Identifikasi Risiko Relatif HIV di Jawa Barat Menggunakan Bayesian Spasio-Temporal Model
Studi Kasus: Kabupaten/Kota
Kiki Amelia (140720250006)
16 June 2026
ABSTRAK
Human Immunodeficiency Virus (HIV) masih menjadi salah satu permasalahan kesehatan masyarakat yang penting karena jumlah kasus yang terus meningkat dan distribusinya yang bervariasi antarwilayah. Perbedaan kondisi sosial ekonomi, demografi, dan karakteristik wilayah menyebabkan risiko HIV tidak tersebar secara merata. Oleh karena itu, diperlukan pendekatan analisis yang mampu mempertimbangkan aspek spasial dan temporal secara simultan untuk memperoleh estimasi risiko yang lebih akurat. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang berpengaruh terhadap risiko relatif HIV, menganalisis pola distribusi risiko HIV secara spasial dan temporal, serta mengidentifikasi wilayah dengan risiko HIV tinggi di Provinsi Jawa Barat. Data yang digunakan meliputi jumlah kasus HIV, tingkat kemiskinan, tingkat pengangguran terbuka, Indeks Pembangunan Manusia (IPM), rata-rata lama sekolah, dan kepadatan penduduk pada 27 kabupaten/kota di Provinsi Jawa Barat selama periode 2021–2025. Analisis dilakukan menggunakan Bayesian Spasio-Temporal Model dengan pendekatan Integrated Nested Laplace Approximation (INLA). Pemilihan model terbaik dilakukan berdasarkan nilai Deviance Information Criterion (DIC), kemudian dilanjutkan dengan evaluasi hyperparameter, pengujian signifikansi variabel, serta pemetaan risiko relatif HIV. Hasil penelitian menunjukkan bahwa model terbaik adalah model yang memuat efek kovariat, efek spasial terstruktur dan tidak terstruktur, serta efek temporal dengan nilai DIC sebesar 920,305. Evaluasi hyperparameter menunjukkan bahwa komponen spasial memiliki kontribusi yang lebih besar dibandingkan komponen temporal dalam menjelaskan variasi risiko HIV. Hasil pengujian parameter menunjukkan bahwa tingkat kemiskinan, tingkat pengangguran terbuka, dan kepadatan penduduk berpengaruh positif signifikan terhadap risiko HIV, sedangkan rata-rata lama sekolah berpengaruh negatif signifikan. Sementara itu, IPM tidak berpengaruh signifikan terhadap risiko HIV. Hasil estimasi risiko relatif menunjukkan adanya variasi risiko antarwilayah, dengan Kota Cirebon secara konsisten memiliki risiko relatif tertinggi selama periode pengamatan.
Kata kunci: HIV, risiko relatif, Bayesian Spasio-Temporal, INLA, faktor sosial ekonomi, Jawa Barat.
1 BAB I: PENDAHULUAN
1.1 Latar Belakang Penelitian
Human Immunodeficiency Virus (HIV) merupakan virus yang menyerang sistem kekebalan tubuh manusia, khususnya sel darah putih yang berperan dalam pertahanan tubuh. Infeksi HIV menyebabkan penurunan fungsi kekebalan sehingga penderitanya menjadi lebih rentan terhadap berbagai penyakit infeksi maupun penyakit lainnya (Kementerian Kesehatan Republik Indonesia, 2022).
HIV masih menjadi salah satu masalah kesehatan global dengan jumlah kasus yang tinggi. Secara global, HIV menempati urutan ketiga sebagai penyebab kematian akibat penyakit menular setelah COVID-19 dan tuberkulosis. Di Indonesia, jumlah kasus HIV pada tahun 2020 diperkirakan mencapai 543.100 kasus, dengan 29.557 kasus infeksi baru dan 30.137 kematian akibat HIV. Pada tahun 2021, Indonesia tercatat sebagai negara dengan jumlah kasus HIV tertinggi di kawasan Asia Tenggara (Ahdiat, 2022).
Tingginya angka kejadian dan kematian akibat HIV menjadikan penyakit ini sebagai salah satu fokus dalam Sustainable Development Goals (SDGs), khususnya target untuk mengakhiri epidemi HIV di seluruh dunia. Salah satu indikator yang digunakan untuk mengukur keberhasilan target tersebut adalah capaian 95–95–95, yaitu 95% orang dengan HIV (ODHIV) mengetahui status HIV-nya, 95% ODHIV yang terdiagnosis memperoleh terapi antiretroviral (ARV), dan 95% ODHIV yang menjalani terapi ARV berhasil mencapai supresi viral load. Namun demikian, hingga tahun 2021 Indonesia masih belum mampu mencapai target tersebut (Kementerian Kesehatan Republik Indonesia, 2021d).
Jumlah kasus baru HIV positif yang dilaporkan hingga tahun 2025 disajikan pada grafik VI.4, yang menggambarkan tren perkembangan kasus sebagai dasar dalam perencanaan dan evaluasi program penanggulangan HIV.
Jumlah kasus HIV positif yang dilaporkan di Provinsi Jawa Barat selama periode 2018–2025 menunjukkan tren yang fluktuatif dengan kecenderungan meningkat dalam beberapa tahun terakhir. Sejak tahun 2022 terjadi peningkatan yang cukup signifikan, yaitu menjadi 8.812 kasus, dan terus meningkat pada tahun 2023 (9.710 kasus) hingga mencapai puncaknya pada tahun 2024 sebesar 10.638 kasus. Pada tahun 2025, jumlah kasus mengalami sedikit penurunan menjadi 9.718 kasus, meskipun masih berada pada tingkat yang relatif tinggi dibandingkan tahun-tahun sebelumnya.
Peningkatan jumlah kasus dalam beberapa tahun terakhir dapat dipengaruhi oleh berbagai faktor dan diperlukan penguatan kebijakan penanggulangan HIV melalui beberapa strategi, antara lain peningkatan cakupan deteksi dini dengan memperluas layanan tes HIV, baik melalui Tes atas Inisiatif Pemberi Layanan Kesehatan (TIPK) maupun Konseling dan Tes Sukarela (KTS). Selain itu, perlu dilakukan penguatan edukasi dan promosi kesehatan untuk menurunkan perilaku berisiko serta meningkatkan kesadaran masyarakat terhadap pentingnya pemeriksaan HIV.
Upaya lainnya meliputi peningkatan akses dan kualitas layanan pengobatan bagi orang dengan HIV, termasuk memastikan keberlanjutan terapi antiretroviral (ARV) dan kepatuhan pasien dalam menjalani pengobatan. Pengurangan stigma dan diskriminasi juga menjadi aspek penting melalui pendekatan berbasis masyarakat dan keterlibatan lintas sektor.
Jumlah orang dengan HIV (ODHIV) yang ditemukan di Provinsi Jawa Barat tahun 2025 menunjukkan distribusi yang bervariasi antar kabupaten/kota. Kota Bandung mencatat jumlah penemuan kasus tertinggi yaitu sebanyak 1.167 kasus, diikuti oleh Kabupaten Bogor (840 kasus), Kabupaten Bekasi (794 kasus), dan Kota Bekasi (762 kasus). Sementara itu, beberapa kabupaten/kota dengan jumlah penemuan kasus menengah antara lain Kota Bogor (399 kasus), Kabupaten Garut (379 kasus), Kabupaten Subang (368 kasus), dan Kabupaten Sukabumi (336 kasus). Di sisi lain, wilayah dengan jumlah penemuan kasus relatif rendah antara lain Kota Banjar (51 kasus) dan Kabupaten Pangandaran (43 kasus).
Variasi jumlah penemuan kasus antar wilayah ini tidak hanya mencerminkan tingkat penularan, tetapi juga dipengaruhi oleh cakupan dan intensitas program skrining serta deteksi dini HIV. Perbedaan jumlah kasus antarwilayah ini mengindikasikan adanya heterogenitas risiko penularan HIV yang dipengaruhi oleh berbagai faktor, seperti kepadatan penduduk, mobilitas masyarakat, karakteristik sosial ekonomi, perilaku berisiko, akses terhadap layanan kesehatan, serta efektivitas program skrining dan deteksi dini.
Kajian epidemiologi HIV tidak hanya memerlukan analisis terhadap jumlah kasus yang terjadi, tetapi juga perlu memperhatikan tingkat risiko penyakit pada setiap wilayah. Jumlah kasus yang tinggi belum tentu menunjukkan tingkat risiko yang tinggi, karena besarnya kasus sangat dipengaruhi oleh jumlah penduduk yang terpapar. Oleh karena itu, pengukuran risiko relatif (Relative Risk atau RR) menjadi penting untuk menggambarkan tingkat risiko HIV suatu wilayah dibandingkan dengan risiko rata-rata pada populasi yang lebih luas. Melalui pendekatan ini, wilayah dengan risiko tinggi dapat diidentifikasi secara lebih tepat sehingga upaya pencegahan dan pengendalian HIV dapat dilakukan secara lebih efektif.
Dalam konteks spasial, penyebaran HIV pada suatu wilayah sering kali dipengaruhi oleh kondisi wilayah di sekitarnya. Wilayah yang berdekatan secara geografis cenderung memiliki karakteristik sosial, ekonomi, demografi, serta pola mobilitas penduduk yang serupa sehingga dapat menimbulkan ketergantungan spasial (spatial dependence). Selain itu, perkembangan kasus HIV juga menunjukkan perubahan dari waktu ke waktu yang mencerminkan adanya dinamika temporal. Analisis yang hanya mempertimbangkan dimensi spasial atau temporal secara terpisah berpotensi mengabaikan pola risiko yang sesungguhnya terjadi di lapangan. Oleh karena itu, diperlukan pendekatan yang mampu mengakomodasi kedua dimensi tersebut secara simultan.
Salah satu pendekatan yang banyak digunakan dalam epidemiologi penyakit menular untuk mengidentifikasi risiko penyakit adalah pemodelan Bayesian Spasio-Temporal. Pendekatan ini memungkinkan estimasi risiko relatif yang lebih stabil dibandingkan metode konvensional, terutama pada wilayah yang memiliki jumlah kasus relatif kecil. Melalui konsep borrowing strength, informasi dari wilayah yang berdekatan dan periode waktu yang berdekatan dapat dimanfaatkan untuk menghasilkan estimasi risiko yang lebih akurat dan tidak terlalu dipengaruhi oleh fluktuasi acak. Selain itu, pemodelan Bayesian spasio-temporal mampu mengidentifikasi pola risiko yang tersembunyi dan tidak mudah diamati melalui analisis deskriptif biasa.
Keunggulan lain dari pendekatan Bayesian Spasio-Temporal adalah kemampuannya dalam memisahkan variasi risiko yang berasal dari faktor spasial, faktor temporal, maupun interaksi antara keduanya. Dengan demikian, model tidak hanya dapat menunjukkan wilayah yang memiliki risiko HIV tinggi, tetapi juga mampu menggambarkan bagaimana risiko tersebut berubah dari waktu ke waktu. Informasi ini sangat penting untuk mendukung perencanaan program pencegahan dan pengendalian HIV yang berbasis wilayah dan berbasis bukti (evidence-based policy).
Provinsi Jawa Barat merupakan salah satu provinsi dengan jumlah kasus HIV yang relatif tinggi di Indonesia serta memiliki karakteristik wilayah yang sangat heterogen, baik dari aspek kepadatan penduduk, tingkat pembangunan manusia, tingkat kemiskinan, maupun tingkat pengangguran. Perbedaan karakteristik tersebut berpotensi menimbulkan variasi risiko HIV antarwilayah yang tidak dapat dijelaskan hanya melalui analisis jumlah kasus. Oleh karena itu, diperlukan pendekatan analisis yang mampu mengidentifikasi risiko relatif HIV secara lebih komprehensif dengan mempertimbangkan aspek spasial dan temporal secara bersamaan. Berdasarkan uraian tersebut, penelitian ini dilakukan untuk mengidentifikasi risiko relatif HIV di Provinsi Jawa Barat menggunakan pemodelan Bayesian Spasio-Temporal. Hasil penelitian diharapkan dapat memberikan gambaran mengenai distribusi risiko HIV antarwilayah dan perubahannya dari waktu ke waktu, serta menjadi dasar bagi pemerintah daerah dan pemangku kepentingan dalam merumuskan kebijakan pencegahan dan pengendalian HIV yang lebih tepat sasaran. Selain itu, penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan metode analisis epidemiologi spasio-temporal untuk studi penyakit menular di Indonesia.
1.2 Identifikasi Masalah
Berdasarkan latar belakang yang telah diuraikan, jumlah kasus HIV di Provinsi Jawa Barat menunjukkan variasi yang cukup besar antar kabupaten/kota serta mengalami perubahan dari waktu ke waktu. Perbedaan jumlah kasus tersebut mengindikasikan adanya variasi tingkat risiko HIV yang dipengaruhi oleh faktor sosial ekonomi, demografi, maupun karakteristik wilayah. Namun, jumlah kasus yang tinggi tidak selalu mencerminkan tingkat risiko yang tinggi karena besarnya kasus juga dipengaruhi oleh jumlah populasi yang berisiko pada masing-masing wilayah.
Analisis deskriptif yang selama ini dilakukan umumnya hanya menggambarkan jumlah kasus berdasarkan wilayah atau periode tertentu sehingga belum mampu mengidentifikasi tingkat risiko relatif HIV secara lebih akurat. Selain itu, adanya ketergantungan spasial antarwilayah yang berdekatan serta perubahan risiko dari waktu ke waktu perlu dipertimbangkan dalam proses analisis untuk memperoleh gambaran epidemiologi HIV yang lebih komprehensif.
Pemodelan Bayesian Spasio-Temporal merupakan salah satu pendekatan yang mampu mengakomodasi variasi spasial dan temporal secara simultan sehingga dapat menghasilkan estimasi risiko relatif yang lebih stabil dan akurat. Melalui pendekatan ini, wilayah dengan tingkat risiko HIV yang tinggi dapat diidentifikasi secara lebih tepat sehingga dapat digunakan sebagai dasar dalam penyusunan kebijakan dan program pengendalian HIV.
Berdasarkan kondisi tersebut, permasalahan yang dapat diidentifikasi dalam penelitian ini adalah sebagai berikut:
Faktor-faktor sosial ekonomi dan demografi apa saja yang berpengaruh terhadap risiko relatif HIV di Provinsi Jawa Barat?
Bagaimana pola distribusi risiko relatif HIV secara spasial dan temporal pada kabupaten/kota di Provinsi Jawa Barat berdasarkan Bayesian Spasio-Temporal Model?
Kabupaten/kota mana saja yang memiliki risiko relatif HIV tinggi sehingga perlu menjadi prioritas dalam program pencegahan dan pengendalian HIV di Provinsi Jawa Barat?
1.3 Maksud dan Tujuan Penelitian
1.3.1 Maksud Penelitian
Penelitian ini bermaksud untuk mengidentifikasi faktor-faktor yang mempengaruhi risiko relatif HIV dan menganalisis pola distribusi spasio-temporal risiko HIV di Provinsi Jawa Barat menggunakan pendekatan Bayesian Spasio-Temporal Model dengan metode INLA.
1.3.2 Tujuan Penelitian
Adapun tujuan yang ingin dicapai dalam penelitian ini adalah:
Mengidentifikasi faktor-faktor sosial ekonomi dan demografi yang berpengaruh terhadap risiko relatif HIV di Provinsi Jawa Barat menggunakan Bayesian Spasio-Temporal Model.
Mengestimasi serta menganalisis pola distribusi risiko relatif HIV secara spasial dan temporal pada kabupaten/kota di Provinsi Jawa Barat.
Mengidentifikasi kabupaten/kota yang memiliki risiko relatif HIV tinggi sebagai dasar penentuan prioritas program pencegahan dan pengendalian HIV di Provinsi Jawa Barat.
1.4 Manfaat Penelitian
1.4.1 Kontribusi Teoritis
Penelitian ini memberikan kontribusi dalam pengembangan metodologi analisis spasio-temporal untuk data kesehatan masyarakat, khususnya dalam penanganan data dengan karakteristik spasial dan temporal yang kompleks.
Aplikasi metode INLA dalam analisis risiko penyakit menular di Indonesia menunjukkan efisiensi komputasional yang lebih baik dibandingkan dengan metode MCMC konvensional.
Penelitian ini memperkaya literatur epidemiologi deskriptif yang mengintegrasikan analisis spasial, temporal, dan faktor sosial ekonomi secara simultan.
1.4.2 Kontribusi Praktis
Dukungan untuk pengambilan keputusan program: Hasil penelitian ini dapat membantu Dinas Kesehatan Provinsi Jawa Barat dalam identifikasi wilayah prioritas untuk pengendalian HIV dan alokasi sumber daya program secara lebih efektif.
Panduan intervensi berbasis bukti: Identifikasi faktor determinan risiko HIV dapat mengarahkan pengembangan strategi intervensi yang lebih spesifik dan berbasis bukti ilmiah.
Sistem monitoring epidemiologis: Hasil mapping risiko HIV dapat menjadi basis untuk pengembangan sistem surveillance dan monitoring yang dinamis dan responsif terhadap perubahan epidemi.
Perencanaan program kesehatan: Model spasio-temporal yang dikembangkan dapat digunakan untuk proyeksi risiko HIV di masa depan dan perencanaan program penanggulangan HIV jangka panjang.
2 BAB II: TINJAUAN PUSTAKA
2.1 Stunting
Human Immunodeficiency Virus (HIV) merupakan virus yang menyerang sistem kekebalan tubuh manusia, khususnya sel CD4 yang berperan penting dalam melawan infeksi. Jika tidak mendapatkan pengobatan yang memadai, infeksi HIV dapat berkembang menjadi Acquired Immunodeficiency Syndrome (AIDS), yaitu tahap lanjut infeksi HIV yang ditandai dengan menurunnya sistem kekebalan tubuh secara signifikan sehingga penderita lebih rentan terhadap infeksi oportunistik dan berbagai penyakit lainnya (WHO, 2025). HIV dapat ditularkan melalui kontak dengan cairan tubuh yang mengandung virus, seperti darah, cairan semen, cairan vagina, cairan rektal, dan air susu ibu (ASI) (WHO, 2025).
Menurut World Health Organization (WHO), HIV masih menjadi salah satu masalah kesehatan masyarakat utama di dunia. Pada tahun 2024 diperkirakan terdapat lebih dari 40 juta orang yang hidup dengan HIV secara global (WHO, 2025; UNAIDS, 2025). Meskipun berbagai upaya pencegahan dan pengobatan telah dilakukan, penyebaran HIV masih dipengaruhi oleh berbagai faktor sosial, ekonomi, demografi, dan lingkungan yang berbeda antarwilayah (WHO, 2025).
2.2 Konsep HIV dan Epidemiologi
Human Immunodeficiency Virus (HIV) adalah retrovirus yang menargetkan dan menghancurkan sel CD4+ (sel-sel kekebalan tubuh yang penting). Ketika jumlah sel CD4+ turun di bawah tingkat tertentu, sistem kekebalan tubuh menjadi sangat lemah dan seseorang rentan terhadap infeksi oportunistik dan kanker tertentu, kondisi ini disebut AIDS (Acquired Immunodeficiency Syndrome).
Epidemiologi HIV mencakup studi tentang pola distribusi penyakit, determinan risiko, dan faktor-faktor yang mempengaruhi transmission. Pemahaman mendalam tentang epidemiologi HIV penting untuk pengembangan strategi pencegahan dan pengendalian yang efektif.
2.2.1 Faktor-faktor yang Memengaruhi HIV
Penyebaran HIV tidak hanya dipengaruhi oleh faktor biologis dan perilaku individu, tetapi juga oleh berbagai faktor sosial ekonomi dan demografi yang dikenal sebagai social determinants of health. Faktor-faktor tersebut memengaruhi kerentanan masyarakat terhadap HIV, akses terhadap layanan kesehatan, serta kemampuan individu dalam memperoleh informasi dan layanan pencegahan HIV (WHO, 2025).
1. Tingkat Kemiskinan
Kemiskinan merupakan salah satu determinan sosial yang berpengaruh terhadap risiko HIV. Individu yang hidup dalam kondisi ekonomi rendah cenderung memiliki keterbatasan akses terhadap layanan kesehatan, pendidikan kesehatan, dan program pencegahan HIV. Selain itu, kemiskinan dapat meningkatkan kerentanan terhadap perilaku berisiko yang berkaitan dengan penularan HIV (Braveman & Gottlieb, 2014). WHO juga menegaskan bahwa kondisi sosial ekonomi merupakan faktor penting yang memengaruhi status kesehatan masyarakat dan ketimpangan kesehatan antarwilayah (WHO, 2025).
2. Tingkat Pengangguran Terbuka
Pengangguran merupakan indikator ketidakstabilan ekonomi yang dapat meningkatkan kerentanan terhadap berbagai masalah kesehatan, termasuk HIV. Tingginya tingkat pengangguran dapat menyebabkan penurunan akses terhadap layanan kesehatan, meningkatkan tekanan ekonomi, serta memengaruhi kondisi sosial masyarakat yang berhubungan dengan perilaku berisiko (WHO, 2025). Oleh karena itu, pengangguran sering digunakan sebagai salah satu indikator dalam kajian epidemiologi sosial dan kesehatan masyarakat (CDC, 2024).
3. Indeks Pembangunan Manusia (IPM)
Indeks Pembangunan Manusia (IPM) merupakan indikator yang mencerminkan kualitas hidup masyarakat melalui dimensi kesehatan, pendidikan, dan standar hidup layak. Wilayah dengan IPM yang tinggi umumnya memiliki akses yang lebih baik terhadap layanan kesehatan dan pendidikan. Namun demikian, hubungan antara IPM dan HIV tidak selalu bersifat linear karena wilayah dengan tingkat pembangunan yang lebih tinggi juga sering memiliki tingkat urbanisasi dan mobilitas penduduk yang lebih besar sehingga dapat meningkatkan potensi penyebaran HIV (WHO, 2025).
4. Rata-rata Lama Sekolah
Pendidikan merupakan salah satu faktor penting dalam pencegahan HIV. Individu dengan tingkat pendidikan yang lebih tinggi cenderung memiliki pengetahuan yang lebih baik mengenai mekanisme penularan HIV, perilaku pencegahan, serta pentingnya pemeriksaan dan pengobatan HIV. Penelitian Soo et al. (2023) menunjukkan bahwa pendidikan berkontribusi dalam meningkatkan kesadaran kesehatan dan mengurangi kerentanan terhadap infeksi HIV. Selain itu, WHO menyatakan bahwa pendidikan merupakan salah satu determinan sosial utama yang berpengaruh terhadap status kesehatan masyarakat (WHO, 2025).
5. Kepadatan Penduduk
Kepadatan penduduk merupakan faktor demografis yang sering dikaitkan dengan penyebaran penyakit menular. Wilayah dengan kepadatan penduduk tinggi umumnya memiliki tingkat mobilitas dan interaksi sosial yang lebih besar sehingga meningkatkan peluang terjadinya kontak yang berpotensi menyebabkan penularan penyakit, termasuk HIV. Selain itu, wilayah yang padat penduduk biasanya merupakan pusat aktivitas ekonomi dan urbanisasi yang memiliki dinamika populasi lebih tinggi dibandingkan wilayah lainnya (WHO, 2025).
Secara keseluruhan, kemiskinan, pengangguran, pembangunan manusia, pendidikan, dan kepadatan penduduk merupakan faktor sosial ekonomi dan demografi yang berpotensi memengaruhi variasi risiko HIV antarwilayah. Oleh karena itu, faktor-faktor tersebut digunakan sebagai kovariat dalam penelitian ini untuk menjelaskan variasi risiko relatif HIV di Provinsi Jawa Barat menggunakan pendekatan Bayesian Spasio-Temporal.
2.3 Risiko Relatif (RR)
Risiko Relatif (RR) adalah ukuran epidemiologi yang membandingkan risiko penyakit pada kelompok yang terekspos dengan kelompok yang tidak terekspos. Dalam konteks geografis, RR dapat diinterpretasikan sebagai perbandingan antara tingkat risiko di suatu wilayah dengan tingkat risiko rata-rata di populasi yang lebih luas.
\[RR = \frac{\text{Risiko pada kelompok terekspos}}{\text{Risiko pada kelompok tidak terekspos}}\]
Nilai RR = 1 menunjukkan tidak ada perbedaan risiko, RR > 1 menunjukkan peningkatan risiko, dan RR < 1 menunjukkan penurunan risiko.
2.4 Standardized Morbidity Ratio (SMR)
Standardized Morbidity Ratio (SMR) adalah ukuran yang membandingkan jumlah kejadian penyakit yang diamati dengan jumlah yang diharapkan jika tingkat penyakit di suatu area sama dengan tingkat standar (biasanya nasional atau provinsi).
\[SMR = \frac{\text{Jumlah kasus yang diamati (O)}}{\text{Jumlah kasus yang diharapkan (E)}}\]
SMR digunakan sebagai estimasi awal risiko relatif sebelum dilakukan smoothing Bayesian untuk meningkatkan stabilitas estimasi, terutama pada area dengan jumlah kasus kecil.
2.5 Bayesian Smoothing
Bayesian smoothing adalah teknik untuk meningkatkan stabilitas estimasi risiko pada area dengan jumlah data kecil dengan menggunakan informasi dari area sekitarnya. Pendekatan ini menggabungkan informasi data lokal dengan informasi dari area tetangga melalui struktur prior dalam framework Bayesian.
2.5.1 Metode Bayesian
Metode Bayesian didasarkan pada Teorema Bayes yang menyatakan:
\[P(\theta|y) = \frac{P(y|\theta) P(\theta)}{P(y)}\]
di mana: - \(P(\theta|y)\) adalah posterior distribution - \(P(y|\theta)\) adalah likelihood - \(P(\theta)\) adalah prior distribution - \(P(y)\) adalah marginal likelihood
Dalam konteks epidemiologi, \(\theta\) merepresentasikan parameter risiko dan \(y\) adalah data observasi (kasus penyakit).
2.6 Metode Markov Chain Monte Carlo (MCMC)
MCMC adalah metode komputasi untuk menghasilkan sampel dari posterior distribution ketika tidak mungkin menghitung secara analitik. Metode ini menggunakan rantai Markov yang konvergen ke posterior distribution.
Algoritma Gibbs sampling dan Metropolis-Hastings adalah contoh metode MCMC yang sering digunakan. Meskipun powerful, MCMC memerlukan waktu komputasi yang lama, terutama untuk model dengan dimensi tinggi.
2.7 Integrated Nested Laplace Approximation (INLA)
INLA adalah metode alternatif untuk melakukan inferensi Bayesian yang lebih cepat dibandingkan MCMC. INLA menggunakan Laplace approximation untuk menghitung posterior marginal dengan akurasi tinggi dan waktu komputasi yang jauh lebih singkat.
Keuntungan INLA: - Cepat: Waktu komputasi jauh lebih singkat dari MCMC - Akurat: Memberikan hasil yang sangat mendekati MCMC untuk model latent Gaussian - Praktis: Cocok untuk model spasial dan spasio-temporal kompleks
2.8 Model Spasial: Metode Besag, York, dan Mollie (BYM)
Model BYM adalah model spasial yang menggabungkan dua komponen:
Efek spasial terstruktur (\(u_i\)): Menggunakan conditional autoregressive (CAR) prior yang mengasumsikan area yang berdekatan memiliki risiko yang serupa.
Efek spasial tidak terstruktur (\(v_i\)): Heterogenitas yang tidak dijelaskan oleh struktur spasial, diasumsikan berdistribusi normal.
Conditional Autoregressive (CAR) Prior: \[u_i | u_{-i} \sim N\left(\bar{u}_{\delta_i}, \frac{\sigma_u^2}{n_{\delta_i}}\right)\]
di mana \(\bar{u}_{\delta_i}\) adalah rata-rata efek tetangga area \(i\) dan \(n_{\delta_i}\) adalah jumlah tetangga.
2.9 Model Temporal
2.9.1 Model Random Walk Orde 2 (RW2)
Random Walk Orde 2 (RW2) adalah model temporal yang mengasumsikan efek waktu mengikuti pola smooth. Spesifikasinya:
\[\gamma_t | \gamma_{t-1}, \gamma_{t-2} \sim N(2\gamma_{t-1} - \gamma_{t-2}, \sigma_\gamma^2)\]
Model ini mengasumsikan bahwa perubahan tingkat pertama (first difference) berdistribusi normal dengan mean 0.
2.9.2 Model Spatio-Temporal
Model spatio-temporal mengkombinasikan struktur spasial dan temporal. Salah satu parametrisasi adalah:
\[\delta_{it} | \delta_{i,t-1}, \delta_{i-1,t}, \delta_{i+1,t} \sim N(\text{mean}, \text{variance})\]
Ini memungkinkan dependensi baik dalam ruang maupun waktu.
2.10 Pemilihan Metode Analisis
Pemilihan metode analisis didasarkan pada karakteristik data:
- Data dengan struktur spasial dan temporal: Bayesian spatio-temporal model dengan INLA adalah pilihan optimal
- Ukuran sampel kecil di beberapa area: Bayesian smoothing memberikan estimasi yang lebih stabil
- Kebutuhan akan interpretasi probabilistik: Pendekatan Bayesian memberikan credible interval yang informatif
- Efisiensi komputasi: INLA lebih cepat dari MCMC untuk model complex
2.11 Hipotesis Penelitian
Hipotesis Nol (H₀): Tidak ada pengaruh signifikan dari faktor sosial ekonomi (kemiskinan, pengangguran, IPM, pendidikan, kepadatan penduduk) terhadap risiko relatif HIV di Jawa Barat.
Hipotesis Alternatif (H₁): Terdapat pengaruh signifikan dari minimal satu faktor sosial ekonomi terhadap risiko relatif HIV di Jawa Barat.
Hipotesis Spasial: Terdapat dependensi spasial yang signifikan dalam distribusi risiko HIV antar kabupaten/kota di Jawa Barat, di mana area tetangga cenderung memiliki risiko yang serupa.
Hipotesis Temporal: Terdapat pola temporal yang signifikan dalam perkembangan risiko HIV selama periode 2021–2025, dengan kemungkinan peningkatan atau penurunan trend jangka panjang.
3 BAB III: METODOLOGI PENELITIAN
3.1 Sumber Data
Data yang digunakan dalam penelitian ini merupakan data sekunder yang diperoleh dari Dinas Kesehatan dan Badan Pusat Statistik (BPS) Provinsi Jawa Barat, serta website https://opendata.jabarprov.go.id/. Periode data yang digunakan yaitu dari tahun 2019 sampai dengan 2024 dengan objek pengamatan terdiri dari 27 Kabupaten/Kota di Provinsi Jawa Barat. Secara astronomis, Provinsi Jawa Barat terletak antara 5° 50’ – 7° 50’ Lintang Selatan dan 104° 48’ – 108° 48’ Bujur Timur (BPS Jabar, 2025). Wilayah administrasi pemerintah Provinsi Jawa Barat terdiri dari 18 kabupaten dan 9 kota. Berikut disajikan peta Provinsi Jawa Barat pada Gambar 3.1, dengan titik koordinat setiap kabupaten/kota yang dicantumkan pada Lampiran 1 merupakan lokasi pusat pemerintahan di wilayah tersebut.
Gambar 3.1 Peta Provinsi Jawa Barat Daftar nama kabupaten/kota yang sesuai dengan nomor pada Gambar 3.1 disajikan dalam Tabel 3.1.
3.2 Variabel Penelitian
3.2.1 Variabel Dependen
Jumlah kasus HIV (\(y_{it}\)): Jumlah kasus HIV baru yang ditemukan (ODHIV baru) di kabupaten/kota \(i\) pada tahun \(t\). Data ini mengikuti distribusi Poisson.
3.2.2 Variabel Independen (Kovariat)
Variabel yang digunakan dalam penelitian ini terdiri dari satu variabel respon (dependent variable) dan empat variabel prediktor (independent variable). Rincian variabel yang dilibatkan dalam penelitian dapat disajikan dalam Tabel 3.1 berikut: Tabel 3.1 Variabel Penelitian
3.2.3 Variabel Efek Spasial dan Temporal
- Efek spasial terstruktur (\(u_i\)): Menangkap dependensi spasial berdasarkan ketetanggaan geografis
- Efek spasial tidak terstruktur (\(v_i\)): Heterogenitas acak yang tidak dijelaskan oleh struktur spasial
- Efek temporal (\(\gamma_t\)): Tren waktu dalam perubahan risiko HIV
3.3 Data Preprocessing
3.3.1 Dataset
Langkah-langkah preprocessing data:
Data Cleaning: Pengecekan missing values, outliers, dan inconsistencies. Imputasi missing values menggunakan metode multiple imputation jika diperlukan.
Standardisasi Variabel: Kovariat kontinyu distandardisasi (mean centering dan scaling) untuk memfasilitasi interpretasi dan konvergensi model: \[x'_k = \frac{x_k - \bar{x}_k}{sd(x_k)}\]
Pemeriksaan Multikolinearitas: Penghitungan Variance Inflation Factor (VIF) untuk setiap kovariat. VIF > 5-10 menunjukkan multikolinearitas yang bermasalah.
Konstruksi Spatial Weights Matrix: Pembentukan matriks adjacency berdasarkan ketetanggaan geografis. Area \(i\) dan \(j\) dianggap tetangga jika berbagi perbatasan (queen contiguity).
3.4 Statistika Deskriptif
Analisis deskriptif meliputi:
- Ukuran pemusatan: Mean, median untuk variabel kontinyu
- Ukuran dispersi: Standard deviation, range, interquartile range
- Visualisasi: Histogram, box plot, scatter plot untuk eksplorasi distribusi dan hubungan antar variabel
- Statistik spasial awal: Perhitungan Moran’s I untuk mendeteksi autokorelasi spasial global
3.5 Taksiran Risiko Relatif dengan SMR
Standardized Morbidity Ratio (SMR) digunakan sebagai estimasi awal risiko relatif sebelum smoothing Bayesian:
\[SMR_i = \frac{O_i}{E_i}\]
di mana: - \(O_i\) = jumlah kasus HIV yang diamati di area \(i\) - \(E_i\) = jumlah kasus HIV yang diharapkan jika tingkat di area \(i\) sama dengan tingkat keseluruhan
\[E_i = n_i \times \frac{\sum_j O_j}{\sum_j n_j}\]
di mana \(n_i\) adalah populasi at risk di area \(i\).
Estimasi interval untuk SMR menggunakan: \[95\% \text{ CI} = SMR_i \pm 1.96 \sqrt{\frac{SMR_i^2}{E_i}}\]
3.6 Pemeriksaan Autokorelasi Spatio-Temporal
3.6.1 Autokorelasi Spasial
Moran’s I untuk mendeteksi autokorelasi spasial global: \[I = \frac{n \sum_{i} \sum_{j} w_{ij} (x_i - \bar{x})(x_j - \bar{x})}{\sum_{i} \sum_{j} w_{ij} \sum_i (x_i - \bar{x})^2}\]
di mana: - \(w_{ij}\) adalah elemen matriks spatial weights - \(\bar{x}\) adalah rata-rata nilai variabel
\(I\) berkisar dari -1 hingga 1: - \(I > 0\): autokorelasi spasial positif (nilai serupa mengelompok) - \(I < 0\): autokorelasi spasial negatif (nilai berbeda mengelompok) - \(I = 0\): tidak ada autokorelasi spasial
3.6.2 Autokorelasi Temporal
Durbin-Watson statistic untuk deteksi autokorelasi temporal orde 1: \[DW = \frac{\sum_{t=2}^{T} (r_t - r_{t-1})^2}{\sum_{t=1}^{T} r_t^2}\]
di mana \(r_t\) adalah residual pada waktu \(t\).
DW ≈ 2 menunjukkan tidak ada autokorelasi, DW < 2 menunjukkan autokorelasi positif.
3.7 Model Penelitian
3.7.1 Model Spesifikasi
Data jumlah kasus HIV dimodelkan menggunakan distribusi Poisson dengan log-link:
\[y_{it} \sim \text{Poisson}(\mu_{it})\]
\[\log(\mu_{it}) = \alpha + \sum_{k=1}^{5} \beta_k x_{kit} + u_i + v_i + \gamma_t + \delta_{it}\]
di mana:
- \(y_{it}\) = jumlah kasus HIV di area \(i\) pada tahun \(t\)
- \(\mu_{it}\) = expected count
- \(\alpha\) = intercept
- \(\beta_k\) = koefisien regresi untuk kovariat \(k\)
- \(x_{kit}\) = nilai kovariat \(k\) di area \(i\) tahun \(t\)
- \(u_i\) = efek spasial terstruktur (CAR prior)
- \(v_i\) = efek spasial tidak terstruktur (iid normal)
- \(\gamma_t\) = efek temporal (RW2 prior)
- \(\delta_{it}\) = efek spatio-temporal interaksi
3.7.2 Struktur Prior
Prior untuk koefisien kovariat (\(\beta_k\)): \[\beta_k \sim N(0, 1000)\]
Prior ini adalah vague prior (non-informative) yang memberikan informasi minimal.
Prior untuk efek spasial terstruktur (\(u_i\)): CAR prior \[u_i | u_{-i} \sim N\left(\bar{u}_{\delta_i}, \frac{\sigma_u^2}{n_{\delta_i}}\right)\]
Prior untuk efek spasial tidak terstruktur (\(v_i\)): \[v_i \sim N(0, \sigma_v^2)\]
Prior untuk efek temporal (\(\gamma_t\)): RW2 prior \[\gamma_t | \gamma_{t-1}, \gamma_{t-2} \sim N(2\gamma_{t-1} - \gamma_{t-2}, \sigma_\gamma^2)\]
3.8 Aproksimasi Laplace
Laplace approximation digunakan untuk menghitung posterior marginal dari parameter yang berminat. Untuk suatu parameter \(\theta_j\), posterior marginal didekati dengan:
\[p(\theta_j | y) \approx \frac{p(y, \theta_j)}{p(\theta_{-j} | \theta_j, y)}\]
Integrasi menggunakan quadrature numerik: \[p(\theta_j | y) = \int p(\theta_j | \boldsymbol{\theta}_{-j}, y) p(\boldsymbol{\theta}_{-j} | y) d\boldsymbol{\theta}_{-j}\]
3.9 Integrated Nested Laplace Approximation (INLA)
INLA adalah framework komputasional yang mengintegrasikan Laplace approximation dengan nested sampling strategy. Algoritma INLA terdiri dari beberapa langkah:
Hyperparameter estimation: Estimasi hyperparameter \(\boldsymbol{\psi}\) (variance components) menggunakan marginal likelihood yang diapproksimasi dengan Laplace.
Posterior marginals for latent effects: Untuk setiap latent effect, Laplace approximation digunakan untuk menghitung posterior marginal.
Posterior marginals for hyperparameters: Posterior marginal untuk hyperparameter diperoleh melalui integrasi atas latent effects.
Keuntungan INLA: - Fast computation: Waktu eksekusi jauh lebih cepat dari MCMC - Accurate: Aproksimasi akurat untuk model latent Gaussian - Flexible: Dapat mengakomodasi berbagai struktur model
3.10 Titik Evaluasi untuk p(ψ|y)
Untuk mengevaluasi hyperparameter posterior \(p(\boldsymbol{\psi}|y)\), dipilih grid points yang mencakup range plausible dari hyperparameter. Distribusi Gamma digunakan sebagai prior untuk precision parameters:
\[\tau \sim \text{Gamma}(\alpha, \beta)\]
Grid points dipilih berdasarkan quantile dari prior distribution.
3.11 Aproksimasi p(θᵢ|y,ψ)
Untuk setiap hyperparameter value \(\boldsymbol{\psi}\), posterior marginal untuk latent effect \(\theta_i\) didekati menggunakan:
\[p(\theta_i | y, \boldsymbol{\psi}) \approx N(\mu_i, \sigma_i^2)\]
di mana mean dan variance dihitung menggunakan Laplace approximation dan Taylor expansion di sekitar mode.
3.12 Pemilihan Model Terbaik
Pemilihan model dilakukan dengan membandingkan beberapa model kandidat menggunakan kriteria statistik.
3.12.1 DIC (Deviance Information Criterion)
Deviance Information Criterion (DIC) adalah kriteria untuk membandingkan model Bayesian:
\[DIC = D(\bar{\theta}) + 2 p_D\]
di mana: - \(D(\bar{\theta}) = -2 \log p(y | \bar{\theta})\) adalah deviance pada posterior mean - \(p_D = \overline{D(\theta)} - D(\bar{\theta})\) adalah effective number of parameters - \(\overline{D(\theta)} = E_{\theta|y}[-2 \log p(y|\theta)]\) adalah posterior mean deviance
Model dengan DIC lebih kecil menunjukkan fit yang lebih baik. Perbedaan DIC ≥ 10 dianggap penting.
3.12.2 Interval Kredibel
95% Credible Interval (95% CrI) untuk parameter \(\theta\) diperoleh dari posterior distribution:
\[P(L(\theta) < \theta < U(\theta) | y) = 0.95\]
di mana \(L(\theta)\) dan \(U(\theta)\) adalah 2.5% dan 97.5% quantile dari posterior distribution.
Parameter dianggap signifikan jika 95% CrI tidak mencakup nilai null (0 untuk koefisien, 1 untuk RR).
3.13 Tahapan Analisis
Flowchart Tahapan Analisis Data
4 BAB IV: HASIL PENELITIAN DAN PEMBAHASAN
4.1 Analisis Data Eksplorasi
4.1.1 Deskripsi Data
Data yang digunakan dalam penelitian ini merupakan data panel yang mencakup 27 kabupaten/kota di Provinsi Jawa Barat selama periode tahun 2021–2025. Variabel yang dianalisis meliputi jumlah kasus Human Immunodeficiency Virus (HIV), tingkat kemiskinan, tingkat pengangguran terbuka (TPT), Indeks Pembangunan Manusia (IPM), rata-rata lama sekolah (RLS), dan kepadatan penduduk. Data diperoleh dari Dinas Kesehatan Provinsi Jawa Barat serta publikasi resmi Badan Pusat Statistik (BPS).
Statistik deskriptif masing-masing variabel disajikan pada Tabel berikut :
Table 4.1 Statistik Deskriptif Variabel Penelitian Tahun 2021–2025
| Variabel | Tahun | Mean | Standar Deviasi | Minimum | Maksimum |
|---|---|---|---|---|---|
| HIV | 2021 | 167.81 | 113.37 | 4.00 | 430.00 |
| 2022 | 326.37 | 266.95 | 39.00 | 1135.00 | |
| 2023 | 359.63 | 270.84 | 54.00 | 1059.00 | |
| 2024 | 394.00 | 325.52 | 51.00 | 1400.00 | |
| 2025 | 359.93 | 284.54 | 43.00 | 1167.00 | |
| Tingkat Kemiskinan | 2021 | 8.97 | 2.89 | 2.58 | 13.13 |
| 2022 | 8.65 | 2.82 | 2.53 | 12.77 | |
| 2023 | 8.18 | 2.68 | 2.38 | 12.13 | |
| 2024 | 8.01 | 2.65 | 2.34 | 11.93 | |
| 2025 | 7.60 | 2.50 | 2.31 | 11.02 | |
| TPT | 2021 | 9.40 | 2.43 | 3.25 | 13.07 |
| 2022 | 7.80 | 2.33 | 1.56 | 10.78 | |
| 2023 | 7.19 | 2.02 | 1.52 | 10.52 | |
| 2024 | 6.52 | 1.71 | 1.58 | 8.97 | |
| 2025 | 6.52 | 1.62 | 1.91 | 8.78 | |
| IPM | 2021 | 72.81 | 4.45 | 67.16 | 82.23 |
| 2022 | 73.48 | 4.38 | 67.55 | 82.75 | |
| 2023 | 74.11 | 4.34 | 68.18 | 83.29 | |
| 2024 | 74.68 | 4.33 | 68.89 | 83.75 | |
| 2025 | 75.50 | 4.32 | 69.84 | 84.66 | |
| Rata-rata Lama Sekolah | 2021 | 8.66 | 1.47 | 6.52 | 11.46 |
| 2022 | 8.78 | 1.45 | 6.83 | 11.47 | |
| 2023 | 8.87 | 1.46 | 6.94 | 11.66 | |
| 2024 | 8.91 | 1.48 | 6.95 | 11.79 | |
| 2025 | 9.09 | 1.49 | 7.05 | 12.32 | |
| Kepadatan Penduduk | 2021 | 3895.78 | 4584.33 | 423.00 | 14630.00 |
| 2022 | 3823.96 | 4547.67 | 383.00 | 14776.00 | |
| 2023 | 3873.26 | 4624.98 | 382.00 | 15047.00 | |
| 2024 | 3910.93 | 4668.12 | 385.00 | 15176.00 | |
| 2025 | 3941.33 | 4701.59 | 387.00 | 15300.00 |
Berdasarkan Tabel 4.1, jumlah kasus HIV di Jawa Barat menunjukkan kecenderungan meningkat selama periode pengamatan. Rata-rata kasus HIV meningkat dari 167,81 kasus pada tahun 2021 menjadi 394,00 kasus pada tahun 2024, sebelum mengalami sedikit penurunan menjadi 359,93 kasus pada tahun 2025. Selain itu, nilai simpangan baku yang relatif besar pada seluruh periode menunjukkan adanya variasi yang tinggi antarwilayah dalam jumlah kasus HIV. Kondisi ini mengindikasikan bahwa distribusi kasus HIV di Jawa Barat tidak merata dan cenderung terkonsentrasi pada beberapa kabupaten/kota tertentu.
Variabel tingkat kemiskinan menunjukkan tren penurunan yang konsisten selama periode penelitian. Rata-rata tingkat kemiskinan menurun dari 8,97 persen pada tahun 2021 menjadi 7,60 persen pada tahun 2025. Penurunan tersebut mengindikasikan adanya perbaikan kondisi sosial ekonomi masyarakat di sebagian besar wilayah Jawa Barat. Meskipun demikian, rentang nilai minimum dan maksimum yang cukup lebar menunjukkan bahwa disparitas tingkat kemiskinan antarwilayah masih relatif tinggi.
Pola serupa juga terlihat pada variabel tingkat pengangguran terbuka. Rata-rata tingkat pengangguran terbuka menurun dari 9,40 persen pada tahun 2021 menjadi 6,52 persen pada tahun 2025. Penurunan ini menunjukkan adanya pemulihan kondisi pasar kerja pascapandemi COVID-19. Selain itu, simpangan baku yang cenderung menurun dari tahun ke tahun mengindikasikan bahwa variasi tingkat pengangguran antarwilayah semakin mengecil.
Di sisi lain, indikator pembangunan manusia menunjukkan tren peningkatan yang berkelanjutan. Rata-rata nilai IPM meningkat dari 72,81 pada tahun 2021 menjadi 75,50 pada tahun 2025. Peningkatan tersebut mencerminkan perbaikan kualitas hidup masyarakat yang ditinjau dari dimensi kesehatan, pendidikan, dan standar hidup layak. Variasi IPM antarwilayah relatif stabil selama periode penelitian, sebagaimana ditunjukkan oleh nilai simpangan baku yang berkisar antara 4,32 hingga 4,45.
Kemajuan sektor pendidikan juga tercermin dari peningkatan rata-rata lama sekolah. Nilai rata-rata lama sekolah meningkat dari 8,66 tahun pada tahun 2021 menjadi 9,09 tahun pada tahun 2025. Hasil ini menunjukkan bahwa akses dan partisipasi masyarakat terhadap pendidikan formal cenderung semakin baik. Namun demikian, masih terdapat kesenjangan antarwilayah yang terlihat dari rentang nilai minimum dan maksimum yang cukup besar.
Sementara itu, kepadatan penduduk menunjukkan kecenderungan meningkat secara bertahap selama periode pengamatan. Rata-rata kepadatan penduduk meningkat dari 3.895,78 jiwa per km\(^2\) pada tahun 2021 menjadi 3.941,33 jiwa per km\(^2\) pada tahun 2025. Variabel ini memiliki simpangan baku yang sangat tinggi dibandingkan variabel lainnya, yang menunjukkan adanya perbedaan karakteristik demografis yang cukup ekstrem antarwilayah. Beberapa daerah perkotaan memiliki tingkat kepadatan penduduk yang jauh lebih tinggi dibandingkan daerah lainnya.
Secara keseluruhan, statistik deskriptif menunjukkan adanya variasi spasial dan temporal yang cukup besar pada jumlah kasus HIV maupun faktor-faktor sosial ekonomi yang diduga memengaruhinya. Variasi tersebut mengindikasikan pentingnya pendekatan analisis spasio-temporal untuk memahami pola penyebaran HIV dan mengidentifikasi wilayah yang memiliki tingkat risiko lebih tinggi dibandingkan wilayah lainnya.
Berikut disajikan peta sebaran jumlah kasus HIV di Provinsi Jawa Barat selama periode 2021–2025.
Gambar 4.1 menunjukkan sebaran jumlah kasus HIV pada 27 kabupaten/kota di Provinsi Jawa Barat selama periode 2021–2025. Berdasarkan peta tersebut terlihat bahwa distribusi kasus HIV tidak merata antarwilayah dan menunjukkan perubahan pola dari tahun ke tahun. Pada tahun 2021, seluruh kabupaten/kota berada pada kategori jumlah kasus yang relatif rendah. Tidak terdapat wilayah yang menunjukkan konsentrasi kasus yang menonjol dibandingkan wilayah lainnya. Kondisi ini mengindikasikan bahwa jumlah kasus HIV pada tahun tersebut masih relatif rendah dan tersebar di berbagai wilayah. Pada tahun 2022, terjadi peningkatan jumlah kasus HIV di beberapa wilayah. Kabupaten Bekasi (16) dan Kota Bandung (21) merupakan wilayah dengan jumlah kasus tertinggi yang ditunjukkan oleh kategori warna merah hingga merah tua. Selain itu, Kabupaten Bogor (1) dan Kabupaten Indramayu (12) juga menunjukkan jumlah kasus yang relatif tinggi dibandingkan wilayah lainnya. Sebaliknya, Kabupaten Sukabumi (2), Kabupaten Cianjur (3), Kabupaten Tasikmalaya (6), Kabupaten Kuningan (8), dan Kabupaten Pangandaran (18) termasuk wilayah dengan jumlah kasus yang relatif rendah. Pada tahun 2023, pola sebaran kasus HIV masih menunjukkan konsentrasi pada wilayah yang sama. Kabupaten Bekasi (16) tetap menjadi wilayah dengan jumlah kasus yang tinggi, diikuti oleh Kota Bandung (21), Kabupaten Bogor (1), dan Kabupaten Indramayu (12). Sementara itu, sebagian besar wilayah di bagian selatan Jawa Barat seperti Kabupaten Sukabumi (2), Kabupaten Tasikmalaya (6), Kabupaten Ciamis (7), Kabupaten Kuningan (8), dan Kota Banjar (27) masih berada pada kategori jumlah kasus yang rendah. Pada tahun 2024, jumlah kasus HIV menunjukkan peningkatan yang lebih signifikan. Kabupaten Bekasi (16) menjadi wilayah dengan jumlah kasus tertinggi selama periode pengamatan. Selain itu, Kabupaten Bogor (1), Kabupaten Bandung (4), dan Kabupaten Indramayu (12) juga menunjukkan peningkatan jumlah kasus yang cukup besar. Di sisi lain, wilayah seperti Kabupaten Sukabumi (2), Kabupaten Kuningan (8), Kabupaten Pangandaran (18), dan Kota Banjar (27) tetap berada pada kategori jumlah kasus yang rendah. Pada tahun 2025, terjadi perubahan pola sebaran kasus HIV. Kabupaten Bekasi (16) masih termasuk wilayah dengan jumlah kasus yang tinggi, diikuti oleh Kabupaten Bogor (1) dan Kabupaten Indramayu (12). Namun, intensitas kasus di beberapa wilayah tampak lebih rendah dibandingkan tahun sebelumnya. Sebagian besar kabupaten/kota di wilayah selatan dan timur Jawa Barat, seperti Kabupaten Sukabumi (2), Kabupaten Tasikmalaya (6), Kabupaten Kuningan (8), Kabupaten Pangandaran (18), dan Kota Banjar (27), tetap menunjukkan jumlah kasus HIV yang relatif rendah. Secara keseluruhan, Kabupaten Bekasi, Kabupaten Bogor, Kabupaten Indramayu, dan Kota Bandung merupakan wilayah yang secara konsisten menunjukkan jumlah kasus HIV yang relatif tinggi selama periode 2022–2025. Sebaliknya, Kabupaten Sukabumi, Kabupaten Tasikmalaya, Kabupaten Kuningan, Kabupaten Pangandaran, dan Kota Banjar cenderung memiliki jumlah kasus HIV yang lebih rendah. Pola ini mengindikasikan bahwa kasus HIV lebih terkonsentrasi pada wilayah perkotaan dan kawasan dengan tingkat kepadatan penduduk serta mobilitas masyarakat yang tinggi dibandingkan wilayah yang relatif rural.
4.1.2 Analisis Korelasi Spearman antara Insiden Stunting (lnSMR) dan Variabel Kovariat
Gambar X menyajikan matriks korelasi Spearman antara nilai lnSMR HIV dengan variabel kovariat yang digunakan dalam penelitian, yaitu tingkat kemiskinan, tingkat pengangguran terbuka (TPT), Indeks Pembangunan Manusia (IPM), rata-rata lama sekolah (RLS), dan kepadatan penduduk. Korelasi Spearman digunakan untuk mengukur kekuatan dan arah hubungan monotonik antarvariabel tanpa mengasumsikan distribusi normal. Berdasarkan hasil analisis, lnSMR HIV memiliki korelasi negatif lemah dengan tingkat kemiskinan (\(r_s=-0,28\)). Hasil ini menunjukkan bahwa wilayah dengan tingkat kemiskinan yang lebih tinggi cenderung memiliki nilai lnSMR HIV yang lebih rendah, meskipun hubungan tersebut relatif lemah. Sebaliknya, lnSMR HIV menunjukkan korelasi positif dengan tingkat pengangguran terbuka (\(r_s=0,34\)), yang mengindikasikan bahwa peningkatan tingkat pengangguran cenderung diikuti oleh peningkatan risiko HIV.
Hubungan yang lebih kuat terlihat pada variabel pembangunan manusia dan karakteristik demografis. Nilai lnSMR HIV memiliki korelasi positif cukup kuat dengan IPM (\(r_s=0,64\)), rata-rata lama sekolah (\(r_s=0,51\)), dan kepadatan penduduk (\(r_s=0,67\)). Di antara seluruh kovariat, kepadatan penduduk menunjukkan korelasi positif tertinggi terhadap lnSMR HIV. Temuan ini mengindikasikan bahwa wilayah dengan tingkat kepadatan penduduk yang tinggi cenderung memiliki risiko HIV yang lebih besar dibandingkan wilayah dengan kepadatan penduduk yang rendah. Selain hubungan dengan lnSMR HIV, terdapat korelasi yang sangat kuat antar beberapa variabel kovariat. IPM memiliki korelasi positif yang sangat kuat dengan rata-rata lama sekolah (\(r_s=0,92\)), serta korelasi positif kuat dengan kepadatan penduduk (\(r_s=0,84\)). Rata-rata lama sekolah juga menunjukkan korelasi positif kuat dengan kepadatan penduduk (\(r_s=0,82\)). Sebaliknya, tingkat kemiskinan memiliki korelasi negatif kuat dengan IPM (\(r_s=-0,73\)) dan rata-rata lama sekolah (\(r_s=-0,71\)), yang menunjukkan bahwa wilayah dengan tingkat kemiskinan yang tinggi cenderung memiliki kualitas pembangunan manusia dan tingkat pendidikan yang lebih rendah.
Secara umum, hasil analisis menunjukkan bahwa risiko HIV di Jawa Barat cenderung lebih tinggi pada wilayah dengan tingkat pembangunan manusia yang lebih baik, tingkat pendidikan yang lebih tinggi, serta kepadatan penduduk yang tinggi. Kondisi ini kemungkinan berkaitan dengan karakteristik wilayah perkotaan yang memiliki mobilitas penduduk lebih tinggi, aktivitas ekonomi yang lebih intensif, serta akses layanan kesehatan yang lebih baik sehingga kasus HIV lebih banyak terdeteksi dan tercatat. Namun demikian, interpretasi hubungan ini perlu dilakukan secara hati-hati karena korelasi tidak serta-merta menunjukkan hubungan sebab-akibat.
4.1.3 Taksiran Risiko Relatif dengan SMR
Untuk melakukan pemetaan Risiko Relatif, penaksir yang sederhana dan sering digunakan yaitu SMR. Hasil takriran Risiko Relatif menggunakan Persamaan (3.2) disajikan dalam tabel analisis deskriptif berikut: Tabel 4.2 Hasil Analisis Deskriptif Taksiran Risiko Relatif Menggunakan SMR
Table 4.2 Hasil Analisis Deskriptif Taksiran Risiko Relatif Menggunakan SMR
| Tahun | Minimum | Kuartil 1 (Q1) | Median | Mean | Kuartil 3 (Q3) | Maksimum |
|---|---|---|---|---|---|---|
| 2021 | 0.290 | 0.621 | 0.970 | 1.244 | 1.582 | 5.312 |
| 2022 | 0.271 | 0.642 | 0.917 | 1.213 | 1.487 | 4.768 |
| 2023 | 0.263 | 0.634 | 0.946 | 1.206 | 1.466 | 4.491 |
| 2024 | 0.274 | 0.624 | 0.998 | 1.197 | 1.446 | 4.345 |
| 2025 | 0.312 | 0.585 | 1.118 | 1.230 | 1.439 | 4.604 |
Berdasarkan Tabel 4.2, rata-rata Relative Risk (RR) HIV di Jawa Barat selama periode 2021–2025 berkisar antara 1,197 hingga 1,244. Nilai rata-rata RR yang lebih besar dari satu menunjukkan bahwa secara umum terdapat wilayah-wilayah yang memiliki risiko HIV lebih tinggi dibandingkan risiko rata-rata yang diharapkan. Nilai RR rata-rata mengalami sedikit penurunan dari 1,244 pada tahun 2021 menjadi 1,197 pada tahun 2024, kemudian meningkat kembali menjadi 1,230 pada tahun 2025.
Nilai median RR berada pada rentang 0,917 hingga 1,118. Pada tahun 2025, median RR mencapai nilai tertinggi, yang menunjukkan bahwa lebih dari separuh kabupaten/kota memiliki tingkat risiko yang relatif lebih tinggi dibandingkan tahun-tahun sebelumnya. Sementara itu, nilai kuartil pertama (Q1) dan kuartil ketiga (Q3) menunjukkan bahwa sebagian besar wilayah memiliki RR pada kisaran sekitar 0,6 hingga 1,6.
Nilai maksimum RR yang cukup tinggi pada setiap tahun, yaitu antara 4,345 hingga 5,312, mengindikasikan adanya beberapa kabupaten/kota yang memiliki risiko HIV jauh lebih tinggi dibandingkan rata-rata provinsi. Sebaliknya, nilai minimum RR yang berada pada kisaran 0,263 hingga 0,312 menunjukkan adanya wilayah dengan risiko HIV yang relatif rendah.
Secara keseluruhan, distribusi RR HIV menunjukkan adanya heterogenitas spasial yang cukup besar antarwilayah di Jawa Barat. Hal ini ditunjukkan oleh perbedaan yang cukup lebar antara nilai minimum dan maksimum pada setiap tahun. Temuan tersebut mengindikasikan bahwa risiko HIV tidak tersebar secara merata, melainkan terkonsentrasi pada beberapa wilayah tertentu yang memiliki tingkat risiko lebih tinggi dibandingkan wilayah lainnya. Kondisi ini mendukung penggunaan pendekatan spasio-temporal untuk mengidentifikasi wilayah prioritas dalam upaya pencegahan dan pengendalian HIV di Provinsi Jawa Barat.
4.1.4 Pemeriksaan Autokorelasi Spatio-temporal
Dalam menggambarkan aspek spasial dan temporal diperlukan suatu matriks pembobot spatio-temporal. Matriks pembobot spatio-temporal adalah matriks yang menggambarkan hubungan antar wilayah dengan waktu dan diperoleh berdasarkan informasi jarak, persinggungan atau fenomena yang relevan dengan dimensi n T dimana n merupakan banyak unit wilayah dan T merupakan dimensi temporal. Unit Wilayah dilambangkan dengan W dan berukuran n n. Secara geografis terdapat 27 Kabupaten/Kota di Jawa Barat sehingga matriks pembobot spasial akan berdimensi 27 27 dengan diagonal utama bernilai nol. Pada penelitian ini, matriks pembobot spatio-temporal yang digunakan Queen Contiguity, dimana elemen matriks yang bernilai 1 berarti wilayah i dengan wilayah j bersinggungan sisi dan sudut, sedangkan bernilai 0 berarti kedua wilayah tidak bersinggungan sisi dan sudut sebagaimana pada Lampiran 6.
Autokorelasi spatio-temporal merupakan suatu korelasi antar anggota serangkaian pengamatan yang diurutkan merurut waktu atau ruang yang terjadi pada data atau kasus spatio-temporal. Salah satu teknik yang dapat digunakan untuk menentukan adanya autokorelasi spatio-temporal antar lokasi pengamatan adalah Moran Spatio-temporal dengan rumusan pada Persamaan (3.6). Dengan bantuan software R menggunakan local-package “MoranST” (Jaya dkk, 2018) diperoleh hasil sebagai berikut: Tabel 4.3 Hasil Uji Autokorelasi Spasial
Table 4.3 Hasil Uji Autokorelasi Spasial
| Pengujian | Statistik (I) | P-value |
|---|---|---|
| Moran Spatio-temporal | 0.5487 | 0.000999 |
Berdasarkan Tabel 4.3, didapatkan nilai statistik Moran Spatio-temporal (I) berada pada rentang , artinya terdapat autokorelasi spatio-temporal positif dan didapat niali p-value sebesar 0,00099 dimana nilai tersebut kecil dari maka ditolak. Artinya, dengan sebesar 5% dapat disimpulkan bahwa terdapat autokorelasi spatio-temporal positif pada data jumlah kasus Stunting pada Balita antar kabupaten/kota di Jawa Barat.
4.2 Pemodelan
4.2.1 Uji Kecocokan Model
Pemilihan model yang cocok dalam penelitian penelitian ini untuk mendapatkan model terbaik dapat ditentukan oleh model yang memiliki nilai DIC terkecil dan R-Square terbesar. Model yang terpilih akan digunakan untuk menaksir Risiko Relatif pada tahap selanjutnya. Hasil perhitungan berdasarkan Persamaan (3.32) dan (3.33) untuk model pada Persamaan (3.7) sampai (3.11) dengan bantuan software R diperoleh hasil sebagai berikut: Table 3. Uji Kecocolan Model
Table 4.4 Hasil Uji Kecocokan Model Bayesian Spasio-Temporal
| No | Spesifikasi Model | DIC | WAIC | R² |
|---|---|---|---|---|
| 1 | \(\eta_{it}=\beta_0+\mathbf{X}_{it}^{T}\beta\) | 2992.875 | 47765.806 | 0.7965 |
| 2 | \(\eta_{it}=\beta_0+\mathbf{X}_{it}^{T}\beta+\omega_t\) | 1692.030 | 40508.668 | 0.8058 |
| 3 | \(\eta_{it}=\beta_0+\mathbf{X}_{it}^{T}\beta+u_i+s_i\) | 1049.830 | 5565.803 | 0.9285 |
| 4 | \(\eta_{it}=\beta_0+\mathbf{X}_{it}^{T}\beta+u_i+s_i+\omega_t\) | 920.305 | 5361.857 | 0.9292 |
| 5 | \(\eta_{it}=\beta_0+\mathbf{X}_{it}^{T}\beta+\delta_{it}\) | 1254.587 | 1236.646 | 0.9998 |
| 6 | \(\eta_{it}=\beta_0+\mathbf{X}_{it}^{T}\beta+u_i+s_i+\omega_t+\delta_{it}\) | 1249.686 | 1223.056 | NA |
Tabel 4.4 menyajikan hasil perbandingan beberapa spesifikasi model Bayesian spasio-temporal yang digunakan untuk memodelkan jumlah kasus HIV di Provinsi Jawa Barat. Pemilihan model terbaik dilakukan berdasarkan nilai Deviance Information Criterion (DIC), di mana model dengan nilai DIC yang lebih kecil dianggap memiliki keseimbangan yang lebih baik antara tingkat kecocokan model (goodness-of-fit) dan kompleksitas model.
Model 1 yang hanya memasukkan efek kovariat menghasilkan nilai DIC sebesar 2992,875. Ketika efek temporal ditambahkan pada Model 2, nilai DIC menurun menjadi 1692,030, yang menunjukkan bahwa variasi temporal berkontribusi dalam menjelaskan dinamika kasus HIV selama periode pengamatan.
Penurunan nilai DIC yang lebih besar terjadi pada Model 3 yang memasukkan efek spasial terstruktur dan tidak terstruktur (\(u_i+s_i\)). Nilai DIC model ini sebesar 1049,830, yang mengindikasikan bahwa faktor spasial memiliki peranan penting dalam menjelaskan variasi jumlah kasus HIV antarwilayah di Jawa Barat. Selanjutnya, Model 5 yang menggabungkan efek kovariat, efek spasial (\(u_i+s_i\)), dan efek temporal (\(\omega_t\)) menghasilkan nilai DIC terkecil, yaitu sebesar 920,305. Hasil ini menunjukkan bahwa kombinasi komponen spasial dan temporal mampu memberikan kecocokan model yang paling baik terhadap data dibandingkan model lainnya.
Sementara itu, Model 6 yang hanya memasukkan efek interaksi spasio-temporal (\(\delta_{it}\)) menghasilkan nilai DIC sebesar 1254,587. Meskipun model ini memiliki nilai \(R^2\) yang sangat tinggi, kompleksitas model yang lebih besar menyebabkan nilai DIC menjadi lebih tinggi dibandingkan Model 5. Demikian pula, Model 7 yang menggabungkan seluruh komponen model, yaitu efek kovariat, spasial, temporal, dan interaksi spasio-temporal, menghasilkan nilai DIC sebesar 1249,686, yang masih lebih tinggi dibandingkan Model 5.
Berdasarkan kriteria DIC, Model 5 dipilih sebagai model terbaik karena memiliki nilai DIC paling kecil dibandingkan seluruh model yang diuji. Dengan demikian, model yang memuat efek kovariat, efek spasial terstruktur dan tidak terstruktur (\(u_i+s_i\)), serta efek temporal (\(\omega_t\)) dinilai paling mampu menjelaskan variasi jumlah kasus HIV di Jawa Barat selama periode 2021–2025. Hasil ini menunjukkan bahwa pola kasus HIV dipengaruhi oleh karakteristik wilayah dan perubahan waktu secara simultan, sehingga pendekatan spasio-temporal diperlukan untuk memperoleh pemodelan yang lebih akurat.
4.2.2 Evaluasi Komponen Spasial dan Temporal
Setelah model terbaik diperoleh berdasarkan kriteria DIC, dilakukan evaluasi terhadap kontribusi masing-masing komponen acak yang terdapat dalam model. Evaluasi ini bertujuan untuk memahami sejauh mana variasi jumlah kasus HIV dipengaruhi oleh heterogenitas spasial, ketergantungan spasial, dan ketergantungan temporal. Tabel 4.5 Varians Hyperparameter Model*
| Hyperparameter | Mean | SD | SD Posterior | Kuantil 2.5% | Kuantil 97.5% |
|---|---|---|---|---|---|
| SD Heterogenitas Spasial (\(u_i\)) | 1.81 | 0.562 | 0.743 | 0.934 | 3.120 |
| SD Ketergantungan Spasial (\(s_i\)) | 2195.60 | 2411.75 | 0.021 | 145.09 | 8598.82 |
| SD Ketergantungan Temporal RW1 (\(\omega_t\)) | 77.50 | 58.22 | 0.114 | 15.42 | 230.58 |
Tabel X menyajikan ringkasan posterior hyperparameter berupa simpangan baku (standard deviation) dari masing-masing komponen acak dalam model. Besarnya simpangan baku mencerminkan tingkat variasi yang dijelaskan oleh komponen tersebut terhadap jumlah kasus HIV.
Komponen heterogenitas spasial (\(u_i\)) memiliki rata-rata simpangan baku posterior sebesar 1,81 dengan interval kredibel 95% antara 0,934 hingga 3,120. Hasil ini menunjukkan adanya variasi risiko HIV yang tidak dapat dijelaskan oleh kovariat maupun struktur spasial yang diamati. Dengan kata lain, masih terdapat karakteristik spesifik wilayah yang memengaruhi jumlah kasus HIV tetapi belum terukur dalam model.
Komponen ketergantungan spasial terstruktur (\(s_i\)) memiliki rata-rata simpangan baku posterior sebesar 2195,60 dengan interval kredibel 95% antara 145,09 hingga 8598,82. Nilai ini jauh lebih besar dibandingkan komponen lainnya, yang mengindikasikan bahwa faktor spasial memiliki kontribusi dominan dalam menjelaskan variasi jumlah kasus HIV antarwilayah. Hasil tersebut menunjukkan adanya pengelompokan geografis (spatial clustering), di mana kabupaten/kota yang berdekatan cenderung memiliki pola kasus HIV yang serupa.
Sementara itu, komponen ketergantungan temporal RW1 (\(\omega_t\)) memiliki rata-rata simpangan baku posterior sebesar 77,50 dengan interval kredibel 95% antara 15,42 hingga 230,58. Temuan ini menunjukkan bahwa terdapat variasi jumlah kasus HIV antarperiode waktu yang tidak dapat dijelaskan sepenuhnya oleh kovariat. Namun demikian, besarnya kontribusi komponen temporal masih lebih kecil dibandingkan komponen spasial.
Secara keseluruhan, hasil evaluasi hyperparameter menunjukkan bahwa komponen spasial terstruktur merupakan sumber variasi terbesar dalam model. Temuan ini mengindikasikan bahwa lokasi geografis memiliki peranan yang lebih dominan dibandingkan perubahan waktu dalam menjelaskan pola penyebaran HIV di Provinsi Jawa Barat. Oleh karena itu, strategi pengendalian HIV perlu mempertimbangkan karakteristik spasial wilayah serta adanya pengelompokan kasus pada daerah-daerah tertentu yang memiliki tingkat risiko lebih tinggi.
4.2.3 Pemeriksaan Signifikansi Variabel
Tahap selanjutnya setelah mendapatkan model terbaik yaitu η_it=β_0+Χ_it^T β+u_i+s_i+ω_t, tahap selanjutnya yaitu uji signifikansi variabel melalui taksiran parameter modelnya. Pemeriksaan signifikansi variabel ini berguna untuk menentukan apakah variabel tersebut signifikan dan telah sesuai dengan teori atau tidak diperoleh hasil sebagai berikut:
Tabel 4.6 Hasil Pengujian Signifikansi Variabel
| Variabel | Mean | SD | 2.5% | 50% | 97.5% | Keterangan |
|---|---|---|---|---|---|---|
| Intercept | -0.009 | 0.145 | -0.292 | -0.009 | 0.275 | Tidak Signifikan |
| Tingkat Kemiskinan | 0.791 | 0.067 | 0.660 | 0.792 | 0.922 | Signifikan |
| Tingkat Pengangguran Terbuka | 0.074 | 0.023 | 0.029 | 0.074 | 0.120 | Signifikan |
| Indeks Pembangunan Manusia | -0.024 | 0.172 | -0.362 | -0.024 | 0.313 | Tidak Signifikan |
| Rata-rata Lama Sekolah | -0.285 | 0.086 | -0.453 | -0.285 | -0.116 | Signifikan |
| Kepadatan Penduduk | 1.411 | 0.142 | 1.134 | 1.411 | 1.689 | Signifikan |
Setelah model terbaik diperoleh, yaitu model yang memuat efek kovariat, efek spasial (\(u_i+s_i\)), dan efek temporal (\(\omega_t\)), langkah selanjutnya adalah mengevaluasi signifikansi masing-masing variabel kovariat berdasarkan distribusi posterior parameter model. Signifikansi ditentukan menggunakan interval kredibel 95%, di mana suatu variabel dinyatakan signifikan apabila interval kredibel tidak mencakup nilai nol. Berdasarkan hasil estimasi parameter pada Tabel 4.6, variabel tingkat kemiskinan memiliki rata-rata posterior sebesar 0,791 dengan interval kredibel 95% sebesar (0,660; 0,922). Karena seluruh interval berada di atas nol, variabel ini dinyatakan signifikan dan memiliki pengaruh positif terhadap jumlah kasus HIV. Hasil ini menunjukkan bahwa peningkatan tingkat kemiskinan cenderung diikuti oleh peningkatan risiko atau jumlah kasus HIV. Secara teoritis, kondisi kemiskinan dapat membatasi akses masyarakat terhadap layanan kesehatan, informasi kesehatan reproduksi, serta program pencegahan HIV sehingga meningkatkan kerentanan terhadap penularan HIV.
Variabel tingkat pengangguran terbuka (TPT) juga menunjukkan pengaruh yang signifikan dengan nilai rata-rata posterior sebesar 0,074 dan interval kredibel 95% sebesar (0,029; 0,120). Koefisien yang bernilai positif mengindikasikan bahwa wilayah dengan tingkat pengangguran yang lebih tinggi cenderung memiliki jumlah kasus HIV yang lebih besar. Temuan ini sejalan dengan berbagai studi yang menunjukkan bahwa kondisi pengangguran dapat meningkatkan kerentanan sosial dan ekonomi yang berpotensi mendorong perilaku berisiko terkait penularan HIV.
Sebaliknya, variabel Indeks Pembangunan Manusia (IPM) memiliki rata-rata posterior sebesar -0,024 dengan interval kredibel 95% sebesar (-0,362; 0,313). Karena interval tersebut mencakup nilai nol, maka IPM tidak berpengaruh signifikan terhadap jumlah kasus HIV setelah memperhitungkan efek spasial dan temporal. Hasil ini menunjukkan bahwa variasi IPM antarwilayah belum cukup kuat untuk menjelaskan perbedaan jumlah kasus HIV secara langsung. Selain itu, pengaruh IPM kemungkinan telah terwakili oleh variabel lain yang berkaitan dengan dimensi pendidikan dan kondisi sosial ekonomi.
Variabel rata-rata lama sekolah (RLS) memiliki rata-rata posterior sebesar -0,285 dengan interval kredibel 95% sebesar (-0,453; -0,116). Karena seluruh interval berada di bawah nol, variabel ini signifikan dan berpengaruh negatif terhadap jumlah kasus HIV. Artinya, semakin tinggi rata-rata lama sekolah suatu wilayah, maka jumlah kasus HIV cenderung lebih rendah. Temuan ini mendukung teori bahwa pendidikan berperan penting dalam meningkatkan pengetahuan, kesadaran, dan perilaku preventif masyarakat terhadap penularan HIV.
Variabel kepadatan penduduk merupakan variabel yang memiliki pengaruh positif paling kuat dalam model, dengan rata-rata posterior sebesar 1,411 dan interval kredibel 95% sebesar (1,134; 1,689). Karena interval kredibel seluruhnya bernilai positif, variabel ini dinyatakan signifikan. Hasil tersebut menunjukkan bahwa wilayah dengan tingkat kepadatan penduduk yang tinggi cenderung memiliki jumlah kasus HIV yang lebih besar. Tingginya kepadatan penduduk umumnya berkaitan dengan tingginya mobilitas penduduk, interaksi sosial, dan aktivitas ekonomi yang dapat meningkatkan peluang terjadinya penularan HIV.
Secara keseluruhan, hasil pengujian menunjukkan bahwa tingkat kemiskinan, tingkat pengangguran terbuka, rata-rata lama sekolah, dan kepadatan penduduk merupakan faktor yang berpengaruh signifikan terhadap jumlah kasus HIV di Jawa Barat. Di antara seluruh kovariat yang diuji, kepadatan penduduk memiliki pengaruh positif terbesar, sedangkan rata-rata lama sekolah merupakan satu-satunya variabel yang berpengaruh negatif terhadap jumlah kasus HIV. Sementara itu, Indeks Pembangunan Manusia tidak menunjukkan pengaruh yang signifikan setelah mempertimbangkan efek spasial dan temporal dalam model.
4.2.4 Penaksiran Risiko Relatif Spatio-Temporal Model
Setelah melakukan pemeriksaan signifikansi variabel, selanjutnya dapat dicari nilai taksiran Risiko Relatif menggunakan Spatio-Temporal Model dengan package “INLA” diperoleh hasil sebagai berikut:
Tabel 4.7 Hasil Analisis Deskriptif Taksiran Risiko Relatif Menggunakan Spatio-temporal Model
| Tahun | Minimum | Kuartil 1 (Q1) | Median | Mean | Kuartil 3 (Q3) | Maksimum |
|---|---|---|---|---|---|---|
| 2020 | 0.01188 | 0.02194 | 0.03544 | 0.12614 | 0.08488 | 0.93116 |
| 2021 | 0.01969 | 0.03387 | 0.06060 | 0.16026 | 0.11829 | 1.05071 |
| 2022 | 0.02517 | 0.04843 | 0.08010 | 0.20278 | 0.19257 | 1.30996 |
| 2023 | 0.01832 | 0.03394 | 0.05298 | 0.12256 | 0.12204 | 0.62739 |
| 2024 | 0.01591 | 0.03427 | 0.05002 | 0.10937 | 0.11586 | 0.47818 |
| 2025 | 0.01786 | 0.03696 | 0.05634 | 0.11418 | 0.11443 | 0.51101 |
Berdasarkan Tabel 4.7, nilai ST (Spatio-Temporal Effect) menunjukkan variasi efek spasial-temporal antarwilayah selama periode 2020–2025. Nilai rata-rata ST tertinggi terjadi pada tahun 2022, yaitu sebesar 0,20278, sedangkan rata-rata terendah terjadi pada tahun 2024, yaitu sebesar 0,10937. Hal ini menunjukkan bahwa pengaruh spasial-temporal terhadap risiko relatif kasus cenderung lebih kuat pada tahun 2022 dibandingkan tahun-tahun lainnya. Nilai minimum ST berkisar antara 0,01188 hingga 0,02517, sedangkan nilai maksimum berkisar antara 0,47818 hingga 1,30996. Pada tahun 2020, nilai ST terendah sebesar 0,01188 terdapat di Kabupaten Bekasi, sedangkan nilai tertinggi sebesar 0,93116 terdapat di Kota Cirebon. Pada tahun 2021, nilai minimum sebesar 0,01969 ditemukan di Kabupaten Bogor dan nilai maksimum sebesar 1,05071 ditemukan di Kota Cirebon. Tahun 2022 menunjukkan nilai minimum sebesar 0,02517 di Kabupaten Bogor dan nilai maksimum sebesar 1,30996 di Kota Cirebon, yang merupakan nilai maksimum tertinggi selama periode pengamatan.
Selanjutnya, pada tahun 2023 nilai ST berkisar antara 0,01832 di Kabupaten Bogor hingga 0,62739 di Kota Cirebon. Pada tahun 2024, nilai minimum sebesar 0,01591 kembali ditemukan di Kabupaten Bogor, sedangkan nilai maksimum sebesar 0,47818 terdapat di Kota Cirebon. Adapun pada tahun 2025, nilai minimum sebesar 0,01786 terdapat di Kabupaten Bogor, sementara nilai maksimum sebesar 0,51101 terdapat di Kota Banjar.
Selain itu, nilai median ST pada seluruh periode pengamatan berada di bawah nilai rata-rata. Kondisi ini mengindikasikan bahwa distribusi nilai ST cenderung menceng ke kanan (right-skewed), sehingga terdapat beberapa wilayah yang memiliki nilai ST jauh lebih tinggi dibandingkan sebagian besar wilayah lainnya. Hal ini menunjukkan adanya ketimpangan efek spasial-temporal antarwilayah.
Secara umum, Kabupaten Bogor merupakan wilayah yang paling sering memiliki nilai ST terendah selama periode 2021–2025, sedangkan Kota Cirebon secara konsisten memiliki nilai ST tertinggi pada periode 2020–2024. Temuan ini mengindikasikan bahwa Kota Cirebon memiliki kecenderungan risiko relatif yang lebih tinggi dibandingkan wilayah lain setelah mempertimbangkan pengaruh spasial dan temporal, sementara Kabupaten Bogor cenderung memiliki risiko relatif yang lebih rendah. Pada tahun 2025, wilayah dengan nilai ST tertinggi bergeser dari Kota Cirebon ke Kota Banjar.
4.2.5 Perbandingan Taksiran Risiko Relatif
Pada penelitian ini menggunakan dua metode yaitu metode maximum likelihood dengan statistik SMR dan Bayesian berdasarkan Spatio-Temporal Model dengan pendekatan Integrated Nested Laplace Approximation (INLA). Untuk mengetahui penaksir terbaik dilakukan dengan membandingkan hasil taksiran Risiko Relatif dari kedua metode tersebut dengan melihat plot sebaran data pada Gambar 4.6 berikut:
Gambar 4.2 dibawah menunjukan perbandingan hasil taksiran Risiko Relatif menggunakan SMR dan Spatio-Temporal Model. Hasil menunjukkan bahwa boxplot SMR memiliki ukuran boxplot yang lebih lebar dibandingkan dengan boxplot Spatio-Temporal Model. Artinya hasil taksiran Risiko Relatif menggunakan SMR memiliki varians yang lebih besar dibandingkan dengan hasil taksiran Risiko Relatif menggunakan Spatio-Temporal Model. Hal tersebut diduga karena SMR dipengaruhi oleh ukuran populasi sehingga hasil taksiran kurang tepat. Sehingga yang lebih baik digunakan yaitu Spatio-Temporal Model. Selain untuk melihat perbandingan hasil taksiran Risiko Relatif pada kedua metode tersebut, dengan menggunakan pendekatan Bayesian dapat dipelajari struktur ketergantungan spasial dan temporal yang dapat dijadikan rujukan untuk mengkaji faktor risiko yang tidak dimasukkan secara eksplisit dalam model.
4.2.6 Peta Penyebaran Kasus HIV di Jawa Barat
Hasil taksiran Risiko Relatif menggunakan Spatio-Temporal Model kemudian dipetakan untuk melihat pola penyebaran kasus HIV di Jawa Barat seperti disajikan pada Gambar berikut:
Gambar 4.3 menyajikan distribusi spasial Relative Risk (RR) HIV di 27 kabupaten/kota Provinsi Jawa Barat selama periode 2021–2025. Nilai RR diklasifikasikan ke dalam tiga kategori, yaitu risiko rendah (RR < 1,525), risiko sedang (1,525 ≤ RR < 2,787), dan risiko tinggi (RR ≥ 2,787). Berdasarkan peta tersebut, sebagian besar kabupaten/kota di Jawa Barat berada pada kategori risiko rendah selama periode pengamatan. Namun demikian, terdapat beberapa wilayah yang secara konsisten menunjukkan risiko relatif HIV yang lebih tinggi dibandingkan wilayah lainnya. Pada tahun 2021, wilayah dengan risiko relatif tinggi terkonsentrasi di Kota Cirebon (22), yang ditunjukkan oleh kategori RR tertinggi. Selain itu, Kabupaten Bekasi (16), Kabupaten Karawang (15), Kabupaten Indramayu (12), Kota Bandung (21), dan Kota Tasikmalaya (26) berada pada kategori risiko sedang. Temuan ini menunjukkan bahwa wilayah perkotaan dan kawasan industri cenderung memiliki risiko HIV yang lebih tinggi dibandingkan wilayah lainnya.
Pada tahun 2022, pola risiko relatif HIV relatif tidak banyak berubah. Kota Cirebon (22) tetap menjadi wilayah dengan risiko tertinggi, sementara Kabupaten Indramayu (12) masih berada pada kategori risiko sedang. Sebagian besar wilayah lainnya berada pada kategori risiko rendah. Pada tahun 2023, risiko relatif HIV masih terkonsentrasi di Kota Cirebon (22) yang tetap menunjukkan kategori risiko tinggi. Sementara itu, Kabupaten Bekasi (16), Kota Depok (24), dan Kota Bandung (21) berada pada kategori risiko sedang. Kondisi ini menunjukkan bahwa wilayah perkotaan dengan tingkat mobilitas penduduk yang tinggi cenderung memiliki risiko HIV yang lebih besar.
Pada tahun 2024, pola risiko relatif HIV menunjukkan kecenderungan yang serupa dengan tahun sebelumnya. Kota Cirebon (22) tetap menjadi wilayah dengan risiko tertinggi, sedangkan Kabupaten Bekasi (16), Kota Bogor (19), dan Kota Bandung (21) berada pada kategori risiko sedang. Sebagian besar kabupaten lainnya masih berada pada kategori risiko rendah.
Pada tahun 2025, Kota Cirebon (22) kembali menjadi wilayah dengan risiko relatif HIV tertinggi. Selain itu, Kota Bandung (21), Kota Bogor (19), dan Kabupaten Pangandaran (18) menunjukkan kategori risiko sedang. Meskipun terdapat perubahan pada beberapa wilayah, pola umum menunjukkan bahwa risiko HIV lebih terkonsentrasi pada wilayah perkotaan dibandingkan wilayah kabupaten yang didominasi kawasan perdesaan.
Secara keseluruhan, hasil pemetaan menunjukkan bahwa Kota Cirebon merupakan wilayah yang secara konsisten memiliki risiko relatif HIV tertinggi selama periode 2021–2025. Selain itu, beberapa kota besar seperti Kota Bandung, Kota Bogor, dan Kota Depok juga menunjukkan risiko yang relatif lebih tinggi dibandingkan wilayah lainnya. Temuan ini mengindikasikan adanya pengelompokan risiko HIV pada wilayah perkotaan yang memiliki tingkat kepadatan penduduk, mobilitas, dan aktivitas sosial ekonomi yang lebih tinggi. Oleh karena itu, wilayah-wilayah tersebut perlu menjadi prioritas dalam program pencegahan, deteksi dini, dan pengendalian HIV di Provinsi Jawa Barat.
5 BAB V : KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil analisis risiko relatif HIV di 27 kabupaten/kota Provinsi Jawa Barat periode 2021–2025 menggunakan Bayesian Spasio-Temporal Model dengan pendekatan INLA, diperoleh kesimpulan sebagai berikut:
Faktor sosial ekonomi dan demografi yang berpengaruh signifikan terhadap risiko relatif HIV di Provinsi Jawa Barat adalah tingkat kemiskinan, tingkat pengangguran terbuka, rata-rata lama sekolah, dan kepadatan penduduk. Variabel tingkat kemiskinan, tingkat pengangguran terbuka, dan kepadatan penduduk berpengaruh positif terhadap risiko HIV, yang menunjukkan bahwa peningkatan nilai ketiga variabel tersebut cenderung meningkatkan risiko HIV. Sebaliknya, rata-rata lama sekolah berpengaruh negatif terhadap risiko HIV, sehingga semakin tinggi tingkat pendidikan masyarakat maka risiko HIV cenderung menurun. Sementara itu, Indeks Pembangunan Manusia (IPM) tidak menunjukkan pengaruh yang signifikan terhadap risiko HIV pada taraf kepercayaan 95%.
Hasil pemodelan Bayesian Spasio-Temporal menunjukkan bahwa risiko relatif HIV di Jawa Barat memiliki pola yang dipengaruhi oleh aspek spasial dan temporal secara simultan. Berdasarkan pemilihan model menggunakan kriteria Deviance Information Criterion (DIC), model terbaik adalah model yang memuat efek kovariat, efek spasial terstruktur dan tidak terstruktur (\(u_i+s_i\)), serta efek temporal (\(\omega_t\)). Evaluasi hyperparameter menunjukkan bahwa komponen spasial memberikan kontribusi yang lebih besar dibandingkan komponen temporal, sehingga variasi risiko HIV antarwilayah lebih dominan dipengaruhi oleh karakteristik spasial daripada perubahan waktu.
Hasil estimasi risiko relatif HIV menunjukkan adanya perbedaan tingkat risiko antar kabupaten/kota di Provinsi Jawa Barat selama periode 2021–2025. Wilayah yang secara konsisten memiliki risiko relatif lebih tinggi dibandingkan wilayah lainnya adalah Kota Cirebon, sedangkan beberapa wilayah perkotaan seperti Kota Bandung, Kota Bogor, dan Kota Depok juga menunjukkan risiko relatif yang relatif lebih tinggi pada beberapa periode pengamatan. Temuan ini menunjukkan bahwa wilayah perkotaan dengan tingkat kepadatan penduduk dan mobilitas yang tinggi cenderung memiliki risiko HIV yang lebih besar. Oleh karena itu, wilayah-wilayah tersebut dapat dijadikan prioritas dalam pelaksanaan program pencegahan, deteksi dini, dan pengendalian HIV di Provinsi Jawa Barat.
5.2 Keterbatasan Penelitian
Penelitian ini memiliki beberapa keterbatasan yang perlu diperhatikan dalam menginterpretasikan hasil penelitian.
Data yang digunakan merupakan data sekunder pada tingkat kabupaten/kota sehingga hasil analisis belum mampu menggambarkan variasi risiko HIV pada tingkat wilayah yang lebih rinci, seperti kecamatan atau kelurahan. Akibatnya, kemungkinan masih terdapat variasi risiko dalam suatu kabupaten/kota yang tidak teridentifikasi dalam penelitian ini.
Variabel kovariat yang digunakan dalam model masih terbatas pada faktor sosial ekonomi dan demografi yang tersedia secara konsisten selama periode pengamatan. Faktor-faktor lain yang berpotensi memengaruhi risiko HIV, seperti mobilitas penduduk, tingkat urbanisasi, cakupan layanan kesehatan, penggunaan narkoba suntik, perilaku seksual berisiko, serta tingkat kepatuhan pengobatan antiretroviral (ARV), belum dapat dimasukkan ke dalam model.
Periode pengamatan yang digunakan relatif terbatas, yaitu tahun 2021–2025, sehingga belum sepenuhnya menggambarkan dinamika epidemi HIV dalam jangka panjang. Perubahan pola penularan HIV yang terjadi sebelum maupun setelah periode penelitian belum dapat dianalisis secara komprehensif.
Model yang digunakan belum memasukkan komponen interaksi spasio-temporal secara eksplisit pada model terbaik yang dipilih berdasarkan nilai DIC. Oleh karena itu, kemungkinan adanya interaksi yang lebih kompleks antara lokasi dan waktu belum sepenuhnya dapat dijelaskan.
Hasil estimasi risiko relatif sangat bergantung pada kualitas data kasus HIV yang dilaporkan. Perbedaan cakupan skrining, akses layanan kesehatan, dan sistem pelaporan antarwilayah berpotensi menimbulkan underreporting maupun variasi jumlah kasus yang tidak sepenuhnya mencerminkan kondisi epidemi yang sebenarnya.
5.3 Rekomendasi
Berdasarkan hasil penelitian yang telah dilakukan, beberapa rekomendasi yang dapat diberikan adalah sebagai berikut.
5.3.1 Rekomendasi Kebijakan
Pemerintah Provinsi Jawa Barat dan Dinas Kesehatan perlu memprioritaskan program pencegahan dan pengendalian HIV pada wilayah dengan risiko relatif tinggi, khususnya Kota Cirebon serta beberapa wilayah perkotaan lainnya yang secara konsisten menunjukkan tingkat risiko yang tinggi selama periode pengamatan.
Strategi pengendalian HIV perlu dilakukan secara multisektoral dengan mempertimbangkan faktor-faktor yang terbukti berpengaruh signifikan terhadap risiko HIV, yaitu tingkat kemiskinan, tingkat pengangguran terbuka, rata-rata lama sekolah, dan kepadatan penduduk. Oleh karena itu, program kesehatan perlu diintegrasikan dengan kebijakan peningkatan kesejahteraan masyarakat, perluasan kesempatan kerja, dan peningkatan akses pendidikan.
Pada wilayah dengan tingkat kepadatan penduduk yang tinggi, diperlukan peningkatan kegiatan promosi kesehatan, edukasi pencegahan HIV, layanan tes HIV, konseling, serta perluasan akses terhadap terapi antiretroviral (ARV) secara berkelanjutan guna menekan risiko penularan HIV.
Pemerintah daerah perlu memperkuat sistem surveilans HIV berbasis wilayah dengan memanfaatkan informasi risiko relatif yang dihasilkan dari pemodelan spasio-temporal sebagai dasar dalam penentuan prioritas intervensi dan alokasi sumber daya kesehatan yang lebih efektif.
5.3.2 Rekomendasi Penelitian Selanjutnya
Penelitian selanjutnya disarankan menggunakan periode pengamatan yang lebih panjang sehingga perubahan pola risiko HIV dari waktu ke waktu dapat diamati secara lebih komprehensif.
Pengembangan penelitian dapat dilakukan dengan menambahkan variabel lain yang berpotensi memengaruhi risiko HIV, seperti tingkat urbanisasi, mobilitas penduduk, akses dan cakupan layanan kesehatan, jumlah fasilitas kesehatan, penggunaan narkoba suntik, serta indikator perilaku berisiko lainnya.
Penelitian berikutnya dapat membandingkan beberapa pendekatan Bayesian Spasio-Temporal yang berbeda, seperti model BYM2, Leroux, maupun model interaksi spasio-temporal yang lebih kompleks untuk memperoleh estimasi risiko yang lebih akurat dan robust.
Analisis pada tingkat wilayah yang lebih rinci, seperti kecamatan atau kelurahan, perlu dilakukan agar diperoleh informasi risiko HIV yang lebih spesifik dan dapat mendukung penyusunan kebijakan kesehatan masyarakat yang lebih tepat sasaran.
Penelitian selanjutnya juga dapat mengembangkan model prediksi risiko HIV berbasis spasio-temporal sehingga tidak hanya mengidentifikasi pola risiko saat ini, tetapi juga dapat digunakan untuk mendukung sistem peringatan dini dan perencanaan program pengendalian HIV di masa mendatang.
6 Daftar Pustaka
Banerjee, S., Carlin, B. P., & Gelfand, A. E. (2015). Spatial data analysis. In Hierarchical Modeling and Analysis for Spatial Data (2nd ed.). Boca Raton, FL: CRC Press.
Besag, J., York, J., & Mollié, A. (1991). Bayesian image restoration, with two applications in spatial statistics. Annals of the Institute of Statistical Mathematics, 43(1), 1–20. https://doi.org/10.1007/BF00116466
Braveman, P., & Gottlieb, L. (2014). The social determinants of health: It’s time to consider the causes of the causes. Public Health Reports, 129(Suppl 2), 19–31. https://doi.org/10.1177/00333549141291S206
Centers for Disease Control and Prevention. (2025). About HIV. Retrieved from https://www.cdc.gov/hiv/about/index.html
Cressie, N., & Wikle, C. K. (2011). Statistics for Spatio-Temporal Data. Hoboken, NJ: John Wiley & Sons.
Lawson, A. B. (2018). Bayesian Disease Mapping: Hierarchical Modeling in Spatial Epidemiology (3rd ed.). Boca Raton, FL: CRC Press.
Martino, S., & Rue, H. (2010). Implementing approximate Bayesian inference using Integrated Nested Laplace Approximation: A manual for the INLA program. Norwegian University of Science and Technology. Mollié, A. (2019). Bayesian disease mapping: Hierarchical modeling in spatial epidemiology. Wiley StatsRef: Statistics Reference Online.
Rue, H., Martino, S., & Chopin, N. (2009). Approximate Bayesian inference for latent Gaussian models by using integrated nested Laplace approximations. Journal of the Royal Statistical Society: Series B, 71(2), 319–392. https://doi.org/10.1111/j.1467-9868.2008.00700.x
Rue, H., Riebler, A., Sørbye, S. H., Illian, J. B., Simpson, D. P., & Lindgren, F. K. (2017). Bayesian computing with INLA: A review. Annual Review of Statistics and Its Application, 4, 395–421. https://doi.org/10.1146/annurev-statistics-060116-054045
Soo, X. X., Abdullah, M. F., & Ahmad, N. (2023). Educational attainment and HIV-related health awareness among vulnerable populations: A systematic review. BMC Public Health, 23, 1847.
UNAIDS. (2025). Global HIV & AIDS Statistics – Fact Sheet 2025. Geneva: Joint United Nations Programme on HIV/AIDS. Retrieved from https://www.unaids.org/en/resources/fact-sheet
World Health Organization. (2025). HIV and AIDS Fact Sheet. Geneva: World Health Organization. Retrieved from https://www.who.int/news-room/fact-sheets/detail/hiv-aids
World Health Organization. (2025). Social Determinants of Health. Geneva: World Health Organization. Retrieved from https://www.who.int/health-topics/social-determinants-of-health
Badan Pusat Statistik Provinsi Jawa Barat. (2025). Jawa Barat Dalam Angka 2025. Bandung: BPS Provinsi Jawa Barat.
Kementerian Kesehatan Republik Indonesia. (2021). Laporan Perkembangan HIV AIDS dan Penyakit Infeksi Menular Seksual (PIMS) Tahun 2021. Jakarta: Kementerian Kesehatan Republik Indonesia.
Kementerian Kesehatan Republik Indonesia. (2022). Profil Kesehatan Indonesia Tahun 2022. Jakarta: Kementerian Kesehatan Republik Indonesia.
Kementerian Kesehatan Republik Indonesia. (2025). Profil Kesehatan Indonesia Tahun 2024. Jakarta: Kementerian Kesehatan Republik Indonesia.
Waller, L. A., & Gotway, C. A. (2004). Applied Spatial Statistics for Public Health Data. Hoboken, NJ: John Wiley & Sons.
Link Kode R, Data $ SHP Jabar : https://drive.google.com/drive/folders/10icK024OuY7N4c9_SndMcy3tNp5qWjip?usp=sharing