PERBANDINGAN METODE ARIMA DAN DEEP LEARNING JENIS TRANSFORMER DALAM ANALISIS TIME SERIES UNTUK PREDIKSI KASUS DBD DI TAHUN 2024”

Ageng, Prayoga (2025) PERBANDINGAN METODE ARIMA DAN DEEP LEARNING JENIS TRANSFORMER DALAM ANALISIS TIME SERIES UNTUK PREDIKSI KASUS DBD DI TAHUN 2024”. Other thesis, UNSADA.

	Text COVER.pdf Download (1MB)
	Text BAB 1.pdf Download (732kB)
	Text BAB 2.pdf Download (854kB)
	Text BAB 3.pdf Restricted to Registered users only Download (1MB)
	Text BAB 4.pdf Restricted to Registered users only Download (1MB)
	Text BAB 5.pdf Download (495kB)
	Text DAFTAR PUSTAKA.pdf Download (615kB)
	Text LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Text HASIL TURNITIN.pdf Download (558kB)
	Text SUKET TURNITIN.pdf Restricted to Registered users only Download (745kB)

Abstract

Penelitian ini bertujuan untuk membandingkan kinerja model autoregressive Integrated Moving Average (ARIMA) dan model Deep Learning jenis Transformer, yakni Informer. Informer ialah model yang dirancang untuk mengatasi keterbatasan Transformer standar dalam melakukan peramalan jangka panjang, terutama terkait dengan kompleksitas komputasional, dalam hal ini yakni analisis data time series untuk prediksi kasus Demam Berdarah Dengue (DBD) di tahun 2024. DBD merupakan salah satu penyakit endemis di Indonesia yang penyebarannya dipengaruhi oleh faktor lingkungan. Penelitian ini menggunakan data historis kasus DBD di DKI Jakarta dari tahun 2015 hingga 2020 yang diperoleh dari instansi terkait, serta data cuaca (curah hujan, suhu minimum, suhu maksimum, dan kelembapan) dari Badan Meteorologi, Klimatologi, dan Geofisika (BMKG). DKI Jakarta dipilih karena merupakan wilayah dengan tingkat kejadian DBD yang tinggi dan data yang relatif lengkap. Metode penelitian yang digunakan mengacu pada tahapan CRISP-DM, mulai dari pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, hingga deployment. Model ARIMA dipilih karena kemampuannya dalam menganalisis pola linier pada data deret waktu, sedangkan Informer digunakan untuk mengatasi kompleksitas data non-linier serta menangkap hubungan jangka panjang antar variabel. Evaluasi kinerja kedua model dilakukan dengan menggunakan metrik Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE) dan R-Squared (R2). Hasil penelitian menunjukkan bahwa model Informer memiliki performa yang lebih unggul dibandingkan ARIMA dalam memprediksi kasus DBD, khususnya dalam mengidentifikasi pola musiman dan hubungan non-linier, serta efisiensi komputasi yang lebih baik pada data yang panjang. Temuan ini diharapkan dapat menjadi dasar bagi pengembangan sistem peringatan dini yang lebih akurat untuk mendukung upaya pencegahan dan pengendalian DBD di Indonesia, serta memberikan informasi yang berharga bagi pengambilan kebijakan terkait alokasi sumber daya dan intervensi kesehatan.

Item Type:	Thesis (Other)
Additional Information:	Dosen Pembimbing : HERIANTO, S.Pd., M.T.
Uncontrolled Keywords:	Demam Berdarah Dengue (DBD), ARIMA, Transformer, Informer, Time Series, CRISP-DM.
Subjects:	000 Generalities/Karya Umum > 005.3 Programs/ Program
Divisions:	Fakultas Teknik > Teknik Informatika
Depositing User:	Suwatno Suwatno Perpustakaan
Date Deposited:	26 Jan 2026 04:35
Last Modified:	26 Jan 2026 04:35
URI:	http://repository.unsada.ac.id/id/eprint/9317

Actions (login required)

View Item