## Reading layer `LapakGIS_Batas_Kecamatan_2024' from data source 
##   `C:\Users\kson\Documents\GitHub\spatial\LapakGIS_Batas_Kecamatan_2024.shp' 
##   using driver `ESRI Shapefile'
## Simple feature collection with 7325 features and 8 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: 94.97191 ymin: -11.00762 xmax: 141.02 ymax: 6.076832
## Geodetic CRS:  WGS 84
##         Kecamatan Kematian
## 1       Citeureup        8
## 2        Cibinong        7
## 3      Leuwiliang        7
## 4    Cibungbulang        6
## 5    Gunung Putri        5
## 6          Ciomas        5
## 7         Ciampea        4
## 8         Jasinga        4
## 9  Babakan Madang        3
## 10        Jonggol        3
## 11     Sukamakmur        3
## 12        Cigudeg        3
## 13          Ciawi        3
## 14    Megamendung        3
## 15        Cijeruk        3
## 16   Klapanunggal        3
## 17         Parung        2
## 18      Pamijahan        2
## 19         Rumpin        2
## 20       Caringin        2
## 21      Tamansari        2
## 22    Tanjungsari        2
## 23       Sukaraja        1
## 24      Cileungsi        1
## 25          Cariu        1
## 26         Kemang        1
## 27          Tenjo        1
## 28       Sukajaya        1
## 29    Tajurhalang        1
## 30      Cigombong        1
## 31      Tenjolaya        1
## 32  Gunung Sindur        0
## 33 Parung Panjang        0
## 34       Nanggung        0
## 35        Cisarua        0
## 36        Dramaga        0
## 37        Ciseeng        0
## 
## Penjelasan:
## Distribusi kematian ibu menunjukkan variasi antar kecamatan. Kecamatan dengan nilai tertinggi mengindikasikan beban masalah kesehatan ibu yang lebih besar dan perlu menjadi prioritas intervensi.
## 
## Penjelasan:
## Peta ini menggambarkan distribusi spasial kematian ibu. Warna yang lebih gelap menunjukkan konsentrasi kasus yang lebih tinggi, sehingga dapat membantu identifikasi wilayah dengan beban tinggi.
## 
## Penjelasan:
## Analisis Local Moran’s I digunakan untuk mendeteksi adanya autokorelasi spasial. Jika nilai signifikan, maka terdapat pola pengelompokan kasus secara geografis.
## 
## Penjelasan:
## Wilayah dengan p-value ≤ 0.05 menunjukkan adanya autokorelasi spasial yang signifikan, sedangkan nilai lebih tinggi menunjukkan pola acak.
## 
## Penjelasan:
## Cluster LISA mengelompokkan wilayah menjadi hotspot (High-High), coldspot (Low-Low), serta outlier (High-Low dan Low-High). Wilayah High-High menunjukkan konsentrasi risiko tinggi yang perlu menjadi fokus intervensi.

Referensi

Moraga, P. (2023). Spatial Epidemiology.
https://www.paulamoraga.com/book-spatial/disease-risk-modeling.html

Gimond, M. (2022). Spatial Autocorrelation in R.
https://mgimond.github.io/Spatial/spatial-autocorrelation-in-r.html