M01058

v

DAFTAR ISI

Kata Sambutan Ketua Pelaksana

ii

Kata Sambutan Dekan Fakultas Teknologi Informasi

iii

Susunan Panitia

iv

Daftar Isi

v

A. ALGORITHM, INTELLIGENT SYSTEM, COMPUTATIONAL

A1

Pengaruh Data Acak Pada Tingkat Kecocokan Konstruksi Struktur Bayesian Network Dengan Menggunakan Algoritma Hybrid

Ilham 1

A2

Identifikasi DNA dengan Rantai Markov Orde Satu dan Probabilistic Neural Network

Toto Haryanto,

Habib Rijzaani,

Muhammad Luthfi Fajar

8

A3

Penerapan Pembelajaran Terawasi Pada Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pemanggilan Ulang Pola Huruf Kapital

Sabam Parjuangan 14

A4

Aplikasi Clustering Data Berukuran Besar dan Berdimensi Tinggi Berdasarkan Jarak

Edo Aria Putra Mawardi,

Dyah Erny Herwindiati,

Herlina Abdullah

19

A5

Optimasi Model Pengontrol Ekson Berbasis HMM Dengan Preprocessing Data Menggunakan Fuzzy C Mean

Binti Solihah,

Suhartati Agoes,

Alfred Pakpahan

26

A6

Identifikasi Pola Spasial Daerah Rawan Pangan Di Kabupaten Minahasa Tenggara Menggunakan Moran’s I

Constantina A. Widi P 33

A7

Kompresi Data Untuk Menghemat Bandwidth Dengan Menggunakan Algoritma Deflate

Angel Louren Paat,

Eko Sediyono,

Adi Setiawan

42

A8

Rekayasa Sistem Antrian dengan Disiplin Non-Preemtive Priority Service untuk Peningkatan Pelayanan Pasien di Puskesmas Banguntapan II

Dison Librado,

Cosmas Haryawan

47

A9

Perancangan Penterjemah Bahasa Indonesia Ke Bahasa Daerah Dilengkapi Pemeriksaan Kalimat Ambigu

Dewi Soyusiawaty 54

A10

Penerapan Metode Eigen Window Untuk Pendeteksian Sel Darah Putih Anthony Domenico, Lina,

Arlends Chris

62

vi

Wawan Nurmansyah

A12

Pembangunan M-Konseling Psikologi Klinis Rita Wiryasaputra,

Rendra Gustriansyah,

Wawan Nurmansyah

74

A13

Perancangan Program Edugame Mini Zoo Land Untuk Siswa Taman Kanak-Kanak

Jeanny Pragantha,

Helmy Thendean,

Sindy Kosasi

79

B.

INFORMATION SYSTEM

B1

Pembelajaran Sistem Kolaboratif Online Berbasis Knowledge Construction

Puspa Setia Pratiwi 1

B2

Social Network Analysis: Collaborative Network Penyuluh Pertanian Dalam Mendukung Program Pengembangan Usaha Agribisnis Perdesaan

Bentar Priyopradono 10

B3

Data Warehouse Sebagai Basis Analisis Data Akademik Perguruan Tinggi

Mewati Ayub,

Tanti Kristanti,

Maresha Caroline

18

B4

Pemanfaatan Digital Technology Untuk Pembelajaran Matematika Anak Usia Sekolah Dasar Menggunakan Teori TAM dan Otomatisasi

Sugeng Astanggo,

Jap Tji Beng,

Sri Tiatri

26

B5

Association Rules Untuk Mendukung Strategi Pelayanan Publik Dan Sistem E-Government

Zyad Rusdi,

Dedi Trisnawarman

32

B6

Data Mart Model For Human Resources Department (Recruitment Module)

Eka Miranda 37

B7

Perancangan E-Marketing Pada PT. Rajawali Nusindo Zulfiandri

Bayu Waspodo,

Budi Wibowo,

45

B8

Model Decision Support System Penetapan Kontribusi Pendapatan Asli Daerah

Heru Soetanto Putra 51

B9

Perancangan Data Warehouse Pada Biro Travel PT. AKZ Dewi Wuisan,

Heru Soetanto Putra,

Evaristus Didik Madyatmadja

59

B10

Studi Kelayakan Sistem Informasi Bank ASI berbasis Syariah di Jakarta Agung Sediyono, Binti Solihah

vii

B11

Penerapan Framework Fast Pada Pengembangan Sistem Informasi Pola Karir

Iwan Rijayana,

Dodo Prawira Pradana

69

B12

Pengembangan Sistem Informasi Akademik dengan menggunakan Visualisasi Dashboard Sistem (SIAT)

Edi Setiawan 77

C.

NETWORK, DISTRIBUTED, INSTRUMENTATION

C1

Implementasi Microcontroller Sebagai Detektor Asap Rokok Sederhana Syifaul Fuada, Citta Anindya,

Faishol Badar,

Dian Shofiyulloh

1

C2

Perancangan Alat Pemberi Makan Binatang Otomatis Jimmy Agustian Loekito ,

Andrew Sebastian Lehman

8

C3

Pemodelan Helipad Menggunakan Microcontroller Andrew Sebastian Lehman 13

C4

Analisis Forensika Digital Pada Sony Playstation Portable Untuk Mendukung Pembuktian Pelanggaran Hak Cipta Pada Game Console

Yudi Prayudi ,

Reza Febryan Alexandra

18

C5

Model Digital Forensic Readiness Index (DiFRI) Untuk Mengukur Tigkat Kesiapan Institusi Dalam Menanggulangi Aktifitas Cyber Crime

Tri Widodo ,

Yudi Prayudi

24

C6

Analisis Dan Perancangan Sistem Absensi Berbasis Global Positioning Sytem (GPS) Pada Android 4.x

Fransiskus Adikara 30

C7

Sistem Monitoring Pengatur Intensitas Cahaya, Suhu Dan Kelembaban Ruangan Terintegrasi Berbasis Web Untuk Metode Manajemen Energi

Riki Ruli A Siregar,

Delinawati Manurung

37

C8

Analisis Perbandingan Qos Wireless Router Asus Wl-520gu, Tp Link Td-W8101g, Dan Linksys Wrt54gl Pada Streaming Video On Demand

Reqi Rangga Raditya,

Agung Sediyono

45

C9

Pemanfaatan Cloud Computing dalam Google Maps Untuk Pemetaan Informasi Alih Fungsi Lahan di Kabupaten Minahasa Tenggara

Leonardo Refialy,

Eko Sediyono,

Adi Setiawan

52

C10

Sistem Pembelajaran Jarak Jauh Menggunakan FTP dan E-Learning Server

A6

33 1)

!

2)

"

#

3)

1,3)

Master of Information Systems, Faculty of Information Technology, Satya Wacana Christian University

Jl. Diponegoro 52'60, Salatiga, Indonesia

email : const.widie@gmail.com1), ekosed1@yahoo.com3)

) Faculty of Science and Mathemathics, Satya Wacana Christian University

Jl. Diponegoro 52'60, Salatiga, Indonesia

email : adi_setia_03@yahoo.com

1

Dibiayai dari Hibah Tim Pasca Sarjana DIKTI tahun 2013

! ! ! "

! !

! !

! ! #

! !

$ !

! %

& ! !

% % '

!

% ( )

! !

!

# ! $

% ' * ) + , - ,

%&'&

Kerawanan pangan dapat diartikan sebagai kondisi dimana individu atau rumah tangga masyarakat yang tidak memiliki akses ekonomi (penghasilan tidak memadai), tidak memiliki akses fisik untuk memperoleh pangan yang cukup, kehidupan yang normal, sehat dan produktif, baik kualitas maupun kuantitas [1].

Salah satu indikator kerawanan pangan adalah prosentase penduduk pra sejahtera. Apabila suatu daerah memiliki prosentase penduduk pra sejahtera lebih dari 25%, maka daerah tersebut dikatakan rawan pangan [2].

Garis kemiskinan penduduk di Minahasa Tenggara tahun 2011 tercatat senilai Rp242.046,00/bulan. Penduduk yang memiliki pengeluaran per kapita di bawah nilai tersebut sejumlah 17,7 ribu orang atau sekitar 17,65 persen. Jumlah ini lebih tinggi bila dibandingkan dengan tahun 2010 yang berjumlah 16,9 ribu orang atau 17,49 persen [3].

Indikator lain yang mempengaruhi kerawanan pangan adalah rasio konsumsi normatif. Hal ini dapat dilihat dari hasil produksi padi, jagung, ubi kayu serta jumlah rasio konsumsi per hari. Gambar 1 menunjukkan penyebaran produksi padi sawah dan padi ladang di Kabupaten Minahasa Tenggara tidak menunjukkan konsentrasi pada kecamatan tertentu. Sumbu X menunjukkan kecamatan di Minahasa Tenggara, sedangkan sumbu Y menunjukkan jumlah produksi padi. Pada tahun 2011, produksi padi sawah sekitar 36.841 ton [3]

A6

34 Indonesia masih terdapat beberapa kelemahan, antara lain peta yang ada masih belum dapat memberikan gambaran faktor'faktor penyebab terjadinya rawan pangan di setiap daerah dan belum menggambarkan dinamika kejadian dalam pola spasial berdasarkan ! .

Gambar 2 Peta Daerah Rawan Pangan Indonesia [7]

Dalam penelitian ini digunakan !

untuk melihat apakah indikator yang berpengaruh terhadap rawan pangan di suatu kecamatan memiliki korelasi dengan kecamatan yang lain dan apakah korelasi tersebut mempengaruhi kejadian rawan pangan di suatu kecamatan.

./ (ESDA) merupakan

bagian dari proses eksplorasi dan analisis data (EDA) [4]. Prinsip kerja dari metode ini adalah membandingkan nilai variabel tertentu pada setiap lokasi dengan nilai pada semua lokasi lain [7].

Oleh karena itu diperlukan suatu metode pendekatan spasial yang dapat memberikan gambaran faktor'faktor penyebab terjadinya rawan pangan dan menggambarkan dinamika pola spasial, yaitu Moran’s I. Penelitian ini diharapkan dapat digunakan untuk membantu dalam memberi rekomendasi bagi para pengambil keputusan dalam pengambilan kebijakan peningkatan ketahanan pangan dan penanganan daerah rawan pangan di Minahasa Tenggara.

(

'

$

%&'&

Pemerintah Indonesia bekerjasama dengan 0 1 ) (WFP) telah menyusun peta kerawanan pangan yaitu suatu alat untuk mengetahui daerah rawan pangan dengan permasalahan yang melatarbelakangi kejadian rawan pangan tersebut untuk dijadikan sebagai bahan kebijakan bagi penanggulangan kerawanan pangan [8]. Dalam Peta Ketahanan dan Kerentanan Pangan

Indonesia atau 1 ( 2 ! ,

31 2,4 digunakan 9 indikator kerawanan pangan. Peta komposit kerawanan pangan dihasilkan dari kombinasi

semua indikator kerawanan pangan kronis dengan menggunakan pembobotan berdasarkan prosentase tiap indikator rawan pangan [8]. Dalam FSVA dikembangkan konsep ketahanan pangan berdasarkan tiga dimensi ketahanan pangan (ketersediaan, akses dan pemanfaatan pangan) dalam semua kondisi bukan hanya pada situasi kerawanan pangan saja. Pertimbangan yang kedua, FSVA juga bermaksud untuk mengetahui berbagai penyebab kerawanan pangan secara lebih baik atau dengan kata lain kerentanan terhadap kerawanan pangan, bukan hanya kerawanan pangan itu sendiri [1].

Penelitian tentang analisis data spasial juga telah dilakukan oleh Prasetyo [8]. Penelitian tersebut bertujuan untuk membandingkan metode analisis dan pemetaan wabah endemik wereng coklat pada komoditas pokok dan hortikultura menggunakan metode autokorelasi spasial. GISA, LISA, dan + ( # digunakan dalam endemik pemodelan BPH. Hasil penelitian ini menunjukkan bahwa pola di 37 kecamatan daerah dan pola ( di 13 kecamatan wilayah pada tahun 2001 ' 2010 dapat diklasifikasikan dengan menggunakan metode ini. Dari perbandingan peta percobaan Moran lokal dan + # peta BPH percobaan pada tahun 2001, 2006 dan 2010, ditemukan bahwa indikasi hotspot pada yang lokal Moran adalah sama sebagai indikasi pengelompokan pada + # didasarkan pada nilai Z (Gi) > 2 [9].

Penelitian yang lain juga dilakukan oleh Tsai PJ. Tujuan dari penelitian tersebut adalah untuk mendeteksi perubahan pola cluster spasial dalam masalah kesehatan dan faktor risiko antara wanita dan pria menggunakan % ' dan regresi logistik di Taiwan. Dalam analisis distribusi digunakan data kasus'kasus medis dari Taiwan Asuransi Kesehatan Nasional (NHI), dan penduduk pertengahan tahun rata'rata, kemudian diterapkan pada tes Moran global dan local. Sedangkan model regresi logistik digunakan untuk menguji karakteristik kesamaan dan perbedaan antara pria dan wanita dan merumuskan faktor risiko. Hasil penelitian ini menunjukkan bahwa distribusi geografis dari ( di mana neoplasma yang lazim ditemukan untuk berhubungan erat dengan lokasi di daerah arseniasis'endemik Barat Daya dan Timur Laut Taiwan, serta lokasi di daerah perkotaan Taiwan (untuk perempuan) dan ( di Changhua dan Yunlin (untuk laki'laki). Populasi kepadatan tinggi di daerah perkotaan menunjukkan ( karsinogen di 3 pusat'pusat kota utama Taiwan (yaitu, Taipei, Taichung, dan Kaohsiung) untuk perempuan. Dari penelitian ini dapat disimpulkan bahwa pemetaan ( dapat membantu mengklarifikasi isu'isu seperti aspek spasial dari masalah kesehatan. Informasi ini sangat membantu dalam menilai faktor risiko spasial, yang dapat membantu pelaksanaan pelayanan kesehatan yang efektif [10].

A6

35 2011 dan mengetahui apakah suatu indicator yang berpengaruh terhadap rawan pangan di suatu kecamatan memiliki korelasi dengan kecamatan yang lain.

)

*+' $

$# +

'

'#

,

-Tujuan metode ESDA, antara lain untuk mendeteksi pola spasial yang muncul dalam himpunan data ((

), mendeteksi kemungkinan kesalahan dalam himpunan data, merumuskan hipotesis berdasarkan model spasial dan geografi, dan melakukan analisis terhadap model spasial [5]. Ditinjau dari konsep keruangan, ESDA dapat dibagi empat yaitu, visualisasi distribusi spasial, visualisasi asosiasi spasial, (

( ( (LISA), dan 5

( ( [4].

.

+ +

'

& / $$ '

,

-, ( (SA) dapat dibedakan menjadi dua dimensi, dimensi pertama membagi SA

menjadi ! dan ( . Pendekatan

! umumnya membutuhkan pembakuan struktur objek spasial di sekelilingnya dengan menentukan topologi dan pembobotan setiap data hasil observasi. Istilah distance berarti bahwa indikator jarak dihitung dari suatu objek spasial terhadap objek spasial yang menjadi pasangannya. Dimensi kedua membagi SA menjadi ! dan ( ( . Global digunakan untuk menilai interaksi spasial dalam data, yang selanjutnya dikenal

sebagai + ! ( , ( (GISA).

Sedangkan ( ( digunakan untuk menilai asosiasi pola di sekeliling individu dan melihat sejauh mana pola global tercermin dalam seluruh populasi yang di observasi, selanjutnya disebut - ( (

, ( (LISA) [4].

Menurut LeSage [11], SA dibagi menjadi dua kelas, yaitu SA satu dimensi, yaitu berdasarkan pada fungsi tanpa disertai , dan SA dua dimensi, berdasarkan fungsi weight. Salah satu tahapan dalam SA adalah membangun matriks bobot ( /) objek spasial. Sebelum membentuk matriks bobot objek spasial harus dilakukan perhitungan matriks kedekatan spasial (

( /).

Gambar 3 $ % / [11]

Gambar 3 menunjukkan ( /,

antara lain [12]:

a. * $ (berdasarkan pergerakan anak catur) : Wilayah pengamatan bersentuhan langsung dengan sisi'sisi wilayah tetangga sehingga akan memiliki 4 tetangga.

b. 6 $ : Wilayah pengamatan bersentuhan langsung dengan sudut diagonal wilayah tetangga sehingga akan memiliki 4 tetangga.

c. 7 $ : ini merupakan perpaduan dari * dan 6 $ sehingga akan memiliki 8 tetangga.

Misalkan W dengan elemen sebagai matriks tetangga spasial. Standardisasi baris dilakukan dengan membagi setiap elemen pada satu baris dengan jumlah elemen di dalam baris tersebut sehingga suatu matriks W berbobot spasial dengan elemen dinyatakan dengan Persamaan 1 [13] :

(1)

dengan wilayah I bukan hanya tetangga tetapi bisa sebuah daerah. Pembobot yang merupakan berat spasial matrik mempunyai aturan bernilai 1 apabila letak antara lokasi dan lokasi saling berdekatan, sedangkan bernilai 0 apabila letak antara lokasi dan lokasi saling berjauhan.

0

$

Moran’s I merupakan sebuah tes statistik lokal untuk melihat nilai autokorelasi spasial dan digunakan juga untuk mengidentifikasi suatu lokasi dari pengelompokan spasial [14]. Autokorelsi spasial adalah korelasi antara variabel dengan dirinya sendiri berdasarkan ruang [15]. Metode Moran’s I dapat digunakan untuk menentukan pola spasial global (GISA) dan pola spasial lokal (LISA). GISA digunakan untuk menentukan korelasi sutu variable di dalam seluruh himpunan data yang diobservasi [16]. GISA didefinisikan dengan Persamaan 2 :

(2)

dengan

:Jumlah kasus atau jumlah wilayah studi yang diidentifikasi,

: Berat spasial matrik atau elemen /,

A6

36 Pembobot yang merupakan berat spasial matrik mempunyai aturan bernilai 1 apabila letak antara lokasi dan lokasi saling berdekatan, sedangkan bernilai 0 apabila letak antara lokasi dan lokasi saling berjauhan. Pembobot dapat ditampilkan dalam kedekatan (( /) yang sesuai dengan hubungan spasial antar lokasi yang menggambarkan hubungan antar daerah. Nilai koefisien % ' berkisar antara '1 dan +1. Autokorelasi akan bernilai negatif ketika bernilai antara 0 dan '1, sedangkan autokorelasi akan bernilai positif ketika bernilai antara 0 dan +1. Nilai % ' yang negatif dan positif memiliki asosiasi secara spasial dengan wilayah sekelilingnya [17]. Nilai ekspektasi Moran’s I [18] ditunjukkan pada Persamaan 3 :

(3)

Table 1 menunjukkan pola spasial yang dibentuk oleh persamaan 3. Apabila nilai I > E(I), maka autokorelasi bernilai positif. Hal ini berarti bahwa pola data membentuk kelompok (( ). Pola data acak ( ) terbentuk apabila I = E(I), artinya tidak terdapat autokorelasi spasial. Jika I < E(I), maka autokorelasi bernilai negatif, artinya pola data menyebar [19].

Table 1. Pola Spasial Moran’s I Pola spasial Moran’s I Cluster I > E(I)

Random I = E(I)

Dispersed I < E(I)

LISA adalah perangkat untuk penentuan asosiasi spasial pada setiap wilayah penelitian. Metode LISA dapat menunujukkan wilayah pemusatan atau pencilan fenomena spasial pada suatu wilayah [20]. LISA dapat didefinisikan dengan $ 1 0 :

,5

-dengan

: Nilai unit analisis , : Nilai rata'rata variabel , : Nilai unit analisis tetangga,

: Banyaknya kasus atau banyaknya wilayah studi yang diidentifikasi,

: Berat spasial matrik atau elemen /.

Autokorelasi spasial lokal dapat ditentukan dengan

analisis % ( dan LISA. LISA

divisualisasikan menggunakan peta yang digunakan untuk menunjukkan lokasi daerah studi yang signifikan statistik terjadinya pengelompokan nilai atribut (( ) atau

terjadinya pencilan ( ). Pola spasial menunjukkan signifikan lokal ( ketika data berkarakteristik 8 8 (HH) atau - - (LL), sedangkan pola spasial menunjukkan signifikan lokal ketika data berkarakteristik 8 - (HL) atau - 8 (LH). Jumlah LISA untuk setiap wilayah studi sebanding atau sama dengan % ' global [20].

Untuk setiap lokasi, nilai LISA memungkinkan untuk komputasi dari kesamaannya dengan tetangga dan juga untuk menguji signifikansinya. Lima skenario yang mungkin adalah [21] :

' Lokasi dengan nilai tinggi akan sama dengan tetangga : tinggi'tinggi ( " ). Juga dikenal sebagai

.

' Lokasi dengan nilai rendah akan sama dengan tetangga: rendah ' rendah ( " ). Juga dikenal sebagai ( .

' Lokasi dengan nilai tinggi akan sama dengan tetangga bernilai rendah: tinggi'low ( " ). Juga dikenal

sebagai .

'

Lokasi dengan nilai rendah akan sama dengan tetangga bernilai rendah: rendah' tinggi ( " ). Juga dikenal sebagai .

'

Lokasi yang tidak memiliki autokorelasi spasial, dikenal sebagai .

2

Kerawanan pangan merupakan persoalan multi' dimensional yang tidak menyangkut produksi dan ketersediaan pangan saja. Dalam penelitian ini digunakan 9 indikator dengan berpedoman pada pemetaan ketahanan dan kerentanan pangan yang dilakukan oleh Badan Ketahanan Pangan dan WFP [2], yang dikelompokkan ke dalam 3 aspek/dimensi ketahanan pangan yaitu: Dimensi ketersediaan pangan, akses pangan, dan pemanfaatan pangan. Ketiga dimensi tersebut memiliki pengaruh yang sangat besar terhadap terjadinya kerawanan pangan yang bersifat kronis (( ( ( ) yang memerlukan penanganan jangka panjang. Indikator ketahanan Pangan berdasarkan kebijakan pengembangan ketersediaan pangan oleh Departemen Pertanian dapat dilihat pada tabel 1(Lampiran).

Berdasarkan 5 indikator rawan pangan, maka untuk menentukan daerah rawan pangan dapat dihitung menggunakan rumus di bawah ini [8] :

1. Ketersediaan pangan dengan Indikator Konsumsi Normatif Per Kapita terhadap Rasio Ketersediaan Bersih Serelia

A6

37 dimana

produksi : penjumlahan produksi padi, jagung, dan ubi kayu,

Y : ketersediaan bersih serelia pokok per kapita per hari,

Z : konsumsi normative per kapita, dengan

Z ≥ 1,50 = defisit tinggi, 1,25 – 1,50 = defisit sedang, 1,00 – 1,25 = defisit rendah, 0,75 – 1,00 = surplus rendah, 0,50 – 0,75 = surplus sedang, < 0,50 = surplus tinggi. 2. Akses Pangan dan Mata Pencaharian

(5)

dimana

x : jumlah keluarga pra sejahtera,

y : jumlah keluarga dalam satu kecamatan, dengan

Z ≥ 35% = sangat rawan, 25 – 35% = rawan, 20 – 25% = agak rawan, 15 – 20% = cukup tahan, 10 – 15% = tahan, 0 – 10% = sangat tahan. 3. Kesehatan dan Gizi

Indikator Angka Harapan Hidup pada saat lahir (AHH)

Jika AHH :

> 7 = sangat tahan, 5 ' 7 = tahan, 3 ' 5 = cukup tahan, < 3 = agak rawan.

Indikator penduduk yang tinggal > 5 km dari puskesmas, dimana

x = jumlah desa yang > 5km dari puskesmas, y = jumlah desa dalam satu kecamatan. dengan

Z ≥ 60% = sangat rawan, 50 – 60% = rawan, 40 – 50% = agak rawan, 30 – 40% = cukup tahan, 20 – 30% = tahan, ≤ 20% = sangat tahan.

3

'

Penelitian ini, dibagi menjadi tiga tahapan, yaitu : 1. Pemrosesan data penelitian

Data input berupa data prosentase sembilan indikator rawan pangan, yakni data KDA yang sudah dihitung berdasarkan FSVA. Data input dalam bentuk .csv dan data peta berbentuk .shp. Data yang digunakan untuk analisis adalah data tahun 2011.

2. Analisis pola spasial

Dalam penelitian ini digunakan metode Moran’s I yang terdiri dari dua bagian, yaitu GISA dan LISA. Langkah'langkah dalam perhitungan Moran’s I:

a. Melakukan perhitungan spasial weight matriks, dengan menentukan spasial ( /. b. Menghitung GISA, dan nilai E(I). GISA

digunakan untuk menentukan korelasi (( ) suatu indikator di dalam seluruh wilayah yang diobservasi.

c. Menghitung LISA. LISA digunakan untuk menentukan pola spasial ( (

) setiap kecamatan yang divisualisasikan dalam bentuk peta. Peta tersebut menggambarkan daerah rawan pangan 2011.

3. Analisis hasil penelitian

Hasil penelitian ini berupa informasi geografis daerah rawan pangan, yang terdiri dari peta LISA dan peta ( . Peta ( adalah hasil dari peta LISA setiap tahun, yang menggambarkan daerah rawan pangan di kabupaten Minahasa Tenggara.

4

$

" &$

'

Gambar 4 Desain dan Arsitektur Model Data

Data input .csv Data map .shp

Visualisasi Proses

LISA GISA

Peta LISA

A6

38 Gambar 4 menunjukkkan desain dan arsitektur model penelitian. Secara umum arstitektur model dapat dilihat dalam tiga bagian besar, yaitu :

1. Data berisi data penelitian dalam bentuk .csv yang meliputi: (1) data RKN tahun 2011, (2) data prosentase penduduk pra sejahtera tahun 2011, (3) Angka harapan hidup pada saat lahir tahun 2011, (4) Prosentase perempuan buta huruf tahun 2011, (5) Prosentase rumah tangga yang tinggal lebih dari 5 km dari fasilitas kesehatan tahun 2011.

2. Proses berisi analisis spasial yang digunakan yakni ! , GISA dan LISA.

3. Visualisasi digunakan untuk memvisualisasikan output penelitian yakni peta LISA.

5

Tujuan penelitian ini adalah mengidentifikasi daerah rawan pangan di Kabupaten Minahasa Tenggara dan mengetahui bagaimana korelasi sembilan indikator antar kecamatan. Tahap pertama yang dilakukan adalah menghitung prosentase masing'masing indikator sesuai pedoman FSVA. Hasil perhitungan indikator RKN 2011 ditunjukkan pada Tabel 2. Jumlah produksi yang digunakan dalam menghitung RKN adalah jumlah produksi (ton) dari padi, jagung, dan ubi kayu. Kolom jml menunjukkan jumlah produksi per ton. Kolom total adalah hasil perhitungan jml yang dibagi dengan hasil perkalian jumlah penduduk dengan 360 hari. Kemudian didapatkan angka RKN yakni dengan membagi konsumsi normatif serealia per hari (300 gram) dengan nilai yang ada dalam kolom total.

Tabel 2 Hasil Perhitungan RKN 2011

KEC. padi sawah

padi ladang jagung

ubi kayu

jml prod

jml (ton)

jml

pend total rasio Ratatotok 184 268 4241 322 5015 5015 12254 1136.82 0.26

Pusomaen 1769 121 4684 198 6772 6772 8312 2263.13 0.13 Belang 3616 160 5503 283 9562 9562 15396 1725.20 0.17 Ratahan 4613 92 2775 204 7684 7684 12301 1735.18 0.17 Pasan 2071 122 2417 186 4796 4796 6668 1997.93 0.15 ratahan

timur 776 167 1443 264 2650 2650 5610 1312.14 0.23 Tombatu 5993 334 1753 364 8444 8444 9110 2574.70 0.12 tombatu

timur 8165 138 2775 251 11329 11329 8537 3686.24 0.08 tombatu

utara 3842 0 1924 332 6098 6098 7760 2182.85 0.14 Touluaan 2073 103 1803 904 4883 4883 6287 2157.45 0.14

touluaan

selatan 243 600 1515 742 3100 3100 4125 2087.54 0.14 silian raya 2493 0 1123 519 4135 4135 5215 2202.51 0.14

Dari data tersebut dilakukan perhitungan ( /, dalam penelitian ini digunakan 9

( /, yaitu perhitungan matriks tetangga dengan membagi sembarang bagian dari batasan umum wilayahnya seperti ditunjukkan pada Gambar 5.

( / digunakan untuk menggambarkan hubungan antar kecamatan dengan prinsip ketetanggaan, apakah kejadian rawan pangan di suatu kecamatan dipengaruhi oleh kecamatan di sekitarnya. Apabila suatu kecamatan saling terhubung dengan garis merah, maka nilai pada kecamatan tersebut bernilai 1. Apabila suatu kecamatan tidak saling terhubung, maka nilai = 0.

Gambar 5 9 ( / Kab. Minahasa Tenggara Hasil perhitungan GISA berupa nilai indeks Moran pada lima indikator rawan pangan. Nilai indeks Moran pada tahun 2011 pada lima indikator menunjukkan tingkat korelasi spasial yang tergolong tinggi. Lima indikator membentuk pola cluster. hal ini berarti kecamatan yang berdekatan memiliki pengaruh antara satu dengan lainnya. Sedangkan indikator yang memiliki pola spasial random, artinya kecamatan yang berdekatan tidak memiliki pengaruh antara satu dengan lainnya. Korelasi antar wilayah yang paling tinggi (mendekati +1) dimiliki oleh indikator RKN, dengan indeks Moran sebesar 1,71. Indeks ini berpotensi memiliki pola spasial memusat (cluster). Artinya, RKN di wilayah kecamatan yang saling berdekatan di Kabupaten Minahasa Tenggara masih saling memberi pengaruh antar satu dengan yang lainnya.

Table 3. Hasil perhitungan GISA sembilan indikator rawan pangan Tahun Indikator Indeks Moran (I) Pola spasial

2011 RKN 1.71 Cluster

Pra sejahtera 0.02 Dispersed Buta huruf 0.17 Cluster

AHH 1.12 Cluster

Faskes '0.05 Random

A6

39 di kecamatan Tombato yang ditandai dengan warna merah, yang merupakan wilayah (8 "8 ) dan Ratahan Timur yang ditandai dengan warna biru, yang merupakan wilayah ( (- "- ). Kecamatan Tombato termasuk ke dalam wilayah karena kecamatan ini memiliki prosentase RKN yang tinggi, dan dikelilingi oleh kecamatan yang mempunyai prosentase RKN tinggi juga. Kecamatan yang termasuk kategori merupakan kecamatan rawan pangan. Sehingga kecamatan ini dapat menjadi fokus pemerintah dalam upaya peningkatan kesejahteraan penduduk. Selain itu, terdapat kecamatan yang memiliki nilai 8 "- yakni kecamatan Touluaan (ditandai dengan warna hijau muda). Hal ini menunjukkan bahwa prosentase penduduk RKN di kecamatan Touluaan termasuk tinggi, sedangkan prosentase di wilayah sekelilingnya rendah.

Gambar 6. Peta LISA RKN 2011

1+&'

Berdasarkan konsep ! menggunakan Metode % ' , yang termasuk daerah rawan pangan di Kabupaten Minahasa Tenggara tahun 2011 adalah kecamatan Pasan, dan Tombato.

Konsep ! dapat digunakan sebagai indikator korelasi secara spasial wilayah rawan pangan di suatu kecamatan terhadap kecamatan yang lain. Hal ini ditandai dari besar Indeks Moran's lima indikator rawan pangan di Kabupaten Minahasa Tenggara yang mendekati +1. Hal ini berarti lima indikator tersebut mempunyai korelasi yang tinggi. Berdasarkan Indeks Moran's, indikator yang memiliki pengaruh terhadap rawan pangan

di Kabupaten Minahasa Tenggara tahun 2011 antara lain, Prosentase RKN dan prosentase AHH.

Ucapan terimakasih disampaikan kepada Dr. Wiranto H. Utomo dan Sri Yulianto, M.Kom. atas bimbingan yang diberikan selama menyusun Tesis yang terkait dengan metode yang digunakan dalam paper ini.

Ucapan terima kasih disampaikan kepada Dirjen DIKTI atas pendanaan yang diberikan melalui hibah penelitian Tim Pascasarjana tahun anggaran 2013.

[1] Departemen Pertanian, 2010, Pusat Ketersediaan dan Kerawanan Pangan 2010, Kebijakan Pengembangan Ketersediaan Pangan. Bahan Paparan Workshop Dewan Ketahanan Pangan, 20'22 September 2010.. Jakarta. [2] Departemen Pertanian, 2009, Pusat Ketersediaan dan

Kerawanan Pangan 2009, Kebijakan Pengembangan Ketersediaan Pangan. Bahan Paparan Workshop Dewan Ketahanan Pangan, September 2009. Jakarta.

[3] Anselin, 1998, GIS Reseach Infrastructure for Spatial Analysis of Real Estate Markets, : 8 * ( , Volume 9, Issue 1.

[4] Zhang D., Mao X., dan Meng L., 2009, A Method Using ESDA to Analyze The Spatial Distribution Patterns of Cultural Resource, The International Archives of The Photogrammetry, *

( ( , Vol. 38, Part II.

[5] Arrowiyah, Sutikno, 2009, Spatial Pattern Analysis Kejadian Penyakit Demam Berdarah Dengue Informasi Early Warning Bencana di Kota Surabaya, Institut Teknologi Surabaya.

[6] Harvey dkk, 2008, The North American Animal Disease Spread Model: A simulation model to assist decision making in evaluating animal disease incursions, ) 5 5

2 % ( , Vol 82, Halaman 176'197.

[7] Departemen Pertanian, 2009, ) )

31 ( , 4, Pusat Kewaspadaan

Pangan, Badan Ketahanan Pangan, September 2009, (http://www.foodsecurityatlas.org/idn/country/fsva' 2009'peta'ketahanan'dan'kerentanan'pangan'

indonesia/bab'1'pendahuluan).

[8] Prasetyo, S. Y, 2010, Endemic Outbreaks of Brown Planthopper in Indonesia Using Exploratory Spatial Data

Analysis. : $ ( ( ,

Vol. 9, Issue 5, No 1, September 2010.

[9] Tsai PJ, 2012, Application Of Moran's Test With An Empirical Bayesian Rate To Leading Health Care Problems In Taiwan In A 7'Year Period (2002'2008). + ! : 8

(, 4 Juli 2012, 4(5):63'77.

[10] Chen Y., 2010 # 1 0 1 (

$ % /, Department of Geography,

A6

40

[11] LeSage, J. P., 1999, ) ( ( (

.( (, Department of Economics, University of Toledo.

[12] Vitton, P., 2010, .( ( % ,

City and Regional Planning.

[13] Cliff, A.D., & Ord J. K., 1973, , (

London:Pion. http://www.deepdyve.com/lp/sage/cliff'a'd' and'ord'j'k'1973'spatial'autocorrelation'london'pion' vtW4ntr0kR

[14] Lembo A.J., 2006, , ( Cornell

University.

http://www.css.cornell.edu/courses/620/lecture9.ppt [15] Dormann C. F., McPherson J.M.,2007, Methods to Account

for Spatial Autocorrelation in the Analysis of Species Distributional Data : , 5 .( 30 : 609628, 2007, doi: 10.1111/j.2007.0906'7590.05171.x

[16] Puspitawati Dewi, 2012. Pemodelan Pola Spasial Demam Berdarah & di Kabupaten Semarang Menggunakan Fungsi % ' Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana.

[17] Lee, J., Wong D. W. S., 2001, ( , , (5 + John Wiley and Sons, New York.

[18] Celebioglu dan Dall’erba, 2010, Spatial Disparities across The Regions of Turkey : on exploratory spatial data analysis, , * ( (2010) 45: 379'400, DOI 10.1007/s00168'009'0313'8.

[19] Anselin, L., 1995, Local Indicators of Spatial Association' LISA + ( , , Vol. 27, No. 2 (April 1995) Ohio State University Press.

[20] Oliveau, S., Guilmoto, C. Z., 2005, Spatial Correlation And Demography. Exploring India’s Demographic Patterns,

";;2$ $ < & - ) =

1 ( (2005)".

6 memperoleh gelar Sarjana Komputer di Fakultas Teknologi Informasi, FTI UKSW pada tahun 2011. Saat ini sedang menyelesaikan tesisnya di bidang Sistem Informasi di universitas yang sama.

! , memperoleh gelar Sarjana Matematika dari UGM tahun 1991, Master di bidang Matematika diperoleh di Vrije Universiteit Amsterdam pada tahun 1997

dan doktor diperoleh di Vrije Universiteit pada tahun 2007. Saat ini sebagai dosen pada prodi Matematika Fakultas Sains dan Matematika UKSW

A6

41

LAMPIRAN

Tabel 1. Indikator Ketahanan Pangan [2] No Indikator Definisi dan Perhitungan A Ketersediaan Pangan

1 Rasio konsumsi normatif terhadap ketersediaan bersih (padi, jagung, ubi kayu)

' Konsumsi normatif serealia adalah 300 gr/kapita/hari. ' Ketersediaan bersih padi, jagung,

ubi kayu dihitung dari rata'rata produksi padi, jagung, ubi kayu tahun 2006'2010 dan dikonversi ke Pangan Setara Beras (PSB). ' Data serealia dari perdagangan

dan impor tidak diperhitungkan karena ketiadaan data.

' Rasio konsumsi diperoleh dari membagi ketersediaan PSB per kecamatan dengan konsumsi normatif serealia penduduk dalam setahun.

' Rasio konsumsi normatif terhadap ketersediaan bersih serealia dengan nilai <1 adalah surplus dan nilai >1 adalah defisit pangan.

B Akses Pangan 2 Persentase

penduduk yang hidup di bawah garis kemiskinan

' Persentase penduduk yang hidup di bawah garis kemiskinan menggunakan data rata'rata KK Miskin 5 tahun (2005'2009). ' Persentase KK Miskin dengan

nilai <20% adalah baik dan >20% buruk.

C Pemanfaatan Pangan 3 Angka

harapan hidup pada saat lahir

' Perkiraan lama hidup bayi baru lahir.

' Data yang digunakan adalah Angka Harapan Hidup (AHH) Kabupaten Minahasa Tenggara sehingga nilainya sama untuk setiap kecamatan.

' Nilai AHH >64 tahun adalah baik dan <64 adalah buruk. 4 Perempuan

buta huruf

' Persentase perempuan di atas 15 tahun yang tidak dapat mambaca atau menulis tidak diperoleh data. Data yang digunakan diperoleh dari jumlah perempuan di atas 5 tahun yang belum/tidak menamatkan SD dikurangi jumlah murid SD dengan asumsi bahwa data tersebut mendekati jumlah perempuan buta huruf

No Indikator Definisi dan Perhitungan yang sebenarnya.

' Persentase dengan nilai <20% adalah baik dan >20% buruk. 5 Persentase

rumah tangga yang tinggal lebih dari 5 km dari fasilitas kesehatan

' Persentase rumah tangga yang tinggal lebih dari 5 km dari fasilitas kesehatan (rumah sakit, klinik, puskesmas, dokter, juru rawat, bidan terlatih, paramedis dan sebagainya).