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.
