Proyek Riset
Performance of Time-Based Feature Expansion Classification Method for Predicting Disease Spread
Pendahuluan Proyek:
Proyek ini menyelidiki penggunaan metode ekspansi fitur berbasis waktu untuk meningkatkan akurasi klasifikasi dalam memprediksi penyebaran penyakit menggunakan SVM dan DNN. Fitur waktu dari periode sebelumnya digunakan untuk memodelkan perkembangan penyakit dengan lebih baik. Tujuannya adalah membuat model yang mampu memprediksi penyebaran penyakit lebih awal untuk mendukung intervensi kesehatan masyarakat yang efektif.
Proses Implementasi:
- Pra-pemrosesan: memeriksa kestasioneran dan melakukan normalisasi data.
- Ekspansi Fitur Berbasis Waktu: menambahkan langkah waktu historis sebagai fitur.
- Distribusi Data: validasi silang 10-fold secara berstrata.
Teknologi yang Digunakan:
- Python
- Pandas
- scikit-learn
- Matplotlib
- TensorFlow
- Jupyter Notebook
Hasil dan Temuan:
- Model 3a (SVM): Akurasi 90% dengan 7 fitur.
- Model 3b (SVM): Akurasi 83% dengan fitur berbasis cuaca.
- COVID-19: Akurasi 93% menggunakan 112 fitur (Model 7j - SVM).
- DNN: Mencapai akurasi 93% menggunakan rentang waktu 7 bulan.
Kesimpulan:
Proyek ini memberikan kontribusi dalam bidang pemodelan prediktif untuk kesehatan masyarakat, khususnya dalam peramalan penyebaran penyakit dan perencanaan intervensi medis. Insight dari penerapan Time-Based Feature Expansion dapat membantu lembaga kesehatan mempersiapkan diri secara proaktif terhadap potensi wabah serta mengoptimalkan strategi pencegahan.
