Penentuan Status Kewaspadaan COVID-19 Pada Suatu Wilayah Menggunakan Metode Fuzzy Inference System (FIS) Mamdani
DOI:
https://doi.org/10.24246/juses.v4i1p28-39Keywords:
aturan implikasi, COVID-19, FIS Mamdani, himpunan Fuzzy, status kewaspadaanAbstract
Pada tahun 2020, Indonesia menjadi salah satu negara yang mengalami pandemi Coronavirus Disease 19 (COVID-19) akibat virus SARS-CoV-2. Mengatasi hal tersebut, pemerintah harus menetapkan kebijakan yang efektif dengan memperhatikan situasi dan kondisi setiap daerah. Salah satu caranya adalah dengan menentukan status kewaspadaan. Di Indonesia, status kewaspadaan wilayah diserahkan pada kebijakan pemerintah daerah masing-masing yang menyebabkan adanya penilaian secara subjektif oleh pemerintah daerah,sehingga banyak definisi dan batasan yang kurang jelas mengenai penentuan status kewaspadaan. Permasalahan tersebutlah yang melatarbelakangi penelitian ini, dimana akan dicari suatu model berdasarkan metode Fuzzy Inference System (FIS) Mamdani untuk menentukan status kewaspadaan COVID-19 berdasarkan variabel terkait dan aturan yang berlaku. Data yang digunakan adalah data harian COVID-19 Provinsi Jawa Barat (1 April – 15 Juli 2021). Data yang digunakan berjumlah 27 kelompok data wilayah yang terdiri dari 4 variabel. Variabel inputnya adalah kasus positif COVID-19, kasus Orang dalam Pemantauan (ODP), dan kasus Pasien dalam Pemantauan (PDP), dan masing-masing variabel didefinisikan menjadi 5 himpunan Fuzzy, yaitu Sangat Rendah, Rendah, Sedang, Tinggi, dan Sangat Tinggi. Variabel output-nya didefinisikan dalam 5 himpunan Fuzzy tentang Status Kewaspadaan seperti peraturan Pemda Jabar yaitu status HIJAU, BIRU, KUNING, MERAH, dan HITAM. Semua variabel menggunakan fungsi keanggotaan representasi kurva segitiga. Proses analisis data menggunakan software Matlab. Keberhasilan model dinilai dari persentase kesamaan status yang diperoleh dengan membandingkan hasil analisis FIS Mamdani dengan data status kewaspadaan real. Setelah melakukan 4 kali pengulangan analisis, dimana pada setiap analisis dilakukan perubahan domain pada himpunan Fuzzy, didapatkan model dengan persentase kesamaan status rata-rata sebesar 81%, pada data 6 wilayah di Jawa Barat.
Downloads
References
Arifin, S., Muslim, M. A., & Sugiman, S. (2016). Implementasi Logika Fuzzy Mamdani untuk Mendeteksi Kerentanan Daerah Banjir di Semarang Utara. Scientific Journal of Informatics, 2(2), 179. https://doi.org/10.15294/sji.v2i2.5086
John Hopkins University & Medicine. (2020). COVID-19 Map - Johns Hopkins Coronavirus Resource Center. Retrieved September 13, 2020, from https://coronavirus.jhu.edu/map.html
Kusumadewi, S., & Purnomo, H. (2010). Aplikasi Logika Fuzzy untuk pendukung keputusan. Yogyakarta: Graha Ilmu, 33–34.
Niemiec, M. (2017). Fuzzy inference system: theory and applications. Scitus Academics LLC, Wilmington.
Setiadji, S. (2009). Himpunan & Logika Samar serta aplikasinya. Yogyakarta: Graha Ilmu.
Shen, C., Bar-yam, Y., & New England Complex Systems Institute. (2020). Color Zone Pandemic Response Version 2. 2020. Retrieved from https://necsi.edu/color-zone-pandemic-response-version-2
Susilo, A., Rumende, C. M., Pitoyo, C. W., Santoso, W. D., Yulianti, M., Herikurniawan, H., … Nelwan, E. J. (2020). Coronavirus Disease 2019: Tinjauan Literatur Terkini. Jurnal Penyakit Dalam Indonesia, 7(1), 45–67.
Tuwu, D. (2020). Kebijakan Pemerintah Dalam Penanganan Pandemi Covid-19. Journal Publicuho, 3(2), 267–278. https://doi.org/10.35817/jpu.v3i2.12535
Yenni, Y., & Utnasari, I. (2019). Fuzzy Logic Mamdani Memprediksi Tingkat Kriminalitas. Prosiding Seminar Nasional Ilmu Sosial Dan Teknologi (SNISTEK), 2, 247–252. n.
Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8(3), 338–353.
