Penerapan ANN dengan K-Fold untuk Prediksi Akurat COVID-19
Pandemi COVID-19 menuntut banyak sektor untuk menemukan solusi yang cepat dan akurat dalam menangani penyebarannya, terutama di bidang kesehatan. Salah satu tantangan terbesar yang dihadapi oleh para profesional kesehatan dan pemerintah adalah prediksi yang akurat mengenai jumlah kasus baru, kesembuhan, dan kematian. Untuk menjawab tantangan ini, berbagai teknologi berbasis kecerdasan buatan (AI) dan pembelajaran mesin (ML) telah digunakan. Salah satu teknik yang paling menjanjikan adalah Artificial Neural Network (ANN), sebuah model AI yang terinspirasi oleh jaringan saraf manusia. Dalam penelitian yang dilakukan oleh Alifiah, dkk. (2023), ANN digunakan untuk memprediksi kasus COVID-19 di Provinsi Lampung, Indonesia, dengan hasil yang sangat positif.
Model ANN ini dilatih menggunakan data kasus harian dari Maret 2020 hingga Januari 2022, dengan tujuan memprediksi perkembangan kasus terkonfirmasi, sembuh, dan kematian. Metode k-fold cross-validation diterapkan untuk memastikan bahwa model diuji secara menyeluruh, membagi data menjadi 10 subset, dan menggunakan sebagian untuk pelatihan dan sisanya untuk pengujian secara bergantian. Dengan metode ini, hasil prediksi dari model ANN menunjukkan tingkat akurasi lebih dari 98% untuk semua kategori: kasus terkonfirmasi 98,82%, sembuh 98,52%, dan kematian 98,89%. Tingkat akurasi yang tinggi ini menjadikan ANN sebagai alat yang kuat untuk memprediksi penyebaran penyakit menular secara real-time dan membantu pengambil kebijakan dalam mempersiapkan langkah-langkah pencegahan yang lebih efektif.
***
Jaringan saraf tiruan (Artificial Neural Network atau ANN) adalah salah satu teknik kecerdasan buatan yang paling banyak digunakan dalam pemodelan prediktif. ANN meniru cara otak manusia memproses informasi melalui neuron yang terhubung dalam lapisan-lapisan, yakni lapisan input, lapisan tersembunyi, dan lapisan output. Penelitian yang dilakukan oleh Alifiah, dkk. (2023) menunjukkan bahwa ANN sangat efektif dalam memprediksi perkembangan kasus COVID-19 di Provinsi Lampung. Dengan memanfaatkan metode k-fold cross-validation untuk memastikan hasil prediksi yang akurat, penelitian ini berhasil memperoleh akurasi yang tinggi dalam memprediksi jumlah kasus terkonfirmasi, sembuh, dan kematian. Tingkat akurasi yang dicapai masing-masing adalah 98,82%, 98,52%, dan 98,89%. Angka-angka ini menunjukkan bahwa ANN mampu memproses data secara efektif dan meminimalkan kesalahan prediksi.
Keberhasilan ANN dalam penelitian ini tidak lepas dari penerapan metode validasi silang k-fold yang membagi data menjadi 10 subset. Metode ini memastikan bahwa setiap bagian data digunakan baik sebagai data pelatihan maupun data pengujian, sehingga model ANN dapat belajar secara optimal dari seluruh dataset. Penggunaan metode ini penting karena dapat mengurangi risiko overfitting dan memastikan model ANN memiliki generalisasi yang baik. Sebelumnya, metode prediktif yang lebih konvensional, seperti regresi, sering kali gagal dalam menangani data dengan pola yang kompleks dan non-linear, seperti yang ditemukan pada kasus penyebaran COVID-19. ANN, dengan kemampuannya untuk menangani data kompleks, berhasil mengatasi kelemahan ini.
Selain itu, penelitian ini memanfaatkan data harian yang diperoleh dari Kementerian Kesehatan Indonesia, mulai dari Maret 2020 hingga Januari 2022. Penggunaan data harian ini penting karena tren penyebaran COVID-19 sangat dinamis dan bisa berubah dalam hitungan hari. Dalam hal ini, ANN menunjukkan kemampuannya dalam memproses data secara real-time, memberikan prediksi yang tidak hanya akurat, tetapi juga relevan dalam jangka pendek. Hal ini memberikan keunggulan bagi pengambil keputusan, seperti pemerintah dan otoritas kesehatan, dalam merancang kebijakan responsif terhadap perubahan tren kasus. Sebagai contoh, prediksi kasus yang lebih rendah untuk Januari 2022 memungkinkan pemerintah daerah mempersiapkan langkah-langkah yang lebih tepat untuk menangani penurunan kasus.
Penelitian ini juga memberikan perbandingan dengan studi-studi sebelumnya. Sebagai contoh, Ardabili (2020) menggunakan model ANN yang dilatih dengan optimisasi Gray Wolf untuk memprediksi penyebaran COVID-19 secara global. Hasil dari penelitian Ardabili menunjukkan nilai Mean Absolute Percentage Error (MAPE) sebesar 13,15%. Dibandingkan dengan penelitian Alifiah et al. (2023), yang berhasil mencapai MAPE 1,18% untuk kasus terkonfirmasi dan 1,11% untuk kasus kematian, jelas bahwa model ANN dengan k-fold cross-validation yang digunakan di Lampung memberikan hasil yang jauh lebih akurat. Penelitian ini menunjukkan bahwa ANN bisa diadaptasi untuk skala lokal dan regional, tidak hanya pada skala global, dengan hasil yang sangat baik.
Keunggulan lain dari penelitian ini adalah penggunaan hyperparameter tuning, yang digunakan untuk mengoptimalkan performa model ANN. Beberapa parameter yang diatur meliputi ukuran batch, jumlah epoch, tingkat pembelajaran, dan dropout. Dengan kombinasi parameter yang optimal, model ANN dapat mencapai kinerja yang lebih tinggi tanpa meningkatkan risiko overfitting. Dalam penelitian ini, parameter seperti learning rate 0,01 dan dropout sebesar 0,2 terbukti efektif dalam mencapai akurasi prediksi yang tinggi. Penerapan teknik-teknik ini memastikan bahwa model ANN dapat digunakan untuk prediksi jangka panjang maupun pendek, dengan kemampuan untuk menangani fluktuasi data.
***
Penelitian yang dilakukan oleh Alifiah, dkk. (2023) membuktikan bahwa penggunaan Artificial Neural Network (ANN) dengan validasi silang k-fold merupakan metode yang sangat efektif untuk memprediksi kasus COVID-19 di Provinsi Lampung. Dengan tingkat akurasi yang mencapai lebih dari 98% untuk semua kategori kasus, ANN menunjukkan kemampuannya dalam menangani data yang kompleks dan dinamis. Meskipun masih terdapat beberapa keterbatasan, seperti ukuran dataset yang bisa diperluas, hasil penelitian ini tetap memberikan kontribusi yang signifikan bagi dunia kesehatan, khususnya dalam merespons wabah penyakit menular di masa depan.
