Prediksi Pola Penyebaran Penyakit Dbd Di Kota Pagar Alam Menggunakan Long Short-term Memory (lstm)

R. Ayu Syarifah Nurillah, Mahmud Imrona, Andry Alamsyah

Abstract

Abstrak
DBD (Demam Berdarah Dengue) tumbuh secara cepat di seluruh dunia terlebih lagi di dunia yang memiliki
iklim tropis seperti Indonesia, Kota Pagar Alam merupakan salah satu daerah yang masih terkena
penyebaran penyakit DBD ini. Dalam beberapa dekade terakhir, variabel cuaca seperti suhu dan curah
hujan telah dipelajari secara luas sebagai peringatan dini untuk mencegah penyakit menular yang sensitif
terhadap iklim seperti Dengue. Salah satu cara untuk mencegah penyebaran penyakit DBD ialah
membangun sistem yang dapat memprediksi penyebaran penyakit DBD. Penelitian ini menggunakan
metode Long Short Term Memory (LSTM) dengan data historial penyakit DBD Rumah Sakit Umum Daerah
Besemah dan data cuaca BMKG. Jaringan LSTM cocok untuk belajar dari pengalaman untuk
mengklasifikasikan, proses dan memprediksi data time series ketika rentan waktunya sangat lama dari
ukuran yang diketahui dengan kejadian yang penting. Ini adalah salah satu alasan utama mengapa LSTM
menjadi alternatif dari RNNs dan Hidden Markov Model dan metode pembelajaran urutan lainnya dalam
berbagai aplikasi. Penelitian ini melakukan percobaan dengan dataset yang tanpa di preprocessing dan di
preprocessing terlebih dahulu dengan tiga model yang berbeda, yaitu model dengan 128 neuron, 64 neuron
dan 32 neuron, yang menghasilkan konfigurasi terbaik pada dataset tanpa preprocessing dengan 32 neuron
memiliki error 118.783 dan korelasi dari masing-masing daerahnya yaitu, Daerah A sebesar 0.594, Daerah
B sebesar 0.420 serta Daerah C adalah sebesar 0.639. Serta pola penyebaran ini cenderung meningkat pada
bulan oktober hingga februari, hal ini disebabkan karena curah hujan yang meningkat pada masa tersebut
yang mengakibatkan perkembangbiakan nyamuk aedes aegypti juga meningkat.
Kata kunci: DBD, long short term memory, cuaca, regresi, preprocessing.
Abstract
Dengue (Dengue Hemorrhagic Fever) is growing rapidly throughout the world, especially in a world that
has a tropical climate like Indonesia, Pagar Alam City is one of the areas that is still affected by the spread
of this dengue disease. In recent decades, weather variables such as temperature and rainfall have been
widely studied as early warnings to prevent climate-sensitive infectious diseases such as dengue. One way
to prevent the spread of DHF is to build a system that can predict the spread of DHF. This study used the
Long Short Term Memory (LSTM) method with historial data of dengue fever at the Besemah Regional
General Hospital and BMKG weather data. LSTM networks are suitable for learning from experience to
classify, process and predict time series data when the timeframe is too long from a known measure to
important events. This is one of the main reasons why LSTM is an alternative to RNNs and Hidden Markov
Model and other sequence learning methods in a wide variety of applications. This study conducted an
experiment with a dataset that was not preprocessed and preprocessed first with three different models,
namely a model with 128 neurons, 64 neurons and 32 neurons, which produced the best configuration in
the dataset without preprocessing with 32 neurons having an error of 118,783 and a correlation of The
respective regions were Region A amounting to 0.594, Region B amounting to 0.420 and Region C
amounting to 0.639. And this spread pattern tends to increase in October to February, this is due to the
increased rainfall during that period which resulted in the breeding of the Aedes aegypti mosquitoes also
increasing.
Keywords: DHF, long short term memory, weather, regression, preprocessing.

Full Text:

PDF

Refbacks

  • There are currently no refbacks.
max_upload :0