Institutional Repository | Satya Wacana Christian University: Penentuan Kejadian Penyebaran Penyakit DBD Menggunakan Bayes Naïve di Kombinasi dengan WMA (Studi kasus: Kota Salatiga)

(1)

Penentuan Kejadian Penyebaran Penyakit DBD Menggunakan

Bayes Naïve Di Kombinasi Dengan WMA

(Studi kasus: Kota Salatiga)

Artikel Ilmiah

Peneliti :

Handrian Timotius Wasman (672013717) Dr. Sri Yulianto J. Prasetyo, S.Si., M.Kom

Program Studi Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Satya Wacana

(2)

Penentuan Kejadian Penyebaran Penyakit DBD Menggunakan

Bayes Naïve Di Kombinasi Dengan WMA

(Studi kasus: Kota Salatiga)

Artikel Ilmiah

Diajukan kepada Fakultas Teknologi Informasi

untuk memperoleh Gelar Sarjana Komputer

Peneliti :

Handrian Timotius Wasman (672013717) Dr. Sri Yulianto J. Prasetyo, S.Si., M.Kom

Program Studi Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Satya Wacana

(3)

(4)

(5)

(6)

(7)

(8)

(9)

Penentuan Kejadian Penyebaran Penyakit DBD Menggunakan

Bayes Naïve Di Kombinasi Dengan WMA

(Studi kasus: Kota Salatiga)

1) _{Handrian Timotius Wasman}2) _{Dr. Sri Yulianto J. Prasetyo, S.Si., M.Kom}

Fakultas Teknologi Informasi Universitas Kristen Satya Wacana Jl. Diponegoro 52-60, Salatiga 50711, Indonesia Email: 1)_{[email protected],}2)_{[email protected]}

Abstract

Information systems in the form of modeling can be used to determine the chances of dengue hemorrhagic fever in Salatiga . It is caused by a five -year cycles that occur nationally . The purpose of this study is to provide a system that can provide information for the possibility of an KLB of Health Department in the form of maps and charts . This system is made by using Naïve Bayes and WMA ( Weighted Moving Average ) . The benefits of making of this information system to help the Health Department of Salatiga in providing information to the public about the spread of dengue fever so as to reduce the number of patients each year .

Keywords: Hemoragic Fever, Information System, KLB (Kejadian Luar Biasa), Naïve

Bayes, WMA (Weighted Moving Average), Salatiga

Abstract

Sistem informasi dalam bentuk pemodelan dapat digunakan untuk mengetahui peluang hemoragik demam berdarah di Salatiga. Ini disebabkan oleh siklus lima tahun yang terjadi secara nasional. Tujuan dari penelitian ini untuk menyediakan sistem yang dapat memberikan informasi peluang terjadinya KLB bagi Dinas Kesehatan dalam bentuk peta dan grafik. Sistem ini dibuat dengan menggunakan metode Naïve Bayes dan WMA (Weighted Moving Average). Manfaat dari pembuatan Sistem Informasi ini untuk membantu Dinas Kesehatan Kota Salatiga dalam memberikan informasi kepada masyarakat tentang penyebaran penyakit demam berdarah sehingga dapat mengurangi jumlah penderita setiap tahunnya.

Kata Kunci: Demam hemoragik, Sistem Informasi, KLB (Kejadian Luar Biasa), Naïve Bayes, WMA (Weighted Moving Average), Salatiga

1)_{Mahasiswa Program Studi Teknik Informatika, Fakultas Teknologi Informasi,}

Universitas Kristen Satya Wacana

(10)

1 1. Pendahuluan

Pemodelan penyebaran penyakit demam berdarah dengan menggunakan peta berguna bagi Dinas Kesehatan untuk melihat dan menentukan peluang pola penyebaran penyakit. Kemajuan teknologi informasi pada saat ini memberikan kemudahan untuk dapat mengakses informasi dari internet. Sistem ini dapat mempermudah pemberian informasi penyebaran demam berdarah kepada Dinas Kesehatan di Salatiga, dimana Salatiga adalah salah satu kota di Jawa Tengah yang berudara sejuk dan memiliki tanah yang tidak datar, sehingga di beberapa tempat pada waktu hujan memungkinkan terjadinya genangan-genangan air yang

bisa digunakan untuk tempat bersarangnya nyamuk Aedes Aegypty yang diketahui

sebagai nyamuk penyebar penyakit demam berdarah.

Sistem dengan pemodelan menggunakan peta ini dapat mempermudah memberikan informasi penyebaran demam berdarah untuk diketahui dan dipahami, sehingga masyarakat dapat melakukan pencegahan-pencegahan terhadap penyebaran penyakit demam berdarah di Salatiga.

Berdasarkan latar belakang permasalahan terkait pengembangan sistem pemodelan tersebut, dirancang dan dikembangkan sebagai sistem informasi geografis yang berfungsi untuk pemetaan penyakit demam berdarah di kota Salatiga.

2. Tinjauan Pustaka

Salah satu penelitian tentang data mining yang pernah dilakukan adalah

“Prediksi Kejadian Luar Biasa (KLB) Penyakit Malaria Menggunakan Probability Density Data Mining”. Penelitian ini membahas tentang pembuatan sistem yang

dapat memprediksi KLB malaria di Jawa Tengah dengan menggunakan data

mining yang dapat membantu Dinas Kesehatan menganalisa dari data-data kejadian KLB yang sudah ada, sehingga analisa data yang dulunya manual bisa lebih cepat dan mudah.

Algoritma yang digunakan pada penelitian adalah Probability Density dan

Naive Bayes adalah salah satu algoritma pembelajaran induktif yang paling efektif

dan efisien untuk machine learning dan data mining. Performa naïve bayes yang

kompetitif dalam proses klasifikasi walaupun menggunakan asumsi

keidependenan atribut (tidak ada kaitan antar atribut). Asumsi keidependenan atribut ini pada data sebenarnya jarang terjadi, namun walaupun asumsi keidependenan atirbut tersebut dilanggar performa pengklasifikasian naïve bayes cukup tinggi, hal ini dibuktikan pada berbagai penelitian empiris[5].

Sistem Informasi yang membahas tentang penyebaran penyakit demam

berdarah adalah “Penentuan Tingkat Kerentaan Wilayah Terhadap

Perkembangbiakan Nyamuk Aedes Aegypti (Demam Berdarah) dengan

Penginderaan Jauh”. Tujuan penelitian ini untuk mendeteksi lingkungan yang

rentan penyakit dan menentukan tingkat kerentanan wilayah terhadap perkembangbiakan nyamuk[4].

(11)

2

(Weighted Moving Average) dan Naïve bayes. Sistem yang dihasilkan

memberikan informasi peluang terjadinya KLB dalam bentuk peta dan atribut didalamnya.

Demam berdarah atau demam dengue (disingkat DBD)

adalah infeksi yang disebabkan oleh virus dengue. Nyamuk atau beberapa jenis nyamuk menularkan (atau menyebarkan) virus dengue. Demam dengue juga disebut sebagai "breakbone fever" atau "bonebreak fever" (demam sendi), karena demam tersebut dapat menyebabkan penderitanya mengalami nyeri hebat seakan-akan tulang mereka patah.

Weighted Moving Average atau yang lebih dikenal dengan WMA adalah salah satu varian MA yang menghitung rata-rata data bergerak dengan

pembobotan pada beberapa data terakhir yang terbentuk. Pada SMA (Simple

Moving Average), bobot setiap data yang telah terbentuk pada beberapa periode sebelumnya atau yang baru saja terbentuk memiliki bobot penilaian yang sama. Sementara pada WMA pada masing-masing data yang telah terbentuk memiliki pembobotan yang berbeda. Data yang baru saja terbentuk pada blok data memiliki pembobotan yang lebih ketimbang data yang telah terbentuk pada blok data

sebelumnya.Pembobotan nilai pada WMA akan tergantung pada panjang periode

yang kita tetapkan. Semakin panjang periode yang ditetapkan, maka semakin besar pula pembobotan yang diberikan pada data terbaru.

Teorema Bayes adalah teorema yang digunakan dalam statistika untuk

menghitung peluang untuk suatu hipotesis, Bayes Optimal Classifier menghitung

peluang dari suatu kelas dari masing-masing kelompok atribut yang ada, dan menentukan kelas mana yang paling optimal. Teorema Bayes menerangkan hubungan antara probabilitas terjadinya peristiwa A dengan syarat peristiwa B telah terjadi dan probabilitas terjadinya peristiwa B dengan syarat peristiwa A

telah terjadi. Teorema Bayes ini bermanfaat untuk mengubah atau memutakhirkan

(meng-update) probabilitas yang dihitung dengan tersedianya data dan informasi

tambahan. Asumsi yang diambil dalam pengklasifikasian penyakit demam

berdarah ini dipandang sebagai kumpulan klasifikasi yang saling bebas

(independen) dan proses klasifikasi demam berdarah dilakukan dengan

pengecekan factor-faktor yang mendukung terjadinya demam berdarah tersebut. Penentuan kelas dari demam berdarah dilakukan dengan cara menghitung besarnya peluang terjadinya penyakit demm berdarah di suatu daerah. Jadi, factor-faktor dalam dokumen (wi) berlaku seperti petunjuk - petunjuk yang telah dijelaskan sebelumnya (Fi), dan gabungan dari factor-faktor tersebut menghasilkan suatu peluang terjadinya penyakit demam berdarah (D). Dengan kata lain:

𝑃(𝐴|𝐵) =𝑃(𝐴)

𝑃(𝐵) 𝑃(𝐵|𝐴)

𝑃(𝐷|𝐶) = ∏ 𝑃(𝑤𝑖|𝐶)

(12)

3

Persamaan teorema Naïve Bayes untuk klasifikasi dokumen menjadi sebagai berikut:

dimana P(C|D) menyatakan kemungkinan suatu dokumen diklasifikasikan pada kelas C Indikator yang digunakan untuk menghitung prediksi adalah temperatur, curah hujan, dan kelembaban udara. Beberapa hasil analisa yang dapat dipakai untuk kepentingan Dinas Kesehatan Jawa Tengah adalah seberapa besar kemungkinan terjadinya KLB malaria di suatu daerah di Jawa Tengah, yang nantinya akan mempengaruhi pengambilan kebijakan. Kebijakan tersebut terkait dengan tindakan pencegahan penyakit malaria.

Saat ini menentukan peluang terjadinya suatu KLB penyakit masih sulit dilakukan dikarenakan data-data yang ada masih berbentuk manual dan berjumlah besar sehingga memerlukan waktu yang lama dan ketelitian untuk melakukan

penghitungan suatu peluang. Dengan naïve bayes, kasus seperti diatas dapat

diselesaikan. Naïve bayes didefinisikan sebagai proses identifikasi pola yang

benar, mempunyai kegunaan yang potensial, dan mudah dimengerti dalam data.

Naïve bayes akan mengenali pola yang terdapat dalam basis data dan digunakan untuk memprediksi perilaku suatu kasus dimasa depan.

3. Metode Penelitian dan Perancangan Sistem

Pada tahapan penelitian, dijabarkan gambaran proses tahapan penelitian yang dilakukan dalam mengembangkan aplikasi. Tahap-tahap metode tahapan penelitian dapat dilihat pada Gambar

Gambar 1 Tahapan Penelitian (Linier)

Metode penelitian yang dilakukan pada Gambar 1, diselesaikan melalui tahapan penelitian yang terbagi dalam empat tahapan, yaitu, (1) Tahap Persiapan, (2) Analisa kebutuhan, (3) Desain Sistem, (4) Pengujian Sistem, serta Evaluasi Hasil Pengujian.

P(C|D) =𝑃(𝐶)_{𝑃(𝐷) P}(D|C)

=𝑃(𝐶)

(13)

4 Gambar 2 Tahapan Perancangan Model Prototype [8]

Tahapan perancangan pada Gambar 2, dapat dijelaskan sebagai berikut.

Tahap pertama: pengumpulan kebutuhan data, yaitu mengumpulkan bahan dan data yang diperlukan untuk membuat aplikasi bagi pengguna dan administrator, langkah awal pada tahap ini adalah mengumpulkan informasi tentang kebutuhan sistem dari Dinas Kesehatan dan langkah kedua yaitu mencari referensi mengenai penyakit DBD, kejadian KLB DBD, serta parameter apa saja yang

mempengaruhi. ; Tahap kedua: Perancangan, yaitu merancang aplikasi/program

sesuai kebutuhan sistem berdasarkan perancangan sistem yang telah dilakukan. Misalnya bagaimana aplikasi/program berjalan saat penyimpanan data dan

pengambilan data; Tahap ketiga: Evaluasi prototype yaitu. Implementasi dan

pengujian sistem, serta evaluasi hasil pengujian, yaitu mengimplementasikan tahapan penelitian kedua dan ketiga, apabila implementasi program sudah selesai, maka dilakukan pengujian, serta di evaluasi untuk melihat apakah aplikasi yang

telah dibuat sudah sesuai dengan yang diharapkan atau tidak ada error, jika belum

sesuai maka akan dilakukan perbaikan.

Metode prototype dikembangkan dengan membuat prototype aplikasi

perangkat lunak untuk selanjutnya dievaluasi oleh pengguna dan diperbaiki sesuai dengan hasil evaluasi tersebut. Metode ini digunakan dengan alasan karena sangat

cocok untuk dipakai bila pada aplikasi yang dibuat atau output yang dinginkan

pengguna kurang terdefinisi secara jelas. Oleh karena itu, metode ini membutuhkan komunikasi yang jelas antara pengembang perangkat lunak dengan

pengguna sehingga hasil yang diperoleh sesuaidengan keinginan pengguna.

Pada tahap analisa kebutuhan dan pengumpulan data dikumpulkan secara langsung dari objek penelitian. Dalam hal ini data yang dikumpulkan adalah data

BMG yaitu data klimatologi yang terdiri dari data temperature, curah hujan,

(14)

5 Gambar 3Use Case Diagram Sistem

Pada Gambar 3, ditampilkan terdapat 4 aktor user. Setiap user memiliki

hak akses yang berbeda-beda. Aktor BMG mempunyai hak akses Login dan

Logout, melihat data BMG dan KLB, memasukan, mengubah, dan menghapus

data BMG, melihat peluang KLB. Aktor puskesmas mempunyai hak akses Login

dan Logout, melihat data BMG dan KLB, memasukan, mengubah dan menghapus

data KLB, melihat peluang KLB DBD. Aktor dinkes mempunyai hak akses Login

dan Logout, melihat data BMG dan KLB, mengubah data KLB, melihat peluang

KLB DBD. Aktor admin mempunyai hak akses Login dan Logout, melihat,

(15)

6 Gambar 4 Activity DiagramUser Admin

Pada Gambar 4 ditunjukkan interaksi antara aktor User dan Sistem. User

disini adalah admin, setelah user admin melakukan login dengan benar, system

akan menyimpan data user kemudian menampilka halaman-halaman yang dapat

diakses sesuai dengan hak akses user.

Gambar 5 Class Diagram Sistem

Pada Gambar 5, ditunjukkan class-class yang merupakan representasi

entitas, yang digunakan pada sistem. Class Kecamatan memiliki hubungan cinta

dengan class Kelurahan dan Cuaca, yang berarti object dari class Kelurahan dan

(16)

7

class Kejadian, hanya akan ada object dari class tersebut jika sudah terdapat

object dari class Kelurahan dan class Kecamatan.

4. Hasil dan Pembahasan

Implementasi sistem berdasarkan perancangan yang telah dibuat dapat dijelaskan melalui urutan antarmuka sebagai berikut:

Gambar 6 Tampilan Halaman Home

Gambar 6 merupakan antarmuka yang diakes pertama kali oleh pengunjung website. Sesuai dengan perancangan yang telah dilakukan, pada halaman ini menampilkan menu-menu yang tersedia dan sebuah gambar peta Salatiga. Pengguna dapat melihat informasi peluang penyebaran penyakit DBD.

(17)

8

Gambar 7 merupakan halaman untuk login sebagai Administrator. Sesuai dengan

perancangan, pada halaman login, terdapat kolom user dan password.

Gambar 8 Tampilan Halaman Peluang KLB

Gambar 8 merupakan antarmuka halaman untuk menentukan peluang KLB. Berdasarkan perancangan yang telah dibuat, pada halaman ini disediakan batasan pencarian berdasarkan kata kecamatan, bulan, dan tahun.

Kode Program 1: Perintah untuk menampilkan Google Maps

1. Function initialize() {

2. Var latlng = new google.maps.LatLng(-6.4, 106.8186111);

3. Var myOptions = {zoom: 13,center: latlng,mapTypeId: 4.

4. google.maps.MapTypeId.ROADMAP};

5. Var map =

6. new google.maps.Map(document.getElementById("map_canvas"),

7. myOptions);

8. }

Kode Program 1 merupakan perintah yang digunakan untuk proses

menghitung peluang dengan menggunakan metode Weighted Moving Average

(WMA).

Pada Kode Program 1, ditunjukkan untuk mencari peluang KLB pada beberapa waktu ke depan dengan menggunakan rata-rata KLB yan terjadi pada sebelumnya.

Kode Program 2:Perintah untuk menghitung peluang

1. double pYes = Estimate(historyData, true, peluang);

2. pYes = double.IsNaN(pYes) ? 0.0 : pYes;

3.

4. double pNot = Estimate(historyData, false, peluang);

5. pNot = double.IsNaN(pNot) ? 0.0 : pNot;

6. double PE = pYes + pNot;

7.

(18)

9

9. pNot = (pNot / PE) * 100.0;

10.

11. return double.IsNaN(pYes) ? 0 : pYes;

Kode Program 2 merupakan perintah untuk proses perhitungan persentase terjadinya kejadian. Baris 1-2 merupakan proses untuk menghitung prosentase kemungkinan suatu kejadian muncul. Baris 4-5, untuk menghitung prosentase kemungkinan suatu kejadian tidak muncul. Kedua proses ini memerlukan paramater riwayat data (historyData), dan contoh kondisi baru untuk menghitung peluang kemungkinan kemunculannya (peluang).

Untuk mengetahui kinerja dari sistem yang dibangun berjalan dengan baik,

maka dilakukan pengujian sistem. Pengujian yang dilakukan terdiri dari blackbox

testing, compatibility testing, dan usability testing. Blackbox Testing, dilakukan untuk mengetahui bahwa semua fungsi dan fitur pada sistem bekerja dengan tepat. Pengujian dilakukan dengan cara melihat fungsi-fungsi pada sistem, kemudian membandingkan hasil pengujian dengan hasil yang diharapkan. Hasil dari blackbox testing ditampilkan pada Tabel 1.

Untuk mengetahui kinerja dari sistem yang dibangun berjalan dengan baik, maka

dilakukan pengujian sistem. Pengujian yang dilakukan terdiri dari blackbox

testing, compatibility testing, dan usability testing. Blackbox Testing, dilakukan untuk mengetahui bahwa semua fungsi dan fitur pada sistem bekerja dengan tepat. Pengujian dilakukan dengan cara melihat fungsi-fungsi pada sistem, kemudian membandingkan hasil pengujian dengan hasil yang diharapkan. Hasil dari blackbox testing ditampilkan pada Tabel 1.

Tabel 3 Hasil Blackbox Testing

No. Deskripsi Hasil yang Diharapkan Hasil yang diberikan

Sistem

1 User (Dinkes, puskesmas, dan BMG) klik pada link di halaman Home

Halaman detail informasi tentang website ditampilkan

Sesuai yang diharapkan.

2 User (Dinkes, puskesmas, dan BMG) menggunakan fitur-fitur menu yang tersedia sesuai dengan otoritas user.

ditampilkan, proses simpan tidak dilakukan

4 User Dinkes ingin

melakukan perubahan data BMG yang seharusnya itu

5 BMG memasukan data-data

BMG dengan benar

Data BMG disimpan. Pesan sukses ditampilkan.

Berdasarkan hasil blackbox testing, disimpulkan bahwa fungsi-fungsi pada sistem

bekerja sesuai dengan yang diharapkan/direncanakan.

Compatibilty Testing dilakukan untuk apakah sistem dapat dijalankan pada

(19)

10 Tabel 4 Hasil Compatibilty Testing

No Browser Hasil

Berdasarkan hasil compatibilty testing, disimpulkan bahwa sistem dapat

diakses oleh hampir semua browser.

Usability Testing dilakukan untuk apakah sistem telah memenuhi kebutuhan pengguna, mempermudah kinerja pengguna dan mudah digunakan oleh pengguna. Pengujian ini dilakukan dengan memberikan kuesioner kepada responen, untuk mendapatkan respon terhadap penggunaan sistem. Aktor pada sistem adalah Guest, Member dan Administrator, maka responden terdiri dari 5 orang Guest, 5 orang Member, dan 5 orang Pegawai bertindak sebagai Administrator. Daftar pertanyaan dan hasil pengujian ditampilkan pada Tabel 5.

Tabel 5 Daftar Pertanyaan Usability Testing

Nomor Pertanyaan Ya Tidak Prosentase

Keberhasilan

1 Website menampilkan peta dengan jelas 10 0 100%

2 Website menampilkan menu-menu dengan

menarik

10 0 100%

3 Website menyediakan fitur-fitur yang mudah digunakan

10 0 100%

4 Halaman peluang KLB ringkas dan jelas 10 0 100%

5 Halaman peluang menampilkan pesan kesalahan yang jelas, dan petunjuk untuk mengkoreksi kesalahan dengan jelas petunjuk untuk mengkoreksi kesalahan dengan jelas pada saat menjalankan program

5 0 100%

10 Penggunaan menu dan fasilitas mudah dilakukan 5 0 100%

Berdasarkan hasil usability testing pada Tabel 5, disimpulkan bahwa

(20)

11 5. Simpulan

Berdasarkan penelitian, pengujian dan analisis terhadap sistem, maka dapat diambil kesimpulan sistem ini dapat memberikan informasi peluang terjadinya KLB bagi Dinas Kesehatan di Salatiga dalam bentuk peta.

6. Daftar Pustaka

[1]. Budiyanto, Eko. (2009). Perancangan Sistem Informasi Geografis

Penyebaran DBD Dengan Menggunakan ArchView. ANDI, Yogyakarta.

[2]. Connolly, Thomas dan Carolyn Begg. (2005). Database Systems : A

Practical Approach to Design, Implementation, and Management. 4th

Edition. Addison Wesley, Glasgow.

[3]. Delima, Y.I. 2007. Aplikasi Web Geographic Information System(SIG)

Untuk Mencari Jalur Alternatif Menggunakan AHP. Surabaya: Politeknik

Elektronika Negeri Surabaya.

[4]. Kurniawan, Fani Hidayat. 2008. Pemodelan dan Simulasi Dampak

Bencana Secara Geologi: Peluang Arah Gerakan Lumpur Panas

Menggunakan Neighborhood Moment dalam Cellular Automata.