net/publication/277814102
CITATIONS READS
0 1,095
2 authors, including:
SEE PROFILE
All content following this page was uploaded by Agus Qomaruddin Munir on 07 June 2015.
SEMINAR NASIONAL
APLIKASI TEKNOLOGI INFORMASI
SNATi 2015
Abstract—Penyebaran wabah penyakit demam berdarah kematian kurang lebih 25.000 di seluruh dunia pada tahun
dengue (DBD) secara global dengan tingkat frekuensi yang 2013 [1].
cenderung tinggi pada kurun waktu 50 tahun terakhir
memunculkan sebuah gagasan pencegahan yang sistematis. WHO melaporkan bahwa kembali munculnya penyakit
Epidemiologi DBD memberikan pola pencegahan terhadap menular merupakan peringatan bahwa kemajuan yang dicapai
wabah DBD untuk menangulangi masalah tersebut.
sejauh ini terhadap keamanan global di bidang kesehatan dan
Ulasan ini bertujuan memberikan gambaran secara sistematis
terhadap pemodelan peramalan (forecast) data DBD dengan kemakmuran mungkin terbuang. Jumlah penduduk di dunia
pendekatan pola spasial dan spatio-temporal yang menghasilkan kurang lebih 2,5 miliar manusia dengan jumlah 2/5 dari
peta risiko kejadian DBD. Untuk mendapatkan hasil peramalan penduduk tersebut yang berada di wilayah tropis dan sub
yang tepat harus memperhatikan variabel peramalan/prediktor. tropis [2] beresiko terhadap penularan penyakit DBD. Demam
Variabel prediktor memiliki kategori yang terdiri atas variabel berdarah dengue endemik di lebih dari 100 negara di wilayah
demografis dan sosial ekonomi (misal: usia jenis kelamin, Afrika, Amerika, Mediterania Timur, Asia Tenggara dan
pendidikan, dan kondisi wilayah tempat tinggal). Diantara faktor Pasifik Barat. Asia Tenggara dan Pasifik Barat merupakan
lingkungan yang mempunyai pengaruh signifikan adalah curah daerah terparah karena dampak dari penyakit menular tersebut
hujan dan suhu udara. Peta deskriptif memberikan informasi
[1].
titik lokasi DBD (dengue hotspot) yang berguna untuk
mengidentifikasi besaran resiko pada suatu wilayah.
Tinjauan dilihat dari beberapa kategori yaitu trend riset Di Indonesia DBD menjadi masalah kesehatan
penyakit DBD, dari aspek bidang ilmu epidemiologi, forecasting masyarakat selama 41 tahun terakhir. Sejak tahun 1968 telah
model, statistical model, dan spasial model. Selanjutnya dari terjadi peningkatan persebaran jumlah provinsi dan
aspek teknis sistem yang dihasilkan dengan melihat dampak, kabupaten/kota yang endemis DBD, dari 2 provinsi dan 2
kontribusi, ketepatan (accuracy) dan algoritma. Tersedianya kota, menjadi 32 (97%) dan 382 (77%) kabupaten/kota pada
sumber daya, kelayakan akuisisi, kualitas data, di samping tahun 2009. Provinsi Maluku, dari tahun 2002 sampai tahun
keahlian teknis yang tersedia, menentukan akurasi model 2009 tidak ada laporan kasus DBD. Selain itu terjadi juga
peramalan dan peta risiko DBD serta penerapannya dalam
peningkatan jumlah kasus DBD, pada tahun 1968 hanya 58
bidang kesehatan masyarakat. Beberapa variabel prediktor yang
tidak diketahui menimbulkan tantangan dan membatasi kasus menjadi 158.912 kasus pada tahun 2009 [3].
kemampuan untuk menghasilkan model peramalan dan peta
risiko yang efektif dan menjadi faktor kegagalan dalam Perubahan faktor demografis, urbanisasi, pasokan air
pengembangan sistem. bersih yang tidak memadai, migrasi penduduk [4], dan
pengenalan wilayah baru melalui perjalanan internasional
Keywords—demam berdarah dengue, forecast, prediction, menyebabkan peningkatan yang signifikan terhadap wabah
spatial model, data mining DBD dan sekitar 3,6 miliar orang saat ini memiliki potensi
resiko terkena wabah [5] selain itu faktor pengaruh yang lain
I. PENDAHULUAN yaitu perubahan iklim suatu wilayah [6; 7]. Perubahan
Demam Berdarah Dengue (DBD) merupakan jenis lingkungan dan populasi profil imunologi, transmisi terhadap
penyakit arbovirus yang ditransmisikan oleh 2 jenis vektor wabah DBD menunjukkan pola spasial dan temporal inheren
nyamuk yaitu Aedes aegypti dan Ae. Albopictus. Wabah DBD dinamis. Prediktor yang memiliki sifat non-homogen dan
kebanyakan ditemukan di daerah tropis dan sub tropis. tidak stabil dalam distribusi, mempersulit anggapan bahwa
Transmisi persebaran virus disebabkan oleh bermacam-macam perubahan epidemiologi sebagai faktor tunggal. Meskipun
faktor, salah satunya adalah kepadatan vektor nyamuk, memiliki kompleksitas yang tinggi, analisis variabel terkait,
peredaran serotipe virus dan tingkat populasi penduduk. distribusi vektor dan identifikasi kasus DBD dapat menjadi
Diperkirakan DBD mengalami kenaikan jumlah penderita alat yang berguna untuk menghasilkan data spasial dan
setiap tahun dengan range antara 50-100 juta dan angka temporal terhadap skenario penanggulangan wabah DBD [8].
1) Berbagai Jenis Peta Dengan Tujuan Tertentu 3.Model lain dilakukan oleh Seera & Lim (2014) pada [28]
Berbagai jenis peta dengan tujuan yang berbeda dan dengan mengembangkan sistem cerdas hibrid yang terdiri dari
memiliki peran yang berbeda dalam aplikasi kesehatan jaringan saraf Min-Max Fuzzy, klasifikasi dan regresi tree
masyarakat. Review tentang penerapan alat untuk prediksi, sebagai alat bantu pendukung keputusan dan alat dukungan
deteksi dan tren monitoring dalam sistem surveilans untuk klasifikasi data medis, namun tidak ada model
membahas kurangnya bukti tentang pengawasan yang paling peramalan data dan pemetaan pola spasial. Pekerjaan yang
layak dan berkelanjutan [22]. Studi prospektif sangat dilakukan memiliki kegunaan untuk pengukuran metrik dalam
diperlukan untuk dapat menentukan model yang paling tepat aplikasi medis yang meliputi akurasi, sensitivitas, spesifisitas,
dan paling hemat dari segi biaya serta sistem pengawasan dan serta daerah di bawah kurva Receiver Operating
respon yang baik untuk pencegahan kedaruratan wabah DBD. Characteristic yang dihitung. Hasil analisis kemudian
dibandingkan dengan metode lain. Sistem cerdas hybrid
2) Peta Prediksi Peramalan efektif untuk melakukan klasifikasi data medis jika diterapkan
Sebagian penelitian [1; 8; 19; 23; 24] membahas tentang dalam penanganan wabah DBD.
penanganan DBD menggunakan peta deskriptif menggunakan
variabel lingkungan dan manusia yang berhubungan dengan 4. Model lain membahas tentang prediksi kejadian kasus DBD
kasus DBD. Salah satu kelemahan dari jenis peta yang yang mewabah, yang memerlukan dilakukannya pengendalian
dihasilkan adalah nilai peramalan yang terbatas, karena hanya dan pencegahan. Prediksi dilakukan menggunakan entropy
menunjukkan histori daerah dari kejadian penyakit DBD. technique dan artificial neural network [29]. Penelitian ini
Meskipun relatif sederhana, hasil riset dapat membantu menggunakan data eksternal seperti temperatur, curah hujan,
otoritas kesehatan masyarakat dalam menentukan titik daerah dan kelembaban udara sebagai eksrak data masukan.
yang memiliki probabilitas meningkat dari waktu ke waktu Selanjutnya, supervised neural network dikembangkan untuk
dan memiliki kecenderungan pola yang sama di masa depan. menghitung kemungkinan resiko kejadian DBD. Prediksi
Pendekatan model bekerja relatif cukup baik di daerah yang dilakukan pada tahun 2007 dengan perbandingan akurasi data
memiliki potensi transmisi endemis DBD dan mendeteksi aktual sebesar 85,92 %.
cluster geografis. Meskipun dengan melakukan prediksi ada
beberapa kapasitas yang kurang, namun informasi tersebut 5. Pengembangan model prediksi yang lain dilakukan dengan
dapat menjadi informasi yang berharga untuk perawatan, menitikberatkan pada peta resiko kejadian kasus DBD. Peta
pengendalian vektor, kampanye vaksin ke daerah endemis resiko dibuat secara global dengan dukungan basis data
DBD. kejadian wabah penyakit DBD yang memiliki referensi data
kejadian dari publikasi penelitian. Pemanfaatan data
C. Pendekatan Model penginderaan jauh dari satelit (dari seri MODIS NASA), data
Pada sub bab 4.3 berisi tentang model yang dikembangkan meteorologi diinterpolasi, kemudian memprediksi peta
untuk model peramalan data kejadian kasus DBD. Terdapat distribusi dua spesies vektor utama demam berdarah yaitu
beberapa penelitian yang memiliki tujuan yang sama namun Aedes Aegypti dan Aedes Albopictus. Data permukaan elevasi
dengan cara atau teknik penyelesaian yang berbeda. digital dan data kepadatan populasi digunakan sebagai
variabel prediktor potensial pada pengembangan pemodelan
1) Pemodelan dari sisi Data Mining, Statistik & Spasial [30].
Berikut ini beberapa model pendekatan untuk peramalan data
kejadian kasus DBD ditinjau dari sisi data mining, statistik 6. Pengembangan model analisis spasial pada umumnya
ditinjau oleh Pfeiffer et. al. (2008) pada penelitian [31], di
1. Terdapat pengembangan model dengan penerapan mana sebagian besar teknik yang dijelaskan untuk ilustrasi
epidemiologi spasial dan spasial temporal untuk mengukur prediksi penyakit menular menggunakan dataset
variasi spasial dari hasil kesehatan, prediksi dan korelasi. epizootiological tuberkulosis pada sapi di Inggris 1986-1999.
Penelitian dilakukan dengan menguji hipotesis epidemiologi,
untuk mengevaluasi hubungan kesehatan lingkungan dan 7. Ada beberapa pendekatan yang telah digunakan dalam
sebagai petunjuk perancangan sampling data [9]. Batas-batas memprediksi wabah demam berdarah di masa depan dengan
geografis merupakan zona perubahan yang cepat pada mengoptimalkan keakuratan dalam prediksi [20; 32].
perubahan nilai variabel spasial yang didistribusikan dan Penggunaan metode dalam prediksi menyebabkan perbedaan
secara matematis dapat didefinisikan sebagai lokasi akurasi pada prediksi. Penggunaan data training dan learning
permukaan spasial. technique yang berbeda memiliki tingkat keakuratan yang