Hasil Pencarian  ::  Simpan CSV :: Kembali

"Demam Berdarah Dengue (DBD) adalah penyakit yang disebabkan oleh virus dengue dan tersebar melalui gigitan vektor nyamuk betina Aedes Aegepty dan Aedes Albopictus yang terinfeksi. Menurut penelitian Luz et al. (2008), machine learning dapat melakukan prediksi insiden DBD secara akurat menggunakan data historis insiden DBD. Pada skripsi ini, salah satu metode machine learning yaitu Recurrent Neural Network (RNN) digunakan untuk memprediksi insiden DBD di DKI Jakarta dengan menggunakan data historis kasus DBD dari tahun 2009 hingga 2017. RNN adalah salah satu neural network yang memiliki recurrent hidden state yang diaktivasi menggunakan data masa kini dengan data masa lampau. RNN cukup sesuai untuk prediksi data yang bersifat timeseries. Sebelum diimplementasikan pada model RNN, data insiden DBD di lima Kotamadya di DKI Jakarta akan dinormalisasi terlebih dahulu. Dalam implementasi model RNN tersebut digunakan beberapa fungsi aktivasi seperti fungsi sigmoid, tanh, dan ReLU. Selanjutnya dibandingkan hasil prediksi dari fungsi-fungsi aktivasi tersebut untuk menentukan fungsi aktivasi apa yang dapat menghasilkan tingkat akurasi terbaik. Berdasarkan data dan model yang digunakan, diperoleh hasil bahwa fungsi aktivasi sigmoid dapat memberikan hasil yang lebih baik pada model RNN dibandingkan dengan fungsi aktivasi tanh dan ReLU. Diharapkan, hasil penelitian ini dapat memberikan prediksi insiden DBD di DKI Jakarta yang dapat digunakan sebagai masukkan yang bermanfaat bagi pihak yang berwenang dalam penanganan penyebaran DBD di DKI Jakarta.

---

Dengue Hemorrhagic Fever (DHF) is a disease caused by the dengue virus and is spread through the bites of infected female mosquito vectors Aedes Aegepty and Aedes Albopictus. According to research by Luz et al in 2008, machine learning can accurately predict dengue incidence using historical data on dengue incidents. In this thesis, one of the machine learning methods, namely the Recurrent Neural Network (RNN) is used to predict the incidence of dengue fever in DKI Jakarta by using historical data on dengue cases from 2009 to 2017. RNN is a neural network that has a recurrent hidden state that is activated using present data with past data. RNN is quite suitable for prediction of timeseries data. Before being implemented in the RNN model, dengue incidence data in five municipalities in DKI Jakarta will be normalized first. In implementing the RNN model, several activation functions are used, such as the sigmoid function, tanh, and ReLU. Furthermore, the predicted results of the activation functions are compared to determine what activation function can produce the best level of accuracy. Based on the data and models used, the results show that the sigmoid activation function can give better results in the RNN model compared to the tanh and ReLU activation functions. Hopefully, the results of this study can provide predictions of dengue incidence in DKI Jakarta which can be used as useful input for the authorities in handling the spread of DHF in DKI Jakarta."

"

Demam Berdarah Dengue (DBD) adalah salah satu masalah kesehatan masyarakat yang utama di Indonesia. Jumlah kasus DBD semakin bertambah seiring dengan laju pertumbuhan mobilitas dan populasi manusia. Radial basis function neural network (RBFNN) pada tugas akhir ini diimplementasikan untuk prediksi jumlah insiden mingguan DBD di DKI Jakarta. RBFNN adalah salah satu feed forward neural neworks yang hanya memiliki satu lapisan tersembunyi. Lapisan tersembunyi pada RBFNN dikonstruksi oleh sebuah fungsi aktivasi. K-means clustering digunakan untuk menunjang peforma dari RBFNN, yaitu untuk menentukan pusat dan lebar dari fungsi aktivasi yang digunakan. Performa dari RBFNN dilihat dari RMSE yang dihasilkan pada data training dan data testing. Dari implementasi yang dilakukan, dapat diperoleh bahwa pemilihan struktur atau model RBFNN sangat berpengaruh terhadap hasil prediksi yang diperoleh. Pada tugas akhir ini, RBFNN mampu memprediksi insiden mingguan DBD di DKI Jakarta dengan cukup baik tetapi RBFNN belum dapat menjakau data yang melonjak tinggi pada data testing.

---

Dengue Hemorrhagic Fever (DHF) is one of the main public health problems in Indonesia. The number of DHF cases and the spread of this disease is increasing along with mobility and population density. Radial basis function neural network (RBFNN) in this final project is implemented to predict the number of weekly DHF incidents in DKI Jakarta. RBFNN in this final project was implemented to predict the number of weekly DHF incidents in DKI Jakarta. RBFNN is a feed forward neural network model that has a single hidden layer. The hidden layer of RBFNN is constructed by an activation function. K-means clustering algorithm is used to improve the performance of RBFNN to determine the center and width of the activation function. The performance of RBFNN can be seen from the RMSE generated in the training data and testing data. From the implementation, it can be obtained that the choice of RBFNN structure or model is very influential on the predicted results obtained. In this final project, RBFNN is able to predict the weekly incidence of DHF in DKI Jakarta quite well but RBFNN has not been able to predict well the data that soared in the testing data.

"

"Demam Berdarah Dengue (DBD) masih menjadi masalah kesehatan yang utama di Indonesia.  Berdasarkan data dari Kemenkes RI, pada tahun 2022 jumlah insiden DBD dicatat sebanyak 131.265 yang mana sekitar 40% adalah anak-anak usia 0 sampai 14 tahun dengan jumlah kasus kematian mencapai 1.135 jiwa dengan 73% terjadi pada anak-anak usia 0 sampai 14 tahun. DBD disebabkan oleh virus dengue yang disebarkan melalui gigitan nyamuk Aedes aegypti  dan Aedes albopictus.. Selain faktor kebersihan lingkungan dan kebiasaan masyarakat, tingginya insiden DBD di Indonesia juga dipengaruhi oleh beberapa faktor iklim seperti curah hujan, temperatur, dan kelembapan. Memaksimalkan proses pencegahan DBD oleh pemerintah dan masyarakat dapat menekan tingginya kasus DBD di Indonesia. Salah satu cara untuk memaksimalkan proses pencegahan DBD adalah dengan melakukan prediksi jumlah insiden DBD yang akan terjadi kedepannya. Dengan mengetahui hasil prediksi jumlah insiden DBD, diharapkan masyarakat dan pemerintah dapat memaksimalkan proses pencegahan DBD. Pada tugas akhir ini, dilakukan prediksi jumlah insiden DBD menggunakan convolutional neural network dan extreme gradient boosting, dengan jumlah insiden sebelumnya dan faktor cuaca sebelumnya yang terdiri dari temperatur, curah hujan, dan kelembapan relatif sebagai variabel prediktor. Variabel prediktor yang digunakan ditentukan berdasarkan time lag dari masing-masing variabel prediktor terhadap jumlah insiden DBD menggunakan korelasi silang. Model convolutinal neural network dan extreme gradient boosting yang dibentuk dievaluasi dan dibandingkan berdasarkan nilai Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan waktu simulasi. Pada tugas akhir ini, convolutional neural network memberikan performa yang lebih baik dibandingkan dengan extreme gradient boosting berdasarkan nilai RMSE dan MAE dengan rata-rata 13,3586 untuk RMSE dan 9,2249 untuk MAE. Berdasarkan waktu simulasi, extreme gradient boosting memberikan performa yang lebih cepat dibandingkan convolutional neural network.

---

Dengue Hemorrhagic Fever (DHF) remains a major health problem in Indonesia. Based on data from the Ministry of Health of Indonesia, in 2022, the number of DHF incidents recorded was 131,265, of which approximately 40% were children aged 0 to 14 years, with a total of 1,135 deaths, 73% of which occurred in children aged 0 to 14 years. DHF is caused by the dengue virus, which is transmitted through the bites of Aedes aegypti and Aedes albopictus mosquitoes. In addition to environmental cleanliness and societal habits, the high incidence of DHF in Indonesia is also influenced by several climate factors such as rainfall, temperature, and humidity. Maximizing the DHF prevention process by the government and the community can help reduce the number of DHF cases in Indonesia. One way to maximize the DHF prevention process is by predicting the future number of DHF incidents. By knowing the predicted number of DHF incidents, it is hoped that the community and the government can maximize the DHF prevention process. In this final project, the prediction of the number of DHF incidents is carried out using convolutional neural network and extreme gradient boosting, with the previous incident counts and previous weather factors consisting of temperature, rainfall, and relative humidity as predictor variables. The predictor variables used are determined based on the time lag of each predictor variable on the number of DHF incidents using cross-correlation. In this final project, the convolutional neural network outperforms extreme gradient boosting based on the RMSE and MAE values, with an average of 13.3586 for RMSE and 9.2249 for MAE. However, in terms of simulation time, extreme gradient boosting demonstrates faster performance compared to the convolutional neural network."

"Demam Berdarah Dengue (DBD) merupakan penyakit yang disebabkan oleh virus dengue (DENV) yang ditularkan kepada manusia melalui gigitan nyamuk betina. DBD cenderung memiliki siklus musiman, dimana puncak transmisinya di saat dan setelah musim hujan. Faktor iklim yang paling berpengaruh terhadap kasus DBD adalah curah hujan, suhu, dan kelembapan. Berdasarkan data dari Kemenkes (2021), masih terjadi penurunan dan peningkatan jumlah penderita DBD pada tahun 2016-2020. Oleh karena itu, diperlukan adanya pencegahan untuk mengendalikan jumlah kasus DBD. Prediksi jumlah insiden DBD dengan menggunakan deep learning dapat menjadi alternatif dalam pengendalian kasus DBD. Penelitian ini menggunakan data insiden DBD dan data iklim yang terdiri dari data temperatur rata-rata, kelembapan rata-rata, dan curah hujan di DKI Jakarta. Data yang digunakan merupakan data yang tercatat dari tahun 2008-2023. Prediksi insiden DBD dilakukan pada 5 wilayah di DKI Jakarta, yaitu Jakarta Barat, Jakarta Pusat, Jakarta Selatan, Jakarta Timur, dan Jakarta Utara. Untuk mencapai tujuan penelitian, penelitian ini menggunakan metode Long Short-Term Memory (LSTM). LSTM merupakan merupakan arsitektur recurrent network yang mampu mengingat informasi dalam jangka waktu yang lama. Hasil analisis menunjukkan bahwa LSTM dapat diimplementasikan untuk memprediksi insiden DBD di DKI Jakarta dimana wilayah Jakarta Pusat memiliki hasil terbaik dengan nilai MAE sebesar 6,021466 dan nilai RMSE sebesar 9,062668.

---

Dengue Hemorrhagic fever (DHF) is a disease caused by the dengue virus (DENV), which is transmitted to humans through the bite of female mosquitoes. Dengue tends to have a seasonal cycle, with transmission peaks during and after the rainy season. The climatic factors that have the most influence on dengue cases are rainfall, temperature, and humidity. Based on data from the Ministry of Health (2021), there are still changes in the number of dengue patients in 2016-2020. Therefore, prevention is needed to control the number of dengue cases. Predicting the number of dengue incidents using deep learning can be an alternative in controlling dengue cases. This study uses dengue incidence data and climate data consisting of average temperature, average humidity, and rainfall in DKI Jakarta. Data used is data recorded from 2008 - 2023. The prediction of dengue incidence was carried out in 5 regions in DKI Jakarta, namely West Jakarta, Central Jakarta, South Jakarta, East Jakarta, and North Jakarta. To achieve the research objectives, this study uses the Long Short-Term Memory (LSTM) method. LSTM is a recurrent network architecture that is able to remember information over a long period of time. The analysis results show that LSTM can be implemented to predict dengue incidents in DKI Jakarta, where Central Jakarta region has the best results with an MAE value of 6,021466 and an RMSE value of 9,062668.

"

"

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) 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."

"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%."

"Menurut WHO, Demam Berdarah Dengue (DBD) adalah salah satu penyakit yang paling umum terjadi di negara tropis seperti Indonesia dan sering berakibat fatal dalam kesehatan. DBD juga termasuk penyakit menular dengan nyamuk Aedes aegypti sebagai vektor penyebar utama. Faktor cuaca seperti temperatur, curah hujan dan kelembapan secara tidak langsung mempengaruhi penyebaran DBD. Memprediksi angka insiden Demam Berdarah dapat membantu pihak-pihak yang terkait seperti Dinas Kesehatan Daerah dalam membuat kebijakan dan rencana pencegahan sehingga menekan penyebaran DBD di masyarakat. Pada tugas akhir ini, angka insiden Demam Berdarah Dengue diprediksi dengan salah satu metode machine learning yaitu Restricted Boltzmann Machine - Backpropagation Neural Network (RBM-BPNN). RBM digunakan untuk mengatasi masalah dari BPNN, yaitu untuk menginisialisasi nilai awal bobot koneksi dan bias. Fungsi aktivasi yang digunakan adalah fungsi sigmoid. Terdapat 12 kombinasi hyperparameter yaitu kombinasi jumlah neuron hidden 3, 4, dan 5 dengan nilai learning rate 0,1; 0,05; 0,025; dan 0,01. Data yang digunakan adalah data temperatur, curah hujan, kelembapan serta angka insiden DBD sebelumnya untuk 5 kota madya di DKI Jakarta yang telah disesuaikan dengan time lag berdasarkan korelasinya dengan angka insiden. Kinerja model-model tersebut dibandingkan berdasarkan Root Mean Squared Error (RMSE). Pada tugas akhir ini, model terbaik untuk setiap kota madya memiliki hyperparameter yang berbeda. Model terbaik dari Jakarta Utara, Jakarta Selatan, Jakarta Barat, Jakarta Timur, dan Jakarta Pusat berturut-turut adalah 5 hidden neurons (HN) dengan learning rate (LR) 0,05; 4 HN dengan LN 0,025; 3 HN dengan LR 0,1; 5 HN dengan LR 0,1; dan 4 HN dengan LR 0,05. Nilai RMSE testing sebelum dan setelah denormalisasi dari Jakarta Utara, Jakarta Selatan, Jakarta Barat, Jakarta Timur, dan Jakarta Pusat yang dihasilkan dari model terbaik masing-masing adalah 0,16489 dan 8,739212; 0,11142 dan 14,14996; 0,13482 dan 17,25659; 0,1375318 dan 13,75318; serta 0,1278963 dan 8,313258

---

According to the WHO, Dengue Hemorrhagic Fever (DHF) is one of the most common diseases occurring in tropical countries such as Indonesia and is often fatal in health. DHF is also an infectious disease with Aedes aegypti mosquitoes as the primary vector. Weather factors such as temperature, rainfall, and humidity indirectly affect the spread of DHF. Predicting the incidence of dengue fever can help related parties such as the regional health department in making policies and prevention plans to suppress the spread of DHF in the community. In this final assignment, the DHF incident number is predicted by a machine learning method that is Restricted Boltzmann Machine-Backpropagation Neural Network (RBM-BPNN). RBM is used to overcome BPNNs problem of initializing values of connection weights and biases. The activation function used is the sigmoid function. There are 12 combinations of hyperparameter, namely the combination of the number of hidden neurons 3, 4, and 5 with the values of learning rate 0.1; 0.05; 0.025; and 0.01. The data used are temperature, rainfall, humidity, and previous DHF incident numbers for five regions in DKI Jakarta that have been adjusted with time lag based on their correlation with the incident number. The performances of these models are compared based on their Root Mean Squared Error (RMSE) training and RMSE testing. On this final assignment, the best model for each region has different hyperparameters. The best models of North Jakarta, South Jakarta, West Jakarta, East Jakarta, and Central Jakarta are 5 hidden neurons with learning rate 0.05, 4 hidden neurons with learning rate 0.025, 3 hidden neurons with learning rate 0.1, 5 hidden neurons with learning rate 0.1, and 4 hidden neurons with learning rate 0.05, respectively. The RMSE testing results before and after denormalizing data for North Jakarta, South Jakarta, West Jakarta, East Jakarta, and Central Jakarta given by the best model of each cities are 0.16489 and 8.739212, 0.11142 and 14.14996, 0.13482 and 17.25659, 0.1375318 and 13.75318, and 0.1278963 and 8.313258."

"

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.

"