Peramalan Jumlah Kasus Demam Berdarah Di Kabupaten Malang Berdasarkan Kondisi Cuaca Menggunakan Metode Ensemble Forecasting

Di Indonesia, demam berdarah masih merupakan masalah kesehatan masyarakat yang krusial, tingkat kematian atau case fatality rate (CFR) demam berdarah menunjukkan nilai sebesar 0,67% dalam skala nasional, salah satu provinsi yang memiliki CFR tinggi adalah Jawa Timur dengan angka 1,01% dan Kabupaten Malang adalah daerah dengan angka kematian kasus tertinggi di provinsi tersebut. Untuk mengendalikan angka kematian dan jumlah kasus yang ada pada Kabupaten Malang, salah satu upayanya adalah dengan meramalkan jumlah kasus demam berdarah di waktu yang akan datang. Salah satu cara untuk meramalkan kasus demam berdarah dapat menggunakan metode ensemble forecasting. Pada penelitian ini model-model regresi terpenalisasi seperti Ridge, SCAD, MCP, Elastic Net, dan LASSO yang dinilai dapat mengatasi kekurangan-kekurangan yang ada pada pada analisis regresi. Regresi adalah salah satu metode untuk menentukan hubungan sebab-akibat antara variabel dengan variabel lainnya. Dalam analisis regresi, hubungan antara variabel bersifat linier, di mana perubahan pada variabel dependen akan diikuti oleh perubahan pada variabel independen secara tetap, sedangkan metode regresi terpenalisasi menggunakan nilai penalti yang akan mempengaruhi koefisien regresi, dengan tujuan untuk memberikan sedikit bias pada model regresi dengan tujuan untuk mengurangi varians dari estimasi parameter dan nilai prediksi. Untuk meminimalisir kekurangan dari masing-masing metode yang ada, regresi terpenalisasi tersebut digabungkan dan dibentuk model ensemble forecasting dengan harapan metode tersebut menghasilkan nilai yang lebih akurat dibandingkan dengan satu jenis metode regresi terpenalisasi saja. Hasil yang didapatkan adalah model ensemble SCAD + MCP univariat berjenis data normal menjadi model dengan nilai RMSE 6, SMAPE 36%, dan MAPE 44%. Model peramalan cukup dapat menangkap pola data pada data testing, meskipun nilai aktual dan prediksi tidak tepat sama. Tetapi, saat melakukan peramalan, model kurang dapat meramalkan pola kasus dengan tepat karena model peramalan menunjukkan adanya penurunan, sedangkan pada kasus aktual meningkat. Sehingga analisis lebih dalam terhadap pemilihan variabel perlu dilakukan. ===================================================================================================== In Indonesia, dengue fever is still a crucial public health problem, the case fatality rate (CFR) of dengue fever shows a value of 0.67% on a national scale, one of the provinces that has a high CFR is East Java with 1.01 % and Malang Regency is the area with the highest case fatality rate in the province. To control the death rate and the number of cases in Malang Regency, one of the efforts is to forecast the number of dengue fever cases in the future using ensemble forecasting method. In this study, the penalized regression models such as Ridge, SCAD, MCP, Elastic Net, and LASSO are considered to be able to overcome the shortcomings that exist in the regression analysis. Regression is one method to determine the causal relationship between variables with another. In regression analysis, the relationship between variables is linear, where changes in the dependent variable will be followed by changes in the independent variable permanently, while the penalized regression method uses a penalty value that will affect the regression coefficient, with the aim of giving a slight bias to the regression model with the aim of to reduce the variance of the parameter estimates and predicted values. To minimize the shortcomings of each of the existing methods, these initialized regressions are combined and an ensemble forecasting model is formed with the hope that the method will produce more accurate values compared to one type of initialized regression method. The results obtained are the univariate SCAD + MCP ensemble model with normal data type into a model with values of RMSE 6, SMAPE 36%, and MAPE 44%. The forecasting model is sufficient to capture data patterns in the test data, even though the actual and predicted values are not exactly the same. However, when forecasting, the model is less able to accurately predict the pattern of cases because the forecasting model shows a decrease, while in the actual case it increases. So that a deeper analysis of the selection of variables needs to be done