Perancangan Sistem Informasi Rawan Pangan Kabupaten ......Perancangan Sistem Informasi Rawan Pangan Kabupaten Klaten dengan Fungsi Gi* Statistik Artikel Ilmiah Diajukan kepada Fakultas

Perancangan Sistem Informasi Rawan Pangan Kabupaten

Klaten dengan Fungsi Gi* Statistik

Artikel Ilmiah

Diajukan kepada

Fakultas Teknologi Informasi

untuk memperoleh Gelar Sarjana Komputer

Peneliti:

Mei Ambarwati (672015734)

Ramos Somya, S.Kom., M.Cs.

Program Studi Teknik Informatika

Fakultas Teknologi Informasi

Universitas Kristen Satya Wacana

Salatiga

Juli 2016

ii

iii

v

1

1. Pendahuluan Kebutuhan pangan merupakan kebutuhan dasar manusia yang paling hakiki

yang harus dipenuhi oleh negara maupun masyarakatnya. Pangan juga menjadi hak

asasi manuasia setiap rakyat sebagaimana telah diatur dalam Undang-Undang Nomor

7 Tahun 1996 tentang Pangan. Ketersediaan pangan yang cukup secara nasional

tidak menjamin adanya ketahanan pangan tingkat wilayah (regional), pedesaan, serta

rumah tangga.

Ketahanan pangan menjadi hal penting yang harus diperhatikan pada suatu

wilayah (negara/propinsi/kabupaten). Ketahanan pangan merupakan salah satu hal

yang menunjang terbentuknya kualitas sumber daya manuasia yang baik karena

pangan merupakan kebutuhan dasar yang paling esensial bagi manusia untuk

mempertahankan hidup dan kehidupan.

Suatu daerah di mana kebutuhan pangan masyarakatnya tersedia dalam jumlah

yang cukup, mempunyai keragaman serta mutu gizi yang seimbang maka daerah

tersebut tergolong mempunyai ketahanan pangan yang tinggi. Apabila suatu daerah

mempunyai kondisi pangan yang sebaliknya maka daerah tersebut tergolong daerah

rawan pangan [1].

Kerawanan pangan yang bersifat kronis membutuhkan penanganan jangka

panjang, sedangkan kerawanan yang bersifat transien memerlukan penangan jangka

pendek. Ketahanan pangan dan kerawanan pangan suatu daerah ditentukan dengan

beberapa indikator yaitu rasio konsumsi normatif, presentase penduduk pra sejahtera,

presentase rumah tangga tanpa akses listrik, presentase perempuan buta huruf, angka

harapan hidup, Underweight pada balita, serta presentase rumah tangga tanpa akses

ke air bersih.

Pada tahun 2005, Badan Ketahanan Pangan (BKP) mengeluarkan Peta

Kerawanan Pangan (Food Insecurity Atlas/FIA). Pada tahun 2009, Dewan Ketahanan

Pangan (DKP) dan Badan Ketahanan Pangan Provinsi bekerja sama dengan United

Nation World Food Programme (WFP) meluncurkan Peta Ketahanan dan Kerawanan

Pangan (Food Security and Vulnerability Atlas/FSVA) yang mencakup 346

kabupaten dari 32 provinsi. Walaupun FIA dan FSVA berhasil membuat perbedaan

tingkat ketahanan dan kerawanan pangan di Indonesia, namun peta tersebut belum

dapat memberikan gambaran pengaruh faktor-faktor penyebab disuatu daerah

terhadap daerah lainnya.

Berdasarkan latar belakang yang telah dijelaskan, pada penelitian ini akan

dilakukan bagaimana perancangan sistem informasi rawan pangan Kabupaten Klaten

dengan fungsi Gi*statistik yang berbasis web untuk mengatasi permasalahan yang

ada. Sistem ini menampilkan informasi tentang data spasial dan wilayah geografis

Kabupaten Klaten. Data pangan yang digunakan diambil dari Peta Ketahanan dan

Kerentanan Pangan Jawa Tengah Tahun 2010. Sistem ini akan dikembangkan

menggunakan bahasa pemrograman PHP, MySQL sebagai database, dan Mapserver

sedangkan untuk pengolahan data spasialnya menggunakan fungsi Gi*statistik.

Sistem ini dirancang untuk membantu Dinas Ketahanan Pangan yang ada di

Kabupaten Klaten.

2

2. Kajian Pustaka

Penelitian terdahulu yang pertama, penelitian tersebut membahas tentang

bagaimana penerapan konsep neighbours analysis menggunakan metode Moran’s I

untuk mengetahui korelasi indikator kerawanan pangan antar kecamatan di Minahasa

Tenggara. Hasil dari penelitian tersebut menunjukan bahwa indikator kerawanan

pangan tersebut mempunyai korelasi yang tinggi. Selain itu penelitian ini juga

memberikan informasi kecamatan yang memiliki status rawan pangan. Indikator

yang paling berpegaruh yaitu prosentase Rasio Konsumsi Normatif dan Prosentase

Angka Harapan Hidup [2].

Penelitian terdahulu yang kedua, penelitian tersebut dilakukan pembuatan

sistem berupa GUI (Graphic User Interface) yang menampilkan peta digital yang

mengandung informasi data spasial pengaruh Produk Domestik Regional Bruto

(PDRB), Indeks Pembangunan Manusia, Jumlah Penduduk, dan Pengangguran

terhadap kemiskinan pada perisode 2005-2009 dengan menggunakan metode Gi*

statistik. Pada penelitian tersebut perhitungan data menggunakan bantuan R-studio

untuk mendapatkan pola spasial. Hasil dari penelitian tersebut menunjukan bahwa

variable PDRB, jumlah penduduk serta tingkat pengangguran dapat menentukan

daerah rawan miskin karena memiliki pola spasial yang sama dengan pola spasial

data kemisikinan [3].

Penelitian ini metode Gi*statistik juga digunakan untuk menghasilkan sebuah

pola spasial dari indikator-indikator rawan pangan. Namun output yang dihasilkan

yakni berupa peta yang berbasis web yang nantinya dapat di akses oleh semua pihak.

Hasil perhitungan yang diperoleh dari metode Gi* statistik akan dibandingkan

dengan hasil perhitungan Badan Ketahan pangan (BKP).

Rawan pangan adalah kondisi suatu daerah, masyarakat, atau rumah tangga

yang tingkat ketersediaan dan keamanan pangannya tidak cukup untuk memenuhi

standar kebutuhan fisiologis bagi pertumbuhan dan kesehatan sebagian besar

masyarakatnya [4]. Indikator-indikator yang berpengaruh terhadap kerawanan

pangan [5]. Ketersediaan Pangan : 1) Rasio konsumsi normatif per kapita terhadap

ketersediaan bersih “padi + jagung + ubi kayu + ubi jalar”, Akses terhadap Pangan

dan Penghidupan : 2) Persentase penduduk hidup di bawah garis kemiskinan, 3)

Persentase desa yang tidak memiliki akses penghubung yang memadai, 4) Persentase

rumah tangga tanpa akses listrik, Pemanfaatan Pangan : 5) Angka harapan hidup

pada saat lahir, 6) Berat badan balita dibawah standar, 7) Perempuan Buta Huruf, 8)

Rumah tangga tanpa akses ke air bersih, 9) Persentase rumah tangga yang tinggal

lebih dari 5 km dari fasilitas kesehatan. Data spasial adalah sebuah data yang berorientasi geografis dan memiliki

sistem koordinat tertentu sebagai dasar referensinya. Data spasial mempunyai dua

bagian penting yang membuat berbeda dari data lain, yaitu informasi lokasi (spasial)

dan informasi deskriptif (attribute). Informasi lokasi (spasial), berkaitan dengan

suatu koordinat baik koordinat geografi (lintang dan bujur) dan koordinat XYZ, serta

informasi datum dan proyeksi. Sedangkan, informasi deskriptif (atribut) atau

informasi non spasial, suatu lokasi yang memiliki beberapa keterangan yang

berkaitan dengannya, misalkan : jenis vegetasi, populasi, luasan, kode pos dan

sebagainya [6].

3

Autokorelasi spasial adalah korelasi antara nilai-nilai sebuah variable dan

nilai-nilai lainnya pada variable yang sama. Jika terdapat pola sistematik didalam

penyebaran sebuah variable, maka terdapat autokorelasi spasial. Adanya autokorelasi

spasial mengindikasi bahwa nilai atribut pada daerah tertentu terkait oleh nilai atribut

tersebut pada daerah lain yang letaknya berdekatan atau bertetangga [7].

Fungsi Gi*Statistik adalah metode yang digunakan untuk mendeteksi

terbentuknya pengelompokan secara lokal (hotspot) yang dapat diinterpretasikan

sebagai asosiasi antar nilai wilayah yang diobservasi dengan sekelilingnya yang

dikembangkan oleh Getis dan Ord .

Hotspot (titik panas) merupakan suatu kondisi yang mengindikasi suatu

wilayah membentuk clustering atau mengelompok di sebuah distribusi spasial.

Mendeteksi hotspot secara sederhana yaitu dengan mengamati suatu lokasi dengan

fenomena melimpah/besar. Mendeteksi hotspot adalah langkah awal untuk

mengetahui proses untuk membangkitkan kejadian dari pola spasial [8]. Hotspot

diberikan pada lokasi dengan banyak atau beragam kasus dalam daerah observasi

atau wilayah yang paling beragam. Penentuan indikator suatu wilayah dikatakan

ekstrim tinggi hingga rendah bergantung dari nilai z(Gi), di mana z(Gi) > +2 artinya

ada hubungan lokasi nilai positif signifikan, sedangkan apabila z(Gi) < -2

mengindikasi bahwa nilai keterkaitan antar wilayah kecil, rendah [9]. Pada penelitian

ini yang dijadikan titik awal yakni kecamatan Klaten Utara(xi), karena daerah ini

memiliki keragaman kasus yang tinggi.

Tetangga pada Gi*statistik adalah daerah-daerah yang dikelompokkan

berdasarkan titik awal sebagai titik pusatnya. Ada dua jenis tetangga yaitu tetangga

per region dari titik awal dan tetangga dari luar daerah perhitungan atau tetangga

berdasarkan letak geografis (xj). Tetangga yang digunakan pada perhitungan ini

yakni jumlah kecamatan yang ada di kabupaten Klaten. Sedangkan tetangga (xj)

yang berada disekitar wilayah studi dihtiung berdasarkan letak geografis yang

berdekatan dengan wilayah studi yang telah ditentukan. Kabupaten Klaten dikelilingi

oleh Kabupaten Boyolali (19 kecamatan), Kabupaten Sukoharjo (12 kecamatan),

Kabupaten Gunung Kidul (18 kecamatan), Kabupaten Sleman (17 kecamatan)

sehingga jumlah kecamatan yang mengelilingi Kabupaten Klaten sebanyak 66

wilayah dan menjadi 92 wilayah dihitung dengan kecamatan yang ada di Kabupaten

Klaten sendiri. Keseluruhan kecamatan yang berjumlah 92 menjadi penentu n

(jumlah wilayah studi keseluruhan berdasarkan letak geografis). Tetangga yang

berdekatan dengan kecamatan Klaten Utara dibagi menjadi enam bagian terdekat

yang dapat dilihat pada Tabel 1. Tabel 1 Tabel Penentuan Tetangga di Kabupaten Klaten

N

o

Tetangga terdekat

ke-

Meliputi Kecamatan Jumlah

Tetangga

Jumlah Tetangga

dari tetangga

1 I Klaten Utara, Klaten Tengah, Klaten Selatan,

Kalikotes, Trucuk, Ceper, Ngawen

7 7

2 II Kebonarum, Karangnongko, Jatinom, Karanganom

4 11

3 III Jogonalan, Wedi, Bayat 3 14

4 IV Tulung, Polanharjo, Delanggu, Pedan 4 18

5 V Wonosari, Juwiring, Karangdowo, Cawas 4 22

6 VI Kemalang, Manisrenggo, Parambanan,

Gantiwarno

4 26

4

Jumlah tetangga pertama didapat dari jumlah tetangga dari Klaten Utara

sebagai titik awal yang memiliki jumlah tetangga termasuk Klaten Utara tujuh

kecamatan. Jumlah tetangga kedua adalah empat kecamatan dengan jumlah tetangga

dari tetangga adalah sebelas kecamatan (jumlah tetangga pertama ditambah dengan

jumlah tetangga kedua). Jumlah tetangga dari tetangga didapat dengan

menjumlahkan jumlah tetangga dengan tetangga selanjutnya. Adapun Rumus Fungsi

Gi*Statistik dari Getis dan Ord,

(1)

Variabel z(Gi): nilai Local Indicator Spatial Autocorrelation – Getis and Ord,

∑wijxj: Jumlah kasus pada tetangga, x: Rata-rata seluruh kasus, n: Jumlah area yang

berdekatan dengan hotspot, wi: Jumlah tetangga antara wilayah studi dengan

tetangga terdekatnya, s²: variance/perbedaan antar i (sites).

3. Metode dan Perancangan Sistem

Pada penelitian ini,akan dilakukan beberapa tahapan penelitian yang secara

garis besar terbagi ke dalam lima tahapan, yaitu : 1) Analisis kebutahan dan

pengumpulan data yang diperlukan. 2) Perancangan Sistem. 3) Perancangan

aplikasi/program. 4) Implementasi dan pengujian sistem, serta analisi hasil

pengujian. 5) Penulisan laporan hasil penelitian [10]. Tahapan-tahapan yang

dilakukan dalam penelitian ini dapat dilihat pada Gambar 1.

Gambar 1 Tahapan Penelitian

Gambar 1 menjelaskan bahwa tahapan-tahapan penelitian yang dilakukan

adalah sebagai berikut : tahap pertama : analisis dan pengumpulan data, di mana

pihak developer mencaritahu kebutuhan client dalam pembuatan aplikasi. Tahap ini

dilakukan dengan mencari informasi data yang didapat dari Badan Ketahanan

Pangan Kabupaten Klaten. Tahap kedua, ketiga, dan keempat dilakukan

5

menggunakan metode prototyping. Metode penelitian yang digunakan pada

perancangan sistem ini adalah prototyping. Model ptototyping merupakan suatu

teknik untuk mengumpulkan informasi tertentu mengenai kebutuhan-kebutuhan

informasi pengguna secara tepat. Pengguna kebutuhan seringkali menjelaskan

sekumpulan sasaran umum perangkat lunak, namun tidak mengidentifikasikan

kebutuhan input, proses atau output[11].

Gambar 2 Tahapan-tahapan Metode Prototyping [11]

Tahapan-tahapan metode prototyping akan terus berlangsung dari waktu ke

waktu hingga semua kebutuhan terpenuhi. Tahap pengumpulan kebutuhan

merupakan proses menganalisa kebutuhan yang terdapat pada permasalahan yang

dihadapi, pengumpulan data, kemudian membangun aplikasi dengan landasan teori

yang ada. Analisis kebutuhan sistem ini dilakukan dengan pencarian data-data serta

informasi yang dibutuhkan sistem. Terdapat empat analisis kebutuhan dalam

perancangan sistem yaitu analisis kebutuhan sistem, analisis kebutuhan data, analisis

kebutuhan perangkat keras dan analisis kebutuhan perangkat lunak.

Pada tahap ini data yang dibutuhkan untuk membangun sistem dalam penelitian

ini adalah data Rasio konsumsi normatif, Persentase penduduk hidup di bawah garis

kemiskinan, Persentase desa yang tidak memiliki akses penghubung yang memadai,

Persentase rumah tangga tanpa akses listrik, Angka harapan hidup pada saat lahir,

Berat badan balita dibawah standar, Perempuan Buta Huruf, Rumah tangga tanpa

akses ke air bersih, Persentase rumah tangga yang tinggal lebih dari 5 km dari

fasilitas kesehatan serta peta daerah Kabupaten Klaten. Analisis kebutuhan perangkat

keras serta kebutuhan perangkat lunak yang digunakan dalam pemodelan sistem ini

yaitu : perangkat keras yang akan digunakan adalah Prosesor Intel Core i3, 2.40

GHz, RAM 2 GB dan Hardisk 320 GB. Sedangkan perangkat lunak yang digunakan

adalah sistem operasi Windows 7 ultimate, Mapserver, Web browser (dalam

penelitian ini digunakan Google Chrome), Adobe Dreamweaver CS5, ArcView

untuk digitasi peta, dan Microsoft Office Visio untuk membuat DFD.

Tahap perancangan sistem dilakukan dengan pembuatan desain sistem

berdasarkan kebutuhan yang telah dikumpulkan. Pembuatan desain dilakukan dengan

tujuan agar ptototype yang nantinya dibuat dapat memenuhi kebutuhan yang ada.

Tahap pengujian sistem dilakukan untuk mengetahui apakah sistem yang dibuat

sudah sesuai dengan kebutuhan, dan menemukan kesalahan-kesalahan yang terjadi

6

pada sistem. Apabila sistem belum memenuhi permintaan maka proses akan berulang

ke tahap pertama hingga tahap uji coba, begitu seterusnya hingga permasalahan

terpecahkan.

Setelah prototype dibuat, pengujian dan evaluasi dilakukan untuk mengetahui

apa saja yang perlu ditambahkan atau dikurangu pada sistem dari aplikasi ini.

Evaluasi pertama, fungsi untuk menampilkan data yang diinterpretasikan ke peta

sudah bisa, namun pada saat data dihitung menggunakan fungsi Gi*Statistik ada

beberapa daerah yang tidak dapat dipetakan dan tidak sesuai dengan hasil

perhitungan manualnya. Sehingga sistem harus ada yang dirubah dan diperbaiki

untuk penanganan-penanganan error dan sedikit perubahan antarmuka. Evaluasi

kedua, semua input yang tidak sesuai sudah diberi penanganan, sehingga sistem dari

aplikasi ini berjalan dengan baik. Hasil dari pengujian prototype kedua ini adalah

mengenai desain dan grafs tampila antarmuka dan fasilitas yang ada pada aplikasi

ini.

Perancangan sistem dalam penelitian ini dibuat dalam bentuk diagram aliran

data atau data flow diagram (DFD). Data Flow Diagram (DFD) adalah suatu model

logika data atau proses yang dibuat untuk menggambarkan darimana asal data dan

kemana tujuan data yang keluar dari sistem. Data disimpan di mana, proses apa yang

menghasilkan data tersebut dan interaksi anatara data yang tersimpan dan proses

yang dikenakan pada data tersebut [12].

Adapun deskripsi Rumusan Masalah dalam sistem ini adalah : 1) Pengelolaan

nilai masukan untuk menentukan daerah rawan pangan. 2) Pemrosesan nilai masukan

dengan fungsi Gi* statistik. 3) Menampilkan peta hasil perhitungan Gi* statistik. 4)

Menganalisis peta daerah rawan pangan sesuai dengan indikator yang ditunjukan

dengan warna pada peta.

UserAdmin

Sistem Pemodelan

Klasifikasi Rawan

Pangan

Login

Data Rawan Pangan

Analisis Peta

Menampilkan Peta

Menampilkan Peta

Menampilkan Data

Gambar 3 Context Diagram Sistem Pemodelan Klasifikasi Rawan Pangan

Gambar 3 menunjukkan proses sistem secara garis besar, di mana user dapat

melihat peta yang telah diproses menggunakan fungsi Gi*statistik maupun peta data

aslinya. Selain itu user dapat menganalisis peta tersebut dan mengambil keputusan

yang tepat. Admin dapat memasukkan nilai ataupun data ke dalam model, kemudian

nilai tersebut diolah menggunakan fungsi Gi*statistik yang hasilnya ditampilkan

dalam bentuk peta.

7

Gambar 4 DFD Level 1 Pemodelan Klasifikasi

DFD Level 1 menunjukan proses kerja pemodelan sistem klasifikasi daerah

rawan pangan. Pada gambar 4, admin diharuskan melakukan login terlebih dahulu

untuk mengakses data. Setelah admin berhasil melakukan login, admin meng-update

data dalam basis data dan data tersebut dihitung oleh sistem. Kemudian hasil

masukkan yang sudah dihitung ditampilkan dalam bentuk peta. User menganalisis

peta hasil perhitungan fungsi Gi*statistik dengan membandingkan peta. DFD Level 2

menjelaskan proses perhitungan Gi*statistik, di mana data yang diupdate oleh admin

kemudian dihitung berdasarkan tetangga terdekat dari kecamatan yang terpilih

sebagai hotspot.

Admin3.2

Pengelolaan

Data

3.1 Hitung

Dengan Metode

Tetangga

terdekat I

Tetangga

terdekat VI

Tetangga

Terdekat V

Tetangga

terdekat IV

Tetangga

terdekat III

Tetangga

terdekat II

Tbl Data

Update Data

Lakukan Hitung

Dihitung

dihitung

dihitung

dihitung

dihitung

Dihitung

Pilih

Update Hasil

Hitungan

Tampilkan Peta

Gambar 5 DFD Level 2 Pemodelan Klasifikasi

4. Hasil Implementasi dan Pembahasan

Hasil dari pengembangan pemodelan pola spasial daerah rawan pangan yakni

berupa peta spasial. Tampilan awal dari pemodelan ini berupa halaman web yang

dapat diakses oleh user dan admin seperti Gambar 6.

8

Gambar 6 Tampilan Awal Web

Untuk mengakses halaman admin, admin diharuskan login. Jika usename atau

password salah maka admin kembali ke halaman login. Admin melakukan update

data dengan cara memasukan file berekstensi .xls yang kemudian di ubah kedalam

bentuk database. Setelah data disimpan di dalam database, data yang terupdate

diolah menggunakan fungsi Gi*statistik. Hasil pengolahan data ditampilkan dalam

bentuk peta. Kode Program 1 Perintah untuk Menghitung Data dengan Gi*statistik

1. $query="select ras_kon from rkn"; 2. $result = mysql_query($query) or die(mysql_error()); 3. $ras_kon = array(); $i=0; 4. while ($data= mysql_fetch_array($result)) { 5. $ras_kon[$i]=$data["ras_kon"]; 6. $i++;} 7. $query="select avg(ras_kon) as avg from rkn"; 8. $result = mysql_query($query) or die(mysql_error()); 9. while ($data= mysql_fetch_array($result)) { 10. $avg=$data["avg"];} 11. for($i=0;$i

9

Kode Program 1 menunjukan fungsi untuk menghitung data dengan

menggunakan Gi*statistik. Data yang diinput dihitung berdasarkan kategori tetangga

terdekat. Sebelum diterapkan ke kode program, perhitungan dilakukan secara manual

menggunakan Microsoft Office Excel. Kode Program 2 Perintah untuk Memberikan Warna Layer Peta

Kode program 2 menunjukan fungsi untuk memeberikan warna layer pada peta

Kabupaten Klaten. Pola peta divisualisasikan dengan warna yang berbeda beda

sesuai dengan range nilai. Suatu daerah dikatakan bernilai tinggi apabila daerah

tersebut dan tetangga memiliki nilai z(Gi) > +2, dan apabila suatu daerah memiliki

nilai z(Gi) < -2 daerah tersebut dikatan daerah bernilai rendah. Penentuan warna dari

nilai z(Gi) dapat dilihat pada Tabel 2. Tabel 2 Keterangan Warna Legenda pada Pola z(Gi)

Kode Program 3 Perintah untuk Menentukan Warna berdasarkan Nilai z(Gi)

Kode Program 3 menjelaskan tentang fungsi penentuan warna untuk daerah

Kabupaten Klaten berdasarkan nilai range z(Gi) yang diperoleh. Sedangkan untuk

membuat fungsi warna itu sendiri dijelaskan pada Kode Program 2. Daerah

pemodelan klasifikasi rawan pangan dibagi menjadi lima kelompok, yakni :

Range Nilai Warna

≤ -2 Ungu

-1 < -2 Biru Muda

-0 < -1 Kuning

0 < 1 Kuning Tua

1 < 2 Merah Muda

≥ +2 Merah

1. while ($row1 = mysql_fetch_array($result)) { 2. $namaKec = $row1['kecamatan']; 3. if ($row1['Z_ras'] -1]) {$data[$namaKec] = 2; 6. } else if ($row1['Z_ras'] = 0]) {$data[$namaKec] = 3; 7. } else if ($row1['Z_ras'] 1]) {$data[$namaKec] = 4; 8. } else if ($row1['Z_ras'] > 2) {$data[$namaKec] = 5; 9. }$i++;

1. foreach ($_SESSION['data'] as $kec => $kla) { 2. $objClassSur = ms_newClassObj($objLayerSur); 3. $objClassSur->Set("name", $kec); 4. $objClassSur->SetExpression($kec); 5. $objStyleSur = ms_newStyleObj($objClassSur); 6. if ($data != null) {switch ($data[$kec]){ 7. case 0: 8. $objStyleSur->color->setRGB(163,73,164);break; 9. case 1: 10. $objStyleSur->color->setRGB(153,217,234);break; 11. case 2: 12. $objStyleSur->color->setRGB(255,255,32);break; 13. case 3: 14. $objStyleSur->color->setRGB(217,217,0);break; 15. case 4: 16. $objStyleSur->color->setRGB(255,174,201);break; 17. case 5: 18. $objStyleSur->color->setRGB(237,28,36);break;

10

Gambar 7 Petunjuk Klasifikasi Wilayah Rawan Pangan

Gambar 7 menunjukan suatu wilayah dikatakan level 1 apabila, wilayah studi

dan sekitarnya memiliki nilai z(Gi) < -2. Level 2 apabila suatu wilayah dan tetangga

sekitarnya mempunyai z(Gi) > +2 dan z(Gi) < -2, kemudian dikatakan level 3 jika

suatu wilayah mempunyai z(Gi) = 1 sedangkan wilayah sekitar memiliki z(Gi) < -2.

Suatu wilayah dikatakan level 4 jika suatu wilayah memiliki nilai z(Gi) = 0

sedangkan tetangga sekitar memiliki rata-rata nilai z(Gi) > +2. Apabila suatu wilayah

dikatakan level 5 jika wilayah studi dan daerah sekitarnya memiliki nilai z(Gi) > +2.

Gambar 8 Pola RKN, Penduduk Miskin, dan Perempuan Buta huruf dengan Gi*

11

Gambar 8 menunjukan bahwa daerah daerah Klaten Utara, Klaten Tengah,

Klaten Selatan, Ngawen, Ceper, Trucuk dan Kalikotes termasuk pada kategori level

resiko tinggi. Hasil keluaran perhitungan Gi* statistik menunjukan warna merah

muda z(Gi) bernilai antara 1 - 2. Sehingga dapat diartikan, bahwa daerah-daerah

tersebut kerawanan pangannya dipengaruhi oleh rasio konsumsi normatif,

kemiskinan dan buta huruf.

Gambar 9 Pola Rumah Tangga tanpa Akses Air dan Berat Badan Balita dibawah standar dengan Gi*

Pola yang terbentuk pada Gambar 9 menunjukan bahwa tingkat moderat di

daerah Klaten Utara dan tetangga sekitarnya yang memiliki nilai lebih tinggi

daripada nilai region lain. Menyebabkan indikator-indikator tersebut juga

berpengaruh di daerah sekitar atau tetangga Klaten Utara.

Gambar 10 Pola Angka Harapan Hidup dengan Gi*

Gambar 10 menunjukkan variable Angka Harapan Hidup di mana daerah

Klaten Utara, Klaten Tengah, Klaten Selatan, Trucuk, Ngawen, Ceper, serta

Kalikotes setelah dihitung dengan fungsi Gi*statistik mempunya nilai z(Gi) < -2

sehingga dapat dikatakan daerah-daerah tersebut jika dilihat dari variable Angka

Harapan Hidup tidak berpengaruh terhadap kerawanan pangan. Karena daerah-

daerah tersebut termasuk pada tingkat level resiko rendah.

Standar eror adalah standar deviasi dari rata-rata sampel. Rumus dari standar

eror adalah sebagai berikut :

(2)

12

Keterangan : Sy = Standar error, S2 = variance, N = jumlah data. Semakin

kecil nilai standar eror maka sampel tersebut lebih akurat. Data pada ketahanan

pangan yang dihitung menggunakan Gi*statistik akan dicocokan dengan data dari

Badan Ketahan Pangan Kabupaten Klaten untuk mengetahui valid atau tidak data

yang dihitung menggunakan Gi*statistik. Untuk mengetahui valid atau tidak, data

dari perhitungan Gi*statitik dan data Badan Ketahanan Pangan akan dihitung

menggunakan standar eror. Data yang dipakai sudah dikalikan 100%. Perhitungan

standar eror data RKN pada perhitungan BKP dirumuskan sebagai berikut : Tabel 3 Perhitungan standar error data RKN pada perhitugan BKP

Perhitungan standar error data RKN pada perhitungan Gi*statistik dirumuskan

sebagai berikut : Tabel 4 Perhitungan standar error data RKN pada perhitugan Gi*statistik

x rata-rata (x-rata-rata) (x-rata-rata)^2

0,00 62,11538 -62,12 3858,32 0,00 62,11538 -62,12 3858,32

63,00 62,11538 0,88 0,78

63,00 62,11538 0,88 0,78

12,00 62,11538 -50,12 2511,55

134,00 62,11538 71,88 5167,40

134,00 62,11538 71,88 5167,40

76,00 62,11538 13,88 192,78 63,00 62,11538 0,88 0,78

0,00 62,11538 -62,12 3858,32

76,00 62,11538 13,88 192,78

134,00 62,11538 71,88 5167,40

134,00 62,11538 71,88 5167,40

x rata-rata (x-rata-rata) (x-rata-rata)^2

2,00 2 0,00 0,00

1,00 2 -1,00 1,00

2,00 2 0,00 0,00

1,00 2 -1,00 1,00

3,00 2 1,00 1,00

2,00 2 0,00 0,00 2,00 2 0,00 0,00

1,00 2 -1,00 1,00

1,00 2 -1,00 1,00

1,00 2 -1,00 1,00

1,00 2 -1,00 1,00

2,00 2 0,00 0,00

1,00 2 -1,00 1,00

1,00 2 -1,00 1,00

1,00 2 -1,00 1,00 2,00 2 0,00 0,00

1,00 2 -1,00 1,00

3,00 2 1,00 1,00

3,00 2 1,00 1,00

1,00 2 -1,00 1,00

1,00 2 -1,00 1,00

3,00 2 1,00 1,00

6,00 2 4,00 16,00

2,00 2 0,00 0,00

7,00 2 5,00 25,00

1,00 2 -1,00 1,00

Jumlah 58,00

Variance 1,52

SE 0,242038985

13

34,00 62,11538 -28,12 790,47

12,00 62,11538 -50,12 2511,55

12,00 62,11538 -50,12 2511,55

12,00 62,11538 -50,12 2511,55 34,00 62,11538 -28,12 790,47

34,00 62,11538 -28,12 790,47

76,00 62,11538 13,88 192,78

34,00 62,11538 -28,12 790,47

76,00 62,11538 13,88 192,78

0,00 62,11538 -62,12 3858,32 134,00 62,11538 71,88 5167,40

134,00 62,11538 71,88 5167,40

134,00 62,11538 71,88 5167,40

Jumlah 65586,65

Variance 51,22

SE 1,403563912

Dari perhitungan standar eror antara data BKP dan Gi*statistik didapatka hasil

yakni untuk standar eror (SE) BKP sebesar 0,242 sedangkan standar eror (SE)

Gi*statistik sebesar 1,404. Dari hasil perbandingan standar eror (SE) antara data

kerawanan pangan yang dihitung menggunakan Gi*statistik dan BKP menunjukan

bahwa nilai standar eror Gi*statistik lebih tinggi daripada data dari BKP. Berarti data

yang diperoleh dari data BKP lebih akurat dibanding dengan perhitunagn

Gi*statistik.

Pengujian aplikasi dilakukan dengan menguji fungsi-fungsi dari aplikasi yang

telah dibuat untuk mencari kesalahan pada sistem. Pengujian aplikasi dilakukan agar

sistem yang dibuat berjalan sesuai dengan yang diharapkan dan dapat memenuhi

kebutuhan pengguna. Pengujian alpha pada aplikasi ini menggunakan metode

blackbox,yaitu pengujian fungsi-fungsi aplikasi secara langsung tana memperhatikan

alur eksekusi program. Pengujian ini dilakukan dengan memperhatikan apakah

fungsi telah berjalan sesuai rancangan dan sesuai yang diharapkan. Tabel 5 adalah

hasil pengujian dari aplikasi yang telah dilakukan. Tabel 5 Hasil Pengujian Alpha (Blacbox)

Fungsi yang diuji Kondisi Output yang

diharapkan

Output yang

dihasilkan sistem

Status

pengujian

Login Username dan password

benar Username dan password

salah maupun kosong

Sukses login

Gagal login

Sukses login

Gagal login

Valid

Input data Tabel database keadaan

kosong

Tabel database terisi

Sukses input data

Gagal input data

Sukses input data

Gagal input data

Valid

Fungsi Gi*statistik Sesuai dengan pergitungan

manual Microsoft Office

Excel

Sukses Sukses Valid

Load peta Buka halaman peta Sukses load peta Sukses load peta Valid

Berdasarkan pengujian yang dilakukan pada aplikasi web dapat dilihat status

pengujian dari setiap fungsi valid, maka disimpulkan bahwa aplikasi ini berjalan

dengan baik dan sesuai yang diharapkan. Pengujian beta dilakukan dengan

memberikan kuesioner kepada pengguna yang dipilih secara acak, yang sebelumnya

telah melihat demo mengenai aplikasi ini. Kuesioner ini digunakan untuk mengetahui

penilaian pengguna terhadap aplikasi ataupun mengetahui bug yang ditemui

pengguna. Selain itu, tujuan dari pengujian ini adalah untuk mengetahui apakah

aplikasi sudah membantu dalam memberikan informasi kepada pengguna. Pengujian

14

dilakukan dengan membagikan kuesioner yang diberikan kepada 30 responden yang

dipilih secara acak. Tabel 6 Hasil Jawaban Kuesioner

No Pernyataan SS S CS TS STS

1 Aplikasi ini mudah digunakan 11 15 3 1 0

2 Tampilan, huruf dan gambar dari aplikasi ini dapat dilihat

dengan jelas

5 9 14 2 0

3 Menu-menu pada aplikasi mudah dipahami 9 17 3 1 0

4 Aplikasi ini membantu memberikan informasi daerah yang

berpotensi rawan pangan

13 9 8 0 0

5 Aplikasi ini bermanfaat memberikan informasi indikator

yang berpengaruh di suatu daerah

14 6 10 0 0

Berdasarkan hasil dari pengisian kuisioner tersebut, dapat ditarik kesimpulan

bahwa 50% sangat setuju bahwa aplikasi ini mudah digunakan, 46,67% cukup setuju

bahwa tampilan, huruf dan gambar dari aplikasi ini dapat dilihat dengan jelas,

56,67% setuju bahwa menu pada aplikasi mudah dipahami, 43,33% sangat setuju

bahwa aplikasi ini membantu memberikan informasi daerah yang berpotensi rawan

pangan, 46,67% sangat setuju bahwa aplikasi ini bermanfaat memberikan informasi

indikator yang berpengaruh di suatu daerah.

5. Simpulan Berdasarkan penelitian yang telah dilakukan, maka dapat diambil kesimpulan

bahwa daerah rawan pangan dapat dimodelkan menggunakan fungsi Gi* statistik.

Data nyata rawan pangan serta indikator dimodelkan, sehingga menghasilkan pola

spasial yang menunjukkan kluster/ pengelompokkan daerah rawan pangan.

Hasil pengujian juga menunjukan bahwa sistem pemodelan klasifikasi daerah

rawan pangan Kabupaten Klaten ini membantu user untuk mengetahui tingkat

kerawanan pangan serta mengetahui indikator yang paling berpengaruh ditiap

masing-masing daerah. Indikator yang paling berpengaruh terhadap kerawanan

pangan di kabupaten Klaten yakni indikator Rasio Konsumsi Normatif, Penduduk

hidup di bawah Garis Kemiskinan serta indikator Perempuan Buta Huruf. Dengan

pemodelan sistem yang berbasis web ini user ataupun admin Badan Ketahan Pangan

dipermudah dalam pengaksesan maupun pengolahan data.

Proses perhitungan standar error yang dilakukan pada data perhitungan Gi*

statistik dan BKP menunjukkan bahwa data yang diperoleh menggunakan proses

perhitungan BKP memiliki tingkat akurasi yang lebih dibandingkan dengan

perhitungan menggunakan Gi* statistik. Hal ini ditunjukan dengan hasil perolehan

standar eror dari Badan Ketahanan Pangan sebesar 0,242 sedangkan perhitungan Gi*

statistik satndar error yang dihasilkan sebesar 1,404. Karena standar eror Badan

Ketahanan Pangan lebih kecil maka data tersebut lebih akurat.

15

6. Pustaka [1] Anwar Syaiful,dkk, 2010, Analisis Potensi dan Ketersediaan Pangan dalam

Kaitannya dengan Ketahanan Pangan di Jawa Tengah.

[2] Widi .P, C.A,dkk, 2013, Identifikasi Pola Spasial Daerah Rawan Pangan di Kabupaten Minahasa Tenggara Menggunakan Moran’s I, Prosiding SNTI

2013, Vol: 10 No. 1.

[3] Barnabas Mahanaim, Imanuel,2012, Pemodelan Pola Spasial Daerah Rawan Miskin di Lihat dari PDRB, IPM, Jumlah pengangguran, Jumlah Penduduk,

Tingkat kemiskinan Provinsi Jawa Tengah 2005-2009,

http://repository.uksw.edu/handle/123456789/2786. Diakses tanggal 13 Mei

2016

[4] Badan Ketahanan Pangan, 2006, Pedoman Program Aksi Desa Mandiri Pangan (MAPAN). Departemen Pertanian

[5] Dewan Ketahanan Pangan, 2009, Panduan Penyusunan FSVA 2009.

[6] Puntodewo, Atie, Sonya Dewi, Jusupta Tarigan, 2003, Sistem Informasi Geografis untuk Pengelolaan Sumber Daya Alam, CIFOR : Indonesia.

[7] Curtis, J. A. and Lee, A. W., Spatial Pattern of Diabetes Related Health Problems for Vulneral Populations in Los Angeles, USA, 2010.

[8] Getis, A. & Boots, B, 1978, Model of Spatial Processes, Cambridge: Univ. Press

[9] Getis A., Ord,J.K., 1992, The Analysis of Spatial Association by Use of Distance Statistics, Geographical Analysis, 24, 189-206.

[10] Hasibuan, Zainal A. 2007. Metodologi Penelitian Pada Bidang Ilmu Komputer dan Teknologi Informasi : Konsep, Teknik, dan Aplikasi. Jakarta : Ilmu

Komputer Univesitas Indonesia.

[11] Pressman, Roger, 2001, Rekayasa Perangkat Lunak Pendekatan Praktisi (Buku Satu), Yogyakarta : Andi.

[12] Kristanto, Andri, 2003, Perancangan Sistem Informasi dan Aplikasinya, Yogyakarta : Gava Media.