Analisis Regresi Data Panel untuk Mengetahui Faktor-Faktor yang

Memengaruhi Kasus Stunting Provinsi di Indonesia pada Tahun 2020-2021

Danny Theodore Dunrui1,*

1
Departemen Matematika, FMIPA, Universitas Gadjah Mada, Yogyakarta, Indonesia
*Corresponding author

Abstrak

Stunting merupakan merupakan kondisi terhambatnya perkembangan pada balita di mana

hal ini dapat menyebabkan berbagai komplikasi, salah satunya adalah menghambat
perkembangan otak anak. Penelitian ini dilakukan untuk mengetahui faktor-faktor yang
mempengaruhi kasus stunting provinsi-provinsi di Indonesia pada tahun 2020-2021.
Analisis dilakukan menggunakan regresi data panel. Setelah melalui serangkaian uji-uji
pada analisis regresi data panel diperoleh variabel yang memengaruhi kasus stunting
provinsi-provinsi di Indonesia pada tahun 2020-2021 adalah jumlah balita yang diukur
tingginya, jumlah penduduk miskin, dan jumlah balita dengan Imunisasi dasar lengkap

Kata kunci: analisis regresi data panel, kasus stunting di Indonesia, penanganan stunting.

PENDAHULUAN

Latar Belakang
Stunting (kerdil) adalah suatu kondisi dimana balita memiliki panjang atau tinggi
badan yang kurang jika dibandingkan dengan nilai pada rata-rata pada kelompok
umurnya [4]. Berdasarkan artikel yang di rilis oleh Kemenkes RI stunting berpotensi
memperlambat perkembangan anak, khususnya perkembangan otak dimana hal ini
dapat berakibat jangka panjang seperti menyebabkan keterbelakangan mental,
rendahnya kemampuan belajar, dan risiko serangan penyakit kronis [1].
Dalam hal ini terlihat bahwa stunting sangat berbahaya bagi anak-anak. Indonesia
sebagai negara yang masih berkembang memerlukan generasi muda yang sehat dan kuat
agar mampu bersaing secara global. Oleh karena itu penelitian ini dilakukan untuk
mengetahui faktor-faktor yang mempengaruhi kasus stunting pada provinsi di Indonesia
khususnya pada tahun 2020-2021.

Rumusan Masalah
a. Model apakah yang paling tepat digunakan dalam memodelkan jumlah kasus
stunting di Indonesia.

1
 b. Melihat apakah terdapat pengaruh waktu atau provinsi terhadap jumlah kasus
stunting di Indonesia pada tahun 2020-2021.
c. Faktor apa saja yang mempengaruhi jumlah kasus stunting pada tiap provinsi di
Indonesia pada tahun 2020-2021.

Tujuan Penelitian
a. Menentukan model mana yang paling tepat digunakan dalam memodelkan jumlah
kasus stunting di Indonesia.
b. Menentukan apakah terdapat pengaruh waktu atau provinsi terhadap jumlah kasus
stunting di Indonesia pada tahun 2020-2021.
c. Menentukan faktor-faktor yang mempengaruhi jumlah kasus stunting pada tiap
provinsi di Indonesia pada tahun 2020-2021.

METODOLOGI PENELITIAN

Data
Data yang dimiliki merupakan data panel yang terdiri dari unsur kali-silang, yakni
provinsi dan unsur waktu, yakni tahun dari 2020-2021. Data terdiri dari 7 variabel
dengan keterangan pada tabel 1.

Tabel 1. Deskripsi variabel dalam dataset.

No Variabel Deskripsi
1. AHH Angka Harapan Hidup (tahun)
2. RLS Rata-rata lama sekolah pada perempuan (tahun)
3. JPM Jumlah penduduk miskin (dalam ribu jiwa)
4. Jumlah Balita Jumlah balita yang diukur tingginya
5. Stunting Jumlah balita pendek/sangat pendek
6. Diare Jumlah balita yang kena diare
7. Imunisasi Jumlah balita dengan imunisasi dasar lengkap

Variabel dependen atau terikat yang digunakan dalam penelitian ini adalah “Stunting”
dan variabel independen atau bebas adalah sisanya.

Metode Analisis

Dalam permasalahan ini data yang dimiliki adalah data panel oleh karena itu
metode analisis yang akan digunakan adalah analisis regresi data panel. Secara umum,
model panel yang akan diestimasi dituliskan dalam persamaan (1).

2
 𝑦𝑖,𝑡 = 𝑥𝑖,𝑡 𝛽𝑖,𝑡 + 𝑐𝑖 + 𝑑𝑡 + 𝜀𝑖,𝑡 (1)
di mana 𝑐𝑖 adalah konstanta yang bergantung pada unit ke-i, tapi tidak pada waktu ke-t
dan 𝑑𝑡 adalah konstanta yang bergantung pada waktu ke-t, tapi tidak pada unit ke-i.
Melalui model panel tersebut akan dilakukan pemodelan dengan metode eliminasi balik,
yakni dengan mengeluarkan variabel yang tidak signifikan.

HASIL DAN PEMBAHASAN

Pertama, akan dilakukan eksplorasi terhadap data untuk melihat gambaran lebih
lanjut mengenai data yang akan dianalisis.

Tabel 2. Rata-rata tiap variabel dalam data untuk tiap tahun.

Variabel
Tahun
Jumlah Balita Stunting AHH RLS JPM Diare Imunisasi
2020 215305 23462 70.1 8.31 810 33244 108485
2021 415633 39462 70.2 8.40 780 25870 108144

Pada tabel 2 terlihat bahwa dari tahun 2020 ke tahun 2021 terdapat kenaikan nilai rata-
rata untuk mayoritas variabel terkecuali variabel “Diare” dan “Imunisasi”.

Tabel 3. 10 besar provinsi dengan rata-rata jumlah kasus stunting tertinggi.

Provinsi Stunting
Jawa Barat 207756
Jawa Timur 180644
Jawa Tengah 131282
Nusa Tenggara Timur 79594
Nusa Tenggara Barat 77056
Sulawesi Selatan 42303
Sumatera Utara 41888
Banten 35636
Sumatera Barat 27778
Aceh 27216

Adapun, pada tabel 3 terlihat 10 provinsi dengan rata-rata kasus stunting tertinggi di
Indonesia. Pada urutan pertama terdapat Provinsi Jawa Barat, kemudian Jawa Timur
dan Jawa Tengah.

3
Analisis Regresi Data Panel
Pertama, uji Chow dilakukan untuk menentukan apakah model lebih baik
menggunakan metode estimasi common effect atau fixed effect. Hipotesis awal (H0)
adalah bahwa model common effect lebih cocok dan hipotesis alternatif (H1) adalah
model fixed effect lebih cocok. Berdasarkan hasil uji Chow, didapakan p-value sebesar
7.254 × 10−16 dan daerah kritik H0 ditolak jika p-value < α sebesar 0.05. Maka, H0
ditolak sehingga didapatkan kesimpulan bahwa model fixed effect lebih cocok untuk
digunakan.
Selanjutnya, uji Hausmann dilakukan untuk melihat apakah terdapat efek acak di
dalam data panel atau untuk menentukan apakah model lebih baik menggunakan
metode estimasi fixed effect atau random effect. Hipotesis awal (H0) adalah bahwa
model Random Effect lebih cocok dan hipotesis alternatif (H1) adalah model Fixed
Effect lebih cocok. Berdasarkan hasil uji Hausmann didapakan p-value sebesar 5.303 ×
10−6 dan daerah kritik H0 ditolak jika p-value < α sebesar 0.05. Maka, H0 ditolak
sehingga didapatkan kesimpulan bahwa model fixed effect lebih cocok untuk digunakan.
Setelah didapatkan bahwa model fixed effect lebih cocok digunakan, selanjutnya
akan dilihat apakah model fixed effect satu arah atau dua arah menggunakan uji
Breusch-Pagan.

Tabel 4. Hasil uji penentuan efek model.

Uji P-Value Kesimpulan
Uji efek 2 arah 7.314 × 10−6 H0 ditolak maka terdapat efek
kali-silang maupun waktu
Uji efek 1 arah 1.805 × 10−6 H0 ditolak maka terdapat efek
(kali-silang) kali-silang.
Uji efek 1 arah 0.3539 H0 tidak ditolak maka tidak
(waktu) terdapat efek waktu.

Berdasarkan hasil pada tabel 4 didapatkan kesimpulan bahwa model yang dimiliki
terdapat efek kali-silang maupun waktu. Oleh karena itu, akan dilanjutkan dengan uji
efek waktu dan efek kali silang di mana didapatkan kesimpulan bahwa pada tidak
terdapat efek waktu tapi terdapat efek kali-silang.
Mengacu pada hasil yang diperoleh sebelumnya maka model panel yang dimiliki
adalah model panel fixed effect satu arah dengan efek kali-silang. Setelah itu dilakukan

4
uji Wald yang berdasarkan statistik T untuk mengetahui variabel independen mana yang
berpengaruh signifikan terhadap variabel dependen.

Tabel 5. Hasil uji signifikansi parameter.

Jumlah P-Value
Model Variabel Keluar
Variabel (Uji T)
1 6 RLS 0.376358
2 5 AHH 0.379972
3 4 Diare 0.092189
4 3 -

Uji ini dilakukan hingga seluruh variabel dalam model signifikan. Hipotesis awal (H0)
variabel signifikan dan hipotesis alternatif (H1) variabel tidak signifikan. Berdasarkan
tabel 5, untuk model pertama diperoleh variabel RLS tidak signifikan sehingga
dikeluarkan dari model. Pada model kedua variabel AHH tidak signfikan sehingga
dikeluarkan dari model. Lalu, diperoleh model ketiga dimana variabel Diare tidak
signfikan sehingga dikeluarkan hingga diperoleh model keempat yang seluruh
variabelnya signifikan.
Setelah diperoleh model akhir tersebut akan dilakukan diagnostic checking untuk
melihat apakah model yang didapatkan sudah benar-benar baik atau tidak. Pertama,
akan dilakukan uji homoskedastisitas. Hipotesis awal (H0) adalah homoskedastisitas dan
hipotesis alternatif (H1) heteroskedastisitas di mana diperoleh p-value = 0.1097 > α =
0.05 maka H0 tidak ditolak sehingga didapatkan kesimpulan bahwa asumsi
homoskedastisitas terpenuhi.
Kedua, dilakukan uji korelasi serial. Uji ini dilakukan untuk melihat apakah
terdapat korelasi serial dalam model dengan hipotesis awal (H0) tidak adanya korelasi
serial dan hipotesis alternatif (H1) terdapat korelasi serial. Berdasarkan hasil diperoleh
p-value = 1 > α = 0.05 maka H0 tidak ditolak sehingga didapatkan kesimpulan bahwa
tidak terdapat autokorelasi serial dalam model.
Ketiga, akan dilakukan uji normalitas residual dengan menggunakan uji
Anderson-Darling dengan hipotesis awal (H0) residual berdistribusi normal dan
hipotesis alternatif (H1) residual tidak berdistribusi normal. Diperoleh p-value = 0.9016 >
α = 0.05 maka H0 tidak ditolak sehingga didapatkan kesimpulan bahwa residual model
berdistribusi normal. Secara keseluruhan, hasil diagnostic checking menunjukkan
bahwa model yang didapatkan sudah benar-benar baik.

5
Setelah melalui serangkaian uji diperoleh model memenuhi seluruh asumsi yang ada
yang tertulis dalam persamaan (2).

𝑆𝑡𝑢𝑛𝑡𝑖𝑛𝑔 = 0.0710342 𝐽𝑢𝑚𝑙𝑎ℎ 𝐵𝑎𝑙𝑖𝑡𝑎 − 47.8564569 𝐽𝑃𝑀

+ 0.0893606 𝐼𝑚𝑢𝑛𝑖𝑠𝑎𝑠𝑖 + 𝑐𝑖 + 𝜀𝑖,𝑡 (2)

Tabel 6. Evaluasi model akhir.

Metrik Nilai
Sum of Squared Residual (SSR) 249120000
R-Squared 0.98473
Adj. R-Squared 0.967
P-Value Uji F < 2.22 × 10−16

Berdasarkan tabel 6 diperoleh beberapa metrik evaluasi untuk model akhir yang dimiliki.
Nilai jumlah kuadrat residual (Sum of Squared Residual / SSR) sebesar 249120000 dan
Adj. R-Squared sebesar 0.967 atau 96.7% variasi dalam variabel dependen dapat
dijelaskan oleh variabel independennya. Selanjutnya, nilai p-value uji F sebesar <
2.22 × 10−16 maka H0 ditolak sehingga model layak digunakan (model fit). Adapun,
nilai konstanta 𝑐𝑖 untuk setiap provinsi diberikan oleh lampiran 14.

KESIMPULAN

Penelitian ini dilakukan untuk mengetahui faktor-faktor apa saja yang

mempengaruhi kasus stunting provinsi di Indonesia pada tahun 2020-2021. Analisis
dilakukan dengan menggunakan analisis regresi data panel. Data yang dimiliki
merupakan data panel yang terdiri dari unsur kali-silang, yakni provinsi dan unsur
waktu, yakni tahun dari 2020-2021. Data terdiri atas 7 variabel, yakni stunting, jumlah
balita, AHH, RLS, JPM, diare, dan imunisasi dari 34 provinsi di Indonesia pada tahun
2020-2021. Variabel dependen atau terikat yang digunakan dalam penelitian ini adalah
“Stunting” dan variabel independen atau bebas adalah sisanya.
Melalui serangkaian analisis yang telah dilakukan diperoleh model akhir yakni
model fixed effect satu arah dengan efek kali-silang (provinsi). Pada model ini variabel
yang benar-benar berpengaruh secara signifikan terhadap model adalah jumlah balita
yang diukur tingginya, jumlah penduduk miskin, dan jumlah balita dengan Imunisasi
dasar lengkap.

6
 Saran yang dapat diberikan berdasarkan hasil ini bagi pemerintah khususnya
dalam menangani stunting adalah dengan semakin semakin masif dalam melacak balita
yang berisiko stunting yakni dengan memperbanyak dan merutinkan pengukuran tinggi
balita, lalu juga dengan mengentaskan kemiskinan dan menggencarkan imunisasi bagi
balita.

DAFTAR PUSTAKA

[1] P2PTM Kemenkes RI. (2018, April 11). Stunting, Ancaman Generasi Masa
Depan Indonesia. Retrieved from Direktorat P2PTM Kementrian Kesehatan:
http://p2ptm.kemkes.go.id/kegiatan-p2ptm/subdit-penyakit-diabetes-melitus-dan-
gangguan-metabolik/stunting-ancaman-generasi-masa-depan
indonesia#:~:text=Stunting%20berpotensi%20memperlambat%20perkembangan
%20otak,diabetes%2C%20hipertensi%2C%20hingga%20obesi
[2] Rosadi, D. (2010). Diktat Pengantar Analisis Data Panel. Yogyakarta:
Universitas Gadjah Mada.
[3] Rosadi, D. (2011). Analisis Ekonometrika & Runtun Waktu Terapan dengan R,
Aplikasinya untuk bidang ekonomi, bisnis, dan keuangan. Yogyakarta: ANDI.
[4] Tim Redaksi Pusdatin Kemenkes. (2018, Juni). Situasi Balita Pendek (Stunting) di
Indonesia. Retrieved from Pusat Data dan Informasi Kementrian Kesehatan:
https://pusdatin.kemkes.go.id/download.php?file=download/pusdatin/buletin/Bule
tin-Stunting-2018.pdf
[5] Zulfikar, R. (2018). Estimation Model and Selection Method of Panel Data
Regression. Banjarmasin: Fakultas Ekonomi Universitas Islam Kalimantan MAB
Banjarmasin.

7
 LAMPIRAN
Lampiran 1. Hasil uji Chow.

Lampiran 2. Hasil uji Hausmann.

Lampiran 3. Hasil uji efek kali-silang maupun waktu.

Lampiran 4. Hasil uji efek kali-silang.

Lampiran 5. Hasil uji efek waktu.

Lampiran 6. Uji signifikansi parameter model 1.

Lampiran 7. Uji signifikansi parameter model 2.

8
 Lampiran 8. Uji signifikansi parameter model 3.

Lampiran 9. Uji signifikansi parameter model 4.

Lampiran 10. Hasil uji homoskedastisitas.

Lampiran 11. Hasil uji korelasi serial.

Lampiran 12. Hasil uji normalitas residual.

Lampiran 13. Hasil evaluasi model akhir.

Lampiran 14. Nilai konstanta 𝑐𝑖 untuk setiap provinsi.