PREDIKSI PENYEBARAN KASUS DEMAM BERDARAH DI WILAYAH LABUHANBATU UTARA ( KEC. AEK KUO ) DENGAN MENGGUNAKAN METODE NAÏVE BAYES DAN K-NEAREST NEIGHBOR

CINDY ANISTASAH, NPM 2109100019 (2025) PREDIKSI PENYEBARAN KASUS DEMAM BERDARAH DI WILAYAH LABUHANBATU UTARA ( KEC. AEK KUO ) DENGAN MENGGUNAKAN METODE NAÏVE BAYES DAN K-NEAREST NEIGHBOR. Skripsi thesis, Universitas Labuhanbatu.

	Text COVER.pdf Download (2MB)
	Text BAB I.pdf Download (221kB)
	Text BAB II.pdf Download (726kB)
	Text BAB III.pdf Download (624kB)
	Text BAB IV.pdf Download (1MB)
	Text BAB V.pdf Download (211kB)
	Text DAFTAR PUSTAKA.pdf Download (329kB)
	Text LAMPIRAN.pdf Download (964kB)

Abstract

Penyakit DBD juga menjadi masalah kesehatan yang serius di Indonesia, termasuk Kabupaten Labuhanbatu Utara, khususnya Kecamatan Aek Kuo. Pada tahun 2023 terdapat 35 kasus demam berdarah hal ini menjadi perhatian para dinas kesehatan setempat. Penelitian ini bertujuan untuk memprediksi penyebaran kasus DBD diwilayah Kec. Aek Kuo yang terdiri dari 8 desa dengan menggunakan metode Naïve bayes dan K-Nearest Neighbor yang menggunakan bantuan Microsft Excel dan Software Rapidmine. Hasil penelitian ini menunjukkan bahwa model Naïve Bayes memiliki akurasi sebesar 95% hal ini dapat dikatakan kinerja dari model tersebut lebih baik dalam memprediksi penyebaran kasus demam berdarah dibandingkan dengan model K-Nearest Neighbor yang memiliki akurasi sebesar 65%. Berdasarkan hasil penelitian terdapat 3 desa diantaranya adalah desa Aek Korsik, desa Padang Maninjau dan desa Bandar Selamat yang memiliki potensi tinggi penyebaran DBD maka dari itu penelitian ini menegaskan pontensi yang dapat dilakukan dalam teknik penggunaan khususnya epidemologi penyekit menular dan memberikan wawasan penting mengenai factor-faktor lingkungan yang mempengaruhi penyebaran DBD. Kata Kunci : Demam Berdarah Dengue (DBD), Prediksi Kasus Penyebaran Wilayah, Naïve Bayes, K-Nearest Neighbor, Epidemologi ==================================================================================================== Dengue fever is also a serious health problem in Indonesia, including North Labuhanbatu Regency, especially Aek Kuo District. In 2023 there were 35 cases of dengue fever, this has become a concern for the local health department. This study aims to predict the spread of dengue fever cases in the Aek Kuo District area which consists of 8 villages using the Naïve Bayes and K-Nearest Neighbor methods using Microsoft Excel and Rapidmine Software. The results of this study indicate that the Naïve Bayes model has an accuracy of 95%, it can be said that the performance of the model is better in predicting the spread of dengue fever cases compared to the K-Nearest Neighbor model which has an accuracy of 65%. Based on the results of the study, there are 3 villages including Aek Korsik village, Padang Maninjau village and Bandar Selamat village which have high potential for the spread of dengue fever, therefore this study confirms the potential that can be done in the use of techniques, especially the epidemiology of infectious diseases and provides important insights into environmental factors that influence the spread of dengue fever. Keywords : Dengue Hemorrhagic Fever (DHF), Prediction of Regional Spread Cases, Naïve Bayes, K-Nearest Neighbor, Epidemiology

Item Type:	Thesis (Skripsi)
Uncontrolled Keywords:	Demam Berdarah Dengue (DBD), Prediksi Kasus Penyebaran Wilayah, Naïve Bayes, K-Nearest Neighbor, Epidemologi ====================================== Dengue Hemorrhagic Fever (DHF), Prediction of Regional Spread Cases, Naïve Bayes, K-Nearest Neighbor, Epidemiology
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources Z Bibliography. Library Science. Information Resources > ZA Information resources > ZA4050 Electronic information resources
Divisions:	Fakultas Sains Dan Teknologi > Sistem Informasi
Depositing User:	Unnamed user with email repository@ulb.ac.id
Date Deposited:	16 May 2025 03:22
Last Modified:	16 May 2025 03:22
URI:	http://repository.ulb.ac.id/id/eprint/1375

Actions (login required)

View Item