Zeta Ae Math Journal Volume 7 No.
Juni 2022 - November 2022
ISSN: 2459-9948
e-ISSN: 2579-5864 Faktor-Faktor yang Mempengaruhi Kejadian Stunting terhadap Balita menggunakan Analisis Regresi Logistik Elfira Safitri1.
Sri Basriati2.
Septia Mulyani3 Universitas Islam Negeri Sultan Syarif Kasim Riau, elfira.
safitri@uin-suska.
Universitas Islam Negeri Sultan Syarif Kasim Riau, sribasriati@uin-suska.
Universitas Islam Negeri Sultan Syarif Kasim Riau, septiamulyani253@gmail.
DOI 10.
31102/zeta.
ABSTRACT
Stunting is a condition of failure to thrive in toddlers due to chronic malnutrition, resulting in toddlers or children being too short for their age standards.
The purpose of the study was to determine the factors that influence the incidence of stunting to toddlers at the Public Health Center Kasih Ibu airtiris, kampar.
The method used in this study is the binary logistic regression method.
Based on the results of the study indicate that the factors that influence the incidence of stunting in toddlers at Public Health Center Kasih Ibu airtiris, kampar namely the nutritional status of body weight based on age with the value of the determination of the classification of stunting events using binary logistic regression is 83,6%.
Keywords: binary logistic regression, determination value, stunting, toddler nutrition ABSTRAK Stunting merupakan kondisi gagal tumbuh pada balita akibat kekurangan gizi kronis sehingga mengakibatkan anak terlalu pendek untuk standar usianya.
Adapun tujuan penelitian adalah untuk mengetahui faktor-faktor yang mempengaruhi kejadian stunting terhadap balita di Posyandu Kasih Ibu Pukesmas Airtiris.
Kampar.
Metode yang digunakan dalam penelitian ini adalah metode regresi logistik biner.
Berdasarkan hasil penelitian menunjukkan bahwa faktor-faktor yang mempengaruhi kejadian stunting pada balita Posyandu Kasih Ibu Pukesmas Airtiris yaitu status gizi berat badan berdasarkan umur dengan nilai ketetapan klasifikasi kejadian stunting dengan menggunakan regresi logistik biner yaitu sebesar 83,6%.
Kata kunci : gizi balita, nilai ketetapan, regresi logistik biner, stunting Zeta Ae Math Journal Volume 7 No.
Juni 2022 - November 2022
ISSN: 2459-9948
e-ISSN: 2579-5864
PENDAHULUAN
Keadaan gizi yang baik dan sehat pada masa balita merupakan dasar penting bagi kesehatan di masa depan.
Kekurangan gizi kronis pada masa balita diakibatkan oleh kurangnya asupan vitamin mineral, zat gizi mikro dan zat gizi makro.
Semakin sedikit tingkat kecukupan protein dan zinc, maka resiko anak menjadi stunting semakin besar (Anindita, 2.
Stunting adalah kondisi gagal tumbuh pada balita akibat dari kekurangan gizi kronis sejak awal kehidupan sehingga balita terlalu pendek untuk standar usianya.
Keadaan stunting dipresentasikan dengan nilai z-score tinggi badan menurut umur (TB/U) kurang dari -2 standar deviasi berdasarkan standar pertumbuhan WHO (WHO, 2.
Secara global, sekitar 1 dari 4 balita mengalami stunting (UNICEF, 2.
Berdasarkan hasil integasi Susenas dan Studi Status Gizi Balita Indonesia (SSGBI) Tahun 2019, prevalansi stunting di Indonesia mencapai 27,67% angka tersebut masih sangat tinggi jika dibandingkan dengan ambang batas yang ditetapkan WHO yaitu 20% (Kemenkes RI.
Stunting dapat mempengaruhi kesehatan di masa mendatang dan menjadikan tubuh rentan terhadap penyakit.
Sehingga intervensi terhadap penurunan stunting perlu dilakukan mulai dari awal Dalam mengatasi stunting dapat dilakukan dengan mengetahui faktor penyebabnya.
Maka permasalahan tersebut yaitu menggunakan metode regresi logistik biner.
Metode regresi logistik biner merupakan metode analisis untuk mencari hubungan antara variabel bebas .
dengan variabel terikat .
dengan variabel terikat bersifat dikotomis yang berarti variabel terikat berbentuk 2 kategori yaitu kejadian yang terjadi dan tidak terjadi (Faqih, 2.
Faktor yang berpengaruh Beberapa penelitian terdahulu terkait dengan metode regresi logistik biner, untuk menentukan faktor-faktor yang mempengaruhi kejadian stunting pada balita yaitu penelitian yang dilakukan oleh Faqih Achmad pada Tahun 2020 dengan judul AuAnalisis Faktor Resiko Stunting Menggunakan Regresi Logistik BinerAy.
Berdasarkan hasil dari penelitian menunjukkan bahwa terhadap stunting adalah pola pemberian makan anak.
Selanjutnya.
Roesardhyati Ratna dan Kurniawan Dedi pada Tahun 2020 dengan judul AuIdentifikasi Faktor Mempengaruhi Pertumbuhan Balita Pendek (Stuntin.
Ay.
Berdasarkan penelitian tersebut menyatakan bahwa tinggi badan ibu, tingkat pendidikan ibu, pemberian ASI eksklusif, berat badan lahir balita dan pemberian MPASI memiliki hubungan signifikan terhadap kejadian Selanjutnya, penelitian yang dilakukan oleh Islami N.
W dan Khouroh Umu pada Tahun 2021 melakukan penelitian dengan judul AuAnalisis FaktorFaktor yang Mempengaruhi Balita Stunting dan Tantangan Pencegahannya Pada Masa PandemiAy.
Berdasakan hasil penelitian disebutkan bahwa terdapat pengaruh secara signifikan antara pekerjaan ibu, imunisasi dan pendapatan dengan kejadian Penelitian selanjutnya yang dilakukan oleh Hamal Kholika Dian, dkk pada Tahun 2021 dengan judul AuJenis Kelamin dan Panjang Badan Lahir sebagai Faktor Kejadian Stunting di Kabupaten Majenen Provinsi Sulawesi Barat Tahun 2018 (Analisis Data Riskesdas 2.
Ay.
Berdasarkan penelitian tersebut bahwa bayi dengan jenis kelamin laki-laki cenderung berisiko mengalami stunting 15 kali jika di bandingkan bayi perempuan.
Adapun tujuan penelitian adalah untuk mengetahui model regresi logistik biner dan mengetahui faktorfaktor yang mempengaruhi kejadian stunting terhadap balita di Posyandu Kasih Ibu Puskesmas Airtiris.
LANDASAN TEORI
1 Konsep Regresi Logistik Biner Regresi logistik adalah suatu teknik statistika untuk membuat prediksi terhadap variabel dependen yang berskala nominal dengan menggunakan variabel independen yang berskala interval.
Bentuk regresi logistik menurut Hosmer dan Lemeshow adalah sebagai berikut :
u0 yu1 yc.
= .
1 yce .
u0 yu1 yc.
2 Pengujian Hipotesis Pengujian parameter dari variabel independen dilakukan untuk mengetahui apakah taksiran parameter yang di peroleh berpengaruh secara signifikan terhadap model atau tidak.
Berikut pengujian parameter terhadap model:
Uji Simultan ( Serenta.
Adapun langkah-langkah uji simultan sebagai Hipotesis ya0 : yu1 , yu2 .
A , yuyco = 0 (Variabel independen tidak berpengaruh terhadap variabel dependen secara serenta.
ya1 : yu1 , yu2 .
A , yuyco O 0 .
inimal terdapat satu variabel independen berpengaruh terhadap variabel dependen secara Uji statistik yang digunakan Likelihood Ratio Test (G) dengan rumus:
ya = Oe2In
ycu ycuycn ycu0 ycu0
( )
Oeycycn ) .
OeyuU Ocycu ycn=1 ycn ( .
Keterangan:
ycu1 : Jumlah observasi yang berkategori 0 ycu0 : Jumlah observasi yang berkategori 1 n : Banyaknya observasi .
cu0 ycu1 ).
Zeta Ae Math Journal Volume 7 No.
Juni 2022 - November 2022
ISSN: 2459-9948
e-ISSN: 2579-5864 Taraf signifikan .
Kriteria keputusan Jika ya > yue.
u,y.
atau ycycnyci < yu maka ya0 ditolak.
Dimana v adalah banyaknya variabel Uji Parsial Langkah-langkah yang digunakan untuk uji parsial sebagai berikut:
Hipotesis ya0 : yuyco = 0 (Tidak ada pengaruh signifikan antara masingmasing ya1 : yuyco O 0 (Ada pengaruh signifikan antara masing-masing variabel independen terhadap depende.
Uji statistik ycO=( yuycn ycIya.
uycn ) dengan peluang kejadian gagal.
Sehingga persamaan OR untuk semua variabel x kategori 0 .
cu = .
dibandingkan dengan variabel x kategori .
cu = .
maka dapat di tunjukkan pada persamaan berikut:
OeyuU.
] ycCycI = .
OeyuU.
] Dengan yuU.
= ycCycI = exp.
u0 yuyc ) )AE 1 exp.
u0 yuyc ) exp.
u0 ) AE 1 exp.
u0 yuyc ) exp.
u0 yuyc ) exp.
u0 ) ycCycI = exp.
uyc ).
Dimana OR adalah Odds Ratio.
Hubungan antara OR dengan koefisien regresi logistik yaitu nilai OR dapat di tentukan dari eksponen koefisien regresi logistic pada yc = 1, 2.
A , ycy.
Nilai dari odds ratio jika koefisiennya ( ) maka nilai odd ratio akan lebih besar dari satu akan tetapi jika koefisiennya (-) maka nilai odd ratio akan lebih kecil dari satu.
ycCycI = .
Keterangan :
ycIya.
uycn ) : Standar error untuk koefisien yuycn yuycn : Nilai dugaan parameter ke ycn .
cn = 1, 2, 3.
A , yc.
Taraf signifikan .
Kriteria keputusan Jika ycO > yue.
atau ycycnyci < yu maka ya0 ditolak.
HASIL PENELITIAN
Data yang digunakan dalam penelitian ini adalah data status gizi balita posyandu Kasih Ibu di Pukesmas airtiris.
Kampar.
Data yang akan di analisis yaitu stunting, jenis kelamin dan status gizi berat badan berdasarkan umur, mengunakan metode regresi logistik biner.
Variabel terikat pada penelitian ini adalah stunting .
dan variabel prediktor adalah jenis kelamin .
cu1 ) dan status gizi berat badan berdasarkan umur .
cu2 ).
Berikut data jenis kelamin, status gizi berat badan berdasarkan umur, dan kejadian stunting terhadap balita Posyandu Kasih Ibu Pukesmas Airtiris:
Tabel 1.
Data Jenis Kelamin.
Status Gizi dan Kejadian Stunting yeoya yeoya yeo 3 Uji Kecocokan Model Adapun langkah-langkah yang di gunakan untuk uji kecocokan model sebagai berikut :
Hipotesis ya0 : Model sesuai ( tidak ada perbedaan antara prediksi dengan observas.
ya1 : Model tidak sesuai ( ada perbedaan antara prediksi dengan observas.
Uji statistik
I )2
cC Oeycu yuU yaC = Ocycn=1 A ycn ycn ycn ycuycn yuU I ycn .
OeyuU I yc.
u0 ) 1 exp.
u0 ) 1 exp.
u0 ) 1 exp.
u0 ) Dengan dan yuU.
= yang mana yc = 1, 2.
A , ycy.
Sehingga Persamaan .
diperoleh nilai OR sebagai berikut :
ycIya.
uycn ) = Oo.
ua 2 .
uycn )) exp.
u0 yuyc ) 1 exp.
u0 yuyc ) Keterangan :
ycuycn, : Banyaknya pengamatan pada grup ke-i ycCycn : Pengamatan kelompok ke-i yuUIycn : Rata-rata taksiran peluang kelompok ke-i Taraf signifikan .
Kriteria Keputusan ya0 ditolak jika yaC > yueyu,.
ciOe.
atau nilai ycycnyci < yu.
Model dikatakan tepat apabila tidak ada perbedaan signifikan antara model dengan nilai observasinya atau terima ya0 .
Jika nilai signifikan dari tabel kurang dari yu = 0.
05 maka tolak ya0 atau model yang dihipotesiskan tidak fit dengan data.
4 Interprestasi Model Interprestasi yang di gunakan dalam model regresi logistik adalah model Odds Ratio Odds Ratio adalah perbandingan antara peluang kejadian sukses Zeta Ae Math Journal Volume 7 No.
Juni 2022 - November 2022 Sumber: Posyandu Kasih Ibu Keterangan :
ycu1 : Jenis kelamin ycu2 : Status gizi berat badan berdasarkan umur yc : Stunting Estimasi parameter Estimasi menaksirkan parameter yu0 , yu1 dan yu2 untuk mendapatkan model regresi logistik biner.
Berdasarkan pengolahan data menggunakan Software SPSS 17.
0 diperoleh nilai parameter yang dapat dilihat pada Tabel 2 berikut:
ISSN: 2459-9948
e-ISSN: 2579-5864 Tabel 2.
Hasil Penaksiran Parameter yu Sig.
Oe0,803 0,719 1 0,264 ycu2
2,049
0,727
1 0,005
1 0,020
constants Oe4,572 1,964 Berdasarkan Tabel 2 diperoleh nilai parameter yu sehingga dapat dibentuk model awal regresi logistik biner dari faktor-faktor yang mempengaruhi kejadian stunting terhadap balita sebagai berikut:
E Oe4,572Oe0,803ycu1 2,049 ycu2 yuU.
cuycn )= 1 E Oe4,572Oe0,803ycu1 2,049 ycu2 dengan model logit yaitu:
= Oe4,572 Oe 0,803ycu1 2,049 ycu2 .
Pengujian parameter Uji Simultan Uji simultan merupakan pengujian signifikan koefisien yu secara keseluruhan Pengujian parameter simultan menggunakan Likelihood Ratio Test.
Hasil uji parameter simultan dapat di lihat pada Tabel 3 dengan hipotesis sebagai berikut:
ya0 : yu1 , yu2 = 0 ya1 : yu1 , yu2 O 0 Berdasarkan pengolahan data menggunakan Software SPSS 17.
0 diperoleh hasil uji simultan yang dapat dilihat pada Tabel 3 berikut:
Tabel 3.
Hasil Uji Simultan Cox & -2 Log Nagelkerke R Step Snell R Likelihood Square Square 50,348 0,265 0,360 Berdasarkan Tabel 3 diperoleh ya = 50,348 dan nilai yue 2 .
= 5,9915.
Karena ya > yue 2 .
maka diperoleh keputusan tolak ya0 sehingga kesimpulan yang dapat diambil adalah variabel independen berpengaruh secara simultan terhadap variabel dependen pada model.
Uji parsial Selanjutnya uji parsial yang menggunakan uji statistika nya yaitu Uji Wald.
Uji parsial dilakukan untuk mengetahui hubungan variabel independen terhadap variabel dependen secara individu.
Hasil uji parameter secara parsial dapat dilihat pada Tabel 4 dengan hipotesis sebagai berikut :
Hipotesis untuk variabel jenis kelamin ya0 : Tidak ada pengaruh secara signifikan antara jenis kelamin terhadap kejadian stunting.
ya1 : Ada pengaruh secara signifikan antara jenis kelamin terhadap kejadian stunting.
Hipotesis untuk variabel status gizi berat badan berdasarkan umur ya0 : Tidak ada pengaruh secara signifikan antara status gizi berat badan berdasarkan umur terhadap kejadian stunting.
ya1 : Ada pengaruh secara signifikan antara status gizi berat badan berdasarkan umur terhadap kejadian stunting.
Zeta Ae Math Journal Volume 7 No.
Juni 2022 - November 2022
ISSN: 2459-9948
e-ISSN: 2579-5864 Berdasarkan pengolahan data menggunakan Software SPSS 17.
0 diperoleh hasil uji parsial yang dapat dilihat pada Tabel 4 berikut:
Tabel 4.
Hasil Uji Parsial Wald Sig.
1,246
0,264
7,949
0,005
5,421
0,020
Diketahui yu = 0,05 dan yccyce = 1 maka nilai chi square yue.
= 3,841.
Kriteria keputusan adalah pada variabel ycu1 atau variabel jenis kelamin ycO.
cu1 ) = 1,246 < yue.
,05.
= 3,841
maka diputuskan terima ya0 sehingga tidak ada pengaruh secara signifikan antara jenis kelamin terhadap kejadian stunting.
Sedangkan untuk variabel status gizi berat badan berdasarkan umur .
cu2 ) ycO.
cu2 ) = 7,949 > yue.
,05.
= 3,841
maka diputuskan tolak ya0 .
Sehingga dapat disimpulkan bahwa terdapat pengaruh secara signifikan antara status berat badan berdasarkan umur terhadap kejadian stunting.
Uji Kecocokan Model Uji kecocokan model digunakan untuk melihat apakah ada perbedaan antara hasil prediksi dan hasil obeservasi pada model .
odel sesuai atau Metode yang digunakan untuk menguji kelayakan model dapat di ukur dengan nilai chisquare dengan uji Hosmer and Lemeshow.
Hasil uji kecocokan model dapat dilihat pada Tabel 6 berikut Tabel 6.
Uji Kecocokan Model
Step
Chi-Square Sig
7,780
0,051
Berdasarkan Tabel 6 diperoleh nilai ycycnyci sebesar 0,051, sedangkan nilai yu = 0,05 artinya bahwa ycycnyci > yu sehingga dapat disimpulkan bahwa ya0 diterima sehingga tidak ada perbedaan antara prediksi dengan observasi, sehingga dengan kata lain model sesuai atau layak digunakan.
6 Ketepatan Klasifikasi Ketepatan klasifikasi yang bertujuan untuk mengetahui apakah data diklasifikasikam dengan benar atau tidak.
Ketepatan klasifikasi model digunakan untuk mengetahui apakah data diklasifikasikan dengan benar atau tidak Dikatakan benar klasifikasi jika : 0 O .
uA| O 0,5 .
Berikut hasil ketepatan klasifikasi pada Tabel 7:
Model Regresi Logistik Biner Berdasarkan Tabel 2 hasil pengujian didapatkan variabel independen yang berpengaruh signifikan terhadap variabel dependen yaitu variabel ycu2 sehingga diperoleh nilai koefisien regresi sebagai Tabel 7.
Hasil Ketepatan Klasifikasi Prediksi Observasi Tidak Stunting Stunting Stunting Tidak Stunting Persentase ketepatan klasifikai sebagai berikut E Oe4,572 2,049 ycu2 yuU.
cuycn )= 1 E Oe4,572 2,049 ycu2 Fungsi yuU.
di atas merupakan fungsi non linear, sehingga perlu dilakukan transformasi logit, maka diperoleh model logit sebagai berikut :
= Oe4,572 2,049 ycu2 .
yayceycyceycyycaycycaycu yaycoycaycycnyceycnycoycaycycn y 100% 12 7 1 29 y 100% = 0.
836 y 100% Interpretasi Model Interprestasi yang digunakan dalam model regresi logistik adalah model odd rasio.
Odds ratio adalah perbandingan antara peluang kejadian sukses dengan peluang kejadian gagal.
Setelah melakukan olahan data menggunakan SPSS 17.
0 didapat nilai Odd Ratio dari variabel independen yang berpengaruh secara signifikan terhadap variabel dependen, nilai Odd Ratio dapat dilihat pada Tabel 5 = 83,6% .
Berdasarkan hasil perhitungan ketepatan klasifikasi dengan metode regresi logistik biner diperoleh nilai persentase ketepatan klasifikasi berdasarkan regresi logistik biner sebesar 83,6%.
Artinya model regresi biner yang terbentuk fit atau sudah sesuai.
Tabel 5.
Nilai Odds Ratio Variabel yeIyeoyec .
2,049
7,761
Berdasarkan Tabel 5 interprestasi Odds Ratio adalah variabel status gizi berat badan berdasarkan umur diperoleh nilai Odds Ratio sebesar 7,761.
Berdasarkan nilai tersebut dapat diartikan bahwa balita yang memiliki status gizi buruk mempunyai resiko terjadi stunting 7,761 kali lebih besar dibandingkan dengan balita yang tidak memiliki status gizi buruk.
Zeta Ae Math Journal Volume 7 No.
Juni 2022 - November 2022
ISSN: 2459-9948
e-ISSN: 2579-5864
KESIMPULAN
Berdasarkan hasil analisis yang telah dilakukan maka diperoleh beberapa kesimpulan diantaranya sebagai berikut :
Model regresi logistik biner untuk kejadian stunting terhadap balita posyandu Kasih Ibu di Pukesmas Airtiris.
Kampar:
DAFTAR PUSTAKA
Anindita Putri.
Hubungan Tingkat Pendidikan Ibu.
Pendapatan Keluarga.
Kecukupan Protein & Zinc Dengan Stunting (Pende.
Pada Balita Usia 6-35 Bulan Di Kecamatan Tembalang Kota Semarang.
Jurnal Kesehatan Masyarakat.
Vol.
1, no.
2, hlmn.
617Ae626.
Hosmer and S.
Lemeshow.
Applied Logistic Regression.
Second edi.
Canada.
Faqih Achmad.
Analisis Faktor Risiko Stunting menggunakan Regresi Logistik Biner.
Skripsi.
Uin Sunan Ampel.
Surabaya.
E Oe4.
049 ycu2 yuU.
cuycn )= 1 E Oe4.
049 ycu2 Fungsi yuU.
di atas merupakan fungsi non linear, sehingga perlu dilakukan transformasi logit maka diperoleh model logit yaitu:
= Oe4.
049 ycu2 .
Persentase ketetapan klasifikasi pada model regresi logistik biner adalah 83.
Berdasarkan dilakukan faktor-faktor yang berpengaruh secara signifikan terhadap kejadian stunting pada balita Posyandu Kasih Ibu di Pukesmas Airtiris.
Kampar yaitu status gizi berat badan berdasarkan umur .
cu2 ) sedangkan jenis kelamin .
cu1 ) yang tidak berpengaruh secara signifikan terhadap kejadian stunting.
Kemenkes RI.
Situasi Balita Pendek (Stuntin.
di Indonesia.
Jakarta Pusat Data dan Informasi Kemenkes RI, 2019.
Laporan Pelaksanaan Integrasi Susenas Maret 2019 dan SSGBI Tahun 2019.
Jakarta Badan Pusat Statistika.
Ramli, dkk.
Perbandingan Metode Klasifikasi Regresi Logistik Dengan Jaringan Saraf Tiruan.
Jurnal Eksponensia.
Vol.
4, no.
UNICEF.
Improving Child Nutrition the Achievable Impreative for Global Progress.
Plaza.
New York.
WHO.
Nutrition landscape information sytem
(NLIS)
Interpretation guide.
Wold Health.
Geneva.
Saran