SISTEM PENUNJANG KEPUTUSAN CERDAS SPASIAL PENGENDALIAN
AVIAN INFLUENZA
H5N1 PADA UNGGAS PETERNAKAN RAKYAT NON
KOMERSIAL: STUDI KASUS PROVINSI LAMPUNG
ERLIYAN REDY SUSANTO
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa tesis berjudul Sistem Penunjang Keputusan Cerdas Spasial Pengendalian Avian Influenza H5N1 Pada Unggas Peternakan Rakyat Non Komersial: Studi Kasus Provinsi Lampung adalah benar karya saya denganarahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
RINGKASAN
ERLIYAN REDY SUSANTO. Sistem Penunjang Keputusan Cerdas Spasial Pengendalian Avian Influenza H5N1 Pada Unggas Peternakan Rakyat Non Komersial: Studi Kasus Provinsi Lampung. Dibimbing oleh YENI HERDIYENI, MARIMIN dan ETIH SUDARNIKA.
Pemerintah telah mentargetkan Indonesia bebas virus Avian Influenza (AI) H5N1 pada tahun 2020. Berbagai upaya telah dilakukan pemerintah dalam menanggulangi permasalahan AI di Indonesia. Meskipun AI telah terdeteksi keberadaanya sejak tahun 2003, akan tetapi AI pada unggas masih terus terjadi pada beberapa wilayah di Indonesia. Tujuan dari penelitian ini adalah membangun sistem cerdas untuk membantu pemerintah dalam mengatasi permasalahan AI di Indonesia. Provinsi Lampung dipilih sebagai tempat penelitian karena memiliki intensitas kejadian AI yang tinggi.
Sistem penunjang keputusan cerdas spasial yang dibangun menggunakan masukan data spasial kejadian AI, peta dasar provinsi lampung dan inferensi pakar tetang kebijakan penanggulangan AI yang terdiri dari model konsentrasi AI dan model cluster AI. Model konsentrasi AI dibangun menggunakan SpatialStructured Query Languageuntuk menghasilkan informasi yang dapat digunakan sebagai rekomendasi kebijakan untuk Pemerintah Kabupaten/Kota. Model cluster AI dibangun menggunakan Morans Spatterplot untuk menghasilkan informasi yang dapat digunakan sebagai rekomendasi kebijakan untuk Pemerintah Provinsi.Hasil analisis kemudian divisualisasikan dalam bentuk peta digital dengan menggunakan Sistem Informasi Geografis (SIG).
Kabupaten atau kota yang memiliki risiko tertinggi kejadian AI adalah Bandar Lampung, Metro, Lampung Selatan, Lampung Timur dan Pesawaran. Rekomendasi kebijakan penanggulangan AI untuk pemerintah kabupaten/kota terbagi atas 2 (dua) macam yaitu: rekomendasi kebijakan untuk wilayah endemis AI dan rekomendasi kebijakan untuk wilayah terancam atau berpotensi AI. Rekomendasi Kebijakan penanggulangan AI untuk pemerintah provinsi terdiri atas 4 (empat) macam yaitu: rekomendasi kebijakan untuk wilayah High-High, rekomendasi kebijakan untuk wilayah Low-High, rekomendasi kebijakan untuk wilayah Low-Low dan rekomendasi kebijakan untuk wilayah High-Low. Hasil penelitian dapat dimanfaatkan untuk mengetahui kondisi kejadian AI di Provinsi Lampung serta sebagai rekomendasi dalam menentukan kebijakan penanggulangan AI bagi Pemerintah Kabupaten atau Kota dan Pemerintah Provinsi.
SUMMARY
ERLIYAN REDY SUSANTO. Spatial Intelligent Decision Support System Control of Avian Influenza H5N1 on The Non Commercial Poultry: Case Study in Lampung Province. Supervised by YENI HERDIYENI, MARIMIN and ETIH SUDARNIKA.
The government has targeted that Indonesia will be free of Avian Influenza (AI) H5N1 in 2020. Many efforts have been done to overcome of AI problem in Indonesia. Although AI has been detected since 2003, but AI in poultry continues to occur in some areas in Indonesia. The objective of this research was to develop a smart system to assist the government to solve the problem of AI in Indonesia. Lampung province was chosen as the research object because it has high intensity AI events.
Spatial Intelligent decision support system was built using the input spatial data of incident AI, base maps Lampung province and inference expert on AI prevention policy which consists of models of AI concentration and models of AI cluster. Models of AI concentrations were developed using Spatial Structured Query Language to generate information that can be used as a policy recommendation for district / municipality. Models of AI cluster was developed using Morans Scatterplot to generate information that can be used as a policy recommendation for the provincial government.The results of analysis then visualized in the form of a digital map using Geographic Information System (GIS).
Bandar Lampung, Metro, South Lampung, East Lampung and Pesawaran are districts or municipalities that have the highest risk of incident AI. Policy recommendations of AI control for the district or municipalities are divided into two (2) types namely: policy recommendations for the area endemic AI and policy recommendations for the region threatened or potentially AI. Policy recommendations of AI control for the provincial government consists of four (4) types namely: policy recommendations for the region of the High-High, policy recommendations for the region Low-High, policy recommendations for the region Low-Low and policy recommendations for the region of the High-Low. Results of the study can be used to know the condition of AI occurrence in Lampung Province as well as in determining policy recommendations of AI control for District or Municipality Government and the Provincial Government. Keywords: spatial IDSS, policy model, Avian Influenza, Cluster of Avian
© Hak Cipta Milik IPB, Tahun 2015
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB
Tesis
sebagai salah satu syarat untuk memperoleh gelar Magister Komputer
pada
Program Studi Ilmu Komputer
SISTEM PENUNJANG KEPUTUSAN CERDAS SPASIAL PENGENDALIAN
AVIAN INFLUENZA
H5N1 PADA UNGGAS PETERNAKAN RAKYAT NON
KOMERSIAL: STUDI KASUS PROVINSI LAMPUNG
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
BOGOR 2015
Judul Tesis : Sistem Penunjang Keputusan Cerdas Spasial Pengendalian Avian Influenza H5N1 Pada Unggas Peternakan Rakyat Non Komersial: Studi Kasus Provinsi Lampung
Nama : Erliyan Redy Susanto NIM : G 651120181
Disetujui oleh Komisi Pembimbing
Dr Yeni Herdiyeni, SSi MKom Ketua
Prof Dr Ir Marimin, MSc Anggota
Dr Ir Etih Sudarnika, MSi Anggota
Diketahui oleh Ketua Program Studi
Ilmu Komputer
Dr Wisnu Ananta Kusuma, ST MT
Dekan Sekolah Pascasarjana
Prof Dr Ir Dahrul Syah, MScAgr
Tanggal Ujian: 31 Agustus 2015
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan.
Terima kasih penulis ucapkan kepada Ibu Dr Yeni Herdiyeni SSi MKom, Bapak Prof Dr Ir Marimin MSc dan Ibu Dr Ir Etih Sudarnika MSi selaku pembimbing, serta Bapak Dr Wisnu Ananta Kusuma ST MT dan Bapak Toto Haryanto SKom MSi yang telah banyak memberi saran. Di samping itu, penghargaan penulis sampaikan kepada Bapak drh. Syafrison Idris MSi dan Ibu drh. Purnama Martha O Simanjuntak MSi dari Direktorat Jenderal Peternakan dan Kesehatan Hewan Kementerian Pertanian Republik Indonesia,serta Ibu drh. Enny Saswiyanti MSi dari Balai Veteriner Lampung yang telah membantu selama pengumpulan data. Ungkapan terima kasih juga disampaikan kepada ayah, mama, bunda, raisa, adik-adik serta seluruh keluarga atas segala doa dan kasih sayangnya.
Semoga karya ilmiah ini bermanfaat.
DAFTAR ISI
DAFTAR TABEL vi
DAFTAR GAMBAR vi
DAFTAR LAMPIRAN vi
1 PENDAHULUAN 1
Latar Belakang 1
Perumusan Masalah 2
Tujuan Penelitian 2
Manfaat Penelitian 3
Ruang Lingkup Penelitian 3
2 TINJAUAN PUSTAKA 3
Flu Burung 3
Sistem Informasi Geografis (SIG) 3
Spatial SQL 4
Moran’s Scatterplot 4
Sistem Penunjang Keputusan Cerdas 7
Penelitian Terdahulu dan Posisi Penelitian 8
Teknik Inferensi Aturan 8
3 METODE 10
Kerangka Pemikiran 10
Sumber dan Jenis Data 11
Analisis Sistem 11
Desain Sistem 15
Implementasi Sistem 16
4 HASIL DAN PEMBAHASAN 17
Analisis Sistem 17
Desain Sistem 22
Implementasi Sistem 24
Hasil Uji Coba Program dan Pemanfaatan Hasil Penelitian 25
5 SIMPULAN DAN SARAN 28
Simpulan 28
Saran 28
DAFTAR TABEL
1. Hasil analisis penyebaran AI di Provinsi Lampung tahun 2010-2012 19 2. Hasil validasi program terhadap fungsionalitas sistem 25
DAFTAR GAMBAR
1. Ilustrasi Moran’s scatterplot 5
2. Ilustrasi rook contiguity 5
3. Ilustrasi bishop contiguity 6
4. Ilustrasi queen contiguity 6
5. Ilustrasi membuat matriks contiguity 6
6. Kerangka pemikiransistem penunjang keputusan cerdas spasial pengendalian AI H5N1 pada unggas peternakan rakyat non komersial 10 7. Diagram kontek sistem penunjang keputusan cerdas spasial
pengendalian AI H5N1 pada unggas peternakan rakyat non komersial 11 8. Praproses data kejadian AI sebelum dianalisis 12
9. Rancangan model konsentrasi AI 13
10. Rancangan model cluster AI 13
11. Rancangan kerangka model IDSS 16
12. Peta kejadian AI di Provinsi Lampung tahun 2010-2012 18 13. Peta kejadian AI di kota Bandar Lampung tahun 2010-2012 19 14. Morans Scatterplot kejadian AI di Provinsi Lampung tahun 2010-2012 20 15. Peta cluster AI di Provinsi Lampung tahun 2010-2012 hasil analisis
Morans Scatterplot 21
16. Konfiguasi model IDSS 23
17. Struktur tabel peta 23
18. Struktur tabel kejadian 24
19. Struktur tabel kebijakan 24
20. Visualisasi program model konsentrasi AI 26
21. Visualisasi program model cluster AI 27
DAFTAR LAMPIRAN
1. Lembar pertanyaan kebijakan penanggulangan AI 32 2. Inferensi Kebijakan Penanggulangan AI bagi Pemerintah
Kabupaten/Kota 35
3. Inferensi Kebijakan Penanggulangan AI Bagi Pemerintah Provinsi 36 4. Kejadian AI dan Zi (analisis Morans scatterplot) 37 5. Pembobotan Wilayah Kabupaten/Kota mernggunakan Morans
scatterplot 38
6. Diagram use case rekomendasi kebijakan penanggulangan AI 39 7. Diagram kelas visualisasi model konsentrasi AI dan visualisasi model
8. Diagram aktifitas menampilkan visualisasi model konsentrasi AI dan
1
1
PENDAHULUAN
Latar Belakang
Berdasarkan data laporan Kementan RI (2015a, 2015b) pada Januari hingga Mei 2015 diketahui bahwa Indonesia masih mempunyai permasalahan dalam pengendalian dan pemberantasan Avian influenza (AI). AI adalah penyakit viral akut pada unggas yang disebabkan oleh virus influenza type A subtipe H5 dan H7. Semua jenis unggas diketahui bisa terinfeksi virus influenza A. Pada penelitian ini membahas sub tipe H5N1 pada unggas peternakan rakyat non komersial. Penyakit AI H5N1 bersifat zoonosis dan angka kematian sangat tinggi karena dapat mencapai 100% (Kementan RI 2014). AI termasuk golongan virus sangat berbahaya yang penyebarannya sangat cepat serta dapat menyebabkan kematian pada unggas dan manusia sehingga dihawatirkan bisa berkembang menjadi wabah pandemi yang berbahaya bagi manusia (Radji 2006). Data laporan kejadian AI menunjukkan bahwa tempat terjadinya kasus AI dalam suatu wilayah sering bergantian/berpindah tempat sehingga perlu diwaspadai karena sifat virus AI sangat berbahaya dan bisa menular dengan cepat sehingga virus AI sangat mungkin dapat meluas ke wilayah lain yang belum pernah ada kasus AI maka perlu dikendalikan dan ditanggulangi (Radji 2006).
Dalam rangka mengendalikan dan menanggulangi penyebaran AI di Indonesia telah dilakukan berbagai penelitian (Honggowibowo dan Sediartie 2004, Sugiantoro 2005, Lusiani 2006, Radji 2006, Angi et al. 2009, Granville et al. 2009, IDPHPAI 2010, Haryanto et al. 2007, Saswiyanti 2012 dan Simanjuntak et al. 2012). Pemerintah Republik Indonesia telah mentargetkan bahwa Indonesia akan bebas virus AI pada 2020 (Bahri et al. 2013). AI sudah diketahui keberadaannya di Indonesia sejak tahun 2003 (Dharmayanti et al. 2011, Simanjuntaket al. 2012 dan Kementan RI 2014), tetapi pada 2015 AI masih sering terjadi (Kementan RI 2015a, 2015b). Selain Pemerintah Pusat, Pemerintah Provinsi dan Pemerintah Kabupaten/Kota memiliki tanggungjawab dalam penanggulangan AI di Indonesia. Dengan demikian maka perlu adanya suatu strategi yang baik (Ortiz et al. 2009) dibantu oleh sistem penunjang keputusan yang cerdas untuk mempermudah pemerintah melaksanakan tugasnya.
Berbagai penelitian mengenai sistem penunjang keputusan cerdas terbukti dapat memberikan solusi yang cepat sehingga lebih efektif dalam menentukan kebijakan (Dasgupta dan Gonzalez 2001, Marimin et al. 2005, Marimin et al. 2010, Orshoven et al. 2011, Hendra et al. 2014, Sampurno et al. 2014 dan Septiani et al. 2014). Sistem pakar selanjutnya dikolaborasikan dengan sistem penunjang keputusan. Tujuan dari penggunaan sistem pakar adalah untuk memindahkan keahlian pakar penanggulangan AI kedalam program komputer sehingga pengguna program dapat memiliki pengetahuan yang sama dalam menentukan kebijakan penanggulangan AI. Sistem Informasi Geografis dijadikan pilihan sebagai visualisasi permasalahan spasial (Oktariadi 2009). Oleh karena itu, untuk mengintegrasikan wilayah permasalahan dengan sistem informasi geografis maka perlu dibuat pemodelan (Jordan et al. 1998).
2
sangat ketat. Sektor 2 (dua) merupakan peternakan unggas komersial dengan biosekuriti yang cukup ketat. Sektor 3 (tiga) merupakan peternakan unggas komersial dengan biosekuriti yang rendah. Sektor 4 (empat) merupakan peternakan unggas non komersial dengan biosekuriti yang sangat rendah. Biosekuriti yang dimaksud adalah usaha yang dilakukan untuk mencegah penyakit masuk serta mencegah penyakit keluar. Informasi kejadian AI pada sektor 1, 2 dan 3 sulit diperoleh karena perusahaan tidak mau memberikan informasi keberadaan AI di peternakannya. Data laporan kasus AI yang dianggap paling lengkap dimiliki pemerintah hanya diperoleh dari peternakan sektor 4 (Saswiyanti 2012).
Provinsi Lampung termasuk wilayah dengan jumlah kasus AI paling banyak di Indonesia (Saswiyanti 2012). Berdasarkan laporan hasil pengujian cepat (rapid test) positif oleh tim Participatory Diseases Surveillans and Respons(PDSR)/Tim Unit Respon Cepat via SMS gateway bahwa tahun 2015 masih ditemukan kasus AI di Provinsi Lampung. (Kementan RI 2015a, 2015b). Berdasarkan data tersebut maka penelitian berfokus pada penyebaran AI H5N1 pada unggas peternakan rakyat non komersial di Provinsi Lampung berdasarkan data tahun 2010 - 2012.Penelitian ini terdiri atas 2 (dua) modelyaitu: model konsentrasi AI dengan teknik Spatial SQL/Spatial Query digunakan pemerintah kabupaten untuk membuat rekomendasi kebijakan penanggulangan AI dalam cakupan kecamatan, serta model cluster AI dengan teknik Morans Scatterplot digunakan pemerintah provinsi untuk menentukan rekomendasi kebijakan penanggulangan AI dalam cakupan kabupaten.
Perumusan Masalah
Permasalahan yang ada pada penelitian ini dirumuskan sebagai berikut: 1. Bagaimana menganalisis masalah penyebaran AI di Provinsi Lampung
berdasarkan data tahun 2010 – 2012?
2. Bagaimana mengembangkan model rekomendasi penanggulangan AI di Provinsi Lampung?
3. Bagaimana menyusun perangkat lunak penagambilan keputusan cerdas penanggulangan AI?
4. Bagaimana membuat rekomendasi kebijakan penanggulangan AI di Provinsi Lampung?
Tujuan Penelitian
Tujuan penelitian ini adalah sebagai berikut:
1. Menganalisis penyebaran AI di Provinsi Lampung berdasarkan data tahun 2010 – 2012.
2. Mengembangkan model rekomendasi kebijakan penanggulangan AI di Provinsi Lampung.
3. Menyusun perangkat lunak pengambilan keputusan cerdas penanggulangan AI.
3
Manfaat Penelitian
Manfaat dari penelitian ini adalah memberikanrekomendasi kebijakanbagi pemerintah kabupaten dan pemerintah provinsi dalampenanggulanganAI di Provinsi Lampung.
Ruang Lingkup Penelitian
Ruang lingkup dari penelitian ini adalah berdasarkan data laporan kasus AI di Provinsi Lampung oleh tim PDSR tahun 2010 – 2012.
2
TINJAUAN PUSTAKA
Flu Burung
Penyakit Avian Influenza yang disebut juga Flu burung, Fowl pest, Fowl plaque, atau Avian flu adalah suatu penyakit menular yang disebabkan oleh virus influenza tipe A. Penyakit Avian Influenza disebabkan oleh virus influenza tipe A yang tergolong dalam famili Orthomyxoviridae dan bisamenyebabkan infeksi pada berbagai macam spesies seperti unggas, babi, kuda dan manusia. Angi et al. (2009) mengatakan bahwa penyakit AItergolong atas Highly Pathogenic Avian Influenza (HPAI) dan Low Pathogenic Avian Influenza (LPAI). Bahri et al. (2013) mengatakan bahwa virus AI H5N1 termasuk golongan HPAI dan bersifat zoonosis (penyakit yang disebabkan oleh hewan ke manusia ataupun sebaliknya). Berdasarkan hal tersebut maka AI H5N1 perlu segera ditanggulangi dan dikendalikan.
Faktor risiko merupakan faktor-faktor yang dianggap dapat mempengaruhi terjadinya penyebaran virus AIH5N1 diantaranya kerapatan unggas, jarak dari pelabuhan, kerapatan jalan raya, kerapatan pertanian, kerapatan perkebunan, kerapatanwilayah perairan dan migrasi unggas (Granville et al. 2009). Sedangkan IDPHPAI (2010) mengatakan faktor risiko yang paling berpengaruh di Provinsi Jawa Barat dan Banten diantaranya adalah keberadaan rumah potong unggas, keberadaan penampungan unggas, dan keberadaanpasar unggas.
Alternatif kebijakan yang diambil pemerintah dalam rangka upaya pengendalian dan penanggulangan AI adalah peningkatan biosekuriti, vaksinasi, pemusnahan terbatas atau selektif/depopulasi di daerah tertular, pengendalian lalu lintas keluar masuk unggas, surveillans dan penelusuran/tracking back, pengisian kandang kembali/restocking, pemusnahan menyeluruh/stamping out di daerah tertular baru, peningkatan kesadaran masyarakat/public awareness(Kementan RI 2005).
Sistem Informasi Geografis (SIG)
4
tereferensi secara spasial atau berkoordinat geografi sehingga memiliki kemampuan untuk melakukan pengolahan data dan melakukan operasi-operasi tertentu dengan menampilkan dan menganalisis data (Yudistira 2012).Teknologi SIG mengintegrasikan operasi basis data dan analisis statistik dengan visualisasi yang unik serta analisis spasial yang ditawarkan melalui bentuk peta digitalsehingga membuat SIG lebih bermanfaat dalam memberikan informasi yang mendekati kondisi dunia nyata, memprediksi suatu hasil, dan untuk perencanaan strategis (Oktariadi 2009).
Barus dan Wiradisastra (2009) mengatakan bahwa berdasarkan operasinya SIG dibedakan menjadi dua kelompok yaitu: (1) SIG secara manual, yang beroperasi memanfaatkan peta cetak (kertas/transparan), bersifat analog, dan (2) SIG secara terkomputer / otomatis yang prinsip kerjanya menggunakan komputer dan berupa data digital.SIG manual biasanya terdiri atas beberapa unsur data termasuk peta-peta, lembar transparansi untuk tumpang tindih, foto udara dan foto lapangan, laporan-laporan statistik dan laporan-laporan survei lapangan. Data Global Positioning System (GPS) merupakan data yang diambil berdasarkan koordinat latitude dan longitude. Lintang dan bujur merupakan representasi dari latitude dan longitude.
Spatial SQL
Spatial SQL mendukung model data spasial Open Geodata Interchange Standard (OGIS). Model data OGISmampu menangani bentuk geometri seperti point, polygon, curve dan tipe lainnya, serta mampu mengeksekusi operasi query spasial seperti ST_Within, ST_Area, ST_Contains, dan operasi lainnya (Yudistira 2012).
Egenhofer (1994) mengatakan bahwa SpatialSQL didasarkan pada bahasa query SQL (Structured Query Language) basisdata relasionalnya. Query SQL menggunakan klausa SELECT – FROM – WHERE untuk tiga operasi proyeksi relasional aljabar, produk Cartesian dan seleksi. Selain itu fungsi agregat seperti jumlah, minimal atau rata-rata, dapat digunakan untuk menghitung nilai tunggal dari suatu tabel. Tujuan dari Spatial SQL adalah untuk memberikan abstrasi pemahaman yang lebih baik tentang data spasial pada bahasa query dengan memberikan konsep yang lebih mudah difahami seperti cara berfikir manusia tentang tata ruang.
Moran’s Scatterplot
5
Data spasial adalah data yang memuat adanya informasi lokasi atau geografis dari suatu wilayah (Wuryandari et al. 2014). Informasi lokasi dapat diketahui dari dua sumber yaitu:
1. Hubungan ketetanggaan (neighborhood)
Dalam analisis spasial hubungan ketetanggaan mencerminkan lokasi relatif dari satu unit spasial atau lokasi ke lokasi yang lain dalam ruang tertentu. Hubungan ketetanggaan dari unit-unit spasial biasanya dibentuk berdasarkan peta. Ketetanggaan dari unit-unit spasial ini diharapkan dapat mencerminkan derajat ketergantungan spasial yang tinggi jika dibandingkan dengan unit spasial yang letaknya terpisah jauh.
2. Jarak (distance)
Lokasi yang terletak dalam suatu ruang tertentu dengan adanya garis lintang dan garis bujur menjadi sebuah sumber informasi. Informasi inilah yang digunakan untukmenghitung jarak antar titik yang terdapat dalam ruang.
Pembobot atau sering disebut sebagai matriks pembobot spasial merupakan hal yang sangat penting dalam analisis spasial. Matriks pembobot spasial digunakan untuk menentukan bobot antar lokasi yang diamati berdasarkan hubungan ketetanggaan antar lokasi. Ketetanggaan dapat didefinisikan dalam beberapa cara, yaitu:
1. Rook contiguity
Daerah pengamatannya ditentukan berdasarkan sisi-sisi yang saling bersinggungan dan sudut tidak diperhitungkan. Ilustrasi rook contiguity dilihat pada Gambar 2, dimana unit B1, B2, B3, dan B4 merupakan tetangga dari unit A.
Gambar 2 Ilustrasi rook contiguity 2. Bishop contiguity
Daerah pengamatannya ditentukan berdasarkan sudut-sudut yang saling bersinggungan dan sisi tidak diperhitungkan. Ilustrasi untuk bishop contiguity dilihat pada Gambar 3, dimana unit C1, C2, C3, dan C4 merupakan tetangga dari unit A.
6
Gambar 3 Ilustrasi bishop contiguity
3. Queen contiguity
Daerah pengamatannya ditentukan berdasarkan sisi-sisi yang saling bersinggungan dan sudut juga diperhitungkan. Ilustrasi untuk queen contiguity
dapat dilihat pada Gambar 4, dimana unit B1, B2, B3, dan B4 serta C1, C2, C3, dan C4 merupakan tetangga dari unit A.
Gambar 4 Ilustrasi queen contiguity
Langkah-langkah yang dilakukan dalam melakukan analisis menggunakan Morans Scatterplot
1. Menghitung jumlah kejadian AI berdasarkan wilayah kabupaten/kota.
2. Membuat matriks contiguity dengan memperhatikan ketetanggaan setiap wilayah. Tetangga merupakan jumlah wilayah kabupaten/kota yang bersebelahan dengan wilayah kabupaten atau kota yang sedang diamati. Jika bertetangga akan dikodekan 1 dan jika tidak akan dikodekan 0. Amatan tetangga merupakan jumlah kabupaten atau kota yang bersebelahan dengan tetangga kabupaten atau kota yang diamati. Berikut ini disajikan ilustrasi membuat matriks contiguity (Gambar 5).
Gambar 5 Ilustrasi membuat matriks contiguity 3. Menghitung indeks Morans dengan rumus
i j ij
i j ij i j
W
Z
Z
W
NN I
7
Zi : Nilai hasil standarisasi dari peubah yang diamati pada lokasi ke-i
Zj : Nilai hasil standarisasi dari peubah yang diamati pada lokasi ke-j
xi : Nilai variabel x dari peubah yang diamati pada lokasi ke-i
xj : Nilai variabel x dari peubah yang diamati pada lokasi ke-j
x : Nilai rata-rata variabel x
Sx : Standar deviasi jumlah kejadian AI Hipotesisnya adalah :
H0 : I = 0 ; Tidak terdapat autokorelasi spasial. Sementara bentuk hipotesis alternatifnya (H1) ada dua jenis (positif atau negatif).
H1 : I > 0 ; Terdapat autokorelasi spasial positif. Artinya area yang berdekatan mirip dan cenderung bergerombol dalam suatu area.
H1 : I < 0 ; Terdapat autokorelasi spasial negatif. Artinya area yang berdekatan tidak mirip dan membentuk pola visual menyebar.
4. Membuat plot
Simanjuntak (2012) mengatakan bahwa plot yang dibentuk oleh analisis Morans Scatterplot terdiri atas 4 (empat) kuadran yaitu High-High, terletak di kanan atas yang artinya memiliki autokorelasi positif. Nilai pengamatan lokasi tersebut tinggi. Pola visual yang terbentuk adalah pola gerombol (cluster) antara area bernilai pengamatan tinggi dan dilambangkan dengan warna merah tua. High-Low, terletak di kanan bawah yang artinya memiliki autokorelasi negatif. Nilai pengamatan lokasi tersebut tinggi dan dikelilingi oleh area sekitar yang memiliki nilai rendah. Pola visual yang terbentuk adalah pola outliers dengan nilai pengamatan tinggi (hotspot) digambarkan dengan warna merah muda. Low-Low, terletak di kiri bawah yang artinya memiliki autokorelasi positif. Nilai pengamatan lokasi tersebut rendah dan dikelilingi oleh area sekitar yang juga rendah. Pola visual yang terbentuk adalah pola gerombol antara area pengamatan yang rendah dan digambarkan dengan warna biru tua. Low-High, di kiri atas yang artinya memiliki autokorelasi negatif. Nilai pengamatan lokasi tersebut rendah dan dikelilingi oleh area yang tinggi. Pola visual clusteryang terbentuk adalah pola outliers dengan nilai pengamatan rendah (coldspot) yang digambarkan dengan warna biru muda.
Sistem Penunjang Keputusan Cerdas
8
pendukung keputusan yang memiliki basis pengetahuan dengan untuk membuat sistem penunjang keputusan menjadi lebih cerdas/pintar. Suwarningsih (2007) mengatakan bahwa perbedaannya dengan sistem pakar adalah IDSS tetap menghasilkan alternatif solusi yang dijadikan sebagai alat bantu pengambilan keputusan dimana hasil akhir bukan merupakan hasil yang final yang tidak dapat dipertimbangkan kembali. Sedangkan sistem pakar hanya sebuah proses memindahkan kepakaran seseorang pada sebuah program komputer dengan keluaran berupa hasil akhir yang pasti. Hendra et al. (2014) menjelaskan bahwa Sistem Penunjang Keputusan Cerdas merupakan gabungan antara Sistem Penunjang Keputusan dan Sistem Pakar.
Sistem Penunjang Keputusan Cerdas diketahui sangat membantu pengambil keputusan/kebijakan dalam menyelesaikan permasalahannya. Hal ini dapat dilihat berbagai penelitian mengenai pengambilan keputusan cerdas diantaranya Verna dan Gonzalez (2005) membuat sebuah sistem pendukung keputusan cerdas untuk membuat kebijakanpublik menggunakan system dynamics dan penalaran berbasis kasus, Orshoven et al. (2011) meneliti peningkatan sistem informasi geografis untuk sistem pendukung keputusan spasial dan Marimin et al. (2010) dalam penelitiannya membuat kerangka sistem pendukung keputusan cerdas untuk manajemen rantai pasok agro - industri dan agribisnis.
Penelitian Terdahulu dan Posisi Penelitian
Lusiani (2006) membuat sistem berbasis aturan yang dapat mendiagnosa penyakit flu burung secara online sehingga dapat membantu masyarakat luas dalam mencari informasi dan konsultasi dengan lebih efektif. Penelitian yang dilakukan baru sebatas mengidentifikasi keberadaan AI H5N1 berdasarkan ciri-ciri yang tampak diluar/kasat mata. Selain itu juga Haryanto et al. (2007) membuat sistem pakar untuk mendeteksi penyakit pada unggas.
Simanjuntak et al. (2012) dalam penelitiannya yang berjudul analisis spasial avian influenza pada sektor IV unggas di DIY pada 2009-2012 menjelaskan cara menentukan daerah pusat AI H5N1, dan daerah yang berpotensi (hostspot) AI. Kemudian prediksi menggunakan metode ARIMA. Hasil penelitian ini masih perlu diolah kembali sehingga dapat digunakan sebagai acuan pengambilan keputusan bagi pemerintah dalam mengendalikan dan membasmi AI H5N1.
Tran et.al (2012) membuat model temporal terjadinya High Pathogenic Avian Influenza sub tipe H5N1 dengan studi kasus di delta Sungai Merah Vietnam. Hasil dari penelitian ini berupa prediksi kemungkinan terjadinya AI pada wilayah delta sungai merah vietnam dan faktor yang paling dominan mempengaruhi terjadinya HPAI di delta Sungai Merah Vietnam.
Teknik Inferensi Aturan
9 Forward Chaining
Pada mesin inferensi menggunakan teknik forward chaining, aturan-aturan yang memungkinkan dapat digunakan dikumpulkan terlebih dahulu, kemudian dieksekusi. Aturan-aturan tersebut merupakan aturan yang bagian kondisinya (fakta) sudah dikenal. Fakta-fakta tersebut bisa datang dari masukan pengguna sebagai bagian dari masalah atau fakta yang dihasilkan dari proses inferensi sebelumnya. Mesin inferensi mencoba mengeksekusi setiap aturan tersebut. Jika suatu aturan berfungsi (dapat digunakan), maka proses inferensi dilanjutkan ke aturan lainnya. Setiap aturan yang dapat digunakan akan disimpan didalam suatu daftar.
Pada teknik forward chaining, mesin inferensi membuat simpulan-simpulan secara deduksi, dimana fakta-fakta yang ada pada bagian kondisi suatu aturan akan diproses terlebih dahulu. Jika bagian kondisi tersebut bernilai benar (logika), maka aturan tersebut digunakan. Selanjutnya fakta yang ada pada bagian simpulan suatu aturan dijadikan sebagai fakta baru yang sudah dikenal (fakta turunan), dan fakta-fakta ini akan digunakan untuk mengeksekusi aturan-aturan lainnya yang berisi fakta tersebut.
Backward Chaining
Kebalikan dengan forward chaining, pada backward chaining, hal yang pertama ditentukan adalah targetnya terlebih dahulu, yaitu fakta yang merupakan bagian simpulan dari suatu aturan. Mesin inferensi akanmencari aturan-aturan yang fakta bagian kondisinya memenuhi kriteria sesuai dengan himpunan.Fakta masukan (bergerak ke belakang). Apabila fakta-fakta bagian kondisi tersebut memenuhi kriteria, maka aturan tersebut dapat digunakan. Dari fakta-fakta baru yang didapat, selanjutnya mesin inferensi mencari lagi fakta-fakta lainnya dengan bergerak ke belakang, dari bagian simpulan ke bagian kondisi suatu aturan.Berikut ini adalah ilustrasi penerapan teknik inferensi menggunakan forward chaining dan backward chaining.
Kasus : Pasien ingin memeriksakan kesehatannya apakah dia mengalami penyakit DBD?
Fakta yang terjadi, pasien mengalami bercak merah dikulit dan demam tinggi Variabel – variabel yang digunakan adalah:
A = bercak-bercak merah dikulit B = batuk
10
Solusi dengan forward chaining:
Step I : IF A & C THEN E = R1 Step II : IF C THEN B= R3 Step III : IF B & E THEN F = R5 Step IV : IF F THEN D = R6 Step V : IF D THEN G = R7
Kesimpulan : Pasien mengalami penyakit DBD
3
METODE
Kerangka Pemikiran
Bassil (2012) melakukan pengembangan sistem menggunakan model waterfall yang terdiri atas beberapa tahapan penting yaitu: analisis sistem, desain sistem, dan implementasi sistem. Model pengembangan perangkat lunak pada penelitian ini adalah waterfall karena memiliki kelebihan diantaranya adalah proses menjadi teratur, estimasi proses menjadi lebih baik, dan jadwal menjadi lebih menentu. Kerangka pemikiran pada penelitian ini disajikan seperti pada Gambar 6.
Gambar 6 Kerangka pemikiransistem penunjang keputusan cerdas spasial pengendalian AI H5N1 pada unggas peternakan rakyat non komersial
Mulai
Selesai
Desain Sistem
Perancangan Model IDSS Struktur Basisdata
Implementasi Sistem
Pembuatan Kode Program Validasi Program
Analisis Sistem
Input dan Output Sistem Praproses Data
Teknik Analisis
11 Pada penelitian ini terdiri dari beberapa tahapan utama dalam pengembangan perangkat lunak diantaranya adalah: (1) Analisis Sistem meliputi input dan output sistem, praproses data kejadian AI serta teknik analisis, (2) Desain Sistem meliputi perancangan model IDSS dan struktur basisdata, dan (3) Implementasi Sistem meliputi pembuatan kode program dan validasi program.
Sumber dan Jenis Data
Sumber data yang digunakan dalam penelitian ini terbagi atas 3 (tiga) jenis data diantaranya adalah :
1. Data sekunder merupakan data yang diperoleh dari studi pustaka dalam rangka memperoleh landasan teoritis dan data penunjang yang berkaitan dengan materi penelitian. Data sekunder kasus/kejadian AI H5N1 di Provinsi Lampung berupa data GPS kasus/kejadian AI H5N1 tahun 2010 – 2012 yang diperoleh dari Balai Veteriner Provinsi Lampung.Sedangkan data sekunder berupa data peta wilayah administrasi Provinsi Lampungdiperoleh dari Badan Pusat Statistik Republik Indonesia.
2. Data primer merupakan data hasil wawancara pakar yang diinferensi sebagai dasar penentuan rekomendasi kebijakan penanggulangan AI untuk pemerintah kabupaten/kota dan rekomendasi kebijakan penanggulangan AI untuk pemerintah provinsi.
Analisis Sistem
Analisis sistem dilakukan untuk mengetahui segala hal yang menjadi komponen penyusun sistem penunjang keputusan cerdas spasial penyebaran AI pada peternakan rakyat non komersial di Provinsi Lampung. Analisis sistem meliputi input dan output sistem serta praproses data.
Input dan Output Sistem
Input sistem merupakan data-data yang digunakan sebagai masukan sistem penunjang keputusan cerdas spasial. Input sistem selanjutnya dianalisis sehingga menghasilkan output yang sesuai dengan tujuan pengembangan sistem. Output sistem merupakan data-data hasil keluaran sistem penunjang keputusan cerdas spasial.Input dan output sistem tampak pada diagram konteks yang disajikan pada Gambar 7.
Gambar 7 Diagram kontek sistem penunjang keputusan cerdas spasial pengendalian AI H5N1 pada unggas peternakan rakyat non
12
Praproses Data Kejadian AI
Sebelum dilakukan analisis data maka sebelumnya data harus melalui tahapan praproses terlebih dahulu. Praproses data kejadian AI dilakukan untuk memastikan data kejadian AI yang dianalisis sesuai dengan kriteria yang dibutuhkan sistem penunjang keputusan cerdas spasial.Praproses data kejadian AI disajikan pada Gambar 8.
Gambar 8 Praproses data kejadian AI sebelum dianalisis
Langkah-langkah yang dilakukan pada tahap praproses data adalah: 1. Pembersihan Data
Data kejadian AI selanjutnya dilakukan pengecekan field-filed utama yaitu tanggal kejadian AI, nama kecamatan serta titik latitude dan longitude. Apabila diketahui terdapat salah satu saja field utama yang kosong maka baris data tersebut harus dihapus. Langkah ini dilakukan untuk menjaga akurasi data. 2. Pengujian Titik Kejadian AI dengan Peta
Hasil pengujian yang dilakukan menunjukkan bahwa titik latitude dan longitude kejadian AI tidak sesuai dengan peta wilayah administratif Provinsi Lampung. Dugaan yang mungkin terjadi adalah telah terjadi kesalahan dalam pencatatan titik kejadian AI atau kesalahan dalam konversi titik latitude dan longitude. Atas dasar tesebut maka digunakan centroid kecamatan.
3. Menentukan Centroid Wilayah Endemis AI
Data kejadian AI yang terdiri atas nama kecamatan, nama kabupaten dan titik latitude longitude diuji kebenaran informasinya dengan menggunakan software QGIS. Hasil dari pengujian menunjukkan titik latitude dan longitudetidak sesuai / tidak berada dalam wilayah kecamatan dan kabupaten yang dimaksud. Untuk mengatasi hal ini maka centroid dapat dijadikan solusi untuk mengatasi ketidaksesuaian data lokasi kejadian AI dengan peta. Spatial SQL/Spatial Query digunakan untuk menentukan Centroid Wilayah AI menggunakan fungsi AVG pada clausa SELECT. Fungsi AVG (average) adalah fungsi SQL untuk menentukan nilai tengah suatu wilayah kecamatan.
SELECT
13
WHERE
st_contains(a.geom,b.geom) GROUP BY
a.kecamatan ORDER BY a.kecamatan ASC
Teknik Analisis
Data kejadian AI perlu dianalisis lebih lanjut sehingga mampu memberikan informasi yang terukur dalam menentukan kebijakan penanggulangan AI di Provinsi Lampung. Teknik analisis yang digunakan dalam penelitian ini yaitu Spatial SQL untuk menganalisis kejadian AI yang digunakan pemerintah kabupaten/kota dalam menentukan kebijakan penanggulangan AI dan Morans Spatterplot untuk menganalisis kejadian AI sebagai dasar yang digunakan pemerintah Provinsi Lampung dalam menentukan kebijakan penanggulangan AI.Yudistira (2012) menggunakan spatial SQL untuk menentukan titik api dalam kasus kebakaran hutan. Sedangkan Kurnia (2006) dan Simanjuntak (2012) menggunakan Morans Scatterplot untuk menganalisis hubungan spasial suatu kejadian.
1. Model Konsentrasi AI disajikan pada Gambar 9.
Gambar 9 Rancangan model konsentrasi AI
Data wilayah endemis AI dapat ditampilkan pada peta dengan melakukan query spasial berdasarkan geometri menggunakan fungsi st_contains. Fungsi st_contains merupakan salah satu fungsi yang ada pada Spatial SQL untuk menyamakangeometrypeta dengan titik kejadian AI. Geometry kejadian AI pada setiap kabupaten dibandingkan dengan geometry peta.
2. Model Cluster AI disajikan pada Gambar 10.
Gambar 10 Rancangan model cluster AI
Kejadian AI Peta Provinsi Lampung Inferensi Pakar
Praproses Data Morans Scatterplot IF… THEN…
Visualisasi Cluster AI dan Rekomendasi Kebijakan untuk Pemerintah Provinsi Lampung
Kejadian AI Peta Provinsi Lampung Inferensi Pakar
Praproses Data Spatial SQL/Spatial Query IF… THEN…
14
Langkah-langkah yang dilakukan untuk menganalisis data dengan teknik Morans Scatterplot adalah:
a. Menghitung jumlah kejadian AI berdasarkan wilayah kabupaten/kota. Data laporan kejadian AI yang terdiri atas tanggal kejadian, kabupaten/kota, kecamatan, latitude, longitude dan geometry dihitung jumlah kejadian AI berdasarkan wilayah kabupaten/kota. Untuk mengetahui jumlah kejadian setiap kabupaten bisa dilakukan query spasial sebagai berikut:
b. Membuat matriks contiguity dengan memperhatikan ketetanggaan setiap wilayah.
Matriks contiguity dibuat dengan memberi kode 1 jika wilayah bertetangga dan kode 0 jika tidak bertetangga. Bertetangga yang dimaksud adalah memiliki batas wilayah yang bersinggungan langsung (Selengkapnya disajikan pada Lampiran 5).
c. Menghitung indeks Morans
Indeks Morans digunakan untuk menentukan hipotesis pola penyebaran kejadian AI di Provinsi Lampung.
d. Membuat plot
Plot dibuat berdasarkan nilai yang diperoleh Zi dan Zj sehingga terbentuk 4 (empat cluster) yaitu High-High berada di kanan atas, Low-High berada di kiri atas, Low-Low berada di kiri bawah, dan High-Low berada di kanan bawah.
Rekomendasi Kebijakan
Pemerintah pemerintah kabupaten/kota dan pemerintah provinsi bertanggung jawab dalam melakukan kebijakan penanggulangan AI di Provinsi Lampung. Kebijakan penanggulangan AI yang dilakukan pemerintah kabupaten/kota dan pemerintah provinsi memiliki perbedaan fokus perhatian. Kebijakan penanggulangan AI bersifat peraturan, tindakan langsung dan pembinaan masyarakat.
15 kabupaten/kota dan rekomendasi kebijakan penanggulangan AI bagi pemerintah provinsi.
Pendapat pakar diinferensi menjadi aturan-aturan yang digunakan dalam merekomendasikan kebijakan penanggulangan AI. Pendapat pakar diperoleh dari hasil wawancara mengenai kebijakan penanggulangan AI H5N1 kepada pakar. Hasil wawancara berupa lembar pertanyaan kebijakan penanggulangan AI selengkapnya pada Lampiran 1. Inferensi kebijakan penanggulangan AI bagi pemerintah kabupaten/kota selengkapnya pada Lampiran 2. Sedangkan inferensi kebijakan penanggulangan AI bagi pemerintah provinsi selengkapnya pada Lampiran 3.
Lusiani (2006) membuat sistem pakar menggunakan logika IF THEN . Berdasarkan hal tersebut maka dalam penelitian ini rekomendasi kebijakan yang diusulkan berdasarkan data pakar yang diproses dengan logika IF THEN terhadap data pakar. Logika IF THEN dipilih karena data pakar yang diperoleh dari 1 (satu) orang. Data pakar diperoleh dari kegiatan wawancara pakar AI. Pakar dipilih sesuai dengan kapasitasnya sebagai ahli dalam epidemiologi AI. Pada penelitian ini perumusan rekomendasi kebijakan diinferensi menggunakan teknik backward chaining.
Desain Sistem
Desain sistem menggambarkan bagaimana sistem bekerja sesuai dengan rancangan. Pada tahapan desain sistem juga menggambarkan bagaimana tujuan penelitian dapat dicapai. Pada tahapan desain sistem terdiri atas model IDSS dan penyusunan basisdata.
Perancangan Model IDSS
Dalam rangka mencapai tujuan sistem maka diperlukan adanya suatu pemodelan sistem. Pemodelan sistem ini sangat penting untuk menggambarkan proses apa saja yang terjadi dalam suatu model sehingga sistem yang dimodelkan akan menghasilkan output yang sesuai. Setiap pemodelan sistem membutuhkan langkah-langkah secara sistematis agar dapat diketahui proses apasaja yang akan dilakukan sehingga tujuan dari pemodelan sistem dapat tercapai.Pemodelan perlu dilakukan untuk memastikan bahwa sistem akan bekerja sesuai dengan aturan yang telah dirancang.
16
Data pakar Model IDSS
Konsentrasi AI
Intranet Verifikasi dan validasi
Data
Gambar 11 Rancangan kerangka model IDSS
Suharjito (2011) membuat desain model IDSS yang terdiri atas data, model dan pengetahuan. Model Sistem Penunjang Keputusan Cerdas untuk kebijakan penanggulangan AI dikembangkan dengan menggunakan perangkat lunak komputer. Model yang dikembangkan menggunakan pendekatan sistem berbasis web dengan tujuan agar dapat membantu pembuat kebijakan dalam menentukan kebijakan strategis penanggulangan AI.
Berdasarkan rancangan kerangka model IDSS, selanjutnya dibuat desain sistem IDSS menggunakan Unifield Modeling Language (UML). Diagram use case menjelaskan apa saja yang dilakukan pengguna (selengkapnya disajikan pada Lampiran 6), diagram kelas menjelaskan gambaran sistem secara statis dan relasi antar mereka (selengkapnya disajikan pada Lampiran 7), dan diagram aktifitas menjelaskan tahapan aktifitas/proses bisnis dari IDSS yang dibangun (selengkapnya disajikan pada Lampiran 8).
Struktur Basisdata
Penyusunan basisdata menggambarkan bagaimana struktur penyimpanan dan pengelolaan data pada Sistem Penunjang Keputusan Cerdas Spasial Pengendalian Avian Influenza H5N1 pada Unggas Peternakan Rakyat Non Komersial.Penyusunan basisdata diperlukan sebagai pedoman dalam pembuatan struktur basisdata sehingga informasi bisa dikelola dengan baik.
Implementasi Sistem
17
Pembuatan Kode Program
Pembuatan Kode Program dilakukan setelah tahapan desain sistem selesai dilaksanakan. Program dibuat dalam bentuk webGIS yang dapat diakses menggunakan komputer, tablet dan smartphone sehingga mempermudah pengguna dalam mengkases sistem. Sebagai bentuk implementasi logika maka dibuat peseudocode rekomendasi kebijakan AI untuk Pemerintah Kabupaten/Kota serta peseudocode rekomendasi kebijakan AI untuk Pemerintah Provinsi.Pseudocode tersebut selanjutnya diimplementasikan kedalam bentuk program komputer. Dalam hal ini program yang dikembangkan berbasis web.
Validasi Program
Program webGIS didemontrasikan kepada pakar kemudian pakar menilai apakah sistem sudah berjalan dengan baik dan menghasilkan output yang sesuai dengan yang diharapkan. Ketika program webGIS dinyatakan sudah sesuai oleh pakar maka sistem penunjang keputusan cerdas spasial sudah dapat digunakan sebagai pemberi rekomendasi kebijakan penanggulangan AI. Validasi Program dilakukan dengan mendemontrasikan program kepada pakar. Selanjutnya pakar diminta untuk melakukan validasi program dengan mengisi formulir pertanyaan.
4
HASIL DAN PEMBAHASAN
Analisis Sistem Input dan Output Sistem
Sistem penunjang keputusan cerdas spasial penyebaran AI pada peternakan rakyat non komersial di Provinsi Lampung membutuhkan input sistem berupa data tempat kejadian AI, data peta wilayah administratif Provinsi Lampung serta pendapat pakar tentang kebijakan penanggulangan AI. Data tempat kejadian AI berupa data GPS yang terdiri atas titik latitude,longitude, kecamatan, kabupaten atau kota dan provinsiuntuk mengetahui posisi kejadian pada peta. Peta wilayah administratif Provinsi Lampung untuk membuat visualisasi wilayah kejadian AIdi Provinsi Lampung. Pendapat pakar dibutuhkan untuk menentukan rekomendasi kebijakan yang harus dilakukan pemerintah kabupaten/kota dan pemerintah provinsi.
Sedangkan output sistem yang dibutuhkan adalah visualisasi kejadian AI dalam bentuk peta dan rekomendasi kebijakan penanggulangan AI bagi pemerintah kabupaten/kota serta rekomendasi kebijakan penanggulangan AI bagi pemerintah Provinsi Lampung.
Praproses Data Kejadian AI
18
wilayahkecamatan menggunakan Spatial SQL.Data kejadian AI selanjutnya divisualisasikan pada bentuk peta yang disajikan pada Gambar 12.
Gambar 12 Peta kejadian AI di Provinsi Lampung tahun 2010-2012
Teknik Analisis 1. Spatial SQL
Spatial SQL digunakan untuk menampilkan data wilayah endemis AI dan menentukan tetangga wilayah yang terancam/berpotensi AI. Hasil dari Spatial SQL berupa peta setiap wilayah kabupaten/kota di Provinsi Lampung yang menampilkan titik-titik endemis AI. Titik-titik kejadian AI digunakan untuk menentukan status setiap kecamatan, apakah endemis atau terancam.
Kejadian AI selanjutnya diproyeksikan pada semua peta wilayah kabupaten/kota. Berikut ini adalah struktur dari Spatial SQL yang digunakan untuk Kota Bandar Lampung adalah sebagai berikut:
SELECT a.kecamatan FROM
peta a, kejadian b WHERE
st_contains(a.geom,b.geom) AND a.kabkot=’BANDAR LAMPUNG’
19 HasilSpatial SQLselanjutnya diproyeksikan pada petakota Bandar Lampung tampak pada Gambar 13.
Gambar 13 Peta kejadian AI di kota Bandar Lampung tahun 2010-2012 2. Morans Scatterplot
Ringkasan hasil analisis mengunakan Morans Scatterplot tampak pada Tabel 1.
Tabel 1 Hasil analisis penyebaran AI di Provinsi Lampung tahun 2010-2012
No Kabupaten Tetangga Amatan
Tetangga Zi Zj 1 Bandar Lampung 2 73 1.11200 0.75818 2 Lampung Barat 4 72 -0.84761 -0.24884 3 Lampung Selatan 5 180 1.49303 0.73096 4 Lampung Tengah 10 240 -0.30327 0.07776 5 Lampung Timur 4 135 0.78539 0.60849 6 Lampung Utara 4 41 -0.46657 -0.67070 7 Mesuji 2 10 -1.17421 -0.95648 8 Metro 3 104 2.03737 0.65839 9 Pesawaran 5 149 0.02333 0.39348 10 Pringsewu 3 66 -0.52101 -0.03110 11 Tanggamus 4 60 0.18663 -0.41214 12 Tulang Bawang Barat 5 55 -1.11978 -0.62987 13 Tulangbawang 4 57 -0.79317 -0.45296 14 Way Kanan 3 23 -0.41214 -0.81132
20
suatu area. Hasil analisis Morans Scatterplot menghasilkan cluster kejadian AI tampak pada Gambar 14.
Gambar 14 Morans Scatterplot kejadian AI di Provinsi Lampung tahun 2010-2012
Hasil cluster menunjukkan bahwa cluster HH memiliki catatan kejadian AI paling tinggi. Sedangkan cluster LL memiliki catatan kejadian AI paling rendah. Selengkapnya akan disajikan pada Lampiran 4.
Gambar 14 menunjukkan bahwa wilayah kabupaten Pesawaran, Lampung Timur, Bandar Lampung, Lampung Selatan dan Metro berada pada Cluster I yang disebut High-High (HH) yang menunjukkan bahwa daerah tersebut mempunyai nilai pengamatan AI yang tinggi dikelilingi oleh daerah yang mempunyai nilaipengamatan AI yang tinggi. Wilayah kabupaten Lampung Tengah berada pada Cluster II yang disebut Low-High (LH) yang
menunjukkan daerah dengan pengamatan AI yang rendah tapi dikelilingi daerah dengan nilai pengamatan AI yang tinggi. Wilayah kabupaten Pringsewu, Lampung Barat, Tulang Bawang, Tulang Bawang Barat, Lampung Utara, Way Kanan dan Mesuji berada pada Cluster III yang disebut Low-Low (LL) yang menunjukkan daerah dengan nilai pengamatan AI yang rendah dan dikelilingi daerah yang juga mempunyai nilai pengamatan AI yang rendah. Wilayah kabupaten Tanggamus berada pada Cluster IV yang menunjukkan daerah dengan nilai pengamatan tinggi yang dikelilingi oleh daerah dengan nilai pengamatan rendah.
Morans Scatterplot kejadian AI selanjutnya divisualisasikan kedalam bentuk peta seperti pada Gambar 15.
HH LH
LL
21
Gambar 15 Peta cluster AI di Provinsi Lampung tahun 2010-2012 hasil analisis Morans Scatterplot
Rekomendasi Kebijakan
Kebijakan penanggulangan AI yang di yang direkomendasikan kepada pemerintah terdiri atas dua macam yaitu: rekomendasi bagi pemerintah kabupaten/kota dan rekomendasi kebijakan pemerintah provinsi.
1. Aturan Rekomendasi Kebijakan Pemerintah Kabupaten/Kota
Diketahui basis aturan berdasarkan pendapat pakar tentang rekomendasi kebijakan penanggulangan AI untuk Pemerintah Kabupaten/Kota terdiri atas dua aturan yaitu:
R1= IF endemis THEN peningkatan cakupan vaksinasi, pengawasan lalulintas unggas keluar harus memiliki SKKH, unggas tidak diperkenankan dibawa ke wilayah terancam, melakukan disinfektan pada setiap cek poin terhadap kendaraan, peralatan dan unggas, edukasi kepada peternak dan masyarakat, peningkatan kapasitas surveilans dan upaya pengendalian untuk penurunan kasus AI.
R2= IF terancam THEN Peningkatan cakupan vaksinasi, pengawasan lalulintas unggas masuk harus memiliki SKKH dan tidak berasal dari daerah endemis, melakukan disinfektan pada setiap cek poin terhadap kendaraan, peralatan dan unggas, edukasi kepada peternak dan masyarakat, peningkatan kapasitas surveilans untuk pencegahan AI.
2. Aturan Rekomendasi Kebijakan Pemerintah Provinsi
22
R1= IF High-High THEN peningkatan cakupan vaksinasi, pengawasan lalulintas unggas keluar harus memiliki SKKH, unggas tidak diperkenankan dibawa ke wilayah bebas AI, melakukan disinfektan pada setiap cek poin terhadap kendaraan, peralatan dan unggas, edukasi kepada peternak dan masyarakat.
R2= IF Low-High THEN vaksinasi di daerah low dan peningkatan vasinasi di daerah high, pengawasan lalulintas unggas masuk harus memiliki SKKH dan tidak berasal dari daerah endemis, unggas tidak diperkenankan dibawa ke wilayah bebas AI, melakukan disinfektan pada setiap cek poin terhadap kendaraan, peralatan dan unggas, edukasi kepada peternak dan masyarakat, peningkatan kapasitas surveilans dan upaya pengendalian untuk penurunan kasus AI.
R3= IF Low-Low THEN vaksinasi, pengawasan lalulintas unggas masuk harus memiliki SKKH dan tidak berasal dari daerah endemis, melakukan disinfektan pada setiap cek poin terhadap kendaraan, peralatan dan unggas, edukasi kepada peternak dan masyarakat, peningkatan kapasitas surveilans untuk deteksi dini AI, depopulasi/stampingout dilakukan jika ditemukan kasus AI.
R4= IF High-Low THEN peningkatan cakupan vaksinasi di daerah high dan vaksinasi di daerah low, pengawasan lalulintas unggas keluar harus memiliki SKKH, unggas tidak diperkenankan dibawa ke wilayah bebas AI, melakukan disinfektan pada setiap cek poin terhadap kendaraan, peralatan dan unggas, edukasi kepada peternak dan masyarakat, peningkatan kapasitas surveilansdan upaya pengendalian untuk penurunan kasus AI.
Desain Sistem Perancangan Model IDSS
23
Gambar 16 Konfiguasi model IDSS
Struktur Basisdata
Berikut ini digambarkan struktur basisdata yang terdiri dari 2 (dua) tabel yaitu tabel peta untuk menyimpan informasi wilayah dan tabel kejadian untuk menyimpan informasi lokasi kejadian AI. Struktur basisdata disajikan pada Gambar 17, Gambar 18 dan Gambar 19.
Gambar 17 Struktur tabel peta
Data Model Pengetahuan
Sistem PengolahTerpusat
User
SISTEM MANAJEMENDIALOG
Data GPS
kasus/kejadian AI
Peta wilayah administrasi Provinsi Lampung
Data pakar
Konsentrasi AI
Cluster AI
Data kejadian AI
Inferensi kebijakan penanggulangan AIberbasis aturan IF ... THEN...
SISTEM MANAJEMEN BASIS DATA
SISTEM MANAJEMEN BASIS MODEL
24
Gambar 18 Struktur tabel kejadian
Gambar 19 Struktur tabel kebijakan
Implementasi Sistem Pembuatan Kode Program
Kode program dibuat berdasarkan pseudocode yang telah ditentukan sebelumnya agar komputer dapat melakukan analisis data kejadian AI sesuai dengan algoritma. Berikut ini disajikan pseudocode untuk menentukan status/keadaan AI pada suatu wilayah kecamatan sehingga bisa dijadikan sebagai dasar untuk memberikan rekomendasi kebijakan Pemerintah Kabupaten/Kota: Query1=SELECT *FROM peta
WHILE (datapeta($Query1)) {
Query2=SELECT * FROM kejadianAI, peta WHILE (kejadianAI) {
IF (kecamatan(Query1)=kecamatan(Query2)) { SET kecamatan=endemis
} ELSE {
SET kecamatan=terancam }
} }
Sedangkan untuk mentukan rekomendasi kebijakan penanggulangan AI bagi Pemerintah Provinsi Lampung adalah berdasarkan hasil cluster wilayah dengan analisis Morans Scatterlot yang disajikan sebagai berikut:
WHILE (Moran Scatterplot) { IF (cluster=HH) {
25
Pseudocode selanjutnya dikonversi kedalam bahasa pemrograman PHP. Kode program ditulis menggunakan beberapa bahasa pemrograman web lainnya yaitu HTML, CSS, dan Javascript. Selanjutnya pengembangan program menggunakan Framework Open Layer untuk mempermudah dalam membangun webGIS.
Validasi Program
Pakar diminta untuk mengevaluasi program yang sudah dibuat dengan menguji fungsionalitas sistem. Pakar selanjutnya mengisi formulir pengujian yang sudah disiapkan. Hasil validasi program disajikan pada Tabel 2.
Tabel 2 Hasil validasi program terhadap fungsionalitas sistem
No Fungsionalitas Sesuai
Ya Tidak
1 Apakah cara menentukan status suatu wilayah endemis atau terancam AI sudah benar?
√
2 Apakah peta wilayah konsentrasi AI yang divisualisasikan sudah benar?
√
3 Apakah peta wilayah cluster AI yang divisualisasikan sudah benar?
√
4 Apakah cara menentukan rekomendasi kebijakan penanggulangan AI untuk pemerintah Kabupaten/Kota sudah benar?
√
5 Apakah cara menentukan rekomendasi kebijakan penanggulangan AI untuk pemerintah Provinsi sudah benar?
√
Berdasarkan hasil validasi program dapat diketahui bahwa fungsionalitas program sudah sesuai dengan yang diharapkan.
Hasil Uji Coba Program dan Pemanfaatan Hasil Penelitian
26
Model Konsentrasi AI
Berdasarkan data penelitian, dapat diketahui bahwa rekomendasi kebijakan untuk pemerintah terbagi menjadi 2 (dua) macam yaitu kebijakan untuk wilayah endemis dan kebijakan untuk wilayah tercancam atau berpotensi AI. Pada program tampak gambar peta Kota Bandar Lampung yang disejajarkan dengan peta Open Street Maps (OSM). Berikut ini disajikan program model konsentrasi AI di Kota Bandar Lampung pada Gambar 20.
Gambar 20 Visualisasi program model konsentrasi AI
Kebijakan untuk wilayah endemis AI meliputi kecamatan Kedaton, Kemiling, Panjang, Rajabasa, Sukabumi, Sukarame, Tanjung Karang Barat, Tanjung Karang Timur, Tanjung Senang, dan Teluk Betung Utara direkomendasikan untuk dilakukan kebijakan diantaranya adalah: (1). Peningkatan cakupan vaksinasi, (2). Pengawasan lalulintas unggas keluar harus memiliki SKKH, (3). Unggas tidak diperkenankan dibawa ke wilayah Terancam, (4). Melakukan disinfektan pada setiap cek poin terhadap kendaraan, peralatan dan unggas (5). Edukasi kepada peternak dan masyarakat, (6). Peningkatan kapasitas surveilans dan upaya pengendalian untuk penurunan kasus AI.
27 disinfektan pada setiap cek poin terhadap kendaraan, peralatan dan unggas, (5). Edukasi kepada peternak dan masyarakat, (6). Peningkatan kapasitas surveilans untuk pencegahan AI.
Model Cluster AI
Berdasarkan data penelitian, dapat diketahui bahwa rekomendasi kebijakan untuk pemerintah terbagi menjadi 4 (empat) macam yaitu kebijakan untuk wilayah cluster I (merah), cluster II (pink), cluster III (biru), dan cluster IV (biru muda). Pada program tampak gambar peta Provinsi Lampung yang disejajarkan dengan peta Open Street Maps (OSM). Berikut ini disajikan program model cluster AI di Provinsi Lampung pada Gambar 21.
Gambar 21 Visualisasi program model cluster AI
Rekomendasi kebijakan untuk cluster I yang meliputi kabupaten Pesawaran, Lampung Timur, Bandar Lampung, Lampung Selatan dan Metro diantaranya (1). Peningkatan cakupan vaksinasi, (2). Pengawasan lalulintas unggas keluar harus memiliki SKKH, (3). Unggas tidak diperkenankan dibawa ke wilayah bebas, (4). Melakukan disinfektan pada setiap cek poin terhadap kendaraan, peralatan dan unggas, serta (5). Edukasi kepada peternak dan masyarakat.
28
peternak dan masyarakat, dan (6). Peningkatan kapasitas surveilans dan upaya pengendalian untuk penurunan kasus AI.
Rekomendasi kebijakan untuk cluster III yang meliputi kabupaten Pringsewu, Lampung Barat, Tulang Bawang, Tulang Bawang Barat, Lampung Utara, Way Kanan dan Mesuji diantaranya (1). Vaksinasi, (2). Pengawasan lalulintas unggas masuk harus memiliki SKKH dan tidak berasal dari daerah endemis, (3). Melakukan disinfektan pada setiap cek poin terhadap kendaraan, peralatan dan unggas, (4). Edukasi kepada peternak dan masyarakat, (5). Peningkatan kapasitas surveilans untuk deteksi dini AI, dan (6). Depopulasi/stampingout dilakukan jika ditemukan kasus AI.
Rekomendasi kebijakan untuk cluster IV yaitu kabupaten Tanggamus diantaranya (1). Peningkatan cakupan vaksinasi, (2). Pengawasan lalulintas unggas keluar harus memiliki SKKH, (3). Unggas tidak diperkenankan dibawa ke wilayah bebas AI, (4). Melakukan disinfektan pada setiap cek poin terhadap kendaraan, peralatan dan unggas, (5). Edukasi kepada peternak dan masyarakat, dan (6). Peningkatan kapasitas surveilans dan upaya pengendalian untuk penurunan kasus AI.
5
SIMPULAN DAN SARAN
Simpulan
Hasil analisis menunjukkan bahwa bahwa kabupaten / kota yang memiliki konsentrasi kejadian AI kategori tinggi adalah Bandar Lampung, Metro, Lampung Selatan, Lampung Timur dan Pesawaran. Model kebijakan penanggulangan AI yang dikembangkan pada sistem penunjang keputusan cerdas spasial ini terdiri atas 2 (dua) model yaitu model konsentrasi AI dan model cluster AI kemudian hasil analisis divisualisasikan kedalam betuk peta.
Perangkat lunak dikembangkan berbasis web dengan mengadopsi sistem penunjang keputusan sebagai bagian penentu kebijakan, sistem pakar sebagai bagian kecerdasan dan sistem informasi geografis sebagai pengolah data spasial.
Rekomendasi Kebijakan penanggulangan AI untuk pemerintah kabupaten/kota terbagi atas 2 (dua) macam yaitu: rekomendasi kebijakan untuk wilayah endemis AI dan rekomendasi kebijakan untuk wilayah terancam/berpotensi AI. Rekomendasi Kebijakan penanggulangan AI untuk pemerintah provinsi terdiri atas 4 (empat) macam yaitu: rekomendasi kebijakan untuk wilayah High-High, rekomendasi kebijakan untuk wilayah Low-High, rekomendasi kebijakan untuk wilayah Low-Low dan rekomendasi kebijakan untuk wilayah High-Low.
Saran
29 Penelitian selanjutnya dapat melakukan analisis menggunakan teknik lainnya seperti clustering data mining. Penelitian selanjutnya dapat menggunakan pakar beberapa orang sebagai pembanding dalam penentuan kebijakan.
Hasil penelitian dapat dimanfaatkan untuk mengetahui kondisi kejadian AI di Provinsi Lampung serta sebagai rekomendasi dalam menentukan kebijakan penanggulangan AI bagi Pemerintah Kabupaten/Kota dan Pemerintah Provinsi.
DAFTAR PUSTAKA
Angi AH, Wibawan IT, Murtini S. 2009. Kemampuan Netralisasi Antibodi Spesifik Avian Influenza H5 Terhadap Beberapa Virus H5N1 Isolat Lapang. Forum Pascasarjana. 32(1):55-66.
Bahri S, Suhardono, Muharsini S, Wiyono A, Priyanti A. Tiesnamurti B.2013. Arah Penelitian Mendukung Rencana Bebas Penyakit Avian Influenza Pada Unggas Tahun 2020 di Indonesia. Jakarta: IAARD Press.
Barus B, Wiradisastra U. 2009. Sistem Informasi Geografi Sarana Manajemen Sumberdaya. Bogor (ID): Laboratorium Penginderaan Jauh dan Kartografi Jurusan Tanah Fakultas Pertanian IPB.
Bassil Y. 2012. A Simulation Model for the Waterfall Software Development Life Cycle. International Journal of Engineering & Technology (iJET) [internet]. [diunduh 2015 Jul 11]; 2(5). Tersedia pada: http://iet-journals.org/archive/2012/may_vol_2_no_5/255895133318216.pdf.
Dasgupta D, Gonzalez. FA. 2001. An Inteligent Decision Support System for Intrusion Detection dan Response. MMM-ACNS [Internet]. [diunduh 2015 Jul
11]; 2052: 1-14. Tersedia pada:
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.329.5757&rep=rep1 &type=pdf.
Dharmayanti, Ibrahim F, Darminto, Soebandrio A. 2011. Influenza H5N1 Virus of Birds Surronding H5N1 Human Cases Have Specific Characteristics on the Matrix Protein. Hayati Journal of Biosciences. 18(2): 82-90.
Egenhofer MJ. 1994. Spatial SQL : A Query and Presentation Language. IEEE Transactions on Kowledge and Data Engineering. 6(1): 86-95.
Erdani Y. 2008. Konsep Inferensi Pada Model Pengetahuan Berbasis Ternary Grid.Proceeding of semnasIF 2008 - Seminar Nasional Informatika 2008. 229-237
[FAO] Food and Agricultural Organization. 2004. FAO Recommendations on the Prevention, Control and Eradication of Highly Pathogenic Avian Influenza. [Internet].[diunduh 2015 Jul 11 ].Tersedia pada : http://web.oie.int/eng/AVIAN_INFLUENZA/FAO%20recommendations%20o n%20HPAI.pdf.
[FAO] Food and Agricultural Organization. 2008. Biosecurity For Highly Pathogenic Avian Influenza. FAO.[Internet].[diunduh 2015 Jul 11].Tersedia pada : http://www.fao.org/3/a-i0359e.pdf.
30
Multi Criteria Decision Modelling. London: The Royal Veterinary College University of London.
Haryanto T, Marimin, Herdiyeni H. 2007. Sistem Pakar Diagnosa Penyakit pada Ayam (PDPPA). Jurnal Ilmiah Ilmu Komputer.5(1): 1693-1629.
Hendra, Marimin, Herdiyeni Y. 2014. Sistem Pendukung Keputusan Cerdas Pengembangan Agroindustri Karet Alam Dengan Pendekatan Produktivitas Hijau Menggunakan Fuzzy AHP. Jurnal Teknologi Industri Pertanian. 24(2):82-96.
Honggowibowo AS, Sediartie T. 2004. Sistem Pendukung Keputusan Pemilihan Desain Interior Menggunakan Metode Analytical Hierarchy Process (AHP). Jurnal Telkomnika. 2(1):49-55.
[IDPHPAI] Indonesian Dutch Program High Pathogenic of Avian Influenza, 2010. Profiling and Mapping of the Poultry Industry 2010 for 7 Districs/Municipalities in Banten Province and 12 Districs/Municipalities in West Java Province. Indonesian - Dutch Partnership Program on Highly Pathogenic Avian Influenza Control.
Jordan T, Raubal M, Gartrell B, Egenhofer MJ. 1998. An Affordance Based Model of Place in GIS. Eighth Inernational Symposium on Spatial Data Handling. 98-109.
[Kementan RI] Kementerian Pertanian Republik Indonesia. 2005. Pencegahan dan Pengendalian Flu Burung (Avian Influenza). [Internet]. [diunduh 2015 Jul 11].Tersedia pada: http://www.litbang.deptan.go.id/berita/one/221.
[Kementan RI] Kementerian Pertanian Republik Indonesia, 2014. Manual Penyakit Unggas. Subdit Pengamatan Penyakit Hewan Direktorat Kesehatan Hewan Direktorat Jenderal Peternakan dan Kesehatan Hewan Kementerian Pertanian. [Internet]. [diunduh 2015 Jul 11]. Tersedia pada: http://wiki.isikhnas.com/images/d/dd/Manual_Penyakit_Unggas.pdf
[Kementan RI] Kementerian Pertanian Republik Indonesia. 2015a.Perkembangan Kasus Avian Influenza (AI) Pada Unggas Kondisi sd 31 Januari 2015. [Internet]. [diunduh 2015 Jul 11]. Tersedia pada: http://keswan.ditjennak.pertanian.go.id/index.php/blog/read/berita/perkembang an-kasus-avian-influenza-ai-pada-unggas-kondisi-sd-31-januari-2015.
[Kementan RI] Kementerian Pertanian Republik Indonesia. 2015b.Perkembangan Kasus Avian Influenza (AI) Pada Unggas Kondisi sd 31 Mei 2015. [Internet].
[diunduh 2015 Jul 11]. Tersedia pada:
http://keswan.ditjennak.pertanian.go.id/index.php/blog/read/berita/perkembang an-kejadian-avian-influenza-ai-pada-unggas-kondisi-sd-31-mei-2015.
Kurnia A, Syafitri UD. 2006. Pendekatan Statistika Untuk Pemetaan Kemiskinan di Propinsi Jawa Barat. Jurnal Forum Statistika dan Komputasi. 11(2):28 – 36. Lusiani T. 2006. Sistem Berbasis Aturan Untuk Mendiagnosa Penyakit Flu
Burung Secara Online. Seminar Nasional Sistem dan Informatika. 6(26): 156-163.
