Model Pemetaan Daerah Miskin Menggunakan Sistem Informasi Geografis
Artikel Ilmiah
Diajukan kepada Fakultas Teknologi Informasi untuk memperoleh gelar Sarjana Komputer
Peneliti Aloysius C. Deo S.N (672008070) Kristoko Dwi Hartomo, M.Kom Frederik Samuel Papilaya, S.Kom., M.Cs
Program Studi Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Satya Wacana Salatiga Januari 2016
Model Pemetaan Daerah Miskin Menggunakan Sistem Informasi Geografis 1)
Aloysius C. Deo S. N, 2) Kristoko Dwi Hartomo, 3) Frederik Samuel Papilaya Fakultas Teknologi Informasi Universitas Kristen Satya Wacana Jl. Diponegoro 52-60 Salatiga 50711, Indonesia Email: 1)
[email protected], 2)
[email protected], 3)
[email protected]
Abstract Poverty has always been a problem in every country, including Indonesia, as a developing country. One of the efforts to accelerate poverty reduction is determining poorer areas. Mapping poor areas using Geographic Information System (GIS) webbased, represents the statistical data that become information as visualization maps to facilitate the reading of data and find out the poorest areas. The conclusion is the statistical data that is processed by quartiles and visualized with GIS, mapping models can generate sufficient, rather poor, poor and the poorest. Keywords: Geografis Information System, GIS, Poverty, WebGIS Abstrak Kemiskinan selalu menjadi permasalahan di setiap negara, termasuk Indonesia terlebih sebagai negara berkembang. Proses pengentasan kemiskinan dilakukan dengan berbagai upaya. Salah satu percepatan penanggulang kemiskinan diperlukan upaya penajaman dalam menetapkan sasaran daerah miskin. Pemetaan daerah miskin menggunakan Sistem Informasi Geografis (SIG) berbasis web mampu merepresentasi data statistik menjadi informasi berupa visualisasi peta sehingga dapat mempermudah pembacaan data dan mengetahui sasaran hingga daerah termiskin. Kesimpulannya adalah data statistik yang diolah dengan distribusi frekuensi dan tervisualisasi dengan SIG menghasilkan model pemetaan daerah cukup, agak miskin, miskin dan termiskin. Kata Kunci : Sistem Informasi Geografis, SIG, Kemiskinan, WebGIS _________________________________________________________________ 1
2 3
Mahasiswa Fakultas Teknologi Informasi Program Studi Sistem Informasi, Universitas Kristen Satya Wacana Staff Pengajar Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana Staff Pengajar Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana
1. Pendahuluan Kemiskinan menjadi salah satu ukuran terpenting untuk mengetahui tingkat kesejahteraan suatu rumah tangga. Sebagai suatu ukuran agregat, tingkat kemiskinan disuatu wilayah lazim digunakan untuk mengukur tingkat kesejahteraan di wilayah tersebut. Dengan demikian, kemiskinan menjadi salah satu tema utama pembangunan. Keberhasilan dan kegagalan pembangunan acapkali diukur berdasarkan perubahan pada tingkat kemiskinan [1]. Istilah kemiskinan muncul ketika seseorang atau sekelompok orang tidak mampu mencukupi tingkat kemakmuran ekonomi yang dianggap sebagai kebutuhan minimal dari standar hidup tertentu. Dalam arti proper, kemiskinan dipahami sebagai keadaan kekurangan uang dan barang untuk menjamin kelangsungan hidup. Seseorang masuk dalam kriteria miskin jika pendapatannya berada dibawah garis kemiskinan [2]. Jika dilihat dari jumlah penduduk, sebagian besar penduduk miskin berada di pulau Jawa (15,54 juta dari 28,55 juta penduduk miskin di Indonesia) menjadikannya salah satu fokus utama pemerintah dalam pengentasan kemiskinan. Terdapat 6 provinsi di pulau Jawa, yaitu: DKI Jakarta, Jawa Barat, Jawa Tengah, DI Yogyakarta, Jawa Timur, dan Banten. Berikut data jumlah presentase penduduk miskin pada ke 6 provinsi tersebut. Tabel 1 Kemiskinan Menurut Provinsi di Pulau Jawa, September 2013
Provinsi DKI Jakarta Jawa Barat Banten Jawa Tengah DI Yogyakarta Jawa Timur
Penduduk Miskin (000) 412,79 4238,96 649,19 4561,83 532,59 4748,42
Presentase (%) 4,09 9,18 5,51 13,58 14,55 12,28
Sumber: Diolah dari data SUSENAS, September 2013 Dari tabel 1.1 terlihat bahwa Provinsi Jawa Tengah menempati urutan ke-2 sebagai provinsi termiskin dengan jumlah penduduk miskin sebesar 4,561,830 orang. Angka kumulatif jumlah penduduk miskin Jawa Tengah di atas patut menjadi perhatian pemerintah dalam menanggulangi kemiskinan di wilayah Jawa Tengah. Hal ini dipengaruhi oleh kepadatan penduduk diwilayah Jawa Tengah dengan banyaknya jumlah penduduk yang tergolong miskin. Dalam rangka percepatan penanggulang kemiskinan diperlukan upaya penajaman yang melitputi penetapan sasaran, perancangan dan keterpaduan program, monitoring dan evaluasi, serta efektifitas anggaran perlu dilakukan penguatan kelembagaan secara nasional guna menanggulangi kemiskinan [3]. Dalam melaksanakan strategi penanggulangan kemiskinan diperlukan informasi yang akurat dan sangat tergantung pada ketepatan mengidentifikasi kelompok masyarakat miskin dan area miskin atau peninjauan kemiskinan secara makro. 1
Untuk membantu pelaksanaan program penanggulangan kemiskinan, dapat dikembangkan suatu peta kemiskinan daerah. Peta kemiskinan dapat diartikan sebagai representasi visual data daerah beserta kondisi sosial ekonominya. Teknologi berbasis Sistem Informasi Geografis (SIG) merupakan teknologi yang mampu melakukan visualisasi data, disamping itu SIG dapat digunakan dalam hal menilai kemiskinan secara kewilayahan[4]. SIG mampu menggabungkan tampilan peta dengan data bawaan peta serta data lain yang terkait dalam rangka menyajikan suatu informasi mengenai suatu wilayah pada peta. Dengan menyediakan data dan informasi persebaran kemiskinan berbasis SIG, program dalam jangka pendek seperti bantuan dari pemerintah dapat disalurkan tepat pada sasaran. 2. Kajian Pustaka Penelitian terdahulu yang menggunakan Sistem Informasi Geografi adalah penelitian yang dilakukan untuk mengetahui tingkat pencemaran industri di Kabupaten Gresik. Dinas Lingkungan Gresik dalam peningkatan kualitas pelayanannya menerapkan Sistem Informasi Geografi ke dalam aplikasi yang mampu menampilkan peta berkemampuan memberikan informasi mengenai hasil pemantauan pencemaran udara, sungai dan laut dengan membandingkan parameter-parameter yang melebihi standar baku mutu. Kesimpulan yang diambil dari hasil perancangan sistem dan penerapan perangkat lunak dari aplikasi tingkat pencemaran industri ini yaitu mendigitasi peta tematik yang telah ada untuk memetakan titik pantau pencemaran udara, sungai dan laut, industri dan daerah pengembangan industri [5]. Penelitian lain mengenai sistem pengolahan data spasial dengan memanfaatkan Sistem Informasi Geografi yang digunakan untuk menentukan daerah prioritas rehabilitasi di cekungan Bandung, yang nantinya rehabilitasi tersebut guna mengurangi degradasi fungsi hidrologi yang sedang terjadi. Hasil penelitian ini menyimpulkan bahwa dengan menggunakan analisis spasial tematik curah hujan, kemiringan lereng, pemeabilitas tanah, penggunaan lahan dihasilkan peta tematik kekritisan resapan air yang tersimpan dalam basis data spasial [6]. Dalam penelitian ini pemanfaatan Sistem Informasi Geografi (SIG) adalah untuk menyajikan model pemetaan daerah miskin di provinsi Jawa Tengah, berdasarkan data sekunder yang diperoleh dari Badan Pusat Statistik (BPS), kemudian dilakukan pengelompokan data statistik guna menentukan tingkat kemiskinan. Terdapat 3 (tiga) indikator untuk perhitungan kemiskinan yang digunakan dan menjadi acuan BPS dan penelitian ini, yaitu presentase penduduk miskin, indeks kedalaman kemiskinan dan indeks keparahan kemiskinan. Penyajian data berupa webform, yang dapat menampilkan peta dengan tingkat kemiskinan disetiap Kabupaten/Kota provinsi Jawa Tengah. Dalam arti proper, kemiskinan dipahami sebagai keadaan kekurangan uang dan barang untuk menjamin kelangsungan hidup. Kemiskinan didefinisikan sebagai standar hidup yang rendah, yaitu adanya suatu tingkat kekurangan materi dibandingkan dengan standar kehidupan yang umum berlaku dalam masyarakat yang bersangkutan. Secara ekonomis, kemiskinan juga dapat diartikan sebagai
2
kekurangan sumberdaya yang dapat digunakan untuk meningkatkan kesejahteraan sekelompok orang. Kemiskinan terjadi ketika seseorang atau sekelompok orang, baik laki-laki dan perempuan, tidak terpenuhi hak-hak dasarnya untuk mempertahankan dan mengembangkan kehidupan yang bermatabat [7]. Berbagai masalah kemiskinan dapat dikelompokkan dalam empat terminologi, yaitu kemiskinan absolut, kemiskinan relatif, kemiskinan kultural dan kemiskinan struktural. Kemiskinan relatif merupakan kondisi miskin karena pengaruh kebijakan pembangunan yang belum mampu menjangkau seluruh lapisan masyarakat sehingga menyebabkan ketimpangan distribusi pendapatan. Standar minimum disusun berdasarkan kondisi hidup suatu negara pada waktu tertentu dan perhatian terfokus pada golongan penduduk “termiskin”, misalnya 20 persen atau 40 persen lapisan terendah dari total penduduk yang telah diurutkan menurut pendapatan/pengeluaran. Kelompok ini merupakan penduduk relatif miskin. Dengan demikian, ukuran kemiskinan relatif sangat tergantung pada distribusi pendapatan/pengeluaran penduduk sehingga dengan menggunakan definisi ini berarti “orang miskin selalu hadir bersama kita”. Kemiskinan absolut, ditentukan berdasarkan ketidakmampuan seseorang atau sekelompok orang untuk memenuhi kebutuhan pokok minimumnya seperti pangan, sandang, kesehatan, perumahan dan pendidikan. Kebutuhan pokok minimum diterjemahkan sebagai ukuran finansial dalam bentuk uang dan nilai minimum kebutuhan dasar yang dikenal dengan istilah garis kemiskinan. Oleh karena itu, penduduk yang pendapatannya di bawah garis kemiskinan digolongkan sebagai penduduk miskin. [8]. BPS menggunakan konsep kemampuan memenuhi kebutuhan dasar (basic needs approach). Dengan pendekatan ini, kemiskinan dipandang sebagai ketidakmampuan dari sisi ekonomi untuk memenuhi kebutuhan dasar makanan dan bukan makanan yang diukur dari sisi pengeluaran. Jadi Penduduk Miskin adalah penduduk yang memiliki rata-rata pengeluaran perkapita perbulan dibawah garis kemiskinan. Indikator kemiskinan dilihat dari pendekatan kebutuhan dasar (basic need approach), ada 3 indikator kemiskinan yang digunakan untuk perhitungan kemiskinan: Presentase Penduduk Miskin atau Headcount Index, Indeks Kedalaman Kemiskinan atau Poverty Gap Index, Indeks Keparahan Kemiskinan atau Poverty Severity Index [8]. Statistik merupakan suatu ilmu yang dimanfaatkan guna pengolahan data, analisis data sehingga mampu menghasilkan gejala/keadaan secara lebih spesifik [9]. Distribusi frekuensi bilangan adalah distribusi yang berisikan data berupa angka-angka, dimana data itu dibagi atas golongan-golongan yang dinamakan kelas-kelas, menurut besarnya bilangan. Langkah-langkah dalam membuat distribusi frekuensi bagi segugus data kuantitatif adalah sebagai berikut: a. Menentukan banyaknya kelas yang diperlukan; b. Menentukan wilayah data tersebut (Range); c. Membagi wilayah dengan banyaknya kelas untuk menduga lebar selangnya; d. Menentukan limit bawah kelas bagi selang yang pertama dan batas bawah kelas, tambahkan lebar kelas pada batas bawah kelas untuk mendapatkan batas atas kelas; e. Mendaftarkan semua limit kelas bagi masing-masing selang dengan meratakan limit kelas atau batas kelas; g. Menentukan frekuensi bagi masing-masing kelas;
3
h. Menjumlah kolom frekuensi dan mencocokkan hasilnya dengan banyaknya total pengamatan. Proses pembentukan banyaknya kelas, yaitu dengan menggunakan aturan Sturges, sebagai berikut. 𝑘 = 1 + 3.3 log 𝑛
(1)
dimana: k = banyaknya kelas n = banyaknya pengamatan Wilayah kelas atau range dari data yang dihadapi adalah selisih antara nilai data yang terbesar dengan nilai data yang terkecil. Sistem Informasi Geografis didefinisikan sebagai sistem berbasis komputer yang digunakan untk memasukkan, menyimpan, mengelola, menganalisis dan mengaktifkan kembali data yang mempunyai referensi keruangan untuk berbagai tujuan yang berkaitan dengan pemetaan dan perencanaan[10]. Data Manipulation & Analysis
Data Input SIG
Data Output
Data Management
Gambar 1 Subsistem-subsistem SIG[10]
Gambar 1 menjelaskan mengenai uraian SIG menjadi beberapa subsistem. Data Input merupakan subsistem pengumpul, mempersiapkan, dan menyimpan data spasial dan atributnya. Subsistem ini juga mentransformasikan format data asli ke dalam format yang dapat digunakan oleh perangkat SIG (native). Data Output adalah subsistem yang menampilkan keluaran seluruh atau sebagian basis data baik dalam bentuk softcopy maupun hardcopy. Keluaran juga diekspor menjadi bentuk format yang dikehendaki. Data Management mengorganisasikan baik data spasial maupun tabel-tabel atribut terkait ke dalam sebuah sistem basis data hingga mudah proses retriving, updating, dan editing. Data Manipulation & analisis merupakan subsistem yang menentukan informasi-informasi yang dapat dihasilkan oleh SIG. Subsistem ini juga melakukan proses manipulasi yakni
4
evaluasi penggunaan fungsi operator matematis, dan pemodelan data untuk menghasilkan informasi yang diharapkan. SIG memiliki kekuatan dan fleksibilitas lebih dibanding peta konvensional. Kelebihan yang sangat jelas dari SIG yaitu kemudahan, keefisienannya, kedinamisannya dalam menyajikan peta yang berdasarkan tema-tema tertentu (tematik) tanpa harus melakukan perubahan besar. 3. Metode Penelitian Metode yang digunakan dalam penelitian ini dapat digambarkan sebagai berikut. Tahapan
Langkah 1
Langkah 2
Langkah 3
Tujuan
Alat/Bahan/Luaran
Studi Kepustakaan & Identifikasi Data
Penerapan Statistik Range dalam Distribusi Frekuensi untuk status/kategori wilayah miskin
Perancangan dan Pembangunan Sistem Pemodelan & Pemetaaan Kemiskinan berbasis Spasial
Kemiskinan *Inventarisasi Data Primer: Internet Survey (BPS) *Inventarisasi Data Sekunder Studi Pustaka suatu wilayah -Data Angka Kemiskinan -Indikator Kemiskinan -Perhitungan Kemiskinan suatu wilayah Stastika: Range dan Distribusi Frekuensi Sistem Informasi Geografi Pengelompokan data menurut indikator Pensortiran data per indikator (asc) Pengelompokan setelah pengolahan data menghasilkan 4 kategori miskin: Cukup, Miskin, Cukup Miskin, Sangat Miskin. Dari 3 indikator: Presentase pddk Miskin, Indeks kedalaman,dan keparahan kemiskinan. 1. Desain Sistem Kode Sistem PHP & mapserver 2. Desain Basisdata dengan MySQL 3 Implementasi SIG dengan ArcViewGIS 4 Konfigurasi Server Local 5.. Rancangan Arsitektur 6. GUI 7. Rancangan Basisdata 8. Aplikasi
Gambar 2 Metode Penelitian
Tahapan awal yaitu identifikasi data dan memperoleh informasi kemiskinan. Pengidentifikasian data dan informasi kemiskinan terdiri dari: 1) Ketersediaan data kemiskinan wilayah dari Badan Pusat Statistik (BPS), 2) Proses perhitungan angka kemiskinan berdasarkan indikator kemiskinan, 3) Ketersediaan data dan informasi tentang persebaran kemiskinan suatu wilayah berdasarkan kriteria yang ditentukan.
5
Tahapan berikutnya adalah pengelompokan data berdasarkan 3 indikator yang dipakai, yaitu Persentase Penduduk Miskin, Indeks Kedalaman Kemiskinan, dan Indeks Keparahan Kemiskinan. Pengelompokan data dengan distribusi frekuensi pada penelitian ini yaitu mengelompokkan data-data dari sejumlah besar data kedalam 4(empat) kelas dan kemudian dilakukan penggolongan kategori kemiskinan di antaranya: cukup, hampir miskin, miskin, dan sangat miskin. Pada Tabel 1 merupakan data kemiskinan yang telah tersortir secara ascending, semakin tinggi nilai berdasarkan indikator, mengindikasikan semakin tingginya bobot kemiskinan suatu daerah. Tabel 1 Tabel Pengelompokan Data Presentase Penduduk Indeks Kedalaman Indeks Keparahan Miskin Kemiskinan Kemiskinan Kota Semarang 5.12 Kota Semarang 0.89 Kota Salatiga 0.16 Kota Salatiga 8.28 Kudus 0.92 Kudus 0.16 Kudus 9.01 Kota Salatiga 0.94 Kota Pekalongan 0.19 Kota Pekalongan 9.36 Kota Pekalongan 1.11 Jepara 0.22 Jepara 10.18 Jepara 1.12 Kota Semarang 0.25 Semarang 10.50 Semarang 1.45 Semarang 0.31 Kota Magelang 10.51 Sukoharjo 1.54 Sukoharjo 0.34 Kota Tegal 10.62 Kota Magelang 1.61 Temanggung 0.34 Sukoharjo 10.94 Kota Tegal 1.72 Tegal 0.35 Tegal 13.11 Temanggung 1.73 Kota Magelang 0.39 Temanggung 13.46 Tegal 1.78 Kota Tegal 0.44 Boyolali 13.72 Karanganyar 1.98 Magelang 0.46 Kota Surakarta 13.96 Magelang 2.05 Karanganyar 0.50 Karanganyar 13.98 Kota Surakarta 2.19 Grobogan 0.52 Magelang 14.14 Batang 2.29 Pekalongan 0.53 Kendal 14.47 Boyolali 2.34 Surakarta 0.53 Pati 14.48 Blora 2.38 Batang 0.54 Batang 14.67 Pekalongan 2.40 Blora 0.61 Wonogiri 15.67 Pati 2.43 Purworejo 0.65 Blora 16.27 Grobogan 2.48 Sragen 0.66 Pekalongan 16.29 Purworejo 2.67 Pati 0.68 Purworejo 16.61 Sragen 2.85 Boyolali 0.71 Klaten 17.47 Klaten 2.95 Klaten 0.75 Sragen 17.49 Wonogiri 3.02 Pemalang 0.80 Grobogan 17.86 Cilacap 3.04 Cilacap 0.81 Cilacap 18.11 Pemalang 3.19 Rembang 0.83 Demak 18.76 Banjarnegara 3.34 Kebumen 0.92 Banjarnegara 19.17 Kendal 3.48 Banjarnegara 0.92 Pemalang 19.96 Rembang 3.50 Wonogiri 0.92 Banyumas 20.20 Banyumas 3.56 Banyumas 0.99 Kebumen 22.70 Kebumen 3.68 Purbalingga 1.08 Brebes 23.01 Demak 3.75 Wonosobo 1.09 Wonosobo 23.15 Wonosobo 3.96 Demak 1.14 Rembang 23.40 Purbalingga 4.00 Brebes 1.17 Purbalingga 24.58 Brebes 4.27 Kendal 1.30
Berdasarkan tabel 1, dapat dilakukan pembentukan distribusi frekuensi dengan langkah-langkah sebagai berikut:
6
Langkah 1: Menentukan kelas, yaitu 4 (empat) dengan penggolongan cukup, hampir miskin, miskin, sangat miskin Langkah 2: Range data ditentukan dengan rumus R = nilai maksimum – nilai minimum. Range Persentase Penduduk Miskin = 19.45 Range Indeks Kedalaman Kemiskinan = 3.38 Range Indeks Keparahan Kemiskinan = 1.14 Langkah 3: Lebar selang merupakan Range dibagi jumlah kelas, yaitu 4 (empat) Lebar selang Persentase Penduduk Miskin = 4.86 Lebar selang Indeks Kedalaman Kemiskinan = 0.85 Lebar selang Indeks Keparahan Kemiskinan = 0.29 Langkah 4: Tabel distribusi frekuensi DF Persentase Penduduk Miskin Selang Kelas Frekuensi Kategori 5.12 – 9.98 4 Cukup 9.99 – 14.85 14 Hampir Miskin 14.86 – 19.72 10 Miskin 19.73 – 24.59 7 Sangat Miskin
DF Indeks Kedalaman Kemiskinan Selang Kelas Frekuensi Kategori 0.89 – 1.74 10 Cukup 1.75 – 2.60 10 Hampir Miskin 2.61 – 3.46 7 Miskin 3.47 – 4.32 8 Sangat Miskin
DF Indeks Keparahan Kemiskinan Selang Kelas Frekuensi Kategori 0.15 – 0.44 11 Cukup 0.45 – 0.74 11 Hampir Miskin 0.75 – 1.04 8 Miskin 1.05 – 1.34 5 Sangat Miskin
Sebelum proses pembuatan aplikasi, terlebih dahulu dilakukan proses perancangan sistem, hal ini dilakukan dengan tujuan supaya aplikasi yang dibuat dapat berfungsi dengan baik sesuai dengan apa yang diharapkan, yaitu mampu membantu pengembangan model pemetaan daerah miskin dengan sistem informasi geografis.
7
Layer Presentasi
USER
Representasi Konten
Grafis
GeoSpasial
Layer Aplikasi
Model Klasifikasi Wilayah Miskin
Tools
Mapserver ArcView
Layer Storage
MySql
.sql
.shp
.xsl
Gambar 3 Rancangan Representasi Informasi Geografis berbasis SIG
Gambar 3 merupakan rancangan representasi informasi geografis menggunakan teknologi berbasis SIG bertujuan memberikan informasi kemiskinan daerah kepada pengguna yang dibagi menjadi 4 (empat) bagian yaitu: 1) penyimpanan data (.sql, .xls, .shp); 2) alat permrosesan data menggunakan MySql, ArcView dan mapserver, pemrosesan data menyisipkan fungsi statistik yakni kuartil; 3) aplikasi model daerah miskin; dan 4) representasi data. Gambar 4 menjelaskan bagaimana arsitektur SIG yang meliputi 4 bagian besar berdasarkan dengan proses dan perangkat lunak yang digunakan yaitu dari proses manual untuk mengumpulkan data, lalu menggunakan perangkat lunak Map Server GIS dalam pengolahan peta, MySQL untuk mengolah basis data serta bahasa PHP untuk melakukan coding. USER HTML CSS Jvscrpt
Browser
MapScript PHP Map Server MySql Query
MySql Admin
.Sql
.Shp
Database .XLS
Gambar 4 Rancangan Arsitektur SIG
Setelah melakukan perancangan terhadap aplikasi secara garis besar, selanjutnya perlu dilakukan perancangan terhadap antar muka yang akan digunakan untuk aplikasi. Antar muka ini merupakan media user yang akan berkomunikasi dengan aplikasi. Perancangan antar muka untuk aplikasi ini antara lain.
8
Header
Menu
Content
Gambar 5 Rancangan Tampilan Aplikasi
Gambar 5 merupakan tampilan rancangan. Tampilan rancangan terdiri dari header , menu dikanan dan content yang ditampilakan berada di kanan. 4. Hasil pembahasan dan implementasi Implementasi model pemetaan daerah miskin dilakukan dengan membuat aplikasi berbasis web. Penerapan sistem informasi geografis telah mampu memadukan MySQL sebagai database atribut dan MapServer sebagai mesin database spasial. Keduanya telah berhasil diimplementasikan pada tampilan antarmuka sistem. Pengguna akan memperoleh kesatuan informasi secara spasial dan atribut. Sistem informasi geografis ini dapat menampilkan model pemetaan daerah miskin. Daerah miskin yang menjadi pemodelan adalah provinsi Jawa Tengah tahun 2013 yang mengacu pada data Badan Pusat Statistik (BPS). Perhitungan kemiskinan oleh BPS didasarkan pada 3 (tiga) indikator yakni Persentase Penduduk Miskin, Indeks Kedalaman Kemiskinan, dan Indeks Keparahan Kemiskinan.
9
Gambar 6 Hasil Query Daerah
Hasil query informasi detail kabupaten/kota provinsi Jawa Tengah dapat diketahui jika salah satu daerah kabupaten/kota pada peta dipilih. Daerah kabupaten/kota yang dipilih akan menampilkan nama daerah beserta nilai dari masing-masing indikator yang dipakai. Gambar 6 menampilkan hasil query daerah kota Salatiga dimana dapat dilihat profil kemiskinan berdasarkan indikator yang dipakai dengan nilai persentase penduduk miskin: 8.28, indeks kedalaman kemiskinan: 0.94, dan indeks keparahan kemiskinan: 0.16. Kode Program 1 Pilih Daerah Kabupaten/Kota pada Peta 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14.
function pilih_lokasi(){ $oExt = $GLOBALS["prov_jateng"]; $fMinX = $oExt->extent->minx; $fMinY = $oExt->extent->miny;; $fMaxX = $oExt->extent->maxx;; $fMaxY = $oExt->extent->maxy;; $GLOBALS["prov_jateng"]->setextent( $fMinX, $fMinY,$fMaxX, $fMaxY ); $fW = $GLOBALS["prov_jateng"]->width; $fH = $GLOBALS["prov_jateng"]->height; $nX = intval($GLOBALS["posisiklik"]->x) ; $nY = intval($GLOBALS["posisiklik"]->y) ; $nGeoX = Pix2Geo($nX, 0, $fW, $fMinX, $fMaxX, 0); $nGeoY = Pix2Geo($nY, 0, $fH, $fMinY, $fMaxY, 1); $GLOBALS["lokasiklik"]->setXY($nGeoX, $nGeoY);}
Kode Program 1 diatas ini merupakan fungsi untuk proses pemilihan daerah pada peta. Kode Program 2 Tampilkan Data 1. 2. 3. 4.
function get_data(){ pilih_lokasi(); $olayer=$GLOBALS["prov_jateng"]->GetLayerByName("NAMA_KAB"); if(@$olayer->QueryByPoint($GLOBALS["lokasiklik"],
10
5. 6. 7. 8. 9.
MS_SINGLE,-1)==MS_SUCCESS){$olayer->Open(); $hasil=$olayer->GetResult(0); $oshape=$olayer->GetShape($hasil->tileindex,$hasil->shapeindex); $hasil= $oshape->values["NAMA_KAB"]; $GLOBALS["res"]= $hasil; $olayer->Close;}else{$GLOBALS["res"]= "";}}
Sedangkan Kode Program 2 memiliki fungsi pemanggilan query nama kabupaten dengan values NAMA_KAB pada file .dbf. Kode Program 3 Menampilkan Peta dan akses database query lokasi 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17.
include ("skrip_jateng.php");//import halaman include ("../coba_jateng/database.php"); $navigasi=$HTTP_POST_VARS["navigasi"]; $GLOBALS["psklikx"]=$HTTP_POST_VARS["mapa_x"]; $GLOBALS["pskliky"]=$HTTP_POST_VARS["mapa_y"]; $GLOBALS["posisiklik"]->setXY($psklikx,$pskliky); peta();//pemanggilan function peta dari halaman impor takepicture();//pemanggilan fungsi takepicture $db=new dbPresentase; $db->connect();//terhubung database/mysql $pddk=$db->getPddk_miskin($GLOBALS["res"]); $kdlm=$db->getIndeks_Kdlman($GLOBALS["res"]); $kprhn=$db->getIndeks_Kprhan($GLOBALS["res"]); echo "Wilayah ".$GLOBALS["res"]."
"; echo "Presentase Penduduk Miskin ".$pddk."
"; echo "Indeks Kedalaman Kemiskinan ".$kdlm[0]."
"; echo "Indeks Keparahan Kemiskinan ".$kprhn."
";
Kode Program 3 berisi impor fungsi dan akses database sehingga setelah daerah kabupaten/kota dipilih, data daerah miskin beserta nilai di setiap indikator dapat ditampilkan.
Gambar 7 Model Pemetaan Persentase Penduduk Miskin
11
Gambar 7 menggambarkan pemetaan kemiskinan berdasarkan persentase penduduk miskin. Keterangan warna adalah semakin gelap warna, semakin tinggi nilai kemiskinan suatu daerah berdasarkan indikator. Terdapat 7 daerah dengan warna paling gelap yaitu Purbalingga: 24.58, Rembang: 23.4 Wonosobo: 23.15, Brebes: 23.01, Kebumen: 22.7, Banyumas: 20.2, Pemalang: 19.96. Nilai persentase penduduk miskin di setiap daerah akan muncul pada tabel. Kode Program 4 Kategori Kemiskinan Persentase Penduduk Miskin 1.
2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14.
$kab=array("KOTA MAGELANG","KOTA SALATIGA","KOTA TEGAL", "KOTA PEKALONGAN","KOTA SURAKARTA","KUDUS", "KOTA SEMARANG","SUKOHARJO","TEMANGGUNG", "SEMARANG","BATANG","JEPARA","KARANGANYAR","PURWOREJO", "BOYOLALI","KENDAL","BLORA","PEKALONGAN","REMBANG","WONOGIRI", "SRAGEN","BANJARNEGARA","MAGELANG","PATI","WONOSOBO","TEGAL", "KLATEN","DEMAK","PURBALINGGA","GROBOGAN","PEMALANG","KEBUMEN", "CILACAP","BANYUMAS","BREBES"); $pddk=array(); $db=new dbPresentase; for($a=0;$a
connect(); $pddk=$db->getPddk_miskin($kab[$a]); if(($pddk < 9.98)){ $r=255;$g=204;$b=204;} else if(($pddk < 14.85)){ $r=255;$g=153;$b=153;} else if(($pddk < 19.72)){ $r=255;$g=102;$b=102;} else if(($pddk <= 24.59)){ $r=255;$g=51;$b=51;}
Kode program 4 merupakan fungsi inisialisasi tingkat kemiskinan berdasarkan nilai indikator tiap daerah menggunakan warna.
Gambar 8 Model Pemetaan Indeks Kedalaman Kemiskinan
12
Gambar 8 menggambarkan pemetaan kemiskinan berdasarkan Indeks Kedalaman Kemiskinan. Terdapat 8 daerah dengan indeks kedalaman kemiskinan paling tinggi yaitu Brebes: 4.27, Purbalingga: 4, Wonosobo: 3.96, Demak: 3.75, Kebumen: 3.68, Banyumas: 3.56, Rembang: 3.5, Kendal: 3.48.
Gambar 9 Model Pemetaan Indeks Keparahani Kemiskinan
Gambar 9 menggambarkan pemetaan kemiskinan berdasarkan Indeks Keparahan Kemiskinan. Terdapat 5 daerah dengan indeks keparahan kemiskinan paling tinggi yaitu Kendal: 1.3, Brebes: 1.17, Demak: 1.14, Wonosobo: 1.09, Purbalingga: 1.08. Berikut ini adalah hasil pengujian dengan metode black-box. No 01
02
03
Skenario Menampilkan gambar peta menggunakan Mapserver
Hasil Peta Prov.Jateng dapat ditampilkan dalam web-based
Status Berhasil
Memilih lokasi kabupaten/kota dengan test case – klik daerah Menampilkan hasil query daerah yang dipilih
User dapat melihat informasi sesuai daerah yang dipilih Hasil query berupa nama kabupaten/kota, data miskin berdasarkan indikator yang
Berhasil
13
Berhasil
dipakai. 04
Menampilkan model pemetaan berdasarkan indikator Persentase Penduduk Miskin
Model pemetaan dengan Indikator Persentase Penduduk Miskin. Warna semakin gelap, semakin tinggi status kemiskinan Model pemetaan dengan Indeks Kedalaman Kemiskinan Miskin. Warna semakin gelap, semakin tinggi status kemiskinan
Berhasil
05
Menampilkan model pemetaan berdasarkan indikator Indeks Kedalaman Kemiskinan
06
Menampilkan model pemetaan berdasarkan indikator Indeks Keparahan Kemiskinan
Model pemetaan dengan Indeks Kedalaman Kemiskinan Miskin. Warna semakin gelap, semakin tinggi status kemiskinan
Berhasil
07
Fungsi Login
Berhasil
08
Tambah data
Masuk menu data jika username dan password cocok dengan database File input berformat .csv dapat ditambahkan ke database
Berhasil
Berhasil
Bentuk dari pengujian yang dilakukan adalah pengujian kebenaran fungsional unit program, pengujian yang dilakukan menggunakan teknik pengujian Black-Box. Pengujian black-box dilakukan untuk menemukan kesalahan yang terjadi seperti fungsi yang tidak benar/hilang, kesalahan interface, kesalahan struktur data, kesalahan kinerja, atau kesalahan inisialiasi dan terminasi. Hasil pengujian black-box dapat dijelaskan hubungan proses yang terjadi pada proses pengolahan data sistem mencakup proses pengelompokan data, proses kategorisasi, dan pemanggilan data. Pengujian aplikasi menghasilkan nilai masing-masing daerah kabupaten/kota berdasarkan ketiga indikator tervisualisasi, dapat diamati bahwa terdapat 3 (tiga) kabupaten yang memiliki nilai paling tinggi pada setiap indikator yang digunakan.
14
Pada model pemetaan ini, kabupaten Purbalingga, Wonosobo, dan Brebes memiliki warna paling gelap pada setiap indikator. Warna paling gelap merepresentasikan skor tinggi, yang dapat diartikan tingkat kemiskinan di daerahdaerah tersebut adalah yang paling tinggi dibanding 32 kabupaten/kota provinsi Jawa Tengah. 5. Simpulan Model pemetaan daerah miskin menggunakan sistem informasi geografis dapat menjadi bahan pertimbangan bagi pemerintah khususnya BAPPEDA, pemangku kepentingan lain, dan badan sosial untuk menentukan sasaran bantuan bagi penduduk miskin sebagai pertolongan pertama dan langkah jangka pendek dalam pengentasan kemiskinan. Hasil pengolahan data menggunakan range pada statistik dan distribusi frekuensi guna pengkategorian tingkat kemiskinan mengacu besaran nilai dari tiap indikator, yaitu Persentase Penduduk Miskin, Indeks Kedalaman, dan Keparahan Kemiskinan. Pengolahan data dan visualisasi data sekunder menjadi model pemetaan ke dalam SIG ini masih sangat sederhana dan masih dapat dilakukan banyak pengembangan lain yaitu seperti menambah indikator kemiskinan sehingga dapat meningkatkan akurasi dalam penentuan daerah miskin. Metode dapat menggunakan Sistem Pengambil Keputusan (SPK) sehingga mempercepat pemrosesan data menjadi informasi yang lebih terukur. Dapat juga dikembangkan menjadi model pemetaan prediksi atau tingkat kerentanan daerah terhadap kemiskinan. 6. Daftar Pustaka [1] Suryahadi, Asep dan Sumarto. 2001. ”Memahami Kemiskinan Kronis dan Kemiskinan Sementara di Indonesia.” Smeru Newsletter, No.03, Mei - Juni. 2001 [2] Badan Pusat Statistik. Berita Resmi Statistik (2007). Tingkat Kemiskinan di Indonesia Tahun 2007. No. 38/07/Th.X, 2 Juli 2007.. [3] Peraturan Pemerintah Republik Indonesia PP-RI No. 15, 2010, Percepatan Penanggulangan Kemiskinan, www.bappenas.go.id, diakses tanggal 20 November 2014. [4] Akinyemi, F. 2010, A Conceptual Poverty Mapping Data Model.Butare. Rwanda: National University of Rwanda. [5] Triyono, Joko dan Kunjung Wahyudi. 2008, Aplikasi Sistem Informasi Geografi Tingkat Pencemaran Industri Di Kabupaten Gresik. http://jurtek.akprind.ac.id/sites/default/files/hal-1-8-joko-gabung-ok.pdf. Diakses 2 Desember 2014. [6] Narulita, I. 2008, Aplikasi Sistem Informasi Geografi untuk Menentukan Daerah Prioritas Rehabilitasi di Cekungan Bandung. Jurnal Riset Geologi dan Pertambangan Jilid 18 No.1 (2008) 23-35. [7] Perpres Nomor 7 Tahun 2005 tentang RPJMN, Pokok-Pokok Materi Teori Pengambilan Keputusan, Jakarta: Ghalia Indonesia
15
[8] Badan Pusat Statistik (BPS), 2008, http://www.bps.go.id/Subjek/view/id/23#subjekViewTab1|accordion-daftarsubjek1. Diakses 12 September 2014 [9] Sudijono, Anas. 2006. Pengantar Statistik Pendidikan. Jakarta : PT Raja Grafindo Persada. [10] Eddy Prahasta, Ir., MT., Sistem Informasi Geografis : Konsepkonsep Dasar, Edisi Revisi, Informatika, Bandung, Oktober, 2002.
16