Dengan ini saya menyatakan bahwa dalam Tugas Akhir ini tidak terdapat karya
yang pernah diajukan untuk memperoleh gelar kesarjanaan di suatu perguruan tinggi
dan sepanjang pengetahuan saya juga tidak terdapat karya atau pendapat yang pernah
ditulis atau diterbitkan oleh orang lain, kecuali yang secara tertulis diacu dalam naskah
ini dan disebutkan dalam daftar pustaka.
Prof. Dr.I Ketut Gede Darma Putra SKom.MT Putu Wira Buana, S.Kom., MT
NIDN. 0024047406 NIDN. 0809058502
ii
BERITA ACARA
iii
KATA PENGANTAR
Puji dan syukur penulis panjatkan kehadapan Ida Sang Hyang Widhi
Wasa/Tuhan Yang Maha Esa, karena atas Asung Kerta Wara Nugraha-Nya, penulis
dapat menyelesaikan tugas akhir dengan judul “Peramalan Kasus Demam Berdarah
Dengue Menggunakan Metode Backpropagation, Gaussians, Dan Support-Vector
Machine”. Selama pelaksanaan tugas akhir ini penulis mendapat banyak dan
bimbingan dari berbagai pihak. Untuk itu, penulis ingin mengucapkan rasa terima kasih
kepada:
1. Bapak Prof. Ir. Ngakan Putu Gede Suardana, MT.,Ph.D, selaku Dekan Fakultas
Teknik universitas Udayana.
2. Bapak Dr. I Made Oka Widyantara, ST., MT., selaku Koordinator Program Studi
Teknologi Informasi Universitas Udayana.
3. Bapak Prof. Dr. I Ketut Gede Darma Putra, S.Kom., M.T., selaku dosen
pembimbing I dan Bapak Putu Wira Buana, S.Kom., MT., selaku dosen
pembimbing II yang telah banyak memberikan masukan dan bimbingan selama
penyusunan tugas akhir ini.
4. Bapak I Nyoman Piarsa, ST, MT., selaku dosen pembimbing akademik, yang
telah memberikan bimbingan selama menempuh pendidikan di Program Studi
Teknologi Informasi Fakultas Teknik Universitas Udayana.
5. Kedua orang tua dan keluarga yang telah memberikan dukungan dan motivasi
dalam pembuatan tugas akhir ini.
6. Teman-teman seperjuangan dan segenap civitas di Program Studi Teknologi
Informasi Universitas Udayana yang telah memberikan sumbangan ide,
pemikiran dan dukungan dalam penyusunan tugas akhir ini. Penulis menyadari
bahwa tugas akhir ini masih jauh dari sempurna. Akhir kata penulis memohon
maaf jika ada kesalahan dalam penulisan tugas akhir ini.
iv
ABSTRAK
Penyakit dengue telah dikenal masyarakat Indonesia sejak dari tahun 1779.
Penyakit ini merupakan cikal bakal penyakit demam berdarah (DBD). Demam
berdarah dengue (DBD) atau dengue haemorrhagic fever (DHF) menyerang
masyarakat Indonesia pertama kalinya di Jakarta pada tahun 1968. Virus penyakit
dengue disebarkan oleh nyamuk aedes. Nyamuk aedes mempunyai dua jenis, yaitu
aedes aegypti dan aedes albopictus. Aedes aegypti merupakan nyamuk pembawa virus
dengue, nyamuk ini tinggal didalam rumah. Aedes albopictus merupakan jenis nyamuk
pembawa virus dengue tetapi konsentrasinya sedikit bila dibandingkan dengan aedes
aegypti. Data Mining adalah upaya untuk mengekstrak pengetahuan yang meliputi
pengumpulan atau pemakaian data historis untuk menemukan keteraturan pola dan
hubungan dalam dalam sekumpulan data Pemanfaatan data mining di dalam penelitian
ini adalah untuk melakukan prediksi terhadap jumlah kasus demam berdarah yang
terjadi di provinsi Bali. Prediksi menggunakan beberapa variabel basis data untuk
memprediksi nilai-nilai variabel masa mendatang, yang belum diketahui saat ini,
Proses pengestimasian nilai prediksi, berdasarkan dari pola-pola di dalam sekumpulan
data. Peramalan ini bertujuan untuk membantu pemerintah terkait dalam mengambil
keputusan untuk memprediksi kasus demam berdarah pada periode mendatang
sehingga dapat mempersiapkan upaya penanggulangan yang tepat. Peramalan kasus
demam berdarah dilakukan dengan menggunakan 3 metode yang berbeda yaitu
Backpropagation, Gaussians, dan Support-Vector Machine. Hasil yang diperoleh
adalah Metode Backpropagation lebih baik dalam meramalkan kasus demam berdarah
dengan tingkat kesalahan MAPE sebesar 0,025 , sedangkan Metode Gaussians
memiliki tingakat kesalahan MAPE sebesar 0,035 dan Support-Vector Machine
memiliki tingkat kesalahan MAPE sebesar 0,060.
v
ABSTRACT
The continent of Asia is reported to have the highest number of global incidents
in rabies cases which reach> 80% of the total world. Rabies is a zoonotic disease by
the rabies virus (RABV) genotype 1 which causes severe damage to the central nervous
system and is usually fatal. Dog bites cases are considered to be the main cause in the
transmission of rabies in Bali so that preventive measures from the government are
expected to reduce the problem of increasing the number of dog bites cases so that they
do not spread quickly and cause casualties. Data mining is an attempt to extract
knowledge from a set of data. The use of data mining in this study is to forecast the
number of dog bite cases that occur in Bali. Forecasting is the activity of predicting
what will happen in the future based on relevant data in the past and placing it in a
mathematical model. This forecasting aims to help the government to make decisions
in predicting dog bites cases in the coming period so that they can prepare appropriate
mitigation efforts. Forecasting dog bites cases using 3 different methods, namely
Backpropagation, Holt-Winters, and Polynomial Regression. The results obtained are
that the Backpropagation Method is better at predicting dog bites cases with an MAPE
error rate of 18.29%, while the Holt-Winters method has an MAPE error rate of 21.44%
and Polynomial Regression has a MAPE error rate of 24.25%.
vi
DAFTAR ISI
vii
4.5 Peramalan Produk Frozen Food Merk Champ Chicken Sausages 375 gr ... Error!
Bookmark not defined.
4.6 Peramalan Produk Frozen Food Merk Champ Chicken Meat Ball 200gr .......... 46
4.7 Peramalan Produk Frozen Food Merk Champ Chicken Sausages 1 Kg...... Error!
Bookmark not defined.
4.8 Peramalan Produk Frozen Food Merk Fiesta Chicken Nugget 250 gr ............... 60
4.9 Peramalan Produk Frozen Food Merk Fiesta Baso Kuah Ayam Special 120gr
Error! Bookmark not defined.
4.10 Peramalan Produk Frozen Food Merk Champ Chicken Meat Ball 500gr ... Error!
Bookmark not defined.
4.11 Peramalan Produk Frozen Food Merk Champ Chicken Stick 250 gr .......... Error!
Bookmark not defined.
4.12 Peramalan Produk Frozen Food Merk Champ Beef Sausages 150 gr ......... Error!
Bookmark not defined.
4.13 Peramalan Produk Frozen Food Merk Champ Chicken Nugget 500 gr ...... Error!
Bookmark not defined.
4.14 Peramalan Produk Frozen Food Merk Fiesta Baso Kuah Ayam Bawang 120gr
Error! Bookmark not defined.
4.15 Peramalan Produk Frozen Food Merk Champ Chicken Nugget Coin 250gr
Error! Bookmark not defined.
4.16 Peramalan Produk Frozen Food Merk Champ Fiesta Stikie 250 gr ............ Error!
Bookmark not defined.
4.17 Peramalan Produk Frozen Food Merk Champ Chicken Stick 500 gr.......... Error!
Bookmark not defined.
4.18 Peramalan Produk Frozen Food Merk Champ Chicken Nugget ABC 500 gr
Error! Bookmark not defined.
4.19 Peramalan Produk Frozen Food Merk Fiesta Karage 250 gr.... Error! Bookmark
not defined.
4.20 Peramalan Produk Frozen Food Merk Fiesta Siomay 180 gr ... Error! Bookmark
not defined.
4.21 Peramalan Produk Frozen Food Merk Fiesta Chicken Sausages 500 gr ..... Error!
Bookmark not defined.
4.22 Peramalan Produk Frozen Food Merk Fiesta Nugget Dino 500 gr ............. Error!
Bookmark not defined.
4.23 Peramalan Produk Frozen Food Merk Fiesta Karage 500 gr.... Error! Bookmark
not defined.
viii
4.24 Peramalan Produk Frozen Food Merk Champ Chicken Nugget Coin 500 gr
Error! Bookmark not defined.
4.25 Peramalan Produk Frozen Food Merk Fiesta Shoestring 1 Kg Error! Bookmark
not defined.
4.26 Peramalan Produk Frozen Food Merk Fiesta Crispy Burger 360 gr ........... Error!
Bookmark not defined.
4.27 Peramalan Produk Frozen Food Merk Fiesta Schnitzel 500 gr Error! Bookmark
not defined.
BAB V......................................................................................................................... 77
5.1 Simpulan ............................................................................................................. 77
DAFTAR PUSTAKA ................................................................................................ 79
ix
DAFTAR TABEL
Tabel 4.1 Peramalan Champ Chicken Sausages 3 Pcs 75gr Trend Moment ....... Error!
Bookmark not defined.
Tabel 4.2 Peramalan Champ Chicken Sausages 3 Pcs 75gr Multilayer Perceptron
Error! Bookmark not defined.
Tabel 4.3 Peramalan Champ Chicken Nugget 250 gr Trend Moment ........................ 27
Tabel 4.4 Peramalan Champ Chicken Nugget 250 gr Multilayer Perceptron ...... Error!
Bookmark not defined.
Tabel 4.5 Peramalan Champ Chicken Sausages 150gr Trend Moment ............... Error!
Bookmark not defined.
Tabel 4.6 Peramalan Champ Chicken Sausages 150gr Multilayer Perceptron .... Error!
Bookmark not defined.
Tabel 4.7 Peramalan Champ Chicken Sausages 375 gr Trend Moment .............. Error!
Bookmark not defined.
Tabel 4.8 Peramalan Champ Chicken Sausages 375gr Multilayer Perceptron .... Error!
Bookmark not defined.
Tabel 4.9 Peramalan Champ Chicken Meat Ball 200gr Trend Moment .............. Error!
Bookmark not defined.
Tabel 4.10 Peramalan Champ Chicken Meat Ball 200gr Multilayer Perceptron
Error! Bookmark not defined.
Tabel 4.11 Peramalan Champ Chicken Sausages 1 Kg Trend Moment ............ Error!
Bookmark not defined.
Tabel 4.12 Peramalan Champ Chicken Sausages 1 Kg Multilayer Perceptron . Error!
Bookmark not defined.
Tabel 4.13 Peramalan Fiesta Chicken Nugget 250 gr Trend Moment ............... Error!
Bookmark not defined.
Tabel 4.14 Peramalan Fiesta Chicken Nugget 250 gr Multilayer Perceptron .... Error!
Bookmark not defined.
Tabel 4.15 Peramalan Fiesta Baso Kuah Ayam Special 120 gr Trend Moment Error!
Bookmark not defined.
Tabel 4.16 Peramalan Fiesta Baso Kuah Ayam Special Multilayer Perceptron Error!
Bookmark not defined.
Tabel 4.17 Peramalan Champ Chicken Meat Ball 500 gr Trend Moment ......... Error!
Bookmark not defined.
Tabel 4.18 Peramalan Champ Chicken Meat Ball 500 gr Multilayer Perceptron
Error! Bookmark not defined.
Tabel 4.19 Peramalan Champ Chicken Stick 250 gr Trend Moment ................ Error!
Bookmark not defined.
x
Tabel 4.20 Peramalan Champ Chicken Stick 250 gr Multilayer Perceptron ..... Error!
Bookmark not defined.
Tabel 4.21 Peramalan Champ Beef Sausages 150 gr Trend Moment ................ Error!
Bookmark not defined.
Tabel 4.22 Peramalan Champ Beef Sausages 150 gr Multilayer Perceptron ..... Error!
Bookmark not defined.
Tabel 4.23 Peramalan Champ Chicken Nugget 500 gr Trend Moment ............. Error!
Bookmark not defined.
Tabel 4.24 Peramalan Champ Chicken Nugget 500 gr Multilayer Perceptron .. Error!
Bookmark not defined.
Tabel 4.25 Peramalan Fiesta Baso Kuah Ayam Bawang 120 gr Trend Moment
Error! Bookmark not defined.
Tabel 4.26 Peramalan Fiesta Baso Kuah Ayam Bawang Multilayer Perceptron
Error! Bookmark not defined.
Tabel 4.27 Peramalan Champ Chicken Nugget Coin 250 gr Trend Moment .... Error!
Bookmark not defined.
Tabel 4.28 Peramalan Champ Chicken Nugget Coin 250 gr Multilayer Perceptron
Error! Bookmark not defined.
Tabel 4.29 Peramalan Fiesta Stikie 250 gr Trend Moment ...... Error! Bookmark not
defined.
Tabel 4.30 Peramalan Fiesta Stikie 250 gr Multilayer Perceptron.. Error! Bookmark
not defined.
Tabel 4.31 Peramalan Champ Chicken Stick 500 gr Trend Moment ................ Error!
Bookmark not defined.
Tabel 4.32 Peramalan Champ Chicken Stick 500 gr Multilayer Perceptron ..... Error!
Bookmark not defined.
Tabel 4.33 Peramalan Champ Chicken Nugget ABC 500 gr Trend Moment .... Error!
Bookmark not defined.
Tabel 4.34 Peramalan Champ Chicken Nugget ABC 500 gr Multilayer Perceptron
Error! Bookmark not defined.
Tabel 4.35 Peramalan Fiesta Karage 250 gr Trend Moment ... Error! Bookmark not
defined.
Tabel 4.36 Peramalan Fiesta Karage 250 gr Multilayer PerceptronError! Bookmark
not defined.
Tabel 4.37 Peramalan Fiesta Siomay 180 gr Trend Moment ... Error! Bookmark not
defined.
Tabel 4.38 Peramalan Fiesta Siomay 180 gr Multilayer Perceptron .................. Error!
Bookmark not defined.
Tabel 4.39 Peramalan Fiesta Chicken Sausages 500 gr Trend Moment ............ Error!
Bookmark not defined.
xi
Tabel 4.40 Peramalan Fiesta Chicken Sausages 500 gr Multilayer Perceptron . Error!
Bookmark not defined.
Tabel 4.41 Peramalan Fiesta Nugget Dino 500 gr Trend Moment . Error! Bookmark
not defined.
Tabel 4.42 Peramalan Fiesta Nugget Dino 500 gr Multilayer Perceptron ......... Error!
Bookmark not defined.
Tabel 4.43 Peramalan Fiesta Karage 500 gr Trend Moment ... Error! Bookmark not
defined.
Tabel 4.44 Peramalan Fiesta Karage 500 gr Multilayer PerceptronError! Bookmark
not defined.
Tabel 4.45 Peramalan Champ Chicken Nugget Coin 500 gr Trend Moment .... Error!
Bookmark not defined.
Tabel 4.46 Peramalan Champ Chicken Nugget Coin Multilayer Perceptron .... Error!
Bookmark not defined.
Tabel 4.47 Peramalan Fiesta Shoestring 1 Kg Menggunakan Trend Moment... Error!
Bookmark not defined.
Tabel 4.48 Peramalan Fiesta Shoestring 1 Kg Multilayer Perceptron ............... Error!
Bookmark not defined.
Tabel 4.50 Peramalan Fiesta Crispy Burger 360 gr Multilayer Perceptron ....... Error!
Bookmark not defined.
Tabel 4.51 Peramalan Fiesta Schnitzel 500 gr Menggunakan Trend Moment .. Error!
Bookmark not defined.
Tabel 4.52 Peramalan Fiesta Schnitzel 500 gr Multilayer Perceptron ............... Error!
Bookmark not defined.
xii
DAFTAR GAMBAR
Gambar 4.1 Analisis Tools Matlab .............................. Error! Bookmark not defined.
Gambar 4.2 Analisis Tools WEKA ............................................................................ 16
Gambar 4.3 Arsitektur Multilayer Perceptrons WEKA .............................................. 17
Gambar 4.4 Hasil Peramalan Multilayer Perceptrons WEKA .................................... 18
Gambar 4.5 Grafik Data Penjualan Merk Champ Chicken Sausages 3 Pcs 75gr ....... 18
Gambar 4.6 Peramalan Periode Mendatang Merk Champ Chicken Sausages 3 Pcs
Error! Bookmark not defined.
Gambar 4.7 Grafik Data Penjualan Merk Champ Chicken Nugget 250 gr ......... Error!
Bookmark not defined.
Gambar 4.8 Peramalan Periode Mendatang Merk Champ Chicken Nugget 250 gr ... 32
Gambar 4.9 Grafik Data Penjualan Merk Champ Chicken Sausages 150gr ............... 32
Gambar 4.10 Peramalan Periode Mendatang Merk Champ Chicken Sausages 150gr
Error! Bookmark not defined.
Gambar 4.11 Grafik Data Penjualan Merk Champ Chicken Sausages 375 gr...... Error!
Bookmark not defined.
Gambar 4.12 Peramalan Periode Mendatang Merk Champ Chicken Sausages 375 gr 46
Gambar 4.13 Grafik Data Penjualan Merk Champ Chicken Meat Ball 200gr ............ 47
Gambar 4.14 Peramalan Periode Mendatang Merk Champ Chicken Meat Ball .. Error!
Bookmark not defined.
Gambar 4.15 Grafik Data Penjualan Merk Champ Chicken Sausages 1 Kg ........ Error!
Bookmark not defined.
Gambar 4.16 Peramalan Periode Mendatang Merk Champ Chicken Sausages 1 Kg .. 60
Gambar 4.17 Grafik Data Penjualan Merk Champ Chicken Sausages 1 Kg ............... 61
Gambar 4.18 Peramalan Periode Mendatang Merk Fiesta Chicken Nugget 250 gr
Error! Bookmark not defined.
Gambar 4.19 Grafik Data Penjualan Merk Fiesta Baso Kuah Ayam Special 120 gr
Error! Bookmark not defined.
Gambar 4.20 Peramalan Periode Mendatang Merk Fiesta Baso Kuah Ayam Special 75
Gambar 4.21 Grafik Data Penjualan Merk Champ Chicken Meat Ball 500 gr .... Error!
Bookmark not defined.
Gambar 4.22 Peramalan Periode Mendatang Merk Champ Chicken Meat Ball .. Error!
Bookmark not defined.
Gambar 4.23 Grafik Data Penjualan Merk Champ Chicken Stick 250 gr ............ Error!
Bookmark not defined.
Gambar 4.24 Peramalan Periode Mendatang Merk Champ Chicken Stick 250 gr
Error! Bookmark not defined.
xiii
Gambar 4.25 Grafik Data Penjualan Merk Champ Beef Sausages 150 gr ........... Error!
Bookmark not defined.
Gambar 4.26 Peramalan Periode Mendatang Merk Champ Beef Sausages 150 gr
Error! Bookmark not defined.
Gambar 4.27 Grafik Data Penjualan Merk Champ Chicken Nugget 500 gr ........ Error!
Bookmark not defined.
Gambar 4.28 Peramalan Periode Mendatang Merk Champ Chicken Nugget 500 gr
Error! Bookmark not defined.
Gambar 4.29 Grafik Data Penjualan Merk Fiesta Baso Kuah Ayam Bawang 120 gr
Error! Bookmark not defined.
Gambar 4.30 Peramalan Periode Mendatang Merk Fiesta Baso Kuah Ayam Bawang
Error! Bookmark not defined.
Gambar 4.31 Grafik Data Penjualan Merk Champ Chicken Nugget Coin 250 gr Error!
Bookmark not defined.
Gambar 4.32 Peramalan Periode Mendatang Merk Champ Chicken Nugget Coin
Error! Bookmark not defined.
Gambar 4.33 Grafik Data Penjualan Merk Fiesta Stikie 250 gr . Error! Bookmark not
defined.
Gambar 4.34 Peramalan Periode Mendatang Merk Fiesta Stikie 250gr ............... Error!
Bookmark not defined.
Gambar 4.35 Grafik Data Penjualan Merk Champ Chicken Stick 500 gr ............ Error!
Bookmark not defined.
Gambar 4.36 Peramalan Periode Mendatang Merk Champ Chicken Stick 500 gr
Error! Bookmark not defined.
Gambar 4.37 Grafik Data Penjualan Merk Champ Chicken Nugget ABC 500 gr Error!
Bookmark not defined.
Gambar 4.38 Peramalan Periode Mendatang Merk Champ Chicken Nugget ABC
Error! Bookmark not defined.
Gambar 4.39 Grafik Data Penjualan Merk Fiesta Karage 250 gr Error! Bookmark not
defined.
Gambar 4.40 Peramalan Periode Mendatang Merk Fiesta Karage 250 gr ............ Error!
Bookmark not defined.
Gambar 4.41 Grafik Data Penjualan Merk Fiesta Siomay 180 gr ..... Error! Bookmark
not defined.
Gambar 4.42 Peramalan Periode Mendatang Merk Fiesta Siomay 180 gr ........... Error!
Bookmark not defined.
Gambar 4.43 Grafik Data Penjualan Merk Fiesta Chicken Sausages 500 gr........ Error!
Bookmark not defined.
Gambar 4.44 Peramalan Periode Mendatang Merk Champ Chicken Nugget 500 gr
Error! Bookmark not defined.
xiv
Gambar 4.45 Grafik Data Penjualan Merk Fiesta Nugget Dino 500 gr ................ Error!
Bookmark not defined.
Gambar 4.46 Peramalan Periode Mendatang Merk Fiesta Nugget Dino 500 gr .. Error!
Bookmark not defined.
Gambar 4.47 Grafik Data Penjualan Merk Fiesta Karage 500 gr Error! Bookmark not
defined.
Gambar 4.49 Grafik Data Penjualan Merk Champ Chicken Nugget Coin 500 gr Error!
Bookmark not defined.
Gambar 4.50 Peramalan Periode Mendatang Merk Champ Chicken Nugget Coin
Error! Bookmark not defined.
Gambar 4.51 Grafik Data Penjualan Merk Fiesta Shoestring 1 Kg ... Error! Bookmark
not defined.
Gambar 4.52 Peramalan Periode Mendatang Merk Fiesta Shoestring 1 Kg......... Error!
Bookmark not defined.
Gambar 4.53 Grafik Data Penjualan Merk Fiesta Crispy Burger 360 gr .............. Error!
Bookmark not defined.
Gambar 4.54 Peramalan Periode Mendatang Merk Fiesta Crispy Burger 360 gr Error!
Bookmark not defined.
Gambar 4.55 Grafik Data Penjualan Merk Fiesta Schnitzel 500 gr ... Error! Bookmark
not defined.
Gambar 4.56 Peramalan Periode Mendatang Merk Fiesta Fiesta Schnitzel 500 gr
Error! Bookmark not defined.
xv
BAB I
PENDAHULUAN
1
data mining yang menyediakan prosedur data mining dan machine learning, di
dalamnya termasuk data preprocessing, visualisasi, modelling dan evaluasi (Kori,
2017).
Pemanfaatan data mining di dalam penelitian ini adalah untuk melakukan
prediksi terhadap jumlah kasus demam berdarah yang terjadi di provinsi Bali. Prediksi
menggunakan beberapa variabel basis data untuk memprediksi nilai-nilai variabel masa
mendatang, yang belum diketahui saat ini, Proses pengestimasian nilai prediksi,
berdasarkan dari pola-pola di dalam sekumpulan data (Muqtadir, 2016).
Penelitian mengenai peramalan jumlah penderita penyakit demam berdarah
dengue di Kota Semarang dengan menggunakan metode Backpropagation, nilai
MAPE yang diperoleh sebesar 4.48% (Riswanto, 2014). Penelitian lainnya adalah
peramalan pemakain listrik dengan menggunakan Gaussians menunjukkan nilai
MAPE sebesar 4,7072 %(Suksawang, 2018). Penelitian selanjutnya yaitu peramalan
jumlah Pemakaian air di PT. Pembangkitan Jawa Bali unit pembangkit Gresik untuk
menghitung banyaknya ketersedian air mendapatkan nilai MAPE sebesar 19.051
(Putriwijaya, 2018).
Penelitian-penelitian tersebut menjadi dasar penulis untuk membuat penelitian
mengenai peramalan penjualan dengan menggunakan metode Backpropagation,
Gaussians, dan Support-Vector Machine dalam memprediksi kasus Demam Berdarah
di Provinsi Bali. Pemilihan metode peramalan terbaik berdasarkan pada beberapa
parameter salah satunya yaitu tingkat kesalahan peramalan, semakin sedikit tingkat
kesalahan yang dihasilkan, maka semakin bagus sebuah metode dalam melakukan
peramalan. Pengukuran akurasi hasil peramalan menggunakan
Mean Absolute Deviation (MAD), Mean Squared Errors (MSE), dan Mean Absolute
Percentage Errors (MAPE) untuk menentukan metode peramalan terbaik dari kasus
Demam Berdarah, sehingga diketahui secara efektif dan efisien dalam menentukan
penanggulangan yang tepat (Wahyudi, 2016).
2
1.2 Rumusan Masalah
Berdasarkan penjelasan yang telah diuraikan sebelumnya, adapun beberapa
perumusan masalah yang dihadapi penulis adalah sebagai berikut.
1. Bagaimana peramalan Kasus Demam Berdarah Dengue di Provinsi Bali pada
fase yang akan datang.
2. Metode peramalan apa yang terbaik untuk meramalkan kasus Demama Berdarah
Dengue berdasarkan tingkat pengukuran akurasi.
1.4 Manfaat
Hasil dari penelitian yang dilakukan, diharapkan dapat memberikan manfaat,
manfaat pada penilitian ini adalah sebagai berikut.
1. Memperluas pengetahuan penulis maupun pembaca mengenai proses peramalan
Kasus Demam Berdarah.
2. Mengetahui dan mengantisipasi sejak dini kemungkinan terjadi demam berdarah
di Provinsi Bali.
3
1. Data yang digunakan adalah data Demam Berdarah Dengue Provinsi Bali dari
Tahun 2009 sampai Tahun 2017 yang diperoleh dari Dinas Kesehatan Provinsi
Bali.
2. Penelitian dikhususkan hanya pada peramalan kasus Demam Berdarah Dengue
yang terjadi di Provinsi Bali.
3. Metode yang digunakan adalah metode Backpropagation, Gaussians, dan
Support-Vector Machine.
4
BAB II
TINJAUAN PUSTAKA
5
2.2 Demam Berdarah
Demam dengue atau yang dikenal secara umum oleh masyarakat Indonesia
sebagai demam berdarah merupakan penyakit yang dapat membuat suhu tubuh
penderita menjadi sangat tinggi dan pada umumnya disertai sakit kepala, nyeri sendi,
otot, dan tulang, serta nyeri di bagian belakang mata.. Demam berdarah atau dengue
hemorrhagic fever (DBD) merupakan komplikasi dari demam dengue (dengue fever)
yang memburuk. Gejala DBD tergolong parah (meskipun pada fase ini panas tubuh
mengalami penurunan) di antaranya adalah kerusakan pada pembuluh darah dan
kelenjar getah bening, muntah-muntah yang disertai darah, keluarnya darah dari gusi
dan hidung, napas terengah-engah, dan pembengkakan organ hati yang menyebabkan
nyeri di sekitar perut (Salim, 2011).
Pada proses ini dilakukan pemilihan himpunan data, menciptakan himpunan data
target, atau memfokuskan pada subset variable (sampel data) dimana penemuan
(discovery) akan dilakukan. Hasil seleksi disimpan dalam suatu berkas yang terpisah
dari basis data operasional.
Proses ini dilakukan membuang data yang tidak konsisten dan noise, duplikasi
data, memperbaiki kesalahan data, dan bisa diperkaya dengan data eksternal yang
relevan
6
2.3.3 Transformation
Proses Data Mining yaitu proses mencari pola atau informasi menarik dalam
data terpilih dengan menggunakan teknik, metode atau algoritma tertentu sesuai
dengan tujuan dari proses KDD secara keseluruhan.
7
C. Fungsi Klasifikasi (classification). Klasifikasi merupakan suatu proses untuk
menemukan model atau fungsi untuk menggambarkan class atau konsep dari
suatu data. Proses yang digunakan untuk mendeskripsikan data yang penting
serta dapat meramalkan kecenderungan data pada masa depan.
D. Fungsi Asosiasi (association). Proses ini digunakan untuk menemukan suatu
hubungan yang terdapat pada nilai atribut dari sekumpulan data.
2.5 Peramalan
Peramalan adalah perkiraan mengenai sesuatu yang belum terjadi. Ramalan yang
dilakukan pada umumnya akan berdasarkan data yang terdapat di masa lampau yang
dianalisis dengan mengunakan metode-metode tertentu. Forecasting diupayakan dibuat
dapat meminimumkan pengaruh ketidakpastian tersebut, dengan kata lainbertujuan
mendapatkan ramalanyang bisa meminimumkan kesalahan meramal (forecast error)
yang biasanya diukur dengan Mean Absolute Deviation, Absolute Error, dan
sebagainya. Peramalan merupakan alat bantu yang sangat penting dalam perencanaan
yang efektif dan efisien (Wahyudi, 2016).
Metode peramalan dapat dibagi menjadi 2 kategori, yaitu metode kualitatif dan
metode kuantitatif. Metode kuantitatif dilakukan apabila informasi masa lalu tersedia
sehingga peramalan bisa dilakukan, informasi tersebut dapat dikuantitatifkan dalam
bentuk data numerik. Metode kualitatif ini menjadikan pendapat dari para ahli sebagai
pertimbangan dalam pengambilan keputusan untuk hasil dari peramalan yang telah
dilakukan. Metode peramalan merupakan cara kuantitatif untuk memperkirakan secara
apa yang akan terjadi di masa depan dengan dasar data yang relevan pada masa lalu.
Peramalan dapat dikatakan baik dapat ditentukan melalui pemilihan metode yang
digunakan dan informasi yang digunakan (Armstrong, 2009).
2.6 Backpropagation
Jaringan saraf tiruan backpropogation yaitu metode pembelajaran yang
arsitekturnya memiliki lapisan lapis jamak (multi layer) yang pembelajarnnya
dilakukan berulang-ulang sehingga dapat mewujudkan sistem yang tahan akan
8
kerusakan dan konsisten bekerja dngan baik, backpropogation menggunakan error dari
output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk
mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan
terlebih dahulu. Algoritma ini umumnya digunakan pada jaringan syaraf tiruan yang
berjenis multi-layer feed-forward, yang tersusun dari beberapa lapisan dan sinyal
dialirkan secara searah dari input menuju output Output (Wanto, 2018).
2.9 Rapidminer
RapidMiner Studio adalah platform perangkat lunak ilmu data yang
dikembangkan oleh perusahaan yang bernama RapidMiner yang menyediakan
lingkungan terintegrasi untuk satu kesatuan proses diantaranya data preparation,
machine learning, deep leraning, text mining, dan predictive analysis. Aplikasi ini
digunakan untuk untuk bisnis dan komersial, penelitian, pendidikan, dan
pengembangan aplikasi serta mendukung semua langkah dalam proses pembelajaran
9
mesin termasuk persiapan data, hasil visualisasi, validasi model, dan optimasi
(Mardalius, 2018).
10
BAB III
METODOLOGI PENELITIAN
11
uji yang akan digunakan. Proses berikutnya adalah melakukan perhitungan akurasi
peramalan dari dataset yang telah diuji dengan membandingkan nilai hasil peramalan
dengan data aktual. Tingkat akurasi peramalan tergantung pada nilai MAPE yang
didapatkan. Mean Absolute Percentage Error (MAPE) dihitung dengan menggunakan
MAD pada tiap periode dibagi dengan data aktual untuk periode itu. MAPE
mengindikasi seberapa besar kesalahan dalam peramalan yang dibandingkan dengan
nilai nyata
12
2. Dokumentasi
Dokumentasi adalah mencari data yang berupa catatan, laporan, tabel dan
sebagainya yang berkaitan dengan objek penelitian. Data yang didapatkan pada
penelitian ini berasal dari data kasus Demam Berdarah Dinas Kesehatan
Provinsi Bali dari Tahun 2008 sampai Tahun 2018.
3.4 Peramalan
Peramalan dilakukan dengan menggunakan tiga metode yaitu Backpropagation,
Gaussians, dan Suppor-Vector Machine
2.3.6 Peramalan Metode Backpropagation
Pelatihan dengan menggunakan metode backpropagation terdiri dari tiga
langkah, yaitu:
1 Fase I: propagasi maju (feedforward) Saat propagasi maju setiap unit input (𝑥𝑖)
akan menerima sinyal input dan akan menyebarkan sinyal tersebut pada tiap
hidden unit (𝑧𝑗). Setiap hidden unit kemudian akan menghitung aktivasinya dan
mengirim sinyal ke (𝑧𝑗) ke tiap unit output kemudian setiap unit output (Yk𝑦𝑘)
juga akan menghitung aktivasinya (𝑦𝑘) untuk menghasilkan respons terhadap
input yang diberikan jaringan.
2 Fase II: popagasi balik (backpropagation) Setiap unit output (𝑦𝑘 ,
k=1,2,3,…,m) menerima suatu target (output yang diharapkan) yang akan
dibandingkan dengan output yang dihasilkan. Faktor 𝛿𝑘 digunakan untuk
menghitung koreksi error (∆𝑤𝑗𝑘) yang dipakai untuk memperbarui 𝑤𝑗𝑘 di
output layer ke semua hidden layer yang terhubung langsung dengan output
layer (𝑦𝑘). Dengan cara yang sama, dihitung faktor koreksi error ∆𝑣𝑖𝑗 (𝛿𝑗) di
setiap unit di hidden layer sebagai dasar perubahan bobot.
3 Perubahan Bobot Setiap unit output ( , = 1,2,3,…,𝑚) akan memperbarui bias
dan bobotnya dengan setiap hidden unit. Begitu juga dengan setiap hidden unit
akan memperbarui bias dan bobotnya denga setiap unit-unit input. Ketiga fase
tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi. Umumnya
kondisi penghentian yang sering dipakai adalah jumlah iterasi atau kesalahan.
13
Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi
jumlah maksimum iterasi yang ditetapkan atau jika kesalahan yang terjadi
sudah lebih kecil dari batas toleransi yang diijinkan.
3.4.2 Peramalan Metode Gaussians
Gaussians proses adalah sebagai sebuah kumpulan dari variabel acak dimana
nilai dari variabel tersebut memiliki nilai berhingga. Proses Gaussian dispesifikasikan
secara lengkap oleh average function dan function variations. Jika m(x) sebagai
average function dan k(xi,xj) sebagai function variations dari sebuah Proses Gaussian
f(x) maka didefinisikan
artinya : “ fungsi f tersebar sebagai sebuah Proses Gaussian dengan fungsi rataan m(x)
dan fungsi peragam k(xi, xj)”.
3.4.3 Peramalan Metode Support-Vector Machine
Berikut ini akan diuraikan secara ringkas tentang ide dasar SVM. Misalkan
diberikan himpunan X=(x1, x2,…xm), dengan Xi € Rn , i=1, …, m, telah diketahui
bahwa X berpola tertentu, yaitu apabila xk termasuk dalam suatu kelas maka xk
diberikan label (merupakan target) yk = -1. Dengan demikian data yang diberikan
berupa pasangan (x1, y1),…..,(xm, ym ) € X x (+1,-1). Dalam masalah pembelajaran,
kumpulan pasangan tersebut merupakan data pembelajaran SVM. Berbekal
pengalaman pembelajaran menggunakan data pembelajaran tersebut, SVM harus
mampu menentuka pola (generalisasi) dari x € X.
Xn = Nilai ke – n
14
0.8 dan 0.1 = Ketetapan
15
BAB IV
HASIL DAN PEMBAHASAN
Tools Peramalan
Peramalan data kasus demam berdarah menggunakan aplikasi Rapidminer
sebagai tools penunjang dalam menentukan hasil peramalan. Data kasus demam
berdarah terdiri dari 4 atribut yaitu Jumlah Kasus Penderita, Jumlah Meninggal Jumlah,
Meninggal Laki-laki, dan Jumlah Korban Meninggal Perempuan. Aplikasi Rapidminer
digunakan untuk menentukan dan menganalisis hasil peramalan menggunakan metode
Backpropagation, Gaussians, dan Support-vector machine. Penggunaan aplikasi
Rapidminer dalam peramalan ini akan dijelaskan pada Gambar 4.1.
16
Arsitektur Backpropagation Rapidminer
Gambar 4.2 menunjukan arsitektur hasil pengujian metode Backpropagation
pada aplikasi Rapidminer. Arsitektur metode Backpropagation menunjukan
penggunaan 1 hidden layer dengan 11 neuron, learning rate sebesar 0,06, momentum
sebesar 0,7 dan epoch sebanyak 100 kali.
17
Hasil Peramalan Backpropagation Rapidminer
Gambar 4.3 menunjukan hasil pengujian metode Backpropagation pada aplikasi
Rapidminer. Hasil yang ditampilkan sesuai dengan arsitektur Rapidminer yang sudah
ditentukan sebelumnya.
18
menggunakan metode Backpropagation, Gaussians, dan Support-vector machine.
Hasil peramalan yang telah dilakukan adalah sebagai berikut.
Peramalan Jumlah Penderita Demam Berdarah 6 Tahun Data Latih dengan metode
Backpropagation
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 4361
2009 4385
2010 4774
2011 2996
2012 2650
2013 7077
2014 8629 10083,946 1454,946 0,169
2015 10704 11495,404 791,404 0,074
2016 19427 12105,783 7321,217 0,377
2017 17287 12014,804 5272,196 0,305
2018 16415 11673,992 4741,008 0,289
2019 8213,301
2020 8193,206
Average 3916,154 0,243
Tabel 4.1 merupakan hasil peramalan jumlah kasus penderita demam berdarah
dengan menggunakan metode Backpropagation. Peramalan jumlah kasus penderita
demam berdarah menggunakan 6 tahun sebagai data latih dan 5 tahun sebagai data uji.
Jumlah tingkat kesalahan peramalan yang didapat sebesar 0.243.
19
Tabel 4.2 merupakan hasil perbandingan percobaan metode Backpropagation
dengan data latih 6 tahun untuk peramalan jumlah kasus penderita demam berdarah.
Arsitektur metode Backpropagation yang memiliki tingkat kesalahan akurasi yang
paling kecil adalah arsitektur yang menggunakan hidden layer 1, neuron 2 learning
rate 0.06, dan epoch sebesar 100.
Peramalan Jumlah Penderita Demam Berdarah 7 Tahun Data Latih dengan metode
Backpropagation
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 4361
2009 4385
2010 4774
2011 2996
2012 2650
2013 7077
2014 8629
2015 10704 9054,661 1649,339 0,154
2016 19427 9072,975 10354,025 0,533
2017 17287 9072,782 8214,218 0,475
2018 16415 9072,991 7342,009 0,447
2019 8825,718
2020 8880,573
Average 6889,897 0,402
Tabel 4.3 merupakan hasil peramalan jumlah kasus penderita demam berdarah
dengan menggunakan metode Backpropagation. Peramalan jumlah kasus penderita
demam berdarah menggunakan 7 tahun sebagai data latih dan 4 tahun sebagai data uji.
Jumlah tingkat kesalahan peramalan yang didapat sebesar 0.402.
20
Tabel 4.4 merupakan hasil perbandingan percobaan metode Backpropagation
dengan data latih 7 tahun untuk peramalan jumlah kasus penderita demam berdarah.
Arsitektur metode Backpropagation yang memiliki tingkat kesalahan akurasi yang
paling kecil adalah arsitektur yang menggunakan hidden layer 2, neuron 5 learning
rate 0.02, dan epoch sebesar 450.
Peramalan Jumlah Penderita Demam Berdarah 8 Tahun Data Latih dengan metode
Backpropagation
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 4361
2009 4385
2010 4774
2011 2996
2012 2650
2013 7077
2014 8629
2015 10704
2016 19427 12216,755 7210,245 0,371
2017 17287 12224,948 5062,052 0,293
2018 16415 12414,506 4000,494 0,244
2019 10157,427
2020 10288,451
Average 5424,264 0,303
Tabel 4.5 merupakan hasil peramalan jumlah kasus penderita demam berdarah
dengan menggunakan metode Backpropagation. Peramalan jumlah kasus penderita
demam berdarah menggunakan 8 tahun sebagai data latih dan 3 tahun sebagai data uji.
Jumlah tingkat kesalahan peramalan yang didapat sebesar 0.303
21
Tabel 4.6 merupakan hasil perbandingan percobaan metode Backpropagation
dengan data latih 8 tahun untuk peramalan jumlah kasus penderita demam berdarah.
Arsitektur metode Backpropagation yang memiliki tingkat kesalahan akurasi yang
paling kecil adalah arsitektur yang menggunakan hidden layer 1, neuron 7, learning
rate 0.05, dan epoch sebesar 100.
Peramalan Jumlah Penderita Demam Berdarah 9 Tahun Data Latih dengan metode
Backpropagation
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 4361
2009 4385
2010 4774
2011 2996
2012 2650
2013 7077
2014 8629
2015 10704
2016 19427
2017 17287 16979,846 307,154 0,018
2018 16415 16547,627 132,627 0,008
2019 12915,118
2020 13289,213
Average 219,890 0,013
Tabel 4.7 merupakan hasil peramalan jumlah kasus penderita demam berdarah
dengan menggunakan metode Backpropagation. Peramalan jumlah kasus penderita
demam berdarah menggunakan 9 tahun sebagai data latih dan 2 tahun sebagai data uji.
Jumlah tingkat kesalahan peramalan yang didapat sebesar 0.013.
22
Tabel 4.8 merupakan hasil perbandingan percobaan metode Backpropagation
dengan data latih 9 tahun untuk peramalan jumlah kasus penderita demam berdarah.
Arsitektur metode Backpropagation yang memiliki tingkat kesalahan akurasi yang
paling kecil adalah arsitektur yang menggunakan hidden layer 1, neuron 7, learning
rate 0.05, dan epoch sebesar 100.
Peramalan Jumlah Penderita Demam Berdarah 5 Tahun Data Latih dengan metode
Gaussians
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 4361
2009 4385
2010 4774
2011 2996
2012 2650
2013 7077
2014 8629 5415,363 3213,637 0,372
2015 10704 6491,262 4212,738 0,394
2016 19427 7854,578 11572,422 0,596
2017 17287 12454,035 4832,965 0,280
23
2018 16415 11502,894 4912,106 0,299
2019 11082,327
2020 8091,774
Average 5748,774 0,388
Tabel 4.10 merupakan hasil peramalan jumlah kasus penderita demam berdarah
dengan menggunakan metode Gaussians. Peramalan jumlah kasus penderita demam
berdarah menggunakan 5 tahun sebagai data latih dan 6 tahun sebagai data uji. Jumlah
tingkat kesalahan peramalan yang didapat sebesar 0.388.
Percobaan Parameter Berbeda dengan metode Gaussians pada Penderita Demam Berdarah
Dengan Data Latih 5 Tahun
Hasil
Max basis
Kernel A Kernel B Kernel Tipe MAD MAPE
Vectors
Peramalan Jumlah Penderita Demam Berdarah 6 Tahun Data Latih dengan metode
Gaussians
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 4361
2009 4385
2010 4774
2011 2996
2012 2650
2013 7077
2014 8629
2015 10704 7599,680 3104,320 0,290
2016 19427 9283,226 10143,774 0,522
2017 17287 15392,714 1894,286 0,110
24
2018 16415 14054,037 2360,963 0,144
2019 13477,518
2020 11402,621
Average 4375,836 0,266
Tabel 4.12 merupakan hasil peramalan jumlah kasus penderita demam berdarah
dengan menggunakan metode Gaussians. Peramalan jumlah kasus penderita demam
berdarah menggunakan 6 tahun sebagai data latih dan 5 tahun sebagai data uji. Jumlah
tingkat kesalahan peramalan yang didapat sebesar 0.266.
Percobaan Parameter Berbeda dengan metode Gaussians pada Penderita Demam Berdarah
Dengan Data Latih 6 Tahun
Hasil
Max basis
Kernel A Kernel B Kernel Tipe MAD MAPE
Vectors
Peramalan Jumlah Penderita Demam Berdarah 7 Tahun Data Latih dengan metode
Gaussians
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 4361
2009 4385
2010 4774
2011 2996
2012 2650
2013 7077
2014 8629
2015 10704
2016 19427 10657,147 8769,853 0,451
2017 17287 17021,985 265,015 0,015
25
2018 16415 15705,774 709,226 0,043
2019 15123,784
2020 14215,799
Average 3248,031 0,170
Tabel 4.14 merupakan hasil peramalan jumlah kasus penderita demam berdarah
dengan menggunakan metode Gaussians. Peramalan jumlah kasus penderita demam
berdarah menggunakan 7 tahun sebagai data latih dan 4 tahun sebagai data uji. Jumlah
tingkat kesalahan peramalan yang didapat sebesar 0.170.
Percobaan Parameter Berbeda dengan metode Gaussians pada Penderita Demam Berdarah
Dengan Data Latih 7 Tahun
Hasil
Max basis
Kernel A Kernel B Kernel Tipe MAD MAPE
Vectors
Peramalan Jumlah Penderita Demam Berdarah 7 Tahun Data Latih dengan metode
Gaussians
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 4361
2009 4385
2010 4774
2011 2996
2012 2650
2013 7077
2014 8629
2015 10704
2016 19427
2017 17287 17517,510 230,5102 0,013
26
2018 16415 16340,880 74,11966 0,005
2019 15805,447
2020 15406,820
Average 152,314 0,009
Tabel 4.16 merupakan hasil peramalan jumlah kasus demam berdarah dengan
menggunakan metode Gaussians. Peramalan jumlah kasus demam berdarah
menggunakan data dengan rentang 8 tahun sebagai data latih dan 3 tahun sebagai data
uji. Jumlah tingkat kesalahan peramalan yang didapat sebesar 0.009
Percobaan Parameter Berbeda dengan metode Gaussians pada Penderita Demam Berdarah
Dengan Data Latih 8 Tahun
Hasil
Max basis
Kernel A Kernel B Kernel Tipe MAD MAPE
Vectors
27
sebesar 200, memiliki nilai MAPE sebesar 0.003 lebih baik dari ketiga data latih yang
nilai masing-masing MAPE yaitu 0.170, 0.266, dan 0.288.
Peramalan Jumlah Penderita Demam Berdarah 6 Tahun Data Latih dengan metode
Support-Vector machine
Tahun Data Aktual Hasil Peramalan MAD MAPE
2008 4361
2009 4385
2010 4774
2011 2996
2012 2650
2013 7077
2014 8629
2015 10704 8057,359 2646,641 0,247
2016 19427 10195,313 9231,687 0,475
2017 17287 19182,963 1895,963 0,110
2018 16415 16978,037 563,037 0,034
2019 16079,581
2020 13046,432
Average 3584,332 0,217
Tabel 4.19 merupakan hasil peramalan jumlah kasus penderita demam berdarah
dengan menggunakan metode Support-Vector Machine. Peramalan jumlah kasus
penderita demam berdarah menggunakan 6 tahun sebagai data latih dan 5 tahun sebagai
data uji. Jumlah tingkat kesalahan peramalan yang didapat sebesar 0.217.
28
Tabel 4.20 merupakan hasil perbandingan percobaan metode Support-Vector
Machine dengan data latih 6 tahun untuk peramalan jumlah kasus penderita demam
berdarah. Arsitektur metode Support-Vector Machine yang memiliki tingkat kesalahan
akurasi yang paling kecil adalah arsitektur yang menggunakan L pos 0.5, L Neg 0.3 ,
Kernel cache 200 dan Max iterations sebesar 10
Peramalan Jumlah Penderita Demam Berdarah 7 Tahun Data Latih dengan metode
Support-Vector machine
Tahun Data Aktual Hasil Peramalan MAD MAPE
2008 4361
2009 4385
2010 4774
2011 2996
2012 2650
2013 7077
2014 8629
2015 10704
2016 19427 12258,537 7168,463 0,369
2017 17287 23111,582 5824,582 0,337
2018 16415 20449,022 4034,022 0,246
2019 19364,090
2020 23033,306
Average 5675,689 0,317
Tabel 4.21 merupakan hasil peramalan jumlah kasus penderita demam berdarah
dengan menggunakan metode Support-Vector Machine. Peramalan jumlah kasus
penderita demam berdarah menggunakan 7 tahun sebagai data latih dan 4 tahun sebagai
data uji. Jumlah tingkat kesalahan peramalan yang didapat sebesar 0.317.
29
Tabel 4.22 merupakan hasil perbandingan percobaan metode Support-Vector
Machine dengan data latih 7 tahun untuk peramalan jumlah kasus penderita demam
berdarah. Arsitektur metode Support-Vector Machine yang memiliki tingkat kesalahan
akurasi yang paling kecil adalah arsitektur yang menggunakan L pos 1.9, L Neg 0.6 ,
Kernel cache 200 dan Max iterations sebesar 10
Peramalan Jumlah Penderita Demam Berdarah 8 Tahun Data Latih dengan metode
Support-Vector machine
Tahun Data Aktual Hasil Peramalan MAD MAPE
2008 4361
2009 4385
2010 4774
2011 2996
2012 2650
2013 7077
2014 8629
2015 10704
2016 19427
2017 17287 17254,317 32,683 0,002
2018 16415 15956,144 458,856 0,028
2019 15427,168
2020 15053,472
Average 245,770 0,015
Tabel 4.23 merupakan hasil peramalan jumlah kasus demam berdarah dengan
menggunakan metode Support-Vector machine. Peramalan jumlah kasus demam
berdarah menggunakan data dengan rentang 8 tahun sebagai data latih dan 3 tahun
sebagai data uji. Jumlah tingkat kesalahan peramalan yang didapat sebesar 0.015.
30
0,2 0,8 200 10 245,770 0,015
0,3 0,9 100 10 3624,563 0,214
0,4 1,0 150 15 6770,250 0,399
Tabel 4.24 merupakan hasil perbandingan percobaan metode Support-Vector
Machine dengan data latih 8 tahun untuk peramalan jumlah kasus penderita demam
berdarah. Arsitektur metode Support-Vector Machine yang memiliki tingkat kesalahan
akurasi yang paling kecil adalah arsitektur yang menggunakan L pos 0.2, L Neg 0.8 ,
Kernel cache 200 dan Max iterations sebesar 10
Hasil akurasi dari ketiga metode yang digunakan adalah metode Gaussians
memiliki tingkat akurasi yang lebih baik daripada kedua metode lainnya untuk
memprediksi jumlah kasus Penderita demam berdarah. Peramalan jumlah kasus
Penderita demam berdarah untuk periode mendatang dapat dilihat pada Gambar 4.5.
31
PERAMALAN PENDERITA PERIODE
MENDATANG
25000
20000
15000
10000
5000
0
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020
Jumlah Meninggal
60
40
20
0
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Jumlah Meninggal
32
menggunakan metode Backpropagation, Gaussians, dan Support-vector machine.
Hasil peramalan yang telah dilakukan adalah sebagai berikut.
Peramalan Jumlah Meninggal Demam Berdarah 6 Tahun Data Latih dengan metode
Backpropagation
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 9
2009 9
2010 13
2011 7
2012 3
2013 6
2014 17 18,570 1,570 0,092
2015 28 27,058 0,942 0,034
2016 56 35,068 20,932 0,374
2017 43 33,768 9,232 0,215
2018 37 32,049 4,951 0,134
2019 8,321
2020 8,341
Average 7,525 0,170
Tabel 4.26 merupakan hasil peramalan jumlah Meninggal demam berdarah
dengan menggunakan metode Backpropagation. Peramalan jumlah meninggal demam
berdarah menggunakan 6 tahun sebagai data latih dan 5 tahun sebagai data uji. Jumlah
tingkat kesalahan peramalan yang didapat sebesar 0.170.
33
Tabel 4.27 merupakan hasil perbandingan percobaan metode Backpropagation
dengan data latih 6 tahun untuk peramalan jumlah meninggal demam berdarah.
Arsitektur metode Backpropagation yang memiliki tingkat kesalahan akurasi yang
paling kecil adalah arsitektur yang menggunakan hidden layer 1, neuron 9 learning
rate 0.02, dan epoch sebesar 150.
Peramalan Jumlah Meninggal Demam Berdarah 7 Tahun Data Latih dengan metode
Backpropagation
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 9
2009 9
2010 13
2011 7
2012 3
2013 6
2014 17
2015 28 22,726 5,274 0,188
2016 56 25,217 30,783 0,550
2017 43 24,869 18,131 0,422
2018 37 24,453 12,547 0,339
2019 10,367
2020 10,398
Average 16,683 0,375
Tabel 4.28 merupakan hasil peramalan jumlah Meninggal demam berdarah
dengan menggunakan metode Backpropagation. Peramalan jumlah meninggal demam
berdarah menggunakan 7 tahun sebagai data latih dan 4 tahun sebagai data uji. Jumlah
tingkat kesalahan peramalan yang didapat sebesar 0.375.
34
Tabel 4.29 merupakan hasil perbandingan percobaan metode Backpropagation
dengan data latih 7 tahun untuk peramalan jumlah meninggal demam berdarah.
Arsitektur metode Backpropagation yang memiliki tingkat kesalahan akurasi yang
paling kecil adalah arsitektur yang menggunakan hidden layer 1, neuron 6 learning
rate 0.01, dan epoch sebesar 200.
Peramalan Jumlah Meninggal Demam Berdarah 8 Tahun Data Latih dengan metode
Backpropagation
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 9
2009 9
2010 13
2011 7
2012 3
2013 6
2014 17
2015 28
2016 56 43,489 12,511 0,223
2017 43 38,388 4,612 0,107
2018 37 34,579 2,421 0,065
2019 14,828
2020 14,726
Average 6,515 0,132
Tabel 4.30 merupakan hasil peramalan jumlah Meninggal demam berdarah
dengan menggunakan metode Backpropagation. Peramalan jumlah meninggal demam
berdarah menggunakan 8 tahun sebagai data latih dan 3 tahun sebagai data uji. Jumlah
tingkat kesalahan peramalan yang didapat sebesar 0.132.
35
Tabel 4.29 merupakan hasil perbandingan percobaan metode Backpropagation
dengan data latih 8 tahun untuk peramalan jumlah meninggal demam berdarah.
Arsitektur metode Backpropagation yang memiliki tingkat kesalahan akurasi yang
paling kecil adalah arsitektur yang menggunakan hidden layer 1, neuron 13 learning
rate 0.04, dan epoch sebesar 100.
Peramalan Jumlah Meninggal Demam Berdarah 9 Tahun Data Latih dengan metode
Backpropagation
Metode Backpropagation
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 9
2009 9
2010 13
2011 7
2012 3
2013 6
2014 17
2015 28
2016 56
2017 43 44,482 1,482 0,034
2018 37 37,335 0,335 0,009
2019 29,397
2020 29,079
Average 0,908 0,022
Tabel 4.32 merupakan hasil peramalan jumlah mwninggal pada kasus demam
berdarah dengan menggunakan metode Backpropagation. Peramalan jumlah vaksinasi
pada anjing menggunakan data dengan rentang 9 tahun sebagai data latih dan 2 tahun
sebagai data uji. Jumlah tingkat kesalahan peramalan yang didapat sebesar 0.022.
36
1 4 0,03 100 6,289 0,161
Tabel 4.33 merupakan hasil perbandingan percobaan metode Backpropagation
dengan data latih 9 tahun untuk peramalan jumlah meninggal demam berdarah.
Arsitektur metode Backpropagation yang memiliki tingkat kesalahan akurasi yang
paling kecil adalah arsitektur yang menggunakan hidden layer 1, neuron 6 learning
rate 0.07, dan epoch sebesar 650.
Peramalan Jumlah Meninggal Demam Berdarah 5 Tahun Data Latih dengan metode
Gaussians
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 9
2009 9
2010 13
2011 7
2012 3
2013 6
2014 17 3,958 13,042 0,767
2015 28 12,265 15,735 0,562
37
2016 56 19,854 36,146 0,645
2017 43 34,690 8,310 0,193
2018 37 28,646 8,354 0,226
2019 25,361
2020 18,134
Average 16,317 0,479
Tabel 4.35 merupakan hasil peramalan jumlah kasus meninggal demam berdarah
dengan menggunakan metode Gaussians. Peramalan jumlah meninggal demam
berdarah menggunakan 5 tahun sebagai data latih dan 6 tahun sebagai data uji. Jumlah
tingkat kesalahan peramalan yang didapat sebesar 0.479.
Percobaan Parameter Berbeda dengan metode Gaussians pada Jumlah Meninggal Demam
Berdarah Dengan Data Latih 5 Tahun
Hasil
Max basis
Kernel A Kernel B Kernel Tipe MAD MAPE
Vectors
Peramalan Jumlah Meninggal Demam Berdarah 6 Tahun Data Latih dengan metode
Gaussians
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 9
2009 9
2010 13
2011 7
2012 3
2013 6
2014 17
2015 28 12,687 15,313 0,547
38
2016 56 20,786 35,214 0,629
2017 43 38,069 4,931 0,115
2018 37 30,707 6,293 0,170
2019 26,913
2020 20,016
Average 15,438 0,365
Tabel 4.37 merupakan hasil peramalan jumlah meninggal pada kasus demam
berdarah dengan menggunakan metode Gaussians. Peramalan jumlah meninggal pada
kasus demam berdarah menggunakan data dengan rentang 6 tahun sebagai data latih
dan 5 tahun sebagai data uji. Jumlah tingkat kesalahan peramalan yang didapat sebesar
0.365.
Percobaan Parameter Berbeda dengan metode Gaussians pada Jumlah Meninggal Demam
Berdarah Dengan Data Latih 6 Tahun
Hasil
Max basis
Kernel A Kernel B Kernel Tipe MAD MAPE
Vectors
Peramalan Jumlah Meninggal Penderita Demam Berdarah 7 Tahun Data Latih dengan
metode Gaussians
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 9
2009 9
2010 13
2011 7
2012 3
2013 6
39
2014 17
2015 28
2016 56 24,897 31,103 0,555
2017 43 42,921 0,079 0,002
2018 37 35,578 1,422 0,038
2019 31,587
2020 27,687
Average 10,868 0,199
Tabel 4.39 merupakan hasil peramalan jumlah meninggal pada kasus demam
berdarah dengan menggunakan metode Gaussians. Peramalan jumlah meninggal pada
kasus demam berdarah menggunakan data dengan rentang 7 tahun sebagai data latih
dan 4 tahun sebagai data uji. Jumlah tingkat kesalahan peramalan yang didapat sebesar
0.199.
Percobaan Parameter Berbeda dengan metode Gaussians pada Jumlah Meninggal Demam
Berdarah Dengan Data Latih 7 Tahun
Hasil
Max basis
Kernel A Kernel B Kernel Tipe MAD MAPE
Vectors
Peramalan Jumlah Meninggal Penderita Demam Berdarah 8 Tahun Data Latih dengan
metode Gaussians
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 9
2009 9
2010 13
2011 7
40
2012 3
2013 6
2014 17
2015 28
2016 56
2017 43 42,503 0,497 0,012
2018 37 37,854 0,854 0,023
2019 34,826
2020 33,550
Average 0,676 0,017
Tabel 4.41 merupakan hasil peramalan jumlah meninggal pada kasus demam
berdarah dengan menggunakan metode Gaussians. Peramalan jumlah meninggal pada
kasus demam berdarah menggunakan data dengan rentang 8 tahun sebagai data latih
dan 3 tahun sebagai data uji. Jumlah tingkat kesalahan peramalan yang didapat sebesar
0.017.
Percobaan Parameter Berbeda dengan metode Gaussians pada Jumlah Meninggal Demam
Berdarah Dengan Data Latih 8 Tahun
Hasil
Max basis
Kernel A Kernel B Kernel Tipe MAD MAPE
Vectors
41
Tabel 4.18 merupakan hasil perbandingan metode Gaussians untuk peramalan
jumlah meninggal demam berdarah. Arsitektur Gaussians yang memiliki tingkat
kesalahan akurasi yang paling kecil adalah dengan data latih 8 tahun yang
menggunakan Kernel A 8.0, Kernel B 0.0, Kernel Tipe Sigmoid dan Max basis vectors
sebesar 275, memiliki nilai MAPE sebesar 0.017 lebih baik dari ketiga data latih yang
nilai masing-masing MAPE yaitu 0.199, 0.365, dan 0.479.
Peramalan Jumlah Meninggal Demam Berdarah 6 Tahun Data Latih dengan metode
Support-Vector machine
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 9
2009 9
2010 13
2011 7
2012 3
2013 6
2014 17
2015 28 13,000 15,000 0,536
2016 56 18,500 37,500 0,670
2017 43 32,500 10,500 0,244
2018 37 26,000 11,000 0,297
2019 23,000
2020 17,958
Average 18,500 0,437
Tabel 4.44 merupakan hasil peramalan jumlah meninggal demam berdarah
dengan menggunakan metode Support-Vector machine. Peramalan jumlah meninggal
demam berdarah menggunakan data dengan rentang 6 tahun sebagai data latih dan 5
tahun sebagai data uji. Jumlah tingkat kesalahan peramalan yang didapat sebesar 0.437.
42
Percobaan Parameter Berbeda dengan metode Support-Vector Machine pada Jumlah
Meninggal Demam Berdarah Dengan Data Latih 6 Tahun
Hasil
L L Max
Kernel cache MAD MAPE
Pos Neg iterations
1,0 2,0 200 10 18,500 0,437
1,0 5,0 100 10 15,906 0,371
5,0 5,0 150 10 31,375 0,750
Tabel 4.45 merupakan hasil perbandingan percobaan metode Support-Vector
Machine dengan data latih 6 tahun untuk peramalan jumlah meninggal demam
berdarah. Arsitektur metode Support-Vector Machine yang memiliki tingkat kesalahan
akurasi yang paling kecil adalah arsitektur yang menggunakan L pos 1,0, L Neg 2.0 ,
Kernel cache 200 dan Max iterations sebesar 10
Peramalan Jumlah Meninggal Demam Berdarah 7 Tahun Data Latih dengan metode
Support-Vector machine
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 9
2009 9
2010 13
2011 7
2012 3
2013 6
2014 17
2015 28
2016 56 16,250 39,750 0,710
2017 43 36,125 6,875 0,160
2018 37 29,500 7,500 0,203
2019 22,875
2020 16,250
Average 18,042 0,357
Tabel 4.46 merupakan hasil peramalan jumlah meninggal demam berdarah
dengan menggunakan metode Support-Vector machine. Peramalan jumlah meninggal
pada kasus demam berdarah menggunakan data dengan rentang 7 tahun sebagai data
latih dan 4 tahun sebagai data uji. Jumlah tingkat kesalahan peramalan yang didapat
sebesar 0.357.
43
Percobaan Parameter Berbeda dengan metode Support-Vector Machine pada Jumlah
Meninggal Demam Berdarah Dengan Data Latih 7 Tahun
Hasil
L L Max
Kernel cache MAD MAPE
Pos Neg iterations
Peramalan Jumlah Meninggal Demam Berdarah 8 Tahun Data Latih dengan metode
Support-Vector machine
Support-vector machine
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 9
2009 9
2010 13
2011 7
2012 3
2013 6
2014 17
2015 28
2016 56
2017 43 49,088 6,088 0,142
2018 37 38,795 1,795 0,049
2019 34,045
2020 32,303
Average 3,942 0,095
Tabel 4.48 merupakan hasil peramalan jumlah meninggal pada kasus demam
berdarah dengan menggunakan metode Support-vector machine. Peramalan jumlah
meninggal pada kasus demam berdarah menggunakan data dengan rentang 8 tahun
44
sebagai data latih dan 3 tahun sebagai data uji. Jumlah tingkat kesalahan peramalan
yang didapat sebesar 0,095.
Hasil akurasi dari ketiga metode yang digunakan adalah metode Gaussians
memiliki tingkat akurasi yang lebih baik daripada kedua metode lainnya untuk
45
memprediksi jumlah meninggal pada kasus demam berdarah. Peramalan jumlah
jumlah meninggal pada kasus demam berdarah untuk periode mendatang dapat dilihat
pada Gambar 4.7.
46
Jumlah meninggal Laki-laki
40
35
30
25
20
15
10
5
0
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Peramalan Jumlah Meninggal Laki-laki pada kasus Demam Berdarah 6 Tahun Data Latih
dengan metode Backpropagation
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 5
2009 3
2010 8
2011 5
2012 2
2013 3
2014 9 8,974 0,026 0,003
2015 14 12,450 1,550 0,111
2016 35 18,342 16,658 0,476
2017 22 15,533 6,467 0,294
2018 14 11,780 2,220 0,159
2019 4,709
2020 4,732
Average 5,384 0,208
47
Tabel 4.51 merupakan hasil peramalan jumlah Meninggal laki-laki demam
berdarah dengan menggunakan metode Backpropagation. Peramalan jumlah
meninggal demam berdarah menggunakan 6 tahun sebagai data latih dan 5 tahun
sebagai data uji. Jumlah tingkat kesalahan peramalan yang didapat sebesar 0.208.
Peramalan Jumlah Meninggal Laki-laki pada kasus Demam Berdarah 7 Tahun Data Latih
dengan metode Backpropagation
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 5
2009 3
2010 8
2011 5
2012 2
2013 3
2014 9
2015 14 12,365 1,635 0,117
2016 35 15,915 19,085 0,545
2017 22 14,687 7,313 0,332
2018 14 12,183 1,817 0,130
2019 5,784
2020 5,814
Average 7,463 0,281
48
Tabel 4.53 merupakan hasil peramalan jumlah Meninggal laki-laki demam
berdarah dengan menggunakan metode Backpropagation. Peramalan jumlah
meninggal demam berdarah menggunakan 7 tahun sebagai data latih dan 4 tahun
sebagai data uji. Jumlah tingkat kesalahan peramalan yang didapat sebesar 0.281.
Peramalan Jumlah Meninggal Laki-laki pada kasus Demam Berdarah 8 Tahun Data Latih
dengan metode Backpropagation
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 5
2009 3
2010 8
2011 5
2012 2
2013 3
2014 9
2015 14
2016 35 27,194 7,806 0,223
2017 22 20,298 1,702 0,077
2018 14 14,001 0,001 0,000
2019 8,277
2020 8,301
Average 3,170 0,100
49
Tabel 4.55 merupakan hasil peramalan jumlah Meninggal laki-laki demam
berdarah dengan menggunakan metode Backpropagation. Peramalan jumlah
meninggal demam berdarah menggunakan 8 tahun sebagai data latih dan 3 tahun
sebagai data uji. Jumlah tingkat kesalahan peramalan yang didapat sebesar 0.100.
Peramalan Jumlah Meninggal Laki-laki pada kasus Demam Berdarah 9 Tahun Data Latih
dengan metode Backpropagation
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 5
2009 3
2010 8
2011 5
2012 2
2013 3
2014 9
2015 14
2016 35
2017 22 22,625 0,625 0,028
2018 14 14,765 0,765 0,055
2019 18,539
2020 18,535
Average 0,695 0,042
50
Tabel 4.57 merupakan hasil peramalan jumlah Meninggal laki-laki demam
berdarah dengan menggunakan metode Backpropagation. Peramalan jumlah
meninggal demam berdarah menggunakan 9 tahun sebagai data latih dan 2 tahun
sebagai data uji. Jumlah tingkat kesalahan peramalan yang didapat sebesar 0.042.
51
Peramalan Jumlah Meninggal Laki-laki pada kasus Demam Berdarah 5 Tahun Data Latih
dengan metode Gaussians
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 5
2009 3
2010 8
2011 5
2012 2
2013 3
2014 9 1,628 7,372 0,819
2015 14 5,908 8,092 0,578
2016 35 9,297 25,703 0,734
2017 22 20,735 1,265 0,058
2018 14 14,239 0,239 0,017
2019 9,297
2020 6,117
Average 8,534 0,441
Tabel 4.60 merupakan hasil peramalan jumlah kasus meninggal laki-laki demam
berdarah dengan menggunakan metode Gaussians. Peramalan jumlah kasus penderita
demam berdarah menggunakan 5 tahun sebagai data latih dan 6 tahun sebagai data uji.
Jumlah tingkat kesalahan peramalan yang didapat sebesar 0.441.
52
Peramalan Jumlah Meninggal Laki-laki pada kasus Demam Berdarah 6 Tahun Data Latih
dengan metode Gaussians
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 5
2009 3
2010 8
2011 5
2012 2
2013 3
2014 9
2015 14 6,125 7,875 0,563
2016 35 10,250 24,750 0,707
2017 22 22,625 0,625 0,028
2018 14 14,375 0,375 0,027
2019 10,250
2020 2,000
Average 8,406 0,331
Tabel 4.62 merupakan hasil peramalan jumlah meninggal laki-laki pada kasus
demam berdarah dengan menggunakan metode Gaussians. Peramalan jumlah
meninggal laki-laki pada kasus demam berdarah menggunakan data dengan rentang 6
tahun sebagai data latih dan 5 tahun sebagai data uji. Jumlah tingkat kesalahan
peramalan yang didapat sebesar 0.350.
53
Peramalan Jumlah Meninggal Laki-laki pada kasus Demam Berdarah 7 Tahun Data Latih
dengan metode Gaussians
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 5
2009 3
2010 8
2011 5
2012 2
2013 3
2014 9
2015 14
2016 35 11,702 23,298 0,666
2017 22 21,610 0,390 0,018
2018 14 16,621 2,621 0,187
2019 11,702
2020 10,001
Average 8,770 0,290
Tabel 4.64 merupakan hasil peramalan jumlah meninggal laki-laki pada kasus
demam berdarah dengan menggunakan metode Gaussians. Peramalan jumlah
meninggal laki-laki pada kasus demam berdarah menggunakan data dengan rentang 7
tahun sebagai data latih dan 4 tahun sebagai data uji. Jumlah tingkat kesalahan
peramalan yang didapat sebesar 0.290.
54
kecil adalah arsitektur yang menggunakan Kernel A 8.0, Kernel B 0.0, Kernel Tipe
Sigmoid dan Max basis vectors sebesar 100
Peramalan Jumlah Meninggal Laki-laki pada kasus Demam Berdarah 8 Tahun Data Latih
dengan metode Gaussians
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 5
2009 3
2010 8
2011 5
2012 2
2013 3
2014 9
2015 14
2016 35
2017 22 20,932 1,068 0,049
2018 14 15,263 1,263 0,090
2019 11,080
2020 9,434
Average 1,165 0,069
Tabel 4.66 merupakan hasil peramalan jumlah meninggal laki-laki pada kasus
demam berdarah dengan menggunakan metode Gaussians. Peramalan jumlah
meninggal laki-laki pada kasus demam berdarah menggunakan data dengan rentang 8
tahun sebagai data latih dan 3 tahun sebagai data uji. Jumlah tingkat kesalahan
peramalan yang didapat sebesar 0.069.
55
Arsitektur metode Gaussians yang memiliki tingkat kesalahan akurasi yang paling
kecil adalah arsitektur yang menggunakan Kernel A 4.0, Kernel B 0.0, Kernel Tipe
Sigmoid dan Max basis vectors sebesar 170.
Peramalan Jumlah Meninggal Laki-laki pada kasus Demam Berdarah 6 Tahun Data Latih
dengan metode Support-Vector machine
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 5
2009 3
2010 8
2011 5
2012 2
2013 3
2014 9
2015 14 6,125 7,875 0,563
2016 35 6,125 28,875 0,825
2017 22 14,375 7,625 0,347
2018 14 10,250 3,750 0,268
2019 6,125
2020 6,125
Average 12,031 0,500
56
Tabel 4.69 merupakan hasil peramalan jumlah meninggal laki-laki demam
berdarah dengan menggunakan metode Support-Vector machine. Peramalan jumlah
meninggal laki-laki demam berdarah menggunakan data dengan rentang 6 tahun
sebagai data latih dan 5 tahun sebagai data uji. Jumlah tingkat kesalahan peramalan
yang didapat sebesar 0.500.
Peramalan Jumlah Meninggal Laki-laki pada kasus Demam Berdarah 7 Tahun Data Latih
dengan metode Support-Vector machine
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 5
2009 3
2010 8
2011 5
2012 2
2013 3
2014 9
2015 14
2016 35 7,000 28,000 0,800
2017 22 14,000 8,000 0,364
2018 14 9,667 4,333 0,310
57
2019 7,000
2020 6,231
Average 13,444 0,491
Tabel 4.71 merupakan hasil peramalan jumlah meninggal laki-laki demam
berdarah dengan menggunakan metode Support-Vector machine. Peramalan jumlah
meninggal laki-laki pada kasus demam berdarah menggunakan data dengan rentang 7
tahun sebagai data latih dan 4 tahun sebagai data uji. Jumlah tingkat kesalahan
peramalan yang didapat sebesar 0.491.
Peramalan Jumlah Meninggal Laki-laki pada kasus Demam Berdarah 8 Tahun Data Latih
dengan metode Support-Vector machine
Support-vector machine
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 5
2009 3
2010 8
2011 5
2012 2
2013 3
2014 9
58
2015 14
2016 35
2017 22 21,200 0,800 0,036
2018 14 15,838 1,838 0,131
2019 12,538
2020 11,331
Average 1,319 0,084
Tabel 4.73 merupakan hasil peramalan jumlah meninggal laki-laki pada kasus
demam berdarah dengan menggunakan metode Support-vector machine. Peramalan
jumlah meninggal laki-laki pada kasus demam berdarah menggunakan data dengan
rentang 8 tahun sebagai data latih dan 3 tahun sebagai data uji. Jumlah tingkat
kesalahan peramalan yang didapat sebesar 0.084.
59
dengan data latih 8 tahun yang menggunakan L pos 0.2, L Neg 0.3 , Kernel cache 100
dan Max iterations sebesar 8, memiliki nilai MAPE sebesar 0.084 lebih baik dari kedua
data latih yang nilai masing-masing MAPE yaitu 0.491 dan 0.500.
60
Jumlah Meninggal Perempuan
25
20
15
10
0
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Peramalan Jumlah Meninggal Perempuan pada kasus Demam Berdarah 6 Tahun Data
Latih dengan metode Backpropagation
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 4
2009 6
2010 5
2011 2
2012 1
2013 3
2014 8 7,834 0,166 0,021
2015 14 12,112 1,888 0,135
2016 21 14,593 6,407 0,305
2017 21 14,750 6,250 0,298
2018 23 15,306 7,694 0,335
2019 2,926
2020 2,914
Average 4,481 0,219
61
Tabel 4.76 merupakan hasil peramalan jumlah Meninggal Perempuan pada
kasus demam berdarah dengan menggunakan metode Backpropagation. Peramalan
jumlah meninggal perempuan pada kasus demam berdarah menggunakan 6 tahun
sebagai data latih dan 5 tahun sebagai data uji. Jumlah tingkat kesalahan peramalan
yang didapat sebesar 0.219.
Peramalan Jumlah Meninggal Perempuan pada kasus Demam Berdarah 7 Tahun Data
Latih dengan metode Backpropagation
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 4
2009 6
2010 5
2011 2
2012 1
2013 3
2014 8
2015 14 12,000 2,000 0,143
2016 21 17,500 3,500 0,167
2017 21 14,750 6,250 0,298
2018 23 17,500 5,500 0,239
2019 3,750
62
2020 3,750
Average 4,313 0,212
Tabel 4.78 merupakan hasil peramalan jumlah Meninggal perempuan pada
kasus demam berdarah dengan menggunakan metode Backpropagation. Peramalan
jumlah meninggal perempuan pada kasus demam berdarah menggunakan 7 tahun
sebagai data latih dan 4 tahun sebagai data uji. Jumlah tingkat kesalahan peramalan
yang didapat sebesar 0.258.
Peramalan Jumlah Meninggal Perempuan pada kasus Demam Berdarah 8 Tahun Data
Latih dengan metode Backpropagation
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 4
2009 6
2010 5
2011 2
2012 1
2013 3
2014 8
2015 14
2016 21 19,785 1,215 0,058
63
2017 21 20,076 0,924 0,044
2018 23 21,613 1,387 0,060
2019 6,876
2020 6,802
Average 1,175 0,054
Tabel 4.80 merupakan hasil peramalan jumlah Meninggal perempuan pada
kasus demam berdarah dengan menggunakan metode Backpropagation. Peramalan
jumlah meninggal perempuan pada kasus demam berdarah menggunakan 8 tahun
sebagai data latih dan 3 tahun sebagai data uji. Jumlah tingkat kesalahan peramalan
yang didapat sebesar 0.054.
Peramalan Jumlah Meninggal Perempuan pada kasus Demam Berdarah 9 Tahun Data
Latih dengan metode Backpropagation
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 4
2009 6
2010 5
2011 2
2012 1
2013 3
64
2014 8
2015 14
2016 21
2017 21 20,250 0,750 0,036
2018 23 23,000 0,000 0,000
2019 14,750
2020 12,000
Average 0,375 0,018
Tabel 4.57 merupakan hasil peramalan jumlah Meninggal perempuan pada
kasus demam berdarah dengan menggunakan metode Backpropagation. Peramalan
jumlah meninggal perempuan pada kasus demam berdarah menggunakan 9 tahun
sebagai data latih dan 2 tahun sebagai data uji. Jumlah tingkat kesalahan peramalan
yang didapat sebesar 0.018.
65
Tabel 4.59 merupakan hasil perbandingan metode Backpropagation untuk
peramalan jumlah meninggal laki-laki demam berdarah. Arsitektur Backpropagation
yang memiliki tingkat kesalahan akurasi yang paling kecil adalah dengan data latih 9
tahun yang menggunakan hidden layer 1, learning rate 0.07, dan epoch sebesar 900,
memiliki nilai MAPE sebesar 0.018 lebih baik dari ketiga data latih yang nilai masing-
masing MAPE yaitu 0.054, 0.212, dan 0.219.
Peramalan Jumlah Meninggal Permpuan pada kasus Demam Berdarah 5 Tahun Data Latih
dengan metode Gaussians
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 4
2009 6
2010 5
2011 2
2012 1
2013 3
2014 8 1,978 6,022 0,753
2015 14 5,737 8,263 0,590
2016 21 9,824 11,176 0,532
2017 21 13,819 7,181 0,342
2018 23 13,819 9,181 0,399
2019 14,796
2020 10,329
Average 8,364 0,523
Tabel 4.82 merupakan hasil peramalan jumlah kasus meninggal perempuan pada
kasus demam berdarah dengan menggunakan metode Gaussians. Peramalan jumlah
kasus meninggal perempuan demam berdarah menggunakan 5 tahun sebagai data latih
dan 6 tahun sebagai data uji. Jumlah tingkat kesalahan peramalan yang didapat sebesar
0.523.
66
Percobaan Parameter Berbeda dengan metode Gaussians Jumlah Meninggal Perempuan
pada kasus Demam Berdarah Dengan Data Latih 5 Tahun
Hasil
Max basis
Kernel A Kernel B Kernel Tipe MAD MAPE
Vectors
Peramalan Jumlah Meninggal Perempuan pada kasus Demam Berdarah 6 Tahun Data
Latih dengan metode Gaussians
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 4
2009 6
2010 5
2011 2
2012 1
2013 3
2014 8
2015 14 5,932 8,068 0,576
2016 21 10,348 10,652 0,507
2017 21 14,993 6,007 0,286
2018 23 14,993 8,007 0,348
2019 16,203
2020 11,878
Average 8,183 0,429
Tabel 4.87 merupakan hasil peramalan jumlah meninggal perempuan pada
kasus demam berdarah dengan menggunakan metode Gaussians. Peramalan jumlah
meninggal perempuan pada kasus demam berdarah menggunakan data dengan rentang
6 tahun sebagai data latih dan 5 tahun sebagai data uji. Jumlah tingkat kesalahan
peramalan yang didapat sebesar 0.429.
67
Percobaan Parameter Berbeda dengan metode Gaussians Jumlah Meninggal Perempuan
pada kasus Demam Berdarah Dengan Data Latih 6 Tahun
Hasil
Max basis
Kernel A Kernel B Kernel Tipe MAD MAPE
Vectors
Peramalan Jumlah Meninggal Perempuan pada kasus Demam Berdarah 7 Tahun Data
Latih dengan metode Gaussians
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 4
2009 6
2010 5
2011 2
2012 1
2013 3
2014 8
2015 14
2016 21 12,000 9,000 0,429
2017 21 17,500 3,500 0,167
2018 23 17,500 5,500 0,239
2019 20,250
2020 14,750
Average 6,000 0,278
Tabel 4.89 merupakan hasil peramalan jumlah meninggal perempuan pada
kasus demam berdarah dengan menggunakan metode Gaussians. Peramalan jumlah
meninggal perempuan pada kasus demam berdarah menggunakan data dengan rentang
68
7 tahun sebagai data latih dan 4 tahun sebagai data uji. Jumlah tingkat kesalahan
peramalan yang didapat sebesar 0.278.
Peramalan Jumlah Meninggal Perempuan pada kasus Demam Berdarah 8 Tahun Data
Latih dengan metode Gaussians
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 4
2009 6
2010 5
2011 2
2012 1
2013 3
2014 8
2015 14
2016 21
2017 21 21,687 0,687 0,033
2018 23 21,687 1,313 0,057
2019 23,156
2020 23,272
Average 1,000 0,045
Tabel 4.91 merupakan hasil peramalan jumlah meninggal perempuan pada kasus
demam berdarah dengan menggunakan metode Gaussians. Peramalan jumlah
69
meninggal perempuan pada kasus demam berdarah menggunakan data dengan rentang
8 tahun sebagai data latih dan 3 tahun sebagai data uji. Jumlah tingkat kesalahan
peramalan yang didapat sebesar 0.045.
70
Peramalan Jumlah Meninggal Perempuan pada kasus Demam Berdarah 6 Tahun Data
Latih dengan metode Support-Vector machine
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 4
2009 6
2010 5
2011 2
2012 1
2013 3
2014 8
2015 14 10,000 4,000 0,286
2016 21 16,000 5,000 0,238
2017 21 23,000 2,000 0,095
2018 23 23,000 0,000 0,000
2019 25,000
2020 13,808
Average 2,750 0,155
Tabel 4.94 merupakan hasil peramalan jumlah meninggal Perempuan pada
kasus demam berdarah dengan menggunakan metode Support-Vector machine.
Peramalan jumlah meninggal Perempuan pada kasus demam berdarah menggunakan
data dengan rentang 6 tahun sebagai data latih dan 5 tahun sebagai data uji. Jumlah
tingkat kesalahan peramalan yang didapat sebesar 0.155.
71
Peramalan Jumlah Meninggal Perempuan pada kasus Demam Berdarah 7 Tahun Data
Latih dengan metode Support-Vector machine
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 4
2009 6
2010 5
2011 2
2012 1
2013 3
2014 8
2015 14
2016 21 9,250 11,750 0,560
2017 21 12,000 9,000 0,429
2018 23 12,000 11,000 0,478
2019 12,000
2020 9,250
Average 10,583 0,489
Tabel 4.96 merupakan hasil peramalan jumlah meninggal Perempuan pada
kasus demam berdarah dengan menggunakan metode Support-Vector machine.
Peramalan jumlah meninggal Perempuan pada kasus demam berdarah menggunakan
data dengan rentang 7 tahun sebagai data latih dan 4 tahun sebagai data uji. Jumlah
tingkat kesalahan peramalan yang didapat sebesar 0.489.
72
tingkat kesalahan akurasi yang paling kecil adalah arsitektur yang menggunakan L pos
3.0, L Neg 5.0 , Kernel cache 200 dan Max iterations sebesar 10
Peramalan Jumlah Meninggal Perempuan pada kasus Demam Berdarah 8 Tahun Data
Latih dengan metode Support-Vector machine
Support-vector machine
Tahun Data Hasil Peramalan MAD MAPE
Aktual
2008 4
2009 6
2010 5
2011 2
2012 1
2013 3
2014 8
2015 14
2016 21
2017 21 22,881 1,881 0,090
2018 23 22,881 0,119 0,005
2019 24,869
2020 25,033
Average 1,000 0,047
Tabel 4.98 merupakan hasil peramalan jumlah meninggal Perempuan pada kasus
demam berdarah dengan menggunakan metode Support-vector machine. Peramalan
jumlah meninggal Perempuan pada kasus demam berdarah menggunakan data dengan
rentang 8 tahun sebagai data latih dan 3 tahun sebagai data uji. Jumlah tingkat
kesalahan peramalan yang didapat sebesar 0.047.
73
Tabel 4.99 merupakan hasil perbandingan percobaan metode Support-Vector
Machine dengan data latih 8 tahun untuk peramalan jumlah meninggal perempuan pada
kasus demam berdarah. Arsitektur metode Support-Vector Machine yang memiliki
tingkat kesalahan akurasi yang paling kecil adalah arsitektur yang menggunakan L pos
0.3, L Neg 0.3 , Kernel cache 100 dan Max iterations sebesar 8
74
PERAMALAN MENINGGAL PEREMPUAN
PERIODE MENDATANG
25
20
15
10
0
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020
MAPE
No Nama Atribut Support-vector
Backpropagation Gaussians Machine
0,013 0,009 0,015
1 Jumlah Kasus Demam berdarah
0,022 0,017 0,095
2 Jumlah Meninggal
0,042 0,069 0,084
3 Jumlah Meninggal Laki-Laki
0,018 0,045 0,047
4 Jumlah Meninggal Perempuan
0,024 0,035 0,060
Average
75
Tabel 4.101 merupakan hasil peramalan seluruh atribut pada data demam
berdarah yang telah diramal menggunakan metode Backpropagation, Gaussians, dan
Support-vector Machine. Berdasarkan analisis yang telah dilakukan metode
Backpropagation merupakan metode yang lebih baik dari metode Gaussians dan
Support-vector Machine dalam memprediksi data demam berdarah karena tingkat
kesalahan dari metode Backpropagation lebih kecil yaitu sebesar 0.024 sedangkan
peramalan menggunakan metode Gaussians tingkat kesalahanya sebesar 0.035. dan
Support-vector Machine tingkat kesalahannya sebesar 0.060.
76
BAB V
PENUTUP
5.1 Simpulan
Simpulan yang didapatkan berdasarkan perumusan masalah, tujuan penelitian
serta hasil pembahasan adalah sebagai berikut.
1. Metode Backpropagation merupakan metode yang lebih baik dari metode
Gaussians dan Support-Vector machine dalam meramalkan kasus demam
berdarah Provinsi Bali berdasarkan analisis yang dilakukan, dimana dari rata-
rata tingkat kesalahan MAPE ke 4 atribut metode Backpropagation merupakan
metode yang lebih baik dari metode Gaussians dan Support-vector Machine
dalam memprediksi data demam berdarah karena tingkat kesalahan dari metode
Backpropagation lebih kecil yaitu sebesar 0,025 sedangkan peramalan
menggunakan metode Gaussians tingkat kesalahanya sebesar 0,035. dan
Support-vector Machine tingkat kesalahannya sebesar 0,060.
2. Tingkat akurasi peramalan yang paling tinggi terdapat pada atribut Jumlah
penderita demam berdarah dengan nilai tingkat kesalahan MAPE sebesar 0,009
dengan menggunakan metode Gaussians, sedangkan tingkat akurasi peramalan
paling rendah terdapat pada atribut Jumlah Meninggal dengan nilai tingkat
kesalahan MAPE sebesar 0,095 dengan menggunakan metode Support-vector
Machine.
5.2 Saran
Saran yang dapat diberikan dan perlu diperhatikan berkaitan dengan peramalan
kasus gigitan anjing di Provinsi Bali secara lebih lanjut adalah sebagai berikut.
1. Hasil peramalan kasus demam berdarah perlu dilakukan update data guna
mendapatkan model persamaan peramalan yang lebih akurat. Update data yang
dilakukan adalah dengan memperbarui data aktual.
77
2. Pengembangan hasil peramalan perlu kasus demam berdarah dapat dilakukan
dengan penambahan atribut dari demam berdarah lainnya. Pengembangan ini
dapat menjadikan hasil peramalan menjadi semakin beragam.
3. Pengembangan lainnya yang dapat dilakukan adalah dengan menambah metode
peralaman. Metode peramalan yang digunakan sebaiknya lebih beragam. Hal ini
bertujuan untuk mendapatkan hasil peramalan yang lebih baik dengan akurasi
peramalan terbaik.
78
DAFTAR PUSTAKA
79
MENGGUNAKAN JARINGAN SYARAF TIRUAN
BACKPROPAGATION. 5.
SALIM, M. 2011. Efektivitas Malathion Dalam Pengendalian Vektor Dbd Dan
Uji Kerentanan Larva Aedes Aegypti Terhadap Temephos Di Kota
Palembang.
SAM, S.-S. 2013. Review of Dengue Hemorrhagic Fever Fatal Cases Seen Among
Adults A Retrospective Study.
SUKSAWANG, P. 2018. Electricity Consumption Forecasting in Thailand using
Hybrid Model SARIMA and Gaussian Process with Combine Kernel
Function Technique. International Journal of Energy Economics and Policy
TURBAN , E. A., JAY E. 2001. Decision Support Systems and Intelligent Systems.
WAHYUDI, I. 2016. PENERAPAN METODE TREND Moment Untuk
Peramalan Penjualan Sepatu Dan Sandal Pada Toko Batt.
WANTO, A. 2018. Analysis of Artificial Neural Network Backpropagation Using
Conjugate Gradient Fletcher Reeves In The Predicting Process
International Conference on Information and Communication Technology
80