Namun, masyarakat tidak mengetahui perbedaan antara penyakit gejala seperti f biasa dengan penyakit flu indikasi Covid-19. Ada 3 gejala utama yang dapat muncul pada virus Covid-19 ini, yaitu : Demam tinggi,
Batuk, Sesak nafas (Ramadhy & Sibaroni, 2022). Pasien juga bisa mengalami gangguan pengecapan atau penciuman, nyeri otot, sakit kepala,
sakit tenggorokan, pilek, diare, mual,
dan muntah. Namun, gejala ini tidak
selalu terjadi pada pasien COVID-19. Pada kasus yang parah, infeksi virus Corona bisa menyebabkan komplikasi yang serius, seperti sindrom gangguan pernapasan akut, pneumonia (infeksi paru) yang berat, edema paru, dan kegagalan fungsi organorgan tubuh, misalnya ginjal. Gejala infeksi virus Corona yang berat ini lebih sering
terjadi pada lansia dan
orang yang memiliki kondisi
medis tertentu (Covid-19, 2020).
Pada masa-masa seperti
ini, gejala-gejala diatas mungkin memang sulit dibedakan.
Jadi, ketika kamu merasa tidak enak
badan dan mengalami gejala-gejala
di atas, sebaiknya kamu segera melakukan
tes pendeteksi COVID-19. Maka dari itu
penulis berinisiatif untuk membuat program yang sederhana yaitu deteksi gejala awal Covid -19 berdasarkan gejala-gejala awal dengan menggunakan tiga algoritma, seperti Logistic Regression dengan
akurasi 87%, Random Forest Classifier dengan akurasi 86%, dan Support
Vector Machine dengan akurasi
83%. Dengan adanya fitur berbasis website sehingga masyarakat lebih mudah untuk
mengeceknya hanya melalui website saja berdasarkan gejala-gejala awal Covid-19 dengan menggunakan metode pengembangan AI Project Cycle
METODE
PENELITIAN
Pada penelitian ini,
penulis membuat sistem pendeteksi gejala awal covid-19 dengan menggunakan metode AI Project Cycle untuk mendapatkan hasil prediksi apakah pasien terpapar covid-19 atau tidak dengan
menggunakan tiga model yaitu Logistic Regression, Random Forest Classifier dan
Support Vector Machine.
AI
Project Cycle
AI Project Cycle adalah sebuah proses dalam membuat proyek AI secara utuh. Pada tahap penelitian peneliti ini menggunakan
siklus AI Project Cycle untuk
mengklasifikasi pasien yang
terpapar Covid-19 atau tidak dengan mencari
pola data pada dataset yang sudah
di unduh di web resmi
www.kaggle.com. Dibawah ini
merupakan tahapan pelaksanaan dari siklus AI Project Cycle sebagai berikut:
Problem
Scoping
Proses identifikasi atau
memetakan batasan masalah yang ingin diselesaikan sehingga tujuan atau target menjadi semakin jelas dan lebih terarah serta akan
lebih mudah untuk menemukan solusi [7]. Mengapa penting? Agar saat proses penelitian atau pengerjaan bisa lebih fokus sesuai
tujuan dan rencana awal. Perlu diperhatikan
apabila masalah yang diambil terlalu besar, biasanya cenderung sulit untuk dimulai atau
diimplementasikan. Namun, apabila terlalu sempit akan sulit
mencapai tujuan dan target
[8]. Ada metode 4W untuk mempermudah proses problem scoping, yaitu:
Data
Acquisition
Proses mengumpulkan data-data yang dibutuhkan untuk membuat proyek AI. Hal ini merupakan dasar
atau bahan yang selanjutnya diolah untuk dianalisis sesuai masalah dan diamati agar bisa menghasilkan solusi terbaik. Ada beberapa cara untuk mendapatkan
sumber data tersebut, yaitu:
A. Tools/Alat : Kamera,
Microphone dan Sensor.
B. Observasi : Survei, Penelitian.
C. Open Data : BPS, Kaggle, API (REST
API, Twitter API, Youtube API).
D. Web Scraping/Crawling.
Data
Exploration
Proses menjelajahi dataset untuk memahami isi, komponen dan karakteristiknya sehingga kita dapat mengetahui
pola data tersebut.
Exploratory Data Analysis (EDA) diperkenalkan oleh
John Tukey dan mempunyai tujuan
untuk mendorong ahli statistik dalam mengeksplorasi data dan merumuskan hipotesis (Tukey, 1977). Beberapa metode yang digunakan dalam eksplorasi data, yaitu:
A. Summary
Descriptive Statistics, rangkuman properti (frekuensi, modus, mean, median,
range, variance dan standar deviasi) dalam data.
B.
Visualization, penyajian data dalam bentuk
grafis (Bar Chart, Histogram, Box Plot, Scatter Plot, Star Plot, Chernoff Plot,
Maps).
C. Clustering
dan Anomaly Detection
Sederhananya menggunakan elemen visual, pembaca akan lebih
memahami pola, tren bahkan lebih
mudah menemukan outlier
pada suatu data.
Modelling
Proses pembuatan algoritma
dalam bahasa pemrograman sebagai metode pembelajaran mesin (training phase) yang digunakan
untuk menemukan pola-pola dalam data sebagai bahan dasar
pengetahuan sistem untuk membuat keputusan
atau melakukan prediksi (Mulajati, 2017). Pemodelan
yang dibuat pada website ini
menggunakan tiga model yaitu :
1. Logistik Regression Logistic Regression adalah
algoritma klasifikasi
machine learning yang digunakan untuk
memprediksi probabilitas variabel dependen kategoris. Dalam Logistic
Regression, variabel yang terikat
adalah variabel biner yang berisi data berkode 1 (Ya) atau 0 (Tidak).
Metode ini merupakan metode regresi linier umum untuk mempelajari pemetaan dari sejumlah
variabelnumerik ke variabel biner atau probabilistic
(Ramadhy & Sibaroni, 2022).
2. Random
Forest Classifier Random Forest, merupakan sebuah metode yang dikembangkan dari metode CART (Classification and Regression Trees), yang
juga merupakan metode atau algoritma dari teknik pohon
keputusan (Adrian et al., 2021). Yang membedakan
metode random forest dari metode CART adalah Random Forest menerapkan metode bootstrap
aggregating (bagging) dan juga seleksi fitur random atau bisa disebut random feature
selection (Purnomo, 2017). Random Forest adalah
kombinasi dari masing masing teknik pohon
keputusan yang ada, lalu kemudian digabung
dan dikombinasikan kedalam suatu model. Ada tiga poin utama dalam
metode Random Forest, tiga poin utama tersebut
yaitu melakukan bootstrap
sampling untuk membangun pohon prediksi, masing-masing pohon keputusan memprediksi dengan prediktor acak, kemudian Random Forest melakukan prediksi dengan mengombinasikan hasil dari tiap tiap
pohon keputusan dengan cara majority vote untuk klasifikasi atau rata-rata untuk regresi.
3. Support
Vector Machine Support Vector Machine atau SVM merupakan sekumpulan metode supervised learning yang membuat
hyperlane atau sekumpulan hyperlane pada proses klasifikasi, regresi, dan outlier
detection (Prabiantissa, 2021). Salah satu
penggunaanya adalah dalam mengelompokkan text dan
hypertext. Kelebihan pada SVM ini
adalah efektif pada high
dimensional space, efektif dalam
kasus dengan jumlah dimensi yang lebih banyak daripada
jumlah sampelnya, menggunakan subset titik pelatihan sehingga lebih memori efisien.
Evaluation
Proses pengkajian dan pemilihan model terbaik yang akan digunakan untuk membuat proyek
AI. Salah satu metode yang digunakan yaitu Confusion Matrix menggunakan tabel dengan 4 kombinasi berbeda dari nilai
prediksi dan nilai actual (Nasir, Junita, & Ilham, 2014). Proses pemilihan
model memperhatikan beberapa
komponen, antara lain:
A.
Accuracy/Akurasi : persentase nilai
prediksi yang benar dari keseluruhan pengamatan. Rumus →
(TP+TN)/(TP+FP+TN+FN)
B. Precision/Presisi :
persentase kasus yang diprediksi AI dan memang terjadi berdasarkan realitanya. Rumus →
(TP)/(TP+FP)
C. Recall : mengukur pecahan kasus yang terjadi dan diprediksi tepat oleh AI. Rumus →
(TP)/(TP+FN)
Deployment
Proses implementasi AI pada sebuah aplikasi atau sistem sesuai
dengan tujuan pembuatan produk sehingga diharapkan dapat memudahkan pekerjaan manusia untuk mengakses websitenya (Romindo et al., 2019). Ada banyak
tempat penyedia untuk mendeployment/hosting sebuah website diantara: Heroku, Vercel, Github, Netlify.
COVID-19
COVID-19 adalah penyakit
yang disebabkan oleh Novel Coronavirus (2019- n
(Jongh, 2020)CoV), jenis baru coronavirus yang diidentifikasi untuk pertama kalinya di Wuhan, Cina, dinamai "penyakit coronavirus 2019" (COVID19) - " CO
"untuk corona," VI "untuk virus dan" D "untuk
penyakit dalam bahasa Inggris� (Dejongh, 2020).
COVID-19 adalah penyakit
menular yang disebabkan
oleh jenis corona virus yang baru
ditemukan. Ini merupakan virus baru dan penyakit yang sebelumnya tidak dikenal sebelum
terjadi wabah di Wuhan, Tiongkok, bulan Desember 2019. Gejala-gejala
COVID-19 yang paling umum adalah
demam, rasa lelah, dan batuk kering. Beberapa
pasien mungkin mengalami rasa nyeri dan sakit, hidung tersumbat,
pilek, sakit tenggorokan, diare, dan kehilangan indra penciuman. Gejala-gejala yang dialami biasanya bersifat ringan dan muncul secara bertahap.
Beberapa orang yang terinfeksi
tidak menunjukkan gejala apapun dan tetap merasa sehat.
Sebagian besar (sekitar
80%) orang yang terinfeksi berhasil
pulih tanpa perlu perawatan khusus. Sekitar 1 dari 6 orang yang terjangkit
COVID19 menderita sakit parah dan kesulitan bernapas. Orang-orang yang lanjut
usia dan orang-orang dengan
kondisi medis yang sudah ada sebelumnya
seperti tekanan darah tinggi, gangguan
jantung atau diabetes,
punya kemungkinan lebih besar mengalami sakit lebih serius.
Mereka yang mengalami demam, batuk dan kesulitan bernapas sebaiknya mencari pertolongan medis. Orang dapat tertular COVID-19 dari orang lain yang terjangkit
virus ini. COVID-19 dapat menyebar dari orang ke orang melalui percikan-percikan dari hidung atau mulut
yang keluar saat orang yang
terjangkit COVID-19 batuk atau mengeluarkan napas. Percikan-percikan ini kemudian jatuh ke benda-benda dan permukaan-permukaan di sekitar.
Orang yang menyentuh benda atau permukaan tersebut lalu menyentuh
mata, hidung atau mulutnya, dapat terjangkit COVID-19. Penularan COVID-19 juga dapat terjadi jika orang menghirup percikan yang keluar dari batuk
atau napas orang yang terjangkit
COVID-19. Oleh karena itu, penting bagi kita
untuk menjaga jarak lebih dari
1 meter dari orang yang sakit. WHO terus mengkaji perkembangan penelitian tentang cara penyebaran COVID-19 dan akan menyampaikan temuan- temuan terbaru. [WHO, 2020].
KLASIFIKASI
Klasifikasi data adalah suatu proses yang menentukan property-property yang sama
pada sebuah himpunan obyek di dalem sebuah basis data mengklasifikasikannya
ke dalam kelas-kelas yang berbada menurut model klasifikasi yang ditetapkan .
Tujuan dari klasifikasi adalah untuk menemukan model dari training set yang membedakan
atribut ke dalam kategori atau kelas yang sesuai, model tersebut kemudian digunakan untuk mengklasifikasikan atribut yang kelasnya belom diketahui sebelumnya.
HASIL DAN PEMBAHASAN
Hasil Pengembangan Produk
Penelitian yang dilakukan penulis adalah sistem pendeteksi covid-19 berdasarkan gejala-gejala awal dengan pendekatan
metode AI Project Cycle yang menghasilkan
sebuah web untuk memprediksi berapa persen orang yang terpapar
covid-19 ini. Adapun hasil penelitian yang diperoleh adalah sebagai berikut:
1.
Problem Scoping
Ada 4
langkah dalam menentukan problem scoping, yaitu:
Who (Siapa yang terkena dampak dari
masalah tersebut) : Kami membuat sistem pendeteksi gejala awal covid-19 ini
untuk semua masyarakat Indonesia karena ini sifatnya free website jadi kapanpun
dan dimanapun user bisa mengaksesnya.
What (Apa permasalahan tersebut) :
Berdasarkan latar belakang permasalahan, masyarakat banyak yang belum
mengetahui penyakit gejala biasa seperti flu biasa dengan flu yang terindikasi
covid-19. Jadi, ketika kamu merasa tidak enak badan dan mengalami gejala-gejala
Covid-19, sebaiknya kamu segera melakukan tes pendeteksi COVID-19, sehingga
kami berinisiatif membuat sistem pendeteksi gejala awal covid-19 yang sederhana
ini.
Where (Lokasi Permasalahan) : Setelah
membaca beberapa referensi dari jurnal dan diskusi kami mengangkat permasalahan
ini berdasarkan kasus Covid-19 di Indonesia karena kasusnya terus meningkat dan
berkembang.
Why (Mengapa permasalahan dibuat) :
Untuk memudahkan masyarakat mengecek apakah user terpapar covid-19 atau tidak.
2.
Data Acquistion
Proses mengumpulkan data-data yang
dibutuhkan untuk membuat project AI. Hal ini merupakan dasar atau bahan yang
selanjutnya diolah untuk dianalisis sesuai masalah dan diamati agar bisa
menghasilkan solusi terbaik. Adapun tools yang gunakan untuk mendapatkan sumber
data dalam proses pembuatan sistem pendeteksi covid-19 berdasarkan
gejala-gejala awal yaitu dari situs resmi kaggle dengan mengambil dataset
covid-19. Adapun link download dataset yang kami gunakan sebagai berikut :
Early
stage symptoms of COVID-19 patient's | Kaggle
3.
Data Exploration
Didalam proses data exploration,
penulis memvisualisasikan dataset covid-19 ini dalam bentuk table dan grafik
batang.
Gambar 3. 1 Menampilkan isi Dataset
Didalam dataset ini terdapat 6512 rows * 12 columns. Columns tersebut terdiri dari gender, age_year, fever,
cough, runny_nose, muscle_soreness,
pneumonia, diarhea, lung_infection,
travel_history, isolation_treatment
dan covid. Adapun hasil visualisasi
dengan grafik batang seperti pada gambar dibawah ini.
Gambar 3. 2 Grafik Batang
4.
Modelling
Ada 3 model yang penulis pilih untuk
sistem pendeteksi covid-19 berdasarkan gejala-gejala awal yaitu : Logistic
Regression, Random Forest Classifier dan Support Vector Machine. Adapun hasil
dari tiga model tersebut yaitu :
A.
Logistic Regression
Gambar 3. 3 Membuat Label Gender 0 dan 1
Pertama kami membuat label pada column gender 0 artinya
�female� dan 1 artinya �male� karena
sifat pada model ini yaitu bilangan biner.
Gambar 3. 4 Drop Columns
Pada gambar ini kami menghapus data pada column 9 yaitu
lung_infection karena tidak dipakai dalam
pertanyaan web ini.
Gambar 3. 5 Train
dataset
Pada gambar ini kami membagi data training X dan data test Y untuk
melihat hasil accuracy. Sebelum di SMOTE hasilnya:
Table 3. 1 Hasil Sebelum Smote
|
Label |
Gender |
Jumlah |
|
0 |
Female |
3942 |
|
1 |
Male |
1267 |
Karena label 0 dan 1 tidak sama jumlahnya
maka dari itu kami melakukan bimbingan dengan mentor dan hasilnya adalah dilakukan penambahan SMOTE agar jumlah label 0 dan 1 sama.
Gambar 3. 6 Penambahan SMOTE
Pada gambar ini telah dilakukan
penambahan SMOTE dengan mengimport library over_sampling
yang di random_state dimulai
dari 2, maka hasilnya :
Table 3. 2 Hasil Setelah Smote
|
Over
Sampling |
Jumlah |
|
Train_x |
7884,10 |
|
Train_y |
7884 |
Setelah sama hasil train_x
dan train y maka hasil dari label 0 dan 1 juga sama seperti table dibawah ini.
Table 3. 3 Hasil Sample
|
Label |
Gender |
Jumlah |
|
0 |
Female |
3942 |
|
1 |
Male |
3942 |
Pada gambar ini, penulis menampilkan
hasil accuracy tanpa SMOTE
yang hasilnya 89%. Untuk hasil lebih lengkapnya
lihat gambar dibawah ini.
Gambar 3. 7 Hasil tanpa Smote
Mendapatkan hasil sebagai berikut :
Table 3. 4 Hasil
accuracy tanpa Smote
|
Label |
Precision |
Recall |
F1-score |
Support |
|
0 |
0.89 |
0.98 |
0.94 |
998 |
|
1 |
0.91 |
0.62 |
0.74 |
305 |
Label 0 :
Precision 0.89, Recall 0.98, F1_score 0.94 dan support 998.
Label 1 :
Precision 0.91, Recall 0.62, F1_score 0.74 dan support 305.
Perbandingannya sangat jauh untuk label 1 hasil Recallnya menurun sekitar 3% dan F1_score menurun sekitar 2%.
Jika dilakukan dengan
SMOTE, maka hasilnya sebagai berikut:
Gambar 3. 8 Hasil pakai Smote
Hasil dari akurasinya setelah menambahkan SMOTE adalah 87% yang
sedikit menurun 2% dari sebelum SMOTE 89%. Untuk hasil lebih
lengkapnya lihat table dibawah ini.
Table 3. 5 Hasil Accuracy
dengan Smote
|
Label |
Precision |
Recall |
F1-score |
Support |
|
0 |
0.89 |
0.98 |
0.94 |
998 |
|
1 |
0.91 |
0.62 |
0.74 |
305 |
Perbandingan sama dengan hasil
sebelum di SMOTE, tetapi accuracynya menurun 2% menjadi 87%.
B.
Random Forest Classifier
Setelah
melakukan proses model logistic regression, penulis langsung train data_x dan
train data_y untuk melihat accuracy pada model ini.
Gambar 3. 9 Train
dataset
Hasil dari
accuracy nya adalah : 86%. Untuk melihat
hasil lengkapnya seperti table dibawah ini:
Table 3. 6 Hasil
Accuracy
|
Label |
Precision |
Recall |
F1-score |
Support |
|
0 |
0.94 |
0.88 |
0.91 |
998 |
|
1 |
0.67 |
0.81 |
0.73 |
305 |
Hasil perbandingannya
pada label 1 precisionnya menurun
hingga 3% yaitu 0.67,
Recall menurun sedikit
0.81, F1_score menurun sekitar
2%. Hasil prediksi label 1 sedikit
tidak akurat karena penurun yang signifikan.
C. Support
Vector Machine
Setelah
melakukan proses model Random Forest Classifier, penulis langsung train data_x
dan train data_y untuk melihat hasil accuracy pada model ini.
Gambar 3. 10 Train
dataset
Hasil
dari accuracy model Support Vector Machine adalah 82%.
Hasil akurasi dari 3 (tiga) model seperti table dibawah ini:
Table 3. 7 Hasil
Accuracy dari 3 model
|
Modelling |
Accuracy |
|
Logistic
Regression |
87% |
|
Random
Forest Classifer |
86% |
|
Support
Vector Machine |
82% |
5.
Evaluation
Setelah melakukan proses pembuatan
modelling, penulis melakukan
evaluation pada tiga model tersebut
dengan confision matrix untuk melihat apakah
user positif covid-19 atau negatif covid-19. Adapun hasil dari evaluation tiga model tersebut, yaitu :
A. Logistic
Regression
Untuk
mengevaluasi model ini, penulis langsung mengambil beberapa sampel pada
dataset.
Gambar 3. 11 sample data
Lalu kami melakukan
testing pada model, seperti gambar
dibawah ini:
Gambar 3. 12 Hasil Prediksi Logistic Regression
Hasil prediksi
yang diambil dari beberapa sample pada dataset adalah
94.30% kemungkinan anda
Negative Covid-19.
B.
Random Forest Classifier
Untuk
mengevaluasi model ini, penulis langsung mengambil beberapa sampel pada
dataset.
Gambar 3. 13 Hasil Prediksi Random Forest
Penulis, melakukan testing pada model, hasilnya
adalah 57.50% kemungkinan anda Negative Covid-19.
C.
Support Vector Machine
Untuk
mengevaluasi model ini, penulis langsung mengambil beberapa sampel pada
dataset.
Gambar 3. 14 Hasil prediksi SVM
Lalu kami melakukan
testing pada model, hasilnya adalah
60% kemungkinan anda
Positive Covid-19.
6.
Deployment
Model yang telah dibuat
nantinya akan deploy dalam bentuk website dengan tujuan agar model ini bisa diakses
dengan mudah oleh user.
Deployment dimulai dengan mendesign UI/UX dari website
project akhir kami dengan mengambil beberapa referensi sehingga nantinya user dapat menggunakannya dengan lebih mudah dan dipahami. Tahap selanjutnya adalah proses
development website di mana kami memanfaatka tiga Bahasa pemrograman yaitu HTML, JS, dan CSS. Proses ini
ditujukan agar website yang dibangun
dapat memfasilitasi user apakah user tersebut terkana covid -19 atau tidak. Proses selanjutnya adalah pembuatan back-end dan integrasi. Proses ini menggunakan flask dan proses ini ditujukan agar website dapat berjalan secara local. Proses terakhir yaitu menghubungkan website yang sebelumnya
berjalan secara local menjadi berjalan secara online atau cloud dengan memanfaatkan Heroku.
KESIMPULAN
Kesimpulan dari penelitian ini adalah: 1. Klasifikasi Covid-19 menggunakan Metode AI Project Cycle dengan menggunakan 3 Model yaitu
Logistic Regression, Random Forest Classifier dan Support Vector Machine dapat membantu untuk mendeteksi penyakit covid-19. 2. Klasifikasi
Covid-19 menggunakan metode
logistic regression, random forest classifier dan support Vector Machine memiliki tingkat akurasi lebih dari
80% disertai precision dan recall yang tinggi dengan menambahkan
smote dan melakukan drop variabel
pada preprocessing. 3. Klasifikasi
Covid-19 dapat diimplementasikan
secara online menggunakan heroku untuk digunakan
secara publik.
DAFTAR
PUSTAKA
Adrian, Muhammad Rivza, Putra, Muhammad
Papuandivitama, Rafialdy, Muhammad Hilman, & Rakhmawati, Nur Aini. (2021).
Perbandingan Metode Klasifikasi Random Forest dan SVM Pada Analisis Sentimen
PSBB. Jurnal Informatika Upgris, 7(1).
Anggraini, Suci, Akbar, Muhamad, Wijaya, Alex,
Syaputra, Hadi, & Sobri, Muhammad. (2021). Klasifikasi Gejala Penyakit
Coronavirus Disease 19 (COVID-19) Menggunakan Machine Learning. Journal of
Software Engineering Ampera, 2(1), 57�68.
Covid-19, Satuan Tugas Penanganan. (2020). Gejala
Umum | Satgas Penanganan Covid-19.
Linssen, Joachim, Ermens, Anthony, Berrevoets,
Marvin, Seghezzi, Michela, Previtali, Giulia, Russcher, Henk, Verbon, Annelies,
Gillis, Judith, Riedl, J�rgen, & de Jongh, Eva. (2020). A novel
haemocytometric COVID-19 prognostic score developed and validated in an
observational multicentre European hospital-based study. Elife, 9,
e63195.
Mulajati, Muhammad. (2017). IMPLEMENTASI
TEKNIK WEB SCRAPING DAN KLASIFIKASI SENTIMEN MENGGUNAKAN METODE NA�VE BAYES
CLASSIFIER DAN ASOSIASI TEKS (Studi Kasus: Data Ulasan Penumpang Maskapai
Penerbangan Garuda Indonesia Pada Situs TripAdvisor).
Nafi�ah, H. (2021). AI Project Cycle.
Nasir, Azwir, Junita, Mega, & Ilham, Elfi.
(2014). Pengaruh profitabilitas, pertumbuhan aset, operating leverage, dan
ukuran perusahaan terhadap struktur modal studi empiris pada perusahaan food
and beverages yang terdaftar di bursa efek indonesia periode 2010-2012.
Riau University.
Prabiantissa, Citra Nurina. (2021). Klasifikasi
pada Dataset Penyakit Hati Menggunakan Algoritma Support Vector Machine, K-NN,
dan Na�ve Bayes. Prosiding Seminar Nasional Teknik Elektro, Sistem
Informasi, Dan Teknik Informatika (SNESTIK), 1(1), 263�268.
Purnomo, Rakhmat. (2017). Penerapan Greedy
Forward Selection dan Bagging pada Logistic Regression untuk Prediksi Cacat Perangkat
Lunak. Jurnal Karya Ilmiah, 17(2), 1�11.
Ramadhy, Izzan Faikar, & Sibaroni, Yuliant.
(2022). Analisis Trending Topik Twitter dengan Fitur Ekspansi FastText
Menggunakan Metode Logistic Regression. JURIKOM (Jurnal Riset Komputer),
9(1), 1�7.
Romindo, Romindo, Muttaqin, Muttaqin, Saputra,
Didin Hadi, Purba, Deddy Wahyudin, Iswahyudi, M., Banjarnahor, Astri Rumondang,
Kusuma, Aditya Halim Perdana, Effendy, Faried, Sulaiman, Oris Krianto, &
Simarmata, Janner. (2019). E-Commerce: Implementasi, Strategi dan Inovasinya.
Yayasan Kita Menulis.
Tukey, John W. (1977). Exploratory data
analysis (Vol. 2). Reading, MA.