PERBANDINGAN PARTICLE SWARM OPTIMIZATION DAN NGUYEN WIDROW PADA IMPLEMENTASI BACKPROPAGATION UNTUK PREDIKSI JUMLAH KASUS DEMAM BERDARAH DENGUE (STUDI KASUS: DKI JAKARTA)

Abstract

Demam berdarah dengue merupakan salah satu penyakit berbahaya dan akibat fatal jika tidak ditangani secara cepat dan tepat. Kasus demam berdarah di Indonesia sendiri masih menjadi hal yang perlu diperhatikan dikarenakan banyak kasus yang terjadi di setiap tahunnya yang menyentuh angka ratusan ribu. Untuk mengantisipasi adanya lonjakan kasus yang tiba-tiba dapat memanfaatkan teknologi machine learning guna memprediksi jumlah kasus di masa mendatang. Dalam hal prediksi metode yang dapat digunakan salah satunya yaitu Backpropagation. Untuk mengoptimalkan nilai bobot awal yang akan digunakan dalam jaringan Backpropagation dapat mengombinasikan Backpropagation dengan metode Particle Swarm Optimization dan Nguyen Widrow.  Hasil dari penerapan ketiga model didapatkan bahwa model tersebut dapat bekerja dengan baik untuk memprediksi kasus demam berdarah dengan nilai MSE testing yang didapatkan untuk BP, PSO-BP, dan NW-BP adalah 4.76 x 10-2  , 4.44 x 10-2 , 5.70 x 10-2 . Dari ketiga model, hasil performa terbaik didapatkan PSO-Backpropagation dengan nilai MSE dan MAPE yaitu 4.44 x 10-2  dan 18.43%.