KATA PENGANTAR

MELALUI DATA MINING PADA DATABASE DINAS KESEHATAN DKI JAKARTA

Puji syukur penulis sampaikan kehadirat Allah SWT, atas berkah dan rahmat- Nya, akhirnya penulis dapat menyelesaikan tugas penelitian ini dengan judul ”PERUMUSAN POLA PENYEBARAN DEMAM BERDARAH MELALUI DATA MINING PADA DATABASE DINAS KESEHATAN DKI JAKARTA”. Tugas penelitian ini dibuat untuk memenuhi salah satu persyaratan studi pada program Studi Ilmu Komputer, Sekolah Pascasarjana IPB.

Tugas penelitian ini dapat terselesaikan atas bantuan dari berbagai pihak. Oleh karena itu ijinkan penulis untuk menyampaikan ucapan terima kasih yang sebesar – sebesarnya kepada :

1. Bapak Prof. Dr. Ir. Marimin, M.Sc dan Bapak Dr. drh. Sjahrun Hamdani Nasution, selaku Dosen pembimbing, yang telah sangat membantu dalam membimbing dan mengarahkan penulis, sehingga ide yang sederhana ini dapat menjadi sesuatu yang berguna.

2. Staf pengajar dan karyawan di Program Studi Ilmu Komputer, Sekolah Pascasarjana IPB yang telah membantu selama masa menimba ilmu di kampus Baranangsiang, dan Karyawan Pascasarjana IPB,khususnya ibu Henny, yang telah sangat membantu.

3. Orang Tua tercinta Bapak dan Ibu Suparman, yang selalu mendoakan penulis di dalam setiap nafasnya, dan menjadi motivasi penulis dalam mengejar ilmu sehingga bisa menjadi yang lebih tinggi lagi. ”Terima Kasih atas doanya dan karya ini saya persembahkan untuk Bapak dan Ibu berdua ”.

4. Bapak dan Mama Bambang Pribadi yang mendukung dan mengerti dengan situasi serta kondisi sebagai seorang mahasiswa.

5. Istriku tercinta Santhy Lestari dan anak – anak tersayang, Shafira, Farhan dan Jasmine yang selalu memberi dukungan penuh dan menjadi penyejuk disaat rasa lelah dan jenuh mulai datang me nghampiri. ” Semoga ini bisa menjadi

viii motivasi bagi kalian nanti untuk melangkah di masa depan dan kalian harus bisa lebih dari Babab saat ini ”.

6. Rekan – rekan mahasiswa Pascasarjana Ilmu Komputer angkatan ”Matrix”, yang telah membantu dalam memberi saran dan masukkan, khususnya kepada

dokter Syafeii yang telah membantu dalam memberikan data dan menjadi tempat penulis berkonsultasi tentang DBD, Herwanto yang telah sangat – sangat membantu dalam mengolah data menggunakan algoritma CPAR yang telah dimodifikasinya, Nana Supriatna yang sama – sama jatuh bangun dalam menyusun tesis ini. Rekan - rekan satu bimbingan Bapak Marimin, khususnya, mas Janawir, mas Hari dan Rein atas dukungan soft copy dan hard copy tesisnya.

7. Segenap keluarga yang telah memberikan dukunga n moral dan spirit, ”tanpa dukungan kalian, karya ini mungkin tidak akan tersusun sebaik ini”.

8. Pimpinan dan rekan sejawat di kantor tempat penulis bekerja, baik selama bekerja di PT. Mitratama, Bapak Viktor Pardede (alm), Bapak Haryanto, dan selama penulis bekerja di PT. Charoen Pokphand Indonesia, khususnya Bapak Bambang Pangestoe dan Bapak Jimmy Perangin angin yang telah mengijinkan penulis untuk menyelesaikan langkah terakhir dalam langkah yang cukup panjang ini.

9. Semua pihak yang telah sangat membantu dalam penulisan ini namun tidak dapat penulis sebutkan satu persatu. ”Terima kasih atas dukungan kalian semua, sehingga tesis ini dapat menjadi sesuatu yang berguna ”.

Berbagai usaha telah penulis upayakan guna terselesaikannya tugas penelitian ini dengan baik, namun penulis menyadari akan kekurangan dan keterbatasan penulis. Oleh karena itu penulis memohon maaf apabila terdapat kesalahan. Akhir kata penulis berharap agar tesis ini dapat berguna bagi masyarakat dalam memerangi masalah DBD yang selalu terjadi. Amin

Jakarta, Februari 2007 Penulis

ix RIWAYAT HIDUP

Penulis dilahirkan di Balikpapan pada tanggal 21 Oktober 1974, sebagai anak pertama dari 2 bersaudara pasangan bapak H. Suparman S dan ibu Hj. Purbawati Chalid. Pendidikan dasar di tempuh diberbagai temp at di wilayah Indonesia karena orang tua yang bertugas sebagai seorang Tentara TNI AD, antara lain di Singaraja, Kupang, dan menyelesaikannya di Bima – NTB tahun 1986. Pendidikan menengah pertama di selesaikan di SMPN 1 Denpasar Bali tahun 1989. Pendidikan menengah atas penulis jalani di 2 tempat yaitu di SMU 2 Ujung pandang dan diselesaikan di SMA 4 Jogjakarta dengan mengambil jurusan Biologi pada tahun 1992. Pendidikan sarjana ditempuh di Universitas Pembangunan Nasional ” Veteran” Jogjakarta dengan mengambil jurusan Teknik Geologi, Fakultas Teknologi Mineral dan diselesaikan pada tahun 1998. Tahun 2003, penulis meneruskan menimba ilmu di program Pascasarjana IPB, Institut Pertanian Bogor pada program ilmu Komputer .

Setelah menyelesaikan kuliah tingkat Sarjana penulis bekerja di PT. Mitratama dan bekerja paruh waktu di PT. Yanmar Indonesia (1998 – 2005). Sejak November 2005, penulis bergabung di PT. Charoen Pokphand Indonesia sebagai tenaga analisis data di bidang Security dan Community Development.

Saat ini penulis berdomisili di Cilangkap, Jakarta Timur dan dari hasil perkawinan penulis dengan Santhy Lestari, dikaruniai 3 orang anak, Shafira Larasati, M Farhan dan Jasmine Azahra.

x DAFTAR ISI Halaman SURAT PERNYATAAN i ABSTRACT ii RINGKASAN iii LEMBAR PENGESAHAN v KATA PENGANTAR vi

RIWAYAT HIDUP viii

DAFTAR ISI ix

DAFTAR GAMBAR xiii

DAFTAR TABEL xv

DAFTAR LAMPIRAN xvii

I PENDAHULUAN 1 1.1 Latar Belakang 1 1.2 Tujuan 3 1.3 Ruang Lingkup 3 1.4 Manfaat Penelitian 4 II TINJAUAN PUSTAKA 5

2.1 Demam Berdarah Dengue (DBD) 5

2.1.1 Definisi 5

2.1.2 Penyebab DBD 5

2.1.3 Kasus DBD di wilayah DKI Jakarta 6

2.2 Data Mining 7

2.2.1 Klasifikasi dan Prediksi 10

2.2.3 Teknik Datamining 12

2.2.3.1 Association Rule 12

2.2.3.2 Classification Based Association 13

2.2.4 Algoritma Appriori 14

2.2.5 Membuat Association Rule berdasarkan Frequent Itemset

2.2.6 Classification based on Predictive Association Rules (CPAR)

2.2.6.1 Membuat Rule dalam CPAR 18

2.2.7 Membangun Model Prediksi 18

2.3 Sistem Fuzzy 20

2.3.1 Himpunan Fuzzy 20

2.3.2 Fungsi Keanggotaan 20

2.3.3 Operator Himpunan Fuzzy 21

2.3.4 Fungsi Implikasi 22

2.3.5 Sistem Inferensi Fuzzy (FIS) 23

2.4 Prakiraan / Forecasting 25

2.4.1 Teknik Prakiraan Pemulus Eksponensial 25

2.4.2 Metode Winters 26

2.5 Penelitian terdahulu 28

2.5.1 Perbedaan dari penelitian sebelumnya 30

III METODOLOGI 31

3.1 Kerangka Pemikiran 31

3.2 Tata Laksana 34

3.2.1 Pengumpulan Data 34

3.2.2 Data Yang Digunakan 34

xii

3.3. Pembuatan Program Aplikasi 38

3.3.1 Data mining 38

3.3.2 Pembentukan Basis Aturan 39

3.3.3 Aplikasi DBD 39

3.3.4 Prediksi Cuaca Menggunakan Metode Winter’s

IV PERANCANGAN SISTEM 41

4.1 Gambaran Umum Sistem 41

4.2 Analisa Kebutuhan Sistem 42

4.3 Desain Sistem 42

4.3.1 Tahapan Data mining 42

4.3.2 Tahapan Aplikasi DBD 44

4.4 Antar muka 50

V IMPLEMENTASI SISTEM 51

5.1 Implementasi Sistem 51

5.2 Pembangunan Sistem Data mining 52

5.2.1 Pembentukan Sampel Positif dan Sampel Negatif

5.2.2 Pembentukan Basis Aturan / Rule Base 53

5.3 Program Aplikasi 55

5.3.1 Input Sistem 55

5.3.2 Proses Evaluasi Sistem 58

5.3.3 Output Sistem 65

5.3.4 Prediksi DBD Tahun Selanjutnya 66

xiii

VI PENGUJIAN DAN PEMBAHASAN 68

6.1 Mekanisme Pengujian 68

6.2 Pembentukan Model Dengan Data Training 68

6.3 Pelatihan Dengan Data Testing 72

6.4 Pembahasan 73

6.5 Penerapan Aplikasi DBD Per Kecamatan 74 6.5.1 Pembentukan Model Dengan Data Training 75

6.5.2 Pembahasan 81

6.5 Prediksi DBD Tahun 2007 84

6.6 Implikasi Manajerial 89

VII KESIMPULAN DAN SARAN 92

7.1 7.2 Kesimpulan 92 Saran 93 DAFTAR PUSTAKA 94 LAMPIRAN 96

xiv DAFTAR GAMBAR

Halaman Gambar 1 Jumlah Kasus DBD Bersumber Survailans Aktif RS per Bulan

di DKI Jakarta, 2001 – 2006 ( s/d 17 mei 2006)

Gambar 2 Peningkatan data dalam 2 dekade terakhir (Sumber: Fayyad, Piatetsky-Shapiro dan Smyth, 1996)

Gambar 3 Pembuatan Model dalam Datamining (adaptasi dari Berry,MJA and Linoff,GS)

Gambar 4 Model Proses Pembuatan Datamining 11

Gambar 5 Langkah – Langkah Membangun Model Prediksi 19 Gambar 6 Fungsi Keanggotaan “USIA” dengan representasi Sigmoid 21

Gambar 7 Fungsi Implikasi MIN 23

Gambar 8 Fungsi implikasi DOT 23

Gambar 9 Data mining, multimodel dan fuzzy Model (adaptasi dari Hirota et al)

Gambar 10 Sistem Peringatan Dini Prediksi Meledaknya DBD dan Cara Penanggulannya

Gambar 11 Tahapan Penelitian 33

Gambar 12 Arsitektur system Aplikasi DBD 37

Gambar 13 Model Aplikasi DBD 41

Gambar 14 Fuzzifikasi Suhu 46

Gambar 15 Fuzzifikasi Curah Hujan 47

Gambar 16 Fuzzifikasi Penyinaran Matahari 47

Gambar 17 Fuzzifikasi Kelembaban Udara 48

Gambar 18 Antarmuka Aplikasi DBD 50

Gambar 19 Tabel Data Selama 1 Tahun 55

Gambar 20 Grafik Selama 2 Tahun 56

xv Halaman Gambar 22 Tatalaksana Berdasarkan SOP Dinkes DKI Jakarta 57 Gambar 23 FIS Editor Untuk Data Atribut Cuaca dan Kondisi DBD,

Wilayah Jakarta Selatan

Gambar 24 Membership Function Untuk Atribut Suhu 59 Gambar 25 Membership Function Untuk Atribut Curah Hujan 60 Gambar 26 Membership Function Untuk Atribut Matahari 60 Gambar 27 Membership Function Untuk Atribut Kelembaban 61

Gambar 28 Rule Editor Jakarta Selatan 62

Gambar 29 Rule Editor Jakarta Pusat 63

Gambar 30 Rule Viewer Untuk Jakarta Selatan 64

Gambar 31 Rule Viewer Untuk Jakarta Pusat 64

Gambar 32 Tombol Mendapatkan Output dan Input Data 65

Gambar 33 Interface Metode Winter’s 66

Gambar 34 Prediksi Suhu Tahun 2007 Dengan Metode Winter’s 85 Gambar 35 Prediksi Curah Hujan Tahun 2007 Dengan Metode Winter’s 85 Gambar 36 Prediksi Matahari Tahun 2007 Dengan Metode Winter’s 85 Gambar 37 Prediksi Kelembaban Tahun 2007 Dengan Metode Winter’s 86 Gambar 38 Hasil Prediksi DBD Tahun 2006 – 2007 Wilayah Kebayoran

Baru

xvi DAFTAR TABEL

Halaman Tabel 1 Klasifikasi Daerah Berdasarkan Kasus DBD di Suatu

Wilayah

Tabel 2 Transaksi Penjualan Barang 15

Tabel 3 Contoh Data Penjualan yang Bersifat Musiman 26 Tabel 4 Contoh Hasil Penerapan Metode Winter’s 28 Tabel 5 Atribut yang Digunakan Dalam Algoritma CPAR 43

Tabel 6 Atribut Cuaca dan Himpunan Fuzzy 45

Tabel 7 Selang Nilai untuk Hasil Output pada Hi mpunan Fuzzy 49

Tabel 8 Input dan Output Aplikasi DBD 50

Tabel 9 Tabel Diskrit Untuk Wilayah Yakarta Selatan 52

Tabel 10 Sampel Data Positif 53

Tabel 11 Sampel Data Negatif 53

Tabel 12 Hasil Pemasukkan Data Untuk Wilayah Jakarta Selatan 54 Tabel 13 Data Survailans DBD Tahun 2005 Minggu 1 - 4 69 Tabel 14 Data Survailans DBD Tahun 2004 Minggu 1 - 4 69 Tabel 15 Data DBD Setelah Dibagi Berdasarkan Jumlah Kecamatan

Tahun 2005

Tabel 16 Data DBD Setelah Dibagi Berdasarkan Jumlah Kecamatan Tahun 2004

Tabel 17 Aturan Data Training Dengan GSR 99% 69

Tabel 18 Aturan Data Training Dengan GSR 80% 70

Tabel 19 Aturan Data Training Dengan GSR 60% 71

Tabel 20 Aturan Data Training Dengan GSR 20% 71

Tabel 21 Aturan Data Training Dengan GSR 10% 72

Tabel 22 Data Testing Untuk Wilayah Jakarta Selatan 73 Tabel 23 Data DBD Untuk Wilayah Jakarta Selatan 73

xvii Tabel 24 Data Survailance DBD Tahun 2005 Untuk Kecamatan Wil.

Jak-Pus

Tabel 25 Data Survailance DBD Tahun 2005 Untuk Kecamatan Wil. Jak - Sel

Tabel 26 Aturan Data Training Dengan GSR 99% 76

Tabel 27 Aturan Data Training Dengan GSR 20% 77

Tabel 28 Aturan Data Training Dengan GSR 10% 78

Tabel 29 Aturan Data Training Dengan GSR 99% 79

Tabel 30 Aturan Data Training Dengan GSR 60% 80

Tabel 31 Aturan Data Training Dengan GSR 20% 80

Tabel 32 Aturan Data Training Dengan GSR 10% 81

Tabel 33 Data Cuaca Jakarta Selatan Tahun 2005 84

Tabel 34 Data Cuaca Jakarta Selatan Tahun 2006 84

xviii DAFTAR LAMPIRAN

Lampiran 1 Cara Perolehan Dan Pengolahan Data 95

Lampiran 2 Data Cuaca dan DBD Wilayah Jakarta Selatan Tahun 2004 97 Lampiran 3 Data Cuaca dan DBD Wilayah Jakarta Selatan Tahun 2005 98 Lampiran 4 Data Cuaca dan DBD Wilayah Jakarta Pusat Tahun 2004 99 Lampiran 5 Data Cuaca dan DBD Wilayah Jakarta Pusat Tahun 2005 100 Lampiran 6 Data Diskrit Cuaca Dan DBD Jakarta Selatan Tahun 2004 101 Lampiran 7 Data Diskrit Cuaca Dan DBD Jakarta Selatan Tahun 2005 102 Lampiran 8 Data Diskrit Cuaca Dan DBD Jakarta Pusat Tahun 2004 103 Lampiran 9 Data Diskrit Cuaca Dan DBD Jakarta Pusat Tahun 2005 104 Lampiran 10 Aturan – Aturan Hasil Datamining Menggunakan Metode

CPAR

105

Lampiran 11 Hasil Prediksi Cuaca Menggunakan Metode Winter’s Tahun 2007

BAB I

PENDAHULUAN

1. Latar Belakang

Data mining sebagai cabang baru dalam ilmu komputer yang mulai berkembang sejak tahun 1990, saat ini mulai banyak diaplikasikan pada beberapa aspek kehidupan, hal ini di dukung oleh semakin bertambah besarnya data ya ng dikumpulkan pada kegiatan bisnis modern dan kehidupan modern. Akan tetapi sering terjadi data yang dikumpulkan tersebut menjadi tidak berguna, karena tidak semua pihak mengerti dan dapat menggunakan, sehingga data tersebut harus di konversi menjadi informasi dan pengetahuan yang berguna.

Data mining adalah proses dalam mencari berbagai model, kesimpulan dan nilai dari kumpulan data yang diberikan (Kantardzic, 2003). Dalam proses tersebut digunakan berbagai macam alat bantu data analisis yang berasal dari beberapa cabang ilmu pengetahuan seperti statistik, neural network dan lain lain untuk mendapatkan pola dan hubungan dalam data tersebut untuk membuat suatu predeksi yang valid.

Dalam perkembangannya, terdapat 2 tujuan utama dari data mining, prediksi dan diskripsi. Prediksi menggunakan beberapa variable dari data set yang digunakan untuk memprediksi sesuatu dari variable dari yang dikehendaki, sedangkan deskripsi lebih memfokuskan pada menemukan pola dari suatu data sehingga dapat dengan mudah di interprestasikan oleh penggunanya.

Penelitian di bidang kesehatan dengan mengimplementasikan data mining untuk memprediksi penyebaran suatu penyakit telah banyak di lakukan, antara lain penelitian yang dilakukan oleh Brossette et.al (2000), dimana mereka menerapkan Data mining surveillance system (DMSS) dalam mendeteksi infeksi nosocomial di Amerika dengan menggunakan data dari RS Universitas Alabama di Birmingham selama 15 bulan. DMSS di design untuk menemukan pola – pola yang berguna yang mungkin tidak dapat di temukan oleh sistem tradisional. Metode data mining yang coba di terapkan dalam DMSS adalah association rules. Penelitian lain yang juga mencoba memprediksi tentang penyakit adalah penelitian yang dilakukan oleh Scales dan Embrechts (2003), mereka mencoba

memprediksi penyakit serangan jantung kardiovaskular. Metode data mining yang coba diterapkan oleh mereka adalah metode artificial neural network dan fuzzy logic analisis, dari penelitian mereka metode ini memberikan hasil yang cukup efektif. Penelitian terakhir dalam bidang kesehatan dengan menggunakan datamining dilakukan oleh Herwanto (2006), dari database pasien diabetes yang dimiliki oleh RS Pertamina, diolah dengan menggunakan datamining, sehingga didapat aturan – aturan yang dapat membantu dalam memprediksi kapan dan pada kondisi apa gula seseorang dapat naik dan mengakibatkan gangguan yang serius.

Demam Berdarah Dengue (DBD), adalah suatu penyakit yang disebabkan oleh nyamuk Aedes Aegypti dan merupakan penyakit yang sangat gampang sekali terjadi di masyarakat. Pengelolaan lingkungan tempat tinggal yang belum seragam dalam penanganannya, juga sangat memungkin terjadi wabah DBD, walaupun lingkungan di sekitar rumah kita telah dikelola dengan baik, hal ini disebabkan karena radius terbang dari nyamuk tersebut ± 100m dari tempat mereka berkembang biak. Selain hal tersebut, pada permasalahan DBD terdapat suatu hipotesa awal tentang keterkaitan antara perindukan nyamuk Aedes aegypti dengan suhu, curah hujan dan penyinaran matahari.

Datamining dengan berbagai keunggulannya dan berbagai macam metode yang ada, di coba diterapkan pada database Demam Berdarah Dengue (DBD) yang disusun oleh Dinas Kesehatan (DINKES) DKI Jakarta setiap tahun dalam rangka mengantisipasi dan memonitor penyebaran suatu penyakit (Data Surveilans Penyakit Tahun 2004, Dinkes Propinsi DKI Jakarta, 2005). Siklus DBD yang terjadi setiap tahun di DKI Jakarta dengan jumlah kasus yang meningkat setiap tahun, membuat data yang dikumpulkan menjadi semakin membesar, akan tetapi data yang telah di kumpulkan tersebut tidak selalu dapat dimanfaatkan oleh semua pihak, hanya pihak tertentu saja yang dapat memanfaatkan data tersebut secara maksimal. Dengan menerapkan konsep data mining pada database DBD dan data set cuaca, diharapkan dapat ditemukan pola keterkaitan antar variable data, nilai – nilai pengetahuan yang dapat di gali dan pada akhirnya, dapat dirumuskan pola penyebaran dari DBD .

Secara umum rumusan substansi penelitian ini dapat dinyatakan sebagai berikut : “Apakah konsep data mining yang di dukung dengan system pakar dapat diterapkan dalam database DBD, sehingga di peroleh perumusan pola penyebaran DBD di daerah DKI Jakarta”.

2. Tujuan Penelitian

Tujuan penelitian ini adalah :

a. Menerapkan data mining dengan metode Classification based on Predictive Association Rules (CPAR) pada database DINKES DKI Jakarta untuk menemukan pola dari DBD yang terus berulang dan relasinya dengan faktor – faktor alam seperti suhu, penyinaran matahari , curah hujan dan kelembaban.

b. Merumuskan suatu sistem peringatan dini prediksi meledaknya DBD (selanjutnya di sebut “Aplikasi DBD”) dan cara penanggulangannya, sehingga dapat digunakan oleh semua pihak yang berkepentingan.

3. Ruang Lingkup

Obyek Penelitian di batasi pada :

a. Analisis konsep – konsep data mining pada database DBD, guna mendapatkan pola keterkaitan antar variabel.

b. Merumuskan model pola penyebaran DBD di daerah Jakarta Pusat dan Jakarta Selatan dengan berdasarkan kondisi yang memicu ledakan DBD dengan menerapkan sistem pakar.

c. Data yang digunakan dalam penelitian ini adalah :

- Data primer Kejadian DBD di DKI Jakarta yang meliputi 2 wilayah (Pusat, Selatan) selama tahun 2004 – 2005.

- Data primer suhu, curah hujan dan kelembaban udara di wilayah Jakarta Selatan dan Jakarta Pusat selama tahun 2004 – 2005.

4. Manfaat Penelitian

Manfaat dari penelitian ini untuk dapat menambah :

a. Dari segi Metodologi : untuk menguji konsep data mining dan metode yang digunakan pada suatu data yang besar dan membantu dalam menemukan pola keterkaitan dari data tersebut.

b. Dari segi Substansi : untuk membantu dalam memprediksi pola penyebaran DBD pada daerah DKI Jakarta, sehingga dapat di ambil suatu tindakan pencegahan agar DBD tersebut tidak meluas penyebarannya dengan menerapkan sistem pakar tata laksana DBD.

BAB II

TINJAUAN PUSTAKA

2.1. Demam Berdarah Dengue (DBD) 2.1.1. Definisi

Demam Berdarah dengue (DBD) adalah demam virus akut yang ditularkan oleh nyamuk Aedes Aegypti, disertai sakit kepala, nyeri otot, sendi dan tulang, penurunan jumlah sel darah putih dan timbulnya ruam – ruam pada kulit. DBD ini sering pula disertai dengan pembesaran hati serta manifestasi pendarahan dan apabila terjadi kegagalan sirkulasi darah dan pasien terjatuh maka penderita dapat mengalami apa yang disebut dengue shock syndrome (DSS) (DINKES DKI Jakarta, Demam Berdarah Aedes Aegypti, www.dinkesdkijarta.gov).

2.1.2. Penyebab DBD

DBD adalah penyakit pada daerah tropis seperti halnya Indonesia, ditularkan oleh nyamuk Aedes aegypti yang menggigit di siang dan sore hari. Nyamuk ini membawa virus yang terdiri dari 1 diantara 4 serotipe virus yang berbeda antigen. Virus ini termasuk dalam kelompok Flavivirus dan serotipenya adalah DEN-1, DEN-2, DEN-3, DEN-4. Infeksi oleh salah satu jenis serotipe ini akan memberikan kekebalan seumur hidup tetapi tidak menimbulkan kekebalan terhadap serotipe yang lainnya, sehingga seseorang yang hidup dalam daerah endemis DBD dapat mengalami infeksi sebanyak 4 kali dalam hidupnya. Masa tunas virus dengue berkisar 3 – 15 hari. Pada demam dengue (Dengue Fever) permulaan sakit biasanya mendadak. Pada umumnya ditemukan sindrom trias yaitu demam tinggi, nyeri pada anggota badan dan timbulnya ruam pada kulit. Lama demam berkisar 4 – 5 hari. Ruam berupa bercak kemerah-merahan bersifat makulopapular yang hilang pada penekanan. Penderita demam dengue mengalami pembesaran kelenjar getah bening servikal. Beberapa ahli menyebut pembesaran ini sebagai tanda Castelani dan merupakan ciri khas pada demam dengue. Pada demam dengue jarang dijumpai manifestasi perdarahan Faktor resiko penting pada DBD adalah serotipe virus dan faktor penderita seperti umur dan status imunitas.

2.1.3. Kasus DBD di Wilayah DKI Jakarta

Untuk wilayah DKI Jakarta sejak tahun 2001 sampai dengan 2006 ini, kasus DBD merupakan kasus yang terus menerus terjadi, bahkan sudah bisa disebut sebagai suatu siklus tahunan yang terus berulang, bahkan pada tahun 2004 bulan februari dan maret, terjadi KLB DBD (7072 kasus) untuk wilayah DKI Jakarta secara umum.

Gambar 1. Jumlah Kasus DBD Bersumber Surveilans Aktif RS Per Bulan di DKI Jakarta, 2001 – 2006 (s.d 17 Mei 2006)

Proses pengendalian nyamuk Aedes aegypti sebagai vector pembawa penyakit DBD dilakukan dengan berbagai cara, antara lain : Fogging (penyemprotan di daerah yang posistif atau negative DBD), pemberian abate sebagai cara pengendalian jentik nyamuk, program 3M yang dilakukan secara berkesinambungan diseluruh wilayah DKI Jakarta.

0 1000 2000 3000 4000 5000 6000 7000 8000 KASUS 2001 919 1016 1091 625 907 651 706 511 341 244 232 194 2002 84 386 689 933 1131 879 489 328 207 192 205 227 2003 540 784 1454 2318 2745 2685 1070 474 380 473 471 677 2004 1625 7072 7052 1478 702 573 500 368 281 305 256 428 2005 1172 2484 1625 1236 1469 1347 1385 2524 1903 2147 2624 3537 2006 2470 2433 2876 2981 1310

Untuk melihat keefektifitasan dan sebagai kontrol dari kegiatan tersebut pihak Dinkes DKI Jakarta mencoba untuk memetakan daerah kecamatan di wilayah DKI Jakarta menjadi 3 bagian berdasarkan laporan survailence tentang kejadian DBD, yaitu :

Tabel 1. Klasifikasi Daerah Berdasarkan Kasus DBD di Suatu Kecamatan

2.2 Data Mining

Dalam 2 dekade ini telah terjadi peningkatan data yang sangat besar dari segala sektor dalam kehidupan sehari-hari. Di estimasikan setiap bulannya terjadi peningkatan data 20x lebih cepat dari bulan sebelumnya (Fayyad, Piatetsky- Shapiro dan Smyth 1996). Hal ini dapat mengakibatkan terjadinya penumpukan data yang berakibat pada kemungkinan tersisihnya data – data penting yang berguna. Data mining atau Knowledge discovery in Database (KDD) mempunyai kemampuan untuk melakukan pencarian dan menemukan data penting yang tersisih tersebut.

Gambar 2. Peningkatan Data Dalam 2 Dekade Terakhir (Sumber : Fayyad, Piatetsky-Shapiro dan Smyth ,1996)

Dalam 1 minggu terjadi 1- 5 kasus DBD KUNING

Dalam 3 minggu berturut-turut tidak terjadi kasus DBD.

HIJAU

Dalam 1 minggu terjadi lebih dari 5 kasus DBD MERAH

KETENTUAN KATEGORI

Berbagai definisi dari data mining dari beberapa refrensi, adalah sebagai berikut ;

Data mining adalah proses dalam mencari berbagai model, kesimpulan dan nilai dari kumpulan data yang diberikan (Kantardzic, 2003).

Data mining adalah proses menyarikan informasi dari kumpulan – kumpulan data (Brookshear, 2003).

Dari berbagai definisi tersebut, dapat di ambil suatu kesimpulan bahwa data mining berkaita n dengan mencari pola dan relasi yang tersembunyai dalam data yang besar dengan tujuan prediksi atau deskripsi. Terdapat 2 jenis data mining, yaitu directed data mining dan undirected data mining. Directed data mining digunakan jika sudah diketahui secara pasti apa yang akan di prediksi, sehingga proses pencarian pola dan relasi dapat langsung diarahkan pada tujuan tertentu, misalnya untuk membuat prediksi tentang sesuatu yang tidak kita ketahui, model ini sering di sebut model prediksi. Model seperti ini menggunakan pengalaman untuk menentukan nilainya. Salah satu kunci dari model prediksi ini adalah data yang cukup besar dengan hasil yang sudah diketahui, sehingga dapat digunakan dalam melatih model tersebut.

Undirected data mining berkaitan dengan menelusuri pola dan relasi dalam data, pada undirected data mining ini, tujuan yang ingin dicapai adalah bagaimana

Dalam dokumen Perumusan Pola Penyebaran Demam Berdarah Melalui Data Mining Pada Database Dinas Kesehatan DKI Jakarta (Halaman 135-200)