PENGGUNAAN MACHINE LEARNING DAN EFISIENSI CIRI UNTUK PREDIKSI TINGKAT PEMAHAMAN MAHASISWA UNIVERSITAS MUHAMMADIYAH YOGYAKARTA MENGENAI VAKSIN COVID BOOSTER

WABAH VIRUS CORONA ATAU BIASA DISEBUT COVID-19 TELAH RESMI DITETAPKAN SEBAGAI PANDEMI GLOBAL OLEH ORGANISASI KESEHATAN DUNIA (WHO). MENGEMBANGKAN VAKSIN MERUPAKAN SALAH SATU LANGKAH TEPAT UNTUK MEMINIMALISIR DAMPAK VIRUS TERSEBUT. NAMUN BERKEMBANGNYA MUTASI VIRUS MENGHASILKAN VARIAN-VARIAN BARU YANG MENGAKIBATKAN PENURUNAN EFEKTIVITAS PEMBERIAN VAKSIN SEBELUMNYA. PEMBERIAN VAKSIN COVID-19 DOSIS LANJUTAN (BOOSTER) KEPADA MASYARAKAT MERUPAKAN UPAYA MEMAKSIMALKAN PERLINDUNGAN KEPADA MASYARAKAT.

MASIH RELATIF SEDIKIT PEMINAT DARI VAKSIN BOOSTER DIBUKTIKAN DENGAN RENDAHNYA TINGKAT CAPAIAN BOOSTER DI MASYARAKAT YANG DISEBABKAN OLEH TINGKAT PEMAHAMAN TERHADAP VAKSIN BOOSTER ITU SENDIRI, HAL INI MASIH MENJADI KERAGUAN TERSENDIRI DI KALANGAN MASYARAKAT, TERUTAMA DI KALANGAN MAHASISWA. SELAMA INI UNIVERSITAS MUHAMMADIYAH YOGYAKARTA (UMY) BELUM PERNAH MELAKUKAN PENGUKURAN TERHADAP TINGKAT PEMAHAMAN TERHADAP VAKSINASI BOOSTER. PENELITIAN INI BERTUJUAN UNTUK MENGUKUR TINGKAT PEMAHAMAN MAHASISWA UMY MENGENAI VAKSINASI BOOSTER, DENGAN HASIL YANG DIPEROLEH NANTINYA DAPAT MENJADI PERTIMBANGAN ATAU STRATEGI SERTA DAPAT MENJADI PARAMETER BAGI PEMERINTAH DALAM MENGAMBIL KEBIJAKAN MENGENAI VAKSINASI BOOSTER KEDEPANNYA.

PENGGUNAAN ALGORITMA ARTIFICIAL NEURAL NETWORK (ANN) DAN SUPPORT VECTOR MACHINE (SVM) DAPAT DIGUNAKAN UNTUK MEMPREDIKSI TINGKAT PEMAHAMAN MAHASISWA UMY MENGENAI VAKSINASI BOOSTER. TETAPI BELUM DIKETAHUI TINGKAT AKURASI PALING TINGGI DALAM MENGKLASIFIKASI TINGKAT PEMAHAMAN. UNTUK MENGETAHUI TINGKAT AKURASI TERTINGGI, MAKA DILAKUKAN PENELITIAN PERBANDINGAN ANTARA KEDUA METODE, KERNEL DAN K-FOLD. PENELITIAN DILAKUKAN DENGAN PENYEBARAN KUESIONER DENGAN JUMLAH 2095 RESPONDEN DENGAN PENILAIAN MENGENAI SEPUTAR VAKSINASI BOOSTER. HASIL DARI PENELITIAN INI DIDAPATKAN NILAI AKURASI SEBESAR 88.45% PADA METODE ANN DAN NILAI AKURASI SEBESAR 89.93% PADA METODE SVM DAN PADA SETIAP SKENARIONYA MENGGUNAKAN TIPE SHUFFLED SAMPLING. SELAIN ITU PENULIS JUGA MELAKUKAN PENGEFISIENSIAN CIRI (FEATURE) YANG BERTUJUAN UNTUK MENURUNKAN COST DAN WAKTU PADA SAAT KOMPUTASI DATA