-
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.