Pemodelan Peramalan Tuberkulosis Di Jakarta Selatan Menggunakan Hybrid CNN-LSTM Dengan Data Hasil SBD

Hidayatullah, Hilmi Gema (2025) Pemodelan Peramalan Tuberkulosis Di Jakarta Selatan Menggunakan Hybrid CNN-LSTM Dengan Data Hasil SBD. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5026211152-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (7MB) | Request a copy

Abstract

Tuberkulosis (TBC) merupakan penyakit menular berbahaya yang menyebabkan 1,3 juta kematian global pada tahun 2022 dan tetap menjadi salah satu beban kesehatan terbesar di Indonesia, khususnya di wilayah padat seperti Jakarta Selatan. Salah satu tantangan utama dalam pengendalian TBC adalah keterbatasan data harian yang akurat, yang menghambat pengembangan sistem peramalan berbasis data. Tugas akhir ini mengusulkan model peramalan jumlah kasus harian TBC menggunakan pendekatan hybrid Convolutional Neural Network–Long Short-Term Memory (CNN-LSTM), dengan data sintetik hasil dari Stochastic Bayesian Downscaling (SBD) terhadap data bulanan. Penelitian ini membandingkan tiga metode tuning hyperparameter—Random Search, Hyperband, dan Bayesian Optimization—dan tiga proporsi data training (60%, 70%, dan 80%) dalam meramalkan tren kasus harian TBC pada tahun 2025. Evaluasi dilakukan menggunakan metrik RMSE, SMAPE, serta visualisasi tren. Hasil evaluasi menunjukkan bahwa tiga skenario terbaik berdasarkan nilai SMAPE fitur jumlah kasus TBC Jakarta Selatan adalah: (1) Bayesian Optimization dengan 80% data training (SMAPE fitur: 8,59%), (2) Hyperband dengan 70% training (SMAPE fitur: 8,75%), dan (3) Random Search dengan 80% training (SMAPE fitur: 8,81%). Ketiga skenario tersebut menghasilkan peramalan berupa peningkatan kasus pada Januari, stagnansi pada Februari, dan kenaikan pada Maret 2025. Model Bayesian Optimization secara umum menunjukkan performa stabil di atas rata-rata, Hyperband memberikan keseimbangan hasil antar skenario, dan Random Search dengan performanya yang sangat variatif. Penelitian ini menegaskan bahwa meskipun data sintetik dari SBD berguna untuk pelatihan model, kualitas dan konsistensinya masih perlu ditingkatkan. Secara keseluruhan, CNN-LSTM menunjukkan kemampuan yang baik dalam menangkap pola musiman TBC pada tingkat bulanan dan dapat digunakan sebagai solusi awal dalam membangun sistem peringatan dini berbasis data pada wilayah dengan keterbatasan data harian.
=============================================================================================================================================

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Tuberkulosis, CNN-LSTM, SBD, Peramalan, Data Sintetik, Deep Learning, Tuberculosis, CNN-LSTM, SBD, Forecasting, Synthetic Data, Deep Learning.
Subjects:	T Technology > T Technology (General) > T174 Technological forecasting T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Hilmi Gema Hidayatullah
Date Deposited:	24 Jul 2025 08:05
Last Modified:	24 Jul 2025 08:05
URI:	http://repository.its.ac.id/id/eprint/120092

Actions (login required)

View Item