08 Naskah Publikasi PDF
08 Naskah Publikasi PDF
Sari – Penyakit tuberkulosis merupakan salah satu namun juga memberikan informasi lokasinya.Dengan
masalah kesehatan utama dan menyumbang jumlah demikian, hal tersebut dapat menekan jumlah daerah
angka kematian yang besar di dunia. Penyakit ini dapat yang berpotensi tinggi rawan penyakit tuberkulosis di
menular melalui udara yang disebabkan oleh bakteri masyarakat.
Mycobacterium Tuberculosis disaat terdapat penderita
tuberkulosis mengalami batuk. Indonesia termasuk Keyword - tuberkulosis paru, faktor, fuzzy inference
system, metode Tsukamoto, pemetaan.
dalam salah satu penyumbang jumlah penderita
tuberkulosis yang dikategorikan tinggi di dunia. Oleh I. Pendahuluan
karena itu media informasi tentang bahaya dan faktor A. Latar Belakang
penularan tuberkulosis sangat dibutuhkan masyarakat
Banyak orang di Indonesia telah meremehkan
Indonesia. Tidak hanya informasi tentang faktor
penyakit tuberkulosis paru atau yang dahulu sering disebut
penyebab risiko penularan tuberkulosis namun TBC yang kini menjadi sebutan TB Paru. Tuberkulosis Paru
informasi tentang pemetaan persebaran terhadap lokasi merupakan jenis penyakit yang bersifat menular dan
yang memiliki potensi rawan penyakit tuberkulosis juga berbahaya. Penyakit ini dapat menular melalui udara, yaitu
tidak kalah penting. Dengan adanya informasi ketika penderita mengalami bersin atau batuk kemudian
persebaran tingkat kerawanan tersebut dapat bakteri yang keluar terhirup oleh orang sehat lainnya. Masih
rendahnya tingkat kesembuhan akan berdampak negatif
memberikan informasi yang sangat berguna untuk
terhdap kondisi kesehatan masyarakat, karena berpeluang
masyarakat sekitar atau pengunjung yang akan terjadinya penularan penyakit TB Paru kepada anggota
mengunjungi suatu daerah guna memperoleh status keluarga dan masyarakat sekitarnya. Selain itu
kerawanan yang dimiliki. memungkinkan terjadinya peningkatan kasus penderita baru
dan kematian akibat TB Paru.
Oleh sebab itu, untuk membantu proses penentuan
tingkat kerawanan suatu daerah diperlukan sebuah Menurut Murwani, Arita (2011), tuberkulosis paru
aplikasi yang dapat membantu menentukan tingkat merupakan penyakit infeksi menular, menyerang pada paru,
yang disebabkan oleh basil Mycobacteriumtuberculose.
kerawanan penyakit tuberkulosis paru. Sistem tersebut
Menurut Depkes RI (2014), tuberkulosis adalah suatu
juga dapat membantu instansi kesehatan guna penyakit menular yang disebabkan bakteri Mycobacterium
melakukan pemantauan serta penindaklanjutan tuberculosis, yang dapat menyerang berbagai organ,
terhadap suatu daerah yang memiliki potensi rawan terutama paru-paru. Penyakit ini bila tidak diobati atau
penyakit tuberkulosis paru. Metode yang terdapat pada pengobatannya tidak tuntas dapat menimbulkan komplikasi
fuzzy inference system, yaitu metode Fuzzy Tsukamoto berbahaya hingga kematian.
dapat dijadikan sebagai salah satu alternatif untuk
Menurut World Health Organization (WHO) pada
proses menghitung serta menentukan tingkat tahun 2014 angka kematian akibat penyakit tuberkulosis
kerawanan dengan mempertimbangkan data faktor- mencapai sekitar 1,5 juta orang di dunia. Penyakit ini
faktor yang mempengaruhi. Hasil perhitungan tersebut menempati urutan bersama HIV sebagai pembunuh utama di
dapat diimplementasikan dalam bentuk peta, yang tidak seluruh dunia. Dari sekitar 1,5 juta orang dibunuh oleh TB,
hanya menampilkan data nilai tingkat kerawanan diantaranya terdapat 400.000 penderita HIV positif. Lebih
dari separuh kasus TB di dunia (54%) terjadi di China,
India, Indonesia, Nigeria dan Pakistan. Dalam kasus membantu pengolahan data dalam Sistem Informasi
tuberkulosis yang tertingi di dunia, Indonesia menempati Geografis ini dengan baik.
posisi diantara 5 besar.
B. Rumusan Masalah
Menurut hasil Riskesdas 2013, prevalensi TB di
Indonesia berdasarkan diagnosis sebesar 0,4% dari jumlah Berdasarkan latar belakang di atas maka dapat
penduduk. Menurut provinsi, prevalensi TB paru tertinggi diperoleh rumusan masalah, yaitu bagaimana merancang
berdasarkan diagnosis yaitu Jawa Barat sebesar 0,7%, DKI dan membangun Sistem Informasi Geografis yang dapat
Jakarta dan Papua masing-masing sebesar 0,6%. Sedangkan memetakan daerah tingkat kerawanan tuberkulosis paru di
Provinsi Riau, Lampung, dan Bali merupakan provinsi Jawa Barat dengan menggunakan metode tsukamoto?
dengan prevalensi TB paru terendah berdasarkan diagnosis
yaitu masing-masing sebesar 0,1% (Depkes, 2014). C. Batasan Masalah
Prevalensi diagnosis TB oleh tenaga kesehatan 2013 1. Pemetaan hasil tingkat kerawanan tuberkulosis
di Jawa Barat berdasarkan hasil Riskesdas 2013 adalah 0,7 paru dilakukan di Provinsi Jawa Barat .
persen (Nasional 0,4%). Lima kabupaten/kota dengan TB 2. Pemetaan hanya menampilkan wilayah per
tertinggi adalah Kab. Cianjur, Kab. Subang, Kab. Sukabumi, kabupaten.
Kab. Bandung dan Kab. Bekasi. Berdasarkan jenis kelamin 3. Jumlah data kabupaten yang digunakan di dalam
prevalensi pada laki-laki sebesar 0,4 % dan pada perempuan sistem adalah 27 kabupaten.
0,3 %. Berdasarkan pekerjaan prevalensi ditemukan pada 4. Setiap variabel fuzzy hanya menggunakan dua
pedesaan sebesar 0,3% dan di perkotaan sebesar 0,4% buah himpunan fuzzy.
(Dinkes Jawa Barat, 2013). 5. Variabel input fuzzy yang digunakan pada sistem
meliputi : kepadatan penduduk, kasus TB,
Berdasarkan data yang telah diterangkan sebelumnya kematian, Rumah Tangga Berperilaku Hidup
dapat disimpulkan bahwa Provinsi Jawa Barat merupakan Bersih Sehat (RTPHBS) dan fasilitas kesehatan.
daerah yang memiliki potensi daerah dengan tingkat
kerawanan tuberkulosis tertinggi di Indonesia. Namun kini D. Tujuan Penelitian
di Indonesia masih jarang ditemukan sebuah media
informasi yang membahas tentang persebaran tingkat Penelitian ini bertujuan untuk menghasilkan sebuah
kerawanan tuberkulosis di Indonesia terutama Provinsi Jawa sistem perangkat lunak berbasis web yang dapat membantu
Barat. dalam menentukan tingkat kerawanan penyakit tuberkulosis
paru pada suatu daerah berdasarkan faktor-faktor yang ada.
Mengenai permasalahan tersebut dengan adanya
informasi lokasi persebaran tingkat kerawanan tuberkulosis E. Manfaat Penelitian
paru yang dikemas dalam bentuk Sistem Informasi
Geografis, diharapkan dapat membantu dalam pengelolaan
data kasus yang mempengaruhi tingkat kerawanan TB Paru 1. Memberikan informasi kepada masyarakat atau
serta pemantauan persebaran penyakit oleh instansi pengunjung tentang daerah rawan penyakit
kesehatan yang menggunakannya. Sehingga kelak dapat tuberkulosis paru.
dilakukan penanganan lebih lanjut bagi daerah yang 2. Untuk instansi kesehatan terkait, diharapkan dapat
memiliki tingkat kerawanan yang tinggi membantu dalam pengelolaan data faktor penyebab
tingkat kerawanan serta pemantauan persebaran
Oleh karena itu dangan adanya SIG ini, diharapkan penyakit tuberkulosis paru.
kepada pengguna sistem dapat memperoleh informasi 3. Untuk penulis, menambah pengetahuan tentang
persebaran suatu daerah dengan tingkat kerawanan TB paru pentingnya peta daerah rawan penyakit tuberkulosis
yang dimiliki. Informasi yang disajikan meliputi bentuk paru serta menambah wawasan dan pengalaman dalam
peta, grafik, ataupun tabel. Dalam pengolahan data non- pengolahan data dengan menggunakan metode fuzzy
spasial di SIG dapat memanfaatkan salah satu metode Tsukamoto.
Sistem Inferensi Fuzzy, yaitu metode Tsukamoto. Data non-
spasial yang terkait merupakan faktor-faktor penyebab II. Landasan Teori
tingkat kerawanan tuberkulosis di Provinsi Jawa Barat.
Dengan menerapkan konsep dari Sistem Inferensi Fuzzy
akan sangat membantu dalam meng-iferensi atau menarik A. Fuzzy Inference System
kesimpulan dari hasil pengolahan seluruh data faktor yang
terkait dengan menghasilkan sebuah nilai tingkat kerawanan Sistem inferensi fuzzy (fuzzy inference system)
secara tegas dan pasti. Metode Tsukamoto memiliki merupakan suatu sistem yang mampu menarik kesimpulan
kelebihan yaitu mudah dimengerti dan sangat fleksibel. (inferensi) dengan menggunakan konsep logika fuzzy.
Oleh karena itu diharapkan metode Tsukamoto dapat Sistem tersebut akan bekerja layaknya proses penalaran
yang dilakukan berdasar naluri yang dimiliki oleh manusia. aturan-aturan yang berbentuk if-then, lalu akan dicari α-
Jika dilihat dari datanya, sistem inferensi fuzzy akan predikat (fire-strength) dari setiap aturan yang ada. Jika
mengolah sekumpulan data yang memiliki ketidakpastian. terdapat lebih dari satu aturan maka akan diagregasikan, lalu
Dinyatakan ketidakpastian karena data tersebut tidak hanya setelahnya dilakukan proses defuzzifikasi dengan metode
berada pada kondisi “ya” dan “tidak”, namun dapat juga rata-rata terbobot untuk mendapat output berupa himpunan
berada diantara keduanya. [6] crisp. [9]
Sistem inferensi fuzzy memiliki beberapa komponen Sebagai contoh ada 2 variabel input , Var-1(x) dan
utama, diantaranya adalah: variabel fuzzy, himpunan fuzzy, Var-2(y), serta satu variabel output Var-3(z). Himpunan
dan aturan-aturan. Dalam pengolahan datanya, pada sistem untuk Var-1 terbagi atas 2 himpunan yaitu A1 dan A2, Var-
inferensi fuzzy dikenal adanya proses fuzzifikasi, yaitu 2 terbagi atas 2 himpunan yaitu B1 dan B2, dan Var-3 juga
proses mengubah suatu masukan berupa nilai aktual (crisp) terbagi atas 2 himpunan yaitu C1 dan C2 (C1 dan C2 harus
menjadi bernilai kabur (fuzzy). Fungsi fuzzifikasi sendiri monoton). Ada dua aturan yang digunakan, yaitu :
terbagi menjadi 2, yaitu fungsi untuk menentukan derajat
keanggotaan, dan fungsi penggunaan operator. Selain [R1] IF (x is A1) and (y is B2) THEN (z is C1)
fuzzifikasi, juga dikenal fungsi defuzzifikasi, yaitu fungsi
untuk mengubah kembali hasil perhitungan dari yang [R1] IF (x is A2) and (y is B1) THEN (z is C2)
bernilai fuzzy menjadi bernilai crisp sebagai output sistem .
[7] Alur inferensi untuk mendapat satu nilai crisp seperti
terlihat pada gambar 2.14 berikut [10] :
B. Himpunan Fuzzy
IV. Hasil dan Pembahasan [RULE 3] IF kepadatan penduduk jarang AND kasus
TB banyak AND kematian sedikit AND RTPHBS kecil
AND fasilitas kesehatan banyak THEN tingkat
A. Implementasi Sistem kerawanan tinggi
1) Input nilai variabel fuzzy [RULE 4] IF kepadatan penduduk padat AND kasus TB
a. Kepadatan penduduk [436.8047549-15309.26707] sedikit AND kematian sedikit AND RTPHBS kecil
jiwa/Km². AND fasilitas kesehatan sedikit THEN tingkat
b. Kasus TB: menunjukkan data jumlah kasus tuberkulosis kerawanan tinggi
paru yang terjadi. Semesta pembicaraan variabel kasus
TB yaitu [193-8002] kasus. [RULE 5] IF kepadatan penduduk padat AND kasus TB
c. Kematian: menunjukkan data jumlah kematian akibat banyak AND kematian banyak AND RTPHBS besar
dari penyakit tubrekulosis paru. Semesta pembicaraan AND fasilitas kesehatan banyak THEN tingkat
variabel kematian yaitu [0-60] jiwa. kerawanan tinggi
d. RTPHBS: menunjukkan data jumlah Rumah Tangga
Berperilaku Hidup Bersih Sehat (PHBS) di Jawa Barat. [RULE 6] IF kepadatan penduduk jarang AND kasus
Semesta pembicaraan variabel RTPHBS yaitu TB sedikit AND kematian sedikit AND RTPHBS besar
[30.95121626-77.236739] %. AND fasilitas kesehatan banyak THEN tingkat
e. Fasilitas Kesehatan: menunjukkan data jumlah fasilitas kerawanan rendah
kesehatan (rumah sakit dan puskesmas) yang terdapat di
Jawa Barat. Semesta pembicaraan variabel fasilitas [RULE 7] IF kepadatan penduduk jarang AND kasus
kesehatan yaitu [13-127] fasilitas. TB sedikit AND kematian sedikit AND RTPHBS besar
f. Tingkat Kerawanan: merupakan variabel output yang AND fasilitas kesehatan sedikit THEN tingkat
menunjukkan tingkat kerawanan penyakit tuberkulosis kerawanan rendah
[RULE 8] IF kepadatan penduduk jarang AND kasus
TB sedikit AND kematian sedikit AND RTPHBS kecil µBESAR[d] ={
AND fasilitas kesehatan sedikit THEN tingkat e. Fasilitas Kesehatan
kerawanan rendah Fungsi keanggotaan dari variabel fasilitas
kesehatan dirumuskan sebagai berikut:
4) Menghitung nilai derajat keanggotaan (μ)
Fungsi keanggotaan dari setiap himpunan fuzzy
yang ada adalah sebagai berikut: µRENDAH[e] ={
µRENDAH[z] = {
µTINGGI[z]= {
µPADAT[a] =
{
5) Menghitung nilai α-predikat
Setelah ditentukan nilai derajat
keanggotaan kemudian proses berikutnya
b. Kasus TB menentukanan nilai α-predikat. Dalam metode
Fungsi keanggotaan dari variabel Kasus TB Fuzzy Tsukamoto, inferensi dilakukan dengan
dirumuskan sebagai berikut: menggunakan operasi AND. Nilai α-predikat
diperoleh dengan mengambil nilai minimum dari
derajat keanggotaan antara variabel satu dengan
µSEDIKIT[b] = variabel yang lain, yang telah dikombinasikan
{ dalam aturan yang telah ditentukan sebelumnya.
µKECIL[d] ={
informasi tingkat kerawanan penyakit
tuberkulosis paru dan analisis beserta data faktor
yang terdapat pada sistem ini.
B. Saran
a. Tampilan peta hasil perhitungan daerah tingkat [2] Departemen Kesehatan RI. 2014. Profil Kesehatan
kerawanan penyakit tuberkulosis paru Indonesia 2014. Jakarta: Kementerian Kesehatan RI.
menggunakan amMap sehingga lebih interaktif
dengan tampilan area (polygon). [3] World Heart Federation. (2015). Tuberculosis
b. Variabel pada sistem bersifat dinamis sehingga mortality nearly halved since 1990. Diakses pada
dapat ditambahkan faktor penyebab resiko tanggal 2 Januari 2016, dari website
kerawanan lebih banyak. http://www.who.int/mediacentre/news/releases/2015/tu
c. Terdapat grafik yang mampu menampilkan berculosis-mortality/en/
tingkat kerawanan sebagai paramaeter utama
namun dapat memilih parameter lain yang [4] Departemen Kesehatan RI. 2014. Profil Kesehatan
merujuk ke data faktor penyebab kerawanan Indonesia 2014. Jakarta: Kementerian Kesehatan RI.
tuberkulosis.
[5] Departemen Kesehatan RI. 2014. Profil Kesehatan
2. Kekurangan Sistem Indonesia 2014. Jakarta: Kementerian Kesehatan RI.
V. Kesimpulan dan Saran [8] Kusumadewi, Sri. 2003. Artificial Intelligence (Teknik
dan Aplikasinya). Yogyakarta: Graha Ilmu.