Pemanfaatan Data Media Sosial Instagram dalam Memprediksi Jumlah Kasus Demam Berdarah: Pendekatan Menggunakan BiLSTM

Priyadiantama, Muhammad Raffi (2024) Pemanfaatan Data Media Sosial Instagram dalam Memprediksi Jumlah Kasus Demam Berdarah: Pendekatan Menggunakan BiLSTM. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5026201072-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (6MB) | Request a copy

Abstract

Demam berdarah dengue (DBD) adalah penyakit virus berbahaya yang umumnya terjadi di daerah tropis dan subtropis. Dalam beberapa dekade terakhir, kasus Demam Berdarah Dengue (DBD) telah meningkat drastis, mencatat pertumbuhan lebih dari 30 kali lipat dalam rentang 50 tahun di lebih dari 100 negara. Trend ini juga terjadi di Indonesia, penyebaran yang cepat dan luasnya dampak DBD menandakan urgensi pencegahan dan penanganan penyakit ini di tingkat global serta lokal. Pemerintah telah melakukan berbagai upaya pencegahan, namun angka kasus DBD masih tinggi. Penelitian ini bertujuan mengembangkan model Wavelet-BiLSTM untuk meramalkan jumlah kasus DBD dengan memanfaatkan data media sosial Instagram di Kabupaten Malang. Hasil penelitian menunjukkan bahwa model terbaik dihasilkan dengan menggunakan data DBD dengan skenario split data 80-20 dan 7 lookback steps dengan komponen "ST + Details + R" mencapai performa tinggi dengan R^2-Score 0.965505, RMSE 0,83, MAE 0,60, dan sMAPE 48,77% dibandingkan dengan pengunaan data DBD dan Instagram. Hal ini menunjukkan bahwa data dari media sosial Instagram dalam tugas akhir ini tidak memberikan kontribusi signifikan terhadap peningkatan akurasi prediksi kasus demam berdarah walaupun dapat memberikan insight tambahan. Meskipun terdapat kata kunci relevan yang muncul di Instagram, jumlahnya tidak memadai untuk meningkatkan efektivitas model prediksi. Oleh karena itu, disarankan untuk penggunaan media sosial Instagram pada skala nasional dengan memfokuskan pencarian pada satu kata kunci untuk mempermudah proses pengumpulan data.
=================================================================================================================================
Dengue Hemorrhagic Fever (DHF) is a dangerous viral disease that commonly occurs in tropical and subtropical areas. In recent decades, cases of Dengue Hemorrhagic Fever (DHF) have increased dramatically, recording a growth of more than 30 times over a span of 50 years in over 100 countries. This trend is also occurring in Indonesia, where the rapid spread and broad impact of DHF indicate the urgency of prevention and management of this disease at both global and local levels. The government has made various prevention efforts, yet the number of DHF cases remains high. This study aims to develop a Wavelet-BiLSTM model to predict the number of DHF cases by utilizing social media data from Instagram in Malang Regency. The research findings show that the best model is produced by using DHF data with an 80-20 data split scenario and 7 lookback steps with the "ST + Details + R" components, achieving high performance with an R^2-Score of 0.965505, RMSE of 0.83, MAE of 0.60, and sMAPE of 48.77% compared to using DHF and Instagram data. This indicates that data from Instagram in this final project does not provide a significant contribution to improving the accuracy of predicting dengue fever cases, although it can provide additional insights. Although relevant keywords appear on Instagram, their number is not sufficient to enhance the effectiveness of the prediction model. Therefore, it is recommended to use Instagram on a national scale by focusing the search on one keyword to facilitate the data collection process.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Demam Berdarah Dengue, BiLSTM, Instagram, Peramalan, Dengue hemorrhagic fever, 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:	Muhammad Raffi Priyadiantama
Date Deposited:	30 Jul 2024 05:29
Last Modified:	30 Jul 2024 05:29
URI:	http://repository.its.ac.id/id/eprint/110084

Actions (login required)

View Item