Peramalan Jumlah Kasus Penyakit Demam Berdarah Dengue Di Kabupaten Malang Dengan Metode Long Short-Term Memory (LSTM)

Lestari, Nur Aini (2021) Peramalan Jumlah Kasus Penyakit Demam Berdarah Dengue Di Kabupaten Malang Dengan Metode Long Short-Term Memory (LSTM). Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 05211740000019-Undergraduate_Thesis.pdf]
Preview
Text
05211740000019-Undergraduate_Thesis.pdf - Accepted Version

Download (3MB) | Preview

Abstract

Penyakit Demam Berdarah Dengue cenderung mengalami peningkatan jumlah kasus setiap tahunnya, baik dalam skala nasional maupun skala global. Penyakit ini merupakan penyakit yang ditularkan oleh salah satu spesies nyamuk yaitu Aedes yang terinfeksi virus Dengue kepada manusia melalui gigitannya. Di Indonesia, penyakit demam berdarah merupakan salah satu penyakit yang harus mendapatkan perhatian khusus karena penyakit ini juga pernah menjadi Kejadian Luar Biasa (KLB) di beberapa daerah Indonesia. Provinsi Jawa Timur merupakan salah satu daerah yang memberikan sumbangsih terbesar terhadap jumlah kasus penyakit demam berdarah, terutama di Kabupaten Malang. Salah satu tindakan yang dapat dilakukan yaitu melakukan peramalan jumlah kasus penyakit demam berdarah di Kabupaten Malang sehingga nantinya dapat mengambil keputusan yang tepat terkait upaya Dinas Kesehatan Kabupaten Malang dalam melakukan pencegahan maupun mengatasi penyakit demam berdarah di masa mendatang.

Penelitian ini mengusulkan peramalan jumlah kasus demam berdarah dengan menggunakan metode Long Short-Term Memory yang kemudian hasilnya digunakan untuk menentukan kejadian luar biasa. Metode Long Short-Term Memory dipilih karena memiliki arsitektur yang lebih baik dibandingkan dengan pendahulunya, yaitu Recurrent Neural Network (RNN). Arsitektur Long Short-Term Memory dapat mengatasi permasalahan vanishing gradient yang terjadi pada arsitektur RNN, dimana sensitivitas semakin menurun seiring berjalannya waktu karena masukan baru menimpa nilai aktivasi sehingga jaringan mulai melupakan nilai masukan awal. Arsitektur pada LSTM dapat mengatasi masalah tersebut sehingga membuatnya menjadi lebih cocok digunakan untuk melakukan peramalan deret waktu.

Hasil dari penelitian ini menunjukkan bahwa banyaknya jumlah variabel yang digunakan, proporsi partisi data, serta nilai parameter dalam pembentukan model dapat mempengaruhi performa model peramalan LSTM. Model peramalan dengan akurasi terbaik yang didapatkan dari proses pembentukan model pada kecamatan Kepanjen menghasilkan nilai RMSE sebesar 5,5922 yang dilakukan dengan melibatkan faktor kelembapan udara. Selain itu, model peramalan tersebut juga menghasilkan nilai RMSE terkecil yaitu 3,9534 saat digunakan untuk meramalkan jumlah kasus DBD pada kecamatan Ngajum.
=========================================================================================
Dengue Hemorrhagic Fever (DHF) tends to increase in the number of cases from year to year, both on a national and global scale. This disease is transmitted by one species of mosquito namely Aedes which is infected by the Dengue virus to humans through its bite. In Indonesia, this disease is one that must receive special attention because it has also been an Extraordinary Event (KLB) in several regions of Indonesia. East Java Province is one that contributes the most to the number of dengue cases, especially in Malang Regency. One of the actions that can be taken is to predict the number of dengue cases in Malang Regency so the result will help Malang Regency Health Office to make the right decisions regarding the efforts in preventing and overcoming dengue in the future.

This study proposed forecasting the number of dengue cases using Long Short-Term Memory method which then the result are used to determine Extraordinary Event (KLB). Long Short-Term Memory method because it had a better architecture than its predecessor, Recurrent Neural Network (RNN). LSTM architecture could overcome the vanishing gradient problem that occurs in the RNN architecture, where the sensitivity decreases over time because new inputs overwrite the activation value that makes the network begins to forget the initial input value. The architecture of LSTM could overcome this problem, making it more suitable for time series forecasting.

The results of this study indicated that the number of variables used, the proportion of data partitions, as well as the parameter values in modeling could affect the performance of the LSTM forecasting model. The best accuracy value that could be generated by LSTM from the model development process in the Kepanjen sub-district is RMSE value of 5,5922 which is carried out by involving the humidity factor. In addition, the forecasting model also produces the smallest RMSE value which is 3,9534 when it is used to predict the number of dengue cases in Ngajum sub-district.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Peramalan, Demam Berdarah Dengue, Kabupaten Malang, Long Short-Term Memory, Forecasting, Dengue Hemorrhagic Fever, Malang Regency, Long Short-Term Memory
Subjects: H Social Sciences > HB Economic Theory > Economic forecasting--Mathematical models.
Q Science
Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
T Technology > T Technology (General)
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: Nur Aini Lestari
Date Deposited: 14 Aug 2021 02:55
Last Modified: 20 Jun 2024 06:20
URI: http://repository.its.ac.id/id/eprint/86604

Actions (login required)

View Item View Item