Pemetaan Risiko dan Analisis Spasio-Temporal Tuberkulosis di Jawa Tengah Tahun 2020–2024 untuk Identifikasi Wilayah Prioritas Pengendalian

1 Pendahuluan

Tuberkulosis (TBC) merupakan salah satu penyakit menular yang masih menjadi masalah kesehatan masyarakat di Indonesia. Jawa Tengah termasuk provinsi dengan jumlah kasus TBC yang cukup tinggi dan menunjukkan peningkatan kasus selama periode 2020–2024. Selain itu, distribusi kasus TBC antar kabupaten/kota tidak merata sehingga diperlukan analisis yang mampu mengidentifikasi wilayah dengan risiko tinggi. Oleh karena itu, analisis spasial dan spasio-temporal diperlukan untuk menggambarkan pola penyebaran penyakit serta menentukan wilayah prioritas pengendalian. Penelitian ini bertujuan untuk memetakan risiko Tuberkulosis di Jawa Tengah menggunakan Incidence Rate (IR), Standardized Incidence Ratio (SIR), Empirical Bayes, dan model spasio-temporal Bayesian INLA guna mengidentifikasi wilayah prioritas pengendalian TBC.

2 Data dan Metode

2.1 Sumber Data

Data yang digunakan merupakan data sekunder yang terdiri atas jumlah kasus Tuberkulosis (TBC) dan jumlah penduduk pada 35 kabupaten/kota di Provinsi Jawa Tengah selama periode 2020–2024. Data kasus TBC diperoleh dari publikasi kesehatan daerah, sedangkan data jumlah penduduk diperoleh dari Badan Pusat Statistik (BPS). Selain itu, digunakan data spasial berupa shapefile batas administrasi kabupaten/kota Provinsi Jawa Tengah untuk keperluan pemetaan.

2.2 Variabel

Variabel yang digunakan dalam penelitian ini meliputi jumlah kasus TBC, jumlah penduduk, tahun pengamatan, Incidence Rate (IR), Expected Cases, Standardized Incidence Ratio (SIR), Empirical Bayes Risk, dan Relative Risk (RR). Jumlah kasus TBC digunakan sebagai variabel respon, sedangkan jumlah penduduk digunakan sebagai populasi berisiko dalam perhitungan ukuran epidemiologi.

2.3 Ukuran Epidemologi

Ukuran epidemiologi yang digunakan meliputi Incidence Rate (IR) untuk mengukur tingkat kejadian TBC per 100.000 penduduk dan Standardized Incidence Ratio (SIR) untuk membandingkan jumlah kasus yang diamati dengan jumlah kasus yang diharapkan. Selain itu, dilakukan perhitungan Expected Cases sebagai dasar estimasi SIR dan Relative Risk untuk mengidentifikasi wilayah dengan tingkat risiko lebih tinggi dibandingkan rata-rata wilayah lainnya.

2.4 Analisis Spasial

Analisis spasial dilakukan menggunakan pendekatan Disease Mapping melalui pembuatan peta Incidence Rate, peta Standardized Incidence Ratio, peta Empirical Bayes Risk, dan peta Relative Risk. Selanjutnya dilakukan Empirical Bayes Smoothing untuk menghasilkan estimasi risiko yang lebih stabil dan mengurangi pengaruh fluktuasi acak pada wilayah dengan jumlah penduduk relatif kecil.

2.5 Analisis Spasio- Temporal

Analisis spasio-temporal dilakukan menggunakan pendekatan Bayesian melalui metode Integrated Nested Laplace Approximation (INLA). Model ini digunakan untuk menganalisis variasi risiko Tuberkulosis berdasarkan dimensi ruang dan waktu secara simultan selama periode 2020–2024. Hasil model digunakan untuk mengidentifikasi dinamika risiko TBC serta menentukan wilayah prioritas pengendalian di Provinsi Jawa Tengah.

3 Hasil dan Pembahasan

excel_path <- "C:/Users/ACER/Downloads/TBC_Jateng_Clean_Siap_R.xlsx"

shp_path <- "C:/Users/ACER/Downloads/gadm41_IDN_shp (1)/gadm41_IDN_2.shp"

if(!file.exists(excel_path)){
  stop("File Excel tidak ditemukan")
}

if(!file.exists(shp_path)){
  stop("Shapefile tidak ditemukan")
}

data_tbc <- read_excel(excel_path)

head(data_tbc)

## # A tibble: 6 × 11
##   kabupaten    kasus2020 kasus2021 kasus2022 kasus2023 kasus2024 pop2020 pop2021
##   <chr>            <dbl>     <dbl>     <dbl>     <dbl>     <dbl>   <dbl>   <dbl>
## 1 Cilacap           2460      2589      3812      4372      4692 1944860 1967220
## 2 Banyumas          3042      3560      5480      6892      6992 1776920 1790530
## 3 Purbalingga        963       994      1792      2475      2788   99856 1006160
## 4 Banjarnegara       893       823      1197      1430      1550 1017770 1025710
## 5 Kebumen           1769      1956      2560      2906      2765 1350440 1362760
## 6 Purworejo          615       463       870       970      1138   76988   77447
## # ℹ 3 more variables: pop2022 <dbl>, pop2023 <dbl>, pop2024 <dbl>

kasus_long <- data_tbc %>%
  pivot_longer(
    cols = starts_with("kasus"),
    names_to = "tahun",
    values_to = "kasus"
  )

pop_long <- data_tbc %>%
  pivot_longer(
    cols = starts_with("pop"),
    names_to = "tahun",
    values_to = "populasi"
  )

kasus_long$tahun <- gsub("kasus","",kasus_long$tahun)
pop_long$tahun <- gsub("pop","",pop_long$tahun)

pop_long <- pop_long %>%
  select(kabupaten,tahun,populasi)

tbc <- left_join(
  kasus_long,
  pop_long,
  by=c("kabupaten","tahun")
)

tbc <- tbc %>%
  mutate(
    tahun = as.numeric(tahun),
    kasus = as.numeric(kasus),
    populasi = as.numeric(populasi)
  )

3.1 Statistik Deskriptif Kasus Tuberkulosis Tahun 2020–2024

deskriptif <- tbc %>%
  group_by(tahun) %>%
  summarise(
    total_kasus = sum(kasus),
    total_populasi = sum(populasi)
  )

kable(deskriptif)

tahun	total_kasus	total_populasi
2020	41322	25877330
2021	40582	26994383
2022	67373	27270161
2023	84965	28446301
2024	86743	29623630

Analisis deskriptif menunjukkan bahwa jumlah kasus Tuberkulosis di Provinsi Jawa Tengah mengalami peningkatan selama periode penelitian. Jumlah kasus meningkat dari 41.322 kasus pada tahun 2020 menjadi 86.743 kasus pada tahun 2024. Hasil ini menunjukkan bahwa beban penyakit Tuberkulosis di Jawa Tengah masih cukup tinggi dan memerlukan perhatian dalam upaya pengendalian penyakit.

3.2 Tren Kasus Tuberkulosis Tahun 2020–2024

ggplot(
  deskriptif,
  aes(tahun,total_kasus)
)+
geom_line(linewidth=1)+
geom_point(size=3)+
theme_minimal()

3.3 Distribusi Risiko Berdasarkan Incidence Rate (IR)

tbc <- tbc %>%
  mutate(
    IR = (kasus/populasi)*100000
  )

ir_rank <- tbc %>%
  arrange(desc(IR))

kable(head(ir_rank,10))

kabupaten	pop2020	pop2021	pop2022	pop2023	pop2024	tahun	kasus	populasi	IR
Kota Tegal	27383	27640	27964	28278	28584	2023	3468	28278	12263.951
Kota Magelang	12153	12158	12187	12215	12243	2023	1371	12215	11223.905
Kota Tegal	27383	27640	27964	28278	28584	2024	3129	28584	10946.683
Kota Tegal	27383	27640	27964	28278	28584	2022	2610	27964	9333.429
Kota Magelang	12153	12158	12187	12215	12243	2024	1088	12243	8886.711
Kota Magelang	12153	12158	12187	12215	12243	2022	1001	12187	8213.670
Kota Tegal	27383	27640	27964	28278	28584	2021	1976	27640	7149.059
Kota Tegal	27383	27640	27964	28278	28584	2020	1930	27383	7048.169
Kota Magelang	12153	12158	12187	12215	12243	2020	826	12153	6796.676
Kota Salatiga	19232	19412	19654	19892	20127	2023	1214	19892	6102.956

Hasil perhitungan Incidence Rate menunjukkan adanya variasi tingkat kejadian Tuberkulosis antar kabupaten/kota di Jawa Tengah. Wilayah perkotaan seperti Kota Tegal, Kota Magelang, Kota Salatiga, dan Kota Pekalongan memiliki nilai IR yang relatif lebih tinggi dibandingkan wilayah lainnya. Tingginya nilai IR menunjukkan bahwa jumlah kasus TBC relatif besar dibandingkan jumlah penduduk wilayah tersebut.

3.4 Expected Cases

total_kasus <- sum(tbc$kasus)
total_pop <- sum(tbc$populasi)

tbc <- tbc %>%
  mutate(
    expected =
      populasi *
      (total_kasus/total_pop)
  )

Expected Cases merupakan jumlah kasus Tuberkulosis yang diperkirakan terjadi pada setiap kabupaten/kota berdasarkan proporsi jumlah penduduk dan tingkat kejadian TBC rata-rata Provinsi Jawa Tengah. Nilai ini digunakan sebagai pembanding terhadap kasus aktual untuk mengidentifikasi wilayah dengan risiko TBC lebih tinggi atau lebih rendah dari yang diharapkan.

3.5 Distribusi Risiko Berdasarkan Standardized Incidence Ratio (SIR)

tbc <- tbc %>%
  mutate(
    SIR = kasus/expected
  )

sir_rank <- tbc %>%
  arrange(desc(SIR))

kable(head(sir_rank,10))

kabupaten	pop2020	pop2021	pop2022	pop2023	pop2024	tahun	kasus	populasi	IR	expected	SIR
Kota Tegal	27383	27640	27964	28278	28584	2023	3468	28278	12263.951	65.67322	52.80692
Kota Magelang	12153	12158	12187	12215	12243	2023	1371	12215	11223.905	28.36828	48.32862
Kota Tegal	27383	27640	27964	28278	28584	2024	3129	28584	10946.683	66.38388	47.13494
Kota Tegal	27383	27640	27964	28278	28584	2022	2610	27964	9333.429	64.94398	40.18848
Kota Magelang	12153	12158	12187	12215	12243	2024	1088	12243	8886.711	28.43331	38.26498
Kota Magelang	12153	12158	12187	12215	12243	2022	1001	12187	8213.670	28.30326	35.36695
Kota Tegal	27383	27640	27964	28278	28584	2021	1976	27640	7149.059	64.19152	30.78288
Kota Tegal	27383	27640	27964	28278	28584	2020	1930	27383	7048.169	63.59466	30.34846
Kota Magelang	12153	12158	12187	12215	12243	2020	826	12153	6796.676	28.22429	29.26557
Kota Salatiga	19232	19412	19654	19892	20127	2023	1214	19892	6102.956	46.19745	26.27850

Perhitungan SIR menunjukkan bahwa beberapa wilayah memiliki jumlah kasus yang lebih tinggi dibandingkan jumlah kasus yang diharapkan berdasarkan ukuran populasinya. Kota Tegal dan Kota Magelang merupakan wilayah dengan nilai SIR tertinggi. Hasil ini menunjukkan adanya konsentrasi risiko Tuberkulosis yang lebih besar pada wilayah tersebut dibandingkan rata-rata Jawa Tengah.

3.6 Pemetaan Risiko Menggunakan Empirical Bayes

eb2024 <- tbc %>%
  filter(tahun==2024)

eb2024 <- eb2024 %>%
  mutate(
    crude_rate = kasus/populasi
  )

global_rate <-
  sum(eb2024$kasus)/
  sum(eb2024$populasi)

var_rate <-
  var(
    eb2024$crude_rate,
    na.rm=TRUE
  )

eb2024 <- eb2024 %>%
  mutate(
    weight =
      populasi/
      (
        populasi +
        (global_rate/var_rate)
      ),
    EB_Risk =
      weight*crude_rate +
      (1-weight)*global_rate,
    EB_Risk100k =
      EB_Risk*100000
  )

kable(
  head(
    eb2024 %>%
      arrange(desc(EB_Risk100k)),
    10
  )
)

kabupaten	pop2020	pop2021	pop2022	pop2023	pop2024	tahun	kasus	populasi	IR	expected	SIR	crude_rate	weight	EB_Risk	EB_Risk100k
Kota Tegal	27383	27640	27964	28278	28584	2024	3129	28584	10946.683	66.38388	47.134940	0.1094668	0.9998407	0.1094499	10944.986
Kota Magelang	12153	12158	12187	12215	12243	2024	1088	12243	8886.711	28.43331	38.264976	0.0888671	0.9996281	0.0888352	8883.515
Kota Salatiga	19232	19412	19654	19892	20127	2024	1142	20127	5673.970	46.74322	24.431350	0.0567397	0.9997738	0.0567275	5672.753
Kota Surakarta	52236	52411	52556	52687	52804	2024	2479	52804	4694.720	122.63274	20.214831	0.0469472	0.9999138	0.0469434	4694.340
Kota Pekalongan	30715	31012	31387	31752	32110	2024	1362	32110	4241.669	74.57271	18.264055	0.0424167	0.9998582	0.0424111	4241.109
Kudus	84918	85645	86569	87463	88332	2024	2927	88332	3313.635	205.14345	14.268064	0.0331363	0.9999484	0.0331348	3313.479
Rembang	64533	64939	65488	66017	66524	2024	1466	66524	2203.716	154.49625	9.488903	0.0220372	0.9999315	0.0220359	2203.585
Sukoharjo	90759	91421	92353	93268	94165	2024	1866	94165	1981.628	218.69009	8.532623	0.0198163	0.9999516	0.0198155	1981.546
Wonosobo	87912	88738	89862	90966	92051	2024	1796	92051	1951.092	213.78051	8.401140	0.0195109	0.9999505	0.0195101	1951.010
Batang	80172	80942	81929	82888	83819	2024	1387	83819	1654.756	194.66240	7.125156	0.0165476	0.9999457	0.0165468	1654.682

Peta Empirical Bayes digunakan untuk menghasilkan estimasi risiko yang lebih stabil dengan mengurangi pengaruh fluktuasi acak pada wilayah berpenduduk kecil. Hasil pemetaan menunjukkan bahwa Kota Tegal dan Kota Magelang tetap memiliki tingkat risiko yang tinggi setelah dilakukan proses smoothing. Temuan ini mengindikasikan bahwa tingginya risiko pada kedua wilayah tersebut merupakan kondisi epidemiologis yang nyata dan bukan sekadar variasi acak data.

3.7 Hasil Model Spasio-Temporal Bayesian Model INLA

tbc <- tbc %>%
  mutate(
    wilayah_id =
      as.numeric(
        as.factor(kabupaten)
      )
  )

formula <- kasus ~

  f(
    wilayah_id,
    model="iid"
  ) +

  f(
    tahun,
    model="rw1"
  )

model <- inla(
  formula,
  family="poisson",
  data=tbc,
  E=expected,
  control.predictor=
    list(
      compute=TRUE
    ),
  control.compute=
    list(
      dic=TRUE,
      waic=TRUE
    )
)

summary(model)

## Time used:
##     Pre = 0.628, Running = 0.698, Post = 0.163, Total = 1.49 
## Fixed effects:
##              mean    sd 0.025quant 0.5quant 0.975quant  mode kld
## (Intercept) 0.596 0.241      0.122    0.596      1.071 0.596   0
## 
## Random effects:
##   Name     Model
##     wilayah_id IID model
##    tahun RW1 model
## 
## Model hyperparameters:
##                            mean     sd 0.025quant 0.5quant 0.975quant   mode
## Precision for wilayah_id  0.517  0.123      0.312    0.505      0.792  0.483
## Precision for tahun      22.089 13.204      5.560   19.125     55.610 13.707
## 
## Deviance Information Criterion (DIC) ...............: -17130.42
## Deviance Information Criterion (DIC, saturated) ....: -18460.49
## Effective number of parameters .....................: -20475.78
## 
## Watanabe-Akaike information criterion (WAIC) ...: 20295.89
## Effective number of parameters .................: 7641.06
## 
## Marginal log-Likelihood:  -12133.79 
##  is computed 
## Posterior summaries for the linear predictor and the fitted values are computed
## (Posterior marginals needs also 'control.compute=list(return.marginals.predictor=TRUE)')

Model spasio-temporal Bayesian menggunakan metode INLA menunjukkan adanya variasi risiko Tuberkulosis berdasarkan dimensi ruang dan waktu. Hasil model mengindikasikan bahwa faktor temporal memiliki pengaruh yang cukup besar terhadap perubahan risiko TBC selama periode 2020–2024. Dengan demikian, dinamika kasus TBC tidak hanya dipengaruhi oleh karakteristik wilayah, tetapi juga oleh perubahan kondisi dari tahun ke tahun.

3.8 Relative Risk Tuberkulosis

tbc$RR_model <-
  model$
  summary.fitted.values$
  mean

rr_rank <- tbc %>%
  arrange(desc(RR_model))

kable(head(rr_rank,10))

kabupaten	pop2020	pop2021	pop2022	pop2023	pop2024	tahun	kasus	populasi	IR	expected	SIR	wilayah_id	RR_model
Kota Tegal	27383	27640	27964	28278	28584	2023	3468	28278	12263.951	65.67322	52.80692	20	52.12981
Kota Tegal	27383	27640	27964	28278	28584	2024	3129	28584	10946.683	66.38388	47.13494	20	50.67826
Kota Magelang	12153	12158	12187	12215	12243	2023	1371	12215	11223.905	28.36828	48.32862	15	45.08904
Kota Magelang	12153	12158	12187	12215	12243	2024	1088	12243	8886.711	28.43331	38.26498	15	43.83355
Kota Tegal	27383	27640	27964	28278	28584	2022	2610	27964	9333.429	64.94398	40.18848	20	43.62843
Kota Magelang	12153	12158	12187	12215	12243	2022	1001	12187	8213.670	28.30326	35.36695	15	37.73588
Kota Tegal	27383	27640	27964	28278	28584	2020	1930	27383	7048.169	63.59466	30.34846	20	28.08672
Kota Tegal	27383	27640	27964	28278	28584	2021	1976	27640	7149.059	64.19152	30.78288	20	26.55905
Kota Magelang	12153	12158	12187	12215	12243	2020	826	12153	6796.676	28.22429	29.26557	15	24.29326
Kota Magelang	12153	12158	12187	12215	12243	2021	643	12158	5288.699	28.23591	22.77242	15	22.97192

Hasil estimasi Relative Risk menunjukkan bahwa beberapa wilayah memiliki tingkat risiko Tuberkulosis yang lebih tinggi dibandingkan rata-rata Provinsi Jawa Tengah. Kota Tegal dan Kota Magelang secara konsisten menunjukkan nilai risiko relatif tertinggi. Hasil ini memperkuat temuan dari analisis IR, SIR, dan Empirical Bayes bahwa kedua wilayah tersebut merupakan daerah dengan risiko Tuberkulosis yang tinggi.

3.9 Dinamika Spasio-Temporal Tuberkulosis

rr_tahun <- tbc %>%
  group_by(tahun) %>%
  summarise(
    mean_rr =
      mean(
        RR_model,
        na.rm=TRUE
      )
  )

ggplot(
  rr_tahun,
  aes(tahun,mean_rr)
)+
geom_line(linewidth=1)+
geom_point(size=3)+
theme_minimal()

Analisis spasio-temporal menunjukkan adanya perubahan tingkat risiko Tuberkulosis selama periode penelitian. Risiko TBC cenderung meningkat setelah tahun 2021 seiring dengan meningkatnya jumlah kasus yang ditemukan. Pola ini menunjukkan bahwa dinamika risiko Tuberkulosis bersifat tidak tetap dan dipengaruhi oleh faktor ruang maupun waktu secara simultan.

3.10 Identifikasi Wilayah Prioritas Pengendalian Tuberkulosis

prioritas <- tbc %>%
  filter(
    RR_model > 1
  ) %>%
  arrange(
    desc(RR_model)
  )

kable(head(prioritas,10))

kabupaten	pop2020	pop2021	pop2022	pop2023	pop2024	tahun	kasus	populasi	IR	expected	SIR	wilayah_id	RR_model
Kota Tegal	27383	27640	27964	28278	28584	2023	3468	28278	12263.951	65.67322	52.80692	20	52.12981
Kota Tegal	27383	27640	27964	28278	28584	2024	3129	28584	10946.683	66.38388	47.13494	20	50.67826
Kota Magelang	12153	12158	12187	12215	12243	2023	1371	12215	11223.905	28.36828	48.32862	15	45.08904
Kota Magelang	12153	12158	12187	12215	12243	2024	1088	12243	8886.711	28.43331	38.26498	15	43.83355
Kota Tegal	27383	27640	27964	28278	28584	2022	2610	27964	9333.429	64.94398	40.18848	20	43.62843
Kota Magelang	12153	12158	12187	12215	12243	2022	1001	12187	8213.670	28.30326	35.36695	15	37.73588
Kota Tegal	27383	27640	27964	28278	28584	2020	1930	27383	7048.169	63.59466	30.34846	20	28.08672
Kota Tegal	27383	27640	27964	28278	28584	2021	1976	27640	7149.059	64.19152	30.78288	20	26.55905
Kota Magelang	12153	12158	12187	12215	12243	2020	826	12153	6796.676	28.22429	29.26557	15	24.29326
Kota Magelang	12153	12158	12187	12215	12243	2021	643	12158	5288.699	28.23591	22.77242	15	22.97192

Berdasarkan kombinasi hasil Incidence Rate, SIR, Empirical Bayes Risk, dan Relative Risk, diperoleh wilayah prioritas pengendalian Tuberkulosis di Provinsi Jawa Tengah. Kota Tegal dan Kota Magelang termasuk kategori prioritas utama karena secara konsisten menunjukkan tingkat risiko tertinggi pada seluruh indikator yang digunakan. Selain itu, Kota Salatiga, Kota Pekalongan, dan Kota Semarang termasuk kategori prioritas tinggi yang memerlukan perhatian dalam program pengendalian TBC.

3.11 Visualisasi TBC Jawa Tengah

jateng <- st_read(
  shp_path,
  quiet = TRUE
)

jateng <- jateng %>%
  filter(
    NAME_1 == "Jawa Tengah"
  )

tbc$kabupaten <- recode(
  tbc$kabupaten,
  "Kota Semarang"="Semarang",
  "Kota Salatiga"="Salatiga",
  "Kota Surakarta"="Surakarta",
  "Kota Magelang"="Magelang",
  "Kota Pekalongan"="Pekalongan",
  "Kota Tegal"="Tegal"
)

eb2024$kabupaten <- recode(
  eb2024$kabupaten,
  "Kota Semarang"="Semarang",
  "Kota Salatiga"="Salatiga",
  "Kota Surakarta"="Surakarta",
  "Kota Magelang"="Magelang",
  "Kota Pekalongan"="Pekalongan",
  "Kota Tegal"="Tegal"
)

data2024 <- tbc %>%
  filter(tahun==2024)

3.11.1 Peta Distribusi Incidence Rate (IR) Tuberkulosis di Provinsi Jawa Tengah Tahun 2024

map_tbc <- left_join(
  jateng,
  data2024,
  by=c("NAME_2"="kabupaten")
)

tm_shape(map_tbc)+
tm_polygons("IR")

Peta menunjukkan bahwa kejadian Tuberkulosis (TBC) di Jawa Tengah tahun 2024 tidak tersebar secara merata antarwilayah. Sebagian besar kabupaten/kota memiliki nilai Incidence Rate (IR) yang relatif rendah hingga sedang, ditunjukkan oleh warna biru muda. Namun, terdapat beberapa wilayah yang memiliki IR lebih tinggi, ditunjukkan oleh warna biru tua, yang mengindikasikan jumlah kasus TBC per 100.000 penduduk lebih besar dibandingkan wilayah lainnya. Terdapat variasi spasial kejadian TBC di Jawa Tengah tahun 2024, dengan beberapa wilayah menunjukkan risiko yang lebih tinggi dan memerlukan perhatian khusus dalam program pengendalian TBC.

3.11.2 Peta Standardized Incidence Ratio (SIR) Tuberkulosis di Provinsi Jawa Tengah Tahun 2024

tm_shape(map_tbc)+
tm_polygons("SIR")

Peta SIR menunjukkan perbandingan antara jumlah kasus Tuberkulosis (TBC) yang diamati dengan jumlah kasus yang diharapkan pada setiap kabupaten/kota di Jawa Tengah tahun 2024. Semakin gelap warna biru, semakin tinggi nilai SIR yang menunjukkan bahwa jumlah kasus TBC di wilayah tersebut lebih besar dibandingkan jumlah kasus yang diharapkan berdasarkan ukuran populasi. Peta SIR mengidentifikasi adanya variasi risiko relatif TBC antarwilayah di Jawa Tengah. Wilayah dengan nilai SIR tertinggi perlu menjadi prioritas dalam kegiatan surveilans, deteksi dini, dan penguatan program pengendalian Tuberkulosis karena menunjukkan jumlah kasus yang melebihi ekspektasi berdasarkan ukuran populasinya.

3.11.3 Peta Empirical Bayes Risk (EB Risk) Tuberkulosis di Provinsi Jawa Tengah Tahun 2024

map_eb <- left_join(
  jateng,
  eb2024,
  by=c("NAME_2"="kabupaten")
)

tm_shape(map_eb)+
tm_polygons("EB_Risk100k")

Peta Empirical Bayes Risk (EB Risk) menggambarkan tingkat risiko Tuberkulosis (TBC) yang telah disesuaikan menggunakan metode Empirical Bayes sehingga menghasilkan estimasi yang lebih stabil dibandingkan Incidence Rate (IR) biasa. Metode ini mengurangi pengaruh fluktuasi akibat ukuran populasi yang kecil sehingga lebih representatif dalam mengidentifikasi wilayah berisiko tinggi. Peta Empirical Bayes Risk menunjukkan adanya klaster wilayah dengan risiko TBC yang tinggi dan stabil di Jawa Tengah tahun 2024. Wilayah-wilayah tersebut perlu menjadi fokus utama dalam program pengendalian TBC karena memiliki risiko yang tetap tinggi meskipun telah dilakukan penyesuaian terhadap variasi populasi dan ketidakstabilan data.

3.11.4 Peta Relative Risk (RR) Tuberkulosis Berdasarkan Model Bayesian INLA di Provinsi Jawa Tengah Tahun 2024

tm_shape(map_tbc)+
tm_polygons("RR_model")

Peta Relative Risk (RR) menunjukkan tingkat risiko relatif Tuberkulosis (TBC) pada setiap kabupaten/kota setelah memperhitungkan variasi spasial dan temporal melalui model Bayesian INLA. Nilai RR menggambarkan besarnya risiko suatu wilayah dibandingkan risiko rata-rata Provinsi Jawa Tengah. Hasil pemodelan Bayesian INLA menunjukkan adanya heterogenitas risiko TBC antarwilayah di Jawa Tengah tahun 2024. Kabupaten/kota dengan nilai RR tertinggi dapat dikategorikan sebagai wilayah prioritas utama untuk intervensi pengendalian TBC, termasuk peningkatan deteksi kasus, pelacakan kontak, pengobatan tepat waktu, dan penguatan surveilans epidemiologi.

3.11.5 Peta Wilayah Prioritas Pengendalian Tuberkulosis Berdasarkan Relative Risk (RR) di Provinsi Jawa Tengah Tahun 2024

prioritas2024 <- tbc %>%
  filter(
    tahun==2024,
    RR_model>1
  )

map_prioritas <- left_join(
  jateng,
  prioritas2024,
  by=c("NAME_2"="kabupaten")
)

tm_shape(map_prioritas)+
tm_polygons("RR_model")

Peta wilayah prioritas menunjukkan bahwa risiko TBC di Jawa Tengah tidak tersebar merata. Wilayah dengan nilai RR tertinggi perlu menjadi fokus utama dalam upaya pengendalian TBC melalui peningkatan deteksi kasus, investigasi kontak, pengobatan yang tepat, serta penguatan surveilans dan promosi kesehatan untuk menekan penularan penyakit.

4 Kesimpulan

4.1 Temuan Utama

Berdasarkan hasil analisis spasio-temporal Tuberkulosis di Provinsi Jawa Tengah tahun 2020–2024, diperoleh bahwa jumlah kasus TBC menunjukkan tren meningkat selama periode penelitian. Hasil perhitungan Incidence Rate (IR), Standardized Incidence Ratio (SIR), Empirical Bayes Risk, dan Relative Risk menunjukkan adanya variasi risiko Tuberkulosis antar kabupaten/kota. Wilayah perkotaan cenderung memiliki tingkat risiko yang lebih tinggi dibandingkan wilayah kabupaten. Analisis spasio-temporal menggunakan model Bayesian INLA juga menunjukkan adanya dinamika risiko yang dipengaruhi oleh dimensi ruang dan waktu.

4.2 Wilayah Prioritas Pengendalian

Berdasarkan kombinasi seluruh indikator yang digunakan, Kota Tegal dan Kota Magelang teridentifikasi sebagai wilayah prioritas utama pengendalian Tuberkulosis karena secara konsisten menunjukkan tingkat risiko tertinggi. Selain itu, Kota Salatiga, Kota Pekalongan, dan Kota Semarang termasuk dalam kategori prioritas tinggi yang memerlukan perhatian khusus dalam pelaksanaan program pengendalian TBC.

4.3 Keterbatasan Penelitian

Penelitian ini masih memiliki beberapa keterbatasan. Analisis hanya menggunakan data jumlah kasus TBC dan jumlah penduduk tanpa memasukkan faktor lain yang berpotensi memengaruhi risiko Tuberkulosis, seperti kepadatan penduduk, tingkat kemiskinan, kondisi lingkungan, dan akses pelayanan kesehatan. Selain itu, model spasial yang digunakan belum sepenuhnya mempertimbangkan struktur ketetanggaan antarwilayah sehingga pola dependensi spasial belum dianalisis secara mendalam.

4.4 Rekomendasi

Berdasarkan hasil penelitian, pemerintah daerah dan Dinas Kesehatan Provinsi Jawa Tengah disarankan untuk memprioritaskan program pengendalian Tuberkulosis pada wilayah dengan risiko tinggi, khususnya Kota Tegal dan Kota Magelang. Upaya yang dapat dilakukan meliputi peningkatan penemuan kasus aktif (active case finding), pelacakan kontak erat, edukasi kesehatan masyarakat, serta peningkatan kepatuhan pengobatan. Untuk penelitian selanjutnya, disarankan menggunakan model spasial yang lebih kompleks seperti BYM atau BYM2-INLA serta menambahkan variabel sosial ekonomi, demografi, dan lingkungan agar faktor-faktor yang memengaruhi risiko Tuberkulosis dapat dianalisis secara lebih komprehensif.

5 Daftar Pustaka

[1] World Health Organization. Global Tuberculosis Report 2024. Geneva: World Health Organization; 2024.

[2] World Health Organization. Global Tuberculosis Report 2023. Geneva: World Health Organization; 2023.

[3] Kementerian Kesehatan Republik Indonesia. Profil Kesehatan Indonesia Tahun 2024. Jakarta: Kementerian Kesehatan Republik Indonesia; 2025.

[4] Badan Pusat Statistik Provinsi Jawa Tengah. Provinsi Jawa Tengah dalam Angka 2023. Semarang: BPS Provinsi Jawa Tengah; 2023.

[5] Badan Pusat Statistik Provinsi Jawa Tengah. Provinsi Jawa Tengah dalam Angka 2024. Semarang: BPS Provinsi Jawa Tengah; 2024.

[6] Badan Pusat Statistik Provinsi Jawa Tengah. Provinsi Jawa Tengah dalam Angka 2025. Semarang: BPS Provinsi Jawa Tengah; 2025.

[7] Dinas Kesehatan Provinsi Jawa Tengah. Profil Kesehatan Provinsi Jawa Tengah Tahun 2020. Semarang: Dinas Kesehatan Provinsi Jawa Tengah; 2021.

[8] Dinas Kesehatan Provinsi Jawa Tengah. Profil Kesehatan Provinsi Jawa Tengah Tahun 2021. Semarang: Dinas Kesehatan Provinsi Jawa Tengah; 2022.

[9] Dinas Kesehatan Provinsi Jawa Tengah. Profil Kesehatan Provinsi Jawa Tengah Tahun 2022. Semarang: Dinas Kesehatan Provinsi Jawa Tengah; 2023.

[10] Dinas Kesehatan Provinsi Jawa Tengah. Profil Kesehatan Provinsi Jawa Tengah Tahun 2023. Semarang: Dinas Kesehatan Provinsi Jawa Tengah; 2024.

[11] Dinas Kesehatan Provinsi Jawa Tengah. Profil Kesehatan Provinsi Jawa Tengah Tahun 2024. Semarang: Dinas Kesehatan Provinsi Jawa Tengah; 2025.

[12] Lawson AB. Bayesian Disease Mapping. 3rd ed. Boca Raton: CRC Press; 2018.

[13] Moraga P. Geospatial Health Data. Boca Raton: CRC Press; 2019.

[14] Rue H, Riebler A, Sørbye SH, Illian JB, Simpson DP, Lindgren FK. Bayesian Computing with INLA: A Review. Annual Review of Statistics and Its Application. 2017;4:395–421.

[15] Cao K, Wang Y, Peng Z, Wang Q, Cheng Y, Wang X. Spatial-Temporal Epidemiology of Tuberculosis in Mainland China: An Analysis Based on Bayesian Theory. International Journal of Environmental Research and Public Health. 2016;13(5):469.

[16] Shaweno D, Karmakar M. Methods Used in the Spatial Analysis of Tuberculosis Epidemiology: A Systematic Review. BMC Medicine. 2018;16(1):193.

[17] Zhao H, Wang J, Wu M. Temporal and Spatial Pattern of Pulmonary Tuberculosis in Gansu Province and Its Environmental Factors Detection and Analysis. Atmosphere. 2025;16(1):55.