Aristiani, Laras (2016) Peramalan Jumlah Penderita Penyakit Menular Influenza Dan Demam Berdarah Di Kota Surabaya Berdasarkan Google Trends Dan Aktor Iklim Menggunakan Variasi Metode Autoregressive Integrated Moving Average (ARIMA). Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
5212100022-undergraduate theses.pdf - Accepted Version Download (2MB) | Preview |
Preview |
Text
5212100022-paperpdf.pdf - Accepted Version Download (634kB) | Preview |
Preview |
Text
5212100022-presentationpdf.pdf - Presentation Download (1MB) | Preview |
Abstract
Penanganan efektif terhadap pengendalian penyakit
menular memerlukan pendeteksian dini persebaran penyakit
melalui surveilans yang tepat waktu dan akurat beserta respon
yang cepat dari hasil deteksi dini. Jumlah kejadian penyakit
menular dipengaruhi beberapa faktor eksternal.
Angka kejadian demam berdarah dan Influenza
berkorelasi dengan faktor iklim curah hujan, suhu dan
kelembaban udara pada suatu daerah. Selain faktor iklim
terdapat variabel eksternal lain yang bisa digunakan untuk
pemodelan peramalan kasus demam berdarah dan influenza,
yakni jejak data di internet, salah satu sumbernya adalah
Google Trends. Penelitian sebelumnya menunjukkan bahwa
data hasil pencarian query tertentu berkaitan dengan penyakit
menular dalam Bahasa Korea pada Google Trend berkorelasi
dengan data jumlah kasus penyakit di Korea Selatan.
Tujuan dari penelitian Tugas Akhir ini adalah untuk
menyusun model peramalan yang melibatkan variabel
eksternal faktor iklim dan Google Trends. Tugas Akhir ini juga
menganalisis kelayakan Google Trends dengan lokasi
Indonesia untuk dipakai sebagai data alternatif untuk sistem
surveillans dan meramalkan jumlah penyakit demam berdarah
dan influenza.
Data yang digunakan dalam penelitian adalah (1) data
jumlah kasus demam berdarah dan influenza yang diambil dari
RSUD Dr. Soetomo (2) data faktor iklim yang meliputisuhu,
kelembaban, dan curah hujan yang diambil dari Badan
Meteorologi Klimatologi dan Geofisika (BMKG) Stasion
Juanda Surabaya dan Perak I (3) Data hasil pencarian Google
Trends dengan query yang sudah ditentukan sebelumnya.
Seluruh data ini tersedia untuk periode Desember 2010 hingga
Agustus 2015. Teknik interpolasi dan ekstrapolasi digunakan
untuk menangani kekosongan data. Pemodelan ramalan
dilakukan dengan metode ARIMA untuk model univariat dan
ARIMAX untuk model multivariat.
Hasil dari penelitian menunjukkan bahwa penambahan
variabel eksternal pada model ARIMAX mampu meningkatkan
performa model 7,56% lebih baik dibandingkan model ARIMA
untuk kasus demam berdarah. Kasus influenza tidak cocok
dimodelkan dengan ARIMA, dengan jangkauan MAPE testset
berada pada 72% - 102%. Hal ini dikarenakan pola data
influenza penelitian naik turun secara drastis, tidak cocok
dimodelkan dengan ARIMA.
Hasil lain yang ditemukan adalah variabel eksternal
iklim dan Google Trends mampu meningkatkan performa
model. Model dengan variabel eksternal iklim menunjukkan
performa yang lebih baik dibandingkan dengan model dengan
variabel eksternal Google Trends. Google Trend dengan lokasi
Indonesia masih belum layak dipakai sebagai data alternatif
untuk sistem surveilans penyakit DBD dan Influenza karena
error yang masih besar. ========== Early detection is required in order to manage
communicable disease such as dengue fever and influenza. The
number of fever and influenza cases are affected by several
external factors. There is a correlation between climate factors
(such as humidity, rainfall, and temperature) and number of
cases in certain area. Other than climate factors, there is a
potential external variable that is widely available. Google
Trends records the search queries that have been searched in
Google. Previous search has shown that certain query search
onn Google Trends are highly correlated with number of
communicable disease cases in South Korea.
The aim of this final project research us to generate a
forecasting model with climate factors and Google Trends as
external variables. This research analyzes the feasibility of
Google Trends in Indonesia to be used as surveillance system
alternatives, and to forecast number of influenza and dengue
fever cases.
This research uses several data (1) Number of dengue
fever and influenza cases obtained from local general hospital
of Dr. Soetomo (2) rainfall, humidity and tempature obtained
from Indonesian Agency for Meteorological, Climatological
and Geophysics (3) Google Trends search index of certain
queries. All of the data spans from December 2010 – August
2015. Interpolation and extrapolation techniques are used to
handle the missing data. ARIMA and ARIMAX methods are
used to model the forecast.
The result of this research shows that the existence of
external variables in dengue fever ARIMAX can improve model
performance by 7,56%. It performs better than dengue fever
ARIMA. It turns out that ARIMA is not suitable for influenza
cases, with the range value of MAPE testset 72% - 102%. It is
due to fluctuative influenza data pattern in this research.
Although it is not suitable to forecast influenza cases with
ARIMA, ARIMAX model with climate factors and Google
Trends can improve the performance by 19,38%.
This research shows that climate factors and Google
Trends are able to improve model performance. Models with
climate factors perform better than Google Trends. Google
Trends with Indonesian geographic location is not feasible yet
to be used as surveillance system alternative data of dengue
fever and influenza, due to high error variance.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Additional Information: | RSSI 519.535 Ari p 3100016066432 |
| Uncontrolled Keywords: | Peramalan, Univariat, Multivariat, ARIMA, ARIMAX, Faktor Iklim, Google Trends, Influenza, Demam berdarah, Forecasting, Univariate, Multivariate, ARIMA, ARIMAX, Climate Factors, Google Trends, Influenza, Dengue Fever |
| Subjects: | H Social Sciences > H Social Sciences (General) > H61.4 Forecasting in the social sciences |
| Divisions: | Faculty of Information Technology > Information System > 57201-(S1) Undergraduate Thesis |
| Depositing User: | - Davi Wah |
| Date Deposited: | 12 Nov 2019 04:37 |
| Last Modified: | 12 Nov 2019 04:37 |
| URI: | http://repository.its.ac.id/id/eprint/71688 |
Actions (login required)
 |
View Item |