Nandika, Dina (2019) Peramalan Jumlah Penderita Difteri Menggunakan Metode Radial Basis Function Neural Network (RBFNN). Other thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
05211540000016_Undergraduate Thesis.pdf Download (3MB) | Preview |
Abstract
Difteri merupakan salah satu penyakit yang paling mematikan pada abad ke delapan belas dan sembilan belas, yang menyebabkan sejumlah kematian besar pada anak – anak di Eropa dengan tingkat fatalitas kasus mencapai 50%. Pada tahun 1943, difteri menyebabkan sekitar 1 juta kasus dan 50.000 kematian. Kasus difteri di Indonesia sudah hampir tidak ada pada tahun 1990-an, namun penyakit ini kembali muncul di tahun 2009 yang dinyatakan suspect. Saat ini, penyakit difteri menduduki peringkat keempat sebagai penyakit yang mematikan setelah jantung (kardiovaskuler), TBC, dan Pneumonia. Angka kematian akibat difteri di Indonesia diperkirakan mencapai 21 % dengan gejala berupa malaise, anoreksia, sakit tenggorokan, dan peningkatan suhu tubuh. Di tahun 2014, dari 22 provinsi yang melaporkan kasus difteri di Indonesia, Jawa Timur menduduki posisi tertinggi untuk kasus difteri yaitu 295 kasus, yang berkontribusi sebesar 74%. Pada tahun 2017 silam, penyakit difteri di Indonesia ini menjadi sangat diwaspadai oleh kalangan masyarakat hingga pertengahan 2018 yang ditandai dengan fluktuatif penderita difteri di Indonesia, khususnya Jawa Timur. Maka dari itu, diperlukan kegiatan peramalan terhadap penyakit difteri ini untuk membantu Dinas Kesehatan Provinsi Jawa Timur dalam menentukan kebijakan yang akan dilakukan untuk menekan jumlah penderita difteri. Metode yang digunakan untuk peramalan adalah dengan Radial Basis Function Neural Network. Metode Neural Network sudah banyak dibuktikan menghasilkan akurasi lebih tinggi jika dibandingkan dengan metode statistikal lainnya, karena metode NN dapat belajar dari pola data yang ada sehingga ketika diuji akan menghasilkan peramalan yang lebih baik. RBFNN dipilih karena keunggulannya dalam komputasi kecepatan iterasi jika dibandingkan dengan metode jaringan syaraf tiruan yang lainnya. Dari beberapa variabel yang dilibatkan yaitu Cakupan Imunisasi, Kepadatan Penduduk, dan Jumlah Penderita, model terbaik yang terpilih hanya melibatkan 1 variabel saja yaitu Jumlah Penderita saja. Sehingga model dapat meramalkan jumlah kasus penderita difteri di di Kabupaten Malang, Kota Surabaya, dan Kabupaten Sumenep. Hasil peramalan jumlah kasus difteri di Kabupaten Malang. Kota Surabaya, dan Kabupaten Sumenep menggunakan metode RBFNN memiliki nilai performa MSE 7,868 ; 18,5096 ; 2,4905 dan MASE 0,84 ; 0.817 ; 0.820 dimana semua nilai MASE kurang dari 1, sehingga model ini memiliki performa yang baik.
=================================================================================================================================
Diphtheria was one of the deadliest diseases in the eighteenth and nineteenth centuries, which caused a large number of deaths in children in Europe with a case fatality rate of 50%. In 1943 diphtheria caused around 1 million cases and 50,000 deaths. In the 1990s there were almost no cases of diphtheria in Indonesia, but this disease re-emerged in 2009 which was declared as suspect. At present, diphtheria is ranked fourth as a deadly disease after cardiovascular disease, tuberculosis, and pneumonia. The mortality rate from diphtheria in Indonesia is estimated to reach 21% with symptoms such as malaise, anorexia, sore throat, and increased body temperature. In 2014, 22 provinces that reported cases of diphtheria in Indonesia, East Java occupied the highest position for diphtheria cases, namely 295 cases, which contributed 74%. In 2017, diphtheria in Indonesia has been very much watched by the public until mid-2018 which is characterized by patients who are fluctuating in Indonesia, especially East Java. Therefore, it is necessary to forecast this diphtheria to help Dinas Kesehatan Provinsi Jawa Timur determine the policies to be taken to reduce the number of diphtheria cases. The method used for forecasting is by Radial Basis Function Neural Network. The Neural Network method has been proven to produce higher accuracy compared to other statistical methods, because the NN method can learn from existing data patterns so that when tested it will produce better forecasting. RBFNN was chosen because of its superiority in computational iteration speeds when compared to other artificial neural network methods. From several variables involved (Immunization Covergae, Population Density, and Number of Diptheria Patien)t, the best model chosen has one variable involved (Number of Diphtheria Patient). This model can predict diptheria case in Kabupaten Malang, Kota Surabaya, and Kabupaten Sumenep. The result of forecasting of diphteria case in Kabupaten Malang, Kota Surabaya, and Kabupaten Sumenep using RBFNN has MSE value 7,868 ; 18,5096 ; 2,4905 and MASE value of 0,84 ; 0.817 ; 0.820 which all MASE value are less than 1, so that these models have good performance.
| Item Type: | Thesis (Other) |
|---|---|
| Additional Information: | RSSI 006.32 Nan p-1 2019 |
| Uncontrolled Keywords: | Difteri, Peramalan, Neural Network, Radial Basis Function Neural Network |
| Subjects: | Q Science > QA Mathematics > QA246.8 Gaussian Q Science > QA Mathematics > QA276 Mathematical statistics. Time-series analysis. Failure time data analysis. Survival analysis (Biometry) Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) T Technology > T Technology (General) > T174 Technological forecasting T Technology > T Technology (General) > T57.5 Data Processing |
| Divisions: | Faculty of Information Technology > Information System > 57201-(S1) Undergraduate Thesis |
| Depositing User: | Dina Nandika |
| Date Deposited: | 28 Mar 2024 07:44 |
| Last Modified: | 28 Mar 2024 07:44 |
| URI: | http://repository.its.ac.id/id/eprint/64370 |
Actions (login required)
 |
View Item |