Peramalan Kejadian Luar Biasa Penyakit Demam Berdarah Dengue di Kabupaten Malang Menggunakan Extreme Gradient Boosting (XGBoost)

Demam Berdarah Dengue (DBD) merupakan salah satu masalah kesehatan utama di Indonesia karena jumlah kasusnya yang cenderung semakin meningkat dari tahun ke tahun. Penyakit ini juga pernah menjadi Kejadian Luar Biasa hampir di seluruh wilayah Indonesia pada berbagai kurun waktu, termasuk di kabupaten Malang. Peramalan Kejadian Luar Biasa Demam Berdarah sangat penting dilakukan agar Dinas Kesehatan Kabupaten Malang dapat membuat perencanaan yang lebih baik untuk pencegahan terjadinya Kejadian Luar Biasa demam berdarah di Kabupaten Malang. Kabupaten Malang memiliki tiga pembagian daerah berdasarkan letak geografis, yaitu dataran rendah, dataran sedang, dan dataran tinggi, dimana tiap dataran terdapat variabel-variabel yang dapat mempengaruhi peningkatan angka kasus demam berdarah. Penelitian ini bertujuan untuk menemukan model terbaik serta mengetahui tingkat akurasi dari model tersebut untuk meramalkan Kejadian Luar Biasa (KLB) demam berdarah. Penelitian ini menggunakan metode Extreme Gradient Boosting untuk meramalkan jumlah kasus demam berdarah serta Klasifikasi Berbabis Aturan untuk mengklasifikasi KLB demam berdarah di Kabupaten Malang. Extreme Gradient Boosting atau XGBoost merupakan salah suatu metode ensemble tree yang menerapkan konsep gradient boosting yang telah dioptimalkan. Sedangkan Klasifikasi Berbasis Aturan merupakan metode klasifikasi berdasarkan aturan-aturan tertentu dalam penentuan kelas. Dari hasil penelitian yang dilakukan dapat diketahui bahwa skenario pembentukan model mulai dari pembagian jumlah data pelatihan, variabel independen yang digunakan, jumlah fitur lag, dan hyper-parameter dapat mempengaruhi hasil akurasi peramalan. Hasil akurasi terbaik yang mampu dihasilkan XGBoost dalam melakukan peramalan data time series angka kejadian demam berdarah yakni dengan nilai RMSE sebesar 2,532 pada dataran rendah, RMSE sebesar 2,899 pada dataran sedang, dan RMSE sebesar 1,446 pada dataran tinggi. Sedangkan Klasifikasi Berbasis Aturan mampu menentukan daerah KLB atau non KLB dengan tingkat akurasi terbaik sebesar 93,75% di dataran sedang, hasil ini disertai dengan nilai sensitivitas sebesar 100,00% dan spesifisitas sebesar 90,48%. Selain itu, pada dataran rendah didapatkan nilai akurasi, sensitivitas, dan spesifisitas secara berturut-turut sebesar 83,33%, 50,00%, dan 88,46%. Sedangkan pada dataran tinggi ketiga nilai faktor tersebut adalah 86,21%, 66,67%, dan 100,00%. ============================================== Dengue Hemorrhagic Fever (DHF) is one of the main health problems in Indonesia because the number of cases tends to increase from year to year. This disease has also been an Extraordinary Event (KLB) in almost all regions of Indonesia at various times, including in Malang regency. Forecasting Extraordinary Occurrence of Dengue Fever is very important so that Malang District Health Office can make better plans for preventing the occurrence of Dengue Fever in Malang Regency. Malang Regency has three regional divisions based on geographical location, namely lowlands, medium plains, and highlands, where each plateau has variables that can affect the increase in the number of dengue cases. This study aims to find the best model and determine the level of accuracy of the model to predict Dengue Fever Extraordinary Event (KLB). This study uses the Extreme Gradient Boosting method to predict the number of dengue cases as well Rule-Based Classification to classify KLB of dengue fever in Malang Regency. XGBoost is an ensemble tree method that applies the optimized gradient boosting concept, whereas Rule Based Classification is a classification method based on certain rules in class determination. From the results of this study it can be seen that the scenario of the model formation starting from the division of the amount of training data, the independent variables used, the number of lag features, and hyper-parameters can influence the results of forecasting accuracy. The best accuracy value that can be generated by XGBoost in forecasting time series data is RMSE of 2.532 in lowlands, RMSE of 2.899 in medium plains, and RMSE of 1.446 in the highlands. Whereas Rule Based Classification is able to determine the KLB or non-KLB area with the best accuracy level of 93.75% in the medium plains, this result is accompanied by a sensitivity value of 100.00% and specificity of 90.48%. In addition, in the lowlands values obtained accuracy, sensitivity, and specificity were 83.33%, 50.00%, and 88.46%, respectively. Whereas in the third plateau the value of these factors was 86.21%, 66.67%, and 100.00%