SETIAWAN, BAYU (2026) KLASIFIKASI DAN PREDIKSI RISIKO DEMAM BERDARAH DKI JAKARTA MENGGUNAKAN ALGORITMA RANDOM FOREST DAN SARIMA. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
Cover.pdf Download (829kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
BAB 1.pdf Restricted to Registered users only Download (142kB) |
|
|
Text (BAB II)
BAB 2.pdf Restricted to Registered users only Download (421kB) |
|
|
Text (BAB III)
BAB 3.pdf Restricted to Registered users only Download (216kB) |
|
|
Text (BAB IV)
BAB 4.pdf Restricted to Registered users only Download (1MB) |
|
|
Text (BAB V)
BAB 5.pdf Restricted to Registered users only Download (98kB) |
|
|
Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf Restricted to Registered users only Download (207kB) |
|
|
Text (LAMPIRAN)
Lampiran.pdf Restricted to Registered users only Download (405kB) |
Abstract
Dengue Hemorrhagic Fever (DHF) remains a major health concern in DKI Jakarta, with case fluctuations highly influenced by climate variables. Traditional monitoring often leads to delays, reducing the effectiveness of preventive measures. This study aims to classify risk levels and predict DHF incidence trends in DKI Jakarta using a machine learning and time series analysis approach. The research integrates two datasets: DHF epidemiological data comprising 3,168 rows (features: location, number of patients, mortality, and total population) and weather data comprising 2,192 rows (features: minimum temperature, maximum temperature, average temperature, and rainfall). Modeling was conducted using Python, implementing the Random Forest (RF) algorithm for regional risk classification (low, medium, high) and SARIMAX for case trend forecasting with climate exogenous variables. Model validation was evaluated using the holdout method on the last 12 months of data for trend forecasting, and a 80:20 stratified data splitting approach for risk classification. The results indicated that the optimal forecasting model was SARIMAX(1,1,0)x(0,1,1)₁₂ with a Mean Absolute Percentage Error (MAPE) of 37.13%, projecting a total of approximately 6,144 cases in 2026. Concurrently, the risk classification using RF achieved an accuracy of 0.929, precision of 0.920, recall of 0.929, and an F1-score of 0.923. The integration of epidemiological and climate data proved effective in generating precise risk mapping and trend predictions to support a more efficient DHF early warning system. Keywords: Dengue Hemorrhagic Fever, risk classification, prediction, Random Forest, SARIMAX. Demam Berdarah Dengue (DBD) masih merupakan masalah kesehatan utama di DKI Jakarta, di mana fluktuasi kasusnya sangat dipengaruhi oleh variabel iklim. Pemantauan tradisional sering kali terlambat, sehingga langkah pencegahan menjadi kurang efektif. Penelitian ini bertujuan untuk mengklasifikasikan tingkat risiko serta memprediksi tren kejadian DBD di DKI Jakarta menggunakan pendekatan machine learning dan analisis deret waktu. Penelitian ini mengintegrasikan dua sumber data, yaitu data epidemiologi DBD sebanyak 3.168 baris (fitur: lokasi, jumlah pasien, kematian, dan jumlah penduduk) serta data cuaca sebanyak 2.192 baris (fitur: suhu minimum, suhu maksimum, suhu rata-rata, dan curah hujan). Pemodelan dilakukan menggunakan perangkat lunak Python dengan menerapkan algoritma Random Forest (RF) untuk klasifikasi risiko daerah (rendah, sedang, tinggi) dan SARIMA untuk peramalan tren kasus dengan variabel eksogen iklim. Validasi model dievaluasi menggunakan metode holdout data 12 bulan terakhir untuk peramalan tren, serta pembagian data (data splitting) 80:20 secara terstrata (stratified) untuk klasifikasi risiko. Hasil penelitian menunjukkan model ramalan terbaik adalah SARIMAX(1,1,0)x(0,1,1)₁₂ dengan Mean Absolute Percentage Error (MAPE) sebesar 37,13%, yang memproyeksikan total sekitar 6.144 kasus pada tahun 2026. Sementara itu, klasifikasi risiko menggunakan RF menghasilkan akurasi 0,929, precision 0,920, recall 0,929, dan F1-score 0,923. Penggabungan data epidemiologi dan iklim terbukti efektif dalam menghasilkan pemetaan risiko dan prediksi tren yang presisi untuk mendukung sistem peringatan dini DBD yang lebih efisien. Kata kunci: Demam Berdarah Dengue, klasifikasi risiko, prediksi, Random Forest, SARIMA.
| Item Type: | Thesis (S1) |
|---|---|
| NIM/NIDN Creators: | 41822110017 |
| Uncontrolled Keywords: | Demam Berdarah Dengue, klasifikasi risiko, prediksi, Random Forest, SARIMA. |
| Subjects: | 500 Natural Science and Mathematics/Ilmu-ilmu Alam dan Matematika > 510 Mathematics/Matematika > 518 Numerical Analysis/Analisis Numerik, Analisa Numerik > 518.1 Algorithms/Algoritma 500 Natural Science and Mathematics/Ilmu-ilmu Alam dan Matematika > 550 Earth Sciences/Ilmu tentang Bumi > 551 Geology/Geologi > 551.6 Climatology and Weather/Klimatologi, Iklim dan Cuaca |
| Divisions: | Fakultas Ilmu Komputer > Sistem Informasi |
| Depositing User: | khalimah |
| Date Deposited: | 29 Aug 2026 05:07 |
| Last Modified: | 29 Aug 2026 05:07 |
| URI: | http://repository.mercubuana.ac.id/id/eprint/103512 |
Actions (login required)
 |
View Item |
