Perpustakaan Digital ITB

Demam Berdarah Dengue (DBD) merupakan salah satu penyakit menular yang menjadi masalah kesehatan masyarakat di Indonesia dengan pola penyebaran yang dipengaruhi oleh faktor spasial dan temporal. Karakteristik tersebut menyebabkan pendekatan prediksi konvensional yang hanya mempertimbangkan salah satu dimensi sering kali belum mampu merepresentasikan dinamika penyebaran penyakit secara optimal. Penelitian ini bertujuan membangun model prediksi Dengue Incidence Rate (DIR) berbasis Spatio-Temporal Graph Neural Network (STGNN) untuk memodelkan dinamika DBD pada tingkat kabupaten/kota di Pulau Jawa. Data yang digunakan terdiri atas data surveilans DBD periode 2005-2023, data iklim ERA5-Land, data jumlah penduduk dari Badan Pusat Statistik (BPS), dan data geospasial batas administratif. Dataset mencakup 119 kabupaten/kota di Pulau Jawa dengan resolusi temporal bulanan. Struktur graf spasial dibangun menggunakan pendekatan K-Nearest Neighbors (KNN) berdasarkan jarak geografis antar centroid wilayah yang dihitung menggunakan formula Haversine dan dibobot menggunakan Gaussian Kernel. Model STGNN yang diusulkan mengintegrasikan Spatial Graph Convolutional Network (GCN), Gated Temporal Convolutional Network (TCN), Temporal Attention Pooling, Node Embedding, dan Multi-Layer Perceptron (MLP) untuk menghasilkan prediksi DIR satu bulan ke depan. Hasil evaluasi menunjukkan bahwa model STGNN menghasilkan rata-rata Root Mean Squared Error (RMSE) sebesar 0,3266 ± 0,0026 dan Mean Absolute Error ii (MAE) sebesar 0,2450 ± 0,0018 berdasarkan pengujian multi-seed menggunakan lima nilai seed yang berbeda. Hasil ablation study menunjukkan bahwa penghapusan komponen temporal meningkatkan RMSE sebesar 11,7%, sedangkan penghapusan komponen spasial meningkatkan RMSE sebesar 1,5%, yang mengindikasikan bahwa kedua komponen memberikan kontribusi terhadap peningkatan kinerja model. Selain itu, STGNN mengungguli seluruh model baseline yang digunakan, yaitu CatBoost, Support Vector Machine (SVM), Long Short-Term Memory (LSTM), dan Ensemble Random Forest, dengan peningkatan akurasi hingga 11,5% dibandingkan model machine learning konvensional dan 6,5% dibandingkan model baseline terbaik. Hasil penelitian menunjukkan bahwa pendekatan STGNN mampu memanfaatkan informasi spasial dan temporal secara terpadu untuk meningkatkan akurasi prediksi Dengue Incidence Rate (DIR). Model yang dihasilkan berpotensi digunakan sebagai alat pendukung pengambilan keputusan dalam perencanaan dan mitigasi penyebaran DBD secara lebih preventif.