ARTIKEL PENELITIAN
Ramadhan Tosepu1,2 & Kraichat Tantrakarnapa1 & Kanchana Nakhapakorn3 & Suwalee Worakhunpiset1
Diterima: 30 Agustus 2017 /Diterima: 13 Februari 2018 /Diterbitkan online: 16 Maret 2018
# Springer-Verlag GmbH Jerman, bagian dari Springer Nature 2018
Abstrak
Untuk menentukan hubungan faktor iklim dan demam berdarah dengue dan untuk mengembangkan pendekatan prediksi penularan dengue di masa
depan. Penelitian ini menggunakan kasus demam berdarah dengue total bulanan di Dinas Kesehatan Kota Kendari, Sulawesi Tenggara, Indonesia.
Data meteorologi bulanan yang terdiri dari suhu, curah hujan, dan kelembaban diperoleh dari Badan Meteorologi, Klimatologi dan Geofisika Kabupaten
Kendari. Semua analisis data, termasuk distribusi Spearman dan Poisson, dilakukan di R Studio (versi 3.3.2) menggunakan bahasa statistik R versi
2.15. Kasus DBD tertinggi ditemukan pada bulan Januari, Februari, dan Maret. Rata-rata suhu pada lag 2 (p = 0,53, p < 0,0001), lag 3 (p = 0,59, p <
0,0001), dan lag 4 (p = 0,41, p < 0,01)) berkorelasi dengan angka kejadian DBD. Suhu rata-rata pada lag 2 ditemukan memiliki dampak positif terhadap
kejadian DBD menurut fungsi Poisson. Studi ini memberikan bukti awal tentang pengaruh faktor iklim terhadap penularan dengue.
pengantar demam berdarah dengue (DBD), hingga sindrom syok dengue (DSS)
(Horstick et al. 2014). Demam berdarah dengue ditandai dengan demam
Dengue adalah penyakit tular vektor yang disebabkan oleh empat virus mendadak dan pendarahan baik di kulit atau di tempat lain di tubuh yang
berbeda yang ditemukan dalam famili Flaviviridae dan genus Flavivirus dapat menyebabkan syok dan kematian. Dalam beberapa dekade
(Halstead 2008; Machado-Machado 2012). Penyakit ini ditularkan ke terakhir, risiko infeksi dengue telah meningkat secara dramatis tidak
manusia melalui gigitan nyamuk genus Aedes, khususnya Aedes aegypti hanya di daerah tropis tetapi juga di subtropis.
(Halstead 2008; Lai et al. 2004; Li et al. 2017). Infeksi dengue memiliki Ada antara 50 dan 100 juta infeksi dengue setiap tahun yang
spektrum penyakit klinis yang luas, mulai dari penyakit demam tanpa mengakibatkan lebih dari 500.000 kasus rawat inap (Organisasi 2012).
gejala atau tidak berdiferensiasi (sindrom virus), demam berdarah (DF), Selain itu, penyakit Demam Berdarah Dengue ditemukan hampir di
seluruh belahan dunia terutama di daerah tropis dan subtropis baik
endemik maupun epidemik (Bhatt et al.
2013). Jumlah penderita cenderung meningkat dengan penyebaran yang
Editor yang bertanggung jawab: Philippe Garrigues
lebih luas sejalan dengan peningkatan mobilitas manusia dan kepadatan
penduduk yang semakin meningkat (Thai dan Anders 2011).
* Kraichat Tantrakarnapa
kraichat.tan@mahidol.ac.th Seperti halnya daerah lain dengan penularan DBD, Indonesia belum
memiliki sarana pengendalian DBD yang efektif melalui program-program
Ramadhan Tosepu yang ada. Program Pemberantasan Sarang Nyamuk atau disebut
adhan_lpmi@yahoo.co.id Pemberantasan Sarang Nyamuk (PSN) dalam bahasa Indonesia oleh
3M Plus, merupakan tindakan dasar yang terdiri dari menguras, menutup,
1
Departemen Ilmu Sosial dan Lingkungan, Fakultas dan mengubur atau menggunakan kembali. Tindakan pertama adalah
Kedokteran Tropis, Universitas Mahidol, 420/6 Ratchawithi Road,
menguras tempat penampungan air seperti bak mandi, ember air, tempat
Bangkok, Ratchathewi 10400, Thailand
2
penampungan air minum, dan penyimpanan di lemari es. Kedua, tutupi
Fakultas Kesehatan Masyarakat Universitas Halu Oleo Kendari,
barang-barang seperti drum dan tangki penyimpanan air. Ketiga,
Kendari, Indonesia
3
mengubur atau memanfaatkan/mendaur ulang barang bekas yang
Fakultas Studi Lingkungan dan Sumber Daya, Universitas Mahidol,
berpotensi dimanfaatkan nyamuk DBD dalam bertelur. Kementerian Kesehatan
Salaya, Nakhon Pathom 73170, Thailand
Machine Translated by Google
Indonesia mencatat lebih dari 70.000 kasus DBD dilaporkan pada tahun Kabupaten Kendari terdiri dari suhu, curah hujan, dan kelembaban.
2014 di seluruh provinsi dengan sebanyak 641 kematian. Selanjutnya
pada tahun 2013 kasus DBD di Provinsi Sulawesi Tenggara cukup tinggi
dengan jumlah kasus yang dilaporkan sebanyak 1168 diantaranya
meninggal 25 orang (Depkes 2014). Analisis statistik
Kendari, lokasi penelitian, merupakan ibu kota Provinsi Sulawesi
Tenggara dan memiliki jumlah kasus DBD terbanyak sepanjang tahun Data dibersihkan dan diformat untuk perangkat lunak R dengan bahasa
dibandingkan dengan wilayah lain di provinsi ini. Berbagai faktor statistik R versi 2.15 yang digunakan untuk analisis. Semua grafik dan
diperkirakan berkontribusi terhadap peningkatan jumlah kasus DBD salah tabel juga diproduksi di R Studio (versi 3.3.2)
satunya adalah perubahan lingkungan setempat yang baru terjadi; (Pendarat 2014). Paket R yang digunakan terdiri dari library (r Java),
khususnya yang menentukan penyebaran dan perluasan jangkauan library (xlsxjars), library (nlme), library (mgcv), library (geepack), library
vektor nyamuk demam berdarah. Faktor lingkungan seperti suhu dan (MASS), library (QICpack), dan library (xlsx). Penelitian ini melakukan uji
curah hujan dapat mempengaruhi distribusi vektor (Ivers dan Ryan 2006). korelasi rank Spearman untuk menguji hubungan antara kasus bulanan
Selain faktor lingkungan, faktor individu seperti membuang wadah terbuka DBD dan variabel iklim dengan lag 0 sampai 5 bulan. Dengan
(misalnya ban bekas) juga memiliki peran utama dalam penularan demam menganalisis kasus bulanan DBD menggunakan distribusi Poisson,
berdarah (Cheah et al. 2006). Penting untuk dicatat bahwa nyamuk tidak model ini memungkinkan spesifikasi istilah overdispersi dan struktur
serta merta muncul ketika lingkungan berubah, melainkan perilaku autoregresif orde pertama yang menjelaskan autokorelasi jumlah bulanan
manusia, bersama dengan ketersediaan habitat vektor, bertindak bersama- demam berdarah dengue. Model regresi Poisson multivariat dasar dapat
sama untuk memicu wabah penyakit, terutama di daerah pemukiman. ditulis sebagai:
Setiap tahun, pembangunan berkembang di Kendari sebagai respons
terhadap peningkatan imigrasi, menciptakan habitat nyamuk pembawa
demam berdarah dan membuat penularan demam berdarah semakin
sulit dikendalikan. lnð Y 0 þ ÿ1 Tmint n þ 2 Tmaxt n þ 3 Tmaxt n
4 Hujan n 5 Humt n
Dengan demikian, pemahaman yang lebih baik tentang tren penularan
demam berdarah di kota Kendari akan membantu dalam menentukan
strategi pengendalian vektor yang lebih efektif dan berkelanjutan. Oleh Model yang menyesuaikan untuk autokorelasi orde pertama dapat
karena itu, tujuan dari penelitian ini adalah untuk mengetahui hubungan ditulis sebagai:
Data iklim bulanan yang diperoleh dari Badan Meteorologi, Klimatologi autokorelasi yang tidak signifikan pada residual, dan plot kasus yang
dan Geofisika di dilaporkan dan diprediksi menunjukkan hubungan linier.
Machine Translated by Google
Hasil polanya sama dengan tahun 2012. Pola kasus DBD tahun 2014
sama dengan tahun sebelumnya meskipun dengan angka yang
Angka kejadian DBD lebih rendah (Gbr. 3).
Berdasarkan angka kejadian bulanan DBD di Kendari selama Tingkat kejadian deret waktu DBD dan parameter meteorologi
periode 6 tahun antara 2010 dan 2015, data tahun 2010
menunjukkan tren penyakit DBD yang lebih tinggi pada bulan
Januari, Februari, dan Maret yang kemudian secara bertahap Gambar 4a menunjukkan diagram kotak yang menggambarkan
menurun pada bulan-bulan berikutnya. Pada tahun 2011, kasus angka kejadian DBD versus faktor iklim di Kendari selama tahun
DBD dilaporkan rendah sepanjang tahun. Namun trend kasus DBD 2010–2015. Rata-rata dan angka kejadian maksimum di Kendari
yang tinggi kembali muncul pada bulan Januari, Februari, dan adalah 1,35 dan 58,3 per 100.000 penduduk dengan kisaran 50%
Maret tahun 2012. Pada tahun 2013, terjadi peningkatan yang signifikan pada
pada 0,36
kasus DBD 4,47.
hingga meskipun
Epidemi dengue skala terbesar di
Kendari terjadi pada tahun 2010, meskipun secara statistik dikategorikan membangun model prediksi penyakit demam berdarah dengue di
sebagai outlier. Pola kejadian penyakit demam berdarah dengue kabupaten Kendari. Jeda waktu masing-masing variabel diketahui dari
mencapai puncaknya pada bulan Januari sampai Maret dan menurun hasil Korelasi Spearman antar variabel yang signifikan secara statistik
pada bulan April sampai September (Gambar 4a). pada bagian sebelumnya.
Gambar 4b–f menampilkan berbagai time series data iklim terhadap Untuk memilih model yang sesuai, quasi-likelihood di bawah nilai
angka kejadian DBD di Kabupaten Kendari selama tahun 2010–2015. kriteria model independensi (QICu) digunakan. Tabel 3 menunjukkan 10
Secara umum, kelembaban (Gbr. 4c) menunjukkan pola yang sama di model teratas yang dipilih dengan nilai QICu, yaitu 1665,25 hingga
mana peningkatan kelembaban terjadi dari bulan November hingga Juni 1675,26. Semua model menggunakan model regresi lag waktu, dengan
dan kemudian menurun hingga Oktober. Kelembaban rata-rata adalah 6 model yang terdiri dari variabel: angka kejadian DBD (IR DBD), curah
84% dengan skor minimum 77% terjadi pada bulan Oktober dan hujan, dan suhu rata-rata. 3 model sisanya menggunakan suhu
November dan maksimum 90% terdeteksi pada bulan Juli. maksimum (Tmax) dan 1 model menghilangkan penggunaan variabel
DBD IR.
Suhu rata-rata bulanan di Kendari adalah 26,9 °C dengan pola yang
menunjukkan sedikit perbedaan antara hujan dan kelembaban (Gbr. 4d). Model di atas kemudian diuji secara statistik untuk pemilihan model.
Suhu maksimum 33,3° C dicapai pada Januari 2013 dan November 2015 Model yang paling sesuai ditunjukkan pada Tabel 4. Prediktor IR DBD
(Gbr. 4e). Sementara itu, suhu minimum 20,7° C tercapai pada September adalah IR DBD lag 1, curah hujan lag 5, dan Taverage lag 2. Variabel IR
2014. DBD (lag 1) dan suhu rata-rata (lag 2) menunjukkan korelasi positif
dengan bulanan kasus DBD di Kabupaten Kendari, sedangkan curah
hujan (lag 5) menunjukkan korelasi negatif dengan DBD bulanan.
Hubungan antara angka kejadian DBD Kelembaban relatif juga memberikan kontribusi negatif terhadap kasus
dengan faktor meteorologi demam berdarah dengue bulanan meskipun tidak signifikan secara
statistik.
Tabel 1 menunjukkan hasil korelasi peringkat Spearman, menunjukkan
korelasi yang signifikan antara kejadian demam berdarah dengue dan
semua variabel yang diukur. Setelah memasang model, kami menyimpulkan residu dan
Namun perbedaannya terletak pada jeda waktu masing-masing variabel. memeriksanya untuk normalitas dan korelasi otomatis residu (Gbr. 5a-d).
Insiden demam berdarah dengue memiliki hubungan positif dan Histogram sisa menunjukkan model tunggal dan pola yang hampir
signifikansi dengan dirinya sendiri dalam jeda waktu 0-1 tetapi simetris (Gbr. 4a). Indeks Shapiro-Wilk dan Lilliefors untuk mendapatkan
berhubungan negatif pada jeda waktu 5. Variabel curah hujan dan nilai p > 0,05 adalah distribusi normal (Saphiro Wilk: W = 1, nilai p =
kelembaban juga berkorelasi negatif dan menunjukkan signifikansi tinggi 0,08; Lilliefors: D = 0,1, nilai p = 0,1)
dengan kejadian demam berdarah pada jeda waktu 4– 5. Selain itu, plot QQ untuk residual deviance menunjukkan garis yang
Suhu menunjukkan korelasi positif dan signifikansi yang tinggi dengan cukup lurus (Gbr. 5b) yang menunjukkan perkiraan distribusi residual
penyakit demam berdarah dengue. Taverage dan Tmax menunjukkan yang normal. Sementara itu, pemeriksaan grafis plot ACF Parsial
korelasi yang tinggi pada waktu lag 2–4, sedangkan untuk Tmin terjadi menunjukkan distribusi residual konsisten pada sekitar nilai nol dan
pada waktu lag 1–3 dan 5. dalam batas atas dan bawah ± 0,2 (Gbr. 5c). Sementara itu, plot kasus
Berbagai model dapat dibangun dari kombinasi variabel dan jeda yang dilaporkan dan diprediksi menunjukkan hubungan linier (r = 0,706,
waktu dengan menggunakan data dari tahun 2010 hingga 2014. nilai p = 3e-11) (Gbr. 5d).
Tabel 2 menunjukkan jeda waktu masing-masing variabel yang digunakan untuk
Machine Translated by Google
Gambar 4 Pola spasial temporal angka kejadian DBD dan parameter terkait di Kota Kendari tahun 2010-2015
Sebuah
Entri yang dicetak miring menunjukkan nilai koefisien korelasi dan signifikansi terbesar dengan *p <0,05; **p < 0,01;
dan ***p < 0,0001. Semua tingkat signifikansi dinilai pada < 0,05
Machine Translated by Google
Jeda waktu 1 4, 5 4, 5 2, 3, 4 2, 3, 4 1, 2, 3, 5
Curah Hujan IR DBD Kelembaban Suhu rata-rata Suhu maksimum Suhu minimum
(Rata-rata) (Tmaks) (Tmin)
11 5 3 2 1675.26
21 5 4 2 1673.47
31 4 5 2 1672.84
41 5 5 2 1672.10
5 45 3 1671.84
61 4 5 3 1669.90
71 5 2 1665.90
81 5 4 2 1665.89
91 5 3 2 1665.25
10 1 5 5 2 1665.24
Machine Translated by Google
Tabel 4 Statistik model regresi Poisson yang paling cocok dari transmisi (Banu et al. 2014). Selanjutnya, sebuah studi di
kasus demam berdarah dengue bulanan
Thailand menemukan bahwa curah hujan memiliki koefisien regresi negatif
Memperkirakan Std. kesalahan Wald Pr (>|W|) yang signifikan dengan rasio laju di bawah satu. Prachuap
Provinsi Khiri Khan memiliki koefisien positif yang signifikan
(Mencegat) 36,061 11.98764 9.05 0,00263**
curah hujan, sedangkan Provinsi Phetchabun memiliki koefisien negatif
IR DBD lag 1 0.2168 0,09242 5.5 0,01898*
(Thammapalo et al. 2005). Faktor iklim seperti
Keterlambatan curah hujan 5 0,0052 0,00169 9.63 0,00191**
curah hujan dengan kejadian demam berdarah telah mengungkapkan bahwa demam berdarah
Lapisan rata-rata 2 1.22069 0,32587 14.03 0,00018***
umumnya terjadi ketika suhu rata-rata naik di atas normal (Nakhapakorn
Kelembaban lag 3 0,0874 0,07477 1.37 0.24253 dan Tripathi 2005).
Dalam literatur, kelembaban secara konsisten diidentifikasi sebagai satu
*p < 0,05
faktor iklim yang paling penting untuk transmisi dengue
**p < 0,01
(Naish dkk. 2014; Wang dkk. 2012). Kami menemukan asosiasi
***p < 0,0001
antara kelambatan kelembaban 4 dan 5 bulan dengan kejadian
Semua tingkat signifikansi dinilai pada < 0,05
DBD. Demikian juga, kelembaban relatif juga merupakan faktor kunci yang
mempengaruhi siklus hidup nyamuk pada tahap yang berbeda, dan efek
demam berdarah (Méndez-Lázaro et al. 2014). penelitian lainnya
gabungan dari kelembaban secara signifikan mempengaruhi jumlah
menunjukkan bahwa kota-kota yang memiliki suhu sama dengan dan lebih tinggi
makanan darah dan juga dapat mempengaruhi tingkat kelangsungan hidup
dari 18 °C selama lebih dari 11 bulan memiliki potensi besar untuk
vektor (McMichael et al. 2006).
terjadinya infeksi demam berdarah sejak suhu
mempengaruhi siklus perkembangbiakan, kelangsungan hidup, dan gigitan nyamuk
vektor (Wu et al. 2009). Suhu juga dapat meningkatkan
perkembangan vektor nyamuk, tingkatkan frekuensinya Kesimpulan
mengisap darah, dan mengurangi masa inkubasi ekstrinsik
(Negev dkk. 2015). Kami menemukan bahwa peningkatan terbesar kejadian DBD di
Ada beberapa penelitian yang terjadi di DBD Kendari terjadi pada bulan Januari, Februari, dan Maret.
daerah hiperendemis Yogyakarta dan hasilnya disorot Faktor meteorologi merupakan faktor penting dalam menentukan
pentingnya curah hujan terhadap pertumbuhan nyamuk Aedes aegypti angka kejadian penyakit DBD di Kota Kendari. Temuan kami
(Ramadona dkk. 2016). Kami menemukan hasil yang sama bahwa curah harus meningkatkan pemahaman yang lebih baik tentang kejadian penyakit
hujan pada lag 4 dan 5 memiliki hubungan dengan DBD. Shaheru dkk. demam berdarah, terutama di Kendari, daerah dengan beban tertinggi
juga menunjukkan bahwa curah hujan dikaitkan dengan demam berdarah Infeksi DBD di Sulawesi Tenggara, dan semoga membantu
Gambar 5 Model Diagnosis Residu Kabupaten Kendari. Panel atas menunjukkan (a) histogram residual dan (b) plot QQ untuk residu penyimpangan.
Panel bawah menunjukkan (c) plot ACF parsial dan (d) hubungan antara kasus yang dilaporkan dan yang diprediksi
Machine Translated by Google
otoritas kesehatan masyarakat dalam meningkatkan upaya mereka Cheong YL, Leitão PJ, Lakes T (2014) Penilaian faktor penggunaan lahan yang terkait
dengan kasus demam berdarah di Malaysia menggunakan pohon regresi yang
dalam mencegah dan mengendalikan kejadian DBD di masa depan.
dikuatkan. Meludah Spatiotemporal Epidemiol 10:75–84
Corwin AL, Larasati RP, Poni MJ, Wuryadi S, Arjoso S, Sukri N, Listyaningsih E,
Hartati S, Namursa R, Anwar Z (2001) Penularan wabah DBD di Sumatera
bagian selatan, Indonesia. Trans R Soc Trop Med Hyg 95:257–265 Gubler DJ
Keterbatasan dan pekerjaan di masa depan (2002) Epidemi dengue/demam berdarah dengue sebagai masalah kesehatan
masyarakat, sosial dan ekonomi di abad ke-21. Tren Mikrobiol 10:100-103
Sistem pencatatan dan pelaporan penyakit di tingkat kabupaten
dilakukan setiap bulan, oleh karena itu analisis persebaran penyakit
Halstead SB (2008) Interaksi virus dengue-nyamuk. Annu Rev
dilakukan setiap bulan. Idealnya, penelitian masa depan akan Entomol 53:273–291
mengumpulkan data kasus demam berdarah setiap minggu atau, Horstick O, Jaenisch T, Martinez E, Kroeger A, Lihat LLC, Farrar J, Ranzinger SR
idealnya, setiap hari untuk mengembangkan model yang lebih (2014) Membandingkan kegunaan klasifikasi kasus dengue 1997 dan 2009
komprehensif untuk menentukan parameter terkait. Selain itu, ada WHO: tinjauan literatur sistematis. Am J Trop Med Hyg 91:621–634 Ivers LC,
Ryan ET (2006) Penyakit menular dari bencana alam terkait cuaca buruk dan
banyak faktor penting yang diketahui mempengaruhi transmisi dan
banjir. Curr Opin Menginfeksi Dis 19:408–414 King CC, Wu YC, Chao DY, Lin TH,
distribusi dengue selain iklim, seperti kompetisi vektor, resistensi
Chow L, Wang HT, Ku CC, Kao CL, Chien LJ, Chang HJ, Huang JH (2000)
serangga, faktor sosial ekonomi, dan kemanjuran kampanye kesehatan Epidemi besar demam berdarah di Taiwan pada 1981–2000: terkait dengan aktivitas
saat ini, tidak ada yang diperhitungkan dalam model penelitian ini. . virus intensif di Asia. Dengue Bull 24:1 Lai PC, Lee SS-J, Kao CH, Chen YS,
Mengingat bahwa dinamika penyakit demam berdarah merupakan Huang CK, Lin WR, Wann SR, Lin HH, Yen MY, Liu YC (2004) Karakteristik
wabah demam berdarah dengue pada tahun 2001 di Kaohsiung . Sakit kepala 7:
sistem yang sangat kompleks, penggabungan faktor-faktor tambahan
ini adalah tujuan yang diharapkan (Butterworth et al. 2017).
53.58
UCAPAN TERIMA KASIH Penulis mengucapkan terima kasih yang sebesar-besarnya Lander, JP (2014) R untuk semua orang: analitik dan grafik tingkat lanjut.
kepada semua pihak yang telah membantu, termasuk Menteri Riset Teknologi dan Pendidikan Pearson, London Li
Pendidikan Tinggi Republik Indonesia atas dukungan dan beasiswanya. Kami mohon Q, Ren H, Zheng L, Cao W, Zhang A, Zhuang D, Lu L, Jiang H (2017)
maaf karena tidak dapat menyebutkan nama semua pihak yang telah membantu kami. Pemodelan ceruk ekologis mengidentifikasi area skala kecil yang berisiko tinggi
terkena demam berdarah di Pearl River Delta, Cina. Kesehatan Masyarakat Int
J Environ Res 14:619
Kepatuhan dengan standar etika
Machado-Machado EA (2012) Pemetaan empiris kesesuaian penyakit demam
berdarah di Meksiko menggunakan pemodelan distribusi spesies. Appl Geogr
Konflik kepentingan Penulis menyatakan bahwa mereka tidak memiliki konflik
33:82–93 Mahabir RS, Severson DW, Chadee DD (2012) Dampak jaringan
kepentingan
jalan terhadap distribusi kasus demam berdarah di Trinidad, Hindia Barat.
Al Awaidy ST, Al Obeidani I, Bawikar S, Al Mahrouqi S, Al Busaidy SS, Al Baqlani S, McMichael AJ, Woodruff RE, Hales S (2006) Perubahan iklim dan kesehatan manusia:
Patel PK (2014) Tren epidemiologi demam berdarah di Oman: surveilans risiko sekarang dan masa depan. Lancet 367:859–869 Méndez-Lázaro P, Muller-
nasional 13 tahun dan proposisi strategis kasus impor. Trop Dr 44(4):190–195 Karger FE, Otis D, McCarthy MJ, Peña Orellana M (2014) Menilai efek variabilitas
iklim pada kejadian demam berdarah di San Juan, Puerto Rico. Kesehatan
Banu S, Hu W, Guo Y, Hurst C, Tong S (2014) Memproyeksikan dampak perubahan Masyarakat Int J Environ Res 11:9409–9428
iklim terhadap penularan demam berdarah di Dhaka, Bangladesh.
Sekitar 63:137-142 Kementerian Kesehatan (2014) Laporan pengendalian penyakit. Menteri Kesehatan
Indonesia 2013. 273
Bhatt S, Geting PW, Brady OJ, Messina JP, Farlow AW, Moyes CL, Drake JM,
Brownstein JS, Hoen AG, Sankoh O (2013) Distribusi global dan beban demam Mudin RN (2015) Kejadian DBD dan Program Pencegahan dan Pengendaliannya di
berdarah. Nature 496:504–507 Butterworth MK, Morin CW, Comrie AC (2017) Malaysia. Int Med J Malays 14:05–10 Naish S, Dale P, Mackenzie JS, McBride
Analisis potensi dampak perubahan iklim terhadap penularan demam berdarah di J, Mengersen K, Tong S (2014)
Amerika Serikat Tenggara. Perspektif Kesehatan Lingkungan 125:579 Cheah Pola spasial dan temporal penularan dengue yang didapat secara lokal di
WL, Chang MS, Wang YC (2006) Analisis faktor risiko spasial, lingkungan, dan Queensland utara, Australia, 1993-2012. PLoS One 9: e92524
entomologis pada wabah demam berdarah pedesaan di Distrik Lundu di Sarawak,
Malaysia. Trop Biomed 23:85–96 Chen SC, Hsieh MH (2012) Pemodelan Nakhapakorn K, Tripathi NK (2005) Sebuah nilai informasi berdasarkan analisis faktor
dinamika transmisi demam berdarah: implikasi efek suhu. Lingkungan Total Sci fisik dan iklim yang mempengaruhi demam berdarah dan kejadian demam
431:385–391 berdarah dengue. Int J Health Geogr 4:13 Negev M, Paz S, Clermont A, Pri-Or
NG, Shalom U, Yeger T, Green MS (2015) Dampak perubahan iklim pada penyakit
yang ditularkan melalui vektor di Cekungan Mediterania—implikasi untuk
Chen SC, Liao CM, Chio CP, Chou HH, You SH, Cheng YH (2010) kesiapsiagaan dan adaptasi aturan. Int J Environ Res Public Health 12:6745–
Efek suhu tertinggal dengan potensi penularan nyamuk ex dataran variabilitas 6770 Pan W (2001) Kriteria informasi Akaike dalam estimasi umum
demam berdarah di Taiwan selatan: wawasan dari analisis statistik. Lingkungan
Total Sci 408:4069–4075 persamaan. Biometrik 57(1):120–125
Machine Translated by Google
Ramadona AL, Lazuardi L, Hii YL, Holmner , Kusnanto H, Rocklöv J (2016) Thammapalo S, Chongsuwiwatwong V, McNeil D, Geater A (2005) Faktor iklim
Prediksi wabah dengue berdasarkan surveilans penyakit dan data yang mempengaruhi terjadinya demam berdarah dengue di Thailand.
meteorologi. PLoS One 11:e0152688 Schaffner F, Mathis A (2014) Vektor Kesehatan Masyarakat J Trop Med Asia Tenggara 36:191
demam berdarah dan demam berdarah di wilayah WHO Eropa: masa lalu,
sekarang, dan skenario untuk masa depan. Lancet Menginfeksi Dis Wang Z, Chan HM, Hibberd ML, Lee GKK (2012) Efek tertunda dari variabel
14:1271–1280 iklim pada kejadian demam berdarah di Singapura selama 2000- 2010.
APCBEE Procedia 1:22–26
Sharma Y, Kaur M, Singh S, Pant L, Kudesia M, Jain S (2012)
Seroprevalensi dan tren kasus demam berdarah yang dirawat di rumah Organisasi Kesehatan Dunia (WHO) (2012) Strategi global untuk pencegahan
sakit pemerintah, studi Delhi-5 tahun (2006-2010): melihat pergeseran usia. dan pengendalian dengue 2012-2020. Organisasi Kesehatan Dunia,
Int J Sebelumnya Med 3: 537–543 Jenewa
Thai KT, Anders KL (2011) Peran variabilitas iklim dan perubahan dalam Wu PC, Lay JG, Guo HR, Lin CY, Lung SC, Su HJ (2009) Suhu yang lebih
dinamika transmisi dan distribusi geografis dengue. tinggi dan urbanisasi mempengaruhi pola spasial penularan demam
Exp Biol Med 236: 944–954 berdarah di Taiwan subtropis. Sci Total Lingkungan 407:
2224–2233