Disusun Oleh:
dr. Steven
Pembimbing:
dr. Monica Christina Mangoot
PUSKESMAS WAWONASA
DINAS KESEHATAN KOTA MANADO
2020
i
LEMBAR PENGESAHAN
ii
KATA PENGANTAR
Penulis
iii
DAFTAR ISI
HalamanJudul…………………………………………………………………......i
Lembar Pengesahan……………………………………………………………….ii
Kata Pengantar…………………………………………..………………………..iii
Daftar Isi…………………………………………………………………….……iv
BAB I PENDAHULUAN……………………………………………….....……1
1.1 Latar Belakang…………………………………………………………….….1
1.2 Gambaran Umum Wilayah Penelitian………………………….…………….3
1.3 Rumusan Masalah………………………………………….…………………7
1.4 Tujuan Penelitian…………………………………………..…………...…….7
1.5 Manfaat Penelitian…………………………………….……………………...7
BAB II TINJAUAN PUSTAKA…………………….…………...……………..9
2.1 Status Sosioekonomi…………………………………………………………9
2.2 Status Nutrisi……………………………………………………………..…..27
2.3 Wealth Index……………………………………………………………………34
BAB III METODOLOGI PENELITIAN……………………………..………37
3.1 Desain Penelitian…………………………………………………….………37
3.2 Lokasi dan Waktu Penelitian………………………………………………...37
3.3 Definisi Operasional…………………………………….…………………...37
3.4 Populasi dan Sampel Penelitian……………………….……………………..39
3.5 Pengumpulan Data………………………………….………………………..40
3.6 Analisis Data……………………………………….………………………...41
3.7 Pengolahan Data……………………………….…………………………….41
BAB IV HASIL DAN PEMBAHASAN……………………..………………...44
4.1 Karakteristik Subjek Penelitian……………………………………………...44
4.2 Hubungan Indeks Kekayaan dengan Indeks Massa Tubuh……………….…47
4.3 Hubungan Jumlah Penghasilan dan Jumlah Pengeluaran Rumah Tangga
dengan Indeks Massa Tubuh…………….…………………………….………...50
4.4 Keterbatasan Penelitian………………………………………………….…..50
BAB V KESIMPULAN………………………………………………………..51
Daftar Pustaka…………………………………………………………….……..53
Lampiran………………………………………………………………………...60
iv
BAB I
PENDAHULUAN
1
dan 2,5 bulan untuk wilayah pedesaan. Persentase kelahiran hidup yang ditolong
oleh tenaga kesehatan terlatih di Indonesia sebesar 91%. Terdapat 61% persalinan
yang ditolong oleh bidan, bidan desa atau perawat. Terdapat 29% persalinan yang
ditolong oleh dokter spesialis kebidanan. Persentase persalinan sectio caesarea pada
populasi wanita yang disurvei adalah sebesar 17%. Persentase wanita yang
melakukan persalinan pada fasilitas kesehatan adalah sebesar 74%, wanita yang
melakukan persalinan di fasilitas kesehatan tingkat pertama sebanyak 42%,
sementara wanita yang melakukan persalinan di fasilitas kesehatan rujukan tingkat
lanjut sebanyak 32%.
Menurut laporan riset kesehatan dasar (Riskesdas) tahun 2018, persentase
orang kurus (IMT-Indeks Massa Tubuh <18,5 kg/m2) di Indonesia sebanyak 9,3%,
persentase orang dengan IMT normal (IMT ≥ 18,5 sampai IMT < 25 kg/m2)
sebanyak 55,3%, persentase orang dengan kelebihan berat badan (IMT ≥ 25 sampai
IMT < 27 kg/m2) sebesar 13,6%, dan terdapat 21,8% orang yang mengalami
obesitas (IMT ≥ 27 kg/m2) di Indonesia 3 . Prevalensi orang kurus di provinsi
Sulawesi Utara adalah sebesar 5%, orang dengan IMT normal sebesar 48,5%, orang
dengan kelebihan berat badan sebesar 16,3%, dan orang yang mengalami obesitas
sebanyak 30,2%. Persentase wanita kurus (IMT < 18,5 kg/m2) di Indonesia
sebanyak 7,8%, persentase wanita dengan IMT normal (IMT ≥ 18,5 sampai IMT <
25 kg/m2) sebanyak 47,8%, persentase wanita dengan kelebihan berat badan (IMT
≥ 25 sampai IMT < 27 kg/m2) sebesar 15,1%, dan terdapat 29,3% wanita yang
mengalami obesitas (IMT ≥ 27 kg/m2) di Indonesia. Prevalensi wanita kurus di
provinsi Sulawesi Utara adalah sebesar 5,2%, wanita dengan IMT normal sebesar
41,3%, wanita dengan kelebihan berat badan sebesar 15,7%, dan wanita yang
mengalami obesitas sebanyak 37,8%.
Status sosioekonomi dapat menimbulkan beberapa masalah dalam
masyarakat. Kesenjangan (inequalities) dalam penggunaan fasilitas kesehatan di
Indonesia dapat diakibatkan oleh perbedaan tingkat pendidikan terutama untuk
penggunaan fasilitas kesehatan sekunder dan fasilitas kesehatan rawat inap
(Mulyanto et al., 2019) 4 . Pasien yang memiliki status pendidikan lebih tinggi
cenderung lebih banyak mengakses layanan fasilitas kesehatan sekunder (RII=
10,35; 95% CI= 8,11-13,22) dan fasilitas rawat inap (RII= 30,31; 95% CI= 24,97-
38,23). Perbedaan tingkat penghasilan juga berkontribusi terhadap akses kesehatan
dimana individu dengan pendapatan yang lebih tinggi cenderung lebih sering
2
mengakses layanan kesehatan primer (RII= 1,68; 95% CI= 1,52-1,85) dan layanan
rawat inap (RII=3,11; 95% CI= 2,63-3,66). Tindakan pencegahan penyakit juga
lebih cenderung dilakukan oleh orang dengan status pendidikan dan penghasilan
yang lebih tinggi.
Status sosioekonomi juga berpengaruh terhadap mortalitas wanita di
Indonesia (Sudharsanan, 2017)5. Harapan hidup wanita yang tinggal di perkotaan
cenderung meningkat sebesar 0,57 tahun sesuai dengan peningkatan kuartil
sosioekonomi (indeks konsumsi dan indeks kekayaan/ wealth index. Wanita pada
kuartil terendah memiliki angka harapan hidup yang dihitung saat berusia 30 tahun
(e30) sebesar 41,8 tahun dan wanita pada kuartil tertinggi memiliki angka harapan
hidup 43,8 tahun (p=0,234; 95%CI= 41,9-45,3). Prevalensi hipertensi dan obesitas
pada pria dan wanita di Indonesia cenderung meningkat sesuai dengan peningkatan
status sosioekonomi. Peningkatan prevalensi obesitas juga terjadi seiring dengan
peningkatan status sosioekonomi pada individu di Indonesia (Aizawa & Helble,
2017)6.
Status sosioekonomi berpengaruh dalam akses pelayanan kesehatan ibu
hamil (Nababan et al., 2018) 7 . Wanita dengan status ekonomi yang lebih baik
memiliki kemungkinan 5,45 kali lipat (95% CI= 4,75-6,25) untuk mengalami
persalinan di sebuah fasilitas kesehatan. Wanita dengan status ekonomi yang lebih
baik memiliki kemungkinan 2,83 kali lipat (95%CI= 2,23-3,60) untuk mengalami
persalinan dengan cara sectio caesaria. Penggunaan akses kesehatan lebih tinggi
pada Pulau Jawa dan Bali dibanding pulau lainnya di Indonesia. Kondisi
sosioekonomi rendah pada kelompok ibu hamil dapat menimbulkan penurunan
produksi kadar kortisol diurnal dan meningkatkan risiko berat bayi lahir rendah
(Bublitz et al., 2016) 8 . Keadaan sosioekonomi rendah juga dapat menurunkan
kualitas tidur pada ibu hamil (Silva-perez et al., 2019)9. Kelainan tidur pada ibu
hamil juga berhubungan dengan komplikasi kehamilan seperti diabetes gestasional,
hipertensi kehamilan, pre-eklamsia, dan persalinan preterm (Romero & Badr,
2014)10.
3
sebagai Pusat Training Center (PTC). Pusat Training Center memiliki cakupan
pelayanan kesehatan di wilayah kecamatan Manado Utara. Pada tahun 1985, terjadi
pemerkaran wilayah dalam Kota Manado dari yang semula Kecamatan Manado
Utara menjadi wilayah Kecamatan Molas. Terdapat dua Pusat Kesehatan
Masyarakat (Puskesmas) dalam wilayah Kecamatan Molas yaitu Puskesmas
Tuminting dan Puskesmas Kombos.
Perubahan struktur pemerintahan di berbagai bidang juga menngakibatkan
penyerahan Pusat Training Center ke pemerintah Kota Manado. Setelah diserahkan
ke pemerintah, PTC selanjutnya mengalami pengalihan status menjadi Pusat
Kesehatan Masyarakat Wawonasa Kecamatan Singkil. Lokasi Puskesmas
Wawonasa berada tepat di tengah wilayah Kecamatan Singkil Kota Manado Jl.
Pattimura No. 5 Kelurahan Karame Lingkungan I (satu). Puskesmas Wawonasa
diharapkan dapat menjangkau dan melayani kebutuhan masyarakat dalam rangka
pelayanan kesehatan, terutama warga masyarakat Kota Manado yang
membutuhkan pelayanan di wilayah Kecamatan Singkil.
1.2.2 Geografis
Puskesmas Wawonasa Kecamatan Singkil Kota Manado memiliki wilayah
kerja yang meliputi sebagian dari wilayah pemerintahan Kecamatan Singkil.
Wilayah kerja ini terdiri dari empat kelurahan dan dua puluh empat lingkungan.
Batas-batas wilayah kerja Puskesmas Wawonasa Kecamatan Singkil Kota Manado
adalah sebagai berikut:
Sebelah Utara : Kelurahan Islam
Sebelah Selatan : Kelurahan Istiqlal dan Kelurahan Komo Luar
Sebelah Timur : Kelurahan Singkil II dan Kelurahan Ternate Baru
Sebelah Barat : Kelurahan Sindulang IV
4
Total luas keempat kelurahan di wilayah kerja Puskesmas Wawonasa
adalah 105,5 Ha, masing-masing sebagai berikut:
a. Kelurahan Ketang Baru : 8 Ha
b. Kelurahan Karame : 12,3 Ha
c. Kelurahan Wawonasa : 21 Ha
d. Kelurahan Singkil I : 64,2 Ha
5
Tingkat Jumlah Laki-laki Jumlah Perempuan Jumlah Laki-laki +
Pendidikan (%) (%) Perempuan (%)
6
Pekerja Bukan Penerima Upah (PBPU)/
2.801 (13,4%)
mandiri
Bukan Pekerja (BP) 539 (2,6%)
Sub Jumlah Non PBI 4.385 (21,1%)
Jumlah 13.841 (66,5%)
7
2. Untuk mengetahui hubungan antara jumlah pemasukan dan
pengeluaran rumah tangga dengan Indeks Massa Tubuh (IMT) pada
ibu hamil di wilayah kerja Puskesmas Wawonasa
8
BAB II
TINJAUAN PUSTAKA
9
1999; Bowles & Gintis, 2002)16,17. Pengukuran status sosioekonomi lebih sering
menggunakan variabel penghasilan atau tingkat pendidikan di Amerika Serikat,
sementara di Eropa jenis pekerjaan merupakan variabel yang paling sering
digunakan. Beberapa penelitian tidak mengkategorikan ras atau etnis sebagai
variabel pengukuran dari status sosioekonomi (KaufMan, Cooper, dan McGee 1997;
Oakes & Rossi 2003)18,13. Hal ini dikarenakan seseorang dapat mengubah status
sosioekonomi tanpa merubah fenotipe fisiknya seperti warna kulit maupun aksen
bicaranya. Beberapa ahli cenderung menggunakan koefisien Gini dan indeks Theil
untuk mengukur kesenjangan tersebut. Penggunaan koefisien Gini dan indeks Theil
bersifat langsung namun terbatas karena hanya mengukur satu dimensi dari status
sosioekonomi yaitu jumlah penghasilan atau kekayaan seseorang.
Pengukuran status sosioekonomi memiliki beberapa peran penting.
Pengukuran status sosioekonomi dan statistik yang didasarkan oleh pengukuran
tersebut misalnya varian diperlukan untuk mengkuantifikasi dan memahami
tingkatan stratifikaksi atau kesenjangan dalam masyarakat. Perumusan keputusan
dalam kesehatan masyarakat membutuhkan pengukuran status sosioekonomi yang
tepat. Pengukuran status sosioekonomi dapat menggambarkan perubahan struktural
sosial. Pengukuran status sosioekonomi juga dapat menggambarkan perubahan
status sosial dalam masyarakat yang terjadi dalam beberapa generasi secara konsep
egalitarian. Pengukuran status sosioekonomi dapat membedakan dampak faktor
sosioekonomi dengan faktor sosial lain misalnya ras atau jenis kelamin terhadap
kesehatan masyarakat. Status sosioekonomi penting karena berhubungan dengan
kesehatan dan harapan hidup seseorang.
Intervensi politik maupun ekonomi dengan cara meningkatkan kesempatan
pendidikan (modal manusia/ human capital) bertujuan untuk meningkatkan
kesempatan individu tersebut untuk memperoleh pekerjaan yang lebih baik dan
meningkatkan status sosioekonomi individu tersebut. Ahli ekonomi lain
berpendapat bahwa usaha peningkatan produk domestik bruto/ Gross Domestic
Product (GDP) dapat meningkatkan status kesehatan masyarakat. Di sisi lain,
perbaikan dalam status kesehatan juga dapat terjadi saat status ekonomi masyarakat
tidak meningkat atau konstan. Beberapa kebijakan dan intervensi yang ditujukan
langsung dalam sektor kesehatan misalnya upaya vaksinasi dan imunisasi
meningkatan status kesehatan namun tidak merubah status sosioekonomi
masyarakat.
10
Pengukuran status sosioekonomi bersifat variabel laten seperti mood atau
kesejahteraan, tidak dapat diukur secara langsung layaknya tinggi badan atau berat
badan. Status sosioekonomi sangat kompleks dan cenderung berhubungan dengan
budaya, era atau letak geografi suatu masyarakat, oleh karena itu dibutuhkan
pengukuran status sosioekonomi yang berbeda agar sesuai dengan strafitikasi sosial
dan mobilitas sosial pada daerah tersebut (Heinrich et al., 2005; Smith et al., 1996;
Van Leeuwen & Maas, 2010)19,20,21. Pengukuran status sosioekonomi berkembang
pada akhir perang dunia kedua di Amerika dimana status sosial dan jenis pekerjaan
seseorang menjadi variabel pengukuran yang paling awal diteliti dan menjadi fokus
penelitian.
11
Lebih jarang dipengaruhi Peningkatan status sosioekonomi
oleh penyakit saat masa tidak konsisten dengan
dewasa dibanding dengan peningkatan tahun pendidikan
pendapatan dan pekerjaan
Pendidikan cenderung stabil
dan konstan selama masa
dewasa
Kelas pekerjaan tersusun dari
heterogenitas pekerjaan akibat
variasi substansial dari
pendidikan, pendapatan, dan
Terdapat hubungan struktural prestise
antara pendidikan dan Kurangnya pengukuran yang
pendapatan akurat
Pekerjaan
Menyediakan pengukuran Tidak mempertimbangkan
kondisi lingkungan dan perbedaan etnis/ras dan jenis
pekerjaan kelamin dalam manfaat dari jenis
pekerjaan yang sama
Mayoritas pengukuran
dikembangkan dan divalidasi
pada pekerja pria
Perkumpulan status
sosioekonomi dapat
menyebabkan perancu ketika
Parameter Dapat berguna untuk
indeks tidak membuktikan
gabungan perencanaan berbagai bidang
pengukuran tingkatan area status
sosioekonomi yang mudah
diinterpretasi
12
misalnya penggunaan derajat pendidikan, jumlah penghasilan per tahun, dan jenis
pekerjaan kemudian dioleh menjadi satu angka yang diberikan kepada satu individu
atau kelompok. Tujuan pengukuran gabungan adalah untuk mengkombinasikan
informasi dari beberapa domain yang relevan terhadap status sosioekonomi
seseorang dan menimbang setiap komponen serta menghitung suatu peringkat
angka untuk individu tersebut. Pengukuran tidak langsung biasanya hanya
menggunakan satu domain misalnya jumlah penghasilan per tahun yang biasanya
langsung digunakan untuk mencerminkan status sosioekonomi seseorang.
A. Pengukuran Gabungan (Composite Measures)
Keuntungan penggunaan pengukuran gabungan adalah dapat memberikan
gambaran dalam bentuk skala secara kuantitatif yang dapat digunakan untuk
menghitung atau mengkategorisasi pengukuran status sosioekonomi terhadap
keluaran penelitian. Kerugian penggunaan pengukuran gabungan adalah
dibutuhkannya teori yang kuat untuk mendukung berat dari setiap komponen
informasi agar tidak menghasilkan skala pengukuran yang tidak tepat sehingga
pengukuran status sosioekonomi menjadi tidak akurat.
a. Duncan SEI & Nam-Powers OSS23
Indeks sosioekonomi Duncan atau Duncan Socioeconomic Index
(SEI) biasanya digunakan pada sensus penduduk di Amerika Serikat.
Pengukuran tersebut bersifat skala kuantitatif dan kontinus
berdasarkan data prestise pekerjaan, tingkat pendidikan dan jumlah
penghasilan. Nam-Powers Occupational Status Score (OSS) hanya
mengukur jumlah penghasilan dan status pendidikan sesseorang
untuk menghasilkan kuantitas gabungan individu tersebut. OSS
bersifat lebih objektif dibanding dengan SEI karena prestise suatu
pekerjaan cenderung bersifat subjektif dan stratifikasi jenis
pekerjaan tidak dapat diklasifikasikan dengan cara objektif. Konsep
stratifikasi pekerjaan dianggap sebagai konsep yang usang (Hauser
& Warren, 1997)24.
b. Household Prestige Scale25
Jenis pengukuran ini menggunakan satuan rumah tangga sebagai
unit pengukuran status sosioekonomi. Variabel yang digunakan
dalam metode ini yaitu jenis pekerjaan pasangan suami istri, jumlah
penghasilan rumah tangga, dan etnis. Variabel tersebut kemudian
13
diregresi untuk memaparkan dampak relative (koefisien regresi)
pada karakteristik sosial setiap keluarga. Rumus resultan yang
dihasilkan memungkinkan para peneliti untuk memberikan nilai
status kepada setiap keluarga.
c. CAPSES/ Capital Sosioeconomic Status26
Variabel yang diukur dalam metode ini dibagi menjadi tiga yaitu:
modal material/ material capital (penghasilan, kekayaan, saham,
dll), modal manusia/ human capital (keterampilan, kemampuan,
kredensial, dll), dan modal sosial/ social capital (hubungan
instrumental misalnya berteman dengan pengacara atau dokter).
Hubungan antara ketiga modal dapat dijelaskan melalui contoh
seorang mahasiswa pascasarjana. Mahasiswa tersebut hanya
memimiliki sedikit modal material namun pertumbuhan modal
sosial dan modal manusia akan memungkinkan mahasiswa tersebut
untuk mengeksploitasi kesempatan untuk mendapatkan modal
material. Parameter status sosioekonomi yang terdiri dari jumlah
penghasilan dan tingkat pendidikan terlalu sering mendominasi
dalam pengukuran status sosioekonomi sehingga posisi parameter
lain cenderung tidak signifikan.
d. Cambridge Scale27
Pengukuran ini juga dinamakan sebagai British Cambridge Social
Interaction and Stratification Scale (CAMSIS). Pengukuran ini
didasarkan pada struktur sosial yang didefinisikan sebagai
persamaan dalam gaya hidup dan sumber daya dalam kelompok
pekerjaan masyarakat tersebut. Skala Cambridge bersifat kontinus
dan dikategorikan menjadi 4-6 peringkat kelompok ordinal.
e. NS-SEC28
Metode pengukuran status sosioekonomi yang paling sering
digunakan oleh pemerintah di Inggris adalah National Statistics
Socioeconomic classification (NS-SEC). Pengukuran ini
menggunakan beberapa aspek dalam pekerjaan dan yang
berhubungan dengan pekerjaan untuk mengukur dalam bentuk skala
status sosioekonomi seseorang.
14
B. Pengukuran Univariat/ Pengukuran Tidak Langsung (Proxy
Measures)29
Keuntungan dari pengukuran univariat adalah dapat memberikan
pengukuran dalam skala yang lebih sederhana sehingga lebih mudah untuk
mendapatkan data. Kerugian dari pengukuran univariat adalah sumber pengukuran
yang tidak sebanyak pengukuran gabungan.
a. Jumlah Penghasilan
Jumlah penghasilan adalah indikator sederhana yang paling sering
digunakan untuk mengukur kemampuan seseorang untuk membeli
sumber daya yang diinginkan. Pengukuran jumlah pemasukan
biasanya dapat menggunakan jumlah uang yang pasti atau
menggunakan jumlah pajak atau catatan administratif lainnya.
Kelemahan dari metode ini adalah sebagian dari responden tidak
menginginkan untuk memberitahu jumlah pendapatan atau sebagian
memberikan keterangan jumlah pemasukan yang berbeda. Selain itu,
jumlah penghasilan bersifat sangat fluktuatif dan dapat berubah
dalam periode tahunan maupun dalam kehidupan seseorang.
Kelemahan parameter ini juga karena berhubungan erat dengan usia
dimana pensiunan cenderung tidak memiliki penghasilan. Definisi
penghasilan juga berbeda-beda, diantaranya sumber penghasilan
illegal, subsidi pemerintah, atau pendapatan dari pekerjaan yang
legal. Jumlah penghasilan tidak merefleksikan kemampuan membeli
(purchasing power) karena jumlah penghasilan tidak sama dengan
kekayaan.
b. Kekayaan
Kekayaan merepresentasikan simpanan sumber daya seseorang,
sedangkan pendapatan hanya merefleksikan aliran sumber daya
individu tersebut. Kekayaan biasanya dihubungkan dengan rekening
bank, saham, kepemilikan tanah, kepemilikan bisnis, dan lain-lain.
Kekayaan sangat susah untuk diukur pada praktiknya.
c. Tingkatan Pendidikan
Tingkat pendidikan adalah salah satu pengukuran tidak langsung
yang paling baik digunakan untuk menilai status sosioekonomi
seseorang. Tingkat pendidikan biasanya diukur pada orang dengan
15
usia di atas 25 tahun karena cenderung konstan setelah usia tersebut.
Masyarakat cenderung lebih bersedia untuk memberikan keterangan
tentang tingkatan pendidikan dibanding dengan jumlah pendapatan.
Kelemahan parameter ini adalah tidak dapat mengukur secara
sempurna status sosioekonomi akibat faktor ras, jenis kelamin, efek
cohort, dan heterogenitas status penelitian.
d. Kemiskinan
Kekurangan parameter ini adalah karena bersifat terlalu umum dan
dikotomi sehingga peneliti susah menganalisa faktor lain selain di
atas maupun di bawah garis kemiskinan. Batas kemiskinan
umumnya ditentukan oleh pendapatan tahunan seseorang.
e. Pengukuran tingkatan daerah/ kontekstual
Status sosioekonomi seseorang berhubungan dengan lingkungan
tempat tinggal orang tersebut, biasanya disebut census tract atau
block-group. Umumnya orang miskin cenderung tinggal dengan
orang yang miskin dalam lingkungan yang sama, dan sebaliknya
untuk orang kaya lebih sering tinggal dengan orang kaya. Pendataan
tempat tinggal seseorang dapat mencerminkan status sosioekonomi
individu tersebut, terutama di Amerika Serikat.
16
disarankan karena dapat mengukur gambaran status sosioekonomi laten secara
lebih menyeluruh dan dapat memberikan hasil dalam bentuk skala untuk
mengkuantifikasi setiap subjek. Misalnya, pemberian peringkat prestise pekerjaan
atau nilai status dapat dilakukan setelah pengumpulan data kemudian melakukan
evaluasi luaran mortalitas di setiap tingkatan yang sudah diukur. Pengukuran
gabungan lebih akurat dan menghasilkan lebih sedikit bias dibanding pengukuran
tidak langsung karena menggunakan banyak parameter pengukuran. Pengukuruan
tidak langsung cenderung memberikan kemudahan untuk pembuat kebijakan untuk
mengambil intervensi karena parameter yang digunakan sudah jelas, misalnya
tingkat pendidikan dan jumlah penghasilan tahunan.
Penggunaan ketiga dari status sosioekonomi adalah sebagai variabel kontrol.
Dalam konteks ini, analis menggunakan status sosioekonomi untuk mengontrol
faktor perancu yang lain. Salah satu contoh adalah ketika seseorang menggunakan
status sosioekonomi sebagai control dalam model regresi untuk memperkirakan
hubungan antara merokok dan kanker paru. Status sosioekonomi dalam konteks ini
digunakan sebagai Z. Variabel tunggal status sosioekonomi berperan sebagai
matriks yang melibatkan variabel lainnya misalnya pendapatan per tahun, tingkat
pendidikan, prestise pekerjaan, daerah tempat tinggal, dan lain-lain. Perhitungan
status sosioekonomi dalam berbagai kerangka regresi multipel sebaiknya
menggunakan data pengukuran tidak langsung dari status sosioekonomi. Hal ini
karena setiap parameter tidak langsung akan menurunkan varian dari hasil/luaran
pengukuran yang kemudian dapat membebaskan paparan atau pengobatan dari bias
perancu yang ada.
17
dibanding dengan pendapatan absolut (Marmot et al., 1991; Wilkinson, 1997;
Wildman, 2003; López I Casasnovas & Rivera 2002; Gravelle et al., 2002;
Eberstadt & Satel, 2004)31 . Angka harapan hidup dan mortalitas populasi dapat
digunakan sebagai indikator utama dalam perkembangan sosial dan ekonomi (Van
Doorslaer & Koolman, 2004; Cantarero, et al, 2005)32,33.
Berikut merupakan beberapa penelitian tentang hubungan sosioekonomi dengan
status kesehatan dalam berbagai populasi30:
18
1996- menjadi 3% pada periode
1997 selanjutnya)
Karlsson, et 2006 21 negara Terdapat hubungan negatif antara
al. (2010) kesenjangan pendapatan dan
kesehatan individu pada negara
dengan pendapatan tinggi
Oshio & 1999- Jepang Individu yang tinggal di daerah
Kobayashi, et 2004 dengan kesenjangan yang tinggi
al. (2010) cenderung melaporkan diri sebagai
individu yang tidak bahagia dan
tidak sehat
Petrie, et al. 1999- Skotlandia, Individu yang lebih miskin
(2011) 2004 Inggris, cenderung mengalami penurunan
Wales kesehatan yang lebih buruk
Chen & 2000 Amerika Kesenjangan pendapatan yang
Crawford Serikat diukur pada lokasi geografis yang
(2012) berbeda memiliki interpretasi dan
faktor sosial yang berbeda
Hosseinppoor, 2002- 48 negara Konsumsi rokok lebih tinggi dan
et al. (2012) 2004 konsumsi buah serta sayur lebih
rendah pada kelompok dengan
pendapatan yang lebih rendah
Karlsdotter, et 2007 Spanyol Mendukung hipotesis absolute
al. (2012) income hypothesis dimana
peningkatan pendapatan seseorang
berhubungan dengan penurunan
kemungkinan dari luaran kesehatan
yang negatif
Martinson 1999- Amerika Gradien pendapatan dalam
(2012) 2006, Serikat dan kesehatan mirip di semua usia,
2003- Inggris jenis kelamin, dan berbagai kondisi
2006 kesehatan
19
Allanson & 1999- Inggris Raya Hubungan positif antara usia dan
Petrie (2013) 2004 kemiskinan berkontribusi terhadap
status kesehatan, tingkatan
pendidikan, jenis kelamin dan
merokok
Ásgeirsdóttir 2007, Islandia Tingkat pendidikan berhubungan
& 2009 dengan kesenjangan sosial dan
Ragnarsdóttir ekonomi
(2014)
Siegel, et al. 2002, Jerman Kesenjangan kesehatan
(2015) 2006 berhubungan dengan pendapatan
rumah tangga
Siegel, et al. 1994- Jerman Kesenjangan kesehatan yang
(2014) 2011 berhubungan dengan pendapatan
bertambah dua kali lipat, karena
perburukan keadaan pada
kelompok yang kurang
menguntungkan secara ekonomi
Vallejo- 2006- Inggris Kesenjangan terjadi pada semua
Torres et al. 2010 fase kehidupan
(2014)
Torre & 1975- 21 negara Kesenjangan pendapatan
Murskylä 2006 maju berhubungan secara positif
(2014) terhadap angka mortalitas laki-laki
dan perempuan antara usia 1-14
tahun dan 15-49 tahun.
Chauvel & 2005, 18 negara Peningkatan transmisi status
Leist (2015) 2011 intergenerasi terjadi pada negara
dengan kesenjangan pendapatan
yang tinggi
Jutz (2015) 2008- 42 negara Kesenjangan pendapatan memiliki
2009 Eropa dampak yang lebih besar dibanding
dampak kebijakan sosial
20
Lillard, et al. 1913- Amerika Paparan kesenjangan pendapatan di
(2015) 2009, Serikat kehidupan awal berhubungan
1984- dengan keadaan kesehatan yang
2009 lebih buruk di fase kehidupan
selanjutnya
Quon & 1994- Kanada Kesenjangan pendapatan
McGrath 1995 berhubungan dengan luka, gejala
(2015) fisik umum, dan kondisi
keterbatasan
Rambotti 1999 Amerika Kemiskinan memiliki efek yang
(2015) Serikat signifikan dan buruk
Kim (2016) 1980- Amerika Terdapat hubungan antara
1990 Serikat pengeluaran negara dalam bidang
kesehatan dan pendidikan dengan
penurunan risiko sesorang untuk
meninggal terutama karena
penyakit jantung koroner
López, et al. 1998- Amerika Kesenjangan pendapatan
(2016) 2011 Serikat berhubungan dengan peningkatan
pengeluaran fasilitas kesehatan
Wilson, et al. 2000- Amerika Perbedaan rasial terjadi pada luaran
(2017) 2011 Serikat kesehatan. Perbedaan rasial tidak
terjadi semata-mata karena
perbedaan pendapatan
21
Fasilitas rawat
Fasilitas rawat jalan inap (SPR,
95% CI)
Tingkat Tingkat
Total Keseluruhan
primer sekunder
Pendidikan
15,22
14,47 (13,48- 1,31 (1,12- 3,07 (2,77-
Dibawah SD (14,92-
15,18) 1,53) 3,40)
15,95)
16,07
14,93 (14,19- 2,03 (1,76- 4,60 (4,18-
SD (15,30-
15,70) 2,32) 5,04)
16,87)
16,38
15,00 (14,12- 1,88 (1,57- 4,31 (3,86-
SMP (15,47-
15,91) 2,22) 4,81)
17,33)
16,99
14,38 (13,64- 3,39 (3,03- 6,12 (5,63-
SMA (16,18-
15,16) 3,79) 6,64)
17,84)
18,97
14,37 (13,12- 6,26 (5,44- 6,93 (6,04-
Universitas (17,53-
15,71) 7,17) 7,91)
20,50)
Pendapatan
12,54
11,71 (11,02- 1,32 (1,09- 2,99 (2,65-
Kuintil 1 (11,83-
12,42) 1,57) 3,35)
13,29)
14,73
14,11 (13,34- 1,44 (1,20- 3,76 (3,37-
Kuintil 2 (13,94-
14,92) 1,71) 4,18)
15,55)
16,75
15,36 (14,54- 2,00 (1,71- 4,24 (3,81-
Kuintil 3 (15,89-
16,22) 2,33) 4,70)
17,64)
22
18,57
15,73 (14,88- 2,91 (2,55- 5,13 (4,64-
Kuintil 4 (17,64-
16,62) 3,31) 5,65)
19,53)
19,83
16,13 (15,24- 4,97 (4,48- 7,56 (6,94-
Kuintil 5 (18,74-
17,06) 5,50) 8,21)
20,85)
*angka prevalensi per 100 orang
23
73,55
7,83 (7,11- 6,12 (5,49- 2,71 (2,29-
Kuintil 1 (71,27-
8,60) 6,81) 3,18)
75,88)
76,77
12,12 (11,21- 10,14 (9,30- 3,37 (2,90-
Kuintil 2 (74,45-
13,08) 11,02) 3,90)
79,15)
80,60 12,63
14,37 (13,37- 4,64 (4,08-
Kuintil 3 (78,22- (11,70-
15,42) 5,26)
83,03) 13,63)
83,68 18,41
20,34 (19,14- 7,13 (6,43-
Kuintil 4 (81,25- (17,27-
21,59) 7,89)
86,16) 19,60)
87,87 30,09
32,69 (31,17- 14,43 (13,43-
Kuintil 5 (85,38- (28,64-
34,26) 15,49)
90,41) 31,60)
*Angka prevalensi per 100 orang
24
Mortalitas perempuan yang tinggal di perkotaan dan pedesaan Indonesia
berhubungan dengan kesenjangan status sosioekonomi (Sudharsanan, 2019) 35 .
Angka harapan hidup wanita usia 30 tahun yang tinggal di perkotaan meningkat
sekitar 0,57 tahun per kuartil (p=0,234; 95% CI=40,6-43,4). Peningkatan angka
harapan hidup pria usia 30 tahun sebesar 1,1 tahun per kuartil (p=0,014) dari 38,7
tahun kuartil terendah menjadi 42,1 tahun di kuartil kekayaan tertinggi (95%
CI=40,3-44,1). Kebiasaan merokok menurun sesuai peningkatan kuartil kekayaan
pada wanita perkotaan (4,9% menjadi 2,5%) dan pedesaan (4,7% menjadi 1,8%).
Konsumsi rokok pria pedesaan meningkat sesuai peningkatan kuartil konsumsi (59%
menjadi 72%). Konsumsi rokok pria perkotaan menurun sesuai peningkatan kuartil
kekayaan (70% menjadi 65%).
Faisal-Cury et al. (2015) melakukan penelitian hubungan status
sosioekonomi dengan kunjungan pemeriksaan ginekologi. Terdapat hubungan
antara pendapatan per kapita keluarga, nilai aset, jumlah tahun sekolah, warna kulit,
dan waktu wawancara dengan kunjungan pemeriksaan kehamilan oleh ibu hamil di
36
Brazil . Wanita dengan status sosioekonomi yang lebih tinggi memiliki
kesempatan 20% lebih besar untuk melakukan pemeriksaan kehamilan dibanding
orang dengan status sosioekonomi rendah.
Jumlah pendapatan dalam rumah tangga wanita hamil < $50.000/tahun
berhubungan dengan kualitas tidur yang lebih buruk, kontinuitas dan durasi tidur
yang lebih buruk (Okun et al., 2014) 37. Wanita dengan status sosioekonomi yang
lebih rendah memiliki kualitas tidur yang lebih buruk dinilai dari Pittsburgh Sleep
Quality Index score (PSQI score) yang lebih tinggi yaitu 5,5 dibanding dengan
wanita dengan status sosioekonomi lebih tinggi (PSQI= 3,8) (β= -0,21; p= 0,005).
Wanita hamil dengan status sosioekonomi yang lebih rendah memiliki fragmentasi
tidur yang lebih sering (β=0,26; p= 0,006). Kualitas tidur berhubungan dengan
tekanan keuangan dan tekanan psikologis ibu hamil. Peran tidur dalam kehamilan
sangat penting untuk menentukan perubahan fisiologis yang terjadi (Okun et al.,
2009) 38 . Kualitas tidur yang buruk dapat menimbulkan respons inflamasi yang
dapat menyebabkan penyakit metabolik, kardiovaskular, dan sistem angiogenik
(Bjorvatn et al., 2007; Okun et al., 2011)39,40.
Hubungan antara status sosioekonomi rendah dan kesehatan yang buruk
dapat disebabkan karena kelainan aksis hypothalamic-pituitary-adrenal (HPA).
Sumber daya sosial yang lebih rendah pada ibu hamil dapat menyebabkan
25
peningkatan kadar kortisol malam saat trimester kedua kehamilan. Thayer et al.
(2014) melaporkan bahwa ibu hamil dengan kelas sosial rendah berhubungan
dengan peningkatan kadar kortisol saat malam hari terutama di trimester akhir
kehamilan41. Terdapat peningkatan ekspresi reseptor glukokortikoid plasenta pada
kelompok ibu hamil dengan tingkat pendidikan dan status pekerjaan yang lebih
rendah (Räikkönen et al., 2014) 42 . Status sosioekonomi maternal berhubungan
secara signifikan dengan rerata kemiringan diurnal (average diurnal slope) (p=
0,002) serta berhubungan secara signifikan dengan Cortisol Awakening Response
(CAR) (p= 0,02) dimana wanita hamil dengan status sosioekonomi rendah
menunjukkan CAR yang lebih rendah dan kemiringan diurnal yang lebih kecil.
Terdapat hubungan yang signifikan antara status sosioekonomi yang lebih rendah
pada ibu hamil dengan penurunan berat badan lahir neonatus (p= 0,007). Tidak
terdapat hubungan yang signifkan antara status sosioekonomi dengan panjang
gestasional atau nilai APGAR 5 menit setelah kelahiran (p > 0,35).
Ibu hamil dengan status sosioekonomi yang lebih rendah lebih jarang
menggunakan fasilitas pemeriksaan antenatal dibanding dengan ibu hamil yang
memiliki status sosioekonomi lebih tinggi (p < 0,001) di Korea Selatan (Kim et al.,
2018) 43 . Ibu dengan status sosioekonomi yang lebih rendah juga memiliki
komplikasi obstetri yang lebih sering: aborsi (30,1% vs. 20,7%; p < 0,001),
kematian janin dalam kandungan (0,4% vs. 0,2%; p= 0,025), preeklampsia (1,5%
vs. 0,6%; p < 0,001), eclampsia (0,1% vs. 0%; p= 0,005), diabestes melitus
gestasional (1,0% vs. 0,6%; p= 0,016), persalinan preterm (2,1% vs. 1,3%; p <
0,001), perdarahan postpartum (2,1% vs. 1,3%; p< 0,001), dan frekuensi kelahiran
caesar yang lebih tinggi (45,8% vs. 39,6%; p < 0,001).
Menurut penelitian yang dilakukan oleh Peacock et al. (1995) menemukan
hubungan antara kelahiran preterm dengan faktor sosioekonomi berupa kelas sosial,
pendidikan, status pernikahan, pendapatan, dan interaksi dengan tetangga 44 .
Tingkat pendidikan yang lebih tinggi berhubungan dengan insidensi diabetes
gestasional yang lebih rendah (OR= 0,61; 95% CI= 0,4-0,9; p= 0,014). Peningkatan
kejadian diabetes gestasional terjadi pada kelompok wanita yang bekerja (OR= 1,73;
95% CI= 1,1-2,9; p= 0,032) dan kelompok ibu rumah tangga dengan derajat
pendidikan sekolah dasar (OR= 1,87; 95% CI= 1,1-3,2; p= 0,019) (Bo, et al.,
2002)45. Wanita hamil dengan pendidikan yang lebih rendah mengalami risiko yang
lebih tinggi untuk menderti pre-eklamsia (OR=5,12; 95%CI= 2,20-11,93).
26
Pengaruh tingkat pendidikan yang rendah juga dimediasi oleh tinggi angka
kesulitan finansial dan paparan okupasional (obesitas, kebanyakan perjalanan kaki)
(Silva et al., 2008)46. Wanita dengan pekerjaan blue collar yang tidak memiliki
keterampilan berisiko 2,2 kali (95% CI= 1,3-3,7) untuk mengalami kelahiran mati
(stillbirth) dibanding wanita dengan pekerjaan white collar berketrampilan tinggi
di Swedia. Wanita dengan pekerjaan blue collar yang memiliki keterampilan
berisiko 2,4 kali (95% CI= 1,3-4,1) untuk mengalami kelahiran mati (stillbirth)
dibanding wanita dengan pekerjaan white collar berketrampilan tinggi. Wanita
dengan pekerjaan white collar yang memiliki keterampilan rendah berisiko 1,9 kali
(95% CI= 1,2-3,2) untuk mengalami kelahiran mati (stillbirth) dibanding wanita
dengan pekerjaan white collar berketrampilan tinggi. Wanita dengan pekerjaan
white collar yang memiliki keterampilan sedang berisiko 1,4 kali (95% CI= 0,9-
2,4) untuk mengalami kelahiran mati (stillbirth) dibanding wanita dengan pekerjaan
white collar yang berketrampilan tinggi (Stephansson, et al., 2001)47.
27
Metode Keterbatasan
Satu catatan tidak bersifat representative terhadap
masukan diet seseorang
Dapat terjadi pelaporan yang lebih sedikit atau lebih
24 hour recall
banyak
Pemasukan data akan sangat membutuhkan waktu dan
tenaga
Membutuhkan kooperasi dari responden
Subjek harus bisa membaca dan menulis
Food record
Membutuhkan waktu lebih lama untuk memperoleh data
Kebiasaan mencatat mungkin bisa merubah pola diet
Tidak merepresentasikan porsi atau makanan yang
Kuesioner biasanya dikonsumsi oleh responden
frekuensi makanan Tergantung kemampuan subjek untuk menggambarkan
dietnya
Proses interview yang panjang
Riwayat diet Memerlukan pewawancara yang sangat terlatih
Kecenderungan untuk melebih-lebihkan masukan nutrien
Usaha untuk menyiapkan makanan
Duplikasi
Usaha dan tenaga serta waktu untuk mengumpulkan
makanan
duplikat makanan
Tidak memperhitungkan kehilangan makanan
Food account Membutuhkan kerja sama responden yang bisa membaca
serta menulis
Akurasi data yang dipertanyakan
Hanya merepresentasikan opsi makanan yang tersedia
Food balance
untuk dikonsumsi
sheet
Tidak merepresentasikan makanan yang dikonsumsi
sebenarnya
Interview telfon Sulit memperkirakan ukuran porsi makanan
Harus menjalani revalidasi secara berkala
Foto dan video Tidak dapat membedakan makanan yang serupa
Lebih sering mengalami kendala teknis
28
b. Subjective Global Assessment (SGA)
Metode ini merupakan metode pengukuran menggunakan parameter gabungan
yang lebih mudah dilakukan dalam praktik klinis. Terdapat komponen anamnesis
dan pemeriksaan fisik dari SGA untuk dijadikan sebagai instrumen perkiraan status
nutrisi. Hasil anamnesis difokuskan pada lima bidang yang terdiri dari50:
• Pengurangan berat badan dalam 6 bulan terkahir yang hilang dalam 2
minggu terakhir
• Konsumsi diet yang digolongkan sebagai normal atau abnormal tergantung
perubahan masukan makanan dan kecukupan nutrisi diet
• Adanya gejala menetap sistem gastroinstestinal seperti anorexia, mual,
muntah, diare, nyeri abdomen yang terjadi selama paling tidak 2 minggu
• Kapasitas fungsional pasien yang didefinisikan sebagai hanya dapat
berbaring di tempat tidur, aktif suboptimal, atau kapasitas prima
• Kebutuhan metabolik pasien yang mendasari suatu kondisi penyakit
Beberapa indikator pemeriksaan fisik yang digolongkan dalam normal, ringan,
sedang, atau perubahan berat, yang meliputi:
• Hilangnya lemak subkutan yang diukur pada regio trisep
• Muscle wasting pada regio temporal dan deltoid serta quadricep yang
diamati melalui hilangnya tonus dan massa otot melalui palpasi
• Adanya edema pada mata kaki dan regio sacrum serta adanya asites
• Lesi mukosa dan kutaneus dengan perubahan warna dan tampakan rambut
pasien
c. Malnutrition Universal Screening Tool (MUST)
Metode pengukuran status nutrisi gabungan ini diciptakan oleh British Association
for Parenteral and Enteral Nutrition (BAPEN) yang menggunakan beberapa
parameter diantaranya51:
• IMT yang diklasifikasi menjadi obese, normal, berkurang
• Kehilangan berat badan: <5%, 5%-10%, >10%
• Apakah suatu penyakit akan mengurangi konsumsi makanan
B. Parameter Konvensional
a. Berat badan dan Indeks Massa Tubuh
29
Berat badan merupakan parameter yang mudah untuk diukur dan dibandingkan
dengan nilai idealnya. Perbandingan ini biasanya menggunakan rumus Hamwi52.
Pendekatan lain yang lebih sederhana yaitu menggunakan perhitungan indeks
massa tubuh atau indeks Quetelet. Kekurangan penggunaan parameter berat badan
yaitu karena pada pasien dengan dehidrasi, edema, dan asites mengalami perubahan
komposisi cairan yang dapat berperan sebagai perancu.
b. Antropometri
Ketebalan lipatan kulit trisep dan subskapula memberikan gambaran indeks lemak
tubuh, sedangkan keliling otot lengan tengah memberikan gambaran massa otot.
Kelemahan metode ini adalah sering ditemukan inkonsistensi pengukuran akibat
perbedaan pengamat dengan koefisien variasi sebesar 4,7% untuk lingkar lengan
dan 22,6% untuk ketebalan lipat kulit trisep (Hall, et al., 1980)53.
b. Bioimpedance Analysis
Metode ini digunakan untuk memperkirakan volume cairan tubuh melalui
pengukuran resistensi terhadap gelombang listrik frekuensi tinggi, amplitude
rendah yang bergantian (50 kHz dan 500-800 mA. Metode ini dapat digunakan
untuk menilai perubahan cairan intraselular dan ekstraselular dalam kondisi klinis.
30
c. Dual-Energy X-Ray Absorptiometry
Metode ini dapat digunakan untuk mengkuantifikasi komposisi jaringan lunak dan
mengukur total lemak maupun lemak regional. Teknik ini lebih sering diguankan
untuk pengukuran massa mineral tulang dan massa otot.
f. Albumin Serum
Beberapa studi meunjukkan bahwa albumin serum berhubungan dengan kejadian
komplikasi penyakit.
g. Prealbumin
Kadar prealbumin berhubungan dengan status nutrisi dimana prealbumin biasanya
menurun saat terjadi malnutrisi energi dan protein.
31
kesejahteraan manusia. Klasifikasi indeks massa tubuh pada orang dewasa ras
kaukasoid menurut kriteria WHO tahun 2000 adalah sebagai berikut:
• Underweight (IMT < 18,5 kg/m2)
• Rentang normal (IMT 18,5 – 24,9 kg/m2)
• Overweight (IMT 25,0 kg/m2 atau lebih tinggi)
o Preobese (IMT 25 – 29,9 kg/m2)
o Obese kelas I (IMT 30,0 – 34,9 kg/m2)
o Obese kelas II (IMT 35,0 – 39,9 kg/m2)
o Obese kelas III (IMT 40 kg/m2 atau lebih tinggi)
Klasifikasi indeks massa tubuh pada orang dewasa populasi Asia Pasifik menurut
kriteria WHO tahun 2000 dalam Sugondo (2006) adalah sebagai berikut56:
• Underweight (IMT < 18,5 kg/m2)
• Rentang normal (IMT 18,5 – 22,9 kg/m2)
• Overweight (IMT 23,0 kg/m2 atau lebih tinggi)
o Preobese (IMT 23,0 – 24,9 kg/m2)
o Obese kelas I (IMT 25,0 – 29,9 kg/m2)
o Obese kelas II (IMT 30,0 kg/m2 atau lebih tinggi)
Penggunaan IMT dalam praktik klinis bertujuan untuk (Bailey & Ferro-Luzzi,
1995):
• Untuk mengidentifikasi risiko kesehatan karena tubuh yang kurus atau
overweight
• Untuk mengidentifikasi orang yang kurus atau kelebihan berat badan saat
hamil (trimester pertama, sebelum ada perubahan berat badan yang
signifikan)
• Untuk mengidentifikasi pasien yang berisiko untuk mengalami komplikasi
kehamilan dan/atau bayi dengan berat badan lahir rendah
• Untuk memilih individu yang membutuhkan intervensi misalnya suplemen
makanan atau edukasi pencegahan obesitas
• Untuk memonitor perkembangan menuju berat badan yang normal
• Untuk memonitor perkembangan tren dalam nutrisi masyarakat
• Untuk mengevaluasi dampak dari berbagai program perkembangan
32
2.2.4 Hubungan IMT dengan kesehatan ibu hamil
Ibu hamil dengan berat badan overweight dan obese memiliki risiko yang
lebih tinggi untuk menderita komplikasi selama kehamilan, tidak bergantung pada
jumlah penambahan berat selama kehamilan (p <0,05) (Santos, et al., 2019) 57 .
Peningkatan risiko terbesar terjadi pada kelompok ibu hamil obese yang mengalami
penambahan berat badan yang besar selama kehamilan (OR= 2,51; 95%CI= 2,31-
2,74). Ibu hamil yang obese serta mengalami penambahan berat badan kehamilan
yang besar memiliki risiko tertinggi untuk menderita hipertensi gestasional (OR=
4,52; 95%CI= 3,86-5,31), pre-eklamsia (OR=4,58; 95% CI= 3,90-5,37), diabetes
gestasional (OR= 2,14; 95% CI= 1,86-2,46), dan makrosomia (OR= 4,77; 95% CI=
4,35-5,22). Ibu hamil underweight dengan penambahan berat kehamilan yang kecil
paling berisiko untuk menderita komplikasi berat badan lahir rendah (OR= 3,12;
95% CI= 2,75- 3,54).
Sebuah penelitian di Brazil menunjukkan bahwa ibu hamil dengan obesitas
memiliki risiko yang lebih tinggi untuk menderita diabetes gestasional (OR= 2,4;
95% CI= 1,7-3,4), makrosomia (OR= 2,5; 95% CI= 2,0-3,0), kelainan hipertensi
(OR= 6,6; 95% CI= 5,0-8,6). Selain itu, ibu hamil dengan obesitas memiliki risiko
yang lebih rendah untuk melahirkan bayi dengan kondisi mikrosomia (OR= 0,47;
95% CI= 0,260-0,84) (Nucci, et al., 2001)58.
Penelitian yang dilakukan oleh Bhowmik et al. (2019) tentang ibu hamil di
Pakistan menunjukkan bahwa prevalensi diabetes gestasional lebih tinggi pada
wanita hamil overweight dibanding dengan wanita hamil yang underweight dan ibu
hamil yang normal (28,1% vs. 16,7% vs. 16%; p < 0,05)59. Tinggi badan ibu hamil
berhubungan secara positif dengan berat badan bayi (p= 0,02), sedangkan kadar
homosistein berhubungan secara negatif dengan berat badan bayi (p= 0,02).
Skala kepintaran Wechsler (Wechsler Intelligent Scale/WISC-III) pada
anak usia 2 tahun dan 8 tahun lebih tinggi pada kelompok dengan ibu yang obesitas
saat hamil (WISC-III: 50% vs. 17%). Studi lain menunjukkan bahwa risiko
disabilitas kepintaran (angka IQ <70) lebih tinggi pada anak dari ibu yang obese
saat hamil (OR= 2,8; 95% CI= 1,5-5,3). Terjadi peningkatan risiko masalah
perkembangan bahasa pada kelompok ibu hamil dengan defisiensi vitamin D (<46
nmol/L). Ibu hamil dengan konsumsi folat yang rendah (<400 ug/hari) berhubungan
dengan indeks perkembangan mental yang lebih rendah (Mental development
index/ MDI -1,8; 95% CI= -3,6 sampai -0,04). Tidak ada hubungan antara konsumsi
33
vitamin B12 ibu hamil dengan perkembangan non-verbal dan verbal. Anak dari ibu
tanpa anemia memiliki nilai performa di sekolah yang lebih bagus (0,04 - 0,07 SD).
Tidak terdapat perbedaan antara nilai tes kognitif dengan prestasi sekolah dengan
konsumsi karbohidrat atau protein (Veena, et al., 2016) 60 . Kemungkinan untuk
hamil dalam kelompok wanita hamil menurun mulai dari IMT 29 kg/m2 dan
peningkatan 4% terjadi setiap 1 kg/m2 (hazard ratio = 0,96; 95%CI= 0,91-0,99).
Peningkatan sebesar 10% dalam IMT pregravid meningkatkan risiko relatif
diabetes gestasional dan pre-eklamsia sekitar 10%. Peningkatan 5 kg/m2 dapat
meningkatkan risiko relatif kematian intrauteri menjadi 1,24 (95% CI= 1,18-1,30)
(Stubert, et al., 2018)61.
Terdapat 15,5% dan 9,9% berat pre-gravid dan berat saat hamil wanita di
Bogor yang kurang dari 45 kg. Terdapat 14% dari wanita yang underweight dan
terdapat 31% yang overweight/obesitas menurut IMT pre-gravid. Tidak terdapat
perbedaan yang signifikan dalam prevalensi anemia, defisiensi besi, defisiensi zinc,
dan defisiensi vitamin A dalam kelompok wanita pre-gravid dan wanita gravid
(p >0,05). Terdapat kekurangan konsumsi energi dan protein pada 24% wanita pre-
gravid dan 44% wanita gravid (Madanijah et al., 2016)62.
34
The United States Agency for International Development (USAID) dalam bentuk
program Demographic and Health Survey (DHS). Penelitian yang dilakukan oleh
Filmer & Prichett (2001) berpendapat bahwa indeks kekayaan dan pengeluaran
konsumsi di Pakistan saling berhubungan erat65. Data kekayaan diperoleh melalui
survey DHS yang kemudian dikonversikan ke dalam weighted index menggunakan
pengolahan principal component analysis, dan populasi dibagi menjadi kuintil yang
merepresentasikan kekayaan. Kuntil 1 merepresentasikan segmen termiskin dalam
populasi dank until 5 merepresentasikan segmen terkaya di populasi. Indikator
berbasis populasi lainnya juga distratifikasi sesuai kekayaan untuk pemahaman
kesenjangan dan keadilan pada masyarakat.
Pada tahun 2017, IDHS menggunakan 4 jenis kuesioner yang terdiri dari
kuesioner rumah tangga, kuesioner wanita, kuesioner pria yang menikah, dan
kuesioner pria yang belum menikah66. Kuesioner tersebut umumnya memiliki 25-
50 pertanyaan yang harus ditanyakan untuk memenuhi variabel minimal
perhitungan indeks kekayaan. Beberapa topik yang dikumpulkan lewat kuesioner
adalah karakteristik latar belakang, riwayat kelahiran, kontrasepsi, kehamilan dan
pemeriksaan postnatal, imunisasi anak, kesehatan anak dan nutrisi, pernikahan dan
aktivitas seksual, preferensi fertilitas, latar belakang suami/istri, HIV/AIDS, serta
masalah kesehatan lain. Data yang dikumpulkan melalui kuesioner dapat
dibandingkan dengan data DHS dari suatu negara.
Chakraborty et al. (2016) merumuskan indeks kekayaan yang lebih
disederhanakan menggunakan data DHS dari 16 negara di dunia67. Indeks kekayaan
yang baru dibandingkan dengan 4 alternatif lainnya yang terdiri dari: alternatif A
(semua variabel dalam data DHS VI), alternatif B (semua variabel dalam kuesioner
DHS VI, kecuali luas tanah dan kepemilikan hewan), alternatif C (kuesioner DHS
VI yang mengeksklusi aset spesifik negara, luas tanah, dan analisis
perkotaan/pedesaan, namun memasukkan variabel kepemilikan hewan), alternatif
D (kuesioner DHS VI yang mengeksklusi luas area, kepemilikan hewan, dan
analisis perkotaan/pedesaan), dan alternatif E (jumlah variabel lebih sedikit dan
lebih disederhanakan). Persen persamaan (percent agreement) dan statistik Kappa
paling tinggi untuk alternatif D (median agreement 83,26%; median kappa 0,79).
Salah satu contoh alternatif E yaitu kuesioner yang diterapkan di Benin,
menunjukkan distribusi kekayaan yang sesuai dengan indeks kekayaan awal 85%
setiap penerapannya dalam populasi nasional. Hasil statistik kappa lebih tinggi
35
dibanding alternatif B untuk negara seperti Banglades, Kamboja, Etiopia, Malawi,
Pakistan, dan Uganda.
Jumlah pertanyaan dalam kuesioner DHS Indonesia 2012 semula sebanyak
33 pertanyaan dan memiliki 81 variabel indeks. Pada kuesioner yang telah
disederhanakan memiliki jumlah pertanyaan sebanyak 10 dan variabel yang diukur
berjumlah 13. Responden kemudian dibagi dalam 3 kelompok yang terdiri dari
kelompok pertama (kuntil 1 dan 2), kelompok kedua (kuintil 3), kelompok ketiga
(kuintil 4 dan 5). Persentase persamaan (percent agreement) dengan populasi
nasional Indonesia (n=43852) yang disurvei adalah 85,4% dan statistik Kappa
sebesar 0,772. Melalui kuesioner ini, responden akan dibagi sesuai peringkat
masing-masing dalam populasi nasional. Terdapat 15,9% orang yang hidup di
bawah $1,90/hari di Indonesia, informasi ini berguna untuk konteks kekayaan
relatif di Indonesia. Pertanyaan dalam kuesioner yang telah disederhanakan untuk
Indonesia diantaranya:
• Apakah rumah tangga anda memiliki lemari es?
• Apakah rumah tangga anda memiliki radio?
• Apakah terdapat anggota rumah tangga anda yang memiliki sepeda motor?
• Apakah rumah tangga anda memiliki mobil atau truk?
• Apakah rumah tangga anda memiliki sepeda?
• Apakah rumah Anda memiliki fasilitas toilet?
• Apakah terdapat anggota rumah tangga anda yang memiliki rekening bank?
• Apakah jenis bahan bakar yang dipakai dalam rumah tangga anda untuk
memasak?
• Apakah material utama dari dinding dalam rumah anda?
• Apakah material dari lantai dalam rumah anda?
36
BAB III
METODOLOGI PENELITIAN
37
kemampuan kekayaan
seseorang (wealth
untuk index)
mengakses Demographic
sumber daya and Health
yang Survey
diinginkan (DHS)
Jumlah Nominal kuesioner Jumlah Numerik
penghasilan jumlah uang penghasilan
dalam mata dalam mata
uang rupiah uang rupiah
yang
dihasilkan
oleh
responden
dan/atau
pasangan
responden
(suami/istri)
dalam periode
satu bulan
Jumlah Nominal kuesioiner Jumlah Numerik
pengeluaran jumlah uang pengeluaran
dalam mata dalam mata
uang rupiah uang rupiah
yang
dikeluarkan
oleh
responden
dan/atau
pasangan
responden
(suami/istri)
38
dalam periode
satu bulan
Status nutrisi Kondisi Timbangan Indeks Numerik
kesehatan dalam skala Massa
seseorang kilogram dan Tubuh
yang meteran (kg/m2)
dipengaruhi pengukur yang
oleh masukan tinggi badan didapatkan
dan dalam skala dari hasil
penggunaan sentimeter berat badan
nutrien subjek (kg)
dibagi
tinggi badan
kuadrat
(m2)
39
yang berkunjung ke Puskesmas Wawonasa pada saat pengumpulan data dilakukan,
dan bersedia menjadi responden.
Selama proses pengumpulan sampel, responden yang memenuhi kriteria
inklusi dan bersedia ikut serta dalam pengisian kuesioner serta wawancara
berjumlah orang.
40
pengetahuan yang digunakan dibuat dalam bentuk binary sebanyak 10 pertanyaan
untuk mengetahui aset kepemilikan responden serta memprediksi indeks kekayaan
dan status sosioekonomi responden. Selain itu, terdapat pertanyaan mengenai
jumlah penghasilan dan pengeluaran rumah tangga responden.
41
1. Lemari es
Ada :1
Tidak ada :2
2. Radio
Ada :1
Tidak ada :2
3. Sepeda motor?
Ada :1
Tidak ada :2
4. Mobil atau truk
Ada :1
Tidak ada :2
5. Sepeda
Ada :1
Tidak ada :2
6. Toilet
Ada :1
Tidak ada :2
7. Rekening bank
Ada :1
Tidak ada :2
8. Jenis bahan bakar yang dipakai dalam rumah tangga untuk memasak
LPG :1
Lainnya :2
9. Material utama dari dinding dalam rumah
Batu bata :1
Lainnya :2
10. Material dari lantai dalam rumah
Keramik/granit/marbel :1
Lainnya :2
42
c. Processing
Kuesioner yang telah terisi serta telah melewati proses coding akan dianalisis.
Analisis data dilakukan dengan cara memasukkan data ke dalam program SPSS
di komputer.
d. Cleaning
Cleaning (pembersihan data) merupakan kegiatan pengecekan kembali data
yang sudah dimasukkan ke dalam komputer. Data diperiksa kembali apakah
terdapat kesalahan atau tidak. Informasi yang dihasilkan disesuaikan dengan
tujuan penelitian.
43
BAB IV
HASIL DAN PEMBAHASAN
44
Terdapat 16 ibu hamil dengan riwayat obstetrik G1P0A0, terdapat 11 ibu
hamil dengan riwayat obstetrik G2P1A0, terdapat 13 ibu hamil dengan riwayat
obstetrik G3P2A0, serta terdapat 3 ibu hamil dengan riwayat obstetrik G4P3A0,
terdapat 1 ibu hamil dengan riwayat obstetrik G6P5A0.
18
16
16
14 13
12 11
10
8
6
4 3
2 1
0
Riwayat obstetri
Jumlah rerata tinggi badan dari subjek penelitian adalah 154,47 cm;
sedangkan rerata berat badan subjek penelitian adalah 57,06 kg. Rerata indeks
massa tubuh subjek penelitian adalah 23,91 kg/m2. Standar eror dari rerata sebesar
45
0,59863 dan median indeks massa tubuh adalah 23,3799 kg/m2. Standar deviasi
IMT adalah 3,97 kg/m2 dan variasi IMT adalah 15,768.
Pekerjaan suami dari subjek penelitian terdiri dari: 3 orang belum bekerja/
tidak bekerja, 6 orang bekerja sebagai buruh harian lepas, 1 orang bekerja sebagai
guru, 16 orang bekerja sebagai karyawan swasta, 1 orang sebagai pegawai BUMN,
1 orang sebagai pelajar, 1 orang bekerja sebagai pegawai negeri sipil, 15 orang
bekerja sebagai wiraswasta.
Pekerjaan Suami
3
6
15
1
1 16
1 1
46
menurut indeks kekayaan. Terdapat 9 subjek penelitian (20,45%) yang termasuk
dalam kuintil kelima menurut indeks kekayaan.
12
10 (22,72%) 10 (22,72%)
10 9 (20,45%)
8 (18,18%)
8
6 (13,63%)
6
0
Indeks Kekayaan
5 2 (4,54%)
0
47
95% Confidence Interval for
Std. Mean
N Mean Deviation Std. Error Lower Bound Upper Bound
Kuntil 1 6 23.4415 4.23653 1.72955 18.9956 27.8875
Kuintil 2 11 24.7135 5.40085 1.62842 21.0852 28.3419
Kuintil 3 10 25.1188 3.23410 1.02271 22.8053 27.4324
Kuintil 4 8 23.7993 3.85097 1.36153 20.5798 27.0188
Kuintil 5 9 21.9506 2.26253 .75418 20.2114 23.6897
Total 44 23.9008 3.97086 .59863 22.6936 25.1081
Rerata indeks massa tubuh pada kuintil pertama adalah 23,44 kg/m2. Rerata
indeks massa tubuh pada kuintil kedua adalah 24,71 kg/m2. Rerata indeks massa
tubuh dalam kuintil ketiga adalah 25,11 kg/m2. Rerata indeks massa tubuh dalam
kuintil keempat adalah 23,79 kg/m2. Rerata indeks massa tubuh dalam kuintil
kelima adalah 21,95 kg/m2. Nilai rerata indeks massa tubuh antara kuintil indeks
kekayaan tidak berbeda secara signifikan (p= 0,470).
48
(I) Percentile (J) Percentile Mean 95% Confidence Interval
Group of Group of Difference Lower Upper
Wealth_Index Wealth_Index (I-J) Std. Error Sig. Bound Bound
Kuntil 1 Kuintil 2 -1.27203 2.02410 .970 -7.0599 4.5158
Kuintil 3 -1.67731 2.05951 .925 -7.5664 4.2118
Kuintil 4 -.35777 2.15388 1.000 -6.5168 5.8012
Kuintil 5 1.49095 2.10198 .953 -4.5196 7.5015
Kuintil 2 Kuntil 1 1.27203 2.02410 .970 -4.5158 7.0599
Kuintil 3 -.40528 1.74258 .999 -5.3882 4.5776
Kuintil 4 .91427 1.85317 .988 -4.3848 6.2134
Kuintil 5 2.76299 1.79257 .543 -2.3628 7.8888
Kuintil 3 Kuntil 1 1.67731 2.05951 .925 -4.2118 7.5664
Kuintil 2 .40528 1.74258 .999 -4.5776 5.3882
Kuintil 4 1.31955 1.89178 .956 -4.0900 6.7291
Kuintil 5 3.16827 1.83246 .429 -2.0716 8.4082
Kuintil 4 Kuntil 1 .35777 2.15388 1.000 -5.8012 6.5168
Kuintil 2 -.91427 1.85317 .988 -6.2134 4.3848
Kuintil 3 -1.31955 1.89178 .956 -6.7291 4.0900
Kuintil 5 1.84872 1.93793 .874 -3.6927 7.3902
Kuintil 5 Kuntil 1 -1.49095 2.10198 .953 -7.5015 4.5196
Kuintil 2 -2.76299 1.79257 .543 -7.8888 2.3628
Kuintil 3 -3.16827 1.83246 .429 -8.4082 2.0716
Kuintil 4 -1.84872 1.93793 .874 -7.3902 3.6927
49
4.3 Hubungan Jumlah Penghasilan dan Jumlah Pengeluaran Rumah Tangga
dengan Indeks Massa Tubuh
Dari hasil uji regresi linear, didapatkan hubungan yang lemah antara
variabel jumlah penghasilan dengan indeks massa tubuh dalam penelitian (R=
0,030). Hasil tes ANOVA menunjukkan bahwa tidak terdapat hubungan yang
signifikan antara jumlah penghasilan dengan indeks massa tubuh dalam penelitian
(p value = 0,846).
Dari hasil uji regresi linear, didapatkan hubungan yang lemah antara
variabel jumlah pengeluaran dengan indeks massa tubuh dalam penelitian (R=
0,153). Hasil tes ANOVA menunjukkan bahwa tidak terdapat hubungan yang
signifikan antara jumlah pengeluaran rumah tangga subjek penelitian dengan
indeks massa tubuh (p value= 0,322).
50
BAB V
KESIMPULAN
5.1 Kesimpulan
1. Berdasarkan hasil analisis menggunakan metode Oneway ANOVA dan uji
post-hoc menggunakan metode uji Tukey belum ditemukan perbedaan yang
signifikan antara nilai rerata indeks massa tubuh dalam berbagai kuintil
indeks kekayaan. Peneliti belum menemukan hubungan seperti yang
dijelaskan sesuai teori antara wealth index dengan indeks massa tubuh
populasi ibu hamil di wilayah kerja Puskesmas Wawonasa. Hal ini dapat
disebabkan oleh kurangnya jumlah sampel penelitian karena penelitian yang
dilakukan saat masa pandemi COVID-19 maupun akibat homogenitas
status sosioekonomi subjek penelitian sehingga menyebabkan hubungan
yang tidak signifikan antara wealth index dengan indeks massa tubuh.
2. Berdasarkan hasil uji regresi linear, terdapat hubungan lemah antara jumlah
penghasilan dengan indeks massa tubuh namun belum ditemukan
perbedaan signifikan setelah dilakukan uji statistik menggunakan metode
ANOVA. Hasil uji regresi linear juga mendapatkan hubungan yang lemah
antara jumlah pengeluaran dengan indeks massa tubuh, belum didapatkan
hubungan yang signifikan setelah dilakukan uji statistik menggunakan
metode ANOVA. Oleh karena itu, belum ditemukan hubungan seperti yang
dijelaskan sesuai teori antara jumlah penghasilan dan jumlah pengeluaran
rumah tangga dengan indeks massa tubuh populasi ibu hamil di wilayah
kerja Puskesmas Wawonasa. Hal ini dapat disebabkan oleh bias dalam
pengisian kuesioner, kurangnya jumlah sampel penelitian maupun akibat
homogenitas status sosioekonomi subjek penelitian sehingga menyebabkan
hubungan yang tidak signifikan antara jumlah pendapatan dan jumlah
pengeluaran rumah tangga dengan indeks massa tubuh.
5.2 Saran
1. Pengumpulan sampel ibu hamil sebaiknya diperluas dalam skala
kota maupun provinsi sehingga dapat melingkupi semua ibu hamil
dengan kondisi sosioekonomi yang lebih beragam.
51
2. Peneliti lain dapat mengembangkan variabel indeks yang lebih khas
sesuai dengan kondisi sosioekonomi di daerah masing-masing agar
indeks kekayaan yang dihasilkan dapat lebih baik mencerminkan
keadaan sebenarnya dari masyarakat lokal yang diteliti
3. Petugas kesehatan di puskesmas dapat memberikan penyuluhan
secara rutin (baik formal maupun informal) kepada ibu hamil atau
calon ibu hamil mengenai pentingnya menjaga berat badan yang
ideal dan konsumsi gizi yang ideal selama masa kehamilan.
52
DAFTAR PUSTAKA
53
13. Oakes JM, Rossi PH. The measurement of SES in health research: current
practice and steps toward a new approach. Soc Sci Med. 2003;56(4): 769-
784
14. Krieger N. Theories for social epidemiology in the 21st century: an
ecosocial perspective. Int J Epidemiol. 2001;30(4): 668-677
15. Darin-Mattsson A, Fors S, Kåreholt I. Different Indicators of
socioeconomic status and their relative importance as determinants of
health in old age. Int J Equity Health. 2017; 16(1): 173
16. Adler NE, Ostrove JM. Socioeconomic status and health: what we know
and what we don’t. Ann N Y Acad Sci. 1999; 896: 3-15
17. Bowles S, Gintis H. Social capital and community governance. The
Econom J. 2002;112(483): F419-F436
18. Kaufman JS, Cooper RS, McGee DL. Socioeconomic status and health in
blacks and whites: the problem of residual confounding and the resiliency
of race. Epidemiology. 1997;8(6): 621-628
19. Heinrich J, Bolte G, Kohlhuber M, Weiland SK, Zuurbier M, et al.
Socioeconomic factors in EU-funded studies of children’s environmental
health. Eur J Epidemiol. 2005;20: 289-291
20. Smith GD, Wentworth D, Neaton JD, Stamler R, Stamler J.
Socioeconomic differentials in mortality risk among men screened for the
multiple risk factor intervention trial: ii. Black men. AJPH. 1996;2(3): 59-
67
21. Van Leeuwen MHD, Maas I. Historical studies of social mobility and
stratification. Ann Rev Sociol. 2010;36: 429-451
22. Shavers VL. Measurement of socioeconomic status in health disparities
research. J Natl Med Assoc. 2007;99(9):1013-1023.
23. Stevens G, Featherman DL. A revised socioeconomic index of
occupational status. Soc Scien Res. 2981;10(4): 364-395
24. Hauser RM, Warren JR. Socioeconomic indexes for occupations: a
review, update, and critique. Sociol Method. 1997;27(1)
25. Quick V, Eck KM, Delaney C, Lewis, Byrd-Bredbenner C. Stability of
differences in weight-related characteristics of mothers across economic,
cultural, social, and environmental-health indicators of socioeconomic
status. Int J Environ Res Public Health. 2019;16(20): 3866
54
26. Phongsavan P, Chey T, Bauman A, Brooks R, Silove D. Social capital,
socio-economic status and psychological distress among Australian adults.
Soc Sci Med. 2006;63(10): 2546-2561
27. Craig P, Forbes J. Social position and health: are old and new occupational
classifications interchangeable. J Biosoc Sci. 2005;37(1): 89-106
28. Chandola T, Jenkinson C. The new UK national statistics socio-economic
classification (NS-SEC); investigating social class differences in self-
reported health status. J Public Health Med. 2000;22(2): 182-190
29. Shavers VL. Measurement of socioeconomic status in health disparities
research. J Natl Med Assoc. 2007;99(9): 1013-1023
30. Lago S, Cantarero D, Rivera B, Pascual, Blázquez-Fernández C, et al.
Socioeconomic status, health inequalities and non-communicable diseases:
a systematic review. J Public Health. 2018; 26: 1-14
31. Wildman J. The impact of income inequality on individual and societal
health: absolute income, relative income and statistical artefacts. Health
Economics. 2001;10(4): 357-361
32. Van Doorslaer E, Koolman X. Explaining the differences in income-
related health inequalities across European countries. Health Economics.
2004;13(7): 609-628
33. Cantarero D, Pascual M, Sarabia JM. Effects of income inequality on
population health: new evidence from the European community household
panel. J Applied Economics. 2005;37(1): 87-91
34. Mulyanto J, Kringos DS, Kunst AE. Socioeconomic inequalities in
healthcare utilisation in Indonesia: A comprehensive survey-based
overview. BMJ Open. 2019;9(7).
35. Sudharsanan N. The Association between Socioeconomic Status and Adult
Mortality in a Developing Country: Evidence from a Nationally
Representative Longitudinal Survey of Indonesian Adults. Journals
Gerontol - Ser B Psychol Sci Soc Sci. 2019;74(3):484-495.
36. Faisal-Cury A, Quayle J, Marques T, Menezes PR, Matijasevich A. The
relationship between socioeconomic indicators during pregnancy and
gynecological appointment at any time after childbirth. Int J Equity
Health. 2015;14(1):1-7.
55
37. Okun ML, Tolge M, Hall M. Low Socioeconomic Status Negatively
Affects Sleep in Pregnant Women. J Obstet Gynecol Neonatal Nurs.
2014;43(2):160-167.
38. Okun ML, Roberts JM, Marsland AL, Hall M. How disturbed sleep may
be a risk factor for adverse pregnancy outcomes a hypothesis. Obstet
Gynecol Surv. 2009;64(4): 273-280
39. Bjorvatn B, Sagen IM, Øyane N, Waage, Fetveit A, et al. The association
between sleep duration, body mass index and metabolic measures in the
Hordaland health study. J Sleep Res. 2007;16(1): 66-76
40. Okun ML, Schetter CD, Glynn LM. Poor sleep quality is associated with
preterm birth. Sleep. 2011;34(11): 1493-1498
41. Thayer ZM, Kuzawa CW. Early origins of health disparities: material
deprivation predicts maternal evening cortisol in pregnancy and offspring
cortisol reactivity in the first few weeks of life. Am J Hum Biol;26(6)
42. Räikkönen K, O’Reilly JR, Pesonen A, Kajantie E, Villa P, Laivuori H, et
al. Associations between maternal level of education and occupational
status with placental glucocorticoid regeneration and sensitivity. Clin
Endocrinol (Oxf). 2014;81(2): 175-182
43. Kim MK, Lee SM, Bae SH, et al. Socioeconomic status can affect
pregnancy outcomes and complications, even with a universal healthcare
system. Int J Equity Health. 2018;17(1):2.
44. Peacock JL, Bland JM, Anderson HR. Preterm delivery: Effects of
socioeconomic factors, psychological stress, smoking, alcohol, and
caffeine. BMJ. 1995;311(7004):531.
45. Bo S, Menato C, Bardelli C, Lezo A, Signorile A, Repetti E, et al. Low
socioeconomic status as a risk factor for gestational diabetes. Diabetes
Metab. 2002;28(2): 139-140
46. Silva LS, Barreto SM. Adverse psychosocial working conditions and poor
quality of life among financial service employees in brazil. J Occup
Health. 2012;54(2): 88-95
47. Stephansson O, Dickman PW, Johansson ALV, Cnattingius S. The
influence of socioeconomic status on stillbirth risk in Sweden. Int J
Epidemiol. 2001;30(6):1296-1301.
56
48. Jeejeebhey KN. Nutritional assessment in nutritional care of patient with
gastrointestinal disease. 1970. Buchan AL. 1st ed.
49. Péter S, Saris WHM, Mathers JC, Feskens E, Schols A, Navis G, et al.
Nutrient status assessment in individuals and populations for healthy
aging-statement from an expert workshop. Nutrients. 2015;7(12): 10491-
10500
50. da Silva Fink J, Daniel de Mello P, Daniel de Mello E. Subjective global
assessment of nutritional status - A systematic review of the literature.
Clin Nutr. 2015;34(5):785-792.
51. Stratton RJ, King CL, Stroud MA, Jackson AA, Elia M. Malnutrition
universal screening tool predicts mortality and length of hospital stay in
acutely ill elderly. Br J Nutr. 2006;95(2): 325-330
52. Perterson CM, Thomas DM, Blackburn GL, Heymsfield SB. Universal
equation for estimating ideal body weight and body weight at any BMI.
Am J Clin Nutr. 2016;103(5): 1197-1203
53. Hall JC, O’Quigley J, Giles GR, Appleton N, Stocks H. Upper limb
anthropometry: the value of measurement variance studies. Am J Clin
Nutr. 1980;33(8): 1846-1851
54. Datta D, Foley R, Wu R, Grady J, Scalise P. Can creatinine height index
predict weaning and survival outcomes in patients on prolonged
mechanical ventilation after critical illness. J Intensive Care Med.
2018;33(2): 104-110
55. World Health Organization. Obesity: preventing and managing the global
epidemic. Reprot of a WHO consultation. World Health Organization
Technical Report Series. 2000;894: 8-9
56. Sugondo S. ‘Obesitas’ in Buku Ajar Ilmu Penyakit Dalam. Eds Sudoyo
AW, Setiyohadi B, ALwi I, Simadibrata MK, Setiati S. 2006. Pusat
Penerbit Departemen Ilmu Penyakit Dalam Fakultas Kedokteran
Universitas Indonesia. Jakarta.
57. Santos S, Voerman E, Amiano P, et al. Impact of maternal body mass
index and gestational weight gain on pregnancy complications: an
individual participant data meta-analysis of European, North American
and Australian cohorts. BJOG An Int J Obstet Gynaecol. 2019;126(8):984-
995.
57
58. Nucci LB, Schmidt MI, Duncan BB, et al. Nutritional status of pregnant
women: prevalence and associated pregnancy outcomes. Rev Saúde
Pública. 2001;35(6):502-509.
59. Bhowmik B, Siddique T, Majumder A, et al. Maternal BMI and nutritional
status in early pregnancy and its impact on neonatal outcomes at birth in
Bangladesh. BMC Pregnancy Childbirth. 2019;19(1):1-14.
60. Veena SR, Gale CR, Krishnaveni G V., Kehoe SH, Srinivasan K, Fall
CHD. Association between maternal nutritional status in pregnancy and
offspring cognitive function during childhood and adolescence; a
systematic review. BMC Pregnancy Childbirth. 2016;16(1).
61. Stubert J, Reister F, Hartmann S, Janni W. Risiken bei Adipositas in der
Schwangerschaft. Dtsch Arztebl Int. 2018;115(16):276-283.
62. Madanijah S, Briawan D, Rimbawan R, et al. Nutritional status of pre-
pregnant and pregnant women residing in Bogor district, Indonesia: a
cross-sectional dietary and nutrient intake study. Br J Nutr. 2016:1-10.
63. Haregu TN, Mohamed SF, Muthuri S, Khayeka-Wandabwa C,
Kyobutungi C. Body mass index and wealth index: positively correlated
indicators of health and wealth inequalities in Nairobi slums. Glob Health
Epidemiol Genom. 2018;4(3):e11
64. Shaukat B, Javed SA, Imran W. Wealth index as substitute to income and
consumption: assessment of household poverty determinants using
demographic and health survey data. J Poverty. 2019;24(1): 24-44
65. Filmer D, Pritchett LH. Estimating wealth effects without expenditure
data—or tears: an application to educational enrollments in states of India.
Demography. 2001;38(1): 115-132
66. National Population and Family Planning Board (BKKBN), Statistics
Indonesia (BPS), Ministry of Health (Kemenkes). Demography and Health
Survey. 2017
67. Chakraborty NM, Fry K, Behl R, Longfield K. Simplified asset indices to
measure wealth and equity in health programs: A reliability and validity
analysis using survey data from 16 countries. Glob Heal Sci Pract.
2016;4(1):141-154.
68. Lemeshow S, Hosmer DW, Klar J, Lwanga SK. Adequacy of Sample Size
in Health Studies. World Health Organization. 1990
58
69. Hjelm L, Mathiassen A, Miller D, Wadhwa A. VAM Guidance Paper:
Creation of a wealth index. 2017. World Food Programme
70. Dinsa GD, et al. Obesity and socioeconomic status in developing
countries: a systematic review. Obesity Reviews. 2011;13: 1067-1079
71. Monteiro CA, et al. Socioeconomic status and obesity in adult populations
of developing countries: a review. Bulletin of the World Health
Organization. 2004;82: 940-946
72. Ball K, Crawford D. Socioeconomic status and weight change in adults: a
review. Social Science & Medicine. 2005;60: 1987-2010
59
LAMPIRAN
KUESIONER PENELITIAN
“HUBUNGAN STATUS SOSIOEKONOMI DENGAN STATUS NUTRISI
PADA POPULASI IBU HAMIL DI WILAYAH KERJA PUSKESMAS
WAWONASA”
Identitas
• Nama :
• Usia :
• Alamat :
• Pekerjaan :
• Nama Suami :
• Pekerjaan Suami :
Pertanyaan
1. Apakah Anda/keluarga serumah memiliki radio?
a. Ya b. Tidak
60
STATISTIK
Kecamatan
Cumulative
Frequency Percent Valid Percent Percent
Valid Karame 6 13.0 13.6 13.6
Ketang Baru 4 8.7 9.1 22.7
Singkil 1 22 47.8 50.0 72.7
Wawonasa 12 26.1 27.3 100.0
Total 44 95.7 100.0
Missing System 2 4.3
Total 46 100.0
Statistics
Kecamatan Umur
N Valid 44 44
Missing 2 2
Mean 2.9091 25.2273
Std. Error of Mean
.14474 .97097
Statistics
Income Pengeluaran
N Valid 44 44
Missing 2 2
Mean 2039545.4545 1336363.6364
Std. Error of Mean 189366.90857 147202.27088
Median 2000000.0000 1000000.0000
Mode 1000000.00a 1000000.00
Std. Deviation 1256117.96688 976429.40161
61
Variance 1577832346723 953414376321.
.044 353
a. Multiple modes exist. The smallest value is shown
Statistics
Indeks massa tubuh
N Valid 44
Missing 2
Mean 23.9008
Std. Error of Mean .59863
Median 23.3799
Mode 19.98a
Std. Deviation 3.97086
Variance 15.768
a. Multiple modes exist. The
smallest value is shown
Statistics
62
Apakah anda memiliki radio?
Cumulative
Frequency Percent Valid Percent Percent
Valid YA 5 11.4 11.4 11.4
TIDAK 39 88.6 88.6 100.0
Total 44 100.0 100.0
63
Apakah bahan bakar masak anda?
Cumulative
Frequency Percent Valid Percent Percent
Valid LPG 41 93.2 93.2 93.2
KAYU 3 6.8 6.8 100.0
Total 44 100.0 100.0
64
Correlation Matrix
anda memiliki anda memiliki dinding bakar anda Apakah anda lantai
memiliki mobil atau memiliki sepeda rumah masak memiliki memiliki rumah
memiliki 1.000 -.097 -.004 .004 .023 .097 .207 -.157 .199
radio?
Apakah anda
memiliki
-.097 1.000 .310 .137 .147 -.285 .156 .215 .258
mobil atau
truk?
Apakah anda
memiliki -.004 .310 1.000 .117 .141 .137 .033 .171 .033
sepeda
Apakah anda
memiliki .004 .137 .117 1.000 .263 .086 .098 .176 .192
sepeda motor
Apakah
bahan
.023 .147 .141 .263 1.000 .284 .188 .015 .459
dinding
rumah anda?
Apakah
bahan bakar .097 -.285 .137 .086 .284 1.000 .260 -.029 .103
masak anda?
Apakah anda
memiliki .207 .156 .033 .098 .188 .260 1.000 .081 .184
kulkas?
Apakah anda
memiliki -.157 .215 .171 .176 .015 -.029 .081 1.000 .083
rekening?
Apakah
bahan lantai .199 .258 .033 .192 .459 .103 .184 .083 1.000
rumah anda?
radio?
65
Apakah anda
memiliki
.266 .020 .187 .171 .031 .156 .081 .045
mobil atau
truk?
Apakah anda
sepeda
Apakah anda
sepeda motor
Apakah
bahan
.440 .171 .181 .042 .031 .111 .461 .001
dinding
rumah anda?
Apakah
bahan bakar .266 .031 .187 .289 .031 .044 .425 .254
masak anda?
Apakah anda
kulkas?
Apakah anda
rekening?
Apakah
bahan lantai .098 .045 .415 .106 .001 .254 .116 .296
rumah anda?
Communalities
Initial Extraction
Apakah anda
1.000 .674
memiliki radio?
66
Apakah anda
memiliki mobil atau 1.000 .780
truk?
Apakah anda
1.000 .595
memiliki sepeda
Apakah anda
memiliki sepeda 1.000 .428
motor
Apakah bahan
dinding rumah 1.000 .696
anda?
Apakah bahan bakar
1.000 .839
masak anda?
Apakah anda
1.000 .561
memiliki kulkas?
Apakah anda
1.000 .457
memiliki rekening?
Apakah bahan lantai
1.000 .719
rumah anda?
Extraction Method: Principal Component
Analysis.
67
9 .355 3.940 100.000
Extraction Method: Principal Component Analysis.
Component Matrixa
Component
1 2 3 4
Apakah anda
.181 .518 -.470 .389
memiliki radio?
Apakah anda
memiliki mobil atau .459 -.641 -.359 .172
truk?
Apakah anda
.402 -.332 .337 .458
memiliki sepeda
Apakah anda
memiliki sepeda .512 -.122 .191 -.338
motor
Apakah bahan
dinding rumah .708 .186 .057 -.397
anda?
Apakah bahan bakar
.346 .598 .592 .105
masak anda?
Apakah anda
.499 .279 -.085 .476
memiliki kulkas?
Apakah anda
.299 -.512 .292 .140
memiliki rekening?
68
Apakah bahan lantai
.681 .106 -.401 -.286
rumah anda?
Extraction Method: Principal Component Analysis.
a. 4 components extracted.
69
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
Created Variablesa
Source Variable Function New Variable Label
Wealth_Indexb Rank RWealth_ Rank of Wealth_Index
Percentile Groupc Percentile Group of
NWealth_
Wealth_Index
a. Mean rank of tied values is used for ties.
b. Ranks are in ascending order.
c. 5 groups are generated.
70
Percentile Group of
Wealth_Index *
44 100.0% 0 0.0% 44 100.0%
Apakah bahan bakar
masak anda?
Percentile Group of
Wealth_Index *
44 100.0% 0 0.0% 44 100.0%
Apakah anda
memiliki kulkas?
Percentile Group of
Wealth_Index *
44 100.0% 0 0.0% 44 100.0%
Apakah anda
memiliki rekening?
Percentile Group of
Wealth_Index *
44 100.0% 0 0.0% 44 100.0%
Apakah bahan lantai
rumah anda?
Crosstab
Apakah anda memiliki radio?
YA TIDAK Total
Percentile Group of 1 Count 0 6 6
Wealth_Index Expected Count .7 5.3 6.0
2 Count 2 9 11
3 Count 1 9 10
4 Count 1 7 8
5 Count 1 8 9
71
Symmetric Measures
Asymptotic
Standardized Approximate
Value Errora Approximate Tb Significance
Interval by Interval Pearson's R -.035 .134 -.229 .820c
Ordinal by Ordinal Spearman
-.032 .136 -.206 .838c
Correlation
N of Valid Cases 44
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.
c. Based on normal approximation.
Crosstab
Apakah anda memiliki mobil atau
truk?
YA TIDAK Total
Percentile Group of 1 Count 1 5 6
Wealth_Index Expected Count .4 5.6 6.0
2 Count 2 9 11
Expected Count .8 10.3 11.0
3 Count 0 10 10
Expected Count .7 9.3 10.0
4 Count 0 8 8
Expected Count .5 7.5 8.0
5 Count 0 9 9
Expected Count .6 8.4 9.0
Total Count 3 41 44
Expected Count 3.0 41.0 44.0
Symmetric Measures
Asymptotic
Standardized Approximate
Value Errora Approximate Tb Significance
Interval by Interval Pearson's R .283 .095 1.914 .062c
Ordinal by Ordinal Spearman
.290 .094 1.967 .056c
Correlation
N of Valid Cases 44
72
Crosstab
Apakah anda memiliki sepeda
YA TIDAK Total
Percentile Group of 1 Count 0 6 6
Wealth_Index Expected Count 1.2 4.8 6.0
2 Count 3 8 11
Expected Count 2.3 8.8 11.0
3 Count 2 8 10
Expected Count 2.0 8.0 10.0
4 Count 3 5 8
Expected Count 1.6 6.4 8.0
5 Count 1 8 9
Expected Count 1.8 7.2 9.0
Total Count 9 35 44
Expected Count 9.0 35.0 44.0
Symmetric Measures
Asymptotic
Standardized Approximate
Value Errora Approximate Tb Significance
Interval by Interval Pearson's R -.058 .126 -.379 .707c
Ordinal by Ordinal Spearman
-.059 .130 -.383 .704c
Correlation
N of Valid Cases 44
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.
c. Based on normal approximation.
Crosstab
Apakah anda memiliki sepeda
motor
YA TIDAK Total
Percentile Group of 1 Count 6 0 6
Wealth_Index Expected Count 4.8 1.2 6.0
2 Count 11 0 11
73
Expected Count 8.8 2.3 11.0
3 Count 9 1 10
Expected Count 8.0 2.0 10.0
4 Count 4 4 8
Expected Count 6.4 1.6 8.0
5 Count 5 4 9
Expected Count 7.2 1.8 9.0
Total Count 35 9 44
Expected Count 35.0 9.0 44.0
Symmetric Measures
Asymptotic
Standardized Approximate
Value Errora Approximate Tb Significance
Interval by Interval Pearson's R .479 .100 3.540 .001c
Ordinal by Ordinal Spearman
.481 .097 3.556 .001c
Correlation
N of Valid Cases 44
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.
c. Based on normal approximation.
Crosstab
Apakah bahan dinding rumah
anda?
BETON TRIPLEK Total
Percentile Group of 1 Count 6 0 6
Wealth_Index Expected Count 4.6 1.4 6.0
2 Count 11 0 11
Expected Count 8.5 2.5 11.0
3 Count 10 0 10
Expected Count 7.7 2.3 10.0
4 Count 7 1 8
Expected Count 6.2 1.8 8.0
5 Count 0 9 9
74
Expected Count 7.0 2.0 9.0
Total Count 34 10 44
Expected Count 34.0 10.0 44.0
Symmetric Measures
Asymptotic
Standardized Approximate
Value Errora Approximate Tb Significance
Interval by Interval Pearson's R .742 .060 7.181 .000c
Ordinal by Ordinal Spearman
.727 .073 6.867 .000c
Correlation
N of Valid Cases 44
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.
c. Based on normal approximation.
Crosstab
Apakah bahan bakar masak anda?
LPG KAYU Total
Percentile Group of 1 Count 5 1 6
Wealth_Index Expected Count 5.6 .4 6.0
2 Count 11 0 11
Expected Count 10.3 .8 11.0
3 Count 10 0 10
Expected Count 9.3 .7 10.0
4 Count 8 0 8
Expected Count 7.5 .5 8.0
5 Count 7 2 9
Expected Count 8.4 .6 9.0
Total Count 41 3 44
Expected Count 41.0 3.0 44.0
Symmetric Measures
Asymptotic
Standardized Approximate
Value Errora Approximate Tb Significance
75
Interval by Interval Pearson's R .121 .211 .790 .434c
Ordinal by Ordinal Spearman
.116 .211 .758 .453c
Correlation
N of Valid Cases 44
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.
c. Based on normal approximation.
Crosstab
Apakah anda memiliki kulkas?
YA TIDAK Total
Percentile Group of 1 Count 4 2 6
Wealth_Index Expected Count 4.5 1.5 6.0
2 Count 10 1 11
Expected Count 8.3 2.8 11.0
3 Count 8 2 10
Expected Count 7.5 2.5 10.0
4 Count 6 2 8
Expected Count 6.0 2.0 8.0
5 Count 5 4 9
Expected Count 6.8 2.3 9.0
Total Count 33 11 44
Expected Count 33.0 11.0 44.0
Symmetric Measures
Asymptotic
Standardized Approximate
Value Errora Approximate Tb Significance
Interval by Interval Pearson's R .167 .163 1.096 .279c
Ordinal by Ordinal Spearman
.167 .163 1.098 .279c
Correlation
N of Valid Cases 44
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.
c. Based on normal approximation.
76
Crosstab
Apakah anda memiliki rekening?
YA TIDAK Total
Percentile Group of 1 Count 3 3 6
Wealth_Index Expected Count 3.7 2.3 6.0
2 Count 10 1 11
Expected Count 6.8 4.3 11.0
3 Count 5 5 10
Expected Count 6.1 3.9 10.0
4 Count 4 4 8
Expected Count 4.9 3.1 8.0
5 Count 5 4 9
Expected Count 5.5 3.5 9.0
Total Count 27 17 44
Expected Count 27.0 17.0 44.0
Symmetric Measures
Asymptotic
Standardized Approximate
Value Errora Approximate Tb Significance
Interval by Interval Pearson's R .134 .152 .876 .386c
Ordinal by Ordinal Spearman
.145 .153 .948 .349c
Correlation
N of Valid Cases 44
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.
c. Based on normal approximation.
Crosstab
Apakah bahan lantai rumah anda?
KERAMIK SEMEN Total
Percentile Group of 1 Count 6 0 6
Wealth_Index Expected Count 3.1 2.9 6.0
2 Count 11 0 11
Expected Count 5.8 5.3 11.0
3 Count 3 7 10
77
Expected Count 5.2 4.8 10.0
4 Count 3 5 8
Expected Count 4.2 3.8 8.0
5 Count 0 9 9
Expected Count 4.7 4.3 9.0
Total Count 23 21 44
Expected Count 23.0 21.0 44.0
Symmetric Measures
Asymptotic
Standardized Approximate
Value Errora Approximate Tb Significance
Interval by Interval Pearson's R .733 .064 6.991 .000c
Ordinal by Ordinal Spearman
.742 .066 7.175 .000c
Correlation
N of Valid Cases 44
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.
c. Based on normal approximation.
Tests of Normality
Apakah anda Kolmogorov-Smirnova Shapiro-Wilk
memiliki radio? Statistic df Sig. Statistic df Sig.
Wealth Index YA .235 5 .200* .850 5 .194
TIDAK .158 39 .015 .872 39 .000
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
78
Case Processing Summary
Tests of Normality
Apakah anda Kolmogorov-Smirnova Shapiro-Wilk
memiliki mobil atau
truk? Statistic df Sig. Statistic df Sig.
Wealth Index YA .385 3 . .750 3 .000
TIDAK .155 41 .014 .899 41 .002
a. Lilliefors Significance Correction
Tests of Normality
Apakah anda Kolmogorov-Smirnova Shapiro-Wilk
memiliki sepeda Statistic df Sig. Statistic df Sig.
Wealth Index YA .266 9 .067 .782 9 .013
TIDAK .178 35 .006 .881 35 .001
a. Lilliefors Significance Correction
79
Apakah anda Valid Missing Total
memiliki sepeda
motor N Percent N Percent N Percent
Wealth Index YA 35 100.0% 0 0.0% 35 100.0%
TIDAK 9 100.0% 0 0.0% 9 100.0%
Tests of Normality
Apakah anda Kolmogorov-Smirnova Shapiro-Wilk
memiliki sepeda
motor Statistic df Sig. Statistic df Sig.
Wealth Index YA .176 35 .007 .867 35 .001
TIDAK .253 9 .100 .878 9 .150
a. Lilliefors Significance Correction
Tests of Normality
Apakah bahan Kolmogorov-Smirnova Shapiro-Wilk
dinding rumah anda? Statistic df Sig. Statistic df Sig.
Wealth Index BETON .185 34 .005 .891 34 .003
TRIPLEK .200 10 .200* .941 10 .559
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
80
Wealth Index LPG 41 100.0% 0 0.0% 41 100.0%
KAYU 3 100.0% 0 0.0% 3 100.0%
Tests of Normality
Apakah bahan bakar Kolmogorov-Smirnova Shapiro-Wilk
masak anda? Statistic df Sig. Statistic df Sig.
Wealth Index LPG .155 41 .015 .884 41 .001
KAYU .269 3 . .950 3 .569
a. Lilliefors Significance Correction
Tests of Normality
Apakah anda Kolmogorov-Smirnova Shapiro-Wilk
memiliki kulkas? Statistic df Sig. Statistic df Sig.
Wealth Index YA .184 33 .006 .831 33 .000
TIDAK .123 11 .200* .950 11 .640
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
81
Apakah anda
memiliki rekening? Statistic df Sig. Statistic df Sig.
Wealth Index YA .182 27 .022 .838 27 .001
TIDAK .166 17 .200* .935 17 .265
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
Tests of Normality
Descriptives
Indeks massa tubuh
95% Confidence Interval for
Std. Std. Mean
N Mean Deviation Error Lower Bound Upper Bound Minimum Maximum
Kuntil 1 6 23.4415 4.23653 1.72955 18.9956 27.8875 18.67 29.09
Kuintil
11 24.7135 5.40085 1.62842 21.0852 28.3419 17.26 31.64
2
Kuintil
10 25.1188 3.23410 1.02271 22.8053 27.4324 20.45 30.36
3
Kuintil
8 23.7993 3.85097 1.36153 20.5798 27.0188 20.00 31.24
4
Kuintil
9 21.9506 2.26253 .75418 20.2114 23.6897 19.43 25.39
5
Total 44 23.9008 3.97086 .59863 22.6936 25.1081 17.26 31.64
82
Test of Homogeneity of Variances
Indeks massa tubuh
Levene Statistic df1 df2 Sig.
2.788 4 39 .040
Multiple Comparisons
Tukey HSD
95% Confidence
Interval
(I) Percentile Group of (J) Percentile Group of Mean Difference Std. Lower Upper
83
Indeks massa tubuh
Tukey HSDa,b
Subset for alpha
Percentile Group of = 0.05
Wealth_Index N 1
Kuintil 5 9 21.9506
Kuntil 1 6 23.4415
Kuintil 4 8 23.7993
Kuintil 2 11 24.7135
Kuintil 3 10 25.1188
Sig. .488
Means for groups in homogeneous subsets are
displayed.
a. Uses Harmonic Mean Sample Size = 8.422.
b. The group sizes are unequal. The harmonic mean
of the group sizes is used. Type I error levels are not
guaranteed.
Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
1 Incomeb . Enter
a. Dependent Variable: Indeks massa tubuh
b. All requested variables entered.
Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 .030a .001 -.023 4.01603
a. Predictors: (Constant), Income
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression .613 1 .613 .038 .846b
Residual 677.398 42 16.129
84
Total 678.011 43
a. Dependent Variable: Indeks massa tubuh
b. Predictors: (Constant), Income
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 23.707 1.164 20.363 .000
Income 9.502E-8 .000 .030 .195 .846
a. Dependent Variable: Indeks massa tubuh
Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
1 Pengeluaranb . Enter
a. Dependent Variable: Indeks massa tubuh
b. All requested variables entered.
Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 .153a .023 .000 3.97057
a. Predictors: (Constant), Pengeluaran
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 15.863 1 15.863 1.006 .322b
Residual 662.148 42 15.765
Total 678.011 43
a. Dependent Variable: Indeks massa tubuh
85
b. Predictors: (Constant), Pengeluaran
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 23.070 1.022 22.567 .000
Pengeluaran 6.220E-7 .000 .153 1.003 .322
a. Dependent Variable: Indeks massa tubuh
86