Hasil Pencarian  ::  Simpan CSV :: Kembali

"Banjir di Jakarta merupakan masalah yang kompleks yang dipengaruhi oleh kombinasi faktor geografis, sosial, ekonomi, dan lingkungan. Studi ini berfokus pada prediksi banjir dengan membandingkan data stasiun darat Automatic Rain Gauge (ARG) dan data satelit Climate Hazards Group InfraRed Precipitation (CHIRPS) menggunakan Adaptive Neurofuzzy Inference System (ANFIS) yang terintegrasi dengan Principal Component Analysis (PCA). Dataset mencakup pengukuran curah hujan dari ARG dan CHIRPS, serta data ketinggian air dari tahun 2014 hingga 2020. ARG menyediakan data curah hujan lokal yang akurat, sementara CHIRPS menawarkan cakupan curah hujan regional yang luas. Teknik praproses seperti imputasi rata-rata, normalisasi data, dan metode interquartile range (IQR) digunakan untuk meningkatkan kualitas data. Model ANFIS-PCA, yang mengintegrasikan logika fuzzy dan pelatihan jaringan saraf tiruan, diterapkan dengan pembagian data 80:20 untuk pelatihan dan validasi. Ketika dilatih dengan data stasiun darat ARG dan pengukuran ketinggian air, model ANFIS-PCA menunjukkan akurasi yang superior, dengan root mean square error (RMSE) sebesar 0,13, mean absolute error (MAE) sebesar 0,12, dan R² sebesar 0,82. Sebaliknya, model ANFIS tanpa PCA menghasilkan kesalahan yang lebih tinggi, dengan RMSE 6,3, MAE 6,2, dan R² 0,74. Pelatihan dengan data satelit CHIRPS menghasilkan kesalahan yang jauh lebih tinggi (RMSE 30,14, MAE 24,05, R² 0,42). Sedangkan hasil ANFIS – PCA menghasilkan akurasi yang lebih bagus (RMSE 4,8, MAE 2,0 dan R² 0,55) . Hasil penelitian menunjukkan bahwa ANFIS-PCA memiliki kinerja yang lebih baik dibandingkan model ANFIS tanpa PCA, terutama ketika dilatih dengan data dari stasiun darat. Integrasi PCA berhasil mengurangi dimensi data, meningkatkan efisiensi komputasi dan akurasi model. Selain itu hasil ini juga menegaskan keunggulan pengukuran curah hujan data ground station untuk prediksi banjir, mempunyai angka presisi yang lebih tinggi dan kerentanan yang lebih rendah terhadap kesalahan dibandingkan data satelit. Sementara itu data satelit CHIRPS menawarkan cakupan spasial yang lebih luas.

---

Flooding in Jakarta is a complex issue influenced by a combination of geographical, social, economic, and environmental factors. This study focuses on flood prediction by comparing ground station data from Automatic Rain Gauges (ARG) and satellite data from the Climate Hazards Group InfraRed Precipitation (CHIRPS) using the Adaptive Neuro-Fuzzy Inference System (ANFIS) integrated with Principal Component Analysis (PCA). The dataset includes rainfall measurements from ARG and CHIRPS, as well as water level data from 2014 to 2020. ARG provides accurate local rainfall data, while CHIRPS offers broad regional precipitation coverage. Preprocessing techniques such as mean imputation, data normalization, and the interquartile range (IQR) method were employed to enhance data quality.

The ANFIS-PCA model, which integrates fuzzy logic and neural network training, was implemented using an 80:20 data split for training and validation. When trained with ARG ground station data and water level measurements, the ANFIS-PCA model demonstrated superior accuracy, achieving a root mean square error (RMSE) of 0.13, mean absolute error (MAE) of 0.12, and R² of 0.82. In contrast, the ANFIS model without PCA yielded higher errors, with RMSE of 6.3, MAE of 6.2, and R² of 0.74. Training with CHIRPS satellite data resulted in significantly higher errors (RMSE 30.14, MAE 24.05, R² 0.42). Meanwhile, the ANFIS-PCA model trained on combined datasets showed improved performance, achieving RMSE of 4.8, MAE of 2.0, and R² of 0.55.

The results indicate that the ANFIS-PCA model outperforms the ANFIS model without PCA, particularly when trained with ground station data. The integration of PCA successfully reduced data dimensionality, improving computational efficiency and model accuracy. Furthermore, the findings reaffirm the superiority of ground-based measurements for flood prediction due to their higher precision and lower susceptibility to errors compared to satellite-derived data, while CHIRPS satellite data offers wider spatial coverage."

"Wilayah pesisir adalah salah satu wilayah yang sangat rentan bencana. Salah satu bencana yang perlu mendapat perhatian serius di daerah pesisir termasuk di kota Jakarta adalah bencana yang disebabkan oleh banjir pantai. Permasalahan utama adalah saat ini belum tersedia sistem peringatan dini banjir pantai di Jakarta. Tujuan penelitian ini adalah membangun model sistem peringatan dini banjir pantai dengan memperhitungkan berbagai faktor dan menganalisis tingkat penerimaan masyarakat pada pengembangan sistem peringatan dini banjir pantai di daerah pesisir Jakarta. Metode yang digunakan adalah Mix Method (Kuantitatif dan Kualitatif). Pengembangan model dilakukan dengan memperhitungkan faktor meteorologi, klimatologi, oseanografi dan hidrologi dan juga melakukan analisis pada penerimaan masyarakat dengan deskripsi statistik, tabulasi silang dan analisis jalur. Hasil penelitian menunjukkan perbandingan tinggi muka laut pada saat kejadian banjir pantai antara model dan data observasi pada tanggal 29 Mei – 8 Juni 2016, 3 Januari – 13 Januari 2017 dan 28 November – 8 Desember 2017 menunjukkan korelasi yang baik yaitu nilai r masing - masing, 0,98, 0,99, dan 0,96. Hasil simulasi pada tanggal 5 Desember 2017 menunjukkan peta genangan dengan dampak terparah ada di wilayah Tanjung Priok, Marunda, Kalibaru dan Kamal Muara. Hasil analisis penerimaan masyarakat memperlihatkan adanya hubungan antara pengetahuan dan persepsi pada sikap masyarakat merespon model peringatan dini banjir pantai. Berdasarkan hasil penelitian dapat disimpulkan bahwa model yang dibangun dalam penelitian dapat digunakan sebagai sistem peringatan dini dalam mitigasi banjir pantai bagi masyarakat di pesisir Jakarta.

---

The coastal area is one of the areas that are very vulnerable to disasters. One of the catastrophes that need serious attention in coastal areas, including in Jakarta, is a disaster caused by coastal flooding. The main problem is that currently, there is no coastal flood early warning system in Jakarta. This research aims to build a model of coastal flood early warning system by taking into account various factors and analyzing the level of public acceptance on the coastal flood early warning system in development in the coastal areas of Jakarta. The method used is the Mix Method (Quantitative and Qualitative). Model development is carried out by considering meteorological, climatological, oceanographic, and hydrological factors and conducting analysis on public acceptance with statistical descriptions, cross - tabulation, and path analysis. The results show the comparison of sea level between the model and the observation data at the time of coastal flooding on 29 May - 8 June 2016, 3 January - 13 January 2017 and 28 November - 8 December 2017 showed a good correlation, namely the respective r values, 0,98, 0,99, and 0,96. The simulation results on 5 December 2017 depict inundation maps with the worst impacts in the Tanjung Priok, Marunda, Kalibaru, and Kamal Muara areas. The public acceptance analysis results show that there is a relationship between knowledge and perceptions of people's attitudes in responding to the coastal flood early warning model. From the results of the study, it can be concluded that the model built in the study can be used as an early warning system in coastal flood mitigation for communities on the coast of Jakarta."

"Proses sistem kendali adalah proses penting yang terjadi di dunia perindustrian, salah satunya di ranah industri hulu migas. Salah satu instrumen utama pada proses upstream migas adalah separator yang memiliki fungsi untuk memisahkan kandungan fluida minyak mentah yang mengalir melalui pipa menjadi beberapa wujud fase. Pada kenyataanya hampir semua proses pengendalian separator pada fasilitas produksi PT. Pertamina EP masih menggunakan model pengendalian PID konvensional yang harus terus dimonitoring oleh sumber daya manusia selama 24 jam per hari. Oleh karenanya, pada penelitian ini dirancang sebuah metode pengendalian berbasis intelligent system, yaitu simulasi pengendalian Neuro Fuzzy. Metode pengendalian Neuro-Fuzzy ini didesain menggunakan algoritma ANFIS dengan input berupa setpoint, error, dan selisih error dari proses variabel fluida separator, yaitu level (h) fluida. Penelitian dilakukan menggunakan aplikasi Simulink/MATLAB dengan memasukkan fungsi transfer dari model matematis separator lalu melakukan perbandingan dengan melihat grafik respon dan parameter antara model pengendali PID dan ANFIS. Hasil dari penelitian menunjukan bahwa performa pengendali model ANFIS secara rata-rata memiliki overshoot yang jauh lebih baik dari model PID karena selalu mendekati nol dalam tiap kondisi set point serta model ANFIS memiliki nilai error yang lebih baik pada saat set point bernilai 5 dengan perbedaan error 0,712 dari error model pengendali PID.

---

The control system process is an important process that occurs in the industrial world, one of which is in the upstream oil and gas industry. One of the main instruments in the upstream oil and gas process is a separator which has afunction to separate the crude oil fluid content flowing through the pipe into several phases. In fact, almost all separator control processes at PT. Pertamina EP still uses the conventional PID control model which must be continuously monitored by human resources 24 hours per day. Therefore, in this study, a control method based on intelligent systems is based on Neuro Fuzzy control of the level (h) of the fluid. The research was conducted using the Simulink/MATLAB application by entering the transfer function of the separator mathematical model and then making comparisons by looking at the response and parameter charts between the PID and ANFIS controller. The results of the study show that the ANFIS model controller performance on average has a much better overshoot than the PID model because it is always close to zero in each set point condition and the ANFIS model has a better error value when the set point is 5 with an error difference of 0.712. of the PID controller model error."

"Sistem Peringatan Dini Bencana (Disaster Early Warning System) atau yang disebut DEWS adalah sistem yang dikelola oleh Badan Penanggulangan Bencana Daerah Provinsi DKI Jakarta dan digunakan oleh petugas Unit Pelaksana Teknis Pusat Data dan Informasi Kebencanaan (UPT PDIK) serta petugas di Kelurahan terdampak bencana banjir. DEWS bertujuan untuk membantu masyarakat dalam menerima, memahami, dan bereaksi secara cepat dan tepat terhadap peringatan dini yang diinformasikan oleh petugas. DEWS dinilai belum optimal dan sesuai dengan ekspektasi yang diharapkan dalam mengelola layanan peringatan dini bencana. Hal ini ditunjukan dari permasalahan-permasalahan terkait kinerja DEWS.Tujuan penelitian ini adalah untuk melakukan evaluasi terkait analisis faktor yang memengaruhi kesuksesan dari Sistem Peringatan Dini Bencana (DEWS) dan rekomendasi peningkatan kualitas sistem. Salah satu cara menghindari kegagalan layanan e-government adalah dengan menentukan dan mendefinisikan faktor kesuksesan diawal implementasi (Napitupulu, Syafrullah, Rahim, Amar, & Sucahyo, 2018). Penelitian ini mengadopsi model kesuksesan DeLone & McLean dengan penambahan variabel kualitas teknologi pelengkap. Data dikumpulkan dengan menggunakan kuesioner yang disebar kepada petugas UPT PDIK BPBD Provinsi DKI Jakarta dan petugas kelurahan dimana DEWS telah terpasang. Data hasil kuesioner diolah dengan menggunakan Partial Least Squares-Structural Equation Model (PLS SEM).Dari 11 hipotesis pada penelitian ini setelah dilakukan pengolahan data dengan menggunakan PLS SEM terdapat 5 hipotesis yang diterima dan 6 yang ditolak. Kepuasan pengguna (user satisfaction) menjadi variabel paling memiliki pengaruh positif kepada kesuksesan DEWS. Kemudian diikuti kualitas sistem (system quality), kualitas teknologi pelengkap (complimentary). Penggunaan (use) saat ini belum memiliki pengaruh pada kesuksesan, dimana kualitas layanan berpengaruh positif pada penggunaan, namun belum berpengaruh pada kepuasan pengguna. Kualitas informasi (information quality) saat ini juga belum memiliki pengaruh positif pada penggunaan dan kepuasan pengguna.

---

The Disaster Early Warning System, called DEWS, is a system managed by the DKI Jakarta Provincial Disaster Management Agency and used by Disaster Data and Information Center Technical Implementation Unit (UPT PDIK) officers and officers in villages district that affected by flood disasters. DEWS aims to assist the community in receiving, understanding, and reacting quickly and precisely to early warnings that are informed by officers. DEWS is considered not optimal and in accordance with the expectations expected to manage disaster early warning services. This is shown from the problems related to DEWS performance.

The purpose of this study is to evaluate the analysis of factors that influence the success of the Disaster Early Warning System (DEWS) and recommendations for improving the quality of the system. One way to avoid the failure of e-government services is to determine and define success factors at the beginning of implementation (Napitupulu, Syafrullah, Rahim, Amar, & Sucahyo, 2018). This study adopts the DeLone & McLean success model with the addition of complementary technology quality variables. Data was collected using a questionnaire distributed to UPT PDIK BPBD DKI Jakarta Province staff and village officials in district where DEWS has been installed. Data from the questionnaire were processed using the Partial Least Squares-Structural Equation Model (PLS SEM).

By 11 hypotheses in this study after processing data using PLS SEM, there are 5 accepted and 6 rejected hypotheses. User satisfaction has the most positive influence on DEWS success. Then followed by the system quality and complimentary. Use does not currently have an influence on success, where service quality has a positive effect on use, but has not affected user satisfaction. The information quality at this time also does not have a positive influence on the use and user satisfaction."

"Identifikasi retina merupakan metode identifikasi biometrik dengan tingkat kesalahan rendah melalui pola-pola unik pembuluh darah di bagian belakang retina. Pola-pola ini dapat digunakan sebagai data latih logika neuro fuzzy untuk kemudian digunakan sebagai pembanding pada saat identifikasi dilakukan.Penelitian ini bertujuan untuk mengenali citra retina mata manusia, baik bagian kiri maupun kanan, menggunakan teknik pengolahan citra dan Adaptive Neuro Fuzzy Inference System (ANFIS). Pada proses pengenalan retina ini, citra digital yang sudah diakuisisi akan dicrop dan dibagi menjadi image block berukuran 4x4. Kemudian blok citra dikonversi dari format Red Green Blue (RGB) menjadi format Hue Saturation Value (HSV). Untuk mendapatkan parameter fitur warna HSV, setiap komponen warna HSV dihitung nilai rata-ratanya. Nilai rata-rata HSV dimasukkan ke dalam database dan dilatih dengan ANFIS yang terdiri atas 2 jenis membership function, yaitu Gaussian dan Trapesium dengan 3 input dan 1 ouput.Dari hasil uji coba, hasil identifikasi memiliki tingkat akurasi hingga 65% untuk membership function Trapesium dan 80% untuk membership function Gaussian dengan 60 kali pelatihan ANFIS.

---

Retina identification is a biometric identification method which has very low error rate using a unique blood vessel pattern in the back of the retina. The identification involved an infrared scanned retina imagery which is analyzed using image processing technique to derive the color characteristics and then trained into the Adaptive Neuro Fuzzy Inference System (ANFIS).The objective of this research to identify a person?s identity from his/her retina image. The identification process is started by cropping the digital retina image then transformed into an 4x4 image block. The image block is then converted from Red Green Blue (RGB) color format to the Hue Saturation Value (HSV) format. Each color component of HSV values is then averaged, saved to a database and trained using ANFIS. The Neuro fuzzy used Gaussian and Trapezoid membership function which have 3 input and 1 ouput, respectively.The simulation results showed the identification system has an accuracy rate up to 65% and up to 80%, for Trapezoid and Gaussian membership function, respectively. This results are achieved using 60 training data in the ANFIS."

"Tugas akhir ini dilakukan sebagai penelitian untuk menganalisa proses pengenalan iris mata manusia dengan teknik pengolahan citra menggunakan metode adaptive neuro-fuzzy inference system (ANFIS). Hal ini didasarkan pada teori bahwa setiap iris mata manusia mempunyai bagian-bagian yang unik dan berbeda antara iris yang satu dengan yang lain. Data iris yang digunakan dalam penulisan tugas akhir ini diambil dari http://pesona.mmu.edu.my/~ccteo/. Data yang didapat sudah dalam grayscale dengan demikian dari data tersebut sudah dapat diolah dengan pengolahan selanjutnya dengan menentukan region of interest, mengubah koordinat citra dari koordinat kartesian menjadi koordinat polar, mengekstrak citra menjadi 3 bagian dan membuat blok-blok dari matriks tersebut, kemudian mengkodekan dengan filter wavelet. Dari hasil pengkodean ini didapat tiga buah parameter yaitu matriks diagonal, matriks vertikal, dan matriks horisontal. Dari ketiga parameter ini diambil nilai rata-ratanya dan hasilnya digunakan untuk pembentukan database yang kemudian digunakan untuk proses pelatihan, pengujian, dan pengecekan pada adaptive neuro-fuzzy inference system dengan menggunakan fungsi keanggotaan gaussian dan metode subtractive clustering. Hasil yang diadapat dari metode ini untuk citra mata yang telah dilatih sebesar 90% sedangkan untuk data uji atau citra yang tidak dilatih sebesar 25%.

---

This paper was made for studying identification proccess of human iris with image processing using adaptive neuro-fuzzy inference system (ANFIS) methode. The study based on the theory that every human iris have unique parts. Data that used in this paper taken from http://pesona.mmu.edu.my/~ccteo/. Data format in grayscale level therefore this data could be proccess with the further processing decisively region of interest, transform from rectangular coordinate to polar coordinate, extracted the image to 3 parts and made blocs from this matrix, afterwards encode the matrix using wavelet filter. From the results of this coding was gotten three parameters that is the diagonal matrix, the vertical matrix, and the horizontal matrix. From the three parameters was taken average value and results was used for database formation, afterwards was used for training process, testing, and checking in adaptive neuro-fuzzy inference system used the function of the gaussian membership and subtractive clustering methode. The result for his method 90% for image that was trained and 25% for test data or image that was not trained."

"ABSTRAKIndeks harga saham merupakan indikator yang menggambarkan pergerakan harga sekelompok saham. Salah satu indeks harga saham yang terdapat di Indonesia adalah IHSG Indeks Harga Saham Gabungan . Terdapat banyak manfaat dari mengikuti pergerakan IHSG, salah satunya untuk meminimalisir kerugian dari berinvestasi dalam pasar saham. Oleh karena itu, akan dilakukan prediksi nilai IHSG. Metode yang akan digunakan adalah ANFIS Adaptive Neuro-Fuzzy Inference System dan SVR Support Vector Regression yang merupakan pengembangan dari metode ANN Artificial Neural Network . Selanjutnya performa keduanya akan dibandingkan. Hasil percobaan menghasilkan SVR sedikit lebih baik dari segi keakuratan dibandingkan ANFIS. Nilai keakuratan dari SVR yaitu 78,35 , 97,93 , dan 98,96 sedangkan keakuratan ANFIS yaitu 77,31 , 96,90 , dan 98,80 masing-masing untuk hasil prediksi yang nilai eror relatifnya di bawah 1 , 2 , dan 3 . Maksimum keakuratan dan running time pada ANFIS bergantung banyaknya hari yang digunakan untuk prediksi. Semakin banyak hari yang digunakan untuk prediksi, maka nilai keakuratannya semakin rendah dan running time semakin lama. Sedangkan maksimum keakuratan dan running time pada SVR tak bergantung pada banyaknya hari yang digunakan untuk prediksi. Dalam skripsi ini disajikan pula hasil sampingan berupa clustering berdasarkan eror relatif hasil prediksi menggunakan FKCM Fuzzy Kernel C-Means . Tujuan dari clustering ini yaitu mengecek apakah hasil prediksi yang dihasilkan ANFIS dan SVR kurang dari suatu nilai eror relatif yang ditetapkan.

---

ABSTRACTStock index reflects the price movement a group of stock. There are many stock indices in the world. JKSE Jakarta Composite Index is one of stock index in Indonesia. There are many benefits in following JKSE value, one of them to minimize the loss in stock investment. Therefore, JKSE value will be predicted. The method used are ANFIS Adaptive Neuro Fuzzy Inference System and SVR Support Vector Regression which are development of ANN Artificial Neural Network method. The performance of these two method will be compared. The experiment result gives that SVR is slightly better in terms of accuracy than ANFIS. The accuracy values of SVR are 78,35 , 97,93 , dan 98,96 while the accuracy of ANFIS are 77,31 , 96,90 , dan 98,80 each for a predicted result whose relative eror value is below 1 , 2 , dan 3 . The maximum accuracy and running time on ANFIS depend on how many days are used for prediction. The more days used for prediction will give the lower accuracy and longer running time. While the maximum accuracy and running time on SVR does not depend on the number of days used for prediction. In this thesis, presented also clustering based on relative error from the predicted result using FKCM Fuzzy Kernel C Means . The purpose of this clustering is to check whether the prediction result by ANFIS and SVR is less than a relative error value set."

"Indonesia seringkali mengalami bencana alam, pada tahun 2008 Indonesia termasuk dalam 10 besar negara di dunia yang selalu mengalami bencana. Bencana terbesar yang terjadi adalah bencana hidrologi yang berhubungan dengan banjir, yaitu sekitar 34%. Ini mengindikasikan bahwa kejadian banjir perlu ditangani secara seksama oleh berbagai pihak. Pendekatan yang digunakan adalah secara nonstruktur dengan mengembangkan sistem peringatan dini banjir, menggunakan pemdektan pemodelan hidrologi dan hidraulik untuk menentukan karakteristik aliran banjir. Input yang dipakai dalam model menggunakan beberapa sumber data, seperti data pengamatan lapangan dengan sistem pengiriman data secara telemetri, data radar, satelit, dan data prakiraan hujan dari berbagai Numerical Weather Prediction (NWP) serta prakiraan muka air laut dengan menggunakan Astronomical Tide dan South China Sea Model. Penggunaan beberapa sumber data dimaksudkan untuk memperpanjang lead time yang dihasilkan oleh model. Sistem peringatan dini banjir Jakarta (J-FEWS) telah dioperasikan secara perdana untuk kejadian banjir pada akhir tahun 2012 dan awal tahun 2013. Hasil yang diperoleh menunjukkan bahwa sistem berjalan dengan baik meskipun hasil prakiraan masih memerlukan perbaikan, terutama data curah hujan yang digunakan (baik data pengamatan maupun data prakiraan). Penggunaan hujan prakiraan dapat menghasilkan lead time yang lebih panjang, tetapi akurasi prakiraan model menjadi berkurang."

"

Demam Berdarah Dengue (DBD) merupakan penyakit yang banyak ditemukan di sebagian besar wilayah tropis dan subtropis. DBD merupakan penyakit infeksi yang disebabkan oleh virus dengue yang termasuk ke dalam family flaviviridae dan genus flavivirus yang ditularkan ke manusia melalui gigitan nyamuk Aedes aegypti dan Aedes albopicus dengan masa inkubasi intrinsik 3 sampai 14 hari, dan inkubasi ekstrinsik 8 sampai 10 hari. Dalam 3 tahun terakhir, jumlah penderita DBD di DKI Jakarta menduduki jumlah tertinggi yang mencapai 813 jiwa pada tahun 2019. Pada tugas akhir ini, dibahas pembuatan model Adaptive Neuro-Fuzzy Inference System (ANFIS) untuk memprediksi jumlah insiden DBD di DKI Jakarta menggunakan data jumlah insiden DBD pada setiap wilayah di DKI Jakarta tahun 2009 sampai 2017. Hasil simulasi dari model Adaptive Neuro-Fuzzy Inference System dibandingkan dengan hasil model Artificial Neural Network (ANN) dan Ensemble ANN-ANFIS yang dievaluasi berdasarkan Root Mean Squared Error dan Mean Absolute Error. Pada tugas akhir ini, Adaptive Neuro-Fuzzy Inference System memiliki performa lebih baik dibandingkan Artificial Neural Network dan Ensemble ANN-ANFIS hampir seluruh daerah di DKI Jakarta.

---

Dengue Hemorrhagic Fever (DHF) is a disease that is found in most tropical and subtropical regions. DHF is a disease caused by dengue virus which belongs to the flaviviridae family and genus flavivirus which is transmitted to humans through the bite of Aedes aegypti and Aedes albopicus mosquitoes with an intrinsic incubation period of 3 to14 days, and extrinsic incubation period of 8 to 10 days. In the last 3 years, the number of DHF sufferers in DKI occupied the highest number, which reached 813 people in 2019. In this final project, we will discuss making an Adaptive Neuro-Fuzzy Inference System (ANFIS) model to predict the number of DHF reporting in DKI Jakarta using data on the number of DHF reporting in each region in DKI Jakarta from 2009 to 2017. Simulation result from the Adaptive Neuro-Fuzzy Inference System model are compared with the results of the Artificial Neural Network (ANN) model and the Ensemble ANN-ANFIS model, evaluated based on Root Mean Squared Error and Mean Absolute Error. In this final project, the Adaptive Neuro-Fuzzy Inference System has better performance than the Artificial Neural Network and Ensemble ANN-ANFIS in all regions in DKI Jakarta.

"