MODEL PERAMALAN JUMLAH PENYAKIT DEMAM BERDARAH DENGAN PENDEKATAN METODE FUZZY LINEAR REGRESSION (FLR)

Bain Khusnul Khotimah, Eka Mala Sari Rochman

Abstract


Peramalan sangat penting pada data time series, yang diperlukan dalam proses pengambilan keputusan. Penelitian ini memprediksi jumlah demam berdarah sebagai output variabel terikat (Y) dan faktor keterangan kondisi pasien parah (X1) dan kondisi ringan X2 sebagai variabel bebas. Peramalan time series menggunakan fuzzy untuk menjelaskan data dalam bentuk nilai-nilai lingusitik. Regresi fuzzy digunakan untuk memperbaiki adanya error dalam permodelan klasik. Hasil peramalan konvensional terdapat perbedaan antara nilai yang diamati dan nilai yang diestimasi yang dikenal error, tetapi dalam regresi fuzzy dikenal sebagai kerancuan (ambiguity) sistem. Penelitian ini menggunakan metode Fuzzy Linear Regression (FLR) untuk memodelkan peramalan jumlah penyakit demam berdarah. Penelitian ini bertujuan untuk menghasilkan parameter berupa interval (upper bound dan lower bound) pada hasil ramalan, yang dapat digunakan dalam pengambilan keputusan pada segala kemungkinan terbaik maupun terburuk. Hasil penelitian  berdasarkan interval dengan mengubah-ubah nilai (h) = 0; 0,25; dan 0,5; 0.75 dihasilkan dengan metode Fuzzy linier regression Time Series pada koefisien determinasi terkecil senilai 0,238 pada h=0,25 dengan kesalahan simpangan baku terkecil 3,94.

Full Text:

PDF (Indonesian)

References


WHO, "Dengue: Guidelines for diagnosis, treatment, prevention and control," France, WHO and TDR Publication 2009.

E. M. S. Rochman, Penerapan Metode Certainty Factor Untuk Diagnosis Penyakit Pada Anak, Jurnal Ilmiah NERO Vol. 5, no. 12, 2020, pp.36-43.

Arrowiyah, “Spatial Pattern Analysis Kejadian Penyakit Demam Berdarah Dengue untuk Informasi Early Warning Bencana di Kota Surabaya,” Surabaya: ITS digital library, 2010.

C. H. Cheng, T. L. Chen, H. J. Teoh, C. H. Chiang, “Fuzzy time series based on adaptive expectation model for TAIEX forecasting,” Expert Systems with Applications, vol. 34, pp. 1126-1132, 2008.

M. Hakimah, W. M. Rahmawati, A. Y. Afandi, Pengukuran Kinerja Metode Peramalan Tipe Exponential Smoothing Dalam Parameter Terbaiknya, Jurnal Ilmiah Nero, vol 5, no 1, pp.44-50, 2020.

S. M. Chen, “Forecasting enrollments based on high order fuzzy time series,” Cybernetics and Systems, vol. 33, pp. 1-16, 2002.

Halim, Siana, Intan, Rolly, Dewi, L.Puspa (2019) Fuzzy Linear Regression for Tuberculosis Case Notification Rate Prediction in Surabaya. In: International Conference on Advanced Information Science and System (AISS19), 17-11-2019 - 17-11-2019, Singapore - Singapore.

H. Kim, H. Y. Jung, “Ridge Fuzzy Regression Modelling for Solving Multicollinearity,” Mathematics, 2020, vol. 8, pp.1-15.

J. Barrios, A. Pietrus, A. Marrero, H. De Arazoza, G. Joya, “Dengue model described by differential inclusions in Advances in computational intelligence,” Springer, 2011, pp. 540–547.

W. Anggraeni, S. Sumpeno, E. M. Yuniarno, R. F. Rachmadi, A. B. Gumelar, M. H. Purnomo, "Prediction of Dengue Fever Outbreak Based on Climate Factors Using Fuzzy-Logistic Regression," 2020 International Seminar on Intelligent Technology and Its Applications (ISITIA), Surabaya, Indonesia, 2020, pp. 199-204, doi: 10.1109/ISITIA49792.2020.9163708.

P. T. T. Nga, M. R. B. P. Cortel, “Time-series modelling of dengue incidence in the Mekong Delta region of Viet Nam using remote sensing data,” Western Pac Surveill, vol. 11, no.1, Januari 2020.

R. Coppi, P. Urso, P. Giordani, “Least squares estimation of a linear regression model with LR fuzzy response,” Computational Statistics and Data Analysis, vol.51, no.1, pp:267-286, 2006.

A. Earnest , S. B. Tan, A. W. Smith, D. Machin, “Comparing Statistical Models to Predict Dengue Fever Notifications,” Computational and Mathematical Methods in Medicine, 2012, https://doi.org/10.1155/2012/758674.

B. Gladysz, D. Kuchta, “Outliers detection in selected fuzzy regression models : 7th International Workshop on Fuzzy Logic and Applications,” WILF, Camogli, Italy, July 2007,Proceedings. Berlin Heidelberg: Springer, pp:211 -228, 2007.

T. Chakraborty, S. Chattopadhyay, I Ghosh, “Forecasting dengue epidemics using a hybrid methodology Physica A: Statistical Mechanics and its Applications,” vol. 527, 1 August 2019.

W. L. Hung, M. S. Yang, “An omission approach for detecting outliers in fuzzy regression models.Fuzzy Sets and Systems, vol. 157, no.23, pp.3109-3122, 2006.

W. W. S. Wei (1990), Time Series Analysis, Addison-Wesley Publishing Company, Inc, California

H. Tanaka, (1987), “Fuzzy data analysis by possibility linear models, Fuzzy Sets and Systems,” vol. 24, pp. 363 – 375, 1987.




DOI: http://dx.doi.org/10.21107/nero.v6i1.215

Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 Network Engineering Research Operation

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Creative Commons License
NERO (Networking Engineering Research Operation) is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.