Hasil Pencarian  ::  Simpan CSV :: Kembali

"Demam Berdarah Dengue (DBD) disebabkan oleh virus dengue yang disebarkan oleh nyamuk Aedes aegypti dan Aedes albopictus. Menurut WHO, sebagai negara yang berada di daerah tropis, Indonesia adalah negara yang berisiko DBD tinggi. DBD dapat menyebar dari penderita DBD ke orang yang sehat melalui gigitan nyamuk yang telah terinfeksi virus dengue. Faktor cuaca yang terdiri dari temperatur, kelembaban, dan curah hujan mempunyai pengaruh terhadap jumlah insiden DBD. Dengan memprediksi jumlah insiden DBD, diharapkan pemerintah dan masyarakat lebih siap menangani DBD ketika jumlah insiden DBD diprediksi tinggi jumlahnya. Pada tugas akhir ini, jumlah insiden DBD diprediksi dengan support vector regression, dengan jumlah insiden dan faktor cuaca sebelumnya yang terdiri dari temperatur, kelembaban, dan curah hujan sebagai variabel prediktor. Fungsi kernel yang digunakan adalah kernel linear dan kernel gaussian radial basis function (radial). Variabel prediktor ditentukan dengan mencari time lag dari masing-masing variabel prediktor terhadap jumlah insiden menggunakan korelasi silang. Model yang dibentuk dievaluasi dengan Root Mean Squared Error dan Mean Absolute Error. Pada tugas akhir ini, support vector regression dengan kernel linear memberikan performa yang lebih baik daripada kernel radial.

---

Dengue fever is a disease caused by dengue virus, which is spread by Aedes aegypti and Aedes albopictus mosquitoes. According to WHO, as a tropical country, Indonesia is a country at risk for dengue. Dengue can spread to other people by mosquitoes bite. Weather factors, such as temperature, humidity, and rainfall have effects on the number of dengue incidences. It is important to predict the number of incidences so that the government and people will be ready to prevent a dengue outbreak when the number of incidences is predicted high.

In this final paper, number of dengue incidences in DKI Jakarta is predicted using support vector regression, with weather and the previous number of incidences as predictor variables. Linear and gaussian radial basis function kernel are used. These predictor variables are determined by analyzing the time lag between each predictor variables and the number of incidences by using cross correlation. Models for prediction are evaluated by Root Mean Squared Error and Mean Absolute Error. The result shows that support vector regression with linear kernel have better performance than support vector regression with gaussian radial basis function kernel for predicting dengue incidences number."

"

Di tengah maraknya wabah virus Corona, penyakit lain yang menjadi salah satu masalah kesehatan utama masyarakat Indonesia dan tidak dapat diabaikan adalah penyakit Demam Berdarah Dengue (DBD). DBD merupakan penyakit infeksi yang disebabkan oleh virus dengue dan ditularkan melalui gigitan nyamuk Aedes aegypti betina. Faktor lain yang berpengaruh dalam penyebaran DBD adalah faktor cuaca, seperti curah hujan yang tinggi, perubahan suhu dan iklim, serta kelembaban udara. Di Indonesia sendiri, peningkatan kasus DBD banyak terjadi pada masa pancaroba. Oleh karena itu, seiring dengan banyaknya kasus DBD yang terjadi saat ini, dibutuhkan upaya pencegahan dan penanganan dini untuk menanggulangi risiko persebarannya. Upaya yang dapat dilakukan antara lain dengan melakukan prediksi jumlah insiden DBD. Pada tugas akhir ini, jumlah insiden DBD diprediksi menggunakan salah satu metode dalam machine learning, yaitu metode Artificial Neural Network - Particle Swarm Optimization (ANN-PSO), di mana yang menjadi variabel prediktornya adalah jumlah insiden DBD dan faktor cuaca (temperatur, curah hujan, dan kelembaan relatif). Fungsi aktivasi yang digunakan pada tugas akhir ini adalah fungsi Tanh (pada hidden layer) dan fungsi ReLU (pada output layer), dengan memperhitungkan parameter jumlah hidden neuron dan ukuran populasi. Kinerja model ANN-PSO yang dibentuk kemudian dievaluasi berdasarkan Mean Squared Error (MSE). Pada tugas akhir ini, model ANN-PSO terbaik yang dihasilkan untuk masing-masing kotamadya di DKI Jakarta memiliki hasil yang berbeda-beda sesuai dengan parameter yang digunakannya, dengan MSE testing paling kecil bernilai 0,0215026 untuk wilayah Jakarta Pusat, sedangkan MSE testing paling besar bernilai 0,0438962 untuk wilayah Jakarta Utara.

---

During the Coronavirus outbreak, another disease that is also one of the main health problems for the Indonesian people and hence cannot be ignored is Dengue Hemorrhagic Fever (DHF). DHF is an infectious disease caused by dengue virus and is transmitted through the bite of female Aedes aegypti mosquitoes. Another factor that influences the spread of DHF is weather factors, such as high rainfall, changes in temperature and climate, and humidity. In Indonesia, the increase in dengue cases occurred during the transition period. Therefore, in line with the number of dengue cases currently occurring, prevention and early management are needed to mitigate the risk of its spread. Efforts that can be made include predicting the number of dengue incidents. In this final project, the number of dengue incidents is predicted using one of the methods in machine learning, namely the Artificial Neural Network - Particle Swarm Optimization (ANN-PSO) method, where the predictor variables are the number of dengue incidents and weather factors (temperature, rainfall, and relative humidity). The activation functions used in this final project are the Tanh Function (on the hidden layer) and the ReLU Function (on the output layer), and the tuning parameters are the number of hidden neurons and population size. The performance of the ANN-PSO model that was formed evaluated using the Mean Squared Error. In this final project, the best ANN-PSO model produced for each municipality in DKI Jakarta has different results according to the parameters it uses, with the smallest MSE testing value of 0,0215026 for the Central Jakarta area, while the largest MSE testing value was 0,0438962 for the North Jakarta area.

"

"Keberadaan COVID-19 di Indonesia saat ini bukanlah satu-satunya wabah penyakit yang harus diwaspadai. Menteri Kesehatan mengatakan ada penyakit yang tidak kalah  berbahaya dan juga tidak kalah mematikan dibandingkan dengan wabah penyakit COVID-19, yaitu Demam Berdarah Dengue. Penyakit ini sudah sepatutnya untuk diwaspadai mengingat jumlah kasusnya yang semakin meningkat dan melebihi jumlah kasus penyakit COVID-19. Faktor cuaca seperti curah hujan, temperatur, dan kelembapan merupakan faktor yang sangat berpengaruh dalam penyebaran parasit dan vektor penular DBD. Untuk mengoptimalkan upaya pencegahan dan penanganan DBD, perlu dilakukannya prediksi terkait jumlah insiden DBD. Dalam tugas akhir ini dilakukan proses prediksi jumlah insiden DBD di DKI Jakarta dengan memperhitungkan faktor iklim (curah hujan, kelembapan, dan temperatur) menggunakan metode Extreme Learning Machine dan metode Artificial Neural Network-Back Propagation serta membandingkan kinerja dari kedua metode tersebut.  Berbeda dari Artificial Neural Network-Back Propagation, Extreme Learning Machine tidak membutuhkan proses iterasi untuk update parameter. Dengan menggunakan data variabel cuaca dan data jumlah insiden DBD kumulatif, Extreme Learning Machine dapat memberikan hasil prediksi yang lebih akurat dibandingkan dengan  Artificial Neural Network - Back Propagation. Extreme Learning Machine dengan persentase data training sebesar 90% menunjukkan hasil prediksi yang lebih baik dibandingkan dengan persentase data training lainnya yang digunakan dalam tugas akhir ini yaitu sebesar 80% dan 70%.

---

The existence of COVID-19 currently in Indonesia is not the only disease which must be watched out. The Health Ministry has said that there was a disease that is as dangerous as COVID-19. That disease is Dengue Fever. Dengue Fever also must be given an extra caution because it is noted that until now the number of dengue cases continues to increase and exceeds COVID-19 cases. The weather factors, such as rainfall, temperature, and humidity, are a very influential factor in the spread of parasites and infectious vectors of dengue fever.  To optimize the dengue handling and prevention effort, it is important to make the dengue cases prediction.

In this final paper, the number of dengue incidences will be predicted by involving weather factors (rainfall, temperature, and humidity) using Extreme Learning Machine and Artificial Neural Network-Back Propagation and also comparing the both of their performance. Unlike the Artificial Neural Network-Back Propagation, Extreme Learning Machine does not need the iteration process to update the parameter.

The result shows that Extreme Learning Machine can give the dengue incidences prediction  which is more accurate than the dengue incidences prediction that is given by using Artificial Neural Network-Back Propagation. Extreme Learning Machine by using 90% training data can show the better prediction result than other training data percentage which is used in this final paper, 80% and 70%."

"Demam berdarah dengue (DBD) merupakan infeksi virus yang menyebar dari nyamuk ke tubuh manusia dan menjadi masalah kesehatan utama di berbagai negara, termasuk Indonesia. Pada tahun 2023, lebih dari 3,7 juta kasus infeksi DBD dilaporkan secara global, dengan lebih dari 2.000 kematian. Indonesia adalah salah satu negara dengan tingkat kasus DBD yang tinggi, khususnya di Provinsi DKI Jakarta. Mengingat tingginya angka kasus DBD di DKI Jakarta, skripsi ini bertujuan untuk memprediksi kasus DBD di lima Kota madya DKI Jakarta. Skripsi ini menggunakan model ARIMA-GRNN, yang merupakan gabungan dari model ARIMA (Autoregressive Integrated Moving Average) dan GRNN (General Regression Neural Network). Data yang digunakan dalam penelitian ini adalah data kasus bulanan demam berdarah di DKI Jakarta, yang dikumpulkan dari tanggal 1 Januari 2009 hingga 30 Agustus 2023. Hasil akurasi model ARIMA dan ARIMA-GRNN dalam memprediksi jumlah insiden demam berdarah di DKI Jakarta menunjukkan hasil prediksi model ARIMA lebih akurat untuk Jakarta Selatan dan Jakarta Timur, sedangkan hasil prediksi model ARIMA-GRNN memberikan hasil yang lebih baik untuk Jakarta Pusat, Jakarta Barat, dan Jakarta Utara. 

---

Dengue fever (DF) is a viral infection transmitted from mosquitoes to humans and has become a major health issue in various countries, including Indonesia. In 2023, more than 3.7 million cases of DF infection were reported globally, with over 2,000 deaths. Indonesia is one of the countries with a high rate of DF cases, particularly in the Province of DKI Jakarta. Given the high number of DF cases in DKI Jakarta, this final project aims to predict DF cases in the five municipalities of DKI Jakarta. This final project uses the ARIMA-GRNN model, which is a combination of the ARIMA (Autoregressive Integrated Moving Average) model and the GRNN (General Regression Neural Network). The data used in this research comprises monthly DF case data in DKI Jakarta, collected from January 1, 2009, to August 30, 2023. The accuracy results of ARIMA and ARIMA-GRNN models in predicting the number of dengue fever incidents in DKI Jakarta indicate that the ARIMA model is more accurate for South Jakarta and East Jakarta, while the ARIMA-GRNN model provides better results for Central Jakarta, West Jakarta, and North Jakarta. "

"Demam Berdarah Dengue (DBD) merupakan salah satu virus yang menginfeksimanusia melalui gigitan nyamuk Aedes aegypti dan Aedes albopictus. Menurut laporanCDC, Indonesia yang masuk dalam level 1 dari 3 yaitu level tertinggi, frequent orcontinuous kasus DBD. Perkiraan lebih awal dan akurat dari persebaran insiden DBDdapat meminimalkan ancaman dan membantu pihak yang berwenang untuk menerapkanlangkah-langkah pengendalian yang efektif. Pada penelitian ini, prediksi angka insidenDBD menggunakan faktor-faktor cuaca yang mempengaruhi perkembangan nyamuk itusendiri, yaitu temperatur, kelembapan, dan curah hujan sebagai variabel prediktor.Variabel prediktor ditentukan berdasarkan nilai korelasi silang dari time lag variabelprediktor terhadap jumlah insiden DBD. Penelitian dilakukan dengan memanfaatkansalah satu metode dalam machine learning, yaitu gated recurrent unit dalammembangun model prediksi insiden DBD tersebut. Performa model yang digunakandievaluasi dengan Root Mean Squared Error dan Mean Absolute Error. Hasil penelitianini menunjukkan bahwa prediksi angka insiden DBD terbaik, diperoleh denganmenggunakan proporsi data training-test: 90%-10%.

---

Dengue Fever (DF) is a virus that infects humans through the bite of Aedes aegypti andAedes albopictus mosquitoes. According to the CDC report, Indonesia is included inlevel 1 of 3, namely the highest level, frequent or continuous cases of DF. Early andaccurate estimates of the spread of dengue incidents can minimize threats and help theauthorities to implement effective control measures. In this study, the prediction of DFincidence uses weather factors that influence the development of mosquitoesthemselves, namely temperature, humidity, and rainfall as predictor variables. Predictorvariables are determined based on the value of the cross correlation of the time lagpredictor variable to the number of DF incidents. The study was conducted by utilizingone method in machine learning, namely the gated recurrent unit in building the DFincident prediction model. The performance of the model are evaluated by Root MeanSquared Error and Mean Absolute Error. The results of this study shows that the bestprediction model of DF incidence rate, obtained using the proportion of training-testdata: 90% -10%."

"Penyakit Demam Berdarah Dengue (DBD) merupakan salah satu penyakit yang penyebarannya sangat cepat. Dengan memprediksi angka insiden penyakit tersebut, diharapkan dapat membantu pemerintah dalam mengatasi penyakit ini. Seiring berkembangnya ilmu pengetahuan, salah satu metode untuk memprediksi penyakit DBD adalah machine learning. Penelitian dilakukan dengan memanfaatkan salah satu metode dalam machine learning yaitu Long Short-Term Memory (LSTM) dalam membangun model prediksi insiden DBD. Pada penelitian sebelumnya, LSTM telah digunakan dalam memprediksi angka insiden DBD di 20 kota di negara China. Pada skripsi ini model LSTM diterapkan untuk memprediksi angka insiden DBD di DKI Jakarta dengan menggunakan data cuaca dan insiden DBD. Hasil implementasi LSTM dalam memprediksi angka insiden DBD menunjukkan bahwa model terbaik diperoleh dengan menggunakan proporsi data training-testing 90%-10% dengan RMSE dan MAE berdasarkan data test. Nilai RMSE pada wilayah Jakarta Pusat, Jakarta Timur, Jakarta Barat, Jakarta Utara, dan Jakarta Selatan adalah 5,218412, 9,570137, 10,527401, 6,496117, dan 5,952310. Nilai MAE pada wilayah yang sama secara berturut-turut adalah 4,016646, 7,791134, 8,405053, 5,279802, dan 4,416999.

---

Dengue Hemorrhagic Fever (DHF) is a disease that spreads very fast. By predicting the incidence of the disease, it is expected to help the government in overcoming this disease. As the development of science, one method to predict DHF is machine learning. The study was conducted by utilizing one method in machine learning that is Long Short Term-Memory (LSTM) in building a DHF incident prediction model. In previous studies, LSTM has been used in predicting the incidence of DHF in 20 cities in China. In this thesis the LSTM model is applied to predict the number of DHF incidents in DKI Jakarta by using weather data and DHF incidents. The results of LSTM implementation in predicting the number of DHF incidents showed that the best model was obtained using the proportion of training data-testing 90% -10% with RMSE and MAE based on test data. The RMSE values in the Central Jakarta, East Jakarta, West Jakarta, North Jakarta and South Jakarta areas are 5.218412, 9.570137, 10.527401, 6.496117, and 5.952310. MAE values in the same region are 4,016646, 7.791134, 8.405053, 5.279802, and 4.416999."

"Demam Berdarah Dengue (DBD) adalah penyakit yang disebabkan oleh virus dengue yang termasuk anggota genus Flavivirus dan keluarga Flaviviridae yang menyebar melalui nyamuk Aedes (Stegomyia). Jumlah kasus DBD di seluruh dunia dilaporkan meningkat lebih dari 8 kali lipat selama dua dekade terakhir, dari 505.430 kasus pada tahun 2000, menjadi lebih dari 2,4 juta pada tahun 2010, dan 5,2 juta pada tahun 2019. Peningkatan insiden DBD dipengaruhi oleh berbagai faktor, baik itu faktor alam, kebiasaan manusia, hingga jenis virus penyebab DBD itu sendiri. Faktor alam yang dimaksud disini antara lain faktor iklim, seperti curah hujan (mm), temperatur rata-rata (℃), dan kelembapan rata-rata (%). Peningkatan insiden DBD dapat dicegah dengan upaya pencegahan yang dilakukan sedini mungkin oleh pemerintah dan masyarakat. Informasi prediksi tren insiden DBD dapat menjadi masukan bagi masyarakat dan pemerintah untuk meningkatkan kewaspadaan terhadap peningkatan insiden DBD di DKI Jakarta. Dalam melakukan prediksi tren insiden DBD, dapat dilakukan dengan berbagai pendekatan, salah satu diantaranya adalah machine learning. Pada tugas akhir ini, implementasi machine learning menggunakan model The Attention Mechanism-Enhanced LSTM (LSTM-ATT) dan Poisson Regression, akan digunakan untuk memprediksi tren insiden DBD dari waktu ke waktu. LSTM-ATT adalah sebuah model machine learning yang digunakan untuk memproses data sequence. Poisson Regression adalah model regresi yang dapat digunakan pada data yang variabel responnya berdistribusi Poisson dan bertipe diskrit. Prediksi yang akan dilakukan didasarkan pada jumlah insiden DBD sebagai variabel respon, serta faktor iklim seperti curah hujan, suhu, dan kelembapan sebagai variabel prediktor. Untuk proporsi data, kedua model tersebut menggunakan proporsi data training sebesar 80% dan data testing sebesar 20%. Model yang dibentuk ini dievaluasi dengan nilai dari Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE). Hasil implementasi terbaik pada skrips ini dihasilkan oleh model LSTM-ATT dengan evaluasi di setiap wilayah DKI Jakarta: Jakarta Pusat RMSE: 9,5727, MAE: 6,6946; Jakarta Timur RMSE: 21,5288, MAE: 15,6365; Jakarta Barat RMSE: 16,3683, MAE: 12,4908; Jakarta Utara RMSE: 23,5911, MAE: 15,2969; Jakarta Selatan RMSE: 18,3811, MAE: 14,0262.

---

Dengue Hemorrhagic Fever (DHF) is a disease caused by the dengue virus, which belongs to the Flavivirus genus and Flaviviridae family, transmitted through Aedes mosquitoes (Stegomyia). The number of DHF cases worldwide has reported an increase of more than 8 times over the past two decades, from 505,430 cases in 2000 to over 2.4 million in 2010 and 5.2 million in 2019. The increase in DHF incidence is influenced by various factors, including natural factors, human behavior, and the type of dengue virus itself. Natural factors include climate factors such as rainfall (mm), average temperature (℃), and average humidity (%). The increase in DHF incidence can be prevented through early prevention efforts by the government and the community. Predicting the trend of DHF incidence can provide input for the community and the government to increase vigilance against the increasing incidence of DHF in Jakarta. Various approaches can be used for predicting the trend of DHF incidence, one of which is machine learning. In this final project, the implementation of machine learning using the LSTM-ATT and Poisson Regression models will be used to predict the trend of DHF incidence over time. LSTM-ATT is a machine learning model used to process sequential data, such as time series data. On the other hand, Poisson Regression is a regression model that can be used for data with Poisson-distributed response variables and discrete types. The prediction will be based on the number of DHF incidents as the dependent variable, and climate factors such as rainfall, temperature, and humidity as independent variables. The performance of the models will be evaluated using the Root Mean Square Error (RMSE) and Mean Absolute Error (MAE). The best implementation results in this thesis were produced by the LSTM-ATT model with evaluation in each area of DKI Jakarta: Central Jakarta RMSE: 9.5727, MAE: 6.6946; East Jakarta RMSE: 21.5288, MAE: 15.6365; West Jakarta RMSE: 16.3683, MAE: 12.4908; North Jakarta RMSE: 23.5911, MAE: 15.2969; South Jakarta RMSE: 18.3811, MAE: 14.0262."

"Penelitian ini bertujuan untuk membahas mengenai implementasi kebijakan pengendalian penyakit Demam Berdarah Dengue (DBD) di DKI Jakarta. Penelitian ini menggunakan pendekatan positivis, dengan teknik pengumpulan data kualitatif melalui wawancara mendalam. Penelitian ini bertujuan menggambarkan implementasi kebijakan pengendalian penyakit demam berdarah dengue (DBD) di Provinsi DKI Jakarta. Hasil penelitian implementasi kebijakan ini berjalan dengan baik. Hal ini dapat dilihat dari dimensi isi kebijakan terpenuhinya kepentingan pemerintahan daerah, masyarakat dapat merasakan manfaatnya secara langsung, tercapainya perubahan yang diharapkan, dan terpenuhinya sumberdaya-sumberdaya yang mendorong kebijakan secara efektif. Selain itu dari dimensi konteks implementasinya peran gubernur beserta perangkat daerahnya (walikota, camat, dan lurah) ikut mendorong, implementasi kebijakan secara efektif. Namun demikian, masih terdapat beberapa kekurangan dalam implementasi kebijakan ini, yaitu dari dimensi isi kebijakan komitmen dari pelaksana elemen kedinasan masih kurang dan kesadaran masyarakat untuk mau lebih peduli akan pentingnya kesehatan terutama dalam pengendalian penyakit DBD belum mempunyai kesadaran yang sama. Sedangkan, dari dimensi konteks implementasinya kerjasama dengan pihak swasta masih kurang, masih kurangnya promosi dan sosialisasi diberikan kepada masyarakat, minimnya edukasi yang diberikan kepada Jumantik, dan penerapan sanksi yang belum dilaksanakan.

---

This study aims to discuss the policy implementation of Dengue Hemorrhagic Fever (DHF) Disease Control Policy in Jakarta. This research uses a positivist approach, with qualitative data collection techniques through in-depth interviews. This study describes the implementation of policies aimed at controlling the Dengue Hemorrhagic Fever (DHF) disease in the Province of Jakarta. The result is that policy implementation is going well. It can be seen from the dimensions of policy contents, including the fulfillment of the interests of local government, the public can experience the benefits directly, the achievement of expected changes, and compliance resources that promote effective policies. Apart from the dimensions of policy contexts, the governor's role of the region (the mayor, sub district, and village heads) contributed to the implementation of effective policies. However, there are still some shortcomings in the implementation of this policy, which can be seen in the dimensions of policy contents, including the lack of commitment of policy implementer, and lack of public awareness. Meanwhile, in the dimension of policy contexts, can be seen in the lack of private sector cooperation, lack of promotion and socialization provided to the community, lack of education given to the Jumantik (experts observers larvae), and the application of sanctions that have not been implemented."

"

Demam Berdarah Dengue (DBD) merupakan penyakit yang banyak ditemukan di sebagian besar wilayah tropis dan subtropis. DBD merupakan penyakit infeksi yang disebabkan oleh virus dengue yang termasuk ke dalam family flaviviridae dan genus flavivirus yang ditularkan ke manusia melalui gigitan nyamuk Aedes aegypti dan Aedes albopicus dengan masa inkubasi intrinsik 3 sampai 14 hari, dan inkubasi ekstrinsik 8 sampai 10 hari. Dalam 3 tahun terakhir, jumlah penderita DBD di DKI Jakarta menduduki jumlah tertinggi yang mencapai 813 jiwa pada tahun 2019. Pada tugas akhir ini, dibahas pembuatan model Adaptive Neuro-Fuzzy Inference System (ANFIS) untuk memprediksi jumlah insiden DBD di DKI Jakarta menggunakan data jumlah insiden DBD pada setiap wilayah di DKI Jakarta tahun 2009 sampai 2017. Hasil simulasi dari model Adaptive Neuro-Fuzzy Inference System dibandingkan dengan hasil model Artificial Neural Network (ANN) dan Ensemble ANN-ANFIS yang dievaluasi berdasarkan Root Mean Squared Error dan Mean Absolute Error. Pada tugas akhir ini, Adaptive Neuro-Fuzzy Inference System memiliki performa lebih baik dibandingkan Artificial Neural Network dan Ensemble ANN-ANFIS hampir seluruh daerah di DKI Jakarta.

---

Dengue Hemorrhagic Fever (DHF) is a disease that is found in most tropical and subtropical regions. DHF is a disease caused by dengue virus which belongs to the flaviviridae family and genus flavivirus which is transmitted to humans through the bite of Aedes aegypti and Aedes albopicus mosquitoes with an intrinsic incubation period of 3 to14 days, and extrinsic incubation period of 8 to 10 days. In the last 3 years, the number of DHF sufferers in DKI occupied the highest number, which reached 813 people in 2019. In this final project, we will discuss making an Adaptive Neuro-Fuzzy Inference System (ANFIS) model to predict the number of DHF reporting in DKI Jakarta using data on the number of DHF reporting in each region in DKI Jakarta from 2009 to 2017. Simulation result from the Adaptive Neuro-Fuzzy Inference System model are compared with the results of the Artificial Neural Network (ANN) model and the Ensemble ANN-ANFIS model, evaluated based on Root Mean Squared Error and Mean Absolute Error. In this final project, the Adaptive Neuro-Fuzzy Inference System has better performance than the Artificial Neural Network and Ensemble ANN-ANFIS in all regions in DKI Jakarta.

"

"Usia biologis mengukur penuaan individu berdasarkan kondisi fisik dan fungsi organ. Meskipun banyak penelitian telah dilakukan untuk memprediksi usia biologis dengan berbagai metode, penerapan metode machine learning masih memiliki ruang untuk penelitian lebih lanjut. Penelitian ini mengimplementasikan dua metode machine learning dengan pendekatan yang berbeda, yaitu metode Support Vector Regression (SVR) dan Light Gradient Boosting Machine (LGBM) dalam memprediksi usia biologis menggunakan data pemeriksaan medis Kementerian Kesehatan tahun 2011 yang mencakup 5960 subjek dan 41 fitur. Proses preprocessing meliputi penyaringan usia kronologis > 30 tahun, pemisahan data berdasarkan jenis kelamin, penanganan missing values dan outlier, serta data encoding. Feature selection menggunakan koefisien korelasi Spearman menghasilkan 8 fitur berbeda untuk setiap jenis kelamin. Data dibagi dengan 90% untuk pelatihan dan 10% untuk pengujian, serta dilakukan tuning hyperparameter menggunakan GridSearchCV. Penelitian ini menggunakan metrik RMSE dan adjusted R-squared, yang dipilih berdasarkan relevansinya dengan tujuan penelitian. Hasil menunjukkan LGBM lebih unggul dari SVR dengan RMSE 7,2064 tahun dan adjusted R-squared 33,36% pada pria, serta RMSE 7,1475 tahun dan adjusted R-squared 22,16% pada wanita. Analisis korelasi menunjukkan hubungan yang wajar antara usia biologis dan usia kronologis serta korelasi yang cukup antara usia biologis dengan biomarker tekanan sistolik dan status hipertensi pada pria, serta tekanan sistolik dan kolesterol pada wanita. Analisis korelasi menunjukkan hubungan signifikan antara usia biologis dengan usia kronologis dan beberapa biomarker. Secara keseluruhan, LGBM lebih efektif dalam memprediksi usia biologis dibandingkan SVR. Hasil dari penelitian diharapkan dapat diaplikasikan dalam kehidupan sehari-hari, seperti membantu perusahaan asuransi menilai kelayakan klaim berdasarkan prediksi usia biologis, serta mendukung keputusan di bidang kesehatan preventif.

---

Biological age measures an individual's aging based on physical condition and organ function. Although numerous studies have been conducted to predict biological age using various methods, there is still room for further research in the application of machine learning techniques. This study implements two machine learning methods with different approaches, namely Support Vector Regression (SVR) and Light Gradient Boosting Machine (LGBM), to predict biological age using medical examination data from the Ministry of Health in 2011, covering 5960 subjects and 41 features. The preprocessing steps include filtering chronological age > 30 years, segregating data by gender, handling missing values and outliers, and data encoding. Feature selection using Spearman correlation coefficients resulted in 8 different features for each gender. The data was split into 90% for training and 10% for testing, with hyperparameter tuning performed using GridSearchCV. This study used RMSE and adjusted R-squared metrics, selected based on their relevance to the research objectives. The results show that LGBM outperformed SVR with an RMSE of 7.2064 years and an adjusted R-squared of 33.36% for men, and an RMSE of 7.1475 years and an adjusted R-squared of 22.16% for women. Correlation analysis revealed a significant relationship between biological age and chronological age, as well as a reasonable correlation between biological age and biomarkers such as systolic blood pressure and hypertension status in men, and systolic blood pressure and cholesterol in women. Overall, LGBM proved to be more effective in predicting biological age compared to SVR. The results of this study are expected to be applicable in everyday life, such as assisting insurance companies in evaluating claim eligibility based on biological age predictions, as well as supporting decision-making in preventive healthcare."