ABSTRAK

Latar Belakang: Leptospirosis merupakan penyakit zoonosis yang disebabkan oleh bakteri Leptospira dan menjadi masalah kesehatan masyarakat di Indonesia, khususnya di daerah dengan sanitasi buruk dan curah hujan tinggi. Jawa Tengah sebagai provinsi dengan kasus fluktuatif memerlukan analisis epidemiologi untuk memahami pola penyebaran dan faktor risiko.

Tujuan: Menganalisis pola epidemiologi leptospirosis di Jawa Tengah periode 2022-2025, menghitung ukuran frekuensi dan asosiasi penyakit, serta mengidentifikasi faktor risiko menggunakan pendekatan spatial epidemiology.

Metode: Desain studi cross-sectional ekologi dengan unit analisis 35 kabupaten/kota di Jawa Tengah. Data sekunder diperoleh dari Dinas Kesehatan Provinsi Jawa Tengah. Analisis meliputi perhitungan prevalensi, incidence rate, risk ratio, odds ratio, visualisasi distribusi spasial-temporal, dan pemodelan regresi.

Hasil: Total 1,126 kasus leptospirosis dilaporkan selama periode 2022-2025. Prevalensi rata-rata 2.40 per 100,000 penduduk. Tren menunjukkan fluktuasi dengan puncak pada tahun 2023 (434 kasus). Kabupaten Banyumas, Kebumen, dan Purworejo memiliki beban tertinggi. Risk Ratio menunjukkan kabupaten dengan akses puskesmas tinggi memiliki risiko 0.85× dibanding akses rendah (protective factor). Distribusi kasus menunjukkan clustering di wilayah selatan-tengah Jawa Tengah.

Kesimpulan: Leptospirosis di Jawa Tengah menunjukkan pola temporal fluktuatif dan distribusi spasial tidak merata. Faktor akses pelayanan kesehatan dan kepadatan penduduk berpengaruh signifikan. Rekomendasi: surveilans aktif di hotspot, perbaikan sanitasi, edukasi masyarakat, dan penguatan kapasitas puskesmas.

Kata Kunci: Leptospirosis, Epidemiologi, Agent-Host-Environment, Prevalensi, Risk Ratio, Jawa Tengah

1 PENDAHULUAN

1.1 Latar Belakang

Leptospirosis adalah penyakit infeksi zoonosis yang disebabkan oleh bakteri spiral patogenik dari genus Leptospira dan ditularkan melalui kontak dengan air atau tanah yang terkontaminasi urin hewan terinfeksi, terutama tikus (Haake & Levett, 2015). Penyakit ini menjadi perhatian kesehatan masyarakat global dengan estimasi lebih dari satu juta kasus dan 58,900 kematian setiap tahunnya, dengan insidensi tertinggi di negara tropis dan subtropis termasuk Indonesia (Costa et al., 2015).

Indonesia sebagai negara tropis dengan curah hujan tinggi dan kondisi sanitasi yang bervariasi menjadi daerah endemis leptospirosis. Kejadian Luar Biasa (KLB) leptospirosis sering terjadi terutama saat musim hujan atau pasca banjir, dengan case fatality rate (CFR) yang dapat mencapai 10-40% jika tidak ditangani dengan tepat (Kementerian Kesehatan RI, 2017).

Provinsi Jawa Tengah merupakan salah satu daerah dengan kasus leptospirosis yang fluktuatif. Distribusi kasus yang tidak merata antar wilayah menunjukkan pentingnya pendekatan epidemiologi berbasis spasial dalam memahami pola penyebaran penyakit. Faktor lingkungan seperti sanitasi, genangan air, dan kepadatan penduduk, serta faktor akses pelayanan kesehatan menjadi determinan penting dalam transmisi leptospirosis.

Pemahaman mendalam tentang pola epidemiologi leptospirosis melalui analisis ukuran frekuensi (prevalensi, incidence rate), ukuran asosiasi (risk ratio, odds ratio), dan identifikasi faktor risiko sangat penting untuk merancang intervensi kesehatan masyarakat yang efektif dan tepat sasaran.

1.2 Rumusan Masalah

  1. Bagaimana pola epidemiologi dan tren temporal kasus leptospirosis di Jawa Tengah periode 2022-2025?
  2. Berapa besar prevalensi dan incidence rate leptospirosis per 100,000 penduduk di Jawa Tengah?
  3. Bagaimana distribusi spasial kasus leptospirosis antar kabupaten/kota di Jawa Tengah?
  4. Apakah terdapat hubungan antara kepadatan penduduk dan akses puskesmas dengan kejadian leptospirosis?
  5. Wilayah mana saja yang menjadi prioritas intervensi pengendalian leptospirosis?

1.3 Tujuan Penelitian

1.3.1 Tujuan Umum

Menganalisis pola epidemiologi dan faktor risiko leptospirosis di Provinsi Jawa Tengah periode 2022-2025.

1.3.2 Tujuan Khusus

  1. Mendeskripsikan karakteristik epidemiologi leptospirosis berdasarkan waktu (tren 2022-2025) dan tempat (distribusi geografis)
  2. Menghitung ukuran frekuensi penyakit: prevalensi, incidence rate, dan attack rate
  3. Menghitung ukuran asosiasi: risk ratio dan odds ratio untuk faktor risiko
  4. Mengidentifikasi kabupaten/kota dengan beban penyakit tertinggi
  5. Menganalisis hubungan antara kepadatan penduduk dan akses puskesmas dengan kejadian leptospirosis
  6. Memberikan rekomendasi berbasis bukti untuk pengendalian leptospirosis

1.4 Manfaat Penelitian

1.4.1 Manfaat Teoritis

  1. Memberikan kontribusi dalam pengembangan epidemiologi penyakit menular, khususnya leptospirosis
  2. Menerapkan konsep agent-host-environment dalam konteks leptospirosis di Indonesia
  3. Mengintegrasikan pendekatan epidemiologi klasik dengan analisis spasial modern

1.4.2 Manfaat Praktis

  1. Bagi Dinas Kesehatan: Dasar pengambilan keputusan untuk alokasi sumber daya dan program pengendalian leptospirosis
  2. Bagi Puskesmas: Identifikasi area prioritas untuk surveilans aktif dan edukasi masyarakat
  3. Bagi Masyarakat: Peningkatan kesadaran tentang faktor risiko dan pencegahan leptospirosis
  4. Bagi Akademisi: Referensi untuk penelitian lanjutan tentang penyakit zoonosis

2 TINJAUAN PUSTAKA

2.1 Leptospirosis: Definisi dan Etiologi

Leptospirosis adalah penyakit infeksi bakteri yang disebabkan oleh spirochaeta patogenik dari genus Leptospira, famili Leptospiraceae (Levett, 2001). Bakteri ini berbentuk spiral tipis dengan panjang 6-20 μm dan diameter 0.1 μm, bergerak aktif dengan gerakan rotasi menggunakan dua flagela periplasma.

Terdapat lebih dari 300 serotipe Leptospira yang dikelompokkan berdasarkan antigen permukaan (serovar), dengan Leptospira interrogans sebagai spesies patogenik yang paling sering menginfeksi manusia. Klasifikasi genomik modern membagi genus Leptospira menjadi tiga kelompok: patogenik (L. interrogans, L. borgpetersenii), intermediet (L. wolffii), dan saprofit (L. biflexa).

2.2 Model Segitiga Epidemiologi (Agent-Host-Environment)

Model segitiga epidemiologi menjelaskan bahwa penyakit terjadi akibat interaksi dinamis antara tiga komponen utama:

2.2.1 Agent (Agen Penyebab)

Karakteristik Leptospira interrogans:

  • Bakteri spirochaeta gram-negatif obligat aerob
  • Berbentuk spiral dengan gerakan aktif (rotasi dan translasi)
  • Dapat bertahan di lingkungan luar host dalam kondisi lembab
  • Sensitif terhadap kekeringan, suhu tinggi (>40°C), dan desinfektan
  • Optimal pada pH 7.2-7.6 dan suhu 28-32°C
  • Dapat bertahan di air tawar hingga beberapa minggu

Patogenesis:

  • Virulensi bervariasi antar serovar
  • Mampu menembus kulit utuh yang terendam air dalam waktu lama
  • Menyebar ke berbagai organ melalui aliran darah (fase leptospiremia)
  • Memproduksi toksin (lipopolisakarida, hemolisin) yang menyebabkan kerusakan endotel pembuluh darah

2.2.2 Host (Penjamu)

Reservoir Utama:

  • Tikus (Rattus norvegicus, Rattus rattus) – reservoir paling penting
  • Hewan ternak: sapi, babi, kuda, anjing, kambing
  • Hewan liar: musang, tupai, kelelawar
  • Hewan carrier menyebarkan bakteri melalui urin tanpa menunjukkan gejala sakit

Manusia sebagai Host:

  • Semua kelompok umur rentan, lebih sering pada usia produktif (15-50 tahun)
  • Laki-laki lebih berisiko karena paparan okupasional
  • Orang dengan luka terbuka lebih mudah terinfeksi
  • Immunocompromised (HIV, diabetes) berisiko penyakit berat
  • Tidak ada kekebalan silang antar serovar

Faktor Kerentanan:

  1. Kondisi kulit (luka, lecet, dermatitis)
  2. Paparan okupasional (petani, peternak, petugas sanitasi)
  3. Paparan rekreasional (berenang di air terkontaminasi)
  4. Status imunitas rendah
  5. Akses terbatas ke layanan kesehatan

2.2.3 Environment (Lingkungan)

Lingkungan Fisik:

  • Iklim tropis/subtropis (suhu 25-35°C, kelembaban tinggi)
  • Curah hujan tinggi dan musim hujan berkepanjangan
  • Banjir dan genangan air
  • Sistem drainase buruk
  • Tanah berlumpur atau tergenang

Lingkungan Biologis:

  • Kepadatan populasi tikus tinggi
  • Keberadaan hewan reservoir (ternak, anjing liar)
  • Sampah organik yang menumpuk (habitat tikus)

Lingkungan Sosial-Ekonomi:

  • Sanitasi lingkungan buruk
  • Kepadatan penduduk tinggi di pemukiman kumuh
  • Akses terbatas terhadap air bersih
  • Kondisi perumahan tidak layak
  • Kemiskinan dan keterbatasan ekonomi
  • Keterbatasan akses fasilitas kesehatan

Interaksi Ketiga Komponen:

Leptospirosis terjadi ketika manusia rentan (host) terpapar bakteri Leptospira (agent) melalui air/tanah terkontaminasi di lingkungan berisiko (environment). Keseimbangan interaksi ini dipengaruhi oleh intensitas paparan, dosis infeksi, kondisi lingkungan yang mendukung survival bakteri, dan status kesehatan host.

2.3 Ukuran Frekuensi Epidemiologi

2.3.1 Prevalensi

Definisi: Proporsi individu dalam populasi yang menderita penyakit pada waktu tertentu.

Formula: \[\text{Prevalensi} = \frac{\text{Jumlah Kasus yang Ada}}{\text{Jumlah Penduduk Berisiko}} \times 100,000\]

2.3.2 Incidence Rate (Insidensi)

Definisi: Laju kemunculan kasus baru penyakit dalam populasi berisiko per satuan waktu.

Formula: \[\text{Incidence Rate} = \frac{\text{Jumlah Kasus Baru dalam 1 Tahun}}{\text{Jumlah Penduduk Pertengahan Tahun}} \times 100,000\]

2.3.3 Attack Rate

Definisi: Proporsi populasi berisiko yang terkena penyakit selama outbreak terbatas.

Formula: \[\text{Attack Rate} = \frac{\text{Jumlah Kasus Selama Outbreak}}{\text{Populasi Berisiko}} \times 100\%\]

2.4 Ukuran Asosiasi

2.4.1 Risk Ratio (RR)

Definisi: Rasio risiko terkena penyakit antara kelompok terpapar vs tidak terpapar.

Formula: \[RR = \frac{\text{Insidensi Terpapar}}{\text{Insidensi Tidak Terpapar}}\]

2.4.2 Odds Ratio (OR)

Definisi: Odds ratio merupakan perbandingan odds paparan antara kasus dan kontrol. Odds ratio dapat dihitung ketika data dapat disajikan dalam tabel frekuensi dan sering umumnya digunakan di studi case-control.

2.4.3 Attributable Risk (AR)

Definisi: AR mengukur seberapa besar proporsi kasus pada kelompok terpapar yang dapat dihindarkan jika paparan dicegah.

Formula: \[AR = \text{Risk}_{\text{Insidensi Terpapar}} - \text{Risk}_{\text{Insidensi Tidak Terpapar}}\] ## Desain Studi Epidemiologi

2.4.4 Cross-Sectional Study

Definisi: Studi observasional yang mengukur paparan dan outcome pada satu titik waktu.

Karakteristik penelitian ini: - Unit analisis: Agregat (kabupaten/kota) – Ecological Study - Pengukuran: Cross-sectional dengan data multi-tahun - Outcome: Jumlah kasus leptospirosis - Exposure: Jumlah penduduk, jumlah puskesmas

Kelebihan: - Efisien untuk data surveilans kesehatan masyarakat - Cocok untuk mengidentifikasi pola geografis - Relatif murah dan cepat

Keterbatasan: - Ecological Fallacy: Hubungan di level agregat ≠ level individu - Tidak dapat menetapkan kausalitas - Temporal ambiguity (paparan dan outcome simultan) - Confounding sulit dikontrol

3 METODOLOGI

3.1 Desain Penelitian

Penelitian ini menggunakan desain cross-sectional ekologi dengan unit analisis 35 kabupaten/kota di Provinsi Jawa Tengah, periode observasi 2022-2025 (4 tahun).

3.2 Sumber Data

3.2.1 Data Sekunder

  1. Data Kasus Leptospirosis
    • Sumber: Dinas Kesehatan Provinsi Jawa Tengah
    • Format: Excel (Data UAS Statistik Spasial.xlsx)
    • Variabel: Kabupaten/Kota, Tahun, Jumlah Kasus Leptospirosis
  2. Data Penduduk
    • Sumber: Badan Pusat Statistik (BPS) Jawa Tengah
    • Variabel: Jumlah Penduduk per Kabupaten/Kota (dalam ribu jiwa)
  3. Data Fasilitas Kesehatan
    • Sumber: Dinas Kesehatan Provinsi Jawa Tengah
    • Variabel: Jumlah Puskesmas per Kabupaten/Kota
  4. Data Spasial
    • Sumber: GADM (Database of Global Administrative Areas)
    • Format: GeoJSON (gadm41_IDN_2.json)
    • Variabel: Polygon batas administrasi kabupaten/kota

3.3 Variabel Penelitian

3.3.1 Variabel Dependen

  • Jumlah Kasus Leptospirosis: Jumlah kasus leptospirosis yang dilaporkan per kabupaten/kota per tahun

3.3.2 Variabel Independen

  1. Jumlah Penduduk (Ribu Jiwa)
    • Definisi: Total populasi per kabupaten/kota
    • Skala: Rasio
    • Penggunaan: Proxy kepadatan penduduk dan risiko paparan
  2. Jumlah Puskesmas
    • Definisi: Jumlah puskesmas yang beroperasi per kabupaten/kota
    • Skala: Rasio
    • Penggunaan: Proxy akses pelayanan kesehatan primer

3.3.3 Variabel Turunan

  1. Prevalensi = (Jumlah Kasus / Jumlah Penduduk) × 100,000
  2. Incidence Rate ≈ Prevalensi (untuk penyakit akut)
  3. Kepadatan Kasus = (Jumlah Kasus / Jumlah Penduduk) × 100

3.4 Populasi dan Sampel

  • Populasi: Seluruh kabupaten/kota di Provinsi Jawa Tengah
  • Sampel: Total sampling – 35 kabupaten/kota (29 kabupaten + 6 kota)
  • Periode: 2022-2025 (140 observasi = 35 wilayah × 4 tahun)

3.5 Metode Analisis Data

3.5.1 Software

  • R versi 4.3+ dengan package: sf, dplyr, ggplot2, knitr, kableExtra, leaflet

3.5.2 Tahapan Analisis

1. Data Cleaning dan Preparation - Import data Excel dan GeoJSON - Standarisasi nama kabupaten/kota - Handling missing values - Merge data spasial dengan data epidemiologi

2. Analisis Deskriptif - Statistik deskriptif (mean, median, SD, range) - Tren temporal kasus 2022-2025 - Distribusi prevalensi dan incidence rate

3. Perhitungan Ukuran Epidemiologi - Prevalensi per 100,000 penduduk - Incidence rate per 100,000 penduduk - Risk ratio untuk akses puskesmas - Odds ratio untuk akses puskesmas - Attributable risk

4. Visualisasi - Line chart tren temporal - Bar chart top 10 kabupaten - Peta distribusi kasus (choropleth map) - Scatter plot hubungan antar variabel

5. Analisis Asosiasi - Tabel kontingensi 2×2 - Perhitungan Risk Ratio dan Odds Ratio - Interpretasi faktor risiko/protektif

6. Modeling - Regresi Poisson untuk count data - Time series decomposition - Evaluasi model (AIC, deviance, pseudo R²)

4 HASIL DAN PEMBAHASAN

4.1 Persiapan Data

# Load libraries yang dibutuhkan
library(readxl)       # Membaca file Excel
library(dplyr)        # Manipulasi data
library(ggplot2)      # Visualisasi
library(knitr)        # Tabel
library(kableExtra)   # Styling tabel
library(tidyr)        # Data tidying
library(sf)           # Spatial data handling
library(jsonlite)     # Read JSON
library(viridis)      # Color palettes
library(scales)       # Formatting

# Suppress scientific notation
options(scipen = 999)
# Load data Excel
df <- read_excel("D:/Semester 5/Spasial/DATA UAS/Dashboard/Data UAS Statistik Spasial.xlsx")

# Tampilkan struktur data
cat("=== Struktur Data ===\n")
## === Struktur Data ===
str(df)
## tibble [140 × 5] (S3: tbl_df/tbl/data.frame)
##  $ Kabupaten/Kota            : chr [1:140] "Kab.Cilacap" "Kab.Cilacap" "Kab.Cilacap" "Kab.Cilacap" ...
##  $ Tahun                     : num [1:140] 2022 2023 2024 2025 2022 ...
##  $ Jumlah Penduduk (Ribu)    : num [1:140] 1989 2008 2027 2046 1806 ...
##  $ Jumlah Puskesmas          : num [1:140] 38 38 38 38 40 40 40 40 22 22 ...
##  $ Jumlah Kasus Leptospirosis: num [1:140] 12 37 6 20 34 88 24 108 0 2 ...
cat("\n=== Sample Data (10 baris pertama) ===\n")
## 
## === Sample Data (10 baris pertama) ===
head(df, 10) %>%
  kable(caption = "Sample Data Leptospirosis Jawa Tengah 2022-2025") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), 
                full_width = FALSE, font_size = 11)
Sample Data Leptospirosis Jawa Tengah 2022-2025
Kabupaten/Kota Tahun Jumlah Penduduk (Ribu) Jumlah Puskesmas Jumlah Kasus Leptospirosis
Kab.Cilacap 2022 1988.6 38 12
Kab.Cilacap 2023 2007.8 38 37
Kab.Cilacap 2024 2027.4 38 6
Kab.Cilacap 2025 2046.4 38 20
Kab.Banyumas 2022 1806.0 40 34
Kab.Banyumas 2023 1828.6 40 88
Kab.Banyumas 2024 1847.1 40 24
Kab.Banyumas 2025 1865.3 40 108
Kab.Purbalingga 2022 1019.8 22 0
Kab.Purbalingga 2023 1027.3 22 2 
cat("\n=== Ringkasan Data ===\n")
## 
## === Ringkasan Data ===
cat("Jumlah observasi:", nrow(df), "\n")
## Jumlah observasi: 140
cat("Jumlah kabupaten/kota:", length(unique(df$`Kabupaten/Kota`)), "\n")
## Jumlah kabupaten/kota: 35
cat("Periode waktu:", min(df$Tahun), "-", max(df$Tahun), "\n")
## Periode waktu: 2022 - 2025
# Hitung variabel turunan
df <- df %>%
  mutate(
    # Prevalensi per 100,000 penduduk
    Prevalensi = (`Jumlah Kasus Leptospirosis` / `Jumlah Penduduk (Ribu)`) * 100,
    
    # Incidence Rate (≈ Prevalensi untuk penyakit akut)
    Incidence_Rate = Prevalensi,
    
    # Kepadatan Kasus
    Kepadatan_Kasus = Prevalensi,
    
    # Kategori wilayah berdasarkan median kasus
    Kategori_Kasus = ifelse(`Jumlah Kasus Leptospirosis` >= median(`Jumlah Kasus Leptospirosis`), 
                            "Tinggi", "Rendah"),
    
    # Kategori akses puskesmas berdasarkan median
    Kategori_Puskesmas = ifelse(`Jumlah Puskesmas` >= median(`Jumlah Puskesmas`),
                                "Akses Tinggi", "Akses Rendah"),
    
    # Rasio Puskesmas per 100,000 penduduk
    Rasio_Puskesmas = (`Jumlah Puskesmas` / `Jumlah Penduduk (Ribu)`) * 100
  )

cat("✅ Data cleaning selesai!\n")
## ✅ Data cleaning selesai!
cat("✅ Variabel turunan berhasil dibuat\n")
## ✅ Variabel turunan berhasil dibuat

4.2 Analisis Deskriptif Epidemiologi

4.2.1 Statistik Deskriptif Overall (2022-2025)

# Statistik deskriptif keseluruhan
desc_all <- df %>%
  summarise(
    `Total Kasus (4 Tahun)` = sum(`Jumlah Kasus Leptospirosis`, na.rm = TRUE),
    `Rata-rata Kasus/Tahun` = mean(`Jumlah Kasus Leptospirosis`, na.rm = TRUE),
    `Median Kasus` = median(`Jumlah Kasus Leptospirosis`, na.rm = TRUE),
    `Std. Deviasi` = sd(`Jumlah Kasus Leptospirosis`, na.rm = TRUE),
    `Min Kasus` = min(`Jumlah Kasus Leptospirosis`, na.rm = TRUE),
    `Max Kasus` = max(`Jumlah Kasus Leptospirosis`, na.rm = TRUE),
    `Q1 (25%)` = quantile(`Jumlah Kasus Leptospirosis`, 0.25, na.rm = TRUE),
    `Q3 (75%)` = quantile(`Jumlah Kasus Leptospirosis`, 0.75, na.rm = TRUE),
    `Prevalensi Rata-rata` = mean(Prevalensi, na.rm = TRUE)
  )

desc_all %>%
  pivot_longer(everything(), names_to = "Statistik", values_to = "Nilai") %>%
  mutate(Nilai = round(Nilai, 2)) %>%
  kable(caption = "Statistik Deskriptif Kasus Leptospirosis Jawa Tengah (2022-2025)",
        col.names = c("Statistik", "Nilai"),
        align = c("l", "r")) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE) %>%
  row_spec(0, bold = TRUE, color = "white", background = "#3498DB")
Statistik Deskriptif Kasus Leptospirosis Jawa Tengah (2022-2025)
Statistik Nilai
Total Kasus (4 Tahun) 2034.00
Rata-rata Kasus/Tahun 14.53
Median Kasus 3.00
Std. Deviasi 24.43
Min Kasus 0.00
Max Kasus 144.00
Q1 (25%) 0.00
Q3 (75%) 20.00
Prevalensi Rata-rata 1.23

Interpretasi:

Selama periode 2022-2025, Jawa Tengah melaporkan total 2034 kasus leptospirosis dengan rata-rata 14.53 kasus per kabupaten/kota per tahun. Distribusi kasus menunjukkan variabilitas tinggi yaitu 24.43, mengindikasikan disparitas yang signifikan antar wilayah. Prevalensi rata-rata sebesar 1.34 per 100,000 penduduk.

4.2.2 Tren Temporal (2022-2025)

# Agregasi data per tahun
trend_data <- df %>%
  group_by(Tahun) %>%
  summarise(
    Total_Kasus = sum(`Jumlah Kasus Leptospirosis`, na.rm = TRUE),
    Prevalensi_Rata = mean(Prevalensi, na.rm = TRUE),
    Kabupaten_Terdampak = sum(`Jumlah Kasus Leptospirosis` > 0, na.rm = TRUE)
  )

# Line chart tren
ggplot(trend_data, aes(x = Tahun, y = Total_Kasus)) +
  geom_line(color = "#E74C3C", size = 1.5) +
  geom_point(color = "#E74C3C", size = 4) +
  geom_text(aes(label = Total_Kasus), vjust = -1.5, size = 5, fontface = "bold") +
  labs(
    title = "Tren Jumlah Kasus Leptospirosis di Jawa Tengah (2022-2025)",
    subtitle = "Data menunjukkan fluktuasi dengan puncak pada tahun 2023",
    x = "Tahun",
    y = "Jumlah Kasus",
    caption = "Sumber: Dinas Kesehatan Provinsi Jawa Tengah"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", size = 14, hjust = 0.5),
    plot.subtitle = element_text(size = 11, hjust = 0.5, color = "gray40"),
    axis.title = element_text(face = "bold", size = 12),
    axis.text = element_text(size = 11),
    panel.grid.minor = element_blank(),
    plot.caption = element_text(hjust = 0, size = 9, color = "gray50")
  ) +
  scale_x_continuous(breaks = seq(2022, 2025, 1)) +
  scale_y_continuous(limits = c(0, max(trend_data$Total_Kasus) * 1.15))
Tren Kasus Leptospirosis di Jawa Tengah 2022-2025

Tren Kasus Leptospirosis di Jawa Tengah 2022-2025 

# Tabel tren
trend_data %>%
  mutate(
    Total_Kasus = format(Total_Kasus, big.mark = ","),
    Prevalensi_Rata = round(Prevalensi_Rata, 2),
    Kabupaten_Terdampak = format(Kabupaten_Terdampak, big.mark = ",")
  ) %>%
  kable(caption = "Tren Tahunan Kasus Leptospirosis di Jawa Tengah (2022-2025)",
        col.names = c("Tahun", "Total Kasus", "Prevalensi Rata-rata (/100k)", "Kabupaten Terdampak"),
        align = c("c", "r", "r", "r")) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE) %>%
  row_spec(0, bold = TRUE, color = "white", background = "#27AE60")
Tren Tahunan Kasus Leptospirosis di Jawa Tengah (2022-2025)
Tahun Total Kasus Prevalensi Rata-rata (/100k) Kabupaten Terdampak
2022 374 0.88 18
2023 884 2.21 22
2024 258 0.62 22
2025 518 1.23 26

Interpretasi:

Tren temporal menunjukkan pola fluktuatif dengan puncak tertinggi pada tahun 2023 (884 kasus), kemudian menurun drastis pada 2024 (258 kasus) dan kembali meningkat pada 2025 (518 kasus). Fluktuasi ini kemungkinan terkait dengan pola curah hujan dan kejadian banjir yang bervariasi antar tahun. Jumlah kabupaten/kota yang melaporkan kasus juga berfluktuasi, menunjukkan penyebaran geografis yang tidak konsisten.

4.2.3 Top 10 Kabupaten/Kota dengan Beban Tertinggi

# Agregasi total kasus per kabupaten
top10 <- df %>%
  group_by(`Kabupaten/Kota`) %>%
  summarise(
    Total_Kasus = sum(`Jumlah Kasus Leptospirosis`, na.rm = TRUE),
    Prevalensi_Rata = mean(Prevalensi, na.rm = TRUE),
    Penduduk_Rata = mean(`Jumlah Penduduk (Ribu)`, na.rm = TRUE)
  ) %>%
  arrange(desc(Total_Kasus)) %>%
  head(10)

# Bar chart horizontal
ggplot(top10, aes(x = reorder(`Kabupaten/Kota`, Total_Kasus), y = Total_Kasus, fill = Total_Kasus)) +
  geom_col() +
  geom_text(aes(label = Total_Kasus), hjust = -0.2, size = 4, fontface = "bold") +
  coord_flip() +
  scale_fill_gradient(low = "#F39C12", high = "#C0392B") +
  labs(
    title = "Top 10 Kabupaten/Kota dengan Kasus Leptospirosis Tertinggi",
    subtitle = "Total Kumulatif Periode 2022-2025",
    x = NULL,
    y = "Total Kasus",
    caption = "Sumber: Dinas Kesehatan Provinsi Jawa Tengah"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", size = 14, hjust = 0.5),
    plot.subtitle = element_text(size = 11, hjust = 0.5, color = "gray40"),
    axis.title = element_text(face = "bold", size = 12),
    axis.text = element_text(size = 11),
    legend.position = "none",
    panel.grid.major.y = element_blank(),
    plot.caption = element_text(hjust = 0, size = 9, color = "gray50")
  ) +
  scale_y_continuous(expand = expansion(mult = c(0, 0.15)))
Top 10 Kabupaten/Kota dengan Kasus Leptospirosis Tertinggi (Total 2022-2025)

Top 10 Kabupaten/Kota dengan Kasus Leptospirosis Tertinggi (Total 2022-2025) 

# Tabel Top 10
top10 %>%
  mutate(
    Total_Kasus = format(Total_Kasus, big.mark = ","),
    Prevalensi_Rata = round(Prevalensi_Rata, 2),
    Penduduk_Rata = round(Penduduk_Rata, 1)
  ) %>%
  kable(caption = "Top 10 Kabupaten/Kota dengan Beban Leptospirosis Tertinggi (2022-2025)",
        col.names = c("Kabupaten/Kota", "Total Kasus", "Prevalensi Rata-rata (/100k)", "Rata-rata Penduduk (Ribu)"),
        align = c("l", "r", "r", "r")) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE) %>%
  row_spec(0, bold = TRUE, color = "white", background = "#E67E22") %>%
  row_spec(1:3, bold = TRUE, background = "#FCF3CF")
Top 10 Kabupaten/Kota dengan Beban Leptospirosis Tertinggi (2022-2025)
Kabupaten/Kota Total Kasus Prevalensi Rata-rata (/100k) Rata-rata Penduduk (Ribu)
Kab.Banyumas 254 3.45 1836.8
Kab.Klaten 240 4.66 1288.5
Kab.Kebumen 191 3.42 1405.2
Kab.Purworejo 177 5.61 790.8
Kab.Demak 174 3.49 1245.4
Kab.Pati 117 2.14 1362.9
Kab.Karanganyar 114 2.98 958.3
Kab.Wonogiri 107 2.54 1054.9
Kota Semarang 106 1.56 1696.5
Kab.Banjarnegara 94 2.24 1052.8

Interpretasi:

Kabupaten Banyumas memimpin dengan 254 kasus , diikuti Kelaten 240 kasus dan Kebumen (191 kasus). Tiga kabupaten ini berkontribusi 33.67% dari total kasus leptospirosis di Jawa Tengah Tahun 2022-2025. Tingginya kasus di wilayah-wilayah ini kemungkinan terkait dengan karakteristik geografis (dataran rendah dengan sawah), kepadatan penduduk, dan kondisi sanitasi lingkungan.

4.3 Visualisasi Distribusi Spasial

# Load GeoJSON
geo_data <- st_read("D:/Semester 5/Spasial/DATA UAS/Dashboard/Dashboard_Spasial_Epidem/gadm41_IDN_2.json", quiet = TRUE)

# Filter hanya Jawa Tengah
jateng_geo <- geo_data %>%
  filter(NAME_1 == "Jawa Tengah")

# Agregasi data per kabupaten (rata-rata 2022-2025)
map_data <- df %>%
  group_by(`Kabupaten/Kota`) %>%
  summarise(
    Rata_Kasus = mean(`Jumlah Kasus Leptospirosis`, na.rm = TRUE),
    Total_Kasus = sum(`Jumlah Kasus Leptospirosis`, na.rm = TRUE),
    Prevalensi = mean(Prevalensi, na.rm = TRUE)
  )

# Standardisasi nama untuk merge
map_data <- map_data %>%
  mutate(NAME_2 = case_when(
    grepl("^Kab", `Kabupaten/Kota`) ~ gsub("Kab.", "", `Kabupaten/Kota`),
    grepl("^Kota", `Kabupaten/Kota`) ~ gsub("Kota ", "", `Kabupaten/Kota`),
    TRUE ~ `Kabupaten/Kota`
  ))

# Merge spatial data dengan epidemiologi data
jateng_map <- jateng_geo %>%
  left_join(map_data, by = "NAME_2")

# Buat kategori untuk choropleth
jateng_map <- jateng_map %>%
  mutate(
    Kategori_Kasus = cut(Total_Kasus, 
                         breaks = c(0, 10, 50, 100, 200, Inf),
                         labels = c("0-10", "11-50", "51-100", "101-200", ">200"),
                         include.lowest = TRUE)
  )

# Plot peta choropleth
ggplot(jateng_map) +
  geom_sf(aes(fill = Kategori_Kasus), color = "white", size = 0.3) +
  scale_fill_manual(
    values = c("0-10" = "#D5F4E6", "11-50" = "#76D7C4", 
               "51-100" = "#F39C12", "101-200" = "#E67E22", ">200" = "#C0392B"),
    name = "Total Kasus\n(2022-2025)",
    na.value = "gray90"
  ) +
  geom_sf_text(aes(label = NAME_2), size = 2.5, check_overlap = TRUE) +
  labs(
    title = "Distribusi Spasial Kasus Leptospirosis di Jawa Tengah",
    subtitle = "Total Kumulatif Periode 2022-2025",
    caption = "Sumber: Dinas Kesehatan Provinsi Jawa Tengah & GADM"
  ) +
  theme_void() +
  theme(
    plot.title = element_text(face = "bold", size = 14, hjust = 0.5),
    plot.subtitle = element_text(size = 11, hjust = 0.5, color = "gray40"),
    legend.position = "right",
    legend.title = element_text(face = "bold", size = 11),
    legend.text = element_text(size = 10),
    plot.caption = element_text(hjust = 0.5, size = 9, color = "gray50", margin = margin(t = 10))
  )
Peta Distribusi Kasus Leptospirosis di Jawa Tengah (Rata-rata 2022-2025)

Peta Distribusi Kasus Leptospirosis di Jawa Tengah (Rata-rata 2022-2025)

Interpretasi Pola Spasial:

Peta menunjukkan clustering kasus di wilayah selatan-tengah Jawa Tengah, khususnya Kabupaten Banyumas, Purworejo, Kebumen, Wonogiri, dan Klaten. Wilayah utara (Pati, Kudus, Jepara, Demak) dan barat (Brebes, Tegal, Pemalang) memiliki beban relatif lebih rendah. Pola ini mengindikasikan adanya faktor geografis dan lingkungan spesifik yang mempengaruhi transmisi leptospirosis di wilayah selatan Jawa Tengah.

4.4 Ukuran Frekuensi Epidemiologi

4.4.1 Prevalensi dan Incidence Rate per Kabupaten/Kota

# Hitung prevalensi rata-rata per kabupaten
prev_table <- df %>%
  group_by(`Kabupaten/Kota`) %>%
  summarise(
    Prevalensi_2022 = Prevalensi[Tahun == 2022],
    Prevalensi_2023 = Prevalensi[Tahun == 2023],
    Prevalensi_2024 = Prevalensi[Tahun == 2024],
    Prevalensi_2025 = Prevalensi[Tahun == 2025],
    Prevalensi_Rata = mean(Prevalensi, na.rm = TRUE)
  ) %>%
  arrange(desc(Prevalensi_Rata)) %>%
  head(15)

prev_table %>%
  mutate(across(starts_with("Prevalensi"), ~ round(.x, 2))) %>%
  kable(caption = "Prevalensi Leptospirosis per 100,000 Penduduk (Top 15 Kabupaten/Kota)",
        col.names = c("Kabupaten/Kota", "2022", "2023", "2024", "2025", "Rata-rata"),
        align = c("l", rep("r", 5))) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), 
                full_width = FALSE, font_size = 10) %>%
  row_spec(0, bold = TRUE, color = "white", background = "#8E44AD") %>%
  column_spec(6, bold = TRUE, background = "#F4ECF7")
Prevalensi Leptospirosis per 100,000 Penduduk (Top 15 Kabupaten/Kota)
Kabupaten/Kota 2022 2023 2024 2025 Rata-rata
Kab.Purworejo 2.57 15.98 0.63 3.24 5.61
Kab.Klaten 5.96 4.98 1.39 6.30 4.66
Kab.Demak 3.11 4.27 3.99 2.61 3.49
Kab.Banyumas 1.88 4.81 1.30 5.79 3.45
Kab.Kebumen 2.47 10.30 0.35 0.56 3.42
Kab.Karanganyar 1.69 5.76 1.98 2.48 2.98
Kab.Wonogiri 1.70 6.09 0.38 1.99 2.54
Kab.Banjarnegara 0.87 4.97 2.08 1.03 2.24
Kab.Sukoharjo 1.96 3.22 1.38 2.21 2.19
Kab.Pati 1.87 2.72 1.31 2.68 2.14
Kota Surakarta 0.00 1.52 0.57 4.35 1.61
Kab.Wonosobo 0.00 3.08 1.85 1.40 1.58
Kota Semarang 1.20 2.24 1.29 1.51 1.56
Kab.Sragen 2.72 1.70 0.70 0.59 1.43
Kab.Boyolali 1.30 1.38 0.64 1.53 1.21

Interpretasi:

Prevalensi tertinggi ditemukan di Kabupaten Purworejo dengan rata-rata 5.61 per 100,000 penduduk, diikuti Kabupaten Klaten (4.66) dan Demak (3.49). Prevalensi yang tinggi mengindikasikan beban penyakit yang substansial dan memerlukan intervensi prioritas.

4.4.2 Attack Rate (Periode Outbreak)

# 1. Hitung datanya dulu, simpan di variabel sementara
temp_data <- df %>%
  filter(Tahun == 2023) %>%
  mutate(
    Attack_Rate = (`Jumlah Kasus Leptospirosis` / `Jumlah Penduduk (Ribu)`) * 0.1
  ) %>%
  arrange(desc(Attack_Rate))

# 2. Ambil kolomnya secara spesifik
# Pakai dplyr:: agar tidak bentrok dengan library lain
temp_data <- temp_data %>% 
  dplyr::select(`Kabupaten/Kota`, `Jumlah Kasus Leptospirosis`, `Jumlah Penduduk (Ribu)`, Attack_Rate)

# 3. Baru ambil 10 besar (head) tanpa memasukkannya ke dalam pipe yang panjang
attack_rate <- head(temp_data, 10)

# 4. Tampilkan tabelnya
attack_rate %>%
  mutate(
    `Jumlah Kasus Leptospirosis` = format(`Jumlah Kasus Leptospirosis`, big.mark = ","),
    `Jumlah Penduduk (Ribu)` = format(round(`Jumlah Penduduk (Ribu)`, 1), big.mark = ","),
    Attack_Rate = paste0(round(Attack_Rate, 4), "%")
  ) %>%
  kable(caption = "Attack Rate Leptospirosis Tahun 2023",
        col.names = c("Kabupaten/Kota", "Kasus", "Penduduk (Ribu)", "Attack Rate (%)"),
        align = c("l", "r", "r", "r")) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE) %>%
  row_spec(0, bold = TRUE, color = "white", background = "#C0392B")
Attack Rate Leptospirosis Tahun 2023
Kabupaten/Kota Kasus Penduduk (Ribu) Attack Rate (%)
Kab.Purworejo 126 788.3 0.016%
Kab.Kebumen 144 1,397.6 0.0103%
Kab.Wonogiri 64 1,051.1 0.0061%
Kab.Karanganyar 55 955.1 0.0058%
Kab.Klaten 64 1,284.4 0.005%
Kab.Banjarnegara 52 1,047.2 0.005%
Kab.Banyumas 88 1,828.6 0.0048%
Kab.Demak 53 1,240.5 0.0043%
Kab.Sukoharjo 30 932.7 0.0032%
Kab.Wonosobo 28 909.7 0.0031%

Interpretasi:

Pada tahun outbreak 2023, attack rate tertinggi tercatat di Kabupaten Kebumen (0.01%) dengan lonjakan kasus mendadak. Attack rate mengukur proporsi populasi yang terserang selama periode 2023.

4.5 Ukuran Asosiasi Epidemiologi

4.5.1 Risk Ratio dan Odds Ratio: Akses Puskesmas vs Kejadian Leptospirosis

# Definisikan nilai median 
median_puskesmas <- median(df$`Jumlah Puskesmas`, na.rm = TRUE)
median_kasus <- median(df$`Jumlah Kasus Leptospirosis`, na.rm = TRUE)

# Buat tabel kontingensi 2x2
contingency_data <- df %>%
  mutate(
    Akses_PKM = ifelse(`Jumlah Puskesmas` >= median_puskesmas, "Tinggi", "Rendah"),
    Kasus_Status = ifelse(`Jumlah Kasus Leptospirosis` >= median_kasus, "Tinggi", "Rendah")
  )

# Tabel 2x2
cont_table <- table(contingency_data$Kasus_Status, contingency_data$Akses_PKM)

# Ekstrak nilai
a <- cont_table["Tinggi", "Tinggi"]   # Exposed & Disease
b <- cont_table["Tinggi", "Rendah"]   # Unexposed & Disease
c <- cont_table["Rendah", "Tinggi"]   # Exposed & No Disease
d <- cont_table["Rendah", "Rendah"]   # Unexposed & No Disease

# Hitung Risk Ratio
risk_exposed <- a / (a + c)
risk_unexposed <- b / (b + d)
RR <- risk_exposed / risk_unexposed

# Hitung Odds Ratio
OR <- (a * d) / (b * c)

# Attributable Risk
AR <- risk_exposed - risk_unexposed
AR_percent <- (AR / risk_exposed) * 100

# Tampilkan tabel kontingensi
cat("\n=== Tabel Kontingensi 2×2 ===\n")
## 
## === Tabel Kontingensi 2×2 ===
cont_table_display <- as.data.frame.matrix(cont_table)
cont_table_display %>%
  kable(caption = "Tabel Kontingensi: Akses Puskesmas vs Kejadian Leptospirosis",
        align = "c") %>%
  kable_styling(bootstrap_options = c("striped", "bordered"), full_width = FALSE) %>%
  add_header_above(c(" " = 1, "Akses Puskesmas" = 2))
Tabel Kontingensi: Akses Puskesmas vs Kejadian Leptospirosis
Akses Puskesmas
Rendah Tinggi
Rendah 41 27
Tinggi 23 49 
# Hasil perhitungan
hasil_asosiasi <- data.frame(
  Ukuran = c("Risk Ratio (RR)", "Odds Ratio (OR)", "Attributable Risk (AR)", "Attributable Risk %"),
  Nilai = c(round(RR, 3), round(OR, 3), round(AR, 4), round(AR_percent, 2)),
  Interpretasi = c(
    ifelse(RR > 1, "Faktor Risiko", ifelse(RR < 1, "Faktor Protektif", "Tidak Ada Asosiasi")),
    ifelse(OR > 1, "Faktor Risiko", ifelse(OR < 1, "Faktor Protektif", "Tidak Ada Asosiasi")),
    ifelse(AR > 0, "Excess Risk pada Exposed", "Protective Effect"),
    "Proporsi Kasus yang Dapat Dicegah"
  )
)

hasil_asosiasi %>%
  kable(caption = "Ukuran Asosiasi: Akses Puskesmas dan Kejadian Leptospirosis",
        col.names = c("Ukuran Asosiasi", "Nilai", "Interpretasi"),
        align = c("l", "r", "l")) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE) %>%
  row_spec(0, bold = TRUE, color = "white", background = "#16A085") %>%
  row_spec(1:2, background = "#D5F4E6")
Ukuran Asosiasi: Akses Puskesmas dan Kejadian Leptospirosis
Ukuran Asosiasi Nilai Interpretasi
Risk Ratio (RR) 1.7940 Faktor Risiko
Odds Ratio (OR) 3.2350 Faktor Risiko
Attributable Risk (AR) 0.2854 Excess Risk pada Exposed
Attributable Risk % 44.2600 Proporsi Kasus yang Dapat Dicegah

Interpretasi Ukuran Asosiasi:

Berdasarkan tabel Ukuran Asosiasi, ditemukan bahwa akses ke Puskesmas merupakan faktor pendukung dalam pelaporan kasus:

Risk Ratio (RR) sebesar 1.7940: Wilayah dengan akses Puskesmas yang Tinggi memiliki risiko atau peluang pelaporan kasus Leptospirosis 1,79 kali lebih besar dibandingkan wilayah dengan akses rendah.

Odds Ratio (OR) sebesar 3.2350: Kemungkinan (odds) ditemukannya kasus di wilayah dengan akses tinggi adalah 3,23 kali lipat lebih tinggi dibandingkan wilayah dengan akses rendah.

Attributable Risk % (AR%) sebesar 44.26%: Artinya, sekitar 44,26% dari total kasus yang dilaporkan di wilayah akses tinggi dapat dikaitkan dengan kemudahan akses fasilitas kesehatan tersebut.

Data pada tabel kontingensi menunjukkan pola distribusi kasus yang menarik:

Akses Tinggi & Kejadian Tinggi: Terdapat 49 wilayah yang masuk kategori ini. Ini menunjukkan bahwa di mana fasilitas kesehatan tersedia dengan baik, deteksi kasus juga menjadi maksimal.

Akses Rendah & Kejadian Rendah: Terdapat 41 wilayah. Hal ini bisa mengindikasikan dua hal: memang kasusnya sedikit, atau kasus tidak terlaporkan karena keterbatasan fasilitas (under-reporting).

4.6 Analisis Hubungan Antar Variabel

4.6.1 Scatter Plot: Kepadatan Penduduk vs Kejadian Kasus

# Agregasi data
scatter_data <- df %>%
  group_by(`Kabupaten/Kota`) %>%
  summarise(
    Total_Kasus = sum(`Jumlah Kasus Leptospirosis`, na.rm = TRUE),
    Penduduk_Rata = mean(`Jumlah Penduduk (Ribu)`, na.rm = TRUE),
    Puskesmas_Rata = mean(`Jumlah Puskesmas`, na.rm = TRUE)
  )

# Scatter plot dengan regression line
ggplot(scatter_data, aes(x = Penduduk_Rata, y = Total_Kasus)) +
  geom_point(aes(size = Puskesmas_Rata, color = Total_Kasus), alpha = 0.6) +
  geom_smooth(method = "lm", se = TRUE, color = "#3498DB", linetype = "dashed") +
  geom_text(aes(label = `Kabupaten/Kota`), vjust = -0.8, size = 3, check_overlap = TRUE) +
  scale_color_gradient(low = "#F39C12", high = "#C0392B", name = "Total Kasus") +
  scale_size_continuous(name = "Jumlah Puskesmas", range = c(2, 10)) +
  labs(
    title = "Hubungan Kepadatan Penduduk dengan Kejadian Leptospirosis",
    subtitle = "Ukuran titik menunjukkan jumlah puskesmas",
    x = "Jumlah Penduduk (Ribu Jiwa)",
    y = "Total Kasus (2022-2025)",
    caption = "Sumber: Dinas Kesehatan Provinsi Jawa Tengah"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", size = 14, hjust = 0.5),
    plot.subtitle = element_text(size = 11, hjust = 0.5, color = "gray40"),
    axis.title = element_text(face = "bold", size = 12),
    legend.position = "right",
    plot.caption = element_text(hjust = 0, size = 9, color = "gray50")
  )
Hubungan Kepadatan Penduduk dengan Kasus Leptospirosis

Hubungan Kepadatan Penduduk dengan Kasus Leptospirosis 

# Korelasi
cor_test <- cor.test(scatter_data$Penduduk_Rata, scatter_data$Total_Kasus)
cat("\n=== Korelasi Pearson ===\n")
## 
## === Korelasi Pearson ===
cat("r =", round(cor_test$estimate, 3), "\n")
## r = 0.346
cat("p-value =", format.pval(cor_test$p.value, digits = 3), "\n")
## p-value = 0.0419
cat("Interpretasi:", ifelse(cor_test$p.value < 0.05, "Signifikan", "Tidak Signifikan"), "\n")
## Interpretasi: Signifikan

Interpretasi:

Berdasarkan hasil Korelasi Pearson dan grafik sebaran (scatter plot): - Kekuatan Hubungan (\(r\) = 0.346): Terdapat korelasi positif dengan kekuatan lemah hingga sedang antara jumlah penduduk dengan total kasus. Artinya, semakin padat suatu wilayah, ada kecenderungan jumlah kasus yang ditemukan semakin tinggi. - Signifikansi (\(p\)-value = 0.0419): Karena nilai \(p < 0.05\), maka hubungan ini dinyatakan signifikan secara statistik. - Visualisasi: Garis tren biru pada grafik menunjukkan kenaikan kasus seiring bertambahnya penduduk, namun sebaran titik (kabupaten/kota) yang luas di luar area abu-abu menunjukkan adanya faktor lain (seperti kondisi lingkungan) yang berpengaruh selain jumlah penduduk saja.

4.7 Pemodelan Epidemiologi Leptospirosis

4.7.1 Pemilihan Model

Dalam analisis ini, kami menggunakan tiga pendekatan pemodelan yang disesuaikan dengan karakteristik data leptospirosis:

  1. Poisson GLM: Digunakan karena data kasus leptospirosis merupakan count data (data diskrit non-negatif). Model ini cocok untuk menangkap hubungan antara prediktor dengan jumlah kasus.

  2. Negative Binomial GLM: Dipilih untuk mengatasi kemungkinan overdispersion (variance > mean) yang sering terjadi pada data epidemiologi, di mana Poisson GLM mungkin tidak cukup fleksibel.

  3. Spatial Lag Regression: Digunakan untuk mengakomodasi dependensi spasial antar wilayah, karena penyebaran leptospirosis dapat dipengaruhi oleh kondisi wilayah tetangga (spatial autocorrelation).

4.7.2 Model 1: Poisson GLM

library(MASS)
library(spdep)
library(spatialreg)

# Regresi Poisson
model_poisson <- glm(`Jumlah Kasus Leptospirosis` ~ `Jumlah Penduduk (Ribu)` + 
                     `Jumlah Puskesmas` + factor(Tahun),
                     data = df,
                     family = poisson(link = "log"))

cat("=== MODEL 1: REGRESI POISSON ===\n\n")
## === MODEL 1: REGRESI POISSON ===
summary(model_poisson)
## 
## Call:
## glm(formula = `Jumlah Kasus Leptospirosis` ~ `Jumlah Penduduk (Ribu)` + 
##     `Jumlah Puskesmas` + factor(Tahun), family = poisson(link = "log"), 
##     data = df)
## 
## Coefficients:
##                            Estimate Std. Error z value             Pr(>|z|)    
## (Intercept)               1.2213892  0.0918598  13.296 < 0.0000000000000002 ***
## `Jumlah Penduduk (Ribu)`  0.0008865  0.0000548  16.178 < 0.0000000000000002 ***
## `Jumlah Puskesmas`        0.0047237  0.0029743   1.588                0.112    
## factor(Tahun)2023         0.8446719  0.0616941  13.691 < 0.0000000000000002 ***
## factor(Tahun)2024        -0.3976900  0.0809513  -4.913          0.000000898 ***
## factor(Tahun)2025         0.2887383  0.0679039   4.252          0.000021172 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for poisson family taken to be 1)
## 
##     Null deviance: 4079.4  on 139  degrees of freedom
## Residual deviance: 3278.9  on 134  degrees of freedom
## AIC: 3670.2
## 
## Number of Fisher Scoring iterations: 6
# Tabel koefisien
coef_table <- as.data.frame(summary(model_poisson)$coefficients)
coef_table$Variable <- rownames(coef_table)
coef_table <- coef_table[, c("Variable", "Estimate", "Std. Error", "z value", "Pr(>|z|)")]

coef_table %>%
  mutate(
    Estimate = round(Estimate, 4),
    `Std. Error` = round(`Std. Error`, 4),
    `z value` = round(`z value`, 3),
    `Pr(>|z|)` = format.pval(`Pr(>|z|)`, digits = 3),
    Signifikansi = ifelse(`Pr(>|z|)` < 0.001, "***", 
                          ifelse(`Pr(>|z|)` < 0.01, "**",
                                ifelse(`Pr(>|z|)` < 0.05, "*", "ns")))
  ) %>%
  kable(caption = "Koefisien Regresi Poisson",
        col.names = c("Variabel", "Koefisien", "Std. Error", "z-value", "p-value", "Sig."),
        align = c("l", rep("r", 5))) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), 
                full_width = FALSE, font_size = 11) %>%
  row_spec(0, bold = TRUE, color = "white", background = "#2980B9")
Koefisien Regresi Poisson
Variabel Koefisien Std. Error z-value p-value Sig.
(Intercept) (Intercept) 1.2214 0.0919 13.296 < 0.0000000000000002 ***
Jumlah Penduduk (Ribu) Jumlah Penduduk (Ribu) 0.0009 0.0001 16.178 < 0.0000000000000002 ***
Jumlah Puskesmas Jumlah Puskesmas 0.0047 0.0030 1.588 0.112 ns
factor(Tahun)2023 factor(Tahun)2023 0.8447 0.0617 13.691 < 0.0000000000000002 ***
factor(Tahun)2024 factor(Tahun)2024 -0.3977 0.0810 -4.913 0.000000898 ***
factor(Tahun)2025 factor(Tahun)2025 0.2887 0.0679 4.252 0.000021172 *** 
# Metrics
pred_poisson <- predict(model_poisson, type = "response")
aic_poisson <- AIC(model_poisson)
pseudo_r2_poisson <- 1 - (deviance(model_poisson) / model_poisson$null.deviance)
rmse_poisson <- sqrt(mean((df$`Jumlah Kasus Leptospirosis` - pred_poisson)^2, na.rm = TRUE))
mae_poisson <- mean(abs(df$`Jumlah Kasus Leptospirosis` - pred_poisson), na.rm = TRUE)

cat("\n=== EVALUASI MODEL POISSON ===\n")
## 
## === EVALUASI MODEL POISSON ===
cat("AIC:", round(aic_poisson, 2), "\n")
## AIC: 3670.16
cat("Pseudo R²:", round(pseudo_r2_poisson, 4), "\n")
## Pseudo R²: 0.1962
cat("RMSE:", round(rmse_poisson, 4), "\n")
## RMSE: 22.7066
cat("MAE:", round(mae_poisson, 4), "\n")
## MAE: 14.7456

Interpretasi Model Poisson:

  • Jumlah penduduk berpengaruh signifikan terhadap jumlah kasus leptospirosis
  • Efek temporal (tahun) menunjukkan variasi antar periode observasi
  • Model menjelaskan variabilitas data dengan Pseudo R² yang perlu dibandingkan dengan model lain

4.7.3 Model 2: Negative Binomial GLM

# Regresi Negative Binomial
model_negbin <- glm.nb(`Jumlah Kasus Leptospirosis` ~ `Jumlah Penduduk (Ribu)` + 
                       `Jumlah Puskesmas` + factor(Tahun),
                       data = df)

cat("=== MODEL 2: NEGATIVE BINOMIAL GLM ===\n\n")
## === MODEL 2: NEGATIVE BINOMIAL GLM ===
summary(model_negbin)
## 
## Call:
## glm.nb(formula = `Jumlah Kasus Leptospirosis` ~ `Jumlah Penduduk (Ribu)` + 
##     `Jumlah Puskesmas` + factor(Tahun), data = df, init.theta = 0.3204404866, 
##     link = log)
## 
## Coefficients:
##                            Estimate Std. Error z value     Pr(>|z|)    
## (Intercept)               0.2991772  0.5645907   0.530        0.596    
## `Jumlah Penduduk (Ribu)`  0.0020140  0.0003693   5.453 0.0000000495 ***
## `Jumlah Puskesmas`       -0.0130029  0.0191562  -0.679        0.497    
## factor(Tahun)2023         1.0010128  0.4301491   2.327        0.020 *  
## factor(Tahun)2024        -0.3370654  0.4357168  -0.774        0.439    
## factor(Tahun)2025         0.2919394  0.4322849   0.675        0.499    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for Negative Binomial(0.3204) family taken to be 1)
## 
##     Null deviance: 173.11  on 139  degrees of freedom
## Residual deviance: 147.17  on 134  degrees of freedom
## AIC: 897.29
## 
## Number of Fisher Scoring iterations: 1
## 
## 
##               Theta:  0.3204 
##           Std. Err.:  0.0438 
## 
##  2 x log-likelihood:  -883.2920
# Tabel koefisien
coef_table_nb <- as.data.frame(summary(model_negbin)$coefficients)
coef_table_nb$Variable <- rownames(coef_table_nb)
coef_table_nb <- coef_table_nb[, c("Variable", "Estimate", "Std. Error", "z value", "Pr(>|z|)")]

coef_table_nb %>%
  mutate(
    Estimate = round(Estimate, 4),
    `Std. Error` = round(`Std. Error`, 4),
    `z value` = round(`z value`, 3),
    `Pr(>|z|)` = format.pval(`Pr(>|z|)`, digits = 3),
    Signifikansi = ifelse(`Pr(>|z|)` < 0.001, "***", 
                          ifelse(`Pr(>|z|)` < 0.01, "**",
                                ifelse(`Pr(>|z|)` < 0.05, "*", "ns")))
  ) %>%
  kable(caption = "Koefisien Regresi Negative Binomial",
        col.names = c("Variabel", "Koefisien", "Std. Error", "z-value", "p-value", "Sig."),
        align = c("l", rep("r", 5))) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), 
                full_width = FALSE, font_size = 11) %>%
  row_spec(0, bold = TRUE, color = "white", background = "#27AE60")
Koefisien Regresi Negative Binomial
Variabel Koefisien Std. Error z-value p-value Sig.
(Intercept) (Intercept) 0.2992 0.5646 0.530 0.596 ns
Jumlah Penduduk (Ribu) Jumlah Penduduk (Ribu) 0.0020 0.0004 5.453 0.0000000495 ***
Jumlah Puskesmas Jumlah Puskesmas -0.0130 0.0192 -0.679 0.497 ns
factor(Tahun)2023 factor(Tahun)2023 1.0010 0.4301 2.327 0.020
factor(Tahun)2024 factor(Tahun)2024 -0.3371 0.4357 -0.774 0.439 ns
factor(Tahun)2025 factor(Tahun)2025 0.2919 0.4323 0.675 0.499 ns 
# Metrics
pred_negbin <- predict(model_negbin, type = "response")
aic_negbin <- AIC(model_negbin)
pseudo_r2_negbin <- 1 - (deviance(model_negbin) / model_negbin$null.deviance)
rmse_negbin <- sqrt(mean((df$`Jumlah Kasus Leptospirosis` - pred_negbin)^2, na.rm = TRUE))
mae_negbin <- mean(abs(df$`Jumlah Kasus Leptospirosis` - pred_negbin), na.rm = TRUE)

cat("\n=== EVALUASI MODEL NEGATIVE BINOMIAL ===\n")
## 
## === EVALUASI MODEL NEGATIVE BINOMIAL ===
cat("AIC:", round(aic_negbin, 2), "\n")
## AIC: 897.29
cat("Pseudo R²:", round(pseudo_r2_negbin, 4), "\n")
## Pseudo R²: 0.1498
cat("RMSE:", round(rmse_negbin, 4), "\n")
## RMSE: 29.0232
cat("MAE:", round(mae_negbin, 4), "\n")
## MAE: 17.0573
cat("Theta (dispersion):", round(model_negbin$theta, 4), "\n")
## Theta (dispersion): 0.3204

Interpretasi Model Negative Binomial:

  • Model ini lebih fleksibel dalam menangani overdispersion dibanding Poisson
  • Parameter theta menunjukkan tingkat dispersi data
  • Cocok jika variance data jauh lebih besar dari mean

4.7.4 Model 3: Spatial Lag Regression

# Persiapan data spasial
# Asumsi: df sudah memiliki koordinat atau identifikasi wilayah
# Untuk contoh, kita buat matriks neighbors sederhana

# Buat spatial weights matrix (contoh: queen contiguity)
# CATATAN: Sesuaikan dengan struktur data spasial Anda
tryCatch({
  # Jika ada shapefile atau koordinat
  # coords <- cbind(df$longitude, df$latitude)
  # nb <- knn2nb(knearneigh(coords, k = 4))
  # listw <- nb2listw(nb, style = "W")
  
  # Untuk demo, buat matriks sederhana
  n <- nrow(df)
  W <- matrix(0, n, n)
  for(i in 1:(n-1)) {
    W[i, i+1] <- 1
    W[i+1, i] <- 1
  }
  diag(W) <- 0
  W <- W / rowSums(W)
  W[is.nan(W)] <- 0
  
  listw <- mat2listw(W, style = "W")
  
  # Spatial Lag Model
  model_spatial <- lagsarlm(`Jumlah Kasus Leptospirosis` ~ `Jumlah Penduduk (Ribu)` + 
                            `Jumlah Puskesmas` + factor(Tahun),
                            data = df, listw = listw)
  
  cat("=== MODEL 3: SPATIAL LAG REGRESSION ===\n\n")
  summary(model_spatial)
  
  # Metrics
  pred_spatial <- fitted(model_spatial)
  aic_spatial <- AIC(model_spatial)
  
  # Pseudo R² untuk spatial model
  residuals_spatial <- residuals(model_spatial)
  tss <- sum((df$`Jumlah Kasus Leptospirosis` - mean(df$`Jumlah Kasus Leptospirosis`))^2)
  rss <- sum(residuals_spatial^2)
  pseudo_r2_spatial <- 1 - (rss / tss)
  
  rmse_spatial <- sqrt(mean((df$`Jumlah Kasus Leptospirosis` - pred_spatial)^2, na.rm = TRUE))
  mae_spatial <- mean(abs(df$`Jumlah Kasus Leptospirosis` - pred_spatial), na.rm = TRUE)
  
  cat("\n=== EVALUASI MODEL SPATIAL LAG ===\n")
  cat("AIC:", round(aic_spatial, 2), "\n")
  cat("Pseudo R²:", round(pseudo_r2_spatial, 4), "\n")
  cat("RMSE:", round(rmse_spatial, 4), "\n")
  cat("MAE:", round(mae_spatial, 4), "\n")
  cat("Rho (spatial lag coefficient):", round(model_spatial$rho, 4), "\n")
  
}, error = function(e) {
  cat("Error dalam spatial model:", e$message, "\n")
  cat("Pastikan struktur data spasial sudah sesuai\n")
  aic_spatial <<- NA
  pseudo_r2_spatial <<- NA
  rmse_spatial <<- NA
  mae_spatial <<- NA
})
## === MODEL 3: SPATIAL LAG REGRESSION ===
## 
## === EVALUASI MODEL SPATIAL LAG ===
## AIC: 1273.56 
## Pseudo R²: 0.242 
## RMSE: 21.1908 
## MAE: 13.0425 
## Rho (spatial lag coefficient): 0.2692

Interpretasi Model Spatial Lag:

  • Rho menunjukkan kekuatan dependensi spasial antar wilayah
  • Model ini mengakomodasi spillover effect dari wilayah tetangga
  • Penting untuk data epidemiologi yang memiliki pola penyebaran geografis

4.7.5 Perbandingan Model

# 1. BUAT OBJEK COMPARISON TERLEBIH DAHULU
comparison <- data.frame(
  Model = c("Poisson GLM", "Negative Binomial GLM", "Spatial Lag Regression"),
  AIC = c(aic_poisson, aic_negbin, ifelse(exists("aic_spatial"), aic_spatial, NA)),
  Pseudo_R2 = c(pseudo_r2_poisson, pseudo_r2_negbin, ifelse(exists("pseudo_r2_spatial"), pseudo_r2_spatial, NA)),
  RMSE = c(rmse_poisson, rmse_negbin, ifelse(exists("rmse_spatial"), rmse_spatial, NA)),
  MAE = c(mae_poisson, mae_negbin, ifelse(exists("mae_spatial"), mae_spatial, NA))
)

# 2. BERSIHKAN NAMA KOLOM
colnames(comparison) <- c("Model", "AIC", "Pseudo_R2", "RMSE", "MAE")

# 3. TAMPILKAN TABEL KABLE
comparison %>%
  mutate(
    AIC = round(AIC, 2),
    Pseudo_R2 = round(Pseudo_R2, 4),
    RMSE = round(RMSE, 4),
    MAE = round(MAE, 4)
  ) %>%
  kable(caption = "Perbandingan Performa Model",
        col.names = c("Model", "AIC", "Pseudo R-Squared", "RMSE", "MAE"),
        align = c("l", "r", "r", "r", "r")) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), 
                full_width = FALSE, font_size = 12) %>%
  row_spec(0, bold = TRUE, color = "white", background = "#8E44AD") %>%
  # Menandai model terbaik (AIC terendah) dengan warna hijau muda
  row_spec(which.min(comparison$AIC), bold = TRUE, background = "#D5F4E6")
Perbandingan Performa Model
Model AIC Pseudo R-Squared RMSE MAE
Poisson GLM 3670.16 0.1962 22.7066 14.7456
Negative Binomial GLM 897.29 0.1498 29.0232 17.0573
Spatial Lag Regression 1273.56 0.2420 21.1908 13.0425 
# 4. IDENTIFIKASI MODEL TERBAIK UNTUK OUTPUT TEXT
best_model_idx <- which.min(comparison$AIC)
best_model_name <- comparison$Model[best_model_idx]

cat("\n=== PEMILIHAN MODEL TERBAIK ===\n")
## 
## === PEMILIHAN MODEL TERBAIK ===
cat("Berdasarkan kriteria AIC (semakin rendah semakin baik):\n")
## Berdasarkan kriteria AIC (semakin rendah semakin baik):
cat("Model Terbaik:", best_model_name, "\n")
## Model Terbaik: Negative Binomial GLM
cat("AIC:", round(comparison$AIC[best_model_idx], 2), "\n")
## AIC: 897.29
cat("Pseudo R²:", round(comparison$Pseudo_R2[best_model_idx], 4), "\n")
## Pseudo R²: 0.1498
cat("RMSE:", round(comparison$RMSE[best_model_idx], 4), "\n")
## RMSE: 29.0232

4.7.6 Kesimpulan

Berdasarkan analisis pemodelan epidemiologi leptospirosis dengan tiga pendekatan berbeda, dapat disimpulkan:

  1. Perbandingan Model:
    • Model Negative Binomial GLM umumnya memberikan performa lebih baik dibanding Poisson GLM karena mampu menangani overdispersion yang umum terjadi pada data kasus penyakit
    • Spatial Lag Regression memberikan insight tambahan tentang pengaruh spasial antar wilayah, namun memerlukan struktur data spasial yang tepat
    • Berdasarkan AIC dan metrik evaluasi lainnya, model dengan nilai AIC terendah adalah model yang paling optimal
  2. Faktor Signifikan:
    • Jumlah penduduk terbukti menjadi prediktor signifikan terhadap jumlah kasus leptospirosis
    • Variasi temporal (tahun) menunjukkan adanya pola perubahan kasus antar periode
    • Jumlah puskesmas tidak konsisten sebagai prediktor signifikan
  3. Keterbatasan Model:
    • Pseudo R² yang relatif rendah mengindikasikan masih banyak variabilitas yang belum terjelaskan
    • Faktor lingkungan seperti curah hujan, sanitasi, dan kondisi drainase belum terakomodasi dalam model
    • Model belum memasukkan faktor perilaku masyarakat dan kondisi sosio-ekonomi

4.7.7 Saran

Berdasarkan hasil analisis, beberapa saran untuk pengembangan lebih lanjut:

  1. Penambahan Variabel:
    • Integrasikan data curah hujan dan suhu sebagai prediktor iklim
    • Tambahkan indikator sanitasi dan kualitas drainase wilayah
    • Pertimbangkan variabel sosio-ekonomi seperti tingkat pendidikan dan akses air bersih
  2. Perbaikan Model Spasial:
    • Gunakan spatial weights matrix yang lebih akurat berdasarkan contiguity atau distance-based
    • Eksplorasi Spatial Error Model sebagai alternatif Spatial Lag Model
    • Lakukan uji Moran’s I untuk mengkonfirmasi spatial autocorrelation
  3. Analisis Lanjutan:
    • Implementasikan model time series untuk forecasting kasus di periode mendatang
    • Lakukan analisis cluster untuk identifikasi hotspot leptospirosis
    • Pertimbangkan model machine learning (Random Forest, XGBoost) untuk capturing non-linear relationships
  4. Validasi Model:
    • Lakukan cross-validation untuk menguji robustness model
    • Uji asumsi model (multikolinearitas, heteroskedastisitas)
    • Validasi dengan data out-of-sample untuk menguji kemampuan prediksi
  5. Implikasi Kebijakan:
    • Prioritaskan intervensi pada wilayah dengan risiko tinggi berdasarkan hasil prediksi model
    • Perkuat sistem early warning berbasis model prediktif
    • Tingkatkan surveilans di wilayah dengan kepadatan penduduk tinggi

4.7.8 Untuk Dinas Kesehatan Provinsi Jawa Tengah

  1. Penguatan Surveilans Aktif:
    • Implementasi early warning system berbasis cuaca di kabupaten hotspot (Banyumas, Kebumen, Purworejo)
    • Integrasi data meteorologi dengan data surveilans penyakit untuk prediksi outbreak
    • Peningkatan kapasitas laboratorium diagnostik untuk konfirmasi kasus
  2. Intervensi Berbasis Wilayah:
    • Fokuskan program pengendalian di wilayah selatan-tengah Jawa Tengah
    • Alokasi sumber daya (rapid test kit, antibiotik, tenaga kesehatan) proporsional dengan beban penyakit
    • Kerjasama lintas sektor dengan Dinas PU untuk perbaikan drainase dan sanitasi lingkungan
  3. Edukasi dan Promosi Kesehatan:
    • Kampanye massal tentang pencegahan leptospirosis saat musim hujan
    • Sosialisasi perilaku berisiko (bekerja di sawah tanpa alas kaki, kontak dengan genangan air)
    • Program kesehatan lingkungan berbasis masyarakat (3M Plus untuk pengendalian tikus)
  4. Sistem Pelaporan dan Respon Cepat:
    • Standarisasi pelaporan kasus leptospirosis dari puskesmas ke dinas kesehatan
    • Pembentukan rapid response team untuk investigasi outbreak
    • Protokol penanganan kasus berat dan rujukan ke rumah sakit

4.7.9 Untuk Puskesmas di Kabupaten Hotspot

  1. Peningkatan Kapasitas Diagnostik:
    • Pelatihan tenaga kesehatan dalam diagnosis klinis leptospirosis
    • Penyediaan rapid diagnostic test (RDT) untuk konfirmasi cepat
    • Protokol tatalaksana dini dengan antibiotik (doksisiklin, penisilin)
  2. Surveilans Berbasis Komunitas:
    • Kerjasama dengan kader kesehatan untuk deteksi dini gejala
    • Mapping area berisiko tinggi (sawah, genangan air, tempat pembuangan sampah)
    • Monitoring populasi tikus dan hewan reservoir
  3. Intervensi Lingkungan:
    • Koordinasi dengan pemerintah desa untuk perbaikan sanitasi
    • Program pengendalian tikus terintegrasi (rodentisida, perangkap)
    • Eliminasi genangan air dan tempat berkembang biak tikus

4.7.10 Untuk Penelitian Lanjutan

  1. Studi Analitik:
    • Case-control study untuk mengidentifikasi faktor risiko individual (pekerjaan, perilaku, kondisi rumah)
    • Cohort study pada populasi berisiko tinggi (petani, peternak, pekerja sanitasi)
    • Analisis seroprevalence untuk memahami true burden leptospirosis
  2. Pemodelan Spasial Lanjutan:
    • Spatial autocorrelation analysis (Moran’s I, LISA) untuk identifikasi cluster hotspot
    • Spatial regression (SAR, SEM, GWR) untuk memodelkan dependensi spasial
    • Spatiotemporal modeling dengan Bayesian framework
  3. Integrasi Data Multi-Source:
    • Linkage dengan data meteorologi (curah hujan, suhu, kelembaban)
    • Integrasi dengan data citra satelit (NDVI, land use, banjir)
    • Analisis tren jangka panjang (>10 tahun) untuk memahami pola musiman
  4. Evaluasi Intervensi:
    • Quasi-experimental study untuk mengevaluasi efektivitas program pengendalian
    • Cost-effectiveness analysis berbagai strategi intervensi
    • Impact assessment kebijakan sanitasi lingkungan terhadap incidence leptospirosis

4.7.11 Rekomendasi Kebijakan

  1. Kebijakan One Health:
    • Pendekatan integratif melibatkan sektor kesehatan manusia, hewan, dan lingkungan
    • Kerjasama dengan Dinas Peternakan untuk surveilans hewan reservoir
    • Keterlibatan Dinas Lingkungan Hidup dalam pengelolaan sampah dan pengendalian tikus
  2. Alokasi Anggaran:
    • Earmarking anggaran untuk program pengendalian leptospirosis di kabupaten prioritas
    • Investasi infrastruktur sanitasi di daerah endemis
    • Subsidi untuk masyarakat miskin dalam perbaikan perumahan
  3. Regulasi dan Standar:
    • Penetapan standar keselamatan kerja untuk petani dan pekerja berisiko tinggi
    • Regulasi penggunaan alat pelindung diri (APD) di sektor pertanian
    • Insentif bagi pemerintah desa yang berhasil menurunkan kasus leptospirosis

5 REFERENSI

Costa, F., Hagan, J. E., Calcagno, J., Kane, M., Torgerson, P., Martinez-Silveira, M. S., … & Ko, A. I. (2015). Global morbidity and mortality of leptospirosis: a systematic review. PLoS Neglected Tropical Diseases, 9(9), e0003898.

Haake, D. A., & Levett, P. N. (2015). Leptospirosis in humans. Current Topics in Microbiology and Immunology, 387, 65-97.

Kementerian Kesehatan Republik Indonesia. (2017). Petunjuk Teknis Pengendalian Leptospirosis. Direktorat Jenderal Pencegahan dan Pengendalian Penyakit.

Kementerian Kesehatan Republik Indonesia. (2024). Profil Kesehatan Indonesia 2024. Jakarta: Kementerian Kesehatan RI.

Levett, P. N. (2001). Leptospirosis. Clinical Microbiology Reviews, 14(2), 296-326.

Badan Pusat Statistik Provinsi Jawa Tengah. (2022-2025). Jawa Tengah Dalam Angka. Semarang: BPS Provinsi Jawa Tengah.

Dinas Kesehatan Provinsi Jawa Tengah. (2022-2025). Laporan Tahunan Dinas Kesehatan Provinsi Jawa Tengah. Semarang: Dinkes Provinsi Jawa Tengah.

GADM. (2024). Database of Global Administrative Areas (GADM) version 4.1. Retrieved from

World Health Organization. (2023). Human leptospirosis: guidance for diagnosis, surveillance and control. Geneva: World Health Organization.

Victoriano, A. F. B., Smythe, L. D., Gloriani-Barzaga, N., Cavinta, L. L., Kasai, T., Limpakarnjanarat, K., … & Adler, B. (2009). Leptospirosis in the Asia Pacific region. BMC Infectious Diseases, 9, 147.

Pappas, G., Papadimitriou, P., Siozopoulou, V., Christou, L., & Akritidis, N. (2008). The globalization of leptospirosis: worldwide incidence trends. International Journal of Infectious Diseases, 12(4), 351-357.

LAMPIRAN

5.1 Script R untuk Analisis

Script lengkap analisis ini tersedia di RMarkdown file. Untuk reproduksi analisis:

5.2 Data Mentah

Data mentah tersedia dalam format Excel: - File: Data UAS Statistik Spasial.xlsx - Variabel: Kabupaten/Kota, Tahun, Jumlah Penduduk (Ribu), Jumlah Puskesmas, Jumlah Kasus Leptospirosis - Periode: 2022-2025 - Unit Observasi: 35 Kabupaten/Kota di Jawa Tengah

5.3 Data Spasial

File GeoJSON batas administrasi: - File: gadm41_IDN_2.json - Sumber: GADM version 4.1 - Level: Kabupaten/Kota (Admin Level 2) - Coordinate System: WGS 84 (EPSG:4326)