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

Abstrak

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.