Permodelan Pengetahuan Kesiapan Penanganan Bencana Di Rumah Sakit

Abstract

Bencana alam adalah peristiwa yang umumnya membawa dampak negatif. Indonesia adalah salah satu negara rawan bencana. Rumah sakit merupakan tempat rujukan pertama saat korban bencana membutuhkan perawatan. Pada dasarnya, berbagai studi yang menghasilkan pengetahuan sudah cukup banyak tersedia. Namun untuk penggunaannya pada bencana alam belum dikelola dan diterapkan dengan baik. Jawa Tengah adalah daerah yang rawan dengan bencana alam. Beberapa rumah sakit ditunjuk sebagai rujukan dan harus siap saat melakukan penanganan bencana. Tim penanggulangan bencana telah terbentuk, namun tidak rutin melakukan simulasi penanganan bencana dalam lingkup Rumah Sakit (internal disater) dan tidak seluruh TIM mendapatkan pelatihan. Selain itu, Prosedur SOP (standard operating procedure) pada indikator kesiapsiagaan bencana dalam tahap penyusunan sehingga kurang efektifnya penanganan korban bencana. Maka dari itu, rumah sakit diharapkan mempunyai waktu yang pendek untuk proses pengambilan keputusan saat terjadi bencana. Dari uraian diatas penelti tertarik melakukan penelitian tentang Permodelan Pengetahuan Kesiapan Penanganan Bencana di Rumah Sakit. Berdasarkan hal tersebut maka kami akan membangun medel pengetahuan kesiapan penanganan bencana di rumah sakit. Penelitian ini mengembangkan sebuah model pengetahuan berbasis ontologi untuk kesiapan rumah sakit pada penanganan bencana berdasarkan konsep tenaga kesehatan, institusi terkait, rencana darurat, dan alat. Proses permodelan ontologi pada penelitian ini terdiri dari tiga fase yaitu Konseptualisasi, Implemetasi dan Evaluasi. Pembangunan ontologi didasarkan dari hasil kuisioner yang telah diisi oleh pengurus TIM Bencana dari tiga rumah sakit di Jawa Tengah. Hasil yang didapatkan dari pengukuran ontologi yang dibuat untuk Relationship Richness sebesar 0.61 artinya keberagaman informasi yang dimuat ontologi ini sudah kaya, Inheritance Richness sebesar 0.031 artinya ontology ini termasuk dalam kategori yang spesifik, dan Attribute Richness sebesar 0.09 artinya informasi yang dimuat pada ontologi dapat ditingkatkan lagi. Sedangkan hasil pengujian query yang dilakukan menggunakan DL Query Panel adalah sistem dengan kemapuan memberi sebuah jawaban dari gabungan ekspresi Class, object property untuk mendapatkan instance dari data Individual. Kemudian dilakukan pengujian tambahan dengan cara memberikan pertanyaan yang berbasis pengetahuan dengan mempergunakan SPARQL query.