Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Keberadaan COVID-19 di Indonesia saat ini bukanlah satu-satunya wabah penyakit yang harus diwaspadai. Menteri Kesehatan mengatakan ada penyakit yang tidak kalah  berbahaya dan juga tidak kalah mematikan dibandingkan dengan wabah penyakit COVID-19, yaitu Demam Berdarah Dengue. Penyakit ini sudah sepatutnya untuk diwaspadai mengingat jumlah kasusnya yang semakin meningkat dan melebihi jumlah kasus penyakit COVID-19. Faktor cuaca seperti curah hujan, temperatur, dan kelembapan merupakan faktor yang sangat berpengaruh dalam penyebaran parasit dan vektor penular DBD. Untuk mengoptimalkan upaya pencegahan dan penanganan DBD, perlu dilakukannya prediksi terkait jumlah insiden DBD. Dalam tugas akhir ini dilakukan proses prediksi jumlah insiden DBD di DKI Jakarta dengan memperhitungkan faktor iklim (curah hujan, kelembapan, dan temperatur) menggunakan metode Extreme Learning Machine dan metode Artificial Neural Network-Back Propagation serta membandingkan kinerja dari kedua metode tersebut.  Berbeda dari Artificial Neural Network-Back Propagation, Extreme Learning Machine tidak membutuhkan proses iterasi untuk update parameter. Dengan menggunakan data variabel cuaca dan data jumlah insiden DBD kumulatif, Extreme Learning Machine dapat memberikan hasil prediksi yang lebih akurat dibandingkan dengan  Artificial Neural Network - Back Propagation. Extreme Learning Machine dengan persentase data training sebesar 90% menunjukkan hasil prediksi yang lebih baik dibandingkan dengan persentase data training lainnya yang digunakan dalam tugas akhir ini yaitu sebesar 80% dan 70%.

---

The existence of COVID-19 currently in Indonesia is not the only disease which must be watched out. The Health Ministry has said that there was a disease that is as dangerous as COVID-19. That disease is Dengue Fever. Dengue Fever also must be given an extra caution because it is noted that until now the number of dengue cases continues to increase and exceeds COVID-19 cases. The weather factors, such as rainfall, temperature, and humidity, are a very influential factor in the spread of parasites and infectious vectors of dengue fever.  To optimize the dengue handling and prevention effort, it is important to make the dengue cases prediction.

In this final paper, the number of dengue incidences will be predicted by involving weather factors (rainfall, temperature, and humidity) using Extreme Learning Machine and Artificial Neural Network-Back Propagation and also comparing the both of their performance. Unlike the Artificial Neural Network-Back Propagation, Extreme Learning Machine does not need the iteration process to update the parameter.

The result shows that Extreme Learning Machine can give the dengue incidences prediction  which is more accurate than the dengue incidences prediction that is given by using Artificial Neural Network-Back Propagation. Extreme Learning Machine by using 90% training data can show the better prediction result than other training data percentage which is used in this final paper, 80% and 70%."

"Demam Berdarah Dengue (DBD) adalah penyakit yang disebabkan oleh virus dengue yang termasuk anggota genus Flavivirus dan keluarga Flaviviridae yang menyebar melalui nyamuk Aedes (Stegomyia). Jumlah kasus DBD di seluruh dunia dilaporkan meningkat lebih dari 8 kali lipat selama dua dekade terakhir, dari 505.430 kasus pada tahun 2000, menjadi lebih dari 2,4 juta pada tahun 2010, dan 5,2 juta pada tahun 2019. Peningkatan insiden DBD dipengaruhi oleh berbagai faktor, baik itu faktor alam, kebiasaan manusia, hingga jenis virus penyebab DBD itu sendiri. Faktor alam yang dimaksud disini antara lain faktor iklim, seperti curah hujan (mm), temperatur rata-rata (℃), dan kelembapan rata-rata (%). Peningkatan insiden DBD dapat dicegah dengan upaya pencegahan yang dilakukan sedini mungkin oleh pemerintah dan masyarakat. Informasi prediksi tren insiden DBD dapat menjadi masukan bagi masyarakat dan pemerintah untuk meningkatkan kewaspadaan terhadap peningkatan insiden DBD di DKI Jakarta. Dalam melakukan prediksi tren insiden DBD, dapat dilakukan dengan berbagai pendekatan, salah satu diantaranya adalah machine learning. Pada tugas akhir ini, implementasi machine learning menggunakan model The Attention Mechanism-Enhanced LSTM (LSTM-ATT) dan Poisson Regression, akan digunakan untuk memprediksi tren insiden DBD dari waktu ke waktu. LSTM-ATT adalah sebuah model machine learning yang digunakan untuk memproses data sequence. Poisson Regression adalah model regresi yang dapat digunakan pada data yang variabel responnya berdistribusi Poisson dan bertipe diskrit. Prediksi yang akan dilakukan didasarkan pada jumlah insiden DBD sebagai variabel respon, serta faktor iklim seperti curah hujan, suhu, dan kelembapan sebagai variabel prediktor. Untuk proporsi data, kedua model tersebut menggunakan proporsi data training sebesar 80% dan data testing sebesar 20%. Model yang dibentuk ini dievaluasi dengan nilai dari Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE). Hasil implementasi terbaik pada skrips ini dihasilkan oleh model LSTM-ATT dengan evaluasi di setiap wilayah DKI Jakarta: Jakarta Pusat RMSE: 9,5727, MAE: 6,6946; Jakarta Timur RMSE: 21,5288, MAE: 15,6365; Jakarta Barat RMSE: 16,3683, MAE: 12,4908; Jakarta Utara RMSE: 23,5911, MAE: 15,2969; Jakarta Selatan RMSE: 18,3811, MAE: 14,0262.

---

Dengue Hemorrhagic Fever (DHF) is a disease caused by the dengue virus, which belongs to the Flavivirus genus and Flaviviridae family, transmitted through Aedes mosquitoes (Stegomyia). The number of DHF cases worldwide has reported an increase of more than 8 times over the past two decades, from 505,430 cases in 2000 to over 2.4 million in 2010 and 5.2 million in 2019. The increase in DHF incidence is influenced by various factors, including natural factors, human behavior, and the type of dengue virus itself. Natural factors include climate factors such as rainfall (mm), average temperature (℃), and average humidity (%). The increase in DHF incidence can be prevented through early prevention efforts by the government and the community. Predicting the trend of DHF incidence can provide input for the community and the government to increase vigilance against the increasing incidence of DHF in Jakarta. Various approaches can be used for predicting the trend of DHF incidence, one of which is machine learning. In this final project, the implementation of machine learning using the LSTM-ATT and Poisson Regression models will be used to predict the trend of DHF incidence over time. LSTM-ATT is a machine learning model used to process sequential data, such as time series data. On the other hand, Poisson Regression is a regression model that can be used for data with Poisson-distributed response variables and discrete types. The prediction will be based on the number of DHF incidents as the dependent variable, and climate factors such as rainfall, temperature, and humidity as independent variables. The performance of the models will be evaluated using the Root Mean Square Error (RMSE) and Mean Absolute Error (MAE). The best implementation results in this thesis were produced by the LSTM-ATT model with evaluation in each area of DKI Jakarta: Central Jakarta RMSE: 9.5727, MAE: 6.6946; East Jakarta RMSE: 21.5288, MAE: 15.6365; West Jakarta RMSE: 16.3683, MAE: 12.4908; North Jakarta RMSE: 23.5911, MAE: 15.2969; South Jakarta RMSE: 18.3811, MAE: 14.0262."

"

Insiden Demam Berdarah Dengue (DBD) terjadi pertama kali di Indonesia pada tahun 1968. DBD adalah penyakit yang disebabkan oleh infeksi virus dengue dan disebarkan oleh nyamuk Aedes aegypti. World Health Organization (WHO) menyatakan bahwa Indonesia adalah negara dengan kasus DBD tertinggi di Asia Tenggara. Pada awal tahun 2019 tercatat jumlah penderita DBD sebesar 13.683 penderita, dilaporkan dari 34 Provinsi, termasuk Provinsi DKI Jakarta. Pada Skripsi ini, jumlah insiden DBD di DKI Jakarta diprediksi menggunakan Elman Neural Network (ENN) dan modifikasi dari ENN, yaitu Piecewise Weighted-Gradient Regularized Elman Neural Network (PWRENN). ENN dan PWRENN dipilih karena memiliki koneksi bolak-balik dan memori untuk menyimpan hasil perhitungan sebelumnya. Memori ini meningkatkan hasil prediksi menjadi lebih akurat dibandingkan model Neural Network yang tidak memiliki koneksi bolak-balik. Prediksi dihasilkan berdasarkan jumlah insiden dan faktor cuaca sebelumnya yang terdiri atas rata-rata temperatur udara, rata-rata kelembapan relatif, dan curah hujan. Model yang dibentuk dievaluasi dengan Root Mean Squared Error (RMSE). Pada Skripsi ini, prediksi insiden DBD terbaik di wilayah Jakarta Barat, Jakarta Pusat, Jakarta Selatan, Jakarta Timur, dan Jakarta Utara dihasilkan oleh model PWRENN dengan RMSE pada data testing berturut-turut sebesar 1,02370, 0,94291, 2,15366, 2,79465, dan 2,25341.

---

The incidence of Dengue Hemorrhagic Fever (DHF) first occurred in Indonesia in 1968. DHF is a disease caused by dengue virus infection and spread by the Aedes aegypti mosquito. World Health Organization (WHO) states that Indonesia is a country with the highest DHF cases in Southeast Asia. In early 2019 the number of DHF patients was recorded at 13,683, reported from 34 provinces, including DKI Jakarta. In this research, the number of DHF incidents in DKI Jakarta is predicted using Elman Neural Network (ENN) and modification of ENN, namely Piecewise Weighted-Gradient Regularized Elman Neural Network (PWRENN). ENN and PWRENN were chosen because they have recurrent connections and memory to store the results of previous calculations. This memory improves the prediction results to be more accurate than Neural Network models without recurrent connections. Prediction is generated based on the number of previous incidents and previous weather factors consisting of average air temperature, average relative humidity, and rainfall. The model formed was evaluated by Root Mean Squared Error (RMSE). In this research, the best prediction of the DHF incidents in the West Jakarta, Central Jakarta, South Jakarta, East Jakarta, and North Jakarta regions is generated by the PWRENN model with RMSE on testing data respectively 1,02370, 0,94291, 2,15366, 2,79465, dan 2,25341.

"

"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.

"

"Penuaan merupakan kumpulan perubahan biologis pada tubuh manusia yang terjadi secara bertahap dan dapat meningkatkan risiko terjadinya penyakit bahkan kematian. Hingga saat ini, usia kronologis menjadi indikator penuaan yang paling umum digunakan dalam dunia kesehatan. Akan tetapi, munculnya konsep usia biologis diyakini mampu memberikan pengukuran yang lebih akurat terkait penuaan pada manusia dibandingkan dengan usia kronologis. Usia biologis dipengaruhi oleh berbagai faktor yang disebut biomarker. Penelitian ini berfokus pada prediksi usia biologis berdasarkan usia kronologis dan fitur (biomarker) lainnya dengan memanfaatkan metode machine learning Extreme Gradient Boosting (XGBoost) dan Support Vector Regression (SVR). Dataset yang digunakan berupa data pemeriksaan medis oleh Kementerian Kesehatan RI. Pada dataset tersebut dilakukan data preprocessing, seleksi fitur menggunakan Spearman’s Rank Correlation Coefficient, dan pembangunan model. Model dievaluasi menggunakan metrik evaluasi pada model regresi yaitu Root Mean Square Error (RMSE), Coefficient of Determination , dan Adjusted . Ketiga metrik ini masing-masing menghitung selisih nilai prediksi dengan nilai aktual dan menunjukkan seberapa baik variabel dependen dapat dijelaskan oleh variabel independen pada model. Dengan metode XGBoost diperoleh nilai RMSE 8,0560, 0,2894, dan Adjusted 0,2006 untuk data pria, serta RMSE 6,3851, 0,4252, dan Adjusted 0,3938 untuk data wanita. Dengan metode SVR, diperoleh RMSE 8,0697, 0,2870, dan Adjusted 0,1979 untuk data pria, serta RMSE 6,7147, 0,3643, dan Adjusted sebesar 0,3296. Metode XGBoost lebih unggul dalam memprediksi usia biologis baik pada model pria maupun wanita dibandingkan metode SVR. Usia kronologis dan biomarker (fitur) lainnya terkait kesehatan juga ditemukan berpengaruh positif terhadap usia biologis seorang individu.

---

Aging is a collection of biological changes in the human body that occur gradually and can increase the risk of disease and even death. Until now, chronological age is the most commonly used indicator of aging in the medical sector. However, the emergence of the concept of biological age is believed to be able to provide a more accurate measurement of aging in humans compared to chronological age. Biological age is influenced by various factors called biomarkers. This research focuses on predicting biological age based on chronological age and other features (biomarkers) by utilizing the Extreme Gradient Boosting (XGBoost) and Support Vector Regression (SVR) machine learning methods. The dataset used is medical examination data by the Indonesian Ministry of Health. Data preprocessing was performed on this dataset, followed by feature selection using the Spearman Rank Correlation Coefficient, and subsequent model development. The model is evaluated using evaluation metrics in the regression model, namely Root Mean Square Error (RMSE), Coefficient of Determination , and Adjusted . These three metrics each calculate the difference between the predicted and actual values and indicate how well the dependent variable can be explained by the independent variables in the model. Using the XGBoost method, RMSE values were obtained of 8,0560, 0,2894, and Adjusted 0,2006 for male data, as well as RMSE 6,3851, 0,4252, dan Adjusted 0,3938 for female's data. Using the SVR method, RMSE 8,0697, 0,2870, and Adjusted 0,1979 were obtained for male data, as well as RMSE 6.7147, 0.3643, and Adjusted of 0,3296 for female's data. The XGBoost method demonstrates better performance in predicting biological age for both male and female models compared to the SVR method. Chronological age and other health-related biomarkers (features) were also found to have a positive impact on an individual's biological age."

"

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.

"

"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."

"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. "

"Demam berdarah dengue (DBD) adalah penyakit menular akibat virus dengue dan disebarluaskan nyamuk Aedes sp. Salah satu faktor yang mempengaruhi kejadian DBD adalah iklim. DKI Jakarta merupakan wilayah yang rentan terhadap perubahan iklim. Setiap tahun DBD menjadi satu dari sepuluh kasus penyakit terbanyak di DKI Jakarta yang berpotensi Kejadian Luar Biasa (KLB). Penelitian ini merupakan studi ekologi yang dilakukan untuk mengetahui hubungan iklim dengan kejadian DBD di DKI Jakarta tahun 2008-2011.Hasil penelitian menyatakan kejadian DBD memiliki hubungan sedang dengan suhu (r=-0,279;p=0,000), kelembaban (r=0,301;p=0,000), curah hujan (r=0,316;p=0,000), dan lama penyinaran matahari (r=-0,392;p=0,000), sedangkan dengan kecepatan angin hubungannya tidak siginifikan (p>0,05).

---

Dengue hemorrhagic fever (DHF) is an infectious disease caused by dengue virus and the spread of Aedes sp. One of the factors that influence the incidence of dengue is the climate. Jakarta is a region vulnerable to climate change. Each year, dengue became one of top ten cases of the disease in Jakarta that could potentially Extraordinary Events. This study is an ecological study conducted to determine the relationship of climate with the incidence of dengue fever in Jakarta in 2008-2011.

The study stated the incidence of dengue fever are being linked with temperature (r=-0.279, p=0.000), humidity (r=0.301, p=0.000), rainfall (r=0.316, p = 0.000), and duration of solar radiation (r=-0.392, p=0.000), whereas the wind velocity relationship is not significant (p> 0.05)."