Pemodelan Kusta di Indonesia Tahun 2023 dengan Mixed Geographically Weighted Regression Menggunakan Fixed Gaussian dan Adaptive Tricube Weighted

Leprosy Modeling in Indonesia in 2023 Using Mixed Geographically Weighted Regression with Fixed Gaussian and Adaptive Tricube Weights

Penelitian ini bertujuan untuk memodelkan prevalensi penya­kit kusta di Indonesia tahun 2023 menggunakan pendekatan Mi­xed Geographically Weighted Regression (MGWR) dengan dua jenis pembobot, yaitu Fixed Gaussian dan Adaptive Tricube. Penyakit kus­ta masih menjadi masalah kesehatan masyarakat yang signifikan, terutama di beberapa provinsi dengan prevalensi tinggi. Variabel­variabel yang dianalisis meliputi persentase rumah tangga tanpa fasilitas tempat buang air besar (𝑋1), persentase rumah tangga la­yak huni (𝑋2), persentase rumah tangga dengan akses air minum layak (𝑋3), persentase penduduk miskin (𝑋4), tingkat kegemar­an membaca masyarakat (𝑋5), dan Indeks Pembangunan Manusia (IPM) (𝑋6) pada tahun 2023. Hasil penelitian menunjukkan bahwa persentase penduduk miskin (𝑋4) merupakan variabel lokal yang paling signifikan secara spasial terhadap prevalensi kusta. Model MGWR dengan pembobot Adaptive Tricube lebih selektif dalam me­netapkan variabel lokal yang signifikan, sementara model dengan pembobot Fixed Gaussian memberikan hasil yang lebih stabil dan mampu menjelaskan variasi spasial data dengan lebih baik. Evalua­si model berdasarkan nilai Akaike Information Criterion (AIC) dan koefisien determinasi (𝑅2) menunjukkan bahwa model MGWR de­ngan pembobot Fixed Gaussian adalah model terbaik untuk memp­rediksi prevalensi kusta di Indonesia tahun 2023 (AIC = 100,47; 𝑅2 = 0,715). Temuan ini menegaskan pentingnya pemilihan pem­bobot dalam MGWR untuk mendukung kebijakan pengendalian kusta yang efektif dan terarah.

This study aims to model the prevalence of leprosy in Indonesia in 2023 using the Mixed Geographically Weighted Regression (MGWR) approach with two types of weighting schemes: Fixed Gaussian and Adaptive Tricube. Leprosy remains a significant public health con­cern, especially in several provinces with high prevalence rates. The variables analyzed include the percentage of households wi­thout proper sanitation facilities (𝑋1), percentage of households in decent housing (𝑋2), percentage of households with access to safe drinking water (𝑋3), percentage of poor population (𝑋4), commu­nity reading enthusiasm level (𝑋5), and the Human Development Index (HDI) (𝑋6) in 2023. Results indicate that the percentage of poor population (𝑋4) is the most spatially significant local variable influencing leprosy prevalence. The MGWR model with Adaptive Tricube weighting is more selective in identifying significant local variables, while the Fixed Gaussian weighting model produces more stable results and better explains spatial data variation. Model eva­luation using Akaike Information Criterion (AIC) and coefficient of determination (𝑅2) shows that the MGWR model with Fixed Gaussi­an weighting is the best model for predicting leprosy prevalence in Indonesia in 2023 (AIC = 100,47; 𝑅2 = 0,715). These findings highli­ght the importance of choosing an appropriate weighting scheme in MGWR to support effective and targeted leprosy control policies.