JI-KES (Jurnal Ilmu Kesehata.
Volume 6.
No.
Agustus 2022.
Page 65-75
ISSN: 2579-7913
PEMODELAN SPASIAL KASUS KEMATIAN AKIBAT COVID-19
DI PROVINSI JAWA TIMUR TAHUN 2020
SPATIAL MODELING ON COVID-19 DEATH CASES
OF EAST JAVA PROVINCE IN 2020
Herti Maryani*.
Lusi Kristiana.
Nailul Izza.
Dinda Galuh Guminta.
1-3Badan Riset Inovasi Nasional Republik Indonesia.
Surabaya.
Jawa Timur.
Indonesia Mahasiswa Magister.
Institut Teknologi Sepuluh Nopember Surabaya.
Jawa Timur.
Indonesia email: hertimaryani7@gmail.
Abstrak Provinsi Jawa Timur merupakan provinsi yang mempunyai jumlah kasus kematian yang tinggi dibanding dengan provinsi lain di Indonesia.
Tujuan penelitian adalah melakukan pemodelan kematian akibat Covid-19 di Provinsi Jawa Timur pada tahun 2020, menggunakan analisis Geographically Weighted Regression (GWR).
Analisis GWR merupakan pengembangan dari regresi linier dengan parameter model yang berbeda di setiap pengamatan .
Data yang dianalisis adalah data sekunder dari Dinas Kesehatan Provinsi Jawa Timur dan Badan Pusat Statistik (BPS) Provinsi Jawa Timur.
Jumlah kematian akibat covid-19 di Jawa Timur mencapai 84.
152 jiwa sampai dengan bulan Desember 2020.
Hasil analisis menunjukkan bahwa faktor yang mempengaruhi kematian akibat Covid-19 di sebagian besar wilayah Provinsi Jawa Timur adalah jumlah dokter umum di Rumah Sakit dan jumlah pelayanan kesehatan penyakit Diabetes Melitus, sedangkan variable lainnya yang berpengaruh signifikan adalah pelayanan kesehatan penderita Hipertensi dan jumlah Rumah Sakit Umum.
Analisis GWR menghasilkan pemodelan jumlah kematian akibat Covid-19 di Jawa Timur dengan koefisien determinasi yang lebih tinggi dibanding pemodelan secara global.
Pemodelan secara geografis menghasilkan 5 kelompok kabupaten/kota, dengan variabel jumlah dokter umum di Rumah Sakit dan pelayanan kesehatan Diabetes Melitus yang cukup berpengaruh di sebagian besar kabupaten/kota di Jawa Timur.
Kata kunci: Covid-19.
Jawa Timur.
Geographically Weighted Regression Abstract East Java Province was a province that had a high number of deaths compared to other provinces in Indonesia.
Using Geographically Weighted Regression (GWR) analysis, the study's goal was to predict the number of deaths caused by COVID-19 in the East Java Province in With various model parameters in each observation.
GWR analysis was a progression of linear regression .
Secondary data from the East Java Province's Statistics Agency and Health Agency were used in the analysis.
As of December 2020, 84.
152 individuals had perished in East Java as a result of COVID-19.
The analysis's findings indicate that the number of public hospitals and the availability of healthcare for people with diabetes mellitus were the two health factors that had the greatest impact on Covid-19 deaths in the majority of East Java Province.
Other factors that had a significant impact included the number of public hospitals and the availability of healthcare for people with hypertension.
The analysis of the GWR model on the number of deaths due to Covid-19 in East Java resulted in a higher coefficient of determination than linear regression modeling.
Geographical modeling resulted in 5 groups of districts/cities, with the variable number of general doctors in hospitals and diabetes mellitus health services being quite influential in most districts/cities in East Java.
Keyword: Covid-19.
East Java Provinces.
Geographically Weighted Regression -65- JI-KES (Jurnal Ilmu Kesehata.
Volume 6.
No.
Agustus 2022.
Page 65-75
ISSN: 2579-7913
PENDAHULUAN
Pada tahun 2020, masyarakat dunia menjadi saksi munculnya virus corona jenis coronavirus disease atau yang sekarang dikenal sebagai Covid-19.
Virus ini pertama kali muncul di kota Wuhan.
Provinsi Hubei.
China, pada akhir 2019 dan dengan cepat menyebar dari hanya satu kota ke seluruh wilayah China hanya dalam 30 hari (Ariawan et al.
, 2.
Di Indonesia, munculnya kasus Covid-19 dikonfirmasi secara resmi oleh Presiden Indonesia pada tanggal 2 Maret 2020.
Sejak saat itu, jumlah kasus terkonfirmasi dilaporkan secara luas setiap hari.
Pada pertengahan Maret 2020.
Presiden menghimbau seluruh lapisan masyarakat untuk menjaga jarak (Ariawan et , 2.
Kementerian Kesehatan Indonesia menyatakan bahwa Coronavirus merupakan keluarga besar virus yang menyebabkan penyakit pada manusia dan hewan.
Pada manusia biasanya menyebabkan penyakit infeksi saluran pernapasan, mulai flu biasa hingga penyakit yang serius seperti Middle East Respiratory Syndrome (MERS) dan Sindrom Pernafasan Akut Berat/Severe Acute Respiratory Syndrome (SARS).
Coronavirus jenis baru yang ditemukan pada manusia sejak kejadian luar biasa muncul di Wuhan Cina, pada Desember 2019, kemudian diberi nama Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-COV.
, dan menyebabkan penyakit Coronavirus Disease-2019 (Covid-.
Virus menyebabkan status pandemi, yang berarti penyebaran virus terjadi dalam wilayah geografis yang luas hingga seluruh penjuru dunia, termasuk Indonesia.
Persebaran virus ini dapat dikatakan sangat cepat hingga dalam kurun lima bulan kasus positif Covid19 di Indonesia menembus 100.
000 kasus.
Hingga September 2020, kasus Covid-19 di Indonesia terus meningkat dan tak satu provinsi pun luput dari paparan pandemi ini (Fitrial & Fatikhurrizqi, 2.
Provinsi Jawa Timur merupakan provinsi yang mempunyai jumlah kasus kematian yang tinggi dibanding dengan provinsi lain di Indonesia.
Jumlah kejadian meninggal akibat Covid-19 di Jawa timur memiliki nilai yang bervariasi di setiap Persebaran penyakit menular di suatu daerah dapat dipengaruhi oleh daerah hal ini dapat disebabkan oleh Lingkungan menampung segala interaksi yang ada khususnya interaksi antar manusia dan manusia lainnya.
Hal ini dapat diketahui dengan adanya perbedaan jumlah kasus meninggal antar kabupaten/kota yang berdekatan yang tidak begitu jauh.
Penelitian yang pernah dilakukan terkait Covid-19 dengan pendekatan GWR adalah Pemodelan jumlah kasus Covid-19 di Jawa Barat dengan metode GWR dilakukan oleh Mahdy .
menunjukkan bahwa oleh faktor (Mahdy, 2.
Penelitian hubungan sosiodemografis dan Covid-19 menggunakan pendekatan regresi spasial oleh Sannigrahi .
menghasilkan faktor terpenting yaitu total populasi, kemiskinan, dan pendapatan.
Total populasi, angka kematian kasar, penyakit jangka panjang juga ditemukan sebagai faktor utama dalam kasus Covid-19 oleh Sannigrahi .
menggunakan regresi spasial (Sannigrahi et al.
, 2.
Zhang .
melakukan penelitian yang mengatakan bahwa model dengan bobot geografis memberikan hasil yang lebih baik (Zhang et al.
, 2.
Berdasarkan uraian tersebut, maka diperlukan suatu model untuk mengetahui faktor yang berpengaruh terhadap Covid-19.
Penyebaran virus yang cepat dari suatu lokasi menuju lokasi lainnya mengindikasikan adanya efek spasial dalam pemodelan.
Salah satu metode yang dapat digunakan dalam analisis spasial adalah Geographically Weighted Regression (GWR).
Metode ini adalah suatu teknik yang membawa kerangka dari model regresi sederhana (Fotheringham et al.
, 2.
Peneliti akan melakukan analisis GWR untuk memperoleh model kematian akibat Covid-19 di Jawa Timur.
Penelitian ini melakukan analisis untuk mengetahui persamaan faktor yang mempengaruhi jumlah kasus meninggal antara kabupaten/kota yang satu dengan yang lainnya karena pengaruh spasial.
Metode ini bertujuan untuk menganalisis kondisi permasalahan berdasarkan data
-66-
Herti Maryani et.
Pemodelan Spasial Kasus Kematian Akibat Covid-19 di Provinsi Jawa Timur Tahun 2020 Geographically Weighted Regression (GWR) merupakan salah satu pembobotan berdasarkan lokasi pengamatan sehingga diperoleh model yang berbeda sejumlah lokasi yang diamati.
Pada model regresi linier hanya dihasilkan estimator parameter yang berlaku secara global, sedangkan dalam model GWR dihasilkan estimator parameter model yang bersifat lokal untuk setiap lokasi pengamatan (Purhadi & Yasin, 2.
METODE PENELITIAN
Jenis penelitian adalah deskriptif dengan analisis Geographically Weighted Regression (GWR).
Variabel dependen (Y) adalah jumlah kematian akibat covid-19 di Jawa Timur yang bersumber dari Dinas Kesehatan Provinsi Jawa Timur, sesuai pelaporan kabupaten/kota di aplikasi Covid19 Provinsi Jatim.
Data kematian yang dianalisis sejak adanya kasus kematian akibat Covid-19 di Jatim sampai dengan 31 Desember 2020 pukul 13.
00 WIB (Waktu Indonesia Bara.
Faktor kematian Covid-19 disini terbatas di bidang kesehatan, dimana terdapat 5 variabel yang diperoleh dari Profil Kesehatan Provinsi Jawa Timur 2019.
Dinas Kesehatan Provinsi Jatim dan Provinsi Jawa Timur dalam Angka 2021.
Badan Pusat Statistik (BPS) Provinsi Jatim.
Faktor yang diduga mempengaruhi pemodelan kematian akibat Covid-19 dari aspek kesehatan adalah pelayanan kesehatan lansia, pelayanan kesehatan penderita Hipertensi, pelayanan kesehatan penderita Diabetes Melitus (DM), jumlah dokter umum di Rumah Sakit, dan jumlah Rumah Sakit Umum (RSU) di kabupaten/kota Jawa Timur.
Unit analisis penelitian adalah kabupaten/kota di Jawa Timur.
Tabel 1.
Variabel yang Dianalisis Simbol Variabel Definisi Operasional Skala Meninggal Jumlah kasus meninggal akibat covid-19 menurut kabupaten/kota di Jatim, 2020 Rasio Lansia Cakupan pelayanan kesehatan usia lanjut menurut kabupaten/kota di Jatim, 2019 Rasio Hipertensi dr umum RS Pelayanan kesehatan penderita Hipertensi .
ang mendapat pelayana.
menurut kabupaten/kota di Jatim, 2019 Pelayanan kesehatan penderita Diabetes Melitus (DM) yang mendapat pelayanan menurut kabupaten/ kota di Jatim, 2019 Jumlah dokter umum di RS menurut kabupaen/kota di Jatim, 2019 Jumlah Rumah Sakit Umum menurut kabupaten/kota di Jatim, 2020 Sumber: Dinas Kesehatan Provinsi Jatim.
BPS
RSU
Geographically Weighted Regression (GWR) merupakan pengembangan dari regresi linier dengan parameter model yang berbeda di setiap pengamatan .
Salah satu teknik non-stasioner yang memodelkan hubungan yang bervariasi secara spasial (Lu et al.
, 2.
Diberikan persamaan regresi linier sebagai berikut.
Rasio Rasio Rasio Rasio Pemodelan variabel respon dan prediktor dalam GWR ini bergantung pada lokasi data Berikut adalah persamaan GWR (Fotheringham et al.
, 2.
-67-
Herti Maryani et.
Pemodelan Spasial Kasus Kematian Akibat Covid-19 di Provinsi Jawa Timur Tahun 2020 Keterangan:
: Nilai observasi variabel respon pada lokasi pengamatan ke-i : Nilai observasi variabel prediktor ke-k pada lokasi pengamatan ke-i : Nilai konstanta .
model GWR : Koefisien regresi variabel prediktor ke-k lokasi pada lokasi pengamatan ke-i : Koordinat letak geografis dari lokasi pengamatan : Error pengamatan ke-i Persamaan .
mengasumsikan secara implisit bahwa data yang diamati di dekat lokasi i memiliki pengaruh yang lebih besar dalam estimasi daripada data yang terletak lebih jauh dari lokasi i.
Pada GWR suatu pengamatan diberi pembobotan sesuai dengan kedekatannya dengan lokasi i sehingga pembobotan suatu pengamatan tidak lagi konstan tetapi bervariasi.
Data dari pengamatan yang dekat dengan i lebih berbobot daripada data dari pengamatan yang lebih jauh.
Estimasi parameter model GWR pada persamaan .
berikut ini diperoleh menggunakan Weighted Least Square.
merupakan elemen matriks diagonal dari pembobotan geografis pada tiap data yang diamati untuk titik regresi i.
Pembobotan W dihitung dengan fungsi kernel berdasarkan kedekatan antara titik regresi i dan n data di sekitarnya.
Gaussian dan bisquare merupakan contoh fungsi kernel yang biasa digunakan untuk skema Fungsi Gaussian Nilai pembobot pada GWR sangat penting karena mewakili letak data observasi satu dengan lainnya.
Keterangan:
: Jarak Euclidean antara titik pengamatan j dan titik regresi i : Bandwidth kernel Prosedur yang dilakukan sebelum analisis GWR adalah analisis regresi linier berganda dengan asumsi yang berlaku.
Selanjutnya dilakukan uji heterogenitas spasial menggunakan uji Breush-Pagan dan dependensi spasial menggunakan uji MoranAos I.
Adapun langkah-langkah analisis Geographically Weighted Regression (GWR) adalah :
Menghitung jarak Euclidian antar titik wilayah pengamatan .
Menentukan bandwidth berdasarkan kriteria AIC minimum
Menghitung matriks pembobot tiap titik
wilayah pengamatan dengan fungsi
Menaksir GWR
menggunakan bandwith optimum
Membandingkan R2 model regresi linier
berganda dan GWR
Interpretasi model
HASIL DAN PEMBAHASAN
Deskripsi Jumlah kematian akibat Covid-19 di Jatim mencapai 84.
152 jiwa sampai dengan bulan Desember 2020.
Kota Surabaya merupakan wilayah Jatim dengan kasus kematian tertinggi yaitu 18.
164 jiwa, sedangkan kabupaten Madiun mempunyai jumlah kematian terendah yaitu 390 jiwa.
Jumlah kematian akibat Covid-19 di Jawa Timur disajikan pada Gambar 1.
Fungsi Bisquare .
-68-
KOTA SURABAYA
KAB.
SIDOARJO
KAB.
BANYUWANGI
KOTA MALANG
KAB.
GRESIK
KAB.
JOMBANG
KAB.
JEMBER
KAB.
TUBAN
KAB.
KEDIRI
KAB.
LUMAJANG
KAB.
PASURUAN
KAB.
BLITAR
KAB.
SITUBONDO
KAB.
PROBOLINGGO
KOTA PASURUAN
KAB.
NGANJUK
KOTA PROBOLINGGO
KAB.
LAMONGAN
KAB.
BANGKALAN
KAB.
BOJONEGORO
KOTA BATU
KAB.
MALANG
KAB.
BONDOWOSO
KAB.
SUMENEP
KAB.
PAMEKASAN
KOTA MOJOKERTO
KOTA KEDIRI
KAB.
PONOROGO
KAB.
MAGETAN
KAB.
TRENGGALEK
KAB.
MOJOKERTO
KOTA BLITAR
KAB.
NGAWI
KOTA MADIUN
KAB.
MADIUN
KAB.
TULUNGAGUNG
KAB.
SAMPANG
KAB.
PACITAN
Jumlah Kematian .
Herti Maryani et.
Pemodelan Spasial Kasus Kematian Akibat Covid-19 di Provinsi Jawa Timur Tahun 2020 Kabupaten/Kota Gambar 1.
Jumlah Kematian Akibat Covid-19 di Kabupaten/Kota Jawa Timur Asumsi Analisis Regresi Linier Berganda Analisis hubungan antar variabel dilakukan untuk mengetahui hubungan linier antar variabel respon yaitu jumlah kasus meninggal akibat Covid-19 di Jatim dan Hasil menunjukkan semua variabel prediktor yaitu cakupan pelayanan kesehatan lansia (X.
, pelayanan kesehatan penderita Hipertensi (X.
, pelayanan kesehatan penderita DM (X.
, jumlah dokter umum di Rumah Sakit (X.
, dan jumlah Rumah Sakit Umum (X.
menunjukkan korelasi positif.
Hal ini menunjukkan hubungan positif yang berarti jika jumlah penderita hipertensi bertambah maka jumlah kematian akibat Covid-19 akan Hal ini berlaku juga untuk variabel prediktor lainnya.
Nilai korelasi untuk masing-masing variabel cukup tinggi terhadap jumlah kematian akibat Covid-19, yaitu 0,843 .
elayanan kesehatan DM), 0,919 .
umlah dokter umum RS), dan 0,852 .
umlah RSU).
Hasil analisis regresi linier berganda menunjukkan bahwa variabel pelayanan kesehatan hipertensi, pelayanan kesehatan diabetes melitus, jumlah dokter umum di RS, dan jumlah RSU berpengaruh signifikan terhadap jumlah kematian akibat Covid-19 sedangkan jumlah pelayanan kesehatan .
lansia tidak berpengaruh signifikan terhadap jumlah kematian akibat Covid-19 pada taraf signifikansi .
sehingga variabel yankes lansia dikeluarkan dari Multikolinieritas prediktor tidak ada, hal ini telah dilakukan pengujian sebelum melakukan analisis regresi linier berganda untuk mendapatkan model yang lebih baik.
Hal ini ditunjukkan dengan nilai VIF tidak lebih dari 10.
Tabel 2 menunjukkan nilai korelasi dan nilai VIF dari variabel prediktor.
Tabel 2.
Nilai Korelasi dan VIF Variabel Lansia (Lanjut Usi.
Hipertensi DM (Diabetes Melitu.
dokter umum RSU(Rumah Sakit Umu.
Nilai korelasi
terhadap var
0,474
VIF
1,883
0,655
0,843
1,782
6,012
0,919
3,672
9,367
Pengujian Parameter Pengujian estimasi parameter bertujuan memeriksa pengaruh signifikansi taksiran parameter terhadap model.
Pengujian serentak dilakukan untuk mengetahui pengaruh variabel prediktor secara simultan terhadap variabel respon.
Diperoleh statistik uji F yaitu 94,7dan p-value = 0 sehingga dapat disimpulkan bahwa minimal terdapat satu variabel prediktor yang berpengaruh signifikan terhadap jumlah kasus meninggal akibat Covid-19 di Jatim pada taraf signifikansi .
-69-
Herti Maryani et.
Pemodelan Spasial Kasus Kematian Akibat Covid-19 di Provinsi Jawa Timur Tahun 2020 Uji parameter secara parsial dilakukan untuk mengetahui signifikansi setiap parameter terhadap variabel respon.
Hasil analisis sejalan dengan penelitian (Du et al.
Mansour et al.
, 2021.
Mohammadi et , 2021.
Rodriguez-Villamizar et al.
, 2.
mengenai Covid-19 menunjukkan bahwa diabetes dan hipertensi secara signifikan berpengaruh terhadap tingkat kejadian dan kematian akibat Covid-19.
Pengujian parameter secara parsial menunjukkan bahwa variabel hipertensi dan diabetes melitus memberikan hasil yang signifikan.
Hal itu dapat dilihat melalui nilai .
dengan tingkat signifikansi .
Studi tentang tingkat kematian Covid19 dengan fasilitas kesehatan menunjukkan adanya hubungan antara sumber daya rumah sakit, personel, dan kapasitas tempat tidur dengan kematian akibat Covid-19 (SenCrowe et al.
, 2.
Dengan menggunakan taraf signifikansi .
, diperoleh hasil yang signifikan pada variabel jumlah dr umum RS, dan jumlah RSU sehingga dapat disimpulkan bahwa jumlah dr umum RS dan jumlah RSU secara parsial berpengaruh signifikan terhadap jumlah kasus meninggal akibat Covid-19 di Jatim.
Tabel 3.
Uji Efek Spasial Asumsi Heterogenitas dan Dependensi
Uji
Nilai P-Value Breusch-Pagan 5,8131 0,2135 MoransAoI
-2,176
0,02955
Tabel 3 menunjukkan hasil pengujian efek spasial yang dilakukan analisis GWR.
Hasil pengujian dengan Breusch-Pagan memberikan p-value sebesar 0,2135, dengan taraf signifikansi .
heterogenitas spasial.
Hasil pengujian dengan MoransAo I menghasilkan p-value sebesar 0,0295 yang menandakan adanya dependensi spasial dalam data.
Hasil ini dapat disimpulkan bahwa jumlah kasus meninggal akibat Covid-19 di Jatim memiliki pengaruh spasial, sehingga diperlukan pemodelan regresi berbasis area.
Pemodelan Geographically Weighted Regression (GWR) Pemilihan pembobot optimum perlu dilakukan dalam membuat pemodelan GWR, agar diperoleh model terbaik.
Pemilihan bandwidth pada pembobot dilihat berdasarkan AIC terkecil.
Terdapat dua fungsi kernel yang akan dibandingkan, yaitu Gaussian dan Bisquare.
Setiap fungsi kernel memiliki fungsi pembobot kernel fixed dan Fungsi Kernel Fixed memiliki bandwidth yang sama untuk semua lokasi pengamatan, sedangkan fungsi Kernel adaptive memiliki bandwidth yang berbeda di setiap lokasi pengamatan.
Tabel 4.
Pemilihan Pembobot untuk pemodelan GWR
Pembobot Bandwidth
AICc
AIC
Adaptive bisquare 0,99996 431,4616 417,4366 0,9351 Bisquare 1,7905 427,8281 408,5071 0,9514 Adaptive gaussian 0,9737 432,2130 421,4549 0,9250 Gaussian 0,8688 429,4996 412,9083 0,9440 Tabel 4 menunjukkan bahwa AIC terkecil diperoleh pada pembobot bisquare sehingga pemodelan GWR selanjutnya Diperoleh koefisien determinasi sebesar 0,9514 yang mengartikan bahwa model yang terbentuk dapat menjelaskan jumlah kasus meninggal sebesar 95,14% dan sisanya dijelaskan oleh variabel lain yang tidak masuk dalam model.
Dengan menggunakan kriteria AIC, diperoleh bahwa pembobot bisquare -70- Herti Maryani et.
Pemodelan Spasial Kasus Kematian Akibat Covid-19 di Provinsi Jawa Timur Tahun 2020 merupakan pembobot optimum dengan bandwidth yaitu 1,7905.
Pada pengujian kesesuaian model GWR didapatkan F-value yang signifikan yang mengartikan bahwa terdapat perbedaan antara model GWR dengan model regresi linier berganda dengan .
Uji Kesesuaian Model GWR Pemodelan jumlah kasus kematian akibat Covid-19 di Jatim menggunakan GWR diharapkan memperoleh hasil yang lebih baik dari pemodelan menggunakan regresi linier berganda.
Tabel 5.
Uji Kesesuaian Model GWR
Source Residuals F-Value Improvement
6,0154
Residuals 26,9846 Dengan menggunakan hipotesis awal H0 yaitu tidak ada perbedaan signfikan antara model regresi linier berganda dengan model GWR.
Tabel 5 menghasilkan Fvalue sebesar 2,9072, apabila dibandingkan dengan Ftabel .
,0.
diperoleh keputusan tolak H0 karena Fvalue > Ftabel.
Hal ini dapat disimpulkan bahwa terdapat perbedaan yang signifikan antara model GWR dan model regresi linier pada taraf signifikansi .
2,9072
mengetahui parameter yang berpengaruh signifikan terhadap jumlah kasus meninggal di kabupaten/kota di Jawa Timur tahun Dengan menggunakan hipotesis awal berpengaruh terhadap respon dan syarat penolakan H0 yaitu .
,7.
, diperoleh variabel prediktor yang berpengaruh terhadap respon di setiap wilayah kabupaten/kota di Jatim yang disajikan pada Gambar 1.
Uji Signifikansi Parameter Model GWR Pengujian signifikansi parameter model GWR secara parsial dilakukan untuk Gambar 2.
Pemetaan Pengaruh Variabel Predictor terhadap Kematian Covid-19 di Kabupaten/Kota Jawa Timur Gambar 2 menjelaskan pemetaan kabupaten/kota di Jawa Timur berdasarkan variabel prediktor yang berpengaruh signifikan terhadap jumlah kematian akibat Covid-19 di Jatim dengan GWR.
Pengujian signifikansi parameter model GWR di setiap titik pengamatan menunjukkan bahwa jumlah penderita diabetes melitus dan jumlah dokter umum di RS berpengaruh signifikan terhadap jumlah kematian akibat Covid-19 di wilayah
-71-
Herti Maryani et.
Pemodelan Spasial Kasus Kematian Akibat Covid-19 di Provinsi Jawa Timur Tahun 2020 kabupaten/kota di sebelah barat Provinsi Jawa Timur seperti Tuban.
Bojonegoro.
Trenggalek, dan lain-lain.
Hal ini ditunjukkan dengan warna biru tua pada Gambar 2.
Variabel prediktor yang mempengaruhi jumlah kematian akibat Covid-19 di wilayah kabupaten/kota Surabaya.
Sidoarjo.
Gresik.
Lamongan.
Mojokerto dan lain-lain adalah jumlah penderita diabetes melitus, jumlah dokter umum RS, dan jumlah RSU yang ditandai Gambar Kabupaten/kota Jember.
Lumajang.
Bondowoso dan Situbondo yang ditandai dengan warna biru muda pada Gambar 2 hipertensi, jumlah penderita diabetes melitus dan jumlah dokter umum RS.
Sementara itu, kematian akibat Covid-19 di Sumenep dipengaruhi oleh jumlah dokter umum di RS dan di Banyuwangi oleh jumlah RSU.
Kabupaten/kota yang berwarna biru tua terletak di bagian barat provinsi Jatim sedangkan kabupaten/kota dengan warna biru mengelompok pada bagian timur dari provinsi Jatim, dan kabupaten/kota dengan warna hijau mengelompok pada bagian Hal ini mengindikasikan bahwa jumlah kasus kematian Covid-19 di Jatim memiliki fakta geografis.
Kebaikan .
oodness-of-fi.
Model GWR Gambar 3.
Kebaikan Model GWR di Setiap Wilayah Kabupaten/Kota di Jatim Salah satu kriteria untuk melihat kebaikan model GWR adalah dari nilai koefisien determinasi (R.
yang merupakan proporsi variailitas dalam variabel respon yang diperhitungkan oleh variabel prediktor di dalam model.
Nilai R2 yang berkisar antara nol hingga satu menunjukkan seberapa baik model regresi setiap wilayah cocok dengan variabel respon.
Semakin besar nilai R2 maka model yang dihasilkan semakin baik.
Gambar 3 menampilkan perolehan nilai R2 di setiap wilayah kabupaten/kota di Jawa Timur.
Pemetaan R2 digunakan untuk melihat pada lokasi mana GWR dapat memprediksi dengan baik dan pada lokasi mana GWR memprediksi dengan buruk.
Gambar 3 menunjukkan bahwa model GWR yang dihasilkan di tiap kabupaten/kota di Jawa Timur memiliki R2 atau kebaikan model yang beragam yang berkisar antara 63% hingga 98%.
Wilayah tengah Provinsi Jawa Timur memiliki R2 yang tinggi yaitu sekitar 95% ditandai dengan warna coklat, sedangkan wilayah lainnya memiliki R2 yang lebih rendah sekitar 90% berwarna coklat muda, sedangkan kab/kota dengan R2 87%-89% berwarna kuning.
Kabupaten/kota dengan nilai R2 terendah yaitu sekitar 60% ditunjukkan oleh warna
-72-
Herti Maryani et.
Pemodelan Spasial Kasus Kematian Akibat Covid-19 di Provinsi Jawa Timur Tahun 2020 Pemilihan Model Terbaik Pada analisis regresi linier, digunakan ukuran kebaikan model yang menjelaskan proposi variabilitas variabel respon yang menggunakan nilai R-sq yang disajikan pada Tabel Nilai R-sq sebesar 95,14% menunjukkan bahwa model mampu menjelaskan keragaman data sebesar 95,14% sedangkan sisanya sebesar 4,86 % dijelaskan oleh variabel lain yang tidak diamati dalam penelitian.
Disamping itu.
GWR mampu menurunkan nilai Sum of Squared Error (SSE) pada model yang Tabel 6.
Kebaikan Model Regresi
Regresi
OLS
GWR
R-sq
SSE
AIC
91,02%
430,4318
95,14%
408,5071
Perbandingan kebaikan model antara regresi linier berganda dan GWR dapat dilihat dari nilai R-sq dan SSE.
Model GWR memberikan kebaikan model (R-s.
yang lebih tinggi dan SSE yang lebih kecil dari model regresi linier yaitu 95,14%.
Nilai ini mempunyai makna bahwa model mampu menjelaskan variabilitas dalam data sebesar 95,14% sedangkan 4,86% sisanya dijelaskan oleh variabel lain yang tidak masuk ke dalam model.
Keterbatasan Hasil analisis penelitian mempunyai parameter dalam model yang berkebalikan dengan teori.
Seharusnya penambahan jumlah RS akan menurunkan kematian akibat Covid-19, tetapi model GWR menunjukkan bahwa penambahan jumlah RS, akan meningkatkan jumlah kematian.
Hal ini dapat disebabkan oleh penggunaan data sekunder dan pemilihan variabel yang terkait kesehatan sangat terbatas, dimana jika dilakukan pemodelan secara simultan dengan variabel prediktor lain dapat menyebabkan tanda koefisien parameter KESIMPULAN DAN SARAN Analisis GWR pemodelan jumlah kematian akibat Covid19 di Jawa Timur dengan koefisien determinasi yang lebih tinggi dibanding pemodelan dengan analisis regresi linier.
Analisis GWR menghasilkan model yang lebih baik dengan kemampuan variabel prediktor dalam mempengaruhi variabel respon mencapai 95%, sedangkan 5% lainnya dijelaskan variabel lain yang tidak masuk dalam penelitian.
Hasil pemodelan secara geografis menghasilkan 5 kelompok kabupaten/kota, dengan variabel jumlah dokter umum di Rumah Sakit dan pelayanan kesehatan Diabetes Melitus yang cukup kabupaten/kota di Jawa Timur terhadap jumlah kematian akibat Covid-19.
Berdasarkan hasil analisis, kesimpulan, dan keterbatasan, maka disarankan untuk penambahan jumlah variabel dan validasi data agar mendapatkan hasil yang lebih baik memperoleh model yang sesuai dengan kondisi sebenarnya.
UCAPAN TERIMA KASIH
Ucapan terima kasih kami sampaikan kepada Kepala Puslitbang Humaniora dan Manajemen Kesehatan memfasilitasi permintaan data.
Kepala Dinas Kesehatan Provinsi Jawa Timur yang telah mengijinkan datanya untuk dilakukan Badan Pusat Statistik Provinsi Jawa Timur menyediakan publikasi data.
Semua pihak yang telah memberikan dukungan dan semangat sehingga artikel bisa dipublikasi.
DAFTAR PUSTAKA