Peramalan Kasus Demam Berdarah Dengan Memanfaatkan Data Media Sosial Facebook Menggunakan Metode Hybrid LSTM-GRU

Putra, Ega Fernanda (2024) Peramalan Kasus Demam Berdarah Dengan Memanfaatkan Data Media Sosial Facebook Menggunakan Metode Hybrid LSTM-GRU. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5026201073-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (5MB) | Request a copy

Abstract

Demam Berdarah Dengue (DBD) menimbulkan dampak serius dalam kesehatan masyarakat di daerah tropis dan sub yang telah mengalami peningkatan signifikan kasus di seluruh dunia seiring berjalannya waktu. Sebagai permasalahan endemik, DBD menunjukkan prevalensi yang tinggi, terutama di negara-negara Asia, menyumbang sekitar 70% dari total kasus global. Di Indonesia, DBD tetap menjadi permasalahan utama dengan distribusi yang melibatkan hampir seluruh wilayah dan tingkat kepadatan penduduk yang tinggi. Meskipun telah dilakukan berbagai upaya penanggulangan, jumlah kasus DBD belum sepenuhnya dapat ditekan. Oleh karena itu, tujuan utama dari tugas akhir ini adalah membangun model hybrid deep learning LSTM GRU untuk meramalkan jumlah kasus DBD dengan memanfaatkan data Facebook di Kabupaten Malang. Hasil penelitian menunjukkan bahwa model terbaik dengan skenario train test split 60%-40%, lookback steps sejauh 14 hari, serta jumlah unit LSTM dan GRU sebanyak 128 pada data DBD saja menunjukkan performa terbaik dengan hasil penurunan error sebesar 1,35% pada MSE, 1,29% pada MAE, 0,69% pada RMSE, 1,23% pada SMAPE, dan peningkatan R2 Score sebesar 2,32% dibandingkan dengan penggunaan data DBD dan Facebook. Hal ini menunjukkan bahwa data dari media sosial Facebook dalam tugas akhir ini tidak memberikan kontribusi signifikan dalam meningkatkan akurasi prediksi jumlah kasus demam berdarah. Meskipun ada kata kunci relevan yang muncul di Facebook, jumlahnya tidak memadai untuk meningkatkan akurasi prediksi. Kesimpulan ini menunjukkan bahwa meskipun data dari media sosial dapat memberikan perspektif tambahan, jumlah data tetap menjadi faktor kunci dalam efektivitas model prediksi.
====================================================================================================================================
Dengue fever (DHF) poses a serious public health impact in tropical and sub-tropical regions that has seen a significant increase in cases worldwide over time. As an endemic problem, DHF shows a high prevalence, especially in Asian countries, accounting for about 70% of the total global cases. In Indonesia, DHF remains a major problem with distribution involving almost all regions and high population density. Despite various countermeasures, the number of DHF cases has not been fully reduced. Therefore, the main objective of this final project is to build a hybrid deep learning LSTM-GRU model to forecast the number of DHF cases by utilizing Facebook data in Malang Regency. The results showed that the best model with a 60%-40% split train test scenario, lookback steps as far as 14 days, and the number of LSTM and GRU units of 128 on dengue data alone showed the best performance with the results of a decrease in error of 1.35% in MSE, 1.29% in MAE, 0.69% in RMSE, 1.23% in SMAPE, and an increase in R2 Score of 2.32% compared to the use of dengue and Facebook data. This shows that data from Facebook social media in this final project does not make a significant contribution in improving the accuracy of predicting the number of dengue fever cases. Although there are relevant keywords that appear on Facebook, the number is not sufficient to improve the prediction accuracy. This conclusion shows that although data from social media can provide additional perspectives, the amount of data remains a key factor in the effectiveness of the prediction model.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Demam Berdarah Dengue, Facebook, LSTM, GRU, Peramalan, Dengue Hemorrhagic Fever, Facebook, LSTM, GRU, Forecasting
Subjects:	T Technology > T Technology (General) > T174 Technological forecasting T Technology > T Technology (General) > T57.5 Data Processing T Technology > T Technology (General) > T58.6 Management information systems
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Ega Fernanda Putra
Date Deposited:	25 Jul 2024 06:14
Last Modified:	25 Jul 2024 06:14
URI:	http://repository.its.ac.id/id/eprint/108892

Actions (login required)

View Item