Semi-Supervised Classification using Fuzzy Logic and Deep Neural Network: A Framework for School Reopening Decision During the Pandemic

Muqtadiroh, Feby Artwodini (2024) Semi-Supervised Classification using Fuzzy Logic and Deep Neural Network: A Framework for School Reopening Decision During the Pandemic. Doctoral thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 7022201008-Dissertation.pdf] Text
7022201008-Dissertation.pdf - Accepted Version
Restricted to Repository staff only until 1 October 2026.

Download (1MB) | Request a copy

Abstract

Pandemi COVID-19 telah menyebabkan penutupan sekolah secara luas, sehingga sangat mengganggu sistem pendidikan global. Meskipun WHO, UNESCO, UNICEF, dan Bank Dunia telah memberikan pedoman yang berfokus pada mitigasi risiko untuk membuka kembali sekolah, tidak ada konsensus mengenai waktu terbaik untuk mengambil keputusan ini. Penelitian ini menggarisbawahi perlunya membuka kembali sekolah untuk mencegah kesenjangan pembelajaran dan masalah kesehatan mental, namun penelitian ini juga menunjukkan meningkatnya risiko penularan virus. Studi ini bertujuan untuk memberikan dasar ilmiah bagi para pengambil kebijakan untuk menentukan kapan dan sekolah mana yang dapat dibuka kembali dengan aman, dengan menjawab perlunya pendekatan yang lebih disesuaikan dibandingkan dengan pedoman umum yang ada saat ini. Penelitian ini menggunakan kecerdasan buatan, khususnya algoritma pembelajaran mendalam dan pembelajaran mesin, untuk mengkaji penyebaran COVID-19 dan mengidentifikasi faktor-faktor kunci dalam pembukaan kembali sekolah yang aman di kecamatan. Penelitian ini meningkatkan performa model dengan memanfaatkan penyetelan hyperparameter dan berbagai model prediktif seperti RNN, LSTM, dan GRU. Data ekstensif dari berbagai kecamatan dianalisis untuk memastikan keakuratan dan kemampuan generalisasi model. Selain itu, untuk menghilangkan keragu-raguan selama Pandemi COVID-19, para ahli epidemiologi menggunakan pendekatan fuzzy untuk merumuskan peraturan berdasarkan penetapan aturan, sehingga memastikan bahwa rekomendasi tersebut masuk akal secara ilmiah dan praktis. Eksperimen kami memastikan bahwa model yang menggabungkan logika fuzzy dan jaringan saraf dalam secara efektif mengklasifikasikan kecamatan ke dalam kategori terkendali dan rentan, yang disebut sebagai klasifikasi semi-supervisi. Model ini secara akurat memprediksi dinamika COVID-19, divalidasi oleh pengetahuan para ahli, dan mengidentifikasi waktu optimal untuk pembukaan kembali sekolah. Temuan ini menyoroti tiga faktor utama yang dapat dikendalikan: laju pertumbuhan infeksi COVID-19, penurunan kasus aktif, dan penurunan angka kematian. Selain itu, pendekatan fuzzy berbasis aturan mencapai akurasi 99,47% dalam menentukan pembukaan sekolah yang aman, sejalan dengan harapan pemangku kepentingan bahwa pembukaan sekolah secara keseluruhan dapat dilaksanakan selama periode pengamatan penelitian (2020-2022). Didukung oleh data real-time dan analisis prediktif, model yang diusulkan ini menawarkan kerangka kerja yang kuat untuk membuat keputusan yang tepat mengenai operasional sekolah selama wabah parah, sehingga secara efektif menyeimbangkan kebutuhan pendidikan dengan pertimbangan kesehatan masyarakat berdasarkan dinamika COVID-19
==================================================================================================================================
The COVID-19 pandemic has led to widespread school closures, significantly disrupting global education systems. Although WHO, UNESCO, UNICEF, and the World Bank have provided guidelines focusing on risk mitigation for reopening schools, there is no consensus on the best timing for these decisions. The research underscores the need to reopen schools to prevent learning gaps and mental health problems, but it also points out the heightened risk of virus transmission. This study aims to give policymakers a scientific basis to determine when and which schools can safely reopen, addressing the necessity for a more tailored approach than the current broad guidelines. This research employs artificial intelligence, specifically deep learning and machine learning algorithms, to examine COVID-19 spread and identify key factors for the safe reopening of schools in sub-districts. This research enhances model performance by utilizing hyperparameter tuning and various predictive models such as RNNs, LSTMs, and GRUs. Extensive data from multiple sub-districts are analyzed to ensure the model's accuracy and generalizability. Furthermore, to eliminate hesitancy during the COVID-19 Pandemic, epidemiology experts employ a fuzzy approach to formulate regulations based on rule determination, ensuring the recommendations are both scientifically and practically sound. Our experiments confirm that the model combining fuzzy logic and deep neural networks effectively classifies sub-districts into controllable and vulnerable categories, referred to as semi-supervised classification. The model accurately predicts COVID-19 dynamics, validated by expert knowledge, identifying optimal times for school reopening. The findings highlight three primary controllable factors: infection growth rate of COVID-19, reduction in active cases, and decreased mortality rates. Additionally, the rule-based fuzzy approach achieved an accuracy of 99.47% in determining safe school openings, aligning with stakeholders' expectations that entire school openings could be implemented during the research observation period (2020-2022). Supported by real-time data and predictive analytics, the proposed model offers a robust framework for making informed decisions about school operations during a severe outbreak, effectively balancing educational needs with public health considerations based on COVID-19 dynamics.

Item Type: Thesis (Doctoral)
Uncontrolled Keywords: COVID-19, school reopening, decision-making, semisupervised classification, fuzzy system, deep learning, RNN-LSTM
Subjects: T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7888.3 Digital computers
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20001-(S3) PhD Thesis
Depositing User: Feby Artwodini Muqtadiroh
Date Deposited: 30 Jul 2024 04:08
Last Modified: 30 Jul 2024 04:08
URI: http://repository.its.ac.id/id/eprint/110317

Actions (login required)

View Item View Item