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.
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.
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)
ISSN : 2549-9181 | e-ISSN : 2684-6705
| Vol. 4 | No. 2 | 2020
1
Dimana 𝐿𝜆 , 𝜀𝜆, 𝐿↓𝑎𝑡𝑚 , 𝐿↑𝑎𝑡𝑚, 𝜏𝜆 secara ∑𝑠𝑖=1 𝑍𝑖 𝑘
𝑑 𝑖
𝑍0 = 1 .........................................(8)
berturut-turut adalah radian spektral band ∑𝑠𝑖=1 𝑘
𝑑𝑖
10, nilai emisivitas objek, nilai Dimana 𝑍0 merupakan perkiraan nilai
downwelling radiasi atmosfer (W/m2.sr. pada titik 0; 𝑍𝑖 adalah nilai z pada titik
µm), nilai upwelling radiansi atmosfer kontrol i; 𝑑𝑖 adalah jarak antara titik i dan
(W/m2.sr. µm), dan nilai tranmistansi
titik 0 dan 𝑘 adalah pengaruh titik tetangga
atmosfer. Nilai downwelling dan upwelling
serta 𝑠 merupakan jumlah titik stasiun yang
diperoleh melalui laman
digunaka
http://atmcorr.gsfc.nasa.gov/. Sementara
f. Teknik Analis Data
itu nilai radian spektral (𝐿𝜆 ) perlu dihitung
Klasifikasi tingkat kerentanan demam
terlebih dahulu menggunakan persamaan
berdarah menggunakan algoritma machine
(5)
learning dijalankan menggunakan software
𝐿𝜆 = 𝑀𝐿 𝑄𝑐𝑎𝑙 + 𝐴𝐿 … … … … … … … … … …(5)
RStudio 3.3.1 64-bit dengan tambahan
𝑀𝐿 dan 𝐴𝐿 adalah konstanta
package caret, kernlab, randomForest guna
rescalling dan konstanta penambah pada
menjalankan aloritma machine learning
meta data serta 𝑄𝑐𝑎𝑙 merupakan nilai piksel
mencakup SVM dan RF.
band 10. Persamaan (4) juga memerlukan
nilai emisivitas objek (𝜀𝜆 ) yang dihitung
2.5. Support Vector Machine (SVM)
tersendiri berdasarkan persamaan yang
Model SVM pertamakali
dikemukakan oleh (Valor & Caselles, 1996)
diperkenalkan oleh (Vapnik, 1955 dalam
dalam (Fawzi, 2014).
Motevalli et al., 2018) yang berbasis pada
𝜀 = 𝜀𝑣 𝑃𝑣 + 𝜀𝑠 (1 − 𝑃𝑣 ) + 0,06𝑃𝑣 (1 − 𝑃𝑣 ) … … … …(6)
teori pembelajaran statistik. Dalam
𝜀𝑣 , 𝜀𝑠 merupakan emisivitas vegetasi
perkembangannya SVM telah luas
dan emisitas tanah secara berurutan,
digunakan pada berbagai bidang
sementara 𝑃𝑣 adalah fraksi vegetasi dimana
kelingkungan dan kajian bencana alam
perhitungannya didasarkan pada nilai
seperti (Motevalli et al., 2018; Nguyen et
NDVI yang telah dihitung lebih dahulu
al., 2018) bahkan kajian kesehatan
pada sub bahasan (2.4.2)
khususnya yang berhubungan dengan
𝑁𝐷𝑉𝐼−𝑁𝐷𝑉𝐼𝑠 2
𝑃𝑣 = [ ] … … … … … … … … … … … ..(7) lingkungan (Ding et al., 2018). Keunggulan
𝑁𝐷𝑉𝐼𝑣 −𝑁𝐷𝑉𝐼𝑠
𝑁𝐷𝑉𝐼𝑠 dan 𝑁𝐷𝑉𝐼𝑣 adalah nilai NDVI metode SVM pada pemodelan spasial
untuk tanah kosong dan nilai NDVI dengan adalah kemampuannya yang baik dalam
fraksi 100%. Nilai 𝑁𝐷𝑉𝐼𝑠 mengacu pada melakukan klasifikasi meskipun dengan
(Fawzi, 2014) adalah 0,15 dan 𝑁𝐷𝑉𝐼𝑣 data pelatihan yang terbatas (Mountrakis et
menggunakan nilai maksimal statistik citra al., 2011). Data latih (training dataset)
NDVI yakni 0.867622. 𝑇𝐷 = (𝑥𝑖 , 𝑦𝑖 )𝑖 = 1𝑁 dengan 𝑥𝑖 ∈ 𝑅 𝑛
e. Curah Hujan dan Kelembapan adalah input variabel mencakup
Tahunan tutupan/penggunaan lahan, NDVI, BLFEI,
Variabel curah hujan dan kelembapan LST, curah hujan dan kelembapan tahunan.
tahunan diperoleh melalui metode yang 𝑁 adalah jumlah sampel dari data latih, 𝑛
sama yaitu interpolasi data iklim adalah dimensi dari data latih, 𝑦𝑖 ∈
menggunakan metode inverst distance {−1, +1} menggambarkan kelas label.
weight (IDW). Tidak ada satu metode Tujuan dari SVM adalah menemukan
interpolasi yang sesuai untuk semua fungsi keputusan terbaik pada persamaan
wilayah (Tveito, 2007 dalam Sluiter, 2008), (9).
maka metode IDW dipilih berdasarkan dua 𝑓(𝑥) = 𝑠𝑖𝑔𝑛 [∑ 𝑦𝑖 𝛼𝑖 𝐾(𝑥𝑖 , 𝑥𝑗 ) + 𝑏] … … … … … .. (9)
pertimbangan yaitu kondisi topografi Dimana 𝑏 adalah nilai offset; 𝛼𝑖
wilayah dan jumlah stasiun. Formula IDW merupakan lagrange; dan 𝐾(𝑥𝑖 , 𝑥𝑗 ) adalah
yang digunakan mengacu pada (Kurniadi et fungsi kernel. Kemampuan model SVM
al., 2018), sebagai berikut:
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
52 --- Oktober
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.
Oktober --- 53
JAGAT (Jurnal Geografi Aplikasi Dan Teknologi)
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.,
Gambar 10. Peta Klasifikasi Kerentanan 2018; Ngoc Thach et al., 2018).
DBD Menggunakan Algoritma SVM. Hasil klasifikasi kerentanan
Sumber: Analisis Data Menggunakan menggunakan algoritma RF dengan
Software R, 2020. mengacu pada nilai-nilai parameter yang
telah ditentukan sebelumnya dapat dilihat
pada Gambar 12 berikut:
Oktober --- 55
JAGAT (Jurnal Geografi Aplikasi Dan Teknologi)
ISSN : 2549-9181 | e-ISSN : 2684-6705
| Vol. 4 | No.2 | 2020
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
Oktober --- 59
JAGAT (Jurnal Geografi Aplikasi Dan Teknologi)
ISSN : 2549-9181 | e-ISSN : 2684-6705
| Vol. 4 | No.2 | 2020
60 --- Oktober