Jefri Rahmad Mulia, Ahmad Afif, Donal Ortega

Pemodelan WebGIS untuk Prediksi dan Analisis Spasial Cakupan ASI Eksklusif di Kota Padang

Introduction

Pemodelan webgis untuk prediksi dan analisis spasial cakupan asi eksklusif di kota padang . Pemodelan WebGIS untuk prediksi & analisis spasial cakupan ASI eksklusif di Kota Padang. Akurasi 98,48% dengan Monte Carlo, dukung pengambilan keputusan kesehatan masyarakat.

Abstract

Penelitian ini mengembangkan model Sistem Informasi Geografis (SIG) berbasis web untuk prediksi dan analisis spasial cakupan ASI eksklusif pada bayi di bawah enam bulan di Kota Padang. Model ini dirancang untuk mengintegrasikan pemetaan spasial dengan analisis prediktif sehingga dapat memberikan gambaran menyeluruh mengenai kondisi cakupan ASI eksklusif pada tingkat wilayah. Analisis spasial dilakukan dengan memanfaatkan data historis tahun 2023–2024 untuk memetakan distribusi cakupan pada tingkat kecamatan dan pusat pelayanan kesehatan. Hasil pemetaan ini menggambarkan variasi spasial antarwilayah dan memberikan informasi awal mengenai area dengan cakupan tinggi maupun rendah.Pendekatan Monte Carlo Simulation diterapkan untuk menghasilkan model prediksi berdasarkan data tahun 2024. Hasil simulasi menunjukkan tingkat akurasi sebesar 98,48%, yang mengindikasikan kesesuaian sangat tinggi dengan data aktual tahun 2024. Tingkat akurasi tersebut menunjukkan bahwa model memiliki kapabilitas yang baik dalam merepresentasikan kondisi nyata dan dapat diandalkan sebagai alat analisis prediktif untuk tahun-tahun berikutnya. Temuan ini juga menegaskan potensi metode probabilistik dalam mendukung analisis kesehatan masyarakat yang bersifat dinamis.Integrasi hasil prediksi ke dalam platform SIG berbasis web memungkinkan visualisasi interaktif dan akses data secara real-time. Kehadiran sistem ini diharapkan dapat meningkatkan efektivitas pengambilan keputusan dan perumusan kebijakan berbasis data dalam upaya peningkatan cakupan ASI eksklusif di Kota Padang, terutama bagi pemangku kepentingan di bidang kesehatan masyarakat. Kata Kunci: Analisis_Spasial; ASI_Eksklusif; Sistem_Informasi_Geografis_(SIG); Simulasi_Monte _Carlo; Kota_Padang

Review

This paper presents a timely and important contribution to public health informatics by developing a WebGIS model for the spatial prediction and analysis of exclusive breastfeeding (EBF) coverage among infants under six months in Padang City. Addressing the critical need for data-driven interventions in maternal and child health, the research effectively integrates spatial mapping with advanced predictive analytics. The proposed system aims to provide a comprehensive and granular understanding of EBF coverage at both sub-district and health service levels, offering valuable insights for targeted health interventions. Methodologically, the study utilizes historical data from 2023–2024 to meticulously map the distribution of EBF coverage, revealing significant spatial variations across different regions. A key strength lies in the application of Monte Carlo Simulation for generating a predictive model based on 2024 data. The reported accuracy of 98.48% is exceptionally high, strongly suggesting that the model reliably reflects actual conditions and possesses robust capabilities for future predictive analysis. This finding not only validates the model's utility but also underscores the significant potential of probabilistic methods in supporting dynamic public health assessments. The integration of these predictive results into an interactive WebGIS platform represents a substantial practical advantage, enabling real-time data visualization and access for stakeholders. This innovative system is poised to be a powerful tool, fostering more effective decision-making and data-driven policy formulation to enhance EBF rates in Padang City. While the abstract highlights the model's high accuracy, further elucidation in the full paper on the specific socio-economic or programmatic factors influencing these spatial variations and predictions would further enrich its applicability and offer deeper insights for policy design. Nevertheless, the research makes a significant contribution by providing a robust, data-centric framework to improve public health outcomes.

Full Text

Comments

You need to be logged in to post a comment.