Prediksi Kejadian Luar Biasa Pada Kasus Demam Berdarah Dengue Di Kabupaten Malang Menggunakan Support Vector Machines - Flower Pollination Algorithm

Penyakit demam berdarah dengue (DBD) merupakan salah satu penyakit berbahaya yang menjadi sumber masalah kesehatan bagi masyarakat Indonesia. Jumlah penderita DBD mengalami peningkatan seiring berjalannya waktu. KLB pada kasus DBD dapat diprediksi dengan membuat model prediksi menggunakan keterkaitan antar variabel. Beberapa variabel yang mempengaruhi hasil prediksi antara lain adalah curah hujan, suhu, kecepatan angin, dan kelembaban. Dalam tugas akhir ini, data jumlah kasus DBD per kecamatan diperoleh dari Dinas Kesehatan Kabupaten Malang, sedangkan data curah hujan, suhu, kecepatan angin, dan kelembaban diperoleh dari Badan Meteorologi, Klimatologi, dan Geofisika (BMKG). Dalam Tugas Akhir ini, sebuah model prediksi KLB untuk kasus DBD dibangun menggunakan gabungan metode Support Vector Machine dan Flower Pollination Algorithm (SVM-FPA). Metode SVM digunakan untuk memisahkan kasus yang termasuk dalam kelas KLB dan kelas non-KLB, sedang FPA digunakan untuk memperoleh nilai parameter yang optimal dalam SVM. Hasil uji coba menunjukkan bahwa nilai parameter opti-mal yang dihasilkan oleh FPA berupa kombinasi nilai cost dan gamma berturut-turut sebesar 2.829,0587 dan 0,002801. Kombinasi kedua nilai paremeter ini mem-berikan hasil prediksi SVM terbaik untuk data validasi, di mana berturut-turut diperoleh nilai akurasi, recall, dan presisi sebesar 90,34%, 89,11%, dan 91,32%. Dengan menggunakan nilai parameter yang sama, hasil prediksi untuk data tes berturut-turut diperoleh nilai akurasi, recall, dan presisi sebesar 59,65%, 88,37%, dan 36,53%. Kata Kunci: demam berdarah, prediksi kejadian luar biasa, support vector machines, algoritma penyerbukan bunga. ====================================================================================================== Dengue fever (DF) is a dangerous disease that causes health problems for the people. The number of DF cases increases as time goes by. DF Outbreak can be predicted by making prediction models using interrelationships among variables. Some relevant variables that influence the results of predictions are rainfall, temperature, wind speed, and humidity. In this final project, the number of dengue cases per district data are obtained from the Public Health Office of Malang Region, while rainfall, temperature, wind speed, and humidity data are obtained from the Meteorology, Climatology and Geophysics Agency. In this Final Project, an outbreak prediction model for DF cases is built using a combination of Support Vector Machine and Flower Pollination Algorithm (SVM-FPA). The SVM method is used to classify cases that are included in the outbreak class or not outbreak class, while the FPA is used to obtain optimal parameter values in the SVM.. The experimental results show that the optimal parameter values produced by the FPA consists of a combination of cost and gamma values respectively of 2,829.0587 and 0.002801. The combination of these two parameter values gives the best SVM prediction results for validation data, where successively obtained values of accuracy, recall, and precision of 90.34%, 89.11%, and 91.32%. By using the same parameter values, the prediction results for test data in terms of accuracy, recall, and precision values of 59.65%, 88.37%, and 36.53% are obtained, respectively. Keywords: dengue fever, outbreak prediction, support vector machines, flower pollination algorithm