OPTIMALISASI GeoDa DALAM PEMODELAN DAN PEMETAAN PENYAKIT DI KOTA BANDUNG

I Gede Nyoman Mindra Jaya

Abstrak


Pemodelan dan pemetaan penyakit dapat diadopsi dalam mengembangkan early warning system penyakit. Melalui pemodelan dan pemetaan, praktisi dan pihak-pihak yang berkepentingan akan dapat melakukan prediksi awal terhadap lokasi-lokasi yang memiliki resiko tinggi suatu penyakit. Melalui informasi ini, pihak-pihak yang berkepentingan khususnya dinas kesehatan akan mampu menen strategi yang tepat-effisien dan effektif. GeoDa memfasilitasi kebutuhan praktisi dalam melakukan pemodelan dan pemetaan penyakit namun untuk dapat mengoptimalkan manfaat dari GeoDa praktisi harus memiliki pemahan yang baik terhadap berbagai metode khususnya statistika yang mendasari perhitungan dalam setiap menu GeoDa khususnya dalam pemodelan dan pemetaan karena software ini memberikan berbagai alternative model dan pemetaan dengan hasil yang berbeda. Sehingga kodis ini dapat menyebabkan kebingungan bagi praktisi yang belum memahami dengan baik dasar-dasar statisitka yang digunakan. Tulisan ini menjelaskan tahapan dan statistika yang digunakan GeoDa dalam menghasilkan output dalam pemodelan dan pemetaan. 

 


Kata Kunci


Geoda, Pemodelan, Pemetaan, Statistika

Teks Lengkap:

PDF

Referensi


Anderson, C., & Ryan, L. M. (2017). A Comparison of Spatio-Temporal Disease Mapping Approaches Including an Application to Ischaemic Heart Disease in Nesw South Wales, Australia. International Journal of Environmental Research and Public Health, 14(146), 1-16. doi:10.3390/ijerph14020146

Anselin, L. (1988). Spatial Econometrics: Methods and Models. Netherlands: Springer.

Anselin, L. (2003). GeoDaTM 0.9 User’s Guide. Urbana-Champaign: Spatial Analysis Laboratory.

Anselin, L. (2018). GeoDa. Retrieved from Maps for Rates or Proportions: https://geodacenter.github.io/workbook/3b_rates/lab3b.html

Anselin, L., Lozano, L., & Koschinsky, J. (2006). Rate transformations and smoothing. Urbana-Champaign: patial Analysis Laboratory Department of Geography University of Illinois.

Anselin, L., Syabri, I., & Kho, Y. (2006). GeoDa: An Introduction to Spatial Data Analysis. Geographical Analysis, 38, 5–22.

Arab, A. (2015). Spatial and Spatio-Temporal Models for Modeling Epidemiological Data with Excess Zeros. Int. J. Environ. Res. Public Health, 12(9), 10536-10548.

Clayton, D., & Kaldor, J. (1987). Empirical Bayes Estimates of Age-Standardized Relative Risks for Use in Disease Mapping. Biometrics, 671-681.

Gohil, A. (2015). R Data Visualization Cookbook. Mumbai: PACKT Publishing.

Jaya, I. G., Folmer, H., Ruchjana, B. N., Kristiani, F., & Andriyana, Y. (2017). Modeling of Infectious Diseases: A Core Research Topic for the Next Hundred Years. In R. Jackson, & P. Schaeffer, Regional Research Frontiers-Vol 2 (pp. 239-255). United State: Springer International Publishing.

Jaya, I. G., Ruchjana, B. N., Abdulah, A. S., & Hermawan, E. (2016). Bayesian Spatial Modeling and Mapping of Dengue Fever: A Case Study of Dengue Fever in the City of Bandung, Indonesia. International Journal of Applied Mathematics and Statistics, 54(3), 94-103.

Lawson, A. (2013). Bayesian Disease Mapping, Hierarchical Modelling in Spatial Epidemiology (2nd ed.). CRC Press Taylor and Francis Group.s

Lawson, A. B. (2006). Statistical Methods Methods in Spatial Epidemiology. England: John Wiley & Sons.

Lee, D., & Lawson, A. (2015). Cluster detection and risk estimation for spatio-temporal health data. Annals of the Institute, 43(1), 1-59.

Liu, Y., Watson, S. C., Gettings, J. R., Lund, R. B., Nordone, S. K., Yabsley, M. J., & McMahan, C. S. (2017). A Bayesian spatio-temporal model for forecasting Anaplasma species seroprevalence in domestic dogs within the contiguous United States. PLOS ONE, 1-18.

Lloyd, C. (2010). Spatial data analysis. New York: OXFORD University Press.

Meza, J. (2003). Empirical Bayes estimation smoothing of relative risks in disease mapping. Journal of Statistical Planning and Inference, 112, 43-62.

Nurulliah, N. (2016, November 4). Pikiran Rakyat. Retrieved from Kasus Demam Berdarah Terbanyak Terjadi di Kota Bandung, Waspadalah!: http://www.pikiran-rakyat.com/bandung-raya/2016/11/04/kasus-demam-berdarah-terbanyak-terjadi-di-kota-bandung-waspadalah-383883

Pringle, D. (1996). Mapping Disease Risk Estimates Based on Small Numbers: An Assesment of Empirical Bayes Techniques. The Economic and Social Review, 27(4), 341-363.

WHO. (2009). Who Guide to Identifying The Economic Consequences of Disease and Injury. Geneva: WHO.


Refbacks

  • Saat ini tidak ada refbacks.


##submission.copyrightStatement##

Jurnal ini Terindeks di: 

PENERBIT

Direktorat Riset dan Pengabdian kepada Masyarakat Universitas Padjadjaran

Gedung Rektorat Universitas Padjadjaran Lt. 4, Jl. Ir. Soekarno Km. 21 Jatinangor, Sumedang, Jawa Barat 45363