Demam berdarah dengue (DBD) banyak ditemukan di daerah tropis dan sub-tropis (Kemenkes RI, 2010). Data dari seluruh dunia menunjukkan Asia menempati urutan pertama dalam jumlah penderita DBD setiap tahunnya. Terhitung sejak tahun 1968 hingga tahun 2009, Organisasi Kesehatan Dunia (WHO) mencatat negara Indonesia sebagai negara dengan kasus DBD tertinggi di Asia Tenggara (Kemenkes, 2010).
Rendahnya kemampuan dalam mengantisipasi kejadian DBD antara lain disebabkan karena waktu, tempat dan angka kejadian belum dapat prediksi dengan baik, belum tersedianya indeks dan peta kerentanan wilayah berdasarkan waktu kejadian, serta belum tersedianya model Peramalan kejadian penyakit DBD yang dapat diandalkan (Ariati dan Anwar, 2014).
Peramalan jumlah kasus DBD sangat penting dilakukan bagi Dinas Kesehatan agar dapat membuat perencanaan yang lebih matang untuk pencegahan meningkatnya jumlah kasus DBD pada masa mendatang. Perencanaan tersebut diperlukan agar tidak terjadi masalah seperti keterlambatan tindakan pencegahan, bertambahnya korban jiwa dan kurangnya ruangan serta petugas untuk penanganan Pasien DBD (Pramana dan Anggareni, 2016).
Metode peramalan jumlah kasus DBD telah banyak diusulkan baik yang menggunakan metode statistik maupun matematika. Penelitian lain menggunakan metode pembelajaran mesin (machine learning). Dari penelitian yang telah dilakukan, belum ada yang mengkombinasikan metode runtun waktu multivariat (multivariate time series) dengan autokorelasi spasial (spatial autocorrelation) dalam meramalkan jumlah kasus dan pola distribusi penyebaran DBD dengan memperhatikan adanya konektivitas elemen spasial jumlah kasus DBD yang terjadi di sebuah wilayah dengan wilayah tetangganya.
Penelitian ini bertujuan untuk mengembangkan model peramalan jumlah kasus dan pola distribusi penyebaran DBD dengan runtun waktu multivarian menggunakan kombinasi metode metode vektor autoregresif dan metode autokorelasi spasial atauvector autoregressive – spatial autocorrelation (VARSA). Variabel yang digunakan adalah iklim (suhu minimum, suhu maksimum, suhu rata – rata, kelembaban rata – rata, curah hujan, dan lama penyinaran matahari); jumlah kasus DBD; dan tingkat kepadatan penduduk.
Selain itu, penelitian ini bertujuan memodifikasi metode peramalan pola distribusi penyebaran DBD autokorelasi spasial menggunakan metode autokorelasi spasial Moran's I termodifikasi atau modified Moran's Ispatial autocorrelation (MMSA), dengan memasukkan data tingkat kepadatan penduduk dalam matriks pembobotan spasial.
Data yang digunakan dalam penelitian ini diperoleh dari Dinas Kesehatan Kabupaten Sleman, Daerah Istimewa Yogyakarta. Data meliputi data diagnosis penderita DBD per kejadian di 17 kecamatan dari tahun 2010 sampai dengan tahun 2015 untuk data latihan dan tahun 2016 untuk data pengujian.
Data cuaca yang digunakan dalam penelitian ini diambil dari situs web http://dataonline.bmkg.go.id dari tahun 2010 sampai dengan 2015 yang terdiri dari suhu minimum, suhu maksimum, suhu rata-rata, curah hujan, kelembaban, dan lama penyinaran periode harian.
Data kepadatan penduduk 17 kecamatan di Kabupaten Sleman tahun 2010 sampai dengan 2015. Data diambil dari web https://slemankab.bps.go.id periode tahunan. Data spasial yang digunakan dalam penelitian adalah data peta wilayah Kabupaten Sleman dengan satuan terkecil adalah kecamatan.
Metode vektor autoregresif digunakan untuk meramalkan jumlah kasus DBD secara runtun waktu multivariat ataumultivariate time series. Data yang digunakan adalah data suhu maksimal, suhu rata-rata, curah hujan, lama penyinaran matahari, jumlah kasus DBD, dan data tingkat kepadatan penduduk perkecamatan di wilayah Kabupaten Sleman, Provinsi Daerah Istimewa Yogyakarta.
Metode autokorelasi spasial digunakan untuk meramalkan pola distribusi penyebaran DBD dengan memperhatikan konektivitas elemen spasial di sebuah kecamatan dengan kecamatan tetangganya. Metode autokorelasi spasial yang digunakan dalam peramalan ini adalah autokorelasi spasial Moran's I termodifikasi atau modified Moran's Ispatial autocorrelation (MMSA).
Metode runtun waktu univariat atauunivariate time series yang dijadikan pembanding pada penelitian ini adalah metode rata-rata bergerak terpadu autoregresif atau autoregressive integrated moving average (ARIMA) dan regresi linier (linier regression).
Hasil penelitian menunjukkan, metode VARSA pada runtun waktu multivarian memiliki nilai galat atau kesalahan yang lebih rendah untuk pemodelan dan prediksi dibandingkan dengan metode runtun waktu univariat yaitu regresi linier dan ARIMA.
Hasil evaluasi model peramalan jumlah kasus DBD menggunakan metode vektor autoregresif (VAR) untuk data 2010-2014 menunjukkan, 76 persen kecamatan memiliki nilai tengah akar kuadrat atau root mean square error (RMSE) yang lebih rendah. Pada data 2010-2015, sebanyak 17 kecamatan (100 persen) memiliki nilai RMSE yang lebih rendah. Hasil tersebut lebih baik daripada metode ARIMA dan regresi linier.
Hasil evaluasi prediksi metode VAR untuk bulan Januari 2015 menunjukkan, sebanyak 13 dari 17 kecamatan (76 persen) dan prediksi bulan Januari 2016 menunjukkan bahwa 15 dari 17 kecamatan (88 persen) memiliki nilai RMSE yang rendah. Hasil tersebut lebih rendah dari metode ARIMA dan regresi linier.
Metode VARSA juga dapat meramalkan pola distribusi penyebaran DBD dengan hasil akurasi sebesar 71 persen untuk prediksi Januari 2015 dan 76 persen untuk prediksi tahun 2016. Hasil tersebut lebih baik dari metode autokorelasi spasial ARIMA dan autokorelasi spasial regresi linier.
Hasil penelitian peramalan pola distribusi penyebaran DBD metode MMSA, menujukkan hasil akurasi sebesar 82 persen untuk prediksi bulan Januari 2015 dan 88 persen untuk prediksi bulan Januari 2016.
Hasil penelitian peramalan pola distribusi penyebaran DBD metode MMSA, menujukkan hasil akurasi sebesar 82 persen untuk prediksi bulan Januari 2015 dan 88 persen untuk prediksi bulan Januari 2016. Hasil ini lebih baik dari metode Moran's I standar yang memiliki hasil akurasi sebesar 71 persen untuk prediksi bulan Januari 2015 dan 76 persen untuk prediksi bulan Januari 2016.
Dinas kesehatan diharapkan akan terbantu dalam membuat perencanaan yang matang untuk pencegahan meningkatnya jumlah kasus dan pola distribusi penyebaran DBD pada masa yang akan datang.
*) Dr. Deni Mahdiana, S.Kom, M.M, M.Kom, Fakultas Teknologi Informasi Universitas Budi Luhur Jakarta
Tidak ada komentar:
Posting Komentar