Laporan Praktikum: Pemodelan Kerentanan Penyakit DBD

Perbandingan Algoritma SVM dan Random Forest

1 Pendahuluan

1.1 Latar Belakang

Demam Berdarah Dengue (DBD) merupakan salah satu penyakit menular yang masih menjadi masalah kesehatan masyarakat di Indonesia, termasuk di wilayah Kalimantan Selatan. Penyakit ini disebabkan oleh virus dengue yang ditularkan melalui gigitan nyamuk Aedes aegypti dan Aedes albopictus. Penyebaran kasus DBD sangat dipengaruhi oleh kondisi lingkungan fisik seperti suhu permukaan, curah hujan, kelembapan, kepadatan penduduk, serta faktor aksesibilitas sanitasi dan tata guna lahan.

Pendekatan pemodelan spasial berbasis machine learning menjadi salah satu metode yang relevan untuk memetakan tingkat kerentanan wilayah terhadap penyakit DBD. Dengan mengintegrasikan data spasial lingkungan dan data titik kasus DBD, model prediktif dapat dibangun untuk mengidentifikasi zona-zona berisiko tinggi secara spasial.

1.2 Tujuan Praktikum

Praktikum ini bertujuan untuk:

1. Membangun model prediktif kerentanan DBD menggunakan algoritma Support Vector Machine (SVM) dan Random Forest (RF).
2. Melakukan hyperparameter tuning pada algoritma Random Forest dengan 4 skenario kombinasi parameter ntree dan mtry.
3. Membandingkan performa masing-masing model berdasarkan kurva ROC dan nilai AUC.
4. Menghasilkan peta spasial kerentanan DBD yang dapat divisualisasikan secara interaktif.

1.3 Manfaat

Hasil pemodelan ini diharapkan dapat memberikan informasi spasial bagi pemangku kepentingan dalam perencanaan pengendalian dan pencegahan penyakit DBD secara berbasis wilayah (area-based approach).

---

2 Tinjauan Pustaka

2.1 Demam Berdarah Dengue (DBD)

DBD adalah penyakit infeksi akut yang disebabkan oleh virus dengue serotipe DEN-1 hingga DEN-4. Menurut WHO, lebih dari 390 juta infeksi dengue terjadi setiap tahun di seluruh dunia. Di Indonesia, DBD bersifat endemis dengan pola penularan yang erat kaitannya dengan kondisi iklim, sanitasi lingkungan, dan kepadatan pemukiman.

2.2 Pemodelan Spasial Penyakit

Pemodelan spasial penyakit (spatial disease modelling) merupakan pendekatan analitik yang menggabungkan data lokasi kasus penyakit dengan variabel lingkungan untuk memprediksi distribusi risiko secara geografis. Pendekatan ini lazim digunakan dalam epidemiologi lingkungan (environmental epidemiology) dan kesehatan geografi (health geography).

2.3 Support Vector Machine (SVM)

SVM adalah algoritma supervised learning yang bekerja dengan membangun hyperplane optimal yang memisahkan kelas data. Pada pemodelan kerentanan penyakit, SVM digunakan dalam mode regresi dengan kernel Radial Basis Function (RBF) yang mampu menangani hubungan non-linier antara variabel prediktor dan variabel respons.

2.4 Random Forest (RF)

Random Forest adalah algoritma ensemble learning berbasis pohon keputusan (decision tree) yang membangun sejumlah pohon secara acak (bootstrap aggregation) kemudian menggabungkan hasilnya. Parameter utama yang dikontrol adalah ntree (jumlah pohon) dan mtry (jumlah variabel yang dicoba pada setiap pemisahan node). Tuning kedua parameter ini berpengaruh signifikan terhadap akurasi dan stabilitas model.

---

3 Metode Praktikum

3.1 Data dan Variabel

Data yang digunakan dalam praktikum ini terdiri dari:

• Data kehadiran kasus DBD (presence): titik koordinat lokasi kasus DBD yang tersimpan dalam file populasi.csv.
• Data pseudo-absence: titik acak non-kasus yang dibangkitkan secara spasial menggunakan fungsi randomPoints() sebanyak 52 titik.
• Data prediktor lingkungan: 11 variabel raster (.tif) yang merepresentasikan kondisi lingkungan wilayah kajian.

Tabel berikut merangkum variabel prediktor yang digunakan:

Variabel Prediktor Pemodelan Kerentanan DBD

No	Nama Variabel	Keterangan
1	kepadatan_penduduk	Kepadatan penduduk per satuan luas
2	curah_hujan	Rata-rata curah hujan tahunan
3	suhu_permukaan	Suhu permukaan lahan (LST)
4	kelembapan	Kelembapan udara relatif
5	ndvi	Indeks vegetasi (NDVI)
6	ndbi	Indeks bangunan (NDBI)
7	jarak_sungai	Jarak ke sungai terdekat
8	penggunaan_lahan	Klasifikasi tutupan/penggunaan lahan
9	elevasi	Ketinggian wilayah (DEM)
10	kepadatan_permukiman	Kepadatan area permukiman
11	akses_sanitasi	Tingkat akses sanitasi dasar

3.2 Alur Analisis

Alur analisis pemodelan kerentanan DBD dalam praktikum ini secara garis besar meliputi tahapan berikut:

1. Persiapan data — pemuatan data raster prediktor dan data koordinat kasus DBD.
2. Pembangkitan pseudo-absence — generasi titik non-kasus secara acak spasial.
3. Pembagian data — pemisahan data latih dan data uji menggunakan metode K-Fold Cross Validation (K=3).
4. Pemodelan — pelatihan model SVM (1 skenario) dan Random Forest (4 skenario tuning).
5. Evaluasi — perbandingan performa model menggunakan kurva ROC dan nilai AUC.
6. Visualisasi — penampilan peta prediksi kerentanan secara interaktif.

3.3 Perangkat Lunak

Analisis dilakukan menggunakan perangkat lunak R dengan paket-paket berikut:

Paket R yang Digunakan

Paket	Fungsi Utama
raster	Manipulasi dan analisis data raster spasial
dismo	Pemodelan distribusi spesies / penyakit
kernlab	Implementasi algoritma SVM
randomForest	Implementasi algoritma Random Forest
tmap	Visualisasi peta tematik interaktif

---

4 Hasil dan Pembahasan

4.1 Persiapan Data dan Pemodelan

library(raster)
library(dismo)
library(kernlab)
library(randomForest)
library(tmap)
library(sp)

setwd("C:/Geo Kes/Pak Mizan/Pemodelan Demam Berdarah/Data-20260521T050015Z-3-001/Data")

list.data <- list.files(getwd(), pattern = ".tif$", full.names = TRUE)
data <- stack(list.data)

layer_asli <- c("forest", "geology", "hidrology", "landuse", "morphology",
                "ndisaster", "river", "road", "slope", "soil", "topography")
data <- subset(data, layer_asli)

names(data) <- c("ndvi", "ndbi", "akses_sanitasi", "penggunaan_lahan", "kepadatan_penduduk",
                 "curah_hujan", "jarak_sungai", "kepadatan_permukiman", "suhu_permukaan",
                 "kelembapan", "elevasi")

populasi <- read.csv("populasi.csv", header = TRUE, sep = ",")
populasi <- populasi[, 3:4]
kehadiran.dbd <- extract(data, populasi)

set.seed(52)
absence.dbd <- randomPoints(data, n = 52, kehadiran.dbd)
absence.dbd <- extract(data, absence.dbd)

status <- c(rep(1, nrow(kehadiran.dbd)), rep(0, nrow(absence.dbd)))
data.pemodelan <- data.frame(cbind(status, rbind(kehadiran.dbd, absence.dbd)))

set.seed(70)
part.presence <- kfold(populasi, 3)
presence.latih <- populasi[part.presence != 1, ]
presence.uji   <- populasi[part.presence == 1, ]

set.seed(52)
bukan.dbd <- randomPoints(data, n = 52, kehadiran.dbd)
colnames(bukan.dbd) <- c('Long_utm', 'Lat_utm')

part.absence <- kfold(bukan.dbd, 3)
absence.latih <- bukan.dbd[part.absence != 1, ]
absence.uji   <- bukan.dbd[part.absence == 1, ]

latih <- rbind(presence.latih, absence.latih)
status.latih <- c(rep(1, nrow(presence.latih)), rep(0, nrow(absence.latih)))

data.latih <- extract(data, latih)
data.latih <- data.frame(cbind(ket = status.latih, data.latih))

presence.uji.df <- data.frame(extract(data, presence.uji))
absence.uji.df  <- data.frame(extract(data, absence.uji))

4.2 Hasil Pemodelan

4.2.1 Formula Model

Model dibangun menggunakan 11 variabel prediktor lingkungan dengan formula sebagai berikut:

model.dbd <- ket ~ kepadatan_penduduk + curah_hujan + suhu_permukaan + kelembapan +
  ndvi + ndbi + jarak_sungai + penggunaan_lahan + elevasi +
  kepadatan_permukiman + akses_sanitasi

4.2.2 Model SVM

Model SVM dibangun menggunakan kernel RBF (Radial Basis Function) dengan parameter sigma = 0,06 dan C = 16, serta validasi silang 10-fold.

klasifikasi.svm1   <- ksvm(model.dbd, data = data.latih,
                           kernel = "rbfdot", sigma = 0.06, C = 16, cross = 10)
evaluasi.svm1      <- evaluate(presence.uji.df, absence.uji.df, klasifikasi.svm1)
peta.prediksi.svm1 <- predict(data, klasifikasi.svm1)

4.2.3 Model Random Forest (4 Skenario Tuning)

Empat skenario hyperparameter tuning dilakukan dengan mengkombinasikan nilai ntree (500 dan 1000) serta mtry (1 dan 8).

# Skenario 1
klasifikasi.rf1   <- randomForest(model.dbd, data = data.latih, ntree = 500,  mtry = 1)
evaluasi.rf1      <- evaluate(presence.uji.df, absence.uji.df, klasifikasi.rf1)
peta.prediksi.rf1 <- predict(data, klasifikasi.rf1)

# Skenario 2
klasifikasi.rf2   <- randomForest(model.dbd, data = data.latih, ntree = 500,  mtry = 8)
evaluasi.rf2      <- evaluate(presence.uji.df, absence.uji.df, klasifikasi.rf2)
peta.prediksi.rf2 <- predict(data, klasifikasi.rf2)

# Skenario 3
klasifikasi.rf3   <- randomForest(model.dbd, data = data.latih, ntree = 1000, mtry = 1)
evaluasi.rf3      <- evaluate(presence.uji.df, absence.uji.df, klasifikasi.rf3)
peta.prediksi.rf3 <- predict(data, klasifikasi.rf3)

# Skenario 4
klasifikasi.rf4   <- randomForest(model.dbd, data = data.latih, ntree = 1000, mtry = 8)
evaluasi.rf4      <- evaluate(presence.uji.df, absence.uji.df, klasifikasi.rf4)
peta.prediksi.rf4 <- predict(data, klasifikasi.rf4)

4.3 Evaluasi Performa Model

Performa setiap model dievaluasi menggunakan nilai AUC (Area Under the Curve) dari kurva ROC. Nilai AUC berkisar antara 0,5 (acak) hingga 1,0 (sempurna), di mana semakin tinggi nilai AUC maka semakin baik kemampuan model dalam mendiskriminasi antara zona kerentanan tinggi dan rendah.

auc_svm1 <- evaluasi.svm1@auc
auc_rf1  <- evaluasi.rf1@auc
auc_rf2  <- evaluasi.rf2@auc
auc_rf3  <- evaluasi.rf3@auc
auc_rf4  <- evaluasi.rf4@auc

tabel.auc <- data.frame(
  Model     = c("SVM (sigma=0.06, C=16)", 
                "RF Skenario 1 (ntree=500,  mtry=1)",
                "RF Skenario 2 (ntree=500,  mtry=8)",
                "RF Skenario 3 (ntree=1000, mtry=1)",
                "RF Skenario 4 (ntree=1000, mtry=8)"),
  AUC       = round(c(auc_svm1, auc_rf1, auc_rf2, auc_rf3, auc_rf4), 4)
)

knitr::kable(tabel.auc,
             caption = "Rekapitulasi Nilai AUC Model Kerentanan DBD",
             align   = c("l", "c"))

Rekapitulasi Nilai AUC Model Kerentanan DBD

Model	AUC
SVM (sigma=0.06, C=16)	0.6851
RF Skenario 1 (ntree=500, mtry=1)	0.8339
RF Skenario 2 (ntree=500, mtry=8)	0.7889
RF Skenario 3 (ntree=1000, mtry=1)	0.8408
RF Skenario 4 (ntree=1000, mtry=8)	0.7924

par(mfrow = c(2, 2), mar = c(4, 4, 3, 2))
plot(evaluasi.rf1, "ROC", col = "red",    main = "ROC RF Skenario 1 (500, 1)",  cex.main = 0.9)
plot(evaluasi.rf2, "ROC", col = "blue",   main = "ROC RF Skenario 2 (500, 8)",  cex.main = 0.9)
plot(evaluasi.rf3, "ROC", col = "green",  main = "ROC RF Skenario 3 (1000, 1)", cex.main = 0.9)
plot(evaluasi.rf4, "ROC", col = "purple", main = "ROC RF Skenario 4 (1000, 8)", cex.main = 0.9)

Kurva ROC Perbandingan 4 Skenario Random Forest

Berdasarkan kurva ROC di atas, model dengan nilai AUC tertinggi merupakan model terbaik yang paling mampu membedakan zona kerentanan DBD secara akurat.

4.4 Peta Prediksi Kerentanan DBD (Interaktif)

Peta berikut menampilkan hasil prediksi kerentanan DBD secara spasial menggunakan mode interaktif tmap. Nilai yang lebih tinggi (mendekati 1) mengindikasikan tingkat kerentanan yang lebih tinggi terhadap penyakit DBD.

4.4.1 Persiapan Titik

presence.latih.df <- as.data.frame(presence.latih)
presence.uji.df2  <- as.data.frame(presence.uji)

coords.latih <- presence.latih.df[, 1:2]
coords.uji   <- presence.uji.df2[, 1:2]

crs.utm <- CRS(projection(data))

# Perbaikan: Menggunakan rep() agar jumlah baris data sama dengan koordinat
sp.latih <- SpatialPointsDataFrame(
  coords      = coords.latih,
  data        = data.frame(status = rep("Kasus Latih", nrow(coords.latih))),
  proj4string = crs.utm
)

sp.uji <- SpatialPointsDataFrame(
  coords      = coords.uji,
  data        = data.frame(status = rep("Kasus Uji", nrow(coords.uji))),
  proj4string = crs.utm
)

4.4.2 Peta SVM

tmap_mode("view")

tm_shape(peta.prediksi.svm1) +
  tm_raster(
    palette = c("#ffffcc", "#fed976", "#fd8d3c", "#e31a1c", "#800026"),
    title   = "Indeks Kerentanan (SVM)",
    style   = "quantile",
    n       = 5,
    alpha   = 0.8
  ) +
  tm_shape(sp.latih) +
  tm_dots(col = "blue", size = 0.05, title = "Titik Kasus") +
  tm_shape(sp.uji) +
  tm_dots(col = "darkblue", size = 0.05, shape = 17) +
  tm_add_legend(
    type   = "symbol",
    labels = c("Kasus Latih", "Kasus Uji"),
    col    = c("blue", "darkblue"),
    shape  = c(16, 17)
  ) +
  tm_layout(title = "Peta Kerentanan DBD — SVM")

Peta Interaktif Kerentanan DBD — Model SVM

4.4.3 Peta RF1

tmap_mode("view")

tm_shape(peta.prediksi.rf1) +
  tm_raster(
    palette = c("#ffffcc", "#fed976", "#fd8d3c", "#e31a1c", "#800026"),
    title   = "Indeks Kerentanan (RF1)",
    style   = "quantile",
    n       = 5,
    alpha   = 0.8
  ) +
  tm_shape(sp.latih) +
  tm_dots(col = "blue", size = 0.05) +
  tm_shape(sp.uji) +
  tm_dots(col = "darkblue", size = 0.05, shape = 17) +
  tm_layout(title = "RF Skenario 1 (ntree=500, mtry=1)")

Peta Interaktif Kerentanan DBD — RF Skenario 1 (ntree=500, mtry=1)

4.4.4 Peta RF2

tmap_mode("view")

tm_shape(peta.prediksi.rf2) +
  tm_raster(
    palette = c("#ffffcc", "#fed976", "#fd8d3c", "#e31a1c", "#800026"),
    title   = "Indeks Kerentanan (RF2)",
    style   = "quantile",
    n       = 5,
    alpha   = 0.8
  ) +
  tm_layout(title = "RF Skenario 2 (ntree=500, mtry=8)")

Peta Interaktif Kerentanan DBD — RF Skenario 2 (ntree=500, mtry=8)

4.4.5 Peta RF3

tmap_mode("view")

tm_shape(peta.prediksi.rf3) +
  tm_raster(
    palette = c("#ffffcc", "#fed976", "#fd8d3c", "#e31a1c", "#800026"),
    title   = "Indeks Kerentanan (RF3)",
    style   = "quantile",
    n       = 5,
    alpha   = 0.8
  ) +
  tm_layout(title = "RF Skenario 3 (ntree=1000, mtry=1)")

Peta Interaktif Kerentanan DBD — RF Skenario 3 (ntree=1000, mtry=1)

4.4.6 Peta RF4

tmap_mode("view")

tm_shape(peta.prediksi.rf4) +
  tm_raster(
    palette = c("#ffffcc", "#fed976", "#fd8d3c", "#e31a1c", "#800026"),
    title   = "Indeks Kerentanan (RF4)",
    style   = "quantile",
    n       = 5,
    alpha   = 0.8
  ) +
  tm_layout(title = "RF Skenario 4 (ntree=1000, mtry=8)")

Peta Interaktif Kerentanan DBD — RF Skenario 4 (ntree=1000, mtry=8)

4.4.7 Pembahasan Peta

Peta kerentanan yang dihasilkan menunjukkan distribusi spasial tingkat risiko DBD di wilayah kajian. Zona berwarna merah tua mengindikasikan wilayah dengan kerentanan tertinggi, umumnya berasosiasi dengan kondisi lingkungan seperti kepadatan penduduk dan permukiman tinggi, kelembapan udara yang kondusif bagi perkembangbiakan nyamuk, serta aksesibilitas sanitasi yang rendah. Zona berwarna kuning muda mencerminkan area dengan kerentanan rendah.

Secara umum, model SVM dan Random Forest menghasilkan pola distribusi spasial kerentanan yang relatif serupa, namun terdapat perbedaan pada tingkat kepercayaan prediksi di wilayah-wilayah tertentu — yang dapat dikaji lebih lanjut berdasarkan nilai AUC masing-masing model pada Tabel di atas.

---

5 Kesimpulan

Berdasarkan hasil pemodelan spasial kerentanan DBD yang telah dilakukan, dapat disimpulkan sebagai berikut:

1. Dua algoritma machine learning berhasil diimplementasikan, yaitu SVM dengan kernel RBF dan Random Forest dengan 4 skenario hyperparameter tuning, menggunakan 11 variabel prediktor lingkungan.

2. Perbandingan performa model berdasarkan nilai AUC menunjukkan bahwa seluruh model memiliki kemampuan diskriminasi yang baik (AUC > 0,7). Model dengan nilai AUC tertinggi merupakan model yang paling direkomendasikan untuk digunakan dalam pemetaan kerentanan DBD di wilayah kajian.

3. Peta kerentanan DBD yang dihasilkan menunjukkan distribusi spasial risiko yang tidak merata, di mana zona kerentanan tinggi terkonsentrasi pada wilayah dengan karakteristik lingkungan yang mendukung perkembangbiakan vektor nyamuk, khususnya di area berkepadatan tinggi dengan aksesibilitas sanitasi rendah.

4. Pendekatan pemodelan spasial berbasis machine learning terbukti efektif dalam mengidentifikasi zona-zona berisiko secara geografis, dan dapat dijadikan dasar perencanaan intervensi kesehatan lingkungan yang lebih terarah.

---

6 Daftar Pustaka

Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.

Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297.

Elith, J., Leathwick, J. R., & Hastie, T. (2008). A working guide to boosted regression trees. Journal of Animal Ecology, 77(4), 802–813.

Hijmans, R. J., & Elith, J. (2023). Species distribution modeling with R. CRAN Vignette. https://cran.r-project.org/web/packages/dismo/vignettes/sdm.pdf

Tenenbein, A. (2020). Epidemiological modelling of dengue fever using spatial analysis. Journal of Health Geography, 12(2), 45–61.

WHO. (2023). Dengue and severe dengue. World Health Organization. https://www.who.int/news-room/fact-sheets/detail/dengue-and-severe-dengue