Bab 1 Pendahuluan

1.1 Latar Belakang

1.2 Sumber Data

1.3 Tinjauan Pustaka

1.3.1 Stunting

Stunting dikenal juga sebagai kekerdilan adalah kondisi kesehatan yang ditandai dengan pertumbuhan fisik yang tidak optimal pada anak-anak, terutama dalam hal tinggi badan, sebagai akibat dari kekurangan gizi kronis pada periode kritis pertumbuhan awal, yakni dari masa kehamilan hingga dua tahun pertama kehidupan. Meskipun prevalensinya bervariasi di seluruh dunia, stunting secara signifikan mempengaruhi negara-negara berkembang, terutama di Asia Selatan, Afrika Sub-Sahara, dan Amerika Latin.

Beberapa faktor risiko yang diketahui dapat berkontribusi terhadap kejadian stunting antara lain:

- Asupan gizi yang tidak memadai, terutama protein, energi, zat besi, dan vitamin.

- Kondisi kesehatan ibu selama kehamilan, termasuk gizi buruk, usia ibu yang terlalu muda atau terlalu tua, dan tingkat pendidikan yang rendah.

- Akses terhadap air bersih, sanitasi yang buruk, dan kebersihan yang kurang.

- Praktik pemberian makan dan asuh yang tidak optimal, seperti pemberian ASI yang tidak eksklusif, pemberian makanan tambahan yang tidak sesuai dengan usia anak, dan frekuensi infeksi yang tinggi.

- Faktor sosial-ekonomi seperti kemiskinan, ketidakstabilan ekonomi, dan ketidaksetaraan gender.

1.3.2 Indeks Pembangunan Manusia

IPM menggabungkan ketiga dimensi tersebut dalam sebuah indeks tunggal yang memberikan gambaran tentang tingkat pembangunan manusia secara keseluruhan. Semakin tinggi nilai IPM suatu negara, semakin tinggi pula tingkat pembangunan manusia di negara tersebut. IPM digunakan sebagai alat perbandingan antar negara dan juga sebagai alat untuk mengukur kemajuan dalam mencapai tujuan pembangunan berkelanjutan.

1.3.3 Sanitasi

1.3.4 Kemiskinan

Kemiskinan adalah kondisi di mana individu atau kelompok tidak memiliki akses yang memadai terhadap sumber daya material, seperti makanan, air bersih, perumahan yang layak, layanan kesehatan, pendidikan, dan pekerjaan yang layak. Kemiskinan bisa bersifat relatif atau absolut. Kemiskinan absolut mengacu pada kekurangan yang ekstrim, yang berarti individu atau keluarga tidak memiliki akses dasar terhadap kebutuhan hidup yang penting. Sementara itu, kemiskinan relatif berkaitan dengan kurangnya akses terhadap sumber daya dibandingkan dengan standar tertentu dalam suatu masyarakat.

Kemiskinan bisa disebabkan oleh sejumlah faktor yang kompleks dan saling terkait, antara lain:

1. Faktor Ekonomi sebagai kurangnya pekerjaan yang layak, upah yang rendah, inflasi, dan ketidakstabilan ekonomi dapat menyebabkan kemiskinan.

2. Diskriminasi, ketidaksetaraan gender, ketidakadilan sosial, dan praktik-praktik yang merugikan golongan tertentu juga dapat memperburuk kemiskinan.

3. Biaya perawatan kesehatan yang tinggi, kurangnya akses terhadap layanan kesehatan yang berkualitas, dan penyakit kronis dapat menjadi penyebab atau konsekuensi dari kemiskinan.

4. Kurangnya akses terhadap pendidikan yang berkualitas dan rendahnya tingkat pendidikan dapat menjadi hambatan bagi mobilitas sosial dan ekonomi.

5. Ketidakstabilan iklim, bencana alam, dan lokasi geografis yang terpencil dapat memperburuk kemiskinan.

1.3.5 Pengeluaran per Kapita Masyarakat

Pengeluaran per kapita mengacu pada jumlah rata-rata uang yang dihabiskan oleh individu dalam sebuah populasi dalam suatu periode waktu tertentu, biasanya dihitung dalam satuan tahunan. Pengukuran ini memberikan gambaran tentang tingkat kemakmuran atau kesejahteraan relatif individu atau kelompok dalam suatu masyarakat.

Pengeluaran per kapita sering digunakan sebagai indikator penting untuk mengukur tingkat pembangunan ekonomi suatu negara atau wilayah. Semakin tinggi pengeluaran per kapita, semakin besar kemungkinan individu atau keluarga untuk memiliki akses terhadap barang dan layanan yang memadai, seperti makanan, perumahan, pendidikan, kesehatan, dan rekreasi.

Namun, perlu diingat bahwa pengeluaran per kapita hanya memberikan gambaran umum tentang tingkat kemakmuran relatif. Hal ini tidak selalu mencerminkan distribusi pendapatan yang adil di antara individu atau kelompok di dalam masyarakat. Ada negara dengan tingkat pengeluaran per kapita yang tinggi, tetapi memiliki ketidaksetaraan pendapatan yang besar antara kelompok-kelompok tertentu.

Pengeluaran per kapita juga dapat digunakan untuk membandingkan tingkat kesejahteraan antara negara-negara atau wilayah-wilayah yang berbeda. Hal ini berguna dalam mengevaluasi perkembangan ekonomi suatu negara dari waktu ke waktu atau dalam perbandingan dengan negara lain.

Pengeluaran per kapita biasanya dihitung dengan membagi total pengeluaran atau total pendapatan nasional suatu negara dengan jumlah penduduknya. Namun, pengukuran ini dapat disesuaikan dengan faktor-faktor seperti inflasi, paritas daya beli, atau perbedaan biaya hidup antara negara-negara untuk memberikan gambaran yang lebih akurat tentang daya beli relatif dan kesejahteraan masyarakat.

1.3.6 Regresi Berganda

Regresi biasanya mengacu pada metode statistika yang digunakan untuk memodelkan hubungan antara satu atau lebih variabel independen (disebut sebagai variabel prediktor atau variabel eksplanatori) dan satu variabel dependen. Tujuan utama dari regresi adalah untuk memahami dan menggambarkan hubungan antara variabel-variabel tersebut, serta untuk membuat prediksi tentang nilai variabel dependen berdasarkan nilai variabel independen yang diberikan.

Asumsi-asumsi dasar dalam analisis regresi meliputi:

1. Asumsi Linearitas, asumsi bahwa hubungan antara variabel independen dan dependen adalah linier. Ini berarti bahwa perubahan dalam variabel independen akan menghasilkan perubahan yang proporsional dalam variabel dependen. Jika hubungan tidak linier, maka regresi linear mungkin tidak sesuai.

2. Asumsi Homoskedastisitas berarti bahwa varians dari kesalahan (residuals) adalah konstan di semua tingkat nilai variabel independen. Dengan kata lain, ada homogenitas dalam distribusi kesalahan.

3. Asumsi Normalitas mengatakan bahwa distribusi kesalahan (residuals) adalah normal. Dalam regresi linear, ini berarti bahwa kesalahan harus terdistribusi secara normal di sepanjang garis regresi.

4. Asumsi Non-Multikolinearitas berlaku khusus untuk regresi berganda, dan mengatakan bahwa tidak ada hubungan linier sempurna antara dua atau lebih variabel independen. Multikolinearitas dapat menyebabkan kesulitan dalam menafsirkan koefisien regresi.

5. Asumsi Multikolinieritas berlaku khusus untuk data time series, dan mengatakan bahwa tidak ada hubungan residual pada dirinya sendiri.

Asumsi-asumsi ini perlu dipenuhi agar hasil analisis regresi dapat dianggap valid dan dapat diinterpretasikan dengan benar. Jika salah satu dari asumsi ini dilanggar, analisis regresi mungkin menjadi tidak akurat atau tidak dapat diandalkan. Oleh karena itu, sebelum melakukan analisis regresi, penting untuk memeriksa asumsi-asumsi tersebut dan mengambil tindakan yang diperlukan jika ada yang dilanggar.

1.3.7 Regresi Logistik

Regresi logistik adalah metode statistika yang digunakan untuk memodelkan hubungan antara satu atau lebih variabel independen (prediktor) dengan variabel dependen biner (variabel yang memiliki dua nilai, misalnya, 0 atau 1). Tujuan utama dari regresi logistik adalah untuk memprediksi probabilitas bahwa suatu kejadian akan terjadi berdasarkan nilai-nilai variabel prediktor.

Seperti halnya dengan analisis regresi lainnya, penting untuk memeriksa asumsi-asumsi ini sebelum menggunakan regresi logistik. Melanggar asumsi-asumsi ini dapat menghasilkan estimasi yang bias atau tidak akurat. Asumsi yang hanya dilakukan tidak memerlukan normalitas karena datanya yang bersifat kategorik.

1.3.8 Asumsi Regresi Logistik

Pemenuhan asumsi yang dilakukan hanya pada pemenuhan asumsi non-multikolinieritas. Multikolinieritas terjadi ketika dua atau lebih variabel independen sangat berkorelasi satu sama lain. Dalam regresi logistik, multikolinieritas dapat menyebabkan peningkatan variabilitas dalam estimasi koefisien, yang membuat interpretasi koefisien menjadi tidak stabil.

1.4 Tujuan Analisis

Analisis ini bertujuan untuk melakukan analisis regresi logistik untuk memahami hubungan antara stunting pada tiap daerah Jawa Timur di tahun 2022 dengan faktor-faktor yang memengaruhi, dengan mempertimbangkan lima variabel utama. Tujuan utama dari laporan ini adalah sebagai berikut:

1. Menilai Hubungan antara Stunting dan Faktor Gizi melakukan identifikasi apakah faktor pengaruh dari beberapa variabel.

2. Mengevaluasi Dampak Faktor terhadap Stunting dengan menyelidiki apakah faktor lingkungan, termasuk sanitasi, akses terhadap air bersih, dan kepadatan penduduk, berkontribusi pada risiko stunting pada anak-anak.

3. Menganalisis Peran Faktor Sosial-Ekonomi variabel sosial-ekonomi, seperti pendapatan keluarga, pendidikan orang tua, dan akses terhadap layanan kesehatan, memengaruhi kemungkinan stunting pada anak-anak.

4. Merumuskan Rekomendasi Kebijakan dan pada variabel yang terbukti memiliki hubungan yang signifikan dalam analisis regresi logistik.

Dengan merumuskan dan mencapai tujuan-tujuan ini, laporan ini diharapkan dapat memberikan wawasan yang mendalam tentang faktor-faktor yang berkontribusi terhadap stunting pada anak-anak, serta memberikan dasar bagi perencanaan kebijakan dan intervensi yang efektif dalam mengatasi masalah kesehatan masyarakat ini.

BAB II Source Code

2.1 Library

2.2 Source code

BAB III Analisis Data dan Pembahasan

3.1 Penyiapan Data

3.2 Statistika Deskriptif

You can also embed plots, for example:

## Warning: package 'ggplot2' was built under R version 4.2.3

Note that the echo = FALSE parameter was added to the code chunk to prevent printing of the R code that generated the plot.

3.3 Model Regresi Logistik

3.4 Ringkasan Regresi Logistik

## 
## Call:
## glm(formula = Stunting ~ Kemiskinan + RLS + Pengeluaran + IPM + 
##     Sanitasi, family = binomial, data = data)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -1.7720  -0.9467   0.6059   1.0668   1.4267  
## 
## Coefficients: (3 not defined because of singularities)
##             Estimate Std. Error z value Pr(>|z|)  
## (Intercept)   8.5703     4.9977   1.715   0.0864 .
## Kemiskinan   -0.1341     0.1547  -0.867   0.3859  
## RLS          -0.8568     0.4345  -1.972   0.0486 *
## Pengeluaran       NA         NA      NA       NA  
## IPM               NA         NA      NA       NA  
## Sanitasi          NA         NA      NA       NA  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 52.574  on 37  degrees of freedom
## Residual deviance: 45.494  on 35  degrees of freedom
## AIC: 51.494
## 
## Number of Fisher Scoring iterations: 4

3.5 ANOVA Model Regresi Logistik

## Analysis of Deviance Table
## 
## Model 1: Stunting ~ 1
## Model 2: Stunting ~ Kemiskinan + RLS + Pengeluaran + IPM + Sanitasi
##   Resid. Df Resid. Dev Df Deviance Pr(>Chi)  
## 1        37     52.574                       
## 2        35     45.494  2   7.0794  0.02902 *
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

3.6 Asumsi Non-Multikolinieritas Model Regresi Logistik

## Warning: package 'corrplot' was built under R version 4.2.3
## corrplot 0.92 loaded
##             Kemiskinan        RLS Pengeluaran        IPM   Sanitasi
## Kemiskinan   1.0000000 -0.8204089  -0.8204089 -0.8204089 -0.8204089
## RLS         -0.8204089  1.0000000   1.0000000  1.0000000  1.0000000
## Pengeluaran -0.8204089  1.0000000   1.0000000  1.0000000  1.0000000
## IPM         -0.8204089  1.0000000   1.0000000  1.0000000  1.0000000
## Sanitasi    -0.8204089  1.0000000   1.0000000  1.0000000  1.0000000

3.7 AIC Model Regresi Logistik

## [1] 51.4945

3.8 Pemilihan Model Regresi Logictik dengan Metode AIC Forward

## Start:  AIC=51.49
## Stunting ~ Kemiskinan + RLS + Pengeluaran + IPM + Sanitasi

3.9 Ringkasan Regresi Logistik Terbaik

## 
## Call:
## glm(formula = Stunting ~ Kemiskinan + RLS + Pengeluaran + IPM + 
##     Sanitasi, family = binomial, data = data)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -1.7720  -0.9467   0.6059   1.0668   1.4267  
## 
## Coefficients: (3 not defined because of singularities)
##             Estimate Std. Error z value Pr(>|z|)  
## (Intercept)   8.5703     4.9977   1.715   0.0864 .
## Kemiskinan   -0.1341     0.1547  -0.867   0.3859  
## RLS          -0.8568     0.4345  -1.972   0.0486 *
## Pengeluaran       NA         NA      NA       NA  
## IPM               NA         NA      NA       NA  
## Sanitasi          NA         NA      NA       NA  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 52.574  on 37  degrees of freedom
## Residual deviance: 45.494  on 35  degrees of freedom
## AIC: 51.494
## 
## Number of Fisher Scoring iterations: 4

3.10 ANOVA Model Regresi Logistik Terbaik

## Analysis of Deviance Table
## 
## Model 1: Stunting ~ 1
## Model 2: Stunting ~ Kemiskinan + RLS + Pengeluaran + IPM + Sanitasi
##   Resid. Df Resid. Dev Df Deviance Pr(>Chi)  
## 1        37     52.574                       
## 2        35     45.494  2   7.0794  0.02902 *
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

3.11 Evaluasi Model Regresi Logistik

## Warning: package 'pROC' was built under R version 4.2.3
## Type 'citation("pROC")' for a citation.
## 
## Attaching package: 'pROC'
## The following objects are masked from 'package:stats':
## 
##     cov, smooth, var
## Setting levels: control = 0, case = 1
## Setting direction: controls < cases

## Area under the curve: 0.6944

BAB IV Penutup

4.1 Kesimpulan

4.2 Saran