LAPORAN PENELITIAN PENGARUH KONSUMSI SAYURAN, KONSUMSI BUAH-BUAHAN, UMUR DAN AKTIVITAS FISIK TERHADAP LINGKAR PERUT

LAPORAN PENELITIAN PENGARUH KONSUMSI SAYURAN, KONSUMSI BUAH-BUAHAN, UMUR DAN AKTIVITAS FISIK TERHADAP LINGKAR PERUT

Disusun Oleh : Mahmudah, Ir., M.Kes.

ANALISIS LANJUT RISET KESEHATAN NASIONAL BADAN PENELITIAN DAN PENGEMBANGAN KESEHATAN KEMENTERIAN KESEHATAN RI JAKARTA 2014

Susunan Tim Penelitian :

Koordinator Peneliti : Mahmudah, Ir., M.Kes. Peneliti I

: Dr. Soenarnatalina M., Ir., M.Kes.

Peneliti II

: Dr. Diah Indriani, S.Si., M.Si.

KATA PENGANTAR

Puji syukur kehadirat Tuhan Yang Maha Esa atas karunia, rahmat dan hidayah-Nya sehingga penulis dapat menyeleseikan penyusunan laporan hasil analisis lanjut yang berjudul ‘Pengaruh Konsumsi Sayuran, Konsumsi Buah-buahan, Umur dan Aktivitas Fisik Terhadap Lingkar Perut’ ini sebagai salah satu bagian dari diseminasi data hasil penelitian di Badan Litbangkes Kementrian Kesehatan Republik Indonesia. Judul awal dari penelitian ini adalah ’Hierarchical Linier Model Untuk Mengkaji Pengaruh Konsumsi Makanan Berserat, Umur dan Aktifitas Fisik Terhadap Lingkar Perut (Berdasarkan Data RISKESDAS 2013)’. Setelah melalui proses review oleh tim ahli, judul penelitian dirubah menjadi ‘Pengaruh Konsumsi Sayuran, Konsumsi Buahbuahan, Umur dan Aktivitas Fisik Terhadap Lingkar Perut’. Dengan terselesaikannya laporan hasil analisis lanjut ini ini, penulis mengucapkan terima kasih yang setulus-tulusnya kepada : 1. Badan Litbang Kesehatan Kemenkes Republik Indonesia yang telah memberikan kesempatan kepada penulis untuk melakukan penelitian analisis lanjut ini. 2. Prof. Dr. Fasich, Apt selaku rektor Universitas Airlangga atas kesempatan yang diberikan kepada penulis untuk melakukan penelitian ini. 3. Prof. Dr. Tri Martiana, dr., MS selaku dekan Fakultas Kesehatan Masyarakat Universitas Airlangga yang telah memberikan kesempatan serta memberikan ijin kepada penulis untuk melakukan penelitian ini. 4. Tim Reviewer Proposal Analisis Lanjut Riskesnas Kemenkes Tahun 2014 yang telah meluangkan waktunya dan pikiranannya juga saran dan kritiknya sehingga laporan hasil ini dapat terseleseikan dan dapat dipertanggungjawabkan secara keilmiahannya. 5. Kepada semua pihak yang telah membantu dan berkerja sama secara sungguh-sungguh dalam menyempurnakan penelitian ini. Semoga laporan penelitian ini dapat memberikan manfaat bagi pembaca dan pihak lain yang menggunakannya. Kritik dan saran kepada penulis sangat diharapkan untuk perbaikan penulisan di masa yang akan datang. Surabaya, Desember 2014

Penulis i

RINGKASAN EKSEKUTIF Judul

: Pengaruh Konsumsi Sayuran, Konsumsi Buah-buahan, Umur dan Aktivitas Fisik Terhadap Lingkar Perut

Peneliti

: Mahmudah, Soenarnatalina, Diah Indriani

Riskesdas 2013 menyediakan berbagai set data, termasuk hasil pengukuran lingkar perut, konsumsi makanan berserat, umur dan aktivitas fisik. Lingkar perut merupakan indikator untuk mengukur obesitas sentral, yang merupakan faktor risiko terjadinya berbagai penyakit, misalnya hipertensi, Diabetes Melitus, Jantung Koroner. Riskesdas mencakup wilayah yang cukup luas, maka tidak bisa dihindari akan diperoleh data yang memiliki struktur hirarki/berjenjang. Teknik pengambilan sampel yang digunakan menggunakan teknik bertahap, sehingga kemungkinan terdapat variasi yang cukup besar pada kabupaten/kota yang berbeda. Hirarchical Linier Model (HLM) adalah salah satu analisis statistika Multilevel yang tepat dipakai pada data berjejang. Dengan mengacu pada data yang dihasilkan oleh Riskesdas, yaitu berupa data berjenjang (sebagai dampak dari teknik sampling bertahap), maka akan digunakan HLM untuk mengkaji pengaruh konsumsi makanan sayuran, konsumsi buah-buahan, umur dan aktifitas fisik terhadap lingkar perut. Data yang digunakan dalam penelitian ini bersumber pada data Riskesdas 2013, yaitu data tentang lingkar perut, konsumsi buah, konsumsi sayuran, umur, aktifitas fisik. Selain itu, digunakan data konsumsi buah dan konsumsi sayur di tingkat kabupaten/kota yang bersumber pada data Susenas 2013. Data yang dianalisis adalah data di Jawa Timur. Sebesar 23,5% penduduk Jawa Timur mengalami obesitas sentral. Sebagian besar penduduk berada pada usia produktif yaitu antara 21 tahun sampai dengan 50 tahun. Sebesar 2,2% penduduk Jawa Timur tidak makan sayur (dalam satu minggu terakhir), dan 59% yang makan sayur 1 porsi atau kurang dalam setiap harinya. Ada 21,7% penduduk Jawa Timur yang tidak mengkonsumsi buah-buahan dalam satu minggu terakhir. Sebesar 69% penduduk Jawa Timur yang mengkonsumsi buah-buahan hanya 1 porsi atau kurang dalam setiap harinya.

ii

Data aktivitas fisik pada Riskesdas dikategorikan dalam aktifitas berat, sedang dan ringan. Untuk menghitung energi yang dikeluarkan digunakan pendekatan Estimasi Energi yang dibutuhkan atau yang disebut dengan EER. Dari penelitian ini diperoleh hasil, pada penduduk dengan lingkar perut normal, mempunyai rata-rata aktivitas fisik lebih besar dibandingkan dengan penduduk yang mengalami obesitas sentral. Dengan menggunakan analisis HLM, maka dapat disimpulkan umur, aktifitas fisik, konsumsi buah-buahan individu dan kabupate/kota berpengaruh terhadap lingkar perut. Konsumsi buah-buahan dan aktivitas fisik berpengaruh positif terhadap lingkar perut. Hal ini berarti jika aktivitas fisik seseorang meningkat maka lingkar perut cenderung meningkat, serta jika konsumsi buah-buahan meningkat, maka lingkar perut cenderung meningkat. Pada kelompok umur 31-50 tahun aktivitas fisik dan konsumsi buah-buahan paling tinggi dibandingkan dengan kelompok umur yang lainnya. Pada kelompok umur 31-50 tahun juga obesitas sentral paling banyak terjadi. Hal ini kemungkinan yang menyebabkan adanya pengaruh positif aktivitas fisik dan konsumsi buah-buahan terhadap lingkar perut. Saran dari penelitian ini adalah perlu dikaji variabel yang terkait dengan ketersediaan sayuran dan buah-buahan di suatu wilayah, juga yang terkait dengan toko atau pasar yang menjual bahan pangan tersebut.

iii

ABSTRAK

Lingkar perut merupakan indikator untuk mengukur obesitas sentral, yang merupakan faktor risiko terjadinya hipertensi, DM dan PJK. Beberapa faktor yang diperkirakan berpengaruh terhadap lingkar perut adalah konsumsi sayura, konsumsi buah, umur dan aktivitas fisik. Data Riskesdas mengukur variabel tersebut. Wilayah yang cukup luas, dan teknik sampling bertahap yang digunakan Riskesdas menghasilkan data dengan struktur hirarki/berjenjang. Hierarchical linier model, adalah satu analisis statistika Multilevel yang tepat dipakai pada data berjejang. Sebesar 23,5% penduduk Jawa Timur mengalami obesitas sentral, berada pada usia produktif yaitu antara 21-50 tahun. Sebesar 2,2% tidak makan sayur (dalam satu minggu terakhir), dan 59% yang makan sayur 1 porsi atau kurang dalam setiap harinya. Ada 21,7% yang tidak mengkonsumsi buah-buahan dalam satu minggu terakhir, dan 69% yang mengkonsumsi buah-buahan 1 porsi atau kurang dalam setiap harinya. Umur, aktifitas fisik, konsumsi buah-buahan individu dan kabupate/kota berpengaruh terhadap lingkar perut. Untuk memperoleh variabel lain yang berpengaruh terhadap lingkar perut, maka perlu ditambahkan atau dikaji variabel yang terkait dengan ketersediaan sayuran dan buahbuahan di suatu wilayah, juga yang terkait dengan toko atau pasar yang menjual bahan pangan tersebut.

Kata kunci : Obesitas Sentral, Konsumsi Buah dan Sayur, Aktivitas Fisik, Umur, Hierarchical Linier Model

iv

DAFTAR ISI Halaman

HALAMAN JUDUL SUSUNAN TIM PENELITI SURAT KEPUTUSAN PENELITIAN KATA PENGANTAR RINGKASANAN EKSEKUTIF ABSTRAK DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR DAFTAR LAMPIRAN

i ii iv v vii viii ix

BAB I : PENDAHULUAN 1.1 Latar Belakang 1.2 Kajian Masalah Penelitian 1.3 Rumusan Masalah Penelitian 1.4 Tujuan Penelitian 1.4.1 Tujuan Umum 1.4.2 Tujuan Khusus 1.5 Manfaat Penelitian

1 3 4 4 4 4 5

BAB II : TINJAUAN PUSTAKA 2.1 Obesitas 2.2 Obesitas Sentral 2.3 Dampak Obesitas Sentral 2.4 Faktor yang Berpengaruh Terhadap Obesitas Sentral 2.5 Analisis Multilevel 2.5.1 Hierarchical Linear Model 2.5.2 Intraclass Correlation

6 6 7 7 8 9 10

BAB III : KERANGKA KONSEPTUAL DAN HIPOTESIS PENELITIAN 3.1 Kerangka Konsep Penelitian 3.2 Hipotesis Penelitian

12 13

BAB IV : METODE PENELITIAN 4.I Jenis dan Rancangan Penelitian 4.2 Lokasi dan Waktu Penelitian 4.3 Populasi dan Sampel Penelitian 4.3.1 Populasi Penelitian 4.3.2 Sampel Penelitian

14 14 14 14 14

v

Halaman

4.4 Variabel Penelitian dan Definisi Operacional 4.4.1 Variabel Penelitian 4.4.2 Definisi Operacional 4.5 Prosedur Pengambilan Data dan Instrumen Penelitian 4.6 Kerangka Operasional 4.7 Pengolahan dan Analisis Data BAB V : HASIL PENELITIAN 5.1 Gambaran Lingkar Perut, Umur, Aktivitas Fisik, Konsumsi Sayuran serta Konsumsi Buah-buahan 5.1.1 Gambaran Lingkar Perut dan Status Gizi Penduduk Jawa Timur Tahun 2013 5.1.2 Gambaran Umur Penduduk Jawa Timur Tahun 2013 5.1.3 Gambaran Aktivitas Fisik Penduduk Jawa Timur Tahun 2013 5.1.4 Gambaran Konsumsi Sayuran Penduduk Jawa Timur Tahun 2013 5.1.5 Gambaran Konsumsi Buah-buahanPenduduk Jawa Timur Tahun 2013 5.2 Pengaruh Umur, Aktivitas Fisik, Konsumsi Sayuran dan Konsumsi Buah-buahan Terhadap Lingkar Perut BAB VI : PEMBAHASAN 6.1 Gambaran Lingkar Perut, Umur, Aktivitas Fisik, Konsumsi Sayuran serta Konsumsi Buah-buahan 6.2 Pengaruh Umur, Aktivitas Fisik, Konsumsi Sayuran dan Konsumsi Buah-buahan Terhadap Lingkar Perut

15 15 15 16 17 18

19 19 20 21 22 23 24

28 30

BAB VII : KESIMPULAN DAN SARAN 7.I Kesimpulan 7.2 Saran

34 34

UCAPAN TERIMA KASIH DAFTAR PUSTAKA LAMPIRAN

35 36 38

vi

DAFTAR TABEL Nomor

Judul Tabel

Tabel 2.1. Klasifikasi Obesitas Berdasarkan IMT Menurut WHO Tabel 4.1. Definisi Operasional Variabel Penelitian Pada Level Kabupaten/Kota Tabel 4.2. Definisi Operasional Variabel Penelitian Pada Level Individu Tabel 5.1. Distribusi Obesitas Sentral Penduduk Jawa Timur Tahun 2013 Tabel 5.2. Status Gizi Penduduk Jawa Timur Tahun 2013 Berdasarkan Lingkar Perut dan IMT Tabel 5.3. Gambaran Lingkar Perut Penduduk Jawa Timur Tahun 2013 Berdasarkan Jenis Kelamin Tabel 5.4. Distribusi Umur Penduduk Jawa Timur Tahun 2013 Tabel 5.5. Distribusi Umur dan Lingkar Perut Penduduk Jawa Timur Tahun 2013 Tabel 5.6. Faktor Pengali Aktivitas Fisik Berdasarkan Estimating Energy Requirements Tabel 5.7. Gambaran Aktivitas Fisik dan Status Gizi Penduduk Jawa Timur Tahun 2013 Tabel 5.8. Distribusi Konsumsi Sayuran Penduduk di Jawa Timur Tahun 2013 Tabel 5.9. Gambaran Konsumsi Sayuran dan Status Gizi Penduduk Jawa Timur Tahun 2013 Tabel 5.10. Distribusi Konsumsi Buah Penduduk di Jawa Timur Tahun 2013 Tabel 5.11. Gambaran Konsumsi Buah dan Status Gizi Penduduk Jawa Timur Tahun 2013 Tabel 5.12 Pemodelan HLM untuk Moel M0, M1, M2 dan M3 Tabel 5.13. Hasil Pemodelan HLM untuk Moel M0, M1, M2 dan M3 Tabel 6.1. Beberapa Faktor yang Berpengaruh Terhadap Lingkar Perut

vii

Halaman 6 15 16 19 20 20 21 21 22 22 23 23 24 24 25 27 31

DAFTAR GAMBAR

Nomor

Judul Gambar

Gambar 2.1. Ilustrasi Hubungan antara Level Mikro dan Makro pada Analisis Multilevel Gambar 3.1. Kerangka Konsep Pengaruh Konsumsi Sayuran, Konsumsi Buah-buahan, Umur dan Aktivitas Fisik terhadap Lingkar Perut dengan Menggunakan Analisis HLM Gambar 4.1. Kerangka Operacional Penelitian Gambar 6.1. Kejadian Obesitas Central Berdasarkan Kelompok Umur Pada Penduduk Jawa Timar Tahun 2013 Gambar 6.2. Nilai -2LL, AIC, BIC pada model M0, M1,M2 dan M3 Gambar 6.3. Nilai -2LL, AIC, BIC pada model M3, M4,M5 dan M6 Gambar 6.4. Distribusi Aktivitas Fisik dan Konsumsi Buah-buahan Berdasarkan Kelompok Umur Penduduk Jawa Timur Tahun 2013

viii

Halaman 8 12

17 29 30 31 32

DAFTAR LAMPIRAN

Nomor Lampiran Lampiran Lampiran Lampiran Lampiran Lampiran Lampiran

Judul Lampiran 1. 2. 3. 4. 5. 6. 7.

Pemodelan Model 0 (M0) Pemodelan Model level kabupaten/kota (M1) Pemodelan Model level individu (M2) Pemodelan Mixed Model (M3) Pemodelan M4 Pemodelan M5 Pemodelan M6

ix

Halaman 38 39 41 43 45 47 49

BAB I PENDAHULUAN 1.1 Latar Belakang Obesitas merupakan kondisi ketidaknormalan atau kelebihan akumulasi lemak pada jaringan adiposa. Obesitas tidak hanya berupa kondisi dengan jumlah simpanan kelebihan lemak, namun juga distribusi lemak di seluruh tubuh (WHO 2000). Ada beberapa indikator untuk mengukur obesitas, diantaranya Indeks Masa Tubuh (IMT), lingkar pinggang, lingkar perut, rasio lingkar pinggang panggul (RLPP). Indikator obesitas yang didasarkan pada lingkar pinggang, lingkar perut, RLPP, biasanya disebut dengan obesitas abdominal atau obesitas sentral. Berdasarkan IMT, 10,3% penduduk Indonesia mengalami obesitas pada tahun 2007, dan meningkat menjadi 15,4% pada tahun 2013. Untuk obesitas sentral (berdasarkan lingkar perut), ternyata prevalensinya lebih tinggi yaitu 18,8% pada tahun 2007, dan meningkat menjadi 26,6% pada tahun 2013 (Kemenkes, 2007; Kemenkes, 2013). Beberapa penelitian sebelumnya menemukan bahwa peningkatan risiko kesehatan lebih berhubungan dengan obesitas sentral dibandingkan dengan obesitas umum. Dari penelitian Soetiarto, et al. (2010) didapatkan bahwa obesitas sentral berdasarkan lingkar perut lebih berperan sebagai faktor risiko Diabetes Melitus (DM) dibandingkan dengan obesitas umum berdasarkan IMT. Penelitian yang dilakukan Yuliasih (2009) menyatakan terdapat hubungan yang bermakna antara obesitas sentral dengan peningkatan kadar glukosa darah puasa dan glukosa darah puasa 2 jam postpandrial. Selain itu, obesitas sentral juga berhubungan dengan Penyakit Jantung Koroner (PJK), semakin tinggi tingkat obesitas sentral akan memperberat manifestasi PJK yang muncul pada responden (Gotera et al,

2006). Penelitian yang dilakukan Wildman et al. (2005) menemukan, obesitas

sentral meningkatkan risiko hipertensi, dislipidemia, diabetes, dan sindrom metabolik pada laki-laki dan perempuan. Berdasarkan Laporan Riskesdas 2013, prevalensi PJK pada tahun 2013 sebesar 1,5%. Prevalensi Hipertensi menurun menjadi 25,8% pada tahun 2013, yang pada tahun 2007 masih sangat tinggi, yaitu 31,7%. Prevalensi DM meningkat menjadi 2,1% (pada tahun 2013) dibandingkan dengan tahun 2007 yang hanya 1,1%. Prevalensi DM lebih tinggi pada responden yang mempunyai berat badan lebih dan obesitas, juga pada

1

responden dengan obesitas sentral. Prevalensi DM juga lebih tinggi pada kelompok yang mempunyai aktifitas fisik kurang (Kemenkes, 2007). Berdasarkan Moore (1997), penyebab obesitas adalah multifaktor, yaitu faktor genetik, lingkungan, psikologi dan fisiologi. Anak dari orang tua obesitas cenderung menjadi obesitas dibandingkan dengan anak dari orang tua normal. Lingkungan keluarga sangat berpengaruh dalam pengembangan kebiasaan makan yang dapat menyebabkan obesitas. Makan berlebihan dapat terjadi sebagai respons terhadap kesepian, kedukaan, depresi. Energi yang dikeluarkan seseorang akan menurun dengan bertambahnya umur, hal ini terkait dengan aktifitas fisik yang dilakukan dan ini sering menyebabkan peningkatan berat badan pada usia pertengahan. Berdasarkan Mustamin (2010) asupan energi berhubungan secara bermakna dengan kejadian obesitas sentral pada ibu rumah tangga. Aktifitas fisik, konsumsi buah dan sayur diduga berpengaruh pada obesitas sentral, khususnya lingkar perut. Pada tahun 2007, aktifitas fisik penduduk Indonesia sebagian besar (48,2%) adalah kurang aktif, dan pada tahun 2013 turun menjadi 26,1%. Konsumsi buah dan sayur penduduk Indonesia juga sangat rendah. Pada tahun 2007 sebesar 93,6% kurang makan buah dan sayur. Pada tahun 2013, diperoleh kondisi yang tidak berbeda, yaitu sebesar 93,5% kurang makan buah dan sayur (Kemeknkes, 2007; Kemenkes, 2013). Jika melakukan sebuah survei yang besar dan mencakup wilayah yang cukup luas, maka tidak bisa dihindari akan diperoleh data yang memiliki struktur hirarki/berjenjang. Wilayah tersebut berjenjang dan membentuk level, yang terbagi atas propinsi, kabupaten, kecamatan, dan desa. Teknik pengambilan sampel yang digunakan biasanya menggunakan teknik bertahap, mengikuti jenjang atau level wilayah yang ada. Kondisi ini menyebabkan adanya karakteristik yang relatif homogen pada level yang sama, dan relatif heterogen pada level yang berbeda, serta munculnya interaksi antar level yang ada. Menurut Snijder & Roel(2003),

diperlukan analisis Multilevel pada data dengan pola variasi kompleks,

dengan fokus pada variabilitas data berjenjang/hirarki. Analisis unilevel tidak memperhatikan variasi yang timbul akibat adanya jenjang/level. Analisis unilevel

menganggap variasi antar jenjang homogen, sehingga

berpotensi menghasilkan kesimpulan yang salah. Austin, et al (2001) telah membuktikan bahwa ada perbedaan nilai p-value pada Analisis Regresi (dengan pendekatan unilevel) dibandingkan dengan multilevel

Regresion

Hierarchical Linier Models (HLM).

2

Models atau yang juga dikenal dengan

HLM adalah analisis statistika multilevel yang merupakan pengembangan dari analisis Regresi Linier pada data tidak berjenjang. Pemodelan HLM menggunakan prinsip Ordinary Least Square (OLS) dengan menambahkan varians dan covarians yang timbul akibat pengamatan yang berjenjang/hirarki. Persaman regresi disusun terpisah pada setiap level, untuk memprediksi outcome variabel Y (variabel dependen) dengan menggunakan explanatory variabel X (variabel independen). Asumsi standar dari HLM adalah semua residual berdistribusi Normal, dan adanya independensi residual pada level yang berbeda maupun unit yang berbeda pada level yang sama (Snijder & Roel, 2003 ; Twisk, 2006). Riset Kesehatan Dasar (Riskesdas) merupakan riset berbasis komunitas berkala sejak tahun 2007 yang mengumpulkan data dasar dan indikator kesehatan yang merepresentasikan gambaran wilayah nasional, provinsi, dan kabupaten/kota. Metode sampling yang digunakan adalah penarikan sampel bertahap (Stratified Random Sampling). Riskesdas adalah sebuah survei dengan desain cross sectional (Kemenkes, 2013). Dengan memperhatikan kondisi diatas, maka data yang dihasilkan oleh Riskesdas adalah data dengan struktur hirarki atau berjenjang. Oleh karena itu, jika akan melakukan analisis data Riskesdas perlu dikaji variasi yang timbul akibat struktur data hirarki tersebut. Dalam rangka meningkatkan status kesehatan masyarakat, perlu dikaji dengan mendalam faktor yang mempengaruhi lingkar berut, sebagai salah satu indikator obesitas sentral. Untuk itu, diperlukan model statistika yang bisa digunakan untuk memprediksi lingkar perut dengan akurat.

1.2 Kajian Masalah Penelitian Prevalensi obesitas sentral lebih tinggi dibandingkan dengan obesitas umum (berdasarkan IMT). Beberapa penelitian menunjukkan bahwa peningkatan risiko kesehatan lebih berhubungan dengan obesitas sentral dibandingkan dengan obesitas umum. Dalam rangka meningkatkan status kesehatan masyarakat, perlu dikaji dengan mendalam faktor yang mempengaruhi lingkar berut, sebagai salah satu indikator obesitas sentral. Hirarchical Linier Model (HLM) adalah salah satu analisis statistika Multilevel yang tepat dipakai pada data berjejang. Data berjenjang terjadi apabila wilayah penelitian cukup luas, sehingga digunakan teknik sampling bertahap, misalnya yang terjadi pada survey tingkat nasional. Keutamaan dari HLM adalah selain memperhatikan varians saat melakukan analisis, HLM juga memperhatikan covarians yang timbul akibat pengamatan yang berjenjang.

3

Penelitian ini ingin mengkaji faktor yang berpengaruh terhadap lingkar perut. Data yang digunakan adalah data Riskesdas, yang berstruktur hirarki. Oleh karena itu, akan digunakan HLM untuk mengkaji pengaruh konsumsi sayuran, konsumsi buah-buahan, umur dan aktivitas fisik terhadap lingkar perut.

1.3 Rumusan Masalah Penelitian Berdasarkan latar belakang masalah, maka

dirumuskan permasalahan dalam

penelitian adalah mengkaji pengaruh konsumsi sayuran, konsumsi buah-buahan, umur dan aktivitas fisik terhadap lingkar perut dengan menggunakan HLM, dengan fokus permasalahan sebagai berikut : 1. Bagaimanakah gambaran konsumsi sayuran, konsumsi buah-buahan, umur dan aktivitas fisik serta lingkar perut responden? 2. Bagaimanakah pengaruh konsumsi sayuran, buah-buahan, umur dan aktivitas fisik terhadap lingkar perut?

1.4 Tujuan Penelitian Berdasarkan rumusan masalah yang telah diuraikan diatas, maka tujuan yang ingin dicapai dalam penelitian ini adalah :

1.4.1 Tujuan Umum Tujuan umum penelitian ini adalah mendapatkan model terbaik pengaruh konsumsi sayuran,

buah-buahan, umur

dan aktivitas

fisik terhadap lingkar perut dengan

menggunakan HLM.

1.4.2

Tujuan Khusus Tujuan khusus penelitian ini adalah:

1. Mengambarkan konsumsi sayuran, konsumsi buah-buahan, umur, aktivitas fisik serta lingkar perut. 2. Mengkaji pengaruh konsumsi sayuran, buah-buahan, umur dan aktivitas fisik terhadap lingkar perut.

4

1.5 Manfaat Penelitian Manfaat yang diperoleh dari penelitian ini adalah : 1. Manfaat Teoritis Hasil penelitian ini dapat memperluas khasanah keilmuan para peneliti khususnya peneliti bidang kesehatan masyarakat dalam mengaplikasikan analisis HLM dan penerapannya pada data penelitian. 2. Manfaat Praktis Memberikan kontribusi dalam analisis data dibidang kesehatan khususnya analisis status gizi dengan mempertimbangkan karakteristik, pola distribusi dan struktur data.

5

6

BAB II TINJAUAN PUSTAKA 2.1 Obesitas Menurut WHO (2000), obesitas merupakan kondisi ketidaknormalan atau kelebihan akumulasi lemak pada jaringan adiposa. Obesitas tidak hanya berupa kondisi dengan jumlah simpanan kelebihan lemak, namun juga distribusi lemak di seluruh tubuh. Indeks Massa Tubuh (IMT) merupakan indeks pengukuran sederhana untuk melihat obesitas. IMT diukur dengan mengunakan rumus :

IMT =

Berat Badan ( kg .) Tinggi Badan ( m.) 2

Pengklasifikasian obesitas dapat dilihat pada tabel berikut ini. Tabel 2.1. Klasifikasi Obesitas berdasarkan IMT Menurut WHO Klasifikasi Kurang (underweight) Normal Lebih (overweight) - Pre obesitas - Obesitas tingkat I - Obesitas tingkat II - Obesitas tingkat III

IMT < 18,50 18,50 – 24,99 ≥25.00 25,00 – 29,99 30,00 – 34,99 35,00 – 39,99 ≥40.00

2.2 Obesitas Sentral Obesitas Sentral merupakan kondisi kelebihan lemak yang terpusat pada daerah perut (intra-abdominal fat). Seseorang dikatakan mengalami obesitas sentral jika lingkar perut untuk laki-laki >90 cm atau perempuan >80 cm (WHO, 2000). Selain Lingkar perut, obesitas sentral juga biasanya diukur dengan menggunakan RLPP atau Waist Hip Ratio (WHR). Seseorang dikatakan mengalami obesitas sentral, jika mempunyai nilai WHR >1,0 untuk laki-laki dan WHR > 0,85 untuk perempuan (WHO, 2000).

7 2.3 Dampak Obesitas Sentral WHO (2000), menyatakan bahwa obesitas sentral berhubungan dengan beberapa penyakit yang terkait dengan jantung (Hipertensi, PJK dan stroke), resistensi insulin (DM), kanker (yang berkaitan dengan hormon tertentu) dan yang terkait dengan empedu. Dari penelitian Soetiarto, et al. (2010) didapatkan bahwa obesitas sentral berdasarkan lingkar perut lebih berperan sebagai faktor risiko Diabetes Melitus (DM) dibandingkan dengan obesitas umum berdasarkan IMT. Penelitian yang dilakukan Yuliasih (2009) menyatakan terdapat hubungan yang bermakna antara obesitas sentral dengan peningkatan kadar glukosa darah puasa dan glukosa darah puasa 2 jam postpandrial. Selain itu, obesitas sentral juga berhubungan dengan Penyakit Jantung Koroner (PJK), semakin tinggi tingkat obesitas sentral akan memperberat manifestasi PJK yang muncul pada responden (Gotera et al,

2006). Penelitian yang dilakukan Wildman et al. (2005) menemukan, obesitas

sentral meningkatkan risiko hipertensi, dislipidemia, diabetes, dan sindrom metabolik pada laki-laki dan perempuan.

2.4 Faktor yang Berpengaruh terhadap Obesitas Sentral Berdasarkan Moore (1997), penyebab obesitas adalah multifaktor, yaitu: 1.

Genetik: anak-anak dari orang tua obesitas cenderung tiga sampai delapan kali menjadi obesitas dibandingkan dengan anak dari orang tua dengan berat badan normal, walaupun anak tersebut tidak diasuh oleh orang tua kandungnya.

2.

Lingkungan: pengaruh keluarga membantu pengembangan kebiasaan makan yang dapat menyebabkan obesitas.

3.

Psikologi: makan berlebihan dapat terjadi sebagai respons terhadap kesepian, kedukaan, depresi; dapat merupakan respons terhadap rangsangan dari luar seperti iklan makanan.

4.

Fisiologi: Energi yang dikeluarkan seseorang akan menurun dengan bertambahnya umur, hal ini terkait dengan aktifitas fisik yang dilakukan dan ini sering menyebabkan peningkatan berat badan pada usia pertengahan.

Apapun penyebabnya, obesitas terjadi karena konsumsi kalori yang berlebihan dari energi yang dibutuhkan.

8 2.5 Analisis Multilevel Analisis Multilevel adalah suatu metodologi untuk analisis data yang mempunyai pola variasi yang kompleks, dengan fokus pada variabilitas pada data berjenjang, misalnya murid dalam kelas, pegawai dalam perusahaan, dan lainnya. (Snijders & Bosker, 2003). Statistika yang digunakan untuk menganalisis data yang terdiri dari beberapa unit analisis berjenjang atau tersusun dalam suatu hirarki. Analisis ini sangat tepat digunakan pada data yang dikumpulkan dengan menggunakan teknik sampling bertahap, yang memungkinkan ada interaksi antar level atau jenjang yang ada. Tingkat yang paling rinci dalam struktur berjenjang disebut sebagai level terendah atau level-1, level diatasnya disebut level-2, level-3 dan seterusnya. Misalnya, penelitian di sebuah sekolah, maka level-1 adalah murid, level-2 adalah kelas dan level-3 adalah sekolah. Gambaran hubungan antara level mikro dan level makro adalah sebagai berikut.

(a)

(b)

(c)

Sumber : Multilevel Analysis: An Introduction to Basic and Advance Multilevel Modeling. Tom AB. Snijder & Roel J. Bosker. The Cromwell Press Ltd, Trowbridge, Wiltshire, Britain. 2003.

Gambar 2.1. Ilustrasi hubungan antara Level Mikro dan Makro pada Analisis Multilevel Keterangan Gambar 2.1 adalah sebagai berikut : Gambar 1(a) :

variabel X pada level mikro berpengaruh pada variable Y, dan tidak ada variabel pada level makro

Gambar 1(b) :

variabel Z pada level makro berpengaruh pada variable Y, dan tidak ada variabel pada level mikro

Gambar 1(c) : variabel Z pada level makro dan variable X pada level mikro berpengaruh pada variabel Y.

9 Garis putus-putus pada Gambar 2.1 menunjukkan batas antara level mikro dan level makro. Dibawah garis putus-putus adalah level mikro, dan diatas garis putus-putus adalah level makro. Anak panah menunjukkan arah hubungan/pengaruh.

2.5.1 Hierarchical Linear Model Hirarchical Linier Model (HLM) adalah salah satu analisis statistika Multilevel yang merupakan pengembangan dari analisis Regresi Linier pada data tunggal (tidak berjenjang). Pemodelan HLM juga menggunakan prinsip Ordinary Least Square (OLS) dengan menambahkan

varians dan covarians yang timbul akibat pengamatan yang

berjenjang/hirarki. (Snijder & Roel, 2003 ; Twisk, 2006). Persaman regresi disusun terpisah pada setiap level, untuk memprediksi outcome variabel Y (variabel dependen) dengan menggunakan explanatory variabel X (variabel independen). Level-1 (Individu)

Yij = β 0 j + β 1 j x ij + Rij

.........................................................................................(1)

dimana :

Yij

= Variabel outcome pada individu ke-i grup ke-j

β0 j

= Intersep

β1 j

= Koefisien regresi (slope) variabel x

xi j

= Variabel x untuk individu ke-i grup ke-j

Rij

= Residual individu i dan kelompok j

≈ N (0,σ 2 ) Level-2 (Grup)

β 0 j = γ 00 + γ 01 X j + U 0 j

......................................................................................(2)

β1 j = γ 10 + γ 11 X j + U1 j

........................................................................................(3)

10

Dimana :

γ 00 dan γ 10 = Intersep γ 01 dan γ 11 = Koefisien regresi untuk memprediksi β 0 j dan β 0 j masing-masing dari variabel x

Xj

= Variabel x pada level grup

U 0 j dan U 1 j = Residual level grup

U 0 j ≈ N (0,τ 02 )

dan

U 1 j ≈ N (0,τ 12 )

Subsitusi persamaan (2) dan (3) ke dalam persamaan (1) akan menghasilkan persamaan sebagai berikut :

Yij = γ 00 + γ 01 x j + γ 10 xij + γ 11 X j xij + U 0 j + U1 j xij + Rij .......................(4)

Asumsi residual yang digunakan HLM juga sama dengan Regresi Linier tunggal (tidak berjenjang), dengan menambahkan adanya independensi residual pada level yang berbeda maupun unit yang berbeda pada level yang sama.

2.5.2 Intraclass Correlation Intraclass Correlation (ICC) adalah estimasi varians suatu populasi, yang dijelaskan oleh struktur kelompok/grup. ICC awalnya merujuk pada kerangka kerja Anova. Pada Anova muncul nilai varians antar kelompok, serta varians dalam kelompok. ICC adalah proporsi antara varians antar kelompok terhadap varians total (varians antar kelompok ditambah dengan varian dalam kelompok). Menurut Twisk (2006), pada analisis Multilevel ICC dihitung dari varians pada level makro dibagi dengan varians total (varians level makro ditambah dengan varians pada level mikro) atau dapat ditulis dengan menggunakan rumus sebagai berikut :

11

ρ

σ u2 = σ u2 + σ e2

dimana :

σ u2

= varians pada level makro

σ e2 = varians pada level mikro Nilai ICC adalah no-negative atau selalu positif. Nilai ICC yang kecil menunjukkan level makro tidak berpengaruh terhadap variable dependen, dan sebaliknya.

12

BAB III KERANGKA KONSEPTUAL DAN HIPOTESIS PENELITIAN

3.1 Kerangka Konsep Penelitian Kerangka konsep dari pengaruh konsumsi sayuran, konsumsi buah-buahan, umur dan aktivitas fisik terhadap lingkar perut dengan menggunakan analisis statistika HLM, dapat digambarkan dengan skema sebagai berikut :

Variabel Independen (data Multilevel) Level Individu (Mikro): - Konsumsi sayuran individu - Konsumsi buah-buahan individu - umur individu - Aktifitas fisik individu

Lingkar Perut

Kabupaten/kota (Makro) - Konsumsi sayuran kab./kota - Konsumsi buah-buahan kab./kota

Estimasi Parameter HLM Goodness of fit : Metode : Likelihood (ML) : - Fixed effects - Random effects - Mixed effects

Parameter

Signifikansi (p-value) - AIC dan AICC - BIC dan CAIC

Gambar 3.1. Kerangka Konsep Pengaruh Konsumsi Sayuran, Konsumsi Buah-buahan, Umur dan Aktivitas Fisik terhadap Lingkar Perut dengan menggunakan analisis HLM

Lingkar perut, merupakan salah satu indikator untuk melihat status gizi seseorang. Menurut Moore (1997), penyebab obesitas adalah faktor genetik, lingkungan, psikologi dan fisiologi. Konsumsi sayuran dan buah-buahan seseorang berpengaruh pada lingkar perut. Selain konsumsi seseorang, kondisi wilayah (kabupaten/kota) juga menyebabkan

13 adanya variasi konsumsi dari masyarakat yang tinggal di wilayah tersebut. Selain konsumsi sayuran dan buah-buahan, umur dan aktivitas fisik responden juga diduga berpengaruh terhadap lingkar perut.

3.2 Hipotesis Penelitian Hipotesis yang akan dibuktikan dalam penelitian ini adalah ”Ada pengaruh konsumsi sayuran, konsumsi buah-buahan, umur dan aktivitas fisik terhadap lingkar perut”.

14

BAB IV METODE PENELITIAN 4.1 Jenis dan Rancangan Penelitian Penelitian ini merupakan penelitian non-reactive karena pada penelitian ini peneliti tidak memerlukan respon dari responden, atau responden tidak ikut partisipasi aktif. Penelitian ini menggunakan data sekunder, yang diperoleh dari data Riset Kesehatan Dasar (Riskesdas) tahun 2013 yang bersumber dari Badan Litbang Kesehatan Republik Indonesia dan Sensus Ekonomi Nasional (Susenas) tahun 2013. Variabel yang diteliti adalah lingkar perut, konsumsi sayuran, konsumsi buah-buahan, umur dan aktifitas fisik.

4.2 Lokasi dan Waktu Penelitian Penelitian dilakukan di Surabaya, dan diperkirakan dapat diselesaikan dalam waktu 3 (satu) bulan.

4.3 Populasi dan Sampel Penelitian 4.3.1 Populasi Penelitian Penelitian menggunakan data sekunder, yang diperoleh dari data Riskesdas tahun 2013 dan Susenas tahun 2013. Populasi dalam penelitian ini adalah seluruh data tentang lingkar perut, konsumsi sayuran, konsumsi buah-buahan, aktifitas fisik, dan umur yang telah dikumpulkan saat Riskesdas tahun 2013. Adapun data yang bersumber pada Susenas tahun 2013 adalah data tentang konsumsi buah-buahan dan konsumsi sayuran di tingkat kabupaten/kota.

4.3.2 Sampel Penelitian Sampel dalam penelitian ini adalah sebagian dari data tentang lingkar perut, konsumsi

sayuran,

konsumsi buah-buahan, aktifitas fisik, dan umur yang telah

dikumpulkan saat Riskesdas tahun 2013, serta data tentang konsumsi buah-buahan, konsumsi sayuran di tingkat kabupaten/kota, yang bersumber pada Susenas tahun 2013. Sampel penelitian ditetapkan seluruh kabupaten/kota yang ada di Provinsi Jawa Timur.

15 4.4 Variabel Penelitian dan Definisi Operasional 4.4.1 Variabel Penelitian Variabel yang akan digunakan dalam penelitian ini terdiri atas variabel dependen dan variabel independen. Karena data yang digunakan adalah data multilevel, maka pada variabel independen akan terdapat data level-1 atau level individu, dan level-2 atau level kabupaten/kota. Adapun variabel tersebut adalah sebagai berikut: Variabel Independen : Level-1 (individu) -

Konsumsi sayuran

-

Konsumsi buah-buahan

-

Aktifitas Fisik

-

Umur

Level-2 (kabupaten/kota) - Konsumsi sayuran kabupaten/kota - Konsumsi buah-buahan kabupaten/kota Variabel Dependen : - Lingkar perut

4.4.2 Definisi Operasional Definisi operasional dari variabel penelitian pada level-2 atau level kabupaten/kota dapat dilihat pada tabel 4.1, sedangkan definisi operasional dari variabel penelitian pada level-1 atau level individu dapat dilihat pada tabel 4.2. Tabel 4.1. Definisi Operasional Variabel Penelitian Pada Level Kabupaten/Kota Cara Pengukuran dan No Variabel Definisi Operasional Skala Satuan 1 Konsumsi Konsumsi sayuran per Rasio Dihitung dari Konsumsi sayuran kapita per tahun sayuran per kapita per tahun yang dinyatakan dalam kilogram (kg/kapita/tahun) 2 Konsumsi Konsumsi buahRasio Dihitung dari Konsumsi buah-buahan buahan per kapita per buah-buahan per kapita per tahun tahun yang dinyatakan dalam kilogram (kg/kapita/tahun)

16 Tabel 4.2. Definisi Operasional Variabel Penelitian Pada Level Individu Cara Pengukuran dan No Variabel Definisi Operasional Skala Satuan 1 Konsumsi Derajat kecukupan Rasio Dihitung dari rata-rata hari sayuran konsumsi sayuran konsumsi sayuran dalam dalam seminggu seminggu dikalikan rata-rata porsi konsumsi sayuran dalam sehari. Hasilnya berupa porsi dalam seminggu 2 Konsumsi Derajat kecukupan Rasio Dihitung dari rata-rata hari buah-buahan konsumsi buah-buahan konsumsi buah-buahan dalam dalam seminggu seminggu dikalikan rata-rata porsi konsumsi buah-buahan dalam sehari. Hasilnya berupa porsi dalam seminggu 2 Aktifitas fisik Setiap gerakan tubuh Rasio Aktifitas fisik diukur dari yang meningkatkan jenis kegiatan dan alokasi waktu dari setiap kegiatan. pengeluaran tenaga dan energi (pembakaran Perhitungan energi yang kalori) dikeluarkan diperoleh faktor pengali Estimating Energy Requirements (EER) dari jenis kegiatan dikalikan dengan lama kegiatan 3 Umur Lama hidup dari lahir Rasio Umur dihitung dalam ulang sampai waktu tahun terakhir Riskesdas 4 Lingkar perut Pengukuran melingkar Rasio Mengukur lingkar perut di di daerah titik tengah daerah titik tengah antara titik tulang rusuk terakhir dengan antara titik tulang rusuk titik ujung lengkung tulang terakhir dengan titik ujung lengkung tulang pangkal paha/panggul. pangkal paha/panggul

4.5 Prosedur Pengambilan Data dan Instrumen Penelitian Data yang digunakan adalah data sekunder dari data Riskesdas 2013 yang pengumpulannya dilaksanakan oleh Badan Litbang Kementrian Kesehatan. Data Riskesdas diperoleh dengan mengajukan ijin kepada kepala Badan Litbang Kementrian Kesehatan RI. Selain itu, juga digunakan data Susenas yang pengumpulannya dilaksanakan oleh Badan Pusat Kesehatan (BPS). Data Susenas diperoleh dengan mengajukan ijin kepada kepala BPS.

17 4.6 Kerangka Operasional Kerangka operasional dari penelitian ini meliputi tahap persiapan data, analisis dan pengambilan kesimpulan. Kerangka operasional dapat dilihat pada gambar 4.1.

Persiapan data Raw data Riskesdas 2013 (berumur ≥ 15 tahun)

Seleksi variabel yang digunakan

Cleaning data untuk data yang tidak konsisten atau missing

Data Susenas

Level individu

Level kab./kota

- Pengujian distribusi data - Perhitungan ICC

Analisis data

Estimasi Parameter Metode Maximum Likelihood

Uji Kesesuaian Model (goodness of fit)

Kesimpulan : Terbentuk Model Lingkar Perut dengan menggunakann (HLM)

Gambar 4.1. Kerangka Operasional Penelitian

18 4.7 Pengolahan dan Analisis Data Data asli yang diperoleh akan dilakukan pembersihan (cleaning) data. Setelah data dinyatakan bersih, akan dilakukan analisis data. Langkah-langkah dalam analisis data adalah sebagi berikut: 1. Pengujian distribusi data 2. Perhitungan ICC 3. Estimasi parameter, menggunakan HLM dengan metode Maximum Likelihood 4. Uji Kesesuaian model Kegiatan (1) sampai dengan (4) dilakukan dengan bantuan software komputer tertentu.

19

BAB V HASIL PENELITIAN Data yang dianalisis pada penelitian ini adalah lingkar perut, konsumsi sayuran, konsumsi buah-buahan, umur dan aktivitas fisik dari responden Riskesdas 2013 yang berada di Provinsi Jawa Timur. Selain itu, juga digunakan data konsumsi sayuran dan konsumsi buah-buahan tingkat kabupaten/Kota di Provinsi Jawa Timur yang bersumber pada data Sesunas 2013.

5.1 Gambaran Lingkar Perut, Umur, Aktivitas Fisik dan Konsumsi Sayuran serta Konsumsi Buah-buahan Jumlah responden Riskesdas yang diukur lingkar perut, konsumsi sayuran, konsumsi buah-buahan, umur dan aktivitas fisik di Jawa Timur sebanyak 53901 orang. Sebanyak 49,9 % responden berjenis kelamin laki-laki dan 50,1% adalah perempuan.

5.1.1

Gambaran Lingkar Perut dan Status Gizi Penduduk Jawa Timur Tahun 2013 Penduduk Jawa Timur mempunyai rata-rata 77,335 cm dengan standar deviasi

10,7029. Lingkar perut responden terkecil 50 cm dan yang terbesar adalah 150 cm. Jika digunakan nilai 80 cm untuk penentuan obesitas sentral untuk perempuan dan 90 cm untuk laki-laki, maka diperoleh gambaran obesitas sentral dari penduduk di Jawa Timur seperti pada tabel 5.1. Tabel 5.1. Distribusi Obesitas Sentral Penduduk Jawa Timur Tahun 2013 Obesitas Sentral

Frekuensi

Persentase

Tidak

41248

76,5 %

Ya

12653

23,5 %

53901

100 %

Total

Tabel 5.1. menunjukkan 23,5% penduduk Jawa Timur mengalami obesitas sentral. Jika dikaji hubungan antara obsesitas sentral dengan Indeks Masa Tubuh (IMT), maka kondisi status gizi penduduk Jawa Timur adalah sebagai berikut:

20 Tabel 5.2.

Status Gizi Penduduk Jawa Timur pada Tahun 2013 Berdasarkan Lingkar Perut dan IMT Status gizi Status gizi berdasarkan Lingkar Perut Total berdasarkan IMT Normal Obesitas Kurus 6444 (100%) 0 (0,0%) 6444 (100%) Normal Gizi Lebih

29459 (90,6%)

3056 ( 9,4%)

32515 (100%)

5345 (35,8%)

9596 (64,2%)

14941 (100%)

Tabel 5.2. menunjukkan 9,4% penduduk Jawa Timur yang berstatus gizi normal (berdasarkan IMT) ternyata lingkar perutnya sudah termasuk dalam kategori obesitas. Sebesar 35,8% penduduk Jawa Timiur yang berstatus gizi lebih (berdasarkan IMT), mempunyai lingkar perut yang termasuk dalam kategori normal. Lingkar perut laki-laki lebih kecil dibandingkan dengan perempuan. Rata-rata lingkar perut laki-laki sebesar 76,796 cm (dengan standar deviasi 10,2218). Rata-rata lingkar perut perempuan sebesar 77,973 cm (dengan standar deviasi 11,1365). Jika dikaji status gizi (berdasarkan lingkar perut) berdasarkan jenis kelamin, maka diperoleh gambaran seperti pada tabel 5.3. Tabel 5.3. Gambaran Lingkar Perut Penduduk Jawa Timur pada Tahun 2013 Berdasarkan Jenis Kelamin Status gizi berdasarkan Lingkar Perut Total Jenis kelamin Normal Obesitas Laki-laki 24448 (90,8%) 2472 (9,2%) 26920 (100%) Perempuan Total

16800 (62,3%)

10181 (37,7%)

26981 (100%)

41248 (76,5%)

12653 (23,5%)

53901 (100%)

Sebesar 37,7% perempuan mengalami obesitas, sedangkan pada laki-laki hanya 9,2% saja yang mengalami obesitas.

5.1.2

Gambaran Umur Penduduk Jawa Timur Tahun 2013 Umur penduduk Jawa Timur mempunyai rata-rata 34,12 tahun dengan standar

deviasi 11,182. Penduduk termuda berusia 15 tahun dan yang tertua berusia 54 tahun. Gambaran umur responden secara rinci dapat dilihat di tabel 5.4.

21 Tabel 5.4. Distribusi Umur Penduduk Jawa Timur pada Tahun 2013 Kelompok Umur

Frekuensi

Persentase

≤ 20 tahun

7897

14,7 %

21-30 tahun

13914

25,8 %

31-40 tahun

14414

26,7 %

41-50 tahun

13457

25,0 %

≥ 51 tahun

4218

7,8 %

53901

100 %

Total

Umur sangat berpengaruh pada lingkar perut. Semakin bertambah umur seseorang, maka kemungkinan untuk obesitas semakin besar. Hal ini dapat dilihat pada tabel 5.5. Tabel 5.5. Distribusi Umur dan Lingkar Perut Penduduk Jawa Timur Tahun 2013 Status gizi berdasarkan Lingkar Perut Total Umur Normal Obesitas 7369 (93,3%) 528 (6,7%) 7897 (100%) ≤ 20 tahun 21-30 tahun

11396 (81,9%)

2519 (18,1%)

13915 (100%)

31-40 tahun

10503 (72,9%)

3911 (27,1%)

14414 (100%)

41-50 tahun

9084 (67,5%)

4373 (32,5%)

13457 (100%)

≥ 51 tahun

2896 (68,7%)

1322 (31,3%)

4218 (100%)

41248 (76,5%)

12653 (23,5%)

53901 (100%)

Total

Penduduk pada umur 41-50 tahun mempunyai kemungkinan obesitas (berdasarkan lingkar perut) paling tinggi, yaitu 32,5%.

5.1.3

Gambaran Aktivitas Fisik Penduduk Jawa Timur Tahun 2013 Aktivitas fisik penduduk Jawa Timur diukur dengan kategori berat, sedang dan

ringan. Aktivitas fisik dihitung dengan menggabungkan lama aktivitas fisik (dalam menit) berat, sedang dan ringan, dengan terlebih dahulu menggalikan lama aktivitas dengan faktor pengali pada Estimating Energy Requirements (EER).

22

Tabel 5.6. Faktor Pengali Aktivitas Fisik Berdasarkan Estimating Energy Requirements Aktivitas Fisik Faktor pengali berdasarkan EER Laki-laki Perempuan Sedentary 1,00 1,00 Aktifitas rendah/ringan

1,11

1,12

Aktif/sedang

1,25

1,27

Sangat aktif/berat

1,48

1,45

Sumber : Understanding Nutrition (Eleventh Edition), Ellie Whitney and Sharon RadyRolfes, Thomson Wadsworth, Belmont USA, 2008

Rata-rata aktivitas fisik penduduk Jawa Timur adalah 4305,544 dengan standar deviasi 1852,506, aktivitas fisik yang paling kecil/ringan adalah 75 dan yang paling berat adalah 12902,4. Jika aktivitas fisik dikaitkan dengan status gizi, khususnya lingkar perut, maka diperoleh gambaran seperti pada tabel 5.7. Tabel 5.7. Gambaran Aktivitas Fisik dan Status Gizi Penduduk Jawa Timur 2013 Status Gizi Aktivitas Fisik (berdasarkan lingkar perut) Rata-rata Standar deviasi Normal 4315.1719 1858.16147 Obesitas sentral

4274.1563

1833.66957

Pada penduduk yang mempunyai lingkar perut normal, mempunyai rata-rata aktivitas fisik lebih besar dibandingkan dengan penduduk yang mengalami obesitas sentral.

5.1.4

Gambaran Konsumsi Sayuran Penduduk Jawa Timur Tahun 2013 Konsumsi sayur diukur dengan jumlah porsi mengkonsumsi sayuran selama 1

(satu) minggu. Rata-rata penduduk Jawa Timur mengkonsumsi sayuran sebesar 9,8931 porsi/minggu dengan standar deviasi 7,12646. Konsumsi sayuran terkecil adalah 0 (tidak mengkonsumsi sayuran sama sekali) dan yang terbesar adalah 63 porsi/minggu. Sebesar 2,2% penduduk Jawa Timur tidak mengkonsumsi sayuran dalam satu minggu terakhir. Sebesar 59% penduduk Jawa Timur mengkonsumsi sayur 1-7 porsi dalam seminggu. Gambaran konsumsi sayuran penduduk di Jawa Timur dapat dilihat pada tabel 5.8.

23 Tabel 5.8. Distribusi Konsumsi Sayuran Penduduk di Jawa Timur Tahun 2013 Konsumsi sayur (porsi/minggu)

Frekuensi

Persentase

1211

2,2 %

1 - 7 porsi

31804

59,0 %

8 - 14 porsi

11124

20,6 %

15 - 21 porsi

8826

16,4 %

21 - 28 porsi

361

0,7 %

≥ 29 porsi

574

1,1 %

53901

100 %

Tidak mengkonsumsi

Total

Berdasarkan data Susenas 2013, rata-rata konsumsi sayuran di tiap kabupaten/kota di Jawa Timur adalah 0,7063 kg/minggu/kapita dengan standar deviasi 0,27187. Jika konsumsi sayuran dikaitkan dengan status gizi, khususnya lingkar perut, maka diperoleh gambaran seperti pada tabel 5.9. Tabel 5.9. Gambaran Konsumsi Sayuran dan Status Gizi Penduduk Jawa Timur Tahun 2013 Status Gizi Konsumsi Sayuran (porsi/minggu) (berdasarkan lingkar perut) Rata-rata Standar deviasi Normal 9,8139 7,10158 Obesitas sentral

10,1512

7,20124

Rata-rata konsumsi sayuram penduduk Jawa Timur yang normal dan obesitas (berdasarkan lingkar perut) ternyata hampir sama atau tidak berbeda jauh.

5.1.5 Gambaran Konsumsi Buah-buahan Penduduk Jawa Timur Tahun 2013 Rata-rata konsumsi buah-buahan responden Riskesdas di Jawa Timur adalah 3,466 porsi/minggu dengan standar deviasi 4,46769. Konsumsi buah-buahan terkecil adalah 0 (tidak mengkonsumsi buah-buahan sama sekali) dan yang terbesar adalah 63 porsi/minggu. Tabel 5.10. adalah tabel yang mengambarkan konsumsi buah-buahan secara lebih rinci. Sebesar 21,7% penduduk Jawa Timur tidak mengkonsumsi buah-buahan dalam satu minggu terakhir. Sebesar 69% penduduk Jawa Timur mengkonsumsi buah 1-7 porsi dalam seminggu. Berdasarkan data Susenas 2013, rata-rata konsumsi buah-buahan di tiap

24 kabupaten/kota di Jawa Timur adalah 1,0184 kg/minggu/kapita dengan standar deviasi 0,19216. Tabel 5.10. Distribusi Konsumsi Buah Penduduk Jawa Timur Tahun 2013 Konsumsi buah (porsi/minggu)

Frekuensi

Persentase

11703

21,7 %

1 - 7 porsi

37192

69,0 %

8 - 14 porsi

3726

6,9 %

15 - 21 porsi

1012

1,9 %

21 - 28 porsi

135

0,3 %

132

0,2 %

53901

100 %

Tidak mengkonsumsi

≥ 29 porsi Total

Jika konsumsi buah-buahan dikaitkan dengan status gizi, khususnya lingkar perut, maka diperoleh gambaran seperti pada tabel 5.11. Tabel 5.11. Gambaran Konsumsi Buah dan Status Gizi Penduduk Jawa Timur Tahun 2013 Status Gizi Konsumsi Buah (porsi/minggu) (berdasarkan lingkar perut) Rata-rata Standar deviasi Normal 3,2976 4,28233 Obesitas sentral

4,0160

4,98546

Rata-rata konsumsi buah-buahan penduduk Jawa Timur yang normal dan obesitas (berdasarkan lingkar perut) ternyata agak berbeda. Penduduk yang mengalami obesitas sentral cenderung mengkonsumsi buah lebih banyak dibandingkan dengan penduduk dengan status gizi normal (berdasarkan lingkar perut).

5.2 Pengaruh Umur, Aktivitas Fisik, Konsumsi Sayuran dan Konsumsi Buah-buahan Terhadap Lingkar Perut Analisis pengaruh konsumsi sayuran, konsumsi buah-buahan, umur dan aktifitas fisik terhadap lingkar perut dengan menggunakan analisis statistika HLM. Tahapan pemodelan akan mengikuti alur sebagai berikut : 1.

Pemodelan Model 0 (Empty Model), atau disebut sebagai M0

2.

Pemodelan level-2 (kabupaten/kota), atau disebut sebagai M1

3.

Pemodelan Level-1 (individu), atau disebut sebagai M2

25 4.

Mixed model (kabupaten/kota dan individu), atau disebut sebagai M3

5.

Melakukan pemodelan ulang, dengan menghilangkan variabel yang tidak signifikan

Pemodelan Model 0 (M0) Pada tahap ini, dilakukan pemodelan hanya dengan memasukkan intercept saja dalam model, tanpa mengikutkan variabel independent, baik untuk variabel independent level individu maupun level kabupaten/kota. Dari model ini diperoleh hasil nilai ICC sebesar 2,6 %. Hasil analisis secara lengkap dapat dilihat pada lampiran 1.

Pemodelan Model level kabupaten/kota (M1) Pada tahap ini, dilakukan pemodelan hanya dengan memasukkan variabel independent level kabupaten/kota, yaitu konsumsi sayuran dan buah-buahan. Dari tabel 5.12 tampak bahwa konsumsi buah-buahan signifikan berpengaruh terhadap lingkar perut (p=0,027), sedangkan konsumsi sayuran tidak berpengaruh terhadap lingkar perut (p=0,72). Hasil analisis secara lengkap dapat dilihat pada lampiran 2. Tabel 5.12. Pemodelan HLM untuk Model M0, M1, M2 dan M3 M0 M1 M2 Parameter

M3

Estimasi

P-value

Estimasi

P-value

Estimasi

P-value

Estimasi

P-value

77,089

0,000

72,550

0,000

66,453985 0,2816512 0,0001050 0,0120258 0,1692624

0,000 0,000 0,000 0,065 0,000

-0,036 0,174

0,720 0,027

62,055291 0,2817382 0,0001058 -0,0288246 0,2796511 -0,0873785 0,1908490

0,000 0,000 0,000 0,426 0,001 0,408 0,019

0,0032499

0,251

-0,0036891

0,178

Fixed part Intercep Umur Aktivitas fisik Kons. sayur ind. Kons. buah ind. Kons. sayur kab Kons. buah kab Kons. sayur individu * kab Kons. buah individu * kab.

Random part R U -2LL AIC BIC ICC

110,44624 2,934639 396860,46 396866,46 396893,07 2,59%

110,44661 2,524883 396855,52 396865,52 396909,87 1,86%

99,872698 3,0881091 391572,303 391586,303 391648,396 2,999%

99,8663319 2,6675054 391563,918 391585,918 391683,493 2,60%

Pemodelan Model level individu (M2) Pada tahap ini, dilakukan pemodelan hanya dengan memasukkan variabel independent level individu, yaitu umur, aktivitas fisik, konsumsi sayuran dan buah-buahan. Dari tabel 5.12 tampak bahwa umur (p=0.000), aktifitas fisik (p=0.000) dan konsumsi buah-buahan (p=0.000) signifikan berpengaruh terhadap lingkar, sedangkan konsumsi

26 sayuran tidak berpengaruh terhadap lingkar perut (p=0,065). Hasil analisis secara lengkap dapat dilihat pada lampiran 3. Pemodelan Mixed Model (M3) Pada tahap ini, dilakukan pemodelan dengan memasukkan variabel independent level individu, level kabupaten/kota, serta interaksinya. Dari tabel 5.12 tampak bahwa umur, aktifitas fisik dan konsumsi buah-buahan (level individu dan kabupaten/kota), signifikan berpengaruh terhadap lingkar. Konsumsi sayuran (pada level individu maupun level kabupaten/kota), dan interaksi konsumsi sayuran level individu dan level kabupaten/kota, serta interaksi konsumsi buah-buahan pada level individu dan level kabupaten/kota, tidak berpengaruh terhadap lingkar perut. Hasil analisis secara lengkap dapat dilihat pada lampiran 4. Langkah selanjutnya adalah melakukan pemodelan ulang untuk Mixed Model dengan menghilangkan variabel yang tidak signifikan. Diperoleh hasil sebagai berikut:

Pemodelan M4 Pada tahap ini, dilakukan pemodelan dengan memasukkan variabel independent level individu, level kabupaten/kota, serta interaksinya, seperti pada M3. Pemodelan M4 mengeluarkan variabel sayur level individu (karena memiliki nilai signifikansi yang terbesar, yaitu 0,426) dari model. Tabel 5.13 menunjukkan bahwa umur, aktivitas fisik dan konsumsi buah-buahan (level individu dan kabupaten/kota), serta interaksi konsumsi sayuran pada level individu dan level kabupaten/kota, signifikan berpengaruh terhadap lingkar perut. Konsumsi sayuran pada level kabupaten, serta interaksi konsumsi buah-buahan pada level individu dan level kabupaten/kota tidak berpengaruh terhadap lingkar perut. Hasil analisis secara lengkap dapat dilihat pada lampiran 5.

Pemodelan M5 Pada tahap ini, dilakukan pemodelan yang sama dengan model M4. Pada pemodelan M5, variabel konsumsi sayuran pada level kabupaten/kota serta interaksi konsumsi sayuran level individu dikeluarkan dari model.

27 Dari tabel 5.13 tampak bahwa umur, aktifitas fisik dan konsumsi buah-buahan (level individu dan kabupaten/kota), signifikan berpengaruh terhadap lingkar perut. Konsumsi buah-buahan pada level kabupaten/kota tidak berpengaruh terhadap lingkar perut (p=0.179). Hasil analisis secara lengkap dapat dilihat pada lampiran 6. Tabel 5.13. Hasil Pemodelan HLM untuk Model M4, M5 dan M6 M4 M5 Parameter

M6

Estimasi

P-value

Estimasi

P-value

Estimasi

P-value

Intercep Umur Aktivitas fisik Kons. sayur ind. Kons. buah ind. Kons. sayur kab Kons. buah kab Kons. sayur individu * kab

61,7605945 0,2817025 0,0001059

0,000 0,000 0,000

61,1331955 0,2819744 0,0001097

0,000 0,000 0,000

61,4699798 0,2819199 0,0001090

0,000 0,000 0,000

0,2786867 -0,0677691 0,1922112 0,0010325

0,001 0,508 0,018 0,043

0,2828097

0,001

0,1724952

0,000

0,1879647

0,020

0,1767491

0,027

Kons. buah individu * kab.

-0,0036712

0,180

-0,0036857

0,179

Fixed part

Random part R U -2LL AIC BIC ICC

99,8678503 2,6545831 391564,551 391584,551 391673,256 2,589%

99,8764021 2,6497703 391568,990 391584,990 391655,954 2,585%

99,8798709 2,6483967 391570,798 391584,798 391646,891 2,583%

Pemodelan M6 Pada tahap ini, dilakukan pemodelan yang sama dengan model M5. Pada pemodelan M6, variabel interaksi konsumsi buah-buahan level individu dan level kabupaten/kota dikeluarkan dari model. Tabel 5.13 menunjukkan bahwa semua variabel signifikan berpengaruh terhadap lingkar perut. Variable umur, aktifitas fisik dan konsumsi buah-buahan level individu dan konsumsi buah-buahan level kabupaten/kota signifikan berpengaruh terhadap lingkar perut. Hasil analisis secara lengkap dapat dilihat pada lampiran 7.

28

BAB VI PEMBAHASAN Penelitian ini menggunakan data lingkar perut, konsumsi sayuran, konsumsi buahbuahan, umur dan aktifitas fisik dari responden Riskesdas 2013 yang berada di Provinsi Jawa Timur. Selain itu, juga digunakan data konsumsi sayuran dan konsumsi buah-buahan tingkat kabupaten/Kota di Provinsi Jawa Timur yang bersumber pada data Sesunas 2013. Penelitian ini bertujuan untuk mengkaji pengaruh konsumsi sayuran, konsumsi buah-buahan, umur dan aktifitas fisik terhadap lingkar perut.

6.1 Gambaran Lingkar Perut,

Umur, Aktivitas Fisik dan Konsumsi Sayuran serta

Konsumsi Buah-buahan Pada penelitian ini, dihasilkan Penduduk di Jawa Timur yang mengalami oesitas sentral cukup tinggi. Sebesar 23,5% penduduk Jawa Timur mengalami obesitas sentral. Angka ini memang masih lebih kecil jika dibandingkan dengan angka nasional, yaitu sebesar 26,6% (Kemenkes, 2013). Prevalensi obesitas sentral yang tinggi perlu diperhatikan, karena berdasarkan beberapa penelitian, obesitas sentral meningkatkan risiko beberapa penyakit, diantaranya DM, hipertensi, dislipidemia, metabolik sindrom dan PJK (Soetiarto, et al., 2010 ; Yuliasih, 2009 ; Gotera, et al., 2006 ; Wildman, et al., 2005). Prevalensi obesitas sentral yang tinggi terjadi pada perempuan, yaitu sebesar 37,7%, dan pada laki-laki hanya 9,2% saja yang mengalami obesitas sentral. Umur responden berkisar antara 15 tahun sampai dengan 54 tahun. Hal ini dikarenakan memang hanya responden yang berusia diatas 15 tahun saja yang dilakukan pengukuran lingkar perut. Sebagian besar penduduk memang ada pada usia produktif yaitu antara 21 tahun sampai dengan 50 tahun. Hanya 7,8% penduduk yang berusia diatas 51 tahun. Menurut Moore (1997), kejadian obesitas meningkat seiring dengan bertambahnya umur. Hal ini sesuai dengan hasil penelitian ini. Penduduk yang berusia kurang atau sama dengan 20 tahun, hanya sebagian kecil saja (6,7%) yang mengalami obesitas sentral. Penduduk pada rentang usia 41-50 tahun mengalami obesitas sentral terbesar yaitu sebesar 32,5%. Secara rinci dapat dilihat pada gambar 6.1. Hasil penelitian Moore, S. et. al. (2009) juga menyatakan hal yang sama, yaitu umur berpengaruh terhadap lingkar perut dengan OR sebesar 1,04.

29

35

32.5

30 25

31.3

27.1

20

18.1

15 10 5

6.7

0 <= 20 thn

21-30 thn

31-40 thn

41-50 thn

>= 51 thn

Gambar 6.1. Kejadian Obesitas Sentral Berdasarkan Kelompok Umur Pada Penduduk Jawa Timur Tahun 2013 Data aktivitas fisik pada Riskesdas dikategorikan dalam aktifitas berat, sedang dan ringan. Untuk menghitung energi yang dikeluarkan digunakan pendekatan Estimasi Energi yang dibutuhkan atau yang disebut dengan Estimating Energy Requirements (EER) (Whitney, E. & Rady Rolfes, S., 2008). Dari penelitian ini diperoleh hasil, pada penduduk dengan lingkar perut normal, mempunyai rata-rata aktivitas fisik lebih besar dibandingkan dengan penduduk yang mengalami obesitas sentral. Hal ini sesuai dengan penelitian yang dilakukan oleh Moore, S. et. al. (2009) yang menyatakan aktivitas fisik berpengaruh terhadap lingkar perut, dengan OR 2,52. Gambaran konsumsi sayuran pendunduk di Jawa Timur tidak terlalu bagus. Sebesar 2,2% penduduk Jawa Timur tidak makan sayur (dalam satu minggu terakhir), dan 59% yang makan sayur 1 porsi atau kurang dalam setiap harinya. Kondisi yang lebih memprihatinkan adalah konsumsi buah-buahan. Ada 21,7% penduduk Jawa Timur yang tidak mengkonsumsi buah-buahan dalam satu minggu terakhir. Sebesar 69% penduduk Jawa Timur yang mengkonsumsi buah-buahan hanya 1 porsi atau kurang dalam setiap harinya. Kondisi ini tidak berbeda dengan kondisi Indonesia pada umumnya. Dari hasil laporan Riskesdas tahun 2007 sebesar 93,6% kurang makan buah dan sayur, dan Riskesdar tahun 2013 sebesar 93,5% kurang makan buah dan sayur (Kemeknkes, 2007; Kemenkes, 2013).

30 5.2

Pengaruh Umur, Aktivitas Fisik, Konsumsi Sayuran dan Konsumsi Buah-buahan Terhadap Lingkar Perut Analisis pengaruh konsumsi sayuran, konsumsi buah-buahan, umur dan aktifitas fisik

terhadap lingkar perut dengan menggunakan analisis statistika HLM. Tahapan pemodelan akan mengikuti alur pemodelan Model 0 (M0), pemodelan level kabupaten/kota (M1), pemodelan Level individu (M2), mixed model

(M3), serta melakukan pemodelan ulang,

dengan menghilangkan variabel yang tidak signifikan (M4, M5 dan M6). Dari analisis data, diperoleh nilai ICC sebesar 2,59%. Kondisi ini tidak jauh berbeda dengan penelitian dari Daniel W. Harrington, D.W. & Susan J. Elliott, S.J. (2009), yang menyatakan nilai ICC sebesar 3,72%, dengan level-2 adalah neighbourhood atau wilayah. Pada pemodelan M0, M1, M2 dan M3, nilai goodnes of fit (-2LL, AIC dan BIC) dapat dilihat pada gambar 6.2.

398000 397000 396000 395000 394000 393000 392000 391000 390000 389000 388000

M0

M1 -2LL

M2 AIC

M3 BIC

Gambar 6.2. Nilai -2LL, AIC, BIC pada model M0, M1, M2 dan M3

Pada pemodelan M0 dan M1, diperoleh nilai -2LL, AIC dan BIC yang hampir sama dan cukup tinggi. Pada pemodelan M2 dan M3, nilai -2LL, AIC dan BIC turun cukup tajam, hal ini berarti M2 dan M3 lebih bagus dibandingkan dengan M0 dan M1. Nilai -2LL, AIC dan BIC pada Model M2 dan M3 juga hampir sama.

31 Pada model M3, masih ada beberapa variabel yang tidak signifikan, oleh karena itu dilakukan pengulangan model dengan mengeluarkan variabel yang tidak signifikan. Analisis itu menghasilkan model M4, M5 dan M6. Nilai goodnes of fit (-2LL, AIC dan BIC) dari model M3, M4, M5 dan M6, pat dilihat pada gambar 6.3.

391700.000

391683.493 391673.256

391680.000

391655.954 391646.891

391660.000 391640.000 391620.000 391600.000

391585.918

391584.551

391563.918

391564.551

M3

M4

391584.990

391584.798

391568.990

391570.798

M5

M6

391580.000 391560.000 391540.000 391520.000 391500.000

-2LL

AIC

BIC

Gambar 6.3. Nilai -2LL, AIC, BIC pada model M3, M4, M5 dan M6 Model M6, mempunyai mempunyai nilai -2LL dan BIC yang lebih kecil dibandingkan dengan model yang lainnya (M3, M4, dan M5). Sedangkan nilai AIC hampir sama untuk semua model. Dengan memperhatikan hal tersebut, maka dapat disimpulkan model M6 adalah model terbaik dengan nilai parameter dan signifikansi seperti pada tabel 6.1. Tabel 6.1. Beberapa Faktor yang Berpengaruh Terhadap Lingkar Perut Variabel

Estimasi Parameter

P-value

Intercep

61.4699798

0.000

Umur

0.2819199

0.000

Aktivitas fisik

0.0001090

0.000

Konsumsi buah individu

0.1724952

0.000

Konsumsi buah kabupaten/kota

0,1767491

0.027

32 Tabel 6.1. menunjukkan bahwa lingkar perut dipengaruhi oleh umur, aktifitas fisik, konsumsi buah individu, konsumsi buah kabupaten/kota dan interaksi antara konsumsi buah individu dan kabupaten/kota. Hal ini sejalan dengan penelitian dari Gorely, T., et.al (2011) yang menyatakan umur adalah salah satu faktor yang berpengaruh terhadap lingkar perut, selain jenis kelamin. Moore, S., et al. (2009) juga menyatakan bahwa aktivitas fisik berpengaruh terhadap lingkar perut (OR 2,52), responden dengan aktivitas fisik rendah, kemungkinan memiliki lingkar perut lebih tinggi dibandingkan dengan responden dengan aktivitas fisik tinggi. Selain itu, konsumsi sayur dan buah juga berpengaruh terhadap lingkar perut (OR 0,41), responden yang cukup (medium) mengkonsumsi buah dan sayur, kemungkinan

memiliki lingkar perut lebih tinggi dibandingkan dengan responden dengan

konsumsi buah san sayur yang tinggi (Moore, S., et. al., 2009). Nilai parameter untuk konsumsi buah-buahan dan aktivitas fisik pada penelitian ini mempunyai nilai positif, hal ini berbeda dengan hasil penelitian Moore, S., et al. (2009). Nilai parameter konsumsi buah-buahan dan aktivitas fisik yang positif ini berarti jika aktivitas fisik seseorang meningkat maka lingkar perut cenderung meningkat, serta jika konsumsi buah-buahan meningkat, maka lingkar perut cenderung meningkat. Pernyataan tersebut tentunya bertentangan dengan teori. Kondisi ini terjadi mungkin dikarenakan pola konsumsi dan aktivitas fisik yang sangat tergantung pada umur. Kelompok penduduk dengan umur yang relatif muda memang cenderung melakukan aktivitas fisik yang rendah dibandingkan dengan kelompok umur yang lebih tua. Hal yang sama juga terjadi pada konsumsi buah-buahan. Hal ini dapat dilihat pada gambar 6.4.

Gambar 6.4. Distribusi Aktivitas Fisik dan Konsumsi Buah-buahan Berdasarkan Kelompok Umur Penduduk Jawa Timur Tahun 2013

33 Gambar 6.4. menunjukkan bahwa pada kelompok umur 31-50 tahun aktivitas fisik dan konsumsi buah-buahan paling tinggi dibandingkan dengan kelompok umur yang lainnya. Pada kelompok umur 31-50 tahun juga obesitas sentral paling banyak terjadi. Hal ini menyebabkan adanya pengaruh yang positif antara aktivitas fisik dan konsumsi buah-buahan dengan lingkar perut.

BAB VII KESIMPULAN DAN SARAN 7.1 Kesimpulan Hal yang dapat disimpulkan dari penelitian ini adalah: 1.

Sebesar 23,5% penduduk Jawa Timur mengalami obesitas sentral. Sebagian besar penduduk berada pada usia produktif yaitu antara 21 tahun sampai dengan 50 tahun. Sebesar 2,2% penduduk Jawa Timur tidak makan sayur (dalam satu minggu terakhir), dan 59% yang makan sayur 1 porsi atau kurang dalam setiap harinya. Ada 21,7% penduduk Jawa Timur yang tidak mengkonsumsi buah-buahan dalam satu minggu terakhir. Sebesar 69% penduduk Jawa Timur yang mengkonsumsi buah-buahan hanya 1 porsi atau kurang dalam setiap harinya.

2.

Umur, aktifitas fisik, konsumsi buah-buahan individu dan kabupate/kota berpengaruh terhadap lingkar perut.

7.2 Saran Saran dari penelitian ini adalah perlu dikaji variabel yang terkait dengan ketersediaan sayuran dan buah-buahan di suatu wilayah, juga yang terkait dengan toko atau pasar yang menjual bahan pangan tersebut.

34

UCAPAN TERIMA KASIH

Peneliti mengucapkan terima kasih yang setulus-tulusnya kepada : 1. Badan Litbang Kesehatan Kemenkes Republik Indonesia yang telah memberikan kesempatan kepada penulis untuk melakukan penelitian analisis lanjut ini serta menggunakan data Riskesdas 2013. 2. Badan Pusat Statistika Provinsi Jawa Timur yang telah mengijinkan peneliti untuk menggunakan data Susenas 2013. 3. Prof. Dr. Tri Martiana, dr., MS selaku dekan Fakultas Kesehatan Masyarakat Universitas Airlangga yang telah memberikan kesempatan serta memberikan ijin kepada penulis untuk melakukan penelitian ini. 4. Tim Reviewer Proposal Analisis Lanjut Riskesnas Kemenkes Tahun 2014 yang telah meluangkan waktunya dan pikiranannya juga saran dan kritiknya sehingga laporan hasil ini dapat terseleseikan dan dapat dipertanggungjawabkan secara keilmiahannya. 5. Kepada semua pihak yang telah membantu dan berkerja sama secara sungguh-sungguh dalam menyempurnakan penelitian ini.

35

36

DAFTAR PUSTAKA

Adriani, M., Wirjatmadi, B. (2012). Pengantar Gizi Masyarakat. Jakarta: Kencana Prenada Media Group Austin,C.P., Goel,V., Walraven,C.V. (2001). An Introductory to Multilevel Regression Models. Canandian Journal of Public Health, Vol 92 No 2, 150-154. Gorely, T., Morris, J.G., Musson, H., Brown, S., Nevill, A., Nevil, M.E. (2011). Physical Activity and Body Composition Outcomes of The GreatFun2Run Intervention at 20 Month Follow-up. International Journal of Behavioral and Physical Activity, Vol. 8 (2011): 1-11 Gotera, W., et al. (2006). Hubungan Antara Obesitas Sentral Dengan Adiponektin Pada Pasien Geritari Dengan Penyakit Jantung Koroner. Jurnal Penyakit Dalam, Vol. 7 No. 2, 102-107. Harrington, D.W., Elliott, S.J. (2009). Weighing The Importance of Neighbourhood: A Multilevel Exploration of The Determinants of Overweight and Obesity. Social Science & Medicine, Number 68, 593–600. Kemenkes (2007). Riset Kesehatan Dasar 2007. Badan Penelitian dan Pengembangan Kesehatan, Kementrian Kesehatan RI, Jakarta. _________ (2013). Riset Kesehatan Dasar 2013. Badan Penelitian dan Pengembangan Kesehatan, Kementrian Kesehatan RI, Jakarta. Moore, M.C. (1997). Terapi Diet dan Nutrisi (Terjemahan). Hipokrates, Jakarta. Moore, S., Daniel, M., Paquet, C., Dube´,L., Gauvin, L. (2009). Association of Individual Network Social Capital with Abdominal adiposity, Overweight and Obesity. Journal of Public Health, Vol. 31 No. 1, 175–183 Mustamin (2010) . Asupan Energi Dan Aktivitas Fisik Dengan Kejadian Obesitas Sentral Pada Ibu Rumah Tangga Di Kelurahan Ujung Pandang Baru Kecamatan Tallo Kota Makassar. Media Gizi Pangan, Vol. X, Edisi 2. Snijder, T.A.B., & Bosker, R.J. (2003). Multilevel Analysis: An Introduction to Basic and Advance Multilevel Modeling. Britain: The Cromwell Press Ltd. Soetiarto F., Roselinda, S. (2010). Hubungan Diabetes Mellitus Dengan Obesitas Berdasarkan Indeks Massa Tubuh Dan Lingkar Pinggang Data Riskesdas 2007. Buletin Penelitian Kesehatan, Vol 38 No. 1, 36-42. Twisk, J.W.R. (2006). Applied Multilevel Analysis. New York: Cambride University Press, SAGE Publications Ltd.

37

Yuliasih, W. (2009). Obesitas Abdominal Sebagai Faktor Risiko Peningkatan Kadar Glukosa Darah (Skripsi). Program Studi Ilmu Gizi, Fakultas Kedokteran, Universias Diponegoro, Semarang. Wildman, R.P., et al. (2005). Are waist circumference and body mass index independently associated with cardiovascular disease risk in Chinese adults?. Am J Clin Nutr, Vol. 82, 1195–202. WHO. (2000). Obesity: Preventing and Managing the Global Epidemic. Report of a WHO consultation. Geneva, Switzerland. _____ (2000). The Asia-Pacific Perspective Redefining Obesity and Its Tratment. WHOWestern Pacific Region . February.

Lampiran 1 : Pemodelan Model 0 (M0) Mixed Model Analysis Model Dimension(b) Number of Levels Fixed Effects

Intercept

Random Effects

Intercept(a)

Covariance Structure

Number of Parameters

1

Subject Variables 1

Variance Components

1

1

Residual

KAB

1

Total

2

3

a As of version 11.5, the syntax rules for the RANDOM subcommand have changed. Your command syntax may yield results that differ from those produced by prior versions. If you are using SPSS 11 syntax, please consult the current syntax reference guide for more information. b Dependent Variable: Lingkar perut .

Information Criteria(a) -2 Log Likelihood

396860.464

Akaike's Information Criterion (AIC)

396866.464

Hurvich and Tsai's Criterion (AICC)

396866.464

Bozdogan's Criterion (CAIC)

396896.075

Schwarz's Bayesian Criterion (BIC)

396893.075

The information criteria are displayed in smaller-is-better forms. a Dependent Variable: Lingkar perut .

Fixed Effects Type III Tests of Fixed Effects(a)

Source Intercept

Numerator df

Denominator df 1

F

38.297

Sig.

69279.755

.000

a Dependent Variable: Lingkar perut . Estimates of Fixed Effects(a) 95% Confidence Interval Parameter Intercept

Estimate 77.0891986

Std. Error .2928804

df

t

38.297

Sig.

263.210

Lower Bound .000

76.4964441

Upper Bound 77.6819530

a Dependent Variable: Lingkar perut .

Covariance Parameters Estimates of Covariance Parameters(a) Parameter

Estimate

Std. Error

Wald Z

Sig.

95% Confidence Interval Lower Bound

Residual Intercept [subject = KAB]

Variance

Upper Bound

110.4462413

.6812602

162.121

.000

109.1190348

111.7895906

2.9346398

.7164836

4.096

.000

1.8185970

4.7355794


38

Lampiran 2 : Pemodelan Model level kabupaten/kota (M1) Mixed Model Analysis Model Dimension(b) Number of Levels Fixed Effects

Random Effects



Subject Variables

Intercept

1

1

BUAH_KAB

1

1

SAYUR_KA

1

1

Intercept(a)

Variance Components

1

1

Residual

KAB

1

Total

4

5

a As of version 11.5, the syntax rules for the RANDOM subcommand have changed. Your command syntax may yield results that differ from those produced by prior versions. If you are using SPSS 11 syntax, please consult the current syntax reference guide for more information. b Dependent Variable: Lingkar perut . Information Criteria(a) -2 Log Likelihood

396855.521


396865.521


396865.522


396914.873


396909.873



Source Intercept

Numerator df

Denominator df

F

Sig.

1

37.788

904.523

.000

BUAH_KAB

1

35.979

5.311

.027

SAYUR_KA

1

39.505

.130

.720

a Dependent Variable: Lingkar perut . Estimates of Fixed Effects(a) 95% Confidence Interval Parameter Intercept

Estimate

Std. Error

df

t

Sig.

Lower Bound

Upper Bound

72.5503361

2.4122900

37.788

30.075

.000

67.6660124

77.4346599

BUAH_KAB

.1739670

.0754871

35.979

2.305

.027

.0208690

.3270650

SAYUR_KA

-.0359027

.0994213

39.505

-.361

.720

-.2369192

.1651137


39


Estimate

Std. Error

Wald Z

Sig.



Variance

Upper Bound

110.4466135

.6812623

162.121

.000

109.1194028

111.7899669

2.5248832

.6223621

4.057

.000

1.5574976

4.0931265


40

Lampiran 3 : Pemodelan Model level individu (M2)

Mixed Model Analysis Model Dimension(b)

Number of Levels Fixed Effects

Random Effects



Subject Variables

Intercept

1

1

UMUR

1

1

PA

1

1

BUAH_I

1

1

SAYUR_I

1

1

Intercept(a)

Variance Components

1

1

Residual

KAB

1

Total

6

7


391572.303


391586.303


391586.305


391655.396


391648.396



Source Intercept

Numerator df

Denominator df

F

Sig.

1

68.023

36700.444

.000

UMUR

1

52596.886

5117.652

.000

PA

1

51812.391

16.973

.000

BUAH_I

1

52587.436

274.337

.000

SAYUR_I

1

52456.775

3.401

.065


41

Estimates of Fixed Effects(a) 95% Confidence Interval Parameter Intercept

Estimate

Std. Error

df

t

Sig.

Lower Bound

Upper Bound

66.4539848

.3468849

68.023

191.574

.000

65.7617911

67.1461785

UMUR

.2816512

.0039371

52596.886

71.538

.000

.2739344

.2893679

PA

.0001050

2.548420E-05

51812.391

4.120

.000

5.504190E-05

.0001549

BUAH_I

.1692624

.0102192

52587.436

16.563

.000

.1492326

.1892922

SAYUR_I

.0120258

.0065209

52456.775

1.844

.065

-.0007553

.0248069



Estimate

Std. Error

Wald Z

Sig.



Variance

Upper Bound

99.8726983

.6160453

162.119

.000

98.6725409

101.0874531

3.0881091

.7568355

4.080

.000

1.9102037

4.9923564


42

Lampiran 4 : Pemodelan Mixed Model (M3) Mixed Model Analysis Model Dimension(b) Number of Levels Fixed Effects

Random Effects



Subject Variables

Intercept

1

1

UMUR

1

1

PA

1

1

BUAH_I

1

1

SAYUR_I

1

1

BUAH_KAB

1

1

SAYUR_KA

1

1

BUAH_I * BUAH_KAB

1

1

SAYUR_I * SAYUR_KA

1

Intercept(a) 1

1 Variance Components

1

Residual

KAB

1

Total

10

11


391563.918


391585.918


391585.923


391694.493


391683.493



Source Intercept

Numerator df

Denominator df

F

Sig.

1

40.292

608.726

.000

UMUR

1

52597.297

5120.565

.000

PA

1

51745.075

17.230

.000

BUAH_I

1

52544.078

11.439

.001

SAYUR_I

1

51630.221

.633

.426

BUAH_KAB

1

36.431

6.013

.019

SAYUR_KA

1

43.671

.699

.408

BUAH_I * BUAH_KAB

1

52557.548

1.811

.178

SAYUR_I * SAYUR_KA

1

51424.678

1.317

.251


43

Estimates of Fixed Effects(a) Parameter

Estimate

Std. Error

df

t

Sig.

95% Confidence Interval

Intercept

62.0552911

2.5151734

40.292

24.672

.000

56.9730836

67.1374985

UMUR

.2817382

.0039372

52597.297

71.558

.000

.2740212

.2894551

PA

.0001058

2.549020E-05

51745.075

4.151

.000

5.584533E-05

.0001558

BUAH_I

.2796511

.0826857

52544.078

3.382

.001

.1175864

.4417158

SAYUR_I

-.0288246

.0362160

51630.221

-.796

.426

-.0998082

.0421591

BUAH_KAB

.1908490

.0778289

36.431

2.452

.019

.0330694

.3486285

SAYUR_KA

-.0873785

.1045438

43.671

-.836

.408

-.2981175

.1233604

BUAH_I * BUAH_KAB

-.0036891

.0027411

52557.548

-1.346

.178

-.0090617

.0016835

.0032499

.0028321

51424.678

1.148

.251

-.0023010

.0088008

Lower Bound

SAYUR_I * SAYUR_KA

Upper Bound



Estimate

Std. Error

Wald Z

Sig.



Variance

Upper Bound

99.8663319

.6160055

162.119

.000

98.6662522

101.0810081

2.6675054

.6587450

4.049

.000

1.6439918

4.3282364


44

Lampiran 5 : Pemodelan M4

Mixed Model Analysis Model Dimension(b)


Random Effects



Subject Variables

Intercept

1

1

UMUR

1

1

PA

1

1

BUAH_I

1

1

BUAH_KAB

1

1

SAYUR_KA

1

1

BUAH_I * BUAH_KAB

1

1

SAYUR_I * SAYUR_KA

1

1

Intercept(a) 1

Variance Components

1

Residual

KAB

1

Total

9

10

a As of version 11.5, the syntax rules for the RANDOM subcommand have changed. Your command syntax may yield results that differ from those produced by prior versions. If you are using SPSS 11 syntax, please consult the current syntax reference guide for more information. b Dependent Variable: Lingkar perut . Information Criteria(a) -2 Log Likelihood Akaike's Information Criterion (AIC)

391564.551 391584.551


391584.555


391683.256

Schwarz's Bayesian Criterion (BIC) 391673.256 The information criteria are displayed in smaller-is-better forms. a Dependent Variable: Lingkar perut .


Source Intercept

Numerator df

Denominator df

F

Sig.

1

38.713

618.936

.000

UMUR

1

52597.107

5119.845

.000

PA

1

51741.135

17.268

.000

BUAH_I

1

52543.227

11.362

.001

BUAH_KAB

1

36.461

6.130

.018

SAYUR_KA

1

39.170

.447

.508

BUAH_I * BUAH_KAB

1

52557.014

1.794

.180

SAYUR_I * SAYUR_KA

1

52299.218

4.101

.043


45


Estimate

Std. Error

df

t

Sig.


Intercept

61.7605945

2.4824965

38.713

24.878

.000

56.7380792

66.7831097

UMUR

.2817025

.0039370

52597.107

71.553

.000

.2739860

.2894190

PA

.0001059

2.548971E-05

51741.135

4.156

.000

5.596272E-05

.0001559

BUAH_I

.2786867

.0826772

52543.227

3.371

.001

.1166387

.4407347

BUAH_KAB

.1922112

.0776313

36.461

2.476

.018

.0348366

.3495857

SAYUR_KA

-.0677691

.1013993

39.170

-.668

.508

-.2728400

.1373019

BUAH_I * BUAH_KAB

-.0036712

.0027410

52557.014

-1.339

.180

-.0090436

.0017012

.0010325

.0005099

52299.218

2.025

.043

3.319685E-05

.0020318

Lower Bound

SAYUR_I * SAYUR_KA

Upper Bound



Estimate

Std. Error

Wald Z

Sig.


Residual

99.8678503

.6160145

162.119

.000

98.6677531

101.0825442

2.6545831

.6551320

4.052

.000

1.6365373

4.3059278

Lower Bound Intercept [subject = KAB]

Variance


46

Upper Bound

Lampiran 6 : Pemodelan M5 Mixed Model Analysis Model Dimension(b)


Random Effects



Subject Variables

Intercept

1

1

UMUR

1

1

PA

1

1

BUAH_I

1

1

BUAH_KAB

1

1

BUAH_I * BUAH_KAB

1

1

Intercept(a) 1

Variance Components

1

Residual

KAB

1

Total

7

8

a As of version 11.5, the syntax rules for the RANDOM subcommand have changed. Your command syntax may yield results that differ from those produced by prior versions. If you are using SPSS 11 syntax, please consult the current syntax reference guide for more information. b Dependent Variable: Lingkar perut . Information Criteria(a) -2 Log Likelihood Akaike's Information Criterion (AIC)

391568.990 391584.990


391584.993


391663.954


391655.954



Source Intercept

Numerator df

Denominator df

F

Sig.

1

37.009

744.748

.000

UMUR

1

52597.908

5136.228

.000

PA

1

51592.495

18.596

.000

BUAH_I

1

52538.873

11.707

.001

BUAH_KAB

1

36.355

5.916

.020

BUAH_I * BUAH_KAB

1

52556.238

1.808

.179


47


Estimate

Std. Error

df

t

Sig.


Intercept

61.1331955

2.2401254

37.009

27.290

.000

56.5943069

65.6720841

UMUR

.2819744

.0039345

52597.908

71.667

.000

.2742628

.2896861

PA

.0001097

2.542802E-05

51592.495

4.312

.000

5.981471E-05

.0001595

BUAH_I

.2828097

.0826565

52538.873

3.422

.001

.1208024

.4448171

BUAH_KAB

.1879647

.0772774

36.355

2.432

.020

.0312920

.3446374

-.0036857

.0027411

52556.238

-1.345

.179

-.0090583

.0016869

Lower Bound

BUAH_I * BUAH_KAB

Upper Bound



Estimate

Std. Error

Wald Z

Sig.



Variance

Upper Bound

99.8764021

.6160687

162.119

.000

98.6761992

101.0912032

2.6497703

.6564306

4.037

.000

1.6305688

4.3060330


48

Lampiran 7 : Pemodelan M6 Mixed Model Analysis Model Dimension(b)


Random Effects



Subject Variables

Intercept

1

1

UMUR

1

1

PA

1

1

BUAH_I

1

1

BUAH_KAB

1

1

Intercept(a)

Variance Components

1

1

Residual

KAB

1

Total

6

7


391570.798


391584.798


391584.800


391653.891


391646.891



Source Intercept

Numerator df

Denominator df

F

Sig.

1

36.080

762.889

.000

UMUR

1

52597.929

5134.608

.000

PA

1

51596.561

18.387

.000

BUAH_I

1

52583.242

294.643

.000

BUAH_KAB

1

35.501

5.296

.027


49

Estimates of Fixed Effects(a) 95% Confidence Interval Parameter Intercept

Estimate

Std. Error

df

t

Sig.

Lower Bound

Upper Bound

61.4699798

2.2255249

36.080

27.620

.000

56.9567555

65.9832041

UMUR

.2819199

.0039343

52597.929

71.656

.000

.2742085

.2896312

PA

.0001090

2.542404E-05

51596.561

4.288

.000

5.918690E-05

.0001588

BUAH_I

.1724952

.0100491

52583.242

17.165

.000

.1527988

.1921916

BUAH_KAB

.1767491

.0768067

35.501

2.301

.027

.0209018

.3325963



Estimate

Std. Error

Wald Z

Sig.



Variance

Upper Bound

99.8798709

.6160903

162.119

.000

98.6796260

101.0947143

2.6483967

.6563213

4.035

.000

1.6294449

4.3045365


50

LAPORAN PENELITIAN PENGARUH KONSUMSI SAYURAN, KONSUMSI BUAH-BUAHAN, UMUR DAN AKTIVITAS FISIK TERHADAP LINGKAR PERUT

Recommend Documents