Prediksi Hubungan Persebaran Demam Berdarah Dengue Sebagai Jaringan Dinamis Berarah Menggunakan GCN-LSTM

Anindito, Wiweko Dwitya (2025) Prediksi Hubungan Persebaran Demam Berdarah Dengue Sebagai Jaringan Dinamis Berarah Menggunakan GCN-LSTM. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5026211077-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2027. Download (4MB) | Request a copy

Abstract

Demam berdarah dengue (DBD) masih menjadi permasalahan kesehatan yang menyebabkan kesengsaraan manusia terbesar di daerah tropis dan subtropis dunia dimana per 1 Maret 2024 tercatat 16.000 kasus DBD di Indonesia dengan angka kematian sebesar 124 korban jiwa. Pemerintah telah menerapkan Strategi Nasional Penanggulangan Dengue 2021 – 2025 untuk menangani permasalahan DBD, tetapi sayangnya pelaksanaan surveilans dengue masih belum optimal sehingga menyebabkan kegagalan pencegahan kejadian luar biasa. Dengan demikian, pada Tugas Akhir ini akan dilakukan link prediction persebaran dengue di Kabupaten Malang yang dimodelkan sebagai jaringan yang dinamis dan berarah. Prediksi akan dilakukan menggunakan metode hibrida GCN-LSTM yang pada penelitian terdahulu telah berhasil digunakan di berbagai studi kasus. Hasil Tugas Akhir menunjukan bahwa model terbaik diberikan oleh skenario ukuran filter K sebesar 2, ukuran fitur laten sebesar 32, jumlah sel LSTM sejumlah 1, dan besar jendela sejauh 5 snapshot dengan skor AUC sebesar 69%, akurasi sebesar 95%, F1 sebesar 33%, precision sebesar 27%, dan sensitivity sebesar 42%. Hasil tersebut menunjukan bahwa model GCN-LSTM dapat mempelajari fitur spasial dan temporal dari jaringan persebaran demam berdarah dengue. Namun, model menghadapi beberapa tantangan yaitu overfitting, jaringan jarang, perbedaan karaketristik jaringan pada data latih dan uji, serta komputasi yang berat. Penlitian ini diharapkan dapat menjadi landasan penelitian link prediction khusunya pada kasus jaringan jarang selanjutnya.
===================================================================================================================================
Dengue fever (DF) is still a medical problem that causes the most suffering in the tropics and sub-tropics where as of March 1st, 2024 in Indonesia, 16,000 cases of DF have been reported, with the death toll reaching 213 deaths. The Indonesian government has implemented Strategi Nasional Penanggulangan Dengue 2021–2025 as a countermeasure for DF, unfortunately, the dengue monitoring has not been optimal, causing failed outbreak prevention. Therefore, this thesis will revolve around link prediction for dengue spread modeled as a directed dynamic network. The prediction will be made using GCN-LSTM , which has been successfully utilized for various scenarios in previous literature. The result shows that the most effective model was given by a model with a filter size of 2, latent size of 32, LSTM cell amount of 1, and lookback window of 5 snapshot with AUC score of 69%, accuracy of 95%, F1 of 33%, precision of 27%, and sensitivity of 42%. This result shows that the GCN-LSTM model was able to learn the dengue spread network’s spatial and temporal features. The author hopes that this thesis might be a foundation for future link prediction research, especially link prediction in sparse networks.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Demam berdarah dengue, Jaringan dinamis berarah, Link Prediction, Graph Convolutional Network, Long Short Term Memmory, Dengue fever, Directed dynamic Network
Subjects:	T Technology > T Technology (General) > T174 Technological forecasting
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Wiweko Dwitya Anindito
Date Deposited:	30 Jan 2025 06:47
Last Modified:	30 Jan 2025 06:47
URI:	http://repository.its.ac.id/id/eprint/117086

Actions (login required)

View Item