Hasil Pencarian  ::  Simpan CSV :: Kembali

"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) 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.

"

"Demam berdarah dengue (DBD) adalah penyakit menular akibat virus dengue dan disebarluaskan nyamuk Aedes sp. Salah satu faktor yang mempengaruhi kejadian DBD adalah iklim. DKI Jakarta merupakan wilayah yang rentan terhadap perubahan iklim. Setiap tahun DBD menjadi satu dari sepuluh kasus penyakit terbanyak di DKI Jakarta yang berpotensi Kejadian Luar Biasa (KLB). Penelitian ini merupakan studi ekologi yang dilakukan untuk mengetahui hubungan iklim dengan kejadian DBD di DKI Jakarta tahun 2008-2011.Hasil penelitian menyatakan kejadian DBD memiliki hubungan sedang dengan suhu (r=-0,279;p=0,000), kelembaban (r=0,301;p=0,000), curah hujan (r=0,316;p=0,000), dan lama penyinaran matahari (r=-0,392;p=0,000), sedangkan dengan kecepatan angin hubungannya tidak siginifikan (p>0,05).

---

Dengue hemorrhagic fever (DHF) is an infectious disease caused by dengue virus and the spread of Aedes sp. One of the factors that influence the incidence of dengue is the climate. Jakarta is a region vulnerable to climate change. Each year, dengue became one of top ten cases of the disease in Jakarta that could potentially Extraordinary Events. This study is an ecological study conducted to determine the relationship of climate with the incidence of dengue fever in Jakarta in 2008-2011.

The study stated the incidence of dengue fever are being linked with temperature (r=-0.279, p=0.000), humidity (r=0.301, p=0.000), rainfall (r=0.316, p = 0.000), and duration of solar radiation (r=-0.392, p=0.000), whereas the wind velocity relationship is not significant (p> 0.05)."

"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) 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."

"Latar Belakang: Demam Berdarah Dengue (DBD) merupakan penyakit endemik di seluruh wilayah tropis dan sebagian wilayah subtropic yang disebabkan oleh virus dengue. Penyakit DBD juga merupakan salah satu masalah utama kesehatan masyarakat di Indonesia dan Jakarta barat memiliki jumlah kasus tertinggi pertama dan kedua di Provinsi DKI Jakarta pada beberapa tahun terakhir. Tujuan: Menganalisis hubungan faktor iklim (curah hujan, suhu udara, dan kelembaban udara), kepadatan penduduk, dan angka bebas jentik dengan incidence rate DBD di Kota Administrasi Jakarta Barat tahun 2013-2022. Metode: Penelitian ini menggunakan desain studi ekologi dengan analisis korelasi untuk melihat hubungan antara faktor iklim yang meliputi curah hujan, suhu udara, kelembaban udara pada time lag 1 dan time lag 2 serta kepadatan penduduk dengan Incidence Rate DBD. Hasil: Hasil analisis bivariat dengan uji korelasi menunjukkan bahwa hubungan yang signifikan lebih berpengaruh pada curah hujan time lag 2, suhu udara time lag 2 dan kelembaban time lag 2. Variabel lainnya yaitu kepadatan penduduk memiliki hubungan signifikan pada tahun 2014, 2015, 2017, 2019, 2020, dan 2021. Hasil uji regresi linear ganda menghasilkan bentuk model prediksi dengan persamaan IR DBD = -160,665 + 3,763 (suhu) + 1, 033 (kelembaman) - 0,102 (curah hujan) - 0,001 (kepadatan penduduk). jika disimulasikan dengan kombinasi suhu sebesar 26,1°C, kelembaman 82,9%, curah hujan 14,9 mm, dan kepadatan penduduk sebesar 20.000 maka kejadian IR DBD akan muncul sebanyak 2,39 kasus per 100.000 penduduk.

---

Background: Dengue Hemorrhagic Fever (DHF) is an endemic disease throughout the tropics and parts of the subtropics caused by the dengue virus. Dengue fever is also one of the main public health problems in Indonesia and West Jakarta has the first and second highest number of cases in DKI Jakarta Province in recent years.

Objective: Analyzing the relationship between climate factors (rainfall, air temperature, and humidity), population density, and larvae-free rates with DHF incidence rates in West Jakarta Administrative City in 2013-2022.

Methods: This study uses an ecological study design with correlation analysis to see the relationship between climatic factors which include rainfall, air temperature, air humidity in time lag 1 and time lag 2 and population density with DHF Incidence Rate. Results: The results of the bivariate analysis with the correlation test show that a significant relationship has more influence on rainfall time lag 2, air temperature time lag 2 and humidity time lag 2. Another variable, namely population density, has a significant relationship in 2014, 2015, 2017, 2019, 2020, and 2021. The results of the multiple linear regression test produce a predictive model with the DHF IR equation = -160.665 + 3.763 (temperature) + 1.033 (inertia) - 0.102 (rainfall) - 0.001 (population density). if simulated with a combination of temperature of 26.1°C, humidity of 82.9%, rainfall of 14.9 mm, and a population density of 20,000, the incidence of IR DHF will occur as many as 2.39 cases per 100,000 population."

"Demam berdarah dengue di Kota Administrasi Jakarta Selatan mengalami fluktuasi selama 5 tahun terakhir dan pada tahun 2016 angka insiden naik lebih dari 3 kali lipat dari tahun sebelumnya. Penelitian ini bertujuan untuk mengetahui hubungan antara faktor iklim curah hujan, kelembaban, suhu dan kepadatan penduduk dengan angka insiden DBD. Studi ini merupakan studi ekologi time series dan dianalisis dengan uji korelasi. Data angka insiden DBD diperoleh dari Suku Dinas Kesehatan Jakarta Selatan. Data iklim bulanan diperoleh dari Badan Meteorologi, Klimatologi dan Geofisika Jakarta. Data kepadatan penduduk diperoleh dari Badan Pusat Statistika DKI Jakarta. Hasil penelitian menyatakan bahwa suhu dan kepadatan penduduk tidak memiliki hubungan bermakna dengan angka insiden DBD p > 0,05 . Angka insiden DBD memiliki hubungan yang bermakna dengan curah hujan r = 0,384 ; p = 0,002 , kelembaban r = 0,496 ; p = 0,000.

---

Dengue hemorrhagic fever DHF in South Jakarta Administration City was fluctuating during 2012 2016 and in 2016 the incidence rate IR was more than tripled from the previous year. This study aims to determine the relationship between climatic factors rainfall, humidity, temperature and population density with the incidence rate IR of DHF. This study is a time series ecology study and was analyzed by correlation test. Incidence rate IR data was obtained from the South Jakarta District Health Office. Monthly climate data was obtained from the Meteorology, Climatology and Geophysics Department of Jakarta. Population density data was obtained from the Central Statistics Department of DKI Jakarta. The results demonstrate that temperature and population density have no significant correlation with dengue incidence rate p 0,05 . The incidence rate IR had a significant correlation with rainfall r 0.384 p 0.002 , humidity r 0.496 p 0,000."

"Demam Berdarah termasuk penyakit yang paling umum terjadi di negara tropis seperti Indonesia dan sering berakibat fatal dalam kesehatan. Prediksi dini terhadap jumlah kasus Demam Berdarah merupakan salah satu kunci untuk menanggulangi risiko penyebarannya dalam masyarakat dan dapat membantu pihak-pihak yang terkait seperti Dinas Kesehatan Daerah dalam membuat kebijakan dan rencana pencegahan. Pada tugas akhir ini, untuk angka insiden DBD diprediksi menggunakan metode Artificial Neural Network dengan dua algoritma berbeda untuk proses training ANN, yaitu Backpropagation (ANN-BP) dan Genetic Algorithm (ANN-GA). Penggunaan GA dalam training ANN bertujuan untuk membandingkan dengan BP yang cenderung tidak menemukan minimum global dari fungsi errornya. Variabel prediktor yang digunakan adalah jumlah insiden dan variabel cuaca sebelumnya yang terdiri dari temperatur, kelembapan, dan curah hujan. Variabel prediktor ditentukan dengan mencari time lag dari masing-masing variabel prediktor terhadap jumlah insiden menggunakan korelasi silang. Model yang dibentuk dievaluasi dengan Mean Squared Error, dan hasil prediksi dievaluasi menggunakan Mean Squared Error, Root Mean Squarred Error, dan Mean Absolut Error. Pada tugas akhir ini metode ANN-BP menghasilkan hasil prediksi jumlah insiden DBD kumulatif lebih baik dibandingkan metode ANN-GA pada kota madya Jakarta Pusat, Jakarta Selatan, dan Jakarta Utara, dengan selisih MSE berturut-turut 3,966; 50,162; 23,933; selisih RMSE masing-masing 0,232; 1,742; 1,304; dan selisih MAE masing-masing 0,496; 0,901; 0,734. Sedangkan pada Jakarta Barat dan Jakarta Timur metode ANN-GA menghasilkan hasil prediksi jumlah insiden DBD kumulatif lebih baik dibandingkan metode ANN-BP, dengan selisih MSE berturut-turut 16,915; 37,621; selisih RMSE masing-masing 0,484; 1,44; dan selisih MAE masing-masing 0,319; 0,739.

---

Dengue Fever is one of the most common diseases in tropical countries like Indonesia and is often fatal in health. Early prediction of the number of Dengue Fever cases is one of the keys to overcoming the risk of its spread in the community and can assist related parties such as the District Health Office in making policies and prevention plans. In this final project, the DHF incidence rate is predicted using the Artificial Neural Network method with two different algorithms for the ANN training process, namely Backpropagation (ANN-BP) and Genetic Algorithm (ANN-GA). The use of GA in ANN training aims to compare with BP which tends not to find a global minimum of its error function. The predictor variables used are the number of incidents and previous weather variables consisting of temperature, humidity, and rainfall. Predictor variables are determined by finding the time lag of each predictor variable to the number of incidents using cross correlation. The model formed was evaluated with Mean Squared Error, and the predicted results were evaluated using Mean Squared Error, Root Mean Squared Error, and Mean Absolute Error. In this final project, the ANN-BP method produces a prediction of cumulative DHF incidents that is better than the ANN-GA method in the cities of Central Jakarta, South Jakarta, and North Jakarta, with a MSE difference 3.966, 50.162, 23.933, respectively, the difference in RMSE each city is 0.232, 1.742, 1.304, respectively and the MAE difference 0.496, 0.901, 0.734, respectively. Whereas in West Jakarta and East Jakarta the ANN-GA method produces a better prediction of cumulative DHF incidents compared to the ANN-BP method, with a MSE difference 16.915, 37.621, respectively, the difference in RMSE each city is 0.484, 1.44, respectively, and the MAE difference of each city is 0.319, 0.739, respectively."

"Latar Belakang: Demam Berdarah Dengua (DBD) adalah infeksi virus yang ditularkan ke manusia melalui gigitan nyamuk yang terinfeksi. Vektor utama yang menularkan virus Dengue adalah Aedes aegypti, dan Aedes albopictus. Kota dengan jumlah kejadian DBD tertinggi di Indonesia pada tahun 2021 adalah Kota Depok sebesar 3.155 kasus dengan angka Incidence Rate (IR) 151,2 kasus per 100.000 penduduk. Selama 10 tahun terakhir sejak tahun 2012-2020, trend kasus DBD di Kota Depok cenderung meningkat. Tujuan: Mengetahui hubungan antara faktor iklim dan kepadatan penduduk dengan kejadian DBD di Kota Depok tahun 2012-2021. Metode: Penelitian ini menggunakan studi ekologi dengan analisis korelasi untuk melihat hubungan antara faktor iklim (suhu, kelembaban, dan curah hujan) pada bulan yang sama (non-time lag), faktor iklim dengan jeda 1 bulan (time lag 1), dan kepadatan penduduk dengan Incidence Rate DBD. Hasil: Hasil analisis korelasi menujukkan bahwa terdapat hubungan yang signifikan antara kelembaban non time lag dan kelembaban time lag 1 dengan Incidence Rate DBD (p=0,000 dan p=0,000) dengan kekuatan hubungan sedang berpola positif (r=0,332 dan r-0,451). Hasil uji regresi linear ganda menghasilkan bentuk model prediksi dengan persamaan IR DBD = -47.353 + 0.784 (Suhu) + 0.394 (Kelembapan) + 0.023 (Curah Hujan). Berdasarkan hasil persamaan regresi, jika disimulasikan dengan kombinasi suhu 26,1 oC, kelembaban 82,9%, dan curah hujan 14,9 mm, maka akan terjadi peningkatan IR DBD sebanyak 10 kasus per 100.000 penduduk.

---

Background: Dengue Hemorrhagic Fever (DHF) is a viral infection transmitted to humans through the bite of an infected mosquito. The main vectors that transmit the dengue virus are Aedes aegypti and Aedes albopictus. The city with the highest number of dengue cases in Indonesia in 2021 is Depok City with 3,155 cases with an Incidence Rate (IR) of 151.2 cases per 100,000 population. During the last 10 years from 2012- 2020, the trend of dengue cases in Depok City tends to increase. Objective: To determine the relationship between climatic factors and population density with the incidence of DHF in Depok City in 2012-2021. Methods: This study uses an ecological study with correlation analysis to see the relationship between climatic factors (temperature, humidity, and rainfall) in the same month (non-time lag), climatic factors with a 1-month lag (time lag 1), and density population with DHF Incidence Rate. Results: The correlation analysis results showed a significant relationship between non-time lag humidity and time lag 1 humidity with DHF Incidence Rate (p = 0.000 and p = 0.000) with the strength of the relationship being positive (r = 0.332 and r-0.451). The results of the multiple linear regression test produce a predictive model with the equation IR DBD = -47.353 + 0.784 (Temperature) + 0.394 (Relative Humidity) + 0.023 (Rainfall). Based on the results of the regression equation, if it is simulated with a combination of the temperature of 26,1oC, humidity of 82.9%, and rainfall of 14.9 mm, there will be an increase in IR of DHF by 10 cases per 100,000 population."