Prediksi Penyebaran Demam Berdarah Dengue (DBD) di Jawa Barat Menggunakan Metode Hybrid Ensemble Kalman Filter-Attention Based Long Short Term Memory (EnKF-ALSTM)

Ameliyah, Addinda Nur (2026) Prediksi Penyebaran Demam Berdarah Dengue (DBD) di Jawa Barat Menggunakan Metode Hybrid Ensemble Kalman Filter-Attention Based Long Short Term Memory (EnKF-ALSTM). Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6002232004-Master_Thesis.pdf Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Demam Berdarah Dengue (DBD) merupakan penyakit infeksi yang berisiko menimbulkan komplikasi berat hingga kematian apabila tidak ditangani secara tepat. DBD disebabkan oleh virus Dengue dan ditularkan melalui gigitan nyamuk Aedes aegypti dan Aedes albopictus. Di Indonesia, DBD masih menjadi permasalahan kesehatan masyarakat dengan tingkat kejadian yang bervariasi dari waktu ke waktu. Jawa Barat merupakan salah satu wilayah dengan jumlah kasus DBD yang relatif tinggi, sehingga pengendalian penyebaran penyakit ini memerlukan pendekatan pemodelan matematika yang tepat, seperti SEIR-SI. Penelitian ini menggunakan metode EnKF untuk mengestimasi variabel dan parameter epidemiologis dalam model penyebaran, serta ALSTM sebagai pendekatan data-driven untuk melakukan prediksi. Tidak semua variabel dalam model dapat diamati secara langsung, sehingga diperlukan metode estimasi. Model dalam penelitian ini mengkomposisikan variabel seperti Susceptible, Exposed, Infected, Recovered, Susceptible, Infected. Integrasi EnKF dan ALSTM diterapkan untuk menghasilkan estimasi yang lebih akurat serta mendukung prediksi penyebaran DBD di masa mendatang, khususnya di Jawa Barat. Hasil penelitian menunjukkan bahwa penggunaan EnKF menghasilkan estimasi variabel dengan tingkat galat yang sangat rendah, tercermin dari nilai MAPE sebesar 0,00035%. Kinerja prediksi ALSTM yang menggunakan hasil estimasi EnKF sebagai masukan menunjukkan hasil yang lebih stabil dan representatif dibandingkan ALSTM yang dilatih langsung menggunakan data observasi kasus DBD. Evaluasi kinerja prediksi ALSTM berbasis EnKF menghasilkan nilai MAPE sebesar 23,74%, yang menunjukkan kemampuan model dalam merepresentasikan pola penyebaran DBD.
=============================================================================================================================
Dengue Hemorrhagic Fever (DHF) is an infectious disease that carries the risk of serious complications and even death if not treated properly. DHF is caused by the dengue virus and is transmitted through the bites of Aedes aegypti and Aedes albopictus mosquitoes. In Indonesia, DHF remains a public health problem, with incidence rates varying over time. West Java is one of the regions with a relatively high number of DHF cases, so controlling the spread of this disease requires an appropriate mathematical modeling approach, such as SEIR-SI. This study uses the EnKF method to estimate epidemiological variables and parameters in the distribution model, and ALSTM as a data-driven approach for prediction. Not all variables in the model can be observed directly, so an estimation method is required. The model in this study consists of variables such as Susceptible, Exposed, Infected, Recovered, Susceptible, and Infected. The integration of EnKF and ALSTM was implemented to produce more accurate estimates and support predictions of future dengue fever spread, particularly in West Java. The results showed that the use of EnKF produced variable estimates with a very low error rate, reflected in a MAPE value of 0.00035%. The predictive performance of ALSTM using EnKF estimates as input showed more stable and representative results compared to ALSTM trained directly using dengue case observation data. Evaluation of the predictive performance of EnKF-based ALSTM resulted in a MAPE value of 23.74%, demonstrating the model’s ability to represent dengue fever spread patterns.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Demam Berdarah Dengue (DBD), Ensemble Kalman Filter (EnKF), Attention-based Long Short-Term Memory (ALSTM)
Subjects:	Q Science > Q Science (General) Q Science > Q Science (General) > Q180.55.M38 Mathematical models Q Science > QA Mathematics Q Science > QA Mathematics > QA401 Mathematical models. Q Science > QA Mathematics > QA402.3 Kalman filtering.
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Mathematics > 44101-(S2) Master Thesis
Depositing User:	Addinda Nur Ameliyah
Date Deposited:	09 Feb 2026 06:42
Last Modified:	09 Feb 2026 06:42
URI:	http://repository.its.ac.id/id/eprint/132293

Actions (login required)

View Item