JAGAT (Jurnal Geografi Aplikasi Dan Teknologi)

ISSN : 2549-9181 | e-ISSN : 2684-6705

| Vol. 4 | No. 2 | 2020

Pemetaan Distribusi Kerentanan Penyakit Demam

Berdarah di Kota Baubau Menggunakan Algoritma
Machine Learning
Rahmat Azul Mizan1, Prima Widayani2, Nur Mohammad Farda3.
1
Program Studi Magister Penginderaan Jauh, Departemen Sains Informasi Geografi,
Fakultas Geografi, Universitas Gadjah Mada
2
Program Studi Magister Penginderaan Jauh, Departemen Sains Informasi Geografi,
Fakultas Geografi, Universitas Gadjah Mada
3
Program Studi Magister Penginderaan Jauh, Departemen Sains Informasi Geografi,
Fakultas Geografi, Universitas Gadjah Mada

e-mail: azul_mizan@yahoo.co.id1, primawidayani@ugm.ac.id2, farda@ugm.ac.id3.

Abstrak: Sejak tahun 2013 hingga tahun 2017 serangan penyakit demam berdarah (DBD) di Kota
Baubau terus mengalami peningkatan jumlah angka kesakitan. Laporan Dinas Kesehatan Propinsi
Sulawesi Tenggara Tahun 2018 menunjukan fakta bahwa Baubau merupakan kota dengan angka
kejadian DBD tertinggi ketiga dari 17 kabupaten/kota lainnya. Pemetaan distribusi tingkat kerentanan
wilayah terhadap penyakit DBD merupakan langkah penting dalam mendukung penyusunan strategi
penanganan penyakit DBD. Penelitian ini bertujuan memetakan dan mendeskripsikan distribusi
tingkat kerentanan lokasi penelitian. Kota Baubau sebagai lokasi penelitian dengan mengambil
populasi sebanyak 129 kasus kejadian sepanjang tahun 2015 hingga Februari 2016. Dalam penelitian
ini, kami mensimulasikan distribusi kerentanan wilayah terhadap penyakit demam berdarah pada
resolusi spasial 30x30 meter. Model dibuat menggunakan dua algoritma machine learning yang cukup
kuat dan umum digunakan mencakup support vector machine (SVM) dan random forest (RF) dengan
melibatkan sejumlah variabel seperti penggunaan/tutupan lahan, NDVI, BLFEI, LST, curah hujan dan
kelembapan tahunan yang diturunkan dari citra Landsat 8 OLI/TIRS dan data iklim BMKG serta
BWS. Kemampuan model dinilai menggunakan kurva area under curve-receiver operating
characteristic (AUC-ROC). Hasil penelitian menunjukan Kecamatan Batupuaro dan Murhum
merupakan kecamatan yang wilayah administrasinya didominasi oleh zona rentan sebesar 92,54% dan
41, 74% dari luas total wilayah masing-masing.

Kata Kunci: Machine Learning, Kerentanan, Demam Berdarah, Citra Landsat 8

Abstract: Incident cases of dengue fever in Baubau City has increased from 2013 until 2017.
According to the report of Health Office Southeast Sulawesi, from the 17 other cities/districts, Baubau
is the third highest city with dengue case. Simulation the distribution of the disease vulnerability is of
great importance in formulating public health planning and disease control strategies. This study aims
to mapping and describing the distribution of dengue vulnerability. Baubau city as the research
location with 129 dengue case as population from 2015 to February 2016. In this study, we simulated
the distribution of vulnerability at a 30 x 30 meters spatial resolution. The model was created using
two relatively popular and robust machine learning algorithms, including support vector machines
(SVM) and random forest (RF) with a number of variables such as land use/land cover, NDVI, BLFEI,
LST, rainfall and humidity derived from Landsat 8 OLI/TIRS imagery and climate data from BMKG
and BWS. Models performance is assessed using AUC-ROC area curve. The results showed that area
of Batupuaro and Murhum were dominated by vulnerable zones of 92,54% and 41,74% of the total
area, respectively.

Keywords: Machine Learning, Vulnerability, Dengue, Landsat 8 Imagery

Oktober --- 45
 JAGAT (Jurnal Geografi Aplikasi Dan Teknologi)
1. PENDAHULUAN
Isu perubahan iklim menjadi masalah
yang paling diperhatikan menurut
responden pada global shapers survey
(World Economic Forum, 2017). Berbagai
penelitian seperti (Lee et al., 2018; Naish et
al., 2014) membuktikan bahwa perubahan
iklim mampu meningkatkan penyebaran
penyakit menular yang disebabkan oleh
virus dan ditransmisikan melalui spesis
nyamuk salah satu adalah penyakit demam
berdarah.
Secara sederhana, demam berdarah
merupakan penyakit yang disebabkan oleh
virus dengue yang ditransmisikan melalui
nyamuk Aedes aegypti dan Aedes
albopictus dengan gejala klinis demam
mendadak selama 2-7 hari serta diikuti sakit
kepala, mual dan manifestasi pendarahan
lainnya (Kementerian Kesehatan RI, 2017).
Saat ini demam berdarah telah dijadikan
perhatian utama dalam dunia kesehatan
khususnya bidang penyakit menular karena
telah menyebabkan lebih dari setengah
penduduk dunia menjalani rawat inap dan
bertanggung jawab terhadap kematian.
Lebih jauh, organisasi kesehatan dunia
(WHO, 2018) menjadikan demam berdarah
sebagai arbovirus utama didunia karena
peningkatanya mencapai tiga kali lipat
dalam lima dekade terakhir dengan Asia
Tenggara dan Pasifik Barat sebagai daerah
dengan kasus terparah. Indonesia
merupakan salahsatu wilayah endemis
dengan kasus kejadian terbesar ketiga dari
30 wilayah endemis lainnya di Asia
Tenggara (Kementerian Kesehatan RI,
2018).
Kenyataan bahwa belum adanya vaksin
dan upaya kontrol yang tepat dalam
membasmi spesis nyamuk Aedes (Bhatt et
al., 2013) yang berperan sebagai vektor
dalam proses transmisi menjadikan angka
kejadian demam berdarah dilaporkan oleh
(WHO, 2019) terus meningkat dalam
beberapa tahun terakhir. Kondisi ini
diperparah oleh belum maksimalnya
penerapan international health regulation
atau standar strategi perencanaan
penanggulan demam berdarah.
46 --- Oktober
ISSN : 2549-9181 | e-ISSN : 2684-6705
| Vol. 4 | No.2 | 2020
Berbagai upaya kontrol dan pencegahan
demam berdarah terus dilakukan,
salahsatunya melalui pemodelan spasial
kerentanan wilayah yang melibatkan
teknologi penginderaan jauh dan sistem
informasi geografis dalam rangka
mendukung penyusunan dan pengambilan
kebijakan bagi seluruh stakeholder.
Pemodelan spasial umumnya digunakan
dalam mengidentifikasi daerah-daerah
rentan terhadap demam berdarah dengan
melibatkan sejumlah variabel baik yang
bentuknya berupa variabel fisik lingkungan
(Ding et al., 2018; Pineda-Cortel et al.,
2019) maupun sosial ekonomi (Khormi &
Kumar, 2011) atau gabungan dari keduanya
(Adzan & Danoedoro, 2012; Widayani,
2010).
Pesatnya perkembangan pemodelan
spasial dalam berbagai bidang termasuk
dalam dunia kesehatan disebabkan oleh
kemampuan teknologi penginderaan jauh
dalam mengatasi permasalahan yang umum
dijumpai dalam pemodelan fisik
konvensional yaitu ketersedian data
variabel pemodelan. Teknologi
penginderaan jauh mampuh memangkas
aspek waktu, tenaga dan biaya yang
dibutuhkan dalam mengumpulkan data
variabel pemodelan yang umumnya sulit
dilakukan melalui pengukuran langusung
dilapangan. Kemampuan ini berimplikasi
pada ketersediaan data berupa kontinuitas
dan otamatisasi. Salahsatu produk
penginderaan jauh yang telah banyak
digunakan dalam berbagai bidang seperti
pertanian, kehutanan, sumberdaya air
bahkan dalam bidang kesehatan (NASA,
2019).
Dalam bidang spasial, seiring dengan
peningkatan kemampuan alat dan sensor
dalam pengumpulan informasi telah
memunculkan istilah big data geospastial
yang merupakan cikal bakal terbentuknya
bidang geospatial artificial intelligent
(geoAI). Secara singkat geoAI merupakan
bidang sains yang terbentuk dari gabungan
bidang sains spasial dan artificial
intelligent khususnya machine learning dan
data mining untuk mengungkap informasi
 JAGAT (Jurnal Geografi Aplikasi Dan Teknologi)
yang lebih bermakna dari big data
geospatial.
Metode macine learning sendiri telah
digunakan dalam berbagai macam bidang
pemodelan spasial seperti tanah longsor
(Motevalli et al., 2018), kebakaran hutan
(Bui et al., 2016), dan bahkan pemodelan
distribusi nyamuk Aedes aegypti dan Aedes
albopictus sebagai vektor demam berdarah
(Ding et al., 2018). Hasil penelitian
berbagai peneliti tersebut memberikan
kesimpulan yang seragam yaitu
penggunaan metode machine learning
memberikan hasil yang maksimal baik pada
tingkat akurasi model, efektivitas
perhitungan maupun efisiensi waktu.
Dengan pertimbangan ini perlu
pemodelan kerentanan demam berdarah di
Kota Baubau sebagai wilayah dengan
angka kejadian tertinggi ketiga dari 17
kabupaten/kota lainnya di Sulawesi
ISSN : 2549-9181 | e-ISSN : 2684-6705
| Vol. 4 | No. 2 | 2020
Tenggara (Dinkes Provinsi Sulawesi
Tenggara, 2018). Penelitian ini bertujuan
memetakan dan mendeskripsikan distribusi
kerentanan demam berdarah. Hasil
penelitian ini diharapkan mampuh
mendukung penyusunan kebijakan mitigasi
demam berdarah yang efektif dan efisien di
Kota Baubau.
2. METODE PENELITIAN
2.1 Lokasi Penelitian
Lokasi penelitian (Gambar 1) dilakukan
di Kota Baubau Propinsi Sulawesi
Tenggara. Secara geografis Kota Baubau
terletak antara 5,210-5,330 LS dan diantara
122,300-122,470 BT dan terdiri atas delapan
kecamatan mencakup Kecamatan
Sorawolio, Bungi, Lea-Lea, Wolio,
Betoambari, Kokalukuna, Murhum dan
Kecamatan Batupuaro (BPS, 2018).

Gambar 1. Peta Administrasi Lokasi Penelitian

2.2 Alat dan Bahan
Alat dan bahan yang digunakan untuk menjalan penelitian ini dijabarkan pada Tabel 1 dan
2 berikut:
Tabel 1 Alat Penelitian
No. Alat Kegunaan
Marking lokasi penderita DBD dan pengambilan lokasi sampel untuk
1. GPS
klasifikasi penutup/penggunaan lahan.
Software Sistem Alat analisis spasial untuk menghasilkan variabel penelitian dan
2. Informasi visualisasi model dalam bentuk peta digital
Geografis
3. Software ENVI Alat pengolah citra digital untuk menghasilkan variabel penelitian
Alat untuk melakukan proses klasifikasi menggunakan algoritma machine
4. Software R
learning

Tabel 2 Bahan Penelitian

No. Data dan Bahan Sumber Fungsi
1. Data Curah Hujan BMKG Stasiun III Sebagai bahan pembuatan peta curah hujan
Oktober --- 47
 JAGAT (Jurnal Geografi Aplikasi Dan Teknologi)
ISSN : 2549-9181 | e-ISSN : 2684-6705
| Vol. 4 | No.2 | 2020
No. Data dan Bahan Sumber Fungsi
dan Kelembapan Betoambari dan BWS yang digunakan sebagai variabel penelitian
Tahun 2015 Sulawesi IV
Data penderita DBD Dinas Kesehatan dan Sebagai bahan pembuatan data training dan
2.
tahun 2015 Puskemas Kota Baubau validasi model
BMKG Stasiun III
Data lokasi stasiun Sebagai bahan pembuatan data titik acuan
3. Betoambari dan BWS
pengamatan iklim interpolasi data curah hujan
Sulawesi IV
Sebagai bahan pembuatan peta indeks
Citra Landsat 8
kerapatan vegetasi (NDVI), indeks kerapatan
4. OLI/TIRS Tahun USGS Earthexplorer
bangunan (BLFI), suhu permukaan (LST),
2015
dan tutupan lahan

2.3 Populasi dan Sampel NIR dan RED adalah band inframerah
Sejumlah 129 kasus kejadian demam dekat (band 5) dan band merah (band 4)
berdarah yang terjadi sepanjang tahun 2015 dari citra Landsat 8 OLI/TIRS dengan
hingga Februari 2016 digunakan untuk panjang gelombang 0,851 – 0,879µm dan
membangun dan memvalidasi model yang 0,636 – 0,673µm secara berurutan.
dihasilkan. Kasus kejadian dikelompokan c. BLFEI
kedalam dua bagian utama sebagai data Kenampakan lahan terbangun dan
latih (training) dan validasi model lahan terbuka serta tubuh air dihitung
(validation) dengan proporsi ±70% dan menggunakan persamaan indeks kerapatan
±30% secara berturut-turut (Ding et al., bangunan yang diajukan oleh
2018; Motevalli et al., 2018) (Bouhennache et al., 2018).
𝑂𝐿𝐼3 + 𝑂𝐿𝐼4 + 𝑂𝐿𝐼7
2.4 Ekstraksi Variabel Pemodelan − 𝑂𝐿𝐼6
𝐵𝐿𝐹𝐸𝐼 = 3
𝑂𝐿𝐼3 + 𝑂𝐿𝐼4 + 𝑂𝐿𝐼7 .............(2)
a. Tutupan/Penggunaan Lahan + 𝑂𝐿𝐼7
3
Ekstraksi variabel
tutupan/penggunaan lahan menggunakan Dengan 𝑂𝐿𝐼3, 𝑂𝐿𝐼4, 𝑂𝐿𝐼6, dan 𝑂𝐿𝐼7
pendekatan klasifikasi multi spektral. adalah band 3= 0,533 – 0,590µm, band 4 =
Parameter klasifikasi mengacu pada 0,636 – 0,673µm, band 6 =1,566 – 1,651µm,
(Danoedoro, 2012) mencakup skema dan band 7= 2,107 – 2,294µm citra Landsat 8
klasifikasi, algoritma klasifikasi dan jumlah OLI.
serta distribusi training sample. Skema d. Land Surface Temperature
klasifikasi yang digunakan adalah SNI Suhu permukaan dihitung mengacu
7645-1: 2014 tentang klasifikasi penutup pada persamaan yang dikeluarkan dalam
lahan-bagian 1: skala kecil dan menengah. handbook Landsat 8 (USGS, 2019).
𝐾2
Maximum likelihood dipilih sebagai 𝑇𝑟𝑎𝑑 =
𝐾1
− 273,15
..... (3)
algoritma klasifikasi karena lebih mapan 𝑙𝑛 ( + 1)
𝐿𝜆
dibandingkan dengan algoritma lainnya Dimana 𝐾1 dan 𝐾2 adalah konstanta
sementara itu sampel klasifikasi tersebar kalibrasi radian spektral dan konstanta
merata pada cakupan citra dengan syarat kalibrasi suhu absolut band 10, 𝐿𝜆 adalah
luasan area minimal 10-40 piksel setiap TOA spectral radians atau nilai radian
training sampel. spektral terkoreksi dalam satuan
b. NDVI (Watts/(m2*srad*µm)) yang dihitung
Perhitungan indeks kerapatan vegetasi menggunakan persamaan (4) oleh (Coll et
menggunakan persamaan (1) yang al., 2010) dalam (Fawzi, 2014).
digunakan oleh (Ganie & Nusrath, 2016) 𝐿𝜆 − 𝐿↑𝑎𝑡𝑚 1 −𝜀𝜆 ↓
berikut: 𝐿𝑠𝑒𝑛𝑠𝑜𝑟, 𝜆 = − 𝐿 ..........(4)
𝜏𝜆 𝜀𝜆 𝑎𝑡𝑚
(𝑁𝐼𝑅 − 𝑅𝐸𝐷)
𝑁𝐷𝑉𝐼 = ..........................(1)
(𝑁𝐼𝑅 + 𝑅𝐸𝐷)
48 --- Oktober
 JAGAT (Jurnal Geografi Aplikasi Dan Teknologi)
Dimana 𝐿𝜆 , 𝜀𝜆, 𝐿↓𝑎𝑡𝑚 , 𝐿↑𝑎𝑡𝑚, 𝜏𝜆 secara
berturut-turut adalah radian spektral band
10, nilai emisivitas objek, nilai
downwelling radiasi atmosfer (W/m2.sr.
µm), nilai upwelling radiansi atmosfer
(W/m2.sr. µm), dan nilai tranmistansi
atmosfer. Nilai downwelling dan upwelling
diperoleh melalui laman
http://atmcorr.gsfc.nasa.gov/. Sementara
itu nilai radian spektral (𝐿𝜆 ) perlu dihitung
terlebih dahulu menggunakan persamaan
(5)
𝐿𝜆 = 𝑀𝐿 𝑄𝑐𝑎𝑙 + 𝐴𝐿 … … … … … … … … … …(5)
𝑀𝐿 dan 𝐴𝐿 adalah konstanta
rescalling dan konstanta penambah pada
meta data serta 𝑄𝑐𝑎𝑙 merupakan nilai piksel
band 10. Persamaan (4) juga memerlukan
nilai emisivitas objek (𝜀𝜆 ) yang dihitung
tersendiri berdasarkan persamaan yang
dikemukakan oleh (Valor & Caselles, 1996)
dalam (Fawzi, 2014).
𝜀 = 𝜀𝑣 𝑃𝑣 + 𝜀𝑠 (1 − 𝑃𝑣 ) + 0,06𝑃𝑣 (1 − 𝑃𝑣 ) … … … …(6)
𝜀𝑣 , 𝜀𝑠 merupakan emisivitas vegetasi
dan emisitas tanah secara berurutan,
sementara 𝑃𝑣 adalah fraksi vegetasi dimana
perhitungannya didasarkan pada nilai
NDVI yang telah dihitung lebih dahulu
pada sub bahasan (2.4.2)
𝑁𝐷𝑉𝐼−𝑁𝐷𝑉𝐼𝑠 2
𝑃𝑣 = [ ] … … … … … … … … … … … ..(7)
𝑁𝐷𝑉𝐼𝑣 −𝑁𝐷𝑉𝐼𝑠
𝑁𝐷𝑉𝐼𝑠 dan 𝑁𝐷𝑉𝐼𝑣 adalah nilai NDVI
untuk tanah kosong dan nilai NDVI dengan
fraksi 100%. Nilai 𝑁𝐷𝑉𝐼𝑠 mengacu pada
(Fawzi, 2014) adalah 0,15 dan 𝑁𝐷𝑉𝐼𝑣
menggunakan nilai maksimal statistik citra
NDVI yakni 0.867622.
e. Curah Hujan dan Kelembapan
Tahunan
Variabel curah hujan dan kelembapan
tahunan diperoleh melalui metode yang
sama yaitu interpolasi data iklim
menggunakan metode inverst distance
weight (IDW). Tidak ada satu metode
interpolasi yang sesuai untuk semua
wilayah (Tveito, 2007 dalam Sluiter, 2008),
maka metode IDW dipilih berdasarkan dua
pertimbangan yaitu kondisi topografi
wilayah dan jumlah stasiun. Formula IDW
yang digunakan mengacu pada (Kurniadi et
al., 2018), sebagai berikut:
ISSN : 2549-9181 | e-ISSN : 2684-6705
| Vol. 4 | No. 2 | 2020
1
∑𝑠𝑖=1 𝑍𝑖 𝑘
𝑑 𝑖
𝑍0 = 1 .........................................(8)
∑𝑠𝑖=1 𝑘
𝑑𝑖
Dimana 𝑍0 merupakan perkiraan nilai
pada titik 0; 𝑍𝑖 adalah nilai z pada titik
kontrol i; 𝑑𝑖 adalah jarak antara titik i dan
titik 0 dan 𝑘 adalah pengaruh titik tetangga
serta 𝑠 merupakan jumlah titik stasiun yang
digunaka
f. Teknik Analis Data
Klasifikasi tingkat kerentanan demam
berdarah menggunakan algoritma machine
learning dijalankan menggunakan software
RStudio 3.3.1 64-bit dengan tambahan
package caret, kernlab, randomForest guna
menjalankan aloritma machine learning
mencakup SVM dan RF.
2.5. Support Vector Machine (SVM)
Model SVM pertamakali
diperkenalkan oleh (Vapnik, 1955 dalam
Motevalli et al., 2018) yang berbasis pada
teori pembelajaran statistik. Dalam
perkembangannya SVM telah luas
digunakan pada berbagai bidang
kelingkungan dan kajian bencana alam
seperti (Motevalli et al., 2018; Nguyen et
al., 2018) bahkan kajian kesehatan
khususnya yang berhubungan dengan
lingkungan (Ding et al., 2018). Keunggulan
metode SVM pada pemodelan spasial
adalah kemampuannya yang baik dalam
melakukan klasifikasi meskipun dengan
data pelatihan yang terbatas (Mountrakis et
al., 2011). Data latih (training dataset)
𝑇𝐷 = (𝑥𝑖 , 𝑦𝑖 )𝑖 = 1𝑁 dengan 𝑥𝑖 ∈ 𝑅 𝑛
adalah input variabel mencakup
tutupan/penggunaan lahan, NDVI, BLFEI,
LST, curah hujan dan kelembapan tahunan.
𝑁 adalah jumlah sampel dari data latih, 𝑛
adalah dimensi dari data latih, 𝑦𝑖 ∈
{−1, +1} menggambarkan kelas label.
Tujuan dari SVM adalah menemukan
fungsi keputusan terbaik pada persamaan
(9).
𝑓(𝑥) = 𝑠𝑖𝑔𝑛 [∑ 𝑦𝑖 𝛼𝑖 𝐾(𝑥𝑖 , 𝑥𝑗 ) + 𝑏] … … … … … .. (9)
Dimana 𝑏 adalah nilai offset; 𝛼𝑖
merupakan lagrange; dan 𝐾(𝑥𝑖 , 𝑥𝑗 ) adalah
fungsi kernel. Kemampuan model SVM
Oktober --- 49
 JAGAT (Jurnal Geografi Aplikasi Dan Teknologi)
ISSN : 2549-9181 | e-ISSN : 2684-6705
| Vol. 4 | No.2 | 2020
bergantung pada fungsi kernel, dalam Kemampaun model kerentanan demam
penelitian ini radial basis function (RBF). berdarah yang dihasilkan dari kedua
algoritma di nilai menggunakan kurva
a. Random Forest (RF) ROC-AUC (area under curve-receiver
RF merupakan sebuah teknik machine operating characteristic). Dimana
learning yang luas digunakan untuk hubungan kualitatif antara ROC-AUC dan
klasifikasi dan regresi yang diajukan oleh kemampuan model adalah 0,9 - 1
(Breiman, 2001). Dalam bidang (sempurna), 0,8 – 0,9 (sangat baik), 0,7 –
penginderaan jauh RF mendapat perhatian 0,8 (baik), 0,6 – 0,7 (sedang), dan 0,5 – 0,6
yang lebih karena memberikan hasil yang (buruk) (Swets, 1998 dalam Motevalli et
maksimal dalam hal tingkat akurasi dan al., 2018).
kecepatan komputasi (Yu et al., 2017).
Secara sederhana RF adalah sebuah sebuah 3. HASIL DAN PEMBAHASAN
pendekatan pembelajaran dimana 3.1 Ekstraksi Variabel Pemodelan
sekumpulan pohon keputusan
pengklasifikasian dibangun untuk membuat Tutupan/Penggunaan Lahan
sebuah prediksi. Untuk itu kemampuan RF Berdasarkan hasil klasifikasi dengan
dipengaruhi oleh dua hal utama yaitu mengacu pada skema klasifikasi, algoritma
jumlah pohon keputusan (N-Tree) dan dan aturan pengambilan training sample
jumlah variabel pemodelan (N-fact) yang maka diperoleh 16 tutupan/penggunaan
harus dipilih secara tepat. Dalam hal ini lahan yang tersaji pada Gambar 2 dan 9a.
penelitian ini sebanyak enam variabel Ke-16 penggunaan lahan ini dikelompkan
pemodelan dilibatkan dan 500 dipilih dalam empat bagian utama mencakup
sebagai angka N-Tree berdasarkan tutupan lahan bangunan, lahan terbuka
penelitian sebelumnya. diusahakan,
b. Penilaian Kemampuan Model
25000.00 70.00
20000.00 60.00
50.00
15000.00 40.00
10000.00 30.00
5000.00 20.00
10.00
0.00 0.00
Hutan dan
Lahan Bervegetasi Lahan
Vegetasi
Bangunan Terbuka Budidaya Terbuka
Alami/Semi
Diusahakan Menetep Alami
Alami
Luas (Ha) 1252.80 493.47 20091.69 7723.53 2183.67
Persentasi 3.95 1.55 63.29 24.33 6.88

Gambar 2. Luas Tutupan/Penggunaan Lahan. Sumber: Pengolahan Data, 2020.

hutan dan vegetasi alami/semi alami, 0,668187 sampai dengan 0,867622 dengan
bervegetasi budidaya menetap dan lahan nilai 0,751389-0,813417 merupakan nilai
terbuka alami dengan tutupan hutan dan dengan jumlah piksel terbanyak (Gambar 3
vegetasi alami/semi alami sebagai tutupan dan 9b).
lahan terluas sebesar 63,29% atau seluas
20091,69 ha. Sementara itu lahan terbuka
diusahakan sebagai tutupan tutupan lahan
terkecil sebesar 1,55% dari luas total
wilayah.
a. NDVI
Berdasarkan hasil perhitungan
Gambar 3 Histogram NDVI. Sumber:
menggunakan persamaan (1) diperoleh nilai
Pengolahan Citra, 2020.
NDVI lokasi penelitian berkisar antara -
50 --- Oktober
 JAGAT (Jurnal Geografi Aplikasi Dan Teknologi)
Nilai NDVI 0,7-0,8 merupakan nilai
dengan piksel terbanyak disebabkan karena
tutupan lahan lokasi penelitian didominasi
oleh tutupan lahan hutan dan vegetasi
alami/semi alami serta tutupan lahan
bervegetasi budidaya menetap sebesar
87,62% dari luas total wilayah (Gambar 2).
b. BLFEI
Perhitungan indeks lahan terbangun
menggunakan persamaan (2) diperoleh nilai
-1,05086 sampai dengan 0,844381 (Gambar
4 dan 9c).
Gambar 4. Histogram BLFEI. Sumber:
Pengolahan Citra, 2020.
Dari histogram tersebut juga
diketahui jumlah frekuensi piksel terbanyak
berkisar pada nilai antara -0,9 sampai
dengan -0,6. Jika mengacu pada histogram
yang dihasilkan oleh (Bouhennache et al.,
2018) dapat ditarik sebuah kesimpulan
bahwa tutupan lahan lokasi penelitian
didominasi oleh vegetasi. Untuk nilai piksel
lahan terbangun berkisar pada nilai -0,6
sampai -0,2 (Gambar 5).
Gambar 5. Histogram Lahan Terbangun.
Sumber: Pengolahan Citra, 2020.
3.2 LST
LST yang diturunkan dari band 10
menggunakan persamaan (3) masih
memerlukan nilai emisivitas objek untuk
mengoreksi nilai suhu permukaan agar
menjadi nila LST aktual objek. Proses
perhitungan emisivitas objek memerlukan
beberapa nilai lain seperti parameter
atmosfer yang mengacu pada laman NASA
ISSN : 2549-9181 | e-ISSN : 2684-6705
| Vol. 4 | No. 2 | 2020
dan nilai fraksi vegetasi yang mengacu
pada penelitian (Fawzi, 2014). Hasil
perhitungan LST seperti yang ditunjukan
pada Gambar 6 dan 9d memperlihatkan
rentang nilai 14,64 0C hingga 40,43 0C
dengan nilai suhu paling banyak ditemukan
pada kisaran suhu 24 0C hingga 32 0C.
Gambar 6. Histogram Suhu Permukaan.
Sumber: Pengolahan Citra, 2020.
3.3 Curah Hujan Tahunan
Rata-rata curah hujan tahunan
dihimpun dari empat stasiun pengamatan
mencakup stasiun betoambari, kaisabu,
ngkari-ngkari dan pos hujan pada dengan
nilai secara berturut-turut adalah 140.66,
151,84, 111,39 dan 122,02 mm/tahun. Hasil
interpolasi keempat nilai ini menunjukan
range curah hujan lokasi penelitian sebesar
111,39 mm/tahun sapai 151,84 mm/tahun
(Gambar 7 dan 9e).
Gambar 7. Histogram Curah Hujan.
Sumber: Pengolahan Data Iklim
Menggunakan RStudio. 2020.
Berdasarkan Gambar 7 diatas
diketahui kelompok nilai curah hujan
terbanyak yaitu 114-116 diikuti 134-136
mm/tahun. Sementara itu kelompok piksel
110 sampai 112 mm/tahun merupakan
kelompok nilai curah hujan terkecil.
3.4 Kelembapan Tahunan
Senada dengan curah hujan,
kelembapan tahunan juga diperoleh dari
Oktober --- 51
 JAGAT (Jurnal Geografi Aplikasi Dan Teknologi)
interpolasi nilai tiga stasiun mencakup
stasiun betoambari, kaisabu dan ngkari-
ngkari dengan nilai secara berturut-turut
adalah 76,50, 96,75 dan 98,93 mm/tahun.
Karena IDW dipilih sebagai metode
interpolasi, maka sebagai konsekuensinya
nilai kelembapan hasil interpolasi akan
berkisar pada 76,5 mm/tahun sampai 98,93
mm/tahun seperti yang tersaji pada Gambar
8 dan 9f berikut:
52 --- Oktober
ISSN : 2549-9181 | e-ISSN : 2684-6705
| Vol. 4 | No.2 | 2020
Gambar 8 Histogram Kelembapan
Tahunan. Sumber: Pengolahan Data
Menggunakan RStudio. 2020.
histogram diatas diketahui jumlah
piksel dengan kelompok nilai 95,14
mm/tahun – 98,92 mm/tahun merupakan
nilai piksel dengan frekuensi paling banyak
dan berada di wilayah Kecamatan
Sorawolio, sementara itu Kecamatan
Batupuaro merupakan wilayah dengan
frekuensi jumlah piksel terkecil dengan
nilai piksel berada pada kelompok nilai
76,50 mm/tahun hingga 81,42 mm/tahun.
 JAGAT (Jurnal Geografi Aplikasi Dan Teknologi)
ISSN : 2549-9181 | e-ISSN : 2684-6705
| Vol. 4 | No. 2 | 2020

Gambar 9. Variabel Pemodelan Demam Berdarah. (a) Penggunaan Lahan. (b) Indeks
Kerapatan Vegetasi (NDVI). (c) Indeks Kerapatan Bangunan (BLFEI). (d) Suhu Permukaan
(LST). (e) Curah Hujan Tahunan. (f) Kelembapan Tahunan. Sumber: Pengolahan Citra
Landsat 8 OLI/TIRS dan Data Iklim, 2020.

3.5 Pemodelan Kerentanan secara berturut-turut adalah 0,06 dan 16

Proses klasifikasi kerentanan
menggunakan algoritma SVM dan RF
dilakukan menggunakan software R dengan
menerapkan beberapa package tambahan
berupa kernlab untuk menjalankan
algoritma SVM dan RandomForest untuk
menjalankan RF. Karena software R
merupakan aplikasi berbasis pada bahasa
pemrograman maka serangkaian sintaks
diperlukan untuk menjalankan kedua
algoritma tersebut.
a. Support Vector Machine (SVM)
Kemampuan klasifikasi SVM
dipengaruhi oleh penggunaan fugnsi kernel,
dalam penelitian ini radial basis function
(RBF) dipilih sebagai fungsi kernel karena
kemampuannya yang lebih baik dalam
melakukan klasifikasi (Ding et al., 2018;
Motevalli et al., 2018; Nguyen et al., 2018).
Sejak RBF dipilih sebagai fungsi kernel
maka dua nilai parameter yang harus dipilih
dengan tepat untuk memberikan
kemampuan yang maksimal bagi SVM
adalah parameter regularisasi (C) dan lebar
kernel (γ). Nilai keduanya diperoleh dari
metode try and error dan dari rujukan
penelitian sebelumnya. Nilai yang
digunakan untuk kedua parameter tersebut
untuk lebar kernel dan regularisasi. Hasil
klasifikasi kerentanan menggunakan
algoritma SVM divisualisasikan pada
Gambar 10.
Berdasarkan Gambar 10 diketahui
hasil klalsifikasi kerentanan demam
berdarah menggunakan algoritma SVM
berkisar pada rentang nilai -0,490001
sampai 1,63386. Berdasarkan penilaian
kemampuan menggunakan metode AUC-
ROC diketahui nilai lebar kernel 0,06 dan
regularisasi 16 memberikan hasil
kemampuan model yang maksimal dimana
nilai AUC sebesar 1 dengan korelasi
sebesar 0,9637316 yang dapat dilihat pada
Gambar 11. Nilai AUC sebesar 1
menunjukan bahwa model yang dihasilkan
termasuk dalam kelas excellent dalam
memodelkan demam berdarah.

Oktober --- 53
 JAGAT (Jurnal Geografi Aplikasi Dan Teknologi)
Gambar 10. Peta Klasifikasi Kerentanan
DBD Menggunakan Algoritma SVM.
Sumber: Analisis Data Menggunakan
Software R, 2020.
Gambar 11. Kurva AUC-ROC Hasil
Klasifikasi Kerentanan DBD Menggunakan
SVM. Sumber: Analisis Data, 2020.
3.6 Random Forest
Sejalan dengan SVM, kemampuan
algoritma random forest dalam melakukan
klasifikasi sangat dipengaruhi nilai
parameter jumlah pohon keputusan (N-
Tree) dan jumlah variabel input (N-fact)
sebagaimana dikemukakan oleh (Breiman
dan Cutler, 2007 dalam Ding et al., 2018).
Untuk itu pemilihan nilai kedua parameter
tersebut harus dipilih secara tepat agar RF
memberikan kemampuan yang maksimal
saat melakukan klasifikasi.
54 --- Oktober
ISSN : 2549-9181 | e-ISSN : 2684-6705
| Vol. 4 | No.2 | 2020
penelitian ini nilai parameter N-tree
dan N-fact yang digunakan secara berturut-
turut adalah 500 dan 6, dimana N-fact
mengikuti jumlah dari variabel input
pemodelan. Sejak N-fact ditetapkan
sebanyak 6, parameter lain yang juga perlu
ditentukan adalah mtry. Parameter mtry
adalah nilai yang dugunakan untuk
mengontrol jumlah dari variabel yang
secara acak disampel sebagai kandidat pada
setiap pemisahan pohon klasifikasi. Nilai
mtry yang digunakan adalah 1 yang
diperoleh dari metode try and error nilai-
nilai yang telah diajukan oleh peneliti-
peneliti sebelumnya seperti (Ding et al.,
2018; Ngoc Thach et al., 2018).
Hasil klasifikasi kerentanan
menggunakan algoritma RF dengan
mengacu pada nilai-nilai parameter yang
telah ditentukan sebelumnya dapat dilihat
pada Gambar 12 berikut:
Gambar 12. Peta Klasifikasi Kerentanan
DBD Menggunakan Algoritma RF.
Sumber: Analisis Data Menggunakan
Software R, 2020.
Berdasarkan Gambar 12 diatas
diketahui bahwa nilai klasifikasi kerentanan
demam berdarah menggunakan algoritma
RF berkisar pada nilai 0 sampai 0,99938.
Selanjutnya penilaian kemampuan
menggunakan metode AUC-ROC
menunjukan bahwa nilai parameter N-tree
= 500, N-Fact = 6 dan mtry = 1 memberikan
 JAGAT (Jurnal Geografi Aplikasi Dan Teknologi)
hasil yang maksimal dimana nilai AUC
yang diperoleh sebesar 0,9973702 dengan
korelasi 0,9427095 seperti yang tersaji pada
Gambar 13 berikut:
Gambar 13. Kurva AUC-ROC Hasil
Klasifikasi Kerentanan DBD Menggunakan
Algoritma RF. Sumber: Analisis Data,
2020.
Menurut (Motevalli et al., 2018) nilai
AUC 0,9 sampai 1 menunjukan bahwa
model yang dihasilkan termasuk dalam
kelas sangat baik dalam memodelkan
demam berdarah di Kota Baubau.
3.7 Pembuatan Peta Tingkat Kerentanan
Wilayah Terhadap Demam Berdarah
Di Kota Baubau.
Meskipun kedua algoritma
memberikan kemampuan yang maksimal
dalam memodelkan demam berdarah,
namun karena algoritma SVM memberikan
nilai AUC yang lebih baik dari algoritma
RF maka pembuatan peta tingat kerentanan
demam berdarah mengacu pada model yang
dihasilkan melalui algoritma SVM.
Zonasi tingkat kerentanan dilakuakan
menggunakan metode natural break pada
software sistem informasi geografis melalui
tools reclassify dengan terlebih dahulu
mengkonversi hasil klasifisikasi dari
software R menjadi data berformat raster.
Metode natural break bekerja dengan cara
membagi zona tingkat kerentanan dengan
ISSN : 2549-9181 | e-ISSN : 2684-6705
| Vol. 4 | No. 2 | 2020
mengelompokan nilai piksel hasil
klasifikasi kedalam kelas tertentu dalam
interval nilai yang sama. Dalam penelitian
ini tingkat kerentanan wilayah terhadap
demam beradarah dikelompokan dalam
lima kelas mencakup tidak rentan,
potensial, menengah, cukup rentan dan
rentan.
Informasi atribut hasil analisis zonasi
menggunakan metode natural break
disajikan pada Tabel 3 dan divisualisasikan
dalam bentuk peta seperti yang terlihat pada
Gambar 14.
Tabel 3. Luasan Wilayah Berdasarkan Status
Kerentanan Wilayah Terhadap
Demam Berdarah.
Status Luas (Ha) Persentasi
Potensial 18.307,26 57,70
Tidak Rentan 8.822,79 27,81
Menengah 2.192,49 6,91
Cukup Rentan 856,35 2,70
Rentan 1.551,69 4,89
31.730,58 100
Sumber: Analisis Data, 2020.
Berdasarkan Tabel 3 diatas dapat
disimpulkan bahwa distribusi kerentanan
demam berdarah di Kota Baubau secara
spasial di dominasi oleh zona potensial
seluas 18.307,26 hektar atau sebesar
57,70% dari luas total wilayah. Zona
potensial merupakan kelas dengan urutan
tingkat kerentanan kedua setelah zona tidak
rentan dengan persentasi luas wilayah
terluas kedua yaitu sebesar 27, 81%.
Sementara itu kelas cukup rentan
merupakan zona dengan persentasi luasan
terkecil atau hanya sebesar 2,70% dengan
cakupan luas wilayah sebesar 856,35
hektar. Kelas rentan sebagai zona yang
dianggap paling tinggi tinggi kerentanannya
terhadap demam berdarah hanya memiliki
luas 1.551,69 hektar atau 4,89%.

Oktober --- 55
 JAGAT (Jurnal Geografi Aplikasi Dan Teknologi)
ISSN : 2549-9181 | e-ISSN : 2684-6705
| Vol. 4 | No.2 | 2020

Gambar 14. Peta Tingkat Kerentanan

Demam Berdarah Berdasarkan
Algoritma SVM dan Dikelaskan
Menggunakan Metode Natural Break.
Sumber: Analisis Data, 2020.

Distribusi tingkat kerentanan wilayah administrasinya yang

berdasarkan wilayah administrasi kecamatan divisualisasikan pada Gambar 15.
dapat dilihat dengan menggunakan teknik Berdasarkan gambar tersebut terlihat bahwa
analisis overlay/tumpang susun. Teknik secara keseluruhan wilayah administrasi
overlay sendiri merupakan cara kecamatan di Kota Baubau didominasi oleh
penggabungan beberapa layer data spasial zona potensial dan diikuti oleh zona tidak
berikut dengan informasi atributnya. Overlay rentan selain Kecamatan Batupuaro dan
akan menggabungkan informasi layer Kecamatan Murhum yang wilayah
wilayah administrasi dan layer tingkat administrasinya didominasi oleh zona rentan
kerentanan secara bersamaan sehingga dapat terhadap penyakit demam berdarah.
dilihat distribusi kerentanannya berdasarkan
PERSENTASI
92.54

100.00
90.00
70.31
67.69

80.00
57.05

70.00
45.82

60.00
43.22
42.02
41.95

41.74
38.21

50.00
29.04
25.28

40.00
22.84

20.60
19.22
14.85

30.00
12.56
11.85

11.04
10.80

9.62

9.00
8.82
8.76

7.51
7.05

6.66

20.00
5.55
5.46

2.98
2.23
1.88

1.72
1.22
0.93

0.86
0.69
0.41

10.00
0.00
Potensial

Potensial

Potensial

Potensial

Potensial

Potensial

Potensial
Menengah

Rentan

Menengah

Rentan

Menengah

Rentan

Menengah

Rentan

Menengah

Rentan

Menengah

Rentan

Menengah

Rentan

Menengah

Rentan
Tidak Rentan

Tidak Rentan

Tidak Rentan

Tidak Rentan

Tidak Rentan

Tidak Rentan

Tidak Rentan
Cukup Rentan

Cukup Rentan

Cukup Rentan

Cukup Rentan

Cukup Rentan

Cukup Rentan

Cukup Rentan

Cukup Rentan

BatupoaroBetoambari Bungi Kokalukuna Lea-Lea Murhum Sorawolio Wolio

Gambar 15. Persentasi Luas Tingkat Kerentanan Berdasarkan Wilayah Administrasi

Kecamatan di Kota Baubau. Sumber: Analisis Data, 2020.
56 --- Oktober
 JAGAT (Jurnal Geografi Aplikasi Dan Teknologi)
Pada Kecamatan Batupuaro, 92,54%
wilayah administrasinya didominasi oleh
zona rentan yang diikuti oleh kelas cukup
rentan sebesar 7,05%, sementara itu hanya
0,41% dari wilayahnya berstatus
menengah. Untuk itu berdasarkan
pemodelan ini diketahui bahwa wilayah
yang sangat terdampak oleh demam
berdarah adalah Kecamatan Batupuaro.
Sejalan dengan itu, Kecamatan Murhum
juga merupakan kecamatan yang
wilayahnya didominasi oleh kelas rentan
sebesar 41, 74%. Meskipun demikian
distribusi tingkat kerentanan di Kecamatan
Murhum masih ditemukan kelas tidak
rentan dan potensial sebesar 45,82 dan
43,22 secara berurutan. Informasi ini
sejalan dengan data (Dinas Kesehatan Kota
Baubau, 2017) dimana kedua kecamatan ini
menyumbangkan angka kejadian demam
berdarah tertinggi pertama dan ketiga.
Selain kedua kecamatan yang telah
dijelaskan diatas kecamatan lainnya masih
didominasi oleh kelas potensial dan tidak
rentan mencakup Kecamatan Betoambari,
Bungi, Kokalukuna, Lea-Lea, Sorawolio
dan Wolio dengan persentasi yang yaitu
41,95% dan 22,84%, 57,05% dan 25,08%,
42,02% dan 38,21%, 43,22% dan 45,82%,
67,09%, dan 29,04% serta 70,31% dan
11,04%. Persentasi luas wilayah kedua
kelas ini cukup luas jika dibandingkan
dengan kelas rentan dan cukup rentan di
setiap wilayah.
4. KESIMPULAN
Penelitian ini memberikan dua
kesimpulan utama mencakup pemetaan
tingkat kerentanan wilayah terhadap
penyakit demam berdarah di Kota Baubau
serta distribusinya berdasarkan wilayah
administrasi kecamatan. Pertama, secara
spasial wilayah Kota Baubau masih
didominasi oleh kelas potensial dan tidak
rentan terhadap demam berdarah dengan
persentasi sebesar 57,70% dan 27,81%
secara berurutan. Kedua, distribusi spasial
keretanan demam berdarah berdasarkan
wilayah administrasi kecamatan diketahui
bahwa terdapat dua kecamatan yang
ISSN : 2549-9181 | e-ISSN : 2684-6705
| Vol. 4 | No. 2 | 2020
dipandang sangat terdampak oleh demam
berdarah karena wilayahnya didominasi
oleh kelas rentan dan cukup rentan. Kedua
Kecamatan tersebut adalah Kecamatan
Batupuaro dan Murhum dengan persentasi
wilayah sebesar 92,54% dan 7,05% serta
41,74% dan 9,62%. Selain dari dua
kecamatan tersebut masih didominasi oleh
kelas potensial dan tidak rentan terhadap
demam berdarah.
DAFTAR PUSTAKA
Adzan, G., & Danoedoro, P. 2012.
Penggunaan Logika Fuzzy dalam
Pemodelan Spasial Kerentanan DBD
di Kota Yogyakarta. Jurnal Bumi
Indonesia, Vol.1, No.3.
Bhatt, S., Gething, P. W., Brady, O. J.,
Messina, J. P., Farlow, A. W., Moyes,
C. L., Drake, J. M., Brownstein, J. S.,
Hoen, A. G., Sankoh, O., Myers, M.
F., George, D. B., Jaenisch, T.,
William Wint, G. R., Simmons, C. P.,
Scott, T. W., Farrar, J. J., & Hay, S. I.
2013. The global distribution and
burden of dengue. Nature, 496
(7446), 504–507.
https://doi.org/10.1038/nature12060
Bouhennache, R., Bouden, T., Taleb-
Ahmed, A., & Cheddad, A. 2018. A
New Spectral Index for the Extraction
of Built-Up Land Features From
Landsat 8 Satellite Imagery. Geocarto
International, 1–21.
BPS. 2018. Kota Baubau dalam Angka
2018 (2018 ed.). BPS Kota Baubau.
Breiman, L. 2001. Random Forest (R. E.
Schapire (ed.); hal. 5–32). Kluwer
Academic.
Bui, D. T., Le, K. T. T., Nguyen, V. C., Le,
H. D., & Revhaug, I. 2016. Tropical
Forest Fire Susceptibility Mapping at
the Cat Ba National Park Area, Hai
Phong City, Vietnam, using GIS-
based Kernel Logistic Regression.
Remote Sensing, Vol.8, No. 4, p.1–15.
Coll, C., Galve, J. M., Sanchez, J. M., &
Caselles, V. (2010). Validation of
Landsat-7/ETM+ Thermal-Band
Oktober --- 57
 JAGAT (Jurnal Geografi Aplikasi Dan Teknologi)
Calibration and Atmospheric
Correction With Ground-Based
Measurements. IEEE Transactions on
Geoscience and Remote Sensing,
Vol.48, No.1, p.547–555.
Danoedoro, P. 2012. Pengantar
Penginderaan Jauh Digital (B. R. W
(ed.); 1 ed.). Jakarta: C.V ANDI
OFFSET
Dinas Kesehatan Kota Baubau. 2017. Profil
Kesehatan Kota Baubau Tahun 2017.
Baubau: Dinas Kesehatan KOta
Baubau
Dinas Kesehatan Provinsi Sulawesi
Tenggara. 2018. Profil Kesehatan
Provinsi Sulawesi Tenggara.Kendari.
Ding, F., Fu, J., Jiang, D., Hao, M., & Lin,
G. (2018). Mapping the Spatial
Distribution of Aedes aegypti and
Aedes albopictus. Acta Tropica,
178(August 2017), p.155–162.
Farinelli, E. C., Baquero, O. S., Stephan,
C., & Chiaravalloti-Neto, F. (2018).
Low socioeconomic condition and the
risk of dengue fever: A direct
relationship. Acta Tropica, 180
(January), p. 47–57.
Fawzi, N. I. 2014. Pemetaan Emisivitas
Menggunakan Indeks Vegetasi
(Surface Emissivity Mapping Using
Vegetation Indices). Majalah Ilmiah
Globë, Vol.16, No.2, p.133–139.
Ganie, M. A., & Nusrath, A. (2016).
Determining the Vegetation Indices
(NDVI) from Landsat 8 Satellite
Data. International Journal of
Advanced Research, Vol.4, No.8,
p.1459–1463.
Kementerian Kesehatan RI. 2017. Demam
Berdarah Dengue (DBD). Jakarta:
Kementerian Kesehatan RI.
Kementerian Kesehatan RI. 2018. Situasi
Penyakit Demam Berdarah di
Indonesia Tahun 2017. Jakarta.
Khormi, H. M., & Kumar, L. 2011).
Modeling Dengue Fever Risk Based
on Socioeconomic Parameters,
Nationality and Age Groups: GIS and
Remote Sensing Based Case Study.
Science of the Total Environment,
58 --- Oktober
ISSN : 2549-9181 | e-ISSN : 2684-6705
| Vol. 4 | No.2 | 2020
Vol. 409, No.22, p.4713–4719.
Kurniadi, H., Aprilia, E., Utomo, J. B.,
Kurniawan, A., & Safril, A. 2018.
Perbandingan Metode IDW Dan
Spline dalam Interpolasi Data Curah
Hujan ( Studi Kasus Curah Hujan
Bulanan Di Jawa Timur Periode
2012-2016 ). Prosiding Seminar
Nasiional GEOTIK 2018, 215.
Lee, H., Kim, J. E., Lee, S., & Lee, C. H.
2018. Potential Effects of Climate
Change on Dengue Transmission
Dynamics in Korea. PLoS ONE, Vol.
13, No. 28, p.1–23.
Motevalli, A., Pourghasemi, H. R., &
Zabihi, M. 2018. Assessment of GIS-
Based Machine Learning Algorithms
for Spatial Modeling of Landslide
Susceptibility : Case Study in Iran.
Comprehensive Geographic
Information Systems, 266–268.
Mountrakis, G., Im, J., & Ogole, C. (2011).
Support vector machines in remote
sensing: A review. ISPRS Journal of
Photogrammetry and Remote
Sensing, Vol.66, No.3, p.247–259.
Naish, S., Dale, P., Mackenzie, J. S.,
McBride, J., Mengersen, K., & Tong,
S. 2014. Climate Change and
Dengue: A Critical and Systematic
Review of Quantitative Modelling
Approaches. BMC Infectious
Diseases, Vol.14, No,1, p.1–14.
NASA. 2019. Landsat Science Education.
http://landsat.gsfc.nasa.gov/?p=5186.
(Diakses, 29 September 2020).
Ngoc Thach, N., Bao-Toan Ngo, D., Xuan-
Canh, P., Hong-Thi, N., Hang Thi, B.,
Nhat-Duc, H., & Dieu, T. B. (2018).
Spatial pattern assessment of tropical
forest fire danger at Thuan Chau area
(Vietnam) using GIS-based advanced
machine learning algorithms: A
comparative study. Ecological
Informatics, 46(May), 74–85.
Nguyen, N. T., Dang, B.-T. N., Pham, X.-
C., Nguyen, H.-T., Bui, H. T., Hoang,
N.-D., & Bui, D. T. (2018). Spatial
Pattern Assessment of Tropical Forest
Fire Danger at Thuan Chau Area
 JAGAT (Jurnal Geografi Aplikasi Dan Teknologi)
(Vietnam) using GIS-based Advanced
Machine Learning Algorithms : A
Comparative Study. Ecological
Informatics, 46(March), 74–85.
Pineda-Cortel, M. R. B., Clemente, B. M.,
& Nga, P. T. T. (2019). Modeling and
Predicting Dengue Fever Cases in
Key Regions of the Philippines using
Remote Sensing Data. Asian Pacific
Journal of Tropica Medicine, Vol.12,
No.2, p.60–66.
Sluiter, R. 2008. Interpolation Methods for
Climate Data literature review.
USGS. 2019. USGS EROS Archive -
Landsat Archives - Landsat 8 OLI
(Operational Land Imager) and TIRS
(Thermal Infrared Sensor). (Diakses
24 Agustus 2020)
Valor, E., & Caselles, V. (1996). Mapping
Land Surface Emissivity from NDVI:
Application to European, African, and
South American Areas. Remote
Sensing of Environment, Vol.57,
No.3, p.167–184.
ISSN : 2549-9181 | e-ISSN : 2684-6705
| Vol. 4 | No. 2 | 2020
WHO. 2018. Dengue and Severe Dengue.
WHO. 2019. Neglected tropical diseases.
https://www.who.int/neglected_diseas
es/en/(Diakses, 24 Agustus 2020)
Widayani, P. 2010. Pemodelan Spasial
Epidemiologi Demam Berdarah
Dengue Menggunakan Sistem
Informasi Geografi Di Kecamatan
Depok Kabupaten Sleman
Yogyakarta. Jurnal Geografi Gea,
Vol.10, No.2.
World Economic Forum. 2017. Global
Shapers Survey. In World Economic
Forum.
http://www.shaperssurvey2017.org
(Diakses, 24 Agustus 2020)
Yu, P. S., Yang, T. C., Chen, S. Y., Kuo, C.
M., & Tseng, H. W. (2017).
Comparison of Random Forests and
Support Vector Machine for Real-
Time Radar-Derived Rainfall
Forecasting. Journal of Hydrology,
552, p.92–104.
Oktober --- 59
 JAGAT (Jurnal Geografi Aplikasi Dan Teknologi)
ISSN : 2549-9181 | e-ISSN : 2684-6705
| Vol. 4 | No.2 | 2020

60 --- Oktober