Analisis SEM-PLS pada Kasus Gizi Buruk Balita di Provinsi Jawa Timur
Abstract
Salah satu metode yang dapat menjelaskan struktur hubungan kompleks dengan melibatkan banyak variabel adalah Structural Equation Modeling (SEM). SEM memerlukan pemenuhan asumsi distribusi secara parametrik yang seringkali sulit dipenuhi, sehingga diperlukan metode alternatif untuk mengatasi keterbatasan tersebut, yaitu SEM-PLS (Partial Least Square). Tujuan dari penelitian ini adalah untuk melakukan analisis SEM-PLS pada kasus gizi buruk balita di Jawa Timur tahun 2021. Provinsi Jawa Timur menjadi perhatian utama pemerintah dalam penanganan gizi buruk karena memiliki populasi yang besar meskipun termasuk salah satu wilayah yang kasus gizi buruknya menurun. Hasil yang diperoleh adalah variabel sosial ekonomi berpengaruh signifikan secara positif terhadap variabel ketahanan pangan, pola asuh serta fasilitas pelayanan kesehatan dan lingkungan dan tidak memiliki pengaruh signifikan secara tidak langsung terhadap kasus gizi buruk balita di Jawa Timur.
Kata kunci: SEM-PLS, Stunting, Underweight, Wasting
References
[2] Kementrian Kesehatan RI. (2019). Laporan Nasional Riskesdas 2018. Jakarta: Badan Penelitian dan Pengembangan Kesehatan.
[3] Kementerian Kesehatan Republik Indonesia. (2019, Oktober 2). Juknis Profil Kesehatan 2019. Retrieved from www.kemkes.go.id: https://www.kemkes.go.id/downloads/resources/download/info-terkini/1-DEFINISI-OPERASIONAL-JUKNIS-PROFIL-KES-2019.pdf
[4] UNICEF/WHO/World Bank Group. (2021, May 1). UNICEF-WHO-The World Bank: Joint Child Malnutrition Estimates - Levels and Trends - 2021 Edition. Retrieved from UNICEF DATA: https://data.unicef.org/resources/jme-report-2021/
[5] Badriyah, L. (2019). Hubungan Karakteristik Keluarga, Ekonomi, dan Faktor Lain dengan Stunting, Wasting, dan Underweight pada Anak Usia 6-23 Bulan di Indonesia. Jurnal Ilmiah Kesehatan, 18(1), 26-32.
[6] Ma'ruf, N., Hapsari, D., & Dharmayanti, I. (2016). Faktor Pembangunan Wilayah Terhadap Status Gizi Balita di Indonesia. Buletin Penelitian Sistem Kesehatan, 19(3), 173-182.
[7] Khuzaimah U, Baliwati YF, Tanziha I. (2021). Peranan Pilar Tujuan Pembangunan Berkelanjutan terhadap Penanganan Gizi Kurang di Provinsi Jawa Barat. Amerta Nutr, 196–210.
[8] Hair, J. F., Hult, G. M., Ringle, C. M., & Sarstedt, M. (2014). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM). United States: SAGE Publications, Inc.
[9] Wold, H. (1966). Estimation of Principal Components and Related Models by Iterative Least Squares. In P. R. Krishnaiah (Ed.), Multivariate Analysis (pp. 391-420). New York: Academic Press.
[10] Wold, H. (1982). Soft Modeling: The Basic Design and Some Extensions. In K. G. Jöreskog & H. Wold (Eds.), Systems under Indirect Observation, Part II (pp. 1-54). Amsterdam: North-Holland.
[11] Wold, H. (1985). Partial Least Squares. In S. Kotz & N. L. Johnson (Eds.), Encyclopedia of Statistical Sciences (Vol. 6, pp. 581-591). New York: John Wiley & Sons.
[12] Lohmöller, J.-B. (1989). Latent Variable Path Modeling with Partial Least Squares. Heidelberg: Physica-Verlag.
[13] Chin, W. W., & Dibbern, J. (2010). An Introduction to a Permutation Based Procedure for Multi-Group PLS Analysis: Results of Tests of Differences on Simulated Data and a Cross Cultural Analysis of the Sourcing of Information System Services Between Germany and the USA. In V. Vinzi, W. Chin, J. Henseler, & H. Wang, Handbook of Partial Least Squares: Concepts, Methods and Applications (pp. 171 - 193). Heidelberg: Springer.
[14] Haryono, S., & Wardoyo, P. (2012). Structural Equation Modeling untuk Penelitian Manajemen Menggunakan Ams 18.00. Bekasi: PT. Intermedia Personalia Utama.
[15] Chin, W. W., & Newsted, P. R. (1999). Structural Equation Modeling Analysis With Small Samples Using Partial Least Squares. In R. H. Hoyle, Statistical Strategies for Small Sample Research (pp. 307-341). Thousand Oaks, London, New Delhi: SAGE Publications.

