BABI PENDAHULUAN 1.1 Latar Belakang Avian Influenza atau yang juga dikenal dengan flu burung, termasuk salah satu penyakit yang patut diwaspadai karena telah menimbulkan banyak kerugian bagi peternak dan juga dapat menyebabkan kematian pada manusia. Di Indonesia, dari total 199 kasus penyakit ini telah menyebabkan 167 kematian pada manusi manusia yang terinfeksi. Hingga akhir tahun 2015, Indonesia masih tercatat sebagai negara dengan kasus kematian terbanyak di dunia pada manusia karena Avian Influenza [1]. Pulau Jawa dan Madura juga dilaporkan sebagai wilayah yang memiliki densitas Avian Influenza tertinggi pada hewan di Indonesia sejak tahun 2003 hingga 2005 [2]. Oleh karena itu, pengendalian penyakit Avian Influenza merupakan hal yang penting untuk dilakukan, terutama di Pulau Jawa dan Madura. Pengendalian yang baik tentunya membutuhkan perencanaan yang baik pula, Kegiatan perencanaan meliputi pengalokasian sumber daya serta penjadwalan. Kegiatan perencanaan yang strategis sangat dibutuhkan agar dapat mengalokasikan sumber daya yang terba ss secara efektif dan efisien. Selain itu, banyaknya jenis penyakit yang harus dikendalikan oleh pemerintah, yang memiliki pola kejadian yang berbeda-beda, menjadi alasan pentingnya analisis tren jumlah penyakit dari waktu ke waktu dan peramalannya untuk mendukung kegiatan perencanaan strategis. Beberapa penelitian telah mencoba membuat model untuk membuat prediksi mengenai Avian Influenza dari berbagai pendekatan. Pertama, pendekatan biologi yang dilakukan dengan memprediksi varian jenis virus Avian Influenza. Kedua, pendekatan spasial yang dilakukan untuk memprediksi ke wilayah mana sajakah kemungkinan virus ini akan menyebar. Pendekatan tersebut dilakukan secara deskriptif. Ada pula pendekatan spasio-temporal yang bertujuan untuk memprediksi seberapa cepat virus tersebut menyebar dari satu wilayah kewilayah lainnya, Salah satu pendekatan yang cukup terkenal yang sering dipakai dalam pemodelan epidemiologi adalah pendekatan contact-network. Pemodelan ini dapat digunakan untuk simulasi penyebaran penyakit melalui hubungan kontak antar unggas. Pemodelan ini biasanya menggunakan model SIR atau Susceptible (rentan) — Infected (terinfeksi) — Recovered (pulih), Namun, pendekatan ini memiliki kelemahan. Fakta di lapangan menunjukkan bahwa memang ada sebagian unggas yang hidupnya liar, namun ada pula unggas yang berada pada kelompok-kelompok peternakan yang terpisah sehingga tidak ada kontak bebas antar kelompok unggas tersebut. Selain itu, biasanya ketika ada satu atau beberapa unggas yang mati karena Avian Influenza, maka seluruh unggas lainnya dalam peternakan yang sama juga ikut dimusnahkan, Dengan demikian, pemodelan SIR tersebut tidak dapat digunakan secara langsung untuk memprediksi tren penularan penyakit Avian Influenza [3]. Pendekatan lain yang dapat mendeteksi pola kejadian dari waktu ke waktu untuk menganalisis tren, siklus, dan pola musiman ialah dengan analisis runtun waktu. Penelitian untuk memprediksi Avian Influenza pada hewan dengan pendekatan runtun waktu pernah dilakukan, yakni peramalan untuk kasus di Mesit [4], gabungan kasus di beberapa negara [3], dan kasus di Jawa dan Madura [5], [6]. Dari beberapa penelitian tersebut, terlihat bahwa pola kejadian Avian Influenza secara runtun waktu di beberapa wilayah tergolong cukup rumit, Menurut Zhang, dk [3], pola kejadian Avian Influenza tidak terlihat dengan jelas, kompleks, dan memiliki pola musiman yang tersembunyi sehingga sulit untuk diidentifikasi, Penelitian di wilayah lain yakni Jawa dan Madura [5] juga menunjukkan bahwa tidak ditemukan adanya pola musiman pada kasus Avian Influenza di wilayah tersebut. Dalam pemodelan runtun waktu, pemilihan metode atau teknik pemodelan serta pemilihan Jag sebagai variabel prediktor adalah hal yang paling krusial Beberapa peneliti berpendapat bahwa dibutubkan teknik peramalan yang mendukung pemodelan non-linear karena suatu peristiwa dalam dimensi runtun waktu, termasuk peristiwa epidemi, seringkali memiliki hubungan yang tidak linier [3], [4], [7]. Sementara itu, metode pemilihan lag yang sesuai juga masihmenjadi tantangan sampai saat ini, Beberapa peneliti menggabungkan metode linier dan non-linear dalam pemodelan runtun waktu [3], [6], [8], [9]. Metode linier digunakan sebagai penentu variabel Jag dan metode non-linear untuk pemodelannya, Beberapa peneliti lain berpendapat bahwa lebih baik menggunakan metode seleksi Jag yang non-linear apabila menggunakan teknik pemodelan yang non-linear [10], [11]. Menurut May, dkk [11], jika digunakan seleksi input dengan metode linier, maka model prediksi yang dibangun bisa saja tidak optimal karena melewatkan input yang mempunyai hubungan non-linear dengan output yang juga mengandung informasi penting dalam pemodelan. Banyak pula pengembangan model peramalan yang dilakukan tanpa_seleksi variabel prediktor karena beranggapan bahwa metode machine learning dapat mempelajari pola dengan baik pada berbagei kombinasi variabel prediktor [11]. Padahal jika variabelnya terlalu banyak, maka kompleksitasnya juga akan meningkat. Selain itu, mungkin saja terdapat variabel lag yang tidak relevan terhadap variabel prediksi sehingga ketcrlibatannya dalam proses pelatihan menjadi pengganggu proses pembelajaran. Sebagian besar penelitian mengenai peramalan lebih berfokus pada metode peramalan yang diusulkan dan juga perbandingan terhadap metode peramalan lainnya, Pada kasus Avian Influenza, belum ada penelitian yang secara khusus membahas mengenai perbandingan antar metode seleksi /ag yang berbeda dan pengaruhnya terhadap hasil peramalan, Ada dua penelitian peramalan kasus Avian Influenza yang menggunakan seleksi Jag (3], [6]. Keduanya menggunakan Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF) sebagai pertimbangan dalam menentukan lag yang akan dipilih sebagai variabel prediktor. ACF dan PACF memiliki keterbatasan yakni hanya dapat mencari hubungan linier saja, Schingga variabel Jag laimnya yang mungkin memiliki hubungan non-linear bisa saja terlewatkan. Dengan demikian, masih ada kemungkinan untuk meningkatkan akurasi peramalan Avian Influenza dengan pemilihan Jag tanpa batasan asumsi linier antara variabel prediktor dan target prediksi, Oleh karena itu, perlu dilakukan penelitian untuk mengetahui apakah pemilihan lag secara non-linear pada asus Avian Influenza mampumenghasilkan akurasi peramalan yang lebih baik dibanding pemilihan lag dengan batasan asumsi linier. Dalam penelitian ini digunakan salah satu metode metaheuristik, yakni Binary Particle Swarm Optimization (BPSO). Scbagai metode optimisasi, BPSO dapat mencari solusi optimum atau yang dekat dengan optimum schingga diharapkan mampu menemukan komposisi lag yang dapat menghasilkan akurasi yang baik bagi peramalan. Penjelasan lebih detail mengenai keunggulan metode ini dibahas pada tinjauan pustaka di bab selanjutnya, 1.2 Perumusan Masalah Dua penelitian sebelumnya mengenai peramalan Avian Influenza yang menggunakan ACF dan PACF untuk pemilihan Jag memiliki keterbatasan hanya dapat mencari hubungan linier saja, Beberapa peneliti berpendapat bahwa pemilihan lag yang linier tidak cocok digunakan dalam pemodelan non-linear [10], [11], sebab variabel Jag lainnya yang sebenarnya memiliki hubungan non- linear bisa saja terlewatkan atau tidak terpilih, 1.3 Batasan Penelitian Pada penelitian ini, dilakukan pengembangan penelitian yang telah dilakukan oleh Utami [6] yang menerapkan peramalan Avian Influenza pada hewan di wilayah Jawa dan Madura, Penelitian ini dibatasi hanya menggunakan metode Artificial Neural Network (ANN) saja karena pada penelitian sebelumnya ANN menghasilkan akurasi yang lebih tinggi dibanding ARIMA. Dalam penelitian ini, seleksi Jag dilihat pengaruhnya terhadap akurasi_peramalan menggunakan ANN. Seleksi lag yang dibandingkan dibatasi pada tiga metode. Pertama, ACF- PACF, Kedua, Seasonal Autoregressive (SAR). Metode _tersebut mengkombinasikan pemilihan /ag menggunakan ACF dan PACF dengan Fast Fourier Transform (FFT) kemudian diformulasikan sesuai dengan model SAR dan dipilih model dengan akurasi terbaik. Kemudian yang ketiga adalah metode yang diusulkan pada penelitian ini, yakni Binary Particle Swarm Optimization (BPSO). Penelitian ini hanya sebatas untuk mengetahui pengaruh ketiga metode seleksi Jag tersebut tethadap performa ANN, namun tidak sampai pada pembuatanaplikasi peramalan. 1.4 Keaslian Penelitian Penelitian sebelumnya yang pernah dilakukan terkait dengan prediksi kasus Avian Infuenza dengan pendekatan runtun waktu tercantum pada Tabel 1.1 Beberapa penelitian tersebut berfokus pada metode peramalan yang diusulkan, namun belum ada yang membandingkan beberapa metode seleksi variabel lag. Penelitian yang memanfaatkan metode Random Forest [4] menggunakan variabel yang dipilih sendiri olch penelitinya. Sedangkan metode-metode seleksi variabel Jag yang pernah diimplementasikan [3], [5], (6] untuk kasus Avian Influenza ini masih terbatas pada asumsi linier dan belum ada yang menggunakan metode non- linear. Tabel 1.1, Penelitian Peramalan Runtun Waktu Avian Influenza No. Judul Penelitian Tujuan Penelitian 1 | Comparison of ARIMA and | Memprediksi kejadian Avian Influenza Random Forest Time Series _| di Mesir menggunakan Random Forest Models for Prediction of Avian. | yang dibandingkan dengan ARIMA Influenza HSN1 Outbreaks (4] 2 | A Seasonal Auto-Regressive | Memodelkan kejadian Avian Influenza Model Based Support Vector _| sccara global menggunkakan Support Regression Prediction Method | Vector Machine (SVM) dengan seleksi [for HSNI Avian Influenza lag berdasarkan Seasonal Animal Events [3] Autoregressive (SAR) 3. | Forecasting Avian Influenza | Memodelkan kejadian Avian Influenza Incidence in Java and Madura | di Jawa dan madura menggunakan Area [5] ARIMA 4 | Peramalan Kasus Avian ‘Memodelkan kejadian Avian Influenza Influenza pada Hewan di Jawa dan Madura menggunakan menggunakan Metode ARIMA yang dibandingkan dengan Autoregressive Integrated Back Propagation Neural Network Moving Average dan Back menggunakan seleksi Jag ACF- PACF Propagation Neural Network [6] ‘Sementara itu, penelitian mengenai PSO yang pernah dilakukan mengenai seleksi fitur untuk data mining dapat dikelompokkan sebagai berikut1. Usulan PSO untuk seleksi fitur pada klasifikasi: a) b) °) 8) Bing Xue, dkk [12] mengusulkan seleksi fitur menggunakan PSO yang bertujuan untuk mencari jumlah fitur yang sedikit dengan akurasi yang lebih baik. Zhai dan He [13] mengusulkan New Jmmune BPSO untuk seleksi instance pada Klasifikasi runtun waktu, Tujuannya adalah untuk mencari kombinasi instance terkecil dengan akurasi klasifikasi yang maksimum, Yin, dkk [14] menggunakan algoritma seleksi fitur untuk praseleksi koefisien Discrete Cosine Transform (DCT) dan selanjutnya menggunakan BPSO dan SVM untuk mencari koefisien DCT. Alper Unler dan Alper Murat [15] mengusulkan modifikasi PSO Discrete untuk menginvestigasi seleksi subset fitur pada Klasifikasi biner menggunakan model regresi logistik. Alper Unler, dkk [16] mengusulkan hibridisasi filter dan wrapper untuk seleksi fitur menggunakan PSO dan SVM. Zhang, dk [17] mengusulkan Binary Bare Bones PSO untuk mencari solusi optimal seleksi fitur. Ghamisi dan Benediktsson [18] menggabungkan PSO dan algoritme genetika untuk seleksi fitur. Fimess value diukur menggunakan SVM. Pendekatan tersebut mampu menyeleksi fitur yang paling informatif secara otomatis yang diukur menggunakan akurasi klasifikasi Mandal dan Mukhopadhyay [19] mengelola permasalahan seleksi fitur seperti permasalahan graph. Mereka menggunakan multiobjective BPSO untuk memberikan bobot pada subgraph: 2. Usulan PSO untuk seleksi Jag pada peramalan runtun waktu: a) Oliveira dan Ludermir [20] mengusulkan PSO untuk pemilihan Jag dan parameter ARIMA serta SVM.b) Ribeiro, dkk [7] mengusulkan pemilihan lag meggunakan Frankerstein’s PSO dan diuji pada Multilayer Perceptron serta Support Vector Regression. 3. Penerapan Seleksi fitur PSO pada Klasifikasi: a) Deteksi Spam Zhang, dkk [21] menerapkan BPSO dengan operator mutasi (MBPSO) untuk mencari subset pada deteksi spam yang bertujuan untuk mengurangi false positive error. MBPSO lebih baik dibanding Sequential Forward Selection (SFS) dan Sequential Backward Selection (SBS). Biologi dan Medis Chang, dkk [22] mengintegrasikan Case Based Reasoning dengan PSO untuk klasifikasi data, Dalam penelitian tersebut PSO digunakan sebagai pembobotan. Cuang, dkk [23] menggunakan BPSO dengan K-NN untuk Klasifikasi data gene expression, Sedangkan Inbarani, dkk [24] menggunakan Naive Bayes dengan seleksi fitur PSO dan rough set untuk diagnos penyakit, 4. Penerapan PSO dalam Peramalan: a) °) Bidang kelistrikan Selakov, dkk [25] mengusulkan implementasi PSO-SVM untuk peramalan short-term electrical load. Tujuannya ialah meramalkan beban selama terdapat variasi temperatur yang signifikan, Bidang Energi Mandal, dkk [26] menggunakan PSO untuk optimisasi Neural Network dan Intelligent Algorithm yang menggunakan data filtering berbasis Wavelet Transform untuk membuat perkiraan kekuatan gabungan tenaga an; n Bidang Medical Engineering Chang, dkk [27] menerapkan model PSO untuk membangunsistem pengambilan keputusan identifikasi penyakit breast cancer dan liver disorders. Dari penelitian sebelumnya mengenai pemanfaatan PSO pada data mining, diketahui bahwa telah banyak diusulkan pengembangan metode PSO yang dimanfaatkan untuk seleksi fitur pada klasifikasi dan peramalan runtun waktu, namun masih sedikit implementasinya. Di antara penelitian-penelitian tersebut belum ada penerapan PSO untuk peramalan dalam bidang epidemiologi pada ‘umumnya, serta untuk pemilihan Jag pada peramalan kasus Avian Influenza pada khususnya. 1.5 Tujuan Penelitian ‘Tujuan dari penelitian ini adalah sebagai berikut. 1, Mengimplementasikan metode BPSO untuk menyeleksi Jag yang digunakan sebagai input ANN pada pemodelan runtun waktu Avian Influenza, 2. Mengetahui apakah ada perbedaan yang signifikan antara ANN yang: menggunakan metode seleksi Jag BPSO, menggunakan metode seleksi lag ACF-PACF dan SAR, serta tanpa menggunakan selcksi Jag. 1.6 Manfaat Penelitian Penelitian ini diharapkan dapat menghasilkan teknik pemilihan lag yang bisa dimanfaatkan untuk peramalan runtun waktu secara umum yang pola musimannya tidak terlihat dengan jelas, Algoritme BPSO dapat dimanfaatkan untuk peramalan runtun waktu yang tidak membutuhkan pemrosesan secara real time. Dengan mengetahui komposisi Jag yang baik bagi peramalan, penelitian ini juga dapat dimanfaatkan sebagai referensi untuk pembuatan sistem pengambilan keputusan yang melibatkan peramalan khususnya bagi pengamat dan pengambil keputusan di bidang epidemiologi.