Proposal Yudha1

PERAMALAN KASUS DEMAM BERDARAH DENGUE
MENGGUNAKAN METODE BACKPROPAGATION,

GAUSSIANS, DAN SUPPORT-VECTOR MACHINE
PROPOSAL TUGAS AKHIR
Diajukan Guna Memenuhi Sebagian Persyaratan

Dalam Rangka Menyelesaikan Pendidikan Sarjana Strata Satu (S1)
Program Studi Teknologi Informasi
I MADE YUDHA ARYA DALA

NIM. 1504505040
PROGRAM STUDI TEKNOLOGI INFORMASI

FAKULTAS TEKNIK
UNIVERSITAS UDAYANA
2019
PERNYATAAN
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.
Bukit Jimbaran, Juli 2019
I Made Yudha Arya Dala

LEMBAR PENGESAHAN TUGAS AKHIR
NAMA : I MADE YUDHA ARYA DALA

NIM : 1504505040
JUDUL : PERAMALAN KASUS DEMAM BERDARAH
DENGUE MENGGUNAKAN METODE
BACKPROPAGATION, GAUSSIANS, DAN
SUPPORT-VECTOR MACHINE
KONSENTRASI : MANAJEMEN BISNIS
PROGRAM STUDI : TEKNOLOGI INFORMASI
Bukit Jimbaran, April 2019
Pembimbing I, Pembimbing II,
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.
Jimbaran, 20 Juli 2019
I Made Yudha Arya Dala
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.
Kata kunci : Demam berdarah, Data Mining, Backpropagation, Gaussians, Support-

Vector Machine, MAPE.
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%.
Keywords: Dog Bites, Data Mining, Backpropagation, Holt-WInters, Polynomial

Regression, MAPE.
vi
DAFTAR ISI
LEMBAR PERSETUJUAN UJIAN PROPOSAL ................................................... ii

DAFTAR ISI .............................................................................................................. vii
DAFTAR TABEL ....................................................................................................... x
DAFTAR GAMBAR ................................................................................................ xiii
BAB I ............................................................................................................................ 1
PENDAHULUAN ........................................................................................................ 1
1.1 Latar Belakang ...................................................................................................... 1
1.2 Rumusan Masalah ................................................................................................. 3
1.3 Tujuan Penelitian .................................................................................................. 3
1.4 Manfaat ................................................................................................................. 3
1.5 Batasan Masalah ................................................................................................... 3
1.6 Sistematika Penulisan ........................................................................................... 4
BAB II .......................................................................................................................... 5
2.1 State of The Art ..................................................................................................... 5
2.2 Frozen Food ......................................................... Error! Bookmark not defined.
2.3 Peramalan (Forecasting) ....................................................................................... 8
2.4 Trend Moment...................................................... Error! Bookmark not defined.
2.5 Multilayer Perceptron .......................................... Error! Bookmark not defined.
BAB III METODOLOGI PENELITIAN ............................................................... 11
3.1 Gambaran Umum Penelitian ............................................................................... 11
3.2 Jenis dan Sumber Data ........................................................................................ 12
3.3 Metode Pengumpulan Data ................................................................................. 12
3.4 Peramalan ............................................................. Error! Bookmark not defined.
3.4.1 Peramalan Metode Trend Moment ..................................................................... 13
3.4.2 Peramalan Metode Multilayer Perceptrons .......... Error! Bookmark not defined.
3.5 Analisis Metode Perhitungan Tingkat Kesalahan ............................................... 15
BAB IV ....................................................................................................................... 16
4.1 Tools Peramalan .................................................................................................. 16
4.2 Peramalan Produk Frozen Food Merk Champ Chicken Sausages 3 Pcs 75gr .... 18
4.3 Peramalan Produk Frozen Food Merk Champ Chicken Nugget 250 gr ...... Error!
Bookmark not defined.
4.4 Peramalan Produk Frozen Food Merk Champ Chicken Sausages 150gr ........... 32
vii
4.5 Peramalan Produk Frozen Food Merk Champ Chicken Sausages 375 gr ... Error!
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!
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!
4.11 Peramalan Produk Frozen Food Merk Champ Chicken Stick 250 gr .......... Error!
4.12 Peramalan Produk Frozen Food Merk Champ Beef Sausages 150 gr ......... Error!
4.13 Peramalan Produk Frozen Food Merk Champ Chicken Nugget 500 gr ...... Error!
4.14 Peramalan Produk Frozen Food Merk Fiesta Baso Kuah Ayam Bawang 120gr
4.15 Peramalan Produk Frozen Food Merk Champ Chicken Nugget Coin 250gr
4.16 Peramalan Produk Frozen Food Merk Champ Fiesta Stikie 250 gr ............ Error!
4.17 Peramalan Produk Frozen Food Merk Champ Chicken Stick 500 gr.......... Error!
4.18 Peramalan Produk Frozen Food Merk Champ Chicken Nugget ABC 500 gr
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!
4.22 Peramalan Produk Frozen Food Merk Fiesta Nugget Dino 500 gr ............. Error!
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
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!
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!
Tabel 4.2 Peramalan Champ Chicken Sausages 3 Pcs 75gr Multilayer Perceptron
Tabel 4.3 Peramalan Champ Chicken Nugget 250 gr Trend Moment ........................ 27
Tabel 4.4 Peramalan Champ Chicken Nugget 250 gr Multilayer Perceptron ...... Error!
Tabel 4.5 Peramalan Champ Chicken Sausages 150gr Trend Moment ............... Error!
Tabel 4.6 Peramalan Champ Chicken Sausages 150gr Multilayer Perceptron .... Error!
Tabel 4.7 Peramalan Champ Chicken Sausages 375 gr Trend Moment .............. Error!
Tabel 4.8 Peramalan Champ Chicken Sausages 375gr Multilayer Perceptron .... Error!
Tabel 4.9 Peramalan Champ Chicken Meat Ball 200gr Trend Moment .............. Error!
Tabel 4.10 Peramalan Champ Chicken Meat Ball 200gr Multilayer Perceptron
Tabel 4.11 Peramalan Champ Chicken Sausages 1 Kg Trend Moment ............ Error!
Tabel 4.12 Peramalan Champ Chicken Sausages 1 Kg Multilayer Perceptron . Error!
Tabel 4.13 Peramalan Fiesta Chicken Nugget 250 gr Trend Moment ............... Error!
Tabel 4.14 Peramalan Fiesta Chicken Nugget 250 gr Multilayer Perceptron .... Error!
Tabel 4.15 Peramalan Fiesta Baso Kuah Ayam Special 120 gr Trend Moment Error!
Tabel 4.16 Peramalan Fiesta Baso Kuah Ayam Special Multilayer Perceptron Error!
Tabel 4.17 Peramalan Champ Chicken Meat Ball 500 gr Trend Moment ......... Error!
Tabel 4.18 Peramalan Champ Chicken Meat Ball 500 gr Multilayer Perceptron
Tabel 4.19 Peramalan Champ Chicken Stick 250 gr Trend Moment ................ Error!
x
Tabel 4.20 Peramalan Champ Chicken Stick 250 gr Multilayer Perceptron ..... Error!
Tabel 4.21 Peramalan Champ Beef Sausages 150 gr Trend Moment ................ Error!
Tabel 4.22 Peramalan Champ Beef Sausages 150 gr Multilayer Perceptron ..... Error!
Tabel 4.23 Peramalan Champ Chicken Nugget 500 gr Trend Moment ............. Error!
Tabel 4.24 Peramalan Champ Chicken Nugget 500 gr Multilayer Perceptron .. Error!
Tabel 4.25 Peramalan Fiesta Baso Kuah Ayam Bawang 120 gr Trend Moment
Tabel 4.26 Peramalan Fiesta Baso Kuah Ayam Bawang Multilayer Perceptron
Tabel 4.27 Peramalan Champ Chicken Nugget Coin 250 gr Trend Moment .... Error!
Tabel 4.28 Peramalan Champ Chicken Nugget Coin 250 gr Multilayer Perceptron
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!
Tabel 4.32 Peramalan Champ Chicken Stick 500 gr Multilayer Perceptron ..... Error!
Tabel 4.33 Peramalan Champ Chicken Nugget ABC 500 gr Trend Moment .... Error!
Tabel 4.34 Peramalan Champ Chicken Nugget ABC 500 gr Multilayer Perceptron
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!
Tabel 4.39 Peramalan Fiesta Chicken Sausages 500 gr Trend Moment ............ Error!
xi
Tabel 4.40 Peramalan Fiesta Chicken Sausages 500 gr Multilayer Perceptron . Error!
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!
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!
Tabel 4.46 Peramalan Champ Chicken Nugget Coin Multilayer Perceptron .... Error!
Tabel 4.47 Peramalan Fiesta Shoestring 1 Kg Menggunakan Trend Moment... Error!
Tabel 4.48 Peramalan Fiesta Shoestring 1 Kg Multilayer Perceptron ............... Error!
Tabel 4.50 Peramalan Fiesta Crispy Burger 360 gr Multilayer Perceptron ....... Error!
Tabel 4.51 Peramalan Fiesta Schnitzel 500 gr Menggunakan Trend Moment .. Error!
Tabel 4.52 Peramalan Fiesta Schnitzel 500 gr Multilayer Perceptron ............... Error!
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
Gambar 4.7 Grafik Data Penjualan Merk Champ Chicken Nugget 250 gr ......... Error!
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
Gambar 4.11 Grafik Data Penjualan Merk Champ Chicken Sausages 375 gr...... Error!
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!
Gambar 4.15 Grafik Data Penjualan Merk Champ Chicken Sausages 1 Kg ........ Error!
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
Gambar 4.19 Grafik Data Penjualan Merk Fiesta Baso Kuah Ayam Special 120 gr
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!
Gambar 4.22 Peramalan Periode Mendatang Merk Champ Chicken Meat Ball .. Error!
Gambar 4.23 Grafik Data Penjualan Merk Champ Chicken Stick 250 gr ............ Error!
Gambar 4.24 Peramalan Periode Mendatang Merk Champ Chicken Stick 250 gr
xiii
Gambar 4.25 Grafik Data Penjualan Merk Champ Beef Sausages 150 gr ........... Error!
Gambar 4.26 Peramalan Periode Mendatang Merk Champ Beef Sausages 150 gr
Gambar 4.27 Grafik Data Penjualan Merk Champ Chicken Nugget 500 gr ........ Error!
Gambar 4.28 Peramalan Periode Mendatang Merk Champ Chicken Nugget 500 gr
Gambar 4.29 Grafik Data Penjualan Merk Fiesta Baso Kuah Ayam Bawang 120 gr
Gambar 4.30 Peramalan Periode Mendatang Merk Fiesta Baso Kuah Ayam Bawang
Gambar 4.31 Grafik Data Penjualan Merk Champ Chicken Nugget Coin 250 gr Error!
Gambar 4.32 Peramalan Periode Mendatang Merk Champ Chicken Nugget Coin
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!
Gambar 4.35 Grafik Data Penjualan Merk Champ Chicken Stick 500 gr ............ Error!
Gambar 4.36 Peramalan Periode Mendatang Merk Champ Chicken Stick 500 gr
Gambar 4.37 Grafik Data Penjualan Merk Champ Chicken Nugget ABC 500 gr Error!
Gambar 4.38 Peramalan Periode Mendatang Merk Champ Chicken Nugget ABC
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!
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!
Gambar 4.43 Grafik Data Penjualan Merk Fiesta Chicken Sausages 500 gr........ Error!
Gambar 4.44 Peramalan Periode Mendatang Merk Champ Chicken Nugget 500 gr
xiv
Gambar 4.45 Grafik Data Penjualan Merk Fiesta Nugget Dino 500 gr ................ Error!
Gambar 4.46 Peramalan Periode Mendatang Merk Fiesta Nugget Dino 500 gr .. Error!
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!
Gambar 4.50 Peramalan Periode Mendatang Merk Champ Chicken Nugget Coin
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!
Gambar 4.53 Grafik Data Penjualan Merk Fiesta Crispy Burger 360 gr .............. Error!
Gambar 4.54 Peramalan Periode Mendatang Merk Fiesta Crispy Burger 360 gr Error!
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
xv
BAB I
PENDAHULUAN
1.1 Latar Belakang

Infeksi virus dengue (DENV) adalah ancaman kesehatan secara global, yang
hampir mempengaruhi setidaknya 3,6 miliar orang yang tinggal di lebih dari 125
negara di daerah tropis dan subtropics (Sam, 2013). Penyakit dengue telah dikenal
masyarakat Indonesia sejak dari tahun 1779. Penyakit ini merupakan cikal bakal
penyakit demam berdarah (DBD) (Salim, 2011). Demam berdarah dengue (DBD)
atau dengue haemorrhagic fever (DHF) menyerang masyarakat Indonesia pertama
kalinya di Jakarta tahun pada 1968 (Karyanti, 2014). 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. Habitat
nyamuk aedes aegypti berada didalam rumah sedangkan aedes albopictus berada di
semak-semak (Kamal M, 2018). Masyarakat awam, sulit mendeteksi lebih awal
diagnosis DBD. Karena gejala awal DBD yang khas, seperti perdarahan pada kulit atau
tanda perdarahan lainnya kadang terjadi hanya di akhir periode penyakit
(NurAkmalinaMatJusoh, 2017).
Data Mining adalah upaya untuk mengekstrak pengetahuan yang meliputi
pengumpulan atau pemakaian data historis untuk menemukan keteraturan pola dan
hubungan dalam dalam sekumpulan data (Liu, 2010). Jaringan Syaraf Tiruan
merupakan pemodelan data yang kuat yang mampu menangkap dan mewakili
hubungan Input-Output yang komplek, selain itu pendekatan yang secara mikroskopis
dimana informasi dipresentasikan oleh pola dari eksitasi neuron(Mohamed, 2016).
Jaringan saraf tiruan (JST) sebagai salah satu bagian dari Kecerdasaan Buatan
(Artificial Intelligence) dalam ilmu komputer yang banyak digunakan untuk
menyelesaikan permasalahan yang berhubungan dengan peramalan atau prediksi,
terutama yang berbasis pada data time-series (Barman, 2012).Rapid miner adalah tools
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.
1.3 Tujuan Penelitian

Beberapa tujuan yang ingin dicapai dalam pembuatan penelitian adalah sebagai
berikut.
1. Mengetahui peramalan Kasus Demam Berdarah Dengue di Provinsi Bali pada
fase yang akan datang.
2. Untuk membandingkan metode mana 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.
1.5 Batasan Masalah

Batasan masalah diperlukan agar penelitian ini terfokus pada pokok
permasalahannya, maka diperlukan pembatasan masalah. Batasan masalah pada
penelitian ini adalah sebagai berikut.
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.
1.6 Sistematika Penulisan

Penyajian laporan disusun secara sistematis agar hasilnya lebih mudah untuk
dipahami. Maka dari itu, dalam laporan ini disajikan dalam sistematika penulisan
berikut.
BAB I : Pendahuluan
Pada bab ini berisi tentang latar belakang, rumusan masalah, tujuan,
manfaat, batasan masalah, serta sistematika penulisan.
BAB II : Tinjauan Pustaka
Pada bab ini dibahas tentang teori/konsep dasar yang menunjang
pengetahuan.
BAB III : Metodologi Penelitian
Bab ini berkaitan dengan rancangan, prosedur penelitian, pemilihan
metode hingga metode evaluasi dari penelitian ini.
BAB IV : Pembahasan
Pada bab ini dibahas tentang hasil yang didapat pada penelitian. Hasil
yang didapat berupa prediksi kasus demam berdarah pada periode
mendatang beserta metode mana yang paling baik dalam melakukan
peramalan.
BAB V : Penutup
Bab ini berisikan simpulan dan saran dari hasil yang telah diuraikan.
4
BAB II
TINJAUAN PUSTAKA
2.1 State of The Art

Penelitian dengan menggunakan metode Backpropagation dilakukan yaitu untuk
meramalkan jumlah penderita penyakit demam berdarah dengue di Kota Semarang.
Data yang digunakan pada penelitian ini adalah data jumlah penderitan penyakit
Demam Berdarah Dengue (DBD) dari Tahun 2006 sampai 2012. Jumlah penderita
penyakit DBD per bulan selama satu tahun digunkana sebagai masukan dengan jumlah
penderita penyakit pada satu bulan ke depan sebagai keluaran Hasil dari penelitian
tersebut nilai MAPE yang didapat sebesar 4.48% dan nilai akurasi 95.52% (Riswanto,
2014).
Penelitian mengenai peramalan konsumsi listrik yang dilakuakn di negara
Thailand dengan menggunakan data historis tahun 2005 sampai 2015. Metode yang
digunakan adalah SARIMA-ANN (Artificial Neural Network) dan SARIMA-GP
(Gaussians Process), tujuannya adalah untuk membandingkan kinerja dua metode ini.
Hasil penelitian menunjukkan bahwa model hybrid SARIMA - GP dengan teknik
Kernel Function mengungguli model SARIMA-ANN dengan nilai MAPE masing-
masing yaitu 4,7072% dan 4,8623% (Suksawang, 2018).
Penelitian yang menggunakan SVM (Support-vector machine) sebagai metode
yang digunakan yaitu penelitian yang dilakukan di PT. Pembangkitan Jawa Bali Unit
Pembangkit Gresik. Penelitian ini berfokus pada peramlan pemakain jumlah air yang
efektif dan efisien dalam PLTA. Data yang digunakan diambil dari riwayat pemakaian
air selama 7 bulan sedangkan data uji yang digunakan sebanyak 49, yang diambil
secara acak dari keseluruhan data. Hasil akhir akurasi dari peramalan yang dilakukan
menggunakan MAPE menghasilkan rata-rata nilai MAPE 19.051 yang termasuk pada
kategori baik (Putriwijaya, 2018).
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).
2.3 Knowledge Discovery in Database
Knowledge Discovery in Database (KDD) adalah proses menentukan informasi

yang berguna serta pola-pola yang ada dalam data. Informasi ini terkandung dalam
basis data yang berukuran besar yang sebelumnya tidak diketahui dan potensial
bermanfaat. Data Mining merupakan salah satu langkah dari serangkaian proses
iterative KDD. Tahapan proses KDD terdiri dari:
2.3.1 Data Selection
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.
2.3.2 Pre-Processing dan Cleaning Data Pre-Processing dan Cleaning Data
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 ini mentransformasikan atau menggabungkan data ke dalam yang lebih

tepat untuk melakukan proses mining dengan cara melakukan peringkasan (agregasi).
2.3.4 Data Mining
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.
2.3.5 Interpretation / Evaluasi
Proses untuk menerjemahkan pola-pola yang dihasilkan dari Data Mining.

Mengevaluasi (menguji) apakah pola atau informasi yang ditemukan bersesuaian atau
bertentangan dengan fakta atau hipotesa sebelumnya. Pengetahuan yang diperoleh dari
pola-pola yang terbentuk dipresentasikan dalam bentuk visualisasi
2.4 Data Mining

Data mining adalah proses yang mempekerjakan satu atau lebih teknik
pembelajaran computer untuk menganalisis dan mengekstrasi pengetahuan secara
otomatis. Definisi lain diantaranya adalah pembelajaran berbasis induksi (induction-
basedlearning) adalah proses pembentukan definisi-definisi konsep umum yang
dilakukan dengan cara mengobservasi contoh-contoh spesifik dari konsep konsep yang
akan dipelajari (Turban 2001). Data mining mempunyai fungsi yang penting untuk
membantu mendapatkan informasi yang berguna serta meningkatkan pengetahuan bagi
pengguna. Pada dasarnya, data mining mempunyai empat fungsi dasar yaitu (Agarwal,
2013) :
A. Fungsi Prediksi (prediction). Proses untuk menemukan pola dari data dengan
menggunakan beberapa variabel untuk memprediksikan variabel lain yang
tidak diketahui jenis atau nilainya.
B. Fungsi Deskripsi (description). Proses untuk menemukan suatu karakteristik
penting dari data dalam suatu basis data.
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).
2.7 Gaussians Process

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
2.8 Support-Vector Machine

Support-Vector Machines (SVM) merupakan salah satu algoritma machine
learning yang paling efektif, baik dari sisi praktis maupun teoretis. metode yang handal
dalam menyelesaikan masalah klasifikasi data. Permasalahan SVM dipecahkan dengan
menyelesaikan persamaan Lagrangian yang merupakan bentuk dual dari SVM melalui
quadratic programming. Support Vector Machine (SVM) diusulkan sebagai alternatif
dari SVM standar yang telah terbukti lebih efisien daripada SVM tradisional dalam
pengolahan data berskala besar (Fiska, 2017).
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
3.1 Gambaran Umum Penelitian

Gambaran umum penelitian ini digambarkan berupa bagan umum yang
menjelaskan mengenai tahapan yang dilakukan dalam proses peramalan. Gambaran
umum penelitian ini dapat dilihat pada Gambar 3.1.
Gambar 3.1 Gambaran Umum

Gambar 3.1 menjelaskan gambaran umum model peramalan jumlah kasus
demam berdarah menggunakan metode metode Backpropagation, Gaussians, dan
Support-Vector Machine dimana dimulai dengan melakukan proses preprocesing pada
dataset yang akan diuji dengan melakukan normalisasi. Proses berikutnya adalah
dataset akan diolah dengan menggunakan metode Backpropagation, Gaussians, dan
Support-Vector Machine pada aplikasi Rapidminer, hasil dari peramalan tersebut akan
disimpan untuk digunakan sebagai acuan dalam melakukan peramalan terhadap dataset
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
3.2 Jenis dan Sumber Data

Data adalah fakta awal yang masih bersifat mentah dan masih belum diolah,
untuk dapat diterima oleh penerima data harus di proses terlebih dahulu agar menjadi
sebuah informasi sehingga dapat diterima oleh penerima (Liew, 2007).Data yang
digunakan adalah data kasus demam berdarah di provinsi Bali yang berupa data dari
tahun 2008 sampa 2018 pada setiap kabupaten di provinsi Bali. Pengumpulan data
diambil dari kantor dinas kesehatan provinsi Bali. Variable data yang digunakan ada 4,
yaitu data jumlah penderita demam berdarah, jumah meninggal, dan jumlah meninggal
laki-laki dan perempuan, dimana data tersebut merupakan dasar untuk melakukan
proses prediksi
3.3 Metode Pengumpulan Data

Metode pengumpulan data yang dilakukan pada penelitian ini terdiri dari 2
metode, kedua metode tersebut adalah sebagai berikut.
1. Wawancara
Wawancara adalah suatu cara pengumpulan data melalui tanya jawab dengan
bagian pihak Dinas Kesehatan Provinsi Bali sehingga didapatkan informasi
yang diperlukan pada penelitian ini.
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
dan Proses Gaussian ditulis dengan
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
A = Nilai angka terendah
B = Nilai angka tertinggi
14
0.8 dan 0.1 = Ketetapan
3.5 Analisis Metode Perhitungan Tingkat Kesalahan

Ukuran akurasi hasil peramalan yang merupakan ukuran kesalahan peramalan
merupakan ukuran tentang tingkat perbedaan antara hasil permintaan dengan
permintaan yang sebenarnya terjadi. Perbedaan nilai sebenarnya dengan nilai
peramalan ini biasanya disebut sebagai residual. Salah satu cara mengevaluasi teknik
peramalan adalah menggunakan ukuran tentang tingkat perbedaan antara hasil
peramalan dengan permintaan yang sebenarnya terjadi (Karmaker, 2017). Terdapat 2
ukuran yang digunakan pada penelitian ini, yaitu sebagai berikut.
1. Rata-rata Deviasi Mutlak (Mean Absolute Deviation)
MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa
memperhatikan apakah hasil peramalan lebih besar atau lebih kecil dibandinkan
kenyataannya. Persamaan MAD adalah sebagai berikut.
∑(𝑿𝒊 − 𝑭𝒊 )
𝑴𝑨𝑫 = 𝒏
(3.8)
2. Rata-rata Persentase Kesalahan Absolut (Mean Absolute Percentage Error)

MAPE merupakan ukuran kesalahan relatif. MAPE biasanya lebih berarti
dibandingakan MAD karena MAPE menyatakan persentase kesalahan hasil
peramalan terhadap permintaan aktual selama periode tertentu yang akan memberikan
informasi persentase kesalahan terlalu tinggi atau terlalu rendah. Persamaan MAPE
adalah sebagai berikut.
|𝑿 − 𝑭 | |𝒆 |
∑ 𝒊 𝒊 ∑ 𝒊
𝑿𝒊 𝑿𝒊
𝑴𝑨𝑷𝑬 = × 𝟏𝟎𝟎% = × 𝟏𝟎𝟎% (3.9)
𝒏 𝒏
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.
Analisis Tools Rapidminer

Gambar 4.1 menunjukan pengaturan untuk arsitektur Backpropagation Neural
Network yang akan dibuat pada aplikasi Rapidminer. Data yang digunakan adalah data
kasus gigitan pada Provinsi Bali dalam kurun waktu 11 tahun dari tahun 2008 sampai
dengan tahun 2018.. Pengaturan yang dilakukan seperti menampilkan tampilan output
peramalan, jumlah hidden layer beserta neuron didalamnya, learning rate, momentum,
dan banyaknya epoch (training cycles).
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.
Peramalan Jumlah Penderita Demam Berdarah

Peramalan jumlah kasus demam berdarah dari tahun 2008 sampai dengan tahun
2018. Bentuk grafik data kasus demam berdarah dapat dilihat pada Gambar 4.4
Grafik Data penderita demam berdarah

Gambar 4.4 menunjukan grafik data jumlah kasus demam berdarah dalam
rentang waktu 11 tahun. Berdasarkan data tersebut dilakukan peramalan dengan
18
menggunakan metode Backpropagation, Gaussians, dan Support-vector machine.
Hasil peramalan yang telah dilakukan adalah sebagai berikut.
4.2.1 Metode Backpropagation Penderita Demam Berdarah
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.
Percobaan Parameter Berbeda dengan metode Backpropagation pada Penderita Demam

Berdarah Dengan Data Latih 6 Tahun
Hasil
Hidden Learning
Neuron Epoch
Layer Rate MAD MAPE
1 2 0,07 100 3916,154 0,243
1 3 0,06 200 5481,038 0,324
1 4 0,08 150 6374,817 0,388
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.
Backpropagation
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

Hasil
Hidden Learning
Neuron Epoch
Layer Rate MAD MAPE
2 5 0,02 450 6889,897 0,402
1 3 0,05 250 7312,565 0,570
2 6 0,08 300 10190,553 0,424
20
Backpropagation
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
Jumlah tingkat kesalahan peramalan yang didapat sebesar 0.303

Hasil
Hidden Learning
Neuron Epoch
Layer Rate MAD MAPE
1 7 0,05 100 5424,264 0,303
1 5 0,05 200 5543,940 0,309
1 6 0,06 350 5602,521 0,386
21
paling kecil adalah arsitektur yang menggunakan hidden layer 1, neuron 7, learning
Backpropagation
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

Hasil
Hidden Learning
Neuron Epoch
Layer Rate MAD MAPE
1 11 0,07 100 219,890 0,013
1 6 0,07 200 1075,563 0,064
1 6 0,04 350 897,753 0,053
22
paling kecil adalah arsitektur yang menggunakan hidden layer 1, neuron 7, learning
Perbandingan Penderita Metode Backpropagation

Data Data Learning Hidden Epoch Hasil
latih uji Rate layers MAD MAPE
6 tahun 5 tahun 0,07 1 100 3916,154 0,243
7 tahun 4 tahun 0,02 2 450 6889,897 0,402
8 tahun 3 tahun 0,05 1 100 5424,263 0,303
9 tahun 2 tahun 0,06 1 100 219,890 0,013
Tabel 4.2 merupakan hasil perbandingan metode Backpropagation untuk
peramalan jumlah kasus penderita 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 0.05, dan epoch sebesar 100,
memiliki nilai MAPE sebesar 0.013 lebih baik dari ketiga data latih yang nilai masing-
masing MAPE yaitu 0.303, 0.402, dan 0.243.
4.2.2 Metode Gaussians Penderita Demam Berdarah
Gaussians
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
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
5,0 0,0 Sigmoid 150 5748,774 0,388

8,0 0,0 Sigmoid 100 6357,021 0,422
1,0 1,0 Sigmoid 200 10697,549 0,714
Tabel 4.11 merupakan hasil perbandingan percobaan metode Gaussians dengan
data latih 5 tahun untuk peramalan jumlah kasus penderita demam berdarah. Arsitektur
metode Gaussians yang memiliki tingkat kesalahan akurasi yang paling kecil adalah
arsitektur yang menggunakan Kernel A 5.0, Kernel B 0.0, Kernel Tipe Sigmoid dan
Max basis vectors sebesar 150.
Gaussians
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
Hasil
Max basis
Vectors
4,0 0,0 Sigmoid 200 4375,836 0,266

7,0 1,0 Sigmoid 100 11297,667 0,695
1,0 0,0 Sigmoid 150 7139,453 0,443
Gaussians
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
Hasil
Max basis
Vectors
5,0 0,0 Sigmoid 200 3248,031 0,170

3,0 0,5 Sigmoid 100 10158,109 0,569
8,0 0,0 Sigmoid 150 4884,731 0,266
Gaussians
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
Hasil
Max basis
Vectors
6,0 0,0 Sigmoid 200 152,314 0,009

3,0 0,0 Sigmoid 100 1979,297 0,117
8,0 0,0 Sigmoid 100 1585,040 0,094
Max basis vectors sebesar 200
Perbandingan Penderita Metode Gaussians

Data Max Hasil
Kernel Kernel Kernel
Data Data basis MAD MAPE
A B Tipe
latih uji Vectors
5 tahun 6 tahun 5,0 0,0 Sigmoid 150 5748,774 0,288
Tabel 4.18 merupakan hasil perbandingan metode Gaussians untuk peramalan
jumlah kasus penderita demam berdarah. Arsitektur Gaussians yang memiliki tingkat
kesalahan akurasi yang paling kecil adalah dengan data latih 8 tahun yang
menggunakan Kernel A 6.0, Kernel B 0.0, Kernel Tipe Sigmoid dan Max basis 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.
4.2.3 Metode Backpropagation Penderita Demam Berdarah
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
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.
Percobaan Parameter Berbeda dengan metode Support-Vector Machine pada Penderita

Demam Berdarah Dengan Data Latih 6 Tahun
Hasil
L L Max
Kernel cache MAD MAPE
Pos Neg iterations
0,5 0,3 200 10 3584,332 0,217
0,6 0,2 150 15 14173,803 0,876
0,4 0,1 100 10 5714,091 0,352
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
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
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.

Hasil
L L Max
Pos Neg iterations
1,9 0,6 200 10 5675,688 0,317
0,9 0,7 100 10 7364,133 0,422
0,3 0,5 150 15 7155,483 0,409
29
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.

Hasil
L L Max
Pos Neg iterations
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
Perbandingan Penderita metode Support-vector machine

Data Hasil
L L Kernel Max
Data Data MAD MAPE
Pos Neg cache iterations
latih uji
6 tahun 5 tahun 0,5 0,3 200 10 3584,332 0,217
7 tahun 4 tahun 1,9 0,6 200 10 5675,688 0,317
8 tahun 3 tahun 0,2 0,8 200 10 245,770 0,015
Tabel 4.25 merupakan hasil perbandingan metode Support-vector machine
untuk peramalan jumlah kasus penderita demam berdarah. Arsitektur Support-vector
machine yang memiliki tingkat kesalahan akurasi yang paling kecil adalah dengan data
latih 8 tahun yang menggunakan L pos 0.2, L Neg 0.8 , Kernel cache 200 dan Max
iterations sebesar 10, memiliki nilai MAPE sebesar 0.015 lebih baik dari kedua data
latih yang nilai masing-masing MAPE yaitu 0.317 dan 0.217.
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
actual hasil peramalan
Peramalan Periode Mendatang Jumlah Kasus Penderita Demam berdarah

Gambar 4.5 merupakan hasil peramalan periode mendatang dari jumlah kasus
demam berdarah dengan rentang waktu 2 tahun kedepan dari tahun 2019 sampai
dengan tahun 2020 berdasarkan metode terbaik yaitu metode Gaussians.
Peramalan Jumlah Meninggal Demam Berdarah

Peramalan jumlah vaksinasi pada anjing menggunakan data dalam kurun waktu
11 tahun dari tahun 2008 sampai dengan tahun 2018. Bentuk grafik data jumlah
vaksinasi pada anjing dapat dilihat pada Gambar 4.6
Jumlah Meninggal
60
40
20
0
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Jumlah Meninggal
Grafik Data Jumlah Vaksinasi pada Anjing

Gambar 4.6 menunjukan grafik data jumlah meningggal kasus demam berdarah
dalam rentang waktu 11 tahun. Berdasarkan data tersebut dilakukan peramalan dengan
32
menggunakan metode Backpropagation, Gaussians, dan Support-vector machine.
4.3.1 Metode Backpropagation Jumlah Meninggal
Peramalan Jumlah Meninggal Demam Berdarah 6 Tahun Data Latih dengan metode
Backpropagation
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
Percobaan Parameter Berbeda dengan metode Backpropagation pada Jumlah Meninggal

Hasil
Hidden Learning
Neuron Epoch
Layer Rate MAD MAPE
1 9 0,02 150 7,525 0,170
1 4 0,02 200 19,755 0,473
1 17 0,01 100 13,824 0,316
33
dengan data latih 6 tahun untuk peramalan jumlah meninggal demam berdarah.
Backpropagation
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

Hasil
Hidden Learning
Neuron Epoch
Layer Rate MAD MAPE
1 6 0,01 200 16,683 0,375
1 7 0,02 150 19,311 0,440
1 3 0,03 100 21,263 0,488
34
Backpropagation
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

Hasil
Hidden Learning
Neuron Epoch
Layer Rate MAD MAPE
1 13 0,04 100 6,515 0,132
1 7 0,05 150 10,369 0,213
1 8 0,08 200 8,498 0,173
35
Backpropagation
Metode Backpropagation
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

Hasil
Hidden Learning
Neuron Epoch
Layer Rate MAD MAPE
1 6 0,07 650 0,908 0,022
1 8 0,08 200 2,217 0,056
36
1 4 0,03 100 6,289 0,161
Perbandingan Meninggal Metode Backpropagation

Data Learning Hidden Hasil
Data Data Rate Layer Epoch MAD MAPE
latih uji
6 tahun 5 tahun 0,02 1 150 7,525 0,170
7 tahun 4 tahun 0,01 1 200 16,683 0,375
8 tahun 3 tahun 0,04 1 100 6,515 0,132
9 tahun 2 tahun 0,07 1 650 0,908 0,022
peramalan jumlah meninggal 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 650,
masing MAPE yaitu 0.132, 0.374, dan 0.170
4.2.1 Metode Gaussians Penderita Demam Berdarah
Gaussians
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
Percobaan Parameter Berbeda dengan metode Gaussians pada Jumlah Meninggal Demam
Hasil
Max basis
Vectors
5,0 0,0 Sigmoid 185 16,317 0,479

9,0 0,0 Sigmoid 100 18,999 0,539
2,0 1,0 Sigmoid 200 27,851 0,735
Gaussians
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.
Hasil
Max basis
Vectors
4,0 0,0 Sigmoid 150 15,438 0,365

8,0 0,0 Sigmoid 100 18,595 0,440
1,0 0,0 Sigmoid 200 21,438 0,515
data latih 6 tahun untuk peramalan jumlah meninggal demam berdarah. Arsitektur
Peramalan Jumlah Meninggal Penderita Demam Berdarah 7 Tahun Data Latih dengan
metode Gaussians
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
0.199.
Hasil
Max basis
Vectors
5,0 0,0 Sigmoid 100 10,868 0,199

2,0 0,0 Sigmoid 150 12,406 0,231
7,0 0,3 Sigmoid 200 26,875 0,580
Peramalan Jumlah Meninggal Penderita Demam Berdarah 8 Tahun Data Latih dengan
metode Gaussians
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
0.017.
Hasil
Max basis
Vectors
8,0 0,0 Sigmoid 275 0,676 0,017

5,0 0,0 Sigmoid 150 7,667 0,190
2,0 0,0 Sigmoid 200 10,182 0,250
Perbandingan Jumlah Meninggal Metode Gaussians

Data Max Hasil
A B Tipe
latih uji Vectors
41
jumlah meninggal demam berdarah. Arsitektur Gaussians yang memiliki tingkat
kesalahan akurasi yang paling kecil adalah dengan data latih 8 tahun yang
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
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
Machine dengan data latih 6 tahun untuk peramalan jumlah meninggal demam
akurasi yang paling kecil adalah arsitektur yang menggunakan L pos 1,0, L Neg 2.0 ,
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
Hasil
L L Max
Pos Neg iterations
0,8 0,1 100 10 18,042 0,357

0,4 0,4 150 10 19,667 0,404
0,1 0,1 200 10 19,276 0,395
Machine dengan data latih 7 tahun untuk peramalan jumlah meninggal pada kasus
demam berdarah. Arsitektur metode Support-Vector Machine yang memiliki tingkat
kesalahan akurasi yang paling kecil adalah arsitektur yang menggunakan L pos 0.8, L
Neg 0.1 , Kernel cache 100 dan Max iterations sebesar 10
Support-vector machine
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
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
L L Max
Pos Neg iterations
0,2 0,3 200 10 3,942 0,095
0,1 0,4 100 10 22,625 0,562
0,1 0,2 150 10 16,000 0,395
Machine dengan data latih 8 tahun untuk peramalan jumlah meninggal pada kasus
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 0.3 , Kernel cache 200 dan Max iterations sebesar 10
Perbandingan Jumlah Meninggal Metode Support-vector machine

Data Hasil
L L Kernel Max
Data Data MAD MAPE
latih uji
6 tahun 5 tahun 1,0 2,0 200 6 18,500 0,437
7 tahun 4 tahun 0,1 0,1 200 10 19,276 0,395
8 tahun 3 tahun 0,2 0,3 200 10 3,942 0,095
Tabel 4.50 merupakan hasil perbandingan metode Support-vector machine untuk
peramalan jumlah kasus meninggal demam berdarah. Arsitektur Support-vector
machine yang memiliki tingkat kesalahan akurasi yang paling kecil adalah dengan data
latih 8 tahun yang menggunakan L pos 0.2, L Neg 0.3 , Kernel cache 200 dan Max
iterations sebesar 10, memiliki nilai MAPE sebesar 0.095 lebih baik dari kedua data
latih yang nilai masing-masing MAPE yaitu 0.395 dan 0.437.
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.
PERAMALAN MENINGGAL PERIODE

MENDATANG
60
50
40
30
20
10
0
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020
Peramalan Periode Mendatang Meninggal

Gambar 4.7 merupakan hasil peramalan periode mendatang dari jumlah vaksinasi
pada anjing dengan rentang waktu 2 tahun kedepan dari tahun 2019 sampai dengan
tahun 2020 berdasarkan metode terbaik yaitu metode Gaussians.
Peramalan Jumlah Meninggal Laki-Laki

Peramalan jumlah meninggal laki-laki menggunakan data dalam kurun waktu 11
tahun dari tahun 2008 sampai dengan tahun 2018. Bentuk grafik data jumlah meninggal
laki-laki dapat dilihat pada Gambar 4.8
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
Jumlah meninggal Laki-laki
Grafik Data Jumlah Meninggal Laki-Laki

Gambar 4.8 menunjukan grafik data jumlah meninggal laki-laki dalam rentang
waktu 11 tahun. Berdasarkan data tersebut dilakukan peramalan dengan menggunakan
metode Backpropagation, Gaussians, dan Support-vector machine. Hasil peramalan
yang telah dilakukan adalah sebagai berikut.
Peramalan Jumlah Meninggal Laki-laki pada kasus Demam Berdarah 6 Tahun Data Latih
dengan metode Backpropagation
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
Percobaan Parameter Berbeda dengan metode Backpropagation Jumlah Meninggal Laki-

laki pada kasus Demam Berdarah Dengan Data Latih 6 Tahun
Hasil
Hidden Learning
Neuron Epoch
Layer Rate MAD MAPE
1 17 0,08 200 5,384 0,208
1 9 0,07 150 7,400 0,322
1 11 0,09 100 6,479 0,242
dengan data latih 6 tahun untuk peramalan jumlah meninggal laki-laki demam
berdarah. Arsitektur metode Backpropagation yang memiliki tingkat kesalahan akurasi
yang paling kecil adalah arsitektur yang menggunakan hidden layer 1, neuron 17
learning rate 0.08, dan epoch sebesar 200.
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

Hasil
Hidden Learning
Neuron Epoch
Layer Rate MAD MAPE
1 9 0,07 100 6,219 0,218

1 6 0,03 150 7,463 0,281
1 14 0,08 200 7,063 0,278
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

Hasil
Hidden Learning
Neuron Epoch
Layer Rate MAD MAPE
1 13 0,04 800 3,170 0,100

1 9 0,06 200 6,792 0,278
1 4 0,05 150 6,792 0,219
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

Hasil
Hidden Learning
Neuron Epoch
Layer Rate MAD MAPE
1 9 0,07 800 0,695 0,042

1 11 0,08 400 4,625 0,269
1 12 0,07 300 3,054 0,192
Perbandingan Meninggal Laki-laki Metode Backpropagation

latih uji
6 tahun 5 tahun 0,08 1 200 5,384 0,208
7 tahun 4 tahun 0,03 1 150 7,463 0,281
8 tahun 3 tahun 0,04 1 800 3,170 0,100
9 tahun 2 tahun 0,07 1 800 0,695 0,042
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 800,
.
51
dengan metode Gaussians
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
Percobaan Parameter Berbeda dengan metode Gaussians Jumlah Meninggal Laki-laki

pada kasus Demam Berdarah Dengan Data Latih 5 Tahun
Hasil
Max basis
Vectors
5,0 0,0 Sigmoid 150 8,534 0,441

4,0 0,4 Sigmoid 100 13,705 0,681
2,0 0,0 Sigmoid 200 9,525 0,470
52
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.

Hasil
Max basis
Vectors
2,0 0,0 Sigmoid 100 8,406 0,331

1,0 0,0 Sigmoid 125 12,031 0,527
7,0 0,0 Sigmoid 200 8,886 0,350
53
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

Hasil
Max basis
Vectors
8,0 0,0 Sigmoid 100 8,770 0,290

7,0 0,1 Sigmoid 150 10,172 0,326
8,0 0,0 Sigmoid 200 8,770 0,290
data latih 7 tahun untuk peramalan jumlah kasus meninggal laki-laki demam berdarah.
Arsitektur metode Gaussians yang memiliki tingkat kesalahan akurasi yang paling
54
kecil adalah arsitektur yang menggunakan Kernel A 8.0, Kernel B 0.0, Kernel Tipe
Sigmoid dan Max basis vectors sebesar 100
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

Hasil
Max basis
Vectors
4,0 0,1 Sigmoid 170 1,165 0,069

5,0 0,0 Sigmoid 100 8,077 0,463
1,0 0,0 Sigmoid 200 4,625 0,269
data latih 8 tahun untuk peramalan jumlah meninggal laki-laki demam berdarah.
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.
Perbandingan Metode Gaussians Meninggal Laki-laki

Data Max Hasil
A B Tipe
latih uji Vectors
jumlah meninggal laki-laki demam berdarah. Arsitektur Gaussians yang memiliki
tingkat kesalahan akurasi yang paling kecil adalah dengan data latih 8 tahun yang
dengan metode Support-Vector machine
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
yang didapat sebesar 0.500.
Percobaan Parameter Berbeda dengan metode Support-Vector Machine Jumlah Meninggal

Laki-laki pada kasus Demam Berdarah Dengan Data Latih 6 Tahun
Hasil
L L Max
Pos Neg iterations
0,8 1,0 100 10 12,031 0,500

0,7 1,0 200 10 12,250 0,523
0,5 0,0 300 10 15,125 0,668
Machine dengan data latih 6 tahun untuk peramalan jumlah meninggal demam
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

Hasil
L L Max
Pos Neg iterations
1,0 0,8 100 10 13,444 0,491
1,5 0,9 150 10 21,667 0,903
4,0 1,0 200 10 14,083 0,540
Machine dengan data latih 7 tahun untuk peramalan jumlah meninggal laki-laki pada
kasus 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 0.8 , Kernel cache 100 dan Max iterations sebesar 10
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
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.

Hasil
L L Max
Pos Neg iterations
0,2 0,3 100 8 1,319 0,084

0,3 0,3 150 10 6,167 0,337
0,1 0,1 150 10 2,698 0,141
Machine dengan data latih 8 tahun untuk peramalan jumlah meninggal laki-laki pada
Perbandingan Metode Support-vector Machine Meninggal Laki-laki

Data Hasil
L L Kernel Max
Data Data MAD MAPE
latih uji
6 tahun 5 tahun 0,8 1,0 100 10 12,031 0,500
7 tahun 4 tahun 1,0 0,8 200 10 13,444 0,491
8 tahun 3 tahun 0,2 0,3 200 8 1,319 0,084
Tabel 4.75 merupakan hasil perbandingan metode Support-vector machine untuk
peramalan jumlah kasus meninggal laki-laki demam berdarah. Arsitektur Support-
vector machine yang memiliki tingkat kesalahan akurasi yang paling kecil adalah
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.
Hasil akurasi dari ketiga metode yang digunakan adalah metode

Backpropagation memiliki tingkat akurasi yang lebih baik daripada kedua metode
lainnya untuk memprediksi jumlah meninggal laki-laki. Peramalan jumlah meninggal
laki-laki untuk periode mendatang dapat dilihat pada Gambar 4.9.
PERAMALN MENINGGAL LAKI-LAKI

PERIODE MENDATANG
40
35
30
25
20
15
10
5
0
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020
Peramalan Periode Mendatang Jumlah Meninggal Laki-Laki

Gambar 4.9 merupakan hasil peramalan periode mendatang dari jumlah
meninggal laki-laki dengan rentang waktu 2 tahun kedepan dari tahun 2019 sampai
dengan tahun 2020 berdasarkan metode terbaik yaitu metode Backpropagation.
Peramalan Jumlah Meninggal Perempuan

Peramalan jumlah meninggal perempuan menggunakan data dalam kurun waktu
11 tahun dari tahun 2008 sampai dengan tahun 2018. Bentuk grafik data meninggal
perempuan dapat dilihat pada Gambar 4.10
60
Jumlah Meninggal Perempuan
25
20
15
10
0
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Jumlah Meninggal Perempuan
Grafik Data Jumlah Meninggal Perempuan

Gambar 4.10 menunjukan grafik data jumlah meninggal perempuan dalam
rentang waktu 11 tahun. Berdasarkan data tersebut dilakukan peramalan dengan
menggunakan metode Backpropagation, Gaussians, dan Support-vector Machine.
Peramalan Jumlah Meninggal Perempuan pada kasus Demam Berdarah 6 Tahun Data
Latih dengan metode Backpropagation
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
Percobaan Parameter Berbeda dengan metode Backpropagation Jumlah Meninggal

Perempuan pada kasus Demam Berdarah Dengan Data Latih 6 Tahun
Hasil
Hidden Learning
Neuron Epoch
Layer Rate MAD MAPE
1 18 0,07 550 4,481 0,219
1 13 0,06 400 6,912 0,352
1 10 0,08 300 7,050 0,372
dengan data latih 6 tahun untuk peramalan jumlah meninggal perempuan pada kasus
demam berdarah. Arsitektur metode Backpropagation yang memiliki tingkat kesalahan
akurasi yang paling kecil adalah arsitektur yang menggunakan hidden layer 1, neuron
18 learning rate 0.07, dan epoch sebesar 550.
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

Hasil
Hidden Learning
Neuron Epoch
Layer Rate MAD MAPE
1 9 0,07 200 4,313 0,212

1 6 0,03 300 5,388 0,258
1 11 0,08 100 5,688 0,274
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

Hasil
Hidden Learning
Neuron Epoch
Layer Rate MAD MAPE
1 13 0,08 800 1,175 0,054

1 4 0,06 400 3,250 0,147
1 9 0,05 600 1,417 0,064
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

Hasil
Hidden Learning
Neuron Epoch
Layer Rate MAD MAPE
1 12 0,08 900 0,375 0,018

1 9 0,05 600 1,750 0,078
1 9 0,07 300 3,125 0,137
Perbandingan Metode Backpropagation Meninggal Perempuan

latih uji
6 tahun 5 tahun 0,07 1 850 4,481 0,219
7 tahun 4 tahun 0,07 1 200 4,313 0,212
8 tahun 3 tahun 0,08 1 900 1,175 0,054
9 tahun 2 tahun 0,08 1 900 0,375 0,018
65
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,
Peramalan Jumlah Meninggal Permpuan pada kasus Demam Berdarah 5 Tahun Data Latih
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
0.523.
66
Percobaan Parameter Berbeda dengan metode Gaussians Jumlah Meninggal Perempuan
Hasil
Max basis
Vectors
4,0 0,0 Sigmoid 150 8,364 0,523

6,0 0,0 Sigmoid 100 8,946 0,547
2,0 0,1 Sigmoid 200 10,900 0,622
data latih 5 tahun untuk peramalan jumlah meninggal perempuan pada demam
berdarah. 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 150.
Latih dengan metode Gaussians
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
meninggal perempuan pada kasus demam berdarah menggunakan data dengan rentang
6 tahun sebagai data latih dan 5 tahun sebagai data uji. Jumlah tingkat kesalahan
67
Hasil
Max basis
Vectors
3,0 0,0 Sigmoid 125 8,183 0,429

5,0 0,0 Sigmoid 100 8,438 0,438
7,0 0,0 Sigmoid 200 9,813 0,501
data latih 6 tahun untuk peramalan jumlah meninggal perempuan pada demam
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
68

Hasil
Max basis
Vectors
3,0 0,0 Sigmoid 100 6,000 0,278

5,0 0,1 Sigmoid 150 6,527 0,302
7,0 0,0 Sigmoid 200 7,833 0,362
data latih 7 tahun untuk peramalan jumlah kasus meninggal Perempuan demam
Tipe Sigmoid dan Max basis vectors sebesar 100
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
69

Hasil
Max basis
Vectors
4,0 0,0 Sigmoid 175 1,000 0,045

2,0 0,0 Sigmoid 150 1,000 0,048
6,0 0,0 Sigmoid 200 1,750 0,078
data latih 8 tahun untuk peramalan jumlah meninggal perempuan pada kasus demam
Perbandingan Metode Gaussians Meninggal Perempuan

Data Max Hasil
A B Tipe
latih uji Vectors
jumlah meninggal perempuan demam berdarah. Arsitektur Gaussians yang memiliki
tingkat kesalahan akurasi yang paling kecil adalah dengan data latih 8 tahun yang
70
Latih dengan metode Support-Vector machine
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

Hasil
L L Max
Pos Neg iterations
2,0 7,0 250 10 2,750 0,155
1,5 1,5 200 10 10,750 0,548
1,0 6,0 100 10 5,688 0,293
Machine dengan data latih 6 tahun untuk peramalan jumlah meninggal perempuan pada
71
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

Hasil
L L Max
Pos Neg iterations
3,0 5,0 200 10 10,583 0,489

1,5 1,5 150 10 11,600 0,536
4,0 1,0 100 10 16,083 0,743
Machine dengan data latih 7 tahun untuk peramalan jumlah meninggal Perempuan pada
72
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.

Hasil
L L Max
Pos Neg iterations
0,3 0,3 100 10 1,000 0,047
1,0 0,5 150 10 4,500 0,203
1,0 0,3 200 10 1,750 0,078
73
Machine dengan data latih 8 tahun untuk peramalan jumlah meninggal perempuan pada
Perbandingan Metode Support-vector Machine Meninggal Perempuan

Data Hasil
L L Kernel Max
Data Data MAD MAPE
latih uji
6 tahun 5 tahun 2,0 7,0 250 10 2,750 0,155
7 tahun 4 tahun 3,0 5,0 200 10 10,583 0,489
8 tahun 3 tahun 0,3 0,3 200 10 1,000 0,047
Tabel 4.100 merupakan hasil perbandingan metode Support-vector machine
untuk peramalan jumlah kasus meninggal perempuan demam berdarah. Arsitektur
Support-vector machine yang memiliki tingkat kesalahan akurasi yang paling kecil
adalah dengan data latih 8 tahun yang menggunakan L pos 0.3, L Neg 0.3 , Kernel
cache 200 dan Max iterations sebesar 10, memiliki nilai MAPE sebesar 0.047 lebih
baik dari kedua data latih yang nilai masing-masing MAPE yaitu 0.489 dan 0.155.
Hasil akurasi dari ketiga metode yang digunakan adalah metode

Backpropagation memiliki tingkat akurasi yang lebih baik daripada kedua metode
lainnya untuk memprediksi jumlah meninggal perempuan. Peramalan jumlah
meninggal perempuan untuk periode mendatang dapat dilihat pada Gambar 4.11.
74
PERAMALAN MENINGGAL PEREMPUAN
PERIODE MENDATANG
25
20
15
10
0
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020
Peramalan Jumlah Meninggal Perempuan

Gambar 4.11 merupakan hasil peramalan periode mendatang dari jumlah
meninggal perempuan dengan rentang waktu 2 tahun kedepan dari tahun 2019 sampai
dengan tahun 2020 berdasarkan metode terbaik yaitu metode Backpropagation.
Hasil Akhir Peramalan Data Demam berdarah
Hasil akhir peramalan dari data demam berdarah didapatkan dengan cara merata-
ratakan tingkat kesalahan peramalan metode Backpropagation, Gaussians, dan
Support-vector Machine terhadap semua atribut dari data demam berdarah yang
diramal. Hasil akhir peramalan data demam berdarah adalah sebagai berikut.
Hasil Akhir Peramalan Data Demam berdarah
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
AGARWAL, S. 2013. Data Mining: Data Mining Concepts and Techniques.

International Conference on Machine Intelligence and Research
Advancement.
ARMSTRONG, J. S. 2009. Selecting Forecasting Methods. SSRN Electronic
Journal. The Wharton School, University of Pennsylvania.
BARMAN 2012. A Method of Movie Business Prediction Using Back-propagation
Neural Network.
FISKA, R. R. 2017. Penerapan Teknik Data Mining dengan Metode Support
Vector Machine (SVM) untuk Memprediksi Siswa yang Berpeluang Drop
Out Jaringan Sistem Informasi Robotik
KAMAL M, K. M. 2018. Mapping the global potential distributions of two
arboviral vectors Aedes aegypti and Ae. albopictus under changing
climate.
KARMAKER, C. L. 2017. Determination of Optimum Smoothing Constant of
Single Exponential Smoothing Method: A Case Study Department of
Industrial and Production Engineering, Jessore University of Science and
Technology, Jessore-7408, Bangladesh.
KARYANTI, M. R. 2014. The changing incidence of Dengue Haemorrhagic Fever
in Indonesia: a 45-year registry-based analysis.
KORI, A. 2017. Comparative Study of Data Classifiers Using Rapidminer.
LIEW, A. 2007. Understanding Data, Information, Knowledge And Their Inter-
Relationships. Journal of Knowledge Management Practice, Vol. 7, No. 2,
June 2007. Walden University.
LIU, H. M. H. 2010. Feature Selection An Ever Evolving Frontier in Data Mining.
MARDALIUS 2018. PEMANFAATAN RAPID MINER STUDIO 8.2 UNTUK
PENGELOMPOKAN DATA PENJUALAN AKSESORIS
MENGGUNAKAN ALGORITMA K-MEANS JURTEKSI (Jurnal
Teknologi dan Sistem Informasi)
MOHAMED, N. E.-K. 2016. Artificial Neural Networks in Data Mining Journal
of Computer Engineering
MUQTADIR, A. 2016. The Implementation of Grey Forecasting Model for
Forecast Result’s Food Crop Agricultural Scientific Journal of Informatics
NURAKMALINAMATJUSOH, T. 2017. Performance Evaluation of Commercial
Dengue Diagnostic Tests for Early Detection of Dengue in Clinical
Samples. Journal of Tropical Medicine
PUTRIWIJAYA, N. N. 2018. Peramalan Jumlah Pemakaian Air di PT.
Pembangkitan Jawa Bali Unit Pembangkit Gresik Menggunakan Support
Vector Regression.
RISWANTO, R. L. 2014. APLIKASI PREDIKSI JUMLAH PENDERITA
PENYAKIT DEMAM BERDARAH DENGUE DI KOTA SEMARANG
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

Proposal Yudha1

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Proposal Yudha1

Diunggah oleh

Hak Cipta:

Format Tersedia

PERAMALAN KASUS DEMAM BERDARAH DENGUE

MENGGUNAKAN METODE BACKPROPAGATION,

PROPOSAL TUGAS AKHIR

Diajukan Guna Memenuhi Sebagian Persyaratan

I MADE YUDHA ARYA DALA

PROGRAM STUDI TEKNOLOGI INFORMASI

Bukit Jimbaran, Juli 2019

I Made Yudha Arya Dala

NAMA : I MADE YUDHA ARYA DALA

Bukit Jimbaran, April 2019

Pembimbing I, Pembimbing II,

Jimbaran, 20 Juli 2019

I Made Yudha Arya Dala

Kata kunci : Demam berdarah, Data Mining, Backpropagation, Gaussians, Support-

Keywords: Dog Bites, Data Mining, Backpropagation, Holt-WInters, Polynomial

LEMBAR PERSETUJUAN UJIAN PROPOSAL ................................................... ii

1.1 Latar Belakang

1.3 Tujuan Penelitian

1.5 Batasan Masalah

1.6 Sistematika Penulisan

2.1 State of The Art

2.3 Knowledge Discovery in Database

Knowledge Discovery in Database (KDD) adalah proses menentukan informasi

2.3.1 Data Selection

2.3.2 Pre-Processing dan Cleaning Data Pre-Processing dan Cleaning Data

Proses ini mentransformasikan atau menggabungkan data ke dalam yang lebih

2.3.4 Data Mining

2.3.5 Interpretation / Evaluasi

Proses untuk menerjemahkan pola-pola yang dihasilkan dari Data Mining.

2.4 Data Mining

2.7 Gaussians Process

2.8 Support-Vector Machine

3.1 Gambaran Umum Penelitian

Gambar 3.1 Gambaran Umum

3.2 Jenis dan Sumber Data

3.3 Metode Pengumpulan Data

dan Proses Gaussian ditulis dengan

A = Nilai angka terendah

B = Nilai angka tertinggi

3.5 Analisis Metode Perhitungan Tingkat Kesalahan

2. Rata-rata Persentase Kesalahan Absolut (Mean Absolute Percentage Error)

Analisis Tools Rapidminer

Peramalan Jumlah Penderita Demam Berdarah

Grafik Data penderita demam berdarah

4.2.1 Metode Backpropagation Penderita Demam Berdarah

Percobaan Parameter Berbeda dengan metode Backpropagation pada Penderita Demam

Percobaan Parameter Berbeda dengan metode Backpropagation pada Penderita Demam

Percobaan Parameter Berbeda dengan metode Backpropagation pada Penderita Demam

Percobaan Parameter Berbeda dengan metode Backpropagation pada Penderita Demam

Perbandingan Penderita Metode Backpropagation

4.2.2 Metode Gaussians Penderita Demam Berdarah

5,0 0,0 Sigmoid 150 5748,774 0,388

4,0 0,0 Sigmoid 200 4375,836 0,266

5,0 0,0 Sigmoid 200 3248,031 0,170

6,0 0,0 Sigmoid 200 152,314 0,009

Perbandingan Penderita Metode Gaussians

4.2.3 Metode Backpropagation Penderita Demam Berdarah

Percobaan Parameter Berbeda dengan metode Support-Vector Machine pada Penderita

Percobaan Parameter Berbeda dengan metode Support-Vector Machine pada Penderita

Percobaan Parameter Berbeda dengan metode Support-Vector Machine pada Penderita

Perbandingan Penderita metode Support-vector machine

actual hasil peramalan

Peramalan Periode Mendatang Jumlah Kasus Penderita Demam berdarah