Latar Belakang

Status gizi anak yang meliputi stunting, wasting, dan underweight merupakan indikator penting dalam menilai kondisi kesehatan masyarakat karena mencerminkan masalah gizi kronis maupun akut. Informasi mengenai penyebaran ketiga indikator ini di tingkat kabupaten atau kota sangat diperlukan untuk merumuskan kebijakan yang tepat sasaran, menentukan prioritas intervensi, mengalokasikan sumber daya secara optimal, serta mendukung proses pemantauan dan evaluasi program gizi. Dengan kebutuhan tersebut, penelitian ini menggunakan pendekatan analisis multivariat, yaitu MANOVA dan PCA, untuk memetakan serta merangkum pola gizi buruk anak di seluruh kabupaten atau kota di Provinsi Aceh berdasarkan data periode November 2022 hingga Maret 2023.

Library

library(readxl)
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats   1.0.1     ✔ readr     2.1.5
## ✔ ggplot2   4.0.0     ✔ stringr   1.5.2
## ✔ lubridate 1.9.4     ✔ tibble    3.3.0
## ✔ purrr     1.1.0     ✔ tidyr     1.3.1
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(factoextra)
## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa

Keterangan:

  1. library(readxl): Untuk membaca data dari file Excel.
  2. library(dplyr): Untuk memanggil paket dplyr, yaitu paket yang khusus untuk manipulasi data.
  3. library(tidyverse): Untuk mengaktifkan banyak paket sekaligus.
  4. library(factoextra): Untuk visualisasi hasil analisis multivariat.

Data

Data <- read_excel("D:/Nana/Ganjil 2025/Anmul/Data.xlsx")
View(Data)
df <- Data

Hasil Analisis dan Pembahasan

Transformasi Data dari Long ke Wide

df_wide <- df %>%
  select(`Kabupaten/Kota`, Tahun, Bulan, `Jenis Stunting`, Jumlah) %>%
  pivot_wider(
    names_from = `Jenis Stunting`,
    values_from = Jumlah
  )

Uji MANOVA

manova_model <- manova(cbind(stunting, wasting, underweight) ~ `Kabupaten/Kota`, data = df_wide)
summary(manova_model)
##                  Df Pillai approx F num Df den Df    Pr(>F)    
## `Kabupaten/Kota` 22 2.7181   40.317     66    276 < 2.2e-16 ***
## Residuals        92                                            
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
summary.aov(manova_model)
##  Response stunting :
##                  Df    Sum Sq Mean Sq F value    Pr(>F)    
## `Kabupaten/Kota` 22 107125966 4869362  101.66 < 2.2e-16 ***
## Residuals        92   4406553   47897                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Response wasting :
##                  Df   Sum Sq Mean Sq F value    Pr(>F)    
## `Kabupaten/Kota` 22 35855738 1629806  89.674 < 2.2e-16 ***
## Residuals        92  1672086   18175                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Response underweight :
##                  Df    Sum Sq Mean Sq F value    Pr(>F)    
## `Kabupaten/Kota` 22 122921768 5587353  102.29 < 2.2e-16 ***
## Residuals        92   5025246   54622                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Hasil MANOVA menunjukkan adanya perbedaan multivariat yang sangat signifikan pada tiga indikator status gizi balita yaitu stunting, wasting, dan underweight antar kabupaten atau kota. Analisis ANOVA lanjutan juga memperlihatkan bahwa ketiga indikator tersebut masing masing berbeda secara signifikan antar wilayah dengan nilai F yang sangat tinggi dan p value yang jauh lebih kecil dari 0.05. Secara keseluruhan, temuan ini menegaskan bahwa kondisi status gizi balita bervariasi nyata antar kabupaten atau kota dan hasil tersebut dapat menjadi dasar penting dalam menentukan prioritas intervensi gizi pada daerah dengan permasalahan paling berat.

Uji PCA

pca_data <- df_wide %>% select(stunting, wasting, underweight)
pca_result <- prcomp(pca_data, scale. = TRUE)
summary(pca_result)
## Importance of components:
##                           PC1     PC2     PC3
## Standard deviation     1.7023 0.30381 0.09937
## Proportion of Variance 0.9659 0.03077 0.00329
## Cumulative Proportion  0.9659 0.99671 1.00000

Hasil PCA menunjukkan bahwa komponen utama pertama (PC1) memiliki standard deviation sebesar 1.7023, jauh lebih tinggi dibandingkan PC2 (0.30381) dan PC3 (0.09937). Nilai ini menunjukkan bahwa PC1 memuat informasi atau variasi data yang sangat dominan. Hal tersebut sejalan dengan nilai proportion of variance, di mana PC1 menjelaskan sekitar 96.59% keragaman total data. Sementara itu, PC2 hanya menjelaskan 3.08%, dan PC3 berkontribusi sangat kecil yaitu 0.33%. Jika dilihat dari cumulative proportion, dua komponen pertama (PC1 dan PC2) sudah mampu menjelaskan 99.67% variasi total, sehingga sudah sangat memadai untuk visualisasi atau reduksi dimensi. Secara keseluruhan, PCA mengindikasikan bahwa struktur data dapat direpresentasikan hampir sepenuhnya hanya dengan PC1, karena sebagian besar informasi terfokus pada satu komponen utama tersebut.

Nilai Eigen

eigen_value <- pca_result$sdev^2
eigen_value
## [1] 2.897825502 0.092300845 0.009873652

Nilai eigen menggambarkan besarnya variasi data yang dapat dijelaskan oleh masing-masing komponen utama. Hasil perhitungan menghasilkan eigen value sebesar 2.8978 untuk PC1, 0.0923 untuk PC2, dan 0.00987 untuk PC3. Karena total variabel yang dianalisis adalah tiga, maka nilai eigen maksimum adalah 3. Nilai eigen PC1 mendekati 3, sehingga menunjukkan bahwa PC1 menyerap hampir seluruh variasi data. Sebaliknya, nilai eigen PC2 dan terutama PC3 sangat kecil, yang berarti kedua komponen ini hanya berkontribusi sangat sedikit terhadap total informasi data. Berdasarkan aturan Kaiser (eigen value > 1), hanya PC1 yang layak dipertahankan, karena komponen lainnya tidak memberikan informasi berarti. Ini memperkuat kesimpulan bahwa data memiliki struktur yang sangat terpusat pada satu komponen utama.

Proportion of Variance

prop_var <- eigen_value/sum(eigen_value)
prop_var
## [1] 0.965941834 0.030766948 0.003291217

Nilai proportion of variance menunjukkan kontribusi masing-masing komponen utama dalam menjelaskan total keragaman data. Komponen utama pertama (PC1) memiliki proporsi sebesar 0.9659 atau 96.59%, yang berarti hampir seluruh variasi data dapat dijelaskan oleh PC1. Komponen utama kedua (PC2) menjelaskan sekitar 3.08% keragaman, sedangkan komponen utama ketiga (PC3) hanya berkontribusi 0.33%. Hal ini menegaskan bahwa PC1 adalah komponen yang paling dominan dan mengandung informasi utama dari data. Dengan total kontribusi PC1 dan PC2 sebesar 99.67%, dua komponen ini sudah sangat memadai untuk digunakan dalam visualisasi seperti biplot atau untuk kebutuhan reduksi dimensi, karena hampir semua informasi penting telah tercakup tanpa kehilangan variasi yang berarti.

Cumulative Propotion

cum_prop <- cumsum(prop_var)
cum_prop
## [1] 0.9659418 0.9967088 1.0000000

Nilai cumulative proportion menunjukkan persentase total variasi data yang dapat dijelaskan secara bertahap oleh komponen-komponen utama. Pada hasil ini, komponen pertama (PC1) sudah mampu menjelaskan 96.59% variasi total, yang berarti hampir seluruh informasi penting dalam data telah direpresentasikan oleh satu komponen saja. Ketika PC2 ditambahkan, total variasi yang dapat dijelaskan meningkat menjadi 99.67%, sehingga dua komponen pertama sudah hampir sepenuhnya menggambarkan struktur data. Setelah memasukkan PC3, total variasi mencapai 100%, namun kontribusinya sangat kecil sehingga tidak memberikan tambahan informasi berarti. Dengan demikian, cukup menggunakan satu atau dua komponen utama untuk analisis lanjutan, karena hampir seluruh keragaman data telah terwakili tanpa kehilangan informasi yang signifikan.

Biplot

fviz_pca_biplot(pca_result,
                repel = TRUE,
                col.var = "blue",
                col.ind = "pink",
                geom.ind = "point") +
  theme_minimal()
## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## ℹ The deprecated feature was likely used in the ggpubr package.
##   Please report the issue at <https://github.com/kassambara/ggpubr/issues>.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

Berdasarkan biplot PCA, Dimensi 1 menjelaskan hampir seluruh variasi data dan Dimensi 2 menambah sebagian kecil informasi, sehingga keduanya sudah cukup mewakili pola pada variabel stunting, wasting, dan underweight. Panah wasting dan underweight tampak hampir sejajar dan mengarah ke kanan atas, menunjukkan hubungan positif yang kuat antara keduanya, sedangkan stunting mengarah ke kanan bawah sehingga memiliki pola variasi yang berbeda. Titik titik kabupaten atau kota umumnya terkumpul di sekitar pusat biplot, menandakan nilai ketiga indikator gizi tidak jauh dari rata rata, sedangkan titik yang menjauh mengikuti arah panah menunjukkan daerah dengan nilai yang lebih tinggi. Secara keseluruhan, biplot ini memperlihatkan bahwa variasi terbesar dipengaruhi oleh kontribusi wasting dan underweight, sedangkan stunting memberikan arah variasi yang berbeda, sehingga membantu memahami pola hubungan ketiga indikator gizi secara simultan.

Kesimpulan

Berdasarkan analisis multivariat terhadap tiga indikator status gizi balita, yaitu stunting, wasting, dan underweight, diketahui bahwa terdapat perbedaan yang sangat signifikan antar kabupaten atau kota, baik secara simultan melalui MANOVA maupun secara per variabel melalui ANOVA. PCA menunjukkan bahwa struktur data sangat didominasi oleh komponen utama pertama yang menjelaskan hampir seluruh variasi, sehingga dimensi data dapat direduksi tanpa kehilangan informasi penting. Biplot PCA memperlihatkan bahwa wasting dan underweight memiliki hubungan positif yang kuat dan menjadi kontributor utama variasi, sementara stunting menunjukkan pola kontribusi yang berbeda. Sebaran titik pengamatan juga menggambarkan adanya wilayah dengan kondisi gizi yang jauh lebih buruk dibanding daerah lainnya. Secara keseluruhan, hasil ini menegaskan adanya keragaman status gizi balita antar wilayah dan dapat menjadi dasar penting bagi perumusan kebijakan serta penentuan prioritas intervensi gizi.

Daftar Pustaka

Pemerintah Provinsi Aceh. (2022). Data Stunting, Wasting, dan Underweight per November 2022 [Data Set]. Portal Data Terbuka Aceh. Diakses dari https://data.acehprov.go.id/id/dataset/data-stunting-wasting-dan-underweight-per-november-2022/resource/34c45af5-db7a-433b-a14e-482a37616413

Santoso, S. (2010). Statistik Multivariat: Konsep dan Aplikasi dengan SPSS. Jakarta: PT Elex Media Komputindo.

Sudjana. (2005). Metoda Statistika. Bandung: Tarsito.

Widarjono, A. (2015). Analisis Multivariat Terapan dengan Program SPSS, AMOS, dan SMART PLS. Yogyakarta: UPP STIM YKPN.

Sugiyono. (2017). Metode Penelitian Kuantitatif, Kualitatif, dan R&D. Bandung: Alfabeta.