Perbandingan Model Gompertz, Logistic, dan Weibull pada Data Kasus Meniggal Pasien Covid-19 di Indonesia
Abstract
Covid-19 merupakan pandemic yang sudah melanda dunia sejak akhir tahun 2019. Covid-19 mulai melanda Indonesia pada awal tahun 2020. Pada awal periode, pertumbuhan pandemic covid-19 ini sangat cepat. Bahkan rasio kasus meninggal akibat covid-19 ini tergolong cukup tinggi. Jika dilihat dari kurva pertumbuhan kasus meninggalnya, nampak bahwa kurvanya melandai pada awal namun menaik signifikan setelahnya. Oleh karena itu artikel ini mengimplementasikan model non-linear yang dalam hal ini menggunakan model gompertz, model logistic, dan model Weibull pada pertumbuhan kasus meninggal akibat covid-19 di Indonesia pada awal kemunculannya yaitu periode April 2020 sampai Maret 2021. Kemudian dari ketiga model itu akan dipilih model terbaik dengan membandingkan nilai R-Square dari masing-masing model. Model yang memiliki R-Square terbesar menandakan model yang paling baik digunakan. Setelah dilakukan pemilihan ternyata model gompertz memiliki nilai R-Square terbesar yaitu 0,9987, sehingga model yang paling cocok untuk data covid-19 ini adalah model gompertz.
References
Chicco, D., Warrens, M. J., & Jurman, G. (2021). The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Computer Science, Sci., DOI 10.7717.
Chowdhury, B. R., Chakraborty, R., & Chaudhuri, U. R. (2007). Validity of modified Gompertz and Logistic models in predicting cell growth of Pediococcus acidilactici H during the production of bacteriocin pediocin AcH. Journal of Food Engineering, 80: 1171–1175
Hruby, M., Hamre, M.L., & Coon. N. (1996). Non-linear and linear functions in body protein growth. Journal of Applied Poultry Research, 5:109-115.
Mohapatra, N. K., Mukherjee, A. K., Rao, A. V. S., & Nayak, P. (2008). Disease Progress Curves In The Rice Blast Pathosystem Compared With The Logistic And Gompertz Models. ARPN Journal of Agricultural and Biological Science, 3(1): 28-37.
Patabang, M., Malamassam, D., Paembonan, S. A., & Dassir, M. (2011). Model Prediksi Riap Tinggi Jenis Pinus (Pinus Mercusii) Pada Hutan Rakyat Di Tana Toraja. Jurnal Hutan dan Masyarakat, 6(2): 111-115.
Piegorsch, W. W. & Bailer, A. J. (2005). Analyzing Environmental Data. England: John Wiley & Sons.
Raji, A. O., Mbap, S. T., & Aliyu, J. (2014). Comparison Of Different Models To Describe Growth Of The Japanese Quail (Coturnix Japonica). Trakia Journal of Sciences, 12(2): 182-188.
Salman, L. B., Sumantri, C., Noor, R. R. Saefuddin, A., & Talib, C. (2015). Kurva pertumbuhan sapi Friesian Holstein dari lahir sampai siap kawin berdasarkan tingkat kelahiran. J. Veteriner. 16 (1): 96-106.
Salman, L.B., R.R. Noor, A. Saefuddin & C. Talib. (2012). Comparison on accuracy of logistic, gompertz and von bertalanffy models in predicting growth of new born calf until first mating of holstein Friesian heifers. J. Indonesian Trop. Anim. Agric. 37(3): 151-160.
Satoh. D. (2021). Discrete Gompertz equation and model selection between Gompertz and logistic models. International Journal of Forecasting, 37: 1192-1211
Tariq, M. M., Iqbal, F., Eyduran, E., Bajwa, M. A., Huma, Z. E., & Wahee, A. (2013). Comparison of Non-Linear Functions to Describe the Growth in Mengali Sheep Breed of Balochistan. Pakistan J. Zool., 45(3): 661-665.
Urfa, S., Indrijani, H., & Tanwiriah, W. (2017). Model Kurva Pertumbuhan Ayam Kampung Unggul Balitnak (KUB) Umur 0-12 Minggu. Jurnal Ilmu Ternak, 17(1): 59-66.
Wright S. 1921. Correlation and causation. Journal of Agricultural Research XX(7):557–585.
