Perpustakaan Digital ITB

Indonesia, sebagai negara beriklim tropis, sangat rentan terhadap penyebaran virus DBD karena kondisi iklim yang mendukung perkembangan nyamuk Aedes aegypti sebagai vektor utama. Hal tersebut juga didukung oleh jumlah kasus DBD yang tinggi di Indonesia menunjukkan bahwa pencegahan DBD sangat penting. Karena itu, penulis ingin membuat peta risiko kasus DBD yang dapat menunjukkan wilayah yang rawan DBD. Dalam pembuatan peta risiko, data yang digunakan penulis mencakup data iklim dan jumlah kasus DBD. Dari data iklim, penulis membangun sebuah model matematika yang dapat mengestimasi jumlah nyamuk Aedes aegypti. Selanjutnya, penulis menggunakan model klasifikasi machine learning, seperti random forest, extra trees, gradient boosting, dan xgboost, untuk memprediksi kemungkinan terjadi KLB di wilayah tertentu. Status KLB didefinisikan berdasarkan data jumlah kasus DBD dengan kriteria yang bervariasi di setiap wilayah. Wilayah yang berpotensi mengalami KLB akan diberi status KLB 1 (label positif), sedangkan wilayah yang tidak berpotensi akan diberi status KLB 0 (label negatif). Selanjutnya, karena distribusi data untuk masing-masing label tidak seimbang, penulis menggunakan teknik resampling data seperti random over sampling, smote, k-means smote, svmsmote, dan borderline smote. Terakhir, penulis menggunakan beberapa metriks evaluasi untuk mengukur kinerja model dan memilih model dengan metriks evaluasi terbaik. Hasil akhir dari model klasifikasi tesebut adalah estimasi probabilitas terjadi KLB yang kemudian dengan menggunakan threshold 0.5 ditetapkan menjadi status KLB yaitu 0 atau 1. Dari hasil estimasi probabilitas KLB, penulis membuat peta risiko kasus DBD untuk DKI Jakarta dan Bali untuk memberikan pemahaman terkait mitigasi DBD di Indonesia.