Hasil Pencarian  ::  Simpan CSV :: Kembali

"

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.

"

"[Kondisi chaotic merupakan kondisi dimana sistem selalu berkembang. Prediksi dari sistem yang memiliki kondisi chaotic sangat penting untuk menentukan keputusan yang akan diambil. Dalam skripsi ini dibahas mengenai prediksi dari Lorenz’s Chaotic System, dimana prediksi yang dilakukan menggunakan jaringan saraf tiruan Radial Basis Function Extreme Learning Machine. Jaringan saraf tiruan dipilih karena kemampuannya untuk dapat beradaptasi dengan sistem sehingga diharapkan dapat melakukan prediksi dengan baik. Hasil penelitian ini menunjukkan bahwa jaringan saraf tiruan Radial Basis Function Extreme Learning Machine dapat melakukan prediksi dengan baik yaitu dengan waktu pembelajaran yang sangat cepat dan tingkat akurasi yang tinggi., Chaotic condition is a condition where the system is always evolving. Prediction of the system that has chaotic condition is very important for determining the decisions to be taken. In this thesis discussed about the prediction of Lorenz's Chaotic System, where the predictions are made using Radial Basis Function Extreme Learning Machine neural network. Artificial neural network is chosen for its ability to be able to adapt to a system that is expected to do well prediction. The results of this study indicate that the Radial Basis Function Extreme Learning Machine neural network can perform good prediction with very fast learning time and high accuracy.]"

"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) 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."

"[ABSTRAKPerkembangan teknologi yang semakin cepat menjadikan teknologi penting di berbagai sektor kehidupan, khususnya di bidang industri. Perkembangan zaman membuat tingkat permintaan akan suatu produk menjadi berubah sehingga industri harus meningkatkan kinerja produksinya.Teknologi yang digunakan merupakan teknologi automasi di mana di dalamnya terdapat pengendali. Pengendali yang digunakan oleh kebanyakan industri merupakan pengendali konvensional karena pengendali konvensional relatif murah dan efektif. Akan tetapi pengendali konvensional ini tidak dapat digunakan untuk sistem yang kompleks dan non linear. Pengendali konvensional, misalnya pengendali PID, tidak dapat mengatasi terjadinya perubahan karakteristik dari sistem secara otomatis. Untuk itu diperlukan sistem pengendali yang mampu mengatasi perubahan karakteristik secara otomatis dan dapat beradaptasi dengan dinamika perubahan sistem yang diakibatkan adanya perubahan kondisi lingkungan kerja. Sistem pengendali yang dianggap mampu untuk beradaptasi dengan perubahan karakteristik dari sistem secara otomatis adalah pengendali berbasis Neural Network. Dalam percobaan ini parameter yang digunakan untuk menentukan pengendali yang baik adalah adaptivity serta kecepatan respon pengendali.Pada hasil simulasi ini didapatkan bahwa pengendali berbasis Neural Network dengan metode Radial Basis Function Neural Network (RBFNN) lebih baik dan lebih cepat dalam menanggapi perubahan karakteristik sistem dibandingkan dengan pengendali Neural Network berbasis backpropagation.ABSTRACTDevelopment of technology has been rapidly increasing that make technology as an important aspect in many sectors of life, especially in industrial sector. The times have changed the demand of a product so that industry has to enhance its production capacity.Technology used in industry is automation technology which has controller inside. Controller used in industry mostly is conventional controller because it has low price and good effectivity. However, conventional controller can?t be used for complex and non-linear system. For example, PID controller, it can?t handle the changes of system?s characteristic automatically. PID controller has to be reset to handle the new system?s characteristic. Because of that, industry need a controller that has ability to handle the changes of the system?s characteristic automatically and adapt with the dynamics of system?s changes caused by external factor. Controller system that has been considered for the ability of handling the changes of system?s characteristic automatically is Neural Network based controller. In this experiment, the parameters used to determine good controller is adaptivity of the system also the speed of controller response.The result of the experiment shows that Neural Network with Radial Basis Function Neural Network (RBFNN) based controller has better response to the changes of the system?s characteristic than Backpropagation based Neural Network controller.;Development of technology has been rapidly increasing that make technology as an important aspect in many sectors of life, especially in industrial sector. The times have changed the demand of a product so that industry has to enhance its production capacity.Technology used in industry is automation technology which has controller inside. Controller used in industry mostly is conventional controller because it has low price and good effectivity. However, conventional controller can?t be used for complex and non-linear system. For example, PID controller, it can?t handle the changes of system?s characteristic automatically. PID controller has to be reset to handle the new system?s characteristic. Because of that, industry need a controller that has ability to handle the changes of the system?s characteristic automatically and adapt with the dynamics of system?s changes caused by external factor. Controller system that has been considered for the ability of handling the changes of system?s characteristic automatically is Neural Network based controller. In this experiment, the parameters used to determine good controller is adaptivity of the system also the speed of controller response.The result of the experiment shows that Neural Network with Radial Basis Function Neural Network (RBFNN) based controller has better response to the changes of the system?s characteristic than Backpropagation based Neural Network controller., Development of technology has been rapidly increasing that make technology as an important aspect in many sectors of life, especially in industrial sector. The times have changed the demand of a product so that industry has to enhance its production capacity.Technology used in industry is automation technology which has controller inside. Controller used in industry mostly is conventional controller because it has low price and good effectivity. However, conventional controller can’t be used for complex and non-linear system. For example, PID controller, it can’t handle the changes of system’s characteristic automatically. PID controller has to be reset to handle the new system’s characteristic. Because of that, industry need a controller that has ability to handle the changes of the system’s characteristic automatically and adapt with the dynamics of system’s changes caused by external factor. Controller system that has been considered for the ability of handling the changes of system’s characteristic automatically is Neural Network based controller. In this experiment, the parameters used to determine good controller is adaptivity of the system also the speed of controller response.The result of the experiment shows that Neural Network with Radial Basis Function Neural Network (RBFNN) based controller has better response to the changes of the system’s characteristic than Backpropagation based Neural Network controller.]"

"Mata kering merupakan penyakit yang beredar pada masyarakat umum. Mata kering menyebabkan rasa tidak nyaman dan mengganggu aktivitas sehari-hari. Faktanya, lebih dari 85% penderita penyakit mata kering disebabkan kerusakan kelenjar meibom (meibomian gland dysfunction, MGD). Akibatnya mata yang memilki MGD menjadi kering karena intensitas evaporasi air mata meningkat. Untuk mendeteksi tingkat MGD dilakukanmeibography. Dari hasil meibography, klinisi (dokter spesialis mata) menilai tingkat MGD yang disebut meiboscore. Namun realitanya, penilaian meiboscore masih sangat subjektif antar para klinisi. Alat yang digunakan juga mahal dan tidak seluruh klinik mata memiliki alat tersebut. Oleh karena itu pada tugas akhir ini dilakukan deteksi tingkat kerusakan kelenjar meibom dengan pendekatan faktor-faktor potensi MGD dan machine learning. Metode machine learning yang digunakan dalam tugas akhir ini ini adalah radial basis function neural network (RBFNN). Metode machine learning dalam studi ini dilakukan Teknik SMOTE terelebih dahulu untuk menyeimbangkan jumlah data antar kelas, lalu data dibagi menjadi data training dan data testing dengan rasio sebesar 90%: 10%, 80%: 20%, 70%: 30%, dan 60%: 40% . Selain itu dilakukan pengurangan fitur-fitur yang kurang relevan menggunakan seleksi fitur Chi square. Hasil evaluasi metode RBFNN memperoleh nilai rata-rata akurasi, presisi, recall dan f1-score terbaik dicapai menggunakan data testing 20% dengan masing-masing mencapai nilai 96%, 95%, 100%, dan 95% secara berurut

---

Dry eye is a common disease happened among the public. Dry eye causes discomfort and distracts daily activities. More than 85% dry eye suffers are caused by meibomian gland dysfunction (MGD). As a result, eyes with MGD becomes dry due to high tear evaporation intensity. Detecting MGD can be done by meibography. The MGD level is scored by clinicians which is called meiboscore. However, scoring the meiboscore is still very subjective among the clinicians. The tool that is used are expensive and not all eye clinics have this tool. Therefore, this study aims to detect the MGD level with the approach of MGD potential factors and machine learning. In this study radial basis function neural network (RBFNN) is used. The machine learning method performs SMOTE technique to balance the amount of data in each class, then all data is divided into training data and testing data by90%: 10%, 80%: 20%, 70%: 30%, and 60%: 40% respectively. Moreover, irrelevant features are reduced to optimize using feature selection, Chi Square. To reduce the features that are less relevant, Chi square feature selection is performed. RBFNN method obtained the best average accuracy 96%, average precision 95%, average recall 100%, and average f1-score 95% using the 20% data testing."

"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) 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."

"Jaringan Saraf Tiruan adalah salah satu metode baru yang dikembangkan untuk pemecahan berbagai masalah kompleks yang tidak dapat diselesaikan secara analitik. Salah satu pengembangannya adalah metode jaringan saraf pembelajaran Radial Basis Function, dengan metode inisialisasi bobot Nguyen-Widrow dan Orthogonal Least Square (OLS). Akurasi dan kecepatan pembelajaran yang dimiliki oleh Radial Basis Function (RBF) sangat menarik untuk diaplikasikan pada sistem kendali. Pemodelan Forward dan Invers sistem dilakukan dengan metode RBF dengan mengambil data sistem SISO Pressure Process Rig. Setelah dilakukan pemodelan, jaringan saraf tiruan akan diuji dengan Direct Inverse Test. Hasil identifikasi sistem dan identifikasi invers pada sistem Pressure Process Rig memiliki hasil yang baik. Begitu pula saat diuji coba dengan Direct Inverse Test, sistem kendali mempunyai performa cukup baik, namun tidak menutup kemungkinan adanya skema model lain yang dapat digunakan dalam pemodelan sistem.

---

Artificial Neural Network is a newer field of study that could solve any complex problem that could not be done by analytical solution. Radial Basis Function (RBF) is one of the newer method of Artificial Neural Network with two distinct weight initialization method ; Nguyen-Widrow and Orthogonal Least Square (OLS) methods. RBF?s high recognition rate and very fast learning speed are interesting enough to be used in control system. RBF is used in forward and inverse identification in modelling Pressure Process Rig system. Direct Inverse Test is also done in order to make sure Radial Basis Function perform well in identifying a particular system. Radial Basis Function had a great perfomance in both forward and inverse system identification and also in Direct Inverse Test, but it is possible to have another learning scheme in system modelling."

"

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.

"