Deep Learning untuk Prediksi Status Outbreak Demam Berdarah menggunakan Data Facebook

Arkansa, Resha Ramzy (2024) Deep Learning untuk Prediksi Status Outbreak Demam Berdarah menggunakan Data Facebook. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5026201064-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (4MB) | Request a copy

Abstract

Demam berdarah merupakan penyakit menular yang signifikan ditemukan di banyak negara tropis. Meskipun umum, demam berdarah dianggap berbahaya karena sifatnya yang tidak terduga serta memiliki dampak besar pada kesehatan masyarakat. Penelitian ini bertujuan untuk mengembangkan model prediksi status outbreak demam berdarah menggunakan data dari Facebook. Metode yang digunakan melibatkan Gated Recurrent Unit (GRU) yang efektif dalam memodelkan data berurutan. Dalam upaya mengendalikan penyebaran penyakit, pemantauan dan prediksi yang akurat sangatlah penting. Hasil penelitian menunjukkan bahwa data dari Facebook, yang diperoleh melalui proses scraping, dapat menjadi pembanding yang relevan dengan data aktual. Penggunaan dekomposisi Variational Mode Decomposition (VMD) pada data ini terbukti meningkatkan akurasi dan mempermudah pembacaan tren dengan mengurangi noise dalam data dan menghasilkan data yang lebih stabil dan halus. Evaluasi model prediksi menggunakan algoritma GRU menunjukkan performa yang baik dalam memprediksi status outbreak. Hasil evaluasi model pada data Facebook menunjukkan bahwa model dengan data di-dekomposisi mencatat RMSE sebesar 0.0865 pada data latih dan 0.3037 pada data uji, sementara data tidak di-dekomposisi memiliki RMSE lebih tinggi. Penggunaan data gabungan dari Facebook dan data aktual menunjukkan hasil yang serupa, di mana dekomposisi data memberikan hasil prediksi yang lebih stabil dan akurat. Harapan penulis, penelitian ini dapat memantik semangat pembaca untuk melanjutkan penelitian ini dan memperbaiki hasilnya hingga dapat secara akurat memprediksi jumlah kasus demam berdarah di masa depan.
======================================================================================================================================
Dengue fever is a significant infectious disease found in many tropical countries. Despite being common, dengue fever is considered dangerous due to its unpredictable nature and its substantial impact on public health. This study aims to develop a predictive model for dengue fever outbreak status using data from Facebook. The method involves the use of Gated Recurrent Unit (GRU), which is effective in modeling sequential data. Accurate monitoring and prediction are crucial in efforts to control the spread of the disease. The study results show that data from Facebook, obtained through scraping, can be a relevant comparison to actual data. The use of Variational Mode Decomposition (VMD) on this data has proven to enhance accuracy and facilitate trend reading by reducing noise in the data, resulting in more stable and smooth data. The evaluation of the predictive model using the GRU algorithm shows good performance in predicting outbreak status. The model evaluation results on Facebook data indicate that the model with decomposed data records an RMSE of 0.0865 on training data and 0.3037 on test data, while non-decomposed data have a higher RMSE. The use of combined data from Facebook and actual data shows similar results, where data decomposition provides more stable and accurate prediction outcomes. The author hopes this study can inspire readers to continue this research and improve the results to accurately predict the number of dengue
fever cases in the future.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Demam Berdarah, Prediksi, Gated Recurrent Unit, Facebook, Variational Mode Decomposition, Dengue Fever, Prediction, Gated Recurrent Unit, Facebook, Variational Mode Decomposition
Subjects:	T Technology > T Technology (General) > T174 Technological forecasting T Technology > T Technology (General) > T57.5 Data Processing T Technology > T Technology (General) > T58.6 Management information systems
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Resha Ramzy Arkansa
Date Deposited:	25 Jul 2024 06:05
Last Modified:	25 Jul 2024 06:05
URI:	http://repository.its.ac.id/id/eprint/108889

Actions (login required)

View Item