ANALISIS EPIDEMOLOGI SEBARAN KASUS MALARIA DI PROVINSI NUSA TENGGARA TIMUR

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

Disusun Oleh: Kevin Jonathan (140610230040)

PROGRAM STUDI S-1 STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PADJADJARAN
JATINANGOR
2025

Daftar Isi

Abstrak

Malaria merupakan penyakit menular yang masih menjadi permasalahan kesehatan masyarakat di Indonesia, khususnya di Provinsi Nusa Tenggara Timur (NTT), yang memiliki karakteristik geografis dan lingkungan yang beragam. Penelitian ini bertujuan untuk menganalisis distribusi prevalensi malaria antar kabupaten/kota di Provinsi NTT tahun 2024 serta mengidentifikasi adanya autokorelasi spasial menggunakan pendekatan epidemiologi berbasis wilayah. Data yang digunakan merupakan data sekunder jumlah kasus malaria dan jumlah penduduk per kabupaten/kota, yang dianalisis dengan menghitung prevalensi malaria per 1.000 penduduk dan dianalisis secara spasial menggunakan metode k-nearest neighbors. Autokorelasi spasial global dianalisis menggunakan indeks Moran’s I dan autokorelasi spasial lokal dianalisis menggunakan Local Indicators of Spatial Association (LISA). Hasil penelitian menunjukkan bahwa prevalensi agregat malaria di Provinsi NTT sebesar 1,576 per 1.000 penduduk dengan variasi yang cukup besar antar wilayah, serta terdapat autokorelasi spasial positif yang signifikan yang menandakan bahwa distribusi malaria tidak bersifat acak dan membentuk klaster spasial. Temuan ini menunjukkan pentingnya pendekatan pengendalian malaria berbasis wilayah dengan memprioritaskan intervensi pada daerah dengan prevalensi tinggi.

BAB I. Pendahuluan

1.1 Latar Belakang

Malaria merupakan penyakit menular yang hingga saat ini masih menjadi tantangan kesehatan masyarakat di wilayah Indonesia Timur, khususnya Provinsi Nusa Tenggara Timur (NTT). Kondisi geografis kepulauan, variasi iklim, serta perbedaan karakteristik lingkungan antar kabupaten/kota menyebabkan distribusi kasus malaria di NTT tidak merata secara spasial. Situasi ini menjadi perhatian penting dalam konteks pencapaian Tujuan Pembangunan Berkelanjutan (Sustainable Development Goals/SDGs), khususnya SDG 3: Kehidupan Sehat dan Sejahtera, yang menargetkan pengakhiran epidemi malaria dan penyakit menular lainnya. Ketimpangan spasial kasus malaria berpotensi menghambat pencapaian target tersebut apabila tidak ditangani secara tepat berbasis wilayah.

Pendekatan pemetaan penyakit melalui analisis spasial memungkinkan identifikasi pola pengelompokan dan wilayah berisiko tinggi yang tidak dapat ditangkap hanya melalui statistik deskriptif. Informasi spasial ini menjadi dasar penting dalam perencanaan intervensi kesehatan yang lebih terarah, efisien, dan berbasis bukti, sejalan dengan prinsip SDGs yang menekankan pada pengurangan ketimpangan antar wilayah. Dengan demikian, analisis epidemiologi berbasis wilayah memiliki peran strategis dalam mendukung upaya pengendalian malaria dan percepatan pencapaian target pembangunan kesehatan berkelanjutan di Provinsi Nusa Tenggara Timur.

1.2 Identifikasi Masalah

  1. Bagaimana distribusi prevalensi malaria antar kabupaten/kota di Provinsi NTT tahun 2024?

  2. Apakah terdapat autokorelasi spasial dan klaster penyakit malaria di wilayah NTT?

  3. Bagaimana ukuran epidemiologi dan ukuran asosiasi malaria berdasarkan pendekatan ekologis?

1.3 Tujuan Penelitian

  1. Menghitung ukuran epidemiologi malaria di Provinsi NTT.

  2. Menganalisis ukuran asosiasi berbasis kategori paparan wilayah.

  3. Memetakan distribusi spasial prevalensi malaria.

BAB II. Tinjauan Pustaka

2.1 Konsep Agent–Host–Environment

Konsep Agent–Host–Environment merupakan kerangka epidemiologi yang menjelaskan terjadinya penyakit sebagai hasil interaksi antara agen penyebab penyakit (agent), individu atau populasi yang rentan (host), dan kondisi lingkungan (environment) yang memengaruhi peluang penularan. Dalam konteks malaria, agent merujuk pada parasit Plasmodium yang ditularkan melalui gigitan nyamuk Anopheles, host adalah manusia yang tingkat kerentanannya dipengaruhi oleh faktor biologis dan imunitas, sedangkan environment mencakup kondisi fisik dan ekologis yang mendukung keberadaan vektor penular. Kerangka ini digunakan sebagai landasan konseptual untuk memahami variasi kejadian malaria antar wilayah secara spasial, tanpa secara langsung mengukur seluruh komponen tersebut, sehingga analisis prevalensi malaria per kabupaten/kota dapat diinterpretasikan sebagai hasil dari perbedaan interaksi agent, host, dan lingkungan pada masing-masing wilayah.

2.2 Ukuran Asosiasi dalam Epidemiologi

Ukuran asosiasi dalam epidemiologi digunakan untuk menilai hubungan antara paparan dan kejadian penyakit dengan membandingkan tingkat risiko antar kelompok. Ukuran ini memberikan gambaran kuantitatif mengenai seberapa besar perbedaan risiko penyakit pada kelompok yang terpapar dibandingkan dengan kelompok yang tidak terpapar. Dalam kajian epidemiologi, ukuran asosiasi yang umum digunakan antara lain Risk Ratio (RR) dan Attributable Risk (AR), yang masing-masing mencerminkan perbandingan risiko relatif dan selisih risiko absolut antar kelompok.

Dalam penelitian ini, ukuran asosiasi dihitung secara ekologis dengan mengelompokkan wilayah berdasarkan tingkat prevalensi malaria. Risk Ratio digunakan untuk menunjukkan perbedaan risiko malaria antara wilayah dengan prevalensi tinggi dan rendah, sedangkan Attributable Risk memberikan gambaran besarnya risiko tambahan yang terdapat pada wilayah dengan prevalensi tinggi. Penggunaan ukuran asosiasi pada tingkat wilayah ini bersifat deskriptif dan eksploratif, serta tidak dimaksudkan untuk menarik kesimpulan kausal pada tingkat individu.

2.3 Autokorelasi Spasial

Autokorelasi spasial merujuk pada keterkaitan nilai suatu variabel antar lokasi yang berdekatan secara geografis. Dalam epidemiologi, konsep ini penting karena kejadian penyakit sering kali tidak terdistribusi secara acak, melainkan membentuk pola pengelompokan pada wilayah tertentu. Analisis autokorelasi spasial membantu mengidentifikasi apakah wilayah dengan nilai penyakit yang tinggi atau rendah cenderung berdekatan satu sama lain.

Pengukuran autokorelasi spasial dapat dilakukan secara global maupun lokal. Moran’s I digunakan untuk menilai keberadaan autokorelasi spasial secara keseluruhan, sedangkan Local Indicators of Spatial Association (LISA) digunakan untuk mengidentifikasi klaster penyakit pada tingkat lokal. Dalam penelitian ini, analisis autokorelasi spasial diterapkan pada prevalensi malaria untuk mengungkap pola pengelompokan spasial antar kabupaten/kota di Provinsi Nusa Tenggara Timur sebagai dasar interpretasi hasil pemetaan penyakit.

BAB III. Metodologi Penelitian

3.1 Data

Data yang digunakan dalam penelitian ini merupakan data kasus malaria per kabupaten/kota di Provinsi Nusa Tenggara Timur (NTT) tahun 2024. Data tersebut memuat informasi jumlah kasus malaria dan jumlah penduduk pada masing-masing kabupaten/kota. Selain itu, digunakan data spasial berupa shapefile batas administrasi kabupaten/kota Indonesia level dua yang diperoleh dari basis data GADM. Analisis dilakukan pada seluruh kabupaten/kota di Provinsi Nusa Tenggara Timur yang memiliki kecocokan antara data atribut dan data spasial.

3.2 Pra-pemrosesan Data

Tahap awal pengolahan data dilakukan dengan membaca data malaria yang berisi informasi jumlah kasus dan jumlah penduduk. Data kemudian diperiksa untuk memastikan tidak terdapat nilai kosong atau entri wilayah yang tidak valid. Proses ini penting untuk menjaga kualitas data agar hasil analisis yang diperoleh tidak bias akibat kesalahan input data.

Selanjutnya, dilakukan penyesuaian penamaan variabel untuk memastikan konsistensi dan kemudahan dalam analisis lanjutan. Prevalensi malaria dihitung sebagai jumlah kasus malaria per 1.000 penduduk, sehingga memungkinkan perbandingan tingkat kejadian malaria antar wilayah dengan ukuran populasi yang berbeda.

library(dplyr)
library(readr)
library(sf)
library(stringr)
library(spdep)
## Warning: package 'spdep' was built under R version 4.3.3
## Loading required package: spData
## Warning: package 'spData' was built under R version 4.3.3
## To access larger datasets in this package, install the spDataLarge
## package with: `install.packages('spDataLarge',
## repos='https://nowosad.github.io/drat/', type='source')`
library(tmap)

Malaria <- read.csv("Malaria.csv", sep = ";")

Malaria <- Malaria %>%
  mutate(
    Kasus = as.numeric(Kasus),
    Penduduk = as.numeric(Penduduk),
    prevalensi = (Kasus / Penduduk) * 1000,
    NAME_join = toupper(Kabupaten.Kota) %>%
      str_replace_all("\\.", "") %>%
      str_squish()
  )

shp <- st_read("gadm41_IDN_2/gadm41_IDN_2.shp", quiet = TRUE)

shp_ntt <- shp %>%
  filter(NAME_1 == "Nusa Tenggara Timur") %>%
  mutate(
    NAME_join = toupper(NAME_2) %>%
      str_replace_all("\\.", "") %>%
      str_squish()
  )

shp_ntt_join <- left_join(shp_ntt, Malaria, by = "NAME_join")

shp_ntt_join <- shp_ntt_join %>%
  mutate(
    prevalensi_std = as.numeric(scale(prevalensi))
  )

3.3 Penghitungan Prevalensi Malaria

Prevalensi malaria dihitung untuk menggambarkan tingkat kejadian malaria relatif terhadap jumlah penduduk pada setiap kabupaten/kota. Prevalensi dinyatakan dalam satuan per 1.000 penduduk agar mudah dibandingkan antar wilayah.

Rumus prevalensi malaria adalah sebagai berikut:

Prevalensi_i =

dengan: - Kasus_i : jumlah kasus malaria wilayah ke-i - Penduduk_i : jumlah penduduk wilayah ke-i

Malaria <- Malaria %>%
  mutate(prevalensi = (Kasus / Penduduk) * 1000)

Selain itu, dihitung prevalensi agregat dan attack rate Provinsi NTT untuk memberikan gambaran umum tingkat kejadian malaria di tingkat provinsi.

total_kasus <- sum(Malaria$Kasus, na.rm = TRUE)
total_penduduk <- sum(Malaria$Penduduk, na.rm = TRUE)

prevalensi_ntt <- (total_kasus / total_penduduk) * 1000
attack_rate <- (total_kasus / total_penduduk) * 100

3.4 Perhitungan Ukuran Epidemiologi

Prevalensi malaria dihitung untuk menggambarkan tingkat kejadian malaria relatif terhadap jumlah penduduk pada setiap kabupaten/kota. Prevalensi dinyatakan dalam satuan per 1.000 penduduk agar mudah dibandingkan antar wilayah.

total_kasus <- sum(Malaria$Kasus, na.rm = TRUE)
total_penduduk <- sum(Malaria$Penduduk, na.rm = TRUE)

prevalensi_ntt <- (total_kasus / total_penduduk) * 1000
attack_rate <- (total_kasus / total_penduduk) * 100

prevalensi_ntt
## [1] 1.575777
attack_rate
## [1] 0.1575777

Rumus standarisasi yang digunakan adalah:

Z_i =

dengan: xi = prevalensi malaria wilayah ke-i X_bar = rata-rata prevalensi malaria s = simpangan baku prevalensi malaria

Implementasi dalam R adalah sebagai berikut:

shp_ntt_join <- shp_ntt_join %>%
  mutate(prevalensi_std = as.numeric(scale(prevalensi)))

3.5 Analisis Spasial dan Autokorelasi

Prevalensi malaria dihitung untuk menggambarkan tingkat kejadian malaria relatif terhadap jumlah penduduk pada setiap kabupaten/kota. Prevalensi dinyatakan dalam satuan per 1.000 penduduk agar mudah dibandingkan antar wilayah.

getwd()
## [1] "C:/Users/Kevin Jonathan/Documents/BAN"
shp <- st_read("gadm41_IDN_2/gadm41_IDN_2.shp", quiet = TRUE)

shp_ntt <- shp %>%
  filter(NAME_1 == "Nusa Tenggara Timur") %>%
  mutate(
    NAME_join = toupper(NAME_2) %>%
      str_replace_all("\\.", "") %>%
      str_squish()
  )

Malaria <- Malaria %>%
  mutate(
    NAME_join = toupper(Kabupaten.Kota) %>%
      str_replace_all("\\.", "") %>%
      str_squish()
  )

shp_ntt_join <- left_join(shp_ntt, Malaria, by = "NAME_join")

Hubungan spasial antar wilayah didefinisikan menggunakan metode k-nearest neighbors (k-NN) dengan jumlah tetangga sebanyak tiga wilayah terdekat.

coords <- st_coordinates(st_centroid(shp_ntt_join))
## Warning: st_centroid assumes attributes are constant over geometries
nb_knn <- knn2nb(knearneigh(coords, k = 3))
lw_knn <- nb2listw(nb_knn, style = "W", zero.policy = TRUE)

BAB IV. Hasil dan Pembahasan

4.1 Peta Distribusi Prevalensi Malaria

Peta tematik prevalensi malaria menunjukkan variasi tingkat kejadian malaria antar kabupaten/kota di Provinsi NTT. Pengelompokan warna dilakukan berdasarkan kuantil untuk menyoroti perbedaan relatif antar wilayah.

## ℹ tmap modes "plot" - "view"
## ℹ toggle with `tmap::ttm()`
## 
## 
## ── tmap v3 code detected ───────────────────────────────────────────────────────
## 
## [v3->v4] `tm_polygons()`: instead of `style = "quantile"`, use fill.scale =
## `tm_scale_intervals()`.
## ℹ Migrate the argument(s) 'style', 'palette' (rename to 'values') to
##   'tm_scale_intervals(<HERE>)'
## [v3->v4] `tm_layout()`: use `tm_title()` instead of `tm_layout(main.title = )`
## [cols4all] color palettes: use palettes from the R package cols4all. Run
## `cols4all::c4a_gui()` to explore them. The old palette name "Reds" is named
## "brewer.reds"
## Multiple palettes called "reds" found: "brewer.reds", "matplotlib.reds". The first one, "brewer.reds", is returned.
## 
## [plot mode] fit legend/component: Some legend items or map compoments do not
## fit well, and are therefore rescaled.
## ℹ Set the tmap option `component.autoscale = FALSE` to disable rescaling.

Peta ini memberikan indikasi awal bahwa prevalensi malaria tidak tersebar secara acak, melainkan menunjukkan kecenderungan pengelompokan spasial.

4.2 Autokorelasi Spasial Global (Moran’s I)

Untuk menguji keberadaan autokorelasi spasial secara global, digunakan indeks Moran’s I. Statistik ini mengukur sejauh mana nilai prevalensi malaria pada suatu wilayah berkorelasi dengan nilai prevalensi pada wilayah tetangganya.

moran_global <- moran.test(shp_ntt_join$prevalensi, lw_knn, zero.policy = TRUE)
print(moran_global)
## 
##  Moran I test under randomisation
## 
## data:  shp_ntt_join$prevalensi  
## weights: lw_knn    
## 
## Moran I statistic standard deviate = 3.1459, p-value = 0.0008279
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic       Expectation          Variance 
##       0.212502876      -0.050000000       0.006962734

Nilai Moran’s I yang positif dan signifikan secara statistik menunjukkan adanya autokorelasi spasial positif, yang berarti wilayah dengan prevalensi malaria tinggi cenderung berdekatan dengan wilayah lain yang juga memiliki prevalensi tinggi, demikian pula sebaliknya.

4.3 Autokorelasi Spasial Lokal (LISA)

Analisis Local Indicators of Spatial Association (LISA) digunakan untuk mengidentifikasi pola klaster spasial pada tingkat lokal. LISA memungkinkan pengelompokan wilayah ke dalam kategori High-High, Low-Low, High-Low, dan Low-High berdasarkan hubungan antara nilai prevalensi wilayah dan nilai prevalensi wilayah tetangganya.

lisa <- localmoran(shp_ntt_join$prevalensi, lw_knn, zero.policy = TRUE)
shp_ntt_join$Ii <- lisa[,1]
shp_ntt_join$Pvalue <- lisa[,5]

z_prev <- scale(shp_ntt_join$prevalensi)[,1]
lag_prev <- lag.listw(lw_knn, shp_ntt_join$prevalensi, zero.policy = TRUE)
z_lag <- scale(lag_prev)[,1]

Klasifikasi klaster LISA dilakukan sebagai berikut:

shp_ntt_join$lisa_cluster <- ifelse(
  shp_ntt_join$Pvalue > 0.05, "Not Significant",
  ifelse(z_prev > 0 & z_lag > 0, "High-High",
         ifelse(z_prev < 0 & z_lag < 0, "Low-Low",
                ifelse(z_prev > 0 & z_lag < 0, "High-Low", "Low-High")))
)

4.4 Peta Klaster Spasial LISA

Peta klaster LISA menampilkan lokasi kabupaten/kota yang membentuk klaster signifikan secara statistik. Klaster High-High menunjukkan wilayah dengan prevalensi malaria tinggi yang dikelilingi oleh wilayah dengan prevalensi tinggi, sedangkan klaster Low-Low menunjukkan wilayah dengan prevalensi rendah yang dikelilingi oleh wilayah dengan prevalensi rendah.

tm_shape(shp_ntt_join) +
  tm_polygons("lisa_cluster",
              palette = c("High-High" = "red",
                          "Low-Low" = "blue",
                          "High-Low" = "orange",
                          "Low-High" = "lightblue",
                          "Not Significant" = "grey80")) +
  tm_layout(main.title = "Klaster Spasial Prevalensi Malaria di NTT Tahun 2024")
## 
## ── tmap v3 code detected ───────────────────────────────────────────────────────
## [v3->v4] `tm_tm_polygons()`: migrate the argument(s) related to the scale of
## the visual variable `fill` namely 'palette' (rename to 'values') to fill.scale
## = tm_scale(<HERE>).
## [v3->v4] `tm_layout()`: use `tm_title()` instead of `tm_layout(main.title = )`

BAB V. Kesimpulan dan Saran

5.1 Kesimpulan

Penelitian ini menunjukkan bahwa prevalensi malaria di Provinsi Nusa Tenggara Timur (NTT) masih menunjukkan variasi antar kabupaten/kota, dengan prevalensi agregat sebesar 1,576 per 1.000 penduduk. Pengelompokan wilayah berdasarkan tingkat prevalensi menghasilkan perbedaan risiko yang cukup besar, yang tercermin dari nilai Risk Ratio yang tinggi antara wilayah dengan prevalensi tinggi dan rendah. Hasil ini mengindikasikan adanya ketimpangan risiko malaria antar wilayah administratif di NTT.

Analisis spasial mengonfirmasi bahwa distribusi prevalensi malaria tidak bersifat acak. Nilai Moran’s I yang positif dan signifikan menunjukkan adanya autokorelasi spasial global, sedangkan analisis LISA mengidentifikasi klaster wilayah dengan prevalensi tinggi maupun rendah. Temuan ini memperkuat bahwa kejadian malaria di NTT cenderung membentuk pola pengelompokan spasial, sehingga pendekatan berbasis wilayah menjadi relevan dalam upaya pengendalian penyakit.

5.2 Saran

Berdasarkan hasil penelitian, disarankan agar upaya pengendalian malaria di Provinsi Nusa Tenggara Timur lebih difokuskan pada wilayah-wilayah yang termasuk dalam klaster prevalensi tinggi. Pendekatan intervensi berbasis spasial dapat membantu meningkatkan efektivitas program kesehatan dengan memprioritaskan wilayah yang memiliki risiko lebih besar dibandingkan wilayah lainnya.

Selain itu, penelitian selanjutnya disarankan untuk mengintegrasikan variabel tambahan yang relevan, seperti faktor lingkungan atau karakteristik sosial ekonomi, guna memperdalam pemahaman terhadap determinan spasial malaria. Penggunaan data longitudinal dan pendekatan spatiotemporal juga dapat memberikan gambaran dinamika penyebaran malaria dari waktu ke waktu sehingga mendukung perencanaan kebijakan kesehatan yang lebih komprehensif.

Daftar Pustaka

World Health Organization. (2024). World malaria report 2024: addressing inequity in the global malaria response. World Health Organization.

Hadisti, Z. D., Hayati, M. N., & Fauziyah, M. (2024). Analisis spasial persebaran jumlah kasus malaria di Kalimantan Timur menggunakan indeks Moran dan Local Indicator of Spatial Autocorrelation. Jurnal Eksponensial, 15(1).

World Health Organization. (2024). SDG Target 3.3 — Communicable diseases. WHO. (Indicator Target includes ending epidemics of malaria and certain communicable diseases.)

Badan Pusat Statistik Provinsi Nusa Tenggara Timur. (2024). Persentase penduduk miskin menurut kabupaten/kota (persen), 2024. Diakses dari https://ntt.bps.go.id/id/statistics-table/2/NTg0IzI=/persentase-penduduk-miskinmenurut-kabupaten-kota.html

Badan Pusat Statistik Provinsi Nusa Tenggara Timur. (2024). Jumlah kasus penyakit menurut kabupaten/kota dan jenis penyakit (jiwa), 2024. Diakses dari https://ntt.bps.go.id/id/statistics-table/2/MTQ4NSMy/jumlah-kasus-penyakit-menurut-kabupaten-kota-dan-jenis-penyakit.html

Lampiran

Link Dashboard:https://kevinjonathan2023.shinyapps.io/EPIDEM/

Link Dataset (CSV):https://drive.google.com/drive/folders/1IWRJnvd2FGG7e0GHkInAqwDNb681RljL?usp=sharing

Link file Geospasial (SHP):https://drive.google.com/drive/folders/1OnQflgMlUx4ifw8HsQiHoj4nCMj3chzC?usp=sharing

Link Presentasi:https://youtu.be/9xIKYeGxhiI