Publisher

UPYUPY

Journal Jurnal Derivat: Jurnal Matematika dan Pendidikan MatematikaJurnal Derivat: Jurnal Matematika dan Pendidikan Matematika Abstract

Demam Berdarah Dengue (DBD) tetap menjadi masalah kesehatan masyarakat yang signifikan di Purwokerto, dengan peningkatan jumlah kasus yang dipengaruhi oleh faktor lingkungan seperti suhu, kelembapan, curah hujan, dan kepadatan penduduk. Metode prediksi yang akurat dan adaptif sangat penting untuk mengantisipasi penyebaran DBD, salah satunya melalui penerapan algoritma machine learning. Penelitian ini bertujuan membandingkan kinerja tiga algoritma, yaitu Naïve Bayes, Regresi Logistik Biner, dan Support Vector Machine (SVM), dalam memprediksi risiko DBD di Purwokerto. Data sekunder diperoleh dari Dinas Kesehatan, BMKG, dan BPS, mencakup catatan kasus DBD dan faktor lingkungan. Analisis dilakukan dengan pendekatan prediktif kuantitatif menggunakan 5-Fold Cross Validation dan metrik evaluasi seperti akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa model SVM menunjukkan kinerja terbaik dengan akurasi 82% dan tingkat recall tinggi untuk kelas positif, membuatnya efektif untuk pemetaan risiko DBD. Model Naïve Bayes menunjukkan sensitivitas yang memadai tetapi presisi rendah, sedangkan model Regresi Logistik Biner menghasilkan kinerja terendah. Penelitian ini merekomendasikan SVM sebagai algoritma yang paling efektif untuk mendukung sistem peringatan dini dan mitigasi risiko DBD berdasarkan data lingkungan di Purwokerto.

Conclusion

Penelitian ini membandingkan performa tiga algoritma machine learning, yaitu Naïve Bayes, Regresi Logistik Biner, dan Support Vector Machine, untuk memprediksi risiko Demam Berdarah Dengue (DBD) berdasarkan variabel lingkungan di Purwokerto.Hasil analisis menunjukkan bahwa SVM memiliki performa terbaik dengan akurasi 82% dan recall tertinggi pada kelas positif.Hal ini menunjukkan bahwa SVM lebih mampu memetakan hubungan non-linear antara variabel lingkungan dan kejadian DBD.Naïve Bayes menunjukkan performa moderat dengan recall tinggi namun presisi rendah, sedangkan Regresi Logistik Biner memiliki performa paling rendah karena tidak mampu menangani kompleksitas data dengan baik.Temuan ini menegaskan bahwa model prediksi penyakit di wilayah dengan karakteristik cuaca dinamis lebih sesuai menggunakan algoritma yang mampu menangkap pola non-linear.Dengan demikian, SVM direkomendasikan sebagai model yang paling efektif digunakan untuk sistem peringatan dini DBD di Purwokerto.

Future Research

Penelitian lanjutan dapat mengembangkan model prediksi DBD dengan mengintegrasikan data sosial-ekonomi tambahan untuk meningkatkan akurasi. Selain itu, penelitian dapat mengeksplorasi penggunaan algoritma deep learning yang lebih canggih untuk menangani data lingkungan yang kompleks. Sementara itu, studi juga diperlukan untuk mengevaluasi efektivitas sistem peringatan dini berbasis SVM dalam konteks kebijakan kesehatan lokal, termasuk dampaknya terhadap penanganan kasus DBD di tingkat komunitas. Penelitian ini juga dapat mengembangkan metode penyeimbangan kelas yang lebih inovatif untuk meningkatkan kinerja model pada dataset yang tidak seimbang. Selain itu, penelitian dapat memperluas cakupan geografis dengan membandingkan kinerja algoritma di wilayah lain yang memiliki karakteristik lingkungan berbeda. Terakhir, penelitian dapat mengkaji dampak perubahan iklim jangka panjang terhadap pola penyebaran DBD dan adaptasi model prediksi terhadap perubahan tersebut.

Metadata

File size	497.23 KB
Pages	10
DMCA	Report