Pendekatan Topsis (Technique For Others Preference By Similarity To Ideal Solution) Pada Imbalanced Data Untuk Penentuan Kebijakan Pengendalian Demam Berdarah

Husna, Farida Amila (2022) Pendekatan Topsis (Technique For Others Preference By Similarity To Ideal Solution) Pada Imbalanced Data Untuk Penentuan Kebijakan Pengendalian Demam Berdarah. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025201032-Master_Thesis.pdf Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Epidemi dengue tetap menjadi salah satu masalah kesehatan masyarakat yang utama, dengan jumlah penderita dan daerah penyebarannya yang semakin meningkat seiring dengan meningkatnya mobilitas dan kepadatan penduduk. Dengan jumlah kasus yang terus meningkat, diperlukan rencana pemberantasan penyakit demam berdarah dengue. Namun, rencana saat ini menekankan upaya pencegahan dengan penyemprotan massal yang tidak terarah sebelum musim penularan penyakit di daerah endemis demam berdarah dengue. Oleh karena itu, diperlukan tindakan yang komprehensif untuk pengendalian dan pencegahan DBD dengan memetakan rencana pengendalian bersifat kontingensi dan penanggulangan fokus DBD. Namun, memetakan rencana kontingensi dan penanggulangan fokus tidak mudah karena masalah klinis dan manajerial, pengendalian vektor, tindakan pencegahan, dan pengawasan harus dipertimbangkan. Selain itu, sebagian besar penelitian kasus DBD adalah mengenai prediksi kasus DBD dan pengukuran resiko terjadinya DBD. Tidak banyak penelitian yang membahas mengenai rekomendasi kebijakan pengendalian DBD. Belum lagi permasalahan imbalance data ditemui pada praktek pengambilan keputusan penanggulangan fokus. Hal ini akan mempengaruhi pengambilan keputusan sehingga dibutuhkan evaluasi penyeimbangan kelas pada kasus penanggulangan fokus. Penelitian ini memperkenalkan pemetaan rekomendasi kebijakan kontingensi DBD berbasis kluster dan kebijakan penanggulangan fokus pada klasifikasi kelas yang tidak seimbang. Pemetaan rekomendasi kebijakan kontingensi DBD ditentukan dari kebijakan kontingesi WHO yang disesuaikan dengan tingkat bahaya setiap kelurahan dan musim. Tingkat bahaya setiap kelurahan dibagi menjadi 4 level (rendah, sedang, tinggi dan ekstrim) menggunakan metode clustering dan Silhouette Score. Pemetaan rekomendasi kebijakan penanggulangan fokus DBD ditentukan dari data kelas kebijakan yang tidak seimbang. Dilakukan penyeimbangan data dan pemilihan teknik penyeimbangan data yang terbaik menggunakan TOPSIS. Dalam data lima tahun (2016-2020) ±15 ribu kasus dari Kota Semarang, hasil seleksi fitur kebijakan kontingensi menunjukkan fitur kelompok lingkungan dan demografi memiliki Silhouette Score terbesar dibandingkan yang lain. Dengan hasil seleksi fitur itu, ditemukan bahwa K-Means memiliki Silhouette Score yang tinggi dibandingkan dengan DBSCAN dan Agglomerative dengan tiga jumlah kluster vi yang optimal. K-Means juga berhasil memetakan tingkat bahaya kluster dan menetapkan kluster tersebut ke kebijakan kontingensi yang sesuai. Dengan data yang sama, seleksi fitur kebijakan penanggulangan fokus dilakukan menggunakan Chi-Square yang unggul pada supervised data. Pada penelitian ini ditemukan bahwa kombinasi TomekLinks dan Decision Tree menjadi urutan 1 hasil evaluasi TOPSIS dalam melakukan penyeimbangan pada kelas kebijakan penanggulangan fokus. Hasil pemetaan kebijakan kontingensi tahun 2016, 2019, dan 2020 direkomendasikan memiliki banyak rencana dibandingkan tahun-tahun lainnya. Hal ini sejalan dengan bukti objektif bahwa tahun tersebut memang memiliki jumlah kasus yang lebih tinggi dibandingkan tahun lainnya.
==============================================================================================================================
The dengue epidemic remains one of the main public health problems, with the number of sufferers and the area of distribution increasing with increasing mobility and population density. With the increasing number of cases, a plan to eradicate dengue hemorrhagic fever is needed. However, the current plan emphasizes prevention efforts with undirected mass spraying before the disease transmission season in dengue hemorrhagic fever endemic areas. Therefore, a comprehensive action is needed for the control and prevention of DHF by mapping out a contingency control plan and overcoming the focus of DHF. However, mapping out a contingency plan and focal response is not easy as clinical and managerial issues, vector control, preventive measures, and surveillance must be considered. In addition, most of the research on DHF cases is about predicting DHF cases and measuring the risk of DHF occurrence. There are not many studies that discuss the policy recommendations for dengue control. Not to mention the problem of data imbalance encountered in the practice of decision-making in response to focus. This will affect decision making so it is necessary to evaluate the balancing of the class in the case of focus countermeasures. This study introduces the mapping of cluster-based DHF contingency policy recommendations and response policies focusing on unbalanced class classification. The mapping of DHF contingency policy recommendations is determined from the WHO contingency policy which is adjusted to the level of danger of each kelurahan and season. The hazard level of each kelurahan is divided into 4 levels (low, medium, high and extreme) using the clustering method and the Silhouette Score. Mapping of policy recommendations to tackle dengue focus is determined from data on unbalanced policy classes. Data balancing and selecting the best data balancing technique using TOPSIS. In the five-year data (2016-2020) of ±15 thousand cases from Semarang City, the results of the selection of contingency policy features show that environmental and demographic group features have the largest Silhouette Score compared to others. With the results of the feature selection, it was found that K- Means has a high Silhouette Score compared to DBSCAN and Agglomerative with three optimal number of clusters. K-Means also succeeded in mapping the hazard level of the cluster and assigning the cluster to the appropriate contingency policy. With the same data, the selection of focus mitigation policy features is carried out viii using Chi-Square which is superior to supervised data. In this study, it was found that the combination of TomekLinks and Decision Tree became the first order of TOPSIS evaluation results in balancing the focus response policy class. The results of contingency policy mapping in 2016, 2019, and 2020 are recommended to have many plans compared to other years. This is in line with objective evidence that that year did have a higher number of cases than other years.

Item Type:	Thesis (Masters)
Additional Information:	RTIf 658.403 Hus p-1 2022
Uncontrolled Keywords:	TOPSIS (Technique for Others Preference By Similarity to Ideal Solution), Imbalance Data, Pengendalian Dengue
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	06 Jul 2026 06:50
Last Modified:	06 Jul 2026 06:50
URI:	http://repository.its.ac.id/id/eprint/134350

Actions (login required)

View Item