M01058
DAFTAR ISI
Kata Sambutan Ketua Pelaksana
ii
Kata Sambutan Dekan Fakultas Teknologi Informasi
iii
Susunan Panitia
iv
Daftar Isi
v
A. ALGORITHM, INTELLIGENT SYSTEM, COMPUTATIONAL
A1
Pengaruh Data Acak Pada Tingkat Kecocokan Konstruksi Struktur
Bayesian Network Dengan Menggunakan Algoritma Hybrid
Ilham
1
A2
Identifikasi DNA dengan Rantai Markov Orde Satu dan Probabilistic
Neural Network
Toto Haryanto,
8
Habib Rijzaani,
Muhammad Luthfi Fajar
A3
Penerapan Pembelajaran Terawasi Pada Algoritma Jaringan Syaraf
Tiruan Hopfield Untuk Pemanggilan Ulang Pola Huruf Kapital
Sabam Parjuangan
14
A4
Aplikasi Clustering Data Berukuran Besar dan Berdimensi Tinggi
Berdasarkan Jarak
Edo Aria Putra Mawardi,
19
Dyah Erny Herwindiati,
Herlina Abdullah
A5
Optimasi Model Pengontrol Ekson Berbasis HMM Dengan
Preprocessing Data Menggunakan Fuzzy C Mean
Binti Solihah,
26
Suhartati Agoes,
Alfred Pakpahan
A6
Identifikasi Pola Spasial Daerah Rawan Pangan Di Kabupaten Minahasa
Tenggara Menggunakan Moran’s I
Constantina A. Widi P
33
A7
Kompresi Data Untuk Menghemat Bandwidth Dengan Menggunakan
Algoritma Deflate
Angel Louren Paat,
42
Eko Sediyono,
Adi Setiawan
Rekayasa Sistem Antrian dengan Disiplin Non-Preemtive Priority
Service untuk Peningkatan Pelayanan Pasien di Puskesmas
Banguntapan II
Dison Librado,
A9
Perancangan Penterjemah Bahasa Indonesia Ke Bahasa Daerah
Dilengkapi Pemeriksaan Kalimat Ambigu
Dewi Soyusiawaty
A10
Penerapan Metode Eigen Window Untuk Pendeteksian Sel Darah Putih Anthony Domenico,
A8
47
Cosmas Haryawan
54
62
Lina,
Arlends Chris
A11
Pemanfaatan E-Konseling Diagnosa Gangguan Psikologi Klinis
v
Masayu Jamilah,
68
Wawan Nurmansyah
A12
Pembangunan M-Konseling Psikologi Klinis
Rita Wiryasaputra,
74
Rendra Gustriansyah,
Wawan Nurmansyah
A13
Perancangan Program Edugame Mini Zoo Land Untuk Siswa Taman
Kanak-Kanak
Jeanny Pragantha,
79
Helmy Thendean,
Sindy Kosasi
B. INFORMATION SYSTEM
B1
Pembelajaran Sistem Kolaboratif Online Berbasis Knowledge
Construction
Puspa Setia Pratiwi
1
B2
Social Network Analysis: Collaborative Network Penyuluh Pertanian
Dalam Mendukung Program Pengembangan Usaha Agribisnis
Perdesaan
Bentar Priyopradono
10
B3
Data Warehouse Sebagai Basis Analisis Data Akademik Perguruan
Tinggi
Mewati Ayub,
18
Tanti Kristanti,
Maresha Caroline
B4
Pemanfaatan Digital Technology Untuk Pembelajaran Matematika
Anak Usia Sekolah Dasar Menggunakan Teori TAM dan Otomatisasi
Sugeng Astanggo,
26
Jap Tji Beng,
Sri Tiatri
Association Rules Untuk Mendukung Strategi Pelayanan Publik Dan
Sistem E-Government
Zyad Rusdi,
B6
Data Mart Model For Human Resources Department (Recruitment
Module)
Eka Miranda
37
B7
Perancangan E-Marketing Pada PT. Rajawali Nusindo
Zulfiandri
45
B5
32
Dedi Trisnawarman
Bayu Waspodo,
Budi Wibowo,
B8
Model Decision Support System Penetapan Kontribusi Pendapatan Asli
Daerah
Heru Soetanto Putra
51
B9
Perancangan Data Warehouse Pada Biro Travel PT. AKZ
Dewi Wuisan,
59
Heru Soetanto Putra,
Evaristus Didik
Madyatmadja
B10
Studi Kelayakan Sistem Informasi Bank ASI berbasis Syariah di Jakarta
Agung Sediyono,
Binti Solihah
vi
64
B11
Penerapan Framework Fast Pada Pengembangan Sistem Informasi Pola Iwan Rijayana,
Karir
Dodo Prawira Pradana
69
B12
Pengembangan Sistem Informasi Akademik dengan menggunakan
Visualisasi Dashboard Sistem (SIAT)
77
Edi Setiawan
C. NETWORK, DISTRIBUTED, INSTRUMENTATION
C1
Implementasi Microcontroller Sebagai Detektor Asap Rokok Sederhana Syifaul Fuada,
1
Citta Anindya,
Faishol Badar,
Dian Shofiyulloh
C2
Perancangan Alat Pemberi Makan Binatang Otomatis
Jimmy Agustian Loekito ,
8
Andrew Sebastian Lehman
C3
Pemodelan Helipad Menggunakan Microcontroller
Andrew Sebastian Lehman
13
C4
Analisis Forensika Digital Pada Sony Playstation Portable Untuk
Mendukung Pembuktian Pelanggaran Hak Cipta Pada Game Console
Yudi Prayudi ,
18
Model Digital Forensic Readiness Index (DiFRI) Untuk Mengukur Tigkat
Kesiapan Institusi Dalam Menanggulangi Aktifitas Cyber Crime
Tri Widodo ,
C6
Analisis Dan Perancangan Sistem Absensi Berbasis Global Positioning
Sytem (GPS) Pada Android 4.x
Fransiskus Adikara
30
C7
Sistem Monitoring Pengatur Intensitas Cahaya, Suhu Dan Kelembaban
Ruangan Terintegrasi Berbasis Web Untuk Metode Manajemen Energi
Riki Ruli A Siregar,
37
Analisis Perbandingan Qos Wireless Router Asus Wl-520gu, Tp Link TdW8101g, Dan Linksys Wrt54gl Pada Streaming Video On Demand
Reqi Rangga Raditya,
Pemanfaatan Cloud Computing dalam Google Maps Untuk Pemetaan
Informasi Alih Fungsi Lahan di Kabupaten Minahasa Tenggara
Leonardo Refialy,
C5
C8
C9
Reza Febryan Alexandra
24
Yudi Prayudi
Delinawati Manurung
45
Agung Sediyono
52
Eko Sediyono,
Adi Setiawan
C10
Sistem Pembelajaran Jarak Jauh Menggunakan FTP dan E-Learning
Server
vii
Kori Cahyono
59
A6
1)
1,3)
!
2)
"
#
3)
Master of Information Systems, Faculty of Information Technology, Satya Wacana Christian University
Jl. Diponegoro 52'60, Salatiga, Indonesia
email : [email protected]), [email protected])
) Faculty of Science and Mathemathics, Satya Wacana Christian University
Jl. Diponegoro 52'60, Salatiga, Indonesia
email : [email protected]
!
!
!
Salah satu indikator kerawanan pangan adalah
prosentase penduduk pra sejahtera. Apabila suatu daerah
memiliki prosentase penduduk pra sejahtera lebih dari
25%, maka daerah tersebut dikatakan rawan pangan [2].
Garis kemiskinan penduduk di Minahasa Tenggara
tahun 2011 tercatat senilai Rp242.046,00/bulan. Penduduk
yang memiliki pengeluaran per kapita di bawah nilai
tersebut sejumlah 17,7 ribu orang atau sekitar 17,65 persen.
Jumlah ini lebih tinggi bila dibandingkan dengan tahun
2010 yang berjumlah 16,9 ribu orang atau 17,49 persen [3].
Indikator lain yang mempengaruhi kerawanan pangan
adalah rasio konsumsi normatif. Hal ini dapat dilihat dari
hasil produksi padi, jagung, ubi kayu serta jumlah rasio
konsumsi per hari. Gambar 1 menunjukkan penyebaran
produksi padi sawah dan padi ladang di Kabupaten
Minahasa Tenggara tidak menunjukkan konsentrasi pada
kecamatan tertentu. Sumbu X menunjukkan kecamatan di
Minahasa Tenggara, sedangkan sumbu Y menunjukkan
jumlah produksi padi. Pada tahun 2011, produksi padi
sawah sekitar 36.841 ton [3]
"
! !
!
!
!
!
#
!
!
$
!
&
!
%
!
%
%
!
%
'
(
!
!
)
!
!
#! $
%
'
*
)
+ , - ,
%&'&
Kerawanan pangan dapat diartikan sebagai kondisi
dimana individu atau rumah tangga masyarakat yang tidak
memiliki akses ekonomi (penghasilan tidak memadai),
tidak memiliki akses fisik untuk memperoleh pangan yang
cukup, kehidupan yang normal, sehat dan produktif, baik
kualitas maupun kuantitas [1].
1
Gambar 1. Produksi Padi di Kabupaten Minahasa Tenggara
Selama ini hasil pengukuran daerah kerawanan pangan
sudah ditampilkan dalam bentuk peta seperti pada Gambar
2. Dari Gambar 2 terlihat bahwa peta daerah rawan pangan
Dibiayai dari Hibah Tim Pasca Sarjana DIKTI tahun 2013
33
A6
semua indikator kerawanan pangan kronis dengan
menggunakan pembobotan berdasarkan prosentase tiap
indikator rawan pangan [8]. Dalam FSVA dikembangkan
konsep ketahanan pangan berdasarkan tiga dimensi
ketahanan pangan (ketersediaan, akses dan pemanfaatan
pangan) dalam semua kondisi bukan hanya pada situasi
kerawanan pangan saja. Pertimbangan yang kedua, FSVA
juga bermaksud untuk mengetahui berbagai penyebab
kerawanan pangan secara lebih baik atau dengan kata lain
kerentanan terhadap kerawanan pangan, bukan hanya
kerawanan pangan itu sendiri [1].
Penelitian tentang analisis data spasial juga telah
dilakukan oleh Prasetyo [8]. Penelitian tersebut bertujuan
untuk membandingkan metode analisis dan pemetaan
wabah endemik wereng coklat pada komoditas pokok dan
hortikultura menggunakan metode autokorelasi spasial.
GISA, LISA, dan +
( # digunakan dalam
endemik pemodelan BPH. Hasil penelitian ini
menunjukkan bahwa pola
di 37 kecamatan daerah
dan pola (
di 13 kecamatan wilayah pada tahun
2001 ' 2010 dapat diklasifikasikan dengan menggunakan
metode ini. Dari perbandingan peta percobaan Moran lokal
dan +
# peta BPH percobaan pada tahun 2001, 2006
dan 2010, ditemukan bahwa indikasi hotspot pada yang
lokal Moran adalah sama sebagai indikasi pengelompokan
pada +
# didasarkan pada nilai Z (Gi) > 2 [9].
Penelitian yang lain juga dilakukan oleh Tsai PJ.
Tujuan dari penelitian tersebut adalah untuk mendeteksi
perubahan pola cluster spasial dalam masalah kesehatan
dan faktor risiko antara wanita dan pria menggunakan
%
'
dan regresi logistik di Taiwan. Dalam analisis
distribusi digunakan data kasus'kasus medis dari Taiwan
Asuransi Kesehatan Nasional (NHI), dan penduduk
pertengahan tahun rata'rata, kemudian diterapkan pada tes
Moran global dan local. Sedangkan model regresi logistik
digunakan untuk menguji karakteristik kesamaan dan
perbedaan antara pria dan wanita dan merumuskan faktor
risiko. Hasil penelitian ini menunjukkan bahwa distribusi
geografis dari (
di mana neoplasma yang lazim
ditemukan untuk berhubungan erat dengan lokasi di daerah
arseniasis'endemik Barat Daya dan Timur Laut Taiwan,
serta lokasi di daerah perkotaan Taiwan (untuk perempuan)
dan (
di Changhua dan Yunlin (untuk laki'laki).
Populasi kepadatan tinggi di daerah perkotaan
menunjukkan (
karsinogen di 3 pusat'pusat kota
utama Taiwan (yaitu, Taipei, Taichung, dan Kaohsiung)
untuk
perempuan. Dari penelitian ini dapat
disimpulkan bahwa pemetaan (
dapat membantu
mengklarifikasi isu'isu seperti aspek spasial dari masalah
kesehatan. Informasi ini sangat membantu dalam menilai
faktor risiko spasial, yang dapat membantu pelaksanaan
pelayanan kesehatan yang efektif [10].
Dalam penelitian ini, %
'
digunakan untuk
mengidentifikasi pola spasial daerah rawan pangan tahun
Indonesia masih terdapat beberapa kelemahan, antara lain
peta yang ada masih belum dapat memberikan gambaran
faktor'faktor penyebab terjadinya rawan pangan di setiap
daerah dan belum menggambarkan dinamika kejadian
dalam pola spasial berdasarkan
!
.
Gambar 2 Peta Daerah Rawan Pangan Indonesia [7]
Dalam penelitian ini digunakan
!
untuk melihat apakah indikator yang berpengaruh terhadap
rawan pangan di suatu kecamatan memiliki korelasi
dengan kecamatan yang lain dan apakah korelasi tersebut
mempengaruhi kejadian rawan pangan di suatu kecamatan.
(ESDA) merupakan
./
bagian dari proses eksplorasi dan analisis data (EDA) [4].
Prinsip kerja dari metode ini adalah membandingkan nilai
variabel tertentu pada setiap lokasi dengan nilai pada
semua lokasi lain [7].
Oleh karena itu diperlukan suatu metode pendekatan
spasial yang dapat memberikan gambaran faktor'faktor
penyebab terjadinya rawan pangan dan menggambarkan
dinamika pola spasial, yaitu Moran’s I. Penelitian ini
diharapkan dapat digunakan untuk membantu dalam
memberi rekomendasi bagi para pengambil keputusan
dalam pengambilan kebijakan peningkatan ketahanan
pangan dan penanganan daerah rawan pangan di Minahasa
Tenggara.
(
'
$
%&'&
Pemerintah Indonesia bekerjasama dengan 0
1
)
(WFP) telah menyusun peta kerawanan
pangan yaitu suatu alat untuk mengetahui daerah rawan
pangan dengan permasalahan yang melatarbelakangi
kejadian rawan pangan tersebut untuk dijadikan sebagai
bahan kebijakan bagi penanggulangan kerawanan pangan
[8]. Dalam Peta Ketahanan dan Kerentanan Pangan
Indonesia atau 1
(
2
!
,
31 2,4 digunakan 9 indikator kerawanan pangan. Peta
komposit kerawanan pangan dihasilkan dari kombinasi
34
A6
2011 dan mengetahui apakah suatu indicator yang
berpengaruh terhadap rawan pangan di suatu kecamatan
memiliki korelasi dengan kecamatan yang lain.
)
*+' $
$# +
'
'#
,
Gambar 3 menunjukkan
(
/,
antara lain [12]:
a. *
$
(berdasarkan pergerakan anak catur) :
Wilayah pengamatan bersentuhan langsung dengan
sisi'sisi wilayah tetangga sehingga akan memiliki 4
tetangga.
b. 6
$
: Wilayah pengamatan bersentuhan
langsung dengan sudut diagonal wilayah tetangga
sehingga akan memiliki 4 tetangga.
c. 7
$
: ini merupakan perpaduan dari *
dan 6
$
sehingga akan memiliki 8
tetangga.
sebagai matriks
Misalkan W dengan elemen
-
Tujuan metode ESDA, antara lain untuk mendeteksi
pola spasial yang muncul dalam himpunan data ((
), mendeteksi kemungkinan kesalahan
dalam himpunan data, merumuskan hipotesis berdasarkan
model spasial dan geografi, dan melakukan analisis
terhadap model spasial [5]. Ditinjau dari konsep
keruangan, ESDA dapat dibagi empat yaitu, visualisasi
distribusi spasial, visualisasi asosiasi spasial,
(
(
(
(LISA), dan
5
(
(
[4].
.
+ +
' & / $$ '
,
tetangga spasial. Standardisasi baris dilakukan dengan
membagi setiap elemen pada satu baris dengan jumlah
elemen di dalam baris tersebut sehingga suatu matriks W
dinyatakan dengan
berbobot spasial dengan elemen
Persamaan 1 [13] :
-
(1)
, (
(SA) dapat dibedakan
menjadi dua dimensi, dimensi pertama membagi SA
menjadi
!
dan
( . Pendekatan
!
umumnya membutuhkan pembakuan
struktur objek spasial di sekelilingnya dengan menentukan
topologi dan pembobotan setiap data hasil observasi.
Istilah distance berarti bahwa indikator jarak dihitung dari
suatu objek spasial terhadap objek spasial yang menjadi
pasangannya. Dimensi kedua membagi SA menjadi
!
dan (
(
. Global digunakan untuk menilai
interaksi spasial dalam data, yang selanjutnya dikenal
sebagai + !
(
, (
(GISA).
Sedangkan (
(
digunakan untuk menilai
asosiasi pola di sekeliling individu dan melihat sejauh
mana pola global tercermin dalam seluruh populasi yang di
observasi, selanjutnya disebut - (
(
, (
(LISA) [4].
Menurut LeSage [11], SA dibagi menjadi dua kelas,
yaitu SA satu dimensi, yaitu berdasarkan pada fungsi
tanpa disertai
, dan SA dua dimensi, berdasarkan
fungsi weight. Salah satu tahapan dalam SA adalah
membangun matriks bobot (
/) objek spasial.
Sebelum membentuk matriks bobot objek spasial harus
dilakukan perhitungan matriks kedekatan spasial (
(
/).
Gambar 3
$
%
dengan wilayah I bukan hanya tetangga tetapi bisa sebuah
daerah. Pembobot
yang merupakan berat spasial
matrik mempunyai aturan bernilai 1 apabila letak antara
lokasi dan lokasi saling berdekatan, sedangkan bernilai
0 apabila letak antara lokasi dan lokasi saling berjauhan.
0
$
Moran’s I merupakan sebuah tes statistik lokal untuk
melihat nilai autokorelasi spasial dan digunakan juga untuk
mengidentifikasi suatu lokasi dari pengelompokan spasial
[14]. Autokorelsi spasial adalah korelasi antara variabel
dengan dirinya sendiri berdasarkan ruang [15]. Metode
Moran’s I dapat digunakan untuk menentukan pola spasial
global (GISA) dan pola spasial lokal (LISA). GISA
digunakan untuk menentukan korelasi sutu variable di
dalam seluruh himpunan data yang diobservasi [16]. GISA
didefinisikan dengan Persamaan 2 :
(2)
dengan
:Jumlah kasus atau jumlah wilayah studi yang
diidentifikasi,
: Berat spasial matrik atau elemen
/,
: Nilai unit analisis ,
: Nilai unit analisis tetangga,
/ [11]
: Nilai rata'rata .
35
A6
Pembobot
terjadinya pencilan (
). Pola spasial menunjukkan
signifikan lokal (
ketika data berkarakteristik 8
8
(HH) atau (LL), sedangkan pola spasial
menunjukkan signifikan lokal
ketika data
berkarakteristik 8
(HL) atau 8
(LH).
Jumlah LISA untuk setiap wilayah studi sebanding atau
sama dengan %
' global [20].
Untuk setiap lokasi, nilai LISA memungkinkan untuk
komputasi dari kesamaannya dengan tetangga dan juga
untuk menguji signifikansinya. Lima skenario yang
mungkin adalah [21] :
' Lokasi dengan nilai tinggi akan sama dengan tetangga :
tinggi'tinggi (
"
). Juga dikenal sebagai
.
' Lokasi dengan nilai rendah akan sama dengan
tetangga: rendah ' rendah ( " ). Juga dikenal
sebagai (
.
' Lokasi dengan nilai tinggi akan sama dengan tetangga
bernilai rendah: tinggi'low (
" ). Juga dikenal
sebagai
.
' Lokasi dengan nilai rendah akan sama dengan
tetangga bernilai rendah: rendah' tinggi ( "
).
Juga dikenal sebagai
.
' Lokasi yang tidak memiliki autokorelasi spasial,
dikenal sebagai
.
yang merupakan berat spasial matrik
mempunyai aturan bernilai 1 apabila letak antara lokasi
dan lokasi
saling berdekatan, sedangkan bernilai 0
apabila letak antara lokasi dan lokasi saling berjauhan.
dapat ditampilkan dalam
kedekatan
Pembobot
((
/) yang sesuai dengan hubungan spasial
antar lokasi yang menggambarkan hubungan antar daerah.
Nilai koefisien %
'
berkisar antara '1 dan +1.
Autokorelasi akan bernilai negatif ketika bernilai antara 0
dan '1, sedangkan autokorelasi akan bernilai positif ketika
bernilai antara 0 dan +1. Nilai %
' yang negatif dan
positif memiliki asosiasi secara spasial dengan wilayah
sekelilingnya [17]. Nilai ekspektasi Moran’s I [18]
ditunjukkan pada Persamaan 3 :
(3)
Table 1 menunjukkan pola spasial yang dibentuk oleh
persamaan 3. Apabila nilai I > E(I), maka autokorelasi
bernilai positif. Hal ini berarti bahwa pola data membentuk
kelompok ((
). Pola data acak (
) terbentuk
apabila I = E(I), artinya tidak terdapat autokorelasi spasial.
Jika I < E(I), maka autokorelasi bernilai negatif, artinya
pola data menyebar [19].
Table 1. Pola Spasial Moran’s I
Pola spasial
Cluster
Random
Dispersed
Moran’s I
I > E(I)
I = E(I)
I < E(I)
2
Kerawanan pangan merupakan persoalan multi'
dimensional yang tidak menyangkut produksi dan
ketersediaan pangan saja. Dalam penelitian ini digunakan 9
indikator dengan berpedoman pada pemetaan ketahanan
dan kerentanan pangan yang dilakukan oleh Badan
Ketahanan Pangan dan WFP [2], yang dikelompokkan ke
dalam 3 aspek/dimensi ketahanan pangan yaitu: Dimensi
ketersediaan pangan, akses pangan, dan pemanfaatan
pangan. Ketiga dimensi tersebut memiliki pengaruh yang
sangat besar terhadap terjadinya kerawanan pangan yang
bersifat kronis ((
(
(
) yang memerlukan
penanganan jangka panjang. Indikator ketahanan Pangan
berdasarkan kebijakan pengembangan ketersediaan pangan
oleh Departemen Pertanian dapat dilihat pada tabel
1(Lampiran).
Berdasarkan 5 indikator rawan pangan, maka untuk
menentukan daerah rawan pangan dapat dihitung
menggunakan rumus di bawah ini [8] :
1. Ketersediaan pangan dengan Indikator Konsumsi
Normatif Per Kapita terhadap Rasio Ketersediaan
Bersih Serelia
LISA adalah perangkat untuk penentuan asosiasi
spasial pada setiap wilayah penelitian. Metode LISA dapat
menunujukkan wilayah pemusatan atau pencilan fenomena
spasial pada suatu wilayah [20]. LISA dapat didefinisikan
dengan $ 1
0:
,5dengan
: Nilai unit analisis ,
: Nilai rata'rata variabel ,
: Nilai unit analisis tetangga,
: Banyaknya kasus atau banyaknya wilayah studi
yang diidentifikasi,
: Berat spasial matrik atau elemen
/.
Autokorelasi spasial lokal dapat ditentukan dengan
analisis
%
(
dan
LISA.
LISA
divisualisasikan menggunakan peta yang digunakan untuk
menunjukkan lokasi daerah studi yang signifikan statistik
terjadinya pengelompokan nilai atribut ((
) atau
(4)
36
A6
3
Penelitian ini, dibagi menjadi tiga tahapan, yaitu :
1. Pemrosesan data penelitian
Data input berupa data prosentase sembilan indikator
rawan pangan, yakni data KDA yang sudah dihitung
berdasarkan FSVA. Data input dalam bentuk .csv dan
data peta berbentuk .shp. Data yang digunakan untuk
analisis adalah data tahun 2011.
2. Analisis pola spasial
Dalam penelitian ini digunakan metode Moran’s I yang
terdiri dari dua bagian, yaitu GISA dan LISA.
Langkah'langkah dalam perhitungan Moran’s I:
a. Melakukan perhitungan spasial weight matriks,
dengan menentukan spasial (
/.
b. Menghitung GISA, dan nilai E(I). GISA
digunakan untuk menentukan korelasi ((
) suatu indikator di dalam
seluruh wilayah yang diobservasi.
c. Menghitung LISA. LISA digunakan untuk
menentukan pola spasial (
(
) setiap kecamatan yang divisualisasikan
dalam bentuk peta. Peta tersebut menggambarkan
daerah rawan pangan 2011.
3. Analisis hasil penelitian
Hasil penelitian ini berupa informasi geografis daerah
rawan pangan, yang terdiri dari peta LISA dan peta
(
. Peta (
adalah hasil
dari
peta LISA setiap tahun, yang menggambarkan daerah
rawan pangan di kabupaten Minahasa Tenggara.
dimana
produksi : penjumlahan produksi padi, jagung, dan ubi
kayu,
Y
: ketersediaan bersih serelia pokok per kapita
per hari,
Z
: konsumsi normative per kapita,
dengan
Z ≥ 1,50
= defisit tinggi,
1,25 – 1,50 = defisit sedang,
1,00 – 1,25 = defisit rendah,
0,75 – 1,00 = surplus rendah,
0,50 – 0,75 = surplus sedang,
< 0,50
= surplus tinggi.
2.
Akses Pangan dan Mata Pencaharian
(5)
dimana
x : jumlah keluarga pra sejahtera,
y : jumlah keluarga dalam satu kecamatan,
dengan
Z ≥ 35%
= sangat rawan,
25 – 35%
= rawan,
20 – 25%
= agak rawan,
15 – 20%
= cukup tahan,
10 – 15%
= tahan,
0 – 10%
= sangat tahan.
3.
Kesehatan dan Gizi
Indikator Angka Harapan Hidup pada saat lahir
(AHH)
Jika AHH :
> 7
5'7
3'5
5 km dari
puskesmas, dimana
x = jumlah desa yang > 5km dari puskesmas,
y = jumlah desa dalam satu kecamatan.
dengan
Z ≥ 60%
= sangat rawan,
50 – 60%
= rawan,
40 – 50%
= agak rawan,
30 – 40%
= cukup tahan,
20 – 30%
= tahan,
≤ 20%
= sangat tahan.
Data map .shp
Proses
GISA
LISA
Visualisasi
Peta LISA
!
,
Gambar 4 Desain dan Arsitektur Model
37
A6
(
/, yaitu perhitungan matriks tetangga
dengan membagi sembarang bagian dari batasan umum
wilayahnya seperti ditunjukkan pada Gambar 5.
(
/ digunakan untuk menggambarkan
hubungan antar kecamatan dengan prinsip ketetanggaan,
apakah kejadian rawan pangan di suatu kecamatan
dipengaruhi oleh kecamatan di sekitarnya. Apabila suatu
kecamatan saling terhubung dengan garis merah, maka
pada kecamatan tersebut bernilai 1. Apabila suatu
nilai
Gambar 4 menunjukkkan desain dan arsitektur model
penelitian. Secara umum arstitektur model dapat dilihat
dalam tiga bagian besar, yaitu :
1. Data berisi data penelitian dalam bentuk .csv yang
meliputi: (1) data RKN tahun 2011, (2) data
prosentase penduduk pra sejahtera tahun 2011, (3)
Angka harapan hidup pada saat lahir tahun 2011, (4)
Prosentase perempuan buta huruf tahun 2011, (5)
Prosentase rumah tangga yang tinggal lebih dari 5 km
dari fasilitas kesehatan tahun 2011.
2. Proses berisi analisis spasial yang digunakan yakni
!
, GISA dan LISA.
3. Visualisasi digunakan untuk memvisualisasikan output
penelitian yakni peta LISA.
kecamatan tidak saling terhubung, maka nilai
= 0.
5
Tujuan penelitian ini adalah mengidentifikasi daerah
rawan pangan di Kabupaten Minahasa Tenggara dan
mengetahui bagaimana korelasi sembilan indikator antar
kecamatan. Tahap pertama yang dilakukan adalah
menghitung prosentase masing'masing indikator sesuai
pedoman FSVA. Hasil perhitungan indikator RKN 2011
ditunjukkan pada Tabel 2. Jumlah produksi yang
digunakan dalam menghitung RKN adalah jumlah
produksi (ton) dari padi, jagung, dan ubi kayu. Kolom jml
menunjukkan jumlah produksi per ton. Kolom total adalah
hasil perhitungan jml yang dibagi dengan hasil perkalian
jumlah penduduk dengan 360 hari. Kemudian didapatkan
angka RKN yakni dengan membagi konsumsi normatif
serealia per hari (300 gram) dengan nilai yang ada dalam
kolom total.
Gambar 5 9
padi
sawah
padi
ladang
jagung
ubi
kayu
jml
prod
jml
(ton)
jml
pend
total
rasio
Ratatotok
184
268
4241
322
5015
5015
12254
1136.82
0.26
Pusomaen
1769
121
4684
198
6772
6772
8312
2263.13
0.13
Belang
3616
160
5503
283
9562
9562
15396
1725.20
0.17
Ratahan
4613
92
2775
204
7684
7684
12301
1735.18
0.17
Pasan
2071
122
2417
186
4796
4796
6668
1997.93
0.15
ratahan
timur
776
167
1443
264
2650
2650
5610
1312.14
0.23
Tombatu
5993
334
1753
364
8444
8444
9110
2574.70
0.12
8165
138
2775
251
11329
11329
8537
3686.24
0.08
3842
0
1924
332
6098
6098
7760
2182.85
0.14
tombatu
timur
tombatu
utara
Touluaan
2073
103
1803
904
4883
4883
6287
2157.45
0.14
touluaan
selatan
243
600
1515
742
3100
3100
4125
2087.54
0.14
silian raya
2493
0
1123
519
4135
4135
5215
2202.51
0.14
(
/ Kab. Minahasa Tenggara
Hasil perhitungan GISA berupa nilai indeks Moran
pada lima indikator rawan pangan. Nilai indeks Moran
pada tahun 2011 pada lima indikator menunjukkan tingkat
korelasi spasial yang tergolong tinggi. Lima indikator
membentuk pola cluster. hal ini berarti kecamatan yang
berdekatan memiliki pengaruh antara satu dengan lainnya.
Sedangkan indikator yang memiliki pola spasial random,
artinya kecamatan yang berdekatan tidak memiliki
pengaruh antara satu dengan lainnya. Korelasi antar
wilayah yang paling tinggi (mendekati +1) dimiliki oleh
indikator RKN, dengan indeks Moran sebesar 1,71. Indeks
ini berpotensi memiliki pola spasial memusat (cluster).
Artinya, RKN di wilayah kecamatan yang saling
berdekatan di Kabupaten Minahasa Tenggara masih saling
memberi pengaruh antar satu dengan yang lainnya.
Tabel 2 Hasil Perhitungan RKN 2011
KEC.
(
Table 3. Hasil perhitungan GISA sembilan indikator rawan pangan
Tahun
2011
Indikator
RKN
Pra sejahtera
Buta huruf
AHH
Faskes
Indeks Moran (I)
1.71
0.02
0.17
1.12
'0.05
Pola spasial
Cluster
Dispersed
Cluster
Cluster
Random
Berdasarkan Table 3, indikator RKN tahun 2011
membentuk pola (
karena nilai indeks moran lebih
besar dari nilai ekspektasinya. Gambar 6 merupakan peta
LISA RKN 2011. Dari Gambar 6, terlihat bahwa terdapat
pola spasial cluster (mengelompok dan saling berkorelasi)
Dari data tersebut dilakukan perhitungan
/, dalam penelitian ini digunakan 9
38
A6
di kecamatan Tombato yang ditandai dengan warna merah,
yang merupakan wilayah
(8 "8 ) dan Ratahan
Timur yang ditandai dengan warna biru, yang merupakan
wilayah (
(- "- ). Kecamatan Tombato
termasuk ke dalam wilayah
karena kecamatan ini
memiliki prosentase RKN yang tinggi, dan dikelilingi oleh
kecamatan yang mempunyai prosentase RKN tinggi juga.
Kecamatan yang termasuk kategori
merupakan
kecamatan rawan pangan. Sehingga kecamatan ini dapat
menjadi fokus pemerintah dalam upaya peningkatan
kesejahteraan penduduk. Selain itu, terdapat kecamatan
yang memiliki nilai 8 "yakni kecamatan Touluaan
(ditandai dengan warna hijau muda). Hal ini menunjukkan
bahwa prosentase penduduk RKN di kecamatan Touluaan
termasuk tinggi, sedangkan prosentase di wilayah
sekelilingnya rendah.
di Kabupaten Minahasa Tenggara tahun 2011 antara lain,
Prosentase RKN dan prosentase AHH.
Ucapan terimakasih disampaikan kepada Dr. Wiranto H.
Utomo dan Sri Yulianto, M.Kom. atas bimbingan yang
diberikan selama menyusun Tesis yang terkait dengan
metode yang digunakan dalam paper ini.
Ucapan terima kasih disampaikan kepada Dirjen DIKTI
atas pendanaan yang diberikan melalui hibah penelitian
Tim Pascasarjana tahun anggaran 2013.
[1] Departemen Pertanian, 2010, Pusat Ketersediaan dan
Kerawanan Pangan 2010, Kebijakan Pengembangan
Ketersediaan Pangan. Bahan Paparan Workshop Dewan
Ketahanan Pangan, 20'22 September 2010.. Jakarta.
[2] Departemen Pertanian, 2009, Pusat Ketersediaan dan
Kerawanan Pangan 2009, Kebijakan Pengembangan
Ketersediaan Pangan. Bahan Paparan Workshop Dewan
Ketahanan Pangan, September 2009. Jakarta.
[3] Anselin, 1998, GIS Reseach Infrastructure for Spatial
Analysis of Real Estate Markets, :
8
*
( , Volume 9, Issue 1.
[4] Zhang D., Mao X., dan Meng L., 2009, A Method Using
ESDA to Analyze The Spatial Distribution Patterns of
Cultural Resource, The International Archives of The
Photogrammetry, *
( ( , Vol. 38, Part II.
[5] Arrowiyah, Sutikno, 2009, Spatial Pattern Analysis
Kejadian Penyakit Demam Berdarah Dengue Informasi
Early Warning Bencana di Kota Surabaya, Institut
Teknologi Surabaya.
[6] Harvey dkk, 2008, The North American Animal Disease
Spread Model: A simulation model to assist decision
making in evaluating animal disease incursions, ) 5
5
2
% ( , Vol 82, Halaman 176'197.
[7] Departemen Pertanian, 2009, )
)
31
(
, 4, Pusat Kewaspadaan
Pangan, Badan Ketahanan Pangan, September 2009,
(http://www.foodsecurityatlas.org/idn/country/fsva'
2009'peta'ketahanan'dan'kerentanan'pangan'
indonesia/bab'1'pendahuluan).
[8] Prasetyo, S. Y, 2010, Endemic Outbreaks of Brown
Planthopper in Indonesia Using Exploratory Spatial Data
Analysis.
:
$
( (
,
Vol. 9, Issue 5, No 1, September 2010.
[9] Tsai PJ, 2012, Application Of Moran's Test With An
Empirical Bayesian Rate To Leading Health Care Problems
In Taiwan In A 7'Year Period (2002'2008). + ! : 8
( , 4 Juli 2012, 4(5):63'77.
[10] Chen Y., 2010 #
1
0
1 (
$
% /, Department of Geography,
College of Environmental Sciences, Peking University,
Beijing.
Gambar 6. Peta LISA RKN 2011
1+&'
Berdasarkan konsep
!
menggunakan
Metode %
' , yang termasuk daerah rawan pangan di
Kabupaten Minahasa Tenggara tahun 2011 adalah
kecamatan Pasan, dan Tombato.
Konsep
!
dapat digunakan sebagai
indikator korelasi secara spasial wilayah rawan pangan di
suatu kecamatan terhadap kecamatan yang lain. Hal ini
ditandai dari besar Indeks Moran's lima indikator rawan
pangan di Kabupaten Minahasa Tenggara yang mendekati
+1. Hal ini berarti lima indikator tersebut mempunyai
korelasi yang tinggi. Berdasarkan Indeks Moran's,
indikator yang memiliki pengaruh terhadap rawan pangan
39
A6
[11] LeSage, J. P., 1999,
) ( (
(
.(
( , Department of Economics, University of
Toledo.
[12] Vitton, P., 2010,
.(
( %
,
City and Regional Planning.
[13] Cliff, A.D., & Ord J. K., 1973,
, (
London:Pion. http://www.deepdyve.com/lp/sage/cliff'a'd'
and'ord'j'k'1973'spatial'autocorrelation'london'pion'
vtW4ntr0kR
[14] Lembo A.J., 2006,
, (
Cornell
University.
http://www.css.cornell.edu/courses/620/lecture9.ppt
[15] Dormann C. F., McPherson J.M.,2007, Methods to Account
for Spatial Autocorrelation in the Analysis of Species
Distributional Data : , 5
.(
30 : 609628,
2007, doi: 10.1111/j.2007.0906'7590.05171.x
[16] Puspitawati Dewi, 2012. Pemodelan Pola Spasial Demam
Berdarah &
di Kabupaten Semarang Menggunakan
Fungsi %
'
Fakultas Teknologi Informasi,
Universitas Kristen Satya Wacana.
[17] Lee, J., Wong D. W. S., 2001,
( ,
, (5
+ John Wiley and Sons, New York.
[18] Celebioglu dan Dall’erba, 2010, Spatial Disparities across
The Regions of Turkey : on exploratory spatial data
analysis, ,
*
( (2010) 45: 379'400, DOI
10.1007/s00168'009'0313'8.
[19] Anselin, L., 1995, Local Indicators of Spatial Association'
LISA +
( ,
, Vol. 27, No. 2 (April 1995)
Ohio State University Press.
[20] Oliveau, S., Guilmoto, C. Z., 2005, Spatial Correlation And
Demography. Exploring India’s Demographic Patterns,
";;2$ $
<
& - )
=
1 ( (2005)".
6 memperoleh gelar Sarjana Komputer
di Fakultas Teknologi Informasi, FTI UKSW pada tahun 2011.
Saat ini sedang menyelesaikan tesisnya di bidang Sistem
Informasi di universitas yang sama.
! , memperoleh gelar Sarjana Matematika dari
UGM tahun 1991, Master di bidang Matematika diperoleh di
Vrije Universiteit Amsterdam pada tahun 1997
dan doktor diperoleh di Vrije Universiteit pada tahun 2007. Saat
ini sebagai dosen pada prodi Matematika Fakultas Sains dan
Matematika UKSW
"
#
, memperoleh gelar Sarjana Statistika dari Fakultas
MIPA Institut Pertanian Bogor pada tahun 1985. Kemudian
tahun 1993 memperoleh gelar Magister Komputer dari Fakultas
Ilmu Komputer, Universitas Indonesia Jakarta. Doktor Ilmu
Komputer di peroleh tahun 2006 pada universitas yang sama.
Jabatan akademik Guru Besar di bidang Ilmu Informatika di
peroleh di UKSW pada tahun 2008. Saat ini menjabat sebagai
ketua program studi Magister Sistem Informasi, Universitas
Kristen Satya Wacana, Salatiga.
40
A6
LAMPIRAN
No
Indikator
5
Persentase
rumah
tangga yang
tinggal lebih
dari 5 km
dari fasilitas
kesehatan
Tabel 1. Indikator Ketahanan Pangan [2]
No
A
1
B
2
C
3
4
Indikator
Definisi dan Perhitungan
Ketersediaan Pangan
' Konsumsi
normatif serealia
Rasio
adalah 300 gr/kapita/hari.
konsumsi
' Ketersediaan bersih padi, jagung,
normatif
ubi kayu dihitung dari rata'rata
terhadap
produksi padi, jagung, ubi kayu
ketersediaan
tahun 2006'2010 dan dikonversi
bersih (padi,
ke Pangan Setara Beras (PSB).
jagung, ubi
' Data serealia dari perdagangan
kayu)
dan impor tidak diperhitungkan
karena ketiadaan data.
' Rasio konsumsi diperoleh dari
membagi ketersediaan PSB per
kecamatan dengan konsumsi
normatif
serealia
penduduk
dalam setahun.
' Rasio
konsumsi
normatif
terhadap ketersediaan bersih
serealia dengan nilai 1 adalah
defisit pangan.
Akses Pangan
Persentase
' Persentase penduduk yang hidup
penduduk
di bawah garis kemiskinan
yang hidup
menggunakan data rata'rata KK
di
bawah
Miskin 5 tahun (2005'2009).
garis
' Persentase KK Miskin dengan
kemiskinan
nilai 20% buruk.
Pemanfaatan Pangan
' Perkiraan lama hidup bayi baru
Angka
lahir.
harapan
hidup pada ' Data yang digunakan adalah
Angka Harapan Hidup (AHH)
saat lahir
Kabupaten Minahasa Tenggara
sehingga nilainya sama untuk
setiap kecamatan.
' Nilai AHH >64 tahun adalah
baik dan
Kata Sambutan Ketua Pelaksana
ii
Kata Sambutan Dekan Fakultas Teknologi Informasi
iii
Susunan Panitia
iv
Daftar Isi
v
A. ALGORITHM, INTELLIGENT SYSTEM, COMPUTATIONAL
A1
Pengaruh Data Acak Pada Tingkat Kecocokan Konstruksi Struktur
Bayesian Network Dengan Menggunakan Algoritma Hybrid
Ilham
1
A2
Identifikasi DNA dengan Rantai Markov Orde Satu dan Probabilistic
Neural Network
Toto Haryanto,
8
Habib Rijzaani,
Muhammad Luthfi Fajar
A3
Penerapan Pembelajaran Terawasi Pada Algoritma Jaringan Syaraf
Tiruan Hopfield Untuk Pemanggilan Ulang Pola Huruf Kapital
Sabam Parjuangan
14
A4
Aplikasi Clustering Data Berukuran Besar dan Berdimensi Tinggi
Berdasarkan Jarak
Edo Aria Putra Mawardi,
19
Dyah Erny Herwindiati,
Herlina Abdullah
A5
Optimasi Model Pengontrol Ekson Berbasis HMM Dengan
Preprocessing Data Menggunakan Fuzzy C Mean
Binti Solihah,
26
Suhartati Agoes,
Alfred Pakpahan
A6
Identifikasi Pola Spasial Daerah Rawan Pangan Di Kabupaten Minahasa
Tenggara Menggunakan Moran’s I
Constantina A. Widi P
33
A7
Kompresi Data Untuk Menghemat Bandwidth Dengan Menggunakan
Algoritma Deflate
Angel Louren Paat,
42
Eko Sediyono,
Adi Setiawan
Rekayasa Sistem Antrian dengan Disiplin Non-Preemtive Priority
Service untuk Peningkatan Pelayanan Pasien di Puskesmas
Banguntapan II
Dison Librado,
A9
Perancangan Penterjemah Bahasa Indonesia Ke Bahasa Daerah
Dilengkapi Pemeriksaan Kalimat Ambigu
Dewi Soyusiawaty
A10
Penerapan Metode Eigen Window Untuk Pendeteksian Sel Darah Putih Anthony Domenico,
A8
47
Cosmas Haryawan
54
62
Lina,
Arlends Chris
A11
Pemanfaatan E-Konseling Diagnosa Gangguan Psikologi Klinis
v
Masayu Jamilah,
68
Wawan Nurmansyah
A12
Pembangunan M-Konseling Psikologi Klinis
Rita Wiryasaputra,
74
Rendra Gustriansyah,
Wawan Nurmansyah
A13
Perancangan Program Edugame Mini Zoo Land Untuk Siswa Taman
Kanak-Kanak
Jeanny Pragantha,
79
Helmy Thendean,
Sindy Kosasi
B. INFORMATION SYSTEM
B1
Pembelajaran Sistem Kolaboratif Online Berbasis Knowledge
Construction
Puspa Setia Pratiwi
1
B2
Social Network Analysis: Collaborative Network Penyuluh Pertanian
Dalam Mendukung Program Pengembangan Usaha Agribisnis
Perdesaan
Bentar Priyopradono
10
B3
Data Warehouse Sebagai Basis Analisis Data Akademik Perguruan
Tinggi
Mewati Ayub,
18
Tanti Kristanti,
Maresha Caroline
B4
Pemanfaatan Digital Technology Untuk Pembelajaran Matematika
Anak Usia Sekolah Dasar Menggunakan Teori TAM dan Otomatisasi
Sugeng Astanggo,
26
Jap Tji Beng,
Sri Tiatri
Association Rules Untuk Mendukung Strategi Pelayanan Publik Dan
Sistem E-Government
Zyad Rusdi,
B6
Data Mart Model For Human Resources Department (Recruitment
Module)
Eka Miranda
37
B7
Perancangan E-Marketing Pada PT. Rajawali Nusindo
Zulfiandri
45
B5
32
Dedi Trisnawarman
Bayu Waspodo,
Budi Wibowo,
B8
Model Decision Support System Penetapan Kontribusi Pendapatan Asli
Daerah
Heru Soetanto Putra
51
B9
Perancangan Data Warehouse Pada Biro Travel PT. AKZ
Dewi Wuisan,
59
Heru Soetanto Putra,
Evaristus Didik
Madyatmadja
B10
Studi Kelayakan Sistem Informasi Bank ASI berbasis Syariah di Jakarta
Agung Sediyono,
Binti Solihah
vi
64
B11
Penerapan Framework Fast Pada Pengembangan Sistem Informasi Pola Iwan Rijayana,
Karir
Dodo Prawira Pradana
69
B12
Pengembangan Sistem Informasi Akademik dengan menggunakan
Visualisasi Dashboard Sistem (SIAT)
77
Edi Setiawan
C. NETWORK, DISTRIBUTED, INSTRUMENTATION
C1
Implementasi Microcontroller Sebagai Detektor Asap Rokok Sederhana Syifaul Fuada,
1
Citta Anindya,
Faishol Badar,
Dian Shofiyulloh
C2
Perancangan Alat Pemberi Makan Binatang Otomatis
Jimmy Agustian Loekito ,
8
Andrew Sebastian Lehman
C3
Pemodelan Helipad Menggunakan Microcontroller
Andrew Sebastian Lehman
13
C4
Analisis Forensika Digital Pada Sony Playstation Portable Untuk
Mendukung Pembuktian Pelanggaran Hak Cipta Pada Game Console
Yudi Prayudi ,
18
Model Digital Forensic Readiness Index (DiFRI) Untuk Mengukur Tigkat
Kesiapan Institusi Dalam Menanggulangi Aktifitas Cyber Crime
Tri Widodo ,
C6
Analisis Dan Perancangan Sistem Absensi Berbasis Global Positioning
Sytem (GPS) Pada Android 4.x
Fransiskus Adikara
30
C7
Sistem Monitoring Pengatur Intensitas Cahaya, Suhu Dan Kelembaban
Ruangan Terintegrasi Berbasis Web Untuk Metode Manajemen Energi
Riki Ruli A Siregar,
37
Analisis Perbandingan Qos Wireless Router Asus Wl-520gu, Tp Link TdW8101g, Dan Linksys Wrt54gl Pada Streaming Video On Demand
Reqi Rangga Raditya,
Pemanfaatan Cloud Computing dalam Google Maps Untuk Pemetaan
Informasi Alih Fungsi Lahan di Kabupaten Minahasa Tenggara
Leonardo Refialy,
C5
C8
C9
Reza Febryan Alexandra
24
Yudi Prayudi
Delinawati Manurung
45
Agung Sediyono
52
Eko Sediyono,
Adi Setiawan
C10
Sistem Pembelajaran Jarak Jauh Menggunakan FTP dan E-Learning
Server
vii
Kori Cahyono
59
A6
1)
1,3)
!
2)
"
#
3)
Master of Information Systems, Faculty of Information Technology, Satya Wacana Christian University
Jl. Diponegoro 52'60, Salatiga, Indonesia
email : [email protected]), [email protected])
) Faculty of Science and Mathemathics, Satya Wacana Christian University
Jl. Diponegoro 52'60, Salatiga, Indonesia
email : [email protected]
!
!
!
Salah satu indikator kerawanan pangan adalah
prosentase penduduk pra sejahtera. Apabila suatu daerah
memiliki prosentase penduduk pra sejahtera lebih dari
25%, maka daerah tersebut dikatakan rawan pangan [2].
Garis kemiskinan penduduk di Minahasa Tenggara
tahun 2011 tercatat senilai Rp242.046,00/bulan. Penduduk
yang memiliki pengeluaran per kapita di bawah nilai
tersebut sejumlah 17,7 ribu orang atau sekitar 17,65 persen.
Jumlah ini lebih tinggi bila dibandingkan dengan tahun
2010 yang berjumlah 16,9 ribu orang atau 17,49 persen [3].
Indikator lain yang mempengaruhi kerawanan pangan
adalah rasio konsumsi normatif. Hal ini dapat dilihat dari
hasil produksi padi, jagung, ubi kayu serta jumlah rasio
konsumsi per hari. Gambar 1 menunjukkan penyebaran
produksi padi sawah dan padi ladang di Kabupaten
Minahasa Tenggara tidak menunjukkan konsentrasi pada
kecamatan tertentu. Sumbu X menunjukkan kecamatan di
Minahasa Tenggara, sedangkan sumbu Y menunjukkan
jumlah produksi padi. Pada tahun 2011, produksi padi
sawah sekitar 36.841 ton [3]
"
! !
!
!
!
!
#
!
!
$
!
&
!
%
!
%
%
!
%
'
(
!
!
)
!
!
#! $
%
'
*
)
+ , - ,
%&'&
Kerawanan pangan dapat diartikan sebagai kondisi
dimana individu atau rumah tangga masyarakat yang tidak
memiliki akses ekonomi (penghasilan tidak memadai),
tidak memiliki akses fisik untuk memperoleh pangan yang
cukup, kehidupan yang normal, sehat dan produktif, baik
kualitas maupun kuantitas [1].
1
Gambar 1. Produksi Padi di Kabupaten Minahasa Tenggara
Selama ini hasil pengukuran daerah kerawanan pangan
sudah ditampilkan dalam bentuk peta seperti pada Gambar
2. Dari Gambar 2 terlihat bahwa peta daerah rawan pangan
Dibiayai dari Hibah Tim Pasca Sarjana DIKTI tahun 2013
33
A6
semua indikator kerawanan pangan kronis dengan
menggunakan pembobotan berdasarkan prosentase tiap
indikator rawan pangan [8]. Dalam FSVA dikembangkan
konsep ketahanan pangan berdasarkan tiga dimensi
ketahanan pangan (ketersediaan, akses dan pemanfaatan
pangan) dalam semua kondisi bukan hanya pada situasi
kerawanan pangan saja. Pertimbangan yang kedua, FSVA
juga bermaksud untuk mengetahui berbagai penyebab
kerawanan pangan secara lebih baik atau dengan kata lain
kerentanan terhadap kerawanan pangan, bukan hanya
kerawanan pangan itu sendiri [1].
Penelitian tentang analisis data spasial juga telah
dilakukan oleh Prasetyo [8]. Penelitian tersebut bertujuan
untuk membandingkan metode analisis dan pemetaan
wabah endemik wereng coklat pada komoditas pokok dan
hortikultura menggunakan metode autokorelasi spasial.
GISA, LISA, dan +
( # digunakan dalam
endemik pemodelan BPH. Hasil penelitian ini
menunjukkan bahwa pola
di 37 kecamatan daerah
dan pola (
di 13 kecamatan wilayah pada tahun
2001 ' 2010 dapat diklasifikasikan dengan menggunakan
metode ini. Dari perbandingan peta percobaan Moran lokal
dan +
# peta BPH percobaan pada tahun 2001, 2006
dan 2010, ditemukan bahwa indikasi hotspot pada yang
lokal Moran adalah sama sebagai indikasi pengelompokan
pada +
# didasarkan pada nilai Z (Gi) > 2 [9].
Penelitian yang lain juga dilakukan oleh Tsai PJ.
Tujuan dari penelitian tersebut adalah untuk mendeteksi
perubahan pola cluster spasial dalam masalah kesehatan
dan faktor risiko antara wanita dan pria menggunakan
%
'
dan regresi logistik di Taiwan. Dalam analisis
distribusi digunakan data kasus'kasus medis dari Taiwan
Asuransi Kesehatan Nasional (NHI), dan penduduk
pertengahan tahun rata'rata, kemudian diterapkan pada tes
Moran global dan local. Sedangkan model regresi logistik
digunakan untuk menguji karakteristik kesamaan dan
perbedaan antara pria dan wanita dan merumuskan faktor
risiko. Hasil penelitian ini menunjukkan bahwa distribusi
geografis dari (
di mana neoplasma yang lazim
ditemukan untuk berhubungan erat dengan lokasi di daerah
arseniasis'endemik Barat Daya dan Timur Laut Taiwan,
serta lokasi di daerah perkotaan Taiwan (untuk perempuan)
dan (
di Changhua dan Yunlin (untuk laki'laki).
Populasi kepadatan tinggi di daerah perkotaan
menunjukkan (
karsinogen di 3 pusat'pusat kota
utama Taiwan (yaitu, Taipei, Taichung, dan Kaohsiung)
untuk
perempuan. Dari penelitian ini dapat
disimpulkan bahwa pemetaan (
dapat membantu
mengklarifikasi isu'isu seperti aspek spasial dari masalah
kesehatan. Informasi ini sangat membantu dalam menilai
faktor risiko spasial, yang dapat membantu pelaksanaan
pelayanan kesehatan yang efektif [10].
Dalam penelitian ini, %
'
digunakan untuk
mengidentifikasi pola spasial daerah rawan pangan tahun
Indonesia masih terdapat beberapa kelemahan, antara lain
peta yang ada masih belum dapat memberikan gambaran
faktor'faktor penyebab terjadinya rawan pangan di setiap
daerah dan belum menggambarkan dinamika kejadian
dalam pola spasial berdasarkan
!
.
Gambar 2 Peta Daerah Rawan Pangan Indonesia [7]
Dalam penelitian ini digunakan
!
untuk melihat apakah indikator yang berpengaruh terhadap
rawan pangan di suatu kecamatan memiliki korelasi
dengan kecamatan yang lain dan apakah korelasi tersebut
mempengaruhi kejadian rawan pangan di suatu kecamatan.
(ESDA) merupakan
./
bagian dari proses eksplorasi dan analisis data (EDA) [4].
Prinsip kerja dari metode ini adalah membandingkan nilai
variabel tertentu pada setiap lokasi dengan nilai pada
semua lokasi lain [7].
Oleh karena itu diperlukan suatu metode pendekatan
spasial yang dapat memberikan gambaran faktor'faktor
penyebab terjadinya rawan pangan dan menggambarkan
dinamika pola spasial, yaitu Moran’s I. Penelitian ini
diharapkan dapat digunakan untuk membantu dalam
memberi rekomendasi bagi para pengambil keputusan
dalam pengambilan kebijakan peningkatan ketahanan
pangan dan penanganan daerah rawan pangan di Minahasa
Tenggara.
(
'
$
%&'&
Pemerintah Indonesia bekerjasama dengan 0
1
)
(WFP) telah menyusun peta kerawanan
pangan yaitu suatu alat untuk mengetahui daerah rawan
pangan dengan permasalahan yang melatarbelakangi
kejadian rawan pangan tersebut untuk dijadikan sebagai
bahan kebijakan bagi penanggulangan kerawanan pangan
[8]. Dalam Peta Ketahanan dan Kerentanan Pangan
Indonesia atau 1
(
2
!
,
31 2,4 digunakan 9 indikator kerawanan pangan. Peta
komposit kerawanan pangan dihasilkan dari kombinasi
34
A6
2011 dan mengetahui apakah suatu indicator yang
berpengaruh terhadap rawan pangan di suatu kecamatan
memiliki korelasi dengan kecamatan yang lain.
)
*+' $
$# +
'
'#
,
Gambar 3 menunjukkan
(
/,
antara lain [12]:
a. *
$
(berdasarkan pergerakan anak catur) :
Wilayah pengamatan bersentuhan langsung dengan
sisi'sisi wilayah tetangga sehingga akan memiliki 4
tetangga.
b. 6
$
: Wilayah pengamatan bersentuhan
langsung dengan sudut diagonal wilayah tetangga
sehingga akan memiliki 4 tetangga.
c. 7
$
: ini merupakan perpaduan dari *
dan 6
$
sehingga akan memiliki 8
tetangga.
sebagai matriks
Misalkan W dengan elemen
-
Tujuan metode ESDA, antara lain untuk mendeteksi
pola spasial yang muncul dalam himpunan data ((
), mendeteksi kemungkinan kesalahan
dalam himpunan data, merumuskan hipotesis berdasarkan
model spasial dan geografi, dan melakukan analisis
terhadap model spasial [5]. Ditinjau dari konsep
keruangan, ESDA dapat dibagi empat yaitu, visualisasi
distribusi spasial, visualisasi asosiasi spasial,
(
(
(
(LISA), dan
5
(
(
[4].
.
+ +
' & / $$ '
,
tetangga spasial. Standardisasi baris dilakukan dengan
membagi setiap elemen pada satu baris dengan jumlah
elemen di dalam baris tersebut sehingga suatu matriks W
dinyatakan dengan
berbobot spasial dengan elemen
Persamaan 1 [13] :
-
(1)
, (
(SA) dapat dibedakan
menjadi dua dimensi, dimensi pertama membagi SA
menjadi
!
dan
( . Pendekatan
!
umumnya membutuhkan pembakuan
struktur objek spasial di sekelilingnya dengan menentukan
topologi dan pembobotan setiap data hasil observasi.
Istilah distance berarti bahwa indikator jarak dihitung dari
suatu objek spasial terhadap objek spasial yang menjadi
pasangannya. Dimensi kedua membagi SA menjadi
!
dan (
(
. Global digunakan untuk menilai
interaksi spasial dalam data, yang selanjutnya dikenal
sebagai + !
(
, (
(GISA).
Sedangkan (
(
digunakan untuk menilai
asosiasi pola di sekeliling individu dan melihat sejauh
mana pola global tercermin dalam seluruh populasi yang di
observasi, selanjutnya disebut - (
(
, (
(LISA) [4].
Menurut LeSage [11], SA dibagi menjadi dua kelas,
yaitu SA satu dimensi, yaitu berdasarkan pada fungsi
tanpa disertai
, dan SA dua dimensi, berdasarkan
fungsi weight. Salah satu tahapan dalam SA adalah
membangun matriks bobot (
/) objek spasial.
Sebelum membentuk matriks bobot objek spasial harus
dilakukan perhitungan matriks kedekatan spasial (
(
/).
Gambar 3
$
%
dengan wilayah I bukan hanya tetangga tetapi bisa sebuah
daerah. Pembobot
yang merupakan berat spasial
matrik mempunyai aturan bernilai 1 apabila letak antara
lokasi dan lokasi saling berdekatan, sedangkan bernilai
0 apabila letak antara lokasi dan lokasi saling berjauhan.
0
$
Moran’s I merupakan sebuah tes statistik lokal untuk
melihat nilai autokorelasi spasial dan digunakan juga untuk
mengidentifikasi suatu lokasi dari pengelompokan spasial
[14]. Autokorelsi spasial adalah korelasi antara variabel
dengan dirinya sendiri berdasarkan ruang [15]. Metode
Moran’s I dapat digunakan untuk menentukan pola spasial
global (GISA) dan pola spasial lokal (LISA). GISA
digunakan untuk menentukan korelasi sutu variable di
dalam seluruh himpunan data yang diobservasi [16]. GISA
didefinisikan dengan Persamaan 2 :
(2)
dengan
:Jumlah kasus atau jumlah wilayah studi yang
diidentifikasi,
: Berat spasial matrik atau elemen
/,
: Nilai unit analisis ,
: Nilai unit analisis tetangga,
/ [11]
: Nilai rata'rata .
35
A6
Pembobot
terjadinya pencilan (
). Pola spasial menunjukkan
signifikan lokal (
ketika data berkarakteristik 8
8
(HH) atau (LL), sedangkan pola spasial
menunjukkan signifikan lokal
ketika data
berkarakteristik 8
(HL) atau 8
(LH).
Jumlah LISA untuk setiap wilayah studi sebanding atau
sama dengan %
' global [20].
Untuk setiap lokasi, nilai LISA memungkinkan untuk
komputasi dari kesamaannya dengan tetangga dan juga
untuk menguji signifikansinya. Lima skenario yang
mungkin adalah [21] :
' Lokasi dengan nilai tinggi akan sama dengan tetangga :
tinggi'tinggi (
"
). Juga dikenal sebagai
.
' Lokasi dengan nilai rendah akan sama dengan
tetangga: rendah ' rendah ( " ). Juga dikenal
sebagai (
.
' Lokasi dengan nilai tinggi akan sama dengan tetangga
bernilai rendah: tinggi'low (
" ). Juga dikenal
sebagai
.
' Lokasi dengan nilai rendah akan sama dengan
tetangga bernilai rendah: rendah' tinggi ( "
).
Juga dikenal sebagai
.
' Lokasi yang tidak memiliki autokorelasi spasial,
dikenal sebagai
.
yang merupakan berat spasial matrik
mempunyai aturan bernilai 1 apabila letak antara lokasi
dan lokasi
saling berdekatan, sedangkan bernilai 0
apabila letak antara lokasi dan lokasi saling berjauhan.
dapat ditampilkan dalam
kedekatan
Pembobot
((
/) yang sesuai dengan hubungan spasial
antar lokasi yang menggambarkan hubungan antar daerah.
Nilai koefisien %
'
berkisar antara '1 dan +1.
Autokorelasi akan bernilai negatif ketika bernilai antara 0
dan '1, sedangkan autokorelasi akan bernilai positif ketika
bernilai antara 0 dan +1. Nilai %
' yang negatif dan
positif memiliki asosiasi secara spasial dengan wilayah
sekelilingnya [17]. Nilai ekspektasi Moran’s I [18]
ditunjukkan pada Persamaan 3 :
(3)
Table 1 menunjukkan pola spasial yang dibentuk oleh
persamaan 3. Apabila nilai I > E(I), maka autokorelasi
bernilai positif. Hal ini berarti bahwa pola data membentuk
kelompok ((
). Pola data acak (
) terbentuk
apabila I = E(I), artinya tidak terdapat autokorelasi spasial.
Jika I < E(I), maka autokorelasi bernilai negatif, artinya
pola data menyebar [19].
Table 1. Pola Spasial Moran’s I
Pola spasial
Cluster
Random
Dispersed
Moran’s I
I > E(I)
I = E(I)
I < E(I)
2
Kerawanan pangan merupakan persoalan multi'
dimensional yang tidak menyangkut produksi dan
ketersediaan pangan saja. Dalam penelitian ini digunakan 9
indikator dengan berpedoman pada pemetaan ketahanan
dan kerentanan pangan yang dilakukan oleh Badan
Ketahanan Pangan dan WFP [2], yang dikelompokkan ke
dalam 3 aspek/dimensi ketahanan pangan yaitu: Dimensi
ketersediaan pangan, akses pangan, dan pemanfaatan
pangan. Ketiga dimensi tersebut memiliki pengaruh yang
sangat besar terhadap terjadinya kerawanan pangan yang
bersifat kronis ((
(
(
) yang memerlukan
penanganan jangka panjang. Indikator ketahanan Pangan
berdasarkan kebijakan pengembangan ketersediaan pangan
oleh Departemen Pertanian dapat dilihat pada tabel
1(Lampiran).
Berdasarkan 5 indikator rawan pangan, maka untuk
menentukan daerah rawan pangan dapat dihitung
menggunakan rumus di bawah ini [8] :
1. Ketersediaan pangan dengan Indikator Konsumsi
Normatif Per Kapita terhadap Rasio Ketersediaan
Bersih Serelia
LISA adalah perangkat untuk penentuan asosiasi
spasial pada setiap wilayah penelitian. Metode LISA dapat
menunujukkan wilayah pemusatan atau pencilan fenomena
spasial pada suatu wilayah [20]. LISA dapat didefinisikan
dengan $ 1
0:
,5dengan
: Nilai unit analisis ,
: Nilai rata'rata variabel ,
: Nilai unit analisis tetangga,
: Banyaknya kasus atau banyaknya wilayah studi
yang diidentifikasi,
: Berat spasial matrik atau elemen
/.
Autokorelasi spasial lokal dapat ditentukan dengan
analisis
%
(
dan
LISA.
LISA
divisualisasikan menggunakan peta yang digunakan untuk
menunjukkan lokasi daerah studi yang signifikan statistik
terjadinya pengelompokan nilai atribut ((
) atau
(4)
36
A6
3
Penelitian ini, dibagi menjadi tiga tahapan, yaitu :
1. Pemrosesan data penelitian
Data input berupa data prosentase sembilan indikator
rawan pangan, yakni data KDA yang sudah dihitung
berdasarkan FSVA. Data input dalam bentuk .csv dan
data peta berbentuk .shp. Data yang digunakan untuk
analisis adalah data tahun 2011.
2. Analisis pola spasial
Dalam penelitian ini digunakan metode Moran’s I yang
terdiri dari dua bagian, yaitu GISA dan LISA.
Langkah'langkah dalam perhitungan Moran’s I:
a. Melakukan perhitungan spasial weight matriks,
dengan menentukan spasial (
/.
b. Menghitung GISA, dan nilai E(I). GISA
digunakan untuk menentukan korelasi ((
) suatu indikator di dalam
seluruh wilayah yang diobservasi.
c. Menghitung LISA. LISA digunakan untuk
menentukan pola spasial (
(
) setiap kecamatan yang divisualisasikan
dalam bentuk peta. Peta tersebut menggambarkan
daerah rawan pangan 2011.
3. Analisis hasil penelitian
Hasil penelitian ini berupa informasi geografis daerah
rawan pangan, yang terdiri dari peta LISA dan peta
(
. Peta (
adalah hasil
dari
peta LISA setiap tahun, yang menggambarkan daerah
rawan pangan di kabupaten Minahasa Tenggara.
dimana
produksi : penjumlahan produksi padi, jagung, dan ubi
kayu,
Y
: ketersediaan bersih serelia pokok per kapita
per hari,
Z
: konsumsi normative per kapita,
dengan
Z ≥ 1,50
= defisit tinggi,
1,25 – 1,50 = defisit sedang,
1,00 – 1,25 = defisit rendah,
0,75 – 1,00 = surplus rendah,
0,50 – 0,75 = surplus sedang,
< 0,50
= surplus tinggi.
2.
Akses Pangan dan Mata Pencaharian
(5)
dimana
x : jumlah keluarga pra sejahtera,
y : jumlah keluarga dalam satu kecamatan,
dengan
Z ≥ 35%
= sangat rawan,
25 – 35%
= rawan,
20 – 25%
= agak rawan,
15 – 20%
= cukup tahan,
10 – 15%
= tahan,
0 – 10%
= sangat tahan.
3.
Kesehatan dan Gizi
Indikator Angka Harapan Hidup pada saat lahir
(AHH)
Jika AHH :
> 7
5'7
3'5
5 km dari
puskesmas, dimana
x = jumlah desa yang > 5km dari puskesmas,
y = jumlah desa dalam satu kecamatan.
dengan
Z ≥ 60%
= sangat rawan,
50 – 60%
= rawan,
40 – 50%
= agak rawan,
30 – 40%
= cukup tahan,
20 – 30%
= tahan,
≤ 20%
= sangat tahan.
Data map .shp
Proses
GISA
LISA
Visualisasi
Peta LISA
!
,
Gambar 4 Desain dan Arsitektur Model
37
A6
(
/, yaitu perhitungan matriks tetangga
dengan membagi sembarang bagian dari batasan umum
wilayahnya seperti ditunjukkan pada Gambar 5.
(
/ digunakan untuk menggambarkan
hubungan antar kecamatan dengan prinsip ketetanggaan,
apakah kejadian rawan pangan di suatu kecamatan
dipengaruhi oleh kecamatan di sekitarnya. Apabila suatu
kecamatan saling terhubung dengan garis merah, maka
pada kecamatan tersebut bernilai 1. Apabila suatu
nilai
Gambar 4 menunjukkkan desain dan arsitektur model
penelitian. Secara umum arstitektur model dapat dilihat
dalam tiga bagian besar, yaitu :
1. Data berisi data penelitian dalam bentuk .csv yang
meliputi: (1) data RKN tahun 2011, (2) data
prosentase penduduk pra sejahtera tahun 2011, (3)
Angka harapan hidup pada saat lahir tahun 2011, (4)
Prosentase perempuan buta huruf tahun 2011, (5)
Prosentase rumah tangga yang tinggal lebih dari 5 km
dari fasilitas kesehatan tahun 2011.
2. Proses berisi analisis spasial yang digunakan yakni
!
, GISA dan LISA.
3. Visualisasi digunakan untuk memvisualisasikan output
penelitian yakni peta LISA.
kecamatan tidak saling terhubung, maka nilai
= 0.
5
Tujuan penelitian ini adalah mengidentifikasi daerah
rawan pangan di Kabupaten Minahasa Tenggara dan
mengetahui bagaimana korelasi sembilan indikator antar
kecamatan. Tahap pertama yang dilakukan adalah
menghitung prosentase masing'masing indikator sesuai
pedoman FSVA. Hasil perhitungan indikator RKN 2011
ditunjukkan pada Tabel 2. Jumlah produksi yang
digunakan dalam menghitung RKN adalah jumlah
produksi (ton) dari padi, jagung, dan ubi kayu. Kolom jml
menunjukkan jumlah produksi per ton. Kolom total adalah
hasil perhitungan jml yang dibagi dengan hasil perkalian
jumlah penduduk dengan 360 hari. Kemudian didapatkan
angka RKN yakni dengan membagi konsumsi normatif
serealia per hari (300 gram) dengan nilai yang ada dalam
kolom total.
Gambar 5 9
padi
sawah
padi
ladang
jagung
ubi
kayu
jml
prod
jml
(ton)
jml
pend
total
rasio
Ratatotok
184
268
4241
322
5015
5015
12254
1136.82
0.26
Pusomaen
1769
121
4684
198
6772
6772
8312
2263.13
0.13
Belang
3616
160
5503
283
9562
9562
15396
1725.20
0.17
Ratahan
4613
92
2775
204
7684
7684
12301
1735.18
0.17
Pasan
2071
122
2417
186
4796
4796
6668
1997.93
0.15
ratahan
timur
776
167
1443
264
2650
2650
5610
1312.14
0.23
Tombatu
5993
334
1753
364
8444
8444
9110
2574.70
0.12
8165
138
2775
251
11329
11329
8537
3686.24
0.08
3842
0
1924
332
6098
6098
7760
2182.85
0.14
tombatu
timur
tombatu
utara
Touluaan
2073
103
1803
904
4883
4883
6287
2157.45
0.14
touluaan
selatan
243
600
1515
742
3100
3100
4125
2087.54
0.14
silian raya
2493
0
1123
519
4135
4135
5215
2202.51
0.14
(
/ Kab. Minahasa Tenggara
Hasil perhitungan GISA berupa nilai indeks Moran
pada lima indikator rawan pangan. Nilai indeks Moran
pada tahun 2011 pada lima indikator menunjukkan tingkat
korelasi spasial yang tergolong tinggi. Lima indikator
membentuk pola cluster. hal ini berarti kecamatan yang
berdekatan memiliki pengaruh antara satu dengan lainnya.
Sedangkan indikator yang memiliki pola spasial random,
artinya kecamatan yang berdekatan tidak memiliki
pengaruh antara satu dengan lainnya. Korelasi antar
wilayah yang paling tinggi (mendekati +1) dimiliki oleh
indikator RKN, dengan indeks Moran sebesar 1,71. Indeks
ini berpotensi memiliki pola spasial memusat (cluster).
Artinya, RKN di wilayah kecamatan yang saling
berdekatan di Kabupaten Minahasa Tenggara masih saling
memberi pengaruh antar satu dengan yang lainnya.
Tabel 2 Hasil Perhitungan RKN 2011
KEC.
(
Table 3. Hasil perhitungan GISA sembilan indikator rawan pangan
Tahun
2011
Indikator
RKN
Pra sejahtera
Buta huruf
AHH
Faskes
Indeks Moran (I)
1.71
0.02
0.17
1.12
'0.05
Pola spasial
Cluster
Dispersed
Cluster
Cluster
Random
Berdasarkan Table 3, indikator RKN tahun 2011
membentuk pola (
karena nilai indeks moran lebih
besar dari nilai ekspektasinya. Gambar 6 merupakan peta
LISA RKN 2011. Dari Gambar 6, terlihat bahwa terdapat
pola spasial cluster (mengelompok dan saling berkorelasi)
Dari data tersebut dilakukan perhitungan
/, dalam penelitian ini digunakan 9
38
A6
di kecamatan Tombato yang ditandai dengan warna merah,
yang merupakan wilayah
(8 "8 ) dan Ratahan
Timur yang ditandai dengan warna biru, yang merupakan
wilayah (
(- "- ). Kecamatan Tombato
termasuk ke dalam wilayah
karena kecamatan ini
memiliki prosentase RKN yang tinggi, dan dikelilingi oleh
kecamatan yang mempunyai prosentase RKN tinggi juga.
Kecamatan yang termasuk kategori
merupakan
kecamatan rawan pangan. Sehingga kecamatan ini dapat
menjadi fokus pemerintah dalam upaya peningkatan
kesejahteraan penduduk. Selain itu, terdapat kecamatan
yang memiliki nilai 8 "yakni kecamatan Touluaan
(ditandai dengan warna hijau muda). Hal ini menunjukkan
bahwa prosentase penduduk RKN di kecamatan Touluaan
termasuk tinggi, sedangkan prosentase di wilayah
sekelilingnya rendah.
di Kabupaten Minahasa Tenggara tahun 2011 antara lain,
Prosentase RKN dan prosentase AHH.
Ucapan terimakasih disampaikan kepada Dr. Wiranto H.
Utomo dan Sri Yulianto, M.Kom. atas bimbingan yang
diberikan selama menyusun Tesis yang terkait dengan
metode yang digunakan dalam paper ini.
Ucapan terima kasih disampaikan kepada Dirjen DIKTI
atas pendanaan yang diberikan melalui hibah penelitian
Tim Pascasarjana tahun anggaran 2013.
[1] Departemen Pertanian, 2010, Pusat Ketersediaan dan
Kerawanan Pangan 2010, Kebijakan Pengembangan
Ketersediaan Pangan. Bahan Paparan Workshop Dewan
Ketahanan Pangan, 20'22 September 2010.. Jakarta.
[2] Departemen Pertanian, 2009, Pusat Ketersediaan dan
Kerawanan Pangan 2009, Kebijakan Pengembangan
Ketersediaan Pangan. Bahan Paparan Workshop Dewan
Ketahanan Pangan, September 2009. Jakarta.
[3] Anselin, 1998, GIS Reseach Infrastructure for Spatial
Analysis of Real Estate Markets, :
8
*
( , Volume 9, Issue 1.
[4] Zhang D., Mao X., dan Meng L., 2009, A Method Using
ESDA to Analyze The Spatial Distribution Patterns of
Cultural Resource, The International Archives of The
Photogrammetry, *
( ( , Vol. 38, Part II.
[5] Arrowiyah, Sutikno, 2009, Spatial Pattern Analysis
Kejadian Penyakit Demam Berdarah Dengue Informasi
Early Warning Bencana di Kota Surabaya, Institut
Teknologi Surabaya.
[6] Harvey dkk, 2008, The North American Animal Disease
Spread Model: A simulation model to assist decision
making in evaluating animal disease incursions, ) 5
5
2
% ( , Vol 82, Halaman 176'197.
[7] Departemen Pertanian, 2009, )
)
31
(
, 4, Pusat Kewaspadaan
Pangan, Badan Ketahanan Pangan, September 2009,
(http://www.foodsecurityatlas.org/idn/country/fsva'
2009'peta'ketahanan'dan'kerentanan'pangan'
indonesia/bab'1'pendahuluan).
[8] Prasetyo, S. Y, 2010, Endemic Outbreaks of Brown
Planthopper in Indonesia Using Exploratory Spatial Data
Analysis.
:
$
( (
,
Vol. 9, Issue 5, No 1, September 2010.
[9] Tsai PJ, 2012, Application Of Moran's Test With An
Empirical Bayesian Rate To Leading Health Care Problems
In Taiwan In A 7'Year Period (2002'2008). + ! : 8
( , 4 Juli 2012, 4(5):63'77.
[10] Chen Y., 2010 #
1
0
1 (
$
% /, Department of Geography,
College of Environmental Sciences, Peking University,
Beijing.
Gambar 6. Peta LISA RKN 2011
1+&'
Berdasarkan konsep
!
menggunakan
Metode %
' , yang termasuk daerah rawan pangan di
Kabupaten Minahasa Tenggara tahun 2011 adalah
kecamatan Pasan, dan Tombato.
Konsep
!
dapat digunakan sebagai
indikator korelasi secara spasial wilayah rawan pangan di
suatu kecamatan terhadap kecamatan yang lain. Hal ini
ditandai dari besar Indeks Moran's lima indikator rawan
pangan di Kabupaten Minahasa Tenggara yang mendekati
+1. Hal ini berarti lima indikator tersebut mempunyai
korelasi yang tinggi. Berdasarkan Indeks Moran's,
indikator yang memiliki pengaruh terhadap rawan pangan
39
A6
[11] LeSage, J. P., 1999,
) ( (
(
.(
( , Department of Economics, University of
Toledo.
[12] Vitton, P., 2010,
.(
( %
,
City and Regional Planning.
[13] Cliff, A.D., & Ord J. K., 1973,
, (
London:Pion. http://www.deepdyve.com/lp/sage/cliff'a'd'
and'ord'j'k'1973'spatial'autocorrelation'london'pion'
vtW4ntr0kR
[14] Lembo A.J., 2006,
, (
Cornell
University.
http://www.css.cornell.edu/courses/620/lecture9.ppt
[15] Dormann C. F., McPherson J.M.,2007, Methods to Account
for Spatial Autocorrelation in the Analysis of Species
Distributional Data : , 5
.(
30 : 609628,
2007, doi: 10.1111/j.2007.0906'7590.05171.x
[16] Puspitawati Dewi, 2012. Pemodelan Pola Spasial Demam
Berdarah &
di Kabupaten Semarang Menggunakan
Fungsi %
'
Fakultas Teknologi Informasi,
Universitas Kristen Satya Wacana.
[17] Lee, J., Wong D. W. S., 2001,
( ,
, (5
+ John Wiley and Sons, New York.
[18] Celebioglu dan Dall’erba, 2010, Spatial Disparities across
The Regions of Turkey : on exploratory spatial data
analysis, ,
*
( (2010) 45: 379'400, DOI
10.1007/s00168'009'0313'8.
[19] Anselin, L., 1995, Local Indicators of Spatial Association'
LISA +
( ,
, Vol. 27, No. 2 (April 1995)
Ohio State University Press.
[20] Oliveau, S., Guilmoto, C. Z., 2005, Spatial Correlation And
Demography. Exploring India’s Demographic Patterns,
";;2$ $
<
& - )
=
1 ( (2005)".
6 memperoleh gelar Sarjana Komputer
di Fakultas Teknologi Informasi, FTI UKSW pada tahun 2011.
Saat ini sedang menyelesaikan tesisnya di bidang Sistem
Informasi di universitas yang sama.
! , memperoleh gelar Sarjana Matematika dari
UGM tahun 1991, Master di bidang Matematika diperoleh di
Vrije Universiteit Amsterdam pada tahun 1997
dan doktor diperoleh di Vrije Universiteit pada tahun 2007. Saat
ini sebagai dosen pada prodi Matematika Fakultas Sains dan
Matematika UKSW
"
#
, memperoleh gelar Sarjana Statistika dari Fakultas
MIPA Institut Pertanian Bogor pada tahun 1985. Kemudian
tahun 1993 memperoleh gelar Magister Komputer dari Fakultas
Ilmu Komputer, Universitas Indonesia Jakarta. Doktor Ilmu
Komputer di peroleh tahun 2006 pada universitas yang sama.
Jabatan akademik Guru Besar di bidang Ilmu Informatika di
peroleh di UKSW pada tahun 2008. Saat ini menjabat sebagai
ketua program studi Magister Sistem Informasi, Universitas
Kristen Satya Wacana, Salatiga.
40
A6
LAMPIRAN
No
Indikator
5
Persentase
rumah
tangga yang
tinggal lebih
dari 5 km
dari fasilitas
kesehatan
Tabel 1. Indikator Ketahanan Pangan [2]
No
A
1
B
2
C
3
4
Indikator
Definisi dan Perhitungan
Ketersediaan Pangan
' Konsumsi
normatif serealia
Rasio
adalah 300 gr/kapita/hari.
konsumsi
' Ketersediaan bersih padi, jagung,
normatif
ubi kayu dihitung dari rata'rata
terhadap
produksi padi, jagung, ubi kayu
ketersediaan
tahun 2006'2010 dan dikonversi
bersih (padi,
ke Pangan Setara Beras (PSB).
jagung, ubi
' Data serealia dari perdagangan
kayu)
dan impor tidak diperhitungkan
karena ketiadaan data.
' Rasio konsumsi diperoleh dari
membagi ketersediaan PSB per
kecamatan dengan konsumsi
normatif
serealia
penduduk
dalam setahun.
' Rasio
konsumsi
normatif
terhadap ketersediaan bersih
serealia dengan nilai 1 adalah
defisit pangan.
Akses Pangan
Persentase
' Persentase penduduk yang hidup
penduduk
di bawah garis kemiskinan
yang hidup
menggunakan data rata'rata KK
di
bawah
Miskin 5 tahun (2005'2009).
garis
' Persentase KK Miskin dengan
kemiskinan
nilai 20% buruk.
Pemanfaatan Pangan
' Perkiraan lama hidup bayi baru
Angka
lahir.
harapan
hidup pada ' Data yang digunakan adalah
Angka Harapan Hidup (AHH)
saat lahir
Kabupaten Minahasa Tenggara
sehingga nilainya sama untuk
setiap kecamatan.
' Nilai AHH >64 tahun adalah
baik dan