1. Pendahuluan

1.1 Latar Belakang

AIDS (Acquired Immunodeficiency Syndrome) merupakan tahap lanjutan dari infeksi Human Immunodeficiency Virus (HIV) yang dapat menyerang siapa saja tanpa memandang usia, jenis kelamin, maupun latar belakang sosial. Berdasarkan data nasional, HIV/AIDS masih termasuk dalam kelompok penyakit menular yang memberikan kontribusi signifikan terhadap beban kesehatan masyarakat di Indonesia. Provinsi Bali tercatat sebagai salah satu provinsi dengan jumlah kasus HIV/AIDS yang relatif tinggi dibandingkan provinsi lain. Tingginya mobilitas penduduk, aktivitas pariwisata, serta interaksi sosial yang intens menjadikan Bali sebagai wilayah yang rentan terhadap penularan HIV yang dapat berkembang menjadi AIDS apabila tidak terdeteksi dan diobati secara dini.

Penularan HIV terjadi melalui kontak dengan cairan tubuh yang terinfeksi, seperti hubungan seksual tidak aman, penggunaan jarum suntik tidak steril, transfusi darah yang terkontaminasi, serta penularan dari ibu ke anak. Faktor risiko AIDS dipengaruhi oleh interaksi antara faktor host (usia, jenis kelamin, perilaku berisiko), agent (virus HIV), dan environment (lingkungan sosial, ekonomi, budaya, serta akses layanan kesehatan).

Apabila tidak ditangani dengan tepat, AIDS dapat menyebabkan berbagai komplikasi serius, seperti infeksi oportunistik berat, kanker, gangguan neurologis, hingga kematian. Selain dampak kesehatan, AIDS juga menimbulkan dampak sosial berupa stigma dan diskriminasi yang dapat menghambat upaya pencegahan, deteksi dini, dan pengobatan.

Menanggapi permasalahan tersebut, pemerintah dan tenaga kesehatan telah melakukan berbagai upaya pengendalian HIV/AIDS, antara lain melalui program edukasi kesehatan reproduksi, promosi perilaku seksual aman, pemeriksaan HIV secara sukarela, serta penyediaan terapi antiretroviral (ARV). Meskipun demikian, keberhasilan pengendalian AIDS sangat bergantung pada kesadaran masyarakat, dukungan kebijakan yang kuat, serta pendekatan berbasis wilayah yang sesuai dengan karakteristik lokal.

Dengan demikian, penelitian ini dilakukan untuk menelaah kasus AIDS dari sudut pandang epidemiologis, dengan fokus pada Provinsi Bali. Pendekatan ini diharapkan dapat memberikan gambaran pola distribusi penyakit serta menjadi dasar dalam merumuskan strategi pengendalian AIDS yang lebih efektif dan kontekstual.

1.2 Rumusan Masalah

Adapun rumusan masalah yang akan diteliti adalah :

Apa saja faktor agent-host-environment kasus AIDS dan bagaimana hubungan faktor risiko terhadap penyakit tersebut?
Bagaimana sebaran kasus AIDS di setiap kabupaten/kota di Provinsi Bali tahun 2024 berdasarkan analisis epidemiologis?
Bagaimana simulasi desain studi epidemiologi yang sesuai untuk mengkaji kasus AIDS di Provinsi Bali?
Apa implikasi hasil penelitian terhadap kebijakan pengendalian AIDS yang berfokus pada sisi epidemiologis berbasis wilayah di Bali?

1.3 Tujuan

Guna menjawab rumusan masalah yang ada, penelitian ini bertujuan untuk:

Mengidentifikasi faktor agent-host-environment yang relevan terhadap kasus AIDS serta menggambarkan hubungan faktor risiko terhadap penyakit tersebut.
Menganalisis incidence rate dan pola sebaran kasus AIDS di Provinsi Bali tahun 2020-2024 menggunakan pendekatan epidemiologis.
Merancang desain simulatif studi epidemiologi untuk kasus AIDS di Provinsi Bali.
Memberikan rekomendasi kebijakan pengendalian AIDS di Provinsi Bali berdasarkan hasil analisis epidemiologis.

1.4 Batasan Penelitian

Ruang lingkup wilayah penelitian dibatasi pada seluruh kabupaten dan kota di Provinsi Bali, sehingga hasil penelitian tidak dapat digeneralisasikan untuk wilayah lain di Indonesia.
Analisis yang dilakukan hanya mencakup pendekatan epidemiologis deskriptif, meliputi:

Analisis deskriptif untuk menggambarkan karakteristik dan distribusi kasus AIDS,
Analisis Insidensi untuk melihat tingkat sebaran kasus AIDS di setiap kabupaten/kota, sehingga penelitian ini tidak bertujuan untuk menilai hubungan sebab-akibat (kausalitas).

Penelitian ini tidak membahas aspek klinis, perilaku individu secara mendalam, maupun efektivitas terapi medis, melainkan berfokus pada analisis statistik berdasarkan data agregat wilayah.

2. Tinjauan Pustaka

2.1 AIDS

AIDS (Acquired Immunodeficiency Syndrome) adalah kondisi kesehatan yang disebabkan oleh infeksi virus HIV (Human Immunodeficiency Virus), yang menyerang dan merusak sistem kekebalan tubuh manusia, khususnya sel CD4. AIDS meruapakan tahap akhir dari perkembangan HIV. Jika tidak diobati, virus ini dapat berkembang menjadi AIDS dalam kurun waktu sekitar 10 tahun, hal ini ditandai dengan sistem kekebalan tubuh sangat melemah sehingga tubuh menjadi rentan terhadap infeksi dan berbagai penyakit serius. AIDS merupakan tahap akhir dari infeksi HIV dan menandai kerusakan sistem imun yang parah sehingga tidak mampu melawan infeksi menyebabkan banyak komplikasi lain.

2.2 Triad Epidemiologi

Model ini digunakan untuk memahami faktor-faktor yang berkontribusi terhadap terjadinya AIDS sebagai penyakit menular dengan menggambarkan bagaimana interaksi antara penyebab, individu, dan lingkungan berperan dalam penyebaran AIDS.

Agent : Agent dalam kasus AIDS adalah virus HIV, yang menular melalui kontak dengan cairan tubuh seperti darah, air mani, dan cairan vagina dari orang yang terinfeksi. Faktor lain yang meningkatkan penularan termasuk infeksi menular seksual lain (seperti herpes simpleks dan sifilis) yang dapat mempercepat masuknya HIV ke dalam tubuh.

Host : Host adalah inang atau individu dengan faktor predisposisi seperti perilaku seks berisiko (hubungan seks tanpa kondom, berganti pasangan), penggunaan narkoba suntik, status sosial ekonomi rendah, dan kurangnya pengetahuan tentang pencegahan HIV/AIDS. Remaja dan orang dewasa muda merupakan kelompok rentan karena tingginya aktivitas seksual, rendahnya penggunaan kondom, serta keterbatasan akses layanan kesehatan reproduksi.

Environment : Environment adalah lingkungan yang mendukung penyebaran tersebut. Dalam hal ini mencakup lingkungan sosial, ekonomi, dan budaya yang mendukung penyebaran AIDS di Bali. Faktor lingkungan meliputi gaya hidup bebas, pariwisata yang tinggi (terkait pekerja seks dan pelaku pariwisata), kemiskinan, budaya yang kurang mendukung edukasi seks, serta keterbatasan layanan kesehatan dalam pencegahan dan deteksi dini HIV/AIDS. Selain itu, stigma sosial terhadap pengidap HIV/AIDS sering kali menghambat upaya pengobatan dan pencegahan.

2.3 Ukuran Epidemiologi

Insidensi

Insidensi rate (incidence rate) adalah ukuran epidemiologi yang menunjukkan jumlah kasus baru suatu penyakit atau kejadian tertentu dalam suatu populasi pada periode waktu tertentu, dibandingkan dengan jumlah penduduk yang berisiko mengalami kejadian tersebut pada waktu yang sama.Digunakan untuk menggambarkan seberapa cepat penyakit atau kejadian baru muncul dalam populasi, biasanya dinyatakan per 1.000 atau per 100.000 penduduk per tahun.

\[ \text {Incidence Rate} = \frac{\text{Jumlah kasus baru}}{\text{Total populasi}} \times 100\% \]

2.4 Spatial Dependence

Ketergantungan spasial (spatial dependence) adalah kondisi di mana nilai suatu variabel di suatu lokasi memiliki hubungan atau pengaruh terhadap nilai variabel di lokasi lain yang berdekatan. Dalam konteks epidemiologi AIDS, artinya wilayah dengan angka kasus AIDS tinggi dapat memengaruhi wilayah sekitarnya, yang memungkinkan terjadi karena mobilitas masyarakat, pola perilaku, atau kesamaan karakteristik lingkungan sosial dan budaya.

Pengujiannya dapat dilakukan dengan Moran’s I, Geary’s C, atau Local Indicators of Spatial Association (LISA). Jika hasil pengujian menunjukkan adanya autokorelasi spasial positif, maka kasus AIDS cenderung mengelompok (clustered) di wilayah tertentu, bukan tersebar random. Informasi ini dapat digunakan untuk merancang pengendalian AIDS melalui penanganan berbasis wilayah (spatial targeting) sehingga upaya pencegahan dan penanganan dapat lebih fokus dan efektif.

2.4.1 Pengujian Ketergantungan Spasial

Ketergantungan spasial dapat diuji melalui beberapa metode statistik (Anselin, 1995):

A. Moran’s I

Mengukur autokorelasi spasial secara keseluruhan dengan

Nilai: -1 (dispersi sempurna) hingga +1 (klaster sempurna)
I > 0: autokorelasi positif (pengelompokan)
I < 0: autokorelasi negatif (dispersi)
I ≈ 0: randomly ditributed

B. Local Indicators of Spatial Association (LISA)

Mengidentifikasi klaster lokal
Mendeteksi hotspot (High-High) dan coldspot (Low-Low)

2.5 Matriks Bobot Spasial

Matriks bobot spasial (spatial weights matrix, W) digunakan untuk menggambarkan hubungan kedekatan antar wilayah dengan mengkuantifikasi seberapa kuat pengaruh suatu wilayah terhadap wilayah lainnya.

2.5.1 Jenis Matriks Bobot Spasial

A. Contiguity-based Weights (Berdasarkan Batas Wilayah) - Rook contiguity: Wilayah dianggap tetangga jika berbagi sisi batas - Queen contiguity: Wilayah dianggap tetangga jika berbagi sisi atau titik sudut - Bishop contiguity: Wilayah dianggap tetangga jika berbagi titik sudut saja

B. Distance-based Weights (Berdasarkan Jarak) - Menggunakan jarak Euclidean antar centroid wilayah - Bobot menurun seiring jarak meningkat - Formula umum:

\(w_{ij} = \frac{1}{d_{ij}^{\alpha}}\)

(α biasanya = 2)

C. K-Nearest Neighbors (KNN) - Setiap wilayah memiliki k tetangga terdekat - Mengatasi masalah wilayah terpencil tanpa tetangga

2.6 Diagram Faktor Risiko

2.7 Desain Studi Epidemiologi

Studi simulatif dapat dilakukan menggunakan desain cross-sectional, yaitu desain penelitian yang mengukur paparan dan hasil (outcome) secara bersamaan pada satu waktu tertentu. Desain ini berguna untuk menggambarkan Insidensi suatu kondisi dalam populasi dan mengidentifikasi faktor-faktor yang berkaitan secara jelas. Namun, desain cross-sectional memiliki keterbatasan dalam menentukan hubungan kausal temporal karena tidak dapat menunjukkan urutan kejadian antara paparan dan outcome, mengingat pengukuran hanya dilakukan pada satu waktu.

3. Metodologi Penelitian

3.1 Desain Penelitian

Penelitian ini menggunakan desain studi dengan pendekatan deskriptif kuantitatif. Data yang digunakan bersifat agregat, yaitu data per kabupaten/kota di Provinsi Bali selama periode 2020-2024. Penelitian ini ditujukan untuk melihat secara garis besar ringkasan deskriptif, insidensi, dan pola sebaran kasus AIDS baru setiap tahunnya. Variabel yang digunakan adalah tahun, nama kota/kabupaten, kasus baru di tahun tersebut, dan kepadatan penduduk.

3.2 Jenis dan Sumber Data

Penelitian ini menggunakan data sekunder yang diperoleh dari situs Badan Pusat Statistik Provinsi Bali.

Variabel yang digunakan:

Variabel	Jenis Data
Tahun	Kuantitatif
Nama Kabupaten/Kota	Kualitatif
Jumlah Penduduk	Kuantitatif
Jumlah Kasus Baru AIDS	Kuantitatif
Kepadatan Penduduk (Jiwa/Km^2)	Kuantitatif

3.3 Ukuran Epidemiologi

Dalam penelitian ini digunakan satu jenis ukuran epidemiologi, yaitu ukuran frekuensi , dengan rumus sebagai berikut:

3.3.1 Ukuran Frekuensi

Insidensi

Menggambarkan seberapa cepat penyakit atau kejadian baru muncul dalam populasi.

Rumus: \[ \text{Insidensi} = \frac{\text{Jumlah Kasus Baru}}{\text{Jumlah Penduduk}} \times 100\% \]

4. Hasil dan Pembahasan

# Paket
library(readxl)
library(dplyr)
library(ggplot2)
library(sf)
library(tmap)
library(spdep)
library(knitr)

4.1 Statistik Deskriptif

Ringkasan data untuk melihat ciri atau karakteristik dari jumlah penduduk, jumlah kasus baru AIDS, dan kepadatan penduduk di kabupaten/kota di Bali pada tahun 2020-2024.

Head Data
tahun	kab_kota	jumlah_kasus_baru	jumlah_penduduk	kepadatan_penduduk
2020	Jembrana	35	317100	377
2020	Tabanan	43	461600	45
2020	Badung	326	548200	1310
2020	Gianyar	16	515300	1400
2020	Klungkung	23	206900	657
2020	Bangli	14	258700	527

Eksplorasi Data Kasus AIDS per Kabupaten/Kota dan Tahun
tahun	kab_kota	penduduk	kasus
2020	Badung	548200	326
2020	Bangli	258700	14
2020	Buleleng	791800	40
2020	Denpasar	725300	315
2020	Gianyar	515300	16
2020	Jembrana	317100	35

Mean, Median, dan Standar Deviasi Jumlah kasus AIDS Tahun per Tahun
tahun	mean_kasus	median_kasus	sd_kasus
2020	95.89	40	127.97
2021	54.22	32	76.17
2022	65.44	22	85.10
2023	221.33	100	278.59
2024	85.22	61	96.31

10 Kabupaten/Kota dengan Jumlah Kasus Baru AIDS Tertinggi (Akumulasi 2020–2024)
kab_kota	total_kasus
Denpasar	2049
Badung	994
Buleleng	533
Gianyar	327
Tabanan	260
Jembrana	190
Karangasem	164
Klungkung	138
Bangli	44

10 Kabupaten/Kota dengan Kepadatan Penduduk Tertinggi (Akumulasi 2020–2024)
kab_kota	kepadatan
Denpasar	28999
Gianyar	19821
Badung	6774
Klungkung	3335
Buleleng	3004
Karangasem	2988
Bangli	2600
Tabanan	2067
Jembrana	1912

4.2 Grafik Tren AIDS Tahun 2020-2024

4.3 Insidensi

Angka Insidensi AIDS per Kabupaten/Kota dan Tahun (%)
tahun	kab_kota	penduduk	kasus	insidensi_rate
2020	Badung	548200	326	0.06
2020	Bangli	258700	14	0.01
2020	Buleleng	791800	40	0.01
2020	Denpasar	725300	315	0.04
2020	Gianyar	515300	16	0.00
2020	Jembrana	317100	35	0.01
2020	Karangasem	492400	51	0.01
2020	Klungkung	206900	23	0.01
2020	Tabanan	461600	43	0.01
2021	Badung	549300	57	0.01
2021	Bangli	262500	0	0.00
2021	Buleleng	806600	25	0.00
2021	Denpasar	726600	253	0.03
2021	Gianyar	519500	32	0.01
2021	Jembrana	321900	19	0.01
2021	Karangasem	500800	32	0.01
2021	Klungkung	210100	27	0.01
2021	Tabanan	465300	43	0.01
2022	Badung	549500	111	0.02
2022	Bangli	267000	0	0.00
2022	Buleleng	825100	102	0.01
2022	Denpasar	726800	266	0.04
2022	Gianyar	524000	41	0.01
2022	Jembrana	327900	22	0.01
2022	Karangasem	511300	17	0.00
2022	Klungkung	214000	22	0.01
2022	Tabanan	469300	8	0.00
2023	Badung	563300	368	0.07
2023	Bangli	261400	25	0.01
2023	Buleleng	808900	259	0.03
2023	Denpasar	748400	898	0.12
2023	Gianyar	524000	177	0.03
2023	Jembrana	323500	90	0.03
2023	Karangasem	500000	39	0.01
2023	Klungkung	208700	36	0.02
2023	Tabanan	466100	100	0.02
2024	Badung	568500	132	0.02
2024	Bangli	262300	5	0.00
2024	Buleleng	814800	107	0.01
2024	Denpasar	755600	317	0.04
2024	Gianyar	527100	61	0.01
2024	Jembrana	325600	24	0.01
2024	Karangasem	502300	25	0.00
2024	Klungkung	209300	30	0.01
2024	Tabanan	467700	66	0.01

Angka Insidensi AIDS Provinsi Bali per Tahun (%)
tahun	total_penduduk	total_kasus_baru	insidensi_rate
2020	4317300	863	0.02
2021	4362600	488	0.01
2022	4414900	589	0.01
2023	4404300	1992	0.05
2024	4433200	767	0.02

10 Kabupaten/Kota dengan Angka Insidensi AIDS Tertinggi di Bali Tahun 2024
kab_kota	jumlah_penduduk	jumlah_kasus_baru	insidensi_rate
Denpasar	755600	317	0.04
Badung	568500	132	0.02
Klungkung	209300	30	0.01
Tabanan	467700	66	0.01
Buleleng	814800	107	0.01
Gianyar	527100	61	0.01
Jembrana	325600	24	0.01
Karangasem	502300	25	0.00
Bangli	262300	5	0.00

4.4 Pembahasan

Analisis deskriptif menunjukkan bahwa jumlah kasus baru AIDS di Provinsi Bali selama periode 2020–2024 mengalami fluktuasi yang cukup besar. Rata-rata kasus baru per kabupaten/kota menurun dari 95,89 kasus pada 2020 menjadi 54,22 kasus pada 2021, kemudian meningkat kembali pada 2022. Lonjakan yang sangat signifikan terjadi pada 2023, dengan rata-rata mencapai 221,33 kasus, sebelum kembali menurun pada 2024 menjadi 85,22 kasus.

Nilai median yang relatif rendah pada periode 2020–2022 dan meningkat tajam pada 2023 menunjukkan bahwa lonjakan kasus tidak hanya terjadi pada satu wilayah tertentu, tetapi dialami oleh sebagian besar kabupaten/kota. Standar deviasi yang tinggi, terutama pada 2023, mengindikasikan adanya ketimpangan distribusi kasus antarwilayah, dengan beban penyakit yang terkonsentrasi pada daerah tertentu.

Secara akumulatif, Kota Denpasar mencatat jumlah kasus baru AIDS tertinggi selama lima tahun, diikuti oleh Kabupaten Badung dan Kabupaten Buleleng. Wilayah-wilayah ini merupakan pusat aktivitas ekonomi dan pariwisata, sehingga tingginya mobilitas penduduk diduga berperan dalam tingginya jumlah kasus yang tercatat.

Selanjutnya, melaui analisis temporal dan spasial yang dibantu dengan visualisasi, diperoleh angka insidensi AIDS di Provinsi Bali cenderung mengalami fluktuasi. Insidensi menurun pada periode 2020–2022, kemudian meningkat tajam pada 2023 hingga mencapai 0,05%, sebelum kembali menurun pada 2024. Peningkatan pada 2023 kemungkinan dipengaruhi oleh faktor administratif, seperti peningkatan skrining HIV dan perbaikan sistem pelaporan, sehingga perlu ditafsirkan secara hati-hati.

Secara spasial, pada tahun 2024 wilayah dengan angka insidensi tertinggi adalah Kota Denpasar dan Kabupaten Badung, sementara beberapa wilayah lain menunjukkan angka yang lebih rendah. Pemetaan spasial tidak menunjukkan pola pengelompokan geografis yang jelas, sehingga distribusi kasus AIDS di Bali cenderung tersebar dan tidak membentuk klaster wilayah tertentu.

Dengan demikian, jika ingin melakukan penelitian lanjutan dapat dilakukan desain studi potong lintang (cross-sectional) pada tingkat kabupaten/kota di Provinsi Bali. Variabel dependen adalah angka insidensi AIDS, variabel independennya adalah kepadatan penduduk, mobilitas penduduk, aktivitas pariwisata, serta cakupan layanan tes HIV dan terapi antiretroviral.

Penelitian menggunakan total sampling wilayah dengan memanfaatkan data sekunder resmi. Potensi bias yang mungkin muncul adalah information bias akibat perbedaan cakupan dan kualitas pelaporan kasus antarwilayah dan antarwaktu, serta surveillance bias, di mana wilayah dengan intensitas skrining yang lebih tinggi cenderung melaporkan lebih banyak kasus. Selain itu, keterbatasan desain cross-sectional menyebabkan hubungan kausal tidak dapat ditentukan secara temporal.

5. Kesimpulan dan Rekomendasi

5.1 Kesimpulan

Berdasarkan analisis epidemiologis kasus AIDS di Provinsi Bali periode 2020–2024, diperoleh beberapa kesimpulan sebagai berikut:

5.1.1 Faktor Agent-Host-Environment

Agent : AIDS disebabkan oleh virus Human Immunodeficiency Virus.

Host (Inang): Peran faktor host seperti perilaku seksual yang berisiko, mobilitas penduduk, serta keterlambatan deteksi dan pengobatan HIV.

Environment (Lingkungan): Lingkungan dengan aktivitas ekonomi dan pariwisata yang tinggi berkontribusi terhadap dinamika penularan HIV/AIDS melalui peningkatan mobilitas penduduk dan interaksi sosial. Akses layanan kesehatan dan intensitas skrining HIV yang berbeda antarwilayah turut memengaruhi jumlah kasus AIDS yang terlaporkan.

5.1.2 Pola Sebaran Kasus Hipertensi di Bali

Pola Temporal

Jumlah dan insidensi kasus AIDS di Provinsi Bali menunjukkan fluktuasi selama periode 2020–2024. Penurunan kasus pada 2020–2022 diikuti peningkatan tajam pada 2023, kemudian kembali menurun pada 2024. Lonjakan kasus pada 2023 yang dapat dipengaruhi oleh peningkatan skrining HIV dan perbaikan sistem pelaporan, sehingga mencerminkan peningkatan deteksi, bukan semata peningkatan transmisi.

Wilayah dengan Insidensi Tertinggi (2024)

Wilayah dengan insidensi AIDS tertinggi pada tahun 2024 adalah:

Kota Denpasar
Kabupaten Badung
Kabupaten Buleleng

Karakteristik Wilayah Beban Tinggi

Wilayah perkotaan dan pusat pariwisata
Mobilitas penduduk tinggi
Aktivitas ekonomi dan interaksi sosial terus menerus

5.1.3 Implikasi untuk Kebijakan

Wilayah Beban Tinggi sebagai Prioritas Denpasar dan Badung memerlukan perhatian khusus dalam pengendalian HIV/AIDS.
Penguatan Sistem Deteksi dan Pelaporan Peningkatan kasus menunjukkan perlunya konsistensi skrining dan pencatatan kasus.
Pendekatan Berbasis Mobilitas dan Aktivitas Sosial Wilayah dengan aktivitas pariwisata tinggi memerlukan strategi pengendalian yang sesuai kondisi nyata dan adaptif.

5.2 Rekomendasi

5.2.1 Rekomendasi Kebijakan Kesehatan

Prioritas Wilayah

Zona Insidensi Tinggi

Kota Denpasar, Kabupaten Badung

Rekomendasi: Peningkatan skrining HIV rutin, penguatan layanan terapi antiretroviral (ARV)

Zona Insidensi Menengah

Kabupaten Buleleng dan sekitarnya

Rekomendasi: edukasi pencegahan HIV dan penguatan rujukan serta tindak lanjut dari pasien HIV

Zona Insidensi Rendah

Rekomendasi: kampanye pencegahan dan peningkatan kesadaran, skrining selektif pada kelompok berisiko

5.2.2 Rekomendasi Penelitian Lanjutan

Menekankan penelitian terhadap individu
Menambahkan faktor perilaku dan sosial ekonomi
Analisis spasial tingkat lebih spesifik
Studi cohort dapat dilakukan untuk memperoleh insight lebih dalam

5.3 Penutup

AIDS perlu perhatian khusus di Provinsi Bali, terutama di wilayah dengan mobilitas penduduk dan aktivitas ekonomi tinggi. Pola temporal dan spasial menunjukkan perlunya pengendalian HIV/AIDS yang berkelanjutan, terintegrasi, dan memerhatikan ciri atau kondisi wilayah.

Dengan strategi yang tepat dan berkelanjutan, beban AIDS di Provinsi Bali dapat ditekan dan kualitas kesehatan masyarakat dapat ditingkatkan.

Lampiran

Dashboard dibuat menggunakan bahasa pemrograman python dengan library utama berupa streamlit. Berikut script python dalam pembuatan dashboard:

import streamlit as st
import pandas as pd
import geopandas as gpd
import plotly.express as px
import math
from esda.moran import Moran, Moran_Local
from libpysal.weights import Queen
from utils.LISA import lisa_map_px, lisa_map_cluster_px

st.set_page_config(layout='wide')

st.title('Dashboard Penyakit dan Analisis Kasus AIDS di Bali Tahun 2020-2024')

def format_number(x):
    return f'{x:,.2f}'

def load_css(file_name):
    with open(file_name) as f:
        st.markdown(f"<style>{f.read()}</style>", unsafe_allow_html=True)

load_css("assets/styles.css")

def calculate_morans_i(gdf_merged, col):
    try:
        import numpy as np
        np.random.seed(42)

        gdf_merged = gdf_merged.sort_index().reset_index(drop=True)

        w = Queen.from_dataframe(gdf_merged)
        w.transform = 'r'

        y = gdf_merged[col].values

        if y.sum() == 0:
            st.warning("⚠️ Semua nilai kasus adalah 0, Moran's I tidak dapat dihitung")
            return None, None

        moran = Moran(y, w, permutations=999)

        return moran, w

    except Exception as e:
        st.error(f"Error calculating Moran's I: {str(e)}")
        return None, None


data = pd.read_csv('data/Data-Bali.csv')
data['JumlahPenduduk'] = data['JumlahPenduduk'].apply(lambda x: math.ceil(x))
data['JumlahPenduduk'] = data['JumlahPenduduk'] * 1000
data['Insidensi'] = (data['AIDS'] / data['JumlahPenduduk']) * 100000

gdf = gpd.read_file('data/gadm41_IDN_2.json')
gdf = gdf[gdf['NAME_1'] == 'Bali'].reset_index(drop=True)

merged = gdf.merge(data, right_on='Kabupaten/Kota', left_on='NAME_2').set_index('NAME_2')

t1, _ = st.columns([1, 5])
with t1:
    tahun = st.selectbox('Pilih Tahun', options=sorted(data['Tahun'].unique()), index=4)

merged_tahun = merged[merged['Tahun'] == tahun]

tabs1, tabs2, tabs3, tabs4 = st.tabs(['Peta Persebaran', 'Temporal', 'Analisis Epidemiologis', 'Analisis Spasial'])

with tabs1:
    c1, c2 = st.columns(2)

    merged_prev = merged[merged['Tahun'] == (tahun-1)]
    merged_prevKasus = merged_prev['AIDS'].sum()
    merged_prevPenduduk = merged_prev['JumlahPenduduk'].sum()

    perubahan_kasus = ((merged_tahun['AIDS'].sum() - merged_prevKasus) / merged_prevKasus) * 100
    perubahan_penduduk = (merged_tahun['JumlahPenduduk'].sum() - merged_prevPenduduk)

    min_aids = merged['AIDS'].min()
    max_aids = merged['AIDS'].max()

    min_penduduk = merged['JumlahPenduduk'].min()
    max_penduduk = merged['JumlahPenduduk'].max()

    with c1:
        if tahun == 2020:
            st.metric(f'Total Kasus Baru AIDS Tahun {tahun}', merged_tahun['AIDS'].sum(), border=True)
        else:
            st.metric(f'Total Kasus Baru AIDS Tahun {tahun}', merged_tahun['AIDS'].sum(), border=True, delta=f'{perubahan_kasus:.2f} %',  delta_color="inverse")
    with c2:
        if tahun == 2020:
            st.metric(f'Total Penduduk {tahun}', f'{merged_tahun['JumlahPenduduk'].sum():,}', border=True)
        else:
            st.metric(f'Total Penduduk {tahun}', f'{merged_tahun['JumlahPenduduk'].sum():,}', border=True, delta=f'{perubahan_penduduk:,}')

    fig = px.choropleth(
        merged_tahun,
        geojson = merged_tahun,
        locations = merged_tahun.index,
        color = 'AIDS',
        labels={
            'AIDS': 
            'Jumlah'
        },
        color_continuous_scale='Reds',
        title=f'Peta Sebaran Kasus Baru AIDS Provinsi Bali Tahun {tahun}',
        range_color=[min_aids, max_aids]
    )

    fig.update_geos(fitbounds="locations", visible=False)
    fig.update_layout(
        plot_bgcolor="white",
        margin=dict(l=0, r=0, t=30, b=0)
    )

    fig2 = px.choropleth(
        merged_tahun,
        geojson = merged_tahun,
        locations = merged_tahun.index,
        color = 'JumlahPenduduk',
        labels={
            'JumlahPenduduk': 
            'Jumlah'
        },
        color_continuous_scale='Reds',
        title=f'Peta Sebaran Jumlah Penduduk Provinsi Bali Tahun {tahun}',
        range_color=[min_penduduk, max_penduduk]
    )

    fig2.update_geos(fitbounds="locations", visible=False)
    fig2.update_layout(
        plot_bgcolor= 'rgba(0,0,0,0)',
        margin=dict(l=0, r=0, t=30, b=0),
    )

    c1, c2 = st.columns(2)
    with c1:
        with st.container(border=True):
            st.plotly_chart(fig, 
                            config={
                                'scrollZoom': False}
                            )
    with c2:
        with st.container(border=True):
            st.plotly_chart(fig2,
                            config={
                                'scrollZoom': False}
                            )
            
with tabs2:
    jumlah = {}
    for i in data['Tahun'].unique():
        jum = data[data['Tahun'] == i]['AIDS']
        jum = jum.sum()
        jumlah[f'{i}'] = jum

    jumlah_df = pd.DataFrame({'Jumlah Kasus Baru': jumlah})

    fig_line = px.line(jumlah_df, x=jumlah_df.index, y='Jumlah Kasus Baru', markers=True, title='Tren Total Kasus Baru AIDS Provinsi Bali (2020-2024)')
    fig_line.update_layout(height=350)
    fig_line.update_xaxes(
        dtick=1,
        tickformat='d',
        title_text='Tahun'
    )

    fig_scatter = px.scatter(data, x='Tahun', y='AIDS', color='Kabupaten/Kota', title='Tren Kasus Baru AIDS Provinsi Bali (2020-2024)')
    fig_scatter.update_layout(height=350)
    fig_scatter.update_traces(
        mode='lines+markers',
        line=dict(width=2),
        marker=dict(
            size=8, 
            opacity=0.7, 
            line=dict(width=1, color='black')
        )
    )
    fig_scatter.update_xaxes(
        dtick=1,
        tickformat='d'
    )
    with st.container(border=True):
        st.plotly_chart(fig_line)
    with st.container(border=True):
        st.plotly_chart(fig_scatter)

with tabs3:
    with st.container(border=True):
        c1, _, c2, _ = st.columns([2, 0.1, 1, 0.1])

    with c1:
        st.markdown('### Insidensi')
        st.markdown(
            """
            <div style="text-align: justify; padding-bottom:1rem;">
            Insidensi rate (incidence rate) adalah ukuran epidemiologi yang menunjukkan jumlah kasus baru suatu penyakit atau kejadian tertentu 
            dalam suatu populasi pada periode waktu tertentu, dibandingkan dengan jumlah penduduk yang berisiko mengalami kejadian tersebut pada waktu yang sama. 
            Digunakan untuk menggambarkan seberapa cepat penyakit atau kejadian baru muncul dalam populasi, biasanya dinyatakan per 1.000 atau per 100.000 penduduk per tahun.

            </div>
            """,
            unsafe_allow_html=True
            )
    with c2:
        with st.container(border=False, vertical_alignment='center', height='stretch'):
            with st.container(border=True):
                st.markdown('### Rumus')
                st.markdown(r'$\text {Incidence Rate} = \frac{\text{Jumlah kasus baru}}{\text{Total populasi}} \times 100.000$')

    min_ins = data['Insidensi'].min()
    max_ins = data['Insidensi'].max()

    fig3 = px.choropleth(
        merged_tahun,
        geojson = merged_tahun,
        locations = merged_tahun.index,
        color = 'Insidensi',
        color_continuous_scale='Reds',
        title=f'Peta Insidensi Kasus AIDS Provinsi Bali Tahun {tahun} per 100.000 Penduduk',
        range_color=[min_ins, max_ins]
    )

    fig3.update_geos(fitbounds="locations", visible=False)
    fig3.update_layout(
        plot_bgcolor= 'rgba(0,0,0,0)',
        margin=dict(l=0, r=0, t=30, b=0),
    )

    fig_scatter2 = px.scatter(data, x='Tahun', y='Insidensi', color='Kabupaten/Kota', title='Tren Insidensi Kasus AIDS Provinsi Bali (2020-2024)')
    fig_scatter2.update_layout(height=350)
    fig_scatter2.update_traces(
        mode='lines+markers',
        line=dict(width=2),
        marker=dict(
            size=8, 
            opacity=0.7, 
            line=dict(width=1, color='black')
        )
    )
    fig_scatter2.update_xaxes(
        dtick=1,
        tickformat='d'
    )

    with st.container(border=True):
        st.plotly_chart(fig3)
        with st.expander('Interpretasi'):
            st.write('Misal akan dilihat insidensi kasus baru AIDS di Denpasar pada tahun 2024. Maka interpretasinya adalah,')
            st.write(r'**Pada tahun 2024 di Denpasar, terdapat sekitar 42 kasus baru AIDS pada setiap 100.000 penduduknya.**')
    with st.container(border=True):
        st.plotly_chart(fig_scatter2)


with tabs4:
    def show_morans(t):
        with st.container(border=True):
            st.subheader(f'Tahun {str(t)}')
            mt = merged[merged['Tahun'] == t]
            moran, w = calculate_morans_i(mt, 'AIDS')
            if moran:
                c1, c2, c3 = st.columns(3)

                is_significant = moran.p_sim < 0.05

                with c1:                
                    st.metric("Moran's I", f'{moran.I:.4f}', border=True)
                with c2:
                    st.metric('P-Value', f'{moran.p_sim:.4f}', border=True)
                with c3:
                    st.metric('Z-score', f'{moran.z_sim:.4f}', border=True)
                
                if is_significant:
                    st.success("✅ Autokorelasi spasial signifikan")
                else:
                    st.info("ℹ️ Tidak ada autokorelasi signifikan")

    st.markdown(r"## $\cdot$ Moran's I")

    m1, m2 = st.columns(2)
    m3, m4 = st.columns(2)

    with m1:
        show_morans(2020)
    with m2:
        show_morans(2021)
    with m3:
        show_morans(2022)
    with m4:
        show_morans(2023)
    show_morans(2024)

    st.markdown(r"## $\cdot$ LISA")
    l1, l2 = st.columns(2)
    with l1:
        with st.container(border=True):
            lisa_map_px(merged_tahun, 'AIDS')
    with l2:
        with st.container(border=True):
            lisa_map_cluster_px(merged_tahun, 'AIDS')

pada folder yang sama, buat folder dan file baru berupa ‘utils/LISA.py’ dengan script:

def lisa_map_px(data, col):
    import streamlit as st
    import numpy as np
    import plotly.express as px
    from libpysal.weights import Queen
    from esda import Moran_Local

    merged = data.copy()

    y = merged[col].values

    w = Queen.from_dataframe(merged)
    w.transform = 'r'

    moran_loc = Moran_Local(y, w)

    merged["LISA"] = moran_loc.Is

    # normalisasi 0–1
    a, b = 0, 1
    merged["LISA_norm"] = a + (
        (merged["LISA"] - merged["LISA"].min()) /
        (merged["LISA"].max() - merged["LISA"].min())
    )

    fig = px.choropleth(
        merged,
        geojson=merged.geometry,
        locations=merged.index,
        color="LISA_norm",
        color_continuous_scale="RdBu",
        range_color=(a, b),
        hover_data={col: True, "LISA": True},
        title="LISA Intensity Map"
    )

    fig.update_geos(fitbounds="locations", visible=False)
    fig.update_layout(margin=dict(l=0, r=0, t=40, b=0))

    st.plotly_chart(fig, use_container_width=True)

def lisa_map_cluster_px(data, col):
    import streamlit as st
    import numpy as np
    import plotly.express as px
    from libpysal.weights import Queen
    from esda import Moran_Local

    merged = data.copy()

    y = merged[col].values

    w = Queen.from_dataframe(merged)
    w.transform = 'r'

    moran_loc = Moran_Local(y, w)

    merged["LISA_clus"] = moran_loc.q

    cluster_labels = {
        1: "High-High",
        2: "Low-High",
        3: "Low-Low",
        4: "High-Low"
    }
    merged['LISA_clus'] = merged['LISA_clus'].map(cluster_labels)

    fig = px.choropleth(
        merged,
        geojson=merged.geometry,
        locations=merged.index,
        color="LISA_clus",
        category_orders={"LISA_show": [1, 4, 2, 3]},
        color_discrete_map={
            "High-High": "red",
            "Low-High": "lightblue",
            "Low-Low": "blue",
            "High-Low": "orange"
        },
        title="LISA Cluster Map"
    )

    fig.update_geos(fitbounds="locations", visible=False)
    fig.update_layout(margin=dict(l=0, r=0, t=40, b=0))

    st.plotly_chart(fig, use_container_width=True)

Analisis Epidemiologis Kasus AIDS di Provinsi Bali

Mata Kuliah Epidemiologi
Program Studi S-1 Statistika, FMIPA Universitas Padjadjaran

📊 Dashboard AIDS Bali

Fathan Rayya Win Lauta (140610230052)

1. Pendahuluan

1.1 Latar Belakang

1.2 Rumusan Masalah

1.3 Tujuan

1.4 Batasan Penelitian

2. Tinjauan Pustaka

2.1 AIDS

2.2 Triad Epidemiologi

2.3 Ukuran Epidemiologi

2.4 Spatial Dependence

2.4.1 Pengujian Ketergantungan Spasial

2.5 Matriks Bobot Spasial

2.5.1 Jenis Matriks Bobot Spasial

2.6 Diagram Faktor Risiko

2.7 Desain Studi Epidemiologi

3. Metodologi Penelitian

3.1 Desain Penelitian

3.2 Jenis dan Sumber Data

3.3 Ukuran Epidemiologi

3.3.1 Ukuran Frekuensi

4. Hasil dan Pembahasan

4.1 Statistik Deskriptif

4.2 Grafik Tren AIDS Tahun 2020-2024

4.3 Insidensi

4.4 Pembahasan

5. Kesimpulan dan Rekomendasi

5.1 Kesimpulan

5.1.1 Faktor Agent-Host-Environment

5.1.2 Pola Sebaran Kasus Hipertensi di Bali

5.1.3 Implikasi untuk Kebijakan

5.2 Rekomendasi

5.2.1 Rekomendasi Kebijakan Kesehatan

5.2.2 Rekomendasi Penelitian Lanjutan

5.3 Penutup

Lampiran

Analisis Epidemiologis Kasus AIDS di Provinsi Bali

Mata Kuliah Epidemiologi Program Studi S-1 Statistika, FMIPA Universitas Padjadjaran 📊 Dashboard AIDS Bali

Fathan Rayya Win Lauta (140610230052)

1. Pendahuluan

1.1 Latar Belakang

1.2 Rumusan Masalah

1.3 Tujuan

1.4 Batasan Penelitian

2. Tinjauan Pustaka

2.1 AIDS

2.2 Triad Epidemiologi

2.3 Ukuran Epidemiologi

2.4 Spatial Dependence

2.4.1 Pengujian Ketergantungan Spasial

2.5 Matriks Bobot Spasial

2.5.1 Jenis Matriks Bobot Spasial

2.6 Diagram Faktor Risiko

2.7 Desain Studi Epidemiologi

3. Metodologi Penelitian

3.1 Desain Penelitian

3.2 Jenis dan Sumber Data

3.3 Ukuran Epidemiologi

3.3.1 Ukuran Frekuensi

4. Hasil dan Pembahasan

4.1 Statistik Deskriptif

4.2 Grafik Tren AIDS Tahun 2020-2024

4.3 Insidensi

4.4 Pembahasan

5. Kesimpulan dan Rekomendasi

5.1 Kesimpulan

5.1.1 Faktor Agent-Host-Environment

5.1.2 Pola Sebaran Kasus Hipertensi di Bali

5.1.3 Implikasi untuk Kebijakan

5.2 Rekomendasi

5.2.1 Rekomendasi Kebijakan Kesehatan

5.2.2 Rekomendasi Penelitian Lanjutan

5.3 Penutup

Lampiran

Mata Kuliah Epidemiologi
Program Studi S-1 Statistika, FMIPA Universitas Padjadjaran

📊 Dashboard AIDS Bali