1, Juni 2010, 4146
ISSN 14112485
Pemetaan Penderita Pneumonia di Surabaya
dengan
Menggunakan Geostatistik
Stefanie Hartanto1, Siana Halim2, Oviliani Yenty
Yuliana3
Abstract: In this paper we mapped the location of Pneumonia disease in Surabaya. We also
analyse the survival of the afflicted and predict the spread of the disease using Kriging. The
study reveals that after 45 days in the hospital, the survival of the Pneumonia’s patients
decrease to 46.8%. Moreover, the centers of this disease are in Tubanan and
Sukomanunggal Both of these regions are in West Surabaya which also is an industrial part
of the city.
2001
Pneumonia adalah penyakit yang terjadi karena 2002
60
2003
maupun bakteri, (LIPI [8]). Pneumonia merupakan
30
[10]).
suatu pola yang hampir sama di setiap tahunnya. h al
i m @
pe
t ra
. a c . id
Jumlah penderita tampak tinggi di awal dan akhir
3
Fakultas Teknologi Industri, Jurusan Teknik Informatika,
Universitas Kristen Petra. Jl. Siwalankerto 121131,
tahun, yaitu pada kisaran bulan Januari hingga Surabaya
April dan November hingga Desember. Email:
o vi
@ pe
t r a.
ac
.i
d
Penderita Pneumonia ini didominasi oleh bayi dan Naskah masuk 22 January 2010; revisi 19 April 2010;
balita, umur 02 tahun (Gambar 2). Hal ini dika diterima untuk dipublikasikan 30 April 2010.
renakan puncak serangan infeksi mikroorganisme
penyebab Pneumonia bersifat rawan pada saat
usia
0–3 tahun. Setelah itu, serangan infeksi akan
mulai menurun sedikit demi sedikit (Senior [10]).
41
2 4 6 8 10 12
Bulan
Gambar 2. Histogram usia penderita
Pneumonia
42
Hartanto., et al. / Pemetaan Penderita Pneumonia di Surabaya / JTI, Vol. 12, No. 1, Juni 2010,
pp. 41–46
Hasil dari penelitian ini diharapkan dapat (survive) suatu observasi
Hartanto., et al. / Pemetaan Penderita Pneumonia di Surabaya / JTI, Vol. 12, No. 1, akan
Juni 2010, digunakan
pp. 41–46
mem berikan rekomendasi kepada pengambil Cox proportionalhazard regression model (Cox [1]),
kebijakan di yaitu
Surabaya untuk mencegah (menurunkan) hi (t ) = exp(α + β1 xi1 + β 2 xi 2 + ... + β k (2)
jumlah xik )
penderita penyakit
dimana α, β1,…, βk adalah parameter yang harus
ini.
diestimasi, i adalah objek yang diamati dan xi
Metode Penelitian adalah kovariat yang bersesuaian dengan objek i.
Survival
Kriging merupakan sebuah teknik interpolasi yang
Analysis didasarkan pada regresi terhadap suatu observasi
dari data di sekitar observasi tersebut. Bentuk
Survival analysis merupakan sebuah metode dasar dari estimator kriging dapat dinyatakan
statistik yang digunakan untuk dengan (Goovaerts [3]):
menganalisis n (u )
ketahanan sebuah sistem, dimana sistem
dapat
∑ [ )]
*
berupa benda maupun makhluk hidup (Lee et ( ) ( ) ( ) (
al.
[7]). Secara umum, survival analysis Z u −m u = λα Z u α − m u α (4)
memodelkan α =1
Spatial Outlier
Detection
S (t) = P(T > t) (1)
Untuk mendeteksi adanya outlier dalam data
di mana T adalah survival spasial pada penelitian ini digunakan metode
time. Route Outlier Detection (ROD), Shekhar et al. [11]:
y∈N (
Selanjutnya, untuk mengetahui faktorfaktor
(kova [
D(x) = f (x) − E (f( (5)
riat) yang dapat menentukan bertahan hidupnya
y))]
44
dimana f(x) merupakan nilai atribut dari data x, Tabel 1. Output tingkat ketahanan hidup penderita
N(x) Pneumonia
merupakan himpunan di daerah sekitar
(neighbor
hood set) dari x, E y∈N ( x) ( f ( merupakan Time n.risk n.event Survival Std.err
dan y)) 0 1850 0 1,000 0,00000
mean nilai atribut dari daerah sekitar. Statistik D(x) 1 1765 66 0,964 0,00433
menyatakan difference nilai atribut setiap data x 2 1680 44 0,940 0,00556
dengan mean nilai atribut daerah sekitar yang 3 1552 27 0,924 0,00621
dimilikinya. Selanjutnya, pendeteksi outlier diberi 4 1343 24 0,907 0,00692
5 1126 11 0,899 0,00727
kan oleh persamaan berikut … di potong
40 13 2 0,585 0,07182
D( x) − μ s 41 13 0 0,585 0,07182
σs > (6) 42 10 0 0,585 0,07182
10 0 0,585 0,07182
θ
di mana μs dan σs merupakan nilai mean dan
43
44 10 0 0,585 0,07182
standar deviasi dari semua statistik D(x). 45 8 2 0,468 0,09369
Pilihan nilai θ bergantung pada confidence
dipilih. Apabila confidence interval yang digunakan
adalah 95%, maka θ ≈ 2 . Setiap data x yang
memenuhi kondisi pada persamaan (6) disertakan
dalam set outlier O.
Hasil dan Pembahasan
43
Gambar 4. Fungsi ketahanan hidup berdasarkan usia
penderita Pneumonia.
44
tingkat signifikansi pengaruh usia terhadap keta
hanan hidup penderita Pneumonia.
Beberapa faktor yang diduga berpotensi memenga
ruhi ketahanan hidup penderita Pneumonia adalah
usia, jenis kelamin, pekerjaan, wilayah domisili,
serta jenis diagnosis. Cox proportional hazards
regression analysis dilakukan untuk mengetahui
faktor mana saja yang berpengaruh secara signi
fikan serta seberapa besar pengaruhnya. Output
hasil analisis dapat dilihat pada Tabel 3.
variogram
penyakit dapat digambarkan
Pneumonia dengan area dengan classical
tempat tinggal
[[150]]
estimator maupun modulus estimator. Gambaran [1] 57 107 151 153
Gambar 6. Hasil kontur kriging penyebaran
nya. Pada distance yang kecil, nilai semivariance
empirical variogram dari penyakit Pneumonia penyakit
[1] 107 149 150 155
cenderung kecil. Hal ini menunjukkan adanya
menunjukkan adanya dependensi antara penderita [[152]]
Pneumoni
homogenitas data pada daerahdaerah yang ber a
dekatan. Berikutnya, nilai semivariance tersebut
semakin meningkat seiring dengan meningkatnya
distance antar daerah. Pemetaan penyebaran
penyakit Pneumonia di area Surabaya dilakukan
dengan interpolasi metode ordinary kriging. Hasil
kontur kriging yang dilakukan pada penyakit
Pneumonia dapat dilihat pada Gambar 6.
46
[1] 52 57 58 59 60 65 66 154 155 menunjukkan hasil akhir pemetaan penyebaran
156 157 158
[[153]] Pneumonia dengan metode kriging.
[1] 57 144 145 146 147 150 154 155 156
Gambar 7. Output neighborhood untuk setiap Area
45
Pneu monia relatif tinggi pada awal diagnosis, dan
menurun sebesar 46,8% saat lama rawat
mencapai
45 hari. Hal ini menunjukkan bahwa Pneumonia
harus sesegera mungkin ditangani secara serius.
Simpulan