Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 114770 dokumen yang sesuai dengan query
cover
Simatupang, Tania Naomi Serepina
"Demam berdarah dengue (DBD) merupakan infeksi virus yang menyebar dari nyamuk ke tubuh manusia dan menjadi masalah kesehatan utama di berbagai negara, termasuk Indonesia. Pada tahun 2023, lebih dari 3,7 juta kasus infeksi DBD dilaporkan secara global, dengan lebih dari 2.000 kematian. Indonesia adalah salah satu negara dengan tingkat kasus DBD yang tinggi, khususnya di Provinsi DKI Jakarta. Mengingat tingginya angka kasus DBD di DKI Jakarta, skripsi ini bertujuan untuk memprediksi kasus DBD di lima Kota madya DKI Jakarta. Skripsi ini menggunakan model ARIMA-GRNN, yang merupakan gabungan dari model ARIMA (Autoregressive Integrated Moving Average) dan GRNN (General Regression Neural Network). Data yang digunakan dalam penelitian ini adalah data kasus bulanan demam berdarah di DKI Jakarta, yang dikumpulkan dari tanggal 1 Januari 2009 hingga 30 Agustus 2023. Hasil akurasi model ARIMA dan ARIMA-GRNN dalam memprediksi jumlah insiden demam berdarah di DKI Jakarta menunjukkan hasil prediksi model ARIMA lebih akurat untuk Jakarta Selatan dan Jakarta Timur, sedangkan hasil prediksi model ARIMA-GRNN memberikan hasil yang lebih baik untuk Jakarta Pusat, Jakarta Barat, dan Jakarta Utara. 

Dengue fever (DF) is a viral infection transmitted from mosquitoes to humans and has become a major health issue in various countries, including Indonesia. In 2023, more than 3.7 million cases of DF infection were reported globally, with over 2,000 deaths. Indonesia is one of the countries with a high rate of DF cases, particularly in the Province of DKI Jakarta. Given the high number of DF cases in DKI Jakarta, this final project aims to predict DF cases in the five municipalities of DKI Jakarta. This final project uses the ARIMA-GRNN model, which is a combination of the ARIMA (Autoregressive Integrated Moving Average) model and the GRNN (General Regression Neural Network). The data used in this research comprises monthly DF case data in DKI Jakarta, collected from January 1, 2009, to August 30, 2023. The accuracy results of ARIMA and ARIMA-GRNN models in predicting the number of dengue fever incidents in DKI Jakarta indicate that the ARIMA model is more accurate for South Jakarta and East Jakarta, while the ARIMA-GRNN model provides better results for Central Jakarta, West Jakarta, and North Jakarta. "
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2024
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Saragih, Putri Permata Sari
"ABSTRAK
Suatu runtun waktu dikatakan proses memori jangka panjang jika setiap pengamatan masih memiliki ketergantungan. Proses memori jangka panjang tidak dapat dimodelkan dengan model umum AR, MA, ARMA, serta ARIMA, karena pada proses memori jangka panjang korelasi antar pengamatan yang terpisah jauh tidak diabaikan. Granger Joyeux 1981 mengembangkan model Autoregressive Fractionally Integrated Moving Average ARFIMA yang dapat memodelkan proses memori jangka panjang dengan parameter fractional differencing d yang bernilai riil karena melibatkan seluruh data pengamatan, artinya korelasi setiap pengamatan yang sudah lama tidak diabaikan. Untuk memodelkan suatu runtun waktu dengan model ARFIMA, terlebih dahulu dilakukan pengujian untuk menentukan adanya proses memori jangka panjang yaitu analisis rescaled range. Analisis ini dilakukan dengan mempartisi runtun waktu menjadi beberapa sub-periode dan melihat korelasi antar sub-periode yang dipartisi. Dari analisis tersebut diperoleh eksponen Hurst H yang menggambarkan sifat runtun waktu. Proses memori jangka panjang terjadi ketika . Pada model ARFIMA dilakukan proses penaksiran untuk menentukan nilai parameter yang tepat untuk memodelkan proses memori jangka panjang pada data. Suatu data dikatakan stasioner dan memori jangka panjang jika . Penaksiran parameter yang digunakan yaitu metode Geweke Porter-Hudak GPH . Metode GPH ini dilakukan dengan membentuk persamaan spektral model ARFIMA menjadi persamaan regresi spektral dengan log-periodogram sebagai variabel tak bebasnya.

ABSTRACT
A time series is said to be a long term memory process if each observations still has a dependency. Long term memory processes can not be modeled with AR, MA, ARMA, and ARIMA general models, because the correlations between remote observations of long term memory processes of can not be ignored. Granger Joyeux 1981 developed an Autoregressive Fractionally Integrated Moving Average ARFIMA model for modeling time series in the presence of long memory with fractional differencing d parameters that are real value. So, the model involve all observational data, which means the correlation of any observations that are far apart by time is not ignored . For modeling a time series with the ARFIMA model, we have to determine the long term memory process by rescaled range analysis. This analysis is applied by partitioning the time series into several sub periods and considering the correlations between partitioned sub periods. From the analysis, Hurst exponents H are obtained which illustrate the time series characteristics. Long term memory process occurs when . In the ARFIMA model an estimation process is performed to determine the exact fractional differencing parameter values of data to model the long term memory process in the data. A data is said to be stationary and long term memory if . The estimation of fractional differencing parameter use the Geweke Porter Hudak GPH method. This method is implemented by forming spectral functions of the ARFIMA model into a spectral regression equation with log periodogram as the dependent variable. "
2017
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Wahyu Dwi Lesmono
"Tingkat morbiditas penyakit tuberkulosis pada suatu populasi wilayah dan waktu tertentu. Ukuran ini digunakan untuk membantu lembaga kesehatan dalam merencanakan kebijakan pencegahan penyakit tuberkulosis di Indonesia. Selain itu, tingkat morbiditas digunakan dalam menentukan premi asuransi yang tepat bagi perusahaan asuransi sehingga dapat memprediksi cadangan dana yang cukup untuk menutupi klaim dari tertanggung pada periode selanjutnya. Penentuan tingkat morbiditas pada periode yang akan datang dapat ditentukan dengan menggunakan teknik peramalan runtun waktu. Beberapa metode peramalan yang dapat meramalkan data runtun waktu diantaranya seperti metode Autoregressive Integrated Moving Average (ARIMA) dan metode Fuzzy Time Series (FTS). Kedua metode peramalan ini masing-masing memiliki kelemahan tersendiri dalam prakteknya. Kelemahan dari metode ARIMA adalah adanya asumsi klasik yang harus dipenuhi agar metode ARIMA dapat digunakan dengan baik. Berdasarkan penelitian terdahulu, kelemahan dari metode FTS adalah model peramalan yang dibentuk bergantung pada penentuan banyaknya subinterval dan terkadang akurasinya tidak sebaik metode ARIMA. Penelitian ini menggunakan metode peramalan dengan Error Variation-Fuzzy Time Series (EV-FTS) berdasarkan ARIMA untuk mengatasi kekurangan dari metode ARIMA dan FTS. Hasil dalam penelitian ini menunjukkan bahwa metode peramalan dengan EV-FTS berdasarkan ARIMA memberikan nilai Mean Absolute Percentage Error (MAPE) yang lebih kecil dibandingkan nilai MAPE yang dihasilkan dari metode ARIMA dan metode FTS. Selain itu, untuk nilai pengamatan yang ekstrim diperoleh bahwa nilai peramalan yang dihasilkan dari metode EV-FTS berdasarkan ARIMA dapat mendekati nilai aktualnya. Hasil dari penelitian ini menunjukkan bahwa tingkat morbiditas tuberkulosis dengan menggunakan EV-FTS berdasarkan ARIMA diramalkan meningkat dari periode tahun 2022 hingga tahun 2031.

The tuberculosis morbidity rate measures the rate of tuberculosis disease in a population in a particular area and time. This measure is used to assist health institutions in planning policies to prevent tuberculosis in Indonesia. In addition, the morbidity rate is used in determining the right insurance premium for the insurance company so that it can predict sufficient fund reserves to cover claims from the insured in the next period. Determination of the morbidity rate in the future period can be determined using time series forecasting techniques. Several forecasting methods that can predict time series data include the Autoregressive Integrated Moving verage (ARIMA) method and the Fuzzy Time Series (FTS) method. Both of these forecasting methods have their weaknesses in practice. The weakness of the ARIMA method is that there are classical assumptions that must be met so that the ARIMA method can be used properly. Based on a previous study, the weakness of the FTS method is that the forecasting model formed is dependent on determining the number of subintervals and sometimes the accuracy is not as good as the ARIMA method. This study uses a forecasting method with Error Variation-Fuzzy Time Series (EV-FTS) based on ARIMA to overcome the drawbacks of the ARIMA and FTS methods. The results of this study indicate that the EV-FTS forecasting method based on ARIMA provides a Mean Absolute Percentage Error (MAPE) value which is smaller than the MAPE value generated from the ARIMA method and the FTS method. In addition, the forecast value generated from the EV-FTS method based on ARIMA can approach the extreme actual value. This forecasting method can be an alternative forecasting method to obtain the tuberculosis morbidity rate from next year 2022 and 2031."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2022
T-pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Filbert Jose Chaivier
"Model Kumaraswamy Autoregressive Moving Average (KARMA) merupakan suatu model runtun waktu yang digunakan untuk data runtun waktu yang terbatas pada interval tertentu (a,b) dan diasumsikan mengikuti distribusi Kumaraswamy. Distribusi Kumaraswamy adalah distribusi yang memiliki dua shape parameter, yaitu dan yang menyebabkan distribusi ini memiliki keanekaragaman bentuk grafik fungsi densitas probabilitas seperti unimodal, fungsi naik, fungsi turun, dan fungsi konstan. Pada praktiknya, distribusi ini sering diaplikasikan pada berbagai bidang seperti bidang hidrologi, kesehatan, ekonomi, dan lain-lain. Model KARMA dibentuk dari regresi Kumaraswamy dengan asumsi error model mengikuti proses ARMA. Pada model KARMA, median variabel respon dihubungkan dengan variabel-variabel prediktor (regresor) menggunakan sebuah fungsi penghubung yang monoton, kontinu, dan dapat diturunkan. Metode estimasi parameter model KARMA adalah Conditional Maximum Likelihood Estimation (CMLE) karena dalam proses estimasi diperlukan distribusi bersyarat dari periode sebelumnya. Model KARMA selanjutnya diaplikasikan pada data tingkat mortalitas bulanan akibat kecelakaan kerja di Rio Grande do Sul, Brazil dari Januari 2000 hingga Desember 2017 karena data tingkat mortalitas merupakan data yang terbatas pada interval (0,1). Model KARMA terbaik untuk data dipilih berdasarkan nilai Akaike’s Information Criterion (AIC) terkecil kemudian dilakukan peramalan untuk enam periode selanjutnya. Pada data tingkat mortalitas bulanan akibat kecelakaan kerja di Rio Grande do Sul, digunakan model terbaik KARMA(3,3) dengan nilai MAPE sebesar 19.0988%.

The Kumaraswamy Autoregressive Moving Average (KARMA) model is a time-series model used for time-series data that is limited to a certain interval (a,b) and is assumed to follow the Kumaraswamy distribution. The Kumaraswamy distribution is a distribution that has two shape parameters, namely and which causes this distribution to have a diverse of graphic forms of probability density functions such as unimodal, increasing functions, decreasing functions, and constant functions. In practice, this distribution is often applied to various fields such as hydrology, health, economics, and other fields. The KARMA model is formed from Kumaraswamy regression assuming the error model follows the ARMA process. In the KARMA model, the median of response variable is linked to the predictor variables (regressor) using a monotonous, continuous, and derivable connecting function. The method used for parameter estimation in KARMA model is Conditional Maximum Likelihood Estimation (CMLE) because a conditional distribution of previous periods is required in the estimation process. The KARMA model will then be applied to monthly mortality rates due to occupational accidents in Rio Grande do Sul, Brazil from January 2000 to December 2017 data because mortality rate data is bounded to the interval (0.1). The best KARMA model for the data was selected based on Akaike's smallest Information Criterion (AIC) values and then forecasted for the next six periods. In the data on the monthly mortality rate due to work accidents in Rio Grande do Sul, a MAPE value of 19.0988% was obtained."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Dwiky Nugraha
"Bertumbuhnya perkembangan transportasi udara, ekonomi dan fasilitas di daerah mengakibatkan kenaikan pada pemakaian avtur di Indonesia. Peningkatan permintaan avtur ini harus disesuaikan dengan perkembangan fasilitas dan pasokan avtur pada bandara di daerah seperti bandara Raja Hasi Fisabilillah di Tanjungpinang. Tetapi penyedia avtur belum mempunyai data awal untuk membuat kebijakan dan perencanaan. Untuk itu, dibutuhkanlah data awal berupa peramalan permintaan avtur. Terdapat banyak metode untuk melakukan peramalan, namum belum diketahui metode yang mampu memberikan hasil terbaik. Untuk itu dilakukan peramalan yang menggunakan metode peramalan ARIMA dan ANN pada penelitian ini.
Metode ARIMA baik dalam mengestimasi data time series yang bersifat linear, serta metode ANN baik dalam mendeteksi pola non linear. Serta digunakan metode hybrid yang menggabungkan metode ARIMA dengan ANN yang diharapkan memberikan hasil yang baik. Dari penelitian yang dilakukan, hasil peramalan dibandingkan dengan metode tradisional dan SARIMA, dan didapatkan bahwa metode hybrid memberikan hasil yang terbaik dibandingkan dengan error MAPE sebesar 13.75 . Dengan jumlah permintaan pada periode selanjutnya sebesar 101.94 kl, 104.48 kl, 105.46 kl, 114.04 kl, 106.05 kl, 114.03 kl, 114.63 kl, 116.15 kl, 101.44 kl, 97.86 kl.

The growing of air transport, the economy and the facilities in the local area resulted in an increase in aviation fuel consumption in Indonesia. The increase of jet fuel demand is must be accompanied by the development of facilities and the supply of aviation fuel at airports in local areas such as Raja Haji Fisabilillah airports in Tanjungpinang. But aviation fuel providers not already have preliminary data for planning and policy making. Thus, required the initial data like forecasting demand for aviation fuel. There are many methods for forecasting, yet we don rsquo t know which method are capable of providing the best results. For that reason, we try to using ARIMA and ANN forecasting method.
ARIMA is one of the method which is good in estimating the linear data of time series, and ANN methods is good at detecting non linear pattern. And we used a hybrid method that combines ARIMA with ANN which expected to provide good results. This research shown the results of forecasting compared to traditional and SARIMA method, and found that the hybrid method gives the best result, with MAPE error is 13.75 . And the total demand in the next period is 101.94 kl, 104.48 kl, 105.46 kl, 114.04 kl, 106.05 kl, 114.03 kl, 114.63 kl, 116.15 kl, 101.44 kl, and 97.86 kl.
"
Depok: Fakultas Teknik Universitas Indonesia, 2016
S66594
UI - Skripsi Membership  Universitas Indonesia Library
cover
Bella Belinda
"

Model runtun waktu yang paling umum digunakan adalah runtun waktu diskrit yang mengasumsikan peubah yang diuji bersifat kontinu dan menghasilkan nilai kontinu. Padahal dalam banyak penerapan, diperlukan model runtun waktu diskrit yang dapat menangani peubah diskrit dan menghasilkan nilai diskrit juga. Salah satu model runtun waktu yang menangani data count atau bilangan bulat nonnegatif adalah model runtun waktu Integer-valued Autoregressive dengan order p yaitu INAR(p). Model ini dibangun dengan binomial thinning operator yang menerapkan operasi probabilistik dengan distribusi diskrit yang cocok memodelkan data count seperti Poisson dan Binomial. Parameter model akan diestimasi dengan metode Yule-Walker. Dalam penelitian ini, akan dibahas dan dijabarkan karakteristik dari model INAR(p) menggunakan operator binomial thinning. Spesifikasi INAR(p) mengikuti model Autoregressive dengan order p, AR(p). Peramalan INAR(p) menggunakan metode peramalan nilai tengah dengan menghitung probabilitas bersyarat dari setiap bilangan bulat nonnegatif yang mungkin menjadi nilai ramalan, lalu memilih nilai ramalan yang memiliki probabilitas bersyarat kumulatif lebih besar sama dengan 0,5. Model runtun waktu INAR(p) akan diaplikasikan pada data simulasi berjumlah 120 data yang bernilai bilangan bulat nonnegatif.


The most commonly used time series model is the discrete time series which assumes the variables being tested are continuous and produces continuous values. Whereas in many applications, a discrete time series model is needed to handle discrete variables and produce discrete values as well. Time series model that handles count or non-negative integer data is the Integer-valued Autoregressive model with the pth-order or INAR(p). This model is built with binomial thinning operator which implements probabilistic operations with discrete distribution that are suitable to model count data such as Poisson and Binomial. Model parameters will be estimated using the Yule-Walker method. In this research, we will discuss and describe the characteristics of the INAR(p) model using the binomial thinning operator. The INAR(p) specification follows the Autoregressive model with the p-th order, AR(p). Forecasting in INAR(p) uses median forecasting by calculating the conditional probability of each possible nonnegative integer value, then selecting a forecast value with a cumulative conditional probability greater than 0.5. The INAR(p) time series model will be applied to the 120 simulated data with nonnegative integer values.

"
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2020
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
David
"Pertumbuhan ekonomi yang diikuti dengan pertumbuhan penduduk yang tinggi di Indonesia menyebabkan kebutuhan Indonesia terhadap sumber energi semakin meningkat dimana sumber energi yang murah dan mudah didapatkan ialah batu bara. Di satu sisi, kapasitas produksi tambang Indonesia cukup rendah. Namun, tingkat kapasitas produksi berbanding terbalik dengan cadangan mineral dan batu bara Indonesia yang berlimpah. Hal ini memunculkan masalah bagaimana meningkatkan kapasitas produksi tambang Indonesia. Salah satu faktor yang sangat mempengaruhi kapasitas produksi tambang Indonesia adalah peningkatan variabilitas curah hujan.
Penelitian ini akan membandingkan 3 model, yaitu Autoregressive Integrated Moving Average (ARIMA), stepwise regression dan neural network untuk mendapatkan model prediktif curah hujan yang dapat digunakan untuk merencanakan kapasitas produksi batu bara di tambang terbuka. Hasil eksekusi model akan dievaluasi dengan Root Mean Squared Error (RMSE). Hasil evaluasi menunjukkan model neural network menghasilkan performa paling baik dibandingkan dengan ketiga model lainnya dimana model neural network memiliki nilai RMSE yang paling kecil.

Economic growth followed by a high population growth in Indonesia has increased the demand of energy sources which coal is the cheapest and highest availability energy sources. On the other hand, mining production capacity of Indonesia is relatively low. However, the level of production capacity is inversely proportional to abundant mineral and coal reserves of Indonesia. The ability to improve mining production capacity of Indonesia has been an important problem. One of the factors that greatly influences mining production capacity of Indonesia is variability in rainfall pattern.
This study will compare three models, which are Autoregressive Integrated Moving Average (ARIMA), stepwise regression and neural network in order to obtain a predictive rainfall model that can be used on planning coal production capacity in open pit mining. The results of the model will be evaluated with Root Means Square Error (RMSE). The evaluation results show that neural network model produces the best performance compared to other three models whose RMSE is the smallest.
"
Depok: Fakultas Teknik Universitas Indonesia, 2019
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Listiariati
"Tugas akhir ini membahas metode runtun waktu Box-Jenkins untuk data musiman. Metode ini merupakan salah satu metode peramalaan di mana variabel bebas dan variabel tak bebasnya hanya berdasarkan waktu dan tidak tergantung pada variabel lain yang mempengaruhinya. Dengan metode ini, secara iterasi akan dicari model peramalan terbaik dan suatu data yang tersedia melalui tahap identifikasi, estimasi dan diagnostic cheking. Dari model terbaik, dapat diramalkan keadaan data untuk beberapa waktu mendatang."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 1993
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Fairuzia Zahira
"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.
"
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Shafira Leandra
"

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.

"
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2020
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>