Anwar, Romy Novryandi (2021) Visualisasi Dashboard dan Peramalan Jumlah Kasus Demam Berdarah Dengue Di Kabupaten Malang Menggunakan Metode Extreme Learning Machine. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
05211740000110-Undergraduate_Thesis.pdf - Accepted Version Download (4MB) | Preview |
Abstract
Demam Berdarah Dengue (DBD) merupakan penyakit yang paling banyak terjadi di negara tropis dan dianggap sebagai penyakit yang paling cepat menyebar yang ditularkan oleh nyamuk. Negara Indonesia merupakan negara tropis yang dimana jumlah kasusnya mencapai 13.683 kasus di akhir bulan Januari tahun 2019 yang didominasi di Pulau Jawa terutama di Provinsi Jawa Timur. Jumlah kasus DBD tertinggi di Provinsi Jawa Timur diduduki oleh Kabupaten Malang dengan 1.021 kasus dari awal hingga pertengahan tahun 2020. Karena tingginya angka kasus DBD di Kabupaten Malang, maka perlu dilakukan tindakan untuk menangani hal tersebut. Salah satu bentuk tindakan yang dapat dilakukan adalah menganalisis pertambahan jumlah kasus beserta faktornya sebagai bentuk pengawasan dan juga sebagai pendukung keputusan bagi pihak yang berwenang untuk mencegah pertambahan jumlah kasus di masa mendatang. Pertambahan kasus di waktu yang akan datang dapat diprediksi jumlahnya melalui peramalan. Peramalan adalah seni dan ilmu untuk memprediksi kejadian di masa depan, dengan melibatkan pengambilan data masa lalu dan menempatkannya ke masa yang akan datang dengan suatu bentuk model matematis. Aritificial Neural Network (ANN) atau jaringan saraf tiruan adalah sistem komputasi yang cara kerjanya meniru jaringan saraf dalam otak dengan mempelajari arsitektur komputasi untuk menghasilkan repson yang konsisten terhadap rangkaian masukkan. Extreme Learning Machine (ELM) merupakan jenis jaringan saraf tiruan dengan konsep Single Hidden Layer Feedforward Neural Network (SLFNs) atau jaringan saraf tiruan feedforward dengan satu hidden layer. ELM menggunakan pembobotan di awal secara random untuk menemukan node yang memberikan nilai output maksimal dan menggunakan norm-least-squares solution dan Moore-Penrose Generalized Invers untuk menentukan bobot keluarannya, sehingga dinilai dapat lebih cepat mempelajari karakteristik data dan mampu menghasilkan good generalizarion performance dibandingkan dengan ANN berjenis Multilayer Perceptron (MLP). Data hasil peramalan selanjutnya divisualisasikan ke dalam dasbor menggunakan aplikasi Power BI. Hasil visualisasi data pada dasbor nantinya dapat dilakukan eksplorasi secara mandiri untuk mendapatkan informasi untuk mengambil keputusan dalam penanganan wabah penyakit DBD di Kabupaten Malang. Usulan tugas akhir ini diharapkan dapat melakukan peramalan dengan durasi pembelajaran yang lebih cepat dan akurasi peramalan yang lebih baik dari metode MLP. Lalu pada bagian dasbor akan dilakukan pembaruan data hasil peramalan dan penambahan komponen sehingga dasbor semakin aktual dan informasi yang didapatkan akan semakin banyak. Hasil keseluruhan tugas akhir ini diharapkan dapat membantu pihak berwenang seperti Dinas Kesehatan Kabupaten Malang dalam mengambil keputusan sebagai tindak pencegahan dan penanganan kasus DBD di Kabupaten Malang.
=================================================================================================
Dengue Hemorrhagic Fever (DHF) is the most common disease in tropical countries and is considered the fastest-spreading disease transmitted by mosquitoes. Indonesia is a tropical country where the number of cases reached 13,683 cases at the end of January 2019, which was dominated on the island of Java, especially in East Java Province. The highest number of DHF cases in East Java Province is occupied by Malang Regency with 1,021 cases from early to middle 2020. Due to the high number of DHF cases in Malang Regency, it is necessary to take action to deal with this phenomenon. One form of action that can be taken is to analyze the number of cases and their factors as a form of supervision and also as decision support for the competent authorities to prevent an increase in the number of cases on the future. The number of cases in the future can be predicted by forecasting. Forecasting is the art and science of predicting future events, involving taking past data and placing it into the future with a form of mathematical model. Artificial Neural Network (ANN) or artificial neural network is a computational system that works by imitating neural networks in the brain by studying computational architecture to produce consistent responses to input sequences. Extreme Learning Machine (ELM) is a type of artificial neural network with the concept of Single Hidden Layer Feedforward Neural Network (SLFNs) or a feedforward artificial neural network with one hidden layer. ELM uses random initial weighting to find the node that gives the maximum output value and uses the norm-least-squares solution and Moore-Penrose Generalized Inverse to determine the output weight, so that it is considered to be able to learn data characteristics faster and be able to produce good generalization performance compared to ANN type Multilayer Perceptron (MLP). Forecasting data is then visualized into a dashboard using the Power BI application. The results of data visualization on the dashboard can later be explored independently to obtain information to make decisions in handling dengue outbreaks in Malang Regency. This final project proposal is expected to be able to forecast with a faster learning duration and better forecasting accuracy than the MLP method. Then the dashboard will update the forecast data and add components so that the dashboard is more actual and the information obtained will be more and more. The overall results of this final project are expected to help the authorities such as the Malang District Health Office in making decisions as a preventive measure and handling dengue cases in Malang Regency.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Extreme Learning Machine, Power BI, Demam Berdarah, Dashboard, Visualisasi, Kabupaten Malang, Dengue Hemorrhagic Fever, Visualization, Malang Regency |
| Subjects: | Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > QA Mathematics > QA76.9.I52 Information visualization T Technology > T Technology (General) > T174 Technological forecasting |
| Divisions: | Faculty of Information and Communication Technology > Information Systems > 57201-(S1) Undergraduate Thesis |
| Depositing User: | Romy Novryandi Anwar |
| Date Deposited: | 20 Aug 2021 18:27 |
| Last Modified: | 13 Jun 2024 09:38 |
| URI: | http://repository.its.ac.id/id/eprint/88399 |
Actions (login required)
 |
View Item |