Electronic Theses and Dissertation

Penelitian ini mengkaji penerapan algoritma machine learning untuk memprediksi kasus demam berdarah dengue (dbd) di banda aceh dengan memanfaatkan variabel-variabel terkait iklim. studi ini menganalisis data historis dari januari 2010 hingga desember 2023 dengan menelusuri hubungan antara faktor iklim seperti suhu, kelembapan, curah hujan, dan kecepatan angin dengan jumlah kasus dbd. evaluasi dilakukan terhadap empat model machine learning, yaitu linear regression, random forest, support vector regression (svr), dan gradient boosting dengan menggunakan teknik k-fold cross-validation. hasil penelitian menunjukkan bahwa model linear regression merupakan model yang paling akurat dengan nilai mean absolute error (mae) terendah sebesar 17,3 dan root mean squared error (rmse) sebesar 21,9, sehingga menjadi model terbaik untuk memprediksi kasus dbd bulanan pada tahun kedepannya. untuk meningkatkan pemanfaatan model secara praktis, hasil prediksi diintegrasikan ke dalam sebuah dashboard berbasis web yang ramah pengguna, yang dinamakan aceh dengue prediction yang dirancang untuk membantu pemangku kepentingan dalam bidang kesehatan dalam memantau dan merespons potensi wabah dbd. dashboard ini dievaluasi menggunakan system usability scale (sus) dan memperoleh skor sebesar 79,98, yang menunjukkan bahwa dashboard ini diterima dengan baik. selain itu, fungsionalitas dashboard diuji melalui blackbox testing, yang mencapai tingkat keberhasilan 83,3%. temuan penelitian ini menunjukkan bahwa variabel iklim berperan dalam memprediksi insiden dbd, namun juga menyoroti perlunya penelitian lanjutan yang mengintegrasikan faktor tambahan guna meningkatkan akurasi model.

This study investigates the application of machine learning algorithms to predict Dengue Hemorrhagic Fever (DHF) cases in Banda Aceh, utilizing climate-related variables. The study analyzes historical data from January 2010 to December 2023, examining the relationship between climate factors, including temperature, humidity, rainfall, and wind speed, and DHF case numbers. The evaluation was conducted on four machine learning models: Linear Regression, Random Forest, Support Vector Regression (SVR), and Gradient Boosting using the K-Fold Cross-validation technique. The results of the study show that the Linear Regression model was the most accurate, with the lowest Mean Absolute Error (MAE) of 17.3 and Root Mean Squared Error (RMSE) of 21.9, making it the best model for predicting monthly DHF cases in the coming years. To enhance the practical use of the model, the prediction results were integrated into a user-friendly web-based dashboard, called Aceh Dengue Prediction, designed to assist health stakeholders in monitoring and responding to potential DHF outbreaks. This dashboard was evaluated using the System Usability Scale (SUS), which resulted in a score of 79.98, indicating that it was well-received. Additionally, the dashboard’s functionality was tested through Blackbox Testing, which achieved a success rate of 83.3%. The findings of this study indicate that climate variables play a role in predicting DHF incidence, but also highlight the need for further research integrating additional factors to improve model accuracy.