Analisis Spasial Jumlah Kejadian Diare di Kabupaten Tanah Bumbu Tahun 2020
Penyakit diare masih menjadi salah satu masalah kesehatan masyarakat di Indonesia, termasuk di Kabupaten Tanah Bumbu, Kalimantan Selatan. Diare tidak hanya menimbulkan gangguan kesehatan jangka pendek, tetapi juga berkontribusi terhadap angka kesakitan dan kematian, terutama pada balita. Faktor risiko diare sangat beragam, mulai dari kualitas lingkungan, ketersediaan air bersih, sanitasi, perilaku hidup bersih dan sehat (PHBS), hingga kepadatan penduduk dan akses terhadap fasilitas kesehatan.
Kabupaten Tanah Bumbu memiliki karakteristik wilayah yang beragam, dengan tingkat kepadatan penduduk dan distribusi sarana kesehatan. Kondisi ini memungkinkan terjadinya variasi kejadian diare yang berbeda antar wilayah. Sebagai contoh, kecamatan dengan penduduk lebih padat dan sanitasi terbatas berpotensi memiliki angka kasus yang lebih tinggi dibandingkan kecamatan dengan kepadatan rendah dan akses kesehatan lebih baik.
Analisis spasial menjadi penting untuk memahami bagaimana distribusi kasus diare terbentuk antar kecamatan. Dengan pendekatan spasial, tidak hanya hubungan antar variabel yang dianalisis, tetapi juga keterkaitan antar lokasi (spatial dependence). Hasil analisis spasial akan memberikan gambaran pola penyebaran penyakit diare, mengidentifikasi wilayah dengan risiko tinggi, serta menilai peran faktor kependudukan dan fasilitas kesehatan dalam memengaruhi kejadian diare.
Profil Kabupaten Tanah Bumbu
Kabupaten Tanah Bumbu merupakan salah satu kabupaten di Provinsi Kalimantan Selatan dan terletak di ujung tenggara Pulau Kalimantan. Secara geografis, wilayah ini berbatasan dengan Kabupaten Kotabaru di bagian utara dan timur, Laut Jawa di sisi selatan, serta Kabupaten Banjar dan Kabupaten Tanah Laut di bagian barat.
## Reading layer `Peta_Tanbu' from data source
## `C:\BACKUP TESIS\BACKUPTESIS\Course_GeoAccess\Bootcamp Analisis Spasial Python\Peta_Tanbu.shp'
## using driver `ESRI Shapefile'
## Simple feature collection with 10 features and 6 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: 115.25 ymin: -3.861119 xmax: 116.0874 ymax: -3
## Geodetic CRS: WGS 84## [1] "KECAMATAN" "KABUPATEN" "PROVINSI" "SHAPE_Leng" "SHAPE_Area"
## [6] "NAMA_LENGK" "geometry"Pada Tahun 2020, Kabupaten Tanah Bumbu memiliki 10 kecamatan, yakni Kusan Hilir, Sungai Loban, Satui, Kusan Hulu, Batulicin, Karang Bintang, Simpang Empat, Mantewe, Kuranji, dan Angsana.
Distribusi jumlah kejadian diare per kecamatan di Kabupaten Tanah Bumbu dapat ditampilkan pada peta tematik. Warna pada peta tematik menunjukkan intensitas jumlah kasus: semakin gelap warna yang ditampilkan, semakin tinggi jumlah kejadian diare di kecamatan tersebut, sementara warna yang lebih terang menunjukkan jumlah kasus yang lebih rendah.
Berdasarkan gambar pada peta tematik dapat terlihat adanya variasi antar kecamatan, di mana beberapa wilayah menonjol dengan jumlah kasus yang lebih tinggi dibandingkan wilayah lain. Namun, pola sebarannya belum memperlihatkan adanya kluster spasial yang jelas. Peta ini memberikan gambaran awal bahwa distribusi diare tidak merata, dan hal ini mendorong perlunya analisis lebih lanjut menggunakan pendekatan spasial untuk menguji apakah faktor kepadatan penduduk dan ketersediaan fasilitas kesehatan berhubungan dengan jumlah kejadian yang tercatat.
Analisis spasial dilakukan untuk memahami bagaimana pola distribusi kejadian diare terjadi antar kecamatan di Kabupaten Tanah Bumbu. Pendekatan ini tidak hanya melihat hubungan antar variabel secara statistik, tetapi juga mempertimbangkan dimensi geografis sebagai faktor penting. Penyakit menular seperti diare berpotensi dipengaruhi oleh kondisi lingkungan sekitar, kepadatan penduduk, serta ketersediaan sarana kesehatan. Oleh karena itu, metode analisis spasial digunakan untuk mengidentifikasi apakah terdapat keterkaitan antar kecamatan (spatial dependence) dan bagaimana variasi pengaruh faktor-faktor tersebut pada masing-masing kecamatan (spatial heterogeneity).
Analisis dimulai dengan model regresi linear sederhana (OLS), dilanjutkan dengan uji dependensi spasial menggunakan Moran’s I, kemudian dibandingkan dengan model spasial global (SAR, SEM, SDM).
Regresi Linier Sederhana/ Ordinary Least Squares (OLS)
Analisis awal menggunakan model Ordinary Least Squares (OLS) untuk menguji pengaruh kepadatan penduduk dan jumlah fasilitas kesehatan terhadap jumlah kejadian diare di tingkat kecamatan.
model1 = jumlah_kejadian_diare ~ (kepadatan_penduduk) +(jumlah_fasilitas_kesehatan)
ols = lm(model1, data=tanbu)
summary(ols)##
## Call:
## lm(formula = model1, data = tanbu)
##
## Residuals:
## Min 1Q Median 3Q Max
## -129.480 -27.077 5.599 43.439 70.581
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 223.8058 41.5272 5.389 0.00102 **
## kepadatan_penduduk -0.5328 0.4058 -1.313 0.23062
## jumlah_fasilitas_kesehatan 11.3549 10.1210 1.122 0.29890
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 68.48 on 7 degrees of freedom
## Multiple R-squared: 0.2077, Adjusted R-squared: -0.01872
## F-statistic: 0.9173 on 2 and 7 DF, p-value: 0.4428##
## studentized Breusch-Pagan test
##
## data: ols
## BP = 0.93652, df = 2, p-value = 0.6261##
## Breusch-Godfrey test for serial correlation of order up to 1
##
## data: ols
## LM test = 0.0006131, df = 1, p-value = 0.9802Hasil estimasi menggunakan model OLS menunjukkan bahwa kedua variabel independen tidak signifikan secara statistik (p-value > 0,6) dengan nilai R² sebesar 0,048. Artinya, hanya sekitar 5% variasi kejadian diare dapat dijelaskan oleh kedua variabel tersebut. Dengan demikian, model linear sederhana ini kurang mampu menjelaskan variasi jumlah kasus diare antar kecamatan di Kabupaten Tanah Bumbu.
Meskipun demikian, hasil uji asumsi klasik melalui Breusch–Pagan test (heteroskedastisitas) dan Breusch–Godfrey test (autokorelasi) menunjukkan tidak terdapat pelanggaran serius. Model OLS masih memenuhi asumsi dasar regresi, tetapi daya jelaskannya lemah.
Pembentukan Matriks Pembobot
Matriks pembobot (W) merepresentasikan “kedekatan” antar kecamatan. Tiga pendekatan yang umum digunakan ialah contiguity (berbatasan), k-nearest neighborss (tetangga terdekat berdasarkan jarak), dan inverse distance (pembobot berdasarkan kebalikan jarak).
Matriks Pembobot Contiguity
library(sf)
library(spdep)
# # matriks pembobot contiguity
contig = poly2nb(tanbu.map, queen=TRUE)
# kalau ada "Error in s2_geography_from_wkb", run ini --> sf::sf_use_s2(FALSE)
mat.contig = nb2mat(contig, style="W")
W.contig = nb2listw(contig, style="W")
W.contig## Characteristics of weights list object:
## Neighbour list object:
## Number of regions: 10
## Number of nonzero links: 36
## Percentage nonzero weights: 36
## Average number of links: 3.6
##
## Weights style: W
## Weights constants summary:
## n nn S0 S1 S2
## W 10 100 10 5.818651 43.04524Matriks Pembobot K-Nearest neighbors
# Konversi dari sf ke sp agar dapat menggunakan coordinates()
library(sp)
tanbu.map_sp <- as(tanbu.map, "Spatial")
# # matriks pembobot K-nearest neighbour , misalkan ditentukan 5 tetangga
neighbour = knearneigh(coordinates(tanbu.map_sp), k=5, longlat=T) # create matrix contains list of k nearest neighbours of each other
neighbourlist = knn2nb(neighbour) # create neighbourhood lists from knn object returned by knearneigh
mat.knn5 = nb2mat(neighbourlist, style="W") # generates a weights matrix for a neighbours list
W.knn5 = nb2listw(neighbourlist, style="W") # create spatial weights for neighbours lists
W.knn5## Characteristics of weights list object:
## Neighbour list object:
## Number of regions: 10
## Number of nonzero links: 50
## Percentage nonzero weights: 50
## Average number of links: 5
## Non-symmetric neighbours list
##
## Weights style: W
## Weights constants summary:
## n nn S0 S1 S2
## W 10 100 10 3.6 41.52Matriks Pembobot Invers Jarak
# # matriks invers jarak
jaraklist = knn2nb(knearneigh(coordinates(tanbu.map_sp), k=5, longlat=T))
jarak = nbdists(jaraklist, coordinates(tanbu.map_sp), longlat=T)
inv.jarak = lapply(jarak, function(x) 1/(x))
mat.inv.jarak = nb2mat(jaraklist, glist = inv.jarak, style="W")
W.inv.jarak = nb2listw(jaraklist, glist = inv.jarak, style="W")
W.inv.jarak## Characteristics of weights list object:
## Neighbour list object:
## Number of regions: 10
## Number of nonzero links: 50
## Percentage nonzero weights: 50
## Average number of links: 5
## Non-symmetric neighbours list
##
## Weights style: W
## Weights constants summary:
## n nn S0 S1 S2
## W 10 100 10 4.218028 41.57022Dependensi Spasial
##
## Moran I test under randomisation
##
## data: tanbu$jumlah_kejadian_diare
## weights: W.contig
##
## Moran I statistic standard deviate = 0.92364, p-value = 0.1778
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.06545102 -0.11111111 0.03654142##
## Moran I test under randomisation
##
## data: tanbu$jumlah_kejadian_diare
## weights: W.knn5
##
## Moran I statistic standard deviate = -0.80915, p-value = 0.7908
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## -0.20531146 -0.11111111 0.01355344##
## Moran I test under randomisation
##
## data: tanbu$jumlah_kejadian_diare
## weights: W.inv.jarak
##
## Moran I statistic standard deviate = 0.36972, p-value = 0.3558
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## -0.05826707 -0.11111111 0.02042923Uji Moran’s I digunakan untuk menguji apakah terdapat pola keterkaitan spasial antar kecamatan. Berdasarkan hasil uji Moran’s I yang telah dilakukan, memberikan indikasi adanya korelasi spasial, namun kekuatannya relatif lemah, baik menggunakan matriks pembobot contiguity, pembobot k-nearest neighbors, maupun pembobot invers jarak. Walaupun secara teori penyakit menular seperti diare dapat menyebar antar wilayah, hasil ini memperlihatkan bahwa pengaruh spasial antar kecamatan tidak terlalu kuat di Kabupaten Tanah Bumbu tahun 2020.
Model Spasial Global
Untuk memastikan tidak adanya pengaruh spasial, dilakukan estimasi model spasial global yakni Model SAR, SEM, dan SDM
Estimasi Model Spatial Autoregressive (SAR)
library(spatialreg)
# estimasi SAR
sar.cont = lagsarlm(model1, data=tanbu, W.contig)
summary(sar.cont)##
## Call:lagsarlm(formula = model1, data = tanbu, listw = W.contig)
##
## Residuals:
## Min 1Q Median 3Q Max
## -126.1477 -31.2536 4.8347 45.1204 67.7258
##
## Type: lag
## Coefficients: (asymptotic standard errors)
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 185.59395 86.34913 2.1493 0.03161
## kepadatan_penduduk -0.53004 0.33619 -1.5766 0.11489
## jumlah_fasilitas_kesehatan 11.28196 8.38153 1.3460 0.17829
##
## Rho: 0.16819, LR test value: 0.12701, p-value: 0.72155
## Asymptotic standard error: 0.3712
## z-value: 0.45309, p-value: 0.65049
## Wald statistic: 0.20529, p-value: 0.65049
##
## Log likelihood: -54.60851 for lag model
## ML residual variance (sigma squared): 3216.3, (sigma: 56.713)
## Number of observations: 10
## Number of parameters estimated: 5
## AIC: 119.22, (AIC for lm: 117.34)
## LM test for residual autocorrelation
## test value: 0.0040327, p-value: 0.94937## Impact measures (lag, exact):
## Direct Indirect Total
## kepadatan_penduduk -0.534302 -0.1029078 -0.6372098
## jumlah_fasilitas_kesehatan 11.372658 2.1904012 13.5630592##
## Call:lagsarlm(formula = model1, data = tanbu, listw = W.knn5)
##
## Residuals:
## Min 1Q Median 3Q Max
## -102.675 -13.525 11.640 25.353 64.626
##
## Type: lag
## Coefficients: (asymptotic standard errors)
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 479.88399 133.88150 3.5844 0.0003379
## kepadatan_penduduk -0.37513 0.28133 -1.3334 0.1823945
## jumlah_fasilitas_kesehatan 7.78417 6.90617 1.1271 0.2596864
##
## Rho: -1.2494, LR test value: 2.5486, p-value: 0.11039
## Asymptotic standard error: 0.62874
## z-value: -1.9872, p-value: 0.046903
## Wald statistic: 3.9489, p-value: 0.046903
##
## Log likelihood: -53.39771 for lag model
## ML residual variance (sigma squared): 2110.3, (sigma: 45.938)
## Number of observations: 10
## Number of parameters estimated: 5
## AIC: 116.8, (AIC for lm: 117.34)
## LM test for residual autocorrelation
## test value: 0.66216, p-value: 0.4158## Impact measures (lag, exact):
## Direct Indirect Total
## kepadatan_penduduk -0.4406999 0.2739307 -0.1667691
## jumlah_fasilitas_kesehatan 9.1447115 -5.6841806 3.4605309##
## Call:lagsarlm(formula = model1, data = tanbu, listw = W.inv.jarak)
##
## Residuals:
## Min 1Q Median 3Q Max
## -129.6378 -25.1668 8.2646 41.1974 71.7051
##
## Type: lag
## Coefficients: (asymptotic standard errors)
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 243.17765 111.10265 2.1888 0.02861
## kepadatan_penduduk -0.52565 0.34591 -1.5196 0.12861
## jumlah_fasilitas_kesehatan 11.21037 8.54266 1.3123 0.18943
##
## Rho: -0.093573, LR test value: 0.033868, p-value: 0.85399
## Asymptotic standard error: 0.49143
## z-value: -0.19041, p-value: 0.84899
## Wald statistic: 0.036256, p-value: 0.84899
##
## Log likelihood: -54.65508 for lag model
## ML residual variance (sigma squared): 3266.5, (sigma: 57.153)
## Number of observations: 10
## Number of parameters estimated: 5
## AIC: 119.31, (AIC for lm: 117.34)
## LM test for residual autocorrelation
## test value: 1.2062, p-value: 0.2721## Impact measures (lag, exact):
## Direct Indirect Total
## kepadatan_penduduk -0.5265117 0.04584288 -0.4806688
## jumlah_fasilitas_kesehatan 11.2288235 -0.97768311 10.2511403#sar.mig = lagsarlm(model1, data=tanbu, W.migrasi)
#summary(sar.mig)
#impacts(sar.mig, listw=W.migrasi)Berdasarkan hasil analisis menggunakan model Spatial Autoregressive Model (SAR) dapat diketahui bahwa parameter rho (efek spasial lag) tidak signifikan. Hal ini menunjukkan bahwa jumlah kasus diare di satu kecamatan tidak dipengaruhi langsung oleh kasus di kecamatan tetangga.
Estimasi Spatial Error Model (SEM)
##
## Call:errorsarlm(formula = model1, data = tanbu, listw = W.contig)
##
## Residuals:
## Min 1Q Median 3Q Max
## -127.344 -29.623 4.731 44.655 70.171
##
## Type: error
## Coefficients: (asymptotic standard errors)
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 222.93918 36.06921 6.1809 6.375e-10
## kepadatan_penduduk -0.52160 0.33587 -1.5530 0.1204
## jumlah_fasilitas_kesehatan 11.02053 8.45301 1.3037 0.1923
##
## Lambda: 0.099738, LR test value: 0.033182, p-value: 0.85546
## Asymptotic standard error: 0.39844
## z-value: 0.25032, p-value: 0.80234
## Wald statistic: 0.062662, p-value: 0.80234
##
## Log likelihood: -54.65542 for error model
## ML residual variance (sigma squared): 3263.4, (sigma: 57.126)
## Number of observations: 10
## Number of parameters estimated: 5
## AIC: 119.31, (AIC for lm: 117.34)##
## Call:errorsarlm(formula = model1, data = tanbu, listw = W.knn5)
##
## Residuals:
## Min 1Q Median 3Q Max
## -19.99627 -8.83201 0.94036 6.33467 19.56829
##
## Type: error
## Coefficients: (asymptotic standard errors)
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 218.262311 5.490069 39.7558 < 2.2e-16
## kepadatan_penduduk -0.787501 0.060815 -12.9492 < 2.2e-16
## jumlah_fasilitas_kesehatan 16.498256 1.825463 9.0378 < 2.2e-16
##
## Lambda: -4.0755, LR test value: 16.058, p-value: 6.1445e-05
## Asymptotic standard error: 0.11113
## z-value: -36.675, p-value: < 2.22e-16
## Wald statistic: 1345.1, p-value: < 2.22e-16
##
## Log likelihood: -46.64322 for error model
## ML residual variance (sigma squared): 148.34, (sigma: 12.18)
## Number of observations: 10
## Number of parameters estimated: 5
## AIC: 103.29, (AIC for lm: 117.34)##
## Call:errorsarlm(formula = model1, data = tanbu, listw = W.inv.jarak)
##
## Residuals:
## Min 1Q Median 3Q Max
## -128.857 -18.979 12.846 33.523 71.357
##
## Type: error
## Coefficients: (asymptotic standard errors)
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 223.06401 32.14549 6.9392 3.943e-12
## kepadatan_penduduk -0.61872 0.36358 -1.7017 0.08881
## jumlah_fasilitas_kesehatan 12.89558 8.54736 1.5087 0.13137
##
## Lambda: -0.38582, LR test value: 0.30153, p-value: 0.58293
## Asymptotic standard error: 0.56009
## z-value: -0.68885, p-value: 0.49092
## Wald statistic: 0.47451, p-value: 0.49092
##
## Log likelihood: -54.52125 for error model
## ML residual variance (sigma squared): 3102.7, (sigma: 55.702)
## Number of observations: 10
## Number of parameters estimated: 5
## AIC: 119.04, (AIC for lm: 117.34)Berdasarkan hasil analisis menggunakan model Spatial Error Model (SEM) dapat diketahui bahwa parameter lambda tidak signifikan, artinya tidak ada korelasi spasial pada error model.
Estimasi Spatial Durbin Model (SDM)
##
## Call:lagsarlm(formula = model1, data = tanbu, listw = W.contig, type = "mixed")
##
## Residuals:
## Min 1Q Median 3Q Max
## -110.679 -21.020 11.155 34.220 73.279
##
## Type: mixed
## Coefficients: (asymptotic standard errors)
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 145.07406 126.40488 1.1477 0.2511
## kepadatan_penduduk -0.53206 0.32861 -1.6191 0.1054
## jumlah_fasilitas_kesehatan 10.26276 8.27809 1.2397 0.2151
## lag.kepadatan_penduduk -0.29377 0.80191 -0.3663 0.7141
## lag.jumlah_fasilitas_kesehatan 21.92942 23.82820 0.9203 0.3574
##
## Rho: 0.11763, LR test value: 0.045652, p-value: 0.83081
## Asymptotic standard error: 0.3942
## z-value: 0.29839, p-value: 0.7654
## Wald statistic: 0.089039, p-value: 0.7654
##
## Log likelihood: -54.19246 for mixed model
## ML residual variance (sigma squared): 2971.6, (sigma: 54.512)
## Number of observations: 10
## Number of parameters estimated: 7
## AIC: 122.38, (AIC for lm: 120.43)
## LM test for residual autocorrelation
## test value: 6.3304, p-value: 0.011868## Impact measures (mixed, exact):
## Direct Indirect Total
## kepadatan_penduduk -0.5436735 -0.3922454 -0.935919
## jumlah_fasilitas_kesehatan 11.0167547 25.4668438 36.483598##
## Call:lagsarlm(formula = model1, data = tanbu, listw = W.knn5, type = "mixed")
##
## Residuals:
## Min 1Q Median 3Q Max
## -8.58293 -5.97010 -0.42434 6.30561 9.67529
##
## Type: mixed
## Coefficients: (asymptotic standard errors)
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 1091.176498 27.073920 40.304 < 2.2e-16
## kepadatan_penduduk -0.685531 0.049672 -13.801 < 2.2e-16
## jumlah_fasilitas_kesehatan 14.012321 1.197660 11.700 < 2.2e-16
## lag.kepadatan_penduduk -3.499809 0.156362 -22.383 < 2.2e-16
## lag.jumlah_fasilitas_kesehatan 84.932857 6.053327 14.031 < 2.2e-16
##
## Rho: -4.2487, LR test value: 25.807, p-value: 3.7733e-07
## Asymptotic standard error: 0.078299
## z-value: -54.263, p-value: < 2.22e-16
## Wald statistic: 2944.5, p-value: < 2.22e-16
##
## Log likelihood: -41.64596 for mixed model
## ML residual variance (sigma squared): 47.314, (sigma: 6.8785)
## Number of observations: 10
## Number of parameters estimated: 7
## AIC: 97.292, (AIC for lm: 121.1)
## LM test for residual autocorrelation
## test value: 1.3843, p-value: 0.23938## Impact measures (mixed, exact):
## Direct Indirect Total
## kepadatan_penduduk -0.400436 -0.3969641 -0.7974001
## jumlah_fasilitas_kesehatan 1.680506 17.1707442 18.8512505##
## Call:lagsarlm(formula = model1, data = tanbu, listw = W.inv.jarak,
## type = "mixed")
##
## Residuals:
## Min 1Q Median 3Q Max
## -98.993 -31.042 10.481 31.072 73.457
##
## Type: mixed
## Coefficients: (asymptotic standard errors)
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 419.04802 181.98075 2.3027 0.02130
## kepadatan_penduduk -0.93273 0.38217 -2.4406 0.01466
## jumlah_fasilitas_kesehatan 18.38054 8.78941 2.0912 0.03651
## lag.kepadatan_penduduk -1.80393 1.01143 -1.7835 0.07450
## lag.jumlah_fasilitas_kesehatan 40.18819 29.54101 1.3604 0.17370
##
## Rho: -0.85203, LR test value: 1.2715, p-value: 0.25949
## Asymptotic standard error: 0.57512
## z-value: -1.4815, p-value: 0.13848
## Wald statistic: 2.1948, p-value: 0.13848
##
## Log likelihood: -53.66394 for mixed model
## ML residual variance (sigma squared): 2380.3, (sigma: 48.788)
## Number of observations: 10
## Number of parameters estimated: 7
## AIC: 121.33, (AIC for lm: 120.6)
## LM test for residual autocorrelation
## test value: 3.2812, p-value: 0.070077## Impact measures (mixed, exact):
## Direct Indirect Total
## kepadatan_penduduk -0.7959891 -0.6816659 -1.477655
## jumlah_fasilitas_kesehatan 15.0572280 16.5668515 31.624080Berdasarkan hasil analisis menggunakan model Spatial Durbin Model (SDM) dapat diketahui bahwa parameter rho (efek spasial lag) tidak signifikan. Hal ini menunjukkan bahwa baik efek langsung maupun efek tidak langsung dari variabel kepadatan penduduk dan fasilitas kesehatan tidak signifikan.
Kesimpulan dan Implikasi
- Berdasarkan analisis menggunakan model OLS, SAR, SEM, dan SDM diperoleh hasil yang tidak signifikan. Hal ini dapat diartikan bahwa kepadatan penduduk dan jumlah fasilitas kesehatan bukanlah faktor dominan yang menjelaskan variasi kejadian diare.
- Untuk memahami variasi kasus diare, perlu mempertimbangkan faktor lain yang lebih relevan, misalnya kualitas air bersih, sanitasi rumah tangga, perilaku hidup bersih dan sehat, kondisi sosial ekonomi, serta faktor lingkungan dan iklim.
- Analisis spasial bermanfaat untuk pemetaan risiko penyakit, namun untuk menghasilkan model yang lebih kuat dibutuhkan data tambahan dengan variabel yang lebih komprehensif.
Daftar Pustaka
[BPS] Badan Pusat Statistik. (2021). “Kabupaten Tanah Bumbu dalam Angka 2021”. Batulicin: BPS Kabupaten Tanah Bumbu.
Fahmi, S. A. (2022). Menggali potensi daerah dengan analisis spasial [Webinar]. Quantitative Research Lab, Departemen Ilmu Ekonomi, Fakultas Ekonomi dan Manajemen, IPB University.