Pemanfaatan Google Trends untuk Memprediksi Kondisi Luar Biasa Demam Berdarah Dengue (DBD) Menggunakan STL-GRU

Natania, Cecilia Melva (2024) Pemanfaatan Google Trends untuk Memprediksi Kondisi Luar Biasa Demam Berdarah Dengue (DBD) Menggunakan STL-GRU. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5026201068-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (5MB) | Request a copy

Abstract

Demam Berdarah Dengue (DBD) menjadi wabah penyakit menular endemik yang terjadi secara global. Di Indonesia, kasus DBD kesehatan selalu muncul setiap tahunnya. Pada tahun 2022, Kabupaten Malang menjadi wilayah dengan jumlah kasus DBD tertinggi di Jawa Timur, dan Kota Semarang juga mengalami peningkatan kasus DBD selama tiga tahun terakhir. Maka, diperlukan upaya lain untuk memperkuat sistem deteksi dini kondisi outbreak. Penggunaan keywords dari pencarian internet dapat mencerminkan respon masyarakat terhadap DBD. Penelitian ini bertujuan untuk memprediksi kondisi luar biasa (outbreak) kasus DBD di Kabupaten Malang dan Kota Semarang menggunakan data Google Trends dan melihat bagaimana perfoma model peramalan GRU jika diberikan dekomposisi STL. Metode yang digunakan meliputi Seasonal Trend Loess (STL), Gated Recurrent Unit (GRU), dan Rule-Based Classification untuk menentukan kondisi luar biasa sesuai peraturan yang berlaku. Hasil penelitian menunjukkan bahwa model STL-GRU memiliki performa terbaik dalam memprediksi pola dan jumlah kasus DBD dibandingkan model GRU. Model peramalan jumlah kasus DBD yang didasarkan pada pencarian keywords di Google Trends menunjukkan performa yang tidak terlalu baik. Namun, model yang menggabungkan data jumlah kasus demam berdarah dengan data keywords Google Trends memiliki performa lebih baik daripada model yang hanya menggunakan data Google Trends. Hal ini menunjukkan bahwa penambahan data Google Trends kurang memberikan kontribusi signifikan, meskipun pencarian Google Trends terhadap jumlah demam berdarah sepanjang waktu meskipun dalam penelitian ini memiliki pola yang mirip. Analisis korelasi menunjukkan bahwa untuk dataset Malang, kata kunci 'demam berdarah dengue' memiliki korelasi sebesar 0.66, 'bintik merah' sebesar 0.56, dan 'dbd' sebesar 0.52. Untuk dataset Semarang, kata kunci 'demam berdarah' memiliki korelasi sebesar 0.81, 'demam berdarah dengue' sebesar 0.67, dan 'nyamuk' sebesar 0.52. Secara keseluruhan, korelasi di Kota Semarang lebih tinggi dibandingkan di Kabupaten Malang. Hasil evaluasi menunjukkan bahwa model yang menggunakan data DBD saja tetap memberikan performa terbaik dalam memprediksi jumlah kasus dan outbreak kasus DBD. Penambahan data Google Trends dapat memberikan sedikit peningkatan performa peramalan dan klasifikasi dibandingkan dengan model yang hanya menggunakan data Google Trends, tetapi masih belum mampu dapat lebih baik dari model baseline yang menggunakan data DBD saja.
==============================================================================================================================
Dengue Hemorrhagic Fever (DHF) is an endemic infectious disease that occurs globally. In Indonesia, DHF cases consistently emerge every year. In 2022, Malang Regency had the highest number of DHF cases in East Java, and Semarang City also experienced an increase in DHF cases over the past three years. Therefore, additional efforts are needed to strengthen the early detection system for outbreaks. The use of keywords from internet searches can reflect the public's response to DHF. This study aims to predict the extraordinary conditions (outbreaks) of DHF cases in Malang Regency and Semarang City using Google Trends data and examine the performance of the GRU forecasting model with STL decomposition. The methods used include Seasonal Trend Loess (STL), Gated Recurrent Unit (GRU), and Rule-Based Classification to determine extraordinary conditions according to applicable regulations. The results of the study show that the STL-GRU model has the best performance in predicting patterns and the number of DHF cases compared to the GRU model. The forecasting model based on Google Trends keyword searches showed poor performance. However, the model that combined the number of DHF cases with Google Trends keywords data performed better than the model that only used Google Trends data. This indicates that adding Google Trends data did not contribute significantly, although Google Trends searches for DHF over time showed similar patterns in this study. Correlation analysis showed that for the Malang dataset, the keyword 'dengue hemorrhagic fever' had a correlation of 0.66, 'red spots' 0.56, and 'DHF' 0.52. For the Semarang dataset, the keyword 'dengue fever' had a correlation of 0.81, 'dengue hemorrhagic fever' 0.67, and 'mosquito' 0.52. Overall, the correlation in Semarang City was higher than in Malang Regency. Evaluation results show that the model using only DHF data still provided the best performance in predicting the number of cases and outbreaks. Adding Google Trends data can provide a slight improvement in forecasting and classification performance compared to the model that only used Google Trends data, but it is still not better than the baseline model that used only DHF data.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Peramalan, Demam Berdarah Dengue, Kondisi Luar Biasa, Gated Recurrent Unit, Seasonal Trend Loess, Forecasting, Dengue Hemorrhagic Fever, Extraordinary Occurrences
Subjects:	T Technology > T Technology (General) > T174 Technological forecasting T Technology > T Technology (General) > T58.62 Decision support systems
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Cecilia Melva Natania
Date Deposited:	04 Sep 2024 07:57
Last Modified:	04 Sep 2024 07:57
URI:	http://repository.its.ac.id/id/eprint/111352

Actions (login required)

View Item