BAB I PENDAHULUAN

1.1 Latar Belakang

Demam Berdarah Dengue (DBD) merupakan penyakit infeksi yang disebabkan oleh virus dengue dan ditularkan melalui gigitan nyamuk Aedes aegypti serta Aedes albopictus. Penyakit ini termasuk dalam kelompok penyakit tropis yang hingga kini masih menjadi tantangan serius bagi kesehatan masyarakat global. Berdasarkan laporan Organisasi Kesehatan Dunia (WHO), insidensi DBD terus menunjukkan peningkatan yang signifikan selama beberapa dekade terakhir. Fenomena ini didorong oleh berbagai faktor, seperti pesatnya laju urbanisasi, perubahan iklim global, serta tingginya mobilitas manusia antarwilayah yang mempercepat penyebaran vektor maupun virus penyebabnya.

Sebagai negara kepulauan beriklim tropis, Indonesia termasuk dalam wilayah endemis DBD dengan tingkat penyebaran yang relatif tinggi. Data dari Kementerian Kesehatan menunjukkan bahwa penyakit ini secara konsisten menjadi ancaman utama kesehatan masyarakat dengan angka kesakitan (morbidity rate) dan kematian (mortality rate) yang masih cukup tinggi di berbagai provinsi.

Salah satu provinsi dengan tingkat risiko tertinggi adalah Provinsi Jawa Barat, yang menurut data Badan Pusat Statistik (BPS, 2024) memiliki jumlah penduduk lebih dari 50 juta jiwa—terbesar di Indonesia. Kepadatan penduduk yang tinggi, percepatan pembangunan wilayah, serta kondisi permukiman yang heterogen menciptakan lingkungan yang kondusif bagi perkembangbiakan vektor utama DBD, yaitu nyamuk Aedes aegypti.

Menurut laporan Kementerian Kesehatan Republik Indonesia (2024), Jawa Barat secara konsisten termasuk dalam provinsi dengan jumlah kasus dan tingkat insidensi DBD tertinggi secara nasional. Tingginya angka tersebut mengindikasikan perlunya penanganan prioritas, baik dalam aspek pengendalian vektor maupun manajemen kasus. Kondisi epidemiologis ini dipengaruhi oleh interaksi kompleks antara tiga komponen utama, yaitu agen, pejamu (host), dan lingkungan (environment). Agen mencakup empat serotipe virus dengue (DENV-1, DENV-2, DENV-3, dan DENV-4). Pejamu berupa manusia dipengaruhi oleh berbagai faktor risiko seperti usia, jenis kelamin, status gizi, serta riwayat infeksi sebelumnya. Sementara itu, faktor lingkungan meliputi kepadatan penduduk, curah hujan, dan suhu udara yang berkontribusi terhadap dinamika penyebaran DBD.

Meskipun secara umum Jawa Barat menunjukkan jumlah kasus yang tinggi, tingkat keparahan penyakit yang diukur melalui Case Fatality Rate (CFR) menunjukkan variasi antar kabupaten dan kota. Perbedaan ini mengindikasikan adanya wilayah-wilayah tertentu yang berpotensi menjadi kluster endemis dan memerlukan pendekatan pengendalian yang lebih spesifik dan berbasis data spasial.

Berdasarkan latar belakang tersebut, penelitian ini bertujuan untuk melakukan analisis epidemiologi deskriptif terhadap data kasus DBD di Provinsi Jawa Barat tahun 2024. Analisis akan difokuskan pada penghitungan ukuran epidemiologi seperti prevalensi dan CFR, serta pemetaan pola distribusi kasus antar wilayah. Hasil dari analisis ini diharapkan dapat menjadi dasar bagi perancangan studi epidemiologi analitik dengan pendekatan cross-sectional, guna menelaah hubungan antara faktor risiko pada host dan lingkungan dengan kejadian DBD. Dengan demikian, penelitian ini diharapkan dapat memberikan rekomendasi metodologis serta kontribusi empiris dalam upaya pengendalian dan pencegahan DBD berbasis data di bidang epidemiologi.

1.2 Rumusan Masalah

Berdasarkan uraian latar belakang di atas, maka permasalahan yang akan dikaji dalam penelitian ini dapat dirumuskan sebagai berikut:

  1. Bagaimana distribusi jumlah kasus Demam Berdarah Dengue (DBD) di setiap kabupaten/kota di Provinsi Jawa Barat pada tahun 2024?

  2. Bagaimana tingkat prevalensi DBD di Provinsi Jawa Barat tahun 2024?

  3. Bagaimana tingkat kematian akibat DBD yang diukur melalui Case Fatality Rate (CFR) di Provinsi Jawa Barat tahun 2024?

  4. Bagaimana pola spasial penyebaran kasus DBD antar wilayah kabupaten/kota di Provinsi Jawa Barat?

1.3 Tujuan Penelitian

Tujuan yang ingin dicapai melalui penelitian ini adalah sebagai berikut:

  1. Untuk mendeskripsikan distribusi jumlah kasus Demam Berdarah Dengue (DBD) di setiap kabupaten/kota di Provinsi Jawa Barat tahun 2024.

  2. Untuk menghitung ukuran epidemiologi yang mencakup tingkat prevalensi dan Case Fatality Rate (CFR) DBD di Provinsi Jawa Barat.

  3. Untuk memetakan dan memvisualisasikan pola spasial penyebaran kasus DBD di wilayah Provinsi Jawa Barat.

  4. Untuk menyusun rancangan desain studi epidemiologi analitik yang sesuai sebagai dasar penelitian lanjutan dalam menelaah hubungan antara faktor risiko host dan lingkungan terhadap kejadian DBD.

1.4 Manfaat Penelitian

Penelitian ini diharapkan dapat memberikan beberapa manfaat sebagai berikut:

  1. Manfaat Akademis Penelitian ini berkontribusi dalam penerapan dan penguatan konsep-konsep dasar epidemiologi, khususnya dalam penghitungan ukuran epidemiologi, analisis deskriptif, serta visualisasi spasial kasus penyakit menular. Melalui kegiatan ini, hasil penelitian diharapkan dapat memperdalam pemahaman teoritis sekaligus meningkatkan keterampilan analitis mahasiswa dalam melakukan kajian epidemiologi berbasis data.

  2. Manfaat Praktis Secara praktis, penelitian ini diharapkan mampu memberikan informasi awal mengenai wilayah-wilayah dengan prioritas tinggi dalam penanggulangan DBD berdasarkan hasil identifikasi cluster spasial. Temuan ini dapat menjadi bahan pertimbangan bagi Dinas Kesehatan Provinsi Jawa Barat maupun pihak terkait lainnya dalam menyusun strategi pengendalian vektor dan kebijakan intervensi kesehatan masyarakat yang lebih efektif dan tepat sasaran.

1.5 Keterbatasan Penelitian

Penelitian ini memiliki beberapa batasan utama yang perlu diperhatikan dalam proses interpretasi hasil, agar kesimpulan yang diperoleh dapat dipahami dalam konteks yang tepat. Adapun batasan-batasan tersebut dijelaskan sebagai berikut:

  1. Keterbatasan Data Sekunder dan Sifat Ekologis

Penelitian ini sepenuhnya menggunakan data sekunder yang bersumber dari instansi resmi, yaitu data agregat tingkat kabupaten/kota di Provinsi Jawa Barat. Keterbatasan ini menyebabkan penelitian bersifat ekologi, di mana unit analisisnya adalah wilayah, bukan individu. Oleh karena itu, hasil analisis hanya dapat menggambarkan pola distribusi kasus DBD antar wilayah tanpa dapat menyimpulkan hubungan sebab-akibat pada tingkat individu. Risiko terjadinya ecological fallacy—yakni kesalahan dalam menggeneralisasi hasil analisis wilayah ke tingkat individu—menjadi potensi bias yang perlu diantisipasi dalam penafsiran hasil.

  1. Keterbatasan Temporal

Data yang digunakan dalam penelitian ini merupakan data kasus DBD tahun 2024 pada periode waktu tertentu. Hal ini membatasi kemampuan penelitian dalam menggambarkan tren jangka panjang maupun variasi musiman (seasonal variation) dari kejadian DBD. Faktor-faktor temporal seperti fluktuasi curah hujan, perubahan suhu, dan siklus populasi nyamuk yang berpengaruh terhadap insidensi penyakit tidak dapat dianalisis secara komprehensif. Dengan demikian, hasil penelitian lebih bersifat potret sesaat (cross-sectional snapshot) terhadap kondisi tahun 2024.

  1. Keterbatasan Ukuran Asosiasi

Jenis data yang bersifat deskriptif dan agregat membatasi analisis pada penghitungan ukuran frekuensi (prevalensi) serta ukuran keparahan (CFR). Ukuran asosiasi epidemiologis seperti Risk Ratio dan Odds Ratio tidak dapat dihitung karena penelitian ini tidak melibatkan data individu maupun variabel paparan risiko secara langsung. Oleh karena itu, temuan penelitian ini berfungsi sebagai gambaran awal (baseline information) dan tidak dapat digunakan untuk menguji hubungan kausal antara faktor risiko dan kejadian DBD.

  1. Desain Studi yang Bersifat Simulatif

Rancangan studi epidemiologi cross-sectional yang disusun dalam penelitian ini bersifat konseptual dan simulatif, karena tidak didukung oleh pengumpulan data primer. Desain ini digunakan sebagai ilustrasi metodologis untuk penelitian lanjutan yang bersifat analitik. Dengan demikian, hasil rancangan tidak merepresentasikan kondisi empiris di lapangan, melainkan menjadi rekomendasi awal bagi peneliti lain dalam mengembangkan desain penelitian berbasis data primer yang lebih mendalam.

BAB II TINJAUAN PUSTAKA

2.1 Konsep Agent–Host–Environment (A-H-E)

Konsep Agent–Host–Environment (A-H-E), atau Trias Epidemiologi, merupakan fondasi penting dalam epidemiologi klasik untuk memahami dan mengendalikan penyakit menular. Teori ini menekankan bahwa timbulnya suatu penyakit bukan disebabkan oleh satu faktor tunggal, melainkan hasil dari interaksi dinamis dan ketidakseimbangan antara tiga komponen utama, yaitu agent, host, dan environment (Mulyani, H. dkk., 2017) Keseimbangan yang terganggu di antara ketiga elemen ini akan menciptakan kondisi yang mendukung penularan dan munculnya penyakit.

2.1.2 Agent (Agen Penyebab Penyakit)

Agent adalah faktor yang keberadaannya menjadi penyebab timbulnya penyakit (Rwezaura, H. dkk., 2022). Dalam konteks Demam Berdarah Dengue (DBD), agent utama adalah virus Dengue (DENV) yang memiliki empat serotipe : DENV-1, DENV-2, DENV-3, dan DENV-4. Keberadaan serotipe berbeda di suatu wilayah menjadi faktor penentu risiko keparahan penyakit. Virus ini ditularkan ke manusia melalui gigitan nyamuk betina Aedes aegypti dan Aedes albopictus, yang berperan sebagai vektor utama penularan (WHO, 2025). Infeksi sebelumnya dengan serotipe DENV berbeda dapat meningkatkan risiko terjadinya dengue berat akibat fenomena Antibody-Dependent Enhancement (ADE) (WHO, 2025).

2.1.3 Host (Inang)

Host adalah individu atau populasi yang rentan terhadap infeksi, dipengaruhi oleh faktor biologis, perilaku, dan status imun (Khan, M.A & Fatmawati, 2021). Pada kasus DBD, host adalah manusia. Adapun faktor yang memengaruhi kerentanan manusia sebagai host antara lain :

  • Usia : Kelompok usia 5–14 tahun memiliki insidensi DBD tertinggi di Indonesia dibandingkan kelompok umur lainnya (Kemenkes RI, 2022). Hal ini dapat disebabkan karena aktivitas di luar rumah yang lebih sering dan imunitas yang belum sempurna.

  • Jenis kelamin : Laki-laki melaporkan kasus lebih banyak, terutama usia ≥15 tahun, karena tingkat paparan lebih tinggi di luar rumah dan perilaku yang meningkatkan risiko gigitan nyamuk (Anker & Arima, 2011).

  • Status gizi : Individu dengan gizi kurang rentan terhadap infeksi DENV karena memiliki imunitas selular rendah sehingga respon imun dan memori imunologik belum berkembang sempurna (Ramayani et al., 2022).

  • Golongan darah : Golongan darah AB terkait risiko lebih tinggi mengalami DBD dibandingkan golongan darah lain, sedangkan golongan O memiliki risiko lebih rendah. Hal ini karena Pasien dengan golongan darah AB tidak memiliki antibodi anti-A dan anti-B alami, yang dapat menyebabkan respons imun dini yang lebih lemah terhadap virus dengue. (Ravichandran et al., 2019).

  • Riwayat infeksi sebelumnya : Menurut WHO (2025), infeksi sebelumnya dengan serotipe DENV berbeda dapat meningkatkan risiko terjadinya dengue berat akibat fenomena Antibody-Dependent Enhancement (ADE). Fenomena Antibody-Dependent Enhancement (ADE) adalah suatu mekanisme di mana antibodi yang dihasilkan dari infeksi sebelumnya dengan virus serotipe berbeda tidak melindungi tubuh, tetapi justru memfasilitasi masuknya virus baru ke sel inang, sehingga meningkatkan replikasi virus dan risiko manifestasi klinis yang lebih parah.

  • Perilaku 3M Plus : Tidak menggunakan kelambu, lotion anti-nyamuk, atau praktik 3M Plus yang rendah dapat menyebabkan air tergenang dalam waktu lama yang menciptakan habitat ideal bagi jentik Aedes aegypti (Arsin, 2013).

2.1.4 Environment (Lingkungan)

Environment adalah faktor eksternal yang memengaruhi interaksi antara agent dan host, baik berupa fisik, biologis, maupun sosial-ekonomi (Ramadona, A., 2016). Faktor lingkungan yang relevan pada DBD antara lain :

  • Curah hujan tinggi : Curah hujan yang tinggi menciptakan genangan air di lingkungan perkotaan maupun rumah tangga, yang menjadi habitat ideal bagi Aedes aegypti untuk berkembang biak. Dampaknya bervariasi tergantung kondisi geografis dan sifat fisik lahan. (Arsin, 2013; Wu dkk., 2009)

  • Kenaikan suhu : Menurut Mohammed, A., & Chadee, D. D. (2011), waktu perkembangan larva menurun seiring dengan peningkatan suhu, dan proses menjadi pupa terjadi lebih cepat pada suhu yang lebih tinggi. Hal ini menunjukkan bahwa peningkatan suhu memperpendek siklus hidup Aedes aegypti, memungkinkan perkembangan dari telur hingga dewasa berlangsung lebih cepat.

  • Kepadatan penduduk tinggi : Kepadatan penduduk yang tinggi meningkatkan interaksi manusia–nyamuk lebih sering sehingga peluang penularan virus dengue meningkat. Selain itu, area padat cenderung menyediakan lebih banyak tempat berkembang biak bagi nyamuk (genangan air di wadah, sampah, selokan) yang mendukung populasi nyamuk yang lebih besar dan mempercepat penularan DBD. (Morrison et al., 2008; Gubler, 2011).

2.1.5 Interaksi Agent–Host–Environment

Hubungan antara host, agent, dan environment sangat krusial dalam penularan DBD. Interaksi yang kompleks antara ketiga elemen ini menciptakan kondisi yang mempermudah virus dengue untuk menyerang manusia. Misalnya, pada area urban padat, suhu tinggi, dan curah hujan yang tinggi meningkatkan jumlah habitat perairan bagi nyamuk, sementara populasi manusia yang rentan (anak-anak, laki-laki dewasa, atau individu dengan gizi kurang) menjadi target infeksi lebih mudah, sehingga risiko epidemi meningkat (Arsin, 2013; Gubler, 2011; WHO, 2025).

2.2 Ukuran Epidemiologi

Ukuran epidemiologi merupakan indikator vital untuk mengukur skala masalah kesehatan dalam suatu populasi dan menganalisis kaitan antara faktor paparan dengan timbulnya penyakit. Ukuran epidemiologi dibagi menjadi dua, yaitu ukuran frekuensi dan ukuran asosiasi.

2.2.1 Ukuran Frekuensi

Ukuran frekuensi digunakan untuk menilai sejauh mana suatu penyakit terjadi atau menyebar dalam populasi. Beberapa ukuran yang umum digunakan antara lain sebagai berikut.

  1. Prevalensi

    Prevalensi adalah proporsi individu dalam suatu populasi yang menderita penyakit tertentu pada waktu tertentu, baik kasus lama maupun baru.

    \[ \text{Prevalensi} = \frac{\text{Jumlah seluruh kasus baru dan lama}}{\text{Jumlah penduduk pada periode tertentu}} \times 100\% \]

  2. Insidensi

    Insidensi adalah proporsi kasus baru suatu penyakit yang muncul dalam populasi berisiko selama periode waktu tertentu.

\[ \text{Insidensi} = \frac{\text{Jumlah kasus baru dalam periode tertentu}}{\text{Jumlah penduduk berisiko}} \times 100\% \]

  1. Case Fatality Rate (CFR)

    Case Fatality Rate (CFR) merupakan proporsi individu yang meninggal akibat penyakit tertentu dibandingkan dengan jumlah seluruh kasus penyakit tersebut.

\[ \text{CFR} = \frac{\text{Jumlah kematian akibat penyakit}}{\text{Jumlah kasus penyakit}} \times 100\% \]

  1. Attack Rate

    Attack Rate digunakan untuk menggambarkan proporsi individu yang terserang penyakit selama periode wabah atau kejadian luar biasa dalam waktu singkat.

\[ \text{Attack Rate} = \frac{\text{Jumlah kasus baru selama wabah}}{\text{Jumlah populasi berisiko}} \times 100\% \]

2.2.2 Ukuran Asosiasi

Selain ukuran frekuensi, ukuran asosiasi digunakan untuk mengukur kekuatan hubungan antara faktor risiko spesifik dengan kejadian suatu penyakit. Ukuran yang umum digunakan antara lain Relative Risk (RR), Odds Ratio (OR), dan Attributable Risk (AR). Variabel yang digunakan dalam perhitungan ukuran asosiasi adalah sebagai berikut :

Simbol Keterangan
a Jumlah kasus pada kelompok terpapar
b Jumlah tidak sakit pada kelompok terpapar
c Jumlah kasus pada kelompok tidak terpapar
d Jumlah tidak sakit pada kelompok tidak terpapar
a + b Total terpapar
c + d Total tidak terpapar

  1. Relative Risk (RR)

    Relative Risk (RR) merupakan perbandingan risiko penyakit antara kelompok yang terpapar dan kelompok yang tidak terpapar. RR hanya dapat dihitung pada studi kohort.
    Nilai RR > 1 menunjukkan bahwa paparan meningkatkan risiko penyakit, sedangkan RR < 1 berarti paparan bersifat protektif.

\[ \text{RR} = \frac{a / (a+b)}{c / (c+d)} \]

  1. Odds Ratio (OR)

    Odds Ratio (OR) adalah perbandingan peluang terjadinya penyakit antara kelompok terpapar dan tidak terpapar. Ukuran ini sering digunakan pada studi kasus-kontrol. Nilai OR > 1 menunjukkan peluang penyakit lebih besar pada kelompok terpapar.

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

  1. Attributable Risk (AR) / Risk Difference (RD)

    Attributable Risk (AR) menunjukkan selisih risiko penyakit antara kelompok terpapar dan tidak terpapar. Ukuran ini menggambarkan beban absolut risiko yang diatribusikan pada paparan.

\[ \text{AR} = \frac{a}{a+b} - \frac{c}{c+d} \]

2.3 Desain Studi Epidemiologi

Desain studi epidemiologi merupakan rancangan sistematis yang digunakan untuk menyelidiki hubungan antara faktor risiko dan kejadian penyakit dalam populasi. Pemilihan desain studi yang tepat menentukan validitas hasil penelitian dan kekuatan kesimpulan yang dapat ditarik. Secara umum, desain studi epidemiologi dibagi menjadi dua kelompok besar, yaitu studi observasional dan studi eksperimental (Friis & Sellers, 2020; CDC, 2024).

2.3.1 Studi Observasional

Pada studi observasional, peneliti tidak memberikan intervensi dan hanya mengamati hubungan antara paparan (exposure) dan kejadian penyakit (outcome).

  1. Studi Cross-Sectional

    Studi cross-sectional (potong lintang) menilai paparan dan penyakit secara bersamaan pada satu titik waktu tertentu. Tujuannya untuk memperkirakan prevalensi penyakit atau faktor risiko dalam populasi.

    Kelebihan utama studi ini adalah cepat, relatif murah, dan cocok untuk menggambarkan situasi kesehatan masyarakat saat ini. Namun, kelemahannya adalah tidak dapat menentukan hubungan sebab-akibat karena tidak diketahui urutan waktu antara paparan dan penyakit.

  2. Studi Case-Control

    Studi case-control adalah studi yang membandingkan individu yang menderita penyakit (kasus) dengan individu yang tidak sakit (kontrol) untuk menilai apakah ada perbedaan dalam riwayat paparan. Studi ini efisien untuk penyakit langka dan dapat menilai banyak faktor risiko sekaligus. Kelemahannya adalah rentan terhadap recall bias dan tidak dapat menghitung insidensi langsung.

  3. Studi Kohort

    Studi cohort melibatkan pengamatan terhadap sekelompok individu berdasarkan status paparannya dan diikuti dalam waktu tertentu untuk melihat apakah mereka mengembangkan penyakit. Studi ini dapat bersifat prospektif (ke depan) atau retrospektif (ke belakang). Kelebihan utamanya adalah dapat menentukan insidensi dan hubungan sebab-akibat, sedangkan kelemahannya adalah memerlukan waktu lama dan biaya besar.

2.3.2 Studi Eksperimental

Studi eksperimental dilakukan dengan memberikan intervensi tertentu kepada kelompok subjek untuk menilai efeknya terhadap kejadian penyakit.
Contoh utama adalah Randomized Controlled Trial (RCT), di mana subjek secara acak dibagi menjadi kelompok perlakuan dan kontrol. Desain ini memiliki validitas kausalitas paling tinggi tetapi memerlukan biaya besar dan pertimbangan etika yang ketat.

2.3.3 Pemilihan Desain Studi yang Tepat

Pemilihan desain studi bergantung pada tujuan penelitian, ketersediaan data, waktu, dan sumber daya. Dalam konteks penelitian deskriptif DBD di Jawa Barat, desain studi cross-sectional paling relevan karena :

  • Menggunakan data agregat kabupaten/kota (sekunder),

  • Fokus pada distribusi dan hubungan spasial,

  • Belum melibatkan pengumpulan data individu.

BAB III METODOLOGI PENELITIAN

3.1 Sumber Data

Penelitian ini menggunakan data sekunder berjenis cross-section yang menggambarkan kondisi pada satu periode waktu tertentu, yaitu tahun 2024. Data diperoleh dari dua sumber utama, yaitu Badan Pusat Statistik (BPS) dan Open Data Jabar.

Data yang digunakan meliputi informasi mengenai jumlah kasus Demam Berdarah Dengue (DBD), jumlah kematian akibat DBD, serta jumlah penduduk di setiap kabupaten/kota di Provinsi Jawa Barat. Total unit analisis dalam penelitian ini mencakup 27 kabupaten/kota, sesuai dengan pembagian administratif Provinsi Jawa Barat.

Pendekatan analisis dilakukan pada tingkat wilayah (ecological level), sehingga data yang digunakan bersifat agregat, bukan data individu. Hal ini sejalan dengan tujuan penelitian untuk mendeskripsikan pola distribusi, prevalensi, serta tingkat keparahan DBD antar kabupaten/kota di Jawa Barat.

Tabel Data

library(openxlsx)
## Warning: package 'openxlsx' was built under R version 4.5.1
data <- read.xlsx("E:/SMT 5/Epidemologi/DATA EPIDEMIOLOGI.xlsx")
head(data)
##   no Kabupaten/Kota Jumlah.Kasus.DBD Jumlah.Penduduk Jumlah.Kematian.DBD
## 1  1        Bandung             3589         3753120                  38
## 2  2  Bandung Barat             3754         1884190                  18
## 3  3         Bekasi             1902         3273870                   7
## 4  4          Bogor             3404         5682300                  23
## 5  5         Ciamis             1420         1259230                  11
## 6  6        Cianjur             1932         2584990                  11

3.2 Variabel Penelitian

Penelitian ini berfokus pada pemetaan dan analisis epidemiologi kasus Demam Berdarah Dengue (DBD) di Provinsi Jawa Barat. Untuk menggambarkan pola penyebaran penyakit tersebut secara komprehensif, diperlukan variabel-variabel yang mampu merepresentasikan tingkat kejadian, tingkat keparahan, serta kondisi populasi sebagai pembanding antar wilayah. Oleh karena itu, penelitian ini menggunakan tiga variabel utama, yaitu jumlah kasus DBD, jumlah kematian akibat DBD, dan jumlah penduduk.

Ketiga variabel tersebut dipilih karena memiliki peran penting dalam analisis epidemiologi penyakit menular. Variabel jumlah kasus DBD digunakan untuk mengetahui tingkat kejadian penyakit pada masing-masing Kabupaten/Kota, sehingga dapat mengidentifikasi wilayah dengan angka kasus tertinggi atau yang berpotensi menjadi hotspot penyebaran. Variabel jumlah kematian akibat DBD menggambarkan tingkat keparahan dan efektivitas sistem kesehatan di setiap daerah, serta digunakan untuk menghitung ukuran epidemiologi Case Fatality Rate (CFR). Sementara itu, variabel jumlah penduduk berfungsi sebagai pembagi dalam perhitungan ukuran epidemiologi seperti prevalensi dan CFR, sekaligus menunjukkan besarnya populasi berisiko di setiap wilayah.

Tabel di bawah ini menyajikan ringkasan variabel penelitian beserta deskripsi dan sumber datanya yang digunakan dalam analisis.

Nama Variabel Deskripsi Sumber Data
Jumlah Kasus DBD Jumlah keseluruhan kasus Demam Berdarah Dengue yang dilaporkan di Kabupaten/Kota Jawa Barat pada tahun 2024 Open Data Jawa Barat
Jumlah Kematian karena DBD Jumlah total kematian yang disebabkan oleh infeksi Demam Berdarah Dengue di Kabupaten/Kota Jawa Barat pada tahun 2024 Open Data Jawa Barat
Jumlah Penduduk Jumlah total penduduk di Kabupaten/Kota Jawa Barat pada tahun 2024 Badan Pusat Statistik (BPS)

3.3 Metode Penelitian

Analisis data dalam penelitian ini dilakukan secara deskriptif dengan tujuan utama untuk menggambarkan karakteristik penyebaran penyakit Demam Berdarah Dengue (DBD) di Provinsi Jawa Barat serta menghitung besaran masalah kesehatan yang muncul berdasarkan ukuran epidemiologi. Pendekatan ini tidak bertujuan untuk menguji hubungan kausal, tetapi lebih difokuskan pada penggambaran pola, variasi, dan distribusi kasus antar wilayah.

Tahapan analisis yang dilakukan meliputi beberapa langkah berikut:

  1. Deskripsi Kasus dan Proses Penyakit Pada tahap ini dilakukan identifikasi karakteristik penyakit DBD menggunakan pendekatan Agent–Host–Environment (A-H-E) sebagai dasar kerangka konseptual epidemiologi.

  2. Agent: terdiri atas empat serotipe virus dengue (DENV-1 hingga DENV-4) yang menjadi penyebab utama penyakit.

  3. Host (Pejamu): manusia sebagai penerima infeksi, dengan faktor risiko yang meliputi usia, jenis kelamin, status gizi, dan riwayat infeksi sebelumnya.

  4. Environment (Lingkungan): mencakup faktor-faktor eksternal seperti curah hujan, suhu udara, kepadatan penduduk, serta kebersihan lingkungan (misalnya penerapan praktik 3M Plus). Tahap ini bertujuan memberikan pemahaman mendalam mengenai mekanisme penularan DBD dan konteks risiko yang berkontribusi terhadap penyebaran penyakit di tingkat wilayah.

  5. Statistika Deskriptif Analisis deskriptif digunakan untuk mengeksplorasi pola distribusi kasus DBD serta perbedaan karakteristik antar Kabupaten/Kota di Jawa Barat. Langkah ini meliputi perhitungan nilai rata-rata, median, minimum, maksimum, serta simpangan baku dari jumlah kasus dan kematian. Visualisasi data dilakukan menggunakan boxplot dan histogram. Selain itu, dibuat pula peta tematik (choropleth map) untuk menampilkan distribusi spasial jumlah kasus DBD di wilayah penelitian.

  6. Perhitungan Ukuran Epidemiologi Pada tahap ini dilakukan perhitungan ukuran epidemiologi untuk menggambarkan tingkat kejadian dan keparahan penyakit.

  7. Prevalensi dihitung dengan membandingkan jumlah kasus DBD terhadap total penduduk pada setiap Kabupaten/Kota.

  8. Case Fatality Rate (CFR) dihitung sebagai persentase jumlah kematian akibat DBD terhadap total kasus yang dilaporkan. Hasil perhitungan tersebut ditampilkan secara global (Provinsi Jawa Barat) dan lokal (Kabupaten/Kota), kemudian divisualisasikan dalam bentuk peta sebaran epidemiologi untuk mempermudah interpretasi geografis.

  9. Interpretasi Epidemiologis Tahap akhir berupa penafsiran hasil analisis statistik dan spasial untuk menjelaskan pola kejadian DBD di Provinsi Jawa Barat. Interpretasi difokuskan pada identifikasi wilayah dengan tingkat prevalensi dan CFR yang tinggi, analisis potensi cluster endemis, serta pemaknaan hasil dalam konteks hubungan antara faktor lingkungan, host, dan agent. Hasil interpretasi ini juga menjadi dasar bagi penyusunan rancangan studi lanjutan dengan pendekatan epidemiologi analitik, seperti desain Cross-Sectional Study untuk menguji hubungan antar variabel risiko.

Untuk menjelaskan tahapan analisis secara lebih sistematis, penelitian ini mengikuti alur kerja sebagaimana ditunjukkan pada diagram berikut. Alur ini menunjukkan langkah-langkah utama mulai dari proses pengumpulan data hingga interpretasi hasil.

3.4 Desain Studi Epidemiologi (Simulatif)

3.4.1 Jenis Desain

Penelitian ini menggunakan desain potong lintang (cross-sectional study), yaitu desain observasional yang mengukur paparan (exposure) dan outcome secara bersamaan pada satu periode waktu tertentu. Pendekatan ini digunakan untuk menggambarkan prevalensi Demam Berdarah Dengue (DBD) dan Case Fatality Rate (CFR) di setiap kabupaten/kota di Provinsi Jawa Barat, serta untuk mengevaluasi hubungan antara faktor lingkungan dan kepadatan penduduk dengan prevalensi kasus DBD. Keunggulan desain ini adalah kemampuannya untuk memberikan gambaran situasi epidemiologis terkini, meskipun tidak dapat digunakan untuk menilai hubungan sebab-akibat secara langsung.

Adapun pemilihan desain cross-sectional dilakukan karena sesuai dengan tujuan penelitian, yaitu untuk :

  1. Menyajikan gambaran distribusi DBD — menggambarkan prevalensi dan CFR di seluruh kabupaten/kota Jawa Barat dalam satu periode tertentu.
  2. Mengidentifikasi variasi antarwilayah — menganalisis perbedaan tingkat risiko dan determinan lingkungan yang memengaruhi penyebaran DBD.
  3. Menjadi dasar untuk penelitian lanjutan — hasilnya dapat digunakan untuk merancang studi analitik atau longitudinal yang lebih dalam mengenai faktor risiko DBD.

Selain itu, desain ini relatif efisien dari segi waktu dan biaya, serta mudah dilakukan menggunakan data sekunder yang tersedia dari laporan surveilans atau dinas kesehatan provinsi.

3.4.2 Variabel Penelitian

Variabel penelitian yang dapat digunakan untuk penelitian dengan studi ini adalah sebagai berikut.

Jenis Variabel Nama Variabel Keterangan
Variabel Dependen (Outcome) Prevalensi DBD (%) Proporsi kasus DBD terhadap jumlah penduduk pada masing-masing kabupaten/kota di Jawa Barat.
CFR (%) Proporsi kematian akibat DBD dibandingkan total kasus DBD pada wilayah tertentu.
Variabel Independen (Paparan) Kepadatan penduduk (jiwa/km²) Menggambarkan tingkat keramaian penduduk yang berpotensi meningkatkan transmisi vektor.
Curah hujan (mm) Faktor lingkungan yang memengaruhi banyaknya genangan air tempat berkembang biak nyamuk.
Pelaksanaan 3M Plus Tingkat implementasi program pencegahan DBD di masyarakat.
Suhu rata-rata (°C) Faktor iklim yang memengaruhi siklus hidup nyamuk Aedes aegypti.
Variabel Perancu (Confounder) Usia dominan penduduk, proporsi jenis kelamin laki-laki, tingkat pendidikan Faktor-faktor yang dapat memengaruhi kerentanan terhadap infeksi DBD.

3.4.3 Populasi dan Sampel

  • Populasi target
    Seluruh penduduk Provinsi Jawa Barat pada tahun 2024.

  • Unit analisis
    Kabupaten/kota di Provinsi Jawa Barat (27 wilayah).

  • Sampel penelitian
    Seluruh kabupaten/kota dimasukkan dalam analisis (total sampling) karena seluruh unit wilayah memiliki data yang relevan dan dianalisis pada periode waktu yang sama.

3.4.4 Cara Sampling

Metode pengambilan sampel dilakukan dengan total sampling, yaitu seluruh kabupaten/kota di Provinsi Jawa Barat dimasukkan ke dalam unit analisis.
Pendekatan ini memastikan bahwa semua variasi geografis dan demografis dalam data DBD dapat diamati secara menyeluruh, serta memungkinkan perbandingan langsung antarwilayah untuk menilai variasi prevalensi dan CFR DBD.

3.4.5 Potensi Bias

Jenis Bias Penjelasan
Bias seleksi Dapat terjadi apabila beberapa kabupaten/kota tidak memiliki data lengkap dan dikeluarkan dari analisis, sehingga hasil menjadi tidak merepresentasikan keseluruhan provinsi.
Bias informasi Dapat muncul karena perbedaan sistem pelaporan atau pencatatan kasus DBD antarwilayah, baik dari rumah sakit maupun dinas kesehatan.
Bias perancu (confounding) Faktor-faktor seperti kepadatan penduduk, iklim, dan perilaku masyarakat mungkin saling berinteraksi, sehingga perlu dipertimbangkan dalam interpretasi hasil.

BAB IV HASIL DAN PEMBAHASAN

4.1 Deskripsi Kasus & Proses Penyakit

Penyakit Demam Berdarah Dengue (DBD) merupakan salah satu penyakit infeksi tropis yang hingga kini masih menjadi masalah kesehatan masyarakat di berbagai wilayah Indonesia, termasuk Provinsi Jawa Barat. Penyakit ini disebabkan oleh virus Dengue (DENV) yang ditularkan melalui gigitan nyamuk Aedes aegypti dan Aedes albopictus. Kedua spesies ini merupakan vektor utama yang berperan dalam siklus penularan virus antar manusia.

Penularan terjadi ketika nyamuk yang telah terinfeksi virus menggigit individu yang sehat. Setelah masa inkubasi, virus berkembang dalam tubuh manusia dan menimbulkan gejala klinis seperti demam tinggi, nyeri otot, nyeri sendi, dan ruam kulit. Dalam kasus yang lebih berat, infeksi dapat berkembang menjadi Dengue Hemorrhagic Fever (DHF) atau Dengue Shock Syndrome (DSS) yang berpotensi menyebabkan kematian.

Berdasarkan kerangka Agent–Host–Environment (A-H-E), penyebaran DBD di Jawa Barat sangat dipengaruhi oleh interaksi kompleks antara ketiga komponen tersebut. Analisis deskriptif terhadap komponen-komponen ini memberikan gambaran menyeluruh mengenai faktor-faktor risiko yang berkontribusi terhadap peningkatan kasus DBD di tingkat Kabupaten/Kota.

Faktor yang Memengaruhi Kerentanan Host

Kelompok host atau pejamu dalam konteks penyakit DBD adalah manusia. Kerentanan seseorang terhadap infeksi virus dengue dipengaruhi oleh sejumlah faktor biologis dan perilaku. Tabel berikut menyajikan beberapa variabel yang berperan dalam meningkatkan risiko terjadinya infeksi:

Variabel Kondisi Alasan
Usia 5–14 tahun Anak-anak pada kelompok usia ini cenderung lebih aktif di luar rumah dan memiliki sistem imun yang belum sepenuhnya matang, sehingga lebih rentan terhadap infeksi virus dengue.
Status Gizi Kurang Status gizi yang rendah menurunkan daya tahan tubuh dan menghambat respon imun seluler terhadap infeksi virus.
Golongan Darah AB Individu dengan golongan darah AB tidak memiliki antibodi alami anti-A atau anti-B, yang dapat berperan dalam respons imun awal terhadap infeksi dengue.
Jenis Kelamin Laki-laki Laki-laki lebih sering terpapar gigitan nyamuk karena aktivitas luar ruangan yang lebih tinggi dibandingkan perempuan.
Riwayat Infeksi Sebelumnya Terinfeksi serotipe DENV berbeda Infeksi sekunder oleh serotipe virus yang berbeda dapat menyebabkan fenomena Antibody-Dependent Enhancement (ADE), yang meningkatkan replikasi virus dan memperparah infeksi.
Pelaksanaan 3M Plus Rendah Kurangnya penerapan tindakan 3M Plus (menguras, menutup, mengubur, dan memanfaatkan kembali barang bekas) meningkatkan peluang berkembangnya jentik Aedes.

Faktor Eksternal yang Memengaruhi Interaksi antara Agent dan Host (Environment)

Lingkungan fisik dan sosial memiliki pengaruh besar terhadap siklus penularan DBD. Perubahan iklim, urbanisasi, serta perilaku masyarakat menentukan dinamika populasi nyamuk dan peluang penularan virus. Berikut beberapa faktor lingkungan penting yang berkaitan dengan penyebaran DBD di Jawa Barat:

Variabel Kondisi Alasan / Mekanisme
Curah Hujan Tinggi Genangan air akibat hujan menciptakan habitat ideal bagi nyamuk Aedes aegypti untuk berkembang biak, terutama di daerah perkotaan yang memiliki banyak wadah penampung air.
Suhu Naik Suhu udara yang tinggi mempercepat siklus hidup nyamuk dan memperpendek masa inkubasi virus di dalam tubuh nyamuk, sehingga meningkatkan risiko penularan.
Kepadatan Penduduk Tinggi Wilayah dengan kepadatan penduduk tinggi mempermudah penyebaran virus karena jarak antar rumah yang dekat memperbesar peluang gigitan nyamuk yang terinfeksi terhadap lebih banyak individu.

Secara konseptual, faktor-faktor risiko tersebut dapat digambarkan melalui diagram hubungan antar komponen epidemiologi DBD berikut ini:

library(DiagrammeR)
## Warning: package 'DiagrammeR' was built under R version 4.5.1
# Diagram faktor risiko DBD menggunakan syntax Mermaid
mermaid("
graph TD
    %% Bagian Environment & Behavior
    subgraph Environment & Behavior
        A1[Kepadatan Penduduk Tinggi]
        A2[Curah Hujan Tinggi]
        A3[Kenaikan Suhu Global]
        A4[Rendahnya Pelaksanaan 3M Plus]
    end

    A1 -->|meningkatkan jumlah| B1[Populasi Nyamuk Aedes Meningkat]
    A1 -->|meningkatkan penyebaran| C1[Manusia]

    A2 --> D1[Genangan Air]
    A3 -->|mempercepat siklus hidup| B1

    A4 -->|tidak membersihkan| D1
    
    D1 -->|tempat perindukan| B1

    %% Bagian Agent dan Vektor
    subgraph Host
        E1
    end
    
    E1[Virus Dengue]
    B1 -->|membawa| E1

    %% Bagian Host
    subgraph Host
        C1
    end

    E1 -->|transmisi melalui gigitan| C1
    C1 -->|infeksi| F1[Kasus DBD]

    %% Bagian Faktor yang Mempengaruhi Kerentanan Host
    subgraph Faktor yang Mempengaruhi Kerentanan Host
        G1[Status Gizi Buruk]
        G2[Usia 5-14 Tahun]
        G3[Riwayat Infeksi Sebelumnya]
        G4[Laki-Laki]
        G5[Golongan Darah AB]
    end

    G1 -->|meningkatkan kerentanan| F1
    G2 -->|meningkatkan kerentanan| F1
    G3 -->|meningkatkan kerentanan| F1
    G4 -->|meningkatkan kerentanan| F1
    G5 -->|meningkatkan kerentanan| F1
")

4.2 Statistika Deskriptif

Analisis statistik deskriptif dilakukan untuk memberikan gambaran umum mengenai karakteristik data kasus Demam Berdarah Dengue (DBD) di Jawa Barat . Analisis ini bertujuan untuk memahami distribusi data dan mengidentifikasi kecenderungan umum dariJ jumlah kasus yang terjadi di setiap wilayah. Melalui pendekatan ini, dapat diketahui sejauh mana penyebaran kasus berlangsung serta apakah terdapat perbedaan yang cukup mencolok antarwilayah.

summary(data$Jumlah.Kasus.DBD)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     400     989    1902    2275    3274    7680

Berdasarkan hasil analisis statistik deskriptif terhadap jumlah kasus Demam Berdarah Dengue (DBD) di Provinsi Jawa Barat, diketahui bahwa jumlah kasus bervariasi antara 400 kasus hingga 7.680 kasus pada tahun 2024. Nilai rata-rata (mean) kasus DBD sebesar 2.275 kasus dan median sebesar 1.902 kasus menunjukkan bahwa distribusi data sedikit condong ke kanan (right-skewed), yang berarti sebagian besar wilayah memiliki jumlah kasus di bawah rata-rata, namun terdapat beberapa wilayah dengan kasus yang sangat tinggi sehingga menaikkan nilai rata-rata keseluruhan.

Nilai kuartil pertama (Q1) sebesar 989 kasus dan kuartil ketiga (Q3) sebesar 3.274 kasus menggambarkan bahwa setengah dari wilayah di Jawa Barat memiliki jumlah kasus DBD antara kisaran tersebut. Rentang nilai yang cukup lebar dari minimum 400 hingga maksimum 7.680 mengindikasikan adanya perbedaan yang signifikan antarwilayah dalam hal tingkat kejadian DBD.

#Histogram
# Tentukan batas bawah dan atas, dibulatkan ke kelipatan 500
min_val <- floor(min(data$Jumlah.Kasus.DBD, na.rm = TRUE) / 500) * 500
max_val <- ceiling(max(data$Jumlah.Kasus.DBD, na.rm = TRUE) / 500) * 500

# Buat histogram dengan interval per 500
hist(data$Jumlah.Kasus.DBD,
     breaks = seq(min_val, max_val, by = 500),
     main = "Distribusi Jumlah Kasus DBD",
     xlab = "Jumlah Kasus",
     ylab = "Frekuensi",
     col = "pink",
     border = "black",
     las = 1)

# Tambahkan garis grid
grid(nx = NULL, ny = NULL, col = "gray", lty = "dotted", lwd = 1)

Visualisasi melalui histogram memperkuat hasil tersebut. Gambar di atas menunjukkan distribusi jumlah kasus Demam Berdarah Dengue (DBD) di 27 kabupaten/kota di Provinsi Jawa Barat tahun 2024. Berdasarkan histogram tersebut, terlihat bahwa sebagian besar wilayah memiliki jumlah kasus DBD yang relatif rendah, yaitu di bawah 2.000 kasus. Hal ini menunjukkan bahwa mayoritas daerah di Jawa Barat mengalami kejadian DBD dalam skala ringan hingga sedang. Namun, terdapat beberapa wilayah dengan jumlah kasus yang jauh lebih tinggi, bahkan mendekati 8.000 kasus, yang menunjukkan adanya ketimpangan penyebaran kasus antarwilayah. Pola distribusi yang tampak menceng ke kanan (right-skewed) menandakan bahwa meskipun sebagian besar daerah mencatat kasus rendah, ada beberapa daerah dengan lonjakan kasus yang signifikan dan perlu mendapatkan perhatian khusus dalam upaya pengendalian penyakit. Secara keseluruhan, distribusi ini menggambarkan bahwa persebaran kasus DBD di Jawa Barat tahun 2024 tidak merata, dengan adanya variasi yang cukup besar antar kabupaten/kota.

boxplot(data$Jumlah.Kasus.DBD,
        main = "Boxplot Jumlah Kasus DBD",
        ylab = "Jumlah Kasus",
        col = "maroon",
        border = "black",
        horizontal = FALSE)  # vertikal
grid(nx = NA, ny = NULL, col = "gray", lty = "dotted", lwd = 1)

Hasil boxplot memperlihatkan adanya titik pencilan (outlier) dalam data. Titik-titik yang berada di atas boxplot menunjukkan wilayah dengan jumlah kasus yang jauh lebih tinggi dibandingkan daerah lainnya. Keberadaan outlier ini mengindikasikan adanya faktor-faktor lokal yang signifikan, seperti kepadatan penduduk, pola curah hujan, kondisi sanitasi, serta perilaku masyarakat dalam melakukan upaya pencegahan, yang berkontribusi terhadap peningkatan kasus DBD di wilayah tertentu.

Selain itu, peta sebaran jumlah kasus DBD di Jawa Barat menyajikan gambaran visual mengenai distribusi spasial kasus di seluruh provinsi.

library(sf)
## Warning: package 'sf' was built under R version 4.5.1
## Linking to GEOS 3.13.1, GDAL 3.11.0, PROJ 9.6.0; sf_use_s2() is TRUE
library(dplyr)
## Warning: package 'dplyr' was built under R version 4.5.1
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(ggplot2)
## Warning: package 'ggplot2' was built under R version 4.5.1
library(openxlsx)
library(viridis)
## Warning: package 'viridis' was built under R version 4.5.1
## Loading required package: viridisLite
library(spdep)
## Warning: package 'spdep' was built under R version 4.5.1
## Loading required package: spData
## Warning: package 'spData' was built under R version 4.5.1
## To access larger datasets in this package, install the spDataLarge
## package with: `install.packages('spDataLarge',
## repos='https://nowosad.github.io/drat/', type='source')`
Indo <- st_read("E:/SMT 5/Epidemologi/RBI_50K_2023_Jawa Barat.x26272/RBI_50K_2023_Jawa Barat.shp")
## Reading layer `RBI_50K_2023_Jawa Barat' from data source 
##   `E:\SMT 5\Epidemologi\RBI_50K_2023_Jawa Barat.x26272\RBI_50K_2023_Jawa Barat.shp' 
##   using driver `ESRI Shapefile'
## Simple feature collection with 27 features and 25 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: 106.3703 ymin: -7.82099 xmax: 108.8468 ymax: -5.806538
## Geodetic CRS:  WGS 84
# Merged data
jabar_merged <- Indo %>%
  left_join(data, by = c("WADMKK" = "Kabupaten/Kota"))

ggplot(jabar_merged) +
  geom_sf(aes(fill = Jumlah.Kasus.DBD)) +
  scale_fill_viridis_c(option = "C") +
  labs(title = "Sebaran Jumlah Kasus DBD di Jawa Barat", fill = "Jumlah Kasus") +
  theme_minimal()

Dari peta sebaran terlihat adanya variasi jumlah kasus DBD di Provinsi Jawa Barat antarwilayah. Wilayah dengan intensitas warna kuning menunjukkan jumlah kasus tertinggi, yang terpusat di sekitar Kota Bandung, sedangkan wilayah bagian tengah hingga timur didominasi warna ungu tua, menandakan jumlah kasus yang relatif rendah dibandingkan daerah perkotaan. Pola ini mengindikasikan bahwa tingginya kasus DBD cenderung terjadi di wilayah dengan kepadatan penduduk tinggi dan aktivitas perkotaan yang padat, yang mendukung perkembangan nyamuk Aedes aegypti, sementara daerah dengan kepadatan penduduk lebih rendah cenderung memiliki jumlah kasus yang lebih sedikit.

4.3 Analisis Spasial

Setelah dilakukan analisis deskriptif terhadap distribusi kasus DBD, langkah selanjutnya adalah melakukan analisis spasial untuk mengetahui apakah penyebaran penyakit DBD di wilayah Kabupaten/Kota di Provinsi Jawa Barat menunjukkan pola spasial tertentu, baik berupa pengelompokan (clustering), penyebaran acak, maupun pola teratur.

Analisis ini penting karena penyakit berbasis vektor seperti DBD sering kali tidak tersebar secara acak, melainkan membentuk pola spasial tertentu yang dipengaruhi oleh kondisi lingkungan, iklim, dan kepadatan penduduk. Dengan mengetahui adanya autokorelasi spasial, dapat diidentifikasi wilayah yang berpotensi menjadi hotspot (daerah risiko tinggi) maupun coldspot (daerah risiko rendah) untuk penularan DBD.

Untuk menganalisis hal tersebut, digunakan beberapa ukuran autokorelasi spasial, yaitu:

  1. Moran’s I Global untuk mengukur sejauh mana pola kasus DBD menunjukkan keterkaitan spasial secara keseluruhan antar wilayah.

  2. Geary’s C sebagai ukuran alternatif yang lebih sensitif terhadap perbedaan nilai antar wilayah berdekatan.

  3. Local Indicators of Spatial Association (LISA) untuk mendeteksi adanya klaster lokal seperti High-High dan Low-Low.

  4. Getis-Ord Gi* untuk mengidentifikasi hotspot dan coldspot penyebaran kasus DBD secara statistik signifikan.

Hasil dari setiap analisis tersebut disajikan pada bagian berikut untuk menunjukkan pola spasial penyebaran kasus DBD di Jawa Barat tahun 2024.

4.3.1 Hasil Analisis Autokorelasi Spasial Global

# ============================================================
# ANALISIS SPASIAL KASUS DBD
# ============================================================

# 1. Load library
library(sf)
library(dplyr)
library(spdep)
library(tmap)
## Warning: package 'tmap' was built under R version 4.5.1
library(plotly)
## Warning: package 'plotly' was built under R version 4.5.1
## 
## Attaching package: 'plotly'
## The following object is masked from 'package:ggplot2':
## 
##     last_plot
## The following object is masked from 'package:stats':
## 
##     filter
## The following object is masked from 'package:graphics':
## 
##     layout
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats   1.0.0     ✔ stringr   1.5.1
## ✔ lubridate 1.9.4     ✔ tibble    3.3.0
## ✔ purrr     1.0.4     ✔ tidyr     1.3.1
## ✔ readr     2.1.5
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ plotly::filter() masks dplyr::filter(), stats::filter()
## ✖ dplyr::lag()     masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
# 2. Data
# --- Konversi ke Spatial untuk analisis spasial ---
jabar_sp <- as_Spatial(jabar_merged)
row.names(jabar_sp) <- jabar_sp$WADMKK

# --- Spatial weight matrix ---
W <- poly2nb(jabar_sp, row.names = row.names(jabar_sp), queen = TRUE)
WL <- nb2listw(W, style = "W", zero.policy = TRUE)

# Variabel kasus
x <- jabar_merged$Jumlah.Kasus.DBD
names(x) <- rownames(jabar_merged)
# ============================================================
# Moran's I global & Geary's C
# ============================================================
moran_test <- moran.test(x, WL, zero.policy = TRUE)
geary_test <- geary.test(x, WL, zero.policy = TRUE)

print("Hasil Moran's I:")
## [1] "Hasil Moran's I:"
print(moran_test)
## 
##  Moran I test under randomisation
## 
## data:  x  
## weights: WL    
## 
## Moran I statistic standard deviate = 1.9632, p-value = 0.02481
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic       Expectation          Variance 
##        0.21950525       -0.03846154        0.01726631
print("Hasil Geary's C:")
## [1] "Hasil Geary's C:"
print(geary_test)
## 
##  Geary C test under randomisation
## 
## data:  x 
## weights: WL   
## 
## Geary C statistic standard deviate = 1.9677, p-value = 0.02455
## alternative hypothesis: Expectation greater than statistic
## sample estimates:
## Geary C statistic       Expectation          Variance 
##        0.61280172        1.00000000        0.03872267

Berdasarkan hasil perhitungan Moran’s I, diperoleh nilai sebesar 0,2195 dengan nilai p-value sebesar 0,0248. Karena p-value < 0,05, maka dapat disimpulkan bahwa terdapat autokorelasi spasial positif yang signifikan pada distribusi kasus DBD di Provinsi Jawa Barat tahun 2024. Hal ini berarti bahwa wilayah dengan jumlah kasus DBD tinggi cenderung berdekatan dengan wilayah lain yang juga memiliki kasus tinggi, begitu pula sebaliknya. Dengan kata lain, pola penyebaran kasus DBD di Jawa Barat tidak bersifat acak, melainkan menunjukkan adanya pengelompokan (spatial clustering).

Hasil uji Geary’s C juga mendukung temuan tersebut dengan nilai sebesar 0,613 dan p-value 0,0246, yang menunjukkan adanya keterkaitan spasial antarwilayah. Nilai Geary’s C yang lebih kecil dari 1 menandakan bahwa wilayah yang berdekatan memiliki nilai yang mirip satu sama lain, sehingga memperkuat indikasi adanya klaster spasial pada kasus DBD di Jawa Barat.

4.3.2 Hasil Analisis Autokorelasi Spasial Lokal (LISA)

# ============================================================
# LISA (Local Moran)
# ============================================================
lisa <- localmoran(x, WL, zero.policy = TRUE)
x_std <- scale(x)
wx_std <- scale(lag.listw(WL, x, zero.policy = TRUE))
lisa_class <- rep("Not Significant", length(x))
sig <- lisa[,5] < 0.05

lisa_class[sig & x_std > 0 & wx_std > 0] <- "High-High"
lisa_class[sig & x_std < 0 & wx_std < 0] <- "Low-Low"
lisa_class[sig & x_std > 0 & wx_std < 0] <- "High-Low"
lisa_class[sig & x_std < 0 & wx_std > 0] <- "Low-High"

jabar_merged$lisa_class <- lisa_class

# Peta LISA
tm_shape(jabar_merged) +
  tm_polygons("lisa_class",
              palette = c("High-High"="red",
                          "Low-Low"="blue",
                          "High-Low"="pink",
                          "Low-High"="lightblue",
                          "Not Significant"="white"),
              title = "LISA Cluster",
              border.col = "black",
              lwd = 1) +
  tm_layout(legend.outside = TRUE)
## 
## ── tmap v3 code detected ───────────────────────────────────────────────────────
## [v3->v4] `tm_tm_polygons()`: migrate the argument(s) related to the scale of
## the visual variable `fill` namely 'palette' (rename to 'values') to fill.scale
## = tm_scale(<HERE>).
## [v3->v4] `tm_polygons()`: use 'fill' for the fill color of polygons/symbols
## (instead of 'col'), and 'col' for the outlines (instead of 'border.col').
## [v3->v4] `tm_polygons()`: migrate the argument(s) related to the legend of the
## visual variable `fill` namely 'title' to 'fill.legend = tm_legend(<HERE>)'

Selanjutnya, dilakukan analisis Local Moran’s I (LISA) untuk melihat pola klaster lokal antar kabupaten/kota di Jawa Barat. Berdasarkan hasil pemetaan, terdapat beberapa wilayah yang membentuk pola High-High (hot spot) dan Low-Low (cold spot). Kota Cimahi teridentifikasi sebagai wilayah dengan pola Low-High, yaitu daerah dengan tingkat kasus DBD relatif rendah namun dikelilingi oleh wilayah dengan kasus tinggi. Kondisi ini menunjukkan potensi penyebaran penyakit dari daerah sekitar, sehingga Cimahi perlu menjadi perhatian sebagai wilayah transisi penyebaran DBD.

4.3.3 Analisis Hotspot Getis-Ord Gi*

# ============================================================
# Getis-Ord Gi* (Hotspot Analysis)
# ============================================================
gi_z <- as.numeric(localG(x, WL, zero.policy = TRUE))
jabar_merged$z_Gistar <- gi_z

jabar_merged$hotcold <- case_when(
  gi_z >= 1.96  ~ "Hot spot (p≤0.05)",
  gi_z <= -1.96 ~ "Cold spot (p≤0.05)",
  TRUE          ~ "Not significant"
)

tm_shape(jabar_merged) +
  tm_polygons("hotcold",
              palette = c("Hot spot (p≤0.05)"="#b2182b",
                          "Cold spot (p≤0.05)"="#2166ac",
                          "Not significant"="grey85"),
              title = "Getis-Ord Gi*",
              border.col = "black",
              lwd = 1) +
  tm_layout(legend.outside = TRUE)
## 
## ── tmap v3 code detected ───────────────────────────────────────────────────────
## [v3->v4] `tm_tm_polygons()`: migrate the argument(s) related to the scale of
## the visual variable `fill` namely 'palette' (rename to 'values') to fill.scale
## = tm_scale(<HERE>).
## [v3->v4] `tm_polygons()`: migrate the argument(s) related to the legend of the
## visual variable `fill` namely 'title' to 'fill.legend = tm_legend(<HERE>)'

Sementara itu, hasil analisis Getis–Ord Gi* memperlihatkan bahwa Kota Cimahi juga merupakan satu-satunya daerah dengan nilai z-score signifikan positif (p ≤ 0,05) dan termasuk dalam kategori hot spot. Hal ini menunjukkan adanya konsentrasi spasial kasus DBD yang tinggi di sekitar Cimahi, yang memperkuat dugaan bahwa kawasan ini merupakan titik penting penyebaran kasus DBD di wilayah sekitarnya.

Hasil analisis autokorelasi spasial menunjukkan bahwa kasus DBD di Jawa Barat tahun 2024 memiliki pola penyebaran yang tidak acak, dengan adanya keterkaitan antarwilayah. Analisis lokal (LISA dan Getis-Ord Gi* ) sama-sama mengidentifikasi Kota Cimahi sebagai wilayah yang signifikan, dengan pola Low–High pada LISA dan Hot Spot pada Getis-Ord Gi*.

Kesimpulannya, Kota Cimahi menjadi daerah yang berpotensi sebagai pusat konsentrasi penyebaran kasus DBD, meskipun tingkat kasusnya sendiri relatif rendah dibanding wilayah sekitarnya. Hal ini menunjukkan perlunya pengawasan dan intervensi kesehatan masyarakat yang lebih intensif di Cimahi dan daerah sekitarnya untuk mencegah peningkatan kasus di masa mendatang.

4.4 Ukuran Epidemiologi

library(leaflet)
## Warning: package 'leaflet' was built under R version 4.5.1
library(plotly)
library(DT)
## Warning: package 'DT' was built under R version 4.5.1
library(dplyr)
library(ggplot2)
library(sf)

# ============================================================
# Prevalensi DBD Jawa Barat
# ============================================================

# ---------------------------- HITUNG PREVALENSI (%) ----------------------------
jabar_merged <- jabar_merged %>%
  mutate(Prevalensi = (Jumlah.Kasus.DBD / Jumlah.Penduduk) * 100)

# Cek ringkasan untuk menentukan batas kelas
summary(jabar_merged$Prevalensi)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
## 0.02759 0.08551 0.12837 0.15133 0.19662 0.44595
# Hitung total kasus dan total populasi untuk Jawa Barat
total_JK <- sum(jabar_merged$Jumlah.Kasus.DBD, na.rm = TRUE)
total_JP <- sum(jabar_merged$Jumlah.Penduduk, na.rm = TRUE)

# Prevalensi keseluruhan Jawa Barat (%)
prevalensi_jabar <- (total_JK / total_JP) * 100
prevalensi_jabar
## [1] 0.1220037
# ---------------------------- KLASIFIKASI PREVALENSI ----------------------------
breaks_prev <- c(0, 0.09, 0.13, 0.20, Inf)
labels_prev <- c("≤0.09%", "0.10–0.13%", "0.14–0.20%", ">0.20%")

jabar_merged$Kategori_Prev <- cut(
  jabar_merged$Prevalensi,
  breaks = breaks_prev,
  labels = labels_prev,
  right = TRUE,
  include.lowest = TRUE
)

# ---------------------------- VISUALISASI PETA PREVALENSI (%) ----------------------------
ggplot() +
  geom_sf(data = jabar_merged, aes(fill = Kategori_Prev), color = "black", size = 0.25) +
  scale_fill_manual(values = c("≤0.09%" = "#ffffb2",
                               "0.10–0.13%" = "#fecc5c",
                               "0.14–0.20%" = "#fd8d3c",
                               ">0.20%" = "#e31a1c")) +
  labs(title = "Peta Sebaran Prevalensi DBD di Jawa Barat (%)",
       fill = "Prevalensi (%)") +
  theme_minimal() +
  theme(axis.text = element_blank(),
        axis.ticks = element_blank(),
        panel.grid = element_blank(),
        plot.title = element_text(size = 14, face = "bold", hjust = 0.5))

Berdasarkan peta sebaran prevalensi Demam Berdarah Dengue (DBD) di Provinsi Jawa Barat tahun 2024, terlihat bahwa tingkat prevalensi DBD bervariasi antar kabupaten dan kota. Secara keseluruhan, prevalensi rata-rata DBD di Jawa Barat tercatat sebesar 0,12%, yang berarti sekitar 120 dari setiap 100.000 penduduk terjangkit DBD sepanjang tahun 2024. Nilai prevalensi terendah mencapai 0,03%, sedangkan yang tertinggi mencapai 0,45%, menunjukkan adanya perbedaan yang cukup signifikan antarwilayah.

Secara spasial, daerah dengan prevalensi tinggi (lebih dari 0,20%) ditunjukkan dengan warna merah pada peta dan umumnya terletak di bagian barat dan selatan Jawa Barat, seperti di wilayah sekitar Sukabumi, Cianjur, dan Tasikmalaya. Daerah-daerah ini berpotensi menjadi wilayah endemis DBD akibat berbagai faktor, seperti tingginya curah hujan, kepadatan penduduk, kondisi lingkungan yang mendukung perkembangbiakan nyamuk Aedes aegypti, serta kebersihan lingkungan yang kurang optimal.

Sementara itu, daerah dengan prevalensi rendah (kurang dari atau sama dengan 0,09%), yang ditandai dengan warna kuning muda, sebagian besar tersebar di wilayah utara dan tengah Jawa Barat, seperti Indramayu, Subang, dan Majalengka. Rendahnya prevalensi di wilayah tersebut dapat disebabkan oleh kepadatan penduduk yang relatif lebih rendah, kondisi lingkungan yang lebih kering, serta efektivitas program pencegahan DBD yang berjalan baik. Adapun daerah dengan prevalensi menengah (0,10–0,20%) yang ditunjukkan dengan warna oranye meliputi sebagian wilayah Bandung Raya dan Cirebon, yang berada sedikit di atas rata-rata provinsi namun masih dalam tingkat kewaspadaan moderat.

Secara keseluruhan, peta ini menunjukkan bahwa penyebaran DBD di Jawa Barat belum merata, dengan klaster kasus tinggi di wilayah barat dan selatan. Oleh karena itu, pemerintah daerah dan instansi kesehatan perlu memfokuskan intervensi pengendalian DBD di daerah-daerah berwarna merah, melalui peningkatan kegiatan pemberantasan sarang nyamuk, fogging, serta edukasi masyarakat tentang pentingnya menjaga kebersihan lingkungan. Sementara itu, wilayah dengan prevalensi rendah perlu terus mempertahankan strategi pencegahan agar angka kasus DBD tidak meningkat di tahun-tahun mendatang.

# ============================================================
# Case Fatality Rate (CFR)
# ============================================================

# ---------------------------- HITUNG CFR (%) ----------------------------
jabar_merged <- jabar_merged %>%
  mutate(CFR = (Jumlah.Kematian.DBD / Jumlah.Kasus.DBD) * 100)

# Cek ringkasan untuk menentukan batas
summary(jabar_merged$CFR)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##  0.0000  0.3515  0.5133  0.6104  0.7440  1.4118
# ---------------------------- KLASIFIKASI CFR DIBULATKAN ----------------------------
breaks_cfr <- c(0, 0.35, 0.51, 0.74, Inf)
labels_cfr <- c("≤0.35%", "0.36–0.51%", "0.52–0.74%", ">0.74%")

jabar_merged$Kategori_CFR <- cut(
  jabar_merged$CFR,
  breaks = breaks_cfr,
  labels = labels_cfr,
  right = TRUE,
  include.lowest = TRUE
)

# ---------------------------- VISUALISASI PETA CFR (%) ----------------------------
ggplot() +
  geom_sf(data = jabar_merged, aes(fill = Kategori_CFR), color = "black", size = 0.25) +
  scale_fill_manual(values = c("≤0.35%" = "#ffffb2",
                               "0.36–0.51%" = "#fecc5c",
                               "0.52–0.74%" = "#fd8d3c",
                               ">0.74%" = "#e31a1c")) +
  labs(title = "Peta Sebaran Case Fatality Rate (CFR) DBD di Jawa Barat (%)",
       fill = "CFR (%)") +
  theme_minimal() +
  theme(axis.text = element_blank(),
        axis.ticks = element_blank(),
        panel.grid = element_blank(),
        plot.title = element_text(size = 14, face = "bold", hjust = 0.5))

# ---------------------------- HITUNG CFR KESELURUHAN JAWA BARAT ----------------------------
total_JK <- sum(jabar_merged$Jumlah.Kasus.DBD, na.rm = TRUE)
total_KDBD <- sum(jabar_merged$Jumlah.Kematian.DBD, na.rm = TRUE)

# CFR keseluruhan Jawa Barat (%)
cfr_jabar <- (total_KDBD / total_JK) * 100
cfr_jabar
## [1] 0.5519105

Berdasarkan peta sebaran Case Fatality Rate (CFR) atau tingkat kematian akibat DBD di Provinsi Jawa Barat tahun 2024, terlihat bahwa tingkat keparahan kasus DBD juga bervariasi antar kabupaten/kota. Secara keseluruhan, CFR DBD Jawa Barat tercatat sebesar 0,55%, yang berarti dari setiap 1.000 kasus DBD yang terjadi, terdapat sekitar 5–6 kasus yang berakhir dengan kematian. Angka ini menunjukkan bahwa sebagian besar pasien DBD di Jawa Barat dapat tertangani dengan baik, meskipun masih ada wilayah dengan tingkat kematian yang relatif tinggi.

Peta menunjukkan bahwa wilayah dengan CFR tinggi (>0,74%) — ditandai dengan warna merah — tersebar di beberapa bagian tengah dan selatan Jawa Barat, termasuk sekitar Kabupaten Garut, Sumedang, dan Tasikmalaya. Daerah-daerah ini memiliki tingkat fatalitas yang lebih tinggi dibandingkan rata-rata provinsi, yang dapat disebabkan oleh keterlambatan penanganan medis, akses layanan kesehatan yang terbatas, atau kurangnya kesadaran masyarakat terhadap gejala awal DBD. Kondisi geografis dan kepadatan penduduk di beberapa wilayah juga bisa memperburuk situasi karena sulitnya distribusi layanan kesehatan yang cepat dan merata.

Sementara itu, wilayah dengan CFR rendah (≤0,35%), yang berwarna kuning muda, terlihat di sebagian wilayah barat dan selatan Jawa Barat, seperti Bogor dan Sukabumi. Rendahnya tingkat kematian di wilayah ini mengindikasikan bahwa deteksi dini, rujukan medis, dan sistem penanganan DBD berjalan dengan baik. Wilayah lain dengan CFR menengah (0,36–0,74%), ditandai dengan warna oranye, mencakup sebagian besar kabupaten/kota lainnya, menunjukkan kondisi yang masih perlu diwaspadai meskipun belum termasuk kategori tinggi.

Secara umum, pola peta ini memperlihatkan bahwa tingkat fatalitas DBD di Jawa Barat belum merata, dengan beberapa daerah masih menunjukkan risiko kematian yang lebih besar dibanding wilayah lainnya. Oleh karena itu, fokus kebijakan kesehatan perlu diarahkan pada peningkatan akses layanan medis cepat dan berkualitas di daerah dengan CFR tinggi, memperkuat sistem surveilans kasus DBD, serta meningkatkan edukasi masyarakat tentang tanda bahaya DBD agar penanganan dapat dilakukan sejak dini. Upaya ini penting untuk menekan angka kematian dan meningkatkan keberhasilan pengobatan kasus DBD di seluruh wilayah Jawa Barat.

BAB IV KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil analisis spasial terhadap penyebaran kasus Demam Berdarah Dengue (DBD) di Provinsi Jawa Barat tahun 2024, dapat disimpulkan bahwa:

  1. Tingkat prevalensi DBD di Jawa Barat secara umum masih tergolong rendah, yaitu sebesar 0,12%, yang berarti terdapat sekitar 120 kasus DBD per 100.000 penduduk. Nilai prevalensi minimum sebesar 0,03% dan maksimum mencapai 0,45%, menunjukkan adanya perbedaan tingkat kejadian DBD yang cukup signifikan antar kabupaten/kota di Jawa Barat.

  2. Sebaran spasial kasus DBD menunjukkan pola yang tidak merata. Hasil analisis peta prevalensi memperlihatkan bahwa daerah dengan tingkat prevalensi tinggi cenderung terletak di wilayah barat dan selatan, seperti Sukabumi, Cianjur, dan Tasikmalaya. Sementara itu, wilayah dengan prevalensi rendah lebih banyak terdapat di bagian utara dan tengah, seperti Indramayu, Subang, dan Majalengka. Pola ini mengindikasikan adanya pengaruh faktor lingkungan, kepadatan penduduk, serta kondisi sanitasi terhadap persebaran kasus DBD.

  3. Hasil analisis Case Fatality Rate (CFR) menunjukkan rata-rata sebesar 0,55%. Angka ini menunjukkan bahwa sebagian besar kasus DBD di Jawa Barat dapat tertangani dengan baik, meskipun masih terdapat beberapa wilayah dengan tingkat kematian yang lebih tinggi dari rata-rata provinsi, terutama di Garut, Sumedang, dan Tasikmalaya. Hal ini dapat disebabkan oleh keterlambatan penanganan medis atau keterbatasan akses terhadap fasilitas kesehatan.

  4. Hasil analisis spasial menggunakan Local Moran’s I dan Getis-Ord Gi* menunjukkan bahwa hanya Kota Cimahi yang memiliki pola spasial signifikan. Pada hasil LISA, Cimahi tergolong kategori Low-High, yang berarti memiliki tingkat prevalensi rendah namun berdekatan dengan daerah berprevalensi tinggi. Sedangkan pada hasil Getis-Ord Gi*, Cimahi teridentifikasi sebagai hotspot DBD. Temuan ini mengindikasikan adanya potensi risiko penyebaran DBD dari wilayah sekitar Cimahi yang memiliki tingkat kasus tinggi.

Secara keseluruhan, hasil penelitian ini menegaskan bahwa penyebaran DBD di Jawa Barat dipengaruhi oleh faktor spasial dan lingkungan, serta menunjukkan adanya konsentrasi kasus di wilayah tertentu yang memerlukan perhatian khusus dalam penanganan dan pencegahan.

5.2 Saran

  1. Bagi Pemerintah Daerah dan Dinas Kesehatan, perlu dilakukan penguatan program pencegahan DBD terutama di wilayah dengan prevalensi dan CFR tinggi, seperti Tasikmalaya, Garut, dan Cianjur, melalui peningkatan kegiatan pemberantasan sarang nyamuk, penyuluhan kesehatan, serta perbaikan sistem sanitasi lingkungan.

  2. Bagi wilayah dengan potensi penyebaran seperti Kota Cimahi, perlu diterapkan langkah mitigasi dan pengawasan intensif terhadap daerah sekitarnya yang memiliki prevalensi tinggi, guna mencegah perluasan kasus ke wilayah dengan tingkat kejadian rendah.

  3. Bagi pihak rumah sakit dan puskesmas, peningkatan deteksi dini dan manajemen kasus DBD sangat penting untuk menurunkan CFR, terutama di wilayah yang memiliki akses kesehatan terbatas.

  4. Bagi peneliti selanjutnya, disarankan untuk menambahkan variabel lingkungan seperti curah hujan, suhu, kelembapan, dan kepadatan penduduk untuk memperkuat pemodelan spasial DBD di Jawa Barat. Selain itu, penggunaan data time series atau data multi-tahun dapat memberikan gambaran yang lebih komprehensif mengenai pola temporal penyebaran DBD.

  5. Bagi masyarakat, partisipasi aktif dalam menjaga kebersihan lingkungan, menguras tempat penampungan air, serta menerapkan gerakan 3M (Menguras, Menutup, dan Mengubur) perlu terus digalakkan agar upaya pencegahan DBD dapat berjalan secara berkelanjutan.

REFERENSI

Mulyani, H., Djatna, T., & Sitanggang, I. (2017). Agent Based Modeling on Dynamic Spreading Dengue Fever Epidemic. TELKOMNIKA Telecommunication Computing Electronics and Control, 15, 1380-1388. https://doi.org/10.12928/telkomnika.v15i3.4511.

Rwezaura, H., Diagne, M., Omame, A., De Espíndola, A., & Tchuenche, J. (2022). Mathematical modeling and optimal control of SARS-CoV-2 and tuberculosis co-infection: a case study of Indonesia. Modeling Earth Systems and Environment, 8, 5493 - 5520. https://doi.org/10.1007/s40808-022-01430-6.

Khan, M., & , F. (2021). Dengue infection modeling and its optimal control analysis in East Java, Indonesia. Heliyon, 7. https://doi.org/10.1016/j.heliyon.2021.e06023.

Ramadona, A., Lazuardi, L., Hii, Y., Holmner, Å., Kusnanto, H., & Rocklöv, J. (2016). Prediction of Dengue Outbreaks Based on Disease Surveillance and Meteorological Data. PLoS ONE, 11. https://doi.org/10.1371/journal.pone.0152688.

Sasmita, H., Neoh, K., Yusmalinar, S., Anggraeni, T., Chang, N., Bong, L., Putra, R., Sebayang, A., Silalahi, C., Ahmad, I., & Tu, W. (2021). Ovitrap surveillance of dengue vector mosquitoes in Bandung City, West Java Province, Indonesia. PLoS Neglected Tropical Diseases, 15. https://doi.org/10.1371/journal.pntd.0009896.

Amelinda, Y., Wulandari, R., & Asyary, A. (2022). The effects of climate factors, population density, and vector density on the incidence of dengue hemorrhagic fever in South Jakarta Administrative City 2016-2020: an ecological study. Acta Bio Medica : Atenei Parmensis, 93. https://doi.org/10.23750/abm.v93i6.13503.

Ramsay, E., Faber, P., Fleming, G., Duffy, G., Agussalim, A., Barker, F., Saifuddaolah, M., Taruc, R., Tela, A., Vamosi, R., Vilsoni, S., & Chown, S. (2025). Causal drivers of mosquito abundance in urban informal settlements. Environmental Research Letters, 20. https://doi.org/10.1088/1748-9326/add751.

SHOLIHAH, K., Junaedi, M., & Riwayati Malika. (2025). LITERATUR REVIEW: HUBUNGAN HOST DAN ENVIRONMENT DENGAN KEJADIAN PENYAKIT MENULAR. SAINTEKES: Jurnal Sains, Teknologi Dan Kesehatan, 4(3), 147–154. Retrieved from https://ejournal.itka.ac.id/index.php/saintekes/article/view/374

Harapan, H., Wagner, A., Yufika, A., Winardi, W., Anwar, S., Gan, A., Setiawan, A., Rajamoorthy, Y., Sofyan, H., & Mudatsir, M. (2020). Acceptance of a COVID-19 Vaccine in Southeast Asia: A Cross-Sectional Study in Indonesia. Frontiers in Public Health, 8. https://doi.org/10.3389/fpubh.2020.00381.

Restuti, R., Tamin, S., Nugroho, D., Hutauruk, S., & Mansyur, M. (2022). Factors affecting the occurrence of otitis media with effusion in preschool and elementary school children: a comparative cross-sectional study. BMJ Open, 12. https://doi.org/10.1136/bmjopen-2022-065291.

Anselin, L. (1995). Local Indicators of Spatial Association—LISA. Geographical Analysis, 27(2), 93–115. https://doi.org/10.1111/j.1538-4632.1995.tb00338.x

Ord, J. K., & Getis, A. (1995). Local Spatial Autocorrelation Statistics: Distributional Issues and an Application. Geographical Analysis, 27(4), 286–306. https://doi.org/10.1111/j.1538-4632.1995.tb00912.x

BPS Provinsi Jawa Barat. (2024). Provinsi Jawa Barat dalam Angka 2024. Badan Pusat Statistik Jawa Barat.

Open Data Jabar. (2024). Data Kasus dan Kematian DBD di Jawa Barat Tahun 2024. Bandung: Pemerintah Provinsi Jawa Barat. Diakses dari https://opendata.jabarprov.go.id

World Health Organization (WHO). (2025, August 21). Dengue. World Health Organization. Retrieved from https://www.who.int/news-room/fact-sheets/detail/dengue

Gubler, D. J. (2011). Dengue, urbanization and globalization: The unholy trinity of the 21st century. Tropical Medicine & Health, 39(4 Suppl), 3–11. https://doi.org/10.2149/tmh.2011-S05

Anker, M., & Arima, Y. (2011). Male–female differences in the number of reported incident dengue fever cases in six Asian countries. Western Pacific Surveillance and Response Journal, 2(2), 17–23. https://doi.org/10.5365/WPSAR.2011.2.1.002

Ravichandran, S., Ramya, S. R., & Kanungo, R. (2019). Association of ABO blood groups with dengue fever and its complications in a tertiary care hospital. Journal of Laboratory Physicians, 11(3), 265–269. https://doi.org/10.4103/JLP.JLP_95_19

Ramayani, P., Samidah, I., Diniarti, F., & Suyanto, J. (2022). Hubungan status gizi dan praktik 3M dengan kejadian DBD di Kota Bengkulu tahun 2022. Jurnal Vokasi Kesehatan, 1(2), 71–78. https://doi.org/10.58222/juvokes.v1i2.120

Kementerian Kesehatan Republik Indonesia. (2022). Profil Kesehatan Indonesia Tahun 2022. Jakarta: Kemenkes RI from https://kemkes.go.id/id/profil-kesehatan-indonesia-2022

World Health Organization (WHO). (2025, August 21). Dengue. World Health Organization. Retrieved from https://www.who.int/news-room/fact-sheets/detail/dengue

Morrison, A. C., Zielinski-Gutierrez, E., Scott, T. W., & Rosenberg, R. (2008). Defining Challenges and Proposing Solutions for Control of the Virus Vector Aedes aegypti. PLoS Medicine, 5(3), e68. https://doi.org/10.1371/journal.pmed.0050068

Arsin, A. A. (2013). Epidemiologi Demam Berdarah Dengue (DBD) di Indonesia. Makassar: Masagena Press.

Mohammed, A., & Chadee, D. D. (2011). Effects of different temperature regimens on the development of Aedes aegypti (L.) (Diptera: Culicidae) mosquitoes. Acta Tropica, 119(1), 38–43. https://doi.org/10.1016/j.actatropica.2011.04.004

Wu, P.-C., Lay, J.-G., Guo, H.-R., Lin, C.-Y., Lung, S.-C., & Su, H.-J. (2009). Higher temperature and urbanization affect the spatial patterns of dengue fever transmission in subtropical Taiwan. Science of the Total Environment, 407(7), 2224–2233. https://doi.org/10.1016/j.scitotenv.2008.11.034

Arsin, A. A. (2013). Epidemiologi Demam Berdarah Dengue (DBD) di Indonesia. Makassar: Masagena Press.

World Health Organization (WHO). (2025, August 21). Dengue. World Health Organization. Retrieved from https://www.who.int/news-room/fact-sheets/detail/dengue

Anker, M., & Arima, Y. (2011). Male–female differences in the number of reported incident dengue fever cases in six Asian countries. Western Pacific Surveillance and Response Journal, 2(2), 17–23. https://doi.org/10.5365/WPSAR.2011.2.1.002

Ravichandran, S., Ramya, S. R., & Kanungo, R. (2019). Association of ABO blood groups with dengue fever and its complications in a tertiary care hospital. Journal of Laboratory Physicians, 11(3), 265–269. https://doi.org/10.4103/JLP.JLP_95_19

Ramayani, P., Samidah, I., Diniarti, F., & Suyanto, J. (2022). Hubungan status gizi dan praktik 3M dengan kejadian DBD di Kota Bengkulu tahun 2022. Jurnal Vokasi Kesehatan, 1(2), 71–78. https://doi.org/10.58222/juvokes.v1i2.120

Kementerian Kesehatan Republik Indonesia. (2022). Profil Kesehatan Indonesia Tahun 2022. Jakarta: Kemenkes RI from https://kemkes.go.id/id/profil-kesehatan-indonesia-2022

LAMPIRAN

Syntax

library(openxlsx)
data <- read.xlsx("E:/SMT 5/Epidemologi/DATA EPIDEMIOLOGI.xlsx")
head(data)
##   no Kabupaten/Kota Jumlah.Kasus.DBD Jumlah.Penduduk Jumlah.Kematian.DBD
## 1  1        Bandung             3589         3753120                  38
## 2  2  Bandung Barat             3754         1884190                  18
## 3  3         Bekasi             1902         3273870                   7
## 4  4          Bogor             3404         5682300                  23
## 5  5         Ciamis             1420         1259230                  11
## 6  6        Cianjur             1932         2584990                  11
library(DiagrammeR)

# Diagram faktor risiko DBD menggunakan syntax Mermaid
mermaid("
graph TD
    %% Bagian Environment & Behavior
    subgraph Environment & Behavior
        A1[Kepadatan Penduduk Tinggi]
        A2[Curah Hujan Tinggi]
        A3[Kenaikan Suhu Global]
        A4[Rendahnya Pelaksanaan 3M Plus]
    end

    A1 -->|meningkatkan jumlah| B1[Populasi Nyamuk Aedes Meningkat]
    A1 -->|meningkatkan penyebaran| C1[Manusia]

    A2 --> D1[Genangan Air]
    A3 -->|mempercepat siklus hidup| B1

    A4 -->|tidak membersihkan| D1
    
    D1 -->|tempat perindukan| B1

    %% Bagian Agent dan Vektor
    subgraph Host
        E1
    end
    
    E1[Virus Dengue]
    B1 -->|membawa| E1

    %% Bagian Host
    subgraph Host
        C1
    end

    E1 -->|transmisi melalui gigitan| C1
    C1 -->|infeksi| F1[Kasus DBD]

    %% Bagian Faktor yang Mempengaruhi Kerentanan Host
    subgraph Faktor yang Mempengaruhi Kerentanan Host
        G1[Status Gizi Buruk]
        G2[Usia 5-14 Tahun]
        G3[Riwayat Infeksi Sebelumnya]
        G4[Laki-Laki]
        G5[Golongan Darah AB]
    end

    G1 -->|meningkatkan kerentanan| F1
    G2 -->|meningkatkan kerentanan| F1
    G3 -->|meningkatkan kerentanan| F1
    G4 -->|meningkatkan kerentanan| F1
    G5 -->|meningkatkan kerentanan| F1
")
#Statistika Deskriptif
summary(data$Jumlah.Kasus.DBD)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     400     989    1902    2275    3274    7680
#Histogram
# Tentukan batas bawah dan atas, dibulatkan ke kelipatan 500
min_val <- floor(min(data$Jumlah.Kasus.DBD, na.rm = TRUE) / 500) * 500
max_val <- ceiling(max(data$Jumlah.Kasus.DBD, na.rm = TRUE) / 500) * 500

# Buat histogram dengan interval per 500
hist(data$Jumlah.Kasus.DBD,
     breaks = seq(min_val, max_val, by = 500),
     main = "Distribusi Jumlah Kasus DBD",
     xlab = "Jumlah Kasus",
     ylab = "Frekuensi",
     col = "pink",
     border = "black",
     las = 1)

# Tambahkan garis grid
grid(nx = NULL, ny = NULL, col = "gray", lty = "dotted", lwd = 1)

#Boxplot
boxplot(data$Jumlah.Kasus.DBD,
        main = "Boxplot Jumlah Kasus DBD",
        ylab = "Jumlah Kasus",
        col = "maroon",
        border = "black",
        horizontal = FALSE)  # vertikal
grid(nx = NA, ny = NULL, col = "gray", lty = "dotted", lwd = 1)

#Peta Sebaran Kasus
library(sf)
library(dplyr)
library(ggplot2)
library(openxlsx)
library(viridis)
library(spdep)

Indo <- st_read("E:/SMT 5/Epidemologi/RBI_50K_2023_Jawa Barat.x26272/RBI_50K_2023_Jawa Barat.shp")
## Reading layer `RBI_50K_2023_Jawa Barat' from data source 
##   `E:\SMT 5\Epidemologi\RBI_50K_2023_Jawa Barat.x26272\RBI_50K_2023_Jawa Barat.shp' 
##   using driver `ESRI Shapefile'
## Simple feature collection with 27 features and 25 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: 106.3703 ymin: -7.82099 xmax: 108.8468 ymax: -5.806538
## Geodetic CRS:  WGS 84
# Merged data
jabar_merged <- Indo %>%
  left_join(data, by = c("WADMKK" = "Kabupaten/Kota"))

ggplot(jabar_merged) +
  geom_sf(aes(fill = Jumlah.Kasus.DBD)) +
  scale_fill_viridis_c(option = "C") +
  labs(title = "Sebaran Jumlah Kasus DBD di Jawa Barat", fill = "Jumlah Kasus") +
  theme_minimal()

#Analisis Spasial
# ============================================================
# ANALISIS SPASIAL KASUS DBD
# ============================================================

# 1. Load library
library(sf)
library(dplyr)
library(spdep)
library(tmap)
library(plotly)
library(tidyverse)

# 2. Data
# --- Konversi ke Spatial untuk analisis spasial ---
jabar_sp <- as_Spatial(jabar_merged)
row.names(jabar_sp) <- jabar_sp$WADMKK

# --- Spatial weight matrix ---
W <- poly2nb(jabar_sp, row.names = row.names(jabar_sp), queen = TRUE)
WL <- nb2listw(W, style = "W", zero.policy = TRUE)

# Variabel kasus
x <- jabar_merged$Jumlah.Kasus.DBD
names(x) <- rownames(jabar_merged)

# ============================================================
# Moran's I global & Geary's C
# ============================================================
moran_test <- moran.test(x, WL, zero.policy = TRUE)
geary_test <- geary.test(x, WL, zero.policy = TRUE)

print("Hasil Moran's I:")
## [1] "Hasil Moran's I:"
print(moran_test)
## 
##  Moran I test under randomisation
## 
## data:  x  
## weights: WL    
## 
## Moran I statistic standard deviate = 1.9632, p-value = 0.02481
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic       Expectation          Variance 
##        0.21950525       -0.03846154        0.01726631
print("Hasil Geary's C:")
## [1] "Hasil Geary's C:"
print(geary_test)
## 
##  Geary C test under randomisation
## 
## data:  x 
## weights: WL   
## 
## Geary C statistic standard deviate = 1.9677, p-value = 0.02455
## alternative hypothesis: Expectation greater than statistic
## sample estimates:
## Geary C statistic       Expectation          Variance 
##        0.61280172        1.00000000        0.03872267
# ============================================================
# LISA (Local Moran)
# ============================================================
lisa <- localmoran(x, WL, zero.policy = TRUE)
x_std <- scale(x)
wx_std <- scale(lag.listw(WL, x, zero.policy = TRUE))
lisa_class <- rep("Not Significant", length(x))
sig <- lisa[,5] < 0.05

lisa_class[sig & x_std > 0 & wx_std > 0] <- "High-High"
lisa_class[sig & x_std < 0 & wx_std < 0] <- "Low-Low"
lisa_class[sig & x_std > 0 & wx_std < 0] <- "High-Low"
lisa_class[sig & x_std < 0 & wx_std > 0] <- "Low-High"

jabar_merged$lisa_class <- lisa_class

# Peta LISA
tm_shape(jabar_merged) +
  tm_polygons("lisa_class",
              palette = c("High-High"="red",
                          "Low-Low"="blue",
                          "High-Low"="pink",
                          "Low-High"="lightblue",
                          "Not Significant"="white"),
              title = "LISA Cluster",
              border.col = "black",
              lwd = 1) +
  tm_layout(legend.outside = TRUE)
## 
## ── tmap v3 code detected ───────────────────────────────────────────────────────
## [v3->v4] `tm_tm_polygons()`: migrate the argument(s) related to the scale of
## the visual variable `fill` namely 'palette' (rename to 'values') to fill.scale
## = tm_scale(<HERE>).
## [v3->v4] `tm_polygons()`: migrate the argument(s) related to the legend of the
## visual variable `fill` namely 'title' to 'fill.legend = tm_legend(<HERE>)'

# ============================================================
# Getis-Ord Gi* (Hotspot Analysis)
# ============================================================
gi_z <- as.numeric(localG(x, WL, zero.policy = TRUE))
jabar_merged$z_Gistar <- gi_z

jabar_merged$hotcold <- case_when(
  gi_z >= 1.96  ~ "Hot spot (p≤0.05)",
  gi_z <= -1.96 ~ "Cold spot (p≤0.05)",
  TRUE          ~ "Not significant"
)

tm_shape(jabar_merged) +
  tm_polygons("hotcold",
              palette = c("Hot spot (p≤0.05)"="#b2182b",
                          "Cold spot (p≤0.05)"="#2166ac",
                          "Not significant"="grey85"),
              title = "Getis-Ord Gi*",
              border.col = "black",
              lwd = 1) +
  tm_layout(legend.outside = TRUE)
## 
## ── tmap v3 code detected ───────────────────────────────────────────────────────
## [v3->v4] `tm_tm_polygons()`: migrate the argument(s) related to the scale of
## the visual variable `fill` namely 'palette' (rename to 'values') to fill.scale
## = tm_scale(<HERE>).[v3->v4] `tm_polygons()`: migrate the argument(s) related to the legend of the
## visual variable `fill` namely 'title' to 'fill.legend = tm_legend(<HERE>)'

#Ukuran Epidemiologi
library(leaflet)
library(plotly)
library(DT)
library(dplyr)
library(ggplot2)
library(sf)

# ============================================================
# Prevalensi DBD Jawa Barat
# ============================================================

# ---------------------------- HITUNG PREVALENSI (%) ----------------------------
jabar_merged <- jabar_merged %>%
  mutate(Prevalensi = (Jumlah.Kasus.DBD / Jumlah.Penduduk) * 100)

# Cek ringkasan untuk menentukan batas kelas
summary(jabar_merged$Prevalensi)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
## 0.02759 0.08551 0.12837 0.15133 0.19662 0.44595
# Hitung total kasus dan total populasi untuk Jawa Barat
total_JK <- sum(jabar_merged$Jumlah.Kasus.DBD, na.rm = TRUE)
total_JP <- sum(jabar_merged$Jumlah.Penduduk, na.rm = TRUE)

# Prevalensi keseluruhan Jawa Barat (%)
prevalensi_jabar <- (total_JK / total_JP) * 100
prevalensi_jabar
## [1] 0.1220037
# ---------------------------- KLASIFIKASI PREVALENSI ----------------------------
breaks_prev <- c(0, 0.09, 0.13, 0.20, Inf)
labels_prev <- c("≤0.09%", "0.10–0.13%", "0.14–0.20%", ">0.20%")

jabar_merged$Kategori_Prev <- cut(
  jabar_merged$Prevalensi,
  breaks = breaks_prev,
  labels = labels_prev,
  right = TRUE,
  include.lowest = TRUE
)

# ---------------------------- VISUALISASI PETA PREVALENSI (%) ----------------------------
ggplot() +
  geom_sf(data = jabar_merged, aes(fill = Kategori_Prev), color = "black", size = 0.25) +
  scale_fill_manual(values = c("≤0.09%" = "#ffffb2",
                               "0.10–0.13%" = "#fecc5c",
                               "0.14–0.20%" = "#fd8d3c",
                               ">0.20%" = "#e31a1c")) +
  labs(title = "Peta Sebaran Prevalensi DBD di Jawa Barat (%)",
       fill = "Prevalensi (%)") +
  theme_minimal() +
  theme(axis.text = element_blank(),
        axis.ticks = element_blank(),
        panel.grid = element_blank(),
        plot.title = element_text(size = 14, face = "bold", hjust = 0.5))

# ============================================================
# Case Fatality Rate (CFR)
# ============================================================

# ---------------------------- HITUNG CFR (%) ----------------------------
jabar_merged <- jabar_merged %>%
  mutate(CFR = (Jumlah.Kematian.DBD / Jumlah.Kasus.DBD) * 100)

# Cek ringkasan untuk menentukan batas
summary(jabar_merged$CFR)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##  0.0000  0.3515  0.5133  0.6104  0.7440  1.4118
# ---------------------------- KLASIFIKASI CFR DIBULATKAN ----------------------------
breaks_cfr <- c(0, 0.35, 0.51, 0.74, Inf)
labels_cfr <- c("≤0.35%", "0.36–0.51%", "0.52–0.74%", ">0.74%")

jabar_merged$Kategori_CFR <- cut(
  jabar_merged$CFR,
  breaks = breaks_cfr,
  labels = labels_cfr,
  right = TRUE,
  include.lowest = TRUE
)

# ---------------------------- VISUALISASI PETA CFR (%) ----------------------------
ggplot() +
  geom_sf(data = jabar_merged, aes(fill = Kategori_CFR), color = "black", size = 0.25) +
  scale_fill_manual(values = c("≤0.35%" = "#ffffb2",
                               "0.36–0.51%" = "#fecc5c",
                               "0.52–0.74%" = "#fd8d3c",
                               ">0.74%" = "#e31a1c")) +
  labs(title = "Peta Sebaran Case Fatality Rate (CFR) DBD di Jawa Barat (%)",
       fill = "CFR (%)") +
  theme_minimal() +
  theme(axis.text = element_blank(),
        axis.ticks = element_blank(),
        panel.grid = element_blank(),
        plot.title = element_text(size = 14, face = "bold", hjust = 0.5))

# ---------------------------- HITUNG CFR KESELURUHAN JAWA BARAT ----------------------------
total_JK <- sum(jabar_merged$Jumlah.Kasus.DBD, na.rm = TRUE)
total_KDBD <- sum(jabar_merged$Jumlah.Kematian.DBD, na.rm = TRUE)

# CFR keseluruhan Jawa Barat (%)
cfr_jabar <- (total_KDBD / total_JK) * 100
cfr_jabar
## [1] 0.5519105