Demam berdarah dengue (DBD) merupakan salah satu masalah kesehatan yang dihadapi masyarakat urban yang
tinggal di daerah tropis maupun subtropis. Metode yang umum dipergunakan dalam permodelan epidemi DBD
adalah regresi poisson atau binomial negatif yang menggunakan variabel-variabel iklim seperti curah hujan,
kelembaban dan suhu sebagai variabel independen, serta metode box-jenkins (ARIMA atau SARIMA). Akan tetapi
metode-metode tersebut memiliki keterbatasan. Regresi data hitung gagal dalam menjelaskan kejadian luar biasa
yang muncul sewaktu-waktu. Sedangkan metode box-jenkins kurang jelas dalam mendeskripsikan siklus-siklus
dalam variabel dependen maupun independen dengan frekuensi yang berbeda-beda yang berperan pada setiap
waktu. Dalam hal ini analisis wavelet memberi kontribusinya. Analisis wavelet merupakan pengembangan lebih jauh
dari transformasi fourier berjendela (windowed fourier transform) yang memberikan kemudahan untuk mengkaji
signal dalam multiresolusi atau pada berbagai frekuensi pada setiap waktu. Sebagai ilustrasi kontribusi analisis
wavelet dalam kajian demam berdarah dengue ini digunakan data sekunder dari publikasi penelitian berupa jumlah
kasus DBD, curah hujan, kelembaban dan suhu di Banjarbaru periode 2004 – 2013. Dilakukan permodelan regresi
poisson dan binomial negatif pada data. Plot kedua permodelan dibandingkan. Kemudian dilakukan juga permodelan
metode box-jenkins. Analisis wavelet dilakukan dengan melakukan transformasi wavelet kontinu dan dilakukan
perhitungan koherensi wavelet antara variabel dependen dengan variabel independen. Hasil pengolahan data
memperlihatkan pada regresi data hitung, regresi binomial negatif memberikan nilai uji kecocokan yang lebih baik
daripada regresi poisson, namun memberikan kurang prediksi yang baik pada saat terjadi lonjakan epidemi. Metode
box-jenkins memberikan hasil yang lebih baik termasuk saat lonjakan terjadi dengan SARIMA (1,0,1)(0,1,1)12.
Koherensi wavelet memberikan hasil yang signifikan untuk jumlah kasus dan curah hujan pada siklus dengan periode
8 – 14 bulan dalam periode awal dan akhir data observasi; untuk jumlah kasus dan kelembaban pada siklus 8 – 14
bulan pada awal, pertengahan dan akhir data observasi serta juga memperlihatkan dominasi siklus panjang 18 – 28
bulan pada pertengahan data observasi; untuk jumlah kasus dan suhu pada siklus 20 – 24 bulan sepanjang data
observasi, 8 – 12 bulan pada pertengahan data observasi dan 6 – 8 bulan pada awal dan akhir data observasi.