Analisis Epidemiologi Spasio-Temporal Demam Berdarah Dengue (DBD) di Kabupaten/Kota Provinsi Jawa Barat Tahun 2020–2024
Andrew Hosea Talakua
NPM: 140720250008
Program Studi: Statistika Terapan
Mata Kuliah: Epidemiologi
2026-06-16
1 Abstrak
Demam Berdarah Dengue (DBD) merupakan salah satu penyakit menular yang masih menjadi masalah kesehatan masyarakat di Indonesia. Penelitian ini bertujuan untuk menganalisis distribusi spasial dan temporal kasus DBD pada 26 kabupaten/kota di Provinsi Jawa Barat selama periode 2020–2024. Data yang digunakan berasal dari Open Data Jawa Barat dan data spasial administrasi kabupaten/kota Provinsi Jawa Barat. Analisis dilakukan menggunakan statistik deskriptif, Incidence Rate (IR), Expected Cases, Standardized Incidence Ratio (SIR), Moran’s I, Empirical Bayes Smoothing, dan regresi Negative Binomial. Hasil penelitian menunjukkan adanya variasi kasus DBD antarwilayah dan antarwaktu. Analisis Moran’s I menunjukkan tidak adanya autokorelasi spasial yang signifikan. Model Negative Binomial memberikan performa yang lebih baik dibandingkan model Poisson karena mampu mengatasi overdispersion. Hasil penelitian diharapkan dapat menjadi dasar dalam penentuan prioritas wilayah pengendalian DBD di Provinsi Jawa Barat.
Kata Kunci: DBD, Epidemiologi Spasial, SIR, Moran’s I, Empirical Bayes, Negative Binomial.
2 Pendahuluan
Demam Berdarah Dengue (DBD) merupakan penyakit yang disebabkan oleh virus dengue dan ditularkan melalui gigitan nyamuk Aedes aegypti dan Aedes albopictus. Penyakit ini masih menjadi masalah kesehatan masyarakat yang penting di Indonesia karena tingginya jumlah kasus yang terjadi setiap tahun serta potensi terjadinya kejadian luar biasa.
Provinsi Jawa Barat merupakan salah satu provinsi dengan jumlah penduduk terbesar di Indonesia. Tingginya kepadatan penduduk serta variasi karakteristik lingkungan antarwilayah menyebabkan risiko penyebaran DBD berbeda-beda pada setiap kabupaten/kota.
Pendekatan epidemiologi spasial memungkinkan identifikasi pola distribusi penyakit berdasarkan lokasi geografis. Selain itu, analisis spasio-temporal dapat digunakan untuk mengevaluasi perubahan risiko penyakit dari waktu ke waktu sehingga dapat mendukung pengambilan keputusan dalam program pengendalian penyakit.
Tujuan penelitian ini adalah:
- Mendeskripsikan distribusi kasus DBD di Provinsi Jawa Barat tahun 2020–2024.
- Menghitung Incidence Rate (IR), Expected Cases, dan Standardized Incidence Ratio (SIR).
- Mengidentifikasi pola spasial kasus DBD menggunakan analisis Moran’s I dan Empirical Bayes Smoothing.
- Menganalisis perubahan kasus DBD berdasarkan wilayah dan waktu menggunakan model spasio-temporal.
3 Data dan Metode
3.1 Sumber Data
Penelitian menggunakan:
- Data jumlah kasus DBD dan populasi kabupaten/kota Provinsi Jawa Barat tahun 2020–2024.
- Shapefile administrasi kabupaten/kota Provinsi Jawa Barat.
3.2 Library yang Digunakan
library(sf)
library(readxl)
library(dplyr)
library(ggplot2)
library(spdep)
library(MASS)3.3 Import Data
library(sf)
library(readxl)
dir.exists("C:/Users/ASUS ZenBook/Downloads/Tugas_Epidemiologi individu")## [1] TRUEprint(getwd())## [1] "C:/Users/ASUS ZenBook/Downloads/Tugas_Epidemiologi individu"print(list.files())## [1] "DBD_JABAR_DENGAN_POPULASI.xlsx" "JawaBarat.dbf"
## [3] "JawaBarat.prj" "JawaBarat.shp"
## [5] "JawaBarat.shx" "Tugas-Epidemiologi--Individu-.Rmd"
## [7] "Tugas Epidemiologi (Individu).Rmd"jabar <- st_read("JawaBarat.shp")## Reading layer `JawaBarat' from data source
## `C:\Users\ASUS ZenBook\Downloads\Tugas_Epidemiologi individu\JawaBarat.shp'
## using driver `ESRI Shapefile'
## Simple feature collection with 26 features and 13 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: 106.3705 ymin: -7.823398 xmax: 108.8338 ymax: -5.91377
## Geodetic CRS: WGS 84dbd <- read_excel(
"DBD_JABAR_DENGAN_POPULASI.xlsx"
)
print(dim(jabar))## [1] 26 14print(dim(dbd))## [1] 130 93.4 Pemeriksaan Data
dim(jabar)## [1] 26 14dim(dbd)## [1] 130 9names(dbd)## [1] "id" "kode_provinsi" "nama_provinsi"
## [4] "kode_kabupaten_kota" "nama_kabupaten_kota" "jumlah_kasus"
## [7] "satuan" "tahun" "populasi"3.4.1 Penjelasan Perhitungan Incidence Rate
Incidence Rate (IR) merupakan salah satu ukuran epidemiologi yang digunakan untuk menggambarkan tingkat kejadian penyakit dalam suatu populasi pada periode tertentu. Dalam penelitian ini, IR dihitung sebagai jumlah kasus DBD per 100.000 penduduk pada masing-masing kabupaten/kota dan tahun pengamatan. Penggunaan IR memungkinkan perbandingan tingkat risiko antarwilayah meskipun jumlah penduduk setiap wilayah berbeda.
3.5 Perhitungan Incidence Rate (IR)
dbd$IR <- (
dbd$jumlah_kasus /
dbd$populasi
) * 1000003.6 Ringkasan IR
summary(dbd$IR)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2.499 29.987 52.946 79.158 112.475 445.945Incidence Rate (IR) menggambarkan jumlah kasus DBD per 100.000 penduduk pada setiap wilayah dan periode pengamatan. Ringkasan statistik menunjukkan adanya variasi nilai IR antarwilayah dan antarwaktu. Variasi ini menunjukkan bahwa risiko kejadian DBD tidak merata di seluruh Provinsi Jawa Barat. Wilayah dengan nilai IR yang tinggi mengindikasikan perlunya perhatian lebih dalam kegiatan surveilans, pencegahan, dan pengendalian penyakit.
3.7 Persiapan Data Tahun 2024
dbd2024 <- subset(
dbd,
tahun == 2024
)
nrow(dbd2024)## [1] 263.8 Perhitungan Expected Cases
total_kasus_2024 <- sum(
dbd2024$jumlah_kasus
)
total_pop_2024 <- sum(
dbd2024$populasi
)
dbd2024$expected_cases <-
dbd2024$populasi *
(
total_kasus_2024 /
total_pop_2024
)Expected Cases merupakan jumlah kasus yang diperkirakan terjadi pada suatu wilayah apabila risiko DBD di wilayah tersebut sama dengan rata-rata risiko DBD di seluruh Provinsi Jawa Barat. Nilai ini digunakan sebagai dasar dalam perhitungan Standardized Incidence Ratio (SIR) untuk mengidentifikasi wilayah dengan risiko yang lebih tinggi atau lebih rendah dibandingkan rata-rata provinsi.
3.8.1 Standardized Incidence Ratio (SIR)
Standardized Incidence Ratio (SIR) merupakan ukuran epidemiologi yang digunakan untuk membandingkan jumlah kasus yang diamati dengan jumlah kasus yang diharapkan pada suatu wilayah. SIR dihitung dengan membagi jumlah kasus aktual dengan nilai Expected Cases yang telah diperoleh sebelumnya. Nilai SIR digunakan untuk mengidentifikasi wilayah yang memiliki risiko DBD lebih tinggi atau lebih rendah dibandingkan rata-rata Provinsi Jawa Barat. Apabila nilai SIR lebih besar dari satu maka wilayah tersebut memiliki jumlah kasus yang lebih tinggi dibandingkan yang diharapkan, sedangkan nilai SIR kurang dari satu menunjukkan jumlah kasus yang lebih rendah dibandingkan yang diharapkan.
3.9 Perhitungan SIR
dbd2024$SIR <-
dbd2024$jumlah_kasus /
dbd2024$expected_cases3.10 Ringkasan SIR
summary(dbd2024$SIR)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.2275 0.6690 1.0252 1.2307 1.5927 3.6769Nilai Standardized Incidence Ratio (SIR) digunakan untuk membandingkan jumlah kasus DBD yang diamati dengan jumlah kasus yang diharapkan berdasarkan ukuran populasi masing-masing wilayah. Hasil ringkasan statistik menunjukkan adanya variasi nilai SIR antar kabupaten/kota di Provinsi Jawa Barat. Nilai median SIR yang mendekati satu mengindikasikan bahwa sebagian besar wilayah memiliki tingkat risiko yang relatif serupa dengan rata-rata provinsi. Namun demikian, terdapat beberapa wilayah dengan nilai SIR yang jauh lebih tinggi sehingga menunjukkan risiko kejadian DBD yang lebih besar dibandingkan yang diharapkan. Temuan ini mengindikasikan adanya ketidakmerataan risiko DBD antarwilayah dan pentingnya identifikasi daerah prioritas untuk kegiatan pencegahan dan pengendalian penyakit.
3.11 Contoh Hasil SIR
head(
dbd2024[
,
c(
"nama_kabupaten_kota",
"jumlah_kasus",
"expected_cases",
"SIR"
)
]
)## # A tibble: 6 × 4
## nama_kabupaten_kota jumlah_kasus expected_cases SIR
## <chr> <dbl> <dbl> <dbl>
## 1 KABUPATEN BOGOR 3404 6892. 0.494
## 2 KABUPATEN SUKABUMI 841 3430. 0.245
## 3 KABUPATEN CIANJUR 1932 3135. 0.616
## 4 KABUPATEN BANDUNG 3589 4552. 0.788
## 5 KABUPATEN GARUT 3269 3295. 0.992
## 6 KABUPATEN TASIKMALAYA 763 2330. 0.328Contoh hasil perhitungan menunjukkan adanya perbedaan tingkat risiko DBD antar kabupaten/kota di Provinsi Jawa Barat. Beberapa wilayah memiliki nilai SIR yang relatif tinggi, yang menunjukkan bahwa jumlah kasus yang terjadi melebihi jumlah kasus yang diharapkan berdasarkan ukuran populasi. Sebaliknya, wilayah dengan nilai SIR yang rendah menunjukkan risiko yang relatif lebih kecil dibandingkan rata-rata provinsi. Informasi ini penting untuk menentukan prioritas wilayah dalam pelaksanaan program pengendalian DBD.
Interpretasi:
- SIR > 1 menunjukkan risiko DBD lebih tinggi dibandingkan rata-rata Provinsi Jawa Barat.
- SIR < 1 menunjukkan risiko DBD lebih rendah dibandingkan rata-rata Provinsi Jawa Barat.
4 Hasil dan Pembahasan
4.1 Analisis Deskriptif
4.1.1 Jumlah Kasus per Tahun
kasus_tahun <- aggregate(
jumlah_kasus ~ tahun,
data = dbd,
sum
)
kasus_tahun## tahun jumlah_kasus
## 1 2020 24275
## 2 2021 23375
## 3 2022 36106
## 4 2023 19075
## 5 2024 605334.1.2 Interpretasi Jumlah Kasus per Tahun
Hasil rekapitulasi jumlah kasus DBD per tahun menunjukkan adanya variasi jumlah kasus selama periode 2020–2024 di Provinsi Jawa Barat. Variasi ini mengindikasikan bahwa kejadian DBD bersifat dinamis dan dapat berubah dari waktu ke waktu. Perubahan jumlah kasus tersebut dapat dipengaruhi oleh berbagai faktor, seperti kondisi lingkungan, curah hujan, kepadatan penduduk, mobilitas masyarakat, serta efektivitas program pengendalian vektor yang dilaksanakan pada masing-masing periode.
Analisis jumlah kasus per tahun memberikan gambaran mengenai perkembangan epidemiologi DBD secara temporal. Informasi ini penting untuk mengidentifikasi periode dengan beban penyakit yang lebih tinggi sehingga dapat menjadi dasar dalam perencanaan program pencegahan dan pengendalian DBD yang lebih efektif.
4.1.3 Populasi per Tahun
pop_tahun <- aggregate(
populasi ~ tahun,
data = dbd,
sum
)
pop_tahun## tahun populasi
## 1 2020 49911090
## 2 2021 49911090
## 3 2022 49911090
## 4 2023 49911090
## 5 2024 499110904.1.4 Interpretasi Populasi per Tahun
Data populasi menunjukkan jumlah penduduk yang berisiko mengalami DBD pada setiap tahun pengamatan. Informasi ini sangat penting dalam analisis epidemiologi karena jumlah kasus yang tinggi belum tentu mencerminkan tingkat risiko yang tinggi apabila populasi wilayah tersebut juga sangat besar. Oleh karena itu, populasi digunakan sebagai penyebut (denominator) dalam perhitungan ukuran epidemiologi seperti Incidence Rate (IR), Expected Cases, dan Standardized Incidence Ratio (SIR).
Perubahan jumlah populasi dari tahun ke tahun dapat memengaruhi besarnya risiko penyakit dalam suatu wilayah. Dengan mempertimbangkan ukuran populasi, perbandingan risiko antarwilayah maupun antarperiode menjadi lebih objektif dan dapat menggambarkan kondisi epidemiologis yang sebenarnya.
4.1.5 Grafik Tren Kasus DBD
ggplot(
kasus_tahun,
aes(
x = tahun,
y = jumlah_kasus
)
) +
geom_line() +
geom_point(size = 3) +
labs(
title = "Tren Kasus DBD Jawa Barat Tahun 2020–2024",
x = "Tahun",
y = "Jumlah Kasus"
) +
theme_minimal()
Grafik tren menunjukkan adanya fluktuasi jumlah kasus DBD di Provinsi
Jawa Barat selama periode 2020–2024. Perubahan jumlah kasus dari tahun
ke tahun mengindikasikan bahwa DBD masih menjadi masalah kesehatan
masyarakat yang dinamis dan dipengaruhi oleh berbagai faktor seperti
kondisi lingkungan, curah hujan, kepadatan penduduk, serta efektivitas
program pengendalian vektor. Analisis tren ini penting untuk memahami
perkembangan penyakit dan menjadi dasar dalam penyusunan strategi
pencegahan di masa mendatang.
4.2 Disease Mapping
4.2.1 Penggabungan Data Spasial
peta2024 <- merge(
jabar,
dbd2024,
by.x = "NAME_2",
by.y = "nama_kabupaten_kota",
all.x = TRUE
)
nrow(peta2024)## [1] 26sum(
is.na(
peta2024$jumlah_kasus
)
)## [1] 04.2.2 Peta Incidence Rate Tahun 2024
plot(
peta2024["IR"],
main = "Peta Incidence Rate DBD Jawa Barat Tahun 2024"
)
### Interpretasi Peta Incidence Rate (IR) Tahun 2024
Peta Incidence Rate (IR) Tahun 2024 menunjukkan distribusi tingkat kejadian DBD per 100.000 penduduk pada setiap kabupaten/kota di Provinsi Jawa Barat. Perbedaan warna pada peta menggambarkan adanya variasi tingkat risiko DBD antarwilayah. Wilayah dengan nilai IR yang lebih tinggi menunjukkan bahwa jumlah kasus DBD relatif lebih besar dibandingkan ukuran populasinya, sedangkan wilayah dengan nilai IR yang lebih rendah menunjukkan tingkat kejadian yang relatif lebih kecil.
Hasil pemetaan ini mengindikasikan bahwa risiko DBD tidak tersebar secara merata di seluruh Provinsi Jawa Barat. Beberapa wilayah memiliki tingkat kejadian yang lebih tinggi dibandingkan wilayah lainnya sehingga memerlukan perhatian khusus dalam kegiatan surveilans epidemiologi, pengendalian vektor, dan promosi kesehatan. Peta IR juga memberikan informasi awal mengenai wilayah yang berpotensi menjadi prioritas intervensi sebelum dilakukan analisis risiko yang lebih lanjut menggunakan Standardized Incidence Ratio (SIR) dan metode pemodelan spasial lainnya.
Secara epidemiologis, peta IR berfungsi sebagai alat visualisasi untuk mengidentifikasi pola geografis kejadian DBD serta membantu pengambil kebijakan dalam menentukan wilayah prioritas untuk pelaksanaan program pencegahan dan pengendalian penyakit secara lebih efektif dan efisien.
4.2.3 Peta SIR Tahun 2024
plot(
peta2024["SIR"],
main = "Peta Standardized Incidence Ratio (SIR) Tahun 2024"
)
Interpretasi peta SIR menunjukkan adanya variasi risiko DBD antar
kabupaten/kota di Provinsi Jawa Barat. Wilayah dengan nilai SIR lebih
besar dari satu memiliki jumlah kasus yang lebih tinggi dibandingkan
jumlah kasus yang diharapkan berdasarkan ukuran populasi. Sebaliknya,
wilayah dengan nilai SIR kurang dari satu menunjukkan risiko yang
relatif lebih rendah dibandingkan rata-rata provinsi. Hasil ini
mengindikasikan bahwa distribusi risiko DBD tidak merata sehingga
diperlukan strategi pengendalian yang disesuaikan dengan karakteristik
masing-masing wilayah.
5 Analisis Autokorelasi Spasial
5.1 Moran’s I
Analisis autokorelasi spasial dilakukan untuk mengetahui apakah terdapat hubungan spasial antarwilayah dalam distribusi risiko DBD. Salah satu metode yang paling umum digunakan dalam epidemiologi spasial adalah Moran’s I. Statistik Moran’s I digunakan untuk mengukur tingkat kemiripan nilai suatu variabel pada wilayah-wilayah yang saling berdekatan.
nb <- poly2nb(peta2024)
lw <- nb2listw(
nb,
style = "W",
zero.policy = TRUE
)
moran_result <- moran.test(
peta2024$IR,
lw,
zero.policy = TRUE
)
moran_result##
## Moran I test under randomisation
##
## data: peta2024$IR
## weights: lw
##
## Moran I statistic standard deviate = -1.3444, p-value = 0.9106
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## -0.22349192 -0.04000000 0.018628765.1.1 Interpretasi Moran’s I
Hasil analisis Moran’s I menghasilkan nilai sebesar -0,2235 dengan p-value sebesar 0,9106. Nilai Moran’s I yang negatif menunjukkan kecenderungan pola penyebaran (dispersion), namun nilai p-value yang jauh lebih besar dari 0,05 menunjukkan bahwa pola tersebut tidak signifikan secara statistik.
Dengan demikian, tidak terdapat bukti yang cukup untuk menyatakan bahwa distribusi risiko DBD di Provinsi Jawa Barat membentuk pola spasial tertentu. Risiko DBD antar kabupaten/kota cenderung tersebar secara acak dan tidak menunjukkan adanya pengelompokan wilayah dengan risiko tinggi maupun risiko rendah yang signifikan secara statistik.
6 Empirical Bayes Smoothing
Metode Empirical Bayes digunakan untuk menghasilkan estimasi risiko yang lebih stabil dibandingkan risiko kasar (crude rate). Pendekatan ini sangat penting terutama pada wilayah dengan ukuran populasi kecil yang rentan menghasilkan fluktuasi nilai risiko akibat variasi acak.
EB <- EBlocal(
peta2024$jumlah_kasus,
peta2024$populasi,
nb
)
peta2024$EBIR <- EB[,1] * 1000006.1 Ringkasan Empirical Bayes
summary(peta2024$EBIR)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 27.59 81.14 124.34 149.26 193.16 445.956.2 Peta Empirical Bayes
plot(
peta2024["EBIR"],
main = "Empirical Bayes Smoothed Incidence Rate DBD Tahun 2024"
)
6.2.1 Interpretasi Empirical Bayes
Peta Empirical Bayes menunjukkan distribusi risiko DBD yang telah disesuaikan melalui proses smoothing. Dibandingkan dengan peta Incidence Rate biasa, hasil Empirical Bayes menghasilkan pola yang lebih stabil karena mengurangi pengaruh fluktuasi acak pada wilayah dengan populasi kecil.
Melalui pendekatan ini, identifikasi wilayah dengan risiko tinggi menjadi lebih akurat sehingga dapat digunakan sebagai dasar yang lebih kuat dalam menentukan prioritas intervensi kesehatan masyarakat.
7 Analisis Spasio-Temporal
Analisis spasio-temporal dilakukan untuk mengevaluasi perubahan jumlah kasus DBD berdasarkan waktu dan wilayah. Data jumlah kasus merupakan data hitungan (count data), sehingga model awal yang digunakan adalah regresi Poisson.
7.1 Model Poisson
model_poisson <- glm(
jumlah_kasus ~ tahun,
family = poisson(link = "log"),
offset = log(populasi),
data = dbd
)
summary(model_poisson)##
## Call:
## glm(formula = jumlah_kasus ~ tahun, family = poisson(link = "log"),
## data = dbd, offset = log(populasi))
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -4.378e+02 3.642e+00 -120.2 <2e-16 ***
## tahun 2.129e-01 1.801e-03 118.2 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for poisson family taken to be 1)
##
## Null deviance: 113650 on 129 degrees of freedom
## Residual deviance: 99270 on 128 degrees of freedom
## AIC: 100382
##
## Number of Fisher Scoring iterations: 57.2 Uji Overdispersion
overdispersion <- deviance(model_poisson) /
df.residual(model_poisson)
overdispersion## [1] 775.54877.2.1 Interpretasi Overdispersion
Nilai rasio deviance terhadap derajat bebas digunakan untuk mengidentifikasi overdispersion pada model Poisson. Apabila nilai tersebut lebih besar dari satu, maka asumsi distribusi Poisson tidak terpenuhi.
Berdasarkan hasil analisis diperoleh nilai overdispersion yang sangat besar sehingga menunjukkan bahwa variasi data jumlah kasus DBD jauh melebihi asumsi distribusi Poisson. Oleh karena itu, model Negative Binomial digunakan sebagai alternatif yang lebih sesuai.
7.3 Model Negative Binomial
model_nb_final <- glm.nb(
jumlah_kasus ~ tahun +
nama_kabupaten_kota +
offset(log(populasi)),
data = dbd
)
summary(model_nb_final)##
## Call:
## glm.nb(formula = jumlah_kasus ~ tahun + nama_kabupaten_kota +
## offset(log(populasi)), data = dbd, init.theta = 4.28241432,
## link = log)
##
## Coefficients:
## Estimate Std. Error z value
## (Intercept) -4.446e+02 6.081e+01 -7.311
## tahun 2.163e-01 3.008e-02 7.192
## nama_kabupaten_kotaKABUPATEN BANDUNG BARAT 7.508e-03 3.060e-01 0.025
## nama_kabupaten_kotaKABUPATEN BEKASI -1.129e+00 3.062e-01 -3.687
## nama_kabupaten_kotaKABUPATEN BOGOR -6.648e-01 3.059e-01 -2.173
## nama_kabupaten_kotaKABUPATEN CIAMIS 3.119e-02 3.061e-01 0.102
## nama_kabupaten_kotaKABUPATEN CIANJUR -7.566e-01 3.061e-01 -2.471
## nama_kabupaten_kotaKABUPATEN CIREBON -3.569e-01 3.060e-01 -1.166
## nama_kabupaten_kotaKABUPATEN GARUT -5.013e-01 3.060e-01 -1.638
## nama_kabupaten_kotaKABUPATEN INDRAMAYU -1.549e+00 3.069e-01 -5.046
## nama_kabupaten_kotaKABUPATEN KARAWANG -2.021e-01 3.060e-01 -0.660
## nama_kabupaten_kotaKABUPATEN KUNINGAN 6.466e-02 3.061e-01 0.211
## nama_kabupaten_kotaKABUPATEN MAJALENGKA -1.875e-01 3.062e-01 -0.613
## nama_kabupaten_kotaKABUPATEN PURWAKARTA -3.832e-01 3.064e-01 -1.250
## nama_kabupaten_kotaKABUPATEN SUBANG -5.169e-01 3.062e-01 -1.688
## nama_kabupaten_kotaKABUPATEN SUKABUMI -1.514e+00 3.065e-01 -4.940
## nama_kabupaten_kotaKABUPATEN SUMEDANG 5.569e-01 3.060e-01 1.820
## nama_kabupaten_kotaKABUPATEN TASIKMALAYA -1.725e+00 3.071e-01 -5.615
## nama_kabupaten_kotaKOTA BANDUNG 9.423e-01 3.058e-01 3.081
## nama_kabupaten_kotaKOTA BANJAR -1.016e-01 3.083e-01 -0.329
## nama_kabupaten_kotaKOTA BEKASI 1.493e-01 3.059e-01 0.488
## nama_kabupaten_kotaKOTA BOGOR 4.048e-01 3.060e-01 1.323
## nama_kabupaten_kotaKOTA CIMAHI 3.081e-01 3.063e-01 1.006
## nama_kabupaten_kotaKOTA CIREBON 6.296e-02 3.071e-01 0.205
## nama_kabupaten_kotaKOTA DEPOK 4.590e-01 3.059e-01 1.501
## nama_kabupaten_kotaKOTA SUKABUMI 1.115e+00 3.062e-01 3.643
## nama_kabupaten_kotaKOTA TASIKMALAYA 9.002e-01 3.060e-01 2.942
## Pr(>|z|)
## (Intercept) 2.66e-13 ***
## tahun 6.41e-13 ***
## nama_kabupaten_kotaKABUPATEN BANDUNG BARAT 0.980426
## nama_kabupaten_kotaKABUPATEN BEKASI 0.000227 ***
## nama_kabupaten_kotaKABUPATEN BOGOR 0.029774 *
## nama_kabupaten_kotaKABUPATEN CIAMIS 0.918839
## nama_kabupaten_kotaKABUPATEN CIANJUR 0.013466 *
## nama_kabupaten_kotaKABUPATEN CIREBON 0.243486
## nama_kabupaten_kotaKABUPATEN GARUT 0.101408
## nama_kabupaten_kotaKABUPATEN INDRAMAYU 4.50e-07 ***
## nama_kabupaten_kotaKABUPATEN KARAWANG 0.508942
## nama_kabupaten_kotaKABUPATEN KUNINGAN 0.832708
## nama_kabupaten_kotaKABUPATEN MAJALENGKA 0.540181
## nama_kabupaten_kotaKABUPATEN PURWAKARTA 0.211127
## nama_kabupaten_kotaKABUPATEN SUBANG 0.091407 .
## nama_kabupaten_kotaKABUPATEN SUKABUMI 7.80e-07 ***
## nama_kabupaten_kotaKABUPATEN SUMEDANG 0.068752 .
## nama_kabupaten_kotaKABUPATEN TASIKMALAYA 1.97e-08 ***
## nama_kabupaten_kotaKOTA BANDUNG 0.002063 **
## nama_kabupaten_kotaKOTA BANJAR 0.741817
## nama_kabupaten_kotaKOTA BEKASI 0.625532
## nama_kabupaten_kotaKOTA BOGOR 0.185891
## nama_kabupaten_kotaKOTA CIMAHI 0.314590
## nama_kabupaten_kotaKOTA CIREBON 0.837546
## nama_kabupaten_kotaKOTA DEPOK 0.133473
## nama_kabupaten_kotaKOTA SUKABUMI 0.000270 ***
## nama_kabupaten_kotaKOTA TASIKMALAYA 0.003264 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for Negative Binomial(4.2824) family taken to be 1)
##
## Null deviance: 445.36 on 129 degrees of freedom
## Residual deviance: 135.32 on 103 degrees of freedom
## AIC: 1985.5
##
## Number of Fisher Scoring iterations: 1
##
##
## Theta: 4.282
## Std. Err.: 0.517
##
## 2 x log-likelihood: -1929.4567.4 Perbandingan Model
AIC(model_poisson)## [1] 100382.2AIC(model_nb_final)## [1] 1985.4567.4.1 Interpretasi Model
Perbandingan nilai Akaike Information Criterion (AIC) menunjukkan bahwa model Negative Binomial memiliki nilai AIC yang lebih rendah dibandingkan model Poisson. Hal ini menunjukkan bahwa model Negative Binomial memberikan kecocokan yang lebih baik terhadap data kasus DBD.
Model Negative Binomial dipilih sebagai model terbaik karena mampu mengatasi permasalahan overdispersion yang ditemukan pada model Poisson. Selain itu, hasil model menunjukkan bahwa faktor waktu dan perbedaan wilayah berkontribusi terhadap variasi jumlah kasus DBD selama periode penelitian.
8 Implikasi Epidemiologis
Hasil penelitian menunjukkan adanya variasi risiko DBD antarwilayah di Provinsi Jawa Barat. Beberapa wilayah memiliki nilai SIR yang lebih tinggi dibandingkan rata-rata provinsi sehingga perlu menjadi prioritas dalam kegiatan pengendalian penyakit.
Implikasi praktis dari hasil penelitian ini meliputi:
- Penguatan sistem surveilans epidemiologi pada wilayah berisiko tinggi.
- Peningkatan kegiatan pemberantasan sarang nyamuk (PSN).
- Edukasi masyarakat mengenai perilaku hidup bersih dan sehat.
- Monitoring berkala pada wilayah dengan nilai SIR tinggi.
- Pengalokasian sumber daya kesehatan yang lebih efektif berdasarkan tingkat risiko wilayah.
9 Keterbatasan Penelitian
Penelitian ini memiliki beberapa keterbatasan. Pertama, analisis hanya menggunakan data jumlah kasus dan populasi tanpa mempertimbangkan faktor lingkungan seperti curah hujan, suhu udara, dan kepadatan permukiman. Kedua, unit analisis yang digunakan adalah kabupaten/kota sehingga variasi risiko pada tingkat yang lebih kecil belum dapat diamati. Ketiga, data yang digunakan bersifat agregat sehingga tidak menggambarkan karakteristik individu penderita DBD.
10 Kesimpulan
Berdasarkan hasil analisis epidemiologi spasio-temporal DBD di Provinsi Jawa Barat tahun 2020–2024 dapat disimpulkan bahwa:
- Jumlah kasus DBD menunjukkan variasi antarwilayah dan antarwaktu selama periode penelitian.
- Nilai Incidence Rate (IR) menunjukkan adanya perbedaan tingkat risiko DBD antar kabupaten/kota.
- Standardized Incidence Ratio (SIR) mengidentifikasi beberapa wilayah yang memiliki risiko DBD lebih tinggi dibandingkan rata-rata Provinsi Jawa Barat.
- Hasil Moran’s I menunjukkan tidak terdapat autokorelasi spasial yang signifikan pada distribusi risiko DBD tahun 2024.
- Metode Empirical Bayes menghasilkan estimasi risiko yang lebih stabil dibandingkan Incidence Rate biasa.
- Model Negative Binomial merupakan model terbaik dalam menjelaskan variasi jumlah kasus DBD karena mampu mengatasi overdispersion yang ditemukan pada model Poisson.
- Hasil penelitian dapat digunakan sebagai dasar dalam penyusunan kebijakan pengendalian DBD berbasis wilayah di Provinsi Jawa Barat.
11 Daftar Pustaka
Anselin, L. (1995). Local Indicators of Spatial Association (LISA). Geographical Analysis, 27(2), 93–115.
Bivand, R. S., Pebesma, E., & Gómez-Rubio, V. (2013). Applied Spatial Data Analysis with R (2nd ed.). Springer.
Lawson, A. B. (2018). Bayesian Disease Mapping: Hierarchical Modeling in Spatial Epidemiology (3rd ed.). CRC Press.
Waller, L. A., & Gotway, C. A. (2004). Applied Spatial Statistics for Public Health Data. Wiley.
World Health Organization. (2024). Dengue and Severe Dengue. Geneva: WHO.