Perpustakaan Digital ITB

Risiko relatif dari suatu penyakit menular seperti COVID-19 menjadi salah satu jenis risiko dalam pemetaan penyakit yang sering dilakukan karena memegang peranan penting dalam kesehatan masyarakat. Penyebaran COVID-19 ini bervariasi dalam ruang dan waktu. Dengan mengetahui informasi tentang risiko relatif ini dapat dilakukan prediksi banyak kasus baru COVID-19 sehingga memungkinkan deteksi dini area dengan peningkatan risiko. Selain itu, juga dapat mengoptimalkan tindakan pencegahan dan sumber daya dapat dialokasikan secara efisien untuk meminimumkan dampak penyakit. Ukuran risiko relatif penyebaran COVID-19 yang digunakan adalah intensitas dari proses Poisson yang dimodelkan dengan regresi proses Gaussian spatio-temporal (STGPR) melalui transformasi logaritmik. Model ini dikonstruksi untuk mengintegrasikan aspek spasial dan temporal dari dataset yang tersedia serta menangkap informasi similaritas antar observasi melalui pemilihan kernel yang tepat. Terdapat 4 model STGPR yang diusulkan dengan struktur kernel yang berbeda yaitu ARD RBF, ARD Matern 3/2, ARD RBF + ARD Matern 3/2, dan ARD RBF x ARD Matern 3/2. Karena bentuk observasi y yang berdistribusi Poisson, maka inferensi tidak bisa dilakukan secara langsung melainkan harus menggunakan aproksimasi seperti aproksimasi Laplace. Pemilihan model terbaik didasarkan pada MAPE dan WMAPE terendah yang menunjukkan performa model dalam melakukan prediksi. Berdasarkan hasil implementasi keempat model, diperoleh bahwa model dengan struktur ARD RBF x ARD Matern 3/2 adalah model terbaik.