Perancangan Sistem Informasi Rawan Pangan Kabupaten Klaten dengan Fungsi Gi* Statistik
Artikel Ilmiah
Diajukan kepada Fakultas Teknologi Informasi untuk memperoleh Gelar Sarjana Komputer
Peneliti: Mei Ambarwati (672015734) Ramos Somya, S.Kom., M.Cs.
Program Studi Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Satya Wacana Salatiga Juli 2016
ii
iii
v
1.
Pendahuluan Kebutuhan pangan merupakan kebutuhan dasar manusia yang paling hakiki yang harus dipenuhi oleh negara maupun masyarakatnya. Pangan juga menjadi hak asasi manuasia setiap rakyat sebagaimana telah diatur dalam Undang-Undang Nomor 7 Tahun 1996 tentang Pangan. Ketersediaan pangan yang cukup secara nasional tidak menjamin adanya ketahanan pangan tingkat wilayah (regional), pedesaan, serta rumah tangga. Ketahanan pangan menjadi hal penting yang harus diperhatikan pada suatu wilayah (negara/propinsi/kabupaten). Ketahanan pangan merupakan salah satu hal yang menunjang terbentuknya kualitas sumber daya manuasia yang baik karena pangan merupakan kebutuhan dasar yang paling esensial bagi manusia untuk mempertahankan hidup dan kehidupan. Suatu daerah di mana kebutuhan pangan masyarakatnya tersedia dalam jumlah yang cukup, mempunyai keragaman serta mutu gizi yang seimbang maka daerah tersebut tergolong mempunyai ketahanan pangan yang tinggi. Apabila suatu daerah mempunyai kondisi pangan yang sebaliknya maka daerah tersebut tergolong daerah rawan pangan [1]. Kerawanan pangan yang bersifat kronis membutuhkan penanganan jangka panjang, sedangkan kerawanan yang bersifat transien memerlukan penangan jangka pendek. Ketahanan pangan dan kerawanan pangan suatu daerah ditentukan dengan beberapa indikator yaitu rasio konsumsi normatif, presentase penduduk pra sejahtera, presentase rumah tangga tanpa akses listrik, presentase perempuan buta huruf, angka harapan hidup, Underweight pada balita, serta presentase rumah tangga tanpa akses ke air bersih. Pada tahun 2005, Badan Ketahanan Pangan (BKP) mengeluarkan Peta Kerawanan Pangan (Food Insecurity Atlas/FIA). Pada tahun 2009, Dewan Ketahanan Pangan (DKP) dan Badan Ketahanan Pangan Provinsi bekerja sama dengan United Nation World Food Programme (WFP) meluncurkan Peta Ketahanan dan Kerawanan Pangan (Food Security and Vulnerability Atlas/FSVA) yang mencakup 346 kabupaten dari 32 provinsi. Walaupun FIA dan FSVA berhasil membuat perbedaan tingkat ketahanan dan kerawanan pangan di Indonesia, namun peta tersebut belum dapat memberikan gambaran pengaruh faktor-faktor penyebab disuatu daerah terhadap daerah lainnya. Berdasarkan latar belakang yang telah dijelaskan, pada penelitian ini akan dilakukan bagaimana perancangan sistem informasi rawan pangan Kabupaten Klaten dengan fungsi Gi*statistik yang berbasis web untuk mengatasi permasalahan yang ada. Sistem ini menampilkan informasi tentang data spasial dan wilayah geografis Kabupaten Klaten. Data pangan yang digunakan diambil dari Peta Ketahanan dan Kerentanan Pangan Jawa Tengah Tahun 2010. Sistem ini akan dikembangkan menggunakan bahasa pemrograman PHP, MySQL sebagai database, dan Mapserver sedangkan untuk pengolahan data spasialnya menggunakan fungsi Gi*statistik. Sistem ini dirancang untuk membantu Dinas Ketahanan Pangan yang ada di Kabupaten Klaten.
1
2.
Kajian Pustaka
Penelitian terdahulu yang pertama, penelitian tersebut membahas tentang bagaimana penerapan konsep neighbours analysis menggunakan metode Moran’s I untuk mengetahui korelasi indikator kerawanan pangan antar kecamatan di Minahasa Tenggara. Hasil dari penelitian tersebut menunjukan bahwa indikator kerawanan pangan tersebut mempunyai korelasi yang tinggi. Selain itu penelitian ini juga memberikan informasi kecamatan yang memiliki status rawan pangan. Indikator yang paling berpegaruh yaitu prosentase Rasio Konsumsi Normatif dan Prosentase Angka Harapan Hidup [2]. Penelitian terdahulu yang kedua, penelitian tersebut dilakukan pembuatan sistem berupa GUI (Graphic User Interface) yang menampilkan peta digital yang mengandung informasi data spasial pengaruh Produk Domestik Regional Bruto (PDRB), Indeks Pembangunan Manusia, Jumlah Penduduk, dan Pengangguran terhadap kemiskinan pada perisode 2005-2009 dengan menggunakan metode Gi* statistik. Pada penelitian tersebut perhitungan data menggunakan bantuan R-studio untuk mendapatkan pola spasial. Hasil dari penelitian tersebut menunjukan bahwa variable PDRB, jumlah penduduk serta tingkat pengangguran dapat menentukan daerah rawan miskin karena memiliki pola spasial yang sama dengan pola spasial data kemisikinan [3]. Penelitian ini metode Gi*statistik juga digunakan untuk menghasilkan sebuah pola spasial dari indikator-indikator rawan pangan. Namun output yang dihasilkan yakni berupa peta yang berbasis web yang nantinya dapat di akses oleh semua pihak. Hasil perhitungan yang diperoleh dari metode Gi* statistik akan dibandingkan dengan hasil perhitungan Badan Ketahan pangan (BKP). Rawan pangan adalah kondisi suatu daerah, masyarakat, atau rumah tangga yang tingkat ketersediaan dan keamanan pangannya tidak cukup untuk memenuhi standar kebutuhan fisiologis bagi pertumbuhan dan kesehatan sebagian besar masyarakatnya [4]. Indikator-indikator yang berpengaruh terhadap kerawanan pangan [5]. Ketersediaan Pangan : 1) Rasio konsumsi normatif per kapita terhadap ketersediaan bersih “padi + jagung + ubi kayu + ubi jalar”, Akses terhadap Pangan dan Penghidupan : 2) Persentase penduduk hidup di bawah garis kemiskinan, 3) Persentase desa yang tidak memiliki akses penghubung yang memadai, 4) Persentase rumah tangga tanpa akses listrik, Pemanfaatan Pangan : 5) Angka harapan hidup pada saat lahir, 6) Berat badan balita dibawah standar, 7) Perempuan Buta Huruf, 8) Rumah tangga tanpa akses ke air bersih, 9) Persentase rumah tangga yang tinggal lebih dari 5 km dari fasilitas kesehatan. Data spasial adalah sebuah data yang berorientasi geografis dan memiliki sistem koordinat tertentu sebagai dasar referensinya. Data spasial mempunyai dua bagian penting yang membuat berbeda dari data lain, yaitu informasi lokasi (spasial) dan informasi deskriptif (attribute). Informasi lokasi (spasial), berkaitan dengan suatu koordinat baik koordinat geografi (lintang dan bujur) dan koordinat XYZ, serta informasi datum dan proyeksi. Sedangkan, informasi deskriptif (atribut) atau informasi non spasial, suatu lokasi yang memiliki beberapa keterangan yang berkaitan dengannya, misalkan : jenis vegetasi, populasi, luasan, kode pos dan sebagainya [6].
2
Autokorelasi spasial adalah korelasi antara nilai-nilai sebuah variable dan nilai-nilai lainnya pada variable yang sama. Jika terdapat pola sistematik didalam penyebaran sebuah variable, maka terdapat autokorelasi spasial. Adanya autokorelasi spasial mengindikasi bahwa nilai atribut pada daerah tertentu terkait oleh nilai atribut tersebut pada daerah lain yang letaknya berdekatan atau bertetangga [7]. Fungsi Gi*Statistik adalah metode yang digunakan untuk mendeteksi terbentuknya pengelompokan secara lokal (hotspot) yang dapat diinterpretasikan sebagai asosiasi antar nilai wilayah yang diobservasi dengan sekelilingnya yang dikembangkan oleh Getis dan Ord . Hotspot (titik panas) merupakan suatu kondisi yang mengindikasi suatu wilayah membentuk clustering atau mengelompok di sebuah distribusi spasial. Mendeteksi hotspot secara sederhana yaitu dengan mengamati suatu lokasi dengan fenomena melimpah/besar. Mendeteksi hotspot adalah langkah awal untuk mengetahui proses untuk membangkitkan kejadian dari pola spasial [8]. Hotspot diberikan pada lokasi dengan banyak atau beragam kasus dalam daerah observasi atau wilayah yang paling beragam. Penentuan indikator suatu wilayah dikatakan ekstrim tinggi hingga rendah bergantung dari nilai z(Gi), di mana z(Gi) > +2 artinya ada hubungan lokasi nilai positif signifikan, sedangkan apabila z(Gi) < -2 mengindikasi bahwa nilai keterkaitan antar wilayah kecil, rendah [9]. Pada penelitian ini yang dijadikan titik awal yakni kecamatan Klaten Utara(xi), karena daerah ini memiliki keragaman kasus yang tinggi. Tetangga pada Gi*statistik adalah daerah-daerah yang dikelompokkan berdasarkan titik awal sebagai titik pusatnya. Ada dua jenis tetangga yaitu tetangga per region dari titik awal dan tetangga dari luar daerah perhitungan atau tetangga berdasarkan letak geografis (xj). Tetangga yang digunakan pada perhitungan ini yakni jumlah kecamatan yang ada di kabupaten Klaten. Sedangkan tetangga (xj) yang berada disekitar wilayah studi dihtiung berdasarkan letak geografis yang berdekatan dengan wilayah studi yang telah ditentukan. Kabupaten Klaten dikelilingi oleh Kabupaten Boyolali (19 kecamatan), Kabupaten Sukoharjo (12 kecamatan), Kabupaten Gunung Kidul (18 kecamatan), Kabupaten Sleman (17 kecamatan) sehingga jumlah kecamatan yang mengelilingi Kabupaten Klaten sebanyak 66 wilayah dan menjadi 92 wilayah dihitung dengan kecamatan yang ada di Kabupaten Klaten sendiri. Keseluruhan kecamatan yang berjumlah 92 menjadi penentu n (jumlah wilayah studi keseluruhan berdasarkan letak geografis). Tetangga yang berdekatan dengan kecamatan Klaten Utara dibagi menjadi enam bagian terdekat yang dapat dilihat pada Tabel 1. Tabel 1 Tabel Penentuan Tetangga di Kabupaten Klaten N o
Tetangga terdekat ke-
Meliputi Kecamatan
Jumlah Tetangga
Jumlah Tetangga dari tetangga
1
I
7
7
2
II
4
11
3
III
Klaten Utara, Klaten Tengah, Klaten Selatan, Kalikotes, Trucuk, Ceper, Ngawen Kebonarum, Karangnongko, Jatinom, Karanganom Jogonalan, Wedi, Bayat
3
14
4
IV
Tulung, Polanharjo, Delanggu, Pedan
4
18
5
V
Wonosari, Juwiring, Karangdowo, Cawas
4
22
6
VI
Kemalang, Manisrenggo, Parambanan, Gantiwarno
4
26
3
Jumlah tetangga pertama didapat dari jumlah tetangga dari Klaten Utara sebagai titik awal yang memiliki jumlah tetangga termasuk Klaten Utara tujuh kecamatan. Jumlah tetangga kedua adalah empat kecamatan dengan jumlah tetangga dari tetangga adalah sebelas kecamatan (jumlah tetangga pertama ditambah dengan jumlah tetangga kedua). Jumlah tetangga dari tetangga didapat dengan menjumlahkan jumlah tetangga dengan tetangga selanjutnya. Adapun Rumus Fungsi Gi*Statistik dari Getis dan Ord,
(1)
Variabel z(Gi): nilai Local Indicator Spatial Autocorrelation – Getis and Ord, ∑wijxj: Jumlah kasus pada tetangga, x: Rata-rata seluruh kasus, n: Jumlah area yang berdekatan dengan hotspot, wi: Jumlah tetangga antara wilayah studi dengan tetangga terdekatnya, s²: variance/perbedaan antar i (sites). 3.
Metode dan Perancangan Sistem
Pada penelitian ini,akan dilakukan beberapa tahapan penelitian yang secara garis besar terbagi ke dalam lima tahapan, yaitu : 1) Analisis kebutahan dan pengumpulan data yang diperlukan. 2) Perancangan Sistem. 3) Perancangan aplikasi/program. 4) Implementasi dan pengujian sistem, serta analisi hasil pengujian. 5) Penulisan laporan hasil penelitian [10]. Tahapan-tahapan yang dilakukan dalam penelitian ini dapat dilihat pada Gambar 1.
Gambar 1 Tahapan Penelitian
Gambar 1 menjelaskan bahwa tahapan-tahapan penelitian yang dilakukan adalah sebagai berikut : tahap pertama : analisis dan pengumpulan data, di mana pihak developer mencaritahu kebutuhan client dalam pembuatan aplikasi. Tahap ini dilakukan dengan mencari informasi data yang didapat dari Badan Ketahanan Pangan Kabupaten Klaten. Tahap kedua, ketiga, dan keempat dilakukan
4
menggunakan metode prototyping. Metode penelitian yang digunakan pada perancangan sistem ini adalah prototyping. Model ptototyping merupakan suatu teknik untuk mengumpulkan informasi tertentu mengenai kebutuhan-kebutuhan informasi pengguna secara tepat. Pengguna kebutuhan seringkali menjelaskan sekumpulan sasaran umum perangkat lunak, namun tidak mengidentifikasikan kebutuhan input, proses atau output[11].
Gambar 2 Tahapan-tahapan Metode Prototyping [11]
Tahapan-tahapan metode prototyping akan terus berlangsung dari waktu ke waktu hingga semua kebutuhan terpenuhi. Tahap pengumpulan kebutuhan merupakan proses menganalisa kebutuhan yang terdapat pada permasalahan yang dihadapi, pengumpulan data, kemudian membangun aplikasi dengan landasan teori yang ada. Analisis kebutuhan sistem ini dilakukan dengan pencarian data-data serta informasi yang dibutuhkan sistem. Terdapat empat analisis kebutuhan dalam perancangan sistem yaitu analisis kebutuhan sistem, analisis kebutuhan data, analisis kebutuhan perangkat keras dan analisis kebutuhan perangkat lunak. Pada tahap ini data yang dibutuhkan untuk membangun sistem dalam penelitian ini adalah data Rasio konsumsi normatif, Persentase penduduk hidup di bawah garis kemiskinan, Persentase desa yang tidak memiliki akses penghubung yang memadai, Persentase rumah tangga tanpa akses listrik, Angka harapan hidup pada saat lahir, Berat badan balita dibawah standar, Perempuan Buta Huruf, Rumah tangga tanpa akses ke air bersih, Persentase rumah tangga yang tinggal lebih dari 5 km dari fasilitas kesehatan serta peta daerah Kabupaten Klaten. Analisis kebutuhan perangkat keras serta kebutuhan perangkat lunak yang digunakan dalam pemodelan sistem ini yaitu : perangkat keras yang akan digunakan adalah Prosesor Intel Core i3, 2.40 GHz, RAM 2 GB dan Hardisk 320 GB. Sedangkan perangkat lunak yang digunakan adalah sistem operasi Windows 7 ultimate, Mapserver, Web browser (dalam penelitian ini digunakan Google Chrome), Adobe Dreamweaver CS5, ArcView untuk digitasi peta, dan Microsoft Office Visio untuk membuat DFD. Tahap perancangan sistem dilakukan dengan pembuatan desain sistem berdasarkan kebutuhan yang telah dikumpulkan. Pembuatan desain dilakukan dengan tujuan agar ptototype yang nantinya dibuat dapat memenuhi kebutuhan yang ada. Tahap pengujian sistem dilakukan untuk mengetahui apakah sistem yang dibuat sudah sesuai dengan kebutuhan, dan menemukan kesalahan-kesalahan yang terjadi
5
pada sistem. Apabila sistem belum memenuhi permintaan maka proses akan berulang ke tahap pertama hingga tahap uji coba, begitu seterusnya hingga permasalahan terpecahkan. Setelah prototype dibuat, pengujian dan evaluasi dilakukan untuk mengetahui apa saja yang perlu ditambahkan atau dikurangu pada sistem dari aplikasi ini. Evaluasi pertama, fungsi untuk menampilkan data yang diinterpretasikan ke peta sudah bisa, namun pada saat data dihitung menggunakan fungsi Gi*Statistik ada beberapa daerah yang tidak dapat dipetakan dan tidak sesuai dengan hasil perhitungan manualnya. Sehingga sistem harus ada yang dirubah dan diperbaiki untuk penanganan-penanganan error dan sedikit perubahan antarmuka. Evaluasi kedua, semua input yang tidak sesuai sudah diberi penanganan, sehingga sistem dari aplikasi ini berjalan dengan baik. Hasil dari pengujian prototype kedua ini adalah mengenai desain dan grafs tampila antarmuka dan fasilitas yang ada pada aplikasi ini. Perancangan sistem dalam penelitian ini dibuat dalam bentuk diagram aliran data atau data flow diagram (DFD). Data Flow Diagram (DFD) adalah suatu model logika data atau proses yang dibuat untuk menggambarkan darimana asal data dan kemana tujuan data yang keluar dari sistem. Data disimpan di mana, proses apa yang menghasilkan data tersebut dan interaksi anatara data yang tersimpan dan proses yang dikenakan pada data tersebut [12]. Adapun deskripsi Rumusan Masalah dalam sistem ini adalah : 1) Pengelolaan nilai masukan untuk menentukan daerah rawan pangan. 2) Pemrosesan nilai masukan dengan fungsi Gi* statistik. 3) Menampilkan peta hasil perhitungan Gi* statistik. 4) Menganalisis peta daerah rawan pangan sesuai dengan indikator yang ditunjukan dengan warna pada peta. Login
Menampilkan Peta Menampilkan Data
User
Analisis Peta
Sistem Pemodelan Klasifikasi Rawan Pangan
Data Rawan Pangan
Admin Menampilkan Peta
Gambar 3 Context Diagram Sistem Pemodelan Klasifikasi Rawan Pangan
Gambar 3 menunjukkan proses sistem secara garis besar, di mana user dapat melihat peta yang telah diproses menggunakan fungsi Gi*statistik maupun peta data aslinya. Selain itu user dapat menganalisis peta tersebut dan mengambil keputusan yang tepat. Admin dapat memasukkan nilai ataupun data ke dalam model, kemudian nilai tersebut diolah menggunakan fungsi Gi*statistik yang hasilnya ditampilkan dalam bentuk peta.
6
Gambar 4 DFD Level 1 Pemodelan Klasifikasi
DFD Level 1 menunjukan proses kerja pemodelan sistem klasifikasi daerah rawan pangan. Pada gambar 4, admin diharuskan melakukan login terlebih dahulu untuk mengakses data. Setelah admin berhasil melakukan login, admin meng-update data dalam basis data dan data tersebut dihitung oleh sistem. Kemudian hasil masukkan yang sudah dihitung ditampilkan dalam bentuk peta. User menganalisis peta hasil perhitungan fungsi Gi*statistik dengan membandingkan peta. DFD Level 2 menjelaskan proses perhitungan Gi*statistik, di mana data yang diupdate oleh admin kemudian dihitung berdasarkan tetangga terdekat dari kecamatan yang terpilih sebagai hotspot. Update Data 3.2 Pengelolaan Data
Admin Tampilkan Peta
Pilih Tbl Data
Lakukan Hitung
Tetangga terdekat I Dihitung Tetangga terdekat II
dihitung
3.1 Hitung Dengan Metode Tetangga terdekat III
Update Hasil Hitungan
dihitung Dihitung dihitung dihitung Tetangga terdekat IV
Tetangga terdekat VI Tetangga Terdekat V
Gambar 5 DFD Level 2 Pemodelan Klasifikasi
4.
Hasil Implementasi dan Pembahasan
Hasil dari pengembangan pemodelan pola spasial daerah rawan pangan yakni berupa peta spasial. Tampilan awal dari pemodelan ini berupa halaman web yang dapat diakses oleh user dan admin seperti Gambar 6.
7
Gambar 6 Tampilan Awal Web
Untuk mengakses halaman admin, admin diharuskan login. Jika usename atau password salah maka admin kembali ke halaman login. Admin melakukan update data dengan cara memasukan file berekstensi .xls yang kemudian di ubah kedalam bentuk database. Setelah data disimpan di dalam database, data yang terupdate diolah menggunakan fungsi Gi*statistik. Hasil pengolahan data ditampilkan dalam bentuk peta. Kode Program 1 Perintah untuk Menghitung Data dengan Gi*statistik 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26. 27. 28. 29. 30. 31. 32. 33. 34. 35. 36. 37.
$query="select ras_kon from rkn"; $result = mysql_query($query) or die(mysql_error()); $ras_kon = array(); $i=0; while ($data= mysql_fetch_array($result)) { $ras_kon[$i]=$data["ras_kon"]; $i++;} $query="select avg(ras_kon) as avg from rkn"; $result = mysql_query($query) or die(mysql_error()); while ($data= mysql_fetch_array($result)) { $avg=$data["avg"];} for($i=0;$i
8
Kode Program 1 menunjukan fungsi untuk menghitung data dengan menggunakan Gi*statistik. Data yang diinput dihitung berdasarkan kategori tetangga terdekat. Sebelum diterapkan ke kode program, perhitungan dilakukan secara manual menggunakan Microsoft Office Excel. Kode Program 2 Perintah untuk Memberikan Warna Layer Peta 1. foreach ($_SESSION['data'] as $kec => $kla) { 2. $objClassSur = ms_newClassObj($objLayerSur); 3. $objClassSur->Set("name", $kec); 4. $objClassSur->SetExpression($kec); 5. $objStyleSur = ms_newStyleObj($objClassSur); 6. if ($data != null) {switch ($data[$kec]){ 7. case 0: 8. $objStyleSur->color->setRGB(163,73,164);break; 9. case 1: 10. $objStyleSur->color->setRGB(153,217,234);break; 11. case 2: 12. $objStyleSur->color->setRGB(255,255,32);break; 13. case 3: 14. $objStyleSur->color->setRGB(217,217,0);break; 15. case 4: 16. $objStyleSur->color->setRGB(255,174,201);break; 17. case 5: 18. $objStyleSur->color->setRGB(237,28,36);break;
Kode program 2 menunjukan fungsi untuk memeberikan warna layer pada peta Kabupaten Klaten. Pola peta divisualisasikan dengan warna yang berbeda beda sesuai dengan range nilai. Suatu daerah dikatakan bernilai tinggi apabila daerah tersebut dan tetangga memiliki nilai z(Gi) > +2, dan apabila suatu daerah memiliki nilai z(Gi) < -2 daerah tersebut dikatan daerah bernilai rendah. Penentuan warna dari nilai z(Gi) dapat dilihat pada Tabel 2. Tabel 2 Keterangan Warna Legenda pada Pola z(Gi) Range Nilai
Warna
≤ -2
Ungu
-1 < -2
Biru Muda
-0 < -1
Kuning
0<1
Kuning Tua
1<2
Merah Muda
≥ +2
Merah
Kode Program 3 Perintah untuk Menentukan Warna berdasarkan Nilai z(Gi) 1. while ($row1 = mysql_fetch_array($result)) { 2. $namaKec = $row1['kecamatan']; 3. if ($row1['Z_ras'] <= -2) {$data[$namaKec] = 0; 4. } else if ($row1['Z_ras'] <= -1 && $row1[Z_ras > -2]) {$data[$namaKec] = 1; 5. } else if ($row1['Z_ras'] < -0 && $row1[Z_ras > -1]) {$data[$namaKec] = 2; 6. } else if ($row1['Z_ras'] <= 1 && $row1[Z_ras >= 0]) {$data[$namaKec] = 3; 7. } else if ($row1['Z_ras'] <= 2 && $row1[Z_ras > 1]) {$data[$namaKec] = 4; 8. } else if ($row1['Z_ras'] > 2) {$data[$namaKec] = 5; 9. }$i++;
Kode Program 3 menjelaskan tentang fungsi penentuan warna untuk daerah Kabupaten Klaten berdasarkan nilai range z(Gi) yang diperoleh. Sedangkan untuk membuat fungsi warna itu sendiri dijelaskan pada Kode Program 2. Daerah pemodelan klasifikasi rawan pangan dibagi menjadi lima kelompok, yakni :
9
Gambar 7 Petunjuk Klasifikasi Wilayah Rawan Pangan
Gambar 7 menunjukan suatu wilayah dikatakan level 1 apabila, wilayah studi dan sekitarnya memiliki nilai z(Gi) < -2. Level 2 apabila suatu wilayah dan tetangga sekitarnya mempunyai z(Gi) > +2 dan z(Gi) < -2, kemudian dikatakan level 3 jika suatu wilayah mempunyai z(Gi) = 1 sedangkan wilayah sekitar memiliki z(Gi) < -2. Suatu wilayah dikatakan level 4 jika suatu wilayah memiliki nilai z(Gi) = 0 sedangkan tetangga sekitar memiliki rata-rata nilai z(Gi) > +2. Apabila suatu wilayah dikatakan level 5 jika wilayah studi dan daerah sekitarnya memiliki nilai z(Gi) > +2.
Gambar 8 Pola RKN, Penduduk Miskin, dan Perempuan Buta huruf dengan Gi*
10
Gambar 8 menunjukan bahwa daerah daerah Klaten Utara, Klaten Tengah, Klaten Selatan, Ngawen, Ceper, Trucuk dan Kalikotes termasuk pada kategori level resiko tinggi. Hasil keluaran perhitungan Gi* statistik menunjukan warna merah muda z(Gi) bernilai antara 1 - 2. Sehingga dapat diartikan, bahwa daerah-daerah tersebut kerawanan pangannya dipengaruhi oleh rasio konsumsi normatif, kemiskinan dan buta huruf.
Gambar 9 Pola Rumah Tangga tanpa Akses Air dan Berat Badan Balita dibawah standar dengan Gi*
Pola yang terbentuk pada Gambar 9 menunjukan bahwa tingkat moderat di daerah Klaten Utara dan tetangga sekitarnya yang memiliki nilai lebih tinggi daripada nilai region lain. Menyebabkan indikator-indikator tersebut juga berpengaruh di daerah sekitar atau tetangga Klaten Utara.
Gambar 10 Pola Angka Harapan Hidup dengan Gi*
Gambar 10 menunjukkan variable Angka Harapan Hidup di mana daerah Klaten Utara, Klaten Tengah, Klaten Selatan, Trucuk, Ngawen, Ceper, serta Kalikotes setelah dihitung dengan fungsi Gi*statistik mempunya nilai z(Gi) < -2 sehingga dapat dikatakan daerah-daerah tersebut jika dilihat dari variable Angka Harapan Hidup tidak berpengaruh terhadap kerawanan pangan. Karena daerahdaerah tersebut termasuk pada tingkat level resiko rendah. Standar eror adalah standar deviasi dari rata-rata sampel. Rumus dari standar eror adalah sebagai berikut : (2)
11
Keterangan : Sy = Standar error, S2 = variance, N = jumlah data. Semakin kecil nilai standar eror maka sampel tersebut lebih akurat. Data pada ketahanan pangan yang dihitung menggunakan Gi*statistik akan dicocokan dengan data dari Badan Ketahan Pangan Kabupaten Klaten untuk mengetahui valid atau tidak data yang dihitung menggunakan Gi*statistik. Untuk mengetahui valid atau tidak, data dari perhitungan Gi*statitik dan data Badan Ketahanan Pangan akan dihitung menggunakan standar eror. Data yang dipakai sudah dikalikan 100%. Perhitungan standar eror data RKN pada perhitungan BKP dirumuskan sebagai berikut : Tabel 3 Perhitungan standar error data RKN pada perhitugan BKP x 2,00 1,00 2,00 1,00 3,00 2,00 2,00 1,00 1,00 1,00 1,00 2,00 1,00 1,00 1,00 2,00 1,00 3,00 3,00 1,00 1,00 3,00 6,00 2,00 7,00 1,00 Jumlah
rata-rata 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
(x-rata-rata) 0,00 -1,00 0,00 -1,00 1,00 0,00 0,00 -1,00 -1,00 -1,00 -1,00 0,00 -1,00 -1,00 -1,00 0,00 -1,00 1,00 1,00 -1,00 -1,00 1,00 4,00 0,00 5,00 -1,00
Variance
(x-rata-rata)^2 0,00 1,00 0,00 1,00 1,00 0,00 0,00 1,00 1,00 1,00 1,00 0,00 1,00 1,00 1,00 0,00 1,00 1,00 1,00 1,00 1,00 1,00 16,00 0,00 25,00 1,00 58,00 1,52
SE
0,242038985
Perhitungan standar error data RKN pada perhitungan Gi*statistik dirumuskan sebagai berikut : Tabel 4 Perhitungan standar error data RKN pada perhitugan Gi*statistik x 0,00 0,00 63,00 63,00 12,00 134,00 134,00 76,00 63,00 0,00 76,00 134,00 134,00
rata-rata 62,11538 62,11538 62,11538 62,11538 62,11538 62,11538 62,11538 62,11538 62,11538 62,11538 62,11538 62,11538 62,11538
(x-rata-rata) -62,12 -62,12 0,88 0,88 -50,12 71,88 71,88 13,88 0,88 -62,12 13,88 71,88 71,88
12
(x-rata-rata)^2 3858,32 3858,32 0,78 0,78 2511,55 5167,40 5167,40 192,78 0,78 3858,32 192,78 5167,40 5167,40
34,00 12,00 12,00 12,00 34,00 34,00 76,00 34,00 76,00 0,00 134,00 134,00 134,00
62,11538 62,11538 62,11538 62,11538 62,11538 62,11538 62,11538 62,11538 62,11538 62,11538 62,11538 62,11538 62,11538
-28,12 -50,12 -50,12 -50,12 -28,12 -28,12 13,88 -28,12 13,88 -62,12 71,88 71,88 71,88
790,47 2511,55 2511,55 2511,55 790,47 790,47 192,78 790,47 192,78 3858,32 5167,40 5167,40 5167,40
Jumlah
65586,65
Variance
51,22
SE
1,403563912
Dari perhitungan standar eror antara data BKP dan Gi*statistik didapatka hasil yakni untuk standar eror (SE) BKP sebesar 0,242 sedangkan standar eror (SE) Gi*statistik sebesar 1,404. Dari hasil perbandingan standar eror (SE) antara data kerawanan pangan yang dihitung menggunakan Gi*statistik dan BKP menunjukan bahwa nilai standar eror Gi*statistik lebih tinggi daripada data dari BKP. Berarti data yang diperoleh dari data BKP lebih akurat dibanding dengan perhitunagn Gi*statistik. Pengujian aplikasi dilakukan dengan menguji fungsi-fungsi dari aplikasi yang telah dibuat untuk mencari kesalahan pada sistem. Pengujian aplikasi dilakukan agar sistem yang dibuat berjalan sesuai dengan yang diharapkan dan dapat memenuhi kebutuhan pengguna. Pengujian alpha pada aplikasi ini menggunakan metode blackbox,yaitu pengujian fungsi-fungsi aplikasi secara langsung tana memperhatikan alur eksekusi program. Pengujian ini dilakukan dengan memperhatikan apakah fungsi telah berjalan sesuai rancangan dan sesuai yang diharapkan. Tabel 5 adalah hasil pengujian dari aplikasi yang telah dilakukan. Tabel 5 Hasil Pengujian Alpha (Blacbox) Fungsi yang diuji Login
Input data
Fungsi Gi*statistik
Load peta
Kondisi Username dan password benar Username dan password salah maupun kosong Tabel database keadaan kosong Tabel database terisi Sesuai dengan pergitungan manual Microsoft Office Excel Buka halaman peta
Output yang diharapkan
Output yang dihasilkan sistem
Status pengujian
Sukses login
Sukses login
Valid
Gagal login
Gagal login
Sukses input data
Sukses input data
Valid
Gagal input data Sukses
Gagal input data Sukses
Valid
Sukses load peta
Sukses load peta
Valid
Berdasarkan pengujian yang dilakukan pada aplikasi web dapat dilihat status pengujian dari setiap fungsi valid, maka disimpulkan bahwa aplikasi ini berjalan dengan baik dan sesuai yang diharapkan. Pengujian beta dilakukan dengan memberikan kuesioner kepada pengguna yang dipilih secara acak, yang sebelumnya telah melihat demo mengenai aplikasi ini. Kuesioner ini digunakan untuk mengetahui penilaian pengguna terhadap aplikasi ataupun mengetahui bug yang ditemui pengguna. Selain itu, tujuan dari pengujian ini adalah untuk mengetahui apakah aplikasi sudah membantu dalam memberikan informasi kepada pengguna. Pengujian
13
dilakukan dengan membagikan kuesioner yang diberikan kepada 30 responden yang dipilih secara acak. Tabel 6 Hasil Jawaban Kuesioner No 1
Pernyataan Aplikasi ini mudah digunakan
2
Tampilan, huruf dan gambar dari aplikasi ini dapat dilihat dengan jelas Menu-menu pada aplikasi mudah dipahami Aplikasi ini membantu memberikan informasi daerah yang berpotensi rawan pangan Aplikasi ini bermanfaat memberikan informasi indikator yang berpengaruh di suatu daerah
3 4 5
SS 11
S 15
CS 3
TS 1
STS 0
5
9
14
2
0
9 13
17 9
3 8
1 0
0 0
14
6
10
0
0
Berdasarkan hasil dari pengisian kuisioner tersebut, dapat ditarik kesimpulan bahwa 50% sangat setuju bahwa aplikasi ini mudah digunakan, 46,67% cukup setuju bahwa tampilan, huruf dan gambar dari aplikasi ini dapat dilihat dengan jelas, 56,67% setuju bahwa menu pada aplikasi mudah dipahami, 43,33% sangat setuju bahwa aplikasi ini membantu memberikan informasi daerah yang berpotensi rawan pangan, 46,67% sangat setuju bahwa aplikasi ini bermanfaat memberikan informasi indikator yang berpengaruh di suatu daerah. 5.
Simpulan Berdasarkan penelitian yang telah dilakukan, maka dapat diambil kesimpulan bahwa daerah rawan pangan dapat dimodelkan menggunakan fungsi Gi* statistik. Data nyata rawan pangan serta indikator dimodelkan, sehingga menghasilkan pola spasial yang menunjukkan kluster/ pengelompokkan daerah rawan pangan. Hasil pengujian juga menunjukan bahwa sistem pemodelan klasifikasi daerah rawan pangan Kabupaten Klaten ini membantu user untuk mengetahui tingkat kerawanan pangan serta mengetahui indikator yang paling berpengaruh ditiap masing-masing daerah. Indikator yang paling berpengaruh terhadap kerawanan pangan di kabupaten Klaten yakni indikator Rasio Konsumsi Normatif, Penduduk hidup di bawah Garis Kemiskinan serta indikator Perempuan Buta Huruf. Dengan pemodelan sistem yang berbasis web ini user ataupun admin Badan Ketahan Pangan dipermudah dalam pengaksesan maupun pengolahan data. Proses perhitungan standar error yang dilakukan pada data perhitungan Gi* statistik dan BKP menunjukkan bahwa data yang diperoleh menggunakan proses perhitungan BKP memiliki tingkat akurasi yang lebih dibandingkan dengan perhitungan menggunakan Gi* statistik. Hal ini ditunjukan dengan hasil perolehan standar eror dari Badan Ketahanan Pangan sebesar 0,242 sedangkan perhitungan Gi* statistik satndar error yang dihasilkan sebesar 1,404. Karena standar eror Badan Ketahanan Pangan lebih kecil maka data tersebut lebih akurat.
14
6. [1]
Pustaka Anwar Syaiful,dkk, 2010, Analisis Potensi dan Ketersediaan Pangan dalam Kaitannya dengan Ketahanan Pangan di Jawa Tengah.
[2]
Widi .P, C.A,dkk, 2013, Identifikasi Pola Spasial Daerah Rawan Pangan di Kabupaten Minahasa Tenggara Menggunakan Moran’s I, Prosiding SNTI 2013, Vol: 10 No. 1.
[3]
Barnabas Mahanaim, Imanuel,2012, Pemodelan Pola Spasial Daerah Rawan Miskin di Lihat dari PDRB, IPM, Jumlah pengangguran, Jumlah Penduduk, Tingkat kemiskinan Provinsi Jawa Tengah 2005-2009, http://repository.uksw.edu/handle/123456789/2786. Diakses tanggal 13 Mei 2016
[4]
Badan Ketahanan Pangan, 2006, Pedoman Program Aksi Desa Mandiri Pangan (MAPAN). Departemen Pertanian
[5]
Dewan Ketahanan Pangan, 2009, Panduan Penyusunan FSVA 2009.
[6]
Puntodewo, Atie, Sonya Dewi, Jusupta Tarigan, 2003, Sistem Informasi Geografis untuk Pengelolaan Sumber Daya Alam, CIFOR : Indonesia.
[7]
Curtis, J. A. and Lee, A. W., Spatial Pattern of Diabetes Related Health Problems for Vulneral Populations in Los Angeles, USA, 2010.
[8]
Getis, A. & Boots, B, 1978, Model of Spatial Processes, Cambridge: Univ. Press
[9]
Getis A., Ord,J.K., 1992, The Analysis of Spatial Association by Use of Distance Statistics, Geographical Analysis, 24, 189-206.
[10] Hasibuan, Zainal A. 2007. Metodologi Penelitian Pada Bidang Ilmu Komputer dan Teknologi Informasi : Konsep, Teknik, dan Aplikasi. Jakarta : Ilmu Komputer Univesitas Indonesia. [11] Pressman, Roger, 2001, Rekayasa Perangkat Lunak Pendekatan Praktisi (Buku Satu), Yogyakarta : Andi. [12] Kristanto, Andri, 2003, Perancangan Sistem Informasi dan Aplikasinya, Yogyakarta : Gava Media.
15