PREDIKSI TREN KASUS COVID-19 DI AMERIKA SERIKAT BERDASARKAN DATA MOBILITAS MANUSIA MENGGUNAKAN LINEAR REGRESSION DAN RANDOM FOREST

Abstract

Pandemi COVID-19 memberikan dampak signifikan terhadap berbagai aspek kehidupan, termasuk kesehatan dan mobilitas masyarakat. Perubahan mobilitas manusia memiliki keterkaitan erat dengan peningkatan atau penurunan kasus COVID-19, sehingga diperlukan metode prediksi yang akurat untuk mengetahui tren kasus dalam jangka pendek. Permasalahan dalam penelitian ini adalah bagaimana memanfaatkan data mobilitas manusia untuk memprediksi perubahan jumlah kasus COVID-19 secara efektif. Penelitian ini bertujuan untuk membangun dan membandingkan model prediksi menggunakan metode regresi. Metode yang digunakan adalah pendekatan kuantitatif dengan membangun dua model, yaitu Linear Regression dan Random Forest Regressor, menggunakan data time series kasus harian COVID-19 dan mobilitas manusia di Amerika Serikat. Evaluasi dilakukan menggunakan RMSE, MAE, dan R². Hasil penelitian menunjukkan bahwa Random Forest Regressor memiliki kinerja lebih baik dibandingkan Linear Regression dalam memprediksi tren jangka pendek kasus COVID-19