Analisis Prediktif Demam Berdarah Menggunakan Pendekatan Jaringan Neural Epidemiologi Dengan Metode GC-LSTM

Sholihah, Annisa Mufidatun (2025) Analisis Prediktif Demam Berdarah Menggunakan Pendekatan Jaringan Neural Epidemiologi Dengan Metode GC-LSTM. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5026211089-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Demam Berdarah Dengue (DBD) adalah infeksi yang disebabkan oleh virus dengue dan ditularkan melalui gigitan nyamuk. Salah satu wilayah di Indonesia dengan angka kasus demam berdarah yang tinggi adalah Kabupaten Malang dengan angka kasus yang melonjak 2.5 kali lipat dibanding periode yang sama di tahun sebelumnya. Mengingat tingginya jumlah kasus DBD di Kabupaten Malang, salah satu langkah mitigasi yang dapat dilakukan adalah dengan mengembangkan model penularan penyakit. Model ini dapat digunakan untuk membantu pengambilan keputusan dalam menentukan langkah penanganan yang tepat untuk kasus DBD di masa mendatang. Pada tugas akhir ini, dikembangkan model penyebaran demam berdarah menggunakan metode GC-LSTM (Graph Convolutional-Long Short Term Memory) untuk melihat pola penyebaran antar individu. Model dibuat berdasarkan data tujuh kecamatan yaitu Kecamatan Bululawang, Gondanglegi, Kepanjen, Pakisaji, Tajinan, Turen, dan Wajak dengan eksperimen panjang sekuen. Hasil dari tugas akhir ini adalah model GCN-LSTM yang menggunakan panjang sekuen (sequence-length) lima dan enam atau prediksi dengan melihat data lima hari atau enam sebelumnya menunjukkan hasil terbaik dengan AUC 83.5% dan akurasi 80% untuk panjang sekuen 5 dan AUC 86.3% dan akurasi 77% untuk panjang sekuen 6.

=========================================================================================================================================

Dengue Hemorrhagic Fever (DHF) is an infection caused by the dengue virus and transmitted through mosquito bites. One of the regions in Indonesia with a high number of dengue fever cases is Malang Regency, with case numbers jumping 2.5 times compared to the same period in the previous year. Given the high number of DHF cases in Malang Regency, one mitigation step that can be taken is by developing a disease transmission model. This model can be used to assist decision-making in determining appropriate handling measures for DHF cases in the future. In this final project, a dengue fever spread model was developed using the GC-LSTM (Graph Convolutional-Long Short Term Memory) method to observe transmission patterns between individuals. The model was created based on data from seven sub-districts: Bululawang, Gondanglegi, Kepanjen, Pakisaji, Tajinan, Turen, and Wajak sub-districts with sequence length experiments. The results of this final project show that the GCN-LSTM model using a sequence length of 5 and 6, or prediction by looking at data from the previous five and six days, shows the best results with 83.5% AUC and 80% accuracy for sequence length of 5 and 86.3% AUC and 77% accuracy for sequence length of 6.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Demam berdarah, dynamic network link prediction, GC-LSTM, DNLP, Peramalan, dengue fever, dynamic network link prediction, GC-LSTM, DNLP, forecasting.
Subjects:	T Technology > T Technology (General) > T174 Technological forecasting
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Annisa Mufidatun Sholihah
Date Deposited:	23 Jul 2025 05:54
Last Modified:	23 Jul 2025 05:54
URI:	http://repository.its.ac.id/id/eprint/120843

Actions (login required)

View Item