rancang bangun sistem informasi geografis (sig) …repository.unair.ac.id/56016/2/kkc kk st.si 27...

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

2016

ADLN-PERPUSTAKAAN UNIVERSITAS AIRLANGGA

SKRIPSI RANCANG BANGUN SISTEM INFORMASI GEOGRAFIS CHUSNUL ISLAMIYAH



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

2016





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

Indah Werdiningsih S.Si, M.Kom

NIP. 19800217 200501 2 001



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

(Badrus Zaman, S.Kom, M.Cs)

NIP : 19780126 200604 1 001



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

Materai 6000,-



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.

Dokumen skripsi ini merupakan hak milik Universitas Airlangga.



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

Chusnul Islamiyah



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-MEANS ini 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

ikhlas dalam membimbing, membantu dan memberikan ilmu selama dari

awal masa studi hingga masa penyusunan skripsi ini terselesaikan.



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.

12. Istihamin Fitriyah yang menjadi kawan setia mulai dari semester satu di

jurusan Sistem Informasi yang selalu memberi kejutan disetiap harinya dan

menjadi kawan yang selalu memiliki cara unik untuk menyemangati penulis

dalam pengerjaan skripsi.



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!.

19. Kawan Kos Al khansa semuanya terimaksih telah banyak mengajarkan

banyak hal dalam hidup berkeluarga di kota rantauan.



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.

Penulis



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).

Kata Kunci : clustering, demam berdarah , k-means, sistem informasi geografis.



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 systems, k-means algorithm



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

2.4 Analisis Cluster ...................................................................................... 17



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 PUSTAKA ........................................................................................... 58



LAMPIRAN



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

4.14 Hasil pengelompokkan oleh sistem ............................................................... 52



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

4.9 Hasil Pengujian Sistem Pada Menu Input ....................................................... 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

Institut Tropical Disease Universitas Airlangga Surabaya, daerah yang

memungkinkan sangat besar sebagai tempat berkembangnya nyamuk Aedes

Aegypti adalah daerah yang terdapat genangan air tinggi yakni daerah yang

memiliki pasar tradisional, TPS dan sungai yang berpotensi terdapat benda yang



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.

Pengelompokan daerah penyebaran penyakit DBD di DinKes Kota Surabaya

masih manual sehingga prosesnya lama dan proses evaluasinya hanya melihat

data jumlah penderita penyakit DBD. Untuk itu, perlu sistem yang dapat

menganalisis dan mengelompokan data kasus DBD dengan model penyajian hasil

yang baik dan tidak hanya memperhatikan jumlah penderita DBD tetapi juga

dikaitkan dengan faktor geografis yang mempengaruhi timbulnya penyakit DBD.



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

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). K-Means dapat

diterapkan pada data medis yang banyak untuk pengelompokan dan hasilnya

memiliki tingkat akurasi yang baik (Hussan, 2012). K-Means memiliki hasil yang

baik pula pada penelitian yang memprediksi kinerja akademik mahasiswa yang

bertujuan untuk membuat keputusan yang efektif oleh pihak perencana akademik

(Oyelade, Oladipupo, & Obagbuwa, 2010). Di antara semua algoritma

berdasarkan pengelompokan, K-Means adalah salah satu metode yang paling

terkenal untuk menerapkan dataset ke dalam kelompok pola(Tajunisha, 2010).



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

Chikungunya, kondisi iklim untuk Aedes , dan faktor yang berhubungan dengan

penularan penyakit menular (Ditsuwan & dkk, 2010). SIG juga digunakan dalam

sistem pengambilan keputusan peringatan dini kejadian luar biasa penyakit

demam berdarah dengan menggunakan metode AHP yang dilakukan di

Puskesmas Pucang Kota Surabaya (Pratama, 2013). Selain itu SIG memiliki

kemampuan yang sangat baik dalam memvisualisasikan data spasial dengan

atribut-atributnya. Memodifikasi warna, bentuk, dan ukuran simbol yang

diperlukan untuk mempresentasikan unsur-unsur permukaan bumi dapat

dilakukan dengan mudah. Hampir semua perangkat lunak SIG memiliki gallery

yang menyediakan simbol-simbol standard yang sering diperulakan untuk



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.

3. Membantu memberikan informasi penyebaran penyakit DBD pada DinKes



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

tiga jumlah cluster .



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).

Ada hubungan antara kepadatan penduduk dengan kejadian penyakit DBD

yaitu wilayah yang padat penduduk memudahkan terjadinya penularan penyakit

DBD dan 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. 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.

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).



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)

Sistem Informasi Geografis (SIG) merupakan sistem berbasis komputer

yang digunakan untuk menyimpan dan memanipulasi informasi-informasi

geografis. Sistem informasi geografis dirancang untuk mengumpulkan,



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

Perangkat lunak SIG digunakan untuk menjalankan tugas-tugas SIG.

Perangkat SIG secara konseptual terdiri dari 2 bagian yaitu paket inti yang

digunakan untuk pemetaan digital dasar dan manajemen data, dan paket aplikasi

untuk menjalankan fungsionalitas pemetaan digital khusus dan analisis spasial.



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

Menentukan informasi yang dihasilkan oleh SIG. Selain itu memanipulasi



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

hutan yang baik mutlak diperlukan untuk menjaga kelestariannya.



(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

Gambar 2.1 Data Spasial Dengan Format Vektor



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

Gambar 2.2 Data Spasial Dengan Format Raster (Puntodewo, 2003)



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.

Setelah data keruangan dimasukkan maka proses selanjutnya beralih ke

pengolahan data-data deskriptif, dalam hal ini meliputi annotasi (pemberian

tulisan pada coverage), labelling (pemberian informasi pada peta bersangkutan),



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.

4. Data Manipulation Language (DML )atau bahasa query ini pada umumnya

setara dengan bahasa pemrograman generasi ke 4 dan didukung oleh DBMS

untuk membentuk perintah-perintah untuk masukan, keluaran, editing, analisis



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

Analisis cluster yaitu menemukan kumpulan objek hingga objek dalam satu

kelompok sama (atau punya hubungan) dengan yang lain dan berbeda (atau tidak

berhubungan) dengan objek-objek dalam kelompok lain. Tujuan dari analisa



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

Dalam completeclustering setiap objek ditempatkan dalam cluster. Tetapi

dalam partial clustering tidak semua objek ditempatkan dalam sebuah cluster.



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

memiliki hasil yang baik pula pada penelitian yang memprediksi kinerja akademik

mahasiswa yang bertujuan untuk membuat keputusan yang efektif oleh pihak

perencana akademik (Oyelade, Oladipupo, & Obagbuwa, 2010). Di antara semua

algoritma berdasarkan pengelompokan, K-Means adalah salah satu metode yang

paling terkenal untuk menerapkan dataset ke dalam kelompok pola (Tajunisha,

2010).



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) :

𝐷𝐿2(𝑥2, 𝑥1) = ‖𝑥2 − 𝑥1‖2 = √∑ (𝑥2𝑗 − 𝑥1𝑗)

2𝑝𝑗−1 (2.1)

Keterangan :

𝑥1 = Objek data

𝑥2 = Centroid

P = Dimensi data

D = Jarak

4. Menentukan kembali pusat cluster (centroid) yang baru dengan cara

menghitung rata-rata dari keanggotaan cluster yang sekarang.



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

5 Input/output Membuat data tersedia untuk diproses dan

mencatat informasi hasil suatu pemrosesan.



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

eksternal, (4) kesalahan perilaku atau kinerja, dan (5) kesalahan inisialisasi dan

penghentian (Pressman, 2010).



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

Metode pengumpulan data yang digunakan dalam penelitian ini adalah

melalui studi literature terkait permasalahan, wawancara secara langsung terhadap

sumbernya dan pengambilan data jumlah penderita penyakit DBD di seluruh Kota

Surabaya. Studi literature digunakan untuk mengetahui dan memahami



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

Analisis sistem dilakukan untuk mengidentifikasi kebutuhan pihak Dinkes

Kota Surabaya dalam penyebaran penyakit sehingga dapat bermanfaat sesuai

kebutuhan DinKes Kota Surabaya. Data input yang didapatkan dari studi berkas

yaitu data jumlah penderita penyakit DBD di Kota Surabaya dan jumlah faktor

geografis per Kecamatan dalam kurun waktu 5 tahun terakhir dari tahun 2010

sampai tahun 2014. Data input diolah untuk mengetahui penyebaran penyakit per

Kecamatan di Kota Surabaya.



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

dapat dilihat pada gambar 3.1 dan berikut merupakan penjelasannya:



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.

Setiap cluster yang terbentuk akan didefinisikan identitasnya, jika pada



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

(PHP) dengan bantuan Notepad++, sedangkan untuk visualisasi SIG peta

Surabaya akan menggunakan Application Programming Interface (API) dari

GoogleMap.



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

Pada tahap ini dilakukan evaluasi terhadap sistem yang telah dirancang.

Evaluasi dilakukan untuk mengetahui validasi sistem seberapa besar kesesuaian

hasil yang diperoleh dari sistem dengan pengerjaan manual.



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

Dalam penelitian ini study literature yang dilakukan adalah mempelajari

faktor-faktor yang berpengaruh terhadap penyebaran penyakit DBD serta

penerapan metode k-Means pada sistem yang akan dibangun. Faktor yang

berpengaruh terhadap penyebaran penyakit DBD di Kota Surabaya adalah jumlah

penderita penyakit DBD per Kecamatan serta faktor geografis. Faktor geografis

yang diperoleh terhadap hasil penelitian sebelumnya oleh Arista Pratama pada

tahun 2013 dalam Skripsinya yang berjudul Sistem Pendukung Keputusan

Peringatan Dini Kejadian Luar Biasa Menggunakan Metode AHP Berbasis SIG

Studi Kasus Puskesmas Pucang Sewu Surabaya terdapat beberapa faktor geografis

utama yang dapat mempengaruhi terjangkitnya penyakit yaitu pasar tradisional,

sungai dan tempat pembuangan sampah (TPS). Sedangkan penerapan metode k-

Means digunakan untuk proses pengelompokkan data jumlah penderita penyakit

DBD dengan menggunakan 4 variabel yaitu jumlah penderita penyakit DBD,



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.

Selain itu hasil wawancara yang dilakukan pada staff laboratorium

Entomologi Institut Tropical Disease (ITD) Universitas Airlangga mengenai

faktor geografis yang mempengaruhi penyebaran penyakit DBD di Kota

Surabaya. Dari hasil wawancara menjelaskan bahwa pasar tradisional, tempat

pembuangan akhir/ sampah, dan sungai merupakan faktor geografis penyebaran

penyakit DBD. Hasil wawancara dapat dilihat pada Lampiran 1.



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

Dalam rancang bangun Sistem Informasi Geografis (SIG) untuk penyebaran

penyakit DBD dengan menggunakan metode k-Means terdapat faktor jumlah

penderita per Kecamatan sejumlah 31 Kecamatan dan 3 faktor geografis yaitu

pasar tradisional, sungai dan TPS. Data jumlah penderita penyakit DBD dan

jumlah faktor geografis per Kecamatan akan diolah menggunakan metode k-

Means. Pada DinKes Kota Surabaya dalam melakukan evaluasi penyebaran

penyakit DBD membentuk 3 kelompok yang diinterpretasikan dalam kelompok

bebas, potensial dan endemis dengan mengikuti panduan dari DinKes Kota

Surabaya. Namun, karena perbedaan variabel dan aturan yang digunakan untuk

pengelompokan dengan Dinkes Kota Surabaya, hasil akhir dari sistem ini akan

menghasilkan kelompok yang memberikan informasi ciri-ciri setiap kelompok

melalui anggota.



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 Kecamatan Penderita

DBD Pasar Sungai TPS

Sukomanunggal 31 2 9 6 Tandes 31 3 4 13

Asemrowo 5 2 6 7 Benowo 31 0 6 7

Pakal 6 0 7 11 Lakarsantri 25 2 6 6 Sambikerep 23 0 4 6

Genteng 19 7 3 5 Tegalsari 13 7 10 6 Bubutan 34 4 4 5

Simokerto 23 4 3 4 Pabean Cantikan 16 9 5 6

Semampir 36 2 4 6 Krembangan 34 4 4 7

Bulak 8 1 6 3 Kenjeran 42 0 4 7

Tambaksari 33 6 4 6 Gubeng 27 5 6 12 Rungkut 41 1 9 11 Tenggilis 16 3 5 6

Gunung Anyar 20 0 10 3 Sukolilo 31 1 10 10

Mulyorejo 19 1 8 4 Sawahan 76 5 3 7

Wonokromo 37 5 5 10 Karang pilang 25 2 3 7 Dukuh Pakis 25 0 4 14

Wiyung 29 0 6 10 Gayungan 21 0 6 7 Wonocolo 19 0 5 7 Jambangan 20 0 4 4



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

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. Seperti pada

objek Kecamatan Sukomanunggal memiliki data dari jumlah penderita DBD,

TPS, pasar, dan sungai berturut-turut adalah 51, 6, 2 dan 9 kemudian dihitung

jaraknya dengan cluster pertama, kedua dan ketiga. Untuk menghitung jarak



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

Langkah ini dilakukan pada semua objek sehingga setiap objek akan

diketahui jarak pada setiap cluster. Setelah diketahui jarak antara objek

dengan setiap cluster maka untuk menentukan kelompok untuk masing-

masing objek dengan memilih jarak yang terkecil. Seperti halnya objek

Kecamatan Sukomanunggal memiliki jarak 26,192 pada C1, 11,225 pada C2

dan 15,556 pada C3. Dari ketiga jarak tersebut 11,225 merupakan jarak

terkecil, maka Kecamatan Sukomanunggal terletak pada kelompok C1,

begitupula pada semua objek lainnya. Hasil iterasi pertama dapat dilihat pada

Tabel 4.2



Tabel 4.2 Hasil Iterasi pertama

KECAMATAN Jarak

dengan C1

Jarak dengan

C2

Jarak dengan

C3 KETERANGAN

Sukomanunggal 26,192 11,225 15,556 C2

Tandes 26,777 11,533 16,583 C2

Asemrowo 0 36,359 11,136 C1

Benowo 26,077 11,225 15,362 C2

Pakal 4,69 35,071 11,747 C1

Lakarsantri 20,025 17,059 9,11 C3

Sambikerep 18,248 19,365 7,681 C3

Genteng 15,297 24,331 5,477 C3

Tegalsari 10,296 29,086 7,071 C3

Bubutan 29,206 10,909 18,083 C2

Simokerto 18,601 20,445 7,616 C3

Pabean Cantikan 13,115 27,019 6 C3

Semampir 31,081 8,718 20,05 C2

Krembangan 29,138 9,95 18,083 C2

Bulak 5,099 34,088 8,832 C1

Kenjeran 37,108 6,557 26,211 C2

Tambaksari 28,373 11,79 17,292 C2

Gubeng 22,76 14,9 12,728 C3

Rungkut 36,359 0 25,884 C2

Tenggilis 11,136 25,884 0 C3

Gunung Anyar 16,155 22,517 7,681 C3

Sukolilo 26,495 10,100 16,432 C2

Mulyorejo 14,491 23,108 5,099 C3

Sawahan 71,127 35,958 60,075 C2

Wonokromo 32,296 7 21,471 C2

Karang pilang 20,224 17,578 9,327 C3

Dukuh Pakis 21,378 17,059 12,45 C3

Wiyung 24,269 12,45 13,964 C2

Gayungan 16,125 20,64 6 C3

Wonocolo 14,177 22,738 4,359 C3

Jambangan 15,556 22,716 5,477 C3

4. Menentukan kembali pusat cluster yang baru.

Dengan cara menghitung rata-rata dari keanggotaan cluster yang sekarang.

Pada Iterasi pertama yang dapat dilihat pada Tabel 4.2, C1 memiliki 3



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+8

3

= 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+1

3

= 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+6

3

= 6,33

Dan untuk mengetahui centroid keempat dari C1 dihitung dari jumlah TPS



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+3

3

= 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

KECAMATAN

Jarak dengan

C1

Jarak dengan

C2

Jarak dengan

C3 KETERANGAN

Sukomanunggal 24,851 7,573 10,888 C2

Tandes 25,571 8,221 12,262 C2

Asemrowo 1,7 32,41 15,766 C1

Benowo 24,689 6,97 10,634 C2

Pakal 4,19 31,656 15,719 C1

Lakarsantri 18,723 12,578 4,376 C3

Sambikerep 16,889 14,834 3,823 C3

Genteng 14,545 19,334 5,479 C3

Tegalsari 9,741 25,273 9,968 C1

Bubutan 27,998 5,042 13,494 C2

Simokerto 17,518 15,235 4,369 C3

Pabean Cantikan 12,658 22,442 7,934 C3

Semampir 29,792 2,981 15,359 C2

Krembangan 27,926 4,137 13,425 C2

Bulak 4,346 29,863 13,312 C1

Kenjeran 35,757 5,592 21,49 C2

Tambaksari 27,25 6,155 12,804 C2

Gubeng 21,638 11,38 8,696 C3

Rungkut 34,998 5,997 21,132 C2

Tenggilis 10,011 21,497 4,791 C3

Gunung Anyar 14,738 18,824 6,342 C3

Sukolilo 25,118 8,169 11,884 C2

Mulyorejo 13,123 19,054 4,276 C3

Sawahan 69,861 38,792 55,373 C2

Wonokromo 31,1 3,193 16,815 C2

Karang pilang 18,988 12,699 5,002 C3

Dukuh Pakis 20,097 14,045 9,177 C3

Wiyung 22,889 8,981 9,392 C2

Gayungan 14,704 16,621 2,784 C3

Wonocolo 12,776 18,598 3,258 C3

Jambangan 14,22 18,101 3,986 C3

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.

Tabel 4.4 Iterasi ketiga



KECAMATAN

Jarak dengan

C1

Jarak dengan

C2

Jarak dengan

C3 KETERANGAN

Sukomanunggal 23,084 7,573 10,470 C2

Tandes 24,060 8,221 11,762 C2

Asemrowo 3,298 32,410 16,320 C1

Benowo 23,171 6,970 10,045 C2

Pakal 5,327 31,656 16,214 C1

Lakarsantri 17,070 12,578 3,861 C3

Sambikerep 15,568 14,834 3,170 C3

Genteng 12,743 19,334 5,798 C3

Tegalsari 7,306 25,273 10,679 C1

Bubutan 26,304 5,042 12,958 C2

Simokerto 15,902 15,235 4,060 C3


Semampir 28,202 2,981 14,771 C2

Krembangan 26,246 4,137 12,881 C2

Bulak 4,228 29,863 13,832 C1

Kenjeran 34,247 5,592 20,885 C2

Tambaksari 25,463 6,155 12,331 C2

Gubeng 19,909 11,380 8,404 C3

Rungkut 33,352 5,997 20,631 C2

Tenggilis 8,359 21,497 5,350 C3

Gunung Anyar 13,110 18,824 6,561 C3

Sukolilo 23,439 8,169 11,491 C2

Mulyorejo 11,462 19,054 4,635 C3

Sawahan 68,179 38,792 54,822 C2

Wonokromo 29,375 3,193 16,315 C2

Karang pilang 17,532 12,699 4,332 C3

Dukuh Pakis 18,931 14,045 8,770 C3

Wiyung 21,433 8,981 8,835 C3

Gayungan 13,299 16,621 2,573 C3

Wonocolo 11,505 18,598 3,324 C3

Jambangan 12,976 18,101 3,843 C3

Pada iterasi ketiga yang ditunjukkan pada Tabel 4.4 masih ada objek yang

berpindah cluster yaitu Kecamatan Wiyung pada iterasi kedua berada pada

cluster C2 berpindah pada C3. Sehingga dlakukan pengulangkan pada langkah

keempat yakni iterasi keempat ditunjukkan pada Tabel 4.5.



Tabel 4.5. Iterasi keempat

KECAMATAN

Jarak dengan

C1

Jarak dengan

C2

Jarak dengan

C3 KETERANGAN

Sukomanunggal 23,084 8,165 9,983 C2

Tandes 24,06 8,85 11,225 C2

Asemrowo 3,298 33,108 16,822 C1

Benowo 23,171 7,67 9,497 C2

Pakal 5,327 32,383 16,611 C1

Lakarsantri 17,07 13,254 3,385 C3

Sambikerep 15,568 15,524 2,874 C3

Genteng 12,743 19,925 6,223 C3

Tegalsari 7,306 25,907 11,138 C1

Bubutan 26,304 5,385 12,511 C2

Simokerto 15,902 15,832 4,122 C3


Semampir 28,202 3,29 14,271 C2

Krembangan 26,246 4,618 12,393 C2

Bulak 4,228 30,537 14,369 C1

Kenjeran 34,247 5,098 20,357 C2

Tambaksari 25,463 6,506 11,91 C2

Gubeng 19,909 12,034 7,953 C3

Rungkut 33,352 5,773 20,068 C2

Tenggilis 8,359 22,173 5,904 C3

Gunung Anyar 13,11 19,468 6,713 C3

Sukolilo 23,439 8,822 10,945 C2

Mulyorejo 11,462 19,719 4,959 C3

Sawahan 68,179 38,077 54,318 C2

Wonokromo 29,375 3,29 15,798 C2

Karang pilang 17,532 13,373 3,898 C3

Dukuh Pakis 18,931 14,765 8,326 C3

Wiyung 21,433 9,729 8,246 C3

Gayungan 13,299 17,335 2,488 C3

Wonocolo 11,505 19,309 3,576 C3

Jambangan 12,976 18,766 4,122 C3

Pada iterasi keempat yang ditunjukkan pada Tabel 4.5 tidak ada objek yang

berpindah cluster maka iterasi berhenti. Hasil terakhir dari perhitungan k-

Means pada tahun 2014 adalah terdapat pada Tabel 4.6, yang merupakan hasil

iterasi keempat.



Tabel 4.6 Hasil Akhir

KECAMATAN Penderita

DBD Pasa

r Sungai TPS KETERANGAN

Asemrowo 5 2 6 7 C1

Pakal 6 0 7 11 C1

Tegalsari 13 7 10 6 C1

Bulak 8 1 6 3 C1

Sukomanunggal 31 2 9 6 C2

Tandes 31 3 4 13 C2

Benowo 31 0 6 7 C2

Bubutan 34 4 4 5 C2

Semampir 36 2 4 6 C2

Krembangan 34 4 4 7 C2

Kenjeran 42 0 4 7 C2

Tambaksari 33 6 4 6 C2

Rungkut 41 1 9 11 C2

Sukolilo 31 1 10 10 C2

Sawahan 76 5 3 7 C2

Wonokromo 37 5 5 10 C2

Lakarsantri 25 2 6 6 C3

Sambikerep 23 0 4 6 C3

Genteng 19 7 3 5 C3

Simokerto 23 4 3 4 C3

Pabean Cantikan 16 9 5 6 C3

Gubeng 27 5 6 12 C3

Tenggilis 16 3 5 6 C3

Gunung Anyar 20 0 10 3 C3

Mulyorejo 19 1 8 4 C3

Karang pilang 25 2 3 7 C3

Dukuh Pakis 25 0 4 14 C3

Wiyung 29 0 6 10 C3

Gayungan 21 0 6 7 C3

Wonocolo 19 0 5 7 C3

Jambangan 20 0 4 4 C3

Setelah diketahui hasil akhir dari pengelompokkan, langkah selanjutnya

adalah menentukan identitas kelompok. Identitas kelompok dapat ditentukan oleh

pakar penyakit DBD dengan mengamati ciri-ciri setiap kelompok dari anggotanya

masing-masing. Sehingga, Dinkes Kota Surabaya dapat mengambil kebijakan

dalam mencegah atau mengendalikan penyakit DBD dengan tepat sasaran.



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 4.1 Flowchart aktivitas Sistem

Berikut merupakan penjelasan aktivitas input dan output nya:

A. Input Sistem

Input dalam sistem yang akan dibangun berupa tahun, kategori / kelompok dan



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.

Sedangkan jika sistem telah diinputkan Kecamatan dengan memilih salah satu

Kecamatan di Surabaya, maka output sistem berupa peta yang menampilkan

Kecamatan yang telah dipilih. Seperti contoh diinputkan Kecamatan Mulyorejo,



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

3. Lihat Peta



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) return data

arr ← array baru jd← array baru jt ← array baru pasar ← array baru sungai← array baru i← 0 j← 0 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'] j ←j+1; endforeach i←i+1;

endforeach;

arr2 ← array baru arr2[0] ← jd [0]”,”. jd [0]”,”. pasar [0]”,”. sungai [0] arr2[1] ← 0]”,”. jd [1]”,”. pasar [1]”,”. sungai [1] arr3[2] ← 0]”,”. jd [2]”,”. pasar [2]”,”. sungai [2] for i ← 0 to count ( jumlah) do obj ← jumlah data ← explode(“,”, obj [i]) for j ← 0 to count (data) do

objek [i][j] <- data [j] endfor endfor for i ← 0 to count (jumlah ) do cls ← arr2 data ← explode(“,”, cls [i]) for j ← 0, count (data) do

centroid [i][j] ← data [j] endfor endfor

Gambar 4.3 Pseudocode menentukan centroid pada ketiga cluster

Setelah ditentukan centroid pada masing-masing cluster, maka langkah

selanjutnya adalah menghitung jarak antara objek dengan masing-masing centroid



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) jml ← 0 , tmptCluster ← 0 , c ← null for i ← 0 to count (this->data) do

jml ← 0 for j ← 0 j<count (this -> data ) do

jml + ← pow ((this -> data [j]-cls[i][j]),2) endfor tmpC ← sqrt(juml) ifc ← null do c=tmpC tmpCluster ← i endif if tmpC ← < c do c← tmpC tmpCluster ← i endif

endfor this -> cluster ← tmpCluster Fungsi getCluster () Return this -> cluster

for i ← 0 to count (objek[0] pada data ) do objek [i] pada setCluster(centroidCluster) mencetak objek ← (i+1) for j ← 0 to count (objek[i] data ) do mencetak (objek [i] data[j] for j ← 0 to count (centroidCluster ) do jika ← j== this > objek[i] > getCluster() do mencetak “X” namun jika selain itu, mencetak “&nbsp” atau kosong

endfor endfor



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 () This -> setClusterObjek ← (itr+1, tahun) Endif



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

Pada fitur ini user dapat melihat peta kota Surabaya dengan bantuan

GoogleMap API, dengan warna poligon setiap Kecamatan yang sesuai

dengan hasil pengelompokan k-Means. Dengan keterangan jika Kecamatan

masuk kedalam kelompok C1, maka poligon pada Kecamatan berwarna

kuning, jika daerah Kecamatan masuk kedalam kelompok C2, maka poligon

pada Kecamatan berwarna hijau dan jika Kecamatan masuk kedalam



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

home. Contoh jika user memilih status C2, dapat dilihat pada Gambar 4.11.



Gambar 4.10 Tampilan Peta Kecamatan “Mulyorejo”

Gambar 4.11 Tampilan peta Kecamatan pada kelompok “C2”

3. Fitur Detail Tabel

Fitur Detail Tabel ini dapat melihat informasi ciri-ciri kelompok yang



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.

Gambar 4.13 Tampilan input data baru



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.

Gambar 4.14 Hasil pengelompokkan oleh sistem



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

KECAMATAN Perhitungan

manual Perhitungan oleh sistem

Sukomanunggal C2 C2

Tandes C2 C2

Asemrowo C1 C1

Benowo C2 C2

Pakal C1 C1

Lakarsantri C3 C3

Sambikerep C3 C3

Genteng C3 C3

Tegalsari C1 C1

Bubutan C2 C2

Simokerto C3 C3

Pabean Cantikan C3 C3

Semampir C2 C2

Krembangan C2 C2

Bulak C1 C1

Kenjeran C2 C2

Tambaksari C2 C2

Gubeng C3 C3

Rungkut C2 C2

Tenggilis C3 C3

Gunung Anyar C3 C3

Sukolilo C2 C2

Mulyorejo C3 C3

Sawahan C2 C2

Wonokromo C2 C2

Karang pilang C3 C3

Dukuh Pakis C3 C3

Wiyung C3 C3

Gayungan C3 C3

Wonocolo C3 C3

Jambangan C3 C3



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

Sistem mengarahkan user pada halaman input Sesuai

2 Tekan Tombol Hasil Pengelompokan

Sistem melakukan tindakan

Sistem menampilkan hasil pengelompokan Sesuai

3 Tekan Tombol Detail Tabel


Sistem menampilkan tabel pengelompokan

sesuai status yang dipilih oleh user dari

combo box pilih kelompok

Sesuai

4 Tekan Tombol Lihat Peta


Sistem menampilkan peta geografis Sesuai

5 Tidak ada input Sistem tidak melakukan apapun

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 Tekan tombol input setelah memasukkan

data semua pada kolom

Sistem memproses

input

Sistem menyimpan data input ke dalam basis data Sesuai

2 Tekan tombol input setelah memasukkan hanya sebagian data

Sistem memproses

input

Sistem menolak penyimpanan inputan dan

menampilkan pesan “datakurang lengkap! Periksa

kembali”

Sesuai

3 Tekan tombol input Sistem

memproses input

Sistem menolak penyimpanan inputan dan menampilkan pesan “data kurang lengkap! Periksa

kembali”

Sesuai

4 Tidak ada input Sistem tidak melakukan

apapun

Sistem tidak melakukan apapun Sesuai



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.

Sedangkan evaluasi fungsional sistem berdasarkan hasil kuesioner pengujian

sistem dapat diketahui bahwa Kepala bidang dan dua staff Pengendalian Masalah

Penyakit meyatakan sistem informasi geografis untuk penyebaran penyakit DBD

di kota Surabaya yang telah dibuat bersifat user friendly dan dapat membantu

mempermudah pengelompokan daerah untuk penyebaran penyakit DBD di Kota

Surabaya berbasis SIG. Hasil kuesioner evaluasi sistem dapat dilihat pada

Lampiran 5.



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.

3. Sistem dirancang untuk satu pengguna yaitu pihak Dinkes Kota Surabaya

yang menangani penyebaran penyakit DBD. Input dari sistem berupa tahun

yang ingin diketahui hasil penyebarannya dan outputnya sistem berupa hasil



pengelompokkan dengan metode k-Means dan visualisasi peta penyebaran

penyakit DBD per Kecamatan pada kota.

4. Implementasi sistem dilakukan dengan Hypertext Preprocessor (PHP)

dengan bantuan Notepad++, sedangkan untuk visualisasi SIG peta Surabaya

akan menggunakan Application Programming Interface (API) dari

GoogleMap yang menghasilkan 2 halaman utama yaitu menu Home dan

menu Input .

5. Sistem yang telah dibangun diuji fungsionalitasnya menggunakan blacbox

testing dan diuji validasinya memperoleh hasil yang sesuai atau valid.

Berdasarkan hasil kuesioner oleh calon user, sistem yang dibangun bersifat

user friendly.

5.2 Saran

Dalam penelitian ini diperlukan pengembangan untuk penelitian selanjutnya.

Adapun saran penelitian selanjutnya dalam pengembangan SIG untuk penyebaran

penyakit DBD di Kota Surabaya menggunakan metode k-Means adalah:

1. Menggunakan metode lain seperti metode neural network (backpropagation,

forward chaining atau metode lainnya).

2. Diharapkan selain mempertimbangkan validasi sistem juga

mempertimbangkan akurasi sistem. Sehingga sistem yang dibangun dapat

dimanfaatkan secara optimal sebagai media informasi penyebaran penyakit

DBD untuk Dinkes Kota Surabaya dan masyarakat Surabaya.

3. Untuk pengembangan teknologi, sistem yang dibangun berbasis Android.



DAFTAR PUSTAKA

Agusta, Y. (2007). K-Means – Penerapan, Permasalahan dan Metode Terkait.

Jurnal Sistem dan Informatika , Vol. 3 , 47-60. Bodnar, G. H., & Hopwood, W. S. (2004). Sistem Informasi Akuntansi. Penerbit

Andi Yogyakarta. Ditsuwan, T., & dkk. (2010). Assessing the Spreading Patterns of Dengue

Infection and Chikungunya Fever Outbreaks in Lower Southern Thailand Using a Geographic Information System. Elsevier .

Fathi, & dkk. (2005). Peran Faktor Lingkungan dan Perilaku Terhadap Penularan

Demam Berdarah Dengue Di Kota Mataram. Jurnal Kesehatan Lingkungan, VOL. 2, No.1, 1 - 10.

Gladis, D., & Rani, S. (2013). K-Means Clustering to Identify High Active

Neuron Analysis For LSD. International Journal of Innovative Research in Science Engineering and Technology, Vol. 2 (9).

Hermawati, F. A. (2013). Data Mining (1 ed.). Yogyakarta: Penerbit Andi. Hussan, B. M. (2012). Data Mining based Prediction of Medical data Using K-

means algorithm. Basrah Journal of Science (A ), Vol.30(1), 46-56 . Kadir, A. (2003). Pengenalan Sistem Informasi. Yogyakarta: Penerbit Andi. Ong, J. O. (2013). Algoritma Clustering Untuk Menentukan Strategi Marketing

Pada President University. Jurnal Ilmiah Teknik Industri, , Vol. 12, No. 1, 20-20.

Oyelade, O. J., Oladipupo, O., & Obagbuwa, I. C. (2010). Application of K-

Means Clustering algorithm for prediction of Students’ Academic Performance. International Journal of Computer Science and Information Security (IJCSIS), Vol. 7, No.1.

Prahasta, E. (2014). Sistem Informasi Geografis, Konsep-Konsep Dasar

(prespektif Geodasi dan Geomatika). Bandung: Penerbit Informatika. Pratama, A. (2013). Sistem Pendukung Keputusan Peringatan Dini Kejadian Luar

Biasa Menggunakan etode AHP Berbasis SIG Study Kasus Puskesma Pucang Sewu Surabaya. Surabaya.

Pressman, R. S. (2010). Rekayasa Perangkat Lunak Buku 1, Edisi 7. Yogyakarta:

Penerbit Andi.



Puntodewo, A. (2003). Sistem Informasi Geografis untuk Pengelolaan Sumber daya alam. Jakarta: Cefor.

Rahayu, M., & dkk. (2010). Studi Kohort Kejadian Penyakit Demam Berdarah

Dengue. Berita Kedokteran Masyarakat, Vol. 26, No. 4. Rif. (2015, Januari 13). Dinkes Jatim : Surabaya Wilayah Rawan Penyakit DBD

Terburuk di Jawa Timur. Dipetik September 30, 2015, dari Koran Online Nusantara.com: http://korannusantara.com/dinkes-jatim-surabaya-wilayah-rawan-penyakit-dbd-terburuk-di-jawa-timur/

Tajunisha, S. (2010). Performance analysis of k-means with different initialization

methods for high dimensional data. International Journal of Artificial Intelligence & Applications (IJAIA) , Vol.1, No.4.

WHO. (1997). Dengue haemorrhagic fever Diagnosis, treatment, prevention and

Control (2 ed.). Geneva. Zhang, T., Ramakrishnan, R., & Livny, M. (1996). BIRCH: An Efficient Data

Clustering Method for Very Large. Canada: Sigmod.



LAMPIRAN

Lampiran 1 Hasil wawancara staff Laboratorium Entomologi, ITD UNAIR



Lampiran 2 : Hasil Wawancara Dengan Staff Bidang Pengendalian Masalah Kesehatan Dinas Kesehatan Kota Surabaya.



KECAMATAN

DATA JUMLAH TPS JUMLAH PASAR

JUMLAH SUNGAI

2014 2013 2012 2011 2010 2010-2014 2010-2014

Sukomanunggal 6 6 6 6 6 2 9

Tandes 13 12 12 12 12 3 4

Asemrowo 7 7 6 6 6 2 6

Benowo 7 7 7 7 7 0 6

Pakal 11 11 9 8 8 0 7

Lakarsantri 6 6 6 5 5 2 6

Sambikerep 6 5 5 5 5 0 4

Genteng 5 5 5 5 5 7 3

Tegalsari 6 6 6 6 6 7 10

Bubutan 5 5 5 5 5 4 4

Simokerto 4 4 4 4 4 4 3

Pabean Cantikan 6 6 6 6 6 9 5

Semampir 6 5 5 5 5 2 4

Krembangan 7 6 6 6 6 4 4

Bulak 3 3 3 3 3 1 6

Kenjeran 7 7 7 7 6 0 4

Tambaksari 6 6 6 6 6 6 4

Gubeng 12 12 12 12 12 5 6

Rungkut 11 11 11 10 10 1 9

Tenggilis 6 6 6 6 6 3 5

Gunung Anyar 3 3 3 3 3 0 10

Sukolilo 10 10 10 10 10 1 10

Mulyorejo 4 4 4 4 4 1 8

Sawahan 7 7 7 7 7 5 3

Wonokromo 10 10 10 10 10 5 5

Karang pilang 7 6 6 6 6 2 3

Dukuh Pakis 14 14 14 14 14 0 4

Wiyung 10 10 9 9 9 0 6

Gayungan 7 7 7 7 7 0 6

Wonocolo 7 7 7 7 7 0 5

Jambangan 4 4 4 3 3 0 4

Lampiran 3 Data Faktor Geografis Pada Setiap Kecamatan



KECAMATAN

DATA JUMLAH DBD

2010 2011 2012 2013 2014

Sukomanunggal 122 19 53 68 31

Tandes 197 71 71 130 31

Asemrowo 51 14 16 22 5

Benowo 98 40 39 75 31

Pakal 49 22 23 35 6

Lakarsantri 84 22 48 25 25

Sambikerep 74 30 29 75 23

Genteng 88 16 11 43 19

Tegalsari 84 25 24 78 13

Bubutan 141 44 38 57 34

Simokerto 72 31 45 81 23

Pabean Cantikan 85 31 28 44 16

Semampir 143 37 73 74 36

Krembangan 152 48 42 72 34

Bulak 87 9 7 19 8

Kenjeran 101 61 43 64 42

Tambaksari 221 71 47 107 33

Gubeng 134 29 27 85 27

Rungkut 163 17 30 102 41

Tenggilis 100 34 23 91 16

Gunung Anyar 110 17 22 46 20

Sukolilo 123 29 17 97 31

Mulyorejo 66 24 15 65 19

Sawahan 260 100 92 188 76

Wonokromo 121 33 48 114 37

Karang pilang 86 21 42 50 25

Dukuh Pakis 78 17 25 66 25

Wiyung 87 26 42 62 29

Gayungan 58 21 19 61 21

Wonocolo 78 33 30 65 19

Jambangan 66 16 15 46 20

Lampiran 4 Data Jumlah Penderita DBD Tahun 2010-2014



Lampiran 5: Hasil Kuesioner penilaian Sistem Oleh calon user



rancang bangun sistem informasi geografis (sig) …repository.unair.ac.id/56016/2/kkc kk st.si 27...

Documents