RANCANG BANGUN SISTEM INFORMASI GEOGRAFIS
(SIG) UNTUK PENYEBARAN PENYAKIT DEMAM
BERDARAH DI SURABAYA DENGAN MENGGUNAKAN
METODE
K-MEANS
SKRIPSI
CHUSNUL ISLAMIYAH
PROGRAM STUDI S1 SISTEM INFORMASI
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS AIRLANGGA
SURABAYA
RANCANG BANGUN SISTEM INFORMASI GEOGRAFIS
(SIG) UNTUK PENYEBARAN PENYAKIT DEMAM
BERDARAH DI SURABAYA DENGAN MENGGUNAKAN
METODE
K-MEANS
SKRIPSI
CHUSNUL ISLAMIYAH
NIM : 081211631056
PROGRAM STUDI S1 SISTEM INFORMASI
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS AIRLANGGA
SURABAYA
RANCANG BANGUN SISTEM INFORMASI GEOGRAFIS
(SIG) UNTUK PENYEBARAN PENYAKIT DEMAM
BERDARAH DI SURABAYA MENGGUNAKAN METODE
K-MEANS
SKRIPSI
Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Komputer Bidang Sistem Informasi di Fakultas Sains dan Teknologi
Universitas Airlangga
Oleh:
CHUSNUL ISLAMIYAH NIM : 081211631056
Tanggal Lulus :
Disetujui Oleh :
Pembimbing I
Purbandini, S.Si, M.Kom NIP. 19710712 200812 2 001
Pembimbing II
LEMBAR PENGESAHAN SKRIPSI
Judul : RANCANG BANGUN SISTEM INFORMASI
GEOGRAFIS (SIG) UNTUK PENYEBARAN
PENYAKIT DEMAM BERDARAH DI SURABAYA DENGAN MENGGUNAKAN METODE K-MEANS Penyusun : Chusnul Islamiyah
NIM : 081211631056
Tanggal Ujian :
Pembimbing I : Purbandini, S.Si, M.Kom
Pembimbing II : Indah Werdiningsih, S. Si, M. Kom
Disetujui Oleh :
Pembimbing I
Purbandini, S.Si, M.Kom NIP : 19710712 200812 2 001
Pembimbing II
Indah Werdiningsih S.Si, M.Kom NIP. 19800217 200501 2 001 Mengetahui,
Ketua Departemen Matematika Fakultas Sains dan Teknologi
Universitas Airlangga
(Badrus Zaman, S.Kom, M.Cs) NIP : 19780126 200604 1 001
Koordinator Program Studi S1 Sistem Informasi Fakultas Sains
dan Teknologi Universitas Airlangga
SURAT PERNYATAAN TENTANG ORISINALITAS
Yang bertanda tangan dibawah ini, saya:
Nama : Chusnul Islamiyah
NIM : 081211631056
Program Studi : Sistem Informasi Fakultas : Sains dan Teknologi Jenjang : Sarjana (S1)
Menyatakan bahwa saya tidak melakukan kegiatan plagiat dalam penulisan skripsi saya yang berjudul:
Rancang Bangun Sistem Informasi Geografis (SIG) Untuk Penyebaran Penyakit Demam Berdarah di Surabaya Menggunakan Metode K-means
Apabila suatu saat nanti terbukti melakukan tindakan plagiat, maka saya akan menerima sanksi yang telah di tetapkan.
Demikian surat pernyataan in saya buat dengan sebenar-benarnya.
Surabaya, Juni 2016
Chusnul Islamiyah NIM. 081211631056
PEDOMAN PENGGUNAAN SKRIPSI
Skripsi ini tidak dipublikasikan, namun tersedia di perpustakaan dalam lingkungan Universitas Airlangga, diperkenankan untuk dipakai sebagai referensi kepustakaan, tetapi pengutipan harus seizin penyusun dan harus menyebutkan sumbernya sesuai kebiasaan ilmiah.
KATA PENGANTAR
Assalammualaikum Wr. Wb
Puji syukur kehadirat Allah subhanahu wa ta’ala, yang telah melimpahkan anugerah-Nya, hingga penulis dapat menyelesaikan skripsi yang berjudul “Rancang Bangun Sistem Informasi Geografis (SIG) Untuk Penyebaran
Penyakit Demam Berdarah di Surabaya Menggunakan Metode K-means”dengan baik, serta Sholatu Wa Salam semoga tetap terlimpahkan kepada
Rasulullah Muhammad SAW yang mengantarkan pada sebuah kehidupan yang penuh keselamatan di dunia dan di akhirat.
Penyusunan naskah skripsi ini dibuat sebagai acuan untuk memenuhi satuan kredit semester (sks) yang dibebankan kepada penulis dan seklaigus sebagai syarat untuk memperoleh gelar sarjana strata satu (S1) di bidang Sistem Informasi, Fakultas Sains dan Teknologi, Universitas Airlangga.
Penulis mengharapkan kritik dan saran yang bersifat membangun demi kesempurnaan skripsi ini. Semoga skripsi ini dapat memberikan manfaat dan wawasan yang berguna. Aamiin.
Wassalamu’alaikum Wr.Wb
Surabaya, Juni 2016 Penulis
UCAPAN TERIMA KASIH
Segala puji syukur kehadirat Tuhan Yang Maha Esa atas curahan anugerah dan karunia-Nya, sehingga skripsi dengan judul SISTEM INFORMASI GEOGRAFIS
UNTUK PENYEBARAN PENYAKIT DEMAM BERDARAH DI KOTA SURABAYA
MENGGUNAKAN METODE K-MEANSini dapat terselesaikan.
Dalam pelaksanaan dan penyusunan skripsi ini, penulis banyak menemui kendala. Namun, dengan bantuan dari berbagai pihak, akhirnya laporan penelitian ini dapat terselesaikan. Oleh karena itu, penulis tidak lupa mengucapkan banyak terima kasih kepada:
1. Allah SWT dengan segala kuasaNya, anugrahNya, dan keajaibanNya yang telah menjadi sumber kekuatan dan sandaran dalam keadaan apapun dalam kehidupan penulis, sehingga skripsi ini dapat terselesaikan dengan baik. 2. Kedua orang tua penulis yakni Bapak Dasmudi dan Ibu Kasmiati, kedua
adikku tersayang yakni Ainun Machmudia dan Nisa’us Silmi, yang memberikan segala upaya, kasih sayang, dukungan, motivasi dan semangat dari awal menempuh studi hingga skripsi ini terselesaikan.
3. Beasiswa Bidikmisi yang telah meringankan biaya penulis mulai dari penulis awal masuk kuliah hingga pengerjaan skripsi ini selesai, semoga selalu ada untuk semua generasi muda yang cerdas dan punya mimpi untuk sukses. 4. Purbandini, S.Si, M.Kom selaku dosen pembimbing I yang selalu sabar dan
5. Indah Werdiningsih, S.Si, M.Kom selaku dosen pembimbing II yang dengan sangat sabar memahami, membimbing, membantu dan memberikan ilmu selama masa penyusunan hingga skripsi ini terselesaikan.
6. Endah Purwanti, S.Si, M.Kom selaku dosen wali yang membimbing, membantu dan memberikan ilmu selama dari awal masa studi hingga masa penyusunan skripsi ini terselesaikan.
7. Badrus Zaman, S.Kom, M.Cs selaku Koordinator program studi S1 Sistem Informasi Universitas Airlangga yang telah memberikan informasi dan semangat yang bermanfaat untuk memulai penyusunan skripsi.
8. Seluruh dosen program studi Sistem Informasi yang telah berbagi ilmu, sehingga penyusunan skripsi ini dapat terselesaikan dengan baik.
9. Kakak Fitria Risky Aprilina,S.Kom, yang menjadi kakak tingkat yang baik dan memberikan banyak waktu,ilmu,dan bantuan dengan ikhlas.
10.Rifai Yasin, yang berusaha mencoba menjadi orang sabar dan pengertian untuk penulis, bersedia memberikan waktu, semangat, dukungan dan bantuan dalam menyelesaikan pengerjaan skripsi ini.
11.Kak Mega Yuni, kak Etik Ainun Rohmah, Pak Satrio dan Bu Emy yang telah bersedia ikhlas dan sabar membantu memberikan informasi yang berharga untuk penulis dalam menyelesaikan skripsi ini.
13.Geng Gong Imins, Melinda Andriyanti, Triyah Fatmawati, Izzatin Faza, Dian Nilla Qumaiya, Erin Dinda yang penyabar saat sering kali penulis meminta untuk belajar bersama dan kawan yang ajaib bagi penulis. See you at the real world, guys!
14.Muafillah Sofah, yang menjadi kawan kos yang tidak pernah bosan mendengarkan segala keluh suka dan duka penulis serta selalu memberi semangat dan mengingatkan dalam menyelesaikan pengerjaan skripsi ini, semangat kawan jangan kebanyakan manja.
15.Kesa Camelia dan Bagus Puji Santoso, yang selalu berusaha bisa saat penulis meminta tolong apapun itu, yang sering memberikan banyak wawasan berharga.
16.Kak Fadilatur Rahmaniyah,S.Si dan Puspita Sari yang telah menjadi kawan dan menjadi pendengar yang ikhlas dan sabar, selalu berusaha ada disetiap suka dan sendu.
17.Adik Dewinta Damaretna dan Adik Fulky Ayuni terimakasih atas segala refreshingnya dan semangatnya, semangat juga untuk kalian!!!
18.Geng Trias Klinika, yang menjadi geng luar biasa seru dalam belajar maupun bermain dan selalu membuat rencana menjadi nyata tanpa wacana, terimakasih pak ketua Trias Klinika, juara!.
20.Teman – teman S1 Sistem Informasi Universitas Airlangga angkatan 2012 yang menjadi teman-teman seperjuangan semasa kuliah, semoga kita semua sukses kawan!
21.Staf TU program studi Sistem Informasi yang telah membantu dalam keperluan administrasi dan penjadwalan sidang.
Chusnul Islamiyah, 2016, Rancang Bangun Sistem Informasi Geografis (SIG) Untuk Penyebaran Penyakit Demam Berdarah Di Surabaya Menggunakan Metode
K-Means. Skripsi ini dibawah bimbingan Purbandini, S.Si, M.Kom dan Indah Werdiningsih, S.Si, M.Kom. Program Studi S1 Sistem Informasi, Fakultas Sains dan Teknologi, Universitas Airlangga, Surabaya.
ABSTRAK
Penyakit Demam Berdarah (DBD) adalah penyakit infeksi oleh virus Dengue yang dapat menimbulkan renjatan (shock) dan kematian. Kota Surabaya menjadi salah satu wilayah rawan DBD terburuk di Propinsi Jawa Timur. Sehingga dibutuhkan penanganan dan perhatian intensif secara tepat dan cepat pada wilayah yang terjangkit DBD tinggi. Tujuan penelitian ini adalah membuat sistem informasi geografis untuk penyebaran penyakit DBD di Surabaya menggunakan metode k-Means.
Tahapan metodologi penelitian meliputi pengumpulan data, analisis sistem, perancangan sistem, implementasi sistem, pengujian sistem, serta evaluasi sistem. Kriteria sebagai variabel yang digunakan adalah jumlah penderita penyakit DBD dan faktor geografis setiap Kecamatan diantaranya pasar, sungai dan Tempat Pembuangan Sampah (TPS) dikelompokkan dengan metode k-Means. Dari kriteria tersebut dikelompokkan menjadi 3 kelompok yang diinisialisasikan dengan C1,C2 dan C3. Hasil dari pengelompokan tersebut kemudian dipetakan ke dalam peta Surabaya dengan bantuan Google Map. Dalam peta tersebut kelompok C1 ditandai dengan warna kuning, warna hijau untuk kelompok C2 dan warna merah untuk Kelompok C3.
Untuk mengetahui validasi sistem dilakukan evaluasi sistem dengan cara membandingkan hasil perhitungan manual dengan hasil sistem. Dari evaluasi sistem hasil validasi sudah sesuai. Dari hasil kuesioner menunjukkan bahwa sistem dapat digunakan dengan mudah (user friendly).
Chusnul Islamiyah, 2016, Design of Geographic Information Systems ( GIS ) To Spread Dengue Fever in Surabaya Using Method K -means. This undergraduate thesis was under guidance by Purbandini, S.Si,M.Kom and Indah Werdiningsih, S.Si, M.Kom. Bachelor Degree Information System Study Program. Faculty Of Science and Technology, Universitas Airlangga, Surabaya.
ABSTRACT
Dengue hemorrhagic fever (DHF) is a severe, potentially deadly infection spread by dengue virus, in whichbleeding and sometimes shock occurs – leading to death. Surabaya city became one of the worst dengue-prone region in the province of East Java. Accurately and quickly treatment and intensive care is needed in areas of dengue high affected.The purpose of this research is to create a geographic information system for the spread of dengue disease in Surabaya using k-Means.
Stages of research methodologies including data collection, system analysis, system design, system implementation, system testing, and system evaluation. The criteria used as variables were the number of patients with DHF and geographical factors of each district such as rivers, markets and landfills (TPS) grouped by k-Means method. These criterias were classified into three clusters which was initialized toC1,C2 and C3 . The results of the classification was mapped into Surabaya Map using Google Map. Inside the map, categories were highlighted in yellow for C1, green for C2, and red for C3.
To determine the validation of the system, evaluation system was done by comparing the user (manual) calculation results with the results of the system. The validation of the system obtained optimal. From the questionnaire results show that the system can be user friendly.
Keywords : clustering, dengue hemorrhagic fever, geographic information
DAFTAR ISI
Halaman
HALAMAN JUDUL ... i
LEMBAR PENGESAHAN SKRIPSI ... iii
SURAT PERNYATAAN TENTANG ORISINALITAS ... iv
PEDOMAN PENGGUNAAN SKRIPSI ... v
KATA PENGANTAR ... vi
ABSTRAK ... xi
ABSTRACT ... xii
DAFTAR ISI ... xiii
DAFTAR GAMBAR ... xvi
DAFTAR TABEL ... xvii
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 5
1.3 Tujuan ... 5
1.4 Manfaat ... 5
1.5 Batasan Masalah ... 6
BAB II TINJAUAN PUSTAKA ... 7
2.1 Demam Berdarah Dengue (DBD) ... 7
2.2 Konsep Dasar Sistem Informasi ... 9
2.3 Sistem Informasi Geografis (SIG) ... 9
2.5 Metode K-Means ... 19
2.6 Flowchart ... 21
2.7 Black Box ... 22
BAB III METODE PENELITIAN... 23
3.1 Tempat dan Waktu Penelitian ... 23
3.2 Objek Penelitian ... 23
3.3 Pengumpulan Data ... 23
3.4 Analisis Data ... 24
3.5 Perancangan Sistem ... 27
3.6 Implementasi Sistem ... 27
3.7 Pengujian Sistem ... 27
3.8 Evaluasi Sistem ... 28
BAB IV HASIL DAN PEMBAHASAN ... 29
4.1 Pengumpulan Data dan Informasi ... 29
4.2 Analisis Sistem ... 31
4.3 Perancangan Sistem ... 39
4.4 Implementasi Sistem ... 42
4.5 Pengujian Sistem ... 52
4.6 Evaluasi Sistem ... 53
BAB V KESIMPULAN DAN SARAN ... 56
5.1 Kesimpulan ... 56
5.2 Saran ... 57
DAFTAR GAMBAR
Nomor Judul Gambar Halaman
2.1.Data Spasial Dengan Format Vektor ... 13
2.2.Data Spasial Dengan Format Raster ... 14
3.1.Blok Diagram Proses Algoritma K-Means ... 25
4.1.Flowchart Aktivitas Sistem ... 42
4.2.Algoritma Umum Sistem ... 44
4.3 Pseudocode menentukan centroid pada ketiga cluster ... 45
4.4.Pseudocode Menghitung Jarak Objek Dengan Masing-Masing Cluster ... 46
4.5.Pseudocode Mengalokasikan Objek Pada Cluster Terdekat ... 46
4.6 Pseudocode Mengulang Langkah K-Means yang Keempat ... 47
4.7 Tampilan Halaman Home Sistem... 47
4.8 Tampilan Hasil Pengelompokan ... 48
4.9 Tampilan Peta Kota Surabaya ... 49
4.10 Tampilan Peta Kecamatan “Mulyorejo” ... 50
4.11 Tampilan Peta pada Kelompok “C2” ... 50
4.12 Tampilan Hasil Kecamatan kelompok “ C2 “ ... 51
4.13 Tampilan Input Data Baru ... 51
DAFTAR TABEL
Nomor Judul Tabel Halaman
2.1.Simbol pada Flowchart ... 21
4.1 Data faktor penyebaran penyakit DBD Tahun 2014 ... 32
4.2 Hasil Iterasi pertama ... 35
4.3 Iterasi Kedua ... 38
4.4 Iterasi Ketiga ... 39
4.5 Iterasi keempat ... 40
4.6. Hasil Akhir ... 41
4.7 Perbandingan antara hasil perhitungan manual dan sistem... 53
4.8 Hasil Pengujian Sistem Pada Menu Home ... 54
BAB I
PENDAHULUAN
1.1 Latar Belakang
Penyakit Demam Berdarah Dengue (DBD) adalah penyakit infeksi oleh virus
Dengue yang ditularkan melalui gigitan nyamuk Aedes, dengan ciri demam tinggi mendadak disertai manifestasi perdarahan dan bertendensi menimbulkan renjatan (shock) dan kematian. Vektor utama penyakit DBD di Indonesia adalah nyamuk
Aedes Aegypti. Tempat yang disukai sebagai tempat perindukannya adalah genangan air yang terdapat dalam wadah (kontainer) tempat penampungan air artifisial misalnya drum, bak mandi, gentong, ember, dan sebagainya. Tempat penampungan air alamiah misalnya lubang pohon, daun pisang, pelepah daun ke ladi, lubang batu, ataupun bukan tempat penampungan air misalnya vas bunga, ban bekas, botol bekas, tempat minum burung dan sebagainya (Fathi & dkk, 2005).
Ada hubungan antara keberadaan genangan air dengan kejadian penyakit DBD yaitu keberadaan genangan air yang tinggi mempunyai risiko terjadinya kasus DBD lebih besar dibandingkan dengan keberadaan genangan air yang rendah(Rahayu & dkk, 2010).Menurut peneliti di Laboratorium Entomologi
menyimpan genangan air sebagai tempat berkembangnya nyamuk Aedes Aegypti. Dari pantauan Dinas Kesehatan Jawa Timur (Dinkes Jatim), Kota Surabaya masih menjadi wilayah rawan DBD terburuk di Jawa Timur. Kenaikan angka penderita naik 100 persen , pada 2013 sebanyak 2.213 orang sementara tahun 2012 sebanyak 1.091 orang. Sementara jumlah korban meninggal di Surabaya setiap tahunnya mengalami penambahan yaitu tahun 2012 sebesar 6 orang, 2013 sebanyak 15 orang (Rif, 2015). Menurut Dinas Kesehatan (DinKes) Kota Surabaya, pada tahun 2014 walaupun mengalami penurunan yaitu terjadi 816 kasus penyakit DBD, tetapi masih ada kemungkinan penularan yang tetap bisa terjadi.
Informasi untuk penentuan langkah-langkah operasional dalam penanggulangan dan pemberantasan DBD secara tepat dan cepat sasaran di Surabaya sangat diperlukan. Dinas Kesehatan Kota Surabaya sebagai instansi yang menangani masalah kesehatan Kota Surabaya selalu melakukan pengolahan dan evaluasi terkait data jumlah penderita DBD per Kecamatan. Evaluasi untuk mengetahui penyebaran penyakit DBD dibagi menjadi 3 kelompok yaitu kelompok endemis, potensial dan bebas yang dilakukan setiap 3 tahun sekali.
Salah satu analisis dan pengelompokan data yang dapat diterapkan adalah menggunakan analisis cluster.
Definisi umum dari analisis cluster yaitu menemukan kumpulan objek hingga objek-objek dalam satu kelompok sama (atau punya hubungan) dengan yang lain dan berbeda (atau tidak berhubungan ) dengan objek-objek dalam kelompok lain (Hermawati, 2013). Clustering bisa menemukan distribusi pola pada data yang besar maupun kecil selain itu efektif dan efisien dalam memvisualisasikan data daripada data original biasa (Zhang, Ramakrishnan, & Livny, 1996). Analisis
cluster memiliki beberapa metode, dalam pengelompokan data dapat menggunakan K-Means.
K-Means merupakan salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih
Dalam penelitian ini metode K-Means akan mengelompokan daerah-daerah yang ada di kota Surabaya sesuai tingkat terjadinya kasus penyakit DBD agar dengan tepat dan cepat sasaran dalam pencegahan dan penanggulangan penyakit DBD. Hasil informasi daerah selanjutnya akan divisualisasikan menggunakan peta, tapi di Dinas Kesahatan Kota Surabaya pembuatannya peta masih manual dan tidak tersedia simbol-simbol standard yang sering diperulakan untuk memenuhi kebutuhan kartografis (produksi peta) . Oleh karena itu butuh Sistem Informasi Geografis (SIG) untuk memvisualisasikan peta penyebaran penyakit DBD.
SIG merupakan system informasi khusus yang berisi data spasial(raster dan vektor) dan data atribut (karakter dan numerik), dapat memberikan ukuran yang akurat mengenai jarak dan daerah (Ditsuwan & dkk, 2010).Pada penelitian sebelumnya SIG digunakan untuk menganalisis pola geografis penyakit menular yang terinfeksi virus nyamuk Aedes, analisis ruang-waktu kasus DBD dan
memenuhi kebutuhan kartografis (produksi peta), sehingga pengguna tidak perlu membuat simbol sendiri(Prahasta E. , 2014).
SIG dalam penelitian ini akan memvisualisasikan hasil analisis cluster penyebaran penyakit DBD di Kota Surabaya menggunakan K-Means dengan variabel jumlah penderita penyakit DBD, 3 faktor geografis yaitu jumlah pasar, sungai, dan TPS pada setiap Kecamatan di Kota Surabaya.
1.2 Rumusan Masalah
Bagaimana membangun SIG untuk mengetahui penyebaran penyakit DBD di Surabaya menggunakan metode K-Means yang dapat digunakan oleh Dinas Kesehatan Kota Surabaya?
1.3 Tujuan
Berdasarkan uraian rumusan masalah tersebut tujuan dari penelitian ini adalah membangun SIG untuk mengetahui penyebaran penyakit DBD di Surabaya menggunakan metode K-Means yang dapat digunakan oleh Dinas Kesehatan Kota Surabaya.
1.4 Manfaat
Manfaat dari penelitian ini adalah:
1. Membantu DinKes Kota Surabaya lebih mudah untuk memantau dan mengetahui penyebaran penyakit Demam Berdarah (DBD) di Kota Surabaya. 2. Memberikan informasi penyebaran penyakit DBD dengan 3 kelompok untuk
DinKes Kota Surabaya.
Kota Surabaya sehingga penanggulangan dan pemberantasan penyakit DBD di Surabaya cepat dan tepat sasaran.
4. Sebagai tambahan informasi dan referensi baru untuk para peneliti mengenai SIG untuk penyebaran penyakit DBD di Kota Surabaya.
1.5 Batasan Masalah
Batasan masalah yang dilakukan pada penelitian ini adalah:
1. Merancanang dan membangun SIG yang berkaitan dengan laporan untuk Kepala DinKes Kota Surabaya mengenai penyebaran penyakit DBD di Kota Surabaya.
2. Objek data adalah Kecamatan di seluruh Kota Surabaya dengan jumlah penderita penyakit DBD dan faktor geografis berupa sungai, TPS dan pasar pada tahun 2010 sampai 2014..
3. Data terbagi menjadi 4 kriteria berupa jumlah penderita penyakit DBD, pasar, sungai dan Tempat Pembuangan Sampah (TPS).
4. Outputnya yaitu visualisasi peta Kota Surabaya berdasarkan warna dengan
BAB II
TINJAUAN PUSTAKA
2.1 Demam Berdarah Dengue (DBD)
Penyakit DBD adalah penyakit infeksi oleh virus Dengue yang ditularkan melalui gigitan nyamuk Aedes, dengan ciri demam tinggi mendadak disertai manifestasi perdarahan dan bertendensi menimbulkan renjatan (shock) dan kematian. Vektor utama penyakit DBD di Indonesia adalah nyamuk Aedes Aegypti(Fathi & dkk, 2005). Aedes Aigypti adalah salah satu nyamuk spesies tropis yang sangat efisien sebagai penampung virus, karena sangat ganas dan berkembang biak secara subur pada lingkungan manusia. Dari penelitian laboratorium dan lapangan,faktor yang sangat rumit dalam pemberantasan adalah nyamuk Aedes Aigypti(WHO, 1997). Tempat yang disukai sebagai tempat perindukannya adalah genangan air yang terdapat dalam wadah (kontainer) tempat penampungan air misalnya drum, bak mandi, gentong, ember, dan sebagainya; tempat penampungan air alamiah misalnya lubang pohon, daun pisang, pelepah daun ke ladi, lubang batu; ataupun bukan tempat penampungan air misalnya vas bunga, ban bekas, botol bekas, tempat minum burung dan sebagainya (Fathi & dkk, 2005).
DBD yaitu keberadaan genangan air yang tinggi mempunyai risiko terjadinya kasus DBD lebih besar dibandingkan dengan keberadaan genangan air yang rendah. Kota Surabaya merupakan kota perdagangan, pendidikan, dan merupakan kota terbesar kedua di Indonesia setelah Kota Jakarta. Sebagai kota besar, Kota Surabaya merupakan kota yang menjadi tujuan orang dari berbagai wilayah di Indonesia untuk mendapatkan pekerjaan dan penghidupan yang lebih baik sehingga jumlah penduduk Kota Surabaya menjadi padat. Lingkungan yang padat juga memungkinkan adanya tempat penampungan air yang lebih banyak untuk memenuhi kebutuhan sehari-hari, barang-barang bekas yang dihasilkan juga akan banyak, serta dengan berbagai aktivitas penduduk juga akan menghasilkan perilaku penduduk yang beraneka ragam (Rahayu & dkk, 2010). Menurut peneliti di laboratorium Entomologi Institut Tropical Disease Universitas Airlangga Surabaya, daerah yang memungkinkan yang sangat besar sebagai tempat berkembangnya nyamuk DBD adalah daerah yang terdapat genangan air yakni daerah yang terdapat pasar tradisional, tempat pembuangan air dan sungai.
2.2 Konsep Dasar Sistem Informasi
Sistem informasi mencakup sejumlah komponen (manusia, komputer, teknologi informasi, dan prosedur kerja), ada sesuatu yang diproses (data menjadi informasi), dan dimaksudkan untuk mencapai suatu sasaran atau tujuan. Dalam sistem informasi terdapat beberapa kompenen sebagai berikut (Kadir, 2003): 1. Perangkat keras (hardware), yaitu mencakup piranti-piranti fisik seperti
komputer dan printer.
2. Perangkat lunak (software) atau program, yaitu seperangkat instruksi yang memungkinkan perangkat lunak dapat memproses data.
3. Prosedur, yaitu sekumpulan aturan yang dipakai untuk mewujudkan pemrosesan data dan keluaran yang dikehendaki.
4. Orang, yaitu semua pihak yang bertanggung jawab pada pengembangan sistem informasi, prosedur, dan penggunan keluaran sistem informasi.
5. Basis data, yaitu sekumpulan tabel,hubungan dan lain-lain yang berkaitan dengan penyimpanan data atau bisa disebut dengan tempatnya data.
6. Jaringan komputer dan komunikasi data, yaitu sistem penghubung yang memungkinkan sumber (resources) dipakai bersama atau diakses oleh sejumlah pemakai.
2.3 Sistem Informasi Geografis (SIG)
menyimpan, serta menganalisis objek-objek dan fenomena-fenomena yang mengetengahkan lokasi geografis sebagai karakteristik yang penting atau kritis untuk dianalisis. Dengan demikian, SIG merupakan sistem komputer yang dapat mendukung pengambilan keputusan spasial yang mampu mengintegrasikan deskripsi-deskripsi lokasi dengan karakteristik-karakteristik fenomena yang ditemukan dilokasi tertentu(Prahasta E. , 2007).
2.3.1 Komponen Sistem Informasi Geografis
SIG merupakan sistem kompleks yang umumnya terintegrasi dengan sistem komputer lainnya di tingkat fungsional dan jaringan. Jika diuraikan SIG terdiri dari beberapa komponen yaitu (Prahasta E. , 2014):
1. Perangkat Keras
Perangkat keras yang mendukung kebutuhan analisis spasial dan pemetaan (SIG), tidak jauh berbeda dengan perangkat keras lainnya. perbedaannya jika ada terletak pada kebutuhan perangkat tambahan pendukung presentasi grafis beresolusi dan kecepatan tinggi dan mempercepat operasi-operasi manajemen basis data dengan volume data yang besar. Perangkat keras ini umumnya mencakup : CPU, RAM, Storage, Input Device, Output Device.
2. Perangkat Lunak
3. Data dan informasi geografis
SIG dapat menyimpan data/ informasi yang diperlukan baik tidak langsung maupun langsung dengan mendijitasi data spasialnya dari peta analog dan memasukkan data atributnya dari tabel dengan menggunakan keyboard.
4. Manajemen
Proyek SIG akan berhasil jika dikelola dengan baik dan dikerjakan oleh orang yang memiliki keahlian yang tepat pada semua tingkatan.
2.3.2 Sub-Sistem Sistem Informasi Geografis
SIG dapat diuraikan menjadi beberapa sub-sistem sebagai berikut(Prahasta E. , 2014):
1. Data Input
Mengumpulkan, mempersiapkan dan menyimpan data spasial dan atributnya. Sub-sistem ini bertanggung jawab dalam mengoversikan format data aslinya ke dalam SIG.
2. Data Output
Menampilkan, menghasilkan keluaran basisdata spasial softcopy dan
hardcopy seperti halnya tabel, grafik, report, peta dan lain sebagainya. 3. Data Manajement
Mengorganisasikan data spasial dan tabel atribut ke dalam sistem basisdata hingga mudah untuk dipanggil kembali, di-update dan di-edit.
4. Data Manipulation & Analysis
dan memodelkan data untuk menghasilkan informasi yang diharapkan.
2.3.3 Kemampuan SIG
Secara praktis SIG memiliki kemampuan sebagai berikut(Prahasta E. , 2014):
1. SIG digunakan sebagai alat bantu utama yang bersifat interaktif, menarik, dan menantang didalam usaha untuk meningkatkan pemahaman, pembelajaran , dan pendidikan mengenai ide atau konsep lokasi, ruang, kependudukan dan unsur geografis yang terdapat diatas permukaan bumi.
2. SIG dapat memberikan gambaran yang komprehensif suatu masalah terkait spasial semua entitas spasial yang dilibatkan data divisualisasikan untuk memberikan informasi.
3. SIG memiliki kemampuan yang sangat baik dalam memvisualisasikan data spasial dengan antribut-atributnya. Modifikasi warna, bentuk, dan ukuran simbol yang diperlukan untuk mempresentasikan unsur-unsur pemukaan bumi dapat dilakukan dengan mudah.
Selain itu beberapa penelitian telah membuktikan kemampuan SIG yaitu :
1. Penelitian sebelumnya SIG digunakan untuk menganalisis pola geografis penyakit menular yang terinfeksi virus nyamuk Aedes, analisis ruang-waktu kasus DBD dan Chikungunya, kondisi iklim untuk Aedes, dan faktor berhubungan dengan penularan penyakit menular(Ditsuwan & dkk, 2010). 2. SIG digunakan untuk membantu perencanaan dan pengelolaan sumber daya
(Puntodewo, 2003).
3. SIG mempunyai kemampuan untuk menghubungkan berbagai data pada suatu titik tertentu di bumi, menggabungkannya, menganalisadan akhirnya memetakan hasilnya(Puntodewo, 2003).
2.3.4 Format Data Spasial pada SIG
Data yang digunakan dalam Sistem Informasi Geografi (SIG) dapat dibagi menjadi dua format, yaitu(Puntodewo, 2003) :
a. Vektor, dalam data format vektor, bumi kita direpresentasikan sebagai suatu mosaik dari garis (arc/line), polygon (daerah yang dibatasi oleh garis yang berawal dan berakhir pada titik yang sama), titik/point (node yang mempunyai label), dan nodes (merupakan titik perpotongan antara dua buah garis). Keuntungan utama dari format data vektor adalah ketepatan dalam merepresentasikan fitur titik, batasan dan garis lurus. Contoh dari format data spasial secara vektor dapat dilihat pada Gambar 2.1.
Sumber : (Puntodewo, 2003), hal 9
b. Raster, data raster (atau disebut juga dengan sel grid) adalah data yang dihasilkan dari sistem Penginderaan Jauh. Pada data raster, obyek geografis direpresentasikan sebagai struktur sel grid yang disebut dengan pixel (picture element). Pada data raster, resolusi (definisi visual) tergantung pada ukuran pikselnya. Dengan kata lain, resolusi piksel menggambarkan ukuran sebenarnya di permukaan bumi yang diwakili oleh setiap piksel pada citra. Semakin kecil ukuran permukaan bumi yang direpresentasikan oleh satu sel, semakin tinggi resolusinya. Data raster sangat baik untuk merepresentasikan batas-batas yang berubah secara gradual, seperti jenis tanah, kelembaban tanah, vegetasi, suhu tanah, dsb. Keterbatasan utama dari data raster adalah besarnya ukuran file; semakin tinggi resolusi grid-nya semakin besar pula ukuran filenya. Contoh dari format raster dari data spasial dapat dilihat pada Gambar 2.2.
Sumber : (Puntodewo, 2003), hal 9
2.3.5 Proses Sistem Informasi Geografis
Menurut Prahasta (2007) dalam (Pratama, 2013), langkah pertama dalam proses SIG adalah mengkaji kebutuhan , yang merupakan dasar dari keberhasilan penggunaan SIG. Aspek yang dikaji mencakup pengidentifikasian kegiatan di dalam organisasi yang berkenaan dengan peta atau informasi geografis atau mengkaji bentuk atau model informasi yang dibutuhkan oleh pengguna (user).
Sebelum data geografi digunakan dalam SIG, data harus dikonversi kedalam format digital. Proses tersebut dinamakan digitasi. Proses digitasi memerlukan sebuah hardware tambahan yaitu sebuah digitizer lengkap dengan mejanya. Untuk mendigitasi peta harus dilekatkan pada peta digitasi titik dan garis ditelusuri dengan kursor digitasi atau keypad. Digitasi ini memerlukan software seperti ARC/INFO AutocadMapInfo, ARCGIS atau software lain yang mendukung proses digitasi tersebut. Untuk SIG dengan teknologi yang lebih modern, proses konversi data dapat dilakukan dengan menggunakan teknik scanning.
Tahapan selanjutnya adalah editing yang merupakan tahap koreksi atas hasil digitasi. Koreksi tersebut dapat berupa penambahan atau pengurangan arc
atau feature yaitu dengan mengedit arc yang berlebih atau menambahkan arc yang kurang. Editing juga dilakukan untuk menambahkan arc secara manual seperti membuat polygon, line maupun point.
dan atributing yaitu tahap dimana setiap label ID hasil proses labelling diberi tambahan atribut yang dapat memberikan sejumlah informasi tentang polygon
atau arc yang diwakili. Dalam proyek SIG yang kecil informasi geografi cukup disimpan sebagai file komputer. Akan tetapi jika volume data dan jumlah pemakai data besar, langkah yang harus digunakan adalah dengan sistem manajemen basis data(DBMS).
2.3.6 Sistem Manajemen Basis Data
Sistem Manajemen basisdata (DBMS) adalah kumpulan (gabungan) dari data yang saling berelasi (yang biasanya dirujuk sebagai suatu basisdata) dengan sekumpulan program-program yang mengakses data-data tersebut. DBMS dapat dibentuk dari komponen-komponen sebagai berikut (Prahasta E. , 2014) :
1. Data, yang disimpan didalam basisdata. Data ini mencakup data numerik (bilangan bulat dan real) dan non-numerik yang terdiri dari karakter , waktu, logika, dan data-data lain yang lebih kompleks.
2. Operasi standard, yang disediakan oleh hampir semua DBMS. Operasi-operasi standard ini melengkapi pengguna dengan kemampuan dasar untuk memanipulasi data.
3. Data Definition Language (DDL) merupakan bahasa yang digunakkan untuk mendeskripsikan isi dab struktur basisdata.
basisdata. DML yang telah distandarisaikan disebut Structured Query Language (SQL).
5. Bahasa pemrograman, disamping oleh perintah query, basisdata juga harus dapat diakses secara langsung oleh program-program aplikasi melalui function cell yang dimiliki oleh bahasa-bahasa pemograman konvensional.
6. Structure file, setiap DBMS memiliki struktur internal yang digunakan untuk mengorganisasikan data walaupun beberapa model data yang umum telah digunakan oleh sebagian besar DBMS.
Perbedaan fokus setiap perancangan SIG memicu pengembangan dua pendekatan yang berbeda saat mengimplementasikan basisdata relasional SIG. Pengimplementasian basisdata relasional pada umumnya didasarkan pada model data hybrid atau terintegrasi. Pendekatan model data hybrid adalah pemahaman bahwa mekanisme penyimpanan yang optimal bagi data lokasi (koordinat) menyebabkan tidak optimalnya penyimpanan data non-spasial(tabel). Oleh karena itu data spasial disimpan di sekumpulan file dengan operasi direct access untuk meningkatakan kecepatan proses input-output. Sementara itu, data atributnya disimpan dalam DBMS relasional standard. Sedangkan Pendekatan model data terintegrasi dideskripsikan sebagai pendekatan DBMS spasial, SIG sebagai query processor.
2.4 Analisis Cluster
cluster adalah meminimalkan jarak didalam cluster dan memaksimalkan jarak antar cluster. Analisa cluster dapat dianggap sebagai suatu bentuk klasifikasi yang memberi label objek-objek dengan label kelasnya (Hermawati, 2013).
2.4.1 Tipe Clustering
Menurut Hermawati (2013) Clustering merupakan suatu kumpulan dari keseluruhan cluster. Beberapa tipe penting dari clustering adalah :
1. Partitional vs Hierarchical
Partitionalclustering adalah pembagian objek data kedalam subhimpunan yang tidak overlap sedemikian hingga tiap objek data berada dalam tepat satu sub-himpunan. Hierarchicalclustering merupakan sebuah himpunan cluster bersarang yang diatur sebagai suatu pohon hierarki.
2. Exlusive vs non-exclusive
Setiap objek berada pada tepat di satu cluster merupakan exlusiveclustering.
Begitu sebaliknya jika data objek berada di lebih dari satu cluster secara bersamaan merupakan non-exlusiveclustering.
3. Fuzzy vs non- fuzzy
Dalam fuzzyclustering setiap titik termasuk dalam setiap cluster dengan suatu bobot antar 0 dan 1. Jumlah dari bobot-bobot tersebut sama dengan w. Clustering probabilitas mempunyai karakteristik yang sama.
4. Partial vs complete
Kemungkinan ada objek yang tidak tepat untuk ditempatkan disalah satu cluster, misalnya berupa outlier atau noise.
2.5 Metode K-Means
K-Means merupakan salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih
cluster/kelompok. Metode ini mempartisi data ke dalam cluster/kelompok sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam kelompok yang lain (Agusta, 2007).
Beberapa penelitian yang menggunakan K-Means sebagai metode pengelompokan yaitu K-Means dapat diterapkan pada data medis yang banyak untuk pengelompokan dan hasilnya memiliki tingkat akurasi yang baik (Hussan, 2012). K-Means terbukti efektif pada penelitian untuk mengetahui hubungan asosiatif dan keaktifan neuron pasien Lysosomal Storage Disorders (LSD) dengan pengelompokan dan analisis analisis gambar (Gladis & Rani, 2013). K-Means
2.5.1 Langkah-Langkah Penggunaan Metode K-Means
Langkah-langkah melakukan clustering dengan metode K-Means adalah sebagai berikut (Ong, 2013):
1. Tentukan jumlah K cluster.
2. Inisialisasikan k pusat cluster. Inisiaisasi ini bisa dilakukan dengan berbagai cara. Namun yang paling sering dilakukan adalah dengan cara random. Pusat-pusat clusterdiberi nilai awal dengan angka-angka random dari objek data. 3. Alokasikan masing-masing data ke centroid/rata-rata terdekat. Kedekatan dua
objek ditentukan berdasarkan jarak kedua objek tersebut. Demikian juga kedekatan suatu data ke cluster tertentu ditentukan jarak antara data dengan pusat cluster. Dalam tahap ini perlu dihitung jarak tiap data ke tiap pusat
cluster. Jarak paling dekat antara satu data dengan satu cluster tertentu akan menentukan suatu data masuk dalam cluster mana. Untuk menghitung jarak digunakan rumus Euclidean Distance Space yaitu(Agusta, 2007) :
5. Lakukan pengalokasian objek ke cluster terdekat dengan menggunakan
centroid yang baru. Apabila ada anggota yang berpindah cluster, ulangi lagi langkah ke 4. Jika tidak ada anggota yang berpindah cluster maka proses
clustering selesai.
2.6 Flowchart
Salah satu cara penggambaran alur sistem dapat menggunakan flowchart.
Flowchart adalah suatu diagram yang menampilkan aliran data dan rangkaian tahapan operasi dalam suatu sistem (Bodnar & Hopwood, 2004). Simbol-simbol pada flowchart terdapat pada Tabel 2.1.
Tabel 2.1 Komponen Flowchart
No Nama Bentuk Keterangan
1 Terminator Simbol yang menyatakan titik ujung dari sebuah flowchart. Titik awal, titik akhir ataupun titik interupsi
2 Proses Simbol yang menggambarkan setiap fungsi pengolahan data
3 Keputusan
Menggambarkan keputusan untuk menentukan operasi mana yang harus dijalankan dari berbagai alternatif jalur operasi yang tersedia
4 Garis alir Mengaitkan simbol satu dengan simbol yang lain . mengindikasi urutan informasi dan operasi yang harus dijalankan
2.7 Black Box
Pengujian black box berfokus pada persyaratan fungsional perangkat lunak. Artinya, teknik pengujian black box memungkinkan untuk membuat beberapa kumpulan kondisi masukan yang sepenuhnya akan melakukan semua kebutuhan fungsional untuk perangkat lunak. Pengujian black box berupaya untuk menemukan kesalahan dalam kategori berikut: (1) fungsi yang salah atau hilang, (2) kesalahan antarmuka, (3) kesalahan dalam struktur data atau akses database
BAB III
METODE PENELITIAN
Metode penelitian merupakan cara atau prosedur penelitian beserta tahapan-tahapan yang jelas dan sistematisuntuk mendapatkan data dan menyelesaikan suatu masalah yang sedang diteliti dengan landasan ilmiah.
3.1 Tempat dan Waktu Penelitian
Tempat dilakukannya penelitian adalah di DinKes Kota Surabaya dan waktu penelitian dilaksanakan kurang lebih 6 bulan dimulai dari Oktober 2015 sampai Maret 2016.
3.2 Objek Penelitian
Objek penelitian pada penelitian ini adalah penyebaran penderita penyakit DBD dengan menggunakan data jumlah penderita penyakit DBD dan faktor geografis berupa pasar tradisional, sungai dan TPS per Kecamatan pada tahun 2010-2014 menggunakan metode K-Means dan divisualisasikan dengan SIG.
3.3 Pengumpulan Data
penggunaan algoritma K-Means dan proses SIG dengan bantuan buku, jurnal dan sumber lain yang terkait.
Wawancara dilakukan dengan staff Bidang Pengendalian Masalah Kesehatan,Dinas Kesehatan Kota Surabaya untuk mengetahui keseluruhan sistem yang dijalankan oleh DinKes Kota Surabaya dalam mengetahui daerah penyebaran penyakit DBD. Selain itu wawancara juga dilakukan pada staff laboratorium Entomologi Institut of Tropical Disease (ITD) Universitas Airlangga untuk mengetahui faktor geografis yang mempengaruhi timbulnya penyakit DBD di Kota Surabaya. Data dan informasi yang diperoleh digunakan sebagai gambaran masalah-masalah dan analisis sistem yang diteliti.
Data jumlah penderita penyakit DBD di seluruh Kota Surabaya digunakan sebagai perhitungan dalam pemrosesan algoritma K-Means. Data yang diperoleh dari DinKes Kota Surabaya adalah jumlah penderita penyakit DBD pada setiap Kecamatan di Kota Surabaya dalam kurun waktu 5 tahun yaitu pada tahun 2010 sampai 2014.
3.4 Analisis Data
Gambar 3.1 Block Diagram Proses Algoritma K-Means
Untuk dapat melakukan pengelompokan data-data menjadi beberapa
cluster perlu dilakukan beberapa langkah. Langkah-langkah metode K-Means
1. Tentukan jumlah cluster.
Data yang diolah berupa jumlah penderita penyakit DBD pada setiap Kecamatan di Kota Surabaya dan faktor geografis berupa pasar tradisional, Tempat Pembuangan Sampah (TPS), dan sungai. Dalam penelitian ini data-data tersebut akan dikelompokan mejadi tiga cluster, yang akan mempermudah user dalam mendefinisikan keadaan Kecamatan mengenai penyebaran penyakit DBD.
2. Tentukan nilai centroid awal dengan mengambil secara acak dari objek data. 3. Alokasikan semua objek ke cluster terdekat.
Kedekatan dua objek ditentukan berdasarkan jarak kedua objek tersebut. Demikian juga kedekatan suatu data ke cluster tertentu ditentukan jarak antara data dengan pusat cluster. Dalam tahap ini perlu dihitung jarak tiap data ke tiap pusat cluster. Jarak paling dekat antara satu data dengan satu
cluster tertentu akan menentukan suatu data masuk dalam cluster mana. Untuk menghitung jarak dari objek ke cluster pada tahap ini menggunakan rumus Euclidean distance space seperti pada persamaan 2.1
4. Menentukan kembali pusat cluster yang baru.
Dengan cara menghitung rata-rata dari keanggotaan cluster yang sekarang. 5. Lakukan pengalokasian semua objek ke cluster terdekat dengan centroid
yang baru. Apabila ada objek yang berpindah cluster, ulangi lagi langkah ke 4. Jika objek tidak ada yang berpindah cluster maka proses clustering
selesai.
DinKes untuk mengelompokkan Kecamatan berdasarkan jumlah penderita DBD berupa endemis, potensial dan bebas. Dalam sistem ini yang dianalisis tidak berdasarkan faktor jumlah penderita DBD saja tetapi juga faktor geografisnya maka setiap cluster yang terbentuk dari beberpa objek akan memberikan informasi ciri-ciri dari masing-masing cluster, sehingga untuk identitas cluster
disimpulkan oleh pengguna.
3.5 Perancangan Sistem
Ha-hal yang dilakukan dalam perancangan SIG untuk penyebaran penyakit DBD dikota Surabaya menggunakan metode K-Means adalah mengidentifikasi aktifitas sistem menggunakan flowchart untuk menggambarkan aktifitas yang terjadi pada sistem mulai awal hingga akhir dan menentukan input serta output pada sistem.
3.6 Implementasi Sistem
Implementasi sistem dimulai saat perancangan telah dilakukan. SIG untuk penyebaran penyakit DBD di Kota Surabaya menggunakan metode K-Means akan diimplementasikan menggunakan bahasa pemrograman Hypertext Preprocessor
3.7 Pengujian Sistem
Pengujian sistem diperlukan untuk menguji seberapa jauh sebuah sistem dapat menjalankan fungsinya dengan baik. Adapun teknik pengujian yang digunakan untuk menguji Sistem Informasi Geografis pada penderita penyakit DBD Kota Surabaya adalah teknik blackbox testing.
3.8 Evaluasi Sistem
BAB IV
HASIL DAN PEMBAHASAN
4.1 Pengumpulan Data dan Informasi
Pengumpulan data dan informasi dilakukan terhadap faktor-faktor yang berpengaruh terhadap penyebaran penyakit Demam Berdarah (DBD) di Kota Surabaya. Teknik pengumpulan data dan informasi yang digunakan dalam penelitian ini adalah dengan melakukan study literature, wawancara, dan pengumpulan data.
4.1.1. Study Literature
pasar tradisional, sungai dan Tempat Pembuangan Sampah (TPS).
4.1.2. Wawancara
Hasil wawancara dilakukan dengan staff Bidang Pengendalian Masalah Kesehatan, Dinas Kesehatan (Dinkes) Kota Surabaya untuk mengetahui sistem dalam evaluasi daerah penyebaran penyakit DBD di Kota Surabaya. Dari hasil wawancara diperoeh informasi bahwa pada mulanya DinKes Kota Surabaya mendapatkan laporan data penderita DBD dari puskesmas dan Rumah Sakit di seluruh kota Surabaya. Dari data yang diperoleh diolah menjadi data jumlah penderita penyakit DBD per Kecamatan lalu dilakukan penggolongan daerah menjadi 3 kelompok dimuai dari tingkat daerah yang tertinggi yaitu daerah endemis, daerah potensial dan daerah bebas. Daerah disebut endemis apabila daerah yang setiap 3 tahun berturut-turut selalu ada kasus DBD. Daerah disebut potensial adalah daerah yang setiap 3 tahun berturut turut ada 1 tahun yang tidak ada kasus DBD. Daerah disebut bebas adalah daerah yang sama sekali tidak pernah ada kasus selama 3 tahun berturut-turut. Hasil wawancara pada staff Bidang Pengendalian Masalah Kesehatan, Dinkes Kota Surabaya terdapat pada Lampiran 2.
4.1.3. Pengumpulan Data
Data yang diperoleh dari DinKes Daerah Kota Surabaya adalah jumlah penderita penyakit DBD pada setiap Kecamatan di Kota Surabaya dalam kurun waktu 5 tahun yaitu pada tahun 2010 sampai 2014. Selain itu data faktor geografis yaitu berupa sungai Kota Surabaya diperoleh dari Dinas PU Cipta Karya dan Tata Ruang Kota Surabaya, sedangkan data TPS di Kota Surabaya diperoleh dari Dinas Kebersihan dan Pertamanan Kota Surabaya, dan data pasar tradisional diperoleh dari Perusahaan Daerah Pasar Surya Kota Surabaya. Data faktor geografis dapat dilihat pada Lampiran 3.
4.2 Analisis Sistem
Dari data jumlah penderita penyakit DBD pertahun setiap Kecamatan selama 5 tahun yaitu mulai tahun 2010 sampai 2014 dan faktor geografis berupa pasar tradisional, sungai dan TPS akan dilakukan pengelolaan menggunakan metode k-Means. Adapun data jumlah penderita DBD di Kota Surabaya terdapat pada Lampiran 4.
Untuk menentukan hasil penyebaran 2014, maka data yang di hitung adalah data tahun 2014. Data faktor penyebaran penyakit DBD pada tahun 2014 per Kecamatan terdapat pada Tabel 4.1.
Tabel 4.1. Data faktor penyebaran penyakit DBD Tahun 2014
Berikut merupakan tahap pengelolaan data menggunakan metode k-Means
secara manual :
1. Menentukan Jumlah cluster
Tahap pertama adalah menentukan jumlah cluster, dalam sistem ini akan menghasilkan 3 kelompok yang diidentitaskan sementara C1, C2 dan C3. 2. Tentukan nilai centroid awal dengan mengambil secara acak dari objek data.
Untuk menentukan nilai centroid awal dapat diambil secara acak dari nilai pada objek. Seperti pada perhitungan untuk hasil tahun 2014. Ditentukan
centroid secara acak untuk cluster pertama yaitu diambil dari data Kecamatan Asemrowo yaitu 5, 2, 6 dan 7. Lalu untuk cluster yang kedua yaitu data dari Kecamatan Rungkut yaitu 41, 1, 9 dan 11. Sedangkan untuk cluster ke tiga diambil dari data Kecamatan Tenggilis yaitu 16, 3, 5 dan 6.
3. Alokasikan semua objek ke cluster terdekat.
Kedekatan dua objek ditentukan berdasarkan jarak kedua objek tersebut. Demikian juga kedekatan suatu data ke cluster tertentu ditentukan jarak antara data dengan pusat cluster. Dalam tahap ini perlu dihitung jarak tiap data ke tiap pusat cluster. Jarak paling dekat antara satu data dengan satu
objek Kecamatan Sukomanunggal dengan cluster pertama ialah :
Jarak dari objek ke C1= √((51 − 5)2+ (6 − 2)2+ (2 − 6)2+ (9 − 7)2)
= 26,192
Maka jarak antara objek Kecamatan Sukomanunggal dengan C1 adalah 26,192. Selanjutnya menghitung jarak antara objek dengan cluster2 (C2) yaitu:
Jarak dari objek ke C2 = √((51 − 41)2+ (6 − 1)2+ (2 − 9)2+ (9 − 11)2)
= 11,225
Maka jarak antara objek Kecamatan Sukomanunggal dengan C2 adalah 11,225. Kemudian menghitung jarak antara objek dengan cluster 3 (C3) yaitu:
Jarak dari objek ke C3= √((51 − 16)2+ (6 − 3)2+ (2 − 5)2+ (9 − 6)2)
= 15,556
Tabel 4.2 Hasil Iterasi pertama
Sukomanunggal 26,192 11,225 15,556 C2
Tandes 26,777 11,533 16,583 C2
4. Menentukan kembali pusat cluster yang baru.
anggota. Maka untuk menentukan centroid C1 pada iterasi kedua adalah dengan mencari rata-rata dari data 3 Kecamatan yang telah menjadi keanggotaannya C1 yaitu Kecamatan Asemrowo, Pakal dan Bulak. Pada Kecamatan Asemrowo memiliki jumlah penderita DBD pada tahun 2014 sejumlah 5, sedangkan pada Kecamatan Pakal sejumlah 6 dan Kecamatan Bulak sejumlah 8, maka hasil dari centroid pertama pada C1 adalah sebagai berikut :
Centroid pertama C1= 5+6+83
= 6,33
Untuk mengetahui centroid kedua dari C1 dihitung dari jumlah pasar tradisionalnya yaitu pada Kecamatan Asemrowo memiliki jumlah pasar tradisional pada tahun 2014 sejumlah 2 , pada Kecamatan Pakal 0 dan Kecamatan Bulak 1, maka hasil centroid kedua pada C1 adalah:
Centroid kedua C1 = 2+0+13
= 1
Sedangkan untuk mengetahui centroid ketiga dari C1 dihitung dari jumlah sungainya yaitu pada Kecamatan Asemrowo memiliki jumlah pasar tradisional pada tahun 2014 sejumlah 6 , pada Kecamatan Pakal 7 dan Kecamatan Bulak 6, maka hasil centroid ketiga pada C1 adalah sebagai berikut :
Centroid ketiga C1 = 6+7+63
= 6,33
yaitu pada Kecamatan Asemrowo memiliki jumlah TPS pada tahun 2014 sejumlah 7 , pada Kecamatan Pakal 11 dan Kecamatan Bulak 3, maka hasil
centroid keempat pada C1 adalah sebagai berikut :
Centroid keempat C1 = 7+11+33
= 7
Untuk C2 memiliki 13 anggota yaitu Sukomanunggal, Tandes, Benowo, Bubutan, Semampir, Krembangan, Kejeran, Tambaksari, Rungkut, Sukolilo, Sawahan, Wonokromo, Wiyung, dan C3 memiliki 15 anggota yaitu Lakarsantri, Sambikerep, Genteng, Tegalsari, Simokerto, Pabeancantikan, Gubeng, Tenggilis, Gunung Anyar, Mulyorejo, Karang Pilang, Dukuh Pakis, Gayungan, Wonocolo, Jambangan. Untuk menentukan nilai centroid pada C2 langkahnya sama dengan pencarian nilai centroid C1 hanya saja data yang digunakan merupakan data yang menjadi keanggotaannya C2, begitu juga untuk mencari nilai centroid pada C3.
5. Alokasikan objek pada cluster terdekat dengan menggunakan centroid yang baru. Apabila objek berpindah cluster, ulangi lagi langkah ke 4 dengan memakai pusat cluster yang baru. Jika tidak ada objek yang berpindah
cluster maka proses clustering selesai.
Tabel 4.3 Iterasi Kedua
Pada iterasi kedua yang ditunjukkan pada Tabel 4.3 ada objek yang berpindah
cluster, yaitu Kecamatan Tegalsari pada iterasi pertama termasuk cluster C3, sedangkan pada iterasi kedua masuk pada C1, maka mengulang langkah keempat pada iterasi ketiga. Iterasi Ketiga dapat dilihat pada Tabel 4.4.
KECAMATAN
Tabel4.6 Hasil Akhir
4.3 Perancangan Sistem
Sistem yang akan dibangun terdiri dari empat fitur utama pada tampilan
home, yaitu fitur hasil pengelompokkan dari perhitungan k-Means, fitur Lihat Peta yaitu untuk melihat peta kota Surabaya berdasarkan hasil pengelompokan k-Means, , fitur Detail Tabel untuk melihat hasil daerah yang spesifik dan fitur input
data untuk menginputkan data yang belum ada di basis data. Aktivitas sistem ini digambarkan dengan merupakan flowchart dapat dilihat pada Gambar 4.1.
Gambar 4.1Flowchart aktivitas Sistem Berikut merupakan penjelasan aktivitas input dan output nya:
A. Input Sistem
Kecamatan. Pada input tahun adalah memilih tahun yang ingin diketahui hasil pengelompokkannya. Sedangkan input kategori adalah menginputkan kategori dengan cara memilih salah satu kategori pengelompokkan yang berupa C1, C2, atau C3. Serta untuk input Kecamatan yaitu menginputkan kecamatan yang ingin dilihat hasil pengelompokknya dengan cara memilih salah satu Kecamatan yang ada di Surabaya.
B. Output Sistem
Output dari sistem ini adalah jika diinputkan tahun yang diinginkan maka akan keluar tabel yang berisi hasil pengelompokkan Kecamatan serta sistem akan menampilkan peta Kecamatan kota Surabaya dengan warna yang sesuai dengan hasil pengelompokkan. Dalam peta terdapat 3 warna untuk membedakan antara C1, C2, dan C3 yaitu warna kuning untuk Kecamatan yang masuk dalam kategori C1, warna hijau untuk Kecamatan yang masuk dalam kategori C2 dan warna merah untuk Kecamatan yang masuk dalam kategori C3.
Jika telah diinputkan kategori pada sistem dengan memilih salah satu kategori, hasil output pada sistem berupa tabel yang berisi Kecamatan yang berkategori sama dengan kategori yang diinputkan. Seperti contoh jika pada sistem diinputkan kategori C1, maka sistem akan menampilkan Kecamatan dengan karakteristiknya berkategori C1 dan pada peta akan menampilkan peta Kecamatan yang berkategori C1.
maka pada peta akan muncul peta Kecamatan Mulyorejo.
4.4 Implementasi Sistem
Pada sub bab ini akan dibahas mengenai General User Interface(GUI) untuk aplikasi rancang bangun sistem informasi geografis untuk penyebaran penyakit demam berdarah di kota surabaya. GUI tersebut berjalan atas dasar proses k-Means yang telah ditulis dalam sebuah algoritma. Sebelum masuk ke dalam pembahasan user interface, akan dijabarkan terlebih dahulu algoritma proses k-Means yang dijalankan oleh user interface. Gambaran umum Algoritma sistem dapat dilihat pada Gambar 4.2.
Gambar 4.2 Algoritma Umum Sistem
Pada pemilihan tahun, tahun yang dapat dipilih adalah tahun yang sudah ada didalam basis data jika tahun yang akan dipilih tidak muncul hasilnya maka data pada tahun yang ingin ditampilkan belum diinputkan, sehingga user dapat menginputkan terlebih dahulu datanya berupa nama Kecamatan, tahun, jumlah penderita DBD, pasar tradisional, TPS, dan sungai. Dalam pengelompokkan k-Means langkah pertama, yaitu menentukan centroid pada ketiga cluster yaitu dengan cara random berikut pseudocode-nya dapat dilihat pada Gambar 4.3.
1. Pilih tahun
2. Pengelompokan oleh k-Means
1. Menentukan centroid pada ketiga cluster.
2. Menghitung jarak objek dengan masing-masing
cluster
3. Mengalokasikan objek pada cluster terdekat
4. Hitung centroid baru dan lakukan
pengalokasian dengan centroid baru
5. Ulangi langkah 4 jika ada anggota berpindah
kelompok
Tahun ← POST [‘tahun’] Kelas ← proses () baru
Koneksi ← kelas -> connect ()
Tabel1 ← kelas -> getKecamatanRandom (koneksi)
FUNCTION getKecamatanRandom (koneksi) do
query ← mysqli_query (koneksi, “SELECT id_kec FROM `kecamatan` ORDER BY RAND() LIMIT 3")
data ← array baru
while (row ← mysqli_fetch_array(query) do
array_push (data, row)
foreach (tabel1 as getTabelDetail) arr[i] ← getTabelDetail['id_kec'];
tabel2 ← $kelas->getMean($koneksi, $tahun, $arr[$i]); foreach(tabel2 as $getTabelDetail1)
jd[j] ← getTabelDetail1['jumlah'] jt[j] ← getTabelDetail1['jumlahtpa'] sungai[j] ← getTabelDetail1['jumlahSungai'] pasar[j] ←getTabelDetail1['jumlahPasar']
Gambar 4.3 Pseudocode menentukan centroid pada ketiga cluster
lalu menempatkannya pada cluster terdekat. Untuk pseudocode menghitung jarak objek dengan masing-masing cluster algoritmanya ditunjukkan pada Gambar 4.4.
Gambar 4.4 Pseudocode menghitung jarak objek dengan masing-masing cluster Setelah ditentukan jarak pada masing-masing objek dengan ketiga cluster, maka dipilih jarak terendah yang akan menjadikan objek sebagai kelompoknya. Berikut pada Gambar 4.5 merupakan pseudocode dari pengelompokan dan pengulangan menentukan kelompok.
Gambar 4.5 Pseudocode mengalokasikan objek pada cluster terdekat. Kemudian jika tidak ada objek yang berpindah kelompok maka iterasi berhenti, tapi jika ada objek yang masih berpindah kelompok dan iterasi dibawah 20 kali
Kelas objek
cluster ← null , data ← array baru
fungsi setCluster (cls)
this -> cluster ← tmpCluster Fungsi getCluster ()
jika ← j== this > objek[i] > getCluster() do mencetak “X”
namun jika selain itu, mencetak “ ” atau kosong
iterasi maka dilakukan pengelompokan ulang dengan centroid yang baru. Pada Gambar 4.6 dapat dilihat pseudocode untuk pengulangan iterasi.
Gambar 4.6 Pseudocode mengulang pada langkah ke 4
Antar muka sistem ini terdiri dari empat fitur utama pada tampilan home, fitur Hasil k-Means, fitur Lihat Peta, fitur Detail Tabel dan fitur input. Gambar 4.7 merupakan tampilan Home pada saat user pertama kali mengakses sistem.
Gambar 4.7 Tampilan halaman Home sistem
mencetak tabel baru
cek ← true
fori ← 0 icount (this cekObjCluster) do
if ← cekObjCluster [i] tidak = objek[i] getCluster
cek ← FALSE
berhenti endfor endfor
Jika tidak sama dengan cek do
For i ← 0 i < count ( this -> cekObjekCluster ) do
This -> cekObjekCluster [i] ← this -> objek[i],getCluster() endfor
This -> setCentroidCluster ()
1. Fitur Hasil Pengelompokan
Pada Fitur ini user dapat melihat hasil pengelompokan Kecamatan berupa tabel dengan cara memilih tahun yang ingin ditampilkan pada kolom tahun lalu klik tombol Hasil Pengelompokan pada tampilan halaman Home. Pada Gabar 4.8 merupakan contoh tampilan hasil pengelompokkan pada tahun 2014.
Gambar 4.8 Tampilan hasil pengelompokan 2. Fitur menampilkan peta
kelompok C3, maka poligon Kecamatan berwarna merah. Contoh tampilan peta pada tahun 2014 yaitu dapat dilihat ada Gambar 4.9
Gambar 4.9 Tampilan Peta Kota Surabaya
Pada fitur Lihat Peta juga terdapat pilihan Kecamatan yaitu dapat melihat hasil peta hasil pengelompokan bedasarkan Kecamatan yang diinginkan dengan cara pilih Kecamatan yang telah ada pada kotak piihan Kecamatan, lalu klik tombol Lihat Peta. Contoh telah dipilih Kecamatan Mulyorejo dapat dilihat pada Gambar 4.10.
Selain itu pada fitur Lihat Peta juga dapat melihat peta berdasarkan status Kecamatan, status Kecamatan adalah kelompok hasil K-Means yaitu status C1, C2 dan C3. Untuk melihat peta berdasarkan status Kecamatan yaitu dengan cara memilih status pada kolom “pilih status” yang ada pada halaman
Gambar 4.10 Tampilan Peta Kecamatan “Mulyorejo”
Gambar 4.11 Tampilan peta Kecamatan pada kelompok “C2” 3. Fitur Detail Tabel
menampilkan nama kecamatan yang berada pada kelompok, jumlah penderita DBD, pasar tradisional, TPS, dan Sungai sehingga dapat mempermudah user
untuk menentukan kesimpulan dari suatu kelompok tersebut. Dengan cara pilih kelompok pada kolom “Pilih Kelompok” lalu klik detail tabel. Contoh telah dipilih status C2 dapat dilihat pada Gambar 4.12.
Gambar 4.12 Tampilan Detail Tabel untuk Kelompok“C2” 4. Fitur input
Fitur input ini digunakan untuk menginputkan tahun, nama Kecamatan, data jumlah penderita penyakit DBD dan faktor geografis pada daerah Kecamatan pada tahun yang diinputkan, dengan cara klik “Input” pada halaman home
maka akan muncul tampilan seperti pada Gambar 4.13.
4.5 Pengujian Sistem
Pengujian validitas sistem dilakukan dengan membandingkan hasil pengelompokkan oleh k-Means dari sistem dengan hasil manual. Perhitungan
k-Means yang telah dilakukan pada tahun 2014 dapat dilihat pada Tabel 4.8 dapat dibandingkan dengan hasil sistem yaitu dapat dilihat pada Gambar 4.14 maka dapat disimpulkan pada Tabel 4.7 menunjukkan hasil yang sama atau valid.
Tabel 4.9 Perbandingan antara hasil perhitungan manual dan sistem
Selain diuji validasi sistem, pengujian sistem dilakukan dengan metode
black box testing yang berfokus pada fungsionalitas sistem. Pengujian dilakukan dengan dengan membandingkan antara hasil yang diharapkan dengan hasil yang dikeluarkan oleh sistem. Sistem yang diuji denganadalah fungsi-fungsi yang ada pada Sistem Informasi Geografis untuk penyebaran penyakit DBD dikota Surabaya menggunkan metode K-Means. Berikut merupakan pengujian
fungsional sistem :
1. Menu Home
Hasil pengujian black box testing pada fungsi homeditunjukkan pada Tabel 4.8 berikut.
Tabel 4.8 Hasil Pengujian pada menu Home
No Test Case Hasil Harapan Hasil Keluaran Hasil Uji
1 Tekan tombol input Sistem melakukan tindakan user pada halaman Sistem mengarahkan input Sesuai
2 Tekan Tombol Hasil Pengelompokan Sistem melakukan tindakan hasil pengelompokan Sistem menampilkan Sesuai
3 Tekan Tombol Detail Tabel Sistem melakukan tindakan
Sistem menampilkan
4 Tekan Tombol Lihat Peta Sistem melakukan tindakan Sistem menampilkan peta geografis Sesuai
5 Tidak ada input melakukan apapun Sistem tidak Sistem tidak melakukan apapun Sesuai
2. Menu Input
Hasil pengujian black box testing pada fungsi input ditunjukkan pada Tabel 4.9 berikut.
Tabel 4.9 Hasil Pengujian menu input
No Test Case Hasil Harapan Hasil Keluaran Hasil Uji
1 setelah memasukkan Tekan tombol input data semua pada kolom
Sistem memproses
input
Sistem menyimpan data
input ke dalam basis data Sesuai
2 setelah memasukkan Tekan tombol input hanya sebagian data
3 Tekan tombol input memproses Sistem
input
4 Tidak ada input Sistem tidak melakukan apapun
Sistem tidak melakukan
4.6 Evaluasi Sistem
Evaluasi sistem dilakukan untuk mengetahui tingkat akurasi dari validasi sistem. Evaluasi sistem dihitung dengan membandingkan hasil output sistem dengan hasil output manual. Presentase nilai validasi sistem dengan hasil manual sudah sesuai atau valid.
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Setelah dilakukan rancang bangun SIG untuk penyebaran penyakit demam berdarah di Kota Surabaya menggunakan metode k-Means, maka dapat diambil kesimpulan bahwa rancang bangun sistem dilakukan melalui beberapa tahap :
1. Pengumpulan data dan informasi dilakukan dengan cara:
a. study literatur mengenai sebab penyebaran penyakit DBD dan langkah metode k-Means.
b. Wawancara mengenai penyebaran penyakit DBD dengan pihak Dinkes Kota Surabaya yang menangani masalah penyakit DBD dan staff laboratorium entomologi Institut Tropical Disease (ITD) Universitas Airlangga memperoleh informasi.
c. Pengumpulan data berupa jumlah penderita DBD, sungai, pasar tradisional, Tempat Pembuangan Sampah (TPS) pada tahun 2010 sampai 2014.
2. Analisis Sistem menggunakan metode k-Means dengan karakteristik berupa jumlah penderita DBD, pasar tradisional, sungai, Tempat Pembuangan Sampah (TPS) per Kecamatan menjadi 3 kelompok.
