skip to main content

Pemodelan Prevalensi Angka Kesakitan Malaria Berdasarkan Persentase Sanitasi Layak Dengan Pendekatan Estimator Least Square Spline

1Departemen Matematika, Fakultas Sains dan Teknologi, Universitas Airlangga, Surabaya, Jawa Timur 60115, Indonesia

2Program Studi Statistika, Fakultas Sains dan Teknologi, Universitas Airlangga, Surabaya, Jawa Timur 60115, Indonesia

3Program Studi Kesehatan Masyarakat, Fakultas Kesehatan Masyarakat, Universitas Tadulako, Palu, Sulawesi Tengah 94118, Indonesia

Open Access Copyright 2024 Jurnal Kesehatan Lingkungan Indonesia under http://creativecommons.org/licenses/by-sa/4.0.

Citation Format:
Abstract

Latar belakang: Malaria masih menjadi tantangan kesehatan global yang cukup besar, terutama di daerah tropis seperti Indonesia. Penelitian ini bertujuan untuk mengestimasi dan menentukan model terbaik untuk prevalensi malaria di Indonesia dengan menggunakan data persentase rumah tangga yang memiliki akses terhadap sanitasi yang layak.

Metode: Penelitian ini menggunakan metode kuantitatif dengan pendekatan regresi nonparametrik menggunakan estimator Least Square Spline. Penelitian ini menggunakan data sekunder yang diperoleh dari Badan Pusat Statistik (BPS) untuk melihat prevalensi kejadian malaria dan persentase rumah tangga yang memiliki akses terhadap sanitasi yang layak di 34 provinsi di Indonesia.

Hasil: Temuan tersebut mengungkapkan bahwa rata-rata 81% rumah tangga di Indonesia memiliki akses terhadap sanitasi yang layak, dengan Daerah Istimewa Yogyakarta memiliki persentase tertinggi yaitu 96,21% dan Papua yang terendah yaitu 40,34%. Selain itu, prevalensi rata-rata morbiditas malaria di Indonesia adalah 3,91 per 1.000 orang, dengan angka tertinggi di Papua sebesar 113,07 dan terendah di beberapa provinsi seperti Sumatera Selatan, Bengkulu, Jawa Barat, Banten, dan Kalimantan Barat sebesar 0,00. Pemodelan menggunakan estimator Least Square Spline menunjukkan bahwa akses sanitasi layak berpengaruh signifikan terhadap prevalensi angka kesakitan malaria. Hasil estimasi model menunjukkan bahwa setiap peningkatan satu persen akses sanitasi layak dapat mengurangi prevalensi angka kesakitan malaria, kecuali di provinsi dengan akses sanitasi layak di atas 80%. Model ini memiliki akurasi tinggi dengan nilai R-Square sebesar 99,11%.

Simpulan: Akses sanitasi layak berperan penting dalam menurunkan prevalensi angka kesakitan malaria, namun perlu perhatian khusus di provinsi dengan akses sanitasi layak di bawah 80%.

 

ABSTRACT

Title: Modelling the Prevalence of Malaria Rates based on the Percentage of Adequate Sanitation with the Least Square Spline Estimator Approach

Background: Malaria remains a significant global health challenge, especially in tropical regions such as Indonesia. This study aims to estimate and determine the best model for malaria prevalence in Indonesia using data on the percentage of households that have access to proper sanitation.

Method: This study uses quantitative methods with a nonparametric regression approach using the Least Square Spline estimator. This study uses secondary data obtained from the Central Bureau of Statistics (BPS) to see the prevalence of malaria incidence and the percentage of households that have access to proper sanitation in 34 provinces in Indonesia.

Result: The findings revealed that on average 81% of households in Indonesia have access to proper sanitation, with the Special Region of Yogyakarta having the highest percentage at 96.21% and Papua the lowest at 40.34%. In addition, the average prevalence of malaria morbidity in Indonesia is 3.91 per 1,000 people, with the highest rate in Papua at 113.07 and the lowest in several provinces such as South Sumatra, Bengkulu, West Java, Banten, and West Kalimantan at 0.00. Modelling using the Least Square Spline estimator shows that access to proper sanitation has a significant effect on the prevalence of malaria morbidity. The model estimation results show that every one per cent increase in access to proper sanitation can reduce the prevalence of malaria morbidity, except in provinces with access to proper sanitation above 80%. The model has high accuracy with an R-Square value of 99.11%.

Conclusion: Adequate access to sanitation is crucial in reducing the prevalence of malaria morbidity, but special emphasis needs to be placed on provinces where sanitation access rates are below 80%.

Note: This article has supplementary file(s).

Fulltext View|Download |  common.other
Untitled
Subject
Type Other
  Download (B)    Indexing metadata
 Turnitin
Turnitin
Subject
Type Turnitin
  Download (1MB)    Indexing metadata
 CTA
Copyrigh Transfer Agreement
Subject
Type CTA
  Download (361KB)    Indexing metadata
 ES
Etichal Statement
Subject
Type ES
  Download (460KB)    Indexing metadata
Keywords: SDGs; Kesehatan; Malaria; Sanitasi Lingkungan; Least Square Spline.

Article Metrics:

  1. Sukendar, G. E., Rejeki, D. S. S., & Anandari, D. Studi Endemisitas dan Epidemiologi Deskriptif Malaria di Kabupaten Purbalingga Tahun 2010-2019. Jurnal Epidemiologi Kesehatan Indonesia. 2021. 5(1):2. DOI: https://doi.org/10.7454/epidkes.v5i1.4625
  2. Melati, S., & Susilawati, S. Pengaruh aktivitas di malam hari terhadap resiko malaria masyarakat Pesisir Kecamatan Pantai Cermin Kabupaten Serdang Bedagai. Jurnal Ilmiah Multidisiplin Indonesia. 2022. 1(6):467-470
  3. Mbanefo, A., & Kumar, N. Evaluation of Malaria Diagnostic Methods as a Key for Successful Control and Elimination Programs. Tropical Medicine and Infectious Disease. 2020. 5(2):102. DOI: https://doi.org/10.3390/tropicalmed5020102
  4. Kementerian Kesehatan Republik Indonesia. Profil kesehatan Indonesia 2019. Jakarta: Kementerian Kesehatan RI; 2020
  5. World Health Organization. Malaria. 2023
  6. Purba, I. G., Sitorus, R. J., & Camelia, A. Promosi Kesehatan Pencegahan Penularan Penyakit Malaria Pada Masyarakat Di Desa Ibul Besar I. Jurnal Pengabdian Sriwijaya. 2016. 4(2):320-330. DOI: https://doi.org/10.37061/jps.v4i2.5487
  7. World Health Organization. World Malaria Report 2022. 2022
  8. World Health Organization. World Malaria Day. 2023
  9. Kementerian Kesehatan Republik Indonesia. Wilayah-wilayah Endemis Malaria Tinggi di Indonesia. 2023
  10. Lewinsca, M. Y., Raharjo, M., & Nurjazuli, N. Faktor risiko yang mempengaruhi kejadian malaria di Indonesia: review literatur 2016-2020. Jurnal Kesehatan Lingkungan. 2021. 11(1):16-28. DOI: https://doi.org/10.47718/jkl.v11i1.1339
  11. Juned, M., Kusumastuti, R. D., & Darmastuti, S. Penguatan Peran Pemuda Dalam Pencapaian Tujuan Ketiga Sustainable Development Goals (SDGs) Di Karang Taruna Keluarahan Serua, Depok. Seminar Nasional Hasil Pengabdian Masyarakat. 2018. 1(1):1-3
  12. Badan Pusat Statistik. Persentase Rumah Tangga menurut Provinsi dan Memiliki Akses terhadap Sanitasi Layak (Persen) 2020-2022. 2023
  13. Kalsum, U., Pertiwi, D. R., Veronica, A. L., & Wulandari, A. Determinan yang Berhubungan dengan Kejadian Malaria di Indonesia Tahun 2016. Jurnal Kesmas Jambi. 2018. 2(1):81-91. DOI: https://doi.org/10.22437/jkmj.v2i1.6545
  14. Suryani, A. A. Pembangunan Air Bersih dan Sanitasi Saat Pandemi Covid-19. Aspirasi: Jurnal Masalah-Masalah Sosial. 2020;11(2):199-214. DOI: https://doi.org/10.22212/aspirasi.v11i2.1757
  15. Sembiring, L. N. B., & Wandikbo, S. Hubungan Lingkungan dengan Kejadian Malaria pada Masyarakat di Lingkungan Kampung Nawaripi Kabupaten Mimika Provinsi Papua. Prosiding STIKES Bethesda. 2023. 2(1):136-146
  16. Taurustya, H. Analisis Sanitasi Lingkungan Dengan Kejadian Malaria Di Wilayah Kerja Puskesmas Sidomulyo Kecamatan Gading Cempaka Kota Bengkulu. Jurnal Kedokteran Raflesia. 2020. 6(1):11. DOI: https://doi.org/10.33369/juke.v6i1.10295
  17. Matdoan, M. Y., Talakua, M. W., & Djami, R. J. Pemodelan Regresi Quantil Dengan Kernel Smoothing Pada Faktor-faktor Yang Mempengaruhi Penyebaran Api Malaria Di Indonesia:(Quantile Regression Modeling with Kernel Smoothing on Factors Affecting the Spread of Malaria Fire in Indonesia). Uniqbu Journal of Exact Sciences. 2020. 1(2):1-9
  18. Ding, J. & Zhang, Z. Statistical inference on uncertain nonparametric regression model. ACM Digital Library. 2021. 20(4):451-469. https://doi.org/10.1007/s10700-021-09353-0
  19. Sanusi, W., Syam, R., & Adawiyah, R. Model regresi nonparametrik dengan pendekatan spline (studi kasus: Berat badan lahir rendah di rumah sakit ibu dan anak siti fatimah makassar). Journal of Mathematics, Computations, and Statistics. 2019. 2(1):70-81. DOI: https://doi.org/10.35580/jmathcos.v2i1.12460
  20. Arifin, S., Islamiyati, A., & Raupong, R. Kemampuan Estimator Spline Linear dalam Analisis Komponen Utama. Journal of Statistics and Its Application. 2022. 1(1):40-47. DOI: https://doi.org/10.20956/ejsa.v1i1.9262
  21. Sujarweni, V. Wiratna. Metodologi Penelitian Bisnis & Ekonomi. Yogyakarta: Pustaka Baru Pers; 2015
  22. Chamidah, N. Analisis Regresi Nonparametrik dengan Perangkat Lunak R. Surabaya: Airlangga University Press; 2023
  23. Made, I. & Melliana, M. Studi Analisis Perbandingan Hasil Prediksi Beragam Metode Interpolasi Spasial Pada Intrusi Air Laut Di Kelurahan Kota Karang, Bandar Lampung. Digital Repository Unila. 2023. 1-20
  24. Afriani, R. Analisis Regresi Spline Dalam Menduga Harga Cabai Di Kota Medan. Repository UIN Sumatera Utara. 2022. 22-29
  25. Rosadi, S., Rinaldi, A., & Gunawan, W. Implementasi Metode Regresi Nonparametrik Spline Untuk Menganalisis Keuntungan Produksi Batu-Bata. 2022. 19(2):215-226. DOI: https://doi.org/10.22487/2540766X.2022.v19.i2.16150

Last update:

No citation recorded.

Last update: 2024-10-31 08:02:44

No citation recorded.