See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/302868952

PENGGUNAAN LOGIKA FUZZY DALAM PEMODELAN SPASIAL KERENTANAN

DBD DI KOTA YOGYAKARTA

Article · January 2012

CITATIONS READS

0 313

2 authors:

Gemasakti Adzan Projo Danoedoro

WWF Indonesia Gadjah Mada University
3 PUBLICATIONS   2 CITATIONS    100 PUBLICATIONS   163 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

MAPPING OF INVASIVE SPECIES (ARENGA OBTUSIFOLIA) IN JAVAN RHINOS HABITAT,UJUNG KULON WEST JAVA, BASED ON LANDSAT-8 IMAGE ANALYSIS AND
GEOGRAPHICAL INFORMATION SYSTEMS View project

Image Mining in Remote Sensing for Coastal Wetlands Monitoring View project

All content following this page was uploaded by Projo Danoedoro on 10 May 2016.

The user has requested enhancement of the downloaded file.

 PENGGUNAAN LOGIKA FUZZY DALAM PEMODELAN SPASIAL KERENTANAN DBD  
DI KOTA YOGYAKARTA 
 
Gemasakti Adzan 
gemasakti.adzan@gmail.com 
 
Projo Danoedoro 
projo.danoedoro@geo.ugm.ac.id 
 
Abstract 
The objective of this research is modelling an irritable rate area of Dengue Haemmoraghic Fever 
(DHF)  using  fuzzy  logic  in  Yogyakarta,using  several  variables  as  representative  of  DHF’s  epidemiological 
factor,  such  as  building  density,  vegetation  cover,  and  rainfall  as  representative  of  environmental  factor; 
human population density as a representative of human factor, and house index as a representative of vector 
factor. This research consist of several analysis: fuzzy membership analysis which is used to analyze degree 
of membership value of each variables of its relationship with DHF case; fuzzy overlay analysis which is used 
to done a comprehensive analysis using all of variables in order to analyze the irritable area of DHF case, 
using five types of fuzzy operator: AND, OR, SUM, PRODUCT, and Square Root operator; and defuzzification 
analysis which is used to reclassify the fuzzy result of the model into crisp value. 
 
Abstrak 
Penelitian  ini  bertujuan  untuk  memodelkan  epidemiologi  DBD  dalam  menentukan  tingkat 
kerentanan  wilayah  terhadap  DBD,  dengan  menggunakan  logika  fuzzy  sebagai  metode  analisis, 
mengambil  Kota  Yogyakarta  sebagai  daerah  penelitian,  dengan  melibatkan  berbagai  variabel  yang 
mewakili aspek epidemiologi, antara lain: tingkat kepadatan bangunan, persentase tutupan vegetasi, dan 
curah  hujan  (aspek  lingkungan),  kepadatan  penduduk  (aspek  manusia),  dan  house  index  (aspek 
kepadatan  vektor).  Analisa  yang  dilakukan  meliputi  proses  analisa  derajat  keanggotaan  fuzzy  setiap 
variabel  terhadap  kejadian  DBD  dengan  menggunakan  kurva  fuzzy  (fuzzy  membership  analysis),  proses 
analisa  seluruh  variabel  secara  bersama‐sama  dalam  menilai  kerentanan  DBD  (fuzzy  overlay  analysis) 
dengan menggunakan beberapa operator fuzzy: operator AND, OR, SUM, PRODUCT, dan Akar Perkalian 
(operator  hasil  modifikasi),  dan  proses  pengembalian  informasi  ke  bentuk  tegas  (crisp)  melalui 
pengklasifikasian  tingkat  kerentanan  DBD  (fuzzification).  Tingkat  kerentanan  DBD  yang  dihasilkan  oleh 
masing‐masing  operator  fuzzy  kemudian  diuji  akurasinya  terhadap  kerentanan  aktual  yang  diturunkan 
dari informasi sebaran kasus DBD di Kota Yogyakarta tahun 2007. 

59 

 
Pendahuluan  menjadi  masukan  dalam  kegiatan  perencanaan 
Penyakit  demam  berdarah  dengan  kesehatan  masyarakat.  Penyakit  DBD  sendiri 
berbagai  manifestasinya  seperti  Dengue  Shock  merupakan  penyakit  yang  dipengaruhi  oleh 
Syndrome  dan  Dengue  Haemorraghic  Fever  atau  kondisi  lingkungan.  Kenyataan  tersebut  sangat 
Demam  Berdarah  Dengue  (DBD)  saat  ini  relevan  dengan  konsep  spasial  dalam  bidang 
menjadi  salah  satu  permasalahan  utama  ilmu  geografi.  Analisis  spasial  dapat  digunakan 
kesehatan  masyarakat  internasional.  Menurut  untuk  melihat  bagaimana  faktor‐faktor 
Gubler  (1998),  distribusi  spasial  penyakit  DBD  lingkungan  mempengaruhi  tingkat  kerentanan 
yang  semakin  meluas  diakibatkan  oleh  suatu  wilayah  terhadap  terjadinya  penyakit 
perubahan kondisi demografis dan sosial besar‐ DBD.  Salah  satu  metode  yang  kini  banyak 
besaran  dalam  kurun  waktu  50  tahun  terakhir.  dikembangkan  sebagai  basis  analisa  terkait 
Pertumbuhan penduduk terjadi dengan cepat, di  permasalahan tersebut adalah Sistem Informasi 
sisi  lain  pengembangan  area  permukiman  Geografis  (SIG)  dan  penggunaan  data 
cenderung  tidak  terkontrol  dan  tidak  tertata  Penginderaan  Jauh  sebagai  input  data  yang 
dengan  baik,  khususnya  pada  daerah  beriklim  digunakan. 
tropis.  Permukiman  tak  terencana  yang  kumuh 
dan  padat,  dengan  manajemen  pengaturan  air  Berbicara  tentang  pemodelan  spasial 
dan  sampah  yang  buruk,  menciptakan  kondisi  tentu saja tidak terbatas pada sistem pemodelan 
yang  ideal  bagi  perkembangan  maupun  indeks,  yang  memang  sejauh  ini  paling  umum 
transmisi  vektor  penyakit  DBD.  Perkembangan  digunakan  karena  relatif  mudah  dan  praktis 
teknologi  dalam  bidang  transportasi  juga  turut  dalam  pengaplikasiannya.  Seiring  berjalannya 
mendorong  penyebaran  distribusi  penyakit  waktu,  sistem  pemodelan  dalam  SIG  lainnya, 
DBD,  di  mana  mobilitas  manusia  antar  wilayah  yang  sebelumnya oleh  Chang  (2002) dibedakan 
menjadi semakin mudah sehingga memudahkan  menjadi  lima  yaitu  model  biner,  model  regresi, 
terjadinya mobilisasi vektor penyakit DBD.  model proses, model jaringan, dan model indeks 
sendiri,  mengalami  perkembangan  yang  pesat. 
Kota  Yogyakarta  merupakan  salah  Model  spasial  tidak  melulu  dipandang 
satu  wilayah  di  Indonesia  yang  menjadi  daerah  berdasarkan  format  data  yang  digunakan 
epidemi  DBD.  Dalam  kurun  waktu  lima  tahun  (vektor dan raster) namun berdasarkan konsep 
terakhir hingga 2009 selalu dijumpai kasus DBD  dan  logika  analisis  serta  sistem  inferensi  yang 
dan  cenderung  meningkat  tiap  tahunnya  digunakan.  Pemodelan  spasial  SIG  juga  sangat 
(Dinkes Yogyakarta, 2009). Bila menilik kriteria  adaptif  dalam  hal  integrasi  dengan  operasi 
angka  kesakitan  (morbiditas)  di  Indonesia,  di  selain  aritmatika,  operasi  aljabar,  dan  statistika 
mana  angka  yang  diperkenankan  adalah  tidak  dalam  kaitannya  dengan  sistem  inferensi 
lebih  dari  0,75  maka  angka  insidensi  DBD  di  (pengambilan keputusan). Salah satunya adalah 
Kota  Yogyakarta  dapat  dikatakan  tinggi  karena  logika  fuzzy  (logika  samar),  sebuah  logika 
telah  melewati  batas  tersebut,  seperti  pengambilan  keputusan  yang  diperkenalkan 
ditunjukkan oleh grafik berikut:  oleh  Zadeh  (1965),  yang  merupakan  salah  satu 
metode  dalam  sistem  kecerdasan  buatan 
1.8 (artificial  intelligence).  Logika  fuzzy  saat  ini 
1.7
1.6 cukup  banyak  digunakan  untuk  diintegrasikan 
1.4
1.2
1.37
dalam  pemodelan  spasial  SIG  sebagai  metode 
1 0.83
0.99
analisis. 
0.8

Penggunaan  logika  fuzzy  dalam 

0.66
0.6

pemodelan spasial SIG pada dasarnya berangkat 
0.4
0.2
0 dari  kenyataan  bahwa  berbagai  fenomena  di 
2002 2003 2004 2005 2006
  permukaan  bumi  yang  sifatnya  kontinyu 
(kemiringan lereng, intensitas hujan, kepadatan 
Tingkat Morbiditas Kasus DBD di Kota Yogyakarta Th. 2002- penduduk,  dsb.)  kurang  representatif  saat 
2006 disajikan  dengan  klasifikasi  yang  tegas  (crisp). 
(Sumber: Dinkes Yogyakarta, 2009) Logika fuzzy merupakan sebuah alternatif solusi 
  yang dapat digunakan untuk mengklasifikasikan 
fenomena  tersebut  semirip  mungkin  dengan 
Berkaitan  dengan  kegiatan  prinsip  kerja  otak  manusia  yang  juga  bersifat 
pencegahan  dan  pengendalian  DBD,  pemetaan  fuzzy.  Tujuannya  tentu  saja  meminimalisir 
kerentanan  wilayah  terhadap  terjadinya  kasus  dampak  generalisasi  akibat  crisp  classification 
DBD  adalah  hal  yang  cukup  penting.  Pemetaan  dalam sebuah pemodelan spasial.  
tingkat kerentanan wilayah terhadap DBD dapat 
60 

 
Tujuan Penelitian  DBD. Aspek lingkungan penyebab penyakit DBD 
diwakili  oleh  variabel  tingkat  kepadatan 
1. Mengkaji  kondisi  tingkat  kerentanan  DBD  bangunan  dan  persentase  tutupan  vegetasi 
dan  melihat  pengaruh  aspek  epidemiologi  dengan  sumber  data  citra  Quickbird,  serta 
DBD  terhadap  kondisi  kerentanan  DBD  di  variabel  curah  hujan  yang  bersumber  dari 
Kota Yogyakarta.  pengukuran  data  di  beberapa  stasiun  penakar 
2. Mengkaji  kemampuan  logika  fuzzy  sebagai  hujan di Kota Yogyakarta dan sekitarnya. Aspek 
metode  analisis  dalam  pemodelan  spasial  manusia  diwakili  oleh  variabel  tingkat 
tingkat  kerentanan  DBD  di  Kota  kepadatan penduduk yang bersumber dari data 
Yogyakarta.  statistik  BPS  Kota  Yogyakarta  tahun  2007. 
  Sementara  aspek  vektor  diwakili  oleh  variabel 
  House  Index  yang  bersumber  dari  pengukuran 
Metode Penelitian  lapangan  oleh  tenaga  survailans  kelurahan  di 
Yogyakarta pada tahun 2007. Variabel insidence 
Alat yang digunakan dalam penelitian ini:  rate  dalam  penelitian  ini  digunakan  untuk 
1. Seperangkat  komputer  dengan  spesifikasi  menggambarkan  kondisi  aktual  tingkat 
dan kelengkapan sbb:  kerentanan DBD di Kota Yogyakarta pada tahun 
Processor Intel P6100 2.00 GHz  2007  yang  nantinya  digunakan  sebagai  acuan 
Random Access Memory (RAM) 4.00 Gb  untuk  validasi  pemodelan  spasial  tingkat 
Video Graphic NVIDIA 512 Mb  kerentanan DBD yang dilakukan. 
2. Perangkat lunak ArcGIS 9.3 dan extend tool 
Spatial  Modeler  Toolbox  untuk  pengolahan  Unit  analisis  yang  digunakan  dalam 
peta  (input  data/interpretasi  citra  satelit,  penelitian  ini  adalah  unit  raster  grid  dengan 
pengolahan  data  atribut,  analisis  statistik  ukuran  100  x  100  meter  (1  hektar).  Ukuran 
spasial,  dan  layout  peta),  analisis  Fuzzy  tersebut  dipilih  dengan  pertimbangan  bahwa 
Membership, dan analisis Fuzzy Overlay.  pada  ukuran  tersebut,  beberapa  aspek 
3. Perangkat  lunak  Microsoft  Office  2010  epidemiologi  memiliki  unit  pengukuran  yang 
untuk  proses  pembuatan  laporan  (reports)  paling  sesuai.  Ketika  diamati  pada  kenampakan 
baik laporan tertulis maupun presentasi.  citra  Quickbird,  blok  permukiman  di  Kota 
  Yogyakarta rata‐rata memiliki ukuran luas yang 
Bahan yang digunakan dalam penelitian ini:  relatif  mendekati  ukuran  tersebut.  Terkait 
1. Citra  satelit  QuickBird  liputan  Kota  dengan  variable  kepadatan  bangunan,  pada 
Yogyakarta,  rekaman  tahun  2007;  untuk  ukuran  tersebut,  variasi  kepadatan  bangunan 
ekstraksi  informasi  persentase  tutupan  yang  dihasilkan  lebih  besar  dibandingkan 
vegetasi dan tingkat kepadatan bangunan.  ukuran  lainnya  (250  x  250  m,  50  x  50  m)  yang 
2. Data  sebaran  kasus  DBD  Kota  Yogyakarta  cenderung  menghasilkan  variasi  kepadatan 
tahun 2007 (sumber: Survey Lapangan)  bangunan yang seragam.   
3. Data  House  Index  Kota  Yogyakarta  tahun 
2007  (sumber:  Dinas  Kesehatan  Kota  Pemetaan Variabel Penentu Kerentanan DBD 
Yogyakarta) 
4. Data  jumlah  penduduk  Kota  Yogyakarta  Tingkat Kepadatan Bangunan 
tahun  2007  (sumber:  Kota  Yogyakarta 
dalam  Angka  2007,  BPS  Daerah  Istimewa  Informasi  kepadatan  bangunan  dapat 
Yogyakarta)  diekstraksi  melalui  interpretasi  pada  citra 
5. Data intensitas curah hujan Kota Yogyakarta  QuickBird (resolusi spasial 0,64 m) liputan Kota 
dan  sekitarnya  tahun  2007  (sumber:  Yogyakarta.  Merujuk  pada  Erlangga  (2007), 
beberapa  stasiun  penakar  hujan  di  Daerah  individu  bangunan  dapat  dikenali  dari  kanopi‐
Istimewa Yogyakarta)  nya,  yaitu  atap  bangunan  dan  batas  persil 
bangunan  yang  tidak  tertutup  oleh  penutup 
 
lahan  lain.  Melalui  citra  QuickBird  akan  dapat 
Pemilihan  variabel  penelitian  dalam  cepat  mendeteksi  atap  bangunan,  tetapi  untuk 
pemodelan  spasial  kerentanan  penyakit  DBD  di  dapat  mengenali  dan  memutuskan  bahwa  atap 
Kota  Yogyakarta  tahun  2007  dengan  tersebut adalah satu individu bangunan tidaklah 
menggunakan  logika  fuzzy  sebagai  metode  mudah  karena  adanya  variasi  bentuk  atap  tiap 
analisis  ini  didasarkan  pada  konsep  segitiga  bangunan  dan  juga  adanya  beberapa  kompleks 
epidemiologi  penyakit  DBD.  Artinya,  variabel  bangunan.  Pengenalan  individu  bangunan 
penelitian yang dilibatkan harus mewakili ketiga  melalui  citra  QuickBird  dikenali  melalui  kunci 
aspek  epidemiologi  DBD,  yaitu  aspek  interpretasi  bentuk,  ukuran,  pola,  dan  warna 
lingkungan,  aspek  manusia,  dan  aspek  vektor  dari tiap bangunan. 
61 

 
  
 
Informasi  spasial  curah  hujan 
didapatkan  dari  hasil  interpolasi  nilai  rerata 
curah  hujan  bulanan  beberapa  titik  stasiun 
penakar  hujan  di  sekitar  daerah  penelitian. 
Interpolasi  adalah  metode  untuk  mendapatkan 
data  berdasarkan  beberapa  data  yang  telah 
diketahui.  Dalam  pemetaan,  interpolasi  adalah 
  proses  estimasi  nilai  pada  wilayah  yang  tidak 
disampel  atau  diukur,  sehingga  terbentuk  peta 
 
  atau sebaran nilai pada seluruh wilayah.  
 
Metode  interpolasi  yang  digunakan 
Hasil  identifikasi  bangunan  akan  dalam  penelitian  ini  adalah  metode  Inverse 
menggambarkan  kondisi  sebaran  bangunan  di  Distance  Weighted  (IDW),  yaitu  metode 
Kota  Yogyakarta.  Informasi  spasial  kepadatan  deterministik  yang  sederhana  dengan 
bangunan  dapat  dilakukan  dengan  menghitung  mempertimbangkan  titik  disekitarnya.  Asumsi 
jumlah bangunan pada grid seluas 100 m x 100  dari  metode  ini  adalah  nilai  interpolasi  akan 
m.  lebih  mirip  pada  data  sampel  yang  dekat 
daripada  yang  lebih  jauh.  Bobot  (weight)  akan 
Tutupan Vegetasi  berubah  secara  linear  sesuai  dengan  jaraknya 
dengan  data  sampel.  Bobot  ini  tidak  akan 
Informasi  tingkat  kerapatan  vegetasi  dipengaruhi  oleh  letak  dari  data  sampel 
dalam  penelitian  ini  didapatkan  dengan  (Pramono,  2008).  Interpolasi  IDW  dapat 
menghitung  luasan  tutupan  vegetasi  yang  digambarkan melalui fungsi berikut: 
terdapat  pada  setiap  grid  (unit  analisis) 
berukuran  1  hektar.  Luasan  tutupan  vegetasi 
didapatkan  dari  sebaran  vegetasi  pepohonan 
dan  vegetasi  rendah  yang  sebelumnya  Kepadatan Penduduk 
diidentifikasi  pada  Citra  Quickbird  liputan  Kota 
Yogyakarta  rekaman  tahun  2007  melalui  Informasi  tingkat  kepadatan 
interpretasi  visual.  Obyek  terkecil  yang  penduduk  tiap  kelurahan  Kota  Yogyakarta 
dipetakan  adalah  individu  yang  masih  mampu  diambil  dari  data  stastistik  kependudukan  kota 
teridentifikasi pada Citra Quickbird.  Yogyakarta  tahun  2007  yang  bersumber  dari 
Biro  Pusat  Statistik  (BPS)  Daerah  Istimewa 
Informasi  tutupan  vegetasi  disajikan  Yogyakarta.  Informasi  kepadatan  penduduk 
dalam bentuk persentase, yang dihitung dengan  tersebut  kemudian  dimasukkan  dalam  data 
menggunakan persamaan berikut ini:  atribut tiap kelurahan Kota Yogyakarta. 

Sehubungan  dengan  penggunaan  unit 

analisis  grid  sebagai  unit  analisis  yang 
digunakan  dalam  penelitian  ini,  maka  perlu 
 
dilakukan  respasialisasi  dengan  mengubah  unit 
  pemetaan  ke  dalam  unit  grid.  Respasialisasi 
dilakukan  dengan  menginterpolasi  nilai 
 
kepadatan  penduduk  dengan  mengambil  nilai 
Curah Hujan  tengah  (centroid)  kepadatan  penduduk  dari 
setiap kelurahan di Kota Yogyakarta. 

House Index 

62 

 
 Data  House  Index  Kota  Yogyakarta  kepadatan  penduduk,  tingkat  kepadatan 
tahun  2007  diperoleh  dari  data  sekunder  yang  bangunan, tingkat kerapatan vegetasi, dan curah 
dikeluarkan  oleh  Dinas  Kesehatan  Kota  hujan.  
Yogyakarta.  Pengukuran  data  tersebut 
dilakukan  oleh  petugas  survailans  di  setiap  Sifat  hubungan  positif  yang  searah 
kelurahan Kota Yogyakarta.  pada  variabel‐variabel  tersebut  di  atas  dalam 
penelitian  ini  akan  direpresentasikan  dengan 
Sehubungan  dengan  penggunaan  unit  menggunakan  kurva  fuzzifikasi  Sigmoid  (S) 
analisis  grid  sebagai  unit  analisis  yang  Pertumbuhan,  yang  menghasilkan  peningkatan 
digunakan  dalam  penelitian  ini,  maka  perlu  nilai  derajat  keanggotaan  fuzzy  seiring  dengan 
dilakukan  respasialisasi  dengan  mengubah  unit  semakin  besar  nilai  input  variabel  yang 
pemetaan  ke  dalam  unit  grid.  Respasialisasi  dimasukkan  dengan  peningkatan  nilai  yang 
dilakukan  dengan  menginterpolasi  nilai  House  relatif lebih smooth dibandingkan dengan kurva 
Index dengan mengambil nilai tengah (centroid)  fuzzifikasi  linear.  Penulis  lebih  memilih  kurva 
House  Index  dari  setiap  kelurahan  di  Kota  fuzzifikasi  sigmoid  pertumbuhan  secara 
Yogyakarta.  subyektif  dibandingkan  dengan  kurva  linear 
yang  sebenarnya  juga  dapat  digunakan  untuk 
Sebaran Kasus DBD Tahun 2007  menggambarkan  hubungan  searah  yang  positif. 
Hal  tersebut  disebabkan  dalam  beberapa 
Pemetaan  sebaran  kasus  DBD  tahun  penelitian  sebelumnya,  variabel‐variabel 
2007 dilakukan dengan cara menghitung jumlah  tersebut  di  atas  memang  memiliki  hubungan 
kasus dalam setiap unit analisis grid berukuran  searah yang positif terhadap tingkat kerentanan 
100  x  100  m.  Informasi  spasial  sebaran  kasus  DBD yang dihasilkan, namun ketika diuji dengan 
DBD  sendiri  didapatkan  dari  survey  lapangan  uji  linearitas  justru  tidak  menunjukkan  hasil 
dengan  cara  plotting  GPS  berdasarkan  data  yang sangat signifikan. 
Dinas  Kesehatan  Kota  Yogyakarta  tahun  2009. 
Informasi  tingkat  kerentanan  DBD  kemudian 
dapat  diturunkan  dari  informasi  jumlah  kasus 
tersebut,  dengan  menggunakan  klasifikasi 
density  slicing  sesuai  data  pemetaan  yang 
dihasilkan. 

Tahap Pengolahan Data 

Fuzzifikasi 

Setiap  variabel  penelitian  yang 

mewakili  masing‐masing  aspek  epidemiologi 
DBD dilakukan fuzzifikasi berdasarkan sifat dan   
karakteristiknya  dalam  mempengaruhi  tingkat  Kurva Fuzzifikasi Sigmoid Pertumbuhan sebagai representasi
kejadian  DBD  di  Kota  Yogyakarta.  Kriteria 
variabel lingkungan dan manusia
masing‐masing  variabel  penelitian  dalam 
menyebabkan  terjadinya  penyakit  DBD  Berbeda halnya dengan variabel house 
direpresentasikan  dalam  kurva  derajat  index  (HI),  yang  digunakan  untuk 
keanggotaan fuzzy (fuzzifikasi) secara subyektif.  menggambarkan kondisi kepadatan vektor DBD 
Penggunaan  kurva  fuzzifikasi  yang  berbeda  di  suatu  daerah  melalui  persentase 
menunjukkan pengaruh yang berbeda pula dari  rumah/bangunan  yang  terdapat  jentik  nyamuk 
suatu  variabel  penelitian  terhadap  tingkat  vektor DBD dari seluruh rumah/bangunan yang 
kejadian DBD.  ada  di  suatu  daerah,  penentuan  nilai  minimum 
dan  maksimum  fuzzifikasi  sudah  dapat 
Berdasarkan  studi  pustaka  yang  telah  dilakukan  sebelumnya.  Penentuan  tersebut 
dilakukan  sebelumnya,  sebagian  besar  variabel  mengacu  pada  kriteria  yang  dibuat  oleh 
yang  digunakan  dalam  penelitian  ini  memiliki  Departemen  Kesehatan  RI  di  mana  ambang 
hubungan  positif  yang  searah  dengan  tingkat  batas  nilai  HI  yang  diperkenankan  adalah  5%, 
kejadian  DBD.  Artinya,  semakin  besar  nilai  sehingga  pada  kondisi  HI  yang  bernilai  lebih 
masing‐masing variabel tersebut, semakin besar  dari 5% akan memiliki derajat keanggotaan = 1. 
pula  derajat  keanggotaan  fuzzy  tingkat  Karakteristik  tersebut  dapat  direpresentasikan 
kerentanan  DBD  yang  dihasilkannya.  Variabel‐ dengan  menggunakan  kurva  fuzzifikasi 
variabel  tersebut  antara  lain  adalah  variabel  trapesium satu kaki. 

63 

 
 Pemodelan spasial tingkat kerentanan 
DBD  di  Kota  Yogyakarta  pada  tahun  2007  yang 
telah  dihasilkan  dalam penelitian  ini  perlu  diuji 
akurasinya.  Pengujian  tersebut  perlu  dilakukan 
untuk melihat tingkat kebenaran model dengan 
menggunakan  logika  fuzzy  dalam 
menggambarkan  kondisi  kerentanan  DBD  di 
Kota  Yogyakarta  yang  sesungguhnya  sekaligus 
untuk melihat operator fuzzy mana yang paling 
baik dalam menggambarkan kondisi kerentanan 
DBD di Kota Yogyakarta. 

Pengujian  akurasi  model  fuzzy 

berdasarkan  operator  fuzzy  overlay  yang 
Kurva Fuzzifikasi Trapesium sebagai representasi House Index digunakan  dilakukan  dengan  metode  confusion 
terhadap tingkat kerentanan DBD
matrix,  yaitu  suatu  matriks  yang  memuat 
  informasi  aktual  dan  prediksi  dari  klasifikasi 
yang telah dilakukan. 
Fuzzy Overlay 
Tabel Uji Confusion Matrix 
Analisis  Fuzzy  Overlay  dilakukan 
untuk  menilai  tingkat  kerentanan  DBD  Prediksi 
 
berdasarkan  variabel  fuzzy  (hasil  fuzzifikasi)  Tinggi  Sedang  Rendah
secara  bersama‐sama  melalui  operasi  overlay.  Tinggi a  b  c
Analisis  Fuzzy  Overlay  akan  menghasilkan  Aktual Sedang d  e  f
keluaran  tingkat  kerentanan  penyakit  DBD  di  Rendah g h  i 
Kota  Yogyakarta  secara  fuzzy  pula  (rentang   
derajat  keanggotaan  0  ‐  1),  di  mana  semakin 
mendekati  nilai  derajat  keanggotaan  1,  maka  Akurasi  (AC)  diperoleh  dari  proporsi 
tingkat kerentanan DBD yang dihasilkan berarti  berdasarkan  jumlah  prediksi  yang  benar, 
semakin tinggi, begitu pula sebaliknya.  dengan persamaan sebagai berikut: 

Ada  beberapa  operator  fuzzy  yang 

akan  digunakan  dalam  fuzzy  overlay,  yaitu 
operator  AND,  operator  OR,  operator  SUM,  dan   
operator  PRODUCT.  Pengujian  akurasi 
Pengujian  akurasi  model  fuzzy 
pemodelan  kemudian  dilakukan  untuk 
dilakukan  dengan  membandingkan  tingkat 
menentukan  operator  fuzzy  yang  paling  baik 
kerentanan  DBD  hasil  pemodelan  masing‐
dalam menggambarkan tingkat kerentanan DBD 
masing  operator  fuzzy  overlay  yang  digunakan 
dalam penelitian ini. 
dengan  tingkat  kerentanan  DBD  aktual 
Defuzzifikasi  berdasarkan  sebaran  kasus  DBD  Kota 
Yogyakarta tahun 2007. 
Analisis defuzzifikasi digunakan untuk 
mengembalikan  hasil  fuzzy  overlay  ke  bentuk  Hasil dan Pembahasan 
tegas  (crisp).  Proses  tersebut  perlu  dilakukan 
Fuzzifikasi 
karena pada kenyataannya pengguna peta lebih 
mudah  menerima  informasi  yang dikategorikan  Komponen Himpunan Fuzzy pada Setiap 
secara tegas. 
Variabel Penelitian 
Pada  penelitian  ini  defuzzifikasi  No.  Variabel  Kurva Fuzzy  Interval 
dilakukan  dengan  mengkategorikan  nilai  hasil  Penelitian  Himpunan 
fuzzy overlay ke dalam tingkat kerentanan DBD.  Fuzzy 
Kategori  kerentanan  DBD  berdasarkan  nilai  1.  Kepadatan  Sigmoid  {0  101}  dalam 
Bangunan  Pertumbuhan  satuan 
fuzzy  sendiri  dibagi  berdasarkan  metode  unit/hektar 
histogram slicing.  2.  Persentase  Sigmoid  {0  100}  dalam 
Tutupan  Pertumbuhan  satuan % 
Uji Akurasi Pemodelan  Vegetasi 
3.  Rerata  Curah  Sigmoid  {163,33  198,53} 
Hujan  Pertumbuhan  dalam  

64 

 
 mm/bulan  fuzzy terendah pada penelitian ini menghasilkan 
4.  Kepadatan  Sigmoid  {49  409}  dalam  derajat  keanggotaan  fuzzy  tingkat  kerentanan 
Penduduk  Pertumbuhan  satuan 
jiwa/hektar  DBD di Kota Yogyakarta pada tahun 2007 relatif 
5.  House Index  Trapesium  {0  100}  dalam  rendah,  dengan  interval  nilai  0  –  0,43.  Artinya 
satuan %  tingkat  kerentanan  DBD  yang  dihasilkan  relatif 
mendekati  rendah.  Namun  perlu  diperhatikan 
Berdasarkan  tabel  hasil  analisis  bahwa  operator  AND  ini  merupakan  operator 
fuzzifikasi  variabel  penelitian  di  atas,  dapat  fuzzy yang paling sesuai untuk digunakan dalam 
dilihat  bahwa  beberapa  variabel  cenderung  pemodelan  spasial  tingkat  kerentanan  DBD,  di 
dapat  memicu  kejadian  DBD  dengan  kondisi  mana dalam operator fuzzy AND, logika intersect 
kerentanan yang tinggi di Kota Yogyakarta pada  menggambarkan  bahwa  semua  input  variables 
tahun 2007, yaitu antara lain variabel kepadatan  memiliki  proporsi  yang  sama  dan  semua 
penduduk,  house  index  (HI),  dan  kepadaan  variabel  harus  disertakan  dalam  menentukan 
bangunan. Variabel‐variabel tersebut cenderung  hasil  keluaran  fuzzy.  Kondisi  tersebut  sesuai 
memiliki  derajat  keanggotaan  fuzzy  yang  tinggi  dengan  kenyataan  dalam  pemodelan  tingkat 
terhadap  tingkat  kejadian  DBD.  Sementara  itu  kerentanan  DBD,  bahwa  sesuai  teori 
variabel  penelitian  yang  lain,  yaitu  tutupan  epidemiologi  DBD,  semua  faktor  epidemiologi 
vegetasi  dan  curah  hujan  cenderung  memicu  DBD  (faktor  lingkungan,  manusia,  dan  vektor) 
tingkat  kerentanan  DBD  yang  relatif  rendah  yang  direpresentasikan  dalam  variabel 
hingga  sedang  di  mana  derajat  keanggotaan  penelitian  haruslah  dilibatkan  semua.  Tidak 
fuzzy  yang  dihasilkan  cenderung  rendah  adanya  1  saja  faktor  epidemiologi  tersebut, 
(mendekati derajat keangggotaan fuzzy 0).  maka kasus DBD tidak akan dapat terjadi. 

Fuzzy Overlay  Berbeda  dengan  operator  fuzzy  AND 

dan  OR  yang  mendasarkan  hasil  keluaran  dari 
Keluaran yang dihasilkan dari analisis  salah  satu  input  values  (single  evidence)  saja, 
fuzzy  overlay  ini  adalah  derajat  keanggotaan  operator fuzzy SUM dan PRODUCT lebih bersifat 
fuzzy yang nilainya berkisar antar 0 – 1, di mana  spasial  karena  dapat  mengakomodasi  semua 
semakin  mendekati  nilai  derajat  keanggotaan  input  vales  dalam  keluaran  yang  dihasilkan. 
fuzzy  0,  artinya  tingkat  kerentanan  DBD  yang  Operator  fuzzy  SUM  cenderung  menghasilkan 
dihasilkan semakin rendah. Sebaliknya, semakin  keluaran yang tinggi (increasing values) sebagai 
mendekati  nilai  derajat  keanggotaan  fuzzy  1,  efek  dari  logika  penjumlahan  aljabar  yang 
artinya tingkat kerentanan DBD yang dihasilkan  digunakan, sementara operator fuzzy PRODUCT 
semakin tinggi.  justru  sebaliknya,  yaitu  cenderung 
menghasilkan keluaran yang rendah (decreasing 
Analisis  fuzzy  overlay  pada  penelitian  values) sebagai efek dari logika perkalian aljabar 
ini  dilakukan  dengan  menggunakan  5  buah  yang digunakan.  
operator  fuzzy  yaitu  operator  fuzzy  AND,  OR, 
SUM,  PRODUCT,  dan  Operator  Akar  Perkalian.  Operator  fuzzy  SUM  dalam  penelitian 
Masing‐masing  operator  fuzzy  tersebut  ini  menghasilkan  keluaran  berupa  derajat 
menghasilkan  keluaran  interval  derajat  keanggotaan yang relatif tinggi (mendekati nilai 
keanggotaan fuzzy yang berbeda.  1),  di  mana  interval  keluaran  yang  dihasilkan 
berkisar  antara  0,6  –  1.  Artinya,  tingkat 
Operator  fuzzy  OR,  yang 
kerentanan  DBD  yang  dihasilkan  berdasarkan 
menggunakan  logika  union,  di  mana  keluaran 
operator  fuzzy  SUM  di  Kota  Yogyakarta  pada 
yang  dihasilkan  diambil  dari  salah  satu  input 
tahun  2007  relatif  tinggi,  namun  seragam  dan 
values  yang  memiliki  derajat  keanggotaan 
sedikit memiliki variasi. Berbeda halnya dengan 
tertinggi  pada  penelitian  ini  menghasilkan 
operator  fuzzy  PRODUCT  yang  justru 
derajat  keanggotaan  fuzzy  tingkat  kerentanan 
menghasilkan  keluaran  derajat  keanggotaan 
DBD  di  Kota  Yogyakarta  pada  tahun  2007 
fuzzy yang relatif rendah (mendekati nilai 0), di 
dengan  interval  nilai  0,51  –  1.  Secara  relatif  hal 
mana  interval  keluaran  fuzzy  yang  dihasilkan 
tersebut  menunjukkan  adanya  kecenderungan 
berkisar  antara  0  –  0,13.  Artinya,  tingkat 
tingkat  kerentanan  yang  tinggi  karena 
kerentanan  DBD  yang  dihasilkan  berdasarkan 
mendekati nilai 1. 
operator  fuzzy  PRODUCT  di  Kota  Yogyakarta 
Sementara  itu  operator  fuzzy  AND,  pada tahun 2007 adalah relatif rendah. 
yang  menggunakan  logika  intersect,  di  mana 
keluaran yang dihasilkan diambil dari salah satu  Sementara  itu,  operator  fuzzy  Akar 
input  values  yang  memiliki derajat keanggotaan  Perkalian  menghasilkan  rentang  nilai  rendah 

65 

 
menuju  sedang  yang  cenderung  variatif  (0  –  kelas  pada  metode  histogram  slicing  tersebut 
0,66),  yang  dapat  diartikan  bahwa  tingkat  mengacu  pada  kumpulan  nilai  yang  terdapat 
kerentanan  DBD  yang  dihasilkan  berdasarkan  pada histogram hasil pengolahan fuzzy, di mana 
operator  fuzzy  SUM  di  Kota  Yogyakarta  pada  nilai‐nilai  yang  mengumpul  menjadi  sebuah 
tahun 2007 relatif rendah cenderung mendekati  bukit  grafik  mengindikasikan  sebuah 
sedang  (mendekati  batas  nilai  tengah  derajat  kenampakan  yang  seragam,  dalam  hal  ini 
keanggotaan fuzzy yaitu 0,5).  dianggap sebagai kelas kerentanan yang sama. 

Selebihnya,  rekapitulasi  hasil  analisis  Tingkat kerentanan DBD hasil analisis 

fuzzy  overlay  untuk  menentukan  tingkat  fuzzy  overlay  yang  dilakukan  dengan  berbagai 
kerentanan  DBD  secara  relatif  di  Kota  jenis  operator  fuzzy  yaitu  operator  OR,  AND, 
Yogyakarta dapat diamati pada tabel berikut ini:  SUM,  PRODUCT,  dan  Akar  Perkalian  yang 
masing‐masing  akan  diklasifikasikan  tingkat 
No.  Operator  Keluaran  Kerentanan  kerentanannya.  Keluaran  dari  tahapan 
Fuzzy yang  yang  DBD Relatif  defuzzifikasi  ini  merupakan  hasil  akhir 
Digunakan  Dihasilkan 
1.  Operator  Fuzzy  {0 0,43}  Relatif  Rendah  ‐ 
pemodelan  spasial  yang  dilakukan  pada 
AND  Sedang, Variatif  penelitian  ini  yakni  tingkat  kerentanan  DBD  di 
2.  Operator  Fuzzy  {0,51 1}  Relatif  Sedang  –  Kota  Yogyakarta  tahun  2007  dengan 
OR  Tinggi, Seragam  penggunaan  beberapa  operator  fuzzy  yang 
3.  Operator  Fuzzy  {0,6 1}  Relatif  Sedang  – 
berbeda.  Pada  tahapan  berikutnya  akan 
SUM  Tinggi, Seragam 
4.  Operator  Fuzzy  {0 0,13}  Relatif  Rendah,  dilakukan  pengujian  akurasi  pemodelan  untuk 
PRODUCT  Seragam  melihat operator fuzzy mana yang menghasilkan 
5.  Operator  Fuzzy  {0 0,66}  Relatif Rendah –  akurasi  pemodelan  tingkat  kerentanan  DBD  di 
Akar Perkalian  Sedang, Variatif  Kota Yogyakarta tahun 2007. 
 
Operator  Kategori Kerentanan 
Defuzzifikasi (Kategorisasi Kerentanan DBD)  No.  Fuzzy yang  Tidak 
Rendah  Sedang  Tinggi 
Digunakan  Rentan 
0,09 –  0,2 –
Analisis  defuzzifikasi  dilakukan  1.  Fuzzy AND  0  0 – 0,09 
0,2  0,46 
dengan  tujuan  mengembalikan  informasi  dari  2. Fuzzy OR 0 0,5 – 0,8  0,8 – 0,9  0,9 – 1
0,6 –  0,96 –  0,99 –
bentuk  fuzzy  ke  bentuk  tegas  (crisp).  Informasi  3.  Fuzzy SUM  0 
0,96  0,99  1 
yang  disajikan  dalam  bentuk  fuzzy  memang  4. 
Fuzzy 
0 
0 –  0,003 –  0,01 –
cenderung  memiliki  kelemahan  lebih  sukar  PRODUCT  0,003  0,01  0,12 
Fuzzy Akar  0,17 –  0,32 –
diterima  oleh  pengguna  peta  karena  sifat  5. 
Perkalian 
0  0 – 0,17 
0,32  0,66 
continuous  yang  dimilikinya  dibandingkan   
informasi  dalam  bentuk  klasifikasi  yang  tegas. 
Begitu  pula  terhadap  informasi  tingkat  Rekapitulasi  hasil  analisis 
kerentanan DBD di Kota Yogyakarta tahun 2007  defuzzifikasi  untuk  menentukan  tingkat 
yang  disajikan  dalam  bentuk  fuzzy  hasil  dari  kerentanan  DBD  di  Kota  Yogyakarta  dapat 
analisis  fuzzy  overlay  (bagian  4.3).  Sebagian  disimak pada tabel berikut ini: 
pengguna  peta  mungin  akan  mengalami 
Tingkat Kerentanan DBD yang 
kesulitan  untuk  membedakan  kriteria  tingkat  Operator  Dihasilkan 
kerentanan  berdasarkan  informasi  nilai  0  –  1.  No. 
Fuzzy  Rendah  Sedang  Tinggi  Tidak 
Oleh  karena  itu  perlu  dilakukan  analisis  Rentan 
1. Operator AND 78,02% 12,04%  8,33%  1,6%
defuzzifikasi  untuk  mengkonversi  kriteria  2. Operator OR 2,34% 12,6%  85,04%  0%
kerentanan DBD yang bersifat fuzzy tersebut ke  3. Operator SUM 2,48% 5,06%  92,4%  0%
kategori kerentanan yang lebih tegas.   4. Operator  56,13% 27,2%  8,3%  8,33%
PRODUCT 
5. Operator  16,5% 42,5%  32,5%  8,33%
Kriteria  kerentanan  DBD  yang  Akar 
digunakan pada tahap defuzzifikasi ini mengacu  Perkalian 

pada  pengkelasan  tingkat  kerentanan  DBD   

aktual  berdasarkan  jumlah  kasus  DBD  per  unit 
analisis, yakni pembagian tingkat kerentanan ke  Uji Akurasi Model 
dalam  empat  kelas  (tingkat  kerentanan  tinggi, 
Pengujian  akurasi  model  spasial 
sedang,  rendah,  dan  tidak  rentan). 
dilakukan  dengan membandingkan peta  tingkat 
Perbedaannya,  kriteria  kerentanan  tersebut 
kerentanan DBD di Kota Yogyakarta tahun 2007 
pada  tahap  defuzzifikasi  ini  diklasifikasikan 
yang  dihasilkan oleh  pemodelan  spasial dengan 
dengan  metode  histogram  slicing  terhadap 
penggunaan  beberapa  operator  fuzzy  (bagian 
rentang nilai fuzzy yang ada (0 – 1). Penentuan 
4.4) yaitu masing‐masing adalah operator fuzzy 
66 

 
AND (Gambar 4.20), operator OR (Gambar 4.21),  Selatan.  Skripsi.  Yogyakarta: 
operator  PRODUCT  (Gambar  4.22),  operator  Fakultas Geografi UGM. 
SUM  (Gambar  (4.23),  dan  operator  Akar  Al  Rahmadi,  Muhammad.  (2005).  Penentuan 
Perkalian  (Gambar  4.24)  dengan  peta  tingkat  Tingkat  Kerawanan  Wilayah 
kerentanan  DBD  aktual  tahun  2007  yang  Terhadap  Wabah  Penyakit  Demam 
didasarkan  pengkategorian  jumlah  kasus  DBD  Berdarah  Dengue  dengan  Teknik 
dalam  setiap  unit  analisis  grid.  Pengujian  Penginderaan  Jauh  dan  Sistem 
dilakukan  dengan  menggunakan  uji  confusion  Informasi  Geografi  di  Kota 
matrix  (terlampir).  Rekapitulasi  hasil  pengujian  Yogyakarta.  Skripsi.  Yogyakarta: 
tersebut dapat disimak pada tabel berikut ini:  Fakultas Geografi UGM. 
Albert,  D.  P.  (2005).  Spatial  Analysis,  GIS,  and 
No.  Tingkat Kerentanan DBD  Akurasi  yang  Remote  Sensing  Applications  in  the 
Dihasilkan 
1.  Berdasarkan  Operator  Fuzzy  46,4% 
Health Sciences. Chelsea: Ann Arbor 
AND  Press. 
2.  Berdasarkan  Operator  Fuzzy  2,97%  Bonham‐Carter,  Graeme  F.  (1997).  Geographic 
OR  Information  Systems  for 
3.  Berdasarkan  Operator  Fuzzy  2,56%  Geoscientists,  Modelling  with  GIS. 
SUM 
4.  Berdasarkan  Operator  Fuzzy  17,04%  Chapter  9,  Fuzzy  logic  section  with 
PRODUCT  related  tables  and  figures.  London: 
5.  Berdasarkan  Operator  Akar  11,9%  CRC  Press,  Taylor  and  Francis 
Perkalian  Group. 
  Danoedoro, Projo dan Suharyadi. (2004). Sistem 
Informasi  Geografis:  Konsep  Dasar 
Kesimpulan  dan  Beberapa  Catatan 
Perkembangannya  Saat  Ini.  Dalam: 
1. Berdasarkan  hasil  analisis  fuzzy  membership 
Sains  Informasi  Geografis:  Dari 
(fuzzifikasi),  variabel  tingkat  kepadatan 
Perolehan dan Analisis Citra hingga 
bangunan,  kepadatan  penduduk,  dan 
Pemetaan  dan  Pemodelan  Spasial. 
kepadatan  vektor  melalui  house  index  (HI) 
Yogyakarta:  Jurusan  Kartografi  dan 
cenderung  memicu  tingkat  kerentanan  DBD 
Penginderaan  Jauh  Fakultas 
di  Kota  Yogyakarta  tahun  2007  yang  relatif 
Geografi UGM. 
tinggi,  dengan  derajat  keanggotaan  fuzzy 
Dinas  Kesehatan  Yogyakarta.  (2009).  Laporan 
terkait  kejadian  DBD  yang  cenderung 
Kegiatan:  Epidemiologi  Demam 
mendekati derajat keanggotaan fuzzy 1. 
Berdarah di Kota Yogyakarta Tahun 
2. Berdasarkan  hasil  analisis  fuzzy  membership 
2006  –  2008.  Yogyakarta:  Dinas 
(fuzzifikasi),  variabel  tingkat  tutupan 
Kesehatan Kota Yogyakarta. 
vegetasi  dan  rerata  curah  hujan  bulanan 
Erlangga,  Satya.  (2009).  Pemodelan  Spasial 
cenderung  memicu  tingkat  kerentanan  DBD 
Kejadian  Tuberkulosis  Melalui 
di  Kota  Yogyakarta  tahun  2007  yang  relatif 
Analisis Citra QuickBird dan Sistem 
rendah,  dengan  derajat  keanggotaan  fuzzy 
Informasi  Geografis  (Kasus:  Kota 
terkait  kejadian  DBD  yang  cenderung 
Yogyakarta,  Provinsi  DIY).  Thesis. 
mendekati derajat keanggotaan 0. 
Yogyakarta: Fakultas Geografi UGM.  
3. Logika  fuzzy  dapat  digunakan  sebagai 
Gubler,  D.  J.  (1998).  Dengue  and  Dengue 
metode  analisis  dalam  pemodelan  spasial 
Hemorrhagic  Fever.  Journal  of 
tingkat  kerentanan  DBD  di  Kota  Yogyakarta 
Clinical  Microbiology  Reviews,  July 
tahun  2007,  namun  dengan  akurasi 
1998. 
pemodelan  spasial  terbaik  yang  cukup 
Iswari,  Lizda.  (2008).  Pemanfaatan  Sistem 
rendah,  yaitu  sebesar  46,4%  berdasarkan 
Inferensi  Fuzzy  dalam  Pengolahan 
penggunaan operator fuzzy AND. 
Peta  Tematik  (Studi  Kasus:  Sistem 
Informasi  Gepgrafis  Daerah  Rawan 
Daftar Pustaka  Penyakit Demam Berdarah). Dalam: 
Proceeding  Seminar  Nasional 
Aisyah,  Siti.  (2000).  Aplikasi  Foto  Udara  dan  Aplikasi  Teknologi  Informasi 
Sistem  Informasi  Geografis  untuk  (SNATI) 2008, Yogyakarta. 
Penentuan  Tingkat  Kerentanan  Khim,  P.  C.  (2007).  Bionomics  of  Aedes  aegypti 
Wilayah  Terhadap  and Aedes albopictus in Relation to 
Perkembangbiakan  Nyamuk  Aedes  Dengue Incidence on Penang Island 
aegypti  dan  Aedes  albopictus  dan  and  the  Application  of  Sequential 
Prioritas Penanganannya Di Jakarta 
67 

 
 Sampling  in  the  Control  of  Dengue 
Vectors. Thesis. Malaysia: Universiti 
Sains Malaysia. 
Kusumadewi,  S.  dan  Hari  P..  (2004).  Aplikasi 
Logika  Fuzzy  untuk  Pendukung 
Keputusan. Yogyakarta. 

68 

 
 
Lampiran 

   
 

69 

 
    
 

70 

View publication stats