Inovasi Kebijakan Gizi Indonesia 2026
Anggaran Besar,
Sasaran yang Tepat.
Indonesia mengalokasikan Rp335 triliun untuk Program Makan Bergizi Gratis (MBG). Namun data membuktikan bahwa daerah paling membutuhkan hanya menerima 3% dari total anggaran. GeoStunting hadir untuk mengoreksi ketimpangan ini secara terukur, tanpa tambahan anggaran sepeser pun.
19,8%
Prevalensi Stunting
Nasional (SSGI 2024)
Nasional (SSGI 2024)
Rp335T
Anggaran MBG 2026
Pos APBN terbesar
Pos APBN terbesar
514
Kab/Kota dianalisis
38 Provinsi
38 Provinsi
Target 2029: 14,2%
5,6 poin lagi
5,6 poin lagi
Masalah: Paradoks Distribusi SPPG
Distribusi fasilitas gizi (SPPG) bersifat supply-driven sehingga lebih mengikuti ketersediaan infrastruktur daripada peta kebutuhan aktual. Kondisi ini menghasilkan korelasi negatif yang signifikan antara jumlah SPPG dan tingkat risiko stunting (Spearman ρ = −0,519, p < 0,001).
Zona Merah (68 Kab)
Rp 9,73T
Hanya 2,9% distribusi aktual
padahal stunting rata-rata 34,5%
Rata-rata 10,5 unit SPPG per kab
padahal stunting rata-rata 34,5%
Rata-rata 10,5 unit SPPG per kab
Zona Hijau (263 Kab)
Rp 243,2T
Menguasai 72,6% distribusi aktual
padahal stunting rata-rata hanya 17,4%
Rata-rata 66,8 unit SPPG per kab
padahal stunting rata-rata hanya 17,4%
Rata-rata 66,8 unit SPPG per kab
16 kabupaten di Indonesia timur dengan prevalensi stunting tertinggi sama sekali tidak memiliki unit SPPG.
Sementara Jawa Barat, Jawa Tengah, dan Jawa Timur yang masuk sepuluh besar stunting terendah mendominasi jumlah SPPG nasional.
Solusi: Bagaimana GeoStunting Bekerja?
GeoStunting mengintegrasikan 6 sumber data resmi pemerintah ke dalam model kecerdasan buatan berbasis lokasi (Hybrid GWR-RF) untuk menghasilkan Composite Risk Score (CRS) bagi setiap kabupaten/kota di Indonesia.
01
Kumpulkan Data
6 sumber data resmi: SSGI 2024, BPS, Kemenkes, Kemendikdasmen, BIG, dan BGN mencakup 514 kab/kota.
02
Proses & Rekayasa
Harmonisasi data, imputasi nilai hilang, dan rekayasa 8 fitur turunan yang merepresentasikan risiko multidimensi.
03
Model Spasial
Hybrid GWR-RF menghasilkan R²=0,628, hampir 2× lebih akurat dari OLS konvensional (R²=0,36).
04
Skor & Zonasi
Setiap kabupaten mendapat CRS 0-100. K-Means clustering menghasilkan 3 zona prioritas MBG yang terverifikasi.
3 Zona Prioritas MBG
Berdasarkan Composite Risk Score, seluruh 514 kabupaten/kota diklasifikasikan ke dalam 3 zona. Zona ini menentukan berapa besar anggaran MBG yang seharusnya dialokasikan ke setiap daerah.
68
Zona Merah
Kabupaten dengan kebutuhan gizi paling mendesak. Terkonsentrasi di Papua, Papua Pegunungan, Papua Tengah, dan NTT.
Skor CRS43,5 – 82,5
Stunting rata-rata34,5%
Alokasi ideal26,79%
Alokasi aktual2,9%
183
Zona Kuning
Kabupaten dengan risiko sedang. Mendominasi Kalimantan, Sulawesi, sebagian Sumatera, NTB dan NTT sebagai wilayah transisi.
Skor CRS24,5 – 43,1
Stunting rata-rata26,6%
Alokasi ideal39,3%
Alokasi aktual24,5%
263
Zona Hijau
Kabupaten dengan risiko relatif rendah. Mendominasi Jawa, Bali, dan sebagian Sumatera Barat — infrastruktur sudah memadai.
Skor CRS5,9 – 24,4
Stunting rata-rata17,4%
Alokasi ideal33,91%
Alokasi aktual72,6%
Dana yang tidak tepat sasaran setiap harinya
Rp 219,2 M
Selisih Rp80,02T/tahun ÷ 365 hari — dana yang seharusnya mengalir ke 68 kabupaten Zona Merah
16
Kab tanpa SPPG
23,9%
Gap distribusi Zona Merah
9×
Potensi kenaikan alokasi
Temuan Kunci GeoStunting
Selisih Rp80 Triliun/tahun dari Zona Merah.
Semua bisa dikoreksi tanpa tambah anggaran.
Semua bisa dikoreksi tanpa tambah anggaran.
Simulasi realokasi berdasarkan CRS menghasilkan total distribusi yang identik dengan target MBG bulanan Rp27,917T, namun dengan proporsi yang jauh lebih adil dan berdampak nyata bagi anak-anak di Zona Merah.
Prevalensi Stunting Nasional
19,8%
SSGI 2024 · Ambang darurat WHO: 20%
Hanya 0,3 poin dari zona krisis
Anggaran MBG 2026
Rp335T
Pos APBN terbesar · Rp27,92T/bulan
Laju penurunan stunting: 1,58%/tahun
Total SPPG Aktif Nasional
24.204
514 Kab/Kota · 38 Provinsi
16 kabupaten tanpa SPPG — semua Zona Merah
Spearman ρ (SPPG vs CRS)
−0,519
p = 0,000 · Korelasi negatif signifikan
Risiko naik SPPG turun (paradoks sistemik)
Distribusi 3 Zona Prioritas MBG
Berdasarkan Composite Risk Score (CRS) · K-Means k=3
Peta Interaktif Zona Prioritas MBG
Klik wilayah untuk melihat detail · Warna = tingkat risiko stunting
Perbandingan Distribusi Anggaran
Aktual vs Ideal berdasarkan CRS (% dari total)
Stunting Rata-rata per Zona
Semakin merah semakin tinggi beban stunting
Top 10 Kabupaten — CRS Tertinggi (Prioritas Utama MBG)
Kabupaten Zona Merah — Penerima Prioritas Intervensi
Diurutkan berdasarkan Composite Risk Score tertinggi
| Rank | Kabupaten/Kota | Provinsi | Zona | CRS | Stunting | Kemiskinan | SPPG | Alokasi Ideal/Bln |
|---|
Data Analitik 514 Kabupaten/Kota Indonesia
Memuat data...
| Rank | Kabupaten/Kota | Provinsi | Zona | CRS (0–100) | Stunting % | Kemiskinan % | IPM | SPPG | Puskesmas | Rasio PIP % | Sanitasi % | Air Minum % | LISA | Alokasi/Bulan |
|---|
Distribusi Aktual vs Alokasi Ideal GeoStunting
Gap antara "apa yang terjadi" dan "apa yang seharusnya terjadi"
Distribusi SPPG Aktual
Dampak
Daerah paling membutuhkan hanya mendapat Rp9,73T/tahun dari total anggaran Rp335T.
CRS-Based
Alokasi Ideal GeoStunting
Dampak Ideal
Zona Merah menerima Rp89,75T/tahun — 9× lebih besar dari saat ini.
Mekanisme 2-Step Burden Weight — Rumus Aktual GeoStunting
Step 1 — Alokasi Per Zona (Proporsional terhadap Beban Risiko)
Anggaran_Bulanan = Rp335T ÷ 12 = Rp27,917T/bulan
Raw_z = N_kab_z × CRS_mean_z mengukur total beban risiko per zona
DIST_IDEAL_z = Raw_z / Σ Raw_z × 100%
Step 2 — Alokasi Per Kabupaten (Proporsional terhadap CRS individual)
Bobot_i = CRS_i / Σ CRS_j (j ∈ zona_z) kabupaten risiko tertinggi dapat lebih banyak
Alokasi_Bulanan_i = Bobot_i × Pot_Zona_z
Validasi: Σ Alokasi_Bulanan (514 kab) = Rp27,917T ≡ Budget MBG Bulanan Pemerintah
Gap Distribusi Aktual vs Alokasi Ideal per Zona
Spearman ρ = 1,000 · p = 0,000 · Distribusi deterministik berbasis CRS
| Zona | N Kab | Mean CRS | Distribusi Aktual (SPPG) | Alokasi Ideal GeoStunting | Gap | Status | Selisih/Tahun |
|---|---|---|---|---|---|---|---|
| MERAH | 68 | 56,17 | 2,9% ≈ Rp9,73T/thn | 26,79% ≈ Rp89,75T/thn | +23,9% | Defisit Ekstrim | −Rp80,0T |
| KUNING | 183 | 30,62 | 24,5% ≈ Rp82,1T/thn | 39,3% ≈ Rp131,65T/thn | +14,8% | Defisit Sedang | −Rp49,6T |
| HIJAU | 263 | 18,38 | 72,6% ≈ Rp243,2T/thn | 33,91% ≈ Rp113,6T/thn | −38,7% | Surplus Signifikan | +Rp129,6T |
Gap Alokasi Ideal vs Aktual (Rp Triliun/Tahun)
Positif = kurang didanai · Negatif = kelebihan dana
Alokasi Ideal Bulanan per Zona (Budget-Neutral )
Total Rp27,917T/bulan ≡ target MBG bulanan pemerintah
Top 20 Kabupaten — Alokasi Ideal Tertinggi per Bulan
Penerima Prioritas Utama Redistribusi MBG
Diurutkan berdasarkan Composite Risk Score tertinggi
| # | Kabupaten | Provinsi | Zona | CRS | Stunting % | Kemiskinan % | Alokasi/Bulan | Alokasi/Tahun |
|---|
GeoStunting — Metodologi & Validasi
Sistem precision targeting MBG berbasis Hybrid GWR-RF yang mengintegrasikan 6 sumber data resmi pemerintah untuk menghasilkan Composite Risk Score (CRS) seluruh 514 kabupaten/kota Indonesia secara demand-driven dan budget-neutral.
Performa Model
0,628
R² Hybrid GWR-RF
Hampir 2× lipat OLS
Hampir 2× lipat OLS
0,360
R² OLS Konvensional
Tidak memadai
Tidak memadai
0,503
Global Moran's I
p = 0,001 (Klaster nyata)
p = 0,001 (Klaster nyata)
87%
Reduksi Autokorelasi
Residual (Moran's I)
Residual (Moran's I)
Pipeline 4 Layer Sistem GeoStunting
LAYER 1
Data Input
SSGI 2024 (PDF 352 hal.)
BPS: Kemiskinan & IPM
BPS: Sanitasi & Air Minum
Kemenkes: Faskes Nasional
Kemendikdasmen: PIP
BGN: Persebaran SPPG
BPS: Kemiskinan & IPM
BPS: Sanitasi & Air Minum
Kemenkes: Faskes Nasional
Kemendikdasmen: PIP
BGN: Persebaran SPPG
LAYER 2
Preprocessing
pdfplumber + Regex Parser
rapidFuzz Fuzzy Matching
MICE BayesianRidge
Feature Engineering
8 Fitur Turunan
Spatial Lag (Queen+KNN)
rapidFuzz Fuzzy Matching
MICE BayesianRidge
Feature Engineering
8 Fitur Turunan
Spatial Lag (Queen+KNN)
LAYER 3
Pemodelan Spasial
GWR Bisquare Adaptif (AICc)
Bandwidth: 125 Kab/Kota
Random Forest 300 Trees OOF
Hybrid GWR-RF
Moran's I + LISA (999 perm.)
K-Means k=3 Zonasi
Bandwidth: 125 Kab/Kota
Random Forest 300 Trees OOF
Hybrid GWR-RF
Moran's I + LISA (999 perm.)
K-Means k=3 Zonasi
LAYER 4
Output Sistem
Peta Interaktif Folium HTML
Laporan Excel 5-Sheet
GeoPackage + Pickle Model
CRS 0–100 (514 Kab)
Simulasi Anggaran Rp335T
Web App Intelligence
Laporan Excel 5-Sheet
GeoPackage + Pickle Model
CRS 0–100 (514 Kab)
Simulasi Anggaran Rp335T
Web App Intelligence
Perbandingan Akurasi Model
Hybrid GWR-RF vs OLS Konvensional — hampir 2× lebih akurat, reduksi autokorelasi 87%
Feature Importance — Random Forest
Spatial Lag Kemiskinan adalah prediktor terkuat (34,17%)
Composite Risk Score — 7 Komponen Berbobot
Bobot mencerminkan kontribusi aktual setiap dimensi berdasarkan hasil pemodelan
Distribusi LISA — Autokorelasi Spasial Stunting Nasional
Global Moran's I = 0,503 (p=0,001) · Stunting berpola klaster geografis, bukan acak
High-High (Hotspot)
56
Stunting tinggi, dikelilingi daerah stunting tinggi. Klaster paling kritis.
Low-Low (Coldspot)
10
Stunting rendah, dikelilingi daerah stunting rendah. Area aman.
Low-High (Outlier)
62
Stunting rendah di tengah wilayah berisiko tinggi. Perlu perhatian khusus.
Not Significant
386
Tidak membentuk klaster spasial yang signifikan. Analisis individual diperlukan.
Sumber Data & Dataset yang Digunakan
6 Sumber Data Resmi Pemerintah Indonesia
| Dataset | Sumber | Format | Variabel Utama |
|---|---|---|---|
| Prevalensi Stunting per Kab/Kota | SSGI 2024, Kemenkes RI | Stunting (%) | |
| Sosial-Ekonomi Kab/Kota | BPS | XLSX/CSV | Tingkat kemiskinan, IPM |
| Infrastruktur Sanitasi & Air | BPS | XLSX/CSV | Akses sanitasi layak, akses air minum layak (%) |
| Batas Administrasi Spasial | BIG (Shapefile) | SHP/GeoJSON | Geometri polygon 514 kab/kota |
| Data PIP/KIP | Kemendikdasmen | XLSX/CSV | Jumlah penerima PIP per kab/kota |
| Fasilitas Kesehatan & SPPG | Kemenkes RI + BGN | XLSX/CSV | Puskesmas, posyandu, unit SPPG aktif |