IDENTITAS DIRI

I Gusti Bagus Harya Putra - 140610230010

BAB 1 - PENDAHULUAN

1.1 Latar Belakang

Tuberkulosis (TB) merupakan penyakit menular yang masih menjadi tantangan besar di dunia, termasuk di Indonesia. Dipicu oleh infeksi Mycobacterium tuberculosis, TB terutama menginfeksi paru-paru dan penyebarannya terjadi lewat droplet yang dikeluarkan penderita saat batuk atau berbicara [Wanda Cruz-Knight et al., 2013]. Tingginya tingkat penularan serta durasi pengobatan yang lama menjadikan TB dikategorikan sebagai penyakit dengan high burden. Di negara-negara dengan jumlah kasus tinggi seperti India, Indonesia, Tiongkok, Filipina, dan Pakistan, usia remaja dan dewasa muda kerap menjadi kelompok utama dalam rantai penularan [R. Ragonnet et al., 2019]. Jawa Barat tercatat sebagai provinsi dengan kasus TB terbanyak di Indonesia, salah satunya akibat tingginya jumlah penduduk dan intensitas mobilitas masyarakat. Data Open Data Jawa Barat tahun 2023 menunjukkan bahwa kasus tuberkulosis paru yang terkonfirmasi secara bakteriologis masih tersebar luas di seluruh wilayah, mencerminkan tingginya tingkat penularan di masyarakat.

Secara epidemiologis, distribusi kasus TB di Jawa Barat memperlihatkan variasi berdasarkan jenis kelamin dan lokasi. Pada tahun 2023, proporsi penderita laki-laki lebih besar daripada perempuan. Kondisi ini berkaitan dengan faktor perilaku seperti merokok, konsumsi alkohol, serta paparan lingkungan kerja yang umumnya lebih riskan pada laki-laki. Selain itu, faktor biologis dan sosial turut memberikan pengaruh; misalnya, sistem imun yang mungkin lebih lemah akibat gaya hidup serta keterbatasan akses perempuan terhadap fasilitas kesehatan karena peran sosial atau kondisi ekonomi. Analisis epidemiologi menegaskan perlunya memperhatikan dimensi gender dalam memahami determinan TB, sebab risiko tak hanya dipengaruhi sisi medis, tapi juga aspek sosial, perilaku, dan situasi lingkungan.

Dilihat dari sudut pandang spasial dan demografi, daerah dengan urbanisasi tinggi seperti Kabupaten Bogor, Kota Bandung, dan Bekasi melaporkan angka kasus TB yang lebih banyak dibandingkan wilayah berpenduduk jarang [Yaping Wang et al., 2025]. Penyebaran TB memang lebih mudah di lingkungan padat, dengan ventilasi udara buruk dan interaksi sosial yang intens. Namun, angka kesembuhan yang berbeda antarwilayah mengindikasikan adanya ketimpangan dalam sistem layanan kesehatan setempat, mulai dari deteksi dini, keberhasilan pengobatan, hingga pemantauan pasien (treatment supervision). Faktor seperti ketersediaan layanan kesehatan, kepatuhan minum obat, serta peran aktif tenaga kesehatan masyarakat (community health workers) sangat berperan dalam memutus transmisi TB [G. Migliori et al., 2019].

Secara umum, gambaran epidemiologi TB paru di Jawa Barat tahun 2023 menunjukkan bahwa meskipun semakin banyak pasien yang mendapat penanganan, beban kasus tetap tinggi dan tingkat kesembuhan tidak merata di seluruh daerah. Ini menandakan bahwa pengendalian TB tidak cukup hanya melalui pendekatan medis, melainkan harus menyentuh determinan sosial dan perilaku yang memengaruhi penularan. Oleh sebab itu, strategi penanggulangan TB memerlukan langkah komprehensif yang berbasis bukti, termasuk memperkuat surveilans epidemiologi, meningkatkan pemahaman masyarakat, serta mendorong kolaborasi lintas sektor agar target eliminasi TB di Jawa Barat semakin dekat sebagai bagian dari cita-cita Indonesia Bebas Tuberkulosis tahun 2030.

1.2 Rumusan Masalah

Berdasarkan latar belakang tersebut, permasalahan yang dikaji dalam penelitian ini dapat dirumuskan sebagai berikut:

Bagaimana gambaran umum situasi epidemiologi HIV di Provinsi Jawa Barat selama periode 2023, meliputi jumlah, jumlah penduduk, serta tingkat prevalensinya?
Bagaimana pola spasial penyebaran TBC di Jawa Barat berdasarkan hasil pemetaan kasus (disease mapping)?
Bagaimana perbandingan TBC menurut jenis kelamin (gender) pada tingkat provinsi maupun kabupaten/kota?

1.3 Tujuan Penelitian

1.3.1 Tujuan Umum

Mengetahui dan menganalisis distribusi spasial serta karakteristik epidemiologis TBC di Provinsi Jawa Barat selama periode 2023 berdasarkan faktor wilayah dan jenis kelamin.

1.3.2 Tujuan Khusus

Menghitung prevalensi TBC pada masing-masing kabupaten/kota di Jawa Barat tahun 2023.
Menganalisis pola distribusi spasial (disease mapping) untuk mengidentifikasi wilayah dengan prevalensi TBC tinggi.
Memberikan interpretasi epidemiologis dan rekomendasi kebijakan berbasis data untuk mendukung upaya pencegahan dan pengendalian TBC di tingkat daerah.

BAB 2 - TINJAUAN PUSTAKA

2.1 Konsep Dasar Epidemiologi

Epidemiologi adalah ilmu yang mempelajari penyebaran dan determinan dari kejagian penyakit atau masalah kesehatan dalam suatu populasi . Selain itu juga belajar mengenai penerapannya dalam mengendalikan masalah tersebut.

Dalam studi epidemiologi, ada konsep agent–host–environment yang menggambarkan bahwa terjadinya suatu penyakit bergantung pada interaksi antara tiga komponen utama.

Agent
Agen penyebab tuberkulosis adalah Mycobacterium tuberculosis, yaitu bakteri berbentuk batang yang bersifat tahan asam dan memiliki dinding sel tebal yang kaya lipid, sehingga mampu bertahan dalam kondisi lingkungan yang kurang mendukung. Struktur dinding sel yang unik ini tidak hanya memberikan ketahanan terhadap asam dan desinfektan, tetapi juga membantu bakteri bertahan hidup di luar tubuh manusia, misalnya saat berada dalam droplet di udara selama proses penularan [S. Mishra et al., 2025]. Penularan terjadi melalui percikan dahak (droplet nuclei) yang keluar saat penderita TB paru aktif batuk, bersin, atau berbicara. Dalam konteks Jawa Barat tahun 2023, tingginya jumlah kasus TB paru terkonfirmasi bakteriologis menunjukkan bahwa transmisi antarindividu masih berlangsung aktif, menandakan adanya keberlanjutan sumber penular (infectious reservoir) di masyarakat.
Host

Host adalah individu yang menjadi tempat hidup atau berkembangnya agen penyakit. Pada kasus TBC, host merupakan individu yang memiliki perilaku dan kondisi tertentu yang meningkatkan risiko infeksi, seperti sistem imun yang lemah (misalnya penderita HIV/AIDS, diabetes, atau malnutrisi), kebiasaan merokok, konsumsi alkohol, serta kurangnya kepatuhan dalam menjalani pengobatan TBC. Selain itu, faktor sosial seperti tingkat pendidikan rendah dan kesadaran kesehatan yang minim turut meningkatkan kerentanan seseorang terhadap TBC.
Environment
Lingkungan merupakan faktor eksternal yang dapat memengaruhi interaksi antara agent dan host. Pada kasus TBC, lingkungan fisik yang padat penduduk, ventilasi udara yang buruk, serta pencahayaan alami yang kurang menjadi faktor utama yang mempercepat penyebaran Mycobacterium tuberculosis. Lingkungan sosial ekonomi seperti kemiskinan, kepadatan perumahan, dan akses terbatas terhadap fasilitas kesehatan juga memperburuk situasi epidemiologis.

Faktor faktor ini saling berinteraksi dan menentukan tingkat kerentanan individu terhadap infeksi.

2.2 Ukuran Asosiasi Epidemiologi

Ukuran asosiasi digunakan dalam epidemiologi untuk mengetahui hubungan antara faktor risiko (exposure) dengan kejadian penyakit (outcome). Dalam penelitian ini, ukuran asosiasi digunakan untuk menganalisis hubungan antara jenis kelamin dengan kejadian TBC. Adapun ukuran yang digunakan pada kasus ini adalah

Prevalensi

Proporsi individu yang memiliki penyakit tertentu (kasus lama + kasus baru) pada suatu titik waktu atau pertiode tertentu. Prevalensi menggambarkan beban penyakit pada populasi dengan rumus

\[ \text{Prevalensi} = \frac{\text{Kasus (lama + baru)}}{\text{Total Populasi}} \times 100\% \]

Sebagai contoh jika disebuah kota berpenduduk 10 ribu orang terdapat 200 penderita, maka prevalensinya adalah 2%.

2.3 Desain Studi Epidemiologi

Berdasarkan tujuan analisis dan sifat data, penelitian ini menggunakan desain studi observasional yang mana, peneliti disini tidak memberikan intervensi terhadap data, melainkan hanya mengamati hubungan antara paparan dan kejadian penyakit.

Pendekatan yang digunakan adalah pendekatan cross-sectional study dimana mengukur paparan dan outcome pada satu titik waktu. Tujuannya adalah mengestimasi prevalensi dan mengekplorasi asosiasi awal. Pada penelitian ini, dilakukan pemetaan terhadap prevalensi dan distribusi kasus di berbagai wilayah di Jawa Barat. Pendekatan ini menggunakan data yang dikumpulkan pada satu titik waktu tertentu, yaitu tahun 2023. Keuntungannya adalah efisien dalam waktu dan biaya, serta cocok untuk menggambarkan situasi epidemiologi terkini.

2.4 Mapping Disease

Disease mapping adalah epresentasi spasial (peta) dari distribusi suatu penyakit, biasanya menunjukkan tingkat prevalensi, insidensi atau resiko penyakit pada daerah tertentu. Tujuannya adalah untuk mengidentifikasi distribusi geografis penyakit, melihat pola sebaran penyakit, mendeteksi area resiko tinggi, membandingkan wilayah sehingga menjadi dasar perencanaan kebijakan kesehatan.

Disease mapping memberikan visualisasi kompleks menjadi sederhana, dapat memberikan intervensi yang lebih tepat sasaran.

BAB 3. METODOLOGI

3.1 Jenis dan Rancangan Penelitian

Penelitian ini merupakan studi epidemiologi deskriptif dengan pendekatan cross-sectional. Pendekatan ini digunakan untuk menggambarkan situasi TBC di Provinsi Jawa Barat pada periode 2023 berdasarkan data kasus dan gender. Analisis dilakukan untuk mengetahui distribusi spasial, menghitung prevalensi, serta menganalisis hubungan antara variabel demografi dengan kejadian TBC.

3.2 Sumber Data

Penelitian ini menggunakan data sekunder yang diperoleh dari instansi resmi open data Jawa Barat.

Jumlah Kasus TBC : https://opendata.jabarprov.go.id/id/dataset/jumlah-kasus-tuberkulosis-paru-terkonfirmasi-bakteriologis-yang-terdaftar-dan-diobati-berdasarkan-jenis-kelamin-di-jawa-barat

Jumlah Kasus Kesembuhan TBC : https://opendata.jabarprov.go.id/id/dataset/jumlah-kesembuhan-tuberkulosis-paru-terkonfirmasi-bakteriologis-berdasarkan-jenis-kelamin-di-jawa-barat

3.3 Variabel Penelitian

Tabel berikut merangkum variabel yang digunakan dalam penelitian ini :

Jenis Variabel	Nama Variabel	Satuan / Kategori	Keterangan
Variabel utama	Jumlah kasus TBC	Kasus (orang)	Total kasus TBC yang dilaporkan per kabupaten/kota
Variabel pendukung	Jumlah penduduk	Jiwa	Jumlah total penduduk di wilayah yang sama
Variabel demografi	Jenis kelamin	Laki-laki / Perempuan	Berdasarkan data laporan kasus

3.4 Metode Analisis Data

Analisis data dilakukan secara deskriptif untuk menggambarkan situasi TBC di Provinsi Jawa Barat periode 2023 berdasarkan tahun, tempat dan variabel pembeda (gender). Analisis dilakukan dalam tiga tahapan utama, sesuai dengan rumusan masalah penelitian, yaitu:

1. Analisis Gambaran Umum Situasi Epidemiologi TBC

Analisis ini bertujuan untuk menggambarkan beban penyakit TBC di Provinsi Jawa Barat secara keseluruhan.
Langkah-langkah analisis meliputi:

Menghitung jumlah kasus HIV, jumlah penduduk, serta prevalensi HIV setiap tahun menggunakan rumus :

\[ \text{Prevalensi} = \frac{\text{Kasus (lama + baru)}}{\text{Total Populasi}} \times 100\% \]

Menyajikan hasil dalam bentuk tabel dan grafik tren untuk memperlihatkan perubahan prevalensi dari tahun 2023
Mengidentifikasi wilayah dengan prevalensi tertinggi dan terendah setiap tahun.

Analisis ini memberikan gambaran umum mengenai beban dan tren penyakit TBC di Provinsi Jawa Barat berdasarkan berbagai dimensi.

2. Analisis Pola Spasial Penyebaran HIV (Disease Mapping)

Analisis spasial dilakukan untuk menggambarkan pola geografis distribusi TBC antarwilayah di Provinsi Jawa Barat. Tahapan yang dilakukan adalah :

Menggabungkan data kasus TBC dan jumlah penduduk dengan peta batas administrasi kabupaten/kota (format shapefile)
Membuat peta tematik (choropleth map) untuk menampilkan variasi spasial prevalensi HIV antarwilayah dan antar tahun.
Melakukan analisis deskriptif spasial untuk mengidentifikasi klaster wilayah dengan prevalensi tinggi.

Hasil pemetaan ini membantu menunjukkan perbedaan beban penyakit antar daerah serta membantu proses kebijakan berbasis data.

3. Analisis Perbandingan Berdasarkan Jenis Kelamin (Gender)

Analisis ini bertujuan untuk menilai perbedaan proporsi penderita TBC antara laki-laki dan perempuan. Langkah-langkah yang dilakukan meliputi:

Menghitung prevalensi TBC menurut jenis kelamin dengan membandingkan jumlah kasus TBC laki-laki dan perempuan terhadap total penduduk laki-laki dan perempuan di tahun pengamatan.
Menghitung prevalensi odds ratio untuk mengukur perbandingan peluang prevalensi TBC antar gender dengan formula

\[ POR = \frac{a/b}{c/d} = \frac{ad}{bc} \]

Jika nilai dari POR lebih dari 1, maka menandakan bahwa kelompok laki laki memiliki peluang prevalensi lebih tinggi dibandingkan perempuan.

Hasil interpretasi dibandingkan dengan teori epidemiologi (konsep agent–host–environment) serta laporan resmi seperti Profil Kesehatan Indonesia dan Profil Kesehatan Jawa Barat untuk memperkuat pembahasan. Untuk penyajian hasil, kami menggunakan R shiny yang nanti dikonversi menjadi dashboard interaktif yang dapat diakses.

BAB 4 - HASIL DAN PEMBAHASAN

4.1 Tabel Kontingensi Kasus TBC dan Kesembuhan Berdasarkan Gender

Hasil analisis ini akan dilakukan dengan membentuk tabel kontingensi dari kasus TBC dan kesembuhan berdasarkan gender dimana hasil tabel kontingensi adalah hasil keseluruhan dari setiap kabupaten/kota

## [1] "=== Tabel Kontingensi 2x2: Jenis Kelamin vs Hasil TBC ==="

##           Kasus TBC Sembuh TBC
## LAKI-LAKI     33639      13822
## PEREMPUAN     24159      10520

Berdasarkan tabel kontingensi tersebut kita dapat melihat bahwa kasus TBC terbesar terjadi kepada gender laki-laki, hal ini mungkin dikarenakan kualitas hidup dari laki-laki yang cenderung tidak bersih dibandingkan dengan perempuan. Namun, dari tabel kontingensi juga menunjukkan bahwa kesembuhan kasus TBC terbanyak juga terjadi kepada gender laki-laki, hal ini mungkin juga disebabkan karena imun tubuh miliki laki-laki lebih kuat dibandingkan dengan perempuan.

4.2 Ukuran Frekuensi

Dalam epidemiologi, ukuran frekuensi digunakan untuk menggambarkan seberapa sering suatu penyakit atau masalah kesehatan terjadi dalam suatu populasi dalam periode waktu tertentu. Ukuran ini menjadi dasar untuk memahami tingkat kejadian, penyebaran, dan dampak penyakit terhadap masyarakat. Melalui ukuran frekuensi, peneliti dapat menilai besarnya beban penyakit serta mengidentifikasi kelompok populasi yang paling berisiko. Pada kasus Tuberkulosis (TBC) di Jawa Barat tahun 2023, ukuran frekuensi membantu menggambarkan seberapa besar proporsi penduduk yang terinfeksi atau berhasil sembuh, baik berdasarkan jenis kelamin maupun wilayah kabupaten/kota.

4.2.1 Prevalensi

Dengan menggunakan rumus perhitungan prevalensi pada bab 3, diperoleh nilai dari prevalensi kasus TBC di Jawa Barat pada tahun 2023 sebagai berikut :

## [1] 0.1159198

Berdasarkan hasil perhitungan prevalensi diperoleh nilai sebesar 0.1159% (dibulatkan dari 0.1159198). Angka ini menunjukkan bahwa pada populasi yang diteliti, sekitar 0.12% dari seluruh penduduk menderita Tuberkulosis (TBC) pada periode waktu tertentu (dalam hal ini tahun 2023). Dengan kata lain, dari setiap 100.000 penduduk, terdapat sekitar 116 orang yang tercatat sebagai kasus TBC. Nilai prevalensi ini menggambarkan proporsi penduduk yang sedang menderita TBC pada tahun pengamatan dan dapat digunakan untuk menilai besarnya beban penyakit dalam populasi.

4.3 Ukuran Asosiasi

Dalam epidemiologi, ukuran asosiasi digunakan untuk menggambarkan hubungan antara faktor risiko (paparan) dengan kejadian suatu penyakit dalam populasi. Ukuran ini membantu menjawab pertanyaan penting seperti “apakah ada hubungan antara faktor tertentu dengan peningkatan risiko penyakit?” atau “seberapa besar pengaruh suatu faktor terhadap timbulnya penyakit?”. Melalui ukuran asosiasi, peneliti dapat menilai kekuatan hubungan antara variabel independen (jenis kelamin) dengan variabel dependen (kejadian TBC).

4.3.1 Prevalance Ratio

Untuk mengetahui adanya hubungan antara jenis kelamin dengan kejadian Tuberkulosis (TBC) di Jawa Barat tahun 2023, dilakukan analisis menggunakan ukuran asosiasi berupa Prevalence Ratio (PR). Ukuran ini digunakan untuk membandingkan proporsi kejadian penyakit antara kelompok yang terpapar faktor risiko (laki-laki) dengan kelompok yang tidak terpapar (perempuan). Melalui perhitungan PR, dapat diketahui apakah laki-laki memiliki prevalensi TBC yang lebih tinggi dibandingkan perempuan, serta seberapa besar perbedaan tersebut secara relatif. Analisis ini penting untuk memahami peran faktor jenis kelamin dalam pola penyebaran TBC dan menjadi dasar dalam penyusunan strategi pencegahan serta pengendalian penyakit yang lebih terarah

## Prevalence Ratio (PR): 1.017

Nilai Prevalence Ratio (PR) sebesar 1.017 menunjukkan bahwa prevalensi Tuberkulosis (TBC) pada laki-laki 1.017 kali lebih tinggi dibandingkan pada perempuan di Jawa Barat tahun 2023. Artinya, secara proporsional, laki-laki memiliki kemungkinan menderita TBC sekitar 1,7% lebih besar dibandingkan perempuan.

4.3.2 Prevalance Odds Ratio

Untuk memperkuat analisis hubungan antara jenis kelamin dan kejadian Tuberkulosis (TBC) di Jawa Barat tahun 2023, digunakan pula ukuran asosiasi berupa Prevalence Odds Ratio (POR). Ukuran ini menggambarkan perbandingan peluang (odds) terjadinya penyakit antara kelompok yang terpapar faktor risiko (laki-laki) dan kelompok yang tidak terpapar (perempuan) pada waktu yang sama. Berbeda dengan Prevalence Ratio yang membandingkan proporsi, Prevalence Odds Ratio menilai seberapa besar kemungkinan seseorang dalam kelompok terpapar mengalami penyakit dibandingkan dengan yang tidak terpapar. Melalui analisis POR, dapat diketahui arah dan kekuatan hubungan antara jenis kelamin dan prevalensi TBC, sehingga memberikan gambaran yang lebih komprehensif terhadap distribusi penyakit di populasi.

## Prevalence Odds Ratio (POR): 1.06

Nilai Prevalence Odds Ratio (POR) sebesar 1.06 menunjukkan bahwa peluang (odds) laki-laki untuk menderita Tuberkulosis (TBC) adalah 1.06 kali lebih besar dibandingkan perempuan di Jawa Barat tahun 2023. Dengan kata lain, laki-laki memiliki peluang sekitar 6% lebih tinggi untuk mengalami TBC dibandingkan perempuan pada periode yang sama.

4.4 Autokorelasi Spasial

Dalam analisis epidemiologi dan geospasial, autokorelasi spasial digunakan untuk menilai sejauh mana suatu fenomena kesehatan seperti penyebaran penyakit menunjukkan pola keterkaitan antarwilayah secara geografis. Konsep ini berangkat dari prinsip bahwa lokasi yang berdekatan cenderung memiliki karakteristik yang mirip dibandingkan lokasi yang berjauhan (Tobler’s First Law of Geography). Dalam konteks Tuberkulosis (TBC), autokorelasi spasial dapat membantu mengidentifikasi apakah daerah dengan angka kasus tinggi cenderung berkelompok dalam suatu wilayah tertentu, atau justru menyebar secara acak. Melalui analisis autokorelasi spasial, peneliti dapat memahami pola distribusi penyakit secara geografis, yang menjadi dasar penting untuk perencanaan kebijakan kesehatan berbasis wilayah. Dengan demikian, autokorelasi spasial tidak hanya menggambarkan hubungan antar lokasi, tetapi juga menjadi langkah awal dalam mendeteksi kluster penyakit yang memerlukan perhatian dan intervensi khusus dari pemerintah daerah.

4.4.1 Global Morans’I

Global Moran’s I memberikan satu nilai indeks tunggal untuk keseluruhan area, sehingga memudahkan peneliti dalam menilai kecenderungan spasial secara global sebelum melakukan analisis lokal. Nilai indeks yang positif menunjukkan adanya klaster wilayah dengan angka kasus serupa, sedangkan nilai negatif mengindikasikan pola yang saling berlawanan atau tersebar secara merata. Dengan demikian, Global Moran’s I menjadi alat penting untuk mengidentifikasi pola distribusi TBC secara umum dan menentukan strategi intervensi kesehatan berbasis wilayah secara lebih efektif.

## 
##  Moran I test under randomisation
## 
## data:  shp_jabar_join$total_Kasus_TBC  
## weights: listw_queen    
## 
## Moran I statistic standard deviate = 1.9399, p-value = 0.0262
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic       Expectation          Variance 
##        0.18571050       -0.04000000        0.01353795

Berdasarkan hasil analisis, nilai Moran’s I = 0.186 dengan p-value = 0.0262 menunjukkan bahwa distribusi kasus Tuberkulosis (TBC) di Jawa Barat pada tahun 2023 tidak terjadi secara acak, melainkan cenderung membentuk klaster spasial positif. Nilai positif Moran’s I mengindikasikan bahwa wilayah dengan jumlah kasus tinggi cenderung berdekatan dengan wilayah lain yang juga memiliki kasus tinggi, begitu pula wilayah dengan kasus rendah cenderung berdekatan dengan wilayah lain yang rendah. Karena p-value < 0.05, hasil ini signifikan secara statistik, sehingga ada bukti kuat bahwa pola distribusi TBC di Jawa Barat memiliki autokorelasi spasial yang nyata, yang menjadi dasar penting untuk identifikasi klaster lokal dan perencanaan intervensi berbasis wilayah.

4.4.2 Local Morans’I (LISA)

Setelah menilai pola distribusi kasus Tuberkulosis (TBC) secara keseluruhan dengan Global Moran’s I, langkah berikutnya adalah mengevaluasi autokorelasi spasial pada tingkat lokal menggunakan Local Moran’s I atau LISA (Local Indicators of Spatial Association). Analisis ini memungkinkan peneliti untuk mengidentifikasi klaster spesifik wilayah yang memiliki jumlah kasus tinggi atau rendah, serta mendeteksi outlier spasial, yaitu wilayah yang berbeda secara signifikan dari tetangganya. Dengan LISA, tidak hanya dapat diketahui apakah terdapat autokorelasi spasial secara global, tetapi juga dimana lokasi-lokasi klaster atau hotspot TBC berada di Jawa Barat. Informasi ini sangat penting bagi perencanaan intervensi kesehatan berbasis wilayah, karena memungkinkan alokasi sumber daya yang lebih tepat sasaran untuk menurunkan prevalensi penyakit di wilayah dengan risiko tinggi.

##              Var1 Freq
## 1       High-High    5
## 2 Not significant   21

Berdasarkan hasil analisis Local Moran’s I, terdapat 5 wilayah yang termasuk dalam kategori High-High, artinya wilayah-wilayah tersebut memiliki angka kasus TBC tinggi dan dikelilingi oleh tetangga yang juga memiliki angka kasus tinggi, sehingga dapat dikategorikan sebagai hotspot TBC. Sebaliknya, sebanyak 21 wilayah termasuk dalam kategori Not significant, yang menunjukkan bahwa kasus TBC di wilayah-wilayah tersebut tidak memiliki autokorelasi spasial yang signifikan dengan tetangganya, sehingga distribusi kasus cenderung acak atau tidak membentuk klaster. Berikut adalah hasil plot LISA kasus TBC di Jawa Barat.

4.4.3 Perbandingan Antar Wilayah

Dari peta terlihat bahwa wilayah barat dan selatan Jawa Barat seperti Kota Bandung, Kota Bogor, Kota Depok, Kota Bekasi, Kota Sukabumi, dan Kota Tasikmalaya termasuk dalam kelompok dengan kasus di atas rata-rata, yang menunjukkan adanya beban TBC yang relatif tinggi di daerah tersebut. Sebaliknya, wilayah timur dan utara Jawa Barat seperti Indramayu, Cirebon, dan Kuningan memiliki kasus TBC di bawah rata-rata, sehingga termasuk wilayah dengan beban penyakit yang lebih rendah.

4.4.4 Peta Distribusi Penyakit

Peta distribusi kasus TBC di Jawa Barat menunjukkan adanya ketimpangan penyebaran penyakit di berbagai wilayah. Daerah dengan jumlah kasus tertinggi terlihat pada wilayah perkotaan padat seperti Kota Bekasi, Kota Bogor, Kabupaten Bandung, dan Kota Bandung, dengan total kasus mencapai lebih dari 3.000. Tingginya angka pada daerah tersebut dapat dikaitkan dengan kepadatan penduduk, mobilitas tinggi, dan kualitas lingkungan yang bervariasi, yang berkontribusi terhadap peningkatan risiko penularan TBC.

Sementara itu, wilayah seperti Indramayu, Majalengka, dan Kuningan menunjukkan jumlah kasus relatif rendah, di bawah 1.100 kasus. Namun, rendahnya angka ini belum tentu menandakan kondisi kesehatan yang lebih baik, karena dapat pula disebabkan oleh kurangnya pelaporan atau keterbatasan deteksi dini kasus TBC. Secara umum, peta ini menggambarkan bahwa penyebaran TBC di Jawa Barat masih terkonsentrasi di wilayah urban, sehingga upaya pengendalian perlu difokuskan pada daerah dengan kepadatan penduduk tinggi dan peningkatan akses layanan kesehatan di seluruh kabupaten/kota.

BAB 5 - KESIMPULAN DAN SARAN

5.1 Kesimpulan

Penelitian ini dilakukan dengan analisis spasial dan ukuran frekuensi serta asosiasi terhadap data TBC di Provinsi Jawa Barat periode 2023 dan dapat dilihat beberapa hal dan ditarik kesimpulan sebagai berikut :

Situasi umum TBC di Jawa Barat

Pada populasi yang diteliti, sekitar 0.12% dari seluruh penduduk menderita Tuberkulosis (TBC) pada periode waktu tertentu (dalam hal ini tahun 2023). Dengan kata lain, dari setiap 100.000 penduduk, terdapat sekitar 116 orang yang tercatat sebagai kasus TBC.
Perbedaan Berdasarkan Gender

Melihat dari ukuran asosiasi yang dilakukan diketahui bahwa secara proporsional, laki-laki memiliki kemungkinan menderita TBC sekitar 1,7% lebih besar dibandingkan perempuan.
Disease Mapping

Peta penyebaran penyakit menggambarkan bahwa penyebaran TBC di Jawa Barat masih terkonsentrasi di wilayah urban, sehingga upaya pengendalian perlu difokuskan pada daerah dengan kepadatan penduduk tinggi dan peningkatan akses layanan kesehatan di seluruh kabupaten/kota.

Secara keseluruhan, hasil penelitian ini menegaskan bahwa TBC di Jawa Barat merupakan masalah kesehatan masyarakat yang bersifat dinamis, spasial, dan demografis, sehingga penanggulangannya perlu melibatkan pendekatan berbasis wilayah dan kelompok berisiko.

Daftar Pustaka

Cruz-Knight, W., & Blake-Gumbs, L. (2013). Tuberculosis: an overview.. Primary care, 40 3, 743-56 . https://doi.org/10.1016/j.pop.2013.06.003.

Ragonnet, R., Trauer, J., Geard, N., Scott, N., & McBryde, E. (2019). Profiling Mycobacterium tuberculosis transmission and the resulting disease burden in the five highest tuberculosis burden countries. BMC Medicine, 17. https://doi.org/10.1186/s12916-019-1452-0.

Wang, Y., Liu, X., Li, Y., Liu, M., Wang, Y., Zhang, H., Liu, J., & Zhao, Y. (2025). Association of urbanization-related factors with tuberculosis incidence among 1992 counties in China from 2005 to 2019: a nationwide observational study. Infectious Diseases of Poverty, 14. https://doi.org/10.1186/s40249-025-01299-4.

Migliori, G., Nardell, E., Yedilbayev, A., D’Ambrosio, L., Centis, R., Tadolini, M., Van Den Boom, M., Ehsani, S., Sotgiu, G., & Dara, M. (2019). Reducing tuberculosis transmission: a consensus document from the World Health Organization Regional Office for Europe. European Respiratory Journal, 53. https://doi.org/10.1183/13993003.00391-2019.

Lampiran

A. Akses Dashboard

Untuk eksplorasi data secara interaktif, silakan kunjungi:

Dashboard TBC Jawa Barat: https://ricardofilemon.shinyapps.io/dashboardtbc/

B. Kode Lengkap Analisis

Seluruh syntax R yang digunakan dalam laporan ini:

# Baca data
df <- read.csv(file.choose(), header = TRUE, sep = ",")

# Cek nama kolom
names(df)

# Lihat beberapa baris pertama
head(df)


#===== MENGHITUNG JUMLAH KESELURUHAN =====
library(dplyr)

hasil <- df %>%
  group_by(Jenis.Kelamin) %>%
  summarise(
    Kasus_TBC = sum(Kasus.TBC, na.rm = TRUE),
    Sembuh_TBC = sum(Sembuh.TBC, na.rm = TRUE)
  )

print(hasil)

# ===== MEMBUAT TABEL KONTINGENSI =====
# Bentuk tabel kontingensi 2x2 langsung dari hasil agregat
tabel_2x2 <- matrix(
  c(
    hasil$Kasus_TBC[hasil$Jenis.Kelamin == "LAKI-LAKI"],
    hasil$Sembuh_TBC[hasil$Jenis.Kelamin == "LAKI-LAKI"],
    hasil$Kasus_TBC[hasil$Jenis.Kelamin == "PEREMPUAN"],
    hasil$Sembuh_TBC[hasil$Jenis.Kelamin == "PEREMPUAN"]
  ),
  nrow = 2,
  byrow = TRUE
)

colnames(tabel_2x2) <- c("Kasus TBC", "Sembuh TBC")
rownames(tabel_2x2) <- c("LAKI-LAKI", "PEREMPUAN")

print("=== Tabel Kontingensi 2x2: Jenis Kelamin vs Hasil TBC ===")
print(tabel_2x2)

# ===== SIMULASI =====

# ===== UKURAN FREKUENSI =====
# ===== PREVALENSI =====
kasus_tbc <- 33639 + 24159
populasi <- 49860330

prevalensi <- (kasus_tbc/populasi)*100
print(prevalensi)

# ===== UKURAN ASOSIASI =====

# ==========================
# Data Tabel Kontingensi
# ==========================
a <- 33639  # Kasus TBC pada laki-laki
b <- 13822  # Sembuh TBC pada laki-laki
c <- 24159  # Kasus TBC pada perempuan
d <- 10520  # Sembuh TBC pada perempuan

# ==========================
# Hitung Prevalence Ratio (PR)
# ==========================
prev_exp <- a / (a + b)      # Prevalensi pada laki-laki
prev_unexp <- c / (c + d)    # Prevalensi pada perempuan
PR <- prev_exp / prev_unexp  # Prevalence Ratio

# ==========================
# Hitung Prevalence Odds Ratio (POR)
# ==========================
POR <- (a * d) / (b * c)

# ==========================
# Hitung Confidence Interval (95%) untuk POR (Wald Method)
# ==========================
SE_logPOR <- sqrt(1/a + 1/b + 1/c + 1/d)
CI95_L <- exp(log(POR) - 1.96 * SE_logPOR)
CI95_U <- exp(log(POR) + 1.96 * SE_logPOR)

# ==========================
# Cetak hasil
# ==========================
cat("Prevalence Ratio (PR):", round(PR, 3), "\n")
cat("Prevalence Odds Ratio (POR):", round(POR, 3), "\n")
cat("95% CI for POR:", round(CI95_L, 3), "-", round(CI95_U, 3), "\n")


# ===== AUTOKORELASI SPASIAL =====
library(sf)
library(dplyr)
library(spdep)
library(tmap)
library(readr)
library(stringr)

# Baca data CSV (pastikan path sesuai)
data_tbc <- read_csv("C:/Users/Harya/Downloads/Data Fix.csv")

# Hitung total kasus TBC dan total sembuh per kabupaten/kota (semua jenis kelamin dijumlahkan)
data_kab_total <- data_tbc %>%
  group_by(`Kabupaten/Kota`) %>%
  summarise(
    total_Kasus_TBC = sum(`Kasus TBC`, na.rm = TRUE),
    total_Sembuh_TBC = sum(`Sembuh TBC`, na.rm = TRUE),
    .groups = "drop"
  )

# Lihat hasilnya
head(data_kab_total, 10)

setwd("C:/Users/Harya/Downloads")

shp <- st_read("C:/Users/Harya/Downloads/gadm41_IDN_2/gadm41_IDN_2.shp")

# --- shapefile ---
# =======================
# 1. Library
# =======================
library(sf)
library(dplyr)
library(stringr)
library(tibble)

# =======================
# 2. Siapkan kolom penyama (NAME_join) di shapefile dan CSV
# =======================
shp <- shp %>%
  mutate(
    NAME_join = toupper(NAME_2) %>%
      str_replace_all("\\.", "") %>%
      str_squish()
  )

data_kab_total <- data_kab_total %>%
  mutate(
    NAME_join = toupper(`Kabupaten/Kota`) %>%
      str_replace_all("\\.", "") %>%
      str_squish()
  )

# =======================
# 3. Buat tabel mapping nama antara CSV dan shapefile
# =======================
mapping_nama <- tibble::tibble(
  `Kabupaten/Kota` = c(
    "KABUPATEN BANDUNG", "KABUPATEN BANDUNG BARAT",
    "KABUPATEN BEKASI", "KABUPATEN BOGOR",
    "KABUPATEN CIAMIS", "KABUPATEN CIANJUR",
    "KABUPATEN CIREBON", "KABUPATEN GARUT",
    "KABUPATEN INDRAMAYU", "KABUPATEN KARAWANG",
    "KABUPATEN KUNINGAN", "KABUPATEN MAJALENGKA",
    "KABUPATEN PANGANDARAN", "KABUPATEN PURWAKARTA",
    "KABUPATEN SUBANG", "KABUPATEN SUKABUMI",
    "KABUPATEN SUMEDANG", "KABUPATEN TASIKMALAYA",
    "KOTA BANDUNG", "KOTA BANJAR", "KOTA BEKASI",
    "KOTA BOGOR", "KOTA CIMAHI", "KOTA CIREBON",
    "KOTA DEPOK", "KOTA SUKABUMI", "KOTA TASIKMALAYA"
  ),
  NAME_2 = c(
    "Bandung", "Bandung Barat",
    "Bekasi", "Bogor",
    "Ciamis", "Cianjur",
    "Cirebon", "Garut",
    "Indramayu", "Karawang",
    "Kuningan", "Majalengka",
    "Pangandaran", "Purwakarta",
    "Subang", "Sukabumi",
    "Sumedang", "Tasikmalaya",
    "Kota Bandung", "Banjar", "Kota Bekasi",
    "Kota Bogor", "Cimahi", "Kota Cirebon",
    "Depok", "Kota Sukabumi", "Kota Tasikmalaya"
  )
)

# =======================
# 4. Gabungkan mapping dengan data CSV
# =======================
data_kab_total_fix <- data_kab_total %>%
  left_join(mapping_nama, by = "Kabupaten/Kota")

# =======================
# 5. Filter shapefile hanya untuk Jawa Barat dan hapus 'Waduk Cirata'
# =======================
shp_jabar <- shp %>%
  filter(NAME_1 == "Jawa Barat", NAME_2 != "Waduk Cirata")

# =======================
# 6. Join shapefile dengan data CSV
# =======================
shp_jabar_join <- left_join(shp_jabar, data_kab_total_fix, by = "NAME_2")

# =======================
# 7. Cek hasil akhir
# =======================
nrow(shp_jabar_join)  # Harus 26 (karena Waduk Cirata dibuang)
sum(is.na(shp_jabar_join$total_Kasus_TBC))  # Harus 0 kalau join sukses

library(spdep)
library(sf)
library(tmap)

names(shp_jabar_join)

# Buat daftar tetangga berbasis batas poligon (queen contiguity)
nb_queen <- poly2nb(shp_jabar_join, queen = TRUE)

# Ubah jadi matriks bobot spasial (listw)
listw_queen <- nb2listw(nb_queen, style = "W", zero.policy = TRUE)

moran_global <- moran.test(
  shp_jabar_join$total_Kasus_TBC,
  listw_queen,
  zero.policy = TRUE
)
moran_global


# ===== LISA =====
lisa <- localmoran(
  shp_jabar_join$total_Kasus_TBC,
  listw_queen,
  zero.policy = TRUE
)

shp_jabar_join$Ii <- lisa[, 1]     # Nilai Local Moran’s I
shp_jabar_join$E.Ii <- lisa[, 2]   # Nilai ekspektasi
shp_jabar_join$Var.Ii <- lisa[, 3] # Varians
shp_jabar_join$Z.Ii <- lisa[, 4]   # Nilai Z
shp_jabar_join$P.Ii <- lisa[, 5]   # p-value

# Variabel standar (nilai dikurangi rata-rata)
shp_jabar_join$z_score <- scale(shp_jabar_join$total_Kasus_TBC)[, 1]

# Hitung lag spasial
lag_var <- lag.listw(listw_queen, shp_jabar_join$z_score, zero.policy = TRUE)

# Tentukan kategori klaster
shp_jabar_join$cluster <- NA
shp_jabar_join$cluster[shp_jabar_join$z_score > 0 & lag_var > 0 & shp_jabar_join$P.Ii <= 0.05] <- "High-High"
shp_jabar_join$cluster[shp_jabar_join$z_score < 0 & lag_var < 0 & shp_jabar_join$P.Ii <= 0.05] <- "Low-Low"
shp_jabar_join$cluster[shp_jabar_join$z_score > 0 & lag_var < 0 & shp_jabar_join$P.Ii <= 0.05] <- "High-Low"
shp_jabar_join$cluster[shp_jabar_join$z_score < 0 & lag_var > 0 & shp_jabar_join$P.Ii <= 0.05] <- "Low-High"
shp_jabar_join$cluster[is.na(shp_jabar_join$cluster)] <- "Not significant"

tmap_mode("view")

tm_shape(shp_jabar_join) +
  tm_polygons(
    "cluster",
    palette = c(
      "High-High" = "red",
      "Low-Low" = "blue",
      "High-Low" = "orange",
      "Low-High" = "lightblue",
      "Not significant" = "grey80"
    ),
    title = "LISA Cluster",
    border.col = "grey50"
  ) +
  tm_text("NAME_2", size = 0.6, col = "black") +
  tm_layout(
    main.title = "Peta Klaster Spasial Kasus TBC (Local Moran’s I)",
    main.title.size = 1.2,
    legend.outside = TRUE
  )

data.frame(table(shp_jabar_join$cluster))

# ===== PERBANDINGAN ANTAR WILAYAH =====
# Hitung rata-rata kasus
mean_case <- mean(shp_jabar_join$total_Kasus_TBC, na.rm = TRUE)

# Buat kategori
shp_jabar_join$kategori_kasus <- ifelse(
  shp_jabar_join$total_Kasus_TBC > mean_case,
  "Di atas rata-rata", "Di bawah rata-rata"
)

# Peta perbandingan
tm_shape(shp_jabar_join) +
  tm_polygons(
    "kategori_kasus",
    palette = c("Di atas rata-rata" = "darkred", "Di bawah rata-rata" = "lightblue"),
    title = "Perbandingan Kasus TBC terhadap Rata-rata Provinsi",
    border.col = "grey40"
  ) +
  tm_text("NAME_2", size = 0.6, col = "black") +
  tm_layout(
    main.title = "Distribusi Relatif Kasus TBC di Jawa Barat",
    main.title.size = 1.2,
    legend.outside = TRUE
  )


# ===== PETA DISTRIBUSI PENYAKIT =====
library(tmap)
library(sf)

tmap_mode("view")

tm_shape(shp_jabar_join) +
  tm_polygons(
    "total_Kasus_TBC",
    palette = "Reds",
    style = "quantile",
    title = "Total Kasus TBC",
    border.col = "grey50",
    lwd = 0.8
  ) +
  tm_text("NAME_2", size = 0.7, col = "black") +
  tm_layout(
    main.title = "Peta Distribusi Kasus TBC di Jawa Barat",
    main.title.size = 1.2,
    frame = FALSE,
    legend.outside = TRUE
  )

tmap_mode("plot")

tm_shape(shp_jabar_join) +
  tm_polygons(
    "total_Kasus_TBC",
    palette = "Reds",
    style = "quantile",
    title = "Total Kasus TBC",
    border.col = "grey60"
  ) +
  tm_text("NAME_2", size = 0.6, col = "black") +
  tm_layout(
    main.title = "Distribusi Kasus TBC per Kabupaten/Kota di Jawa Barat",
    legend.outside = TRUE
  )

Pemetaan TBC di Jawa Barat