ANALISIS KOMPARASI ALGORITMA OPTIMASI DALAM MENINGKATKAN AKURASI PREDIKSI MODEL ANN PADA TREN KASUS CACAR MONYET GLOBAL

Cacar monyet (Monkeypox/MPXV) ditetapkan sebagai Public Health Emergency
of International Concern (PHEIC) oleh World Health Organization (WHO) pada
tahun 2024, menyusul lonjakan kasus signifikan di Republik Demokratik Kongo
dan beberapa negara Afrika lainnya. Penyebaran yang cepat serta keterbatasan
pengobatan spesifik menuntut ketersediaan sistem prediksi yang akurat dan adaptif
Menanggapi kebutuhan tersebut, penelitian ini bertujuan untuk mengembangkan
dan mengevaluasi model prediktif berbasis Artificial Neural Network (ANN) yang
diintegrasikan dengan algoritma optimasi metaheuristik guna meningkatkan
akurasi prediksi penyebaran kasus MPXV. Model dievaluasi dalam empat skema,
yaitu ANN baseline tanpa optimasi serta ANN yang dioptimasi menggunakan
Particle Swarm Optimization (PSO), Harris Hawks Optimization (HHO), dan
Genetic Algorithm (GA) dengan dataset yang digunakan bersumber dari Our World
in Data, mencakup periode 3 Juni 2022 hingga 3 Juni 2024. Model kemudian
dievaluasi menggunakan matrik Root Mean Square Error (RMSE) dan R². Hasil
eksperimen menunjukkan bahwa integrasi ANN dengan algoritma GA
menghasilkan performa terbaik, dengan penurunan RMSE sebesar 29,59% dari
0,196 menjadi 0,138 dan peningkatan R² sebesar 0,32% dari 0,9936 menjadi 0,9968
dibandingkan model baseline. Temuan ini mengindikasikan bahwa pemanfaatan
algoritma optimasi metaheuristik, khususnya GA, mampu meningkatkan akurasi
prediksi ANN secara signifikan. Dengan demikian, pendekatan ini berpotensi
menjadi dasar bagi pengembangan sistem pendukung keputusan berbasis
kecerdasan buatan dalam pemantauan dan mitigasi penyebaran penyakit menular
seperti MPXV.
Kata Kunci: Artificial Neural Network, Genetic Algorithm, Monkeypox, Optimasi
Hyperparameter, Prediksi Epidemiologi.