Introduction

Kesehatan adalah aset berharga dalam banyak aspek kehidupan manusia, baik dalam individu dan bermasyarakat ( Streeper et al, 2021).
Kesehatan yang optimal dapat memberikan kontribusi besar terhadap peningkatan kualitas hidup dan kesejahteraan seseorang (Tundia et al.,
2012).Menurut Rabaan et al. (2023) dan Backman et al. (2023) penyakit menular dan masalah kesehatan mental merupakan dua aspek
penting dari kesehatan masyarakat yang memberikan tantangan global pada saat ini dan membutuhkan diagnosa dan penanganan yang tepat
dikarenakan memiliki dampak signifikan terhadap kualitas kesehatan seseorang. Penyakit menular ditetapkan sebagai salah satu ancaman
paling kritis terhadap kesehatan masyarakat global saat ini. Bahkan dengan kemajuan dalam pengawasan penyakit menular selama satu abad
terakhir, penyakit menular masih menimbulkan risiko yang signifikan terhadap kesehatan masyarakat (Sims et al., 2020). Selain penyakit
menular masalah kesehatan mental juga menjadi kekhawatiran global saat ini, kesehatan mental telah diposisikan sebagai bagian penting
dari agenda hak asasi manusia global dimana promosi kesehatan mental serta pengobatannya telah menjadi prioritas kesehatan masyarakat
global (Herrera-Ferrá, K., 2020).

Menganalisis dan memahami pola serta faktor yang memengaruhi sebaran penyakit menular dan kesehatan mental menjadi kunci untuk
mengembangkan strategi efektif dalam pencegahan, pengendalian, dan perawatan. Berbagai faktor yang memengaruhi sebaran penyakit
yaitu faktor internal serta faktor eksternal. Salah satu faktor eksternal yang sangat berpengaruh terhadap penyebaran penyakit adalah faktor
geografis (Tyagi et al. 2021). Indonesia sebagai negara dengan geografi yang sangat beragam, menghadapi tantangan unik dalam menjaga
kesehatan masyarakatnya. Perbedaan iklim, aksesibilitas terhadap layanan kesehatan, dan perbedaan budaya antar wilayah dapat memiliki
dampak yang signifikan terhadap tingkat dan sebaran penyakit. Oleh karena itu, faktor geografis memiliki peran penting dalam kesehatan
masyarakat (Hjorthen al., 2020).

Penelitian ini membahas mengenai pemodelan geostatistik dalam penyakit yang diambil dari data sekunder BPJS Kesehatan. Menurut
Touloupou et al., (2022) pemodelan geostatistik banyak digunakan dalam epidemiologi untuk menggabungkan survei dari berbagai lokasi ke
dalam model prevalensi atau kejadian lokal yang terperinci. Data yang digunakan berasal dari BPJS Kesehatan, sebuah sumber data
sekunder yang kaya akan informasi mengenai aspek-aspek penting dalam sistem kesehatan Indonesia. Data ini mencakup variabel Indeks
Harga Konsumen, besar klaim, jumlah peserta, dan 23 grup penyakit yang sebagian besar sesuai dengan ketentuan regional berdasarkan
Peraturan Menteri Kesehatan Republik Indonesia.

Metode geostatistik memungkinkan kita untuk menggambarkan sebaran penyakit secara lebih rinci, mengidentifikasi klaster yang
signifikan, dan mengaitkan temuan ini dengan variabel-variabel risiko yang mungkin mendukung penyebaran penyakit dan masalah
kesehatan mental dengan memanfaatkan data spasial dan statistik,. Berdasakan data tersebut dilakukan analisis klaster non hirarki untuk
membagi wilayah Indonesia menjadi lima klaster regional dengan variabel Indeks Harga Konsumen, besar klaim, banyak peserta dan 23
grup penyakit yang sebagian besar sebanding dengan ketentuan regional menurut Peraturan Menteri Kesehatan Republik Indonesia. Tiga
klaster dengan jumlah provinsi terbanyak akan dimodelkan dengan model geostatistika semivariogram.

Semivariogram adalah alat penting untuk mengukur korelasi spasial antar provinsi, memungkinkan kita untuk memahami bagaimana
variabel di satu provinsi memengaruhi provinsi lainnya dalam konteks penyakit. Semivariogram sendiri adalah teknik statistik yang
digunakan dalam kajian spasial dan geostatistik untuk mengukur seberapa jauh nilai-nilai data berbeda dalam suatu wilayah geografis
(Chiles, J. P., & Delfiner, P., 2012). Melalui pendekatan pemodelan geostatistik dan analisis klaster, penelitian ini bertujuan untuk
mengidentifikasi dan mengukur pengaruh variabel dari satu provinsi terhadap provinsi lainnya dalam hal sebaran penyakit. Hasil penelitian
ini akan membantu kita memahami lebih baik bagaimana faktor geografis berkontribusi pada distribusi penyakit di Indonesia, dengan
harapan dapat memberikan wawasan yang berharga dalam perencanaan dan implementasi kebijakan kesehatan yang lebih efektif dan
berkelanjutan di tingkat regional dan nasional.

Dengan mengintegrasikan data geografis dan data Kesehatan akan memungkinkan kita untuk menggambarkan lanskap Kesehatan
Indonesia dengan lebih baik dan memberi informasi yang diperlukan untuk membuat kebijakan yang lebih efektif dan berkelanjutan dalam
rangka meningkatkan kesejahteraan kesehatan masyarakat secara keseluruhan. Penelitian ini diharapkan dapat memberi kontribusi berharga
dalam upaya meningkatkan kesehatan masyarakat Indonesia secara keseluruhan, mengurangi dampak penyakit menular dan masalah
kesehatan mental di Indonesia serta dapat menjadi rekomendasi untuk tindakan pencegahan agar tercipta lingkungan sehat yang berkualitas
 Intorduction

Health is a valuable asset in many aspects of human life, both at the individual and societal levels
(Streeper et al., 2021). Optimal health can significantly contribute to improving the quality of life and well-
being of an individual (Tundia et al., 2012). According to Rabaan et al. (2023) and Backman et al. (2023),
infectious diseases and mental health issues are two crucial aspects of public health that pose global challenges
at present and require accurate diagnosis and treatment due to their significant impact on an individual's health
quality. Infectious diseases are identified as one of the most critical threats to global public health today. Despite
advancements in infectious disease surveillance over the past century, infectious diseases continue to pose
significant risks to public health (Sims et al., 2020). In addition to infectious diseases, mental health issues are
also a global concern. Mental health has been positioned as an essential part of the global human rights agenda,
where the promotion of mental health and its treatment has become a priority in global public health (Herrera-
Ferrá, K., 2020).
Analyzing and understanding the patterns and factors that influence the distribution of infectious
diseases and mental health is crucial for developing effective strategies in prevention, control, and treatment.
Various factors affecting disease distribution include internal and external factors. One external factor that
significantly influences disease spread is geographical factors (Tyagi et al. 2021). Indonesia, as a country with
diverse geography, faces unique challenges in maintaining the health of its population. Differences in climate,
accessibility to healthcare services, and cultural variations among regions can have a significant impact on
disease prevalence and distribution. Therefore, geographical factors play a crucial role in public health
(Hjorthen al., 2020).
This research discusses geostatistical modeling in diseases using secondary data from BPJS Kesehatan.
According to Touloupou et al., (2022), geostatistical modeling is widely used in epidemiology to incorporate
surveys from various locations into detailed local prevalence or incidence models. The data used is sourced from
BPJS Kesehatan, a secondary data source rich in information regarding critical aspects of Indonesia's healthcare
system. This data includes variables such as the Consumer Price Index, claim amounts, the number of
participants, and 23 disease groups, most of which align with regional regulations based on the Ministry of
Health of the Republic of Indonesia.
Geostatistical methods allow us to depict disease distribution in greater detail, identify significant clusters, and
correlate these findings with risk variables that may support disease spread and mental health issues, utilizing
spatial and statistical data. Based on this data, non-hierarchical cluster analysis is conducted to divide Indonesia
into five regional clusters based on variables such as the Consumer Price Index, claim amounts, the number of
participants, and 23 disease groups, most of which are proportional to regional regulations according to the
Ministry of Health of the Republic of Indonesia. Three clusters with the highest number of provinces will be
modeled using geostatistical semivariogram models.
The semivariogram is an essential tool for measuring spatial correlations among provinces, enabling us
to understand how variables in one province influence others in the context of diseases. The semivariogram
itself is a statistical technique used in spatial and geostatistical studies to measure how far apart data values
differ within a geographical area (Chiles, J. P., & Delfiner, P., 2012). Through the geostatistical modeling
approach and cluster analysis, this research aims to identify and measure the influence of variables from one
province on others concerning disease distribution. The results of this study will help us better understand how
geographical factors contribute to disease distribution in Indonesia, with the hope of providing valuable insights
for more effective and sustainable healthcare policy planning at the regional and national levels.
By integrating geographical and healthcare data, we will be able to depict the healthcare landscape of
Indonesia more comprehensively and provide the necessary information for crafting more effective and
sustainable healthcare policies aimed at enhancing the overall well-being of the public. This research is expected
to make a valuable contribution to efforts aimed at improving public health in Indonesia as a whole, reducing
the impact of infectious diseases and mental health issues in Indonesia, and providing recommendations for
preventive measures to create a high-quality and healthy environment.
 Daftar Pustaka

[1] Streeper, N. M., Galida, M., Boltz, S., Li, S., Nakada, S. Y., Raffin, E. P., ... & Penniston, K. L. Is stone-free status after surgical
intervention for kidney stones associated with better health-related quality of life?-a multicenter study from the north american stone
quality of life consortium. Urology, vol. 148, pp.77 - 82, 2021, doi: 10.1016/j.urology.2020.09.060.

[2] Tundia, N. L., Bhor, M., Duhig, A. M., Hass, S., Perry, R., & Milligan, G. PMH58 Impact of Positive and Negative Symptoms and
Cognitive Impairment on Health Outcomes and Healt Care Resource Utilization in European Patients with Schizophrenia. Value in
Health, vol. 19 , pp. A1–A256, 2012, doi: 10.1016/j.jval.2012.03.503.

[3] Rabaan, A. A., Bakhrebah, M. A., Alotaibi, J., Natto, Z. S., Alkhaibari, R. S., Alawad, E., ... & Garout, M. Unleashing the Power of
Artificial Intelligence for Diagnosing and Treating Infectious Diseases: A Comprehensive Review. Journal of Infection and Public
Health. 2023, doi: 10.1016/j.jiph.2023.08.021.

[4] Backman, A., Zander, E., Roll-Pettersson, L., Vigerland, S., & Hirvikoski, T. Functioning and quality of life in transition-aged youth
on the autism spectrum–associations with autism symptom severity and mental health problems. Research in Autism Spectrum
Disorders, vol. 104, 2023, doi: 10.1016/j.rasd.2023.102168.

[5] Sims, N., & Kasprzyk-Hordern, B. Future perspectives of wastewater-based epidemiology: monitoring infectious disease spread and
resistance to the community level. Environment international, vol. 139, 2020, doi: 10.1016/j.envint.2020.105689.

[6] Herrera-Ferrá, K. Global mental health and the treatment gap: A human rights and neuroethics concern. In Global mental health and
neuroethics .Academic Press, 2020, pp. 133-143, doi: 10.1016/B978-0-12-815063-4.00009-5.

[7] Tyagi, S., Martha, S. C., Abbas, S., & Debbouche, A. Mathematical modeling and analysis for controlling the spread of Infectious
diseases. Chaos, Solitons & Fractals, vol. 144, 2021, doi: 10.1016/j.chaos.2021.110707.

[8] Hjorthen, S. L., Sund, E. R., Skalická, V., & Krokstad, S. Understanding coastal public health: Employment, behavioural and
psychosocial factors associated with geographical inequalities. The HUNT study, Norway. Social Science & Medicine, vol. 264,
2020, doi: 10.1016/j.socscimed.2020.113286.

[9] Touloupou, P., Retkute, R., Hollingsworth, T. D., & Spencer, S. E. Statistical methods for linking geostatistical maps and
transmission models: Application to lymphatic filariasis in East Africa. Spatial and Spatio-temporal Epidemiology, vol. 41, 2022, doi:
10.1016/j.sste.2020.100391.

[10] Chiles, J. P., & Delfiner, P. Geostatistics: modeling spatial uncertainty. John Wiley & Sons. 2012, doi: 10.1007/s11004-012-9429-y.