Perbandingan Model Neural Networks Dengan Poisson Regression Dan Negative Binomial Regression Pada Kasus Demam Berdarah Dengue (DBD) Di Surabaya

Pradhani, Fastha Aulia (2016) Perbandingan Model Neural Networks Dengan Poisson Regression Dan Negative Binomial Regression Pada Kasus Demam Berdarah Dengue (DBD) Di Surabaya. Masters thesis, Institut Teknologi Sepuluh Nopember.

Preview

Text 1314201036-Master-Thesis.pdf - Published Version Download (1MB) | Preview

Abstract

Demam berdarah atau demam dengue (DBD) adalah penyakit yang
disebabkan oleh nyamuk Aedes Aegypti yang menyebarkan virus dengue pada
tubuh manusia. Pada penelitian ini akan dilakukan pemodelan kasus DBD di
Surabaya dengan menggunakan tiga model yaitu Poisson Regression, Negative
Binomial Regression, dan Neural Networks (NN). Pemodelan kasus DBD telah
banyak dilakukan, salah satunya menggunakan regresi poisson, namun pada
banyak kasus asumsi equidispersion pada regresi poisson sulit dipenuhi. Salah satu
alternatif yang dapat dipakai untuk mengatasi hal tersebut adalah memodelkan data
dengan menggunakan model negative binomial regression. Neural Network
merupakan salah satu teknik yang lebih fleksibel dalam penyelesaian kasus
pemodelan hubungan variabel. Unit observasi yang digunakan ialah 31 kecamatan
di Surabaya. Jumlah kasus DBD di tiap kecamatan sebagai variabel respon, dengan
variabel bebas yaitu persentase rumah bebas jentik, rumah tangga miskin, PHBS,
kepadatan penduduk, rasio tenaga medis, RT yang memiliki tempat sampah sehat,
serta sarana Puskemas. Data dibagi menjadi data training dan testing menggunakan
k-fold crossvalidation. Arsitektur yang dipakai pada model neural network adalah
Multi Layer Perceptron, dengan algoritma pembelajaran backpropagation dan
metode perubahan bobot Levenberg Marquardt. Bobot awal diinisialisasi dengan
nilai yang paling optimum setelah dilakukan pemilihan secara random sebanyak
100 kali. Kasus overdispersi terjadi pada model poisson regression yang dihasilkan,
sehingga dilanjutkan dengan pemodelan menggunakan negative binomial
regression, dan diperoleh hasil bahwa kasus overdispersi dapat teratasi, namun
kasus under estimate belum dapat diatasi. Pada model (NN), arsitektur terbaik
dihasilkan pada MLP (8-12-1). Selanjutnya dilakukan pemilihan model terbaik, dari
ketiga model yang telah dihasilkan Kriteria pemilihan model terbaik ditentukan
berdasarkan nilai CV testing, dan diperoleh hasil bahwa NN merupakan model
terbaik yang dipakai untuk memprediksi banyaknya kasus DBD di Surabaya.
==================================================================================================================
Demam Berdarah or Dengue fever (DBD) is a disease caused by the
mosquito Aedes Aegypti spreading dengue virus in the human body. This
research will be carried out modeling of DBD cases in Surabaya using three
models namely Poisson Regression, Negative Binomial Regression and
Neural Networks (NN). Modeling of dengue cases has been done, one of them
using Poisson regression, but in many cases the assumption equidispersion on
Poisson regression difficult to reach. One alternative that can be used to
overcome this problem is to modeling the data by using negative binomial
regression models. Neural Network is one of the techniques that more flexible
in solving the case of variable relation modeling. Observation units used are
31 districts in Surabaya. Number of dengue cases in each district as response
variables, independent variable is the percentage of loose home larva, poor
households, PHBS, population density, the ratio of medical personnel, RT
which have a healthy litter, as well as means Puskemas. Data was divided into
training data and testing using the k-fold crossvalidation. Architecture used
in the model was a neural network Multi Layer Perceptron with
backpropagation learning algorithm and Levenberg Marquardt method of
weight change. The initial weight was initialized with the most optimum
value after randomly selecting 100 times. Overdispersion cases occurred in
Poisson regression model was produced, which was followed by using a
negative binomial regression modeling, and obtained results that over
dispersion cases can be resolved, but the case can’t be resolved under
estimate. In the model (NN), best architecture resulting in MLP (8-12-1).
Furthermore, the election of the best model, of the three models were
produced criteria for selecting the best model was determined based on the
value of CV testing, and obtained results that NN is the best model used to
predict the number of dengue cases in Surabaya.

Item Type:	Thesis (Masters)
Additional Information:	RTSt 519.536 Pra p
Uncontrolled Keywords:	DBD, Poisson, Neural Network
Subjects:	Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Mathematics and Science > Statistics > 49101-(S2) Master Thesis
Depositing User:	Users 13 not found.
Date Deposited:	14 Jun 2017 04:10
Last Modified:	27 Dec 2018 04:14
URI:	http://repository.its.ac.id/id/eprint/41656

Actions (login required)

View Item