1 Background

Demam Berdarah (DBD) merupakan salah satu penyakit menular yang menjadi tantangan serius dalam bidang kesehatan di Indonesia. DBD disebabkan oleh virus dengue yang ditularkan oleh nyamuk Aedes aegypti dan Aedes albopictus. Penyakit ini dapat berdampak fatal dan memiliki dampak signifikan terhadap masyarakat dan sistem kesehatan. Meskipun langkah-langkah pencegahan dan pengendalian telah dilakukan, angka kesakitan dan kematian akibat DBD masih menjadi perhatian.

Kasus DBD di Indonesia memiliki pola musiman, dengan peningkatan kasus yang cenderung terjadi pada musim hujan. Faktor lain yang memengaruhi penyebaran DBD meliputi kondisi lingkungan, sanitasi, serta perilaku masyarakat dalam mengelola tempat penampungan air. Kendati upaya pengendalian terus ditingkatkan, kompleksitas faktor-faktor ini membuat perencanaan dan pengambilan keputusan menjadi sulit.

Dalam konteks ini, proyek “Prediksi Kasus Demam Berdarah Dengue di Provinsi Jawa Barat” memiliki tujuan utama untuk memberikan solusi yang komprehensif melalui pemanfaatan teknologi dan analisis data. Dashboard interaktif akan diimplementasikan untuk memberikan wawasan yang lebih baik terkait tren penyebaran kasus DBD di berbagai wilayah Indonesia. Dashboard ini akan diintegrasikan dengan teknik Machine Learning untuk memprediksi pola penyebaran kasus DBD di masa depan.

Melalui pengumpulan dan analisis data historis tentang kasus DBD, termasuk informasi seperti lokasi, musim, faktor lingkungan, serta upaya pencegahan yang dilakukan, dashboard ini akan menghasilkan visualisasi yang informatif dan mudah dimengerti. Pengguna dashboard, termasuk para ahli kesehatan, peneliti, dan pihak berwenang, dapat dengan cepat mengakses informasi yang relevan dan mengambil langkah-langkah yang lebih efektif dalam mengatasi masalah DBD.

Teknik Machine Learning akan digunakan untuk mengembangkan model prediksi kasus DBD berdasarkan data historis dan faktor-faktor yang mempengaruhi penyebaran penyakit. Model ini dapat memberikan pandangan mendalam tentang potensi peningkatan kasus di masa mendatang, memberikan peluang untuk mengalokasikan sumber daya kesehatan dengan lebih bijak, dan meningkatkan efektivitas intervensi pencegahan.

Dengan adanya proyek ini, diharapkan bahwa pihak berwenang, lembaga kesehatan, dan masyarakat umum akan mendapatkan akses lebih mudah terhadap informasi terkini mengenai kasus DBD di Indonesia. Ini akan membantu dalam perencanaan strategis, pengambilan keputusan yang cepat, dan alokasi sumber daya yang tepat guna untuk mengendalikan dan mencegah penyebaran penyakit ini. Selain itu, partisipasi masyarakat dalam upaya pencegahan juga dapat ditingkatkan melalui informasi yang lebih transparan dan terukur.

Dalam kesimpulannya, proyek ini akan memberikan dampak positif dalam upaya pengendalian DBD di Indonesia. Dengan memadukan teknologi informasi, analisis data, dan Machine Learning, proyek ini tidak hanya membantu mengidentifikasi pola dan tren kasus DBD, tetapi juga memberikan alat yang berguna dalam memitigasi risiko dan memastikan langkah-langkah pencegahan yang lebih efektif. Dengan demikian, proyek ini menjadi langkah proaktif dalam menjaga kesehatan masyarakat dan meningkatkan kapasitas penanggulangan penyakit di masa depan.

Prediksi berupa klasifikasi penyebaran penyakit demam berdarah diperlukan untuk mengetahui seberapa besar potensi persebaran penyakit demam berdarah di suatu wilayah yang diharapkan dapat mempermudah untuk menentukan langkah yang tepat dalam proses penanggulangan penyakit demam berdarah, sehingga dapat meningkatkan derajat kesehatan masyarakat.

Dari gambar di atas, kita dapat melihat terdapat 13 Provinsi dengan kasus tertinggi yang meliputi sebagian Sumatera, seluruh pulau Jawa, Sebagian Sulawesi, Bali dan Nusa Tenggara. Provinsi dengan kasus – kasus DBD Tertinggi, sebagain besar tersebar di provinsi yang menjadi pusat perdagangan, pusat industry dengan mobilitas dan penduduk yang padat. Dan sebagian lagi merupakan pusat tujuan wisata serta pengembangan perumahan serta hotel.

2 Problem Statement

Untuk mengungkap provinsi-provinsi dengan angka kasus DBD tertinggi, pendekatan berdasarkan data masa lalu bisa digunakan. Meskipun, metode ini lebih berfokus pada tindakan responsif. Sebagai alternatif, diperlukan teknik analisis yang mampu memprediksi provinsi-provinsi yang berisiko tinggi terkena kasus DBD. Pendekatan ini akan memfasilitasi tindakan preventif yang lebih efektif oleh pihak yang memiliki kepentingan, seperti lembaga pemerintah, badan sosial, dan individu yang prihatin.

Meskipun menganalisis data historis berguna untuk memahami pola kasus yang terjadi, metode ini cenderung bersifat reaktif. Dalam mengatasi masalah kompleks seperti DBD, langkah preventif menjadi kunci untuk mengurangi dampaknya. Oleh karena itu, pengembangan teknik analisis yang mampu memprediksi potensi risiko di masa mendatang sangat penting.

Teknik analisis yang diusulkan akan mendasarkan prediksinya pada beragam faktor. Selain data historis kasus DBD, faktor-faktor seperti faktor lingkungan, kepadatan populasi, kondisi sanitasi, serta iklim akan diambil dalam pertimbangan. Integrasi variabel-variabel ini akan memberikan gambaran yang lebih komprehensif tentang kondisi yang dapat mempengaruhi penyebaran DBD.

Hasil dari model prediksi akan memberikan pengetahuan berharga kepada para pemangku kepentingan. Dengan mendeteksi provinsi-provinsi dengan risiko tinggi, langkah-langkah pencegahan yang lebih terfokus dan proaktif dapat diambil. Ini memungkinkan penggunaan sumber daya yang lebih bijak, alokasi anggaran yang lebih efektif, serta implementasi kampanye penyuluhan yang lebih tepat sasaran.

Selain memberikan manfaat bagi entitas pemerintah dan organisasi sosial, teknik analisis ini juga berpotensi meningkatkan kesadaran masyarakat. Informasi tentang prediksi risiko DBD dapat dibagikan dengan masyarakat luas melalui kampanye dan media sosial. Hal ini akan membantu masyarakat mengambil tindakan pencegahan secara mandiri, seperti meningkatkan kebersihan lingkungan dan menghindari faktor risiko.

Penting untuk mencatat bahwa teknik analisis ini tidak hanya memberikan gambaran risiko tetapi juga memberikan kerangka kerja bagi upaya pengurangan risiko. Dalam hal ini, model prediksi akan menjadi alat yang berharga untuk membimbing perencanaan dan strategi mitigasi.

Pengembangan model ini melibatkan tahap pemrosesan data, pemilihan fitur yang tepat, pelatihan model, dan evaluasi performa. Model akan diuji dengan menggunakan data masa lalu yang tidak digunakan selama pelatihan untuk memastikan validitasnya dalam menghadapi situasi yang sebenarnya.

Secara keseluruhan, teknik analisis ini menjanjikan pengembangan pendekatan pencegahan yang lebih canggih dalam menghadapi DBD. Dengan menggabungkan keunggulan data analitik dan kepentingan kesehatan masyarakat, model prediksi ini akan menjadi alat yang berharga dalam mengurangi beban DBD di Indonesia. Dengan memungkinkan identifikasi risiko dan tindakan preventif yang lebih baik, proyek ini berkontribusi pada peningkatan kesejahteraan dan kualitas hidup masyarakat secara keseluruhan.

3 Project Idea

Penanganan Demam Berdarah (DBD) memerlukan pendekatan komprehensif yang mencakup tindakan kuratif dan preventif. Oleh karena itu, proyek ini akan berfokus pada pengembangan sebuah model analisis yang dapat memprediksi provinsi-provinsi di Indonesia yang berpotensi memiliki angka kasus DBD tertinggi.

DBD terus menjadi permasalahan kesehatan yang signifikan di Indonesia. Meskipun berbagai upaya telah dilakukan untuk mengendalikan penyebaran penyakit ini, tantangan tetap ada. Dalam hal ini, upaya pencegahan memiliki peran yang penting untuk mengurangi dampak sosial dan kesehatan yang diakibatkan oleh kasus DBD.

Model analisis yang dikembangkan dalam proyek ini akan didasarkan pada data historis kasus DBD dan faktor-faktor yang mempengaruhi penyebaran penyakit. Faktor-faktor ini meliputi aspek lingkungan, iklim, demografi, serta intervensi kesehatan yang telah dilakukan. Data tersebut akan dimanfaatkan untuk melatih model Machine Learning yang mampu melakukan prediksi terkait provinsi-provinsi yang memiliki risiko tinggi terhadap kasus DBD.

Tujuan dari pengembangan model ini adalah untuk memberikan panduan kepada pihak berwenang, lembaga kesehatan, dan masyarakat tentang di mana sebaiknya upaya pencegahan dan penanganan DBD lebih diutamakan. Dengan memprediksi provinsi-provinsi dengan risiko tertinggi, langkah-langkah pencegahan seperti kampanye penyuluhan, peningkatan pengawasan vektor, serta alokasi sumber daya kesehatan dapat diarahkan dengan lebih efektif.

Selain itu, model ini juga akan membantu menginformasikan perencanaan dan pengambilan keputusan yang lebih tepat dalam menghadapi musim-musim kritis yang berpotensi meningkatkan penyebaran DBD. Dengan adanya prediksi yang lebih akurat, penanganan kasus DBD dapat dilakukan secara lebih tepat waktu, mengurangi dampak negatif pada kesehatan masyarakat.

Dalam proses pengembangan model analisis ini, akan dilakukan langkah-langkah seperti pemrosesan data, pemilihan fitur yang relevan, pelatihan model, dan evaluasi performa. Model tersebut akan diuji dengan menggunakan data historis yang tidak pernah dilihat sebelumnya, untuk memastikan bahwa prediksi yang dihasilkan dapat diandalkan dan memiliki generalisasi yang baik.

Proyek ini memberikan nilai tambah dengan menggabungkan teknologi analisis data canggih dan tujuan kesehatan masyarakat. Dengan memberikan informasi prediktif yang lebih akurat mengenai risiko DBD, proyek ini memberikan kesempatan untuk merencanakan langkah-langkah pencegahan dan penanganan yang lebih cerdas dan lebih efektif. Kesimpulannya, proyek ini memiliki potensi untuk memberikan kontribusi yang signifikan dalam upaya mengatasi masalah DBD di Indonesia dan meningkatkan kualitas hidup masyarakat secara keseluruhan.

4 Problem Scope

Pada project ini akan digunakan dataset data data.humdata.org. Dataset ini mengandung informasi sebagai berikut:

  • No: Nomor Urut
  • Pcode: Kode Provinsi
  • Provinsi/ Province: Nama Provinsi
  • 2015_Cases: Jumlah kasus baru di tahun 2015
  • 2015_Incidence rate: Jumlah insiden di tahun 2015
  • 2015_Death: Jumlah kasus kematian di tahn 2015
  • 2015_CFR: Case Fatality Rate tahun 2015
  • 2016_Cases: Jumlah kasus baru di tahun 2016
  • 2016_Incidence rate: Jumlah insiden di tahun 2016
  • 2016_Death: Jumlah kasus kematian di tahn 2016
  • 2016_CFR: Case Fatality Rate tahun 2016
  • 2017_Cases: Jumlah kasus baru di tahun 2017
  • 2017_Incidence rate: Jumlah insiden di tahun 2017
  • 2017_Death: Jumlah kasus kematian di tahn 2017
  • 2017_CFR: Case Fatality Rate tahun 2017

5 Output

Output dari project ini berupa dashboard analysis yang menampilkan peta prediksi kasus DBD se-Indonesia.

6 Exploratory Data Analysis

6.1 Import Library

library(dplyr)
library(ggplot2)
library(scales)
library(glue)
library(plotly)
library(lubridate)
library(DT)
library(stringr)
library(tidyverse)
options(scipen = 100)

6.2 Membaca Data

dengue_raw <- readxl::read_xlsx("data_input/dengue-fever-cases-by-province-2015-2017.xlsx")
dengue_raw
dengue_2015 <- dengue_raw %>%  
  mutate( 
    Province=as.character(`Provinsi/ Province`),
    Year=2015,
    Cases=as.numeric(`2015_Cases`),
    IncidenceRate=as.numeric(`2015_Incidence rate`),
    Death=as.numeric(`2015_Death`),
    CFR=as.numeric(`2015_CFR`),
    
  ) 

dengue_2016 <- dengue_raw %>% 
  mutate( 
    Province=as.character(`Provinsi/ Province`),
    Year=2016,
    Cases=as.numeric(`2016_Cases`),
    IncidenceRate=as.numeric(`2016_Incidence rate`),
    Death=as.numeric(`2016_Death`),
    CFR=as.numeric(`2016_CFR`),
    
  ) 

dengue_2017 <- dengue_raw %>% 
  mutate( 
    Province=as.character(`Provinsi/ Province`),
    Year=2017,
    Cases=as.numeric(`2017_Cases`),
    IncidenceRate=as.numeric(`2017_Incidence rate`),
    Death=as.numeric(`2017_Death`),
    CFR=as.numeric(`2017_CFR`),
    
  ) 
dengue<-rbind( dengue_2015,dengue_2016,dengue_2017)
dengue=select(.data = dengue, -`Provinsi/ Province`,-`2015_Cases`, -`2015_Incidence rate`, -`2015_Death`,-`2015_CFR`, -`2016_Cases`, -`2016_Incidence rate`, -`2016_Death`,-`2016_CFR`, -`2017_Cases`, -`2017_Incidence rate`, -`2017_Death`,-`2017_CFR`)
dengue <- dengue %>% filter( Pcode!="N/A" )
dengue
colSums(is.na(dengue))
#>            No         Pcode      Province          Year         Cases 
#>             0             0             0             0             0 
#> IncidenceRate         Death           CFR 
#>             0             0             0
ggplot(dengue, aes(x=Cases, y=Province, fill=Year)) + 
    geom_bar(position='stack', stat='identity')