Penulis: Toha Saifudin
DATA dari berbagai laporan kesehatan menunjukkan bahwa malaria masih menjadi salah satu persoalan kesehatan serius di wilayah Papua.
Menariknya, penyebaran penyakit ini tidak terjadi secara acak. Curah hujan, kondisi lingkungan, dan karakteristik wilayah diduga memiliki keterkaitan dengan pola munculnya kasus malaria di berbagai daerah.
Membahas malaria sering kali berfokus pada gejala, pengobatan, atau upaya pencegahan.
Padahal, ada pertanyaan penting yang perlu dijawab: bagaimana mengetahui wilayah yang berpotensi memiliki angka malaria tinggi ketika data kesehatan di daerah tersebut belum tersedia?
Persoalan ini menjadi semakin relevan di wilayah baru seperti Papua Tengah yang masih memiliki keterbatasan data.
Penelitian terbaru mencoba menjawab tantangan tersebut melalui pendekatan statistika spasial yang memanfaatkan hubungan antara lokasi geografis dan faktor lingkungan.
Penelitian berjudul “Spatial Extrapolation of Malaria Cases in Central Papua Using Co-Kriging Based on Rainfall Variables” menggunakan pendekatan statistika yang disebut Co-Kriging untuk memperkirakan jumlah kasus malaria di Papua Tengah.
Data yang digunakan berasal dari jumlah kasus malaria di Propinsi Papua serta data curah hujan tahun 2023.
Pendekatan ini tidak hanya memanfaatkan informasi kasus penyakit, tetapi juga memasukkan faktor pendukung berupa curah hujan sebagai variabel tambahan.
Secara sederhana, Co-Kriging dapat diibaratkan seperti menyusun potongan puzzle.
Ketika beberapa bagian informasi belum tersedia, model akan memanfaatkan data di wilayah sekitar yang memiliki karakteristik serupa untuk mengisi kekosongan tersebut.
Dalam penelitian ini, curah hujan dianggap penting karena memiliki hubungan erat dengan perkembangan populasi nyamuk penyebab malaria.
Wilayah Papua dikenal memiliki karakteristik iklim tropis dengan curah hujan yang relatif tinggi. Penelitian menunjukkan rata-rata curah hujan tahunan di Papua mencapai 2.266,76 mm per tahun.
Pada saat yang sama, rata-rata angka kasus malaria mencapai 204 kasus per 1.000 penduduk. Tingginya curah hujan dapat menciptakan genangan air yang menjadi tempat berkembang biaknya nyamuk pembawa malaria.
Peneliti kemudian membandingkan tiga model statistika spasial, yaitu spherical, exponential, dan Gaussian. Ketiga model tersebut diuji untuk mengetahui mana yang paling baik dalam memprediksi penyebaran malaria.
Hasil awal menunjukkan model spherical memiliki tingkat kesalahan yang hampir mendekati nol. Sekilas hasil tersebut tampak sangat baik. Namun, dalam dunia statistika, hasil yang terlalu sempurna justru perlu dicurigai.
Model dengan akurasi sangat tinggi berpotensi mengalami overfitting. Kondisi ini terjadi ketika model terlalu menyesuaikan diri dengan data pelatihan sehingga kehilangan kemampuan memprediksi data baru secara realistis.
Dengan kata lain, model mungkin sangat tepat pada data lama, tetapi kurang baik ketika diterapkan di lokasi berbeda.
Setelah mempertimbangkan aspek akurasi dan kemampuan generalisasi, penelitian memilih model Gaussian sebagai model terbaik.
Model ini menghasilkan nilai MAPE sebesar 4,67% dan MSE sebesar 10,895, yang menunjukkan kemampuan prediksi sangat baik dengan tingkat kesalahan rendah.
Hasil prediksi menunjukkan bahwa kasus malaria di Papua Tengah tersebar cukup merata. Kabupaten Puncak Jaya diperkirakan memiliki angka tertinggi sekitar 219 kasus per 1.000 penduduk.
Sedangkan Mimika memiliki angka terendah sekitar 211 kasus per 1.000 penduduk. Temuan tersebut memperlihatkan bahwa malaria masih berpotensi menjadi masalah kesehatan di berbagai wilayah Papua Tengah.
Penelitian ini menunjukkan bahwa peta kesehatan tidak selalu harus menunggu data lengkap tersedia.
Pendekatan statistika spasial memungkinkan peneliti melakukan prediksi berdasarkan hubungan lokasi, lingkungan, dan informasi wilayah sekitar.
Di era perkembangan data saat ini, pendekatan seperti ini dapat membantu pemerintah mengambil langkah lebih cepat dalam menentukan prioritas intervensi kesehatan.
Lebih jauh lagi, metode semacam ini tidak hanya dapat diterapkan pada malaria. Pendekatan serupa dapat digunakan untuk memetakan penyebaran penyakit lain yang dipengaruhi lingkungan, seperti demam berdarah, infeksi saluran pernapasan, hingga penyakit berbasis iklim lainnya.
Penyakit tidak selalu menyebar secara acak. Lingkungan sering meninggalkan pola yang dapat dipelajari melalui pendekatan statistika.
Penelitian ini menunjukkan bahwa kombinasi data kesehatan, curah hujan, dan metode Co-Kriging mampu membantu memperkirakan wilayah dengan risiko malaria lebih tinggi, meskipun data terbatas.
Ke depan, pendekatan berbasis data spasial dapat menjadi alat penting untuk mendukung kebijakan kesehatan yang lebih cepat, tepat sasaran, dan berbasis bukti ilmiah. (Redaksi)
