Peramalan Kasus COVID-19 di Polandia Menggunakan Metode

Autoregressive Integrated Moving Average (ARIMA)

1. Pendahuluan
Penyakit virus Covid-19 sebuah nama baru yang diberikan oleh Wolrd Health
Organization (WHO) bagi pasien dengan infeksi virus novel corona 2019 yang
pertama kali dilaporkan dari kota Wuhan, Cina pada akhir 2019. Penyebaran terjadi
secara cepat dan membuat ancaman pandemi baru. Virus Covid-19 bukanlah wabah
yang dapat diabaikan begitu saja. Bagi para analisi kesehadan dan kedokteran, virus
ini sangat berbahaya dan mematikan. COVID-19 adalah penyakit baru yang dapat
menyebabkan gangguan pernapasan dan radang paru. Penyakit ini disebabkan oleh
infeksi Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2). Gejala
klinis yang muncul beragam, mulai dari seperti gejala flu biasa (batuk, pilek, nyeri
tenggorokan, nyeri otot, nyeri kepala) sampai yang berkomplikasi berat (pneumonia
atau sepsis). Dari berbagai penelitian, metode penyebaran utama penyakit ini diduga
adalah melalui droplet saluran pernapasan dan kontak dekat dengan penderita.
Saat ini di tahun 2021, perkembangan penularan virus cukup signifikan
karena penyebarannya sudah mendunia termasuk Polandia. Selama lebih dari 1 tahun,
pandemi telah mewabah di Polandia hingga saat ini menduduki posisi ke 13 sebagai
Kasus Positif Covid-19 tertinggi di Dunia. Secara total, Polandia negara berpenduduk
38 juta telah mencatat 2.861.351 kasus virus corona dan 72.500 kematian. Lebih dari
2 juta orang Polandia kini telah menerima dosis kedua vaksin COVID-19, namun total
kasus tetap terus bertambah setiap harinya. Oleh sebab itu dilakukan Kegiatan
peramalan tujuan memprediksi perkembangan Virus Covid-19 di Polandia dimana
peramalan / forecasting ini merupakan suatu kegiatan estimasi tentang apa yang akan
terjadi di masa mendatang.
Analisis data runtun waktu memungkinkan untuk mengetahui perkembangan
suatu kejadian serta hubungan maupun pengaruhnya terhadap kejadian lainnya.
ARIMA merupakan penggabungan dari metode moving average dan metode
autoregressive yakni suatu metode peramalan data runtun waktu yang
memanfaatkan data historis dan data sekarang untuk menghasilkan peramalan jangka
pendek yang akurat. Hutasuhut, dkk (2014) mengatakan bahwa metode ARIMA
adalah metode yang fleksibel karena mengikuti pola data yang ada dan memiliki
akurasi tinggi serta cenderung memiliki nilai error yang kecil karena prosesnya yang
terperinci. Dalam penelitian ini akan dicari perkembangan dari Virus Covid-19 di
negara Polandia dengan menggunakan data mulai 4 Maret 2020 sampai 20 Mei 2020
dengan melakukan simulasi menggunakan metode peramalan ARIMA. Metode
ARIMA yang digunakan dalam penelitian ini dapat digunakan untuk memprediksi
perkembangan dari data Virus Covid-19 untuk kedepannya dikarenakan setiap
perkembangan mengalami perbedaan jumlah di setiap harinya dan memiliki kapasitas
peningkatan yang pesat.
 2. Metode Penelitian
2.1. Data dan Populasi
Adapun data penelitian yang digunakan adalah data sekunder yaitu data harian
kasus positif Virus Covid-19 di Negara Polandia pada periode waktu 4 Maret 2020 –
20 Mei 2021 yang diambil dari :
Website https://ourworldindata.org/coronavirus/country/poland. Data yang diperoleh
berupa data penambahan kasus positif per hari (data harian) di Negara Polandia.

2.2.Teknik Analisis Data

Analisis data dilakukan dengan menggunakan metode ARIMA dengan
bantuan software R. Langkah-langkah penerapan merode ARIMA adalah sebagai
berikut
1. Pemeriksaaan kestationeran data.
2. Identifikasi model dalam ARIMA.
Melalui plot ACF dan PACF dapat menentukan model ARIMA yang bisa
digunakan dalam prediksi.
3. Penentuan persamaan model ARIMA terbaik
4. Pemeriksaan diagnostik
5. Peramalan.

Dengan menggunakan model terbaik dapat digunakan untuk prediksi

penambahan jumlah kasus positif per hari pada bulan berikutnya.

3. Hasil dan Pembahasan

3.1.Pemeriksaan Kestasioneran Data
Data yang digunakan dalam penelitian ini merupakan data penambahan kasus
positif Covid-19 di Polandia selama 443 hari. Data jumlah kasus Covid-19 tersaji
dalam tabel berikut :
Tabel 1. Data harian kasus Covid-19 di Polandia
   
Tanggal New cases Tanggal New cases
No No
1 4 Maret 2020 1 223 12 Oktober 2020 4394
2 5 Maret 2020 0 224 13 Oktober 2020 5068
3 6 Maret 2020 4 225 14 Oktober 2020 6526
4 7 Maret 2020 0 226 15 Oktober 2020 8099
5 8 Maret 2020 6 227 16 Oktober 2020 7705
6 9 Maret 2020 5 228 17 Oktober 2020 9622
7 10 Maret 2020 6 229 18 Oktober 2020 8536
8 11 Maret 2020 9 230 19 Oktober 2020 7482
9 12 Maret 2020 18 231 20 Oktober 2020 9291
10 13 Maret 2020 19 232 21 Oktober 2020 10040
 Summary Data

Gambar 1. Output Summary Data

Berdasarkan output summary di atas, dapat diketahui bahwa data harian kasus
Covid-19 di Polandia dari tanggal 04 Maret 2020 sampai tanggal 20 Mei 2021
memiliki kasus terbanyak yaitu sebesar 35253 kasus dan kasus terendah
sebanyak 1 kasus, dengan rata-rata kasus sebanyak 6459 kasus.

 Plot Data

Gambar 2. Output Plot data harian kasus baru Covid-19 di Polandia

Berdasarkan plot di atas dapat dilihat bahwa data harian kasus baru Covid-19
di Polandia dari tanggal 04 Maret 2020 sampai tanggal 20 Mei 2021
membentuk pola data tidak stasioner. Hal ini dapat dilihat bahwa data
memiliki pola musiman atau mengalami kenaikan dan penurunan secara
ekstrem dan cenderung berulang pada periode selanjutnya serta data tidak
berfluktuasi atau menyebar di sekitar mean.
 Plot ACF dan PACF

Gambar 3. Output Plot ACF dan Plot PACF

Berdasarkan output diatas, dapat dilihat bahwa pada Plot ACF semua garis lag
berada diatas garis barrlet dan pada plot PACF terdapat beberapa garis lag
yang berada diatas garis barrlet, sehingga menyebabkan munculnya pendugaan
bahwa data yang digunakan tidak stasioner. Pada plot ACF cenderung
menurun secara eksponensial (Tails Off), sedangkan pada plot PACF
cenderung terputus (Cut Off), sehingga dapat diduga bahwa model yang cocok
untuk data ini adalah model AR.
 Melihat Kestasioneran Data Terhadap Varians

Gambar 4. Output Nilai Lambda

Berdasarkan output di atas dapat diketahui bahwa, data harian kasus COVID-
19 di polandia tidak stasioner terhadap varians. Hal ini dapat dilihat dari
perolehan nilai lambda sebesar 0.05080399 yang mana nilai tersebut tidak
mendekati 1 sehingga perlu dilakukan transformasi data terlebih dahulu.
 Transformasi Data

Gambar 5. Output Nilai Lambda setelah transformasi

 Berdasarkan gambar di atas, dapat diketahui bahwa setelah dilakukan
transformasi, diperoleh nilai lambda sebesar 1.473675 sehingga data sudah
stasioner terhadap varians.

 Melihat Kestasioneran Data Terhadap Mean

- Uji Hipotesis
H0 : Data tidak stasioner
H1 : Data stasioner
- Taraf Nyata
α = 0.05
- Daerah penolakan
Tolak H0 apabila P-value < α
- Statistik uji

Gambar 6. Output Nilai adf.test

- Keputusan
Karena P-value > α yaitu 0.9301 > 0.05, maka tidak dapat menolak H0.
- Kesimpulan
Maka dapat disimpulkan bahwa data tidak stasioner.

Karena data harian kasus COVID-19 di Polandia tidak stasioner terhadap mean, maka
perlu dilakukan differencing. Data stasioner pada differencing satu kali adalah sebagai
berikut.
Uji Dickey-Fuller untuk differencing data harian kasus COVID-19 di Polandia
sebagai berikut :
- Uji Hipotesis
H0 : Data tidak stasioner
H1 : Data stasioner
- Taraf Nyata
α = 0.05
 - Daerah penolakan
Tolak H0 apabila P-value < α
- Statistik uji

Gambar 7. Output Nilai adf.test setelah dilakukan differencing 1

- Keputusan
Karena P-value < α yaitu 0.01< 0.05, maka keputusannya tolak H0.
- Kesimpulan
Maka dapat disimpulkan bahwa data stasioner.
Berikut merupakan plot data harian Covid-19 di Polandia setelah dilakukan
differencing 1

Gambar 8. Plot data harian Covid-19 di Polandia setelah differencing 1

3.2. Identifikasi Model Dalam ARIMA

Selanjutnya akan dilakukan identifikasi dari model ARIMA yang tepat untuk
menggambarkan data hasil differencing dengan menggunakan plot ACF PACF
sebagai berikut :
 Gambar 9. Output Plot ACF dan PACF

Berdasarkan output diatas, dapat dilihat bahwa pada plot ACF dan PACF
terdapat beberapa garis lag yang berada diatas garis barlett, sehingga ini menyebabkan
munculnya pendugaan bahwa data tidak stasioner. Pada plot ACF cenderung menurun
secara eksponensial (Tails Off), begitu pula dengan plot PACF yaitu menurun secara
eksponensial. Sehingga dapat diduga bahwa model yang cocok digunakan untuk data
ini adalah adalah model ARIMA (p,d,q).

3.3. Penentuan Persamaan Model ARIMA Terbaik

Gambar 10. Output Summary Model

Gambar 11. Output Nilai AIC

 Interpretasi :
Tabel 2. Hasil nilai AIC, RMSE, MAE dan MAPE
Model Order AIC RMSE MAE MAPE
1 1,1,0 301.1414 0.3387726 0.2435842 3.801556
2 1,1,1 279.8805 0.3298924 0.2378375 3.765027
3 2,1,0 290.1967 0.3338023 0.2428115 3.80946
4 0,1,1 298.0358 0.3375704 0.24449 3.80424
5 2,1,3 212.3034 0.3022653 0.2184942 3.45542

Untuk mendapatkan model terbaik, maka dilakukan beberapa kali percobaan dengan
mengganti nilai p dan q pada model. Berdasarkan hasil diatas, dapat dilihat nilai AIC, RMSE,
MAE dan MAPE dari masing-masing model yang telah dicoba. Adapun model terbaik yang
diperoleh adalah model 5 karena memiliki nilai AIC, RMSE, MAE dan MAPE paling kecil
dibandingkan dengan model-model lainnya.
3.4. Pemeriksaan Diagnostik
 Uji Signifikansi Parameter
 Uji Hipotesis
H0 : Parameter tidak signifikan dalam model
H1 : Parameter signifikan dalam model
 Taraf Nyata
α = 0.05
 Daerah penolakan
Tolak H0 apabila P-value < α
 Statistik uji
 Gambar 12. Output Uji Signifikansi Parameter

 Keputusan
Tolak H0 untuk seluruh parameter dari kelima model, karena didapatkan
nilai P-value < α.
 Kesimpulan
Maka dapat disimpulkan bahwa semua parameter dalam ke-5 model
signifikan.

 Pemeriksaan Diagnostik dengan White Noise

 Uji Hipotesis
H0 : Residual memenuhi syarat White Noise
H1 : Residual tidak memenuhi syarat White Noise
 Taraf Nyata
α = 0.05
 Daerah penolakan
Tolak H0 apabila P-value < α
 Statistik uji
 Gambar 13. Output Pemeriksaan Diagnostik dengan White Noise

 Keputusan
Karena ke-5 model tersebut memproleh P-value > α yaitu, maka dapat
diputuskan bahwa tidak dapat menolak H0
 Kesimpulan
Maka dapat disimpulkan bahwa residual untuk keseluruhan model telah
memenuhi syarat White Noise.

 Pemilihan Model Terbaik

Berdasarkan uji signifikansi parameter dan uji diagnostik menggunakan White
Noise diperoleh bahwa keseluruhan model telah memenuhi syarat dan dapat
digunakan untuk peramalan. Namun kita harus memilih model terbaik dari
seluruh model tersebut dengan melihat kembali nilai AIC yang diperoleh.
Berikut merupakan tabel nilai AIC dari model.
Tabel 3. Nilai AIC
Model Order AIC
1 1,1,0 301.1414
2 1,1,1 279.8805
3 2,1,0 290.1967
4 0,1,1 298.0358
5 2,1,3 212.3034

Berdasarkan tabel di atas, dapat diketahui bahwa model 5 memiliki nilai AIC
yang lebih kecil dibandingkan dengan model 1, 2, 3 dan 4. Maka pada kasus ini
model ke 5 merupakan model terbaik sehingga dapat digunakan untuk
peramalan yaitu ARIMA (2,1,3).
4. Kesimpulan
Berdasarkan hasil penelitian menunjukkan bahwa kasus positif harian di negara
Polandia tidak fluktuatif, sehingga dari data kasus yang telah disimulasikan diprediksi
bahwa sampai bulan Juni 2021 yaitu selama 41 hari mengalami penurunan jumlah
kasus positif. Model time series yang sesuai yang dapat diterapkan dalam prediksi
pertambahan kasus Covid-19 di Polandia adalah ARIMA(2,1,3) dengan hasil output
diperoleh nilai AIC 212.3034; RMSE 0.3022653; MAE 0.2184942; MAPE 3.45542.