7

BAB 2

LANDASAN TEORI

2.1 Pemodelan Spasial

Pemodelan spasial adalah pemodelan yang berhubungan dengan pendekatan

titik dan area. Tahapan untuk melakukan pemodelan spasial adalah regresi linear

berganda, uji asumsi residual, uji multikolinearitas, model spasial, Spatial

Autoregressive Model (SAR), Spatial Error Model (SEM), dan Uji Lagrange

Multiplier (LM).

2.1.1 Regresi

Regresi adalah persamaan matematik yang menjelaskan hubungan variabel

respon dan variabel prediktor. Dalam analisis regresi terdapat dua variabel, yaitu

variabel respon dan variabel prediktor. Variabel respon disebut juga variabel

dependen yang dipengaruhi oleh variabel lainnya, dinotasikan dengan Y. Variabel

prediktor disebut dengan variabel independen yaitu variabel bebas yang dinotasikan

degan X. Berdasarkan hubungan-hubungan antar variabel bebas, regresi linear

teridiri dari dua, yaitu analisi regresi sederhana dan analisis regresi berganda.

Berdasarkan kelinearan data pada model regresi dikelompokkan menjadi dua

macam, yaitu regresi linear dan regresi non linear. Dikatakan regresi linear apabila

hubungan antara peubah prediktor dan peubah respon adalah linear. Sedangkan

regresi dikatakan non linear apabila hubungan antara peubah prediktor dan peubah

respon tidak linear.

8

2.1.2 Regresi Linear Berganda

Regresi linear berganda adalah analisis regresi yang menjelaskan hubungan

antara peubah respon dengan faktor-faktor yang mempengaruhinya lebih dari satu

prediktor (Andra, 2007: 8). Secara umum model regresi linear berganda sebagai

berikut :

∑=

++=k

jiijji xy

10 εββ

(2.1)

Keterangan :

y i : variabel respon pada pengamatan ke-i (i = 1,2,…,n)

β0 : konstanta

βj : parameter regresi ke- j(j = 1,2,...,k)

x ij : variabel prediktor ke- j pada pengamatan ke -i

ε : residual dengan asumsi identik, independen, dan berdisribusi

normal dengan mean nol dan varians σ2

n : banyaknya amatan atau lokasi (k+1)

Dalam bentuk matriks dapat diuraikan sebagai berikut :

(2.2)

dimana :

;

;

9

2.1.3 Uji Asumsi Residual

Apabila dalam analisis regresi tidak didasarkan pada asumsi residual, maka

akan mengakibatkan hasil pendugaan regresi tidak sesuai. Asumsi residual dalam

model regresi harus memenuhi kriteria identik, independen, berdistribusi normal

(Manurung, 2007: 66-70). Pemodelan regresi klasik dengan Ordinary Least Square

(OLS) sangat ketat terhadap beberapa asumsi. Apabila ada asumsi yang tidak

terpenuhi, maka terdapat indikasi adanya pengaruh spasial (Andra, 2007: 52).

Untuk melakukan analisis regresi diperlukan asumsi-asumi residual yang

harus dipenuhi di antaranya adalah :

1. Asumsi identik merupakan salah satu asumsi residual yang penting dari model

regresi. Varians residual harus bersifat homoskedastisitas atau varians residual

bersifat identik tidak membentuk pola tertentu. Beberapa uji yang dapat

digunakan untuk menguji asumsi identik adalah uji Glejser, park test, plot of

residual and fit.

Hipotesis untuk uji Glejser adalah sebagai berikut:

H0: residual identik

H1: residual tidak identik

Statistik Uji:

MSE

MSRFhitung = (2.3)

dimana :

( )k

ee

MSR

n

ii

−=∑

=1

2ˆ

;

( )1

ˆ1

2

−−

−=∑

=

kn

ee

MSE

n

iii

10

Pengambilan keputusan adalah Fhitung > Fα(k, n-k-1) maka tolak H0 pada tingkat

signifikansi α, artinya bahwa residual tidak identik. Pengambilan keputusan juga

dapat melalui P-value dimana tolak H0 jika P-value < α.

2. Asumsi saling bebas (Independent) atau uji autokorelasi residual, yang

dilakukan untuk mengetahui apakah ada korelasi antar residual. Beberapa

pengujian yang dapat dilakukan untuk menguji asumsi independen adalah uji

Durbin-Watson dan plot Autocorrelation Function (ACF).

Hipotesis untuk uji Durbin-Watson adalah sebagai berikut:

tidak ada korelasi residual

ada korelasi residual

Statistik uji:

( )∑

∑

=

= −−=

n

i i

n

i ii

hitunge

eed

1

2

1

21

(2.4)

Pengambilan keputusan adalah tolak H0 jika dhitung ≤ dL,α/2 atau dL,α/2 ≤ (4 –

dhitung) ≤ dL,α/2, artinya terdapat autokorelasi antar asumsi residual atau asumsi

independen tidak terpenuhi (Rahayu, 2009: 30).

3. Asumsi normal digunakan untuk mengetahui apakah residual berdistribusi

normal. Jika asumsi kenormalan tidak terpenuhi, estimasi OLS tidak dapat

digunakan. Beberapa pengujian yang dapat dilakukan untuk asumsi distribusi

normal adalah Anderson Darling, Kolmogorov-Smirnov, Jarque-Bera test, dan

Skewnes-Kurtosis.

Hipotesis untuk uji Kolmogorov-Smirnov adalah sebagai berikut:

H0: residual berdistribusi normal

H1: residual tidak berdistribusi normal

11

Statistik uji:

)()(0 xSxFmaksD N−= (2.5)

Dimana F0(x) adalah fungsi distribusi kumulatif teoritis dan SN(x) = i/n,

merupakan fungsi peluang kumulatif pengamatan dari suatu sampel random

dengan i adalah pengamatan dan n adalah banyaknya pengamatan. Pengambilan

keputusan adalah tolak H0 jika |D| > q (1- α), dimana q adalah nilai berdasarkan

tabel Kolmogorov-Smirnov, artinya residual tidak berdistribusi normal dan

asumsi normal tidak terpenuhi. Pengambilan keputusan dapat dilihat dari nilai P-

value, tolak H0 jika P-value < α.

2.1.4 Uji Multikolinearitas

Multikolinearitas artinya ada korelasi yang kuat antara beberapa atau semua

variabel prediktor (Wijaya, 2008: 5). Uji ini bertujuan untuk menguji apakah dalam

model regresi ditemukan adanya korelasi antara variabel prediktor. Cara mendeteksi

adanya multikolinearitas adalah dengan melihat nilai tolerance dan variance inflation

factor (VIF) dari hasil analaisis dengan R language. Apabila nilai VIF lebih kecil

daripada 10 maka dapat disimpulkan tidak terjadi multikolinearitas (Putri, 2013: 38).

2.1.5 Model Spasial

Berdasarkan tipe data, pemodelan spasial dapat dibedakan menjadi

pemodelan dengan pendekatan titik dan area. Jenis pendekatan titik diantaranya

Geographically Weighted Regression (GWR), Geographically Weighted Poisson

Regression (GWPR), Geographically Weighted Logistic Regression (GWLR),

Space-Time Autoregressive (STAR), dan Generalized Space TimeAutregressive

(GSTAR). Menurut LeSage (2011), Jenis pendekatan area diantaranya Mixed

12

Regressive-Autoregressive atau Spatial Autoregressive Models (SAR), Spatial Error

Models (SEM), Spatial Durbin Model (SDM), Conditional Autoregressive Models

(CAR), Spatial Autoregressive Moving Average (SARMA), dan panel data.

Pemodelan spasial sangat erat dengan proses autoregressive, ditunjukkan

dengan adanya hubungan ketergantungan antar sekumpulan pengamatan atau lokasi.

Hubungan tersebut juga dapat dinyatakan dengan nilai suatu lokasi bergantung pada

nilai lokasi lain yang berdekatan atau bertetanggaan (neighboring). Misalnya

terdapat 2 lokasi yang bertetanggaan i=1 dan j=2, maka bentuk modelnya dinyatakan

sebagai berikut (LeSage, 2009: 2) :

iii βXyy εα ++= ji

jjj βXyy εα ++= ij

),0(~ 2σε Ni

),0(~ 2σε Nj

(2.6)

Persamaan (2.6) tersebut merupakan proses simultaneous data, dimana nilai yi

bergantung pada yj begitu juga sebaliknya. Persamaan (2.6) dapat digeneralisasikan

menjadi pengamatan atau lokasi yang lebih besar. Misalnya i=j=3 maka menjadi

(LeSage, 2009: 8) :

iikiji βXyyy εαα +++= kji ,,

jjkjij βXyyy εαα +++= kik ,,

kkjkik βXyyy εαα +++= jil ,,

),0(~ 2σε Ni

),0(~ 2σε Nj

),0(~ 2σε Nk (2.7)

13

Proses autoregressive dapat dianalogikan pada model umum spatial

autoregressive seperti pada persamaan berikut :

(2.8)

dengan :

; ),0(~ 2Iε σN (2.9)

dimana:

y = vektor variabel respon (n x 1)

X = matrik variabel prediktor (n x (k+1))

u = vektor error pada persamaan (2.8) berukuran n x 1

ε = vektor error pada persamaan (2.9) berukuran n x 1

Model u mempunyai error yang berdistribusi normal dengan mean nol dan

varians σ² I. Parameter yang di estimasi adalah β, ρ dan λ . ρ adalah parameter

koefisien spasial lag variabel dependen dan λ adalah parameter koefisien spasial lag

pada error. n adalah banyaknya amatan atau lokasi (i = 1, 2, 3, …, n) dan k adalah

banyaknya variabel prediktor (k = 1, 2, 3, …, l). Pengaruh spasial antar lokasi dalam

model dibentuk dalam matrik pembobot 1W , 2W yang berukuran n x n.

Dalam bentuk matrik sebagai berikut :

[ ]Tyyy n21 ...=y ; [ ]Tuuu n21 L=u ; [ ]Tεεε n21 L=ε

14

=

lxxx

x

xxx

xxx

nn2n1

ik

k22221

k11211

1

1

1

L

MMMM

L

L

X ;

=

lβ

β

β

β

M

M

k

2

1

0β

β

1W atau 2W

=

nn3n2nn1

ij

n2231321

1n131211

wwww

w

wwww

wwww

L

MMMM

L

L

=

1000

0010

0001

L

MOMMM

L

L

I

(2.10)

2.1.6 Spatial Autoregressive Model (SAR)

Menurut Anselin (1988), Model Spatial Autoregresive adalah model yang

mengkombinasikan model regresi sederhana dengan lag spasial pada variabel

dependen dengan menggunakan data cross section. Model spasial autoregressive

terbentuk apabila W2 = 0 dan λ = 0 , sehingga model ini mengasumsikan bahwa

proses autoregressive hanya pada variabel respon (Lee dan Yu, 2010). Model umum

SAR ditunjukan oleh persamaan sebagai berikut :

(2.11)

),0(~ 2Iε σN

Model ini adalah pengembangan dari model autoregressive order pertama,

dimana variabel respon selain dipengaruhi oleh lag variabel respon itu sendiri juga

dipengaruhi oleh variabel prediktor. Proses autoregressive juga memiliki kesamaan

dengan analisis deret waktu seperti pada model spasial autoregressive order pertama.

15

Perkembangan dari model SAR itu sendiri adalah model SAC dan SARMA (LeSage,

2009: 32).

Model ini dapat di aplikasikan dalam bidang pendidikan. Salah satu

penelitian yang menggunakan spasial SAR adalah Model Regresi Spasial Untuk

Anak Tidak Bersekolah Usia Kurang 15 Tahun Di Kota Medan (Rati, Nababan, dan

Sutarman, 2013). Penelitian ini dilakukan untuk menentukan model anak tidak

bersekolah usia 15 tahun di Kota Medan menggunakan regresi spasial, menganalisis

faktor-faktor yang mempengaruhinya serta mengkaji efektifitas metode regresi

spasial. Kelebihan dari model Spatial Aoutoregresive adalah model ini tepat

digunakan untuk pola spasial dengan pendekatan area.

Menurut Anselin (1988), Untuk mengetahui model SAR ini konsisten, maka

dikembangkan model estimasi parameter dengan maximum likelihood. Model

maximum likelihood dapat digunakan pada spasial SAR, SEM, SDM, SAC. Rumus

umum dari maximum likelihood adalah sebagai berikut (A’yunin, 2011: 3-4) :

(2.12)

Nilai awal untuk β tergantung pada parameter autoregressive ρ. Maka hasil

estimasi untuk nilai β adalah sebagai berikut:

(2.13)

16

Sedangkan fungsi logaritma natural untuk mengestimasi adalah:

(2.14)

Selanjutnya estimasi parameter didapatkan dengan optimalisasi sebagai

berikut :

(2.15)

dengan :

dan

2.1.7 Spatial Error Model (SEM)

Spatial Error Model merupakan model spasial error dimana pada error

terdapat korelasi spasial, model ini dikembangkan oleh Anselin (1988). Model

spasial error terbentuk apabila W1 = 0 dan ρ = 0, sehingga model ini

mengasumsikan bahwa proses autoregressive hanya pada error model. Model umum

SEM ditunjukan dengan persamaan :

(2.16)

17

),0(~ 2Iε σN

Dimana λW₂u menunjukkan spasial struktur λW₂ pada spatially dependent

error (ε). Model ini dapat dikembangkan ke dalam model lain, contoh model hasil

dari pengembangan spatial error model adalah spatial durbin error model (SDEM).

Pengembangan dari model SEM ini dapat di aplikasikan dalam bidang ekonomi.

Salah satu penelitian dalam bidang ekonomi untuk model SEM adalah Model

Regresi Spasial untuk Deteksi Faktor-faktor Kemiskinan di Provinsi Jawa Timur

(Arisanti, 2011). Penelitian ini dilakukan untuk menentukan faktor-faktor yang

mempengaruhi kemiskinan dengan model regresi spasial. Kelebihan dari model SEM

adalah memberikan model yang lebih baik untuk pengamatan yang saling

berhubungan.

Untuk estimasi parameter maximum likelihood model SEM mempunyai

rumus sebagai berikut:

(2.17)

Untuk menduga parameter λ diperlukan suatu iterasi numerik untuk

mendapatkan pendugaannya yang memaksimalkan fungsi log likelihood (Arisanti,

2011: 24)

2.1.8 Uji Lagrange Multiplier (LM)

Uji Lagrange Multiplier (LM) digunakan sebagai dasar untuk memilih model

regresi spasial yang sesuai (LeSage, 2009: 156). Tahapan pertama dalam uji ini

adalah melakukan pembuatan model regresi sederhana melalui Ordinary Least

Square (OLS). Kemudian dilakukan identifikasi keberadaan model spasial dengan

menggunakan uji LM. Apabila LMerror signifikan maka model yang sesuai adalah

18

SEM, dan apabila LMlag signifikan maka model yang sesuai adalah SAR. Apabila

keduanya signifikan maka model yang sesuai adalah Spatial Autoregressive Moving

Average (SARMA). Uji Robust Lagrange Multiplier juga dilakukan ketika keduanya

signifikan. Uji ini terdiri dari Robust LM error dan Robust LM lag.

Uji Lagrange Multiplier terdiri dari LMlag danLMerror. LM lag digunakan untuk

identifikasai model SAR, selain itu dapat juga untuk model SDM.

Hipotesis yang digunakan pada LMlag adalah :

H0: ρ = 0 (tidak ada dependensi spasial lag)

H1: ρ ≠ 0 (ada dependensi spasial lag)

Statistik uji :

( ) ( )( )2

211

2

21

s

Ts

sLM

T

T

lag +

=X βWMX βW

yWe

(2.18)

dimana :

T1T XX)X(XIM −−=

( )( )111 WWW += TtrT

ns

Tee=2

Pengambilan keputusan, adalah Ho ditolak jika LMlag >2

)1,(αχ atau P value <

α. Matrik W1 adalah matrik pembobot pada persamaan (2.8). β adalah estimasi

parameter dari model regresi OLS.

Sedangkan uji Lagrange Multiplier Error (LMerror) digunakan untuk

identifikasai model SEM.

19

Hipotesis yang digunakan pada LMerror adalah :

H0 :λ = 0 (tidak ada dependensi spasial error)

H1:λ ≠ 0 (ada dependensi spasial error)

TLM

T

error

2

2

2

=σ

eWe

(2.19)

dimana :

( )( )222 WWW += TtrT

Pengambilan keputusan, adalah Ho ditolak jika LMerror >2

)1,(αχ atau P value <

α. Matrik W2 adalah matrik pembobot pada persamaan (2.9).

2.2 Pola Spasial

Menurut Lee dan Wong (2011), “Pola spasial adalah sesuatu yang

berhubungan dengan penempatan atau susunan benda-benda di permukaan bumi”.

Setiap perubahan pola spasial akan mengilustrasikan proses spasial yang ditunjukkan

oleh faktor lingkungan atau budaya. Menurut McGarigal dan Marks dalam Harris

et.al (2011), pola spasial adalah sebuah parameterisasi kuantitatif dari komposisi dan

konfirgurasi obyek spasial.

Pola spasial menjelaskan tentang bagaimana fenomena geografis terdistribusi

dan bagaimana perbandingan dengan fenomena-fenomena lainnya. Dalam hal ini,

spasial statistik merupakan alat yang banyak digunakan untuk mendeskripsikan dan

menganalisis pola spasial, yaitu bagaimana objek-objek geografis terjadi dan berubah

20

di suatu lokasi. Selain itu juga dapat membandingkan pola objek-objek yang

ditemukan di lokasi lain.

Pola spasial dapat ditunjukkan dengan autokorelasi spasial. Autokorelasi

spasial adalah penilaian korelasi antar pengamatan pada suatu variabel. Jika

pengamatan X1, X2, …, Xn menunjukkan saling ketergantungan terhadap ruang,

maka data tersebut dikatakan terautokorelasi secara spasial. Sehingga autokorelasi

spasial digunakan untuk menganalisis pola spasial dari penyebaran titik-titik dengan

membedakan lokasi dan atributnya atau variabel tertentu. Beberapa pengujian dalam

spasial autokorelasi spasial adalah Moran’s I, Rasio Geary’s, dan Local Indicator of

Spatial Autocorrelation (LISA).

2.2.1 Moran’s I

Moran's I merupakan pengembangan dari korelasi pearson pada data

univariate series. Korelasi pearson () antara variabel prediktor dan variabel respon

dengan banyak data n dapat dirumuskan sebagai berikut:

( )( )

( ) ( )2

1i,i

1i,

2i

1i,ii

∑∑

∑

==

=

−−

−−=

nn

n

yyxx

yyxx

ρ (2.20)

x dan y pada persamaan korelasi pearson tersebut merupakan rata-rata

sampel dari variabel prediktor dan respon. Nilai digunakan untuk mengukur

apakah variabel prediktor dan respon saling berkorelasi.

Menurut Lee dan Wong (2011), “Koefisien Moran’s I digunakan untuk uji

dependensi spasial atau autokorelasi antar amatan atau lokasi”. Hipotesis yang

digunakan adalah:

21

H0:I = 0 (tidak ada autokorelasi antar lokasi)

H1:I ≠ 0 (ada autokorelasi antar lokasi)

Statistik uji yang digunakan adalah sebagai berikut:

)1,0(~)Ivar(

I- o NI

Zhitung = (2.21)

dimana :

∑

∑∑

∑∑=

= =

= =

−

−−=

n

1i

2i

n

1i

n

1jjiij

n

1i

n

1jij )(

))((n

xx

xxxxw

wI

( )1n

1IE

−−== oI

22

2

21

2

)1n(

3nn)var(

o

o

S

SSSI

−+−=

∑≠

+=n

ji

2

ijji1 )(2

1wwS

∑=

+=n

1i

2oiio2 )( wwS

∑∑= =

=n

1i

n

1jijwSo

∑=

=n

1jijio ww

22

∑=

=n

1jjioi ww

keterangan :

xi = data variabel lokasi ke-i ( i = 1, 2, ..., n)

xj = data variabel lokasi ke-j ( j = 1, 2, ..., n)

x = rata-rata data

var (I) = varians Moran’s I

E(I) = expected value Moran’s I

Pengambilan keputusan tolak Ho jika 2/αZZhitung > . Nilai dari indeks I

adalah antara -1 dan 1. Apabila I > Io maka data memiliki autokorelasi positif, jika I

< Io maka data memiliki autokorelasi negatif.

2.2.2 Local Indicator of Spatial Autocorrelation (LISA)

Local Indicator of Spatial Autocorrelation (LISA) dapat digunakan untuk

pengidentifikasian koefisien autocorrelation secara lokal (local autocorrelation) atau

korelasi spasial pada setiap daerah. Menurut Lee dan Wong (2011), “Semakin tinggi

nilai lokal maka akan memberikan informasi bahwa wilayah yang berdekatan

memiliki nilai yang hampir sama atau membentuk suatu penyebaran yang

mengelompok”. Untuk rumus dengan pengujian LISA sebagai berikut:

∑=

=n

1ijij zwziiI (2.22)

dimana :

( )x

ii

xxz

σ−

= ( )

x

jj

xxz

σ−

=

23

xσ adalah nilai standar deviasi dari variabel prediktor.

24

Pengujian terhadap parameter dapat dilakukan sebagai berikut :

H0: Ii = 0 (tidak ada autokorelasi antar lokasi)

H1 : Ii ≠ 0 (ada autokorelasi antar lokasi)

Statistik uji :

)Ivar(

I-

i

oihitung

IZ =

(2.23)

Varians dari dapat dirumuskan sebagai berikut :

( )( )( ) ( )2

2,

224

)(

22

4

)2(.

121

/22

1)var(

−−

−−−

−−

−

=n

w

nn

nmmw

n

m

mn

wI ikhiii

jiwwn

jiji ≠=∑

=,

1

2)2(

.

2

1

2.

= ∑

=

n

jiji ww ∑∑

≠ ≠

=n

ik

n

ihihikkhi www )( ( )

1.

−−=

n

wIE i

i

(2.24)

Ho ditolak jika nilai Zhitung terletak pada pada atau P value < α.

Positif autokorelasi spasial megindikasikan bahwa antar lokasi pengamatan

memiliki keeratan hubungan.

2.2.3 Pembobot Spasial

Pembobot spasial pada dasarnya merupakan hubungan yang menggambarkan

antar wilayah. Dimana pembobot dalam bentuk matrik adalah sebagai berikut :

25

1W atau 2W

=

nn3n2nn1

ij

n2231321

1n131211

wwww

w

wwww

wwww

L

MMMM

L

L

(2.25)

Pada kasus ini matrik pembobot spasial yang dapat digunakan adalah matrik

pembobot spasial Queen. Matrik pembobot spasial Queen medefinisikan wij=1 untuk

wilayah yang bersebelahan atau titik sudutnya bertemu dengan wilayah yang menjadi

pusat perhatian, sedangkan wij=0 untuk wilayah lainnya. Menurut Lee dan Wong

(2011), “Matrik pembobot spasial merupakan matrik yang bersifat simetris dan

mempunyai diagonal utama yang selalu bernilai nol”.

Pemberian kode pembobot adalah dengan kode biner. Rumus pembobot

dalam kode biner sebagai berikut (Thaib, 2008: 3) :

=lainnyauntuk

berdekatanyangjdaniuntuk

w0

,1

ij

Lee dan Wong (2011) menyebutkan pemberian kode pembobot selain dengan

kode biner juga dapat dibuat dalam bentuk Row Standardization. Row

Standardization didasarkan pada jumlah tetangga pada satu baris yang sama pada

matrik pembobot . Rumus dari Row Standardization sebagai berikut:

∑=

=n

1jij

ij*ij

w

ww

(2.26)

2.3 Kejadian Diare

Diare merupakan penyakit yang terjadi ketika terdapat perubahan konsistensi

feses dengan frekuensi buang air besar tiga kali atau lebih (Dinas Kesehatan

26

Kabupaten Bekasi, 2010: 39). Menurut Nugraheni (2012), diare merupakan penyakit

menular yang menjadi masalah kesehatan masyarakat, dan apabila penanganannya

terlambat dilakukan maka akan menyebabkan kematian.

Diare akut akan menyebabkan dehidrasi. Dehidrasi merupakan gejala yang

terjadi akibat pengeluaran cairan tinja yang berulang-ulang yang dapat menyebabkan

kehilangan air dan elektrolit secara cepat (Permatasari, 2012: 29).

Diare dengan gejala buang air besar yang encer kadang disertai dengan gejala

lainnya, seperti muntah, badan lesu atau lemah, panas, tidak nafsu makan, lendir

dalam kotoran, dan rasa mual yang dapat disebabkan oleh infeksi virus (Eswati,

2010: 1).

2.3.1 Penyebab Diare

Penyebab diare dapat diketahui dengan pasti penyebabnya. Dimana penyebab

diare ini dapat dibagi menjadi dua yaitu (Silva, Kumaladewi, Kurniawan, dan

Rahmawansa, 2008: 7):

1. Penyebab Tidak Langsung

Penyebab tidak langsung atau faktor-faktor yang mempermudah atau

mempercepat terjadinya diare seperti: keadaan gizi, sanitasi, sosial budaya,

kepadatan penduduk, sosial ekonomi.

2. Penyebab Langsung

Yang termasuk dalam penyebab langsung anatara lain infeksi bakteri virus dan

parasit, malabsorbi, alergi, keracunan bahan kimia maupun keracunan oleh racun

yang diperoduksi oleh jasad renik, ikan, buah dan sayur-sayuran.

2.3.2 Faktor yang Mempengaruhi Kejadian Diare

Faktor-faktor yang mempengaruhi kejadian diare bisa disebabkan oleh

beberapa faktor-faktor, faktor-faktor tersebut adalah :

27

1. Faktor Kesehatan

Masalah kesehatan merupakan salah satu faktor yang berperan penting dalam

mewujudkan sumber daya manusia yang berkualitas. Melalui pembangunan di

bidang kesehatan diharapkan akan semakin meningkatkan tingkat kesehatan

masyarakat dan pelayanan kesehatan dapat dirasakan oleh semua lapisan masyarakat

secara memadai. Fasilitas kesehatan pun sangat dibutuhkan masyarakat untuk

memeriksakan kesehatan atau mengobati penyakitnya. Sarana kesehatan yang dapat

dijangkau adalah puskesmas. Berhasilnya pembangunan kesehatan ditandai dengan

lingkungan yang kondusif, perilaku masyarakat yang proaktif untuk memelihara dan

meningkatkan kesehatan serta mencegah terjadinya penyakit, pelayanan kesehatan

yang berhasil dan berdaya guna tersebar merata di seluruh wilayah Indonesia.

2. Faktor Pendidikan

Pendidikan merupakan salah satu kebutuhan dasar yang harus dipenuhi untuk

mencapai masyarakat yang sejahtera. Tingkat pendidikan turut menentukan mudah

tidaknya seorang menyerap dan memahami pengetahuan yang mereka peroleh.

Tingkat pendidikan itu sendiri sangat diperlukan di lingkungan keluarga, seseorang

akan lebih tanggap dengan adanya masalah kesehatan terutama kejadian diare

didalam keluarganya dan bisa mengambil tindakan secepatnya.

Tingkat rendahnya pendidikan erat kaitannya dengan tingkat kurangnya

pengertian tentang cara pencegahan kejadian diare. Pendidikan yang rendah

merupakan hambatan dalam pembangunan kesehatan.

3. Faktor Pertumbuhan Ekonomi

Pertumbuhan ekonomi adalah usaha kenaikan kapasitas dalam jangka panjang

dari negara yang bersangkutan untuk menyediakan berbagai barang ekonomi kepada

penduduknya (Almulaibari, 2011: 12). Kenaikan kapasitas itu sendiri ditentukan oleh

28

adanya kemajuan atau penyesuaian teknologi, institusional (kelembagaan), dan

ideologi terhadap berbagai tuntutan keadaan yang ada.

Untuk mengejar keterbelakangan ekonomi adalah dengan meningkatkan laju

pertumbuhan ekonomi setinggi-tingginya sehingga dapat melampaui tingkat

pertumbuhan penduduk. Dengan cara tersebut, angka pendapatan per kapita akan

meningkat sehingga secara otomatis terjadi pula peningkatan kemakmuran

masyarakat dan pada akhirnya akan mengurangi jumlah penduduk miskin.

4. Faktor Perilaku Masyarakat di Lingkungan

Salah satu variabel yang dapat menilai kondisi kesehatan masyarakat adalah

lingkungan. Lingkungan juga dapat menentukan baik buruknya status kesehatan

masyarakat (Dinas Kesehatan Kabupaten Bekasi, 2010: 21). Perilaku sehat tumbuh

dari kesadaran masyarakat itu sendiri. Pembinaan dapat dimulai dari lingkungan

keluarga, sekolah, dan masyarakat. Tokoh-tokoh masyarakat sebagai model harus

diajak turut serta dalam menyukseskan program-program kesehatan.

Apabila mengembangkan kebiasaan hidup bersih dan sehat sejak awal, hal

tersebut berpengaruh positif terhadap kesehatan tubuh. Tubuh seseorang memerlukan

tidur, olah raga, dan rutinitas yang sehat dalam jumlah tertentu untuk

mempertahankan kesejahteraannya.

Ruang lingkup kesehatan lingkungan tersebut antara lain mencakup sarana air

bersih yang digunakan, sarana dan akses terhadap sanitasi dasar yang meliputi

kepemilikan jamban dan kepemilikan tempat pembuangan akhir di sekitar

perumahan. Untuk mengetahui peningkatan pengamanan kualitas dan kuantitas air

yang digunakan oleh masyarakat, maka perlu diketahui penyedian air bersih di setiap

kecamatan.

29

Pada masyarakat yang mengalami kejadian diare rerata kondisi jamban, sumber

air bersih, tempat pembuangan sampah sangat berbeda dengan masyarakat yang tidak

mengalami kejadian diare. Kondisi jamban, sumber air bersih, tempat pembuangan

sampah pada masyarakat yang mengalami kejadian diare memiliki rerata lebih

rendah dibanding dengan masyarakat yang tidak diare.

Lingkungan yang memiliki kondisi sanitasi buruk dapat menjadi sumber

berkembangnya penyakit. Hal ini jelas membahayakan kesehatan masyarakat.

Puskesmas memiliki program kesehatan lingkungan dimana berperan besar dalam

mengukur, mengawasi, dan menjaga kesehatan lingkungan masyarakat. Namun

seringkali jumlah tenaga kesehatan di puskesmas sangat terbatas, padahal banyak

penyakit yang berasal dari lingkungan seperti diare, demam berdarah, malaria, TBC,

cacar dan sebagainya.

2.4 Teknologi Informasi dan Komunikasi

Teknologi informasi adalah teknologi dalam membuat, mengubah,

menyimpan, mengkomunikasikan dan menyebarkan informasi (Sutikno, 2012: 1).

Segala hal yang berkaitan dengan pengunaan alat bantu untuk memproses dan

mentransfer data dari perangkat satu ke perangkat lainnya yang disebut juga dengan

teknologi komunikasi (Andromeda, 2012: 20). Teknologi informasi dan komunikasi

tidak dapat dipisahkan karena merupakan kegiatan yang berkaitan dengan

pemrosesan.

2.4.1 Pengertian Komputer

Komputer adalah seperangkat alat elektronika pengolahan data yang bekerja

secara terkoordinir dan terintegrasi sehinga menghasilkan keluaran berupa infromasi

(Ningsih, 2009: 8). Komponen utama teknologi informasi terdiri dari:

30

1. Hardware atau perangkat keras, yaitu perangkat yang dapat dilihat dan

disentuh secara fisik seperti keyboard, scanner, monitor, printer, dan CPU

(Central Processing Unit).

2. Software atau perangkat lunak, yaitu suatu instruksi atau perintah program

komputer yang langsung dioperasikan terhadap perangkat keras. Perangkat

lunak ini melakukan pengolahan data seperti program Microsoft Word,

Windows, SPSS dan sebaginya.

3. Brainware yaitu seseorang yang mengoprasikan dan mengendalikan sistem

komputer.

2.4.2 Computer Modeling

Computer modeling adalah pemodelan untuk mengetahui cara kerja dari suatu

kondisi menggunakan komputer (Daneshjo, 2011). Pada kenyataannya model

menunjukkan hubungan signifikan antara real systems dengan objek, Oleh karena itu

model terbagi menjadi dua kelompok. Model yang pertama adalah model yang

memungkinkan untuk menganalisa sebuah real system. Model yang kedua yaitu

model dari hasil pengembangan dan perancangan. Model yang memungkinkan

sebuah real system contohnya seperti melakukan spesifikasi dan klarifikasi mengenai

sistem yang ada. Aktivitas ini biasanya didukung oleh teknologi komputer.

Computer modeling menggunakan teknik pemodelan dan simulasi. Teknik

pemodelan dan simulasi bergantung pada pengembangan sebagai berikut:

1. Displin ilmu pengetahuan, teknik, dan metode matematika

2. Perkembangan proses dari disiplin tersebut dalam model yang diformulasikan

3. Perkembangan teknikal baru dan peralatan komputer

4. Perkembangan dari bahasa pemrograman.

31

2.4.3 R Language

R language berfungsi untuk analisis data dan grafik. R language baik

digunakan untuk komputasi statistik, karena dapat dijalankan pada berbagai sisitem

operasi. R language memiliki open-source yang berbasis bahasa S dan S plus yang

dikembangkan oleh AT&T Bell Laboratories oleh Rick Becker, John Chambers dan

Allan Wilks. Versi R dapat dijalankan untuk Unix, Windows, dan berbagai macam

Macintosh. Selain itu R juga dapat dijalankan di arsitektur komputer seperti Intel,

PowerPC, Alpha sistem dan juga sistem Sparc. Salah satu keuntungan bila

menggunakan R language adalah dapat di akses gratis, sintaksnya pun mudah

dipelajari dan mempunyai banyak sekali fungsi-fungsi statistik. Keterbatasan yang

dimiliki oleh R language adalah dalam penanganan dataset yang besar, karena semua

perhitungan dilakukan dalam memori utama komputer (R Core Team, 2013: 1).

2.4.4 Java Programming

Berbasis komputer yang dimaksud dalam penelitian ini adalah membuat

aplikasi program untuk pengaplikasian statistik dalam pemodelan spasial. Aplikasi

program dibutuhkan untuk mempermudah dalam proses perhitungan dengan

menggunakan komputer. Aplikasi itu sendiri akan dibuat dengan menggunakan

bahasa pemrograman java.

Java dikembangkan pertama kali oleh Sun Microsystem pada tahun 1995

(Tasmawati, 2008: 4). Bahasa pemrograman java awalnya dikususkan untuk aplikasi

berbasis internet, namun sekarang aplikasi java sudah digunakan tidak hanya pada

web saja tetapi dari basis Desktop hingga aplikasi mobile (Liang, 2011 : 26). Pertama

kali pengembangan java dibuat sebagai salah satu bahasa yang bersifat tidak

bergantung pada mesin atau sistem operasi tertentu. Konsep dari java tersebut dapat

32

dijalankan karena java memiliki sistem kompilasi yang berbeda dengan bahasa

pemrograman lain seperti c++ atau visual basic. Java hasil kompilasi ini berupa

bytecode, dimana hasil kompilasi ini memungkinkan suatu program dapat diekskusi

di lingkungan yang berbeda atau (multi platform).

Selain itu java sendiri mempunyai karakteristik yang telah dikembangkan,

dimana karakteristik inilah yang menjadi ciri khas dari bahasa java. Berikut adalah

karakteristik dari bahasa java (Wintari, dan Purnama, 2011: 8-9):

1. Beorientasi Objek, java telah menerapkan konsep pemrograman beorientasi

objek dalam implementasinya.

2. Multi Platform.

3. Berbasis Graphic User Interface (GUI).

4. Aman, aplikasi yang dibuat dengan bahasa java dapat dipastikan

keamanannya terutama untuk aplikasi internet.

5. Dinamis, program java dapat melakukan suatu tindakan yang ditentukan pada

saat eksekusi program dan bukan pada saat kompilasi.

6. Java menyediakan fitur multithread, yang dapat digunakan untuk

mrnjalankan perintah secara bersamaan.

7. Terdistribusi, java dirancang pada lingkungan yang terdistribusi seperti

halnya internet.

8. Java menyediakan fitur error-handling, yaitu penanganan error pada program.

Java merupakan bahasa pemrograman berorientasi objek atau OOP, karena

semua aspek yang ada di java adalah objek. Hal ini sangat memudahkan pemrogram

untuk merancang, membuat, mengembangkan dan mengalokasikan kesalahan secara

33

cepat, tepat, mudah dan terorganisir. Elemen-elemen dari pemrograman java itu

diantaranya (Andriyanto, 2011: 2):

1. Encapsulation, mekanisme pemrograman yang mengikat data dan program

bersama-sama dan mengamankannya dari penyalahgunaan dan interfensi dari

luar.

2. Polymorphism, mengakses general class dalam prosesnya.

3. Inheritance, proses dimana penurunan suatu objek terhadap objek lain yang

menjadi parent.

Pengaplikasian java untuk statistik contohnya dalam bidang ekonomi dan

pendidikan. Beberapa contoh aplikasi java terhadap statistik dalam bidang ekonomi

adalah Analisis Angka Buta Huruf Di Jawa Timur Menggunakan Geographically

Weighted Regression. Penelitian ini membuat aplikasi untuk mengetahui

karakteristik angka buta huruf di Jawa Timur, mengetahui indikator teknologi

informasi dan komunikasi signifikan terhadap angka buta huruf dengan

Geographically Weighted Regression, dan pemetaan angka buta huruf dengan

menggunakan program (Andiyono, 2012). Aplikasi java dalam bidang pendidikan

adalah Analisis Faktor Yang Mempengaruhi Prestasi Murid Menggunakan Metode

Analisis Jalur. Penelitian ini bertujuan untuk mengetahui pengaruh cita-cita, guru,

kemampuan belajar, lingkungan, dan motivasi murid dalam belajar dengan membuat

program (Russiana, 2012).

2.4.5 NetBeans

NetBeans adalah sebuah open-source dengan integrated development

environment (IDE) yang awalnya hanya untuk pemrograman java. Integrated

34

development environment pada NetBeans dapat mendukung bahasa pemrograman

lain seperti C, C++, Ruby dan PHP (Putra, Darwiyanto, dan Hanifa, 2012: 2).

2.4.6 Interaksi Manusia dan Komputer

Interaksi manusia dan komputer adalah ilmu yang mempelajari bagaimana

manusia berinteraksi dengan komputer dan pengaruh dari interaksi manusia dan

komputer (Shneiderman et.al., 2010). Interaksi manusia dan komputer berhubungan

dengan evaluasi antarmuka pemakai (user interface). Antarmuka pemakai adalah

sebagian sistem komputer yang memungkinkan manusia berinteraksi dengan

komputer.

Pada perancangan sebuah antarmuka pemakai (user interface) terdapat aturan-

aturan yang dikenal dengan sebutan Eight Golden Rules of Interface Design, yaitu:

1. Upayakan untuk konsisten

Berusaha konsisten pada rancangan, terminologi, penggunaan perintah,

penggunaan huruf, tata letak, warna dan sebagainya agar pengguna

memahami tampilan.

2. Mengenali kebutuhan yang beragam dari pengguna

Memfasilitasi pengguna seperti menambahkan fitur untuk pemula, untuk

pengguna ahli dibutuhkan langkah-langkah khusus yang dapat mempercepat

interaksi seperti shortcut, serta fitur khusus untuk pengguna yang cacat.

3. Menawarkan umpan balik yang informatif

Dibutuhkannya umpan balik dari setiap pengguna komputer. Untuk tindakan

yang sering dilakukan dan tidak terlalu penting, dapat diberikan umpan balik

yang sederhana. Namun jika ada peringatan yang penting, maka umpan balik

menjadi lebih subtansial.

35

4. Desain dialog untuk penutupan

Design penutup dialog dibuat sebagai peringatan bahwa langkah-langkah

yang dilakukan sudah benar dan dipersiapkan langkah selanjutnya.

5. Pencegahan kesalahan yang sederhana

Pengguna dicegah melakukan kesalahan dan jika pengguna melakukan

kesalahan, mereka diberikan informasi instruksi untuk kembali ke kondisi

awal.

6. Pembalikan aksi yang mudah

Diperlukannya pengurangan kecemasan dari pengguna karena kesalahan yang

dibuatnya, dengan cara dapat kembali ke kondisi sebelumnya sehingga

pengguna dapat mengeksplorasi secara leluasa.

7. Mendukung kontrol internal lokus

Pengguna dapat mengontrol sistemnya sehingga dapat merespons

tindakannya sendiri. Sehingga pengguna tidak merasa dirinya yang

dikendalikan oleh sistem.

8. Mengurangi beban jangka pendek

Untuk mengurangi penggunaan ingatan jangka pendek ini maka diperlukan

tampilan yang sederhana, menggabungkan beberapa tampilan dan

memberikan waktu pengguna utuk mempelajarinya.