Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
Tugas : Individu
Mata Kuliah : Aplikasi GIS
Dosen : Dr. Agus Bintara Birawida, S.Kel, M.Kes
SPATIAL TEMPORALDYNAMICS AND R...
SPASIAL TEMPORAL DINAMIKA DAN ZONASI RISIKO DEMAM
BERDARAH, DEMAM BERDARAH DENGUE, DAN DENGUE SHOCK
SYNDROME DI THAILAND
A...
PENDAHULUAN
Demam berdarah (DF), dan bentuk-bentuk yang lebih parah, demam berdarah dengue
(DBD) dan dengue shock syndrome...
berdarah yang dilaporkan di provinsi Chachoengsao di periode yang sama ini adalah total 1.020
kasus dan tidak ada kematian...
kernel dilakukan pada data gagak mati untuk mendokumentasikan kepadatan geografis kasus.
Peta kasus manusia dan analisis c...
Moran I indeks [37]. Meskipun autokorelasi spasial didefinisikan dekade lalu, aplikasinya telah
dibatasi oleh kapasitas ko...
Tabel I.
10 Angka Kesakitan dilihat dari kejadian DF / DHF / DSS menurut provinsi di tahun 2007
B. Metode
Rangkuman flowchart metodologi penelitian seperti yang ditunjukkan pada Gambar 2.
komponen yang berbeda dari met...
Masyarakat, Thailand. Data seperti total kasus DF / DHF / DSS berdasarkan bulan dan tahun,
jenis penyakit, jenis kelamin, ...
diamati kejadian (ni) setiap tahun dibagi dengan jumlah penduduk di masing-masing desa (p).
Lebih eksplisit;
Selain itu, a...
Menggunakan rasio jumlah DF / DHF / DSS insiden di setiap desa selama tahun 2001 dan
2007 dibagi dengan jumlah penduduk di...
HASIL DAN DISKUSI
Dari dokumentasi (Kantor Chachoengsao Provinsi Public Health, 2007), ditemukan bahwa
DF / DHF / DSS terj...
DHF / DSS di seluruh provinsi, memiliki insiden tertinggi di musim hujan, memiliki
kecenderungan yang sama untuk setiap ta...
Gambar 4. Jumlah diduga kasus DF / DHF / DSS dilaporkan mingguan selama 2007 epidemi (1
Mei-30 September)
Distribusi penya...
Semua proses statistik spasial untuk membuat hotspot dilakukan dengan menggunakan
alat statistik spasial di ArcGIS 10 ArcT...
Gambar 5. Peta Insiden yang menunjukkan distribusi hotspot dari DF / DHF / DSS wabah
selama tahun 2001 dan 2007 dengan men...
Gambar 6. peta Insiden yang menunjukkan jumlah kumulatif kasus DF / DHF / DSS pada tahun
2001 dan 2007 wabah menggunakan e...
Gambar 7. rata-rata lokasi pusat DF / DHF / DSS wabah antara Mei-September di tahun 2001
dan 2007
Gambar 8. dinamika temporal dalam ruang dan waktu. Lokasi rata-rata pusat wabah DF / DHF /
DSS antara Mei-September (1 → 2...
Gambar 9. peta zona resiko DF / DHF / DSS provinsi Chachoengsao, Thailand
Tabel IV menunjukkan rekapitulasi zona risiko DF...
Tabel IV. Rekapitulasi Desa Terkena DF / DHF / DSS
KESIMPULAN
Pemantauan dan perencanaan tindakan pengendalian epidemi dem...
endophilic Aedes Aegypti dan gejala klinis juga dapat kurang dilaporkan pada orang muda
karena kemampuan pemulihan diri ya...
faktor yang disebutkan di atas. Tidak hanya itu berlaku di epidemi, tetapi model ini bersifat
umum dan juga dapat diterapk...
13) [13] A. Mondini, F. Chiaravalloti-Neto, “Spatial correlation of incidence of dengue
with socioeconomic, demographic an...
32) [32] L. S. Premo, “Local spatial autocorrelation statistics quantify multi-scale patterns in
distributional data: an e...
50) [50] A. Getis, A. C. Morrison, K. Gray, T. W. Scott, “Characteristics of the spatial
pattern of the dengue vector, Aed...
Upcoming SlideShare
Loading in …5
×

Spasial temporal dinamika dan risiko zonasi demam berdarah

Zona Resiko DBD di Perkotaan

  • Be the first to comment

  • Be the first to like this

Spasial temporal dinamika dan risiko zonasi demam berdarah

  1. 1. Tugas : Individu Mata Kuliah : Aplikasi GIS Dosen : Dr. Agus Bintara Birawida, S.Kel, M.Kes SPATIAL TEMPORALDYNAMICS AND RISK ZONATION OF DENGUE FEVER, DENGUE HEMORRHAGIC FEVER, AND DENGUE SHOCK SYNDROME IN THAILAND (SPASIAL TEMPORAL DINAMIKA DAN ZONASI RISIKO DEMAM BERDARAH, DEMAM BERDARAH DENGUE, DAN DENGUE SHOCK SYNDROME DI THAILAND ) Oleh: IMAM BACHTIAR P1801213410 KONSENTRASI KESEHATAN LINGKUNGAN PROGRAM STUDI KESEHATAN MASYARAKAT PASCASARJANA UNIVERSITAS HASANUDDIN 2014
  2. 2. SPASIAL TEMPORAL DINAMIKA DAN ZONASI RISIKO DEMAM BERDARAH, DEMAM BERDARAH DENGUE, DAN DENGUE SHOCK SYNDROME DI THAILAND Abstrak - Penelitian ini menggunakan sistem informasi geografis (GIS) untuk menganalisis faktor-faktor spasial yang berhubungan dengan epidemi demam berdarah (DF), demam berdarah dengue (DBD), dan dengue shock syndrome (DSS). Provinsi Chachoengsao, Thailand, dipilih sebagai wilayah studi. Penelitian ini menguji pola difusi penyakit. Data klinis termasuk jenis kelamin dan usia pasien dengan penyakit dianalisis. Hotspot zonasi penyakit dilakukan selama wabah selama tahun 2001 dan 2007 dengan menggunakan metode statistik lokal spasial autokorelasi (LSAS) dan estimasi kernel-density (KDE). Lokasi rata-rata pusat dan pola pergerakan penyakit ditemukan. Sebuah peta zona resiko yang dihasilkan untuk kejadian. Data untuk analisis spatio-temporal dan zonasi risiko DF / DHF / DSS yang terjadi selama tahun 2000 sampai 2007. Hasil menemukan bahwa distribusi umur kasus berbeda dari distribusi umur populasi secara umum. Dengan mempertimbangkan bahwa kejadian yang cukup tinggi DF kasus / DHF / DSS adalah pada kelompok umur 13-24 tahun dan tingkat persentase kejadian adalah 42,9%, transmisi virus DF / DHF / DSS dari desa terduga. Periode epidemi 20 minggu, dimulai pada 1 Mei dan berakhir pada 31 September, dianalisis. Sekitar 25% kasus terjadi antara 6-8 minggu. Sebuah pola ditemukan menggunakan pusat rata-rata data dalam beberapa bulan penting, terutama selama musim hujan. Akhirnya, dapat diidentifikasi bahwa dari jumlah total desa yang terkena dampak (821), zona risiko tertinggi mencakup 7 desa (0,85%); zona risiko sedang terdiri 39 desa (4,75%); untuk zona risiko rendah 22 desa (2,68%) ditemukan; zona risiko yang sangat rendah terdiri dari 120 desa (14,62%); dan tidak ada kasus terjadi di 633 desa (77,10%). Zona paling berisiko ditunjukkan di distrik Mueang Chachoengsao, Bang Pakong, dan Phanom Sarakham. Penelitian ini menyajikan informasi yang berguna berkaitan dengan DF / DHF / DSS. Untuk menganalisis pola dinamis wabah DF / DHF / DSS, semua kasus yang diposisikan dalam ruang dan waktu dengan mengatasi desa masing-masing. Tidak hanya itu berlaku dalam epidemi, namun metodologi ini adalah umum dan dapat diterapkan dalam bidang aplikasi lain seperti wabah demam berdarah atau penyakit lainnya selama bencana alam. Indeks Terms- Sistem Informasi Geografis (GIS), Demam Berdarah (DF), Demam Berdarah Dengue (DBD), Dengue Shock Syndrome (DSS), Lokal Tata Ruang Autokorelasi Statistik (LSA), estimasi Kernel-density (KDE)
  3. 3. PENDAHULUAN Demam berdarah (DF), dan bentuk-bentuk yang lebih parah, demam berdarah dengue (DBD) dan dengue shock syndrome (DSS), adalah penyakit virus yang ditularkan arthropoda yang paling penting yang mempengaruhi manusia di dunia saat ini [1]. Tujuan dari penelitian ini adalah untuk menganalisis pola epidemi wabah DF / DHF / DSS di provinsi Chachoengsao, bagian tengah Thailand, dalam hal distribusi geospasial dan identifikasi daerah risiko. Metodologi dan hasil dapat berguna bagi petugas kesehatan masyarakat untuk mengembangkan sistem untuk memantau dan mencegah wabah DF / DHF / DSS. Penyakit yang disebabkan oleh vektor adalah bahaya kesehatan di seluruh dunia dan merupakan risiko konstan dan serius untuk sebagian besar penduduk dunia [2]. Di antara penyakit ini, demam berdarah, terutama dikenal di Asia Selatan, menyerang dunia, serta negara- negara dengan iklim tropis dan hangat. Hal ini ditularkan ke manusia oleh nyamuk dari genus Aedes, dan ada dalam dua bentuk: Demam Berdarah (DF) atau demam berdarah klasik dan Demam Berdarah Dengue (DBD), yang dapat berkembang menjadi bentuk yang parah dikenal sebagai Dengue Shock Syndrome (DSS ) [3]. Ada empat serotipe virus dengue, yang disebut DEN-1, DEN-2, DEN-3, dan DEN-4. Mereka termasuk ke dalam genus Flavivirus, famili Flaviviridae [4]. Prevalensi global penyakit demam berdarah telah tumbuh secara dramatis dalam beberapa dekade terakhir. Penyakit ini terjadi di lebih dari 100 negara dan wilayah dan mengancam kesehatan lebih dari 2,5 miliar orang di daerah perkotaan, daerah di pinggir kota, dan pedesaan daerah tropis dan subtropis. Beban penyakit utama berada di Asia Selatan dan Pasifik Barat [5]. Ekspansi yang cepat dari urbanisasi, pasokan air pipa yang tidak memadai, peningkatan pergerakan populasi manusia di dalam dan antar negara, dan pengembangan masa depan dan penyebaran resistensi insektisida dalam populasi vektor nyamuk adalah beberapa alasan untuk peningkatan transmisi dengue dalam beberapa tahun terakhir [6] . Hari ini, di beberapa negara Asia, insiden demam berdarah adalah penyebab utama rawat inap anak dan kematian [7]. Di Thailand telah terjadi tren kenaikan kejadian demam berdarah, dan bentuk-bentuk akut dan infeksi parah virus dengue, sejak pertama wabah epidemi demam berdarah pada tahun 1958 [8]. Pada tahun 2011, menurut data surveilans DBD, jumlah kasus yang dilaporkan infeksi dengue di Thailand adalah 37.728 kasus dengan 27 kematian nasional. Jumlah kasus demam
  4. 4. berdarah yang dilaporkan di provinsi Chachoengsao di periode yang sama ini adalah total 1.020 kasus dan tidak ada kematian (Departemen Kesehatan Masyarakat, Thailand) Sistem Informasi Geografis (GIS) adalah teknologi yang telah lama diterapkan dalam studi kesehatan masyarakat dan isu-isu terkait seperti wabah penyakit selama bencana alam, di tingkat regional atau negara, untuk menilai dan mengidentifikasi faktor-faktor risiko potensial terlibat dalam DF / DHF / DSS transmisi kejadian tersebut sebagai sosial ekonomi, iklim, demografi dan variabel lingkungan fisik untuk lebih memahami karakteristik penting prediksi dari daerah berisiko [9,10]. Sebelumnya peneliti seperti Rotela et al., (2007) menemukan analisis ruang- waktu dari dinamika penyebaran DBD di wabah Tartagal tahun 2004, Northern Argentina. Hasil penelitian menunjukkan bahwa distribusi umur kasus berbeda dari distribusi umur penduduk, dan kasus menunjukkan sorot wabah dan pola penyebaran yang bisa berhubungan dengan faktor entomologic dan epidemiologi [11]. GIS telah membuktikan potensi besar dalam mengatasi masalah epidemiologi [12]. Penggunaan alat analisis spasial penting untuk mengidentifikasi area kontrol kritis dengan beberapa variabel terkait erat dengan modulasi dinamika penyakit [13]. GIS adalah alat yang berharga untuk menyelidiki apakah seropositif untuk dengue berkerumun [7]. Yost (2006) menerapkan model data GIS atau situs baru untuk meramalkan kemungkinan terjadinya untuk daerah unsampled dalam batas spasial sampling [14]. Dia menunjukkan bahwa menggunakan data sensus dan analisis statistik ditambah dengan analisis GIS dapat memberikan informasi yang berguna untuk pengelolaan lahan pengambilan keputusan [15]. Sebuah GIS adalah agnostik untuk distribusi ini dan menangani fitur spasial tanpa memperhatikan model statistik yang mendasari. Tanpa kehati-hatian yang tepat, karena itu mungkin bagi pengguna waspada untuk menerapkan teknik yang sama sekali tidak sesuai untuk objek spasial (seperti titik atau poligon) yang terkandung dalam GIS. Poin, khususnya, memerlukan perhatian khusus, karena titik bisa menjadi lokasi sampel dari permukaan acak (analisis geostatistik), atau lokasi peristiwa acak (titik analisis pola) [16]. Dalam analisis spasial seperti estimasi kernel-density (KDE), analisis autokorelasi spasial (SAA), hotspot, atau mean center, dinamika temporal biasanya digunakan untuk melambangkan pola spasial penyakit dan untuk menguji apakah ada kejadian besar pengelompokan penyakit insiden di daerah tertentu [17- 21]. Penelitian sebelumnya telah menggunakan kasus manusia dalam GIS dengan geocoding alamat untuk menggambarkan distribusinya [20,22]. Pada saat yang sama, fungsi kepadatan
  5. 5. kernel dilakukan pada data gagak mati untuk mendokumentasikan kepadatan geografis kasus. Peta kasus manusia dan analisis cluster digunakan untuk menunjukkan pengelompokan kasus yang divalidasi menggunakan virus situs sampel nyamuk positif di daerah-daerah yang sama [20,23]. Penelitian yang dilakukan oleh Brownstein et al., (2002) menunjukkan bagaimana GIS dapat digunakan dalam analisis spasial infeksi manusia ketika nyamuk, manusia, dan burung mati cluster dilaporkan untuk memperkirakan risiko penyakit pada populasi [23]. Estimasi kernel-density (KDE) merupakan topik yang sangat populer penyelidikan ans Statistici '[24]. Kernel didasarkan pada nilai standar deviasi dalam persamaan Gaussian [14]. Tidakkah et al., (2005) mempelajari sifat statistik ketinggian gelombang berturut-turut dan periode gelombang berturut-turut. Histogram dari data dan estimasi kernel-density data dibandingkan dengan model Bretschneider [25]. Autokorelasi spasial, atau ketergantungan spasial, adalah karakteristik bahwa pengamatan cenderung untuk mengambil nilai-nilai yang tidak terlepas dari orang-orang dari pengamatan tetangga [26-29]. Autokorelasi spasial adalah ukuran kesamaan obyek dalam area [30]. Autokorelasi spasial adalah teknik yang kuat untuk analisis pola spasial dalam nilai variate yang telah berhasil diterapkan dalam geografi lokasional [26,31,32]. Premo (2003) memperkenalkan dua statistik spasial lokal yang dirancang untuk menjelaskan bagaimana cluster jarak ditentukan nilai, yang disebut lingkungan spasial, berkontribusi pada tata ruang global distribusi. Hasil memunculkan sejumlah hipotesis skala lokal itu, meskipun tidak terdeteksi oleh analisis spasial global yang sebelumnya, mungkin menyebabkan interpretasi halus distribusi spasial tanggal monumen dan, dengan perluasan, reorganisasi Classic Maya [32]. Cai dan Wang (2006) mempresentasikan metode untuk mengukur autokorelasi spasial indeks topografi (TI) dalam konteks tangkapan menggunakan indeks statistik spasial yang berasal dari studi geografi [33] Pola lokal autokorelasi spasial yang diusulkan sebagai perspektif yang tepat untuk memahami ketidakstabilan lokal dan dinyatakan sebagai indikator lokal asosiasi spasial (LISA), Gi dan Gi * Statistik setempat. Deskripsi serupa autokorelasi lokal ini disebut "hot spot" [16,34,35]. Penggunaan statistik Getis (* iG) memberikan wawasan tentang konsekuensi spasial perubahan spasial untuk model masukan. Daerah khusus, lokasi nilai iG * signifikan yang diidentifikasi di mana perbedaan dalam indeks luas daun (LAI) dan berdiri volume yang terjadi dan secara spasial berkerumun [36]. Indeks autokorelasi spasial lokal adalah dekomposisi global
  6. 6. Moran I indeks [37]. Meskipun autokorelasi spasial didefinisikan dekade lalu, aplikasinya telah dibatasi oleh kapasitas komputasi dan ketersediaan perangkat lunak [38-41]. Kemajuan terbaru dalam statistik spasial lokal telah menyebabkan meningkatnya minat dalam mendeteksi cluster penyakit atau "hotspot", untuk pengawasan kesehatan masyarakat dan untuk meningkatkan pemahaman kita tentang penyakit demam berdarah insiden tersebut [16,34,35,42]. Dalam penelitian ini, analisis spasial pada skala provinsi (KDE, LSA, Mean Center, dinamika temporal) yang digunakan untuk menyelidiki pola difusi spatio-temporal kejadian DF / DHF / DSS. Tujuan utama dari pekerjaan ini adalah untuk menemukan pola difusi dan zonasi risiko peta spatio-temporal kejadian DF / DHF / DSS yang terjadi di provinsi Chachoengsao, Thailand dari tahun 2000 hingga 2007 dengan menggunakan unsur-unsur GIS untuk pemahaman yang lebih baik dari DF / DHF / DSS dinamika wabah, dan menghubungkan mereka dengan faktor iklim dan demografi. STUDI AREA DAN METODE A. Daerah studi: Provinsi Chachoengsao, Thailand Provinsi Chachoengsao memiliki tingkat morbiditas 39,68 per 100.000 penduduk antar provinsi di bawah pengawasan Departemen Kesehatan Masyarakat Thailand untuk tahun 2007 (Tabel I). Chachoengsao, sebuah provinsi di bagian tengah dari Thailand, terpilih sebagai daerah penelitian (Gambar 1). Provinsi ini terpilih sebagai wilayah studi karena telah melaporkan tingkat kejadian yang tinggi selama beberapa tahun terakhir. Provinsi Chachoengsao termasuk 11 kabupaten, yaitu Mueang Chachoengsao, Bang Khla, Bang Nam Prieo, Bang Pakong, Ban Pho, Phanom Sarakham, Sanam Chai Khet, Plaeng Yao, Ratchasan, Tha Takiap, dan Khlong Khuean. Provinsi ini adalah 80 km jauh dari bagian timur Bangkok, dan meliputi area seluas 5,238.31 km2. Provinsi ini memiliki populasi sekitar 645.022 orang (Departemen Administrasi, 2007)
  7. 7. Tabel I. 10 Angka Kesakitan dilihat dari kejadian DF / DHF / DSS menurut provinsi di tahun 2007
  8. 8. B. Metode Rangkuman flowchart metodologi penelitian seperti yang ditunjukkan pada Gambar 2. komponen yang berbeda dari metode rinci di bawah ini: 1) Data Persiapan Studi spatio-temporal pola difusi dan risiko zonasi kejadian DF / DHF / DSS meliputi 821 desa di Provinsi Chachoengsao: a) Data kejadian DF / DHF / DSS Provinsi Chachoengsao dipilih untuk studi kasus karena dalam setiap tahun, kejadian DF / DHF / DSS sudah tinggi. Data DF / DHF / DSS selama tahun 2000 sampai 2007 yang dikumpulkan dari Dinas Provinsi Chachoengsao Kesehatan Masyarakat, berkaitan dengan jumlah kasus yang dilaporkan per kabupaten per bulan, untuk merekam kemungkinan dan konfirmasi kasus DF / DHF / DSS. Data hanya mewakili pasien yang mengunjungi rumah sakit dan mengisi Formulir resmi 506 dari Biro Vector borne diseases, Kementerian Kesehatan
  9. 9. Masyarakat, Thailand. Data seperti total kasus DF / DHF / DSS berdasarkan bulan dan tahun, jenis penyakit, jenis kelamin, dan alamat setiap pasien. Data ini digunakan untuk penelitian. b) Data Demografi Data mingguan DF / DHF / DSS kejadian di tahun 2001 dan 2007, tingginya jumlah kasus DF / DHF / DSS, dan jumlah penduduk masing-masing desa pada tahun 2007 juga dikumpulkan dari Chachoengsao Provinsi Kesehatan Masyarakat Kantor dan Departemen Administrasi, untuk memperdalam pengamatan dan mendukung analisis aspek demografi. Beberapa kelompok yang dibangun, yaitu, atas dasar distribusi penduduk, distribusi usia, dan jenis kelamin menggunakan data tahun 2007 (Tabel III). Juga, klasifikasi berdasarkan jenis kelamin dapat dilihat pada Tabel 2. Analisis data (Tabel II) mengungkapkan bahwa wabah terburuk kasus DF / DHF / DSS terjadi di tahun 2001 (1.236 kasus) dan pada tahun 2007 (792 kasus). Dengan demikian, data untuk tahun ini dipekerjakan untuk menentukan zonasi risiko di provinsi Chachoengsao. c) Data Iklim Data cuaca bulanan curah hujan, suhu, dan kelembaban untuk tahun 2000-2007 dikumpulkan dari Departemen Meteorologi, Thailand. DF / DHF / DSS wabah kejadian di provinsi Chachoengsao terjadi pada tahun 2001 dan 2007. Kantor iklim telah melaporkan bahwa bahwa wabah kejadian DF / DHF / DSS bertepatan dengan El Nino tahun. Kejadian El Nino di Thailand sebenarnya terkait dengan suhu tinggi dan juga rendahnya curah hujan [2]. Thailand mengalami hujan dari Mei sampai September. Bagian yang tersisa dari tahun tetap sebagian besar kering. Selain curah hujan dan suhu, kelembaban juga mempengaruhi transmisi dengue [43]. Karena kelembaban tinggi di musim hujan, kelangsungan hidup nyamuk lebih panjang dan pertumbuhan kondusif [44]. Secara keseluruhan, suhu di provinsi Chachoengsao adalah antara 26,63-29,98 ° C dalam 8 tahun (2000-2007). Lebih tinggi dari 20 ° C adalah suhu yang cocok untuk Aedes Aegypti nyamuk [45]. Kelembaban rata-rata bulanan dalam 8 tahun (2000-2007) ditemukan menjadi 72,68% 2) Analisis Data a) Hotspot Delineasi menggunakan Analysis Spatio-temporal Ditemukan dari analisis data bahwa wabah terburuk diduga DF / DHF / DSS kasus terjadi pada tahun 2001 (1.236 kasus) dan 2007 (792 kasus). Dengan demikian data tersebut diterapkan dalam penelitian ini untuk menentukan hotspot dan zonasi risiko selama kedua tahun. Demam berdarah yang (DF / DHF / DSS) tingkat kejadian (IR Dengue) adalah rasio jumlah kasus yang
  10. 10. diamati kejadian (ni) setiap tahun dibagi dengan jumlah penduduk di masing-masing desa (p). Lebih eksplisit; Selain itu, analisis hotspot dilakukan dengan menggunakan metode smoothing Bayes empirik, dan tingkat insiden demam berdarah yang digunakan untuk memperkirakan risiko yang mendasari [46]. Mengenai metode smoothing empiris Bayes, ketika harga baku yang digunakan untuk memperkirakan risiko yang mendasari ini, perbedaan populasi hasil ukuran ketidakstabilan varians dan outlier palsu. Jadi, tingkat smoothing adalah salah satu cara untuk mengatasi perbedaan ketidakstabilan ini. Pada dasarnya, persentasenya dihaluskan dan dengan demikian distabilkan dengan meminjam kekuatan dari unit spasial lainnya dengan menggunakan GeoDa 0.9.5i software open source [10,16,47] sehingga semua data kasus DF / DHF / DSS tahun 2001 dan 2007 di provinsi Chachoengsao yang Geocode menggunakan GeoDa 0.9.5i dan pelacak alamat kustom, termasuk kode desa. 821 lokasi desa Geocode dan disimpan dalam format dBASE. Jika memilih yang terakhir, jumlah untuk kasus DF / DHF / DSS biasanya standar dan dibandingkan dengan total distribusi penduduk menurut desa dengan total 821 desa. Meskipun ini adalah strategi yang sangat umum, tidak selalu diharapkan bahwa hasil tergantung pada konfigurasi unit daerah. Sebagai hasilnya, telah menjadi umum baru-baru ini dalam studi epidemiologi geografis untuk melakukan analisis yang menggunakan peristiwa titik sendiri. Berdasarkan metode statistik autokorelasi spasial lokal (LSA), hotspot dari DF / DHF / DSS analisis insiden peta dihasilkan untuk tahun 2001 dan 2007 tahun di ArcGIS 10. Jadi untuk menguji cluster DF / DHF / DSS signifikan secara statistik lokal untuk setiap tahun, dan untuk menentukan tingkat spasial kelompok ini, statistik Getis-Ord * iG digunakan [34,48,49]. The * iGstatistic berguna untuk mengidentifikasi individu anggota kelompok lokal dengan menentukan ketergantungan spasial dan pengamatan tetangga [49-51]. The * Statistik iG termasuk nilai di i dalam perhitungan * iG. * IG dihitung dan kemudian adalah output sebagai standar varian normal dengan probabilitas yang terkait dari distribusi z-score [49,52]. The * iG adalah statistik tingkat grup, di mana data titik pertama harus dikumpulkan ke daerah. * IG dihitung dengan menggunakan alat statistik spasial di ArcGIS 10 ArcToolbox.
  11. 11. Menggunakan rasio jumlah DF / DHF / DSS insiden di setiap desa selama tahun 2001 dan 2007 dibagi dengan jumlah penduduk di masing-masing desa di tahun 2001 dan 2007, ditemukan bahwa sebanyak 352 (2001) dan 254 (2007 ) desa yang terkena dampak DF / DHF / DSS lokasi kejadian di Chachoengsao cocok dengan kriteria untuk menjadi variabel. Selain itu, hotspot dengan menggunakan estimasi kernel-density metode (KDE) dilakukan untuk menemukan DF / DHF / DSS kejadian hotspot zonasi peta. Biasanya, KDE adalah bahwa pola memiliki kerapatan pada setiap lokasi di daerah penelitian. Kepadatan ini diperkirakan dengan menghitung jumlah kasus kejadian DF / DHF / DSS di provinsi Chachoengsao; berpusat lokasi di mana perkiraan harus dibuat. Pendekatan paling sederhana, yang disebut metode naif dalam literatur, adalah dengan menggunakan lingkaran berpusat di lokasi yang perkiraan kepadatan diperlukan. KDE berhubungan dengan data lokasi dan mengacu pada metode kernel untuk mendapatkan estimasi spasial halus intensitas lokal peristiwa di atas provinsi Chachoengsao, yang pada dasarnya jumlah ke "DF / DHF / DSS zona resiko" untuk terjadinya peristiwa tersebut. Peta zonasi kejadian DF / DHF / DSS yang dibuat menggunakan metode LSA dan KDE. Pusat rata-rata atau rata-rata spasial memberikan lokasi pusat titik penyakit [53]. Dalam penelitian ini, sistem zona UTM 47 Utara dan WGS 84 koordinat diadopsi. Dengan sistem koordinat yang ditetapkan, pusat rata-rata dapat ditemukan dengan mudah dengan menghitung rata-rata dari x-koordinat (atau Easting) dan mean dari y-koordinat (atau Northing). Kedua cara menentukan koordinat lokasi pusat rata-rata DF / DHF / DSS insiden lokasi sebagai: Dimana XMC dan YMC adalah koordinat / DHF / DSS insiden berarti pusat DF, xi dan yiare koordinat kejadian DF / DHF / DSS di setiap titik, dan n adalah jumlah poin [54]. Zona risiko kejadian peta dihasilkan berdasarkan LSA dan metode KDE dengan menggunakan analisis spasial serikat.
  12. 12. HASIL DAN DISKUSI Dari dokumentasi (Kantor Chachoengsao Provinsi Public Health, 2007), ditemukan bahwa DF / DHF / DSS terjadi di sebagian besar wilayah di provinsi Chachoengsao; itu ditimbulkan masalah kesehatan yang parah dan tol keuangan pada populasi yang terkena. Wabah terburuk yang diduga kasus DF / DHF / DSS adalah pada tahun 2001 (1.236 kasus) dan pada tahun 2007 (792 kasus). Terjadinya terendah di tahun 2000 (380 kasus). Untuk memperluas pengamatan, data yang dikumpulkan dari tahun 2000-2007 diklasifikasikan menjadi beberapa kelompok untuk kemudahan analisis sosial ekonomi, yaitu jenis kelamin, wilayah, waktu, dan kelompok umur. Tabel II, menunjukkan bahwa total kasus yang dilaporkan adalah 5.565, terdiri dari 2.989 laki- laki dan 2.576 perempuan. Selama kejadian tertinggi DF / DHF / DSS pada tahun 2001, pasien laki-laki terdiri sekitar 626 kasus, sementara pasien wanita terdiri hanya 610 kasus. Rasio pasien laki-laki lebih tinggi dari perempuan, yang merupakan 53,71% Tabel II Jumlah Kasus DF/DHS/DSS Berdasarkan Gender Group Dari Tahun 2000-2007 Iklim Thailand dapat dibagi menjadi tiga musim: musim panas (Februari-Mei), musim hujan (Mei-Oktober), dan musim dingin (Oktober-Februari). Pengamatan karakteristik epidemiologi penyakit DF / DHF / DSS berikut dalam tiga musim. Distribusi kejadian DF / DHF / DSS di tahun 2000-2007 ditunjukkan pada Gambar 3. Menariknya, pola penyakit menunjukkan bahwa bulan-bulan kritis kejadian itu selama Mei sampai September, yang di musim hujan. Insiden terburuk dicatat adalah pada bulan Juli 2001 dengan lebih dari 200 kasus. Distribusi DF /
  13. 13. DHF / DSS di seluruh provinsi, memiliki insiden tertinggi di musim hujan, memiliki kecenderungan yang sama untuk setiap tahun. Penyebab kejadian DF / DHF / DSS terkait dengan curah hujan, suhu, dan kelembaban sehingga DF / DHF / DSS umumnya terjadi ketika curah hujan relatif lebih rendah dan kelembaban lebih tinggi daripada rata-rata [2,55-57]. Hal ini menunjukkan bahwa curah hujan, suhu, dan kelembaban meningkat mulai bulan Mei dan setelah sekitar 30 hari atau satu bulan, wabah DF / DHF / DSS dimulai. Selain itu, pada bulan September, curah hujan dan kelembaban yang tinggi. Data bulanan juga dipecah menjadi penyelidikan lebih rinci. Selama tahun 2007, salah satu wabah tahun tertinggi, 792 pasien yang dicurigai dengan kasus DF / DHF / DSS. Pada saat itu, epidemi mengambil 20 minggu atau 152 hari, dimulai pada tanggal 1 Mei dan berakhir dalam kelompok penduduk mobilitas tinggi ini pada 31 September- dengan kata lain, periode musim hujan. Ada sebanyak 521 tersangka kasus DF / DHF / DSS tersebar di seluruh wilayah dan itu mempengaruhi 0,08% dari total populasi (Gambar 4). Sekitar 25% kasus terjadi antara Minggu 6-8, dengan jumlah tertinggi terjadi di distrik Mueang Chachoengsao yang 178 kasus dilaporkan, dan tertinggi kedua adalah Kabupaten Panom Sarakham dengan 170 kasus. Kebanyakan kasus terjadi pada bulan Juni 2007, dengan 171 kasus, sedangkan Februari 2007 memiliki tingkat terendah dengan hanya 9 kasus.
  14. 14. Gambar 4. Jumlah diduga kasus DF / DHF / DSS dilaporkan mingguan selama 2007 epidemi (1 Mei-30 September) Distribusi penyakit berdasarkan usia pasien juga ditentukan. Distribusi usia kasus DF / DHF / DSS berbeda dari distribusi umur penduduk dan insiden tertinggi berada di 13-24 tahun kelompok dan persentase tingkat kejadian adalah 42,9%, dengan kejadian yang lebih rendah pada populasi berusia lebih tua dari 25 tahun dan Tingkat persentase kejadian adalah 24,3% (Tabel III). Tabel III. Jumlah DF / DHF / DSS kasus dengan distribusi kelompok umur untuk tahun 2007
  15. 15. Semua proses statistik spasial untuk membuat hotspot dilakukan dengan menggunakan alat statistik spasial di ArcGIS 10 ArcToolbox. Analisis hotspot dilakukan dengan menggunakan "Analisis Hotspot (Getis-Ord * iG)" alat dalam alat pemetaan kluster ekstensi. Dengan memplot hotspot wabah di tahun 2001 dan 2007, zonasi itu ditemukan di sepanjang Sungai Pakong Bang (Gambar 5). Peta kejadian DF / DHF / DSS dibangun dari jumlah kumulatif kasus selama seluruh epidemi, dan menegaskan bahwa kasus DF / DHF / DSS yang menyebar di seluruh provinsi dengan hotspot di Mueang Chachoengsao (2001) dan Panom Sarakham (2001 dan 2007), dan berada di sekitar pusat-pusat perkotaan (Gambar 6). Pusat rata-rata kasus yang ditemukan di bulan kritis, terutama selama musim hujan dari Mei hingga September di tahun 2001 dan 2007 (Gambar 7). Hal ini juga menunjukkan pola klaster difusi tren di pusat provinsi di kabupaten Bang Khla. Dari Gambar 8, dapat disimpulkan bahwa gerakan dari lokasi 1 (Mei) ke lokasi 2 (Juni) pindah ke timur pada tahun 2001 tetapi pindah ke barat pada tahun 2007, dan berubah arah ke barat ke lokasi 3 (Juli) tahun 2001 tapi pindah ke utara pada tahun 2007 dan pindah ke lokasi 4 (Agustus) di utara dan berubah arah ke lokasi 5 (September) di barat, sama seperti tahun 2007. Jenis rekaman diperlukan untuk model berbasis agen seperti yang tersirat dalam penelitian kami penyakit pejalan kaki dalam ruang dan waktu.
  16. 16. Gambar 5. Peta Insiden yang menunjukkan distribusi hotspot dari DF / DHF / DSS wabah selama tahun 2001 dan 2007 dengan menggunakan statistik autokorelasi spasial lokal (LSA) metode
  17. 17. Gambar 6. peta Insiden yang menunjukkan jumlah kumulatif kasus DF / DHF / DSS pada tahun 2001 dan 2007 wabah menggunakan estimasi kernel-density metode (KDE)
  18. 18. Gambar 7. rata-rata lokasi pusat DF / DHF / DSS wabah antara Mei-September di tahun 2001 dan 2007
  19. 19. Gambar 8. dinamika temporal dalam ruang dan waktu. Lokasi rata-rata pusat wabah DF / DHF / DSS antara Mei-September (1 → 2 → 3 → 4 → 5) di tahun 2001 dan 2007 Terakhir, Gambar 9 merupakan DF / DHF / DSS zona resiko peta di provinsi Chachoengsao dengan analisis spasial serikat.
  20. 20. Gambar 9. peta zona resiko DF / DHF / DSS provinsi Chachoengsao, Thailand Tabel IV menunjukkan rekapitulasi zona risiko DF / DHF / DSS dengan jumlah total desa (821 desa). Hasil menunjukkan bahwa zona risiko tertinggi mencakup 7 desa (0,85%, 2,45 km2 dari total luas), zona risiko sedang terdiri dari 39 desa (4,75%, 23,49 km2 dari luas total), zona risiko rendah dari 22 desa (2,68% , 26,07 km2 dari total luas) ditemukan, zona risiko yang sangat rendah terdiri dari 120 desa (14,62%, 111,49 km2 dari luas total) dan tidak ada kasus terdiri 633 desa (77,10%, 5.074,81 km2 dari luas total)
  21. 21. Tabel IV. Rekapitulasi Desa Terkena DF / DHF / DSS KESIMPULAN Pemantauan dan perencanaan tindakan pengendalian epidemi demam berdarah yang telah menjadi isu penting. Penelitian ini menawarkan informasi yang berguna berkaitan dengan insiden DF / DHF / DSS. Untuk menganalisis pola dinamis dari tahun 2001 dan 2007 wabah DF / DHF / DSS di provinsi Chachoengsao, Thailand, semua DF kasus / DHF / DSS ditempatkan dalam ruang dan waktu dengan mengatasi desa masing-masing. Ini memperhitungkan bahwa kejadian yang cukup tinggi kasus DF / DHF / DSS berada di kelompok usia 0-24 tahun. Ia juga mencatat bahwa laki-laki memiliki risiko lebih tinggi dari kejadian dibandingkan perempuan. Berkat kesadaran di kalangan orang tua, kekebalan sebelum demam berdarah pada orang yang lebih tua, dan kurang menggigit nyamuk tarif pada anak-anak, ada sejumlah kurang dari korban dalam kelompok usia lainnya. Sementara itu, mobilitas orang berusia produktif dalam "hotspot" lingkungan telah membawa mereka ke dalam risiko terinfeksi DF / DHF / DSS. Analisis faktor iklim seperti curah hujan, suhu, dan kelembaban dengan insiden berdarah telah menunjukkan bahwa dengue umumnya terjadi ketika suhu rata-rata naik di atas normal, dan juga terjadi ketika kelembaban lebih tinggi dari rata-rata dan curah hujan cukup rendah. Pada tahun 2007, Dinas Chachoengsao Provinsi Public Health melaporkan 792 kasus yang diduga DF / DHF / DSS dan total 171 kasus DF / DHF / DSS terjadi pada bulan Juni. Selama 152 hari epidemi, ada sebanyak 521 tersangka DF kasus / DHF / DSS tersebar di seluruh wilayah dan mempengaruhi 0,08% dari total penduduk. Selain itu, beberapa penelitian menegaskan bahwa eksposur risiko demam berdarah lebih besar di rumah karena kebiasaan
  22. 22. endophilic Aedes Aegypti dan gejala klinis juga dapat kurang dilaporkan pada orang muda karena kemampuan pemulihan diri yang lebih baik [11] Autokorelasi spasial dapat menjadi alat yang berharga untuk mempelajari bagaimana pola spasial berubah dari waktu ke waktu [58]. Metode empiris Bayes memiliki teknik untuk meningkatkan kepadatan penduduk dari IR Dengue menjadi tingkat Bayes empirik yang lebih akurat dan berguna. Teorema ini memungkinkan peneliti untuk menganalisis data populasi dan apapun dengan menentukan total kasus DF / DHF / DSS dengan jumlah penduduk per desa setiap tahun Berdasarkan metode statistik autokorelasi spasial lokal (LSA), hotspot dari DF / DHF / DSS Analisis peta kejadian dihasilkan untuk tahun 2001 dan 2007 tahun dengan menggunakan alat statistik spasial dalam perangkat lunak ArcGIS 10 ArcToolbox. Selain itu, transformasi kernel-density adalah salah satu yang paling berguna dalam analisis GIS diterapkan. Pertama, ia menyediakan cara yang sangat baik untuk memvisualisasikan pola titik untuk mendeteksi hotspot. Kedua, karena menghasilkan peta perkiraan intensitas lokal dari setiap proses spasial, juga merupakan cara yang berguna untuk memeriksa apakah atau tidak proses yang pertama-order stasioner. Sebuah proses stasioner orde pertama harus menunjukkan hanya variasi lokal dari intensitas rata-rata daripada tren yang ditandai di seluruh wilayah studi. Ketiga, ia menyediakan cara yang baik untuk menghubungkan benda titik data geografis lainnya [59]. Metode KDE digunakan untuk memperoleh estimasi spasial halus intensitas lokal poin kasus DF / DHF / DSS dengan lokasi desa di tahun 2001 dan 2007 (Gambar 6). Fungsi ini memberikan nilai (alfa) untuk pola titik tertentu, dievaluasi selama grid lokasi yang span poligon tertentu. Lebar kernel ditentukan oleh jarak rata-rata terbang nyamuk demam berdarah dari 2 kilometer. Salah satu tampilan yang berguna adalah gambar raster [60]. Center mean penyakit itu menunjukkan pola klaster di tengah provinsi, kabupaten Khla Bang, dan juga menunjukkan bagaimana lokasi rata-rata pusat penyakit berubah dalam ruang dan waktu dengan pergerakan lokasi 1 ke lokasi 5 (Mei-September) tahun 2001 dan 2007. Statistik spasial digunakan untuk meringkas uraian satu set lokasi, diikuti dengan langkah-langkah yang menunjukkan bias directional satu set poin. DF / DHF / DSS peta risiko yang diperoleh dari penelitian ini adalah mampu mendukung petugas kesehatan masyarakat dalam ruang dan waktu sehingga dapat mengontrol dan memprediksi penyebaran DBD di area ekstensi. Selain itu, peta risiko dapat bermanfaat untuk peringatan dan kesadaran masyarakat. Petugas kesehatan masyarakat dapat menggunakan model untuk mengontrol DF / DHF / DSS distribusi dan hotspot melalui faktor-
  23. 23. faktor yang disebutkan di atas. Tidak hanya itu berlaku di epidemi, tetapi model ini bersifat umum dan juga dapat diterapkan dalam bidang aplikasi lain seperti wabah penyakit lainnya selama bencana alam. REFERENCES 1) [1] M. Fakeeh, A. M. Zaki, “Virologic and serologic surveillance for dengue fever in Jeddah, Saudi Arabia, 1991-1999,” American Journal of Tropical Medicine and Hygiene, vol.65, pp. 764-767, 2001. 2) [2] K. Nakhapakorn, N. K. Tripathi, “An information value based analysis of physical and climatic factors affecting dengue fever and dengue hemorrhagicfever incidence,” International Journal of Health Geographics, vol.4, no.13, 2005. 3) [3] M. Derouich, A. Boutayeb, E. H. Twizell, “A model of dengue fever,” Biology Engineering, vol.2, no.4, 2003. 4) [4] D. J. Gubler, “Dengue and dengue hemorrhagic fever,” Clinical microbiology reviews, vol.11, pp. 480-496, 1998. 5) [5] World Health Organization (WHO), “Vector control for malaria and other mosquito- borne diseases,”Report of a WHO study group technical report series, Geneva, vol.857, pp. 1-99, 1995. 6) [6] P. Kittayapong, S. Yoksan, U. Chansang, C. Chansang, “A Bhumiratana, suppression of dengue transmission by application of integrated vector control strategies at sero-positive GIS-Based Foci,”American Journal of Tropical Medicine and Hygiene, vol.78, pp. 70-76, 2008. 7) [7] B. H. B. Vanbenthem, S. O. Vanwambeke, N. Khantikul, C. Burghoorn-Maas, K. Panart, L. Oskam, E. F. Lambin, P. Somboon, “Spatial patterns of and risk factors for seropositivity for dengue infection,”American Social of Tropical Medicine and Hygiene,vol.72, pp. 201-208, 2005. 8) [8] P. Barbazan, S. Yoksan, J. P. Gonzalez, “Dengue hemorrhagic fever epidemiology in Thailand: description and forecasting of epidemics,” Microbes and Infection, vol.4, pp. 699-705, 2002. 9) [9] M. Ali, Y. Wagatsuma, M. Emch, R. F. Breiman, “Use of a geographic information system for defining spatial risk for dengue transmission in Bangladesh: role for Aedes albopictus in an urban outbreak,” American Society of Tropical Medicine and Hygiene, vol.69, pp. 634-640, 2003. 10) [10] P. C. Wu, J. G. Lay, H. R. Guo, C. Y. Lin, S. C. Lung, H. J. Su, “Higher temperature and urbanization affect the spatial patterns of dengue fever transmission in subtropical Taiwan,” Science of the total Environment, vol.407, pp. 2224-2233, 2009. 11) [11] C. Rotela, F. Fouque, M. Lamfri, P. Sabatier, V. Introini, M. Zaidenberg, C. Scavuzzo, “Space-time analysis of the dengue spreading dynamics in the 2004 Tartagel outbreak, Northern Argentina,” Acta Tropica, vol.103, pp. 1-13, 2007. 12) [12] V. Herbreteau, F. Demoraes, W. Khaungaew, J. P. Hugot, J. P. Gonzalez, P. Kittayapong, M. Souris, “Use of Geographic Information Systems and Remote Sensing for assessing environment influence on Leptospirosis incidence, Phrae province, Thailand,” International Journal of Geographics,vol.2, pp. 43-49, 2006
  24. 24. 13) [13] A. Mondini, F. Chiaravalloti-Neto, “Spatial correlation of incidence of dengue with socioeconomic, demographic and environmental variables in a Brazilian city,” Science of the Total Environment, vol.393, pp. 241-248, 2008. 14) [14] A. C. Yost, “Probabilistic modeling and mapping of plant indicator species in a Northeast Oregon industrial forest, USA,” Ecological Indicators, vol.8, pp. 46-56, 2006. 15) [15] Y. A. Twumasi, E. C. Merem, “GIS applications in land management: The loss of high quality land to development in central Mississippi from 1987-2002,” International Journal of Environmental Research and Public Health, vol.2, pp. 234-244, 2005. 16) [16] L. Anselin, Spatial statistical modeling in a GIS environment: GIS, Spatial Analysis, and Modeling Chapter 5. ESRI Press, California, USA, pp. 93-111, 2005. 17) [17] United States Department of Agriculture (USDA), West Nile Virus: In equids in the Northeastern United States in 2000. New York, USA, pp. 1-42, 2001. 18) [18] M. P. Ward, M. Levy, H. L. Thacker, M. Ash, S. L. Norman, G. E. Moore, P. W. Webb, “Investigation of an outbreak of Encephalomyelitis caused by West Nile virus in 136 horses,” Journal of American Veterinary Medical Association, vol.225, pp. 75-84, 2004. 19) [19] R. Harris, Z. Chen, “Giving dimension to point location: urban density profiling using population surface models,” Computers, Environment and Urban Systems, vol.29, pp.115-132, 2005. 20) [20] C. A. Wittich, Spatial analysis of West Nile virus and predictors of hyperendemicity in the Texas equine industry [Thesis] : Texas A&M University, 2007. 21) [21] G. Hay, K. Kypri, P. Whigham, J. Langley, “Potential biases due to geocoding error in spatial analyses of official data,” Health & Place, vol.15,pp. 562-567, 2008. 22) [22] J. T. Watson, J. C. Roderick, K. Gibbs, W. Paul, “Dead crow reports and location of human West Nile Virus cases, Chicago, 2002,” Emerging Infectious Diseases, vol.10, pp. 938-940, 2004. 23) [23] J. S. Brownstein, H. Rosen, D. Prudy, J. R. Miller, M. Merlino, F. Mostashari, D. Fish, “ Spatial analysis of West Nile Virus: rapid risk assessment of an introduced v ector- borne zoonosis,” Vector Borne and Zoonotic Diseases, vol.2, pp. 101-112, 2002. 24) [24] E. Liebscher, “Strong convergence of sums of α-mixing random variables with applications to density estimation,” Stochastic Processes and their Applications, vol.65, pp. 69-80, 1996. 25) [25] H. T. Wist, M. Dag, H. Rue, “Statistical properties of successive wave heights and successive wave periods,” Applied Ocean Research, vol.26, pp. 114-136, 2005. 26) [26] A. D. Cliff, J. K. Ord, Spatial autocorrelation. Pion London, pp. 178, 1973. 27) [27] M. F. Goodchild, Spatial autocorrelation. Geo, Norwich, United Kingdom, pp. 56, 1986. 28) [28] D. A. Griffith, Spatial autocorrelation: A Primer. Research Publication in Geography, Association of American Geographers, Washington D.C., USA , pp.82, 1987. 29) [29] T. Warner, M. C. Shank, “Spatial autocorrelation analysis of hyperspectral imagery for feature selection,” Remote Sensing Environment, vol.60, pp. 58-70, 1997. 30) [30] J. Lee, L. K. Marion, “Analysis if spatial autocorrelation of U.S.G.S 1:250,000 digital elevation models,” American Society for Photogrammetry and Remote Sensing, pp. 504-513, 1994. 31) [31] P. Haggett, A. D. Cliff, A. Frey, Locational analysis in human geography 2: Locational methods. John Wiley, New York, pp. 605, 1977.
  25. 25. 32) [32] L. S. Premo, “Local spatial autocorrelation statistics quantify multi-scale patterns in distributional data: an example from the Maya Lowlands,” Journal of Archaeological Science, vol.31, pp. 855-866, 2003. 33) [33] X. Cai, D. Wang, “Spatial autocorrelation of topographic index in catchments,” Journal of Hydrology, vol.328, pp. 581-591, 2006. 34) [34] A. Getis, J. K. Ord, “The analysis of spatial association by use of distance statistics,”Geographical Analysis, vol.24, pp. 189-206, 1992. 35) [35] N. A. C. Cressie, Statistics for spatial data. Wiley, New York, pp.900, 1993. 36) [36] M. A. Wulder, J. C. White, N. C. Coops, “Using local spatial autocorrelation to compare outputs from a forest growth model,” Economical Modeling, vol.209, pp. 264- 276, 2007. 37) [37] B. Flahaut, M. Mouchart, E. S. Martin, I. Thomas, “The local spatial autocorrelation and kernel method for identifying black zones a comparative approach,”Accident Analysis and Prevention, vol.35, pp. 991-1004, 2002. 38) [38] L. Anselin, Spatial econometrics: Methods and Models, Kluwer Academic Publishers, Dordrecht, The Netherlands, pp. 284, 1988. 39) [39] L. Anselin, S. Rey, “Review-Introduction to the special issue on spatial econometrics,” International Regional Science, vol.20, pp. 1-7, 1997. 40) [40] R. K. Pace, R. Barry, C. F. Sirmans, “Spatial statistics and real estate,” Journal of Real Estate Finance, vol.17, pp. 5-13, 1998. 41) [41] J. L. Ping, C. J. Green, R. E. Zartman, K. F. Bronson, “Exploring spatial dependence of cotton yield using global and local autocorrelation statistics,” Field Crops Research, vol.89, pp. 219-236, 2004. 42) [42] A. K. Yeshiwondim, S. Gopal, A. T. Hailemariam, D. O. Dengela, H. P. Patel, “Spatial analysis of malaria incidence at the village level in areas with unstable transmission in Ethiopia,” International Journal of Health Geographics, vol.8, pp. 1-11, 2009 . 43) [43] D. J. Gubler, Dengue and dengue hemorrhagic fever; its history and resurgence as a global public health problem. In Dengue and Dengue Hemorrhagic Fever bulletin, pp. 22, 1997. 44) [44] J. H. Jetten, D. A. Focks, “Changes in the distribution of dengue transmission under climate warming scenarios,” American Journal of Tropical Medicine and Hygiene, vol.57, pp. 285-297, 1997. 45) [45] World Health Organization (WHO). Dengue hemorrhagic fever: Diagnosis, treatment, prevention and control, 2nd ed.; Geneva, 1997. 46) [46] J. L. Meza, “Empirical Bayes estimation smoothing of relative risks in disease mapping,” Journal of Statistical Planning and Inference, vol.112, pp. 43-62, 2002. 47) [47] R. J. Marshall, “Mapping disease and mortality rates using empirical Bayes estimators,” Journal of the Royal Statistical Society: Series C (Applied Statistics). vol.40, pp. 283-94, 1991. 48) [48] J. K. Ord, A. Getis, “Local spatial autocorrelations statistics: distributional issues and application,”Geographical Analysis, vol.27, pp. 286-306, 1995. 49) [49] S. Hinman, J. K. Blackburn, A. Curtis, “Spatial and temporal structure of typhoid outbreaks in Washington D.C., 1906-1909: evaluating local clustering with the *iG statistic,” International Journal of Health Geographics, vol.5, pp. 1-13, 2006 .
  26. 26. 50) [50] A. Getis, A. C. Morrison, K. Gray, T. W. Scott, “Characteristics of the spatial pattern of the dengue vector, Aedes aegypti, in Iquitos, Peru,” American Journal of Tropical Medicine and Hygiene, vol.69, pp. 494-505, 2003. 51) [51] J. Wu, J. Wang, B. Meng, G. Chen, L. Pang, X. Song, K. Zhang, T. Zhang, X. Zhang, “Exploratory spatial data analysis for the identification of risk factors to birth defects,” BMC Public Health, vol.4,pp. 1-23, 2004. 52) [52] F. I. MacKellar, In The Cambridge World History of Human Disease; Kiple, K.F., Ed.; Early mortality data: sources and difficulties of interpretation, Cambride University, pp. 209-213, 1993. 53) [53] M. P. Ward, T. E. Carpenter, “Techniques for analysis of disease clustering in space and in time in veterinary epidemiology,” Preventive Veterinary Medicine, vol.45, pp. 257-284, 2000 . 54) [54] D. W. S. Wong, J. Lee, Point Pattern Descriptors: Statistical Analysis of Geographic Information with ArcView GIS and ArcGIS. John Wiley & Sons, Inc., Hoboken, New Jersey, USA, pp. 189-192, 2005. 55) [55] S. Hales, P. Weinstein, A. Woodward, “Dengue fever epidemics in the South Pacific: by El Nino Southern Oscillation,” Lancet, vol.348, pp. 1664-1665, 1996. 56) [56] J. Keating, “An investigation into the cyclical incidence of dengue fever,” Social Science Medicine, vol.53, pp. 1587-1597, 2001 . 57) [57] D. Guha-Sapir, B. Schimmer, “Review, Dengue fever: new paradigms for a changing epidemiology,”Emerging Themes in Epidemiology, vol.2, no.1, 2005. 58) [58] K. Nakhapakorn, S. Jirakajohnkool, “Temporal and Spatial Autocorrelation Statistics of Dengue Fever,”Dengue Bulletin, vol.30, pp. 177-183, 2006. 59) [59] D. O’Sullivan, D. Unwin, D. Point Pattern Analysis: Geographic information Analysis. John Wiley & Sons, Inc., Hoboken, New Jersey, USA, pp. 81-88, 2003. 60) [60] S. Fotherringham, P. Rogerson, Spatial analysis and GIS. Department of Geography, SUNY at Buffalo, 1994.

×