Analisis Faktor-Faktor yang Memengaruhi Stunting di Indonesia Tahun 2021
(Analysis of Factors Influencing Stunting in Indonesia 2021)
Rizki Hardinata*, Lisda Oktaviana, Farah Fadhilah Husain, Syofmarlianisyah Putri, Fitri Kartiasih Politeknik Statistika STIS
Jl. Otto Iskandardinata No.64C Jakarta 13330 E-mail: [email protected]
ABSTRAK
Stunting adalah masalah yang timbul akibat kurangnya asupan gizi dan dapat mengganggu pertumbuhan dan perkembangan anak. Tingginya tingkat prevalensi stunting dapat menjadi indikator rendahnya kualitas sumber daya manusia suatu negara. Dampaknya meliputi keterbatasan kemampuan kognitif, produktivitas yang rendah, serta risiko tinggi terhadap penyakit, yang pada gilirannya berdampak negatif secara jangka panjang bagi negara. Oleh karena itu, stunting menjadi salah satu target dalam Sustainable Development Goals (SDGs). Tujuan penelitian ini untuk menganalisis faktor-faktor yang memengaruhi prevalensi stunting di Indonesia pada tahun 2021. Penelitian ini menggunakan pendekatan cross section dengan data sekunder dari Badan Pusat Statistik dan Kementerian Kesehatan Indonesia. Metode penelitian yang digunakan analisis deskriptif dan analisis inferensia dengan regresi linear berganda.
Hasil penelitian menunjukkan bahwa persentase berat bayi lahir rendah signifikan meningkatkan prevalensi stunting, sebaliknya persentase rumah tangga yang memiliki akses ke sanitasi yang layak signifikan menurunkan prevalensi stunting di Indonesia.
Kata kunci: Stunting, SDGs, Sanitasi Layak, BBLR, ASI
ABSTRACT
Stunting is a problem that arises from a lack of nutrition and can interfere with the growth and development of children. The high prevalence of stunting can be an indicator of the low quality of a country's human resources. The impacts include limited cognitive abilities, low productivity, and a high risk of disease, which have a long-term negative impact on the preservation of the country. Therefore, stunting is one of the targets of the Sustainable Development Goals (SDGs). The purpose of this study was to analyze the factors that influence the prevalence of stunting in Indonesia in 2021. This study used a cross-sectional approach with secondary data from the Central Bureau of Statistics and the Indonesian Ministry of Health. The research methods used are descriptive analysis and inferential analysis with multiple linear regression. The results showed that the proportion of low-birth-weight babies significantly increased the prevalence of stunting. On the other hand, the proportion of households that had access to sanitation allowed it to significantly reduce the prevalence of stunting in Indonesia.
Keywords: Stunting, SDGs, Adequate Sanitation, Low Birth Weight, Breast Milk
PENDAHULUAN
Kelaparan merupakan permasalahan global yang hingga sekarang belum kunjung terselesaikan.
Kelaparan juga merupakan salah satu indikator kesejahteraan kehidupan suatu keluarga atau negara. Menurut Lenhard (1998) dan Tanziha (2012) dalam Mone dan Utami (2021), kelaparan adalah sebuah kondisi di mana terjadinya konsumsi pangan yang kurang secara kronis atau keadaan di mana seseorang belum bisa memenuhi kebutuhan-kebutuhan konsumsinya. Oleh karena itu, kelaparan juga merupakan suatu faktor yang dapat menyebabkan malnutrisi di mana malnutrisi adalah kekurangan nutrisi dan gizi pada tubuh seseorang.
Stunting adalah penyakit atau dapat berupa gangguan tumbuh kembang anak usia dini akibat malnutrisi ibu dan anak, infeksi berulang dan simulasi psikososial yang tidak memadai (World Health Organization, 2015). Stunting pada anak merupakan hambatan terbesar bagi perkembangan manusia karena stunting merupakan masalah multidimensi dengan konsekuensi jangka panjang. Pada tahun 2012, Organisasi Kesehatan Dunia (WHO) menyatakan bahwa secara global 162 juta anak di bawah usia lima tahun mengalami stunting. Seorang anak dapat dianggap stunting jika tinggi badan anak tersebut dua standar deviasi di bawah median standar pertumbuhan Organisasi Kesehatan Dunia untuk anak-anak dengan usia dan jenis kelamin yang sama. (World Health Organization, 2016). Prevalensi stunting yang tinggi dapat menjadi faktor rendahnya kualitas sumber daya manusia di suatu negara. Hal ini karena stunting dapat menyebabkan rendahnya kemampuan kognitif, rendahnya produktivitas anak, serta dapat meningkatnya
risiko penyakit yang mengakibatkan kerugian jangka panjang bagi perekonomian negara (Eko Setiawan, et al., 2018). Oleh karena itu, dampak stunting sangat beragam dan setiap orang di pemerintahan dan masyarakat perlu memperhatikannya dengan seksama. Kekurangan gizi adalah masalah dunia yang serius yang dapat memakan korban dan berdampak negatif terhadap pembangunan suatu negara. Alhasil, stunting menjadi tujuan kedua dari Tujuan Pembangunan Berkelanjutan (SDGs), yang bertujuan mengakhiri kelaparan dan segala bentuk malnutrisi serta mencapai ketahanan pangan pada tahun 2030. Target global yang ditetapkan adalah mengurangi angka stunting pada tahun 2025 sebesar 40% (pengurangan menjadi 99 juta anak stunting dari 165 juta pada tahun 2012) (World Health Organization, 2021).
Masalah stunting di Indonesia juga merupakan masalah kesehatan dan ketahanan pangan yang serius, sehingga perlu dilakukan tindakan pencegahan sesegera mungkin agar grafik angka stunting di Indonesia tidak naik dari tahun ke tahun. Dalam rangka percepatan pencegahan stunting, Kementerian Kesehatan (Kemenkes) bekerja sama dengan Badan Pusat Statistik (BPS) menyelenggarakan Survei Status Gizi Indonesia (SSGI) dengan tujuan utama mengukur sasaran empat status gizi, yaitu stunting, wasting, underweight dan overweight. Menurut hasil SSGI, prevalensi stunting di Indonesia mengalami penurunan dari 24,4% pada tahun 2021 menjadi 21,6% pada tahun 2022. Hal ini menunjukkan bahwa kebijakan pemerintah untuk menurunkan angka stunting telah membuahkan hasil yang positif. Namun angka tersebut masih jauh dari target negara tahun 2024 sebesar 14% (Kementerian Kesehatan, 2023).
Sumber : Badan Pusat Statistik, diolah
Gambar 1. Prevalensi Stunting di Indonesia Tahun 2022.
Informasi dari Gambar 1 mengenai prevalensi stunting di Indonesia menunjukkan bahwa sebagian besar provinsi di negara ini menghadapi masalah serius terkait stunting. Hanya tujuh provinsi yang memiliki tingkat prevalensi di bawah rata-rata nasional untuk stunting, dan hanya satu provinsi yang berhasil mencapai target nasional sebesar 14%, yaitu Provinsi Bali dengan tingkat prevalensi stunting sebesar 10,6%.
Tingkat prevalensi ini mengindikasikan bahwa semakin rendah persentasenya, semakin sedikit kasus stunting yang terjadi di wilayah tersebut. Berdasarkan publikasi terbaru The Joint Malnutrition Estimates (JME) oleh World Health Organization (WHO) pada tahun 2021, ditemukan bahwa angka prevalensi stunting di Indonesia mencapai 31 persen. Temuan ini mengindikasikan bahwa dalam skala global, Indonesia memiliki tingkat stunting yang sangat tinggi karena angka prevalensinya melebihi 30% (World Health Organization, 2021).
Menurut penelitian sebelumnya yang dilakukan oleh Windasari et al. (2020), faktor-faktor yang berpengaruh terhadap stunting meliputi Berat Bayi Lahir Rendah (BBLR), Pemberian ASI eksklusif, serta
10,9 16,8
21,6
37,8
0 10 20 30 40
Bali DKI Jakarta D.I . Yogyakarta Kep. Riau Lampung Kep. Bangka Belitung Jawa Tengah Sulawesi Utara Indonesia Bengkulu Riau Jambi Kalimantan Timur Sumatera Barat Jawa Timur Jawa Barat Banten Sumatera Selatan Sumatera Utara Papua Barat Kalimantan Tengah Sulawesi Selatan Kalimantan Utara Maluku Utara Maluku Gorontalo Papua Sulawesi Tengah Kalimantan Barat Kalimantan Selatan Sulawesi Tenggara Nusa Tenggara Barat Aceh Sulawesi Barat Nusa Tenggara Timur
Stunting (%)
Provinsi
Inisiasi Menyusui Dini (IMD). Sementara itu, penelitian oleh Apriluana dan Fikawati (2018) menyimpulkan bahwa stunting dipengaruhi oleh BBLR, pendidikan orang tua, pendapatan rumah tangga, dan sanitasi yang layak. Dalam penelitian oleh Hanifah dan Stefani (2022), juga ditemukan hubungan yang signifikan antara stunting dengan Pernikahan Usia Dini. Selain itu, penelitian yang dilakukan oleh Aryastami et al. (2017) menunjukkan bahwa faktor yang paling berpengaruh terhadap stunting adalah BBLR. Berbagai penelitian menjelaskan bahwa keadaan ekonomi dan sosial rumah tangga memengaruhi status gizi anggota rumah tangga tersebut, terutama pada anak balita. Kemiskinan berpengaruh terhadap ketidakmampuan penduduk dalam mencukupi kebutuhan pangan dan kesehatan (Pribadi & Kartiasih, 2020; Ulfani et al., 2011).
Penelitian yang dilakukan oleh Rahayu dan Khairiyati (2014) dapat ditemukan hubungan antara tingkat pendidikan orang tua, rata lama sekolah orang tua, dan terlebih lagi tingkat pendidikan ibu dengan kejadian stunting dengan anak. Berdasarkan penelitian terkait hubungan usia pernikahan pertama wanita terhadap angka stunting di Kelurahan Mekarsari oleh Hanifah dan Stefani (2022) menyatakan bahwa pernikahan usia wanita kurang dari 15 tahun terhadap angka kejadian stunting adalah signifikan.
Berbeda dengan penelitian sebelumnya, penelitian ini lebih komprehensif karena menggabungkan variabel yang ada pada penelitian-penelitian terdahulu sebagai variabel independen untuk melihat pengaruhnya terhadap variabel dependen (angka prevalensi stunting). Variabel independen yang dimasukkan sebagai faktor-faktor yang mempengaruhi variabel dependen pada penelitian ini yaitu Pemberian ASI eksklusif, BBLR, Rata Lama Sekolah (RLS), Umur pernikahan pertama wanita <15 tahun, dan rumah tangga dengan akses ke sanitasi layak. Selain itu, pada penelitian ini peneliti menggunakan data Rata Lama Sekolah sebagai ukuran tingkat pendidikan orang tua, sedangkan pada penelitian sebelumnya untuk mengukur tingkat pendidikan orang tua mayoritas penelitian menggunakan data pendidikan ibu. Adapun tujuan dari penelitian ini adalah untuk menganalisis faktor-faktor yang memengaruhi stunting di Indonesia.
METODE
Penelitian ini termasuk dalam penelitian kuantitatif cross-sectional dengan menggunakan analisis deskriptif dan inferensial. Analisis inferensial yang digunakan adalah regresi linear berganda. Dalam penelitian ini dilakukan analisis deskriptif untuk melihat gambaran awal atau pola sebaran data dari variabel- variabel yang digunakan. Kemudian dilakukan analisis regresi linear berganda untuk mengetahui pengaruh variabel bebas terhadap variabel terikat. Kemudian hasil dari analisis regresi linear berganda diinterpretasikan.
Analisis Deskriptif
Statistik deskriptif adalah angka atau nilai yang menyimpulkan atau meringkas data yang ada dengan tujuan untuk mendeskripsikan data tersebut menjadi lebih mudah dipahami dan juga melihat hubungan antar variabel. Perhitungan analisis deskriptif sangat penting dan merupakan tahap pertama dalam penelitian dan pasti selalu dilakukan sebelum melakukan analisis inferensia (Kaur, 2018). Statistik deskriptif yang digunakan dalam penelitian ini antara lain grafik batang dan five-number summaries. Adapun variabel yang digunakan adalah prevalensi stunting sebagai variabel dependennya dan ASI eksklusif, Berat Badan Lahir Rendah (BBLR), Rata Lama Sekolah (RLS), perkawinan pertama wanita <15 tahun, serta proporsi rumah tangga yang memiliki akses ke sanitasi layak sebagai variabel independennya.
Analisis Inferensia
Analisis inferensia adalah alat untuk menginterpretasikan data sampel dengan cara mekanis melabeli hasil studi sebagai penyediaan jawaban positif atau negatif untuk pernyataan penelitian, memprediksi suatu hal dan lainnya (Sand, 2022). Pada penelitian ini, analisis inferensia yang dilakukan adalah analisis korelasi, asumsi normalitas dan Regresi Linear Berganda (RLB). Korelasi adalah keadaan di mana suatu variabel dan variabel lainnya akan berhubungan dan saling berpengaruh dan memberikan informasi mengenai keeratan hubungan antar variabelnya (Lelang, 2017). Korelasi Pearson digunakan untuk melihat kuat atau tidaknya hubungan antar variabel independen dan variabel dependennya (Budiwati et al, 2010).
Regresi Linear Berganda (RLB)
Regresi linear berganda (RLB) adalah sebuah model persamaan yang dapat menjelaskan hubungan antara sebuah variabel dependen (Y) dengan beberapa variabel independen (𝑋1,𝑋2,...,𝑋𝑛). Regresi linear berganda (RLB) bertujuan untuk memperkirakan nilai variabel dependen (Y) jika nilai dari variabel independennya (𝑋1,𝑋2,...,𝑋𝑛) diketahui dan dimasukkan ke dalam persamaan. Selain itu, regresi linear berganda juga digunakan untuk mengetahui arah hubungan variabel dependennya dengan variabel independennya.
Secara matematis, model regresi linear berganda dapat dituliskan sebagai berikut :
𝑌 = 𝛽0+ 𝛽1𝑋1+ 𝛽2𝑋2+. . . +𝛽𝑛𝑋𝑛+ ε ... (1)
Di mana :
Y = variabel dependen (atau nilai dari variabel yang ingin diprediksi ) 𝛽0 = nilai rata-rata variabel dependen ketika semua variabel independennya 0 𝛽1,𝛽2,...,𝛽𝑛 = Koefisien regresi dari variabel independen dengan asumsi ceteris paribus 𝑋1, 𝑋2,…,𝑋𝑛 = nama dari variabel independen
Metode Stepwise
Metode stepwise regression adalah salah satu dari empat metode yang digunakan untuk memilih model terbaik dengan mengombinasikan dua metode lain, yaitu forward selection dan backward elimination, yang digunakan secara bergantian.
Koefisien Determinasi Disesuaikan (Adjusted R-square)
𝑅𝐴𝑑𝑗𝑢𝑠𝑡𝑒𝑑2 , juga dikenal sebagai adjusted 𝑅2, adalah versi modifikasi dari 𝑅2 yang memiliki kemiripan dalam menunjukkan sejauh mana titik data cocok dengan sebuah kurva. Perbedaan utama antara 𝑅2 dan 𝑅𝐴𝑑𝑗𝑢𝑠𝑡𝑒𝑑2 terletak pada penyesuaian yang dilakukan untuk jumlah fitur yang ada dalam model prediksi.
Dalam kasus 𝑅𝐴𝑑𝑗𝑢𝑠𝑡𝑒𝑑2 , penambahan fitur baru dapat meningkatkan nilainya jika variabel-variabel tersebut memberikan kontribusi berharga pada model prediksi. Namun, jika variabel-variabel yang baru ditambahkan tidak memberikan kontribusi yang signifikan, nilai 𝑅𝐴𝑑𝑗𝑢𝑠𝑡𝑒𝑑2 akan menurun. 𝑅𝐴𝑑𝑗𝑢𝑠𝑡𝑒𝑑2 dapat didefinisikan sebagai berikut:
𝑅𝐴𝑑𝑗𝑢𝑠𝑡𝑒𝑑2 = 1 − (1 − 𝑅2) 𝑛−1
𝑛−𝑘−1 ... (2) Dalam hal ini, n adalah jumlah observasi dalam sampel dan k adalah jumlah variabel independen dalam persamaan regresi.
Jika 𝑅𝐴𝑑𝑗𝑢𝑠𝑡𝑒𝑑2 bernilai 0, artinya beberapa variabel independen yang dimasukkan ke dalam persamaan tidak dapat menjelaskan variabel dependen yang ingin diteliti;
jika 𝑅𝐴𝑑𝑗𝑢𝑠𝑡𝑒𝑑2 bernilai 1, artinya beberapa variabel independen yang dimasukkan ke dalam persamaan sangat menjelaskan variabel dependen yang ingin diteliti.
Uji Asumsi Klasik
Apabila metode Ordinary Least Square (OLS) digunakan sebagai dasar Regresi Linear Berganda, maka uji asumsi klasik yang berisi syarat-syarat harus terpenuhi. Uji asumsi klasik yang dimaksud di antaranya :
Homoskedastisitas : Untuk memeriksa apakah terdapat perbedaan varians antara pengamatan satu dengan pengamatan lainnya. Berikut adalah hipotesis uji tersebut
𝐻0 : 𝑉𝑎𝑟(𝜀𝑖) = 𝜎2 atau nilai residual konstan (homoskedastis) 𝐻1 : 𝑉𝑎𝑟(𝜀𝑖) ≠ 𝜎2 atau nilai residual tidak konstan (heteroskedastis);
Non multikolinearitas : Untuk menentukan apakah terdapat hubungan yang kuat atau tidak antara variabel independen dalam data;
Pengujian Normalitas : Uji yang dilakukan untuk memeriksa apakah residual atau error yang kita miliki mengikuti distribusi normal
𝐻0 ∶ 𝜀𝑖~𝑁(0, 𝜎2) atau nilai residual berdistribusi normal.
𝐻𝐼 ∶ 𝜀𝑖 ≁ 𝑁(0, 𝜎2) atau nilai residual tidak berdistribusi normal.
Data dan Sumber Data
Penelitian ini menggunakan data sekunder yang diperoleh dari Badan Pusat Statistik (BPS). Cakupan penelitian meliputi 34 provinsi di Indonesia tahun 2021. Data yang digunakan antara lain: angka stunting menurut provinsi yang didapatkan dari publikasi Survei Status Gizi Indonesia 2021. Data persentase pemberian ASI secara eksklusif menurut provinsi, data persentase Berat Bayi Lahir Rendah (BBLR), persentase perkawinan wanita pertama di bawah 15 tahun, persentase rumah tangga yang memiliki akses ke sanitasi layak, dan rata-rata lama sekolah.
HASIL DAN PEMBAHASAN
Analisis Deskriptif
Tahap awal yang harus dilakukan adalah mencari nilai statistik deskriptifnya, yaitu salah satunya dengan mencari ringkasan statistik dari masing-masing variabel yang ada, ringkasan statistik secara rutin dikumpulkan dari setiap studi individu, dan khususnya untuk hasil yang berkelanjutan, mereka terdiri dari rata-rata sampel dan deviasi standar dan sebagainya.
Peneliti biasanya memberikan atau menghitung nilai dari five number summary-nya yang terdiri dari {a, 𝑞1, m, 𝑞3, b}, di mana a adalah nilai minimum dari data, 𝑞1adalah nilai kuartil pertama dari data, m adalah nilai median dari data, 𝑞3 adalah nilai kuartil ketiga dari data, dan b adalah nilai maksimum data dan ditulis dengan bentuk S = {a, 𝑞1, m, 𝑞3, b; n }, di mana n adalah jumlah data yang ada (Shi et al., 2020).
Tabel 1. Five-Number Summaries.
Variabel Minimum Q1 Q2 (Median) Q3 Maksimum Mean
Asi Eksklusif 52,75 62,64 69,77 74,88 81,46 68,88
BBLR 9,40 11,02 12,40 14,57 20,33 12,96
Perkawinan wanita pertama <15 tahun 0,69 2,755 4,16 5,27 7,92 3,94 Ruta punya Akses ke Sanitasi Layak 40,61 77,35 80,66 84,61 97,12 68,88
RLS 7,05 8,54 9,22 9,70 11,2 9,16
Stunting 3,00 6,40 10,25 13,15 22,6 10,57
Sumber: Hasil olahan
Berdasarkan tabel 1, data dikatakan simetris ketika rata- rata, median dan modusnya mempunyai nilai yang sama (berada pada satu titik), Sedangkan jika modus lebih besar dari mediannya dan median tersebut lebih besar daripada rata-ratanya, maka kondisi tersebut dinamakan kurva negatif (menceng kiri), jika rata- ratanya lebih besar daripada mediannya dan median itu lebih besar daripada nilai modus, maka kondisi tersebut dapat dikatakan kurva positif (menceng kanan), pada data Asi Eksklusif nilai median sedikit berbeda dengan nilai mean, dapat disimpulkan bahwa data cenderung simetris. Kemudian, data semua data di atas termasuk data simetris kecuali data Rumah Tangga yang Memiliki Akses ke Sanitasi Layak yang cenderung menceng kiri (kurva negatif).
Sumber : Badan Pusat Statistik, diolah Sumber : Badan Pusat Statistik, diolah
Gambar 2. Persentase Asi Eksklusif. Gambar 3. Persentase Berat Bayi Lahir Rendah.
Berdasarkan Gambar 2 mengenai Persentase Asi Eksklusif di Indonesia menunjukkan bahwa sebagian besar provinsi di negara ini masih berada di bawah rata-rata nasional. Informasi dari Gambar 3 mengenai Persentase Berat Bayi Lahir Rendah di Indonesia menunjukkan bahwa provinsi yang memiliki persentase yang besar adalah Provinsi Maluku Utara dan yang terendah adalah Provinsi Kep. Riau.
Sumber : Badan Pusat Statistik, diolah Sumber : Badan Pusat Statistik, diolah
Gambar 4. Rata-rata Lama Sekolah. Gambar 5. Proporsi Rumah Tangga yang
52,75
71,58
81,46
45 50 55 60 65 70 75 80 85
Gorontalo Kalimantan Tengah Sumatera Utara Papua Barat Kep. Riau Kalimantan Selatan Sulawesi Utara Maluku Sulawesi Tenggara Kep. Bangka Belitung DKI Jakarta Sulawesi Tengah Maluku Utara Aceh Bengkulu Bali Jawa Timur Sumatera Selatan Riau Banten Kalimantan Barat Jambi Indonesia Papua Sumatera Barat Sulawesi Barat Lampung Kalimantan Timur Sulawesi Selatan Jawa Barat D.I . Yogyakarta Jawa Tengah Kalimantan Utara Nusa Tenggara Timur Nusa Tenggara Barat
Asi Eksklusif
Provinsi
9,4
12,27
20,33
0 5 10 15 20 25
Kep. Riau Jawa Tengah Sumatera Barat D.I . Yogyakarta Bengkulu Kalimantan Selatan Riau Bali Kalimantan Utara Sumatera Selatan Kep. Bangka Belitung Sumatera Utara Jawa Timur Lampung Jawa Barat Nusa Tenggara Barat Sulawesi Utara Indonesia DKI Jakarta Jambi Papua Maluku Kalimantan Barat Sulawesi Barat Gorontalo Kalimantan Tengah Sulawesi Tenggara Banten Nusa Tenggara Timur Papua Barat Kalimantan Timur Aceh Sulawesi Selatan Sulawesi Tengah Maluku Utara
Berat Bayi Lahir Rendah
Provinsi
7,05
8,54
11,2
0 2 4 6 8 10 12
Papua Kalimantan Barat Nusa Tenggara Barat Nusa Tenggara Timur Jawa Tengah Gorontalo Jawa Timur Sulawesi Barat Indonesia Kep. Bangka Belitung Lampung Kalimantan Selatan Sumatera Selatan Sulawesi Selatan Jambi Jawa Barat Kalimantan Tengah Sulawesi Tengah Bengkulu Banten Kalimantan Utara Bali Sumatera Barat Maluku Utara Riau Sulawesi Tenggara Aceh Sulawesi Utara Sumatera Utara Papua Barat D.I . Yogyakarta Kalimantan Timur Maluku Kep. Riau DKI Jakarta
RAata Lama Sekolah
Provinsi
40,81
80,29
97,12
0 20 40 60 80 100 120
Papua Sumatera Barat Jawa Barat Nusa Tenggara Timur Kalimantan Tengah Sulawesi Tengah Maluku Maluku Utara Sumatera Selatan Aceh Papua Barat Kalimantan Barat Gorontalo Kalimantan Utara Bengkulu Sulawesi Barat Indonesia Jambi Jawa Timur Kalimantan Selatan Sumatera Utara Nusa Tenggara Barat Banten Jawa Tengah Riau Lampung Sulawesi Utara Sulawesi Tenggara Kalimantan Timur Sulawesi Selatan Kep. Riau Kep. Bangka Belitung DKI Jakarta Bali D.I . Yogyakarta
Rumah Tangga yang mempunyai Akses ke Sanitasi Layak
Provinsi
Memiliki Akses ke Sanitasi Layak.
Informasi dari Gambar 4 mengenai Rata-rata Lama Sekolah di Indonesia menunjukkan bahwa provinsi yang memiliki persentase yang besar adalah Provinsi DKI Jakarta dan yang terendah adalah Provinsi Papua. Berdasarkan Gambar 5 mengenai Proporsi Rumah Tangga yang Memiliki Akses ke Sanitasi Layak di Indonesia menunjukkan bahwa provinsi yang memiliki persentase yang besar adalah Provinsi D.I.
Yogyakarta dan yang terendah adalah Provinsi Papua.
Sumber : Badan Pusat Statistik, diolah
Gambar 6. Persentase Perkawinan Pertama Wanita < 15 Tahun.
Berdasarkan Gambar 6 mengenai Persentase Perkawinan Pertama Wanita < 15 Tahun di Indonesia menunjukkan bahwa provinsi yang memiliki persentase yang besar adalah Provinsi Kalimantan Selatan dan yang terendah adalah Provinsi D.I. Yogyakarta.
Uji Normalitas Data
Uji normalitas biasanya bertujuan untuk melihat apakah variabel atau data yang kita punya sudah terdistribusi normal selain menggunakan skewness kita juga bisa menggunakan Shapiro-Wilk. Berdasarkan hasil keluaran atau output dari pengujian variabel Shapiro-Wilk, dapat dilihat bahwa data dari variabel Asi Eksklusif, Rata Lama Sekolah, Berat Bayi Lahir Rendah (BBLR), umur pernikahan Pertama Wanita < 15 Tahun, dan Stunting, sudah terdistribusi normal, disebabkan nilai p-value lebih besar daripada 𝛼=(0.05) yang digunakan (p-value > 𝛼). Sedangkan untuk variabel Rumah Tangga yang Memiliki Akses ke Sanitasi Layak, belum terdistribusi normal disebabkan p-valuenya (0.0001765) kurang dari 𝛼 =(0.05) yang digunakan (p- value < 𝛼).
Tabel 2. Tes Shapiro Wilk untuk semua variabel.
Variabel p-value Keputusan
Stunting 0.9541 Gagal tolak 𝐻0
Berat Bayi Lahir Rendah (BBLR) 0.08521 Gagal tolak 𝐻0
Ruta punya Akses ke Sanitasi Layak 0.0001765 Tolak 𝐻0
Rata Lama Sekolah(RLS) 0.9489 Gagal tolak 𝐻0
Perkawinan wanita pertama <15 tahun 0.5616 Gagal tolak 𝐻0
Asi Eksklusif 0.2959 Gagal tolak 𝐻0
Sumber: Hasil olahan
0,69
4,04
7,92
0 1 2 3 4 5 6 7 8 9
D.I . Yogyakarta Kep. Riau Sumatera Utara Nusa Tenggara Timur DKI Jakarta Sumatera Barat Bali Sulawesi Utara Jawa Tengah Maluku Aceh Papua Maluku Utara Riau Nusa Tenggara Barat Indonesia Kep. Bangka Belitung Kalimantan Timur Gorontalo Sumatera Selatan Kalimantan Barat Jawa Timur Lampung Papua Barat Kalimantan Utara Bengkulu Sulawesi Tengah Sulawesi Selatan Jambi Banten Jawa Barat Sulawesi Tenggara Sulawesi Barat Kalimantan Tengah Kalimantan Selatan
Perkawinan Pertama Wanita < 15 Tahun
Provinsi
Korelasi Pearson
Sumber: Hasil olahan
Gambar 7. Plot korelasi Antar Variabel.
Berdasarkan Gambar 7 dapat dilihat hubungan antar variabel dengan menggunakan plot korelasi atau gambar sederhana yaitu semakin besar lingkarannya maka semakin besar korelasinya dan semakin biru warnanya maka hubungannya akan bernilai makin positif kuat, sedangkan apabila warnanya semakin merah maka hubungannya akan semakin negatif kuat.
Tabel 3. Korelasi Antar Variabel Independennya terhadap Variabel Dependennya.
Variabel independen (X) Variabel dependen (Y)
Stunting
Asi Eksklusif 0,0727
Berat Bayi Lahir Rendah 0,5187
Usia Perkawinan Pertama Wanita < 15 Tahun 0,3440
Rata Lama Sekolah -0,4030
Rumah Tangga yang Memiliki Akses ke Sanitasi Layak -0,5335 Sumber: Hasil olahan
Berdasarkan hasil keluaran tabel 3, dapat dilihat bahwa nilai korelasi pearson dari data Asi Eksklusif terhadap Stunting adalah 0.0727 yang berarti bahwa nilai ini memiliki hubungan yang tidak terlalu kuat dan positif, sehingga kedua data tersebut berbanding lurus. Nilai korelasi pearson dari data Berat Bayi Lahir Rendah terhadap Stunting adalah 0.5187, berarti bahwa nilai ini memiliki hubungan kuat yang positif, serta kedua variabel yang diuji berbanding lurus. Lalu, untuk nilai korelasi pearson dari data perkawinan wanita umur <15 Tahun terhadap Stunting adalah 0.344,berarti bahwa nilai ini memiliki hubungan yang rendah dan positif dan berbanding lurus. Nilai korelasi pearson dari data Rata Lama Sekolah terhadap Stunting adalah - 0.403, berarti bahwa nilai ini memiliki hubungan kuat yang negatif dan berbanding terbalik. Nilai korelasi pearson dari data Rata Lama Sekolah terhadap Stunting adalah -0.5335, berarti bahwa nilai ini memiliki hubungan kuat yang negatif dan berbanding terbalik.
Regresi Linear Berganda (RLB)
Penelitian ini terdapat 5 variabel independen, yaitu: Rata Lama Sekolah (RLS), Berat Bayi Lahir Rendah (BBLR), Pemberian asi eksklusif, Proporsi Rumah Tangga Yang Memiliki Akses Terhadap Layanan Sanitasi Layak, dan Proporsi pernikahan wanita umur <15 tahun.
Tabel 4. Estimasi Koefisien Regresi Model Awal.
Variabel Koefisien Regresi Standard Error t-hitung p-value
(1) (2) (3) (4) (5)
Intersep 32,939 15,064 2,187 0,037
BBLR 0,992 0,328 3,029 0,005
Perkawinan 0,454 0,468 0,971 0,34
ASI 0,04 0,105 0,385 0,703
RLS -1,001 1,224 -0,818 0,42
Sanitasi -0,197 0,092 -2,155 0,04
F Statistik 6,04
p-value 0,001
Adjusted R-Square 0,433 Sumber: Hasil olahan
Berdasarkan Tabel 4, persamaan regresi yang dihasilkan dapat dituliskan sebagai berikut :
𝑌̂=32,939 + 0,992 BBLR + 0,454 Perkawinan - 1,001 RLS + 0,04 ASI - 0,197Sanitasi ... (3) Berdasarkan persamaan regresi yang diperoleh dapat dinyatakan bahwa rata-rata stunting di Indonesia ketika tidak dipengaruhi faktor apapun adalah sebesar 32,939%. Ketika Berat Bayi Lahir Rendah meningkat sebesar 1 bayi per 1000 bayi maka Stunting meningkat sebesar 0,992% atau sebaliknya, ceteris paribus.
Ketika terjadi kenaikan persentase perkawinan <15 tahun sebesar 1% maka angka Stunting akan meningkat sebesar 0,454%, ceteris paribus. Ketika Rata Lama Sekolah di suatu daerah mengalami peningkatan sebesar 1% maka angka Stunting akan menurun sebesar 1,001% atau sebaliknya, ceteris paribus. Sementara itu, pemberian asi eksklusif dapat memengaruhi kenaikan stunting sebesar 0,04%, ketika meningkat sebesar 1%, ceteris paribus. Stunting akan menurun sebesar 0,197% ketika akses sanitasi layak ditingkatkan sebesar 1%, ceteris paribus.
Setelah dibentuk model awal, kemudian dilakukan pengujian model terbaik dengan menggunakan metode stepwise. Metode ini merupakan pilihan alternatif dalam membantu proses analisis pada analisis regresi untuk memperoleh model dengan kontribusi yang besar.
Tabel 5. Estimasi Koefisien Regresi Model Stepwise.
Variabel Koefisien
Regresi
Standard Error t-hitung p-value
(1) (2) (3) (4) (5)
Intersep 32,786 8,0140 4,0910 0,00000
BBLR 1,0140 0,3130 3,2380 0,002
Sanitasi -0,2560 0,0760 -3,3750 0,0030
F Statistik 13,497
p-value 0,0000
Adjusted R-Square 0,4310 Sumber: Hasil olahan
Berdasarkan Tabel 5, kelima variabel pada model umum dapat disederhanakan menjadi 2 variabel yaitu Ruta dengan Akses Sanitasi Layak (%) dan Berat Bayi Lahir Rendah (BBLR). Kedua variabel tersebut didapatkan persamaan regresi sebagai berikut :
𝑌̂ = 32,786 + 1,014 𝐵𝐵𝐿𝑅 − 0,256 𝑆𝑎𝑛𝑖𝑡𝑎𝑠𝑖 ... (4) Berdasarkan hasil estimasi regresi yang diperoleh dapat dinyatakan bahwa rata-rata stunting di indonesia ketika tidak dipengaruhi faktor apapun adalah sebesar 32,786%. Ketika berat bayi lahir rendah meningkat sebesar 1 bayi per 1000 bayi maka stunting meningkat sebesar 1,014% atau sebaliknya, ceteris paribus. Ketika rumah tangga yang memiliki akses ke sanitasi layak meningkat sebesar 1% maka stunting menurun sebesar 0,256% atau sebaliknya, ceteris paribus.
Berdasarkan adjusted R-Square pada Tabel 5, ketika variabel %Ruta punya akses ke sanitasi layak dan Berat Bayi Lahir Rendah ditambahkan ke dalam model, nilai adjusted R-Square sebesar 0,431 yang dapat diartikan bahwa model tersebut dapat dijelaskan sebesar 43,1% oleh variabel Berat Bayi Lahir Rendah dan variabel %Ruta punya akses ke sanitasi layak. Sementara itu, 56,9% dari model dapat dijelaskan oleh variabel lain yang berada di luar model.
Setelah memperoleh model terbaik, penting untuk melakukan asumsi klasik pada model tersebut.
Karena data penelitian ini bersifat cross-section, maka tidak perlu dilakukan pengujian autokorelasi.
Tabel 6. Ringkasan Hasil Pengujian Asumsi Klasik.
Asumsi Uji Statistik Uji p-value Keputusan
Normalitas Eror Shapiro-wilk Test W = 0,9633 0,3029 Gagal tolak 𝐻0
Homoskedastisitas Breusch-Pagan Test BP = 3,8767 0,2751 Gagal tolak 𝐻0 Non Multikolinearitas Berat Bayi Lahir Rendah Ruta dengan Akses Sanitasi Layak (%) VIF < 5
1,0371 1,2837
Sumber: Hasil olahan
Berdasarkan hasil uji normalitas error yang ditampilkan dalam Tabel 6, nilai p-value yang diperoleh adalah 0,3029 dengan 𝛼 = 0,05. Ketika nilai p-value yang lebih besar dari 𝛼 menunjukkan bahwa residual memiliki distribusi normal (p-value > 0.05). Sedangkan, berdasarkan tabel 6 yang ditampilkan di atas, diperoleh nilai p-value sebesar 0,2751 dengan 𝛼 = 0,05. Oleh karena itu, hasil uji menunjukkan bahwa dengan tingkat kepercayaan 95%, terdapat cukup bukti untuk tidak menolak hipotesis nol (𝐻0) menyatakan bahwa data memiliki varians yang sama atau konstan. Selain itu, dari tabel 6 yang disajikan di atas, terlihat bahwa nilai VIF dari setiap variabelnya kurang dari 5. Hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara variabel independen satu dengan yang lainnya.
KESIMPULAN
Angka prevalensi stunting di Indonesia pada tahun 2021 berada pada angka 24,4%. Angka ini masih belum mencapai target nasional sebesar 14%. Dengan demikian, dilakukan penelitian mengenai hal ini untuk mengidentifikasi faktor-faktor yang berpengaruh terhadap stunting di Indonesia pada tahun 2021. Hasil penelitian ini menunjukkan bahwa akses rumah tangga ke sanitasi yang layak dan berat bayi lahir rendah (BBLR) merupakan faktor yang memengaruhi kejadian stunting di Indonesia. Setiap persentase berat bayi lahir rendah meningkat sebesar 1%, akan meningkatkan prevalensi stunting sebesar 1,014%. Peningkatan atau kenaikan persentase rumah tangga yang memiliki akses ke sanitasi yang layak sebesar 1% akan menurunkan prevalensi stunting sebesar 0,256%. Sedangkan, Persentase pemberian ASI eksklusif, persentase perkawinan wanita pertama di bawah 15 tahun, dan rata lama sekolah tidak memengaruhi kejadian stunting yang ada di Indonesia.
Berdasarkan temuan pada penelitian ini, hendaknya pemerintah daerah dapat melakukan strategi khusus agar akses masyarakat ke sanitasi yang layak dapat meningkat. Pemerintah juga dapat mengadakan program edukasi kepada masyarakat agar meningkatkan kesadaran mereka mengenai pentingnya sanitasi layak dan terpenuhinya nutrisi ibu hamil agar bayi yang lahir memiliki berat lahir normal. Perlu adanya kerja sama yang baik antara pemerintah dan masyarakat Indonesia demi menurunkan angka stunting di Indonesia agar mencapai target yang telah ditentukan.
DAFTAR PUSTAKA
Budiwati, T., Budiyono, A., Setyawati, W., & Indrawati, A. (2010). Analisis korelasi pearson untuk unsur- unsur kimia air hujan di Bandung. Jurnal Sains Dirgantara, 7(2).
Fahmeyzan, D., Soraya, S., & Etmy, D. (2018). Uji normalitas data omzet bulanan pelaku ekonomi mikro desa senggigi dengan menggunakan skewness dan kurtosis. Jurnal Varian, 2(1), 31-36.
Hanifah, N. A. A., & Stefani, M. (2022). Hubungan Pernikahan Usia Dini dengan Angka Kejadian Stunting pada Balita di Kelurahan Mekarsari. Jurnal Gizi Ilmiah: Jurnal Ilmiah Ilmu Gizi Klinik, Kesehatan Masyarakat dan Pangan, 9(3), 32-41.
Haskan, Yusran. (2020). Gambaran Stunting di Indonesia : Literatur Review. Jurnal Ilmiah Kesehatan Diagnosis 15(2).
Karyati, Y. (2021). Pengaruh Jumlah Penduduk Miskin, Laju Pertumbuhan Ekonomi, dan Tingkat Pendidikan terhadap Jumlah Stunting di 10 Wilayah Tertinggi Indonesia Tahun 2010-2019. Jurnal Riset Ilmu Ekonomi dan Bisnis, 101-108.
Kaur, P., Stoltzfus, J. (2018). Descriptive Statistics. International Journal of Academic Medicine vol(4), 60- 63.
Kemenkes. (2023). Hasil Survei Status Gizi Indonesia (SSGI) 2022. Kemenkes, 1–7
Kementerian Kesehatan. (2023). Prevalensi Stunting di Indonesia Turun ke 21,6% dari 24,4%. Artikel Sehat Negriku. https://sehatnegeriku.kemkes.go.id/baca/rilis-media/20230125/3142280/prevalensi-stunting- di-indonesia-turun-ke-216-dari-244/
Lelang, M. A. (2017). Uji korelasi dan analisis lintas terhadap karakter komponen pertumbuhan dan karakter hasil tanaman tomat (Lycopersicum esculentum Mill). Savana Cendana, 2(02), 33-35.
Nasution, Leni Masnidar. (2017). Statistik Deskriptif. Jurnal Hikmah, 14(1), 49-55
Paramashanti, B. A., Hadi, H., & Gunawan, I. M. A. (2016). Pemberian ASI eksklusif tidak berhubungan dengan stunting pada anak usia 6–23 bulan di Indonesia. Jurnal Gizi Dan Dietetik Indonesia (Indonesian Journal of Nutrition and Dietetics), 3(3), 162.
https://doi.org/10.21927/ijnd.2015.3(3).162-174
Pribadi, W., & Kartiasih, F. (2020). Environmental Quality and Poverty Assessment in Indonesia. Jurnal Pengelolaan Sumberdaya Alam Dan Lingkungan (Journal of Natural Resources and Environmental
Management), 10(1), 89–97. https://doi.org/10.29244/jpsl.10.1.89-97
Priyono, P. (2020). Strategi Percepatan Penurunan Stunting Perdesaan (Studi Kasus Pendampingan Aksi Cegah Stunting di Desa Banyumundu, Kabupaten Pandeglang). Jurnal Good Governance.
Quraisy, A. (2020). Normalitas Data Menggunakan Uji Kolmogorov-Smirnov dan Shapiro-Wilk: Studi kasus penghasilan orang tua mahasiswa Prodi Pendidikan Matematika Unismuh Makassar. J-HEST Journal of Health Education Economics Science and Technology, 3(1), 7-11.
Rahayu, A., & Khairiyati, L. (2014). Risiko pendidikan ibu terhadap kejadian stunting pada anak 6-23 bulan.
Penelitian Gizi dan Makanan (The Journal of Nutrition and Food Research), 37(2), 129-136.
Rustam, Furqan et al. (2020). COVID-19 Future Forecasting Using Supervised ML Models.
https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9099302
Sand, Anders. (2022). Inferential Statistics Is an Unfit Tool for Interpreting Data. Applied Science 12(7691).
Setiawan, E., Machmud, R., & Masrul, M. (2018). Faktor-Faktor yang Berhubungan dengan Kejadian Stunting pada Anak Usia 24-59 Bulan di Wilayah Kerja Puskesmas Andalas Kecamatan Padang Timur
Kota Padang Tahun 2018. Jurnal Kesehatan Andalas, 7(2), 275.
https://doi.org/10.25077/jka.v7i2.813
Shi, J., Luo, D., Weng, H., Zeng, X. T., Lin, L., Chu, H., & Tong, T. (2020). Optimally estimating the sample standard deviation from the five‐number summary. Research synthesis methods, 11(5), 641-654.
Siswati, Tri. (2018). Stunting(1st ed.). Husada Mandiri : Yogyakarta.
Ulfani, D. H., Martianto, D., & Baliwati, Y. F. (2011). Faktor-faktor sosial ekonomi dan kesehatan masyarakat kaitannya dengan masalah gizi underweight, stunted, dan wasted di Indonesia: Pendekatan ekologi gizi. Jurnal Gizi Dan Pangan, 6(1), 59–65.
World Health Organization. (2015). Stunting in a Nutshell.
https://www.who.int/news/item/19-11-2015-stunting-in-a-nutshell
World Health Organization. (2021). Levels and trends in child malnutrition.
https://www.who.int/publications/i/item/9789240025257
