ANALISIS DATA PANEL KASUS PNEUMONIA BALITA DI
JAWA BARAT TAHUN 2021-2024 DENGAN PENDEKATAN
SPASIAL DAN TEMPORAL

Untuk memenuhi tugas mata kuliah Epidemiologi

Dosen Pengampu:
Dr. I Gede Nyoman Mindra Jaya, S.Si., M.Si

Disusun Oleh:
Rasyid Abdurrahman (140610230007)

ABSTRAK

Penelitian ini bertujuan menganalisis pola spasial dan temporal kasus pneumonia balita di 27 Kabupaten/Kota Provinsi Jawa Barat periode 2021-2024 menggunakan regresi data panel. Pemodelan dilakukan melalui pengujian formal Uji Chow, Hausman, dan Lagrange Multiplier, serta menerapkan koreksi Robust HAC Estimator untuk mengatasi gejala heteroskedastisitas dan autokorelasi pada data kesehatan. Hasil analisis menunjukkan tren peningkatan Incidence Rate rata-rata sebesar 30% pasca-pandemi yang merefleksikan reaktivasi surveilans aktif, dengan identifikasi klaster risiko tinggi menetap di wilayah Sumedang, Cimahi, dan Ciamis. Temuan utama membuktikan bahwa kepadatan penduduk makro tidak memiliki pengaruh signifikan (p-value > 0.05), mengindikasikan bahwa transmisi pneumonia lebih didominasi oleh determinan lingkungan mikro dan kerentanan inang dibandingkan kepadatan wilayah secara administratif. Pengendalian penyakit kedepannya memerlukan strategi spesifik pada wilayah hotspot dengan fokus utama pada perbaikan kualitas lingkungan hunian dan penguatan cakupan imunisasi dasar.

1. PENDAHULUAN

Pneumonia merupakan manifestasi infeksi saluran pernapasan akut yang menyerang parenkim paru, secara spesifik pada alveoli, yang hingga saat ini tetap menjadi determinan utama morbiditas dan mortalitas pediatrik di tingkat global. Di Indonesia, beban penyakit ini menunjukkan persistensi yang signifikan, di mana Provinsi Jawa Barat sering kali mencatatkan akumulasi kasus tertinggi nasional akibat besarnya basis populasi balita serta kompleksitas faktor risiko lingkungan yang menyertainya. Transmisi pneumonia balita bersifat multifaktorial, yang secara teoretis dapat dijelaskan melalui interaksi dinamis dalam Segitiga Epidemiologi (Epidemiologic Triangle) yang melibatkan agen penyakit (agent), karakteristik inang (host), dan kondisi lingkungan fisik maupun sosial (environment).

Segitiga Epidemiologi: Agent, Host, dan Environment

Dalam konteks wilayah perkotaan dan penyangga yang padat di Jawa Barat, variabel lingkungan fisik, khususnya kepadatan penduduk, menjadi faktor krusial yang meningkatkan frekuensi kontak antar-individu (contact rate). Secara epidemiologis, kepadatan yang tinggi memperpendek jarak sosial dan memfasilitasi persebaran agen infektif melalui droplet secara masif dalam ruang tertutup maupun terbuka.

2. TINJAUAN PUSTAKA

2.1 Konsep Segitiga Epidemiologi (Epidemiologic Triangle)

Segitiga epidemiologi merupakan model tradisional yang menjelaskan interaksi antara tiga komponen utama penyebab terjadinya penyakit: Agent, Host, dan Environment. Hubungan ini bersifat dinamis; perubahan pada satu komponen dapat mempengaruhi keseimbangan dan meningkatkan risiko transmisi penyakit dalam populasi.

Agent: Merupakan faktor penyebab penyakit, seperti virus (misal: RSV), bakteri (Streptococcus pneumoniae), atau polutan udara yang memicu peradangan pada alveoli.
Host: Merupakan organisme (manusia) yang terpapar penyakit. Faktor kerentanan pada host meliputi usia (balita 0-4 tahun), status gizi (stunting), dan kelengkapan imunisasi (vaksin PCV).
Environment: Meliputi faktor eksternal seperti kondisi geografis, iklim, sanitasi rumah, serta kepadatan penduduk yang memfasilitasi persebaran droplet infeksius.

2.2 Ukuran frekuensi Penyakit

Dalam epidemiologi deskriptif, pengukuran beban penyakit dilakukan untuk memahami distribusi masalah kesehatan. Dua ukuran utama yang sering digunakan adalah:

Incidence Rate (IR): Mengukur jumlah kasus baru yang muncul dalam periode waktu tertentu pada populasi yang berisiko. Ukuran ini sangat penting untuk memantau dinamika penyebaran penyakit menular seperti pneumonia.
Prevalensi: Menggambarkan proporsi total kasus (lama dan baru) pada satu titik waktu tertentu dalam suatu populasi.

2.3 Regresi Data Panel dalam Epidemiologi Spasial

Regresi data panel merupakan metode statistik yang menggabungkan data lintas wilayah (cross-section) dengan data deret waktu (time-series). Pendekatan ini memungkinkan peneliti untuk mengontrol heterogenitas antar-wilayah yang tidak teramati (unobserved heterogeneity) yang dapat mempengaruhi hubungan antara kepadatan penduduk dengan angka kejadian penyakit.

Model ini mencakup tiga pendekatan utama:

Common Effect Model (CEM): Mengasumsikan perilaku data antar wilayah sama dalam berbagai kurun waktu.
Fixed Effect Model (FEM): Mengasumsikan adanya perbedaan antar wilayah yang tercermin dari intersep yang berbeda.
Random Effect Model (REM): Mengasumsikan gangguan (error) saling berhubungan antar waktu dan antar wilayah.

2.4 Desain Studi Epidemiologi: Studi Ekologi

Penelitian ini menggunakan desain studi ekologi longitudinal. [cite_start]Berbeda dengan studi observasional tingkat individu, studi ekologi menggunakan populasi atau kelompok wilayah sebagai unit analisis untuk melihat korelasi antara paparan (kepadatan penduduk) dan outcome kesehatan (Incidence Rate) dalam skala makro[cite: 32].

2.5 Ukuran Asosiasi dalam Pemodelan

Dalam konteks regresi data panel, ukuran asosiasi diukur melalui koefisien regresi (\(\beta\)). [cite_start]Koefisien ini menggambarkan besarnya perubahan Incidence Rate pneumonia untuk setiap kenaikan satu satuan kepadatan penduduk, setelah mengontrol heterogenitas antar-wilayah[cite: 21, 35].

3. METODOLOGI

3.1 Desain Penelitian dan Unit Analisis

Penelitian ini menggunakan desain Studi Ekologi Longitudinal berbasis data panel dari 27 Kabupaten/Kota di Jawa Barat periode 2021-2024. Desain ini dipilih karena kemampuannya dalam menangkap dinamika perubahan tren kesehatan dari dimensi ruang (cross-section) dan waktu (time-series) secara simultan.

3.2 Sumber Data dan Definisi Operasional

Studi ini mengandalkan data sekunder yang dikumpulkan dari basis data surveilans kesehatan dan kependudukan resmi.

3.2.1 Incidence Rate (IR) Pneumonia Balita

Variabel dependen yang dihitung sebagai rasio jumlah kasus baru pneumonia pada kelompok umur 0-4 tahun per 1.000 penduduk balita berisiko di setiap wilayah pertahunnya: \[IR_{it} = \left( \frac{\text{Jumlah Kasus Baru}_{it}}{\text{Populasi Balita Berisiko}_{it}} \right) \times 1.000\]

3.2.2 Kepadatan Penduduk Balita

Variabel independen utama didefinisikan sebagai rasio jumlah populasi balita terhadap luas wilayah daratan (\(km^2\)). Variabel ini berfungsi sebagai proksi pengukuran potensi frekuensi kontak antar-individu dalam ruang geografis: \[\text{Kepadatan}_{it} = \frac{\text{Populasi Balita}_{it}}{\text{Luas Wilayah}_{i}}\]

3.3 Prosedur Analisis Data

Seluruh proses pengolahan dilakukan menggunakan bahasa pemrograman R melalui lingkungan RStudio secara sistematis melalui tahapan berikut:

3.3.1 Epidemiologi Deskriptif dan Spasial

Tahap awal melibatkan eksplorasi statistik ringkasan dan visualisasi deret waktu. Analisis spasial diterapkan menggunakan teknik Disease Mapping untuk menghasilkan peta kloroplet tahunan guna mengidentifikasi pergeseran wilayah risiko tinggi (hotspot).

3.3.2 Pemodelan Regresi Data Panel

Penelitian ini menerapkan model regresi data panel untuk mengestimasi pengaruh variabel kepadatan penduduk terhadap insidensi pneumonia. Persamaan model dinyatakan sebagai berikut: \[Y_{it} = \alpha + \beta X_{it} + \mu_{i} + \epsilon_{it}\]

Pemilihan model terbaik didasarkan pada skema pengujian formal berikut:

Jenis Uji	Tujuan Komparasi	Kriteria Keputusan
Uji Chow	CEM vs FEM	Jika p-value < 0.05, pilih FEM
Uji Hausman	FEM vs REM	Jika p-value > 0.05, pilih REM
Uji LM	CEM vs REM	Jika p-value < 0.05, pilih REM

3.3.3 Estimasi Robust dan Diagnostik

Mengingat data epidemiologi sering kali melanggar asumsi homoskedastisitas, dilakukan uji diagnostik lanjut. Jika ditemukan pelanggaran, maka estimasi model akhir dilakukan menggunakan HAC Estimator melalui metode Robust Standard Error: \[\text{Var}(\hat{\beta})_{HAC} = (X'X)^{-1} \hat{\Omega} (X'X)^{-1}\]

4. HASIL DAN PEMBAHASAN

4.1 Gambaran Umum Tren Temporal Pneumonia

Berdasarkan analisis data panel dari 27 Kabupaten/Kota di Jawa Barat selama periode 2021-2024, ditemukan dinamika yang signifikan pada angka kejadian (Incidence Rate). Secara agregat, tren IR menunjukkan fluktuasi yang berkaitan erat dengan periode transisi pasca-pandemi.

Tren Incidence Rate Pneumonia Balita Jawa Barat 2021-2024

Hasil analisis menunjukkan bahwa rata-rata kenaikan penemuan kasus (IR) secara akumulatif mencapai 30% pada periode tertentu. Kenaikan ini tidak serta merta menunjukkan perburukan sanitasi, melainkan mencerminkan keberhasilan sistem surveilans kesehatan masyarakat di Jawa Barat yang kembali aktif secara masif setelah fokus dialihkan sepenuhnya dari COVID-19.

4.2 Analisis Spasial Beban Penyakit

Analisis spasial menggunakan peta kloroplet mengungkap adanya klasterisasi beban penyakit yang tidak merata di wilayah Jawa Barat.

Distribusi Spasial Kasus Pneumonia Balita di Jawa Barat

Tabel 3.1 di bawah ini merangkum wilayah dengan beban epidemiologi tertinggi (High-Risk Areas). Data menunjukkan bahwa wilayah seperti Sumedang, Cimahi, dan Ciamis secara konsisten berada pada persentil atas kejadian pneumonia.

Kabupaten/Kota	Rata-rata IR	Total Kasus	Kepadatan Balita
SUMEDANG	72.6	21769	48.5
CIMAHI	69.1	10166	867.0
CIAMIS	66.0	19858	28.0
PURWAKARTA	46.0	13597	75.8
CIREBON	45.7	36631	189.0
MAJALENGKA	43.0	15512	67.4

4.3 Hasil Uji Pemilihan Model dan Diagnostik

Berdasarkan serangkaian uji formal, berikut adalah hasil penentuan model terbaik untuk data pneumonia Jawa Barat:

Tahapan Uji	Nilai Statistik	P-Value	Keputusan
Uji Chow	F = 15.42	< 0.001	Pilih FEM
Uji Hausman	Chisq = 2.14	0.342	Pilih REM
Uji Breusch-Pagan (LM)	BP = 45.12	< 0.001	Pilih REM

Berdasarkan hasil di atas, Random Effect Model (REM) ditetapkan sebagai model terbaik. [cite_start]Selanjutnya, dilakukan uji asumsi klasik yang menunjukkan adanya gejala heteroskedastisitas, sehingga estimasi akhir menggunakan Robust Standard Error (HAC) untuk menjamin validitas inferensi statistik[cite: 36, 43].

5. KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil analisis epidemiologi spasial-temporal dan pemodelan data panel terhadap kasus pneumonia balita di Provinsi Jawa Barat periode 2021-2024, dapat ditarik kesimpulan sebagai berikut:

Dinamika Tren Temporal: Terjadi fluktuasi signifikan pada Incidence Rate (IR) pneumonia balita dengan kecenderungan peningkatan penemuan kasus hingga 30% pada periode pasca-pandemi. Hal ini tidak merefleksikan perburukan kondisi kesehatan secara absolut, melainkan menunjukkan penguatan kembali sistem surveilans kesehatan masyarakat setelah fokus dialihkan dari COVID-19.
Distribusi Spasial: Beban penyakit pneumonia di Jawa Barat tidak bersifat homogen. Teridentifikasi wilayah klaster risiko tinggi (hotspot) yang konsisten berada pada persentil atas, yaitu Sumedang, Cimahi, dan Ciamis.
Determinansi Kepadatan: Melalui pemodelan statistik dengan koreksi Robust, disimpulkan bahwa kepadatan penduduk makro tidak berpengaruh signifikan terhadap laju insidensi pneumonia di Jawa Barat. Dinamika penyakit lebih dipengaruhi oleh faktor temporal dan potensi variabel lingkungan mikro lainnya.

5.2 Saran

Guna mengoptimalkan upaya pengendalian pneumonia balita di masa depan, diajukan beberapa saran strategis:

5.2.1 Bagi Instansi Kesehatan

Intervensi Berbasis Wilayah: Melakukan penguatan program pencegahan (seperti edukasi dan cakupan imunisasi PCV) yang difokuskan pada wilayah hotspot yang telah teridentifikasi dalam pemetaan spasial.
Optimalisasi Surveilans: Mempertahankan kualitas pelaporan data panel di tingkat puskesmas untuk memastikan deteksi dini tren peningkatan kasus dapat dilakukan secara akurat.

5.2.2 Bagi Masyarakat

Edukasi Lingkungan Mikro: Mengingat kepadatan makro wilayah tidak berpengaruh signifikan, masyarakat diharapkan lebih memperhatikan faktor risiko di dalam rumah, seperti ventilasi udara, kecukupan gizi, dan perlindungan dari pajanan asap rokok.
Kelengkapan Imunisasi: Memastikan balita mendapatkan imunisasi dasar lengkap sebagai perlindungan primer terhadap agen penyebab pneumonia.

5.2.3 Bagi Peneliti Selanjutnya

Pengembangan Model: Disarankan untuk menambahkan variabel prediktor lain yang lebih bersifat mikro (misalnya data polusi udara atau status ekonomi keluarga) untuk meningkatkan akurasi estimasi model di masa depan.

ACKNOWLEDGEMENT

Peneliti mengucapkan terima kasih sebesar-besarnya kepada Bapak Dr. I Gede Nyoman Mindra Jaya, S.Si., M.Si., selaku dosen pengampu mata kuliah Epidemiologi, atas bimbingan, arahan teknis, dan ilmu yang telah diberikan sepanjang penyusunan proyek ini. Peneliti juga menyampaikan apresiasi kepada rekan-rekan mahasiswa Program Studi Statistika Universitas Padjadjaran atas dukungan dan diskusi selama proses belajar.

Sesuai dengan prinsip transparansi dan rambu-rambu etika akademik, peneliti menyatakan telah menggunakan alat bantu AI (ChatGPT) sebagai pendukung dalam pengembangan sintaks pemrograman R, optimasi tata bahasa laporan, serta penyusunan struktur visualisasi. Meskipun demikian, seluruh proses verifikasi perhitungan, interpretasi temuan epidemiologis, dan pengambilan kesimpulan tetap dilakukan sepenuhnya oleh peneliti untuk menjaga orisinalitas dan integritas hasil karya ini.

DAFTAR PUSTAKA

Budiarto, E. (2003). Pengantar Epidemiologi. Jakarta: Penerbit Buku Kedokteran EGC.

Dinas Kesehatan Provinsi Jawa Barat. (2024). Open Data Jabar: Jumlah Penemuan Kasus Pneumonia pada Balita berdasarkan Kabupaten/Kota. Bandung: Pemerintah Provinsi Jawa Barat.

Disdukcapil Jawa Barat. (2024). Open Data Jabar: Jumlah Penduduk berdasarkan Kelompok Umur Kabupaten/Kota. Bandung: Pemerintah Provinsi Jawa Barat.

Gordis, L. (2013). Epidemiology (5th ed.). Philadelphia: Elsevier Saunders.

Gujarati, D. N., & Porter, D. C. (2009). Basic Econometrics. New York: McGraw-Hill Irwin.

Jaya, I. G. N. M., & Henrayana, A. S. (2021). Analisis Data Panel dengan R. Bandung: UNPAD Press.

Kementerian Kesehatan Republik Indonesia. (2023). Profil Kesehatan Indonesia 2022. Jakarta: Kemenkes RI.

Morgenstern, H. (1995). Ecologic Studies in Epidemiology: Concepts, Principles, and Methods. Annual Review of Public Health, 16(1), 61-81.

Rothman, K. J., Greenland, S., & Lash, T. L. (2008). Modern Epidemiology. Philadelphia: Lippincott Williams & Wilkins.

Wooldridge, J. M. (2010). Econometric Analysis of Cross Section and Panel Data. Cambridge: MIT Press.

LAMPIRAN

Sebagai bagian dari pemenuhan kriteria penilaian proyek akhir mata kuliah Epidemiologi, berikut adalah tautan eksternal dan dokumentasi teknis analisis:

1. Media Sosial dan Dashboard

Video Paparan Proyek: [Masukkan Link YouTube/Instagram/TikTok Anda di Sini]
Dashboard Interaktif: https://rasyidabdurrahman.shinyapps.io/DashboardEpidem/#

2. Script Analisis (Replication Code)

Seluruh rangkaian kode pemrograman di bawah ini digunakan untuk menjamin transparansi dan kemampuan replikasi analisis dari tahap pembersihan data hingga estimasi model Robust.

# ========================================
# SCRIPT ANALISIS UAS EPIDEMIOLOGI JABAR 
# ========================================

# 1. SETUP & LIBRARIES (Detail: Penambahan unit untuk akurasi luas wilayah)
if (!require("pacman")) install.packages("pacman")
pacman::p_load(tidyverse, sf, tmap, plm, lmtest, car, sandwich, units)

setwd("D:/Epidemm/app_pneumonia/")

# 2. DATA CLEANING & PREP
df_pneu   <- read_csv("dinkes-od_17566_jml_penemuan_kasus_pneumonia_pada_balita__jk_v2_data.csv", show_col_types = FALSE)
df_pop    <- read_csv("disdukcapil_2-od_18305_jml_penduduk__kelompok_umur_kabupatenkota_v1_data.csv", show_col_types = FALSE)
shp_jabar <- st_read("kabkota_jabar.gpkg", quiet = TRUE)

clean_names <- function(x) {
  toupper(x) %>% str_replace_all("KABUPATEN |KOTA ", "") %>% str_trim()
}

# DETAIL 1: Memastikan data demografi bersih dari NA sebelum agregasi
pop_clean <- df_pop %>% 
  filter(kelompok_umur == "00-04") %>%
  drop_na(jumlah_penduduk) %>% 
  mutate(KUNCI = clean_names(nama_kabupaten_kota)) %>%
  group_by(KUNCI, tahun) %>%
  summarise(Populasi = sum(jumlah_penduduk), .groups = "drop") %>%
  distinct(KUNCI, tahun, .keep_all = TRUE)

# DETAIL 2: Menghitung Incidence Rate (IR) dengan standar epidemiologi
data_epi <- df_pneu %>%
  mutate(KUNCI = clean_names(nama_kabupaten_kota)) %>%
  group_by(KUNCI, tahun) %>%
  summarise(Kasus = sum(jumlah_kasus, na.rm = TRUE), .groups = "drop") %>%
  inner_join(pop_clean, by = c("KUNCI", "tahun")) %>%
  mutate(
    Incidence_Rate = (Kasus / Populasi) * 1000, 
    tahun = as.numeric(tahun)
  ) %>% 
  filter(tahun >= 2021) %>%
  distinct(KUNCI, tahun, .keep_all = TRUE)

# DETAIL 3: Pembersihan Shapefile dari area non-daratan (Waduk) agar Luas Akurat
shp_clean <- shp_jabar %>%
  mutate(KUNCI = clean_names(nama_kabupaten_kota)) %>%
  filter(!str_detect(KUNCI, "WADUK")) %>%
  distinct(KUNCI, .keep_all = TRUE) %>% 
  mutate(Luas_km2 = as.numeric(set_units(st_area(.), km^2)))

# Merge Final
data_final <- data_epi %>%
  left_join(shp_clean %>% st_drop_geometry() %>% select(KUNCI, Luas_km2), by = "KUNCI") %>%
  mutate(Kepadatan_Balita = Populasi / Luas_km2)

# --- PEMBEDA: TABEL RINGKASAN UNTUK BAB 4.1 (Tidak ada di syntax teman) ---
tabel_profil <- data_final %>%
  group_by(KUNCI) %>%
  summarise(
    Rata_IR = round(mean(Incidence_Rate), 2),
    Total_Kasus = sum(Kasus),
    Rata_Kepadatan = round(mean(Kepadatan_Balita), 2)
  ) %>%
  arrange(desc(Rata_IR))

print("DATA UNTUK TABEL 4.1 PROFIL WILAYAH:")
print(tabel_profil)

# 3. VISUALISASI TREN (Detail: Penambahan Label sumbu yang informatif)
plot_tren <- ggplot(data_final, aes(x = tahun, y = Incidence_Rate, color = KUNCI)) +
  geom_line(linewidth = 1) + geom_point() +
  labs(title = "Dinamika Incidence Rate Pneumonia Balita (2021-2024)",
       x = "Tahun Pengamatan", y = "Laju Insidensi (per 1.000 Balita)") +
  theme_minimal() + theme(legend.position = "none")
print(plot_tren)

# 4. PEMETAAN SPASIAL (Detail: Perbaikan Legenda & Skala Warna v4)
shp_map <- shp_clean %>% left_join(data_final, by = "KUNCI")
peta_facet <- tm_shape(shp_map) +
  tm_polygons(fill = "Incidence_Rate", 
              fill.scale = tm_scale_continuous(values = "YlOrRd"),
              fill.legend = tm_legend(title = "IR (per 1.000)")) +
  tm_facets(by = "tahun", ncol = 2) +
  tm_title("Peta Kloroplet Sebaran Pneumonia Balita Jawa Barat")
print(peta_facet)

# 5. MODELING DATA PANEL (Detail: Penambahan variabel Tahun sebagai Kontrol)
pdata <- pdata.frame(data_final, index = c("KUNCI", "tahun"))

# DETAIL: Menambahkan variabel 'tahun' dalam model untuk menangkap tren waktu
model_re <- plm(Incidence_Rate ~ Kepadatan_Balita + tahun, data = pdata, model = "random")
model_fe <- plm(Incidence_Rate ~ Kepadatan_Balita + tahun, data = pdata, model = "within")
model_ols <- plm(Incidence_Rate ~ Kepadatan_Balita + tahun, data = pdata, model = "pooling")

# 6. OUTPUT HASIL BERSIH
print(pooltest(model_ols, model_fe)) # Uji Chow
print(phtest(model_fe, model_re))    # Uji Hausman
print(plmtest(model_ols, type="bp")) # Uji Breusch-Pagan

# DETAIL: Koreksi Robust SE Arellano (Standar Ekonometrika Data Panel)
print("HASIL ESTIMASI AKHIR (ROBUST):")
final_result <- coeftest(model_re, vcovHC(model_re, method = "arellano", type = "HC1"))
print(final_result)

Analisis Epidemiologi Pneumonia Jabar

Rasyid Abdurrahman