Perkiraan Dampak Konsentrasi PM10 pada Kesehatan Masyarakat di Jabodetabek
1.
Latar Belakang
Tingkat pencemaran udara di Jabodetabek adalah salah satu yang tertinggi di negara berkembang. Pencemaran udara berdampak negatif pada masyarakat terutama pada kesehatan masyarakat dan estetika lingkungan. Termotivasi oleh keadaan tersebut, artikel ini bertujuan untuk memperkirakan dampak pencemaran udara pada kesehatan masyarakat dengan memodelkan paparan partikel halus (PM10) dan akibatnya pada jumlah hari sakit karena infeksi saliran pernafasan bagian atas dan bagian bawah. Kajian literatur tentang akibat pencemaran pada kesehatan masyarakat dipaparkan pada Bagian 2. Bagian 3 memaparkan metode yang digunakan untuk memperkirakan dampak tersebut. Bagian 4 menyajikan hasil pemodelan dan Bagian 5 menyajikan kesimpulan.
Mia Amalia
2.
PM10 sebagai Indikator Pencemaran Udara
Pencemar udara yang menjadi indikator pencemaran udara untuk Jabodetabek adalah partikel halus dengan diameter aerodinamik sebesar 10 mikrometer (PM10). PM10 dipilih karena karaketeristik kimia dan fisikanya. PM10 terdiri atas PM10 primer dan PM10 sekunder yang terbentuk dari nitrogen oksida (NOx) dan sulfur oksida (SOx) sehingga pemodelan dampak pencemaran udara dengan menggunakan PM10 dapat
21
E D I S I 0 4 / TA H U N X V I / 2 0 1 0
Variables Illnesses Physical and health Health Activity and habit Smoking
Type ill sick-leave days
fcca
Tbc Siblings’ hlt Parents’ hlt
h_tbc h_sibling h_parents
Habit No cigarettes Years Indoor Family habits Socio-demographic and socioeconomic Demographic Gender Age Married No family No children Socioeconomic Expenditure Ex capita Education Income Work Occupation Days Hours Hours/week House and community condition House Condition Ceiling Age Wall Floor Density Function Parcel ratio Indoor pollution Spray Disinfectant Bleach Battery Paint Insecticide Community Location Disaster Street Street width Street cover Average exp Distance
Name Binary count
ill = 1 number of sick leave days
binary binary binary
Tbc = 1 Ill sibling = 1 Ill parents = 1
s_habit s_no s_years s_indoor s_family
binary continuous continuous binary count
Smoking = 1 Number of cigarettes per day Number of years of routine smoking Indoor = 1 At least 1 family member smokes = 1, more than 1 family member smokes= 2
d_gender d_age d_married d_nofam d_nokids s_exp s_excapita s_education s_income w_occ w_days w_hours w_hrswk
binary continuous binary continuous continuous continuous continuous continuous continuous continuous continuous continuous continuous
Male = 1 Respondents’ age Married = 1 Number of family members Number of children Family expenditure Expenditure per capita Head of household education Head of household income Head of household education Head of household working days/week Head of household working hours/day Head of household working hours/week
b_cond b_ceiling b_age b_wall b_floor b_density b_function b_parcelratio i_spray i_disinfectant i_bleach i_battery i_paint i_insecticide c_location c_disaster c_street c_streetwide c_streetcover c_aveexp c_distance
binary binary binary binary binary continuous binary continuous binary binary binary binary binary binary binary binary binary continuous binary continuous continuous
Poor = 1 Asbestos = 1 Old = 1 Bamboo = 1 Dirt = 1 Number of family member per m2 Mixed use = 1 Building per parcel ratio Spray = 1 Disinfectant = 1 Bleach = 1 Battery = 1 Paint = 1 Insecticide = 1 Old housing area = 1 Disaster area = 1 Close to street = 1 Street width Dirt = 1 Average sub-district expenditure Distance to sub-district facilities
sl_fcca
menyimpulkan bahwa PM10 berdampak besar dan positif pada kematian orang dewasa (Chay et al., 2003, p.298). Selain itu, para peneliti menyimpulkan juga bahwa semakin kecil ukuran partikel, maka semakin besar bahayanya karena kemungkinan terdeposisinya dalam saluran pernafasan semakin besar (Dockery et al., 1995; Marrack, 1995; Pope III et al., 1996). McCubbin dan Delucci (1996, p.253) menyimpulkan juga bahwa PM10 adalah kontributor utama yang dapat meningkatkan biaya kesehatan.
Notes on variables’ value
Untuk memperkirakan nilai perbaikan kondisi udara ambient, para peneliti menggunakan berbagai kombinasi pencemar untuk menilai dampak total pencemar pada kesehatan masyarakat. Beberapa peneliti menggunakan satu pencemar sebagai indikator pencemaran udara (BTRE, 2005, p.75; EPA, 2002, p.2). Kunzli et al. (2000, p.796) menggunakan PM10 dengan alas an bahwa PM10 adalah indikator yang paling baik untuk menilai berbagai sumber pencemar. Beberapa peneliti lain juga menggunakan PM10 dengan alasan sebagai berikut: Tabel 2. Ringkasan Anggota Kelompok Kelompok Responden
Jumlah Responden
Dewasa Anak-anak Lansia Kepala keluarga
10,160 6,642 500 4,976 22,278
Sakit Tidak 8,613 4,746 296 3,930
Ya 1,547 1,896 204 1,046 7634
Tidak dapat beraktivitas (bekerja, bersekolah, aktivitas social lainnya) Tidak 9,400 5,382 378 4,434
Ya 760 1,260 122 542 4198
Hong et al. (1999, p.873) dan Eyre et al. (1997, p.10) menggunakan PM10 sebagai indikator pencermaran udara untuk SO2, CO dan NO2 karena PM10 berkorelasi dengan berbagai pencemar tersebut;
mewakili pula dampak yang ditimbulkan oleh NOx and SOx. Selain karakteristik kimia, karaketeristik fisik PM10 menyebabkan PM10 menjadi salah satu pencemar yang sangat berbahaya bagi saluran pernafasan karena 80 persennya terdeposisi di dalam sistem pernafasan (Gamble & Lewis, 1996, p.838). Dengan kedua karakteristik tersebut, PM10 menjadi salah satu penyebab penyakit pernafasan terutama pada anak-anak yang menderita asma dan orang tua dengan penyakit kardiovaskular (Sirikijpanichkul et al., 2006, p.7). Dalam artikel ini, unit yang digunakan untuk mewakili dampak adalah jumlah hari sakit (restricted activity days (RAD)). Bila suatu penyakit menyebabkan penurunan jumlah hari yang dapat digunakan untuk bekerja, maka penyakit tersebut tergolong sebagai penyakit yang membebani perekonomian masyarakat (Peters & Dockery, 2006, p.1-11).
1. Pope III et al. (1995, p.472), Daniellis dan Chiabai (1998) dan Eyre et al. (1997, p.10) menggunakan PM10 sebagai indikator pencemaran udara karena PM10 adalah pencemar yang dapat terhisap ke dalam saluran pernafasan dan merupakan faktor yang berkontribusi pada penyakit pernafasan3 dan berkorelasi dengan kematian. 2. PM10 adalah pencemar kompleks karena merupakan campuran senyawa padat dan cair seperti aerosol organik dan metal. Hall et al. (1992) menggunakan sifat PM10 ini sebagai argumen untuk menggunakan PM10 sebagai indikator pencemaran udara.
PM10 sekunder dan primer adalah salah satu penyebab infeksi saluran pernafasan bagian atas dan bawah seperti batuk, bronkhitis dan asma terutama pada anak-anak (Bernard et al., 2001, p.205; Koren & Utell, 1997, p.534). Konsentrasi PM10 yang tinggi menyebabkan semakin umumnya asma terutama pada anak-anak (Koren & Utell, 1997, p.534). Hasil pemodelan menunjukkan bahwa konsentrasi PM10 adalah salah satu variabel penentu jumlah pasien rawat inap karena asma (Pope III et al., 1995, p.475). Asma dapat menyebabkan penurunan jumlah hari kerja sebanyak 90 juta per tahun di kota-kota besar Amerika Serikat (Pope III et al., 1995, p.475). PM10 juga menjadi salah satu penyebab rawat inap karena chronic obstructive pulmonary disease1 (COPD), pneumonia dan cardiovascular disease seperti ischemic heart disease2 (IHD) (Brumback et al., 2000; Samet et al., 2000; Schwartz, 1995). Riset yang dilakukan di Amerika Serikat
3.
Analisis Resiko untuk Kesehatan Masyarakat
Perkiraan paparan dan dampak (exposure-response model (ERM)) adalah salah satu proses yang digunakan dalam metode analisis resiko bagi kesehatan masyarakat. Langkah dalam metode ini adalah: (1) penentuan konsentrasi tahunan rata-rata pencemar; (2) penentuan dampak pada kesehatan masyarakat dan perkiraan hubungan antara pencemar dan dampak kesehatan. Langkah ini dilakaukan dengan: (a) identifikasi dampak pada kesehatan
22
E D I S I 0 4 / TA H U N X V I / 2 0 1 0
h = .41
10
sl_fcca
30
20
0
Kernel density estimate Normal density
0
kernel = epanechnikov, bandwidth = .41
30 sl_fcca 10 20 0
200
400 Frequency
600
Kajian yang membahas polusi udara dan dampaknya pada kesehatan masyarakat dan analisa resiko untuk kesehatan masyarakat menjadi dasar literatur pada artikel ini. Berdasarkan kajian literatur tersebut, tujuan artikel ini adalah untuk: memperkirakan jumlah hari sakit yang disebabkan oleh konsentrasi PM10 di udara. 200
400 Frequency
600
800
Data Exposure – Pemodelan Konsentrasi PM10 Di Jabodetabek
0
30
Tujuan
sl_fcca 10 20
Density 0 .1 .2 .3 0
mate
timate
30
Kernel density estimate
4. Analisis Resiko PM10 pada Kesehatan Masyarakat di Jabodetabek
800
masyarakat (Samet et al., 1994, p.209); (b) perkiraan ERM dan (3) perhitungan agregat resiko kesehatan dalam unit moneter (Kessel, 2006, p.106; Samet et al., 1994, p.209). Dalam artikel ini perkiraan ERM menggunakan langkah ke-2 di atas beserta sub langkahnya. Untuk perkiraan ERM, analisis data yang biasa digunakan adalah: time series analysis (Chan & Wu, 2005; Hong et al., 1999), cohort analysis (Dockery et al., 1993; Pope III et al., 1995) dan cross section analysis (Chen et al., 1999; Hall et al., 1992; Haryanto, 2005; Ozkaynak & Thurston, 1987). Dalam artikel ini, analisis data yang digunakan adalah cross section analysis yang menggunakan konsentrasi PM10 dari berbagai kecamatan dan menghubungkannya dengan jumlah hari sakit (Hall e al., 1992, p.812). Variabel penjelas lain yang penting untuk masuk ke dalam ERM adalah profil populasi yang dapat digunakan untuk menganalisis kelompok dalam populasi yang sensitif pada bahan pencemar. Kelompok sensitif tersebut misalnya adalah bayi dan orang tua yang reaksinya akan jauh berbeda dengan anggota populasi lain. Untuk itu, ERM harus mempertimbangkan dosis total yang diterima oleh anggota setiap kelompok dalam populasi (Sexton & Ryan, 1988, dikutip dalam Hall et al., 1992). Profil populasi berdasarkan pada: kondisi fisik dan kesehatan individu; kebiasaan dan aktivitas individu; karakteristik sosio-demografi dan sosio-ekonomi termasuk kondisi perumahan dan sumber polusi udara di dalam rumah serta kondisi komunitas (Kessel, 2006, p.106).
23
Dalam penelitian ini, PM10 diidentifikasi sebagai indikator pencemaran yang mewakili pencemar utama di Jabodetabek. Dalam artikel ini, rata-rata konsentrasi PM10 diperkirakan menggunakan Model Dispersi PM10 (PMDM). Model ini dibuat dengan mengkombinasikan dua model dispersi: Simplified Mobile Emission Model (SIMEM) (Tomo & Syahril, 2002) dan Simple Interactive Model for Better Air Quality (SIM-AIR) (the World Bank, 2002). Setelah PM10 ditetapkan sebagai indikator pencemaran udara,dampaknya pada kesehatan masyarakat selanjutnya diidentifikasi berdasarkan studi literatur. Hasil idenfitikasi jenis penyakit tersebut kemudian dicocokkan dengan data jenis penyakit yang ada dalam data Susenas 2004. Unit jumlah hari sakit (RAD) digunakan sesuai dengan data yang tersedia.
Data Response Sebagaimana telah disebutkan di atas, data response yang digunakan dalam artikel ini diambil dari data Susenas 2004. Dalam Susenas 2004, responden ditanya tentang jenis penyakit yang mereka derita di bulan sebelumnya sebelum survey dilaksanakan. Bila responden menyatakan bahwa mereka sakit pada bulan sebelumnya, maka mereka diminta untuk memberikan data tentang jumlah hari sakit yang menyebabkan mereka tidak dapat bekerja, bersekolah atau melakukan aktivitas harian lainnya. Terkait dengan pertanyaan dalam survey tersebut, hasil survey dan pemodelan ini perlu diinterpretasikan dengan lebih hati-hati karena responden mungkin saja memiliki persepsi yang berbeda tentang tingkat sakit yang mereka derita. Mereka mungkin saja melaporkan tingkat sakit yang berbeda namun dilaporkan dalam hasil survey dengan menggunakan unit yang seragam: jumlah hari sakit (RAD). Jenis penyakit yang dipilih dari Susenas adalah batuk, pilek dan asma yang mewakili infeksi saluran pernafasan bagian atas dan bawah yang mungkin disebabkan oleh konsentrasi PM10 di udara (Haryanto, 2007, Pers. Comm., 4 Agustus; Peters & Dockery, 2006; Sirikijpanichkul et al., 2006). Selain data tentang penyakit, Susenas 2004 dilengkapi juga dengan profil populasi. Variabel yang digunakan adalah: (1) kondisi fisik dan kesehatan individu termasuk di dalamnya adalah kondisi kesehatan orang tua dan saudara kandung; (2) aktivitas
E D I S I 0 4 / TA H U N X V I / 2 0 1 0
.25
Variable
.2
Smoking habit Number of years of routine smoking
Probability .1 .15
Indoor smoking Smoking habit in household Demographics and socioeconomics Gender, 1=male
.05
Age
0
Age squared 0
10
sick-leave days
observed proportion
20
Number of family member
30
Head of household income (million Rp) poisson prediction
Head of household education House and community Wall type, 1=bamboo
individu dan kebiasaan: kebiasaan merokok, jumlah rokok per hari, lamanya menjadi perokok, jumlah perokok dalam keluarga; (3) kondisi sosio-demografi dan sosio-ekonomi: pengeluaran, pendidikan kepala keluarga, jenis pekerjaan, pendapatan; (4) kondisi rumah, polusi dalam ruangan, kondisi komunitas. Rincian variabel yang diambil dari Susenas 2004 beserta kode yang digunakan dalam penelitian ini dapat dilihat pada Tabel 1.
Floor type, 1=dirt Building per parcel ratio Bleach Insecticide Street width Average distance from home to community centre
Spesifikasi Model
Average PM10 concentration Constant
Model yang digunakan dalam penelitian ini adalah Model Regresi Poisson untuk memperkirakan jumlah hari sakit (RAD). Model Regresi Poisson digunakan untuk memperkirakan jumlah hari sakit. Bentuk model yang digunakan adalah generalised additive model menggunakan cross-section data (Hastie & Tibshirani, 1990, cited in Schwartz et al., 2001, p.1002; Hong et al., 1999, p.873). Model jenis ini memungkinkan untuk memasukan jenis hubungan non linear (Schwartz et al., 2001, p.1002). Model ini juga sangat cocok untuk diterapkan bila dependent variable berupa count variable yang tidak dapat diperlakukan sama seperti continuous variable yang dapat menjadikan model yang lebih efisien (Long, 1997, p.217).
N Log likelihood chi2 Pseudo R2 Aic Bic
ZTP
PRM
0.004 2.827 0.069 2.728 0.003 0.129
***
-0.059 -2.897 -0.003 -1.795 0.000 6.905 -0.012 -2.006 0.000 0.018 -0.032 -4.591
***
0.171 5.463 0.085 2.216 -0.117 -3.113 -0.033 -1.489 -0.125 -5.862 -0.035 -4.634 0.010 2.232 0.001 2.015 1.716 31.857 2434 -6716.608 624.519 0.044 13469.216 13573.567
***
***
* *** **
***
** ***
*** *** ** ** ***
***
0.004 *** 2.844 0.065 *** 2.637 0.002 0.121 -0.055 -2.813 -0.003 -1.992 0.000 6.997 -0.011 -1.975 0.000 0.007 -0.030 -4.458
***
0.164 5.343 0.083 2.214 -0.110 -3.021 -0.032 -1.477 -0.117 -5.678 -0.033 -4.450 0.009 2.162 0.000 1.917 1.718 32.851 2434 -6759.639 594.828 0.042 13555.279 13659.630
***
** *** **
***
** ***
*** *** ** * ***
***
demografi, , s ada kondisi social-ekonomi, , b dan c adalah kondisi rumah dan lingkungan sekitar, serta PM10 adalah konsentrasi rata-rata PM10 untuk setiap kecamatan. Data response yang digunakan adalah jumlah RAD yang disebabkan oleh demam, flu, batuk dan asma. Jumlah hari sakit atau RAD ini adalah sakit yang menghalangi seseorang untuk bekerja, bersekolah atau melakukan aktivitas social lainnya. Variabel RAD ini memiliki distribusi yang tidak normal (Figure 2) sehingga analisis regresi tidak dapat dilakukan untuk memodelkan RAD. Variabel RAD memiliki pola yang mirip dengan distribusi Poisson, karena itu, Regresi Poisson digunakan untuk menganalisis data ini. Mengikuti langkah analisis yang dilakukan oleh Long dan Fresse (2006, p.351), analisis dilakukan tanpa menggunakan variabel penjelas agar data dapat langsung dibandingkan dengan hasil prediksi yang dilakukan oleh model (Gambar 2). Gambar tersebut memperlihatkan bahwa responden cenderung melaporkan jumlah hari sakit yang mudah untuk diingat seperti satu minggu, dua minggu, tiga minggu dan satu
Model tersebut di atas diaplikasikan pada seluruh sampel. Kemudian, responden dibagi menjadi empat kategori usia agar kelompok usia yang sensitif pada pencemar udara dapat dengan mudah dikenali. Keempat kelompok tersebut adalah: kepala keluarga, anggota keluarga dewasa, anggota keluarga anak-anak dan anggota keluarga usia lanjut4. Ringkasan mengenai jumlah setiap kelompok dapat dilihat pada Tabel 2.
Hasil Pemodelan Persamaan yang digunakan untuk memodelkan ‘jumlah RAD’ menggunakan beberapa kelompok variabel penjelas seperti yang tertuang dalam Persamaan 1 dimana h adalah kebiasaan beresiko seperti kebiasaan merokok, , d adalah kondisi
24
E D I S I 0 4 / TA H U N X V I / 2 0 1 0
bulan sehingga hasil observasi untuk 7, 14, 21 dan 30 hari jauh lebih besar dari jumlah observasi untuk hari-hari lainnya.
5. Kesimpulan
Setelah variabel penjelas ditambahkan ke dalam model, terlihat bahwa konsentrasi PM10 adalah variabel yang signifikan yang mengindikasikan bahwa responden yang tinggal di kecamatan dengan konsentrasi PM10 yang tinggi cenderung tidak bisa beraktivitas lebih lama karena sakit. Untuk hasil pemodelan yang membagi responden ke dalam kelompok umur, terlihat bahwa untuk kepala keluarga, variabel konsentrasi PM10 signifikan dengan angka negatif. Kemungkinan besar karena kepala keluarga menghabiskan waktu lebih banyak di jalan dan di tempat bekerja dibandingkan dengan di rumahnya. Sehingga jumlah hari sakit kepala keluarga tidak dapat dimodelkan oleh konsentrasi PM10 di tempat dia tinggal. Untuk anggota keluarga dewasa, konsentrasi PM10 adalah variabel penjelas jumlah RAD yang signifikan. Kemungkinan besar karena anggota keluarga dewasa banyak menghabiskan waktu di sekitar rumah dan di lingkungan kecamatan tempat dia tinggal. Untuk anggota keluarga dalam kelompok umur lansia, konsentrasi PM10 bukanlah variabel yang signifikan. Sedangkan untuk anak-anak, konsentrasi PM10 adalah variabel yang sangat signifikan sebagai variabel penjelas jumlah RAD. Dari hasil pemodelan tersebut, terlihat bahwa pengeluaran keluarga berperan penting untuk mengurangi jumlah RAD bagi kepala keluarga dan anggota keluarga dewasa. Namun demikian, keluarga dengan pengeluaran per kapita yang tinggi tidak dapat menurunkan jumlah RAD bagi lansia dan anak-anak. Hanya kepala keluarga yang berpendidikanlah yang dapat menurunkan jumlah RAD pada anggota keluarga lansia dan anak-anak (Tabel 4).
Variable Health condition and habit Number of years of routine smoking Individual smoking habit Demographics and socioeconomics Gender, 1=male Age Head of household income Head of household education House and community Wall type, 1=bamboo Street width Average distance from home to community centre Occupation Worker Student Average PM10 concentration Constant N Log likelihood chi2 Pseudo R2 aic bic
Kepala Keluarga 0.007 4.483
0.041 0.807 0.006 4.206 0.054 0.797 -0.019 -1.646 0.203 3.877 -0.055 -3.806 -0.006 -0.754 -0.333 -6.708 0.102 0.311 -0.003 -3.606 1.692 14.483 620 1984.06 4 240.016 0.057 3992.12 8 4045.28 4
Dewasa
Lansia
Anak-anak
*** * 0.087 2.129 ** *
* ** * ** *
** * ** * ** * ** *
-0.041 -0.762 0.009 4.966 0.219 3.393 -0.052 -4.032 0.276 5.050 -0.039 -2.805 0.044 5.130
*
** * ** * ** * ** * ** *
-0.174 -3.749 0.018 0.221 0.001 1.672 1.297 13.900 674 1885.88 1 180.706 0.046 3797.76 1 3856.43 3
* ** *
0.306 4.106
** *
0.230 3.029 0.010 2.021 0.069 0.366 -0.069 -2.774
** * **
0.402 4.340
** *
0.027 2.116
**
-0.231 -2.340
**
0.001 0.478 0.978 2.504 118 475.91 5 87.126 0.084 977.83 1 1013.8 50
**
**
-0.055 -1.728 -0.013 -3.219 -0.098 -1.684 -0.076 -6.776
*
0.017 2.586
**
0.001 2.835 1.655 32.742 1076 2574.14 4 76.183 0.015 5162.28 7 5197.15 4
** * * ** *
** * ** *
25
Dampak pencemaran PM10 di Jabodetabek menjadi objek yang diteliti dalam artikel ini. Hasilnya menunjukkan bahwa konsentrasi PM10 bukan merupakan variabel yang signifikan sebagai penyebab ‘jatuh sakit’ karena demam, pilek, batuk dan asma. Namun demikian, apabila seseorang telah jatuh sakit, konsentrasi PM10 menjadi salah satu variabel yang dapat menjelaskan jumlah hari sakit (RAD). Hubungan antara PM10 dan jumlah RAD adalah positif dan signifikan. Kelompok umur yang memiliki resiko jatuh sakit yang tinggi karena pencemaran PM10 adalah anak-anak. PM10 menjadi variabel penjelas bagi kemungkinan jatuh sakit pada anak-anak juga jumlah hari sakit pada anak. Hal ini menunjukkan bahwa anak-anak adalah kelompok yang paling rentan terkena dampak pencemaran PM10 pada khususnya dan pencemaran udara pada umumnya. l Mia Amalia adalah Staf Perencana pada Direktorat Tata Ruang dan Pertanahan, Bappenas.
Referensi Bernard, SM, Samet, JM, Grambsch, A, Ebi, KL & Romieu, I 2001, “The potential impacts of climate variability and change on air pollution-related health effects in the united states”, Environmental Health Perspectives, vol.109, no.2, pp.199-209. Bureau of Transportation and Regional Economics (BTRE) 2005, Working paper 63: health impacts of transport emissions in Australia: economic costs, Department of transport and regional services, Canberra. Chan, CC & Wu, TH 2005, ‘Effects of ambient ozone exposure on mail carriers’ peak expiratory flow rates’, Environmental Health Perspectives, vol.113, no 6, pp.735-8. Chay, K, Dobkin, C & Greenstone, M 2003, ‘The clean air act of 1970 and adult mortality’, The Journal of Risk and Uncertainty, vol.23, no.3, pp.279-300. Chen, PC, Lai, YM, Chan, CC, Hwang, JS, Yang, CY & Wang, JD 1999, ‘Short-term effect of ozone on the pulmonary function of children in primary school’, Environmental Health Perspectives, vol.107, no.11, pp.921-5. Danielis, R & Chiabai, A 1998, ‘Estimating the cost of air pollution from road transport in Italy’, Transportation Research: Part D, vol.3, no.4, pp.249-58. Dockery, DW, Pope, CA, Xu, X, Spengler, JD, Ware, JH, Fay, ME, Ferris, BG & Speizer, FE 1993, “An association between air pollution and mortality in six US cities”, The New England Journal of Medicine, vol.329, no.24, pp.1753-9. Dockery, DW, Schwartz, J & Pope III, C 1995, Comments from original investigators, particulate air pollution and daily mortality: replication and validation of selected studies, pp.115-22, Health Effects Institute, Cambridge.
E D I S I 0 4 / TA H U N X V I / 2 0 1 0
Environmental Protection Agency (EPA) 2002, Diesel engines characteristic and its emission, USEPA, Washington DC. Eyre, N, Ozdemiroglu, E, Pearce, D & Steele, P 1997, ‘Fuel and location effects on the damage costs of transport emissions’, Journal of Transport Economics and Policy, vol.31, no.1, pp.5-24. Gamble, JF & Lewis, RJ 1996, “Health and respirable particulate (PM10) air pollution: a causal or statistical association?”, Environmental Health Perspectives, vol.104, no.8, pp.838-850. Hall, JV, Winer, AM, Kelinman, MT, Lurmann, FW, Brajer, V and Colome, SD 1992, ‘Valuing the health benefits of clean air’, Science, New Series, vol.255, no.5046, pp.812-17. Haryanto, 2007, Pers. Comm., 4 Agustus; Hong, YC, Leem, JH, Ha, EH & Christiani, DC 1999, “PM10 exposure, gaseous pollutants, and daily mortality in Inchon, South Korea”, Environmental Health Perspectives, vol. 107, no. 11, pp. 873-8. Kessel, A 2006, The environment and public health, Cambridge University Press, Cambridge. Koren, HS & Utell, MJ 1997, ‘Asthma and the environment’, Environmental Health Perspectives, vol.105, no.5, pp.534-7. Kunzli, N, Kaiser, R, Medina, S, Studnicka, M, Chanel, O, Filliger, P, Herry, M, Horak Jr, F, Puybonnieux-Texier, Quenel, P, Schneider, J, Seethaler, R, Vergnaud, J-C & Sommer, H 2000, ‘Public-health impact of outdoor and traffic-related air pollution: a European assessment’, The Lancet, vol.356, no.9232, pp.795-801. Long, J 1997, Regression models for categorical and limited dependent variables, Sage Publication, Inc, California. Long, JS & Freese, J 2006, Regression models for categorical dependent variables using Stata, 2nd edn, Stata Press, Texas. Marrack, D 1995, ‘All PM10 are not biological equal’, International Conference on Particulate Matter, Health and Regulatory Issues, Pittsburgh. McCubbin, DR & Delucchi, MA 1996, “The health costs of motor-vehicle-related air pollution”, Journal of Transport Economics and Policy, vol.33, no.3, pp.253-86. Ozkaynak, H & Thurston, G 1987, ‘Associations between 1980 US mortality rates and alternative measures of airborne particle concentration’, Risk Analysis, vol.7, no.4, pp. 449-61. Peters, A & Dockery, DW 2006, ‘Air pollution and health effects: Evidence from epidemiologic studies’, in W Foster and D Costa, Air pollutants and the respiratory tract, Taylor and Francis, Boca Raton. Pope III, C, Thun, M, Namboodiri, M, Dockery, DW, Evans, CD, Speizer, FE & Heath, C 1996, ‘Particulate air pollution as a predictor of mortality in the perspective study of us adults’, American Journal of Respiratory and Critical Care Medicine, vol.151, pp.669-74. Pope III, CA, Bates, DV & Raizenne, ME 1995, ‘Health effects of particulate air pollution: time for reassessment?’, Environmental Health Perspectives, vol.103, no.5, pp.472-80.
Samet, JM, Pepelko, WE, Sonawane, B, Hatch, GE, Driscoll, KE & Oberdorster, G 1994, ‘Risk assessment of oxidant gases and particulate air pollutants: uncertainties and research needs’, Environmental Health Perspectives, vol.102, pp.209-213. Schwartz, J, Ballester, F, Saez, M, Perez-Hoyos, S, Bellido, J, Cambra, K, Arribas, F, Canada, A, Perez-Boillos, MJ & Sunyer, J 2001, ‘The concentration-response relation between air pollution and daily deaths’, Environmental Health Perspectives, vol. 109, no. 10, pp. 1001-1006. Sexton, K & Ryan, P 1988, ‘Assessment of human exposure to air pollution: methods, measurements and models’, in AY Watson, RR Bates & D Kennedy, Air pollution, the automobile and public health, pp. 207-238, National Academic Press, Washington, DC. Sirikijpanichkul, A, Iyengar, M & Ferreira, L 2006, Valuing air quality impacts of transportation: a reviews of literature, School of Urban Development, Queensland University of Technology, Brisbane. Tomo, H & Syahril, S 2002, ‘Technical paper: A simplified approach to estimating area pollution from mobile sources’, Regional Workshop on Transport Planning: Demand Management and Air Quality AD
Note
1 Partly blocked lung (penyumbatan paru). Sebagian besar penderita COPD biasanya juga menderita emphysema dan chronic bronchitis. Gejala meliputi sesak nafas, batuk dan terbentuknya dahak (Lung Foundation, 2009). 2 Coronary artery disease menyebabkan penurunan suplai darah ke otot hati. Gejala meliputi Symptoms include nyeri dada dan kesulitan bernafas saat berolah raga (Goldstein et al., 2006; RxMed, 2009) . 3 Peningkatan gejala sakit pernafasan, penurunan fungsi paru, peningkatan rawat inap dan kunjungan ke dokter untuk penyakit pernafasan dan cardiovascular, peningkatan kematian akibat penyakit cardiopulmonary (Pope III et al., 1995, 472). 4 Pengelompokan usia responden berdasarkan pada standar World Health Organisation.
26
E D I S I 0 4 / TA H U N X V I / 2 0 1 0
