Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Jurnal Geografi JAGAT (Jurnal Geografi Aplikasi dan Teknologi)
Mizan, Rahmat azul
Program Studi Magister Penginderaan Jauh, Departemen Sains Informasi Geografi, Fakultas Geografi, Universitas Gadjah Mada
Agriculture, Biological Sciences & Forestry Computer Science & IT Earth & Planetary Sciences Education Engineering Environmental Science Social Sciences Other

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Pola Spasial Persebaran Tingkat Kerentanan Wilayah Terhadap Penyakit Demam Berdarah Dengue (DBD). Kasus Kota Baubau, Provinsi Sulawesi Tenggara Mizan, Rahmat azul; Widayati, Weka; Harimudin, Jamal
JAGAT (Jurnal Geografi Aplikasi dan Teknologi) Vol 1, No 1 (2017): JAGAT (Jurnal Geografi Aplikasi dan Teknologi)
Publisher : Universitas Halu Oleo

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1334.95 KB) | DOI: 10.33772/jagat.v1i1.6338

Abstract

Kota Baubau merupakan enam Kabupaten/Kota yang menjadi daerah dengan tingkat kasus demam berdarah tertinggi salama periode 2010 sampai 2014.Penelitian ini bertujuan untuk menentukan pola kejadian demam berdarah dengue dan sebaran tingkat kerentanan wilayah terhadap penyakit demam berdarah dengue di Kota Baubau. Jenis penelitian ini adalah deskriptif-kuantitatif yang berbasis penginderaan jarak jauh dan sistem informasi geografi berdasarkan proses observasi, interpretasi citra satelit dan pemberian skor terhadap variabel penelitian yang terdiri dari penggunaaan lahan, kepadatan permukiman, pola permukiman, kepadatan penduduk, jangkauan terbang nyamuk infektif, curah hujan, suhu udara dan kelembaban udara. Metode analisis yang digunakan dalam penelitian ini adalah analisis tetangga terdekat (analysis nearest neighbor) dan analis tumpang susun (overlay). Hasil penelitian ini menunjukan bahwa pola kejadian demam berdarah dengue di Kota Baubau terjadi secara mengelompok (clustered) dengan nilai indeks 0,371705. Pengelompokan kasus demam berdarah terjadi di 4 kecamatan yaitu Kecamatan Wolio, Murhum, Betoambari dan Kecamatan Batu Puaro.  Secara umum Kota Baubau dikategorikan rentan terhadap penyakit demam berdarah dengue dengan persentase luas wilayah rentan dan sangan rentan sebesar 22,91% dan 15,61%. Sebaran kerentanan wilayah terhadap penyakit demam berdarah dengue dengan kategori tinggi ditemukan pada Kecamatan Wolio, Kecamatan Murhum, Kecamatan Betoambari dan Kecamatan Batu Puaro.Kata Kunci:Pola Spasial, Persebaran, Tingkat Kerentanan, DBDDOI : 10.5281/zenodo.2658155
Pemetaan Distribusi Kerentanan Penyakit Demam Berdarah di Kota Baubau Menggunakan Algoritma Machine Learning Mizan, Rahmat Azul; Widayani, Prima; Farda, Nur Mohammad
JAGAT (Jurnal Geografi Aplikasi dan Teknologi) Vol 4, No 2 (2020): JAGAT (Jurnal Geografi Aplikasi dan Teknologi)
Publisher : Universitas Halu Oleo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33772/jagat.v4i2.14664

Abstract

Sejak tahun 2013 hingga tahun 2017 serangan penyakit demam berdarah (DBD) di Kota Baubau terus mengalami peningkatan jumlah angka kesakitan. Laporan Dinas Kesehatan Propinsi Sulawesi Tenggara Tahun 2018 menunjukan fakta bahwa Baubau merupakan kota dengan angka kejadian DBD tertinggi ketiga dari 17 kabupaten/kota lainnya. Pemetaan distribusi tingkat kerentanan wilayah terhadap penyakit DBD merupakan langkah penting dalam mendukung penyusunan strategi penanganan penyakit DBD. Penelitian ini bertujuan memetakan dan mendeskripsikan distribusi tingkat kerentanan lokasi penelitian. Kota Baubau sebagai lokasi penelitian dengan mengambil populasi sebanyak 129 kasus kejadian sepanjang tahun 2015 hingga Februari 2016. Dalam penelitian ini, kami mensimulasikan distribusi kerentanan wilayah terhadap penyakit demam berdarah pada resolusi spasial 30x30 meter. Model dibuat menggunakan dua algoritma machine learning yang cukup kuat dan umum digunakan mencakup support vector machine (SVM) dan random forest (RF) dengan melibatkan sejumlah variabel seperti penggunaan/tutupan lahan, NDVI, BLFEI, LST, curah hujan dan kelembapan tahunan yang diturunkan dari citra Landsat 8 OLI/TIRS dan data iklim BMKG serta BWS. Kemampuan model dinilai menggunakan kurva area under curve-receiver operating characteristic (AUC-ROC). Hasil penelitian menunjukan Kecamatan Batupuaro dan Murhum merupakan kecamatan yang wilayah administrasinya didominasi oleh zona rentan sebesar 92,54% dan 41, 74% dari luas total wilayah masing-masing
ASSESSMENT AND COMPARISON OF MACHINE LEARNING ALGORITHM CAPABILITY IN SPATIAL MODELING OF DENGUE FEVER VULNERABILITY BASED ON LANDSAT IMAGE 8 OLI/TIRS Rahmat Azul Mizan; Prima Widayani; Nur Mohammad Farda
JURNAL GEOGRAFI Vol 13, No 2 (2021): JURNAL GEOGRAFI
Publisher : Universitas Negeri Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24114/jg.v13i2.21019

Abstract

The spread of dengue fever in Indonesia has become a major health problem. Spatial modeling for the distribution of dengue fever vulnerability is an important step to support the planning and mitigation of dengue fever in Indonesia. This study aims to assess and compare the capability of two machine learning algorithms to create a spatial model of dengue fever vulnerability. The research was conducted in Baubau City, Southeast Sulawesi Province by taking 129 cases that occurred from 2015 to February 2016. In this study, the model was created using R software and machine learning algorithms including support vector machine (SVM) and random forest (RF). The six modeling variables involved include land use/cover, BLFEI, NDVI, LST, rainfall and humidity extracted from Landsat 8 OLI/TIRS imagery as well as BMKG (Meteorological, Climatological, and Geophysical Agency of Indonesia) and BWS climate data. The model's capability was assessed using the Area Under Curve-Receiver Operating Characteristic (AUC-ROC) curve. The results of the research show that both algorithms provide excellent model accuracy with AUC values of 1 for SVM and 0.997 for RF with SVM as the best algorithm for modeling dengue fever in Baubau City.Keywords: Machine Learning, Vulnerability, Dengue Fever, Landsat 8 Image
Co-Authors Harimudin, Jamal Nur Mohammad Farda Nur Mohammad Farda Prima Widayani Weka Widayati, Weka