Perpustakaan Digital ITB

Demam Berdarah Dengue (DBD) masih menjadi masalah kesehatan besar di banyak negara tropis, termasuk Indonesia. Selama puluhan tahun, Indonesia tercatat sebagai salah satu negara dengan beban dengue tertinggi di dunia. Di Jakarta pada tahun 2019 dilaporkan lebih dari 8.700 kasus, dan Jakarta Timur mencatat hampir seribu kasus pada tahun 2021 dengan kecenderungan peningkatan di sejumlah kecamatan. Gambaran ini menunjukkan bahwa upaya pencegahan yang ada belum cukup, sehingga dibutuhkan sistem peringatan dini yang lebih kuat, akurat, dan berbasis data. Penelitian ini mencoba menjawab kebutuhan tersebut dengan menggabungkan dua pendekatan yang saling melengkapi. Pertama, model matematika digunakan untuk memahami dinamika populasi nyamuk Aedes aegypti dari waktu ke waktu, dipengaruhi oleh faktor-faktor seperti suhu, curah hujan, dan kelembapan. Model ini juga menyoroti peran penting fase telur nyamuk yang dapat bertahan dalam kondisi kering dalam menurunkan angka reproduksi dasar (R0). Kedua, hasil dari model matematika ini digunakan sebagai masukan utama dalam pelatihan model deep learning LSTM, bersama data historis kasus DBD dan indeks ONI sebagai indikator kondisi iklim global. Pendekatan ini menghasilkan performa prediksi yang kuat, dengan nilai R2 mencapai sekitar 0.75 pada beberapa wilayah. Prediksi untuk tahun 2026 menunjukkan pola musiman yang jelas: risiko DBD meningkat pada musim hujan dan menurun pada musim kemarau. Secara keseluruhan, penelitian ini menunjukkan bahwa integrasi antara pemodelan matematika dan kecerdasan buatan memberikan dasar ilmiah yang lebih kuat untuk membangun Early Warning System DBD yang lebih adaptif dan tepat sasaran. Pendekatan ini diharapkan dapat membantu pemerintah dan pemangku kepentingan dalam merancang strategi pencegahan dan pengendalian dengue yang lebih efektif, khususnya di wilayah perkotaan padat seperti Jakarta.