Komparasi Algoritma ARIMA dan LSTM dalam Prediksi Kasus Demam Berdarah Berbasis Data Deret Waktu dan Faktor Iklim

Sidebang, Anastasia Br (2026) Komparasi Algoritma ARIMA dan LSTM dalam Prediksi Kasus Demam Berdarah Berbasis Data Deret Waktu dan Faktor Iklim. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (900kB)
	PDF BAB_I.pdf Download (214kB)
	PDF BAB_II.pdf Download (602kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (570kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (206kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (211kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (668kB)
	Archive (ZIP) 00000083222_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Demam Berdarah Dengue (DBD) merupakan masalah kesehatan masyarakat yang memiliki pola temporal dan dipengaruhi oleh kondisi iklim. Penelitian ini bertujuan membandingkan kinerja algoritma Autoregressive Integrated Moving Average (ARIMA) dan Long Short-Term Memory (LSTM) dalam memprediksi jumlah kasus DBD mingguan di DKI Jakarta periode 2021­2024. Data harian sebanyak 2.922 baris diagregasi menjadi deret waktu mingguan Jakarta dengan target jumlah kasus total dan fitur iklim rata-rata. Tahapan penelitian mengikuti CRISP-DM, meliputi konversi nilai tidak valid menjadi missing values, imputasi median, pembuatan fitur lag 1­4 minggu dari tujuh variabel iklim, penambahan fitur lag kasus, seleksi fitur berbasis SelectKBest pada data latih, normalisasi StandardScaler, serta pembagian data 80:20 secara kronologis. Setelah proses lag, diperoleh 206 sampel mingguan, terdiri atas 164 sampel pelatihan dan 42 sampel pengujian. Evaluasi dilakukan menggunakan metrik regresi MAE, RMSE, R2, dan MAPE. Hasil penelitian menunjukkan ARIMA(2,1,1) memperoleh MAE 28,29, RMSE 40,81, R2 0,94, dan MAPE 21,28%, sedangkan LSTM memperoleh MAE 76,13, RMSE 124,13, R2 0,43, dan MAPE 40,26%. ARIMA lebih baik daripada LSTM pada dataset ini. Baseline naive lag-1 memiliki MAE sedikit lebih rendah daripada ARIMA, tetapi ARIMA memiliki RMSE dan R2 yang lebih baik, sehingga pola kasus minggu sebelumnya tetap terbukti sangat dominan. LSTM tetap relevan sebagai model pembanding berbasis sekuens, tetapi memerlukan data yang lebih panjang dan variabel non-iklim agar dapat menangkap pola lonjakan kasus secara lebih stabil.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Sidebang, Anastasia Br (00000083222)
Contributors:	Christian Chandra, Joko (0324118302)
Keywords:	ARIMA, CRISP-DM, Demam Berdarah Dengue, faktor iklim, LSTM.
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	13 Jul 2026 07:46
URI:	https://kc.umn.ac.id/id/eprint/47481

Actions (login required)

View Item