SISTEM INFORMASI GEOGRAFIS BERBASIS WEBSITE UNTUK

PEMETAAN INDEKS PEMBANGUNAN MANUSIA DENGAN

PEMODELAN GEOGRAPHICALLY WEIGHTED REGRESSION
(GWR) TINGKAT KABUPATEN/KOTA DI PULAU SUMATRA
Muhammad Reza Atthariq Koria,*, Atje Setiawan A.b, R. Sudrajatc
a
Teknik Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Padjadjaran
b
Teknik Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Padjadjaran
c
Teknik Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Padjadjaran

Abstract
The Human Development Index (HDI) is one of the important indicators to measure efforts and successes in the development
of the quality of human life. HDI contains an explanation of how residents or communities can access development outcomes
in obtaining income, education, health, and so on. However, an analysis has not been carried out on the components that
build the value of the Human Development Index, especially on the island of Sumatra, so it is necessary to build a geographic
information system for the Human Development Index, especially the Sumatra Island area, which can make it easier for
users to read and find out the weight of each component that builds the Human Development Index value. A method that
can be used to model components that build HDI based on geographical location is spatial regression analysis. The spatial
regression analysis method used in this study is Geographically Weighted Regression (GWR) with the components to be
analyzed are life expectancy, long-term school expectancy figures, average length of schooling figures, and adjusted per
capita expenditure figures. In this study, HDI along with the components and results of the GWR analysis will be represented
in the form of a website-based Geographic Information System. This website-based Geographic Information System was
built using the Waterfall methodology and its development uses the PHP programming language with application testing
using the Blackbox testing method. The test results showed successful category for user section is 99,5% and for admin
section is 100% successful of the 31 testers.

Keywords : Human Development Index, geographic information system, geographically weighted regression, waterfall

Abstrak
Indeks Pembangunan Manusia (IPM) merupakan salah satu indikator penting untuk mengukur upaya serta
keberhasilan dalam pembangunan kualitas hidup manusia. IPM mengandung penjelasan mengenai bagaimana
penduduk atau masyarakat dapat mengakses hasil pembangunan dalam memperoleh pendapatan, pendidikan,
kesehatan, dan sebagainya. Namun demikian belum dilakukan analisis terhadap komponen yang membangun nilai
Indeks Pembangunan Manusia terkhusus di Pulau Sumatra, sehingga perlu dibangun sistem informasi geografis
Indeks Pembangunan Manusia terkhusus daerah Pulau Sumatra yang dapat memudahkan pengguna membaca dan
mengetahui bobot dari tiap komponen yang membangun nilai Indeks Pembangunan Manusia. Metode yang dapat
digunakan untuk memodelkan komponen yang membangun IPM berdasarkan lokasi geografis adalah analisis regresi
spasial. Metode analisis regresi spasial yang digunakan dalam penelitian ini adalah Geographically Weighted
Regression (GWR) dengan komponen-komponen yang akan dianalisis adalah angka harapan hidup, angka harapan
lama sekolah, angka rata-rata lama sekolah, dan angka pengeluaran perkapita disesuaikan. Dalam penelitian ini, IPM
beserta komponen dan hasil dari analisis GWR akan direpresentasikan dalam bentuk Sistem Informasi Geografis
berbasis website. Sistem Informasi Geografis berbasis website ini dibangun menggunakan metodologi Waterfall dan
pengembangannya menggunakan bahasa pemrograman PHP dengan pengujian aplikasi menggunakan metode
Blackbox testing. Hasil pengujian menunjukkan kategori berhasil untuk bagian user sebesar 99,5 % dan untuk bagian
admin sebesar 100% dari 31 orang penguji..
Keywords : Indeks Pembangunan Manusia, sistem informasi geografis, Geographically Weighted Regression,
waterfall

1
1. Pendahuluan
Indeks Pembangunan Manusia (IPM) pertama kali
diperkenalkan oleh United Nation Development
Programme (UNDP) pada tahun 1990 dan mulai
dipublikasikan secara berkala dalam laporan tahunan
Human Development Report (HDR). IPM
mengandung penjelasan mengenai bagaimana
penduduk atau masyarakat dapat mengakses hasil
pembangunan dalam memperoleh pendapatan,
pendidikan, kesehatan, dan sebagainya. IPM dapat
digunakan untuk mengklasifikasikan apakah sebuah
negara termasuk negara maju, negara berkembang,
atau negara terbelakang dan juga untuk mengukur
pengaruh dari kebijakan ekonomi terhadap kualitas
hidup (BPS, 2021).
Pulau Sumatra merupakan salah satu pulau
terbesar di Indonesia. Menurut sensus penduduk tahun
2018, penduduk di pulau ini sekitar 57.940.351 orang.
Di Pulau Sumatra, terdapat 10 Provinsi yang termasuk
didalamnya provinsi-provinsi di sekitar Pulau
Sumatra, yaitu Provinsi Aceh, Provinsi Sumatra Utara,
Provinsi Sumatra Barat, Provinsi Riau, Provinsi
Jambi, Provinsi Bengkulu, Provinsi Sumatra Selatan,
Provinsi Kepulauan Bangka Belitung, Provinsi
Kepulauan Riau, dan Provinsi Lampung. Mengutip
data yang dirilis Badan Pusat Statistik (BPS) tahun
2021, Indeks Pembangunan Manusia (IPM) di Pulau
Sumatra tahun 2020 mencapai rata-rata 71,82.
Kemudian pada tahun 2021 rata-rata meningkat
sebanyak 0,24 poin menjadi 72,06. Walaupun sudah
meningkat, IPM di Pulau Sumatra masih dibawah rata-
rata IPM nasional tahun 2021 yaitu 72,29, dan hanya
ada 3 Provinsi di Pulau Sumatra yang berada diatas
rata-rata IPM nasional tahun 2021, yaitu Provinsi
Kepulauan Riau (75,79), Provinsi Sumatra Barat
(72,65) dan Provinsi Riau (72,94). Nilai IPM pada tiap
daerah tentu mempunyai komponen tersendiri yang
menjadi signifikan dalam membangun nilai IPM
tersebut. Namun, data mengenai IPM dan komponen-
komponen pada tiap daerah kabupaten/kota di Pulau
Sumatra masih belum ada website yang
menginformasikan serta mengvisualisasikan data-data
tersebut secara optimal.
Dari permasalahan yang telah diuraikan di atas,
maka penelitian ini mengambil judul “SISTEM
INFORMASI GEOGRAFIS BERBASIS WEBSITE
UNTUK PEMETAAN INDEKS PEMBANGUNAN
MANUSIA DENGAN PEMODELAN
GEOGRAPHICALLY WEIGHTED REGRESSION
(GWR) TINGKAT KABUPATEN/KOTA DI
PULAU SUMATRA”.
2. Kerangka Teori
2.1. Indeks Pembangunan Manusia
Indeks Pembangunan Manusia (IPM) merupakan
pengukuran perbandingan dari harapan hidup,
pendidikan, dan standar hidup untuk semua negara.
Menurut website BPS (2021), beberapa manfaat dari
IPM adalah IPM dapat menjadi salah satu indikator
penting dalam mengukur keberhasilan upaya
pembangunan kualitas hidup penduduk atau
masyarakat. Manfaat lainnya IPM dapat dijadikan
penentu peringkat atau level pembangunan suatu
wilayah/negara. Sedangkan bagi Indonesia, IPM
bermanfaat sebagai data strategis selain sebagai
ukuran kinerja pemerintah, IPM juga digunakan
sebagai salah satu alokator penentuan Dana Alokasi
Umum.
Pada penelitian ini, Indeks Pembangunan Manusia
yang akan dianalisis adalah IPM pada tiap
kabupaten/kota di wilayah Pulau Sumatra. Menurut
penjelasan pada website BPS, IPM dibangun melalui
pendekatan tiga dimensi dasar. Dimensi tersebut
mencakup umur panjang dan hidup sehat (a long and
healthy life) pengetahuan (knowledge), dan standar
kehidupan yang layak (decent standard of living).
Ketiga dimensi tersebut dapat diartikan dengan sangat
luas karena terkait dengan banyak faktor. Pada
penelitian ini, untuk mengukur dimensi umur panjang
dan hidup sehat digunakan Angka Harapan Hidup
(AHH) saat lahir. Untuk mengukur dimensi
pengetahuan digunakan Angka Harapan Lama
Sekolah (AHLS) dan Angka Rata-rata Lama Sekolah
(ARLS). Sedangkan untuk dimensi standar kehidupan
yang layak digunakan kemampuan daya beli
masyarakat yang dilihat dari rata-rata besarnya
Pengeluaran Perkapita sebagai pendekatan untuk
pendapatan yang mewakili capaian pembangunan
untuk hidup layak (BPS, 2021). Hasil analisis dan
pemodelan IPM beserta komponennya ini kemudian
akan divisualisasikan dalam peta berbasis website.
2.2. Sistem Informasi Geografis
Sistem Informasi Geografis (SIG) atau
Geographic Information System (GIS) merupakan
sistem informasi yang dirancang berdasarkan data
dengan referensi spasial atau bergantung pada
lokasi/koordinat geografi. Jadi SIG adalah suatu
sistem basis data yang bertujuan menangani data
dengan referensi spasial(keruangan) bersamaan
dengan seperangkat operasi kerja. (Longley,
Goodchild, Maguire, & Rhind, 2015)
Ilmu SIG secara fundamental berkaitan dengan
penerapan pemecahan masalah di dunia di mana
praktik bisnis, atau realpolitik, pengambilan keputusan
pemerintah, yang memiliki banyak pertimbangan
penting. Hampir semua aspek kehidupan manusia
melibatkan lokasi. Ilmuwan lingkungan dan sosial
menyadari pentingnya merekam lokasi ketika
mengumpulkan data; perusahaan informasi besar
seperti Google menyadari pentingnya menyediakan
pemetaan untuk penunjuk arah dan memprioritaskan
pencarian berdasarkan lokasi pengguna (Longley, et
al, 2015).
Sistem Informasi Geografis pada penelitian ini
akan menampilkan informasi berdasarkan spasial pada
data Indeks Pembangunan Manusia di Pulau Sumatra
2
dalam bentuk polygon. Pada SIG ini akan dilakukan
proses penginputan data, penyimpanan, dan
memvisualisasikan kembali informasi data tersebut
dalam bentuk peta polygon di setiap kabupaten/kota di
Pulau Sumatra.
2.3. Statistika Deskriptif
Statistika deskriptif adalah sebuah metode
pengukuran statistic yang menggunakan alat, metrik
dan strategi yang diperuntukkan untuk menyimpulkan
maupun mengklasifikasikan dataset (Petrelli, 2021).
Data yang dimiliki dapat diukur metriknya dengan
mengambil sampel data yang tersedia untuk mendapat
informasi berupa sebuah lokasi dari dataset, jumlah
variasi data, dan derajat kesimetrisan data.
Pada penelitian ini, digunakan statistika deskriptif
untuk memperoleh sebuah informasi untuk jumlah
variasi dari dataset yang telah tersedia dan diolah
nantinya. Proses untuk memperoleh informasi ini
dengan memanfaatkan operasi standar deviasi yang
dapat membantu menemukan variasi dari kelompok
data tersebut. Standar deviasi atau simpang baku dari
data tunggal x1,x2,x3,…,xn yang berasal dari data
sampel, yang didefinisikan dengan :
∑𝑛 2 Keterangan :
𝑖−1(𝑥𝑖 −𝑥̅ )
𝑆= √ (1)
𝑛−1
Keterangan:
S = Standar Deviasi
xi = nilai data ke-i
x̅ = nilai rata-rata data
n = jumlah data
Setelah mendapatkan rata-rata dan standar deviasi
dari dataset, kemudian hasil ini juga akan digunakan
untuk menentukan sebuah batas yang nantinya akan
digunakan untuk proses visualisasi. Sebuah batasan
tersebut memiliki dua, yaitu batasan atas dan bawah.
Rumus untuk menentukan batasan atas dari dataset
adalah sebagai berikut:
𝑥̅+ = 𝑥̅ + (n * S) (2)
Keterangan :
x̅+ = Rata-rata maksimum
n = nilai acuan
Sedangkan untuk rumus untuk menentukan
batasan bawah dari dataset adalah sebagai berikut :
𝑥̅− = 𝑥̅ - (n * S) (3)
Keterangan :
𝑥̅− = Rata-rata minimum
n = nilai acuan
Setelah didapatkannya batasan atas dan juga
bawah, selanjutnya akan digunakan untuk
mengklasifikasikan data berdasarkan nilai pada tiap
komponen indeks pembangunan manusia yang
dimiliki oleh masing-masing kabupaten/kota.
Klasifikasi pada jumlah data ritus yang terdapat pada
setiap provinsi ditentukan oleh hasil dari batas atas
(rata-rata maksimum) dan batas bawah (rata-rata
minimum). Klasifikasi akan dikelompokkan menjadi
tiga kelompok. Kelompok pertama akan memiliki
warna hijau dengan artian nilai suatu komponen pada
kabupaten/kota tersebut melebihi batasan atas.
Kelompok kedua akan memiliki warna kuning, dengan
artian nilai suatu komponen pada kabupaten/kota
tersebut diantara batasan atas dan bawah. Kelompok
terakhir, akan divisualisasikan dengan warna merah,
yang berarti nilai suatu komponen pada
kabupaten/kota tersebut kurang dari atau sama dengan
batasan bawah. Secara persamaan dapat dituliskan
secara berikut.
Merah < 𝑥̅− (4)
Hijau > x̅+ (5)
𝑥̅− <= Kuning <= x̅+ (6)
.
2.4. Geographically Weighted Regression (GWR)
Geographically Weighted Regression (GWR)
adalah teknik alternatif yang didasarkan pada metode
regresi tradisional (regresi global). Konsepnya adalah
menggabungkan hubungan spasial lokal ke dalam
kerangka regresi secara intuitif dan eksplisit
(Fotheringham, Brundson, & Charlton, 2002).
Menurut (Fotheringham et al, 2002) pada model
GWR hubungan variabel respon y dan variabel
prediktor x1, x2,…, xp pada lokasi ke-i adalah:
𝑝
𝑦𝑖 = 𝛽(𝑢𝑖 , 𝑣𝑖 ) + ∑𝑘=1 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 )𝑥𝑖𝑘 + 𝜀𝑖 , 𝑖 = 1,2, … 𝑛 (7)
𝑦𝑖 = Nilai observasi variabel respon ke-i.
(𝑢𝑖,𝑣𝑖) = Koordinat letak geografis (longitude,
latitude) pada lokasi ke-i.
𝑥𝑖𝑘 = Nilai observasi variabel redikto ke-k pada
lokasi pengamatan ke-i.
𝛽0(𝑢𝑖,𝑣𝑖) = Konstanta/intercept pada pengamatan ke-i.
𝛽𝑘(𝑢𝑖,𝑣𝑖) = Nilai observasi variabel prediktor ke-k
pada lokasi pengamatan ke-i.
Untuk menentukan pembobot pada tiap daerah
atau model, dapat digunakan Fungsi Fixed Kernel
Gaussian atau fungsi Adaptive Kernel Gaussian.
Kernel fixed adalah kernel yang memiliki bandwidth
yang sama untuk semua lokasi pengamatan. Kernel
adaptive adalah kernel yang memiliki bandwidth yang
berbeda untuk setiap titik lokasi pengamatan, hal ini
disebabkan kemampuan fungsi kernel adaptive yang
dapat disesuaikan dengan kondisi titik-titik
pengamatan. Fungsi fixed gaussian dapat ditulis
sebagai berikut:
−𝑑𝑖𝑗
𝑤𝑓 (𝑢𝑖 , 𝑣𝑖 ) = exp ( ) (8)
ℎ
Sedangkan untuk fungsi adaptive gaussian dapat
ditulis sebagai berikut:
−𝑑𝑖𝑗
𝑤𝑎 (𝑢𝑖 , 𝑣𝑖 ) = exp ( ) (9)
ℎ𝑖
Secara teoritis, bandwith merupakan lingkaran
degan radius (h) dari titik pusat lokasi yang digunakan
sebagai dasar menentukan bobot setiap pengamatan
terhadap model regresi pada lokasi tersebut. Fungsi
utama bandwith adalah untuk menentukan bobot
berdasarkan jarak dari suatu lokasi terhadap lokasi
lainnya. Metode yang digunakan untuk menentukan
bandwith pada penelitian ini adalah dengan
menggunakan Cross Validation (CV).
2
𝐶𝑉 = ∑𝑛𝑖=1(𝑦𝑖 − ŷ≠𝑖 (ℎ)) (10)
3
Keterangan :
CV = nilai cross validation
yi = variabel terikat pada pengamatan ke-i
y=/i = nilai duga dari yi tanpa pengamatan ke-i
h = bandwidth
Pada pemodelan GWR juga dilakukan estimasi
untuk setiap parameter. Dalam mengestimasi
parameter GWR, metode yang digunakan adalah
Weighted Least Square (WLS) yaitu dengan
memberikan pembobot yang bebeda untuk setiap
lokasi pengamatan. (Agustina, Wasono & Darsyah,
2015).
Pengujian yang dilakukan pada pemodelan
GWR merupakan pengujian kecocokan model.
Pengujian pemodelan GWR dari setiap bandwith akan
menghasilkan nilai p-value yang dapat digunakan
untuk membandingkan hasil pemodelan GWR dengan
hasil regresi global. Pengujian dilakukan dengan
menggunakan hipotesis sebagai berikut:
Ho : Tidak ada perbedaan antara pemodelan
GWR dengan regresi global
H1 : Ada perbedaan antara pemodelan GWR
dengan regresi global
Dengan daerah kritis:
Ho ditolak jika p-value < α 5% (0,05)
Untuk memilih pemodelan terbaik dari setiap
jenis pemodelan GWR yang dilakukan, terdapat dua
nilai yang dapat dibandingkan yaitu nilai koefisien
determinasi (R2) dan nilai Akaike’s Information
Criterion (AIC). Menurut Gujarati (1993), besaran
koefisien determinasi (R2) merupakan besaran yang
paling lazim digunakan untuk mengukur kecocokan
model (goodness of fit) garis regresi. Sedangkan
menurut Fotheringham et al. (2002), model terbaik
ditentukan berdasarkan nilai AIC yang terkecil.
3. Metodologi
Model waterfall adalah paradigma tertua untuk
rekayasa perangkat lunak. Namun, lebih selama lima
dekade terakhir, kritik terhadap model proses ini telah
menyebabkan para peneliti terus mengembangkan dan
mempertahankan keefektifan metode ini. Model
waterfall atau terkadang disebut linear sequential
model, menyarankan sebuah pengembangan software
yang sistematis dan menggunakan pendekatan
sequential, yang dimulai dengan mengumpulkan
spesifikasi kebutuhan pelanggan dan berkembang
melalui perencanaan, pemodelan, konstruksi dan
penyebaran, yang berpuncak pada kebutuhan
dukungan berkelanjutan dari software yang telah
dibangun (Pressman, 2020).
Gambar 1. Diagram Tahapan Waterfall (Pressman, 2020)
Setidaknya ada lima tahapan pada model waterfall
ini, yaitu
1. Communication
Fase Communication pada penelitian ini berisikan
inisialisasi proyek yang berisikan pengumpulan data
yang diperlukan, membantu dan mendefinisikan fitur
dan fungsi software. Pada penelitian ini proses
komunikasi dilakukan secara tidak langsung, yaitu
dilakukan dengan mengeksplorasi data Indeks
Pembangunan Manusia beserta komponen pada tahun
2021 yang merupakan data sekunder, bersumber dari
website resmi BPS pada 10 Provinsi di Pulau Sumatra
yang terdiri dari Provinsi Aceh, Provinsi Riau,
Provinsi Sumatra Utara, Provinsi Sumater Barat,
Provinsi Bengkulu, Provinsi Jambi, Provinsi Sumatra
Selatan, Provinsi Lampung, Provinsi Kepulauan Riau,
dan Provinsi Bangka Belitung. Kemudian, setiap
provinsi dirinci ke dalam kabupaten/kota sejumlah
154 kabupaten/kota.
Pada tahap ini, dilakukan analisis data secara
statistika deskriptif dan pemodelan GWR. Berikut
hasil dari analisis statistika deskriptif dalam tabel.
Tabel 1. Hasil Analisis Statistika Deskriptif
No.
Deskripsi
AHH 𝐀𝐇𝐋𝐒 𝐀𝐑𝐋𝐒 PPD 𝐈𝐏𝐌
Statistik
1 Rata-rata 69,18 13,28 8,87 10569201,30 70,93
Standar
2 2,41 1,06 1,34 2040942,501 4,52
Deviasi
3 n (acuan) 0,5 0,5 0,6 0,2 0,5
Rata-rata
4 maksimum 70,39 13,80 9,67 10977389,8 73,19
(Hijau)
Rata-rata
5 minimum 67,98 12,75 8,06 10161012,8 68,67
(Merah)
Diantara 70,39 ≤ 13,80 ≤ 9,67 ≤ 10977389,8 73,1.9 ≤
6 rata-rata x≤ x≤ x≤ ≤x≤ x≤
(Kuning) 67,98 12,75 8,06 10161012,8 68,67
Langkah pertama dalam pemodelan GWR adalah
menentukan lokasi setiap sampel yang akan digunakan
yaitu letak geografis berupa koordinat longitude dan
latitude. Kemudian mencari nilai bandwith dengan
prosedur Cross Validation (CV). Pada penelitian ini
bandwith yang dicari adalah fixed bandwith dan
adaptive bandwith. Setelah kedua bandwith optimum
didapatkan maka dapat dilakukan estimasi parameter
dan membentuk 154 persamaan/model untuk 154
lokasi. Berikut adalah contoh dari model Kabupaten
Simeulue dari kedua bandwith:
Tabel 2. Contoh hasil pemodelan GWR
Model GWR dengan fixed bandwith
Yi = 7.5820076 + 0.4334882AHH + 0.8011757AHLS + 1.3207217ARLS
+ 1,0418855e-07 PPD
Model GWR dengan adaptive bandwith
Yi = 7.063184 + 0.4567543AHH + 0.7655115AHLS + 1.336563ARLS +
0,9709566e-07 PPD
Pada pengujian kecocokan model GWR
membandingkan nilai p-value kedua model dengan
nilai alfa 5%(0,05) untuk menentukan apakah model
lebih baik dari regresi global. Untuk detailnya dapat
dilihat pada tabel dibawah ini
4
 Pada proses perancangan urutan/aliran dari sebuah
Tabel 3. Pengujian kecocokan model proses, peneliti menggunakan Activity Diagram untuk
Model GWR p-value 𝑲𝒆𝒔𝒊𝒎𝒑𝒖𝒍𝒂𝒏 merancang aktivitas yang dilakukan antar fungsi.
Activity Diagram akan memfokuskan pada sistem dan
Fixed bandwith 3.513e-08 greater
pengguna.
Adaptive bandwith 0.03034 greater
Pemilihan model terbaik dilakukan dengan
membandingkan nilai R2 dan AIC dari kedua model
GWR. Model GWR fixed memiliki nilai R2 yang lebih
besar dan memiliki nilai AIC yang lebih kecil
dibandingkan model GWR adaptive. Sehingga model
terbaik yang dipilih adalah model GWR dengan fixed
bandwith. Selengkapnya dapat dilihat pada tabel
berikut.
Tabel 4. Perbandingan R2 dan AIC
Model GWR R2 𝑨𝑰𝑪
Fixed bandwith 0.9962015 52.19949
Gambar 2. Activity Diagram (user)
Adaptive bandwith 0.9962015 -33.82555

2. Planning
Fase Planning pada penelitian ini berisikan
mengenai estimasi tugas-tugas teknis yang dilakukan,
sumber daya yang diperlukan dalam membuat sistem
seperti kebutuhan perangkat lunak dan keras, dan
membuat penjadwalan kerja yang akan dilaksanakan.

3. Modelling,
Tahapan ini adalah tahap analisis data dan desain
perangkat lunak untuk direalisasikan sebagai satu set
program atau unit program.
Pada perancangan database, dibentuk dua tabel
utama yaitu tabel kabupaten dengan Gambar 3. Activity Diagram (admin)
field:kode_kab(primary key),nama_kab, dan geojson
dan tabel dataip dengan field:id_ipm(primary key), Sequence Diagram digunakan untuk menunjukkan
ipm,ahh,ahls,arls,ppd,kode_kab(foreign_key_to_kabu urutan interaksi antara user dengan sistem pada saat
paten). user melakukan sebuah aksi.
Pada penelitian sistem informasi geografis untuk
Indeks Pembangunan Manusia desain sistem yang
akan digunakan adalah Unified Modeling Language
(UML). Empat macam diagram yang digunakan pada
penelitian ini adalah use case diagram, Activity
Diagram, sequence diagram, dan class diagram. Pada
proses perancangan fungsi sistem, digunakan use case
diagram untuk menggambarkan interaksi yang dapat
dilakukan user. Gambar 4. Sequence diagram (user)

Gambar 1. Use case diagram Gambar 5. Sequence diagram (admin)

5
 Class Diagram pada penelitian ini berisi class yang
dibutuhkan untuk pengembangan sistem dan interface
pada website.
website dibangun dengan menggunakan
framework Laravel PHP sebagai base backend.
Bagian backend akan bertanggung jawab dalam
proses pengolahan dan penyediaan data dari
server database sesuai dengan alur aplikasi yang
telah dirancang sebelumnya. Sedangkan bagian
frontend dengan base html, CSS, dan JavaScript
akan bertanggung jawab terhadap tampilan dan
interaksi yang akan digunakan oleh pengguna.
Implementasi dari tampilan-tampilan sistem
dibagi menjadi bagian user dan admin dapat
dilihat pada gambar-gambar berikut:

Gambar 6. Class diagram

Pada tahap ini juga dilakukan perancangan

tampilan antarmuka sebagai acuan untuk
mengimplementasikan antarmuka sistem.

Gambar 8. Implementasi Halaman Home (user)

Gambar 9. Implementasi Halaman Peta (user)

Gambar 7. Rancangan Antarmuka

4. Construction,
Fase Construction pada penelitian ini berisikan
mengenai tahap pemrograman. Program aplikasi
Sistem Informasi Geografis berbasis website untuk
Indeks Pembangunan Manusia dirancang dan
dibangun menggunakan framework Laravel dengan
bahasa pemrograman PHP dan database MySQL. Pada
fase ini juga akan dilakukan testing secara internal Gambar 10. Implementasi Halaman Peta Data (user)
oleh programmer untuk memastikan program sesuai
dengan desain dan rancangan

5. Deployment.
Tahapan ini adalah tahap instalasi dan penerapan
sistem, melakukan pengujian menggunakan metode
blackbox testing, mendapatkan feedback setelah
dilakukan pengujian, dan melakukan perbaikan.

4. Hasil dan Pembahasan

4.1 Hasil Implementasi

Gambar 11. Implementasi Halaman Peta GWR (user)
Sistem informasi geografis pemetaan indeks
pembangunan manusia di Pulau Sumatra berbasis
6
 Tabel 5. Black Box Testing untuk bagian User
Skenario Hasil Pengujian
Berhasil Gagal
Pengguna dapat 100%
mengakses beranda dan
mengetahui informasi
umum serta penggunaan di
dalam aplikasi.
Gambar 12. Implementasi Halaman Login (Admin) Pengguna dapat melihat 100%
peta Pulau Sumatera dan
detail dari tiap
kabupaten/kota.
Pengguna dapat melihat 100%
visualisasi dan klasifikasi
pada setiap peta data
komponen indeks
pembangunan manusia di
Pulau Sumatera.
Pengguna dapat melihat 97,55% 2,45%
visualisasi peta pemodelan
Gambar 13. Implementasi Halaman dashboard (Admin) GWR di Pulau Sumatera.
Pengguna dapat 100%
mendownload data indeks
pembangunan manusia
beserta komponen dan
hasil pemodelan GWR
dalam format .xlsx.

Tabel 6. Black Box Testing untuk bagian Admin

Skenario Hasil Pengujian
Berhasil Gagal
Pengguna dapat melakukan 100%
Gambar 14. Implementasi Halaman Edit Data (admin)
login sebagai admin.
Pengguna dapat melihat 100%
seluruh data berupa tabel
pada dashboard admin.
Pengguna dapat mencari 100%
data berdasarkan nama
kabupaten/kota.
Pengguna dapat 100%
menambahkan data.
Pengguna dapat mengubah 100%
data.
Pengguna dapat menghapus 100%
Gambar 15. Implementasi Halaman Tambah Data (admin)
data.
4.2 Hasil Pengujian Pengguna dapat melakukan 100%
Selanjutnya, sistem akan diuji untuk mengetahui logout dari akun admin.
kelayakan secara fungsionalitas. Pengujian dilakukan
menggunakan metode BlackBox Testing. Pengujian 5. Kesimpulan
BlackBox Testing akan terfokus kepada pengujian Berdasarkan hasil penelitian yang telah dilakukan,
dapat disimpulkan sebagai berikut:
fungsionalitas dari sistem untuk mengetahui apakah
1. Berdasarkan dari hasil analisis, pemodelan GWR
semua fungsi dari sistem berjalan dengan baik.
yang digunakan adalah fixed gaussian. Dari
Pengujian dilakukan kepada 31 orang penguji dengan pemodelan GWR, 154 kabupaten/kota yang
rincian penguji dengan latar belakang masyarakat dianalisis menghasilkan 154 pemodelan untuk
domisili Pulau Sumatra sebanyak 23 orang dan masing-masing daerah. Komponen Angka
penguji dengan latar belakang bidang IT sebanyak 17 Harapan Hidup dengan bobot paling tinggi dalam
orang. membangun IPM berada di Kab. Natuna dengan
nilai 0.5438637. Komponen Angka Harapan Lama
Sekolah dengan bobot tertinggi yaitu di Kab.
7
 Natuna dengan nilai bobot 1.2777253. Komponen
Rata-rata Lama Sekolah dengan bobot tertinggi
yaitu di Kota Simeulue dengan nilai bobot
1.3207217. Serta komponen Pengeluaran
Perkapita disesuaikan dengan bobot tertinggi yaitu
di Kab. Nias Selatan dengan nilai bobot
1,0869533e-07.
2. Rancangan sistem informasi geografis untuk
menggambarkan indeks pembangunan manusia di
Pulau Sumatra menggunakan Unified Modelling
Language (UML). Empat macam diagram yang
digunakan pada penelitian ini adalah Use case
Diagram, Activity Diagram, Class Diagram, dan
Sequence Diagram. Selain UML, pada
perancangan website ini juga digunakan desain
database dan desain Graphical User Interface
(GUI).
3. Implementasi aplikasi berbasis website sistem
informasi geografis menggunakan bahasa
pemrograman PHP, untuk menampilkan peta
Pulau Sumatera menggunakan javascript, untuk
penyimpanan data menggunakan MySQL, dan
framework yang digunakan dalam pengembangan
adalah Laravel. Implementasi menghasilkan
WebGISIPM Sumatra yang meliputi halaman
beranda, halaman peta standar, halaman peta data
komponen-komponen indeks pembangunan
manusia, halaman peta pemodelan GWR, halaman
login admin, halaman dashboard admin, halaman
tambah data, dan halaman edit data
4. Hasil pengujian menggunakan blackbox testing
pada aplikasi berbasis website sistem informasi
geografis untuk indeks pembangunan manusia di
Pulau Sumatera oleh 31 orang penguji
menunjukkan 99,5% dengan kategori berhasil pada
bagian user, dan 100% dengan kategori berhasil
pada bagian admin. Hal ini menunjukkan bahwa
sistem website sistem informasi geografis untuk
Indeks Pembangunan Manusia di Pulau Sumatra
layak untuk digunakan.
Saran untuk penelitian selanjutnya terkait
pengembangan sistem informasi geografis indeks
pembangunan manusia beserta komponen dengan
pemodelan GWR kedepannya:
1. Untuk penelitian selanjutnya disarankan dapat
mengambil faktor lain sebagai variable
independen yang belum terbukti dan
memungkinkan berpengaruh dalam membangun
indeks pembangunan manusia.
2. Untuk pengembangan website disarankan dapat
mengintegrasikan formula atau rumus dalam
memodelkan GWR ke dalam sistem website
sehingga pengguna dapat mencoba memodelkan
GWR dengan data berbeda.
3. Implementasi desain pada website lebih
dikembangkan agar tampilan website menjadi
lebih menarik, responsive, dan interaktif, sehingga
akan menarik lebih banyak pengguna untuk
menggunakan website ini.
Daftar Pustaka
Badan Pusat Statistik. (2021). Publikasi Indeks
Pembangunan Manusia.
Pressman, R. S., & Maxim, B. R. (2020). Software
Engineering: A Practioner’s Approach.
Fotheringham, A.S. Brundson, C., Charlton, M.
(2002). Geographically Weighted Regression:
Analysis of Spatially Varying Relationship. John
Wiley and Sons. Ltd:England.
Whitten, Jeffrey., Bentley, Lonnie (2007). System
Analysis & Design Methods. United States:
McGrawHill.
Gujarati, D. (1993). Ekonometrika Dasar. Erlangga.
Jakarta.
Barnes, Susan B. (2010). User Friendly: A Short
History of the Graphical User Interface. Issue 1
Sacred Heart University Review, Vol.16.
Petrelli, M. (2021). Introduction to Python in Earth
Data Science Data Analysis from Descriptive
Statistics to Machine Learning. Perugia: Springer
Nature.
Longley, Paul., Goodchild, Michael F., Maguire,
David J., & Rhind, David W. (2015). Geographic
Information Science and System 4th edition.
United Kingdom: Wiley.
Statufer, Matt. (2019). Laravel up & running: A
framework for building Modern PHP Apps. United
States: O’reilly second edition
Nixon, Robin. (2018). Learning PHP, MySQL, &
JavaScript. United States: O’Reilly Media, Inc.
Crickard, Paul. (2018). Leaflet.js Essentials. Packt
Open Source.
Agustina, Monica F., Wasono, Rochdi., Darsyah,
Moh. Yamin. (2015). Pemodelan Geographically
Weighted Regression (GWR) Pada Tingkat
Kemiskinan di Provinsi Jawa Tengah. Jurnal
Statistika. Vol3 No.2, November 2015.
Erawan. (2014). Dasar-dasar PHP. Sistem Informasi
Universitas Dian Nuswantoro, Semarang.
Cholifah, Wahyu Nur., Yulianingsih, Sagita., Sri
Melati. (2018). Pengujian BlackBox Testing Pada
Aplikasi Action & Strategy berbasis Android
dengan Teknologi Phonegap”. Jurnal String Vol.3
No.2 Desember 2018.