Cover

1 Latar Belakang

Malaria tetap menjadi tantangan kesehatan masyarakat yang signifikan di Indonesia, terutama dengan adanya disparitas beban penyakit yang mencolok antarwilayah. Penyakit yang disebabkan oleh parasit Plasmodium dan ditularkan melalui vektor nyamuk Anopheles betina ini menunjukkan pola endemisitas yang sangat heterogen, di mana wilayah Timur Indonesia masih menjadi pusat utama kasus nasional. Karakteristik penularan malaria tidak hanya bersifat biologis, tetapi juga sangat bergantung pada interaksi dinamis antara faktor lingkungan, kondisi sanitasi, kepadatan penduduk, dan mobilitas manusia yang memfasilitasi perpindahan parasit lintas batas administratif.

Karakteristik data malaria yang memiliki dimensi lokasi dan waktu menuntut pendekatan analisis yang lebih komprehensif daripada sekadar statistik deskriptif konvensional. Analisis spasio-temporal hadir sebagai instrumen krusial untuk memetakan risiko penyakit secara presisi, mengingat risiko malaria sering kali menunjukkan ketergantungan spasial (spatial dependence), di mana kondisi suatu wilayah dipengaruhi oleh wilayah tetangganya. Penggunaan pendekatan ini memungkinkan identifikasi klaster penularan (hotspots) secara lebih akurat serta membantu mendeteksi perubahan tren kejadian penyakit dari waktu ke waktu secara simultan.

Lebih lanjut, dalam konteks pemetaan penyakit (disease mapping), sering ditemukan kendala berupa variabilitas data yang tinggi pada area dengan populasi kecil. Oleh karena itu, penerapan metode berbasis spasial, seperti pendekatan Bayesian menjadi sangat relevan untuk menstabilkan estimasi risiko dan meminimalisir fluktuasi acak. Dengan memahami dinamika spasio-temporal ini, perencanaan intervensi kesehatan dapat dilakukan secara lebih tepat sasaran. Fokus pada analisis spasial ini diharapkan mampu memberikan bukti ilmiah yang kuat bagi pengambil kebijakan dalam menentukan prioritas wilayah eliminasi malaria, sehingga alokasi sumber daya dapat dioptimalkan pada titik-titik dengan risiko tertinggi dan pertumbuhan kasus yang paling signifikan.

2 Tinjauan Pustaka

2.1 Penyakit Malaria

Malaria merupakan penyakit menular yang disebabkan oleh parasit Plasmodium yang menginfeksi manusia melalui gigitan nyamuk Anopheles betina yang membawa parasit. Ada beberapa spesies parasit Plasmodium yang masih sering dijumpai yaitu Plasmodium falciparum, Plasmodium vivax, Plasmodium malariae, dan Plasmodium ovale, yang paling sering ditemukan pada manusia adalah Plasmodium falciparum dan Plasmodium vivax (WHO, 2023). Malaria ini menjadi masalah kesehatan serius di wilayah tropis dan subtropis salah satunya Indonesia.

Secara klinis, gejala dari malaria adalah demam periodik, menggigil, sakit kepala, anemia, bahkan penyakit ini dapat menyebabkan komplikasi serius hingga kematian. Penyebaran penyakit malaria dipengaruhi oleh banyak faktor, misalnya faktor lingkungan, sosial ekonomi, dan kondisi demografis dari wilayah.

2.2 Spasial Dependence

Ketergantungan spasial terjadi karena adanya kemiripan karakteristik lingkungannya dan juga mobilitas penduduk antar wilayahnya. Spasial dependence menunjukkan bahwa observasi pada suatu wilayah bergantung pada observasi wilayah tetangganya.

Dalam analisis spasial, spatial dependence menjadi dasar untuk memahami pola distribusi data spasial. Spatial dependence diukur dengan indeks autokorelasi spasial yang dapat dilihat dari Moran’s I nya.

2.3 Autokorelasi Spasial

Autokorelasi spasial adalah ukuran statistik yang digunakan untuk menilai sejauh mana suatu variabel terikat dengan wilayahnya sendiri. Autokorelasi spasial ada dua jenis yaitu autokorelasi spasial positif dan negatif. Jika autokorelasi spasial positif maka wilayah-wilayah yang berdekatan memiliki nilai yang relatif sama, jika pada suatu wilayah tinggi maka sekitarnya tinggi. Jika autokorelasi spasial negatif maka wilayah tersebut berbanding terbalik dengan sekitarnya.

2.4 Pemodelan Spasial Ekonometrik

Pemodelan spasial ekonometrik merupakan pengembangan dari analisis ekonometrik klasik yang menambah pertimbangan spasial dependensinya. Terdapat beberapa jenis model spasial ekonometrik Spatial Error Model (SEM), Spatial Autoregressice Model (SAR), dan Spatial Durbin Model (SDM) yang bisa menjadi pengembangan dari model regresi biasanya.

Selain itu pengembangan dari model regresi jika data yang dimiliki adalah data panel, model spasial ekonometrik ini juga dapat dikembangkan menjadi model panel juga. Dikarenakan data yang digunakan pada penelitian ini adalah data panel maka yang akan menjadi penjelasan dari model spasial ekonometrik ini adalah model spasial panel.

2.4.1 Spatial Panel SAR

Model ini menggunakan lag spasial dan lag temporal sebagai variabel dependen. Model ini digunakan ketika nilai dipengaruhi oleh wilayah sekitarnya (ada autokorelasi spasial) dan juga dipengaruhi oleh masa lalu. Model umum dari Spatial Panel SAR adalah sebagai berikut :

\[ y_{it} = \rho W y_{it} + \phi y_{i, t-1} + X_{it} \beta + \mu_i + \varepsilon_{it} \]

dengan

  • \(y_{it}\) adalah variabel dependen pada wilayah ke-i dan waktu ke-t

  • \(\rho\) adalah koefisien autokorelasi spasial pada variabel dependen

  • \(Wy_{it}\) adalah lag spasial dari variabel dependen

  • \(\phi\) adalah koefisien lag wakru

  • \(y_{i, t-1}\) adalah variabel dependen pada wilayah ke-i pada periode waktu sebelumnya

  • \(X_{it} \beta\) : pengaruh variabel independen wilayah itu sendiri

  • \(\mu_i\) : efek tetap wilayah

  • \(\varepsilon_{it}\) : error acak

2.4.2 Spatial Panel SEM

Model yang digunakan ketika errornya ada ketergantungan spasial dan ada faktor yang tidak terimata yang bersifat spasial dan temporal. Model umum dari model ini adalah sebagai berikut :

\[ y_{it} = \bf{X}_{it}\beta + u_{it}, u_{it} = \lambda W u_{it} + \varepsilon_{it} \]

dengan

  • \(y_{it}\) adalah variabel dependen pada wilayah ke-i dan waktu ke-t

  • \(\bf{X}_it\) adalah vektor atau matriks variabel independen pada wilayah ke-i dan waktu ke-t

  • \(\beta\) adalah vektor koefisien regresi untuk variabel independen

  • \(\lambda\) adlaah koefisien autokorelasi spasial pada error

  • \(\varepsilon_{it}\) : error acak

2.4.3 Spatial Panel SDM (Dynamic Spatial Durbin Model)

Model ini merupakan gabungan dari model sehingga model ini adalah model spasial-temporal paling lengkap. Model ini menangkap efek langsung, tidak langsung, dan total. Model ini juga menangkap pengaruh jangka pendek dan panjang. Model umumnya adalah sebagai berikut :

\[ y_{it} = \rho W y_{it} + \phi y_{i,t-1} + X_{it} \beta + W X_{it} \theta + \varepsilon_{it} \]

dengan

  • \(y_{it}\)​ : variabel dependen wilayah i pada waktu t
  • \(Wy_{it}\)​ : pengaruh spasial dari wilayah tetangga
  • \(y_{i,t-1}\)​ : pengaruh nilai masa lalu
  • \(X_{it}\beta\) : pengaruh variabel independen wilayah itu sendiri
  • \(X_{it}\theta\)​ : pengaruh variabel independen wilayah tetangga
  • \(\varepsilon_{it}\)​ : error acak

3 Metodologi

3.1 Variabel Penelitian dan Sumber Data

Penelitian ini menggunakan data sekunder dari beberapa open source data. Data yang digunakan merupakan data spasial dan merupakan data time series dengan periode 2022-2024. Data disusun dalam bentuk panel data spasial. Data yang digunakan adalah sebagai berikut

\[ \begin{array}{c|c|c} \textbf{Variabel} & \textbf{Keterangan} & \textbf{Sumber Data} \\ \hline Y & \text{Prevalensi Campak Per Provinsi} & \text{Profil Kesehatan Indonesia dan Data Sismal}\\ X_1 & \text{Kepadatan Penduduk (Km)}^2 & \text{BPS Indonesia}\\ X_2 & \text{Akses Sanitasi Layak (%)} & \text{BPS Indonesia} \\ X_3 & \text{Rata-Rata Lama Sekolah (Tahun)} & \text{BPS Indonesia}\\ \end{array} \]

Variabel dependen berupa prevalensi campak digunakan untuk menggambarkan kondisi kesehatan masyarakat pada masing-masing provinsi. Variabel independen dipilih berdasarkan pertimbangan teoritis yang berkaitan dengan faktor kependudukan, lingkungan, dan sosial ekonomi yang berpotensi memengaruhi penyebaran penyakit campak.

3.2 Analisis Deskriptif

Dilakukan analisis deskriptif untuk melihat distribusi dari prevalensi dari penyakit malaria. Analisis deskriptif ini dilakukan dengan menghitung rata-rata, nilai minimum, maximum prevalensi dan total jumlah kasus dari penyakit malaria. Analisis deskriptif ini juga dapat melihat 5 provinsi dengan prevalensi paling tinggi dan 5 provinsi dengan prevalensi terendah.

3.3 Analisis Autokorelasi Spasial

Untuk mengetahui apakah terdapat ketergantungan spasial antarprovinsi dilakukan pengujian autokorelasi spasial secara dengan Moran’s I baik yang global maupun local. Moran’s I Global melihat apakah ada pengelompokkan atau penyebaran atau pola acak prevalensi malaria di Indonesia. Kemudian untuk Moran’s I local melihat apakah ada pola antara wilayah sekitarnya misalnya

3.4 Model Regresi Panel Spasial

Untuk membentuk model regresi panel spasial, dibuat model baseline yang merupakan model regresi panel nonspasial yaitu model Common Effect Model (CEM), Fixed Effect Model (FEM), dan Random Effect Model (REM). Model-model ini nantinya dipilih sesuai dengan uji Hausman

Ketika terjadi autokorelasi spasial maka model yang sebelumnya hanya model regresi panel dapat dikembangkan menjadi model regresi panel spasial.

3.4.1 Uji Lagrange Multiplier

Untuk menentukan bentuk ketergantungan spasial yang dominan dilakukan pengujian lagrange multiplier. Jika pengujian LM-lag maka mengindikasikan model Spatial Lag (SAR), LM - error mengindikasikan model spatial error, jika memang keduanya signifikan maka modelnya menggunakan Spatial Durbin Model.

3.4.2 Kriteria Pemilihan Model Terbaik

Pemilihan model yang sekiranya dapat digunakan adalah menggunakan nilai AIC atau BIC nya dan juga dapat dilihat koefisien parameter yang signifikan. Namun perlu menjadi catatan pemilihan model juga mempertimbangkan teori.

4 Hasil dan Pembahasan

4.1 Analisis Deskriptif

Pada dashboard, dapat dilihat deskripsi statistik data yang ada. Dapat dilihat rata-rata dari prevalensi kasus penyakit malaria dan juga variabel-variabel yang mempengaruhi prevalensi tersebut. Pada masing-masing tahunnya data memiliki karakteristik yang berbeda-beda dan distribusi yang juga berbeda-beda juga terlihat dari standar deviasinya. Hal ini menunjukkan adanya variasi dari tiap-tiap data yang digunakan. Nilai minimum dan maksimum juga menunjukkan nilai terkecil dan terbesar dari data yang dapat menjadi pertimbangan untuk analisis lanjutan.

Contoh hasil analisis deskriptif pada dashboard adalah data kasus dan prevalensi penyakit malaria pada tahun 2024 berikut :

statdes <- read.csv("C:\\KAMPUS CHECK!\\EPIDEMIOLOGI\\Statistika Deskriptif Dashboard.csv", header = TRUE, sep = ",")
statdes
##       X X2024...KASUS Prevalensi_2024
## 1 count         38.00       38.000000
## 2  mean      14314.87     2137.533916
## 3   std      45999.81     8060.628503
## 4   min          3.00        0.142032
## 5   25%        137.00        1.761651
## 6   50%        518.50       16.820487
## 7   75%       2519.00       45.138604
## 8   max     229786.00    39707.274927

Pada dashboard juga dapat diexplorasi untuk periode data dan juga variabel-variabel yang digunakan pada peneltian ini. Selain dengan statistika deskriptif dapat dilihat juga matriks korelasi antar variabelnya. Hasilnya seperti berikut

Matriks Korelasi
Matriks Korelasi

Matriks korelasi menunjukkan ada tidaknya hubungan antara variabel, sebagai contoh korelasi antara prevalensi dan juga akses sanitasi layak sebesar -0.19 yang mengartikan bahwa adanya hubungan negatif dimana ketika akses sanitasi meningkat maka prevalensi akan menurun.

Sebagai tambahan top 5 tertinggi dan terendah prevalensi juga dapat dilihat pada dashboard dimana, Papua menduduki peringkat pertama dan Bengkulu menjadi provinsi dengan jumlah kasus terendah.

4.2 Analisis Spasial

4.2.1 Global Moran’s I

Berdasarkan hasil perhitungan Global Moran’s I, diperoleh nilai Moran’s I sebesar 0,3115 dengan p-value sebesar 0,0010. Nilai Moran’s I yang positif dan signifikan menunjukkan adanya autokorelasi spasial positif antar provinsi di Indonesia, yang berarti bahwa wilayah dengan nilai prevalensi malaria yang tinggi cenderung berdekatan dengan wilayah lain yang juga memiliki prevalensi tinggi, demikian pula sebaliknya.

Hasil ini mengindikasikan terbentuknya pola klaster spasial dalam distribusi prevalensi malaria. Secara substantif, klaster dengan prevalensi malaria tinggi terutama teridentifikasi di wilayah Papua, yang menunjukkan adanya pengelompokan kasus malaria secara spasial di wilayah tersebut.

4.2.2 Local Moran’s I

Kemudian untuk prevalensi dihitung Local Moran’s I nya untuk melihat daerah low-low, high-high, dan high-low. Hasilnya untuk prevalensi penyakit malaria pada tahun 2024 menunjukkan bahwa terdapat daerah high-high yang ada di timur Indonesia, dan terdapat juga low-low di daerah pulau Jawa. Untuk selengkapnya dapat dilihat pada dashboard Visualisasi LISA

4.3 Model Spasial Ekonometrik Panel

Dilakukan pembentukan model spasial ekonometrik panel yang mencobakan 3 model dan nantinya akan dipilih model terbaiknya. Hasilnya adalah sebagai berikut :

library(plm)        # panel data
## Warning: package 'plm' was built under R version 4.5.2
library(spdep)      # spatial weights
## 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')`
## Loading required package: sf
## Linking to GEOS 3.13.1, GDAL 3.11.0, PROJ 9.6.0; sf_use_s2() is TRUE
library(splm)       # spatial panel regression
## Warning: package 'splm' was built under R version 4.5.2
library(sf)         # shapefile modern
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:plm':
## 
##     between, lag, lead
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
df_panel <- read.csv("C:\\KAMPUS CHECK!\\EPIDEMIOLOGI\\data_panel_provinsi.csv", header = TRUE, sep =",")

# Standarisasi
str(df_panel)
## 'data.frame':    102 obs. of  7 variables:
##  $ PROVINSI                               : chr  "ACEH" "ACEH" "ACEH" "BALI" ...
##  $ Tahun                                  : int  2022 2023 2024 2022 2023 2024 2022 2023 2024 2022 ...
##  $ ..KASUS                                : int  137 166 372 28 59 75 83 140 130 12 ...
##  $ Jumlah.Penduduk..Ribu.                 : num  5408 5482 5555 4415 4404 ...
##  $ Kepadatan.Penduduk.per.km.persegi..Km2.: int  95 96 98 790 788 793 1310 1316 1329 102 ...
##  $ Persentase.Akses.Sanitas.Layak         : num  77.5 78.8 81.1 95.9 95.7 ...
##  $ RLS                                    : num  9.79 9.89 9.95 9.74 9.74 9.87 9.46 9.48 9.55 9.28 ...
df_panel$Prevalensi <- 
  (df_panel$..KASUS / (df_panel$Jumlah.Penduduk..Ribu. * 1000)) * 100000

df_panel <- df_panel %>%
  rename(
    KASUS = ..KASUS,
    PENDUDUK_RIBU = Jumlah.Penduduk..Ribu.,
    KEPADATAN = Kepadatan.Penduduk.per.km.persegi..Km2.,
    SANITASI = Persentase.Akses.Sanitas.Layak,
    RLS = RLS
  )

df_panel <- df_panel %>%
  mutate(
    PROVINSI = recode(
      PROVINSI,
      "DI YOGYAKARTA" = "DAERAH ISTIMEWA YOGYAKARTA"
    )
  )


df_panel$PROVINSI <- toupper(trimws(df_panel$PROVINSI))
df_panel$Tahun <- as.integer(df_panel$Tahun)

# Set panel index
pdata <- pdata.frame(
  df_panel,
  index = c("PROVINSI", "Tahun"),
  drop.index = TRUE,
  row.names = FALSE
)

gdf <- st_read("C:\\KAMPUS CHECK!\\SPASIAL\\dashboard_spasial\\provsimpel1.shp")
## Reading layer `provsimpel1' from data source 
##   `C:\KAMPUS CHECK!\SPASIAL\dashboard_spasial\provsimpel1.shp' 
##   using driver `ESRI Shapefile'
## Simple feature collection with 38 features and 7 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: 95.01117 ymin: -11.00762 xmax: 141.02 ymax: 6.076883
## Geodetic CRS:  WGS 84
# Pastikan nama kolom sinkron
gdf$PROVINSI <- toupper(trimws(gdf$PROVINSI))

# Samakan unit spasial dengan panel
gdf <- gdf[gdf$PROVINSI %in% unique(index(pdata)$PROVINSI), ]

# Koordinat centroid
coords <- st_coordinates(st_centroid(gdf))
## Warning: st_centroid assumes attributes are constant over geometries
# Tetangga berdasarkan jarak (km, kira-kira)
nb <- dnearneigh(coords, d1 = 0, d2 = 800, longlat = TRUE)

# Pastikan semua punya tetangga
summary(nb)
## Neighbour list object:
## Number of regions: 34 
## Number of nonzero links: 284 
## Percentage nonzero weights: 24.56747 
## Average number of links: 8.352941 
## Link number distribution:
## 
##  1  2  3  4  6  7  8  9 10 11 12 13 14 
##  1  1  2  1  4  1  4  6  6  5  1  1  1 
## 1 least connected region:
## 24 with 1 link
## 1 most connected region:
## 17 with 14 links
listw <- nb2listw(nb, style = "W", zero.policy = TRUE)

# Model FEM sebagai pembanding
model_FE <- plm(
  Prevalensi ~ KEPADATAN + SANITASI + RLS,
  data = pdata,
  model = "within",
  effect = "individual"
)

summary(model_FE)
## Oneway (individual) effect Within Model
## 
## Call:
## plm(formula = Prevalensi ~ KEPADATAN + SANITASI + RLS, data = pdata, 
##     effect = "individual", model = "within")
## 
## Balanced Panel: n = 34, T = 3, N = 102
## 
## Residuals:
##       Min.    1st Qu.     Median    3rd Qu.       Max. 
## -20940.186   -362.952    -25.575    360.467  10607.226 
## 
## Coefficients:
##            Estimate Std. Error t-value Pr(>|t|)  
## KEPADATAN   -85.990     91.325 -0.9416  0.34989  
## SANITASI    754.374    350.894  2.1499  0.03529 *
## RLS       -8872.950   4216.026 -2.1046  0.03920 *
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Total Sum of Squares:    739960000
## Residual Sum of Squares: 687060000
## R-Squared:      0.071497
## Adj. R-Squared: -0.44275
## F-statistic: 1.66838 on 3 and 65 DF, p-value: 0.18246
# Model SAR
model_SAR <- spml(
  Prevalensi ~ KEPADATAN + SANITASI + RLS,
  data = pdata,
  listw = listw,
  model = "within",     # Fixed Effects
  effect = "individual",
  lag = TRUE,           # SAR
  spatial.error = "none"
)
summary(model_SAR)
## Spatial panel fixed effects lag model
##  
## 
## Call:
## spml(formula = Prevalensi ~ KEPADATAN + SANITASI + RLS, data = pdata, 
##     listw = listw, model = "within", effect = "individual", lag = TRUE, 
##     spatial.error = "none")
## 
## Residuals:
##       Min.    1st Qu.     Median    3rd Qu.       Max. 
## -20923.665   -365.933    -53.954    352.816  10688.286 
## 
## Spatial autoregressive coefficient:
##        Estimate Std. Error t-value Pr(>|t|)
## lambda  0.07822    0.16894   0.463   0.6434
## 
## Coefficients:
##            Estimate Std. Error t-value Pr(>|t|)   
## KEPADATAN   -85.521     72.864 -1.1737 0.240518   
## SANITASI    761.479    280.043  2.7192 0.006545 **
## RLS       -9118.200   3361.965 -2.7122 0.006685 **
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
# Model SEM
model_SEM <- spml(
  Prevalensi ~ KEPADATAN + SANITASI + RLS,
  data = pdata,
  listw = listw,
  model = "within",
  effect = "individual",
  lag = FALSE,
  spatial.error = "b",
  zero.policy = TRUE
)

summary(model_SEM)
## Spatial panel fixed effects error model
##  
## 
## Call:
## spml(formula = Prevalensi ~ KEPADATAN + SANITASI + RLS, data = pdata, 
##     listw = listw, model = "within", effect = "individual", lag = FALSE, 
##     spatial.error = "b", zero.policy = TRUE)
## 
## Residuals:
##       Min.    1st Qu.     Median    3rd Qu.       Max. 
## -20731.534   -381.462    -73.697    372.600  10816.001 
## 
## Spatial error parameter:
##     Estimate Std. Error t-value  Pr(>|t|)    
## rho  0.49974    0.12037  4.1518 3.298e-05 ***
## 
## Coefficients:
##             Estimate Std. Error t-value Pr(>|t|)   
## KEPADATAN   -101.881     81.479 -1.2504 0.211157   
## SANITASI     765.850    338.373  2.2633 0.023615 * 
## RLS       -10841.586   3480.348 -3.1151 0.001839 **
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
model_SAR$logLik
## [1] -946.5336
model_SEM$logLik
##           [,1]
## [1,] -1034.584

Berdasarkan hasil estimasi regresi panel spasial, Spatial Error Model (SEM) dengan efek tetap individu merupakan spesifikasi model yang paling sesuai. Hal ini ditunjukkan oleh signifikannya parameter spasial error (ρ = 0,4997; p < 0,001), yang mengindikasikan adanya ketergantungan spasial pada komponen galat. Temuan ini menunjukkan bahwa faktor-faktor spasial yang tidak terobservasi, seperti karakteristik sistem kesehatan regional, mobilitas penduduk antarwilayah, atau kebijakan kesehatan lokal, memengaruhi prevalensi campak secara tidak langsung melalui error model. Sebaliknya, model Spatial Autoregressive (SAR) tidak didukung oleh data karena koefisien lag spasial tidak signifikan, sehingga tidak terdapat bukti adanya efek limpahan langsung antarprovinsi. Dengan demikian, SEM lebih tepat digunakan karena mampu menangkap heterogenitas spasial yang tidak dapat dijelaskan oleh variabel independen dalam model.

5 Kesimpulan dan Saran

Berdasarkan hasil analisis deskriptif, spasial, dan pemodelan spasial ekonometrik panel, dapat disimpulkan bahwa prevalensi penyakit malaria di Indonesia menunjukkan variasi yang cukup besar antarprovinsi dan antarwaktu. Analisis spasial Global Moran’s I mengindikasikan adanya autokorelasi spasial positif yang signifikan, yang berarti bahwa wilayah dengan prevalensi malaria tinggi cenderung berdekatan dengan wilayah lain yang juga memiliki prevalensi tinggi, terutama di kawasan Indonesia Timur. Hasil Local Moran’s I memperkuat temuan tersebut dengan mengidentifikasi klaster high–high di wilayah Papua serta klaster low–low di Pulau Jawa.

Hasil pemodelan panel menunjukkan bahwa variabel akses sanitasi layak dan rata-rata lama sekolah berpengaruh signifikan terhadap prevalensi malaria, sedangkan kepadatan penduduk tidak menunjukkan pengaruh yang signifikan. Dari tiga model yang diuji, Spatial Error Model (SEM) dengan efek tetap individu merupakan model terbaik, ditunjukkan oleh signifikannya parameter error spasial. Hal ini mengindikasikan bahwa faktor spasial yang tidak teramati, seperti kondisi geografis, akses layanan kesehatan, dan kebijakan kesehatan daerah, memainkan peran penting dalam menjelaskan variasi prevalensi malaria antarprovinsi di Indonesia.

Berdasarkan hasil penelitian ini, pemerintah dan pemangku kebijakan disarankan untuk memprioritaskan intervensi pengendalian malaria pada wilayah-wilayah yang tergolong dalam klaster prevalensi tinggi, khususnya di Indonesia Timur. Peningkatan akses sanitasi layak serta perbaikan kualitas pendidikan masyarakat perlu menjadi fokus utama, mengingat kedua faktor tersebut terbukti berpengaruh signifikan dalam menurunkan prevalensi malaria. Selain itu, kebijakan kesehatan sebaiknya dirancang dengan mempertimbangkan keterkaitan spasial antarwilayah agar intervensi yang dilakukan lebih efektif dan tepat sasaran.

Untuk penelitian selanjutnya, disarankan untuk menambahkan variabel lain yang relevan, seperti faktor iklim, akses fasilitas kesehatan, dan mobilitas penduduk, guna menangkap dinamika spasial secara lebih komprehensif. Selain itu, penggunaan periode waktu yang lebih panjang serta pendekatan model spasial dinamis dapat memberikan gambaran yang lebih mendalam mengenai pola dan determinan prevalensi malaria di Indonesia