1 Pendahuluan

Dokumen ini adalah bahan praktik workshop. Alurnya mengikuti kerangka from data to action: data mentah diolah menjadi informasi (z-score dan prevalensi), informasi diuji menjadi bukti (hubungan faktor risiko), lalu bukti dibaca untuk menyusun usulan tindakan.

Data yang dipakai adalah data simulasi 800 balita dari 16 kecamatan fiktif. Hasil di bawah tidak menggambarkan wilayah mana pun. Semua angka dalam narasi dihitung langsung dari data, sehingga bila berkas data diganti dengan data Anda sendiri dan dokumen dirender ulang, narasinya ikut berubah.

Variabel dalam data:

Variabel	Keterangan
`id`	nomor identitas balita
`kode_kec`, `kecamatan`	wilayah tempat tinggal
`jk`	jenis kelamin (1 = laki-laki, 2 = perempuan)
`umur_bln`	umur dalam bulan (0–59)
`tb_cm`, `bb_kg`	tinggi/panjang badan (cm) dan berat badan (kg)
`cara_ukur`	L = telentang, H = berdiri
`bblr`	riwayat berat badan lahir rendah (Ya/Tidak)
`asi_eks`	mendapat ASI eksklusif (Ya/Tidak)
`pend_ibu`	pendidikan terakhir ibu
`sanitasi`	akses sanitasi rumah tangga (Layak/Tidak layak)

2 Impor dan pemeriksaan data

balita_mentah <- read_csv("data_stunting.csv", show_col_types = FALSE)
glimpse(balita_mentah)

## Rows: 802
## Columns: 12
## $ id        <chr> "B0001", "B0002", "B0003", "B0004", "B0005", "B0006", "B0007…
## $ kode_kec  <chr> "K16", "K03", "K12", "K03", "K03", "K10", "K13", "K04", "K08…
## $ kecamatan <chr> "Kecamatan P", "Kecamatan C", "Kecamatan L", "Kecamatan C", …
## $ jk        <dbl> 2, 1, 1, 2, 2, 1, 1, 2, 2, 2, 1, 2, 1, 1, 1, 1, 2, 2, 1, 1, …
## $ umur_bln  <dbl> 2, 37, 8, 14, 29, 53, 34, 48, 46, 15, 36, 56, 22, 29, 21, 32…
## $ tb_cm     <dbl> 48.0, 83.7, 68.6, 77.8, 82.8, 98.0, 94.1, 93.0, 100.0, 71.9,…
## $ bb_kg     <dbl> 3.9, 8.9, 9.2, 9.4, 12.6, 14.9, 14.2, 12.6, 14.7, 7.8, 12.1,…
## $ cara_ukur <chr> "L", "H", "L", "L", "H", "H", "H", "H", "H", "L", "H", "H", …
## $ bblr      <chr> "Ya", "Ya", "Tidak", "Tidak", "Tidak", "Tidak", "Tidak", "Ti…
## $ asi_eks   <chr> "Tidak", "Tidak", "Ya", "Tidak", "Ya", "Tidak", "Ya", "Tidak…
## $ pend_ibu  <chr> "SD ke bawah", "SMP", "SMA", "SMA", "SD ke bawah", "SMA", "S…
## $ sanitasi  <chr> "Tidak layak", "Tidak layak", "Tidak layak", "Layak", "Tidak…

Sebelum analisis, ada empat hal yang diperiksa: data hilang, data ganda, nilai yang tidak masuk akal, dan kesesuaian cara ukur dengan umur.

# data hilang
balita_mentah |>
  summarise(across(everything(), ~ sum(is.na(.x)))) |>
  pivot_longer(everything(), names_to = "variabel", values_to = "n_hilang") |>
  filter(n_hilang > 0)

variabel	n_hilang
tb_cm	3
asi_eks	2

# ID ganda
balita_mentah |> count(id) |> filter(n > 1)

id	n
B0015	2
B0230	2

# tinggi badan mustahil untuk balita
balita_mentah |> filter(tb_cm < 40 | tb_cm > 130) |>
  select(id, umur_bln, tb_cm)

id	umur_bln	tb_cm
B0120	20	8.2
B0509	48	315.0

# cara ukur menurut umur
balita_mentah |> count(cara_ukur, dibawah_24_bln = umur_bln < 24)

cara_ukur	dibawah_24_bln	n
H	FALSE	490
L	TRUE	312

balita_bersih <- balita_mentah |>
  distinct() |>
  mutate(tb_cm = if_else(tb_cm < 40 | tb_cm > 130, NA_real_, tb_cm)) |>
  filter(!is.na(tb_cm), between(umur_bln, 0, 59))

Dari 802 baris data awal, tersisa 795 baris setelah data ganda, tinggi badan yang tidak masuk akal, dan tinggi badan yang kosong dikeluarkan. Dalam pekerjaan nyata, nilai yang mencurigakan sebaiknya dikonfirmasi ke formulir atau petugas pengukur sebelum dibuang.

3 Z-score TB/U dan status stunting

Tinggi badan mentah tidak bisa dibandingkan antaranak karena umur dan jenis kelaminnya berbeda. Karena itu tinggi badan diubah menjadi z-score tinggi badan menurut umur (TB/U) dengan acuan standar pertumbuhan WHO 2006 melalui paket anthro.

z <- with(balita_bersih, anthro_zscores(
  sex = jk, age = umur_bln, is_age_in_month = TRUE,
  weight = bb_kg, lenhei = tb_cm, measure = cara_ukur))

balita_z <- balita_bersih |>
  mutate(haz = z$zlen, flag_haz = z$flen)

balita_z |> count(flag_haz)

flag_haz	n
0	795

Nilai dengan flag_haz = 1 (|z| > 6) secara biologis hampir mustahil dan dikeluarkan dari analisis.

balita <- balita_z |>
  filter(flag_haz == 0) |>
  mutate(
    status_tbu = cut(haz, breaks = c(-Inf, -3, -2, Inf), right = FALSE,
                     labels = c("Sangat pendek", "Pendek", "Normal")),
    stunting   = factor(if_else(haz < -2, "Ya", "Tidak"), levels = c("Tidak", "Ya")),
    jk         = factor(jk, levels = 1:2, labels = c("Laki-laki", "Perempuan")),
    kel_umur   = cut(umur_bln, breaks = c(0, 6, 12, 24, 36, 48, 60), right = FALSE,
                     labels = c("0-5", "6-11", "12-23", "24-35", "36-47", "48-59")),
    bblr       = factor(bblr,     levels = c("Tidak", "Ya")),
    asi_eks    = factor(asi_eks,  levels = c("Ya", "Tidak")),
    sanitasi   = factor(sanitasi, levels = c("Layak", "Tidak layak")),
    pend_ibu   = factor(pend_ibu, levels = c("Perguruan tinggi", "SMA", "SMP", "SD ke bawah"))
  )

balita |> count(status_tbu) |> mutate(persen = round(100 * n / sum(n), 1))

status_tbu	n	persen
Sangat pendek	60	7.5
Pendek	149	18.7
Normal	586	73.7

ggplot(balita, aes(haz)) +
  geom_histogram(binwidth = 0.25, fill = warna_normal, colour = "white") +
  geom_vline(xintercept = c(-3, -2), linetype = "dashed", colour = warna_stunting) +
  labs(title = "Sebaran z-score TB/U",
       subtitle = "Garis putus-putus: batas -3 SD dan -2 SD",
       x = "z-score TB/U", y = "Jumlah balita")

4 Besar masalah dan distribusinya

uji_prev <- binom.test(sum(balita$stunting == "Ya"), nrow(balita))
prev_total <- 100 * unname(uji_prev$estimate)
prev_ik    <- 100 * uji_prev$conf.int

prev_per <- function(data, ...) {
  data |>
    group_by(...) |>
    summarise(n = n(), kasus = sum(stunting == "Ya"), .groups = "drop") |>
    mutate(prevalensi = 100 * kasus / n,
           ik = map2(kasus, n, \(k, m) 100 * binom.test(k, m)$conf.int),
           ik_bawah = map_dbl(ik, 1),
           ik_atas  = map_dbl(ik, 2)) |>
    select(-ik)
}

prev_kec  <- prev_per(balita, kode_kec, kecamatan) |> arrange(desc(prevalensi))
prev_pend <- prev_per(balita, pend_ibu)

Prevalensi stunting pada 795 balita adalah 26,3% (IK 95%: 23,3–29,5%). Menurut pendidikan ibu, prevalensi terendah ada pada kelompok Perguruan tinggi (14,4%) dan tertinggi pada kelompok SD ke bawah (38,8%).

4.1 Karakteristik balita menurut status stunting

balita |>
  select(stunting, jk, kel_umur, pend_ibu, asi_eks, sanitasi, bblr) |>
  tbl_summary(
    by = stunting, percent = "row",
    label = list(jk ~ "Jenis kelamin", kel_umur ~ "Kelompok umur (bulan)",
                 pend_ibu ~ "Pendidikan ibu", asi_eks ~ "ASI eksklusif",
                 sanitasi ~ "Sanitasi", bblr ~ "BBLR"),
    missing_text = "Tidak tercatat"
  ) |>
  add_overall() |>
  add_p() |>
  modify_spanning_header(c("stat_1", "stat_2") ~ "**Stunting**")

Characteristic	Overall N = 795¹	Stunting		p-value²
Characteristic	Overall N = 795¹	Tidak N = 586¹	Ya N = 209¹	p-value²
Jenis kelamin				0.093
Laki-laki	394 (100%)	280 (71%)	114 (29%)
Perempuan	401 (100%)	306 (76%)	95 (24%)
Kelompok umur (bulan)				<0.001
0-5	79 (100%)	40 (51%)	39 (49%)
6-11	76 (100%)	54 (71%)	22 (29%)
12-23	154 (100%)	111 (72%)	43 (28%)
24-35	169 (100%)	128 (76%)	41 (24%)
36-47	162 (100%)	128 (79%)	34 (21%)
48-59	155 (100%)	125 (81%)	30 (19%)
Pendidikan ibu				<0.001
Perguruan tinggi	97 (100%)	83 (86%)	14 (14%)
SMA	315 (100%)	246 (78%)	69 (22%)
SMP	223 (100%)	159 (71%)	64 (29%)
SD ke bawah	160 (100%)	98 (61%)	62 (39%)
ASI eksklusif				<0.001
Ya	400 (100%)	329 (82%)	71 (18%)
Tidak	393 (100%)	255 (65%)	138 (35%)
Tidak tercatat	2	2	0
Sanitasi				<0.001
Layak	581 (100%)	454 (78%)	127 (22%)
Tidak layak	214 (100%)	132 (62%)	82 (38%)
BBLR				<0.001
Tidak	720 (100%)	552 (77%)	168 (23%)
Ya	75 (100%)	34 (45%)	41 (55%)
¹ n (%)
² Pearson’s Chi-squared test

Persentase dalam tabel adalah persentase baris, sehingga kolom “Ya” dapat dibaca langsung sebagai prevalensi stunting pada tiap kelompok.

4.2 Menurut pendidikan ibu dan umur

balita |>
  count(pend_ibu, stunting) |>
  group_by(pend_ibu) |>
  mutate(prop = n / sum(n)) |>
  ungroup() |>
  ggplot(aes(pend_ibu, prop, fill = stunting)) +
  geom_col(width = 0.65, colour = "white", linewidth = 0.5) +
  geom_text(aes(label = scales::percent(prop, accuracy = 1)),
            position = position_stack(vjust = 0.5),
            colour = "white", fontface = "bold", size = 3.6) +
  scale_y_continuous(labels = scales::percent) +
  scale_fill_manual(values = c(Tidak = warna_normal, Ya = warna_stunting)) +
  labs(title = "Proporsi stunting menurut pendidikan ibu",
       x = "Pendidikan ibu", y = "Proporsi balita", fill = "Stunting")

prev_per(balita, kel_umur) |>
  ggplot(aes(kel_umur, prevalensi, group = 1)) +
  geom_errorbar(aes(ymin = ik_bawah, ymax = ik_atas), width = 0.15, colour = "grey55") +
  geom_line(colour = warna_stunting, linewidth = 1) +
  geom_point(colour = warna_stunting, size = 3) +
  labs(title = "Prevalensi stunting menurut kelompok umur",
       subtitle = "Garis vertikal menunjukkan IK 95%",
       x = "Umur (bulan)", y = "Prevalensi (%)")

4.3 Menurut wilayah

# Untuk data nyata:
#   peta <- st_read("kecamatan.shp") |> left_join(prev_kec, by = "kode_kec")
kotak <- st_make_grid(st_as_sfc(st_bbox(c(xmin = 0, ymin = 0, xmax = 4, ymax = 4))),
                      n = c(4, 4))
peta <- st_sf(kode_kec = sprintf("K%02d", 1:16), geometry = kotak) |>
  left_join(prev_kec, by = "kode_kec")

ggplot(peta) +
  geom_sf(aes(fill = prevalensi), colour = "white", linewidth = 0.8) +
  geom_sf_text(aes(label = sprintf("%s\n%.0f%%\n(n=%d)",
                                   str_remove(kecamatan, "Kecamatan "), prevalensi, n)),
               size = 3, colour = "grey10") +
  scale_fill_gradient(low = "#FBE3D6", high = "#B83A1A", name = "Prevalensi (%)") +
  labs(title = "Prevalensi stunting per kecamatan",
       subtitle = "Wilayah ilustratif (data simulasi)") +
  theme_void() +
  theme(plot.title = element_text(face = "bold"))

prev_kec |>
  mutate(across(c(prevalensi, ik_bawah, ik_atas), \(x) round(x, 1))) |>
  head(5)

kode_kec	kecamatan	n	kasus	prevalensi	ik_bawah	ik_atas
K15	Kecamatan O	50	26	52.0	37.4	66.3
K06	Kecamatan F	54	24	44.4	30.9	58.6
K07	Kecamatan G	41	13	31.7	18.1	48.1
K02	Kecamatan B	60	19	31.7	20.3	45.0
K08	Kecamatan H	49	15	30.6	18.3	45.4

Lima kecamatan dengan prevalensi tertinggi ditampilkan di atas. Kecamatan O berada di urutan pertama dengan prevalensi 52,0% dari 50 balita. Perlu diingat bahwa jumlah balita per kecamatan kecil, sehingga interval kepercayaannya lebar (37,4–66,3% untuk kecamatan tersebut). Urutan antarwilayah yang selisihnya kecil belum tentu berbeda secara nyata.

5 Faktor yang berhubungan dengan stunting

5.1 Analisis bivariat

faktor <- c("bblr", "asi_eks", "sanitasi", "pend_ibu")

map_dfr(faktor, \(v) {
  u <- chisq.test(table(balita[[v]], balita$stunting))
  tibble(variabel = v, chisq = round(unname(u$statistic), 2),
         df = unname(u$parameter), p_value = signif(u$p.value, 3))
})

variabel	chisq	df	p_value
bblr	32.82	1	0.00e+00
asi_eks	29.91	1	0.00e+00
sanitasi	21.02	1	4.50e-06
pend_ibu	23.65	3	2.96e-05

5.2 Regresi logistik biner

model <- glm(stunting ~ bblr + asi_eks + sanitasi + pend_ibu,
             data = balita, family = binomial)

tabel_or <- tbl_regression(
  model, exponentiate = TRUE,
  label = list(bblr ~ "BBLR", asi_eks ~ "ASI eksklusif",
               sanitasi ~ "Sanitasi", pend_ibu ~ "Pendidikan ibu"))

tabel_or_kasar <- balita |>
  select(stunting, all_of(faktor)) |>
  tbl_uvregression(method = glm, y = stunting,
                   method.args = list(family = binomial),
                   exponentiate = TRUE,
                   label = list(bblr ~ "BBLR", asi_eks ~ "ASI eksklusif",
                                sanitasi ~ "Sanitasi", pend_ibu ~ "Pendidikan ibu"))

tbl_merge(list(tabel_or_kasar, tabel_or),
          tab_spanner = c("**OR kasar**", "**OR terkoreksi**"))

Characteristic	OR kasar				OR terkoreksi
Characteristic	N	OR	95% CI	p-value	OR	95% CI	p-value
BBLR	795
Tidak		—	—		—	—
Ya		3.96	2.44, 6.47	<0.001	4.07	2.44, 6.84	<0.001
ASI eksklusif	793
Ya		—	—		—	—
Tidak		2.51	1.81, 3.50	<0.001	2.32	1.64, 3.31	<0.001
Sanitasi	795
Layak		—	—		—	—
Tidak layak		2.22	1.58, 3.11	<0.001	2.29	1.59, 3.28	<0.001
Pendidikan ibu	795
Perguruan tinggi		—	—		—	—
SMA		1.66	0.91, 3.22	0.11	1.56	0.82, 3.14	0.2
SMP		2.39	1.30, 4.66	0.007	2.18	1.13, 4.46	0.025
SD ke bawah		3.75	2.01, 7.42	<0.001	3.46	1.78, 7.12	<0.001
Abbreviations: CI = Confidence Interval, OR = Odds Ratio

or_adj <- tidy(model, exponentiate = TRUE, conf.int = TRUE) |>
  filter(term != "(Intercept)")

label_term <- c(bblrYa = "BBLR",
                asi_eksTidak = "Tidak ASI eksklusif",
                `sanitasiTidak layak` = "Sanitasi tidak layak",
                pend_ibuSMA = "Ibu SMA",
                pend_ibuSMP = "Ibu SMP",
                `pend_ibuSD ke bawah` = "Ibu SD ke bawah")

or_adj |>
  mutate(label = factor(label_term[term], levels = rev(label_term))) |>
  ggplot(aes(estimate, label)) +
  geom_vline(xintercept = 1, linetype = "dashed", colour = "grey50") +
  geom_errorbar(aes(xmin = conf.low, xmax = conf.high), width = 0.2,
                orientation = "y", colour = "grey25") +
  geom_point(colour = warna_stunting, size = 3.2) +
  geom_text(aes(label = sprintf("%.2f (%.2f-%.2f)", estimate, conf.low, conf.high)),
            vjust = -1.1, size = 3.2, colour = "grey25") +
  scale_x_log10(breaks = c(0.5, 1, 2, 4, 8)) +
  labs(title = "Faktor yang berhubungan dengan stunting",
       subtitle = "Odds ratio terkoreksi dan IK 95% (skala log)",
       x = "Odds ratio", y = NULL)

or_bblr <- or_adj |> filter(term == "bblrYa")

Setelah dikontrol oleh variabel lain dalam model, odds stunting pada balita dengan riwayat BBLR sekitar 4,07 kali odds pada balita dengan berat lahir normal (IK 95%: 2,44–6,84). Faktor lain dibaca dengan cara yang sama, selalu terhadap kategori pembandingnya: ASI eksklusif “Ya”, sanitasi “Layak”, dan ibu berpendidikan perguruan tinggi.

5.3 Pemeriksaan model

# Multikolinearitas
nilai_vif <- vif(model)
nilai_vif

##              GVIF Df GVIF^(1/(2*Df))
## bblr     1.013411  1        1.006683
## asi_eks  1.027036  1        1.013428
## sanitasi 1.013969  1        1.006960
## pend_ibu 1.041314  3        1.006770

gvif_maks <- max(nilai_vif[, "GVIF^(1/(2*Df))"])

# Hosmer-Lemeshow
hosmer_lemeshow <- function(y, p, g = 10) {
  kelompok <- cut(p, breaks = unique(quantile(p, probs = seq(0, 1, length.out = g + 1))),
                  include.lowest = TRUE)
  amatan  <- tapply(y, kelompok, sum)
  harapan <- tapply(p, kelompok, sum)
  n_kel   <- tapply(y, kelompok, length)
  stat <- sum((amatan - harapan)^2 / (harapan * (1 - harapan / n_kel)))
  df   <- length(n_kel) - 2
  tibble(chisq = stat, df = df, p_value = pchisq(stat, df, lower.tail = FALSE))
}
hl <- hosmer_lemeshow(as.integer(model$model$stunting == "Ya"), fitted(model))
hl

chisq	df	p_value
7.055766	7	0.4230967

# AUC
kurva_roc <- roc(model$model$stunting, fitted(model),
                 levels = c("Tidak", "Ya"), direction = "<", quiet = TRUE)
ik_auc <- ci.auc(kurva_roc)

Nilai GVIF^(1/(2·Df)) terbesar adalah 1,01; angka ini jauh dari batas 2,2 sehingga multikolinearitas tidak menjadi masalah. Uji Hosmer-Lemeshow menghasilkan p = 0,423, sehingga tidak ada bukti bahwa model kurang cocok dengan data. AUC sebesar 0,723 (IK 95%: 0,684–0,762) menunjukkan kemampuan model membedakan balita stunting dan tidak stunting. Model ini dibuat untuk mencari faktor yang berhubungan, bukan untuk menapis anak satu per satu, sehingga AUC tidak perlu sangat tinggi.

6 Rasio prevalensi

Stunting bukan kejadian langka. Pada prevalensi di atas 10%, odds ratio akan tampak lebih besar daripada rasio prevalensi (RP). Regresi Poisson dengan galat baku robust memberi RP yang lebih mudah dikomunikasikan kepada pengelola program.

model_rp <- glm(I(stunting == "Ya") ~ bblr + asi_eks + sanitasi + pend_ibu,
                data = balita, family = poisson(link = "log"))
vc_robust <- vcovHC(model_rp, type = "HC0")
uji_rp <- coeftest(model_rp, vcov. = vc_robust)
ik_rp  <- coefci(model_rp, vcov. = vc_robust)

rasio_prevalensi <- tibble(
  term     = rownames(uji_rp),
  rp       = exp(uji_rp[, "Estimate"]),
  ik_bawah = exp(ik_rp[, 1]),
  ik_atas  = exp(ik_rp[, 2]),
  p_value  = uji_rp[, "Pr(>|z|)"]
) |>
  filter(term != "(Intercept)")

perbandingan <- or_adj |>
  select(term, or = estimate) |>
  left_join(rasio_prevalensi |> select(term, rp, ik_bawah, ik_atas), by = "term") |>
  mutate(faktor = label_term[term], .before = 1) |>
  select(-term) |>
  mutate(across(where(is.numeric), \(x) round(x, 2)))
perbandingan

faktor	or	rp	ik_bawah	ik_atas
BBLR	4.07	2.20	1.73	2.80
Tidak ASI eksklusif	2.32	1.79	1.40	2.28
Sanitasi tidak layak	2.29	1.69	1.35	2.11
Ibu SMA	1.56	1.43	0.86	2.38
Ibu SMP	2.18	1.79	1.07	2.98
Ibu SD ke bawah	3.46	2.37	1.43	3.93

rp_bblr <- rasio_prevalensi |> filter(term == "bblrYa")

Untuk BBLR, OR = 4,07 sedangkan RP = 2,20. Kalimat untuk laporan program: prevalensi stunting pada balita dengan riwayat BBLR sekitar 2,2 kali prevalensi pada balita yang lahir dengan berat normal.

7 Dari bukti ke tindakan

Faktor yang tetap berhubungan bermakna setelah dikontrol satu sama lain, diurutkan dari RP terbesar: Ibu SD ke bawah, BBLR, Tidak ASI eksklusif, Ibu SMP, Sanitasi tidak layak. Usulan tindakan dapat disusun dengan menelusuri setiap faktor tersebut:

Temuan	Contoh tindakan	Jenis intervensi
BBLR	ANC berkualitas, tablet tambah darah, pemantauan gizi ibu hamil	Spesifik
Tidak ASI eksklusif	Konseling menyusui di posyandu, dukungan laktasi di tempat kerja	Spesifik
Sanitasi tidak layak	Koordinasi program air minum dan sanitasi di desa prioritas	Sensitif
Pendidikan ibu rendah	Edukasi gizi dengan media yang mudah dipahami	Sensitif
Kecamatan dengan prevalensi tertinggi	Prioritas pendampingan dan alokasi sumber daya	Penargetan

Beberapa batasan yang perlu disampaikan bersama hasil ini:

Desain potong lintang hanya menunjukkan hubungan, bukan sebab-akibat.
Variabel yang tidak diukur (misalnya penyakit infeksi, tinggi badan orang tua, pendapatan) bisa ikut memengaruhi hasil.
Prevalensi tingkat kecamatan dihitung dari sampel kecil sehingga kurang stabil.

8 Informasi sesi

sessionInfo()

## R version 4.6.1 (2026-06-24 ucrt)
## Platform: x86_64-w64-mingw32/x64
## Running under: Windows 11 x64 (build 26200)
## 
## Matrix products: default
##   LAPACK version 3.12.1
## 
## locale:
## [1] LC_COLLATE=English_Indonesia.utf8  LC_CTYPE=English_Indonesia.utf8   
## [3] LC_MONETARY=English_Indonesia.utf8 LC_NUMERIC=C                      
## [5] LC_TIME=English_Indonesia.utf8    
## 
## time zone: Asia/Makassar
## tzcode source: internal
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
##  [1] car_3.1-5       carData_3.0-6   pROC_1.19.0.1   lmtest_0.9-40  
##  [5] zoo_1.9-0       sandwich_3.1-2  sf_1.1-2        broom_1.0.13   
##  [9] gtsummary_2.6.1 anthro_1.1.0    lubridate_1.9.5 forcats_1.0.1  
## [13] stringr_1.6.0   dplyr_1.2.1     purrr_1.2.2     readr_2.2.0    
## [17] tidyr_1.3.2     tibble_3.3.1    ggplot2_4.0.3   tidyverse_2.0.0
## 
## loaded via a namespace (and not attached):
##  [1] tidyselect_1.2.1     farver_2.1.2         S7_0.2.2            
##  [4] fastmap_1.2.0        broom.helpers_1.23.0 labelled_2.16.1     
##  [7] digest_0.6.39        timechange_0.4.0     lifecycle_1.0.5     
## [10] survival_3.8-6       magrittr_2.0.5       compiler_4.6.1      
## [13] rlang_1.3.0          sass_0.4.10          tools_4.6.1         
## [16] yaml_2.3.12          gt_1.3.0             knitr_1.51          
## [19] labeling_0.4.3       bit_4.6.0            classInt_0.4-11     
## [22] xml2_1.6.0           RColorBrewer_1.1-3   abind_1.4-8         
## [25] KernSmooth_2.23-26   withr_3.0.3          grid_4.6.1          
## [28] e1071_1.7-17         scales_1.4.0         cli_3.6.6           
## [31] survey_4.5           rmarkdown_2.32       crayon_1.5.3        
## [34] generics_0.1.4       otel_0.2.0           rstudioapi_0.19.0   
## [37] tzdb_0.5.0           commonmark_2.0.0     DBI_1.3.0           
## [40] cachem_1.1.0         proxy_0.4-29         splines_4.6.1       
## [43] parallel_4.6.1       mitools_2.4          vctrs_0.7.3         
## [46] Matrix_1.7-5         jsonlite_2.0.0       litedown_0.11       
## [49] hms_1.1.4            bit64_4.8.4          Formula_1.2-5       
## [52] jquerylib_0.1.4      units_1.0-1          glue_1.8.1          
## [55] stringi_1.8.7        gtable_0.3.6         pillar_1.11.1       
## [58] htmltools_0.5.9      R6_2.6.1             vroom_1.7.1         
## [61] evaluate_1.0.5       lattice_0.22-9       haven_2.5.5         
## [64] markdown_2.0         backports_1.5.1      cards_0.9.0         
## [67] bslib_0.11.0         class_7.3-23         Rcpp_1.1.2          
## [70] cardx_0.3.4          xfun_0.60            fs_2.1.0            
## [73] pkgconfig_2.0.3

Analisis Epidemiologi Stunting dengan R

Workshop Code for Health: From Data to Action

Dr. M. Fathurahman, S.Si., M.Si. · Program Studi Statistika, FMIPA Universitas Mulawarman

31 October 2026