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) adalah penyakit akibat infeksi virus dengue (DENV) yang masih menjadi masalah kesehatan yang utama di Indonesia. Pencegahan DBD dilakukan dengan pengontrolan vektor nyamuk, antivirus khusus DENV juga belum tersedia. Salah satu kurkuminoid dari tanaman kunyit adalah kurkumin yang memiliki aktivitas antivirus DENV. Akan tetapi mekanisme penghambatan DENV oleh kurkumin pada tahap pra-infeksi masih belum diketahui. Penelitian ini terfokus pada mengetahui mekanisme penghambatan replikasi DENV terbaik secara in vitro oleh kurkumin pada tahap pra-infeksi, yaitu ketika DENV belum berlekatan dengan sel pejamu. Mekanisme tersebut meliputi penghambatan protein permukaan DENV dan reseptor pada sel sebelum perlekatan DENV dengan sel vero. Sebanyak 20 μg/mL kurkumin diadministrasikan ke sel vero dan DENV. Dilanjutkan dengan focus assay untuk mendapatkan persentase penghambatan infektivitas dan MTT assay untuk mendapatkan persentase viabilitas sel. Persentase penghambatan infektivitas DENV setelah pemberian kurkumin dengan menghambat protein dan reseptor adalah 57,28% dan 18,64%, secara berurutan dengan data berbeda bermakna (p<0,05). Persentase viabilitas sel vero setelah pemberian kurkumin dengan menghambat protein dan reseptor adalah 88,49% dan 73,77% secara berurutan, dengan data tidak berbeda bermakna (p>0,05). Disimpulkan bahwa kurkumin menunjukkan aktivitas antivirus dengue yang lebih baik dengan menghambat protein permukaan DENV secara in vitro pada tahap pra-infeksi.
Dengue hemorrhagic fever (DHF) is a disease caused by dengue virus infection (DENV) which is still a major health problem in Indonesia. DHF prevention includes mosquito vector control, DENV-specific antivirals are also unavailable. One of the curcuminoids of turmeric is curcumin which has DENV antiviral activity. However, the inhibition mechanism of DENV by curcumin at pre-infection stage is still unknown. This research focused on finding out the best inhibition mechanism of DENV replication in vitro by curcumin in the pre-infection stage, i.e. when DENV has not been attached to the host cells (vero cells) by inhibiting DENV surface proteins and receptors in cells prior. 20 μg/mL of curcumin is administered to vero and DENV cells. Followed by focus assay to obtain percentage of inhibition of infectivity and MTT assay to obtain percentage of cell viability. Percentage of infectivity inhibition after curcumin administration by inhibiting proteins and receptors is 57.28% and 18.64% respectively, and statistically significant (p<0.05). Percentage vero cells viability after curcumin administration by inhibiting proteins and receptors is 88.49% and 73.77% respectively, and not statistically significant (p>0.05). It is concluded that curcumin exhibits better antiviral dengue activity by inhibiting denv surface proteins in vitro at the pre-infection stage.
"
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.
"