ANALISIS PREDIKSI PENYEBARAN PENYAKIT DEMAM BERDARAH DENGAN PENDEKATAN ENSEMBLE LEARNING DENGAN XGBOOST DAN RANDOM FOREST

Abstract

Demam berdarah Dengue (DBD) adalah penyakit menular yang signifikan di negara tropis, dengan dampak kesehatan masyarakat yang besar. Penelitian ini bertujuan mengembangkan model prediktif untuk memperkirakan jumlah kasus DBD di dua kota, San Juan dan Iquitos, menggunakan algoritma Random Forest dan XGBoost. Dataset yang digunakan adalah DengAI: Predicting Disease Spread, yang mencakup berbagai fitur lingkungan dan cuaca seperti suhu, curah hujan, kelembaban, dan indeks vegetasi, serta jumlah kasus DBD yang dilaporkan. Proses penelitian dimulai dengan pra-pemrosesan data untuk memastikan kualitas dan kesesuaian data. Setelah itu, model prediktif dibangun menggunakan Random Forest dan XGBoost. Evaluasi kinerja model dilakukan menggunakan Mean Absolute Error (MAE). Hasil penelitian menunjukkan bahwa model XGBoost memiliki kinerja yang lebih baik dalam memprediksi jumlah kasus DBD dibandingkan model Random Forest, dengan MAE yang lebih rendah untuk kedua kota. Model prediktif yang dihasilkan dapat membantu otoritas kesehatan dalam perencanaan dan pelaksanaan tindakan pencegahan yang lebih efektif. Penelitian ini menegaskan potensi penggunaan teknik pembelajaran mesin dalam epidemiologi penyakit menular dan memberikan wawasan penting tentang faktor faktor lingkungan yang mempengaruhi penyebaran DBD.