31
BAB III METODOLOGI
3.1. Kerangka Pemikiran Penelitian tentang prediksi meledaknya wabah suatu penyakit sudah banyak dilakukan oleh para peneliti. Mereka mencoba mencari pola dan relasi dari data set yang ada, kemudian mencoba memprediksi atau membuat suatu model sehingga dapat digunakan untuk mencegah terjadinya wabah penyakit dikemudian hari. Demam Berdarah adalah suatu siklus yang terus berulang terjadi di DKI Jakarta dan menimbulkan kerugian jiwa dan material yang tidak sedikit. Sehingga perlu kiranya mendapat perhatian khusus dari pemerintah DKI Jakarta dengan menciptakan suatu sistem peringatan dini yang dapat mengurangi kemungkinan KLB. Berdasarkan
pemikiran
tersebut,
perlu
kiranya
dilakukan
upaya
penanganan agar dampak dari merebaknya demam berdarah dapat segera di antisipasi. Sebagai langkah awal maka dilakukan studi pustaka mengenai DBD untuk memahaminya. Kemudian dilakukan identifikasi permasalahan yang akan di teliti dan faktor – faktor yang terkait dengannya dan alternatif solusi penyelesaiannya. Selanjutnya dilakukan pengumpulan data tentang DBD dan faktor – faktor yang terkait antara lain suhu dan curah hujan. Berdasarkan data set yang didapat, di coba untuk menerapkan konsep – konsep data mining, untuk mendapatkan pola dan relasi yang saling berkaitan dari data tersebut. Penulis mencoba menerapkan konsep dan metode dari data mining pada data set dinas kesehatan DKI Jakarta, yang mencatat tentang wabah demam berdarah pada tahun 2004-2005. Diharapkan dapat di temukan adanya pola – pola dan relasi antar data tersebut, hubungannya dengan suhu dan iklim di Jakarta pada saat pencatatan, sehingga dapat di buat model prediksinya menggunakan sistem pakar. Untuk mengetahui tingkat keakuratan hasil yang diperoleh dari model prediksi tersebut, maka dibuatkan program aplikasi sebagai implementasi dari model tersebut, dengan menggunakan program aplikasi tersebut maka dapat dilakukan pengujian
32
untuk melihat hasil keakuratan hasil yang diperoleh dari model tersebut. Secara garis besar blok diagram sistem peringatan dini prediksi meledak DBD dan cara penanggulangannya, dapat disajikan pada gambar 10
Gambar 10. Sistem Peringatan Dini Prediksi Meledak DBD Dan Cara Penanggulangannya
Untuk menjabarkan kerangka pemikiran tersebut, dijabarkan dalam tahapan penelitian yang disajikan pada gambar 11. Tahapan tersebut utamanya terdiri dari : Studi pustaka, identifikasi masalah, pengumpulan data, pengolahan dengan datamining, pembangunan aplikasi, dan prediksi menggunakan metode Winter’s.
33
Gambar 11. Tahapan Penelitian
Sehingga
berdasarkan
pola
pemikiran
diatas,
setelah
dilakukan
pengumpulan data – data cuaca yang meliputi suhu, curah hujan, kelembaban, dan penyinaran matahari serta data survailance DBD, data yang telah dikumpulkan ini dilakukan proses seleksi, pembersihan dan transformasi data jika diperlukan. Data yang telah di olah akan digunakan oleh datamining dengan metode CPAR, dimana setelah di olah oleh datamining, akan dihasilkan basis aturan yang akan digunakan
34
dalam mendesign prototype pola penyebaran DBD yang akan dibangun dengan software Matlab 7.0. Setelah melalui proses testing, apabila hasil yang diharapkan belum sesuai dengan yang diharapkan maka proses membangun sistem tersebut harus diulang kembali, akan tetapi jika hasilnya sudah sesuai dengan yang diharapkan, maka selanjutnya adalah melakukan proses prediksi akan terjadinya DBD melalui metode Winter’s, dan dari apa yang dihasilkan oleh prediksi tersebut, tahap selanjutnya adalah Merumuskan suatu sistem peringatan dini prediksi meledaknya DBD dan cara penanggulangannya. 3.2.
Tata Laksana Dalam Penelitian ini akan dilaksanakan dalam 3 (tiga) tahap utama , yaitu
tahap pengumpulan data, tahap kedua penentuan jenis data yang akan digunakan, dan selanjutnya adalah tahap pengolahan data. 3.2.1
Pengumpulan Data Dalam melakukan pengumpulan data, yang didasarkan pada hasil dari
studi pustaka dan identifikasi masalah, maka dilakukan 2 (dua) tahap kegiatan, yaitu penentuan jenis dan sumber data, serta teknik pengambilan data 3.2.1.1 Jenis dan Sumber Data Berdasarkan jenis data dan informasi yang diperlukan, dalam membuat thesis ini, maka jenis dan sumber data dapat dikelompokkan kedalam data primer dan data sekunder. Data primer adalah data yang diperoleh langsung dari pakar maupun observasi langsung dilapangan. Sedangkan data sekunder adalah data yang didapat dari studi literatur, buku refrensi, jurnal, laporan penelitian, serta sumber lain yangdianggap akurat. 3.2.1.2 Teknik Pengambilan Data Data dan informasi dalam penelitian ini, dilakukan dengan 2 (dua) cara, yaitu metode akuisisi yang dilakukan dengan wawancara, diskusi masalah, dan deskripsi masalah tentang DBD dan cara penanggulangannya, Wawancara ini dilakukan di Dinas Kesehatan DKI Jakarta. Selain itu metode lain yang digunakan adalah melalui buku – buku refrensi dan sumber – sumber terpercaya lainnya. 3.2.2. Data Yang Digunakan Data dalam penelitian ini dibagi menjadi 2 (dua), yaitu data yang mencatat kejadian kasus DBD per kecamatan di wilayah DKI tahun 2004 – 2005 yang
35
dikeluarkan oleh Dinkes DKI Jakarta dan data cuaca dari BMG daerah Jakarta pada tahun 2004 – 2005 yang meliputi suhu udara, curah hujan, kelembaban udara dan penyinaran matahari. Semua data yang digunakan dalam penelitian dibatasi hanya pada wilayah Jakarta Selatan dan Jakarta Pusat. Untuk data survailens DBD diambil 2 tahun (2004 – 2005) karena data pada tahun 2003 merupakan masa peralihan antara sistem manual dengan sistem survailans, penerapan metode pengambilan data dengan sistem survailens melibatkan seluruh puskesmas di DKI Jakarta baru efektif pada tahun 2004. Daerah pemilihan sampel dilakukan didaerah Jakarta Selatan dan Jakarta Pusat dengan alasan sebagai berikut : a. Daerah Jakarta Selatan (mempunyai 10 kecamatan), secara ekonomi mempunyai penyebaran yang cukup beragam dari strata ekonomi lemah – strata ekonomi tinggi, dengan demikian di daerah Jakarta selatan penyebaran tingkat pemahaman tentang pemberantasan DBD pun diasumsikan beragam, dari yang perduli sampai yang tidak perduli b. Daerah Jakarta Pusat (mempunyai 8 kecamatan), secara ekonomi juga mempunyai penyebaran yang cukup beragam, selain itu di daerah Jakarta Pusat merupakan pusat pemerintahan dan perekonomian DKI Jakarta, dengan asumsi tersebut pola pemberantasan jentik DBD akan lebih intensif dari daerah lainnya. Data yang digunakan dalam membuat rule adalah sebanyak 97 data untuk Jakarta Selatan
dengan rincian 36 untuk kemungkinan DBD dengan kondisi
kuning, 61 untuk DBD kondisi Merah, sedangkan untuk Jakarta Pusat, digunakan data sebanyak 105 data, dengan rincian 32 untuk kemungkinan DBD kuning dan 73 untuk kemungkinan DBD Merah. Sedangkan untuk kondisi Hijau data tersebut tidak terjadi pada tahun 2004-2005, karena dilapangan kondisi daerah yang Hijau pun tidak terjadi, hal ini disebabkan karena klasifikasi dari Dinkes DKI Jakarta yang memungkin daerah tersebut dimasukkan klasifikasi Hijau, yaitu tidak terjadi DBD (0{ nol} Kejadian DBD) pada daerah tersebut selama 3 minggu berturut – turut. Sedangkan data cuaca dari dinas BMG digunakan data cuaca untuk daerah Jakarta Selatan dan Jakarta Pusat dengan parameter yang digunakan
36
a. Suhu rata – rata dalam 1 minggu b. Curah hujan rata – rata dalam 1 minggu c. Penyinaran matahari rata – rata dalam 1 minggu d. Kelembaban rata – rata dalam 1 minggu Semua data cuaca di ambil rata – rata per minggu dengan tujuan untuk menyamakan dengan data pencatatan survailens disusun dalam rekap per minggu 3.2.3. Pengolahan Data Langkah awal dari proses pembuatan model adalah identifikasi data yang ada. Data yang akan digunakan dalam pembuatan model penyebaran DBD adalah data kasus DBD yang dicatat per kecamatan di Jakarta per minggu pada tahun 2004-2005. Selain itu digunakan pula data cuaca di Jakarta pada tahun yang sama. Tahap selanjutnya adalah pemilihan data, jika data yang di perlukan tidak ada maka proses identifikasi data harus dilakukan kembali. Setelah data yang terpilih tersedia, maka diadakan validasi, eksplorasi dan pembersihan data dari data – data sampah yang mungkin tidak akan digunakan dan membuat data yang digunakan semakin membesar. Data terpilih yang akan digunakan juga harus di transformasikan atau disamakan satu dan lainnya, contoh, adanya ketidak seragaman dalam pencatatan data DBD dengan data cuaca, dimana data DBD di catat berdasarkan mingguan sedangkan data cuaca dicatat harian, sehingga diambil suatu keputusan untuk melakukan konversi data menjadi data perminggu. Jika dianggap data-data yang telah kita kumpulkan tersebut masih belum lengkap maka kita bisa menambahkan variabel yang bisa membantu dalam pembuatan model. Secara umum sampai pada tahap ini, arsitektur system pola penyebaran DBD dapat disajikan pada gambar 12.
37
Prediksi DBD & Penanggulanganya
Data masukan dari pengguna
Antar Muka Sistem Aplikasi DBD
Sistem Inferensi Fuzzy ( Matlab 7.0 )
Aturan –aturan Hasil Datamining
Antarmuka Sistem Datamining (pemilihan , pembersihan ,transformasi)
database
Gambar 12. Arsitektur system Aplikasi DBD (adapatasi dari Maeda ,1995) Berdasarkan gambar diatas, pada arsitektur sistem aplikasi DBD, dapat dibagi menjadi 2 bagian besar, yaitu pembentukan aturan melalui datamining, dan pembentukan Aplikasi DBD itu sendiri. Setelah dilakukan proses menggunakan datamining dengan menggunakan metode CPAR, akan didapatkan aturan – aturan hasil dari keterkaitan antara data – data yang ada, aturan – aturan tersebut akan di implementasikan dengan sistem inferensi fuzzy dengan menggunakan software Matlab 7.0 R 14. Hasil dari model yang didapat ini nantinya akan di tampilkan dengan suatu sistem antar muka Aplikasi DBD, pengguna dapat memasukkan data tentang suhu, curah hujan, kelembaban dan penyinaran matahari dari lokasi yang akan diprediksi. Data tersebut akan memicu proses inferensi sehingga pada akhirnya sistem tersebut akan memberikan keluaran berupa prediksi tentang meledaknya DBD, dalam kondisi Hijau, Kuning atau Merah serta tata laksana
38
cara penanggulannya dan untuk melakukan validasi akan digunakan prediksi metode Winters 3.3. Pembuatan Program Aplikasi 3.3.1. Data mining Metodologi data mining didasarkan pada tiga tahapan yang dilakukan untuk mendeteksi DBD di suatu wilayah. Ketiga tahapan tersebut adalah : a) menangani data yang tidak lengkap melalui ekstraksi,transformasi dan loading (ETL), b) merubah data yang bernilai kontinyu menjadi data yang bernilai diskrit serta, c) Pencarian aturan (rule mining) dan klasifikasi. Pada tahap pertama, pemrosesan awal data survailens DBD dilakukan untuk menghapus data yang tidak
lengkap
dan
mengekstrak
data
yang
akan
digunakan
untuk
mengelompokkan antara DBD kondisi kuning atau merah. Pada tahap kedua setiap data yang bernilai kontinyu didiskritkan (dirubah kedalam bentuk katagori). Hasil dari tahap pertama dan kedua diatas disimpan dalam working database. Pada tahap ketiga, algoritma CPAR digunakan untuk menghasilkan aturan-aturan, yang berguna dalam memprediksi kondisi DBD disuatu lokasi berdasrkan kondisi alam pada saat itu. 3.3.1.1. Menangani Data Yang Tidak Lengkap Melalui ETL Data yang terkumpul dan akan digunakan adalah data tentang DBD dan data cuaca yang terdiri dari suhu, kelembaban, penyinaran matahari dan curah hujan. Data DBD yang dikumpulkan adalah data yang tercatat per minggu untuk tiap kecamatan di suatu wilayah, sedangkan data cuaca adalah data yang dicatat per hari disuatu wilayah. Sehingga terdapat ketidaksamaan dalam memperlakukan data tersebut, agar dapat digunakan maka data cuaca di rubah menjadi data per minggu, dimana data yang ada diambil nilai rata – ratanya dalam 1 minggu. Data yang telah sama tersebut selanjutnya akan dirubah menjadi data diskrit. 3.3.1.2. Merubah Data Kontinyu Menjadi Data Diskrit Data sampel yang digunakan pada penelitian ini mempunyai atribut yang nilainya numerik, sedangkan algoritma data mining CPAR bekerja dengan atributatribut yang nilainya nominal. Untuk menggunakan algoritma tersebut atribute yang bernilai numerik tersebut diganti dengan atribute yang bernilai nominal yang menunjukkan interval nilai dengan nilai-nilai diskrit. Proses ini dikenal sebagai
39
diskritisasi dan berisi transformasi dari variabel quantitatif kedalam variable kualitatif. 3.3.2. Pembentukan Basis Aturan Data yang diolah oleh metode CPAR, akan menghasilkan suatu basis aturan yang mempunyai aturan IF – THEN rules. Sistem berbasis aturan adalah suatu sistem penalaran yang membangun aturan – aturan yang merepresentasikan pengetahuan dan menggunakan aturan tersebut sebagai pengambil keputusan (Ignizio, 1991). Aturan – aturan ini selanjutnya mengolah fakta menjadi kesimpulan. Aturan – aturan yang didefinisikan dengan rule dinyatakan dalam IFTHEN atau IF – THEN – ELSE yang mempunyai struktur umum :
IF (kondisi / premis ) THEN (aksi / konklusi ) Dimana : -
IF merupakan suatu kondisi atau aturan yang berisi fakta – fakta yang dapat dinyatakan sebagai kalimat atau ekspresi matematika. Kondisi ini dapat berupa pernyataan benar atau salah
-
THEN merupakan aksi yang dilaksanakan jika kondisi IF bernilai benar (true) sedangkan aturan ELSE dilaksanakan jika kondisi IF bernilai salah (false)
Dua atau lebih premis dapat dihubungkan dalam bentuk AND. Aturan – aturan IF-THEN dapat dibuat dari beberapa kondisi dan beberapa akibat menjadi bentuk IF F1 is A1 and F2 is A2 THEN Z is Y dan seterusnya. Efisiensi dapat dilakukan apabila saat penyusunan basis aturan ini pendapat pakar dapat langsung di implementasikan.
3.3.3. Aplikasi DBD Pada tahapan ini, aturan yang telah didapat dari hasil pengolahan dengan menggunakan datamining, selanjutnya diaplikasikan kedalam suatu program aplikasi sistem pakar yang dibangun dengan menggunakan program Matlab 7.0 R14.
40
Penyusunan sistem dimulai dengan memilih atribut – atribut yang akan digunakan. Atribut tersebut meliputi atribut cuaca dan kondisi DBD, atribut – atribut ini ini kemudian di dekomposisi menjadi himpunan – himpunan fuzzy. Evaluasi aturan fuzzy kemudian diubah menjadi suatu harga numerik untuk menentukan aksi dari hasil, proses ini desebut dengan defuzzifikasi. Metode defuzzifikasi yang akan digunakan dalam pembuatan sistem ini adalah metode centroid. Dengan menggunakan himpunan fuzzy, aturan atau rules dan metode defuzzifikasi, maka dapat disusun sebuah Fuzzy Inferensi Sistim (FIS) dengan menggunakan toolbox fuzzy pada software Matlab 7.0 R14. Sedangkan untuk antarmuka digunakan fasilitas GUI (Graphical User Interface) pada software yang sama. Sebagai hasil dari sistem ini adalah unit analisis DBD per kecamatan dari wilayah Jakarta Pusat atau Jakarta Selatan, sehingga pengguna dapat mengeetahui kemungkinan terjadinya DBD di kecamatan yang di prediksi. 3.3.4. Prediksi Cuaca Menggunakan Metode Winter’s Aplikasi DBD adalah aplikasi yang dibangun berdasarkan dari basis aturan yang dibangun dari atribut cuaca yang dikaitkan dengan kejadian DBD, sehingga dalam memprediksi kemungkinan wabah DBD, data yang diperlukan adalah data cuaca pada tahun yang akan di prediksi. Sebagai tindakan dalam melakukan cegah dini, maka dicoba untuk melakukan prediksi cuaca pada tahun yang akan dilakukan prediksi dengan menggunakan data cuaca minimal 2 tahun sebelumnya.Misalnya cuaca pada tahun 2007, maka diperlukan data tahun 2005 dan tahun 2006 sebagai dasar dalam melakukan prediksi kondisi cuaca. Data cuaca hasil prediksi inilah yang akan digunakan sebagai data masukkan kedalam aplikasi DBD, dan dapat digunakan sebagai dasar tindakan pencegahan dini dalam penanggulangan wabah DBD. .
