Machine Translated by Google

Penelitian Ilmu Lingkungan dan Polusi (2018) 25:14944–14952 https://

doi.org/10.1007/s11356-018-1528-y

ARTIKEL PENELITIAN

Variabilitas Iklim dan Demam Berdarah Dengue di Sulawesi Tenggara

Provinsi, Indonesia

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.

Keywords Dengue . Poisson distribution . Kendari . Indonesia

pengantar
Dengue adalah penyakit tular vektor yang disebabkan oleh empat virus
berbeda yang ditemukan dalam famili Flaviviridae dan genus Flavivirus
(Halstead 2008; Machado-Machado 2012). Penyakit ini ditularkan ke
manusia melalui gigitan nyamuk genus Aedes, khususnya Aedes aegypti
(Halstead 2008; Lai et al. 2004; Li et al. 2017). Infeksi dengue memiliki
spektrum penyakit klinis yang luas, mulai dari penyakit demam tanpa
gejala atau tidak berdiferensiasi (sindrom virus), demam berdarah (DF),
Editor yang bertanggung jawab: Philippe Garrigues
* Kraichat Tantrakarnapa
kraichat.tan@mahidol.ac.th
Ramadhan Tosepu
adhan_lpmi@yahoo.co.id
1
Departemen Ilmu Sosial dan Lingkungan, Fakultas
Kedokteran Tropis, Universitas Mahidol, 420/6 Ratchawithi Road,
Bangkok, Ratchathewi 10400, Thailand
2
Fakultas Kesehatan Masyarakat Universitas Halu Oleo Kendari,
Kendari, Indonesia
3
Fakultas Studi Lingkungan dan Sumber Daya, Universitas Mahidol,
Salaya, Nakhon Pathom 73170, Thailand
demam berdarah dengue (DBD), hingga sindrom syok dengue (DSS)
(Horstick et al. 2014). Demam berdarah dengue ditandai dengan demam
mendadak dan pendarahan baik di kulit atau di tempat lain di tubuh yang
dapat menyebabkan syok dan kematian. Dalam beberapa dekade
terakhir, risiko infeksi dengue telah meningkat secara dramatis tidak
hanya di daerah tropis tetapi juga di subtropis.
Ada antara 50 dan 100 juta infeksi dengue setiap tahun yang
mengakibatkan lebih dari 500.000 kasus rawat inap (Organisasi 2012).
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
lebih luas sejalan dengan peningkatan mobilitas manusia dan kepadatan
penduduk yang semakin meningkat (Thai dan Anders 2011).
Seperti halnya daerah lain dengan penularan DBD, Indonesia belum
memiliki sarana pengendalian DBD yang efektif melalui program-program
yang ada. Program Pemberantasan Sarang Nyamuk atau disebut
Pemberantasan Sarang Nyamuk (PSN) dalam bahasa Indonesia oleh
3M Plus, merupakan tindakan dasar yang terdiri dari menguras, menutup,
dan mengubur atau menggunakan kembali. Tindakan pertama adalah
menguras tempat penampungan air seperti bak mandi, ember air, tempat
penampungan air minum, dan penyimpanan di lemari es. Kedua, tutupi
barang-barang seperti drum dan tangki penyimpanan air. Ketiga,
mengubur atau memanfaatkan/mendaur ulang barang bekas yang
berpotensi dimanfaatkan nyamuk DBD dalam bertelur. Kementerian Kesehatan
Machine Translated by Google
Environ Sci Pollut Res (2018) 25:14944–14952
Indonesia mencatat lebih dari 70.000 kasus DBD dilaporkan pada tahun
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).
Kendari, lokasi penelitian, merupakan ibu kota Provinsi Sulawesi
Tenggara dan memiliki jumlah kasus DBD terbanyak sepanjang tahun
dibandingkan dengan wilayah lain di provinsi ini. Berbagai faktor
diperkirakan berkontribusi terhadap peningkatan jumlah kasus DBD salah
satunya adalah perubahan lingkungan setempat yang baru terjadi;
khususnya yang menentukan penyebaran dan perluasan jangkauan
vektor nyamuk demam berdarah. Faktor lingkungan seperti suhu dan
curah hujan dapat mempengaruhi distribusi vektor (Ivers dan Ryan 2006).
Selain faktor lingkungan, faktor individu seperti membuang wadah terbuka
(misalnya ban bekas) juga memiliki peran utama dalam penularan demam
berdarah (Cheah et al. 2006). Penting untuk dicatat bahwa nyamuk tidak
serta merta muncul ketika lingkungan berubah, melainkan perilaku
manusia, bersama dengan ketersediaan habitat vektor, bertindak bersama-
sama untuk memicu wabah penyakit, terutama di daerah pemukiman.
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.
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
karena itu, tujuan dari penelitian ini adalah untuk mengetahui hubungan
antara faktor meteorologi dengan demam berdarah dengue.
Bahan dan metode
Area studi
Kendari merupakan ibu kota Provinsi Sulawesi Tenggara, memiliki luas
, danTimur
daratan 267,37 km2 Bujur terletak
danantara
3°54ÿ122° 23ÿ sampai
30ÿ sampai 4°3ÿ 122° 39ÿ
11ÿ Selatan
(Gbr. 1).
Populations of Kendari
Jumlah penduduk di Kendari terlihat meningkat setiap tahun dengan
posisi kota sebagai ibu kota Provinsi Sulawesi Tenggara dan tujuan bagi
orang-orang dari daerah lain yang mencari pekerjaan, pendidikan, dll
(Gbr. 2).
Pengumpulan data
Penelitian ini menggunakan data yang diperoleh dari berbagai pemerintah
Indonesia. Kami telah menggunakan kasus demam berdarah dengue secara total
bulanan di Dinas Kesehatan Kota Kendari dari tahun 2010 sampai dengan tahun 2015.Sedangkan pemeriksaan grafis plot ACF Parsial menunjukkan
Data iklim bulanan yang diperoleh dari Badan Meteorologi, Klimatologi
dan Geofisika di
14945
Kabupaten Kendari terdiri dari suhu, curah hujan, dan kelembaban.
Analisis statistik
Data dibersihkan dan diformat untuk perangkat lunak R dengan bahasa
statistik R versi 2.15 yang digunakan untuk analisis. Semua grafik dan
tabel juga diproduksi di R Studio (versi 3.3.2)
(Pendarat 2014). Paket R yang digunakan terdiri dari library (r Java),
library (xlsxjars), library (nlme), library (mgcv), library (geepack), library
(MASS), library (QICpack), dan library (xlsx). Penelitian ini melakukan uji
korelasi rank Spearman untuk menguji hubungan antara kasus bulanan
DBD dan variabel iklim dengan lag 0 sampai 5 bulan. Dengan
menganalisis kasus bulanan DBD menggunakan distribusi Poisson,
model ini memungkinkan spesifikasi istilah overdispersi dan struktur
autoregresif orde pertama yang menjelaskan autokorelasi jumlah bulanan
demam berdarah dengue. Model regresi Poisson multivariat dasar dapat
ditulis sebagai:
lnð Y 0 þ ÿ1 Tmint n þ 2 Tmaxt n þ 3 Tmaxt n
4 Hujan n 5 Humt n
Model yang menyesuaikan untuk autokorelasi orde pertama dapat
ditulis sebagai:
lnð Y ÿ0 1 lnð Þþ Yt 1 2 Tmint n þ 3 Tmaxt n
4 Tmaxt n þ 5 Hujan n þ ÿ6 Humt n
dimana Tmin, Tmax, dan Taverage adalah nilai rata-rata suhu minimum,
maksimum, dan bulanan; Rain dan Hum merupakan variabel curah hujan
dan kelembaban. Subskrip t adalah waktu dan n adalah jeda waktu. Yt-1
adalah jumlah kasus DBD pada t-1 (lag 1).
Untuk menilai ini, kami menggunakan model lag non-inear terdistribusi
sebagai paket yang digunakan dari perangkat lunak statistik R (Lander
2014). Kami mengembangkan model peramalan demam berdarah
dengue menggunakan regresi multivariat Poisson deret waktu yang
memungkinkan penyebaran data yang berlebihan. Insiden demam
berdarah bulanan dimodelkan menggunakan pendekatan persamaan
estimasi umum (GEE) dengan distribusi Poisson. Model yang paling pelit
dipilih berdasarkan kriteria informasi berbasis quasi-likelihood (QICu)
(Pan 2001). Setelah memasang model, kami menyimpulkan residu dan
memeriksanya untuk normalitas dan korelasi otomatis residu. Histogram
residual menunjukkan pola modal tunggal dan hampir simetris. Selain
itu, plot QQ untuk residu penyimpangan menunjukkan garis yang cukup
lurus, sehingga menunjukkan perkiraan distribusi residu yang normal.
autokorelasi yang tidak signifikan pada residual, dan plot kasus yang
dilaporkan dan diprediksi menunjukkan hubungan linier.
Machine Translated by Google
14946
Fig. 1 Map of Kendari district
Hasil
Angka kejadian DBD
Berdasarkan angka kejadian bulanan DBD di Kendari selama
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
menurun pada bulan-bulan berikutnya. Pada tahun 2011, kasus
DBD dilaporkan rendah sepanjang tahun. Namun trend kasus DBD
yang tinggi kembali muncul pada bulan Januari, Februari, dan
Maret tahun 2012. Pada tahun 2013, terjadi peningkatan yang signifikan pada
Gambar 2 Jumlah Penduduk Kabupaten
Kendari
Environ Sci Pollut Res (2018) 25:14944–14952
polanya sama dengan tahun 2012. Pola kasus DBD tahun 2014
sama dengan tahun sebelumnya meskipun dengan angka yang
lebih rendah (Gbr. 3).
Tingkat kejadian deret waktu DBD dan parameter meteorologi
Gambar 4a menunjukkan diagram kotak yang menggambarkan
angka kejadian DBD versus faktor iklim di Kendari selama tahun
2010–2015. Rata-rata dan angka kejadian maksimum di Kendari
adalah 1,35 dan 58,3 per 100.000 penduduk dengan kisaran 50%
pada 0,36
kasus DBD 4,47.
hingga meskipun
Epidemi dengue skala terbesar di
Machine Translated by Google
Environ Sci Pollut Res (2018) 25:14944–14952
Gambar 3 Angka kejadian DBD di
Kabupaten Kendari, Sulawesi
Tenggara, Indonesia (2010–2015)
Kendari terjadi pada tahun 2010, meskipun secara statistik dikategorikan
sebagai outlier. Pola kejadian penyakit demam berdarah dengue
mencapai puncaknya pada bulan Januari sampai Maret dan menurun
pada bulan April sampai September (Gambar 4a).
Gambar 4b–f menampilkan berbagai time series data iklim terhadap
angka kejadian DBD di Kabupaten Kendari selama tahun 2010–2015.
Secara umum, kelembaban (Gbr. 4c) menunjukkan pola yang sama di
mana peningkatan kelembaban terjadi dari bulan November hingga Juni
dan kemudian menurun hingga Oktober. Kelembaban rata-rata adalah
84% dengan skor minimum 77% terjadi pada bulan Oktober dan
November dan maksimum 90% terdeteksi pada bulan Juli.
Suhu rata-rata bulanan di Kendari adalah 26,9 °C dengan pola yang
menunjukkan sedikit perbedaan antara hujan dan kelembaban (Gbr. 4d).
Suhu maksimum 33,3° C dicapai pada Januari 2013 dan November 2015
(Gbr. 4e). Sementara itu, suhu minimum 20,7° C tercapai pada September
2014.
Hubungan antara angka kejadian DBD
dengan faktor meteorologi
Tabel 1 menunjukkan hasil korelasi peringkat Spearman, menunjukkan
korelasi yang signifikan antara kejadian demam berdarah dengue dan
semua variabel yang diukur.
Namun perbedaannya terletak pada jeda waktu masing-masing variabel.
Insiden demam berdarah dengue memiliki hubungan positif dan
signifikansi dengan dirinya sendiri dalam jeda waktu 0-1 tetapi
berhubungan negatif pada jeda waktu 5. Variabel curah hujan dan
kelembaban juga berkorelasi negatif dan menunjukkan signifikansi tinggi
dengan kejadian demam berdarah pada jeda waktu 4– 5.
Suhu menunjukkan korelasi positif dan signifikansi yang tinggi dengan
penyakit demam berdarah dengue. Taverage dan Tmax menunjukkan
korelasi yang tinggi pada waktu lag 2–4, sedangkan untuk Tmin terjadi
pada waktu lag 1–3 dan 5.
Berbagai model dapat dibangun dari kombinasi variabel dan jeda
waktu dengan menggunakan data dari tahun 2010 hingga 2014.
Tabel 2 menunjukkan jeda waktu masing-masing variabel yang digunakan untuk
14947
membangun model prediksi penyakit demam berdarah dengue di
kabupaten Kendari. Jeda waktu masing-masing variabel diketahui dari
hasil Korelasi Spearman antar variabel yang signifikan secara statistik
pada bagian sebelumnya.
Untuk memilih model yang sesuai, quasi-likelihood di bawah nilai
kriteria model independensi (QICu) digunakan. Tabel 3 menunjukkan 10
model teratas yang dipilih dengan nilai QICu, yaitu 1665,25 hingga
1675,26. Semua model menggunakan model regresi lag waktu, dengan
6 model yang terdiri dari variabel: angka kejadian DBD (IR DBD), curah
hujan, dan suhu rata-rata. 3 model sisanya menggunakan suhu
maksimum (Tmax) dan 1 model menghilangkan penggunaan variabel
DBD IR.
Model di atas kemudian diuji secara statistik untuk pemilihan model.
Model yang paling sesuai ditunjukkan pada Tabel 4. Prediktor IR DBD
adalah IR DBD lag 1, curah hujan lag 5, dan Taverage lag 2. Variabel IR
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.
Kelembaban relatif juga memberikan kontribusi negatif terhadap kasus
demam berdarah dengue bulanan meskipun tidak signifikan secara
statistik.
Setelah memasang model, kami menyimpulkan residu dan
memeriksanya untuk normalitas dan korelasi otomatis residu (Gbr. 5a-d).
Histogram sisa menunjukkan model tunggal dan pola yang hampir
simetris (Gbr. 4a). Indeks Shapiro-Wilk dan Lilliefors untuk mendapatkan
nilai p > 0,05 adalah distribusi normal (Saphiro Wilk: W = 1, nilai p =
0,08; Lilliefors: D = 0,1, nilai p = 0,1)
Selain itu, plot QQ untuk residual deviance menunjukkan garis yang
cukup lurus (Gbr. 5b) yang menunjukkan perkiraan distribusi residual
yang normal. Sementara itu, pemeriksaan grafis plot ACF Parsial
menunjukkan distribusi residual konsisten pada sekitar nilai nol dan
dalam batas atas dan bawah ± 0,2 (Gbr. 5c). Sementara itu, plot kasus
yang dilaporkan dan diprediksi menunjukkan hubungan linier (r = 0,706,
nilai p = 3e-11) (Gbr. 5d).
Machine Translated by Google

14948 Environ Sci Pollut Res (2018) 25:14944–14952

Gambar 4 Pola spasial temporal angka kejadian DBD dan parameter terkait di Kota Kendari tahun 2010-2015

Tabel 1 Hasil Spearman's

koefisien korelasi peringkat untuk Jeda waktu DBD Curah hujan (mm) Kelembaban (%) Rata-rata (°C) Tmax (°C) menit (°C)
efek jeda waktu di Kendari (bulan)
ketat
0 1*** 0.19 0.14 0,08 0,07 0,25
1 0,48*** 0,29 0.12 0,26 0,26 0.37**
2 0.24 0.13 0,09 0,53*** 0,53*** 0,49***

3 0,05 0,05 0.23 0.59*** 0.63*** 0.37**

4 0,13 0.33* 0.46*** 0,41** 0,51*** 0,06

5 0,29* 0,59*** 0.65*** 0.11 0,23 0.31*

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

Environ Sci Pollut Res (2018) 25:14944–14952 14949

Tabel 2 Variabel dan time lag in

Kendari district Variabel DBD Curah hujan Kelembaban Rata-rata Maksimum Minimum
suhu suhu suhu

Jeda waktu 1 4, 5 4, 5 2, 3, 4 2, 3, 4 1, 2, 3, 5

Diskusi Penelitian yang dilakukan di Taiwan menemukan berbagai penyebab in

Selama 5 tahun dari 2010 hingga 2015, total 916 DBD
demam berdarah dilaporkan di Kendari, mewakili
beban penyakit DBD tertinggi di Sulawesi Tenggara
Propinsi. Berdasarkan data 5 tahun ini, kami menemukan tren
peningkatan yang konsisten dalam kejadian demam berdarah di Kendari selama
bulan Januari, Februari, dan Maret. Ini berkorelasi dengan
penelitian yang dilakukan di Palembang, Indonesia, yang menemukan
bahwa bulan Januari merupakan musim hujan yang juga menunjukkan
angka kejadian DBD yang lebih tinggi (Corwin et al. 2001). Studi lain di
Malaysia mengungkapkan bahwa puncak epidemi DBD terjadi selama
bulan Januari hingga Maret (Mudin 2015). Di dalam
Selain itu, Schaffner et al. melaporkan bahwa puncak Aedes
populasi aegypti terjadi selama bulan Januari.
Hampir semua kasus DBD terjadi pada periode yang sama karena semua
lokasi di atas terletak di zona tropis (Schaffner
dan Mathis 2014).
Tingginya angka DBD di Kendari kemungkinan disebabkan oleh
perubahan demografis baru-baru ini. Sebagai ibu kota Tenggara
Provinsi Sulawesi, Kendari merupakan pusat pendidikan dan
tujuan utama para pencari kerja yang datang dari berbagai daerah di
Sulawesi Tenggara. Pertambahan penduduk di
5 tahun terakhir telah menciptakan peningkatan permintaan untuk pengembangan
daerah baru untuk perumahan dan mengakibatkan banyak kumuh dan
daerah dengan kepadatan tinggi di seluruh wilayah. Populasi yang tinggi ini
kepadatan pada gilirannya memungkinkan gigitan Aedes dengan frekuensi lebih tinggi
nyamuk dan meningkatkan kemungkinan penularan virus
dari manusia yang terinfeksi ke manusia lain (Cheong et al. 2014).
peningkatan kasus DBD seperti pertumbuhan penduduk yang cepat,
urbanisasi yang tidak terkendali, serta sistem pengelolaan air dan sampah
yang buruk (King et al. 2000). Di banyak negara seperti
seperti India, Korea, Thailand, dan di Puerto Rico, peningkatan
kasus demam berdarah juga dikaitkan dengan mobilitas penduduk yang
tinggi (Al Awaidy et al. 2014; Mahabir et al. 2012).
Kondisi geografis juga berperan dalam tingginya angka kejadian DBD
di Kendari seperti beberapa daerah setempat
berbukit dan subur dan menjadi tempat berkembang biak dan istirahat yang baik
tempat nyamuk. Kebiasaan masyarakat setempat untuk menyimpan air di
wadah terbuka, yang jarang dibersihkan, juga menyediakan
kesempatan bagi nyamuk untuk bertelur dan berkembang biak
(Chen dan Hsieh 2012; Gubler 2002; Sharma et al. 2012).
Studi ini menunjukkan bahwa faktor iklim memainkan peran yang sangat penting
berperan penting dalam kejadian DBD. Studi lain memiliki
ditarik kesimpulan serupa: misalnya sebuah studi di Singapura
menemukan bahwa kejadian demam berdarah sangat terkait dengan suhu
rata-rata mingguan pada jeda waktu 17-18 minggu atau 4 bulan
(Wang dkk. 2012). Namun penelitian lain berpendapat bahwa peningkatan
suhu dan kelembaban cenderung meningkatkan transmisi
penyakit yang ditularkan melalui vektor seperti demam berdarah dengue
ketika suhu naik 3–4 °C karena penggandaan
reproduksi virus dengue (Malik et al. 2012).
Di Taiwan selatan, Chen et al. menemukan bahwa suhu yang lebih
hangat yang terjadi dengan jeda 3 bulan, bersama dengan kelembaban
tinggi, menyebabkan peningkatan penularan infeksi dengue (Chen
dkk. 2010). Penelitian di San Juan, Puerto Rico, juga menemukan
korelasi yang signifikan antara suhu rata-rata dan

Tabel 3 Parameter yang digunakan pada setiap model dan QICu

Model Keterlambatan variabel QICu

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

14950 Environ Sci Pollut Res (2018) 25:14944–14952

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
Environ Sci Pollut Res (2018) 25:14944–14952
otoritas kesehatan masyarakat dalam meningkatkan upaya mereka
dalam mencegah dan mengendalikan kejadian DBD di masa depan.
Keterbatasan dan pekerjaan di masa depan
Sistem pencatatan dan pelaporan penyakit di tingkat kabupaten
dilakukan setiap bulan, oleh karena itu analisis persebaran penyakit
dilakukan setiap bulan. Idealnya, penelitian masa depan akan
mengumpulkan data kasus demam berdarah setiap minggu atau,
idealnya, setiap hari untuk mengembangkan model yang lebih
komprehensif untuk menentukan parameter terkait. Selain itu, ada
banyak faktor penting yang diketahui mempengaruhi transmisi dan
distribusi dengue selain iklim, seperti kompetisi vektor, resistensi
serangga, faktor sosial ekonomi, dan kemanjuran kampanye kesehatan
saat ini, tidak ada yang diperhitungkan dalam model penelitian ini. .
Mengingat bahwa dinamika penyakit demam berdarah merupakan
sistem yang sangat kompleks, penggabungan faktor-faktor tambahan
ini adalah tujuan yang diharapkan (Butterworth et al. 2017).
UCAPAN TERIMA KASIH Penulis mengucapkan terima kasih yang sebesar-besarnya
kepada semua pihak yang telah membantu, termasuk Menteri Riset Teknologi dan
Pendidikan Tinggi Republik Indonesia atas dukungan dan beasiswanya. Kami mohon
maaf karena tidak dapat menyebutkan nama semua pihak yang telah membantu kami.
Kepatuhan dengan standar etika
Konflik kepentingan Penulis menyatakan bahwa mereka tidak memiliki konflik
kepentingan
Referensi
Al Awaidy ST, Al Obeidani I, Bawikar S, Al Mahrouqi S, Al Busaidy SS, Al Baqlani S,
Patel PK (2014) Tren epidemiologi demam berdarah di Oman: surveilans
nasional 13 tahun dan proposisi strategis kasus impor. Trop Dr 44(4):190–195
Banu S, Hu W, Guo Y, Hurst C, Tong S (2014) Memproyeksikan dampak perubahan
iklim terhadap penularan demam berdarah di Dhaka, Bangladesh.
Sekitar 63:137-142
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
berdarah. Nature 496:504–507 Butterworth MK, Morin CW, Comrie AC (2017)
Analisis potensi dampak perubahan iklim terhadap penularan demam berdarah di
Amerika Serikat Tenggara. Perspektif Kesehatan Lingkungan 125:579 Cheah
WL, Chang MS, Wang YC (2006) Analisis faktor risiko spasial, lingkungan, dan
entomologis pada wabah demam berdarah pedesaan di Distrik Lundu di Sarawak,
Malaysia. Trop Biomed 23:85–96 Chen SC, Hsieh MH (2012) Pemodelan
dinamika transmisi demam berdarah: implikasi efek suhu. Lingkungan Total Sci
431:385–391
Chen SC, Liao CM, Chio CP, Chou HH, You SH, Cheng YH (2010)
Efek suhu tertinggal dengan potensi penularan nyamuk ex dataran variabilitas
demam berdarah di Taiwan selatan: wawasan dari analisis statistik. Lingkungan
Total Sci 408:4069–4075
14951
Cheong YL, Leitão PJ, Lakes T (2014) Penilaian faktor penggunaan lahan yang terkait
dengan kasus demam berdarah di Malaysia menggunakan pohon regresi yang
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
(2002) Epidemi dengue/demam berdarah dengue sebagai masalah kesehatan
masyarakat, sosial dan ekonomi di abad ke-21. Tren Mikrobiol 10:100-103
Halstead SB (2008) Interaksi virus dengue-nyamuk. Annu Rev
Entomol 53:273–291
Horstick O, Jaenisch T, Martinez E, Kroeger A, Lihat LLC, Farrar J, Ranzinger SR
(2014) Membandingkan kegunaan klasifikasi kasus dengue 1997 dan 2009
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
banjir. Curr Opin Menginfeksi Dis 19:408–414 King CC, Wu YC, Chao DY, Lin TH,
Chow L, Wang HT, Ku CC, Kao CL, Chien LJ, Chang HJ, Huang JH (2000)
Epidemi besar demam berdarah di Taiwan pada 1981–2000: terkait dengan aktivitas
virus intensif di Asia. Dengue Bull 24:1 Lai PC, Lee SS-J, Kao CH, Chen YS,
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:
53.58
Lander, JP (2014) R untuk semua orang: analitik dan grafik tingkat lanjut.
Pendidikan Pearson, London Li
Q, Ren H, Zheng L, Cao W, Zhang A, Zhuang D, Lu L, Jiang H (2017)
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
Machado-Machado EA (2012) Pemetaan empiris kesesuaian penyakit demam
berdarah di Meksiko menggunakan pemodelan distribusi spesies. Appl Geogr
33:82–93 Mahabir RS, Severson DW, Chadee DD (2012) Dampak jaringan
jalan terhadap distribusi kasus demam berdarah di Trinidad, Hindia Barat.
Acta Trop 123:178–183
Malik SM, Awan H, Khan N (2012) Memetakan kerentanan terhadap perubahan iklim
dan dampaknya terhadap kesehatan manusia di Pakistan. Kesehatan Global
8:31
McMichael AJ, Woodruff RE, Hales S (2006) Perubahan iklim dan kesehatan manusia:
risiko sekarang dan masa depan. Lancet 367:859–869 Méndez-Lázaro P, Muller-
Karger FE, Otis D, McCarthy MJ, Peña Orellana M (2014) Menilai efek variabilitas
iklim pada kejadian demam berdarah di San Juan, Puerto Rico. Kesehatan
Masyarakat Int J Environ Res 11:9409–9428
Kementerian Kesehatan (2014) Laporan pengendalian penyakit. Menteri Kesehatan
Indonesia 2013. 273
Mudin RN (2015) Kejadian DBD dan Program Pencegahan dan Pengendaliannya di
Malaysia. Int Med J Malays 14:05–10 Naish S, Dale P, Mackenzie JS, McBride
J, Mengersen K, Tong S (2014)
Pola spasial dan temporal penularan dengue yang didapat secara lokal di
Queensland utara, Australia, 1993-2012. PLoS One 9: e92524
Nakhapakorn K, Tripathi NK (2005) Sebuah nilai informasi berdasarkan analisis faktor
fisik dan iklim yang mempengaruhi demam berdarah dan kejadian demam
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
kesiapsiagaan dan adaptasi aturan. Int J Environ Res Public Health 12:6745–
6770 Pan W (2001) Kriteria informasi Akaike dalam estimasi umum
persamaan. Biometrik 57(1):120–125
Machine Translated by Google
14952
Ramadona AL, Lazuardi L, Hii YL, Holmner , Kusnanto H, Rocklöv J (2016)
Prediksi wabah dengue berdasarkan surveilans penyakit dan data
meteorologi. PLoS One 11:e0152688 Schaffner F, Mathis A (2014) Vektor
demam berdarah dan demam berdarah di wilayah WHO Eropa: masa lalu,
sekarang, dan skenario untuk masa depan. Lancet Menginfeksi Dis
14:1271–1280
Sharma Y, Kaur M, Singh S, Pant L, Kudesia M, Jain S (2012)
Seroprevalensi dan tren kasus demam berdarah yang dirawat di rumah
sakit pemerintah, studi Delhi-5 tahun (2006-2010): melihat pergeseran usia.
Int J Sebelumnya Med 3: 537–543
Thai KT, Anders KL (2011) Peran variabilitas iklim dan perubahan dalam
dinamika transmisi dan distribusi geografis dengue.
Exp Biol Med 236: 944–954
Environ Sci Pollut Res (2018) 25:14944–14952
Thammapalo S, Chongsuwiwatwong V, McNeil D, Geater A (2005) Faktor iklim
yang mempengaruhi terjadinya demam berdarah dengue di Thailand.
Kesehatan Masyarakat J Trop Med Asia Tenggara 36:191
Wang Z, Chan HM, Hibberd ML, Lee GKK (2012) Efek tertunda dari variabel
iklim pada kejadian demam berdarah di Singapura selama 2000- 2010.
APCBEE Procedia 1:22–26
Organisasi Kesehatan Dunia (WHO) (2012) Strategi global untuk pencegahan
dan pengendalian dengue 2012-2020. Organisasi Kesehatan Dunia,
Jenewa
Wu PC, Lay JG, Guo HR, Lin CY, Lung SC, Su HJ (2009) Suhu yang lebih
tinggi dan urbanisasi mempengaruhi pola spasial penularan demam
berdarah di Taiwan subtropis. Sci Total Lingkungan 407:
2224–2233