analisis implementasi machine learning untuk …
TRANSCRIPT
Gina Fauziah, 2021 ANALISIS IMPLEMENTASI MACHINE LEARNING UNTUK PREDIKSI JUMLAH KASUS DEMAM
BERDARAH DENGUE (DBD) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
ANALISIS IMPLEMENTASI MACHINE LEARNING UNTUK
PREDIKSI JUMLAH KASUS DEMAM BERDARAH DENGUE (DBD)
SKRIPSI
Diajukan untuk Memenuhi Bagian dari
Syarat Memperoleh Gelar Sarjana Komputer
Pada Departemen Pendidikan Ilmu Komputer
Program Studi Ilmu Komputer
oleh
Gina Fauziah
NIM 1601148
PROGRAM STUDI ILMU KOMPUTER
DEPARTEMEN PENDIDIKAN ILMU KOMPUTER
FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PENDIDIKAN INDONESIA
2021
i Gina Fauziah, 2021
ANALISIS IMPLEMENTASI MACHINE LEARNING UNTUK PREDIKSI JUMLAH KASUS DEMAM BERDARAH DENGUE (DBD) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
ANALISIS IMPLEMENTASI MACHINE LEARNING UNTUK
PREDIKSI JUMLAH KASUS DEMAM BERDARAH DENGUE (DBD)
Oleh
Gina Fauziah
Sebuah skripsi yang diajukan untuk memenuhi salah satu syarat memperoleh gelar
Sarjana pada Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam
© Gina Fauziah
Universitas Pendidikan Indonesia
2021
Hak cipta dilindungi undang-undang
Skripsi ini tidak boleh diperbanyak seluruhnya atau sebagian,
Dengan dicetak ulang, difoto kopi, atau cara lainnya tanpa izin dari penulis
ii Gina Fauziah, 2021
ANALISIS IMPLEMENTASI MACHINE LEARNING UNTUK PREDIKSI JUMLAH KASUS DEMAM BERDARAH DENGUE (DBD) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
GINA FAUZIAH
1601148
ANALISIS IMPLEMENTASI MACHINE LEARNING UNTUK
PREDIKSI JUMLAH KASUS DEMAM BERDARAH DENGUE (DBD)
disetujui dan disahkan oleh pembimbing:
Pembimbing I
Asep Wahyudin
Dr. Asep Wahyudin, M.T.
NIP. 197112232006041001
Pembimbing II
Enjun Junaeti, M.Si.
NIP. 198512202012122002
Mengetahui,
Ketua Program Studi Ilmu Komputer
Dr. Rani Megasari, M.T.
NIP. 198705242014042002
iii Gina Fauziah, 2021
ANALISIS IMPLEMENTASI MACHINE LEARNING UNTUK PREDIKSI JUMLAH KASUS DEMAM BERDARAH DENGUE (DBD) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
PERNYATAAN
Dengan ini saya menyatakan bahwa skripsi dengan judul “ANALISIS
IMPLEMENTASI MACHINE LEARNING UNTUK PREDIKSI JUMLAH
KASUS DEMAM BERDARAH DENGUE (DBD)” ini beserta seluruh isinya
adalah benar-benar karya saya sendiri. Saya tidak melakukan penjiplakan atau
pengutipan dengan cara-cara yang tidak sesuai dengan etika ilmu yang berlaku
dalam masyarakat keilmuan. Atas pernyataan ini, saya siap menanggung
risiko/sanksi apabila di kemudian hari ditemukan adanya pelanggaran etika
keilmuan atau ada klaim dari pihak lain terhadap keaslian karya saya ini.
Bandung, Agustus 2021
Yang membuat pernyataan,
Gina Fauziah
iv Gina Fauziah, 2021
ANALISIS IMPLEMENTASI MACHINE LEARNING UNTUK PREDIKSI JUMLAH KASUS DEMAM BERDARAH DENGUE (DBD) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
KATA PENGANTAR
Puji serta syukur ke hadirat Allah subhanahuwata’ala yang telah
melimpahkan berkah, rahmat, dan karunia-Nya sehingga penyusunan skripsi yang
berjudul “ANALISIS IMPLEMENTASI MACHINE LEARNING UNTUK
PREDIKSI JUMLAH KASUS DEMAM BERDARAH DENGUE (DBD)” ini
dapat diselesaikan sesuai dengan rencana penelitian.
Tujuan dari penyusunan skripsi ini adalah sebagai salah satu syarat untuk
memenuhi syarat untuk memperoleh gelar sarjana komputer pada jenjang studi S1
Program Studi Ilmu Komputer di Universitas Pendidikan Indonesia.
Dalam penyusunan skripsi ini, penulis telah berupaya semaksimal mungkin
dalam menyajikan hasil penelitian yang dituangkan dalam bentuk laporan sehingga
dapat dibaca oleh pembaca umum. Namun, penulis menyadari bahwa masih banyak
kekurangan serta keterbatasan dalam penyusunan tulisan ini. Oleh karena itu,
penulis sangat terbuka dan menerima atas kritikan dan saran terhadap tulisan ini
agar segala kekurangan dan kualitas yang terdapat pada tulisan ini dapat diperbaiki
di tulisan berikutnya.
Bandung, Agustus 2021
Penulis,
Gina Fauziah
v Gina Fauziah, 2021
ANALISIS IMPLEMENTASI MACHINE LEARNING UNTUK PREDIKSI JUMLAH KASUS DEMAM BERDARAH DENGUE (DBD) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
UCAPAN TERIMA KASIH
Penulis tentu tak mampu menyelesaikan penelitian ini tanpa bantuan dan
dukungan dari pihak-pihak yang telah membantu baik secara langsung ataupun
tidak. Maka dari itu pada kesempatan ini, penulis dengan senang hati mengucapkan
terima kasih kepada:
1. Kedua orang tua penulis: Almarhum H. Usjari ayah tercinta dan Hj. N. Inayah
ibu tercinta, yang selalu memberikan dukungan baik doa, semangat, dan
materi demi kelancaran penyusunan skripsi ini, serta yang menjadi salah satu
motivasi penulis dalam melanjutkan perjuangan akademik di kampus.
2. Saudara kandung penulis yaitu: Rinna Rizkiyanah dan Diah Noor Azizah,
yang selalu memberikan motivasi akademik khususnya dalam penyusunan
skripsi ini dan pesan kehidupan, dan mengingatkan tentang kesehatan fisik
dan mental.
3. Saudara ipar penulis: Maulana Ary Perkasa dan Dinar Syahid Nur Ulum, yang
selalu memberikan motivasi akademik khususnya dalam penyusunan skripsi
ini dan bercerita pengalaman dalam dunia kuliah dan kerja.
4. Bapak Dr. Asep Wahyudin, M.T, selaku dosen pembimbing I yang tak pernah
bosan membimbing dan selalu memberikan inspirasi pada penulis mengenai
bagaimana cara berpikir sistematis, sederhana, dan mengedepankan
rasionalitas.
5. Ibu Enjun Junaeti, M.Si., selaku dosen pembimbing II yang dengan sabarnya
membimbing penulis dalam penyusunan skripsi dan memperbaiki segala
bentuk penulisan yang telah penulis buat secara detil dan hati-hati.
6. Bapak Rizky Rachman Judhie Putra M.Kom., selaku dosen Pembimbing
Akademik yang telah memberikan arahan, bimbingan, motivasi, doa dan
dukungan selama kuliah hingga penyusunan skripsi ini.
7. Bapak Dr. Lala Septem Riza, M.T., selaku demisioner ketua Departemen
Pendidikan Ilmu Komputer.
8. Ibu Dr. Rani Megasari, M.T., selaku ketua Program Studi Ilmu Komputer dan.
9. Seluruh jajaran dosen yang tidak bisa penulis tuliskan satu persatu yang telah
membimbing dan memberikan ilmu yang bermanfaat pada penulis semasa
vi Gina Fauziah, 2021
ANALISIS IMPLEMENTASI MACHINE LEARNING UNTUK PREDIKSI JUMLAH KASUS DEMAM BERDARAH DENGUE (DBD) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
kuliah dan staf administrasi Departemen Pendidikan Ilmu Komputer yang
telah membantu dan memberikan informasi akademik selama masa
perkuliahan.
10. Teman gunung Anggi Haifa Lestari, Silvi Febrianti, Afina Hadaina Yudianita,
dan Tia Pusparini, yang senantiasa direpotkan selama penelitian dan
penyusunan penulisan skripsi ini. Dan Ali Hasan yang kompornya dipinjam
selama empat tahun terakhir untuk menunjang kebutuhan masak-memasak di
kosan.
11. Seluruh rekan-rekan departemen pendidikan ilmu komputer angkatan 2016
yang telah bersama-sama melewati banyak rintangan hingga sampai pada titik
terbaik yang bisa masing-masing tempuh.
12. Kakak tingkat dan adik tingkat departemen pendidikan ilmu komputer yang
telah banyak memberikan penulis pelajaran dan jadi batu loncatan penulis
untuk terus belajar.
13. Serta seluruh pihak lainnya yang tidak dapat penulis sebutkan satu persatu
yang juga telah membantu dan memberi semangat dalam proses penyusunan
skripsi ini hingga selesai.
Akhir kata, semoga skripsi ini dapat memberi manfaat dan menambah ilmu
bagi pembaca. Tidak ada kata yang dapat menggambarkan rasa terima kasih penulis
atas semua dukungan yang telah diberikan, semoga senantiasa diberikan kebaikan,
kebahagian, dan kesehatan oleh Allah SWT. Aamiin.
vii Gina Fauziah, 2021
ANALISIS IMPLEMENTASI MACHINE LEARNING UNTUK PREDIKSI JUMLAH KASUS DEMAM BERDARAH DENGUE (DBD) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
ANALISIS IMPLEMENTASI MACHINE LEARNING UNTUK
PREDIKSI JUMLAH KASUS DEMAM BERDARAH DENGUE (DBD)
Oleh
Gina Fauziah – [email protected]
1601148
ABSTRAK
Salah satu faktor yang dapat mempengaruhi perkembangan nyamuk Aedes Aegypti
adalah perubahan iklim, sehingga dapat menyebabkan penyebaran kasus DBD.
Penelitian ini akan menganalisis prediksi total kasus DBD berdasarkan data
perubahan iklim menggunakan empat metode Machine Learning. Data yang
digunakan adalah data kasus DBD dan data perubahan iklim di Kota San Juan tahun
1990-2008 dan Kota Iquitos tahun 2000-2010. Metode yang digunakan adalah
Multiple Linear Regression, Random Forest, Support Vector Regression, XGBoost,
dan menggunakan hyperparamater tuning Grid Search Cross Validation untuk
mencari parameter optimal. Hasil akurasi menggunakan evaluasi metrik MAE
(Mean Absolute Error). Berdasarkan hasil testing, model yang paling baik adalah
XGBoost dengan nilai MAE Kota San Juan 17.592 dan Kota Iquitos 6.565. Feature
Importance atau variabel yang paling berpengaruh terhadap jumlah kasus DBD di
kedua kota adalah reanalysis_specific_humidity_g_per_kg (kelembaban spesifik
rata-rata), year (tahun) dan weekofyear (minggu dalam setahun), sehingga dapat
disimpulkan bahwa variabel waktu dan variabel perubahan iklim sangat
berpengaruh terhadap jumlah kasus DBD pada kedua kota tersebut.
Kata kunci: Prediksi; Multiple Linear Regression; Random Forest; Support Vector
Regression; XGBoost; DBD; MAE.
viii Gina Fauziah, 2021
ANALISIS IMPLEMENTASI MACHINE LEARNING UNTUK PREDIKSI JUMLAH KASUS DEMAM BERDARAH DENGUE (DBD) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
ANALISYS OF MACHINE LEARNING IMPLEMENTATION FOR PREDICTING
THE NUMBER OF CASES OF DENGUE HEMORRHAGIC FEVER (DHF)
Arranged by
Gina Fauziah– [email protected]
1601148
ABSTRACT
One of the factors that can affect the development of the Aedes Aegypti mosquito is
climate change, which can cause the spread of dengue cases. This study will analyze
the prediction of the number of dengue cases using four machine learning methods.
The data used are data on cases of dengue fever and climate change in the City of
San Juan in 1990-2008 and the City of Iquitos in 2000-2010. The method used is
Multiple Linear Regression, Random Forest, Support Vector Regression, XGBoost,
and using hyperparamater tuning Grid Search Cross Validation to find optimal
parameters. The accuracy results use the metric evaluation MAE (Mean Absolute
Error). Based on the testing results, the best model is XGBoost with an MAE value
of 17,592 for San Juan City and 6,565 for Iquitos City. Feature Importance or the
most influential variables are ‘reanalysis_specific_humidity_g_per_kg’ (rata), year
(year) dan weekofyear (week of the year), for the city of Iquitos which has the
highest F-score Information Gain. So it can be concluded that the time variable and
climate change variable greatly affect the number of dengue cases in the two cities.
Keywords: Forecasting; Multiple Linear Regression; Random Forest; Support
Vector Regression; XGBoost; DHF; MAE.
ix Gina Fauziah, 2021
ANALISIS IMPLEMENTASI MACHINE LEARNING UNTUK PREDIKSI JUMLAH KASUS DEMAM BERDARAH DENGUE (DBD) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
DAFTAR ISI
PERNYATAAN ..................................................................................................... iii
KATA PENGANTAR ........................................................................................... iv
UCAPAN TERIMA KASIH ................................................................................... v
ABSTRAK ............................................................................................................ vii
ABSTRACT ........................................................................................................... viii
DAFTAR ISI .......................................................................................................... ix
DAFTAR GAMBAR ............................................................................................ xii
DAFTAR TABEL ................................................................................................ xiv
BAB I PENDAHULUAN ...................................................................................... 1
1.1 Latar Belakang.......................................................................................... 1
1.2 Rumusan Masalah .................................................................................... 4
1.3 Tujuan Penelitian ...................................................................................... 4
1.4 Batasan Masalah ....................................................................................... 5
1.5 Manfaat Penelitian .................................................................................... 5
1.6 Sistematika Penulisan ............................................................................... 6
BAB II KAJIAN PUSTAKA ................................................................................. 8
2.1 Peta Literatur ............................................................................................ 8
2.2 Penelitian Terkait...................................................................................... 9
2.3 Prediksi atau Peramalan (Forecasting) .................................................. 11
2.4 Multiple Linear Regression (MLR) ........................................................ 12
2.4.1 Model persamaan Multiple Linear Regression ............................... 13
2.4.2 Metode Kuadrat Terkecil untuk Multiple Linear Regression ......... 14
2.5 Random Forest (RF) ............................................................................... 14
2.6 Support Vector Regression (SVR).......................................................... 16
x Gina Fauziah, 2021
ANALISIS IMPLEMENTASI MACHINE LEARNING UNTUK PREDIKSI JUMLAH KASUS DEMAM BERDARAH DENGUE (DBD) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
2.7 Extreme Gradient Boosting (XGBoost) .................................................. 17
2.8 Grid Search Cross-Validation ................................................................ 19
2.9 Evaluation Metrics ................................................................................. 20
BAB III METODOLOGI PENELITIAN............................................................. 21
3.1 Desain Penelitian .................................................................................... 21
3.1.1 Perumusan Masalah ............................................................................ 22
3.1.2 Studi Literatur ..................................................................................... 22
3.1.3 Pengumpulan Data .............................................................................. 22
3.1.4 Eksperimen ......................................................................................... 23
3.1.5 Analisis dan Evaluasi Hasil Eksperimen ............................................ 24
3.1.6 Penarikan Kesimpulan ........................................................................ 24
3.2 Lingkungan Komputasi .......................................................................... 25
BAB IV TEMUAN DAN PEMBAHASAN ........................................................ 26
4.1 Pengumpulan Data.................................................................................. 26
4.2 Deskripsi Data ........................................................................................ 27
4.3 Implementasi .......................................................................................... 29
4.3.1 Eksplorasi Data Analisis ..................................................................... 29
4.3.2 Data Preprocessing ............................................................................. 38
4.3.3 Training dan Testing Model ................................................................ 40
4.3.3.1 Multiple Linear Regression ............................................................. 41
4.3.3.2 Random Forest Regressor ............................................................... 43
4.3.3.3 Support Vector Regreesion ............................................................. 45
4.3.3.4 XGBoost .......................................................................................... 48
4.3.4 Analisis dan Evaluasi Model .............................................................. 50
4.3.4.1 Analisis Evaluasi Model Kota San Juan ......................................... 51
4.3.4.2 Analisis Evaluasi Model Kota Iquitos............................................. 54
xi Gina Fauziah, 2021
ANALISIS IMPLEMENTASI MACHINE LEARNING UNTUK PREDIKSI JUMLAH KASUS DEMAM BERDARAH DENGUE (DBD) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
4.3.4.3 Perbandingan Nilai MAE Train-Test Split ...................................... 57
4.3.5 Feature Importance ............................................................................ 70
BAB V KESIMPULAN DAN REKOMENDASI ............................................... 73
5.1 Kesimpulan ............................................................................................. 73
5.2 Rekomendasi .......................................................................................... 74
DAFTAR PUSTAKA .......................................................................................... 75
LAMPIRAN ......................................................................................................... 80
xii Gina Fauziah, 2021
ANALISIS IMPLEMENTASI MACHINE LEARNING UNTUK PREDIKSI JUMLAH KASUS DEMAM BERDARAH DENGUE (DBD) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
DAFTAR GAMBAR
Gambar 2.1 Peta Literatur Penelitian ...................................................................... 8
Gambar 2.2 Grafik Multiple Linear Regression (Sumber: medium.com) ............ 14
Gambar 2.3 Model Random Forest ....................................................................... 15
Gambar 2.4 Support Vector Regression................................................................ 17
Gambar 2.5 Struktur XGBoost .............................................................................. 18
Gambar 2.6 Ilustrasi Grid Search ......................................................................... 19
Gambar 3.1 Desain Penelitian ............................................................................... 21
Gambar 3.2 Desain Eksperimen ............................................................................ 23
Gambar 4.1 Sampel Data Kota San Juan dan Kota Iquitos................................... 27
Gambar 4.2 Pengecekan Jumlah Null ................................................................... 29
Gambar 4.3 Deskripsi statistik variabel ................................................................ 30
Gambar 4.4 Chart jumlah data per kota ................................................................ 31
Gambar 4.5 Korelasi semua features pada Kota San Juan.................................... 33
Gambar 4.6 Korelasi semua features pada Kota Iquitos ....................................... 33
Gambar 4.7 Korelasi antara total_cases terhadap semua features ........................ 34
Gambar 4.8 Korelasi total_cases Kota San Juan ................................................. 35
Gambar 4.9 Korelasi total_cases Kota Iquitos ..................................................... 35
Gambar 4.10 Plot grafik kota San Juan ................................................................. 36
Gambar 4.11 total_cases per minggu Kota San Juan ........................................... 36
Gambar 4.12 Plot grafik kota Iquitos .................................................................... 37
Gambar 4.13 total_cases per minggu Kota Iquitos ............................................... 37
Gambar 4.14 Sampel Dataframe Kota San Juan .................................................. 38
Gambar 4.15 Sampel Dataframe Kota Iquitos ...................................................... 39
Gambar 4.16 Hasil mengisi feature yang null dengan backwardfill ..................... 40
Gambar 4.17 Ploting MLR San Juan Training ..................................................... 41
Gambar 4.18 Ploting MLR San Juan Testing ....................................................... 41
Gambar 4.19 Ploting MLR Iquitos Training......................................................... 42
Gambar 4.20 Ploting MLR Iquitos Testing .......................................................... 43
Gambar 4.21 Ploting RF San Juan Training ......................................................... 43
Gambar 4.22 Ploting RF San Juan Testing ........................................................... 44
xiii Gina Fauziah, 2021
ANALISIS IMPLEMENTASI MACHINE LEARNING UNTUK PREDIKSI JUMLAH KASUS DEMAM BERDARAH DENGUE (DBD) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Gambar 4.23 Ploting RF Iquitos Training ............................................................ 44
Gambar 4.24 Ploting RF Iquitos Testing .............................................................. 45
Gambar 4.25 Plotting SVR San Juan Training ..................................................... 46
Gambar 4.26 Plotting SVR San Juan Testing ....................................................... 46
Gambar 4.27 Plotting SVR Iquitos Training ........................................................ 47
Gambar 4.28 Plotting SVR Iquitos Testing .......................................................... 47
Gambar 4.29 Plotting XGB San Juan Training .................................................... 48
Gambar 4.30 Plotting XGB San Juan Testing ...................................................... 49
Gambar 4.31 Plotting XGB Iquitos Training ........................................................ 49
Gambar 4.32 Plotting XGB Iquitos Testing ......................................................... 50
Gambar 4.33 Perbandingan Model Training Kota San Juan................................. 51
Gambar 4.34 Hasil Testing Prediksi Kota San Juan ............................................. 52
Gambar 4.35 Perbandingan Model Training Kota Iquitos .................................... 54
Gambar 4.36 Hasil Testing Prediksi Kota Iquitos ................................................. 55
Gambar 4.37 Train-Test Split 20%-80% ............................................................... 59
Gambar 4.38 Train-Test Split 50%-50% ............................................................... 61
Gambar 4.39 Train-Test Split 70%-30% ............................................................... 64
Gambar 4.40 Train-Test Split 80%-20% ............................................................... 66
Gambar 4.41 Train-Test Split 90%-10% ............................................................... 69
Gambar 4.42 Feature Importance kota San Juan.................................................. 70
Gambar 4.43 Feature Importance kota Iquitos ..................................................... 71
xiv Gina Fauziah, 2021
ANALISIS IMPLEMENTASI MACHINE LEARNING UNTUK PREDIKSI JUMLAH KASUS DEMAM BERDARAH DENGUE (DBD) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
DAFTAR TABEL
Tabel 2.1 Perbandingan metode pada penelitian sebelumnya .............................. 10
Tabel 4.1 Tabel Total kasus dan Populasi Per Tahun Kota San Juan ................... 31
Tabel 4.2 Tabel Total kasus dan Populasi Per Tahun Kota San Juan ................... 32
Tabel 4.3 Sampel hasil testing prediksi total kasus Kota San Juan ...................... 53
Tabel 4.4 MAE Testing Data Kota San Juan ........................................................ 53
Tabel 4.5 Sampel hasil testing prediksi total kasus Kota Iquitos .......................... 56
Tabel 4.6 Testing Data Kota Iquitos ..................................................................... 56
Tabel 4.7 MAE Kota San Juan Train size 20% .................................................... 57
Tabel 4.8 MAE Kota San Juan Test size 80% ....................................................... 58
Tabel 4.9 MAE Kota Iquitos Train size 20% ........................................................ 58
Tabel 4.10 MAE Kota Iquitos Test size 80% ........................................................ 58
Tabel 4.11 MAE Kota San Juan Train size 50% .................................................. 60
Tabel 4.12 MAE Kota San Juan Test size 50% ..................................................... 60
Tabel 4.13 MAE Kota Iquitos Train size 50% ...................................................... 60
Tabel 4.14 MAE Kota Iquitos Test size 50% ........................................................ 61
Tabel 4.15 MAE Kota San Juan Train size 70% .................................................. 62
Tabel 4.16 MAE Kota San Juan Test size 30% ..................................................... 62
Tabel 4.17 MAE Kota Iquitos Train size 70% ...................................................... 63
Tabel 4.18 MAE Kota Iquitos Test size 30% ........................................................ 63
Tabel 4.19 MAE Kota San Juan Train size 80% .................................................. 65
Tabel 4.20 MAE Kota San Juan Test size 20% ..................................................... 65
Tabel 4.21 MAE Kota Iquitos Train size 80% ...................................................... 65
Tabel 4.22 MAE Kota Iquitos Test size 20% ........................................................ 66
Tabel 4.23 MAE Kota San Juan Train size 90% .................................................. 67
Tabel 4.24 MAE Kota San Juan Test size 10% ..................................................... 67
Tabel 4.25 MAE Kota Iquitos Train size 90% ...................................................... 68
Tabel 4.26 MAE Kota Iquitos Test size 10% ........................................................ 68
75 Gina Fauziah, 2021
ANALISIS IMPLEMENTASI MACHINE LEARNING UNTUK PREDIKSI JUMLAH KASUS DEMAM BERDARAH DENGUE (DBD) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
DAFTAR PUSTAKA
Ariati, J., & Anwar, A. (2014). MODEL PREDIKSI KEJADIAN DEMAM
BERDARAH DENGUE (DBD) BERDASARKAN FAKTOR IKLIM DI
KOTA BOGOR, JAWA BARAT. Buletin Penelitian Kesehatan, 42(4), 249–
256.
Azzahra, M., Darma Setiawan, B., & Pandu Adikara, P. (2018). Optimasi Parameter
Support Vector Regression Dengan Algoritme Genetika Untuk Prediksi Harga
Emas. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 2(1),
2548–2964. Retrieved from http://j-ptiik.ub.ac.id
Batubara, D. A. A. (2017). Hubungan Kelembaban Udara, Suhu Udara, Curah
Hujan dan Kepadatan Penduduk dengan Kejadian Demam Berdarah Dengue
di Kabupaten Deli Serdang Tahun 2011-2014. Universitas Sumatera Utara.
Bhatt, S., Gething, P. W., Brady, O. J., Messina, J. P., Farlow, A. W., Moyes, C. L.,
… Hay, S. I. (2013). The global distribution and burden of dengue. Nature,
496(7446), 504–507. https://doi.org/10.1038/nature12060
Boulesteix, A.-L., Janitza, S., Kruppa, J., & K¨onig, I. R. (2012). Overview of
Random Forest Methodology and Practical Guidance with Emphasis on
Computational Biology and Bioinformatics. In Technical Report Number 129.
https://doi.org/10.1002/biuz.19920220617
Breiman, L. (2001). Random forests. Random Forests, 1–122.
https://doi.org/10.1201/9780429469275-8
Campbell, L. P., Luther, C., Moo-Llanes, D., Ramsey, J. M., Danis-Lozano, R., &
Peterson, A. T. (2015). Climate change influences on global distributions of
dengue and chikungunya virus vectors. Philosophical Transactions of the
Royal Society B: Biological Sciences, 370(1665), 1–9.
https://doi.org/10.1098/rstb.2014.0135
Candraningtyas, S., Safitri, D., & Ispriyanti, D. (2013). Regresi Robust MM-
Estimator Untuk Penanganan Pencilan Pada Regresi Linier Berganda. Jurnal
Gaussian, 2(4), 395–404.
Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System
Tianqi. Proceedings of the 22nd ACM SIGKDD International Conference on
76
Gina Fauziah, 2021
ANALISIS IMPLEMENTASI MACHINE LEARNING UNTUK PREDIKSI JUMLAH KASUS DEMAM BERDARAH DENGUE (DBD) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Knowledge Discovery and Data Mining, 785–794.
Cheng, F., Yang, C., Zhou, C., Lan, L., Zhu, H., & Li, Y. (2020). Simultaneous
determination of metal ions in zinc sulfate solution using UV–VIS
spectrometry and SPSE-xgboost method. Sensors (Switzerland), 20(17), 1–14.
https://doi.org/10.3390/s20174936
Colón-González, F. J., Lake, I. R., & Bentham, G. (2011). Climate variability and
dengue fever in warm and humid Mexico. American Journal of Tropical
Medicine and Hygiene, 84(5), 757–763.
https://doi.org/10.4269/ajtmh.2011.10-0609
Eliana, M., Nuryani, N., & Nugroho, A. S. (2019). Deteksi Fibrilasi Atrium
Menggunakan FAM yang Dikombinasikan dengan Grid Search. Jurnal
Nasional Teknik Elektro Dan Teknologi Informasi (JNTETI), 8(2), 175.
https://doi.org/10.22146/jnteti.v8i2.507
Focks, D. A., Brenner, R. J., Hayes, J., & Daniels, E. (2000). Transmission
thresholds for dengue in terms of Aedes aegypti pupae per person with
discussion of their utility in source reduction efforts. American Journal of
Tropical Medicine and Hygiene, 62(1), 11–18.
https://doi.org/10.4269/ajtmh.2000.62.11
Han, E. S., Srivastava, A., & Kumar, V. (1996). Parallel Formulations of Inductive
Classi cation Learning Algorithm 1 Introduction 2 Sequential Classi cation
Rule Learning Algorithms.
He, L., Cheng, Y., Li, Y., Li, F., Fan, K., & Li, Y. (2021). An Improved Method
for Soil Moisture Monitoring with Ensemble Learning Methods over the
Tibetan Plateau. IEEE Journal of Selected Topics in Applied Earth
Observations and Remote Sensing, 14, 2833–2844.
https://doi.org/10.1109/JSTARS.2021.3058325
Jayaraj, V. J., Avoi, R., Gopalakrishnan, N., Raja, D. B., & Umasa, Y. (2019).
Developing a dengue prediction model based on climate in Tawau, Malaysia.
Acta Tropica, 197(February), 105055.
https://doi.org/10.1016/j.actatropica.2019.105055
Kemenkes. (2010). Demam Berdarah Dengue. Buletin Jendela Epidemiologi, 2, 48.
Khan, S., Ullah, R., Khan, A., Sohail, A., Wahab, N., Bilal, M., & Ahmed, M.
77
Gina Fauziah, 2021
ANALISIS IMPLEMENTASI MACHINE LEARNING UNTUK PREDIKSI JUMLAH KASUS DEMAM BERDARAH DENGUE (DBD) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
(2017). Random Forest-Based Evaluation of Raman Spectroscopy for Dengue
Fever Analysis. Applied Spectroscopy, 71(9), 2111–2117.
https://doi.org/10.1177/0003702817695571
Kholedi, A. A. N., Balubaid, O., Milaat, W., Kabbash, I. A., & Ibrahim, A. (2012).
Factors associated with the spread of dengue fever in Jeddah Governorate,
Saudi Arabia. Eastern Mediterranean Health Journal, 15–23.
https://doi.org/10.26719/2012.18.1.15
Leidiyana, H. (2013). Penerapan Algoritma K-Nearest Neighbor Untuk Penentuan
Resiko Kredit Kepemilikan Kendaraan Bermotor. Jurnal Penelitian Ilmu
Komputer, System Embedded & Logic, 1(1), 65–76.
Liaw, A., & Wiener, M. (2002). Classification and Regression by randomForest. R
News, 2(3), 18–22. https://doi.org/10.1177/154405910408300516
Machado, G., Mendoza, M. R., & Corbellini, L. G. (2015). What variables are
important in predicting bovine viral diarrhea virus? A random forest approach.
Veterinary Research, 46(1). https://doi.org/10.1186/s13567-015-0219-7
Mona, M., Kekenusa, J., & Prang, J. (2015). Penggunaan Regresi Linear Berganda
untuk Menganalisis Pendapatan Petani Kelapa. Studi Kasus: Petani Kelapa Di
Desa Beo, Kecamatan Beo Kabupaten Talaud. D’CARTESIAN, 4(2), 196.
https://doi.org/10.35799/dc.4.2.2015.9211
Morin, C. W., Comrie, A. C., & Ernst, K. (2013). Climate and dengue transmission:
Evidence and implications. Environmental Health Perspectives, 121(11–12),
1264–1272. https://doi.org/10.1289/ehp.1306556
Naish, S., Dale, P., Mackenzie, J. S., McBride, J., Mengersen, K., & Tong, S.
(2014). Climate change and dengue: A critical and systematic review of
quantitative modelling approaches. BMC Infectious Diseases, 14(1).
https://doi.org/10.1186/1471-2334-14-167
Nurmahaludin. (2014). Perbandingan Algoritma Particle Swarm Optimization dan
Regresi Pada Peramalan Waktu Beban Puncak. Jurnal Poros Teknik, 6(2).
Permatasari, A. I., & Mahmudy, W. F. (2015). Pemodelan Regresi Linear dalam
Konsumsi Kwh Listrik di Kota Batu Menggunakan Algoritma Genetika.
DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, 5(14),
1–9.
78
Gina Fauziah, 2021
ANALISIS IMPLEMENTASI MACHINE LEARNING UNTUK PREDIKSI JUMLAH KASUS DEMAM BERDARAH DENGUE (DBD) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Porter, K. R., Beckett, C. G., Kosasih, H., Tan, R. I., Alisjahbana, B., Rudiman, P.
I. F., … Wuryadi, S. (2005). Epidemiology of dengue and dengue hemorrhagic
fever in a cohort of adults living in Bandung, West Java, Indonesia. American
Journal of Tropical Medicine and Hygiene, 72(1), 60–66.
https://doi.org/10.4269/ajtmh.2005.72.60
Prasetyo, S. Y. J., Christianto, Y. B., & Hartomo, K. D. (2019). Analisis Data Citra
Landsat 8 OLI Sebagai Indeks Prediksi Kekeringan Menggunakan Machine
Learning di Wilayah Kabupaten Boyolali dan Purworejo. Indonesian Journal
of Modeling and Computing, 2(2), 25–36. Retrieved from
https://ejournal.uksw.edu/icm/article/view/2954
Purnama, D. I., & Hendarsin, O. P. (2020). Peramalan Jumlah Penumpang
Berangkat Melalui Transportasi Udara di Sulawesi Tengah Menggunakan
Support Vector Regression (SVR). Jambura Journal of Mathematics, 2(2),
49–59. https://doi.org/10.34312/jjom.v2i2.4458
Qi, J., Du, J., Siniscalchi, S. M., Ma, X., & Lee, C. H. (2020). On Mean Absolute
Error for Deep Neural Network Based Vector-to-Vector Regression. IEEE
Signal Processing Letters, 27, 1485–1489.
https://doi.org/10.1109/LSP.2020.3016837
Rakićeví, Z., & Vujoševí, M. (2015). Focus forecasting in supply chain: The case
study of fast moving consumer goods company in Serbia. Serbian Journal of
Management, 10(1), 3–17. https://doi.org/10.5937/sjm10-7075
Rosenbaum, L., Dörr, A., Bauer, M. R., Frankmboeckler, & Zell, A. (2013).
Inferring multi-target qsar models with taxonomy-based multi-task learning.
Journal of Cheminformatics, 5(7). https://doi.org/10.1186/1758-2946-5-33
Smola, A. (1996). Regression estimation with support vector learning machines.
Master’s Thesis, Technische Universit at M Unchen, 1–78. Retrieved from
http://alex.smola.org/papers/1996/Smola96.pdf
Soedarto. (2012). Demam Berdarah Dengue : Dengue Haemorhagic Fever. In
Sagung Seto (Vol. 66).
Tran, B. L., Tseng, W. C., Chen, C. C., & Liao, S. Y. (2020). Estimating the
threshold effects of climate on dengue: A case study of Taiwan. International
Journal of Environmental Research and Public Health, 17(4), 1–17.
79
Gina Fauziah, 2021
ANALISIS IMPLEMENTASI MACHINE LEARNING UNTUK PREDIKSI JUMLAH KASUS DEMAM BERDARAH DENGUE (DBD) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
https://doi.org/10.3390/ijerph17041392
Tranmer, M., Murphy, J., Elliot, M., & Pampaka, M. (2020). Multiple Linear
Regression (2nd Edition). Cathie Marsh Institute Workin Paper, (01), 59.
Retrieved from https://hummedia.manchester.ac.uk/institutes/cmist/archive-
publications/working-papers/2020/2020-1-multiple-linear-regression.pdf
Tresnawati, L. H., Kusuma, W. A., Wijaya, S. H., & Hasibuan, L. S. (2019).
Asosiasi Single Nucleotide Polymorphism pada Diabetes Mellitus Tipe 2
Menggunakan Random Forest Regression. Jurnal Nasional Teknik Elektro
Dan Teknologi Informasi (JNTETI), 8(4), 320.
https://doi.org/10.22146/jnteti.v8i4.531
Utami, M. P., Fhira Nhita, M. ., & Annisa Aditsania, M. S. (2019). Prediksi
Penyebaran Penyakit Demam Berdarah Dengue (DBD) di Kabupaten
Bandung menggunakan Hybrid Random Forest (RF) dan Genetic Algorithm
(GA). 6(2), 9963–9977.
Wati, S. E., Sebayang, D., & Sitepu, R. (2013). Perbandingan Metode Fuzzzy
Dengan Regresi LInier Berganda Dalam Peramlan Jumlah Produksi. Saintia
Matematika, 1(3), 273–284.
Wirayoga, M. A. (2013). Hubungan kejadian demam berdarah dengue dengan Iklim
di Kota Semarang tahun 2006-2011. Doctoral Dissertation, Universitas
Negeri Semarang.
Yasin, H., Prahutama, A., & Utami, T. W. (2014). Prediksi Harga Saham
Menggunakan Support Vector Regression Dengan Algoritma Grid Search.
Media Statistika, 7(1), 29–35. https://doi.org/10.14710/medstat.7.1.29-35
Zhang, X., & Dai, J. (2021). Comparison of SARIMA and SVR Models in
Predicting Hepatitis Incidence in Tianjin. Operations Research and
Fuzziology, 11(01), 105–112. https://doi.org/10.12677/orf.2021.111013