ANALISIS IMPLEMENTASI MACHINE LEARNING UNTUK PREDIKSI JUMLAH KASUS DEMAM BERDARAH DENGUE (DBD)

• Main Author: Gina Fauziah, - (Author)
• Format: Book
• Published: 2021-08-30.
• Subjects: Thesis; NonPeerReviewed
• Online Access: Link Metadata
• Notes: http://repository.upi.edu/66044/8/S_KOM_1601148_Title.pdf; http://repository.upi.edu/66044/2/S_KOM_1601148_Chapter1.pdf; http://repository.upi.edu/66044/3/S_KOM_1601148_Chapter2.pdf; http://repository.upi.edu/66044/4/S_KOM_1601148_Chapter3.pdf; http://repository.upi.edu/66044/5/S_KOM_1601148_Chapter4.pdf; http://repository.upi.edu/66044/6/S_KOM_1601148_Chapter5.pdf; http://repository.upi.edu/66044/7/S_KOM_1601148_Appendix.pdf
• Keywords: L Education (General); QA75 Electronic computers. Computer science

Salah satu faktor yang dapat mempengaruhi perkembangan nyamuk Aedes Aegypti adalah perubahan iklim, sehingga dapat menyebabkan penyebaran kasus DBD. Penelitian ini akan menganalisis prediksi total kasus DBD berdasarkan data perubahan iklim menggunakan empat metode Machine Learning. Data yang digunakan adalah data kasus DBD dan data perubahan iklim di Kota San Juan tahun 1990-2008 dan Kota Iquitos tahun 2000-2010. Metode yang digunakan adalah Multiple Linear Regression, Random Forest, Support Vector Regression, XGBoost, dan menggunakan hyperparamater tuning Grid Search Cross Validation untuk mencari parameter optimal. Hasil akurasi menggunakan evaluasi metrik MAE (Mean Absolute Error). Berdasarkan hasil testing, model yang paling baik adalah XGBoost dengan nilai MAE Kota San Juan 17.592 dan Kota Iquitos 6.565. Feature Importance atau variabel yang paling berpengaruh terhadap jumlah kasus DBD di kedua kota adalah reanalysis_specific_humidity_g_per_kg (kelembaban spesifik rata-rata), year (tahun) dan weekofyear (minggu dalam setahun), sehingga dapat disimpulkan bahwa variabel waktu dan variabel perubahan iklim sangat berpengaruh terhadap jumlah kasus DBD pada kedua kota tersebut. One of the factors that can affect the development of the Aedes Aegypti mosquito is climate change, which can cause the spread of dengue cases. This study will analyze the prediction of the number of dengue cases using four machine learning methods. The data used are data on cases of dengue fever and climate change in the City of San Juan in 1990-2008 and the City of Iquitos in 2000-2010. The method used is Multiple Linear Regression, Random Forest, Support Vector Regression, XGBoost, and using hyperparamater tuning Grid Search Cross Validation to find optimal parameters. The accuracy results use the metric evaluation MAE (Mean Absolute Error). Based on the testing results, the best model is XGBoost with an MAE value of 17,592 for San Juan City and 6,565 for Iquitos City. Feature Importance or the most influential variables are 'reanalysis_specific_humidity_g_per_kg' (rata), year (year) dan weekofyear (week of the year), for the city of Iquitos which has the highest F-score Information Gain. So it can be concluded that the time variable and climate change variable greatly affect the number of dengue cases in the two cities.