Analisis Regresi Gizi TINJAUAN PUSTAKA

Universitas Sumatera Utara

BAB II TINJAUAN PUSTAKA

2.1 Analisis Regresi

Analisis regresi adalah analisis yang digunakan untuk mendapatkan hubungan matematis antara satu variabel dependen y dan satu atau lebih variabel independen x. Menurut Draper dan Smith 1992 dikatakan bahwa hubungan antara satu variabel dependen dengan satu atau lebih variabel independen dapat dinyatakan dalam model regresi linier. Secara umum hubungan tersebut dapat dinyatakan sebagai berikut : 2.1 dimana y = variabel dependen , , … = parameter yang tidak diketahui X = variabel independen = error regresi Jika dilakukan pengamatan sebanyak n, maka model pengamatan ke-i adalah: 2.2 i = 1,2,3,...,n Jika disederhanakan Ordinary Least Square OLS menjadi 2.3 dimana y = variabel dependen Universitas Sumatera Utara = vektor koefisien parameter regresi yang berukuran k+1x1 = error regresi

2.2 Regresi Spasial

Regresi spasial adalah suatu analisis yang digunakan untuk memodelkan suatu data yang memiliki informasi ruang atau spasial. Beberapa model yang telah berkembang adalah Geographically Weighted Regression GWR, Spatial Autoregressive Model SAR, Spatial Error Model SEM dan Spatial Autoregressive Moving Average SARMA. Model umum regresi spasial dinyatakan dalam persamaan Anselin 1988 : 2.4 2.5 ~ 0, 2.6 dimana y = matriks variabel dependen yang berukuran n x 1 X = matriks variabel independen berukuran n x k+1 = vektor koefisien parameter regresi yang berukuran k+1x1 = koefisien autoregresi lag spasial = koefisien autoregresi lag pada error yang bernilai | | 1 = vektor error yang diasumsikan ada autokorelasi berukuran n x 1 = vektor error yang berukuran n x 1, yang berdistribusi normal dengan =- mean nol dan varians W = matriks pembobot spasial yang berukuran n x n n = banyaknya amatan atau lokasi Universitas Sumatera Utara k = jumlah variabel independen k = 1, 2, ...dst I = matriks identitas dengan ukuran n x n Terdapat empat model yang dapat dibentuk dari model umum regresi yaitu: 1. Geographically Weighted Regression GWR 1 , , p i i i k i i ik i k y u v u v x β β ε = = + + ∑ 2. Spatial Lag Model SLM atau Spasial Autogressive Model SAR Jika 0, 0 maka persamaan 2.4 menjadi: 2.8 3. Spatial Error Model SEM Jika 0, 0 maka persamaan 2.4 menjadi: 2.9 4. General Spatial Model atau Spatial Autoregressive Moving Average SARMA Jika 0, 0 maka persamaan 2.4 menjadi: , 2.10

2.2.1 Model Geographically Weighted Regression GWR

Model Geographically Weighted Regression GWR adalah model regresi yang pertama kali diperkenalkan oleh Fotheringham pada tahun 1967 yang merupakan salah satu pengembangan model regresi OLS dengan mempertimbangkan spasial atau lokasi Maulani, 2013. Model ini merupakan model regresi linier yang menghasilkan dugaan parameter model regresi yang bersifat lokal untuk setiap lokasi atau titik dimana data tersebut diperoleh atau dikumpulkan. Model GWR dapat ditulis sebagai berikut : 2.7 Universitas Sumatera Utara 1 , , p i i i k i i ik i k y u v u v x β β ε = = + + ∑ dimana: i y : Nilai observasi variabel respon untuk lokasi ke-i i i v u , : Menyatakan titik koordinat longitude, latitude lokasi i , k i i u v β : Koefisien regresi variabel prediktor ke- k untuk lokasi ke-i Estimasi parameter di suatu titik ui ,vi akan lebih dipengaruhi oleh titik- titik yang dekat dengan lokasi ui ,vi daripada titik-titik yang lebih jauh. Pemilihan pembobot spasial digunakan untuk menentukan besarnya pembobot masing-masing lokasi yang berbeda. Salah satu cara yang digunakan untuk menentukan besarnya pembobot adalah dengan fungsi kernel. Pembobot yang terbentuk dengan menggunakan fungsi kernel ini adalah fungsi jarak Gaussian Gaussian Distance Function, fungsi Exponential, fungsi Bisquare, dan fungsi kernel Tricube. Fungsi pembobot yang digunakan pada penelitian ini adalah fungsi jarak Gaussian.     − = 2 2 1 exp , h d v u w ij i i j dengan 2 2 j i j i ij v v u u d − + − = adalah jarak euclidian antara lokasi i i v u , ke lokasi j j v u , dan h adalah parameter non negatif yang diketahui dan biasanya disebut parameter penghalus bandwidth. Bandwidth dapat dianggap sebagai radius dari suatu lingkaran, sehingga sebuah titik yang berada dalam radius lingkaran dianggap masih memiliki pengaruh. Di dalam pembentukan sebuah model GWR, bandwidth berperan sangat penting karena akan berpengaruh pada ketepatan model terhadap data, 2.11 2.12 Universitas Sumatera Utara yaitu mengatur varians dan bias dari model Lestari, 2011. Ada beberapa metode yang digunakan untuk memilih bandwidth optimum, salah satu diantaranya adalah metode Cross Validation CV sebagai berikut : 2 1 ˆ n i i i CV h y y h ≠ = = − ∑ Dengan h y i ≠ adalah nilai penaksir i y dimana pengamatan di lokasi i i v u , dihilangkan dari proses estimasi. Untuk mendapatkan nilai h yang optimal maka diperoleh dari h yang menghasilkan nilai Cross Validation CV minimum. Pengujian kesesuaian model goodness of fit dilakukan dengan menguji kesesuaian dari koefisien parameter secara serentak, yaitu dengan mengkombinasikan uji regresi linier dengan model untuk data spasial. Hipotesis yang digunakan sebagai berikut : H : , k i i k u v β β = untuk setiap 0,1, 2, , , dan 1, 2, , k p i n = = tidak ada perbedaan yang signifikan antara model regresi global dan GWR 1 H : Paling sedikit ada satu , , 0,1, 2, , k i i k u v k p β β ≠ = ada perbedaan yang signifikan antara model regresi global dan GWR. Statistik uji: 1 2 2 1 1 − −         = p n H SSE H SSE F hitung δ δ 2.14 Jika hipotesis null adalah benar berdasarkan data yang diberikan, maka nilai SSE akan sama dengan nilai SSE . Akibatnya ukuran 2.13 Universitas Sumatera Utara SSE SSE akan mendekati satu, sebaliknya jika tidak benar maka nilainya cenderung mengecil Leung et. al., 2000 dalam Lestari, 2011 menghasilkan nilai yang relatif kecil, maka dapat dikatakan bahwa hipotesis alternatif lebih cocok digunakan. Dengan kata lain model GWR mempunyai goodness of fit yang lebih baik dari pada model regresi global. Adapun pengujian signifikansi parameter model pada setiap lokasi dilakukan dengan menguji parameter secara parsial. Hipotesisnya adalah sebagai berikut : H : , k i i u v β = , : 1 ≠ i i k v u H β dengan 1, 2, , k p = Statistik uji yang digunakan : ˆ , ˆ k i i hit kk u v T c β σ = Tolak jika, | + , | - . ; 2 3 2

2.2.2 Model Spatial Lag Model SLM atau Spatial Autoregressive Model

SAR Spatial Autoregressive Model SAR disebut juga Spatial Lag Model SLM adalah salah satu model spasial dengan pendekatan area dengan memperhitungkan pengaruh spasial lag pada variabel dependen saja. Model ini dinamakan Mixed Regressive – Autoregressive karena mengkombinasikan regresi biasa dengan model regresi spasial lag pada variabel dependen Anselin, 1988. Model spasial autoregressive terbentuk apabila W= 0 dan λ= 0 , sehingga model ini 2.15 Universitas Sumatera Utara mengasumsikan bahwa proses autoregressive hanya pada variabel respon. Model umum SAR dapat dilihat pada Persamaan 2.8. Model ini adalah pengembangan dari model autoregressive order pertama, dimana variabel respon selain dipengaruhi oleh lag variabel respon itu sendiri juga dipengaruhi oleh variabel prediktor. Proses autoregressive juga memiliki kesamaan dengan analisis deret waktu seperti pada model spasial autoregressive order pertama. Perkembangan dari model SAR itu sendiri adalah model SAC dan SARMA Anselin, 1998. Menurut Anselin 1988, untuk mengetahui model SAR ini konsisten, maka dikembangkan model estimasi parameter dengan maximum likelihood.

2.2.3 Model Structural Equation Model SEM

Spatial Error Model SEM merupakan model spasial error dimana pada error terdapat korelasi spasial, model ini dikembangkan oleh Anselin 1988. Model spasial error terbentuk apabila W= 0 dan ρ= 0, sehingga model ini mengasumsikan bahwa proses autoregressive hanya pada error model. Model umum SEM dapat dilihat pada Persamaan 2.9. Structural Equation Model SEM merupakan salah satu analisis multivariat yang dapat menganalisis hubungan variabel secara kompleks. Analisis ini pada umumnya digunakan untuk penelitian-penelitian yang menggunakan banyak variabel Nawangsari, 2011. Menurut Ghozali 2008, SEM adalah sebuah evolusi dari model persamaan berganda yang dikembangkan dari prinsip ekonometri dan digabungkan dengan prinsip pengaturan dari psikologi dan Universitas Sumatera Utara sosiologi, SEM telah muncul sebagai bagian integral dari penelitian manajerial akademik. SEM terdiri dari 2 bagian yaitu model variabel laten dan model pengukuran Ghozali, 2008. Bagian pertama yaitu model variabel laten latent variable model mengadaptasi model persamaan simultan pada ekonometri. Jika pada ekonometri semua variabelnya merupakan beberapa variabel terukurteramati measured observed variables, maka pada model ini beberapa variabel merupakan variabel laten latent variables yang tidak terukur secara langsung. Sedangkan bagian kedua yang dikenal dengan model pengukuran measurement model, menggambarkan beberapa indikator atau beberapa variabel terukur sebagai efek atau refleksi dari variabel latennya. Kedua bagian model ini merupakan jawaban terhadap 2 permasalahan dasar pembuatan kesimpulan ilmiah dalam ilmu sosial dan perilaku. Untuk permasalahan pertama yang berkaitan dengan masalah pengukuran dapat dijawab dengan model pengukuran, sedangkan permasalahan kedua yang berkaitan dengan hubungan kausal dapat dijawab menggunakan model variabel laten. Dalam praktiknya, SEM merupakan gabungan dari dua metode statistika yang terpisah yang melibatkan analisis faktor factor analysis yang dikembangkan dipsikologi dan psikometri dan model persamaan simultan simultaneous equation modelling yang dikembangkan di ekonometrika. Hair, Babin, Anderson, dan Tatham cit Ghozali 2008 menunjukkan perbedaan antara teknik SEM dengan teknik regresi dan multivariate lainnya, melalui 2 karakteristik SEM seperti di bawah ini: Universitas Sumatera Utara 1. Estimasi terhadap multiple interrelated dependence relationships yang istilah sederhananya adalah susunan beberapa persamaan regresi berganda yang terpisahkan tetapi saling berkaitan. Susunan persamaan ini dispesifikasikan dalam bentuk model structural dan diestimasi oleh SEM secara simultan. 2. Kemampuan untuk menunjukkan beberapa konsep tidak teramati unobserved concepts serta beberapa hubungan yang ada di dalamnya, dan perhitungan terhadap beberapa kesalahan pengukuran dalam proses estimasi. SEM menyajikan konsep tidak teramati melalui penggunaan beberapa variabel laten. Pendekatan beberapa variabel teramati terhadap suatu konsep jarang dapat dilakukan dengan sempurna dan hampir selalu ada kesalahannya. Beberapa kesalahan pendekatan ini sering dikenal sebagai kesalahan pengukuran measurement errors dan dapat diestimasi menggunakan beberapa fasilitas yang ada pada SEM.

2.2.4 Model General Spatial Model atau Spatial Autoregressive Moving

Average SARMA Spatial Autoregressive Moving Average SARMA merupakan salah satu model spasial dengan pendekatan area dengan memperhitungkan pengaruh spasial lag pada variabel dependen dan independen Anselin 1988. Model terbentuk apabila 0, 0. Model umum SARMA dapat dilihat pada Persamaan 2.10. Model Spatial Autoregressive Moving Average SARMA analog dengan analisis spasial yang dikenal dengan ARMA Autoregressive Moving Average yang dikembangkan untuk model time-series. Sedangkan ARMA berhubungan dengan pengamatan terhadap waktu dengan menggunakan matriks tautan waktu. Universitas Sumatera Utara Keuntungan dari SARMA adalah bahwa skala spasial dapat dimodelkan secara jelas.

2.2.5 Pemilihan Model

Anselin 1998 membedakan efek spasial menjadi dua bagian yaitu dependensi spasial dan heterogenitas spasial. Dependensi spasial ditunjukkan dengan kemiripan sifat untuk lokasi yang saling berdekatan, sedangkan heterogenitas spasial ditunjukkan oleh perbedaan sifat antara satu lokasi dengan lokasi lainnya. Dependensi spasial terjadi pada daerah yang memiliki kedekatan lokasi sehingga terjadi interaksi spasial pada daerah tersebut. Sedangkan heterogenitas spasial terjadi pada lokasi-lokasi yang berbeda-beda. Salah satu dampak yang ditimbulkan karena munculnya heterogenitas spasial adalah parameter regresi bervariasi secara spasial. Pada regresi global diasumsikan bahwa nilai duga parameter regresi akan konstan, artinya parameter regresi sama untuk setiap titik di dalam wilayah penelitian. Bila terjadi heterogenitas spasial pada parameter regresi, maka regresi global menjadi kurang mampu dalam menjelaskan fenomena data yang sebenarnya Anselin, 1988. Brundson, Fotheringham dan Charlton 1998 mengembangkan sebuah metode untuk menganalisis data apabila terjadi heterogenitas spasial yang kemudian diberi nama Geographically Weighted Regression GWR. Pada GWR, parameter regresi diasumsikan bervariasi secara spasial. Melalui GWR akan dapat diketahui variasi spasial dalam nilai duga parameter, sehingga akan dihasilkan nilai parameter untuk setiap titik atau lokasi dimana data tersebut diamati. Universitas Sumatera Utara Dalam penelitian kasus gizi buruk ini, kondisi lokasi yang satu tidak selalu sama dengan kondisi yang lain, mungkin karena faktor geografis spatial variation, keadaan sosial budaya maupun hal-hal lain yang melatarbelakangi kondisi lokasi yang diamati, sehingga model penentuan kasus gizi buruk yang bersifat global tidaklah cocok digunakan karena munculnya heterogenitas spasial. Karena adanya perbedaan sifat antara satu lokasi dengan lokasi yang lain maka model yang digunakan adalah Geographically Weighted Regression GWR yang akan menghasilkan dugaan parameter model regresi yang berbeda di tiap lokasi per kecamatan.

2.3 Program R

Secara umum ada dua macam kelompok paket software statistik untuk keperluan analisis data, yaitu kelompok software komersil dan kelompok software statistik open source. Beberapa contoh sofware statistik komersil yang popular di Indonesia adalah SPSS, MINITAB, Eviews, SAS, dan S-plus. Sedangkan contoh dari freeware statistik antara lain adalah R, Open Stats, SalStat, Vista, Supermix, dan lain-lain Suhartono, 2008. Software statistik yang komersil mensyaratkan lisensi dengan harga yang cukup mahal untuk ukuran sebagian besar pengguna di Indonesia. Dengan demikian, salah satu alternatif penyelesaian dari mahalnya lisensi tersebut adalah melalui penggunaan freeware statistik, khususnya R.

2.3.1 Sejarah

R dalam versi terakhirnya yaitu R 3.1.2 for Windows 52 megabytes, 3264 bit per 31 Oktober 2014 oleh Duncan Murdoch, merupakan suatu sistem analisis Universitas Sumatera Utara data statistik yang komplet sebagai hasil dari kolaborasi penelitian berbagai ahli statistik di seluruh dunia. Versi awal dari R dibuat pada tahun 1992 di Universitas Auckland, New Zealand oleh Ross Ihaka dan Robert Gentleman. Paket statistik R bersifat multiplatforms, dengan file instalasi binaryfile tar tersedia untuk sistem operasi Windows, Mac OS, Mac OS X, Linux, Free BSD, NetBSD, irix, Solaris, AIX, dan HPUX.

2.3.2 Kelebihan dan Kekurangan Program R

2.3.2.1 Kelebihan Program R

Beberapa kelebihan Program R Didi, 2012 adalah sebagai berikut: 1. Free, user dapat meng-copy dan meng-install program ini secara bebas tanpa perlu membayar lisensinya. 2. Multiplatform, yaitu dapat di-install dan digunakan baik pada sistem operasi Windows, UNIXLINUX maupun Macintosh. Untuk sistem operasi UNIXLINUX dan Macintosh diperlukan sedikit penyesuaian. 3. Programmable, user dapat memprogramkan metode baru atau mengembangkan modifikasi dari fungsi-fungsi analisa statistika yang sudah ada dalam R. Dan juga dikarenakan berbasis analisa statistika pemrograman dalam membuat paket ini jauh lebih mudah karena sudah ditunjang beberapa program dasar statistik yang telah ada. 4. Lengkap dan terdiri dari koleksi tools statistik yang terintegrasi untuk analisis data, diantaranya mulai statistik deskriptif, fungsi probabilitas, berbagai macam uji statistik hingga time series. Universitas Sumatera Utara 5. Mempunyai kemampuan menampilkan grafis yang sangat baik dan lengkap sehingga sangat memudahkan bagi kita untuk menampilkan bentuk-bentuk grafiks sesuai yang diinginkan dan mudah dibaca.

2.3.2.2 Kekurangan Program R

Selain memiliki kelebihan, Program R juga memiliki beberapa kekurangan Didi, 2012 yaitu: 1. R dibangun dalam versi CLI Command Line Interface yang banyak menggunakan syntax-syntax dalam pemrograman sehingga user tidak begitu akrab bagi user yang biasa menggunakan software dengan Point Click GUI. Namun saat ini hal tersebut sudah mulai dapat teratasi dengan versi R-GUI yakni R-Commander walaupun masih belum memiliki tools yang lengkap namun sudah cukup powerfull untuk pengguna pemula. 2. Missing Statistical Function, walaupun analisa statistik dalam R sudah cukup lengkap, belum semua metode statistika telah diimplementasikan di dalam R. 3. Bahasa berbasis analisa matriks. Bahasa R sangat baik untuk melakukan programming berbasis matriks. Sehingga sangat cocok dan powerfull untuk pemrograman dibidang multivariat namun cukup rumit digunakan bagi pemula.

2.3.3 Cara Memperoleh Program R

R dapat diperoleh di situs http:www.r-project.org atau http:cran.r- project. org. Pada server CRAN ini dapat didownload file instalasi binary dan source code dari R-base system dalam sistem operasi Windows semua versi, beberapa jenis distro linux dan Macintosh. R versi terakhir adalah R 3.1.2 for Windows 52 megabytes, 3264 bit per 31 Oktober 2014. Setelah program Universitas Sumatera Utara didownload, lakukan peng-install-an. Langkah-langkah instalasi dapat dilakukan sebagai berikut : • Double click file R-3.1.2-win yang telah didownload, maka akan muncul jendela dialog seperti pada Gambar 2.1 Gambar 2.1 Jendela dialog awal instalasi R dalam sistem operasi Windows Setelah itu lanjutkan instalasi dengan mengikuti wizard dan menggunakan pilihan default instalasi. • Klik finish jika instalasi telah selesai. Jika proses instalasi berjalan dengan sukses, maka akan muncul icon R pada desktop dan start menu seperti pada Gambar 2.2 Universitas Sumatera Utara Gambar 2.2 Icon R pada desktop • Setelah instalasi berhasil, lakukan pengecekan apakah program R dapat berjalan dengan baik. Double click pada icon R, maka tampilan R yang muncul adalah : Gambar 2.3 Tampilan awal Program R

2.3.4 Analisis Regresi Spasial dalam Program R

Selain membutuhkan R, paket yang dibutuhkan untuk pelaksanaan analisis regresi spasial adalah spdep package. Spdep dikembangkan oleh Roger Bivand dan teman-temannya Anselin, 2003. Versi terakhir dari spdep adalah spdep 0.3- 7.zip for Windows yang dapat didownload di situs http:spatial.nhh.noRspdep. Universitas Sumatera Utara Untuk instalasi paket spdep, dapat dilakukan manual dari spdep.zip file yang telah didownload, atau dapat juga meng-install paket spdep langsung dari program R Anselin, 2003 yaitu dengan cara sebagai berikut: 1. Buka program R yang telah di-install 2. Pada menu Package, pilih Install package Jika spdep.zip file telah didownload sebelumnya, maka lebih mudah meng- install dengan cara : Pilih menu Package, kemudian pilih Install Package from local zip file. Untuk memastikan bahwa paket spdep telah berhasil di-install dan telah dapat digunakan, pada menu Package pilih Load Package, maka akan muncul : Gambar 2.4 Tampilan dari Load Package-spdep package Setelah memilih spdep, klik OK. Maka tampilan yang akan muncul dapat dilihat pada Gambar 2.5 sebagai berikut: Universitas Sumatera Utara Gambar 2.5 Tampilan dari R-Console untuk spdep package Dalam menjalankan beberapa fungsi dalam analisis ini dibantu dengan Rcmdr package. Rcmdr memiliki sistem Grapical User Interface GUI seperti dalam SPSS. Namun perintah dalam Rcmdr sangat terbatas, Rcmdr belum memiliki tools yang lengkap untuk melakukan analisis. Rcmdr package versi terakhir adalah versi 2.1-1 yang dirilis pada 4 September 2014. Rcmdr package dapat didownload di http:cran.r- project.orgwebpackages Rcmdrindex.html. Setelah selesai men-download Rcmdr package, download juga package suggest yang tersedia agar function yang diperlukan dapat berjalan dengan baik dan tidak terjadi error. Kemudian lakukan instalasi Rcmdr package dengan cara yang sama saat melakukan instalasi spdep package. Untuk memastikan bahwa paket Rcmdr telah berhasil di-install dan telah dapat digunakan, pada menu Package klik Load Package maka akan muncul: Universitas Sumatera Utara Gambar 2.6 Tampilan dari Load Package-Rcmdr package Setelah memilih Rcmdr, klik OK. Maka tampilan yang akan muncul dapat dilihat pada Gambar 2.7 sebagai berikut: Gambar 2.7 Tampilan Rcmdr untuk Rcmdr package Universitas Sumatera Utara

2.3.5 Geographically Weighted Regression GWR dalam Program R

Fungsi untuk menjalankan GWR dalam R didasarkan atas ketentuan oleh Chris Brunsdon, Martin Charlton dan Stewart Fortheringham http:gwr.nuim.ie. Paket untuk GWR berbeda dengan paket untuk analisis spasial pada umumnya. Untuk menjalankan GWR dalam R, perlu melakukan peng-install-an pada Package spgwr. Versi terbaru Package spgwr adalah versi 0.6-24 per 16 September 2013. Langkah-langkah untuk men-download paket adalah sebagai berikut : 1. Buka link berikut untuk men-download Package spgwr, http:cran.r- project.orgwebpackagesspgwrindex.html. Download paket sesuai Operating System laptop atau komputer yang digunakan Windows, OS 2. Dalam link tersebut terdapat Package Suggests yang harus didownload untuk melengkapi perintah syntax yang akan digunakan dalam proses analisis. Package Suggests yang tertera adalah spdep, parallel, snow dan maptools. Download seluruh paket, lakukan seperti langkah 1. Dalam masing-masing paket, terdapat Package Suggests. Download seluruhnya seperti langkah 1. 3. Apabila seluruh paket sudah didownload, lakukan peng-install-an dengan cara pilih menu Package, kemudian pilih Install Package from local zip file. Install seluruh paket yang sudah didonwload. Untuk memastikan bahwa paket spgwr telah berhasil di-install dan telah dapat digunakan, pada menu Package pilih Load Package, maka akan muncul : Universitas Sumatera Utara Gambar 2.8 Tampilan dari Load Package Setelah memilih spgwr, klik OK. Maka tampilan yang akan muncul dapat dilihat pada Gambar 2.9 sebagai berikut: Gambar 2.9 Tampilan dari Load Package pada spgwr package Universitas Sumatera Utara

2.4 Gizi

Gizi berasal dari bahasa Arab Al Gizzai yang artinya makanan dan manfaatnya untuk kesehatan, sari makanan yang bermanfaat untuk kesehatan. Kata ‘Gizi’ dikenal di Indonesia sejak tahun 1950-an sebagai terjemahan dari kata Nutrition, suatu istilah bahasa Inggris yang berarti hubungan antara makanan dan kesehatan. Oleh Lembaga Bahasa Indonesia Fakultas Sastra Universitas Indonesia, pada tahun 1950-an ditawarkan terjemahan nutrition dengan menggunakan akar bahasa Arab Al Gizzai. Gizi adalah suatu proses organisme menggunakan makanan yang dikonsumsi secara normal melalui pencernaan, absorbsi, transportasi, penyimpanan, metabolisme dan pengeluaran zat-zat yang tidak digunakan untuk mempertahankan kehidupan, pertumbuhan dan fungsi normal dari organ-organ serta menghasilkan energi Supariasa, dkk. 2002. Gizi menurut Harry Oxorn dan William R.Forte adalah memiliki pemahaman yang luas. Gizi bukan hanya sekedar membahas mengenai jenis makanan serta manfaat yang bisa diakibatkan pada tubuh manusia. Namun, gizi juga membahas tentang proses mendapatkan dan pengolahan serta pertimbangan yang perlu dilakukan dalam upaya menciptakan kestabilan kesehatan. Status gizi adalah ekspresi dari keadaan keseimbangan dalam bentuk variabel tertentu atau perwujudan dari nutriture dalam bentuk variabel tertentu. Almatsier 2004 menyatakan bahwa status gizi merupakan keadaan tubuh sebagai akibat konsumsi makanan dan penggunaan zat-zat gizi. Universitas Sumatera Utara Gizi baik adalah keadaan gizi seseorang terjadi karena seimbangnya jumlah asupan intake zat gizi dan jumlah yang dibutuhkan required oleh tubuh yang ditandai dengan berat badan menurut umur BBU yang berada pada ≥ -2 SD sampai 2 SD tabel baku WHO-NCHS Depkes RI, 2006. Apabila asupan gizi berlebih dari jumlah yang dibutuhkan maka akan menyebabkan gizi lebih over nutrition. Apabila asupan gizi kurang dari jumlah yang dibutuhkan maka akan menyebabkan gizi kurang under nutrition. Indonesia kini sedang dihadapi kedua masalah yang disebut dengan masalah gizi ganda, yaitu gizi lebih dan gizi kurang.

2.5 Gizi Buruk