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 kewilayah 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 masihmenjadi 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 mampumenghasilkan 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 pembuatanaplikasi 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 berikut1. 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 membangunsistem 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.