Mengungkap Pola Risiko Stunting di Jawa Timur: Inovasi Visualisasi Spasial Temporal dengan Metode Fuzzy Mamdani

Stunting, sebuah kondisi terhambatnya pertumbuhan anak balita akibat kekurangan gizi kronis dan infeksi berulang, telah menjadi masalah kesehatan masyarakat yang mendesak di Indonesia. Tingkat prevalensi stunting di Indonesia masih tergolong tinggi, bahkan melebihi standar yang ditetapkan Organisasi Kesehatan Dunia (WHO) sebesar 20%. Data tahun 2019 menunjukkan prevalensi stunting nasional mencapai 27,67%, meskipun pada tahun 2021 angka ini sedikit menurun menjadi 24,4%. Jawa Timur, sebagai salah satu provinsi dengan angka prevalensi 23,5% pada tahun 2021, menunjukkan bahwa isu ini bukan hanya skala nasional, melainkan juga menuntut perhatian serius di tingkat regional.

Pemerintah Indonesia, melalui Rencana Pembangunan Jangka Menengah Nasional (RPJMN) 2020-2024, telah menetapkan target ambisius untuk menurunkan angka stunting balita hingga 14%. Pencapaian target ini memerlukan intervensi multidisiplin, dan salah satu kontribusi signifikan dapat datang dari ranah teknologi informasi. Paper berjudul "Visualisasi Spasial Temporal Tingkat Risiko Stunting di Jawa Timur Menggunakan Metode Fuzzy" oleh Arna Fariza, Rengga Asmara, dan Galuh Nurul Istiqomah, yang diterbitkan dalam Jurnal Teknologi dan Informasi edisi Maret 2023, menawarkan sebuah terobosan krusial dalam memahami dan mengatasi masalah ini. Penelitian ini berfokus pada pengembangan sistem visualisasi pemetaan tingkat risiko stunting di Jawa Timur berbasis website yang memanfaatkan metode Fuzzy Mamdani serta analisis spasial temporal dari tahun 2017 hingga 2021. Pendekatan inovatif ini tidak hanya menyajikan data secara visual dan mudah diakses, tetapi juga memberikan analisis mendalam mengenai pola sebaran risiko stunting, yang sangat vital sebagai dasar pengambilan keputusan kebijakan kesehatan.

Analisis Mendalam Pendekatan Metodologis: Kekuatan Fuzzy Mamdani dalam Ketidakpastian Data Kesehatan

Penelitian ini mengadopsi metode action research yang komprehensif, mencakup perencanaan, pelaksanaan, pengamatan, dan refleksi. Pusat dari metodologi ini adalah penerapan Logika Fuzzy, khususnya model Mamdani, untuk menentukan tingkat risiko stunting. Pemilihan metode Fuzzy didasari oleh kemampuannya dalam mengelola ketidakpastian dan kompleksitas data, menjadikannya sangat cocok untuk isu-isu kesehatan yang seringkali melibatkan variabel-variabel dengan interpretasi yang tidak selalu mutlak. Keunggulan Mamdani terletak pada kemampuannya menarik kesimpulan yang akurat dalam situasi yang tidak pasti, serta memberikan keputusan yang lebih spesifik dengan mempertimbangkan kondisi setiap himpunan daerah secara menyeluruh. Meskipun demikian, perlu dicatat bahwa salah satu kelemahan metode ini adalah keterbatasannya pada data kuantitatif pada tahap awal pemrosesan.

Variabel input kunci yang digunakan dalam penentuan tingkat risiko stunting didasarkan pada pendekatan ecological analysis, yang mengidentifikasi faktor-faktor yang secara signifikan berkaitan dengan kejadian stunting. Faktor-faktor tersebut meliputi:

• Prevalensi stunting: Angka kejadian stunting itu sendiri.
• Cakupan pelayanan kesehatan balita: Tingkat akses dan pemanfaatan layanan kesehatan oleh balita
• Cakupan sanitasi layak: Persentase keluarga yang memiliki akses terhadap jamban sehat.
• Cakupan desa UCI (Universal Child Immunization): Tingkat imunisasi lengkap pada anak.
• Cakupan pemberian ASI eksklusif: Persentase bayi yang mendapatkan ASI secara eksklusif.

Data untuk variabel-variabel ini dikumpulkan dari berbagai sumber, termasuk buku profil kesehatan Jawa Timur dari tahun 2019 hingga 2021 dan data dari Badan Pusat Statistik (BPS) untuk tahun 2017 dan 2018. Proses pengolahan data dengan Fuzzy Mamdani melalui tiga tahapan utama:

 

1. Fuzzyfikasi: Tahap ini mengubah data numerik menjadi himpunan fuzzy (linguistik) dengan mendefinisikan fungsi keanggotaan (rendah, sedang, tinggi) untuk setiap variabel input. Contohnya, variabel pelayanan kesehatan balita dengan nilai input 73.5% akan memiliki nilai keanggotaan "rendah" sebesar 1, sementara himpunan lainnya bernilai 0, menunjukkan bahwa angka tersebut sepenuhnya masuk dalam kategori rendah.
2. Implikasi Aturan (Inferensi): Berdasarkan 5 variabel input dengan 3 himpunan fuzzy, dihasilkan sebanyak 35=243 aturan atau rules. Aturan-aturan ini dibentuk menggunakan operasi logika AND pada struktur IF-THEN, dengan memilih nilai minimum dari premis-premis. Misalnya, jika semua faktor (pelayanan, sanitasi, desa UCI, ASI) rendah dan stunting tinggi, maka risiko stunting akan tinggi. Selanjutnya, dilakukan komposisi aturan dengan mengambil nilai maksimum dari aturan himpunan fuzzy output yang sama.
3. Defuzzyfikasi: Ini adalah tahap akhir di mana nilai keanggotaan fuzzy diubah kembali menjadi nilai numerik yang tajam (crisp) untuk menentukan tingkat risiko stunting (rendah, sedang, tinggi). Metode yang digunakan adalah Center of Area (COA), yang menghitung titik pusat area fuzzy sebagai nilai crisp. Nilai defuzzyfikasi ini kemudian dipetakan ke dalam rentang risiko yang telah ditentukan: 0-1.5 untuk rendah, 1.5-2.5 untuk sedang, dan >2.5 untuk tinggi.

Studi Kasus dan Temuan Kunci: Dinamika Risiko Stunting 2017-2021

Analisis terhadap data stunting di Jawa Timur dari tahun 2017 hingga 2021 menghasilkan gambaran dinamis tentang tingkat risiko di berbagai kabupaten/kota. Hasil defuzzyfikasi menunjukkan bahwa pada tahun 2021, mayoritas wilayah (23 kabupaten/kota) memiliki tingkat risiko stunting yang rendah. Sementara itu, 6 kabupaten/kota berada pada tingkat risiko sedang, dan 2 kabupaten/kota masih menunjukkan tingkat risiko tinggi.

Data komparatif antara tahun 2017 dan 2021 memperlihatkan beberapa tren menarik:

• Penurunan Risiko Signifikan: Sebanyak 25 kabupaten/kota (65,79%) menunjukkan penurunan tingkat risiko stunting secara konsisten selama periode 5 tahun tersebut. Contohnya, Pacitan yang semula berisiko tinggi pada tahun 2017, berhasil menurunkan risikonya menjadi rendah pada tahun 2021. Hal ini mengindikasikan efektivitas program dan kebijakan intervensi yang telah dijalankan di daerah-daerah tersebut.
• Fluktuasi Risiko: Sebanyak 11 kabupaten/kota (28,95%) mengalami fluktuasi tingkat risiko stunting, yaitu naik dan turun antara tahun 2017-2021. Fluktuasi ini bisa disebabkan oleh berbagai faktor, seperti perubahan cakupan layanan kesehatan, dinamika sosial ekonomi, atau variasi dalam implementasi program pencegahan stunting.
• Risiko Tinggi yang Konsisten: Mirisnya, terdapat 2 kabupaten/kota (5,26%) yang tingkat risiko stuntingnya tetap tinggi selama periode tersebut. Ini menjadi alarm penting bagi pemerintah daerah dan pihak terkait untuk mengidentifikasi akar masalah yang lebih dalam dan merancang intervensi yang lebih terfokus dan intensif di wilayah tersebut.

Pentingnya peran variabel input terlihat jelas dalam penentuan hasil tingkat risiko. Sebagai contoh, jika dua atau lebih faktor berada pada himpunan fuzzy rendah, dan dua faktor lainnya berada pada himpunan rendah atau sedang, terutama jika kasus stunting berada pada himpunan tinggi, maka tingkat risiko yang dihasilkan akan tinggi. Sebaliknya, jika data masukan stunting berada pada himpunan rendah, maka secara otomatis akan menghasilkan tingkat risiko stunting yang rendah. Implikasi aturan yang tepat dan kurva keanggotaan yang akurat sangat menentukan akurasi hasil akhir.

Visualisasi Spasial Temporal: Memberi Warna pada Data untuk Pengambilan Keputusan

Salah satu kekuatan utama penelitian ini adalah visualisasi spasial temporal tingkat risiko stunting. Hasil perhitungan risiko pada setiap kabupaten/kota di Jawa Timur divisualisasikan menggunakan peta berbasis website, dengan pewarnaan yang intuitif: hijau untuk risiko rendah, kuning untuk sedang, dan merah untuk tinggi. Visualisasi ini memungkinkan pemantauan tren risiko stunting secara temporal dari tahun 2017 hingga 2021.

Analisis spasial, dalam konteks epidemiologi, sangat krusial untuk memahami pola geografis penyebaran penyakit. Dengan memvisualisasikan data pada peta, pembuat kebijakan dapat dengan cepat mengidentifikasi "zona merah" atau area prioritas yang memerlukan perhatian segera. Kemampuan untuk melihat perubahan tingkat risiko dari tahun ke tahun (analisis temporal) juga memberikan wawasan berharga tentang efektivitas program intervensi yang telah berjalan, serta membantu dalam perancangan strategi pencegahan di masa depan. Misalnya, penurunan risiko di Pacitan yang disebutkan sebelumnya akan terlihat jelas sebagai perubahan warna dari merah ke hijau pada peta, memberikan bukti visual keberhasilan program.

Nilai Tambah dan Kritik Konstruktif: Melangkah Lebih Jauh dari Sekadar Pemetaan

Penelitian ini memberikan nilai tambah yang signifikan dalam upaya penanggulangan stunting di Indonesia.

• Platform Pengambilan Keputusan Berbasis Data: Dengan menyajikan tingkat risiko stunting dalam format visual yang mudah dipahami dan diakses melalui website, penelitian ini menyediakan alat yang sangat berharga bagi pemerintah daerah, dinas kesehatan, dan pemangku kepentingan lainnya. Data yang divisualisasikan secara spasial temporal memungkinkan identifikasi area prioritas, alokasi sumber daya yang lebih efektif, dan evaluasi dampak program secara real-time atau hampir real-time. Ini selaras dengan tren pemerintahan berbasis data (data-driven governance) yang semakin krusial dalam era digital.
• Transparansi dan Akuntabilitas: Visualisasi data yang terbuka dapat meningkatkan transparansi dan akuntabilitas dalam program pencegahan stunting. Masyarakat juga dapat mengakses informasi ini untuk lebih memahami kondisi di wilayah mereka, mendorong partisipasi aktif dalam upaya pencegahan.
• Akurasi Berbasis Logika Fuzzy: Penggunaan metode Fuzzy Mamdani, seperti yang dijelaskan dalam penelitian ini, menjamin akurasi dalam penentuan tingkat risiko stunting, terutama dalam menghadapi data yang mungkin memiliki ambiguitas atau ketidakpastian. Studi perbandingan lain menunjukkan bahwa Fuzzy Mamdani lebih unggul dalam beberapa kasus pengambilan keputusan dibandingkan metode Fuzzy Sugeno, yang semakin menguatkan pilihan metode dalam penelitian ini.

Meskipun demikian, ada beberapa area yang dapat menjadi fokus pengembangan dan kritik konstruktif:

• Validasi Model Lebih Lanjut: Meskipun metode Fuzzy Mamdani terbukti efektif, validasi model dengan data lapangan yang lebih luas dan independen akan semakin memperkuat kredibilitas hasil. Bagaimana akurasi prediksi model jika dibandingkan dengan data aktual di lapangan? Studi longitudinal yang lebih panjang juga dapat memberikan gambaran yang lebih komprehensif tentang tren stunting.
• Integrasi Data Tambahan: Penelitian ini menggunakan lima variabel kunci. Namun, faktor-faktor lain seperti tingkat pendidikan orang tua, pendapatan keluarga, akses terhadap air bersih, dan ketersediaan pangan bergizi juga memiliki dampak signifikan terhadap stunting. Mengintegrasikan variabel-variabel ini ke dalam model dapat menghasilkan gambaran risiko yang lebih holistik dan akurat. Ini juga akan membuka peluang untuk analisis multivariat yang lebih kompleks.
• Aspek Intervensi Spesifik: Penelitian ini fokus pada visualisasi dan penentuan risiko. Namun, akan sangat bernilai jika website yang dikembangkan juga dapat menyertakan rekomendasi intervensi spesifik berdasarkan tingkat risiko yang teridentifikasi. Misalnya, untuk daerah dengan risiko tinggi, sistem dapat menyarankan program pemberian makanan tambahan, edukasi gizi, atau peningkatan akses sanitasi.
• Aspek Prediksi dan Simulasi: Dengan data spasial temporal yang terakumulasi, penelitian ini dapat diperluas untuk mengembangkan model prediksi risiko stunting di masa depan. Kemampuan untuk mensimulasikan dampak perubahan variabel input (misalnya, peningkatan cakupan ASI eksklusif sebesar 10%) terhadap tingkat risiko stunting akan sangat membantu dalam perumusan kebijakan preventif.
• Interoperabilitas Data: Bagaimana sistem ini dapat diintegrasikan dengan sistem informasi kesehatan lainnya yang sudah ada di tingkat provinsi atau nasional? Interoperabilitas data akan memastikan data yang lebih mutakhir dan terintegrasi, menghindari silo informasi, dan memfasilitasi pengambilan keputusan yang lebih terkoordinasi.

Relevansi dengan Tren Industri dan Tantangan di Lapangan

Penelitian ini sangat relevan dengan tren global dalam e-health dan smart city, di mana teknologi digunakan untuk meningkatkan kualitas hidup masyarakat. Visualisasi data kesehatan berbasis geografis adalah komponen kunci dari public health informatics, memungkinkan pemantauan penyakit, identifikasi hotspot, dan alokasi sumber daya yang efisien. Dalam konteks Indonesia, yang sedang gencar membangun infrastruktur digital dan mendorong pemanfaatan data untuk kebijakan publik, platform semacam ini memiliki potensi besar untuk direplikasi dan diadaptasi di berbagai provinsi lain.

Tantangan di lapangan terkait stunting sangat kompleks, mulai dari masalah gizi, sanitasi, akses layanan kesehatan, hingga faktor sosial budaya. Penelitian ini menyediakan sebuah alat diagnostik yang kuat untuk memahami dimensi spasial dan temporal dari masalah ini. Dengan mengetahui "di mana" dan "kapan" risiko stunting tinggi, pemerintah dapat menggeser fokus dari intervensi yang bersifat umum menjadi intervensi yang lebih bertarget dan presisi. Misalnya, di kabupaten/kota yang menunjukkan risiko tinggi secara konsisten, upaya dapat difokuskan pada peningkatan kualitas layanan puskesmas, program penyuluhan gizi intensif, atau pembangunan fasilitas sanitasi yang layak.

Kesimpulan: Masa Depan Pencegahan Stunting Berbasis Teknologi

Penelitian "Visualisasi Spasial Temporal Tingkat Risiko Stunting di Jawa Timur Menggunakan Metode Fuzzy" adalah langkah maju yang signifikan dalam upaya penanggulangan stunting. Dengan memadukan kekuatan Logika Fuzzy Mamdani dan Sistem Informasi Geografis (SIG), para peneliti telah berhasil menciptakan sebuah alat yang tidak hanya secara akurat mengidentifikasi tingkat risiko stunting, tetapi juga memvisualisasikannya secara intuitif dan temporal. Hasil penelitian ini, yang menunjukkan penurunan risiko di sebagian besar wilayah Jawa Timur namun juga menyoroti area dengan risiko yang tetap tinggi, memberikan peta jalan yang jelas bagi pembuat kebijakan.

Di masa depan, pengembangan lebih lanjut pada aspek validasi model, integrasi data yang lebih kaya, penambahan rekomendasi intervensi spesifik, serta kemampuan prediksi, akan semakin memperkuat peran teknologi dalam mengatasi masalah stunting. Pada akhirnya, penelitian ini bukan sekadar sebuah publikasi ilmiah, melainkan sebuah prototipe fungsional untuk masa depan pencegahan stunting yang lebih cerdas, lebih efisien, dan berbasis data. Dengan adopsi yang lebih luas dan pengembangan berkelanjutan, visi Indonesia bebas stunting dapat menjadi kenyataan yang semakin dekat.

Sumber Artikel:

Fariza, A., Asmara, R., & Istiqomah, G. N. (2023). Visualisasi Spasial Temporal Tingkat Risiko Stunting di Jawa Timur Menggunakan Metode Fuzzy. Jurnal Teknologi dan Informasi, 13(1), 83-91. DOI: 10.34010/jati.v13i1