Analisis Faktor-Faktor yang Berhubungan dengan Kejadian Diabetes Mellitus di Indonesia Menggunakan Regresi Logistik Biner pada Data IFLS5

1. Pendahuluan

1.1. Latar Belakang

Diabetes mellitus (DM) telah menjadi salah satu tantangan kesehatan masyarakat terbesar abad ini. Menurut International Diabetes Federation (IDF, 2025), sekitar 589 juta orang dewasa di dunia hidup dengan diabetes pada tahun 2024, dan angka ini diproyeksikan meningkat tajam menjadi 853 juta pada tahun 2050 apabila tidak dilakukan intervensi yang memadai. Di kawasan Asia Pasifik Barat, jumlah penyandang diabetes tercatat sebesar 215 juta jiwa pada 2024 dan diperkirakan terus bertambah menjadi 254 juta pada 2050 (IDF, 2025). Fenomena ini menegaskan bahwa diabetes mellitus bukan lagi sekadar persoalan klinis individual, melainkan krisis kesehatan global yang berdampak luas pada sistem pelayanan kesehatan, produktivitas ekonomi, dan kualitas hidup masyarakat.

Indonesia merupakan salah satu negara dengan kontribusi terbesar terhadap beban diabetes global. Data Riset Kesehatan Dasar menunjukkan tren peningkatan prevalensi yang konsisten, yaitu dari 6,9% pada tahun 2013 (Kemenkes RI, 2013) menjadi 10,9% pada tahun 2018 (Kemenkes RI, 2018). Tren ini berlanjut pada Survei Kesehatan Indonesia (SKI) 2023 yang mencatat prevalensi diabetes mencapai 11,7% (Kemenkes RI, 2023), sejalan dengan estimasi IDF (2025) yang menempatkan prevalensi diabetes terstandardisasi usia pada penduduk dewasa Indonesia sebesar 11,3% atau sekitar 20,4 juta jiwa, sehingga Indonesia menempati posisi kelima dunia dengan jumlah penyandang diabetes terbanyak. Kondisi ini semakin memprihatinkan karena diperkirakan sekitar 73,2% penyandang diabetes di Indonesia belum terdiagnosis (IDF, 2025), sehingga banyak kasus baru terdeteksi setelah komplikasi muncul. Beban ini berpotensi menghambat agenda pembangunan sumber daya manusia Indonesia menuju visi Indonesia Emas 2045 apabila tidak ditangani secara sistematis.

Berbagai kajian epidemiologi menunjukkan bahwa kejadian diabetes mellitus bersifat multifaktorial, melibatkan interaksi antara faktor sosiodemografi, gaya hidup, dan kondisi klinis. Pertambahan usia berkaitan dengan penurunan toleransi glukosa secara bertahap akibat perubahan fungsi sel beta pankreas (Chang & Halter, 2003). Riwayat diabetes pada orang tua mencerminkan kontribusi faktor genetik yang signifikan terhadap onset dan perkembangan penyakit (Muthoni, 2024). Kondisi komorbid seperti hipertensi dan kolesterol tinggi sering muncul bersamaan dengan diabetes sebagai bagian dari sindrom metabolik. Pada sisi gaya hidup, aktivitas fisik yang teratur diketahui membantu memperbaiki kontrol glukosa darah (Colberg dkk., 2016), sementara kebiasaan merokok dapat memicu resistensi insulin melalui pengaruh nikotin terhadap kerja insulin (Qin dkk., 2023). Faktor sosiodemografi lain seperti status perkawinan (Kowall & Rathmann, 2025), tingkat pendidikan yang berkaitan dengan literasi kesehatan (Cutler & Lleras-Muney, 2010), perbedaan jenis kelamin yang dipengaruhi faktor hormonal dan distribusi lemak tubuh (Ciarambino dkk., 2022), serta perbedaan gaya hidup antara wilayah perkotaan dan perdesaan, turut menjadi determinan yang banyak dikaji dalam literatur diabetes mellitus.

Penelitian ini menggunakan data Indonesian Family Life Survey gelombang ke-5 (IFLS5) tahun 2014–2015. Melalui analisis regresi logistik biner yang mengontrol sebelas variabel independen secara bersamaan, yaitu usia, indeks massa tubuh, jenis kelamin, status merokok, status perkawinan, tingkat pendidikan, aktivitas fisik, riwayat diabetes pada orang tua, status hipertensi, status kolesterol, dan daerah tempat tinggal, penelitian ini diharapkan dapat menghasilkan gambaran mengenai penyakit diabetes melitus di Indonesia. Pendekatan ini melengkapi studi-studi terdahulu yang umumnya berskala lokal dan terbatas pada analisis univariat atau bivariat, sehingga memberikan kontribusi metodologis sekaligus substantif bagi pengembangan ilmu epidemiologi penyakit tidak menular di Indonesia.

Berdasarkan uraian tersebut, penelitian ini bertujuan untuk menganalisis faktor-faktor sosiodemografi, gaya hidup, dan kondisi klinis yang berhubungan dengan kejadian diabetes mellitus pada populasi Indonesia menggunakan pendekatan regresi logistik biner pada data IFLS5. Secara teoretis, penelitian ini diharapkan memperkaya literatur epidemiologi diabetes mellitus di Indonesia, khususnya dalam penerapan analisis multivariat pada data survei rumah tangga berskala nasional. Secara praktis, hasil penelitian ini diharapkan dapat menjadi salah satu dasar pertimbangan bagi pemangku kebijakan kesehatan dalam menyusun program pencegahan dan pengendalian diabetes mellitus yang lebih tepat sasaran, terutama bagi kelompok berisiko tinggi seperti individu usia lanjut, individu dengan riwayat keluarga diabetes, hipertensi, dan kolesterol tinggi.

1.2. Rumusan Masalah

1. Apakah terdapat hubungan antara faktor sosiodemografi dan gaya hidup dengan kejadian diabetes mellitus secara bivariat?
2. Faktor-faktor apa saja yang berhubungan secara signifikan dengan kejadian diabetes mellitus?

1.3. Tujuan Penelitian

1. Menganalisis hubungan antara faktor sosiodemografi dan gaya hidup dengan kejadian diabetes mellitus secara bivariat.
2. Mengidentifikasi faktor-faktor yang berhubungan secara signifikan dengan kejadian diabetes mellitus menggunakan analisis regresi logistik biner.

2. Data dan Metode

2.1. Deksripsi Data

Indonesia Family Life Survey (IFLS) adalah survei longitudinal (panel) yang dilakukan oleh RAND Corporation bekerja sama dengan berbagai institusi di Indonesia untuk mengumpulkan informasi mengenai kondisi sosial, ekonomi, demografi, kesehatan, pendidikan, dan kesejahteraan rumah tangga Indonesia. IFLS pertama kali dilaksanakan pada tahun 1993 dan telah dilakukan dalam beberapa gelombang, yaitu IFLS1 (1993/1994), IFLS2 (1997/1998), IFLS3 (2000), IFLS4 (2007/2008), dan IFLS5 (2014/2015).

Penelitian ini menggunakan data Indonesia Family Life Survey gelombang kelima (IFLS 5) tahun 2014–2015. Pemilihan IFLS 5 didasarkan pada kesesuaian data dengan tujuan penelitian, yaitu menganalisis hubungan antarvariabel (tidak mengamati perubahan kondisi individu dari waktu ke waktu). Penggunaan satu gelombang data juga memungkinkan pemanfaatan jumlah sampel yang lebih besar karena tidak memerlukan proses pencocokan responden antar-gelombang (panel matching), yang berpotensi mengurangi ukuran sampel akibat kehilangan responden (attrition). Oleh karena itu, IFLS 5 dinilai mampu menyediakan data yang memadai untuk menjawab tujuan penelitian. Unit analisis dalam penelitian ini adalah individu atau responden IFLS5 yang memiliki data lengkap terkait variabel penelitian.

Data yang digunakan dalam penelitian ini berasal dari IFLS gelombang ke-5 (IFLS5) tahun 2014–2015 yang dapat diakses melalui situs resmi RAND Corporation:

https://www.rand.org/health/surveys/FLS/IFLS/download.html

2.2. Pembersihan dan Persiapan Data

Data IFLS 5 berasal dari berbagai buku dan seksi yang mengumpulkan informasi mengenai karakteristik individu, rumah tangga, kesehatan, dan lingkungan tempat tinggal. Oleh karena itu, diperlukan proses pembersihan dan persiapan data untuk mengintegrasikan data dari berbagai sumber, membentuk variabel penelitian, serta memastikan bahwa data yang digunakan dalam analisis memiliki kualitas dan kelengkapan yang memadai.

Tahap pembersihan dan persiapan data dilakukan melalui beberapa langkah sebagai berikut:

1. Mengimpor data dari beberapa buku dan seksi IFLS 5 yang memuat variabel penelitian.
2. Memilih variabel yang sesuai dengan kebutuhan penelitian berdasarkan kode variabel pada masing-masing buku IFLS.
3. Membentuk variabel penelitian sesuai definisi operasional, termasuk pengkategorian indeks massa tubuh (IMT), tingkat pendidikan, status merokok, tingkat aktivitas fisik berdasarkan perhitungan total Metabolic Equivalent of Task (MET), riwayat diabetes mellitus pada orang tua, status hipertensi, dan status kolesterol.
4. Memeriksa keberadaan data duplikat menggunakan identitas unik responden (pidlink).
5. Melakukan pemeriksaan nilai hilang (missing value) pada seluruh variabel penelitian.
6. Mengeluarkan observasi yang memiliki data tidak lengkap pada salah satu variabel yang digunakan dalam analisis.
7. Membentuk dataset akhir yang hanya terdiri atas responden dengan data lengkap untuk seluruh variabel penelitian.

2.3. Variabel Penelitian

Variabel respons dalam penelitian ini adalah status diabetes mellitus, sedangkan variabel penjelas meliputi usia, kategori indeks massa tubuh (IMT), jenis kelamin, status merokok, status perkawinan, tingkat pendidikan, tingkat aktivitas fisik, riwayat diabetes mellitus pada orang tua, status hipertensi, status kolesterol, dan daerah tempat tinggal. Ringkasan definisi operasional, kategori variabel, dan sumber data pada kuesioner IFLS disajikan pada tabel di bawah:

No	Variabel	Definisi Operasional	Kategori/Kriteria	Buku IFLS
1	Status Diabetes Mellitus	Kondisi responden berdasarkan diagnosis diabetes mellitus oleh tenaga kesehatan pada saat pengumpulan data.	• Diabetes • Tidak diabetes	Buku 3B Seksi CD
2	Usia	Umur responden yang dihitung sejak lahir hingga saat pengumpulan data dan dinyatakan dalam tahun.	Nilai usia dalam tahun	Buku US Seksi US
3	Kategori Indeks Massa Tubuh (IMT)	Status berat badan responden berdasarkan hasil perhitungan indeks massa tubuh (kg/m²).	• BMI ≥ 25 kg/m² • BMI < 25 kg/m²	Buku US Seksi US
4	Jenis Kelamin	Karakteristik biologis responden berdasarkan jenis kelamin.	• Laki-laki • Perempuan	Buku 3B Seksi COV
5	Status Merokok	Kebiasaan responden dalam mengonsumsi rokok pada saat pengumpulan data.	• Merokok • Tidak merokok	Buku 3B Seksi KM
6	Status Perkawinan	Keadaan perkawinan responden pada saat pengumpulan data.	• Belum menikah • Menikah • Lainnya	Buku 3B Seksi COV
7	Tingkat Pendidikan	Jenjang pendidikan formal tertinggi yang pernah atau sedang ditempuh responden.	• SD/sederajat/kejar paket/lainnya • SMP/sederajat/kejar paket • SMA/SMK/sederajat/kejar paket • Diploma/Sarjana	Buku 3A seksi DL
8	Tingkat Aktivitas Fisik	Tingkat aktivitas fisik responden berdasarkan hasil pengukuran aktivitas fisik yang dikategorikan menjadi aktif dan tidak aktif. 1. Aktif, satu dari kriteria: i) aktivitas fisik yang dilakukan dengan intensitas tinggi selama minimal tiga hari dan mencapai total aktivitas minimal 1500 METmenit/minggu, atau; ii) Kombinasi aktivitas jalan kaki minimal tujuh hari dengan intensitas sedang – berat dan mencapai total aktivitas minimal 3000 MET-menit/minggu; iii) aktivitas intensitas tinggi minimal tiga hari paling sedikit 20 menit per hari; iv) aktivitas intensitas sedang minimal lima hari dan/atau aktivitas jalan kaki minimal 30 menit per hari; v) kombinasi aktivitas jalan kaki intensitas sedang-tinggi dan total aktivitas 600 MET-menit/minggu. 2. Inaktif, Melakukan aktivitas fisik tetapi tidak termasuk dalam kategori aktif	• Aktif • Tidak aktif	Buku 3B Seksi KK
9	Riwayat Diabetes Mellitus pada Orang Tua	Riwayat diabetes mellitus penyebab meninggal yang pernah didiagnosis pada ayah dan/atau ibu responden.	• Ya • Tidak	Buku 3B Seksi BA
10	Status Hipertensi	Kondisi responden berdasarkan diagnosis hipertensi oleh tenaga kesehatan.	• Ya • Tidak	Buku 3B Seksi CD
11	Status Kolesterol	Kondisi responden berdasarkan diagnosis hipertensi oleh tenaga kesehatan.	• Ya • Tidak	Buku 3B Seksi CD
12	Daerah Tempat Tinggal	Wilayah tempat tinggal responden	• Kota • Desa	Buku Minikamades

2.4. Metode

2.4.1. Ukuran Epidemiologi

Ukuran epidemiologi digunakan untuk mengukur besarnya hubungan antara faktor risiko dengan kejadian diabetes mellitus. Dalam penelitian ini, ukuran epidemiologi yang digunakan meliputi Odds Ratio (OR) dan Risk Ratio (RR).

Tabel 2.1. Tabel Kontingensi 2×2

Faktor Risiko	Diabetes Mellitus (+)	Diabetes Mellitus (-)	Total
Terpapar (+)	a	b	a + b
Tidak Terpapar (-)	c	d	c + d
Total	a + c	b + d	a + b + c + d

Keterangan:

\(a=\) jumlah subjek terpapar yang mengalami diabetes melitus

\(b=\) jumlah subjek terpapar yang tidak mengalami diabetes melitus

\(c=\) jumlah subjek tidak terpapar yang mengalami diabetes melitus

\(d=\) jumlah subjek tidak terpapar yang tidak mengalami diabetes melitus.

Tabel kontingensi 2×2 digunakan sebagai dasar perhitungan ukuran asosiasi epidemiologi, yaitu Odds Ratio (OR) dan Risk Ratio (RR), untuk menggambarkan hubungan antara faktor risiko dengan kejadian diabetes mellitus.

1. Odds Ratio (OR)

Odds Ratio (OR) merupakan ukuran asosiasi yang menyatakan perbandingan peluang terjadinya suatu kejadian pada kelompok yang terpapar terhadap kelompok yang tidak terpapar (Hosmer et al., 2013). Pada tabel kontingensi 2×2, nilai OR dihitung menggunakan\[OR = \frac{ad}{bc}\]

Pada regresi logistik biner, nilai OR diperoleh dari transformasi eksponensial koefisien regresi

\[ OR_j = e^{\beta_j} \]

dengan \(\beta_j\) merupakan koefisien regresi variabel independen ke-j.

Karena penelitian ini menggunakan regresi logistik biner dengan variabel respons berupa status diabetes mellitus ya atau tidak, maka besarnya pengaruh setiap faktor risiko lebih tepat diinterpretasikan melalui Odds Ratio. Nilai OR yang lebih besar dari satu menunjukkan peningkatan peluang terjadinya diabetes mellitus, sedangkan nilai OR yang kurang dari satu menunjukkan adanya efek protektif.

2. Risk Ratio (RR)

Risk Ratio (RR) merupakan perbandingan probabilitas terjadinya penyakit pada kelompok terpapar dengan kelompok tidak terpapar (Rothman dkk., 2008). Risiko pada kelompok terpapar didefinisikan sebagai:

\[ R_1 = \frac{a}{a+b} \]

dan risiko pada kelompok tidak terpapar didefinisikan sebagai:

\[ R_0 = \frac{c}{c+d} \]

sehingga diperoleh:

\[ RR = \frac{R_1}{R_0} = \frac{\frac{a}{a+b}}{\frac{c}{c+d}} \]

Risk Ratio digunakan untuk menggambarkan besarnya risiko kejadian diabetes mellitus pada kelompok yang memiliki faktor risiko tertentu dibandingkan kelompok referensi sehingga hubungan yang diperoleh lebih mudah diinterpretasikan dalam konteks epidemiologi.

3. Confidence Interval (CI) 95%

Confidence Interval (CI) 95% digunakan untuk mengestimasi rentang nilai parameter populasi berdasarkan data sampel (Agresti, 2018). Secara umum, interval kepercayaan dinyatakan sebagai:

\[ CI_{95\%} = \hat{\theta} \pm 1.96 SE(\hat{\theta}) \]

Pada regresi logistik, interval kepercayaan untuk Odds Ratio dihitung menggunakan

\[ CI_{95\%} = \left( e^{\beta_j - 1.96 SE(\beta_j)}, e^{\beta_j + 1.96 SE(\beta_j)} \right) \]

Interval kepercayaan digunakan untuk mengetahui ketelitian estimasi parameter serta mengevaluasi signifikansi pengaruh variabel independen terhadap kejadian diabetes mellitus. Apabila interval kepercayaan tidak memuat nilai satu, maka variabel tersebut dianggap mempunyai hubungan yang signifikan dengan kejadian diabetes mellitus.

2.4.2. Analisis Deskriptif

Analisis deskriptif digunakan untuk menggambarkan karakteristik responden berdasarkan variabel penelitian. Untuk variabel numerik yang berdistribusi normal digunakan ukuran rata-rata (mean) dan simpangan baku (standard deviation), sedangkan untuk variabel numerik yang tidak berdistribusi normal digunakan median dan rentang interkuartil (interquartile range/IQR). Variabel kategorik disajikan dalam bentuk frekuensi dan persentase.

Rata-rata dihitung menggunakan

\[ \bar{x} = \frac{1}{n} \sum_{i=1}^{n} x_i \]

Simpangan baku dihitung dengan

\[ s = \sqrt{\frac{\sum_{i=1}^{n} (x_i - \bar{x})^2}{n - 1}} \]

Median merupakan nilai tengah dari data yang telah diurutkan, sedangkan rentang interkuartil dihitung sebagai

\[ IQR = Q_3 - Q_1 \]

dan persentase kategori dihitung menggunakan

\[ P_i = \frac{f_i}{n} \times 100\% \]

2.4.3. Analisis Bivariat

Analisis bivariat dilakukan untuk mengidentifikasi hubungan masing-masing variabel independen dengan status diabetes mellitus sebelum dilakukan pemodelan regresi logistik.

1. Uji Parametrik Beda Rata-Rata Dua Variabel

Uji Independent Sample t-Test digunakan untuk menguji apakah terdapat perbedaan rata-rata suatu variabel numerik pada dua kelompok yang saling independen dan berdistribusi normal. Misalkan \(\mu_1\) dan \(\mu_2\) berturut-turut merupakan rata-rata populasi kelompok pertama dan kelompok kedua, maka hipotesis yang diuji adalah:

\[ H_0:\mu_1=\mu_2 \]

\[ H_1:\mu_1\neq\mu_2 \]

Jika varians kedua kelompok diasumsikan sama, statistik uji t dinyatakan sebagai

\[ t=\frac{\bar{X}_1-\bar{X}_2}{S_p\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}} \]

dengan

\[ S_p=\sqrt{\frac{(n_1-1)S_1^2+(n_2-1)S_2^2}{n_1+n_2-2}} \]

dimana:

\(\bar{X}_1\) = rata-rata kelompok pertama

\(\bar{X}_2\) = rata-rata kelompok kedua

\(S_1^2\) = varians kelompok pertama

\(S_2^2\) = varians kelompok kedua

\(n_1\) = ukuran sampel kelompok pertama

\(n_2\) = ukuran sampel kelompok kedua

\(S_p\) = simpangan baku gabungan.

Statistik uji tersebut mengikuti distribusi t dengan derajat bebas

\[ df=n_1+n_2-2 \]

Pada penelitian ini, variabel usia terlebih dahulu diuji normalitasnya menggunakan uji Kolmogorov-Smirnov.

2. Wilcoxon Rank Sum Test

Statistik uji Wilcoxon dirumuskan sebagai

\[ W = \sum_{i=1}^{n_1} R_i \]

Uji Wilcoxon rank sum digunakan untuk membandingkan dua kelompok independen pada variabel numerik yang tidak memenuhi asumsi normalitas.

3. Pearson’s Chi-Squared Test

Hubungan antara variabel independen kategorik dan status diabetes mellitus dianalisis menggunakan Pearson’s Chi-Square apabila asumsi frekuensi harapan (expected frequency) terpenuhi. Statistik uji Chi-Square dirumuskan sebagai berikut:

\[ \chi^2=\sum_{i=1}^{r}\sum_{j=1}^{c}\frac{(O_{ij}-E_{ij})^2}{E_{ij}} \]

dengan

\[ E_{ij}=\frac{(n_{i.})(n_{.j})}{n} \]

dimana:

\(O_{ij}\) = frekuensi observasi pada sel ke-\((i,j)\);

\(E_{ij}\) = frekuensi harapan pada sel ke-\((i,j)\);

\(n_{i.}\) = total baris ke-\(i\);

\(n_{.j}\) = total kolom ke-\(j\);

\(n\) = total sampel.

Uji Pearson’s Chi-Square digunakan apabila paling sedikit 80% sel memiliki frekuensi harapan ≥ 5 dan tidak terdapat sel dengan frekuensi harapan < 1. Apabila asumsi tersebut terpenuhi, maka nilai p-value diperoleh dari distribusi Chi-Square (McHugh, 2013).

4. Fisher’s Exact Test

Apabila terdapat sel dengan frekuensi harapan kurang dari lima, asumsi uji Chi-Square tidak terpenuhi sehingga analisis harus dialihkan menggunakan Fisher’s Exact Test. Metode ini menghitung probabilitas tepat (exact probability) berdasarkan distribusi hipergeometrik sehingga lebih sesuai digunakan pada tabel kontingensi dengan ukuran sampel kecil atau frekuensi harapan yang rendah (Kim, 2017). Metode tersebut dihitung melalui rumus berikut:

\[ P = \frac{(a+b)!(c+d)!(a+c)!(b+d)!}{a!b!c!d!n!} \]

dimana \(n = a + b + c + d\).

2.4.4. Analisis Regresi Logistik

Regresi logistik biner digunakan untuk memodelkan hubungan antara beberapa variabel independen dengan variabel respons yang bersifat dikotomi, secara matematis regresi logistik dinyatakan sebagai

\[ \pi_i = \frac{e^{\beta_0 + \beta_1 x_{i1} + \dots + \beta_k x_{ik}}}{1 + e^{\beta_0 + \beta_1 x_{i1} + \dots + \beta_k x_{ik}}} \]

dalam bentuk transformasi logit

\[ \ln \left( \frac{\pi_i}{1 - \pi_i} \right) = \beta_0 + \beta_1 x_{i1} + \dots + \beta_k x_{ik} \]

Regresi logistik biner digunakan karena variabel respons pada penelitian ini berupa status diabetes mellitus yang terdiri atas dua kategori. Metode ini memungkinkan identifikasi pengaruh beberapa faktor risiko secara simultan dan menghasilkan ukuran asosiasi berupa Odds Ratio. Pemodelan dilakukan menggunakan fungsi: glm(..., family = binomial(link = "logit")) dengan estimasi parameter menggunakan Maximum Likelihood Estimation.

2.4.5. Evaluasi Model

1. Omnibus Test

Omnibus Test digunakan untuk menguji signifikansi seluruh variabel independen secara simultan. Pengujian dilakukan melalui perbandingan model menggunakan fungsi anova(..., test = "Chisq"). Statistik uji Likelihood Ratio dirumuskan sebagai

\[ G = -2 \ln \left( \frac{L_0}{L_1} \right) \]

2. Hosmer-Lemeshow Test

Hosmer-Lemeshow Test digunakan untuk mengevaluasi kesesuaian model regresi logistik terhadap data observasi (goodness of fit).Pengujian dilakukan menggunakan fungsi hoslem.test(). Statistik uji Hosmer-Lemeshow sebagai

\[ \hat{C} = \sum_{g=1}^{G} \frac{(O_g - E_g)^2}{E_g(1 - E_g/n_g)} \]

3. Nagelkerke R Square

Nagelkerke R Square digunakan untuk mengukur proporsi variasi kejadian diabetes mellitus yang dapat dijelaskan oleh seluruh variabel independen dalam model regresi logistik. Nilai koefisien determinasi diperoleh menggunakan fungsi NagelkerkeR2() atau nagelkerke(). Koefisien determinasi Nagelkerke dirumuskan sebagai

\[ R_N^2 = \frac{1 - (L_0/L_1)^{2/n}}{1 - L_0^{2/n}} \]

3. Hasil dan Pembahasan

3.1. Persiapan Data

# Persiapan Data
rm(list = ls())

library(gtsummary)
library(tidyverse)
library(rio)
library(labelled)
library(epitools)
library(epiR)
library(ResourceSelection)
library(rcompanion)
library(dplyr)
library(sf)
library(stringr)
library(ggplot2)
library(haven)
library(broom)

setwd('G:/My Drive/Semester 2/Epidemiologi/Project/IFLS/RCode/Project Epidemiologi')
data <- import("data_clean_dm_kategori_v4.xlsx")

selected_data <- data %>%
  select(-pidlink, -provinsi, -kabupaten_kota, -kecamatan) %>%
  mutate(across(-age, as.factor)
  )

Pada tahap seleksi variabel dilakukan penghapusan variabel pidlink, provinsi, kabupaten_kota, dan kecamatan karena tidak digunakan dalam analisis. Seluruh variabel kategorik kemudian diubah menjadi tipe faktor menggunakan fungsi as.factor(), sedangkan variabel usia (age) tetap dalam bentuk numerik.

3.2. Visualisasi Peta Diabetes Mellitus

# ======================
# IMPORT SHAPEFILE DAN DATA REFERENSI
# ======================

indo_map <- st_read(
  "BATAS_PROVINSI_DESEMBER_2019_DUKCAPIL.shp"
)

## Reading layer `BATAS_PROVINSI_DESEMBER_2019_DUKCAPIL' from data source 
##   `G:\My Drive\Semester 2\Epidemiologi\Project\IFLS\RCode\Project Epidemiologi\BATAS_PROVINSI_DESEMBER_2019_DUKCAPIL.shp' 
##   using driver `ESRI Shapefile'
## Simple feature collection with 34 features and 4 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XYZ
## Bounding box:  xmin: 95.01079 ymin: -11.00762 xmax: 141.0194 ymax: 6.07693
## z_range:       zmin: 2.65e-05 zmax: 2.65e-05
## Geodetic CRS:  WGS 84

data_bps <- read_dta("bps2014.dta")

# ======================
# PERSIAPAN DATA PEMETAAN
# ======================

map_data_raw <- data %>%
  mutate(
    provinsi = as.numeric(provinsi)
  )

data_bps_map <- data_bps %>%
  mutate(
    provid14 = as.numeric(provid14)
  )

# ======================
# REFERENSI NAMA PROVINSI
# ======================

prov_ref <- data_bps_map %>%
  select(provid14, provnm14) %>%
  distinct()

# ======================
# GABUNGKAN NAMA PROVINSI
# ======================

map_data_raw2 <- map_data_raw %>%
  left_join(
    prov_ref,
    by = c("provinsi" = "provid14")
  )

# ======================
# JUMLAH KASUS DM PER PROVINSI
# ======================

dm_prov_map <- map_data_raw2 %>%
  group_by(provnm14) %>%
  summarise(
    jumlah_dm = sum(dm_kat == 'Diabetes', na.rm = TRUE)
  )

# ======================
# SAMAKAN FORMAT NAMA PROVINSI
# ======================

indo_map2 <- indo_map %>%
  mutate(
    provinsi = toupper(PROVINSI)
  )

dm_prov_map2 <- dm_prov_map %>%
  mutate(
    provinsi = toupper(provnm14)
  )

# ======================
# JOIN DATA DAN SHAPEFILE
# ======================

map_final <- indo_map2 %>%
  left_join(dm_prov_map2, by = "provinsi")

# ======================
# VISUALISASI PETA
# ======================

ggplot(map_final) +
  geom_sf(
    aes(fill = jumlah_dm),
    color = "white",
    linewidth = 0.2
  ) +
  
  scale_fill_gradient(
    low = "#FFE5E5",
    high = "#B30000",
    na.value = "grey90",
    name = "Jumlah Kasus"
  ) +
  
  labs(
    title = "Peta Jumlah Kasus Diabetes Mellitus Berdasarkan Data IFLS5",
    subtitle = "Berdasarkan Provinsi",
    caption = "Sumber: IFLS"
  ) +
  
  theme_minimal() +
  
  theme(
    axis.text = element_blank(),
    axis.title = element_blank(),
    panel.grid = element_blank()
  )

Gambar 1.1. Peta Jumlah Kasus Diabetes Mellitus Berdasarkan Data IFLS5

Semakin gelap warna merah pada peta menunjukkan semakin tinggi jumlah kasus diabetes mellitus pada suatu provinsi, sedangkan warna yang lebih terang menunjukkan jumlah kasus yang lebih rendah. Provinsi yang berwarna abu-abu menunjukkan tidak adanya data atau data yang tidak tersedia pada wilayah tersebut. Peta ini hanya menampilkan 21 provinsi yang termasuk dalam cakupan data IFLS 5 pada kasus Diabetes. Data batas administrasi provinsi yang digunakan dalam pemetaan berasal dari shapefile batas provinsi yang diterbitkan oleh Pusat Pemetaan Batas Wilayah (PPBW), Badan Informasi Geospasial (BIG), Tahun 2024.

3.3. Uji Normalitas Variabel Numerik

hasil_ks <- ks.test(
  selected_data$age,
  "pnorm",
  mean(selected_data$age),
  sd(selected_data$age)
)

Pada uji normalitas Kolmogorov-Smirnov digunakan hipotesis sebagai berikut:

\(H_0\): Variabel usia berdistribusi normal

\(H_1\): Variabel usia tidak berdistribusi normal

Variabel yang diuji normalitas hanya variabel numerik, pada penelitian ini hanya variabel usia. Berdasarkan hasil uji normalitas Kolmogorov-Smirnov diperoleh nilai p-value sebesar 0,000 < 0,05, sehingga \(H_0\) ditolak. Dengan demikian, dapat disimpulkan bahwa variabel usia tidak berdistribusi normal.

3.4. Statistik Deskriptif

Labelling Variabel dan Kategori

selected_data <- selected_data %>%
    set_variable_labels(
    dm_kat = "Status Diabetes Mellitus",
    age = "Usia",
    bmi_kat = "Kategori Indeks Massa Tubuh",
    sex = "Jenis Kelamin",
    merokok_kat = "Status Merokok",
    marstat = "Status Perkawinan",
    pendidikan_kat = "Tingkat Pendidikan",
    aktivitas_kat2 = "Tingkat Aktivitas Fisik",
    riwayat_ortu_kat = "Riwayat Diabetes Mellitus pada Orang Tua",
    hipertensi_kat = "Status Hipertensi",
    kolesterol_kat = "Status Kolesterol",
    daerah = "Daerah Tempat Tinggal"
  )

stat_age <- if (hasil_ks$p.value > 0.05) {
  "{mean} ± {sd}"
} else {
  "{median} ({p25} - {p75})"
}

tbl_summary_1 <- selected_data %>%
  tbl_summary(
    statistic = list(
      age ~ stat_age,
      all_categorical() ~ "{n} ({p}%)"
    ),
    digits = list(
      age ~ 2,
      all_categorical() ~ c(0, 2)
    )
  ) %>%
  bold_labels()%>%
  modify_caption(
    "**Tabel 3.1. Karakteristik Responden Penelitian**"
  )

tbl_summary_1

Tabel 3.1. Karakteristik Responden Penelitian

Characteristic	N = 10,7591
Status Diabetes Mellitus
Diabetes	186 (1.73%)
Tidak Diabetes	10,573 (98.27%)
Usia	32.00 (25.00 - 41.00)
Kategori Indeks Massa Tubuh
BMI < 25	7,254 (67.42%)
BMI ≥ 25	3,505 (32.58%)
Jenis Kelamin
Laki-laki	5,144 (47.81%)
Perempuan	5,615 (52.19%)
Status Merokok
Merokok	3,702 (34.41%)
Tidak merokok	7,057 (65.59%)
Status Perkawinan
Belum menikah	2,146 (19.95%)
Lainnya	436 (4.05%)
Menikah	8,177 (76.00%)
Tingkat Pendidikan
Diploma/Sarjana	2,182 (20.28%)
SD/sederajat/lainnya	2,318 (21.54%)
SMA/SMK/sederajat	4,132 (38.41%)
SMP/sederajat	2,127 (19.77%)
Tingkat Aktivitas Fisik
Aktif	5,899 (54.83%)
Tidak aktif	4,860 (45.17%)
Riwayat Diabetes Mellitus pada Orang Tua
Tidak	10,373 (96.41%)
Ya	386 (3.59%)
Status Hipertensi
Tidak	9,686 (90.03%)
Ya	1,073 (9.97%)
Status Kolesterol
Tidak	10,312 (95.85%)
Ya	447 (4.15%)
Daerah Tempat Tinggal
Desa	3,666 (34.07%)
Kota	7,093 (65.93%)
1 n (%); Median (Q1 - Q3)

Berdasarkan hasil analisis deskriptif, jumlah responden dalam penelitian ini sebanyak 10.759 orang. Sebagian besar responden tidak mengalami diabetes mellitus yaitu sebanyak 10.573 orang (98,27%), sedangkan responden yang mengalami diabetes mellitus sebanyak 186 orang (1,73%).

Variabel usia disajikan dalam bentuk median dan rentang interkuartil karena data tidak berdistribusi normal. Median usia responden adalah 32 tahun dengan rentang interkuartil 25–41 tahun. Berdasarkan kategori indeks massa tubuh, sebagian besar responden memiliki BMI < 25 yaitu sebanyak 7.254 orang (67,42%), sedangkan responden dengan BMI ≥ 25 sebanyak 3.505 orang (32,58%).

Distribusi jenis kelamin menunjukkan bahwa responden perempuan lebih banyak yaitu sebanyak 5.615 orang (52,19%) dibandingkan laki-laki sebanyak 5.144 orang (47,81%). Sebagian besar responden tidak merokok yaitu sebanyak 7.057 orang (65,59%), sedangkan responden yang merokok sebanyak 3.702 orang (34,41%).

Berdasarkan status perkawinan, mayoritas responden berstatus menikah yaitu sebanyak 8.177 orang (76,00%), diikuti belum menikah sebanyak 2.146 orang (19,95%), dan kategori lainnya sebanyak 436 orang (4,05%). Tingkat pendidikan responden paling banyak berada pada kategori SMA/SMK/sederajat yaitu sebanyak 4.132 orang (38,41%), diikuti SD/sederajat/lainnya sebanyak 2.318 orang (21,54%), Diploma/Sarjana sebanyak 2.182 orang (20,28%), dan SMP/sederajat sebanyak 2.127 orang (19,77%).

Sebagian besar responden memiliki aktivitas fisik aktif yaitu sebanyak 5.899 orang (54,83%), sedangkan responden dengan aktivitas fisik tidak aktif sebanyak 4.860 orang (45,17%). Responden yang tidak memiliki riwayat diabetes mellitus pada orang tua sebanyak 10.373 orang (96,41%), sedangkan yang memiliki riwayat diabetes mellitus pada orang tua sebanyak 386 orang (3,59%).

Sebagian besar responden tidak mengalami hipertensi yaitu sebanyak 9.686 orang (90,03%), sedangkan responden yang mengalami hipertensi sebanyak 1.073 orang (9,97%). Selain itu, sebagian besar responden tidak memiliki kolesterol tinggi yaitu sebanyak 10.312 orang (95,85%), sedangkan responden dengan kolesterol tinggi sebanyak 447 orang (4,15%).

Berdasarkan daerah tempat tinggal, mayoritas responden tinggal di wilayah kota yaitu sebanyak 7.093 orang (65,93%), sedangkan responden yang tinggal di desa sebanyak 3.666 orang (34,07%).

3.5. Analisis Bivariat

Analisis bivariat dilakukan untuk mengetahui hubungan masing-masing variabel independen terhadap kejadian diabetes mellitus.

library(dplyr)
library(gtsummary)
library(epitools)

# Relevel

selected_data <- selected_data %>%
  mutate(
    bmi_kat = relevel(bmi_kat, ref = "BMI < 25"),
    sex = relevel(sex, ref = "Laki-laki"),
    merokok_kat = relevel(merokok_kat, ref = "Tidak merokok"),
    marstat = relevel(marstat, ref = "Belum menikah"),
    pendidikan_kat = relevel(pendidikan_kat, ref = "SD/sederajat/lainnya"),
    aktivitas_kat2 = relevel(aktivitas_kat2, ref = "Tidak aktif"),
    riwayat_ortu_kat = relevel(riwayat_ortu_kat, ref = "Tidak"),
    hipertensi_kat = relevel(hipertensi_kat, ref = "Tidak"),
    kolesterol_kat = relevel(kolesterol_kat, ref = "Tidak"),
    daerah = relevel(daerah, ref = "Desa")
  ) %>%
  
  set_variable_labels(
    dm_kat = "Status Diabetes Mellitus",
    age = "Usia",
    bmi_kat = "Kategori Indeks Massa Tubuh",
    sex = "Jenis Kelamin",
    merokok_kat = "Status Merokok",
    marstat = "Status Perkawinan",
    pendidikan_kat = "Tingkat Pendidikan",
    aktivitas_kat2 = "Tingkat Aktivitas Fisik",
    riwayat_ortu_kat = "Riwayat Diabetes Mellitus pada Orang Tua",
    hipertensi_kat = "Status Hipertensi",
    kolesterol_kat = "Status Kolesterol",
    daerah = "Daerah Tempat Tinggal"
  )

# =========================
# HITUNG OR RR
# =========================

vars <- c(
  "bmi_kat",
  "sex",
  "merokok_kat",
  "marstat",
  "pendidikan_kat",
  "aktivitas_kat2",
  "riwayat_ortu_kat",
  "hipertensi_kat",
  "kolesterol_kat",
  "daerah"
)

hasil_semua <- list()

for(var in vars){
  
  selected_data[[var]] <- as.factor(selected_data[[var]])
  
  ref <- levels(selected_data[[var]])[1]
  
  lv_list <- levels(selected_data[[var]])[-1]
  
  for(lv in lv_list){
    
    subdata <- selected_data %>%
      filter(.data[[var]] %in% c(ref, lv))
    
    subdata[[var]] <- factor(
      subdata[[var]],
      levels = c(ref, lv)
    )
    
    tab <- table(
      subdata[[var]],
      subdata$dm_kat
    )
    
    if(all(dim(tab) == c(2,2))){
      
      if(any(tab == 0)){
        
        or_txt <- "NA"
        rr_txt <- "NA"
        
      } else {
        
        or <- oddsratio.wald(tab)
        
        rr <- riskratio.wald(
          tab[c(2,1), c(2,1)]
        )
        
        or_txt <- paste0(
          round(or$measure[2,1],2),
          " (",
          round(or$measure[2,2],2),
          " - ",
          round(or$measure[2,3],2),
          ")"
        )
        
        rr_txt <- paste0(
          round(rr$measure[2,1],2),
          " (",
          round(rr$measure[2,2],2),
          " - ",
          round(rr$measure[2,3],2),
          ")"
        )
      }
      
      hasil_semua[[paste(var, lv)]] <- data.frame(
        
        variable = var,
        level = lv,
        OR = or_txt,
        RR = rr_txt
        
      )
      
    }
    
  }
  
}

hasil_or_rr <- bind_rows(hasil_semua)

# =========================
# TABEL BIVARIAT
# =========================

tbl_summary_2 <- selected_data %>%
  
  tbl_summary(
    
    by = dm_kat,
    
    digits = everything() ~ c(0, 2)
    
  ) %>%
  
  add_p(
    pvalue_fun = ~ style_pvalue(.x, digits = 3)
  ) %>%
  
  modify_table_body(
    
    ~ .x %>%
      
      left_join(
        
        hasil_or_rr,
        
        by = c(
          "variable",
          "label" = "level"
        )
        
      ) %>%
      
      mutate(
  
  OR = case_when(
    
    row_type == "label" ~ "",
    
    !is.na(OR) ~ OR,
    
    row_type == "level" ~ " ",
    
    TRUE ~ ""
    
  ),
  
  RR = case_when(
    
    row_type == "label" ~ "",
    
    !is.na(RR) ~ RR,
    
    row_type == "level" ~ " ",
    
    TRUE ~ ""
    
  )
  
)
    
  ) %>%
  
  modify_header(
    
    OR ~ "**OR (95% CI)**",
    
    RR ~ "**RR (95% CI)**"
    
  ) %>%
  
  bold_labels() %>%
  
  italicize_levels() %>%
  
  bold_p(t = 0.05) %>%
  
  modify_spanning_header(
    update = all_stat_cols() ~ "**Diabetes Mellitus**"
  )%>%
  
  modify_caption(
    "**Tabel 3.2. Analisis Bivariat**"
  )

tbl_summary_2

Tabel 3.2. Analisis Bivariat

Characteristic	Diabetes Mellitus		p-value2	OR (95% CI)	RR (95% CI)
	Diabetes N = 1861	Tidak Diabetes N = 10,5731
Usia	48 (39.00, 56)	32 (25.00, 40)	<0.001
Kategori Indeks Massa Tubuh			0.002
BMI < 25	106 (56.99%)	7,148 (67.61%)
BMI ≥ 25	80 (43.01%)	3,425 (32.39%)		0.63 (0.47 - 0.85)	0.64 (0.48 - 0.85)
Jenis Kelamin			0.453
Laki-laki	94 (50.54%)	5,050 (47.76%)
Perempuan	92 (49.46%)	5,523 (52.24%)		1.12 (0.84 - 1.49)	1.12 (0.84 - 1.48)
Status Merokok			0.276
Tidak merokok	115 (61.83%)	6,942 (65.66%)
Merokok	71 (38.17%)	3,631 (34.34%)		0.85 (0.63 - 1.14)	0.85 (0.63 - 1.14)
Status Perkawinan			<0.001
Belum menikah	3 (1.61%)	2,143 (20.27%)
Lainnya	14 (7.53%)	422 (3.99%)		0.04 (0.01 - 0.15)	0.04 (0.01 - 0.15)
Menikah	169 (90.86%)	8,008 (75.74%)		0.07 (0.02 - 0.21)	0.07 (0.02 - 0.21)
Tingkat Pendidikan			0.004
SD/sederajat/lainnya	51 (27.42%)	2,267 (21.44%)
Diploma/Sarjana	50 (26.88%)	2,132 (20.16%)		0.96 (0.65 - 1.42)	0.96 (0.65 - 1.41)
SMA/SMK/sederajat	61 (32.80%)	4,071 (38.50%)		1.5 (1.03 - 2.19)	1.49 (1.03 - 2.15)
SMP/sederajat	24 (12.90%)	2,103 (19.89%)		1.97 (1.21 - 3.21)	1.95 (1.2 - 3.16)
Tingkat Aktivitas Fisik			0.768
Tidak aktif	86 (46.24%)	4,774 (45.15%)
Aktif	100 (53.76%)	5,799 (54.85%)		1.04 (0.78 - 1.4)	1.04 (0.78 - 1.39)
Riwayat Diabetes Mellitus pada Orang Tua			<0.001
Tidak	163 (87.63%)	10,210 (96.57%)
Ya	23 (12.37%)	363 (3.43%)		0.25 (0.16 - 0.39)	0.26 (0.17 - 0.4)
Status Hipertensi			<0.001
Tidak	118 (63.44%)	9,568 (90.49%)
Ya	68 (36.56%)	1,005 (9.51%)		0.18 (0.13 - 0.25)	0.19 (0.14 - 0.26)
Status Kolesterol			<0.001
Tidak	139 (74.73%)	10,173 (96.22%)
Ya	47 (25.27%)	400 (3.78%)		0.12 (0.08 - 0.16)	0.13 (0.09 - 0.18)
Daerah Tempat Tinggal			0.011
Desa	47 (25.27%)	3,619 (34.23%)
Kota	139 (74.73%)	6,954 (65.77%)		0.65 (0.47 - 0.91)	0.65 (0.47 - 0.91)
1 Median (Q1, Q3); n (%)
2 Wilcoxon rank sum test; Pearson’s Chi-squared test

Hasil analisis bivariat menunjukkan bahwa variabel usia, BMI, status perkawinan, tingkat pendidikan, riwayat diabetes mellitus pada orang tua, status hipertensi, status kolesterol, dan daerah tempat tinggal memiliki hubungan yang signifikan dengan kejadian diabetes mellitus (p-value < 0,05). Sementara itu, variabel jenis kelamin, status merokok, dan tingkat aktivitas fisik tidak menunjukkan hubungan yang signifikan dengan kejadian diabetes mellitus (p-value > 0,05).

Odds Ratio (OR) merupakan perbandingan odds kejadian penyakit pada kelompok terpapar dibandingkan kelompok tidak terpapar, sedangkan Risk Ratio (RR) merupakan perbandingan risiko kejadian penyakit pada kelompok terpapar dibandingkan kelompok tidak terpapar.

Sebagai contoh pada variabel kategori BMI diperoleh nilai OR sebesar 0,63 dan RR sebesar 0,64. Perhitungan OR dilakukan dengan rumus:

\[ OR = \frac{106 \times 3425}{7148 \times 80} = 0,63 \]

Nilai OR sebesar 0,63 menunjukkan bahwa responden dengan BMI < 25 memiliki odds mengalami diabetes mellitus sebesar 0,63 kali dibandingkan responden dengan BMI ≥ 25. Dengan kata lain, responden dengan BMI ≥ 25 memiliki odds mengalami diabetes mellitus sebesar:

\[ \frac{1}{0,63} = 1,58 \] kali dibandingkan responden dengan BMI < 25.

Perhitungan RR dilakukan dengan rumus:

\[ RR = \frac{106/(106+7148)}{80/(80+3425)} = 0,64 \]

Nilai RR sebesar 0,64 menunjukkan bahwa responden dengan BMI < 25 memiliki risiko mengalami diabetes mellitus sebesar 0,64 kali dibandingkan responden dengan BMI ≥ 25. Dengan demikian, responden dengan BMI ≥ 25 memiliki risiko mengalami diabetes mellitus sebesar:

\[ \frac{1}{0,64} = 1,56 \]

kali dibandingkan responden dengan BMI < 25.

Penelitian ini menggunakan desain cross-sectional sehingga variabel paparan dan outcome diukur pada waktu yang sama. Oleh karena itu, hasil penelitian hanya dapat menunjukkan adanya hubungan atau asosiasi antarvariabel dan tidak dapat memastikan hubungan sebab-akibat karena urutan waktu kejadian tidak dapat diketahui secara pasti. Dengan demikian, variabel yang berhubungan dengan diabetes mellitus pada penelitian ini tidak dapat diinterpretasikan sebagai faktor penyebab secara langsung (Wang, 2020).

Menurut Alexander (2015), Studi cross-sectional deskriptif maupun analitik berguna untuk memberikan bukti awal mengenai kemungkinan adanya hubungan kausal. Studi ini juga berguna untuk meneliti hubungan antara paparan dan timbulnya penyakit, terutama pada penyakit kronis ketika informasi mengenai waktu awal terjadinya penyakit tidak tersedia.

3.6. Analisis Regresi Logistik Ganda

Variabel respons pada penelitian ini adalah status diabetes mellitus yang terdiri atas dua kategori, yaitu diabetes dan tidak diabetes. Oleh karena itu, analisis regresi logistik biner digunakan untuk memodelkan hubungan antara kejadian diabetes mellitus dengan beberapa variabel independen secara simultan. Menurut Hosmer dkk. (2013), regresi logistik merupakan metode yang sesuai untuk menganalisis variabel respons dikotomi serta memungkinkan penilaian pengaruh masing-masing variabel independen terhadap peluang terjadinya suatu kejadian

Menurut Bursac (2008), variabel dengan nilai p-value < 0,25 pada analisis univariat dipertimbangkan sebagai kandidat dalam analisis multivariat. Namun, penggunaan analisis univariat sebagai tahap awal seleksi variabel perlu dilakukan secara hati-hati karena metode tersebut dapat menyebabkan variabel penting tidak masuk ke dalam model multivariat dan menghasilkan estimasi yang bias (Wang, 2017). Sehingga, pada penelitian ini akan digunakan seluruh variabel untuk melihat pengaruhnya.

# =========================================================
# MODEL REGRESI LOGISTIK
# =========================================================

# =========================================================
# RELEVEL
# =========================================================

selected_data <- selected_data %>%
  mutate(
    dm_kat = relevel(dm_kat, ref = "Tidak Diabetes"),
  ) %>%
  set_variable_labels(
    dm_kat = "Status Diabetes Mellitus",
    age = "Usia",
    bmi_kat = "Kategori Indeks Massa Tubuh",
    sex = "Jenis Kelamin",
    merokok_kat = "Status Merokok",
    marstat = "Status Perkawinan",
    pendidikan_kat = "Tingkat Pendidikan",
    aktivitas_kat2 = "Tingkat Aktivitas Fisik",
    riwayat_ortu_kat = "Riwayat Diabetes Mellitus pada Orang Tua",
    hipertensi_kat = "Status Hipertensi",
    kolesterol_kat = "Status Kolesterol",
    daerah = "Daerah Tempat Tinggal"
  )

model_multi <- glm(
  dm_kat ~
    age +
    bmi_kat +
    sex +
    merokok_kat +
    marstat +
    pendidikan_kat +
    aktivitas_kat2 +
    riwayat_ortu_kat +
    hipertensi_kat +
    kolesterol_kat +
    daerah,
  
  data = selected_data,
  family = binomial
)


extra_reg <- tidy(model_multi)

tbl_regresi <- model_multi %>%
  
  tbl_regression(
    
    exponentiate = TRUE,
    intercept = TRUE,
    
    estimate_fun = ~ label_style_number(digits = 4)(.x),
    
    pvalue_fun = ~ ifelse(
      .x < 0.0001,
      "<0.0001",
      sprintf("%.4f", .x)
    )
    
  ) %>%
  
  modify_table_body(
    
    ~ .x %>%
      
      left_join(
        
        extra_reg %>%
          
          mutate(
            
            estimate = sprintf("%.4f", estimate),
            
            std.error = sprintf("%.4f", std.error),
            
            statistic = sprintf("%.4f", statistic)
            
          ) %>%
          
          select(
            term,
            estimate,
            std.error,
            statistic
          ),
        
        by = "term"
        
      )
    
  ) %>%
  
  modify_table_body(
    
    ~ .x %>%
      
      select(
        label,
        estimate.y,
        std.error.y,
        statistic.y,
        estimate.x,
        conf.low,
        conf.high,
        p.value,
        everything()
      )
    
  ) %>%
  
  modify_header(
    
    label ~ "**Variabel**",
    
    estimate.y ~ "**Estimate**",
    
    std.error.y ~ "**Std. Error**",
    
    statistic.y ~ "**z value**",
    
    estimate.x ~ "**Adjusted OR**",
    
    conf.low ~ "**95% CI**",
    
    p.value ~ "**p-value**"
    
  ) %>%
  
  modify_fmt_fun(
    
    c(estimate.x, conf.low, conf.high) ~
      function(x) sprintf("%.4f", x)
    
  ) %>%
  
  bold_labels() %>%
  
  bold_p(t = 0.05) %>%
  
  italicize_levels() %>%
  
  modify_caption(
    "**Tabel 3.3. Regresi Logistik Biner**"
  )

tbl_regresi

Tabel 3.3. Regresi Logistik Biner

Variabel	Estimate	Std. Error	z value	Adjusted OR	95% CI	p-value
(Intercept)	-8.7059	0.6871	-12.6710	0.0002	0.0000, 0.0006	<0.0001
Usia	0.0690	0.0067	10.3503	1.0715	1.0575, 1.0856	<0.0001
Kategori Indeks Massa Tubuh
BMI < 25					—
BMI ≥ 25	-0.1282	0.1630	-0.7869	0.8797	0.6374, 1.2085	0.4314
Jenis Kelamin
Laki-laki					—
Perempuan	0.0344	0.2201	0.1561	1.0350	0.6766, 1.6045	0.8759
Status Merokok
Tidak merokok					—
Merokok	-0.0395	0.2213	-0.1786	0.9612	0.6256, 1.4909	0.8582
Status Perkawinan
Belum menikah					—
Lainnya	0.6650	0.6867	0.9684	1.9445	0.5637, 9.0652	0.3329
Menikah	1.3060	0.6012	2.1725	3.6914	1.3350, 15.3181	0.0298
Tingkat Pendidikan
SD/sederajat/lainnya					—
Diploma/Sarjana	0.4227	0.2284	1.8506	1.5261	0.9744, 2.3901	0.0642
SMA/SMK/sederajat	0.2065	0.2140	0.9650	1.2294	0.8095, 1.8764	0.3345
SMP/sederajat	-0.0489	0.2618	-0.1870	0.9522	0.5618, 1.5748	0.8517
Tingkat Aktivitas Fisik
Tidak aktif					—
Aktif	-0.0247	0.1552	-0.1590	0.9756	0.7201, 1.3246	0.8737
Riwayat Diabetes Mellitus pada Orang Tua
Tidak					—
Ya	1.1265	0.2438	4.6199	3.0848	1.8702, 4.8829	<0.0001
Status Hipertensi
Tidak					—
Ya	0.8672	0.1739	4.9874	2.3802	1.6852, 3.3346	<0.0001
Status Kolesterol
Tidak					—
Ya	1.2077	0.1987	6.0778	3.3456	2.2491, 4.9071	<0.0001
Daerah Tempat Tinggal
Desa					—
Kota	0.2637	0.1809	1.4574	1.3017	0.9196, 1.8716	0.1450
Abbreviation: CI = Confidence Interval

Berdasarkan hasil regresi logistik biner, variabel yang berhubungan signifikan dengan kejadian diabetes mellitus (p-value < 0,05) adalah usia, status perkawinan, riwayat diabetes mellitus pada orang tua, status hipertensi, dan status kolesterol. Sementara itu, variabel kategori indeks massa tubuh (BMI), jenis kelamin, status merokok, tingkat pendidikan, tingkat aktivitas fisik, dan daerah tempat tinggal tidak menunjukkan hubungan yang signifikan dengan kejadian diabetes mellitus karena memiliki nilai p-value > 0,05.

Pada regresi logistik, nilai koefisien parameter (\(\beta\)) masih berbentuk log odds sehingga perlu dilakukan eksponensial terhadap parameter tersebut untuk memperoleh nilai adjusted odds ratio (Adjusted OR). Dengan demikian, adjusted OR diperoleh dari:

\[ \text{Adjusted OR} = e^{\beta} \]

Sebagai contoh, pada variabel riwayat diabetes mellitus pada orang tua diperoleh nilai parameter sebesar 1,1265. Nilai adjusted OR dihitung sebagai:

\[ e^{1,1265} = 3,0848 \]

Artinya, responden yang memiliki riwayat diabetes mellitus pada orang tua memiliki odds mengalami diabetes mellitus sebesar 3,08 kali dibandingkan responden yang tidak memiliki riwayat diabetes mellitus pada orang tua setelah dikontrol oleh variabel lain dalam model (Adjusted OR = 3,08; 95% CI = 1,87-4,88). Nilai confidence interval yang tidak melewati angka 1 menunjukkan bahwa hubungan tersebut signifikan secara statistik.

3.6.1. Omnibus Test

model_null <- glm(
  dm_kat ~ 1,
  data = selected_data,
  family = binomial
)

omnibus <- anova(
  model_null,
  model_multi,
  test = "Chisq"
)

Uji omnibus digunakan untuk mengetahui apakah model regresi logistik yang dibentuk secara keseluruhan signifikan. Hipotesis yang digunakan pada uji omnibus adalah sebagai berikut:

\(H_0\): Tidak terdapat minimal satu variabel independen yang berpengaruh terhadap kejadian diabetes mellitus.

\(H_1\): Terdapat minimal satu variabel independen yang berpengaruh terhadap kejadian diabetes mellitus.

Berdasarkan hasil uji omnibus diperoleh nilai p-value sebesar 0,000 < 0,05, sehingga H0 ditolak. Dengan demikian, dapat disimpulkan bahwa model regresi logistik yang dibentuk signifikan atau terdapat minimal satu variabel independen yang berhubungan dengan kejadian diabetes mellitus.

3.6.2.Nagelkerke R Square

nagel=nagelkerke(model_multi)

Nilai Nagelkerke R Square yang diperoleh sebesar 0,1899 atau 18,99%. Hal ini menunjukkan bahwa variabel independen dalam model mampu menjelaskan variasi kejadian diabetes mellitus sebesar 18,99%, sedangkan sisanya sebesar 81,01% dijelaskan oleh faktor lain di luar model penelitian. Selain itu, berdasarkan hasil Likelihood Ratio Test diperoleh nilai p-value 0,000 < 0,05, sehingga dapat disimpulkan bahwa model regresi logistik yang digunakan signifikan secara statistik dan variabel independen secara simultan berpengaruh terhadap kejadian diabetes mellitus. Allison (2017), menyatakan bahwa tidak ada keharusan nilai R square lebih besar dari 0,5.

3.6.3. Hosmer Lemeshow Test

pred_prob <- predict(
  model_multi,
  type = "response"
)

dm_num <- ifelse(
  selected_data$dm_kat == "Diabetes",
  1,
  0
)

hoslem <- hoslem.test(
  dm_num,
  pred_prob,
  g = 10
)

Uji Hosmer-Lemeshow digunakan untuk mengevaluasi goodness of fit model regresi logistik. Hipotesis yang digunakan adalah sebagai berikut:

\(H_0\): Model regresi logistik sesuai (fit) dengan data

\(H_1\): Model fit dengan data

Berdasarkan hasil uji Hosmer-Lemeshow diperoleh nilai p-value sebesar 0,0024 (< 0,05), sehingga \(H_0\) ditolak. Dengan demikian, dapat disimpulkan bahwa model regresi logistik tidak menunjukkan goodness of fit yang baik terhadap data. Menurut Nattino dkk (2020), evaluasi goodness of fit pada model regresi logistik menjadi bermasalah ketika ukuran sampel sangat besar. Hal ini dikarenakan sensitivitas uji tradisional, seperti uji Hosmer-Lemeshow, meningkat seiring besarnya sampel, sehingga perbedaan kecil yang tidak relevan secara praktis dapat menyebabkan penolakan terhadap hipotesis model yang cocok (perfect fit).

Model regresi logistik yang diperoleh pada penelitian ini adalah sebagai berikut:

\[ \begin{aligned} \ln\left(\frac{\pi}{1-\pi}\right) = -8,691 \ & + 0,069(\text{Usia}) \\ & -0,128(\text{Kategori IMT: BMI} \geq 25) \\ & +0,034(\text{Jenis Kelamin: Perempuan}) \\ & -0,040(\text{Status Merokok: Merokok}) \\ & +1,306(\text{Status Perkawinan: Menikah}) \\ & +0,665(\text{Status Perkawinan: Lainnya}) \\ & -0,049(\text{Pendidikan: SMP/sederajat}) \\ & +0,207(\text{Pendidikan: SMA/SMK/sederajat}) \\ & +0,423(\text{Pendidikan: Diploma/Sarjana}) \\ & -0,025(\text{Aktivitas Fisik: Aktif}) \\ & +1,127(\text{Riwayat DM Orang Tua}) \\ & +0,867(\text{Hipertensi}) \\ & +1,208(\text{Kolesterol Tinggi}) \\ & +0,264(\text{Daerah Tempat Tinggal: Kota}) \end{aligned} \]

Variabel Usia menunjukkan nilai Adjusted OR sebesar 1,0715 (95% CI = 1,0575–1,0856). Artinya, setiap peningkatan usia sebesar 1 tahun akan meningkatkan odds terjadinya diabetes mellitus sebesar 1,0715 kali dengan asumsi variabel lain konstan. Variabel ini menunjukkan hubungan yang signifikan secara statistik (p-value < 0,05). Menurut Chang dan Halter (2003) toleransi glukosa menurun secara bertahap seiring bertambahnya usia.

Variabel Kategori Indeks Massa Tubuh (BMI) menunjukkan nilai Adjusted OR sebesar 0,8797 (95% CI = 0,6374–1,2085). Artinya, responden dengan BMI ≥ 25 memiliki odds mengalami diabetes mellitus sebesar 0,8797 kali dibandingkan responden dengan BMI < 25 setelah dikontrol oleh variabel lain. Variabel ini tidak signifikan secara statistik (p-value > 0,05). Frøslie dkk (2010) menyatakan bahwa dikotomisasi variabel kontinu dapat menyebabkan hilangnya informasi serta menurunkan kekuatan statistik analisis.

Variabel Jenis Kelamin menunjukkan nilai Adjusted OR sebesar 1,0350 (95% CI = 0,6766–1,6045). Artinya, responden perempuan memiliki odds mengalami diabetes mellitus sebesar 1,0350 kali dibandingkan responden laki-laki. Variabel ini tidak signifikan secara statistik (p-value > 0,05). Menurut Ciarambino dkk (2022), risiko diabetes berdasarkan jenis kelamin dapat dipengaruhi oleh faktor hormonal, distribusi lemak tubuh, serta gaya hidup.

Variabel Status Merokok menunjukkan nilai Adjusted OR sebesar 0,9612 (95% CI = 0,6256–1,4909). Artinya, responden yang merokok memiliki odds mengalami diabetes mellitus sebesar 0,9612 kali dibandingkan responden yang tidak merokok. Variabel ini tidak signifikan secara statistik (p-value > 0,05). Nikotin dapat menyebabkan resistensi insulin dengan memengaruhi kerja insulin secara negatif (Qin dkk. 2023)

Variabel Status Perkawinan menunjukkan bahwa responden yang menikah memiliki nilai Adjusted OR sebesar 3,6914 (95% CI = 1,3350–15,3181). Artinya, responden yang menikah memiliki odds mengalami diabetes mellitus sebesar 3,6914 kali dibandingkan responden yang belum menikah setelah dikontrol oleh variabel lain. Variabel ini signifikan secara statistik (p-value < 0,05). Sementara itu, kategori “lainnya” memiliki nilai Adjusted OR sebesar 1,9445 (95% CI = 0,5637–9,0652) dan tidak signifikan secara statistik. Kowall dan Rathmann (2025) menyatakan bahwa terdapat bukti bahwa status menikah dapat meningkatkan risiko diabetes mellitus tipe 2. Selain itu, pasangan suami istri cenderung memiliki kesamaan berbagai faktor risiko diabetes mellitus tipe 2

Variabel Tingkat Pendidikan menunjukkan bahwa kategori Diploma/Sarjana memiliki nilai Adjusted OR sebesar 1,5261 (95% CI = 0,9744–2,3901). Artinya, responden dengan tingkat pendidikan Diploma/Sarjana memiliki odds mengalami diabetes mellitus sebesar 1,5261 kali dibandingkan responden dengan pendidikan SD/sederajat/lainnya. Namun, variabel ini tidak signifikan secara statistik (p-value > 0,05). Menurut Cutler dan Lleras-Muney (2010) tingkat pendidikan berhubungan dengan perilaku kesehatan, pengetahuan kesehatan

Variabel Aktivitas Fisik menunjukkan nilai Adjusted OR sebesar 0,9756 (95% CI = 0,7201–1,3246). Artinya, responden dengan aktivitas fisik aktif memiliki odds mengalami diabetes mellitus sebesar 0,9756 kali dibandingkan responden yang tidak aktif. Variabel ini tidak signifikan secara statistik (p-value > 0,05). Colberg dkk. (2016) menyatakan bahwa aktivitas fisik dapat membantu memperbaiki kontrol kadar glukosa darah pada penderita diabetes mellitus tipe 2.

Variabel Riwayat Diabetes Mellitus pada Orang Tua menunjukkan nilai Adjusted OR sebesar 3,0848 (95% CI = 1,8702–4,8829). Artinya, responden yang memiliki riwayat diabetes mellitus pada orang tua memiliki odds mengalami diabetes mellitus sebesar 3,0848 kali dibandingkan responden yang tidak memiliki riwayat tersebut. Variabel ini signifikan secara statistik (p-value < 0,05). Faktor genetik berpengaruh signifikan terhadap onset dan perkembangan diabetes (Muthoni, 2024).

Variabel Hipertensi menunjukkan nilai Adjusted OR sebesar 2,3802 (95% CI = 1,6852–3,3346). Artinya, responden yang mengalami hipertensi memiliki odds mengalami diabetes mellitus sebesar 2,3802 kali dibandingkan responden yang tidak hipertensi setelah dikontrol oleh variabel lain. Variabel ini signifikan secara statistik (p-value < 0,05). Hasil penelitian ini sejalan dengan Petrie dkk. (2018) yang menyatakan bahwa hipertensi dan diabetes mellitus sering ditemukan terjadi secara bersamaan serta memiliki berbagai faktor risiko yang serupa. Individu yang mengalami hipertensi juga diketahui memiliki risiko yang lebih tinggi untuk mengalami diabetes mellitus dibandingkan individu dengan tekanan darah normal.

Variabel Kolesterol Tinggi menunjukkan nilai Adjusted OR sebesar 3,3456 (95% CI = 2,2491–4,9071). Artinya, responden dengan kolesterol tinggi memiliki odds mengalami diabetes mellitus sebesar 3,3456 kali dibandingkan responden dengan kadar kolesterol normal setelah dikontrol oleh variabel lain. Variabel ini signifikan secara statistik (p-value < 0,05). Hasil ini sejalan dengan Ismail dkk. (2021) yang melaporkan bahwa kadar kolesterol yang tinggi merupakan salah satu faktor yang berhubungan dengan kejadian diabetes mellitus tipe 2. Individu dengan gangguan profil lipid cenderung memiliki risiko diabetes yang lebih tinggi dibandingkan individu dengan kadar lipid normal.

Variabel Daerah Tempat Tinggal menunjukkan nilai Adjusted OR sebesar 1,3017 (95% CI = 0,9196–1,8716). Artinya, responden yang tinggal di daerah perkotaan memiliki odds mengalami diabetes mellitus sebesar 1,3017 kali dibandingkan responden yang tinggal di daerah pedesaan. Namun, variabel ini tidak signifikan secara statistik (p-value > 0,05), sehingga daerah tempat tinggal tidak menunjukkan hubungan yang signifikan terhadap kejadian diabetes mellitus setelah dilakukan analisis multivariat.

3.7. Keterbatasan

Penelitian ini memiliki beberapa keterbatasan. Pertama, desain cross-sectional tidak dapat memastikan hubungan sebab-akibat karena variabel paparan dan outcome diukur pada waktu yang sama. Kedua, pengukuran beberapa variabel dilakukan berdasarkan self-report responden sehingga berpotensi menimbulkan bias informasi. Selain itu, pengelompokan variabel menjadi kategori sederhana dapat menyebabkan hilangnya variasi data dan menurunkan kemampuan model dalam menjelaskan kejadian diabetes mellitus. Disarankan pada penelitian selanjutnya untuk menggunakan hasil pemeriksaan medis yang lebih lengkap seperti kadar HbA1c, glukosa darah puasa, maupun pemeriksaan laboratorium lainnya agar identifikasi kejadian diabetes mellitus dapat dilakukan dengan lebih akurat.

Meskipun proporsi kejadian diabetes mellitus pada data penelitian relatif kecil dibandingkan kelompok tidak diabetes, penelitian ini tetap menggunakan regresi logistik biner tanpa proses balancing data. Hal ini dikarenakan tujuan utama penelitian adalah mengidentifikasi faktor-faktor yang berhubungan dengan kejadian diabetes mellitus (inferensi), bukan membangun model klasifikasi prediktif. Selain itu, model regresi logistik yang dibentuk tidak menunjukkan permasalahan konvergensi maupun estimasi parameter yang ekstrem sehingga analisis dinilai masih layak digunakan.

3.8. Implikasi

1. Memperkuat program skrining diabetes mellitus secara berkala melalui puskesmas dan Posbindu PTM, terutama pada kelompok berisiko tinggi seperti usia lanjut, individu dengan riwayat diabetes mellitus pada orang tua, penderita hipertensi, dan individu dengan kolesterol tinggi.

2. Meningkatkan kegiatan promosi kesehatan dan edukasi mengenai pola makan sehat, aktivitas fisik teratur, pengendalian berat badan, serta pentingnya pemeriksaan kesehatan rutin untuk mendukung deteksi dini diabetes mellitus.

3. Mengintegrasikan upaya pencegahan dan pengendalian diabetes mellitus dengan program pengendalian hipertensi dan kolesterol tinggi mengingat kedua kondisi tersebut berhubungan signifikan dengan kejadian diabetes mellitus.

4. Memprioritaskan skrining faktor risiko dan edukasi kesehatan pada kelompok usia dewasa dan lanjut usia serta individu yang memiliki riwayat diabetes mellitus dalam keluarga guna meningkatkan deteksi dini dan mencegah komplikasi penyakit.

Kesimpulan

1. Berdasarkan analisis bivariat, variabel usia, kategori indeks massa tubuh (BMI), status perkawinan, tingkat pendidikan, riwayat diabetes mellitus pada orang tua, status hipertensi, status kolesterol, dan daerah tempat tinggal memiliki hubungan yang signifikan dengan kejadian diabetes mellitus. Sementara itu, jenis kelamin, status merokok, dan tingkat aktivitas fisik tidak menunjukkan hubungan yang signifikan.

2. Berdasarkan analisis regresi logistik biner, faktor-faktor yang berhubungan signifikan dengan kejadian diabetes mellitus adalah usia, status perkawinan, riwayat diabetes mellitus pada orang tua, status hipertensi, dan status kolesterol. Variabel yang tidak menunjukkan hubungan signifikan setelah dikontrol oleh variabel lain adalah BMI, jenis kelamin, status merokok, tingkat pendidikan, aktivitas fisik, dan daerah tempat tinggal.

3. Hasil penelitian menunjukkan perlunya penguatan upaya pencegahan dan deteksi dini diabetes mellitus, terutama pada kelompok berisiko tinggi seperti usia lanjut, individu dengan riwayat diabetes mellitus pada orang tua, penderita hipertensi, dan individu dengan kolesterol tinggi. Program skrining rutin serta edukasi mengenai pola hidup sehat perlu terus ditingkatkan untuk mendukung pengendalian diabetes mellitus di masyarakat.

Daftar Pustaka

1. Alexander, L. K., Lopes, B., Ricchetti-Masterson, K., & Yeatts, K. B. (2015). Cross-sectional studies (ERIC Notebook, 2nd ed.). University of North Carolina at Chapel Hill, Gillings School of Global Public Health, Department of Epidemiology. https://sph.unc.edu/wp-content/uploads/sites/112/2015/07/nciph_ERIC8.pdf

2. Wang, X., & Cheng, Z. (2020). Cross-sectional studies: Strengths, weaknesses, and recommendations. Chest, 158(1 Suppl), S65–S71. https://doi.org/10.1016/j.chest.2020.03.012

3. Bursac, Z., Gauss, C. H., Williams, D. K., & Hosmer, D. W. (2008). Purposeful selection of variables in logistic regression. Source code for biology and medicine, 3, 17. https://doi.org/10.1186/1751-0473-3-17

4. Wang, H., Peng, J., Wang, B., Lu, X., Zheng, J. Z., Wang, K., Tu, X. M., & Feng, C. (2017). Inconsistency Between Univariate and Multiple Logistic Regressions. Shanghai archives of psychiatry, 29(2), 124–128. https://doi.org/10.11919/j.issn.1002-0829.217031

5. Paul Allison. (2013). What’s the Best R-Squared for Logistic Regression? Statistical Horizons. Diakses dari https://statisticalhorizons.com/r2logistic

6. Nattino G, Pennell ML, Lemeshow S. Assessing the goodness of fit of logistic regression models in large samples: A modification of the Hosmer-Lemeshow test. Biometrics. 2020 Jun;76(2):549-560. doi: 10.1111/biom.13249. Epub 2020 Apr 6. PMID: 32134502.

7. Annette M. Chang dan Jeffrey B. Halter American Journal of Physiology-Endocrinology and Metabolism 2003 284:1, E7-E12 10.1152/ajpendo.00366.2002

8. Frøslie, K.F., Røislien, J., Laake, P. et al. Categorisation of continuous exposure variables revisited. A response to the Hyperglycaemia and Adverse Pregnancy Outcome (HAPO) Study. BMC Med Res Methodol 10, 103 (2010). https://doi.org/10.1186/1471-2288-10-103

9. Qin G-Q, Chen L, Zheng J, Wu X-M, Li Y, Yang K, Liu T-F, Fang Z-Z and Zhang Q (2023) Effect of passive smoking exposure on risk of type 2 diabetes: a systematic review and meta-analysis of prospective cohort studies. Front. Endocrinol. 14:1195354. doi: 10.3389/fendo.2023.1195354

10. Ciarambino, T., Crispino, P., Leto, G., Mastrolorenzo, E., Para, O., & Giordano, M. (2022). Influence of Gender in Diabetes Mellitus and Its Complication. International Journal of Molecular Sciences, 23(16), 8850. https://doi.org/10.3390/ijms23168850

11. Kowall, B., Rathmann, W. Partnership and marriage and risk of type 2 diabetes: a narrative review. Diabetologia 68, 704–714 (2025). https://doi.org/10.1007/s00125-025-06360-3

12. Cutler, D. M., & Lleras-Muney, A. (2010). Understanding differences in health behaviors by education. Journal of health economics, 29(1), 1–28. https://doi.org/10.1016/j.jhealeco.2009.10.003

13. Colberg, S. R., Sigal, R. J., Yardley, J. E., Riddell, M. C., Dunstan, D. W., Dempsey, P. C., Horton, E. S., Castorino, K., & Tate, D. F. (2016). Physical activity/exercise and diabetes: A position statement of the American Diabetes Association. Diabetes Care, 39(11), 2065–2079. https://doi.org/10.2337/dc16-1728

14. Muthoni, Kibibi (2024). The Relationship between Genetics and Diabetes: A Comprehensive Review. IAA Journal of Scientific Research. 11. 7-13. 10.59298/IAAJSR/2024/113.713.

15. McHugh M. L. (2013). The chi-square test of independence. Biochemia medica, 23(2), 143–149. https://doi.org/10.11613/bm.2013.018

16. Kim, H. Y. (2017). Statistical notes for clinical researchers: Chi-squared test and Fisher’s exact test. Restorative Dentistry & Endodontics, 42(2), 152–155. https://doi.org/10.5395/rde.2017.42.2.152

17. Petrie, J. R., Guzik, T. J., & Touyz, R. M. (2018). Diabetes, hypertension, and cardiovascular disease: Clinical insights and vascular mechanisms. Canadian Journal of Cardiology, 34(5), 575–584. https://doi.org/10.1016/j.cjca.2017.12.005

18. Ismail, L., Materwala, H., & Al Kaabi, J. (2021). Association of risk factors with type 2 diabetes: A systematic review. Computational and Structural Biotechnology Journal, 19, 1759–1785.

19. International Diabetes Federation. (2025). IDF Diabetes Atlas (11th ed.). Brussels, Belgium: International Diabetes Federation. https://diabetesatlas.org

20. Kementerian Kesehatan RI, Badan Penelitian dan Pengembangan Kesehatan. (2013). Riset Kesehatan Dasar (Riskesdas) 2013. Jakarta: Kementerian Kesehatan RI.

21. Kementerian Kesehatan RI, Badan Penelitian dan Pengembangan Kesehatan. (2018). Riset Kesehatan Dasar (Riskesdas) 2018. Jakarta: Kementerian Kesehatan RI.

22. Kementerian Kesehatan RI, Badan Kebijakan Pembangunan Kesehatan. (2023). Laporan Survei Kesehatan Indonesia (SKI) 2023. Jakarta: Kementerian Kesehatan RI. https://www.badankebijakan.kemkes.go.id/hasil-ski-2023/