1.

1 Latar Belakang

Indonesia merupakan negara kepulauan yang beriklim tropis dengan memiliki 2 (dua) musim
yaitu musim kemarau dan penghujan setiap tahunnya, oleh sebab itu Indonesia memiliki penyakit
endemic tersendiri di berbagai wilayah tertentu seperti yang terjadi di beberapa kabupaten di
provinsi sumatera utara, yakni kabupaten langkat yang memiliki penyakit endemic diare, DBD,
ISPA dan kabupaten labuhan batu yang memiliki penyakit endemic malaria, kaki gajah dan
frambusia. Pemerintah Indonesia telah melakukan upaya pencegahan dan pemberantasan penyakit
dengan menjalankan Sistem Early Warning Alert and Responses System (EWARS).

Early Warning Alert and Responses System (EWARS) atau di indonesia lebih dikenal dengan
sebuatan Sistem Kewaspadaan Dini dan Respons (SKDR) adalah suatu sistem komputer berbasis
jaringan yang dapat memantau perkembangan trend suatu penyakit menular yang potensial
Kejadian Luar Biasa (KLB) dengan menghasilkan sebuah laporan berupa buletin SKDR dari
waktu ke waktu (periode mingguan), system akan memberikan sinyal peringatan (alert) kepada
pengelola program bila kasus tersebut melebihi nilai ambang batasnya sehingga mendorong
program untuk melakukan respons. Alert atau signal yang muncul pada system bukan berarti sudah
terjadi KLB, tetapi merupakan pra-KLB yang mengharuskan petugas untuk melakukan respons
cepat agar tidak terjadi KLB, Kejadian Luar Biasa (KLB) merupakan timbulnya atau
meningkatnya kejadian kesakitan atau kematian yang bermakna secara epidemiologis pada suatu
daerah dalam kurun waktu tertentu. Buletin SKDR ini berfungsi untuk melakukan Diseminasi
informasi yang bersifat menyeluruh kesetiap lapisan masyarakat, dari informasi kewaspadaan
tersebut diharapkan peran serta masyarakat dalam mencegah terjadinya KLB di suatu wilayah
yang terjangkit. dalam proses pembuatannya, buletin SKDR menggunakan data surveilans
kesehatan yang di hasilkan oleh RSUD, Puskesmas, Pustu dan Bidan Desa tentang penyakit yang
mewabah. SKDR dilaksanakan pertama kali di Provinsi Lampung dan Bali. Selanjutnya diikuti
Sulawesi Selatan, Kalimantan Barat, Kalimantan Selatan, Jawa Tengah dan Sulawesi Tengah.
Targetnya pada tahun 2014 seluruh provinsi di Indonesia sudah melaksanakan SKDR.

Namun, program buletin SKDR di Indonesia masih belum berjalan dengan maksimal,
dikarenakan di tingkat RSUD dan klinik swasta belum sepenuhnya melaksanakan surveilans
penyakit, ketersediaan tenaga ahli yang terbatas dan tidak selalu tersedia, sarana dan prasarana
pada suatu lokasi yang masih minim, teknologi yang belum mencapai standard dan merata di
seluruh Indonesia maupun lokasi yang sulit di jangkau. Sehingga, pengiriman data surveilans
kesehatan masih sering mengalami keterlambatan. Upaya validasi data dan monitoring belum
berjalan maksimal,hingga berdampak pada tindakan penanganan penyebaran penyakit bisa
terlambat dan menyebabkan lebih banyaknya korban yang terjangkit. Dalam proses pembuatan
buletin SKDR masih memiliki kendala lain yaitu pemetaan wilayah penyebaran penyakit, yang
mana untuk pengerjaannya membutuhkan tenaga ahli dalam bidang Geografis untuk
pengerjaannya, dikarenakan belum adanya teknologi yang dapat membantu untuk proses pemetaan
kondisi dan lokasi penyakit tersebut.

Pada penelitian sebelumnya, Indra Aulia dan Moesriami Barmawi dari Universitas Telkom
telah mengembangkan sistem interpretasi grafik kesehatan otomatis berdasarkan Bahasa
Indonesia, sistem tersebut berfungsi untuk melakukan ekstraksi data grafik dan melakukan
pembuatan laporan surveilans kesehatan sesuai dengan ketentuan dinas kesehatan dan tanpa
membutuhkan Input manual dari pengguna (Aulia, 2015).

1.2 Rumusan Masalah

Rumusan masalah pada penelitian ini adalah diperlukannya sebuah sistem yang dapat
menghasilkan buletin SKDR secara otomatis dan cepat, dengan penyusunan kata yang tidak baku
hingga mudah dimengerti oleh berbagai lapisan masyarakat agar proses pencegahan KLB dapat
berjalan dengan semestinya.

1.3 Batasan Masalah

Batasan masalah pada penelitian ini adalah peneliti hanya berfokus pada 1 penyakit endemic pada
1 kota saja, yaitu penyakit demam berdarah yang berkembang di kota medan.

1.4 Tujuan Penelitian

tujuan penelitian ini adalah untuk membatu pemerintah kesehatan Indonesia untuk menghasilkan
laporan SKDR secara otomatis, cepat dan sesuai dengan aturan agar penanganan penyakit dapat
berjalan sesuai prosedur yang di harapkan

1.5 Manfaat Penelitian

Manfaat dari penelitian ini adalah :

 1. Sistem dapat menghasilkan buletin SKDR secara otomatis, dengan penyusunan kata yang
tidak baku, sehingga mudah di mengerti oleh seluruh lapisan masyarakat Indonesia.
2. Dapat mengurangi waktu, biaya, dan tenaga untuk pengerjaan buletin SKDR.
3. Sistem SKDR dapat berjalan sesuai dengan harapan agar tidak terjadi KLB.

1.6 Metodologi Penelitian

Metode yang diusulkan dalam penelitian ini adalah :

1. Data to Text Architecture

Data to Text Architecture (DtTA) yaitu sistem Natural Language Generation (NLG) yang
digunakan untuk menghasilkan teks dari data input non-linguistic ke sistem sebagai data
mentah dan juga sebagai pengganti basis pengetahuan Artificial Intellegence (AI) (Reither
dan Dale, 2000), digunakan sebagai penyusun penyusunan kerangka kata, kalimat dan
paragraf berdasarkan data yang di masukan.
2. Text Probabilistic
Text Probabilistic digunakan untuk menentukan kata yang akan di gunakan untuk
menyusun kalimat dan paragraf secara otomatis, berdasarkan persentase tertinggi dari kata
sebelumnya.
3. Natural Language Generation
Natural Language Generation (NLG) digunakan untuk menghasilkan bahasa atau kalimat
yang alami dan terlihat natural, yang mana nantinya dapat dengan mudah dimengerti oleh
masyarakat umum
4. Corpus Linguistic
Corpus Linuistic merupakan suatu Bank Bahasa yang digunakan untuk menyimpan kata
yang akan digunakan untuk penyusunan kata, kalimat dan paragraph pada buletin SKDR.
5. Geographic Information System
Geographic Information System (GIS) digunakan untuk menandai lokasi atau wilayah
dimana penyakit menyebar.
1.6.1 Flowchart

Gambar 1. Flowchart

Gambar 1 merupakan tahapan kerja system pada aplikasi yang akan di bangun, berikut ini adalah
penjelasan tahapan-tahapan yang di lakukan pada system yang akan di bangun :

1. Start
Program di jalankan dan menunggu input data surveilans kesehatan untuk mulai bekerja.
2. Input Data Object
Program membutuhkan input berupa data tabel dari surveilans kesehatan untuk
mendapatkan hasil output berupa buletin SKDR, pada bagian ini, sistem akan menyimpan
data ke penyimpanan sementara agar dapat digunakan pada proses selanjutnya
 Gambar 2. Contoh Data Surveilans Kesehatan.

3. Analyzed Data Object

Program menganalisa data tabel yang telah di input untuk mendapatkan kesimpulan untuk
merancang laporan SKDR yang akan dihasilkan oleh sistem.
4. Word Option
Sistem akan menentukan kerangka kata dan pemilihan kata menggunakan Data to Text
Architecture untuk menyusun kerangka paragraf, Text Probabilistic untuk memilih kata
yang akan digunakan secara otomatis berdasarkan persentase kata yang paling tinggi dan
Natural Language Generation untuk menyusun kata yang di gunakan untuk menyusun
kalimat dan paragraf agar terlihat lebih natural.
5. Corpus Linguistic
Sistem akan menggunakan kata yang sudah tersimpan di dalam data base Corpus Linguistic
untuk menyusun kata, kalimat dan paragraf.
6. Word Preparation
Pada proses ini, sistem akan memilih dan menyusun kata yang akan digunakan dengan Text
Probabilistic dan Natural Language Generation agar kata yang digunakan terlihat lebih
natural.
 Gambar 3. Text Probabilistic Tree
7. Map Marking
Pada proses ini, sistem akan menandai lokasi ilayah dimana penyakit mewabah
berdasarkan data tabel surveilans kesehatan, untuk pemetaan di sini menggunakan
Geographic Information System dalam proses pengerjaannya.

Gambar 3. Contoh Map Marking Wilayah Kota Medan

 8. Report Text
Pada tingkat ini, sistem menghasilkan sebuah laporan SKDR berdasarkan data tabel
surveilans kesehatan yang telah di proses oleh tahap-tahap sebelumnya.

Gambar 4. Contoh Buletin SKDR

Gambar 5. Contoh Buletin SKDR 2

9. Stop
Sistem selesai bekerja dan siap digunakan lagi bila dibutuhkan.
1.7 Landasan Teori
1.7.1 Penyakit Endemik

Yang disebut dengan penyakti Endemik adalah Penyakit yang umum yang terjadi pada laju yang
konstan namun cukup tinggi pada suatu populasi. Kata endemik berasal dari bahasa yunani yaitu
“en” yang berarti di dalam dan “demos” berarti rakyat. Jadi suatu masalah penyakit dikatakan
sebagai endemik pada suatu populasi tersebut tanpa adanya pengaruh dari luar. Suatu infeksi
penyakit dikatakan sebagai endemik bila setiap orang yang terinfeksi penyakit tersebut
menularkannya kepada tepat satu orang lain (secara rata-rata).

Berikut adalah contoh penyakit endemik di beberapa daerah di Indonesia, yaitu:

1. Demam berdarah
2. Malaria
3. Demam Tifoid
4. Chikungunya
5. Kaki Gajah (Filariasis)
6. Tuberkulosis (TBC)

Suatu infeksi penyakit dikatakan sebagai endemik bila setiap orang yang terinfeksi penyakit
tersebut menularkannya kepada tepat satu orang lain (secara rata-rata). Bila infeksi tersebut tidak
lenyap dan jumlah orang yang terinfeksi tidak bertambah secara eksponensial, suatu infeksi
dikatakan berada dalam keadaan tunak endemik (endemic steady state). Suatu infeksi yang dimulai
sebagai suatu epidemi pada akhirnya akan lenyap atau mencapai keadaan tunak endemik,
bergantung pada sejumlah faktor, termasuk virulensi dan cara penularan penyakit bersangkutan.

Dalam bahasa percakapan, penyakit endemik sering diartikan sebagai suatu penyakit yang
ditemukan pada daerah tertentu. Sebagai contoh, AIDS sering dikatakan "endemik" di Afrika
walaupun kasus AIDS di Afrika masih terus meningkat (sehingga tidak dalam keadaan tunak
endemik). Lebih tepat untuk menyebut kasus AIDS di Afrika sebagai suatu epidemi.
 Gambar 6. Contoh Penyakit Endemik

1.7.2 Kejadian Luar Biasa (KLB)

Kejadian yang melebihi keadaan biasa, pada satu/sekelompok masyarakat tertentu. (Mac Mahon
and Pugh, 1970; Last, 1983, Benenson, 1990),

Peningkatan frekuensi penderita penyakit, pada populasi tertentu, pada tempat dan musim atau
tahun yang sama (Last, 1983).

Kejadian Luar Biasa (KLB) merupakan timbulnya atau meningkatnya kejadian kesakitan atau
kematian yang bermakna secara epidemiologis pada suatu daerah dalam kurun waktu tertentu.
Kejadian Luar Biasa diatur oleh Peraturan Menteri Kesehatan RI No. 949/MENKES/SK/VII/2004.
Kejadian Luar Biasa dijelaskan sebagai timbulnya atau meningkatnya kejadian kesakitan atau
kematian yang bermakna secara epidemiologis pada suatu daerah dalam kurun waktu tertentu.

Kriteria tentang Kejadian Luar Biasa mengacu pada Keputusan Dirjen No. 451/91, tentang
Pedoman Penyelidikan dan Penanggulangan Kejadian Luar Biasa. Menurut aturan itu, suatu
kejadian dinyatakan luar biasa jika ada unsur:
 Timbulnya suatu penyakit menular yang sebelumnya tidak ada atau tidak dikenal
 Peningkatan kejadian penyakit/kematian terus-menerus selama 3 kurun waktu berturut-turut
menurut jenis penyakitnya (jam, hari, minggu)
 Peningkatan kejadian penyakit/kematian 2 kali lipat atau lebih dibandingkan dengan periode
sebelumnya (jam, hari, minggu, bulan, tahun).
 Jumlah penderita baru dalam satu bulan menunjukkan kenaikan 2 kali lipat atau lebih bila
dibandingkan dengan angka rata-rata perbulan dalam tahun sebelumnya.

1.7.3 Health Surveillance / Surveilans Kesehatan

Health Surveillance atau Surveilans kesehatan adalah suatu sistem yang dapat memantau
perkembangan trend suatu penyakit menular yang berpotensial KLB/wabah dari waktu ke waktu
(periode mingguan) dan memberikan sinyal peringatan (alert) kepada pengelola program bila
kasus tersebut melebihi nilai ambang batasnya sehingga mendorong program untuk melakukan
respons. Alert atau signal yang muncul pada system bukan berarti sudah terjadi KLB tetapi
merupakan pra-KLB yang mengharuskan petugas untuk melakukan respons cepat agar tidak
terjadi KLB.

-------------------------------------------------- ver 2 -----------------------------------------------------------

menurut World Health Organization (WHO), pengumpulan, analisis, dan interpretasi yang terus
menerus, sistematis terhadap data yang terkait dengan kesehatan yang diperlukan untuk
perencanaan, pelaksanaan, dan evaluasi praktik kesehatan masyarakat. Pengawasan kesehatan
masyarakat mungkin digunakan untuk "berfungsi sebagai sistem peringatan dini untuk keadaan
darurat kesehatan masyarakat yang akan datang; mendokumentasikan dampak intervensi, atau
melacak kemajuan menuju tujuan yang ditentukan; dan memantau dan memperjelas epidemiologi
masalah kesehatan, untuk memungkinkan prioritas yang akan ditetapkan dan untuk
menginformasikan kesehatan masyarakat kebijakan dan strategi.

Sistem pengawasan Kesehatan Publik dapat pasif atau aktif. Sistem surveilans pasif terdiri dari
pelaporan penyakit dan kondisi yang teratur dan berkelanjutan oleh semua fasilitas kesehatan di
wilayah tertentu. Sistem surveilans aktif adalah sistem di mana fasilitas kesehatan dikunjungi dan
penyedia layanan kesehatan dan catatan medis ditinjau untuk mengidentifikasi penyakit atau
kondisi tertentu. Sistem pengawasan pasif kurang memakan waktu dan lebih murah untuk
dijalankan tetapi berisiko kurang melaporkan beberapa penyakit. Sistem surveilans aktif paling
tepat untuk epidemi atau di mana penyakit telah ditargetkan untuk eliminasi.

Teknik pengawasan kesehatan masyarakat telah digunakan khususnya untuk mempelajari penyakit
menular. Banyak lembaga besar, seperti WHO dan CDC, telah membuat database dan sistem
komputer modern (informatika kesehatan masyarakat) yang dapat melacak dan memantau
munculnya wabah penyakit seperti influenza, SARS, HIV, dan bahkan bioterorisme, seperti
anthrax 2001 serangan di Amerika Serikat.

Banyak daerah dan negara memiliki registri kanker mereka sendiri, salah satu fungsinya adalah
untuk memantau kejadian kanker untuk menentukan prevalensi dan kemungkinan penyebab
penyakit ini.

Penyakit lain seperti peristiwa satu kali seperti stroke dan kondisi kronis seperti diabetes, serta
masalah sosial seperti kekerasan dalam rumah tangga, semakin diintegrasikan ke dalam database
epidemiologi yang disebut pendaftar penyakit yang sedang digunakan dalam analisis biaya-
manfaat dalam menentukan pendanaan pemerintah untuk penelitian dan pencegahan.

Sistem yang dapat mengotomatiskan proses identifikasi peristiwa obat yang merugikan, saat ini
sedang digunakan, dan dibandingkan dengan laporan tertulis tradisional dari peristiwa semacam
itu. Sistem ini bersinggungan dengan bidang informatika medis, dan dengan cepat diadaptasi oleh
rumah sakit dan didukung oleh institusi yang mengawasi penyedia layanan kesehatan (seperti
JCAHO di Amerika Serikat). Masalah dalam hal perbaikan kesehatan berkembang di sekitar
pengawasan kesalahan pengobatan di dalam institusi.

1.7.4 Epidemiologi

Epidemiologi adalah ilmu yang mempelajari pola kesehatan dan penyakit serta fakor yang terkait
di tingkat populasi. Ini adalah model cornerstone penelitian kesehatan masyarakat, dan membantu
menginformasikan kedokteran berbasis bukti (eveidence based medicine) untuk
mengidentifikasikan faktor risiko penyakit serta menentukan pendekatan penanganan yang
optimal untuk praktik klinik dan untuk kedokteran preventif. Menurut Dr. Anton Muhibuddin
(Universitas Brawijaya), saat ini epidemiologi telah berkembang pesat baik pendalaman ilmunya
maupun perluasan ilmunya. Perluasan ilmu epidemiologi saat ini juga mencakup epidemiologi
bidang pertanian agrokompleks (termasuk perikanan, perkebunan, prikanan) dan mikrobiologi.
Perluasan tersebut dirasa perlu karena manfaat epidemiolgi sangat nyata dirasakan dalam bidang-
bidang ilmu tersebut. Pendalaman epidemiologi di antaranya meliputi peramalan berbasis
komputer dan pengelolaan agroekosistem.

Epidemiologi menggunakan beragam alat-alat ilmiah, dari kedokteran dan statistik sampai
sosiologi dan antropologi. Banyak penyakit mengikuti arus migrasi penduduk, sehingga
pemahaman tentang bagaimana penduduk bergerak mengikuti musim sangat penting untuk
memahami penyebaran penyakit tertentu pada populasi tersebut. Epidemiologi tidak hanya
berkutat pada masalah penyebaran penyakit, tetapi juga dengan cara penanggulangannya.

1.7.5 Early Warning Alert and Responses System / Sistem Kewaspadaan Dini dan Respons

1.7.6 Natural Language Generation

1.7.7 Geographic Information System
1.7.8 Penelitian Terdahulu