×

eBook Eksklusif: Mengungkap Rahasia Web Scraping di Tokopedia – Panduan Lengkap untuk Pemula dengan Python

Rp 25.000

Informasi Lengkap

MBG Sudah Jalan, Tapi Kenapa Mismatch Masih Besar? Membaca Data Food Waste dan Kesiapan Sistem Pangan di 514 Kabupaten

Kalau sobat stata melihat program Makan Bergizi Gratis (MBG) dari luar, kesannya memang kuat: program besar, niatnya mulia, dan jangkauannya terus diperluas. Tapi ketika data dari 514 kabupaten dibuka lebih telanjang, ada satu pertanyaan yang sulit diabaikan: apakah program ini sudah benar-benar masuk ke wilayah yang paling membutuhkan, atau justru lebih nyaman singgah di wilayah yang sudah relatif siap?

Carousel riset ini memberi kita jawaban yang tidak sesederhana slogan. Dengan menggabungkan PODES 2024, data SPPG dari BGN, dan beberapa indeks turunan yang dibangun di Stata 18, terlihat adanya mismatch antara kebutuhan gizi, kesiapan sistem pangan, dan sebaran program. Bahasa gampangnya: sobat stata, masalahnya bukan cuma soal ada atau tidaknya program. Yang lebih penting adalah apakah ekosistem di tingkat wilayah siap menampungnya.

Lihat sumber carousel aslinya di Instagram →

Apa yang Sebenarnya Ditunjukkan Carousel Ini?

Inti dari carousel ini sederhana, tapi dampaknya besar. Dari 84.276 desa di 514 kabupaten, analisis menunjukkan bahwa MBG tidak bergerak secara acak. Program cenderung hadir di tempat yang sudah punya infrastruktur dan sistem pangan yang lebih baik. Sementara itu, wilayah dengan kebutuhan gizi yang lebih tinggi belum tentu mendapatkan porsi yang sepadan.

Di sinilah sobat stata mulai melihat paradoksnya. Program publik biasanya diasumsikan bergerak ke titik paling membutuhkan. Tapi data justru menunjukkan pola lain: wilayah yang paling siap sering kali lebih cepat menerima program, sedangkan wilayah yang paling rentan justru tertinggal. Ini bukan sekadar isu teknis. Ini isu targeting, keadilan kebijakan, dan efisiensi implementasi.

Bagaimana Data Dibangun?

Supaya tidak sekadar jadi opini, carousel ini membangun beberapa indeks dari data lapangan. Pendekatan seperti ini penting karena membuat pembahasan lebih terukur. Sobat stata tidak sedang melihat narasi kosong, melainkan ringkasan dari olahan variabel yang jelas sumber dan logikanya.

1. Indeks Hunger

Indeks kebutuhan gizi disusun dari variabel terkait kasus gizi buruk dan penerima SKTM di posyandu. Dua indikator ini kemudian dirata-ratakan dan diskalakan ke rentang 0–100. Hasilnya adalah gambaran sederhana tentang seberapa besar kebutuhan gizi yang harus dijawab oleh program.

2. Indeks Food Waste

Istilah food waste di sini bukan cuma soal makanan terbuang, sobat stata. Ini dipakai sebagai proksi kesiapan sistem pangan dan pengelolaan lingkungan di wilayah. Variabel yang dipakai mencakup pengelolaan sampah, kebiasaan memilah sampah, perilaku tidak membuang sembarangan, dan fasilitas daur ulang. Lagi-lagi, semua dirata-ratakan dan disesuaikan ke skala 0–100.

3. Indeks Kesiapan MBG

Indeks ini melihat apakah sebuah wilayah punya sekolah, jalan aspal, akses kendaraan roda empat, listrik, dan air layak. Logikanya masuk akal: program makan bergizi tidak cukup hanya punya niat. Ia butuh logistik, distribusi, dan infrastruktur dasar. Tanpa itu, program bisa tersendat di tengah jalan.

Matching dilakukan pada level desa dan provinsi, lalu di-collapse ke level kabupaten. Analisis korelasi dan regresi dilakukan di Stata 18. Jadi, sekali lagi, ini bukan kesan visual belaka. Ini hasil olahan data yang mencoba membaca pola sistemik.

Kenapa Angka MBG Terlihat Bagus, Tapi Tetap Mengganggu?

Sekilas, angka-angkanya memang terlihat menjanjikan. Sebanyak 27,1% desa sudah terjangkau program MBG melalui SPPG, dan 86,2% desa sudah memiliki sekolah sebagai calon penerima. Di sisi lain, skor rata-rata kebutuhan gizi berada di angka 55,7, sedangkan kesiapan sistem pangan hanya 32,3.

Artinya apa? Artinya gap-nya lebar. Ada kebutuhan yang tinggi, tapi kesiapan sistem masih rendah. Sobat stata bisa membayangkan ini seperti mengirim paket ke rumah yang alamatnya jelas, tapi jalan menuju rumah itu masih berlubang, gelap, dan tidak semua kendaraan bisa lewat. Programnya ada, tapi jalur distribusinya belum selalu ramah.

Yang bikin repot, gap ini bukan cuma terjadi di satu titik. Ia muncul di banyak wilayah sekaligus. Jadi tantangannya bukan sekadar memperbesar volume program, melainkan memastikan fondasi wilayah ikut dikuatkan.

Temuan Pertama: Program Lebih Cepat Masuk ke Wilayah yang Sudah Siap

Salah satu hasil paling penting dari carousel ini adalah korelasi antara MBG dan sistem pangan yang cukup kuat, yaitu r = 0,65. Ini menunjukkan bahwa program cenderung hadir di wilayah yang sistem pengelolaan makan dan pangannya sudah lebih baik.

Sementara itu, korelasi antara MBG dan kebutuhan gizi justru jauh lebih lemah, yaitu r = 0,18. Sobat stata, ini penting. Karena kalau program benar-benar sangat targeting-driven, kita berharap hubungan dengan kebutuhan gizi jauh lebih kuat. Tapi data menunjukkan sebaliknya: program belum selalu mengalir ke wilayah yang paling lapar.

Pesan besarnya bukan bahwa MBG gagal. Bukan. Pesannya adalah program ini tampaknya mengikuti logika kesiapan sistem lebih dulu ketimbang kebutuhan paling mendesak. Dan itu membuat kita perlu bertanya: apakah kita sedang mengoptimalkan program, atau sekadar menempatkannya di wilayah yang paling mudah dijangkau?

Temuan Kedua: Mismatch Antara Kebutuhan Gizi dan Kesiapan Sistem

Di grafik mismatch, titik-titik cenderung miring ke kanan-bawah. Pola ini menunjukkan hal yang cukup tajam: wilayah yang kebutuhannya lebih tinggi dari program yang ada sering kali juga punya kesiapan sistem pangan yang lebih rendah. Dengan kata lain, wilayah yang paling butuh justru sering menghadapi hambatan terbesar untuk menerima program secara optimal.

Ini bukan bukti sebab-akibat, dan carousel juga tidak mengklaim begitu. Tapi sebagai pola kecenderungan, ini sudah cukup serius. Karena kalau wilayah rentan selalu kalah oleh logika kesiapan, maka kebijakan publik bisa jatuh ke jebakan yang sama berulang-ulang: program masuk ke tempat yang mudah, bukan ke tempat yang paling penting.

Empat Tipe Kabupaten: Dari Under-Targeted sampai Ideal

Bagian segmentasi wilayah adalah salah satu bagian paling berguna bagi sobat stata yang suka membaca kebijakan lewat lensa klasifikasi. Dari 514 kabupaten/kota, terlihat empat tipe wilayah yang sangat berbeda:

• Under-targeted — 103 kabupaten (20,0%). Kebutuhan gizi tinggi, tapi SPPG belum banyak menjangkau.
• Inefficient — 42 kabupaten (8,2%). Program sudah hadir cukup luas, tetapi sistem pangan belum memadai.
• Ideal — 71 kabupaten (13,8%). Program hadir di wilayah yang relatif siap.
• Transisi / moderat — 298 kabupaten (58,0%). Mayoritas wilayah masih berada di antara kondisi ekstrem.

Yang menarik, hanya 13,8% wilayah yang benar-benar masuk kategori ideal. Itu kecil, sobat stata. Sangat kecil. Jadi kalau kita bicara ekspansi program, kita tidak bisa cuma membahas jumlah titik atau cakupan administratif. Kita harus bicara kesiapan wilayah per wilayah.

62 Kabupaten di Zona Paradox: Kenapa Ini Penting?

Carousel ini juga menemukan 62 kabupaten yang memenuhi empat kondisi sekaligus: SPPG sudah cukup tinggi, sekolah tersedia, kebutuhan gizi masih tinggi, tetapi sistem pangan belum kuat. Ini disebut zona paradox karena terlihat seperti wilayah yang “sudah masuk program”, tetapi secara sistemik masih menyimpan risiko inefisiensi.

Sobat stata, ini penting karena wilayah seperti ini rawan jadi tempat di mana program terlihat aktif di permukaan, tetapi dampaknya tidak maksimal di lapangan. Sekolah ada, program ada, tapi kapasitas ekosistem belum cukup kuat untuk membuat intervensi benar-benar efektif.

Kalau kebijakan tidak peka terhadap zona paradox, kita bisa saja bangga pada angka cakupan, padahal kualitas implementasinya belum tentu setara dengan besarnya kebutuhan.

Apa Implikasi Kebijakannya?

Ini bagian yang paling relevan untuk pembuat kebijakan, peneliti, dan sobat stata yang mengikuti kebijakan publik. Temuan ini memberi tiga pesan besar.

Pertama, targeting harus lebih tajam.

Wilayah dengan hunger tinggi dan kesiapan sistem yang cukup harus diprioritaskan. Kalau tidak, program akan terus menyasar wilayah yang lebih siap tapi tidak selalu paling mendesak.

Kedua, infrastruktur sistem pangan harus ikut dibangun.

MBG bukan cuma urusan distribusi makanan. Ia juga urusan jalan, air, listrik, pengelolaan sampah, dan tata kelola lokal. Program sebaik apa pun akan tersendat jika ekosistemnya rapuh.

Ketiga, evaluasi kebijakan harus berbasis wilayah, bukan rata-rata nasional saja.

Rata-rata nasional sering menipu. Ia bisa menampilkan kesan “cukup baik” padahal ada kantong-kantong masalah yang sangat serius. Karena itu, analisis level kabupaten seperti ini jauh lebih berguna untuk perencanaan yang presisi.

Kenapa Analisis Seperti Ini Penting untuk Sobat Stata?

Karena inilah inti dari kerja statistik yang bermakna: bukan cuma menghitung angka, tapi membantu kita melihat struktur masalah. Dengan data PODES, SPPG, dan pendekatan indeks, sobat stata bisa membaca kebijakan publik bukan sebagai narasi tunggal, melainkan sebagai peta ketimpangan, kesiapan, dan risiko implementasi.

Kalau hanya melihat headline, kita mudah puas. Tapi kalau masuk ke data, kita jadi tahu bahwa MBG bukan sekadar soal program jalan atau tidak. Ia adalah soal apakah rantai sistemnya menyambung. Dan seperti jembatan, satu bagian yang rapuh saja bisa membuat seluruh struktur goyah.

Penutup: Bukan Programnya yang Salah, Tapi Sistemnya Harus Lebih Siap

Kesimpulan terbesar dari carousel ini cukup tegas: masalah utama bukan pada ide MBG itu sendiri, melainkan pada kesiapan sistem wilayah dalam menerima dan mengoptimalkan program. Program bisa saja sudah baik. Niatnya juga bisa sangat kuat. Tapi kalau targeting lemah dan ekosistem belum siap, hasil akhirnya akan timpang.

Jadi, sobat stata, pelajaran yang bisa kita petik bukan sekadar “perlu lebih banyak MBG”. Pelajarannya lebih dalam: kita butuh MBG yang lebih presisi, lebih peka wilayah, dan lebih nyambung dengan kesiapan sistem pangan lokal. Di situlah kebijakan berubah dari sekadar hadir menjadi benar-benar berdampak.

Kalau data bisa bicara, data ini sedang bilang begini: jangan hanya kirim program ke tempat yang paling mudah dijangkau. Kirim juga perhatian ke tempat yang paling membutuhkan. Di situlah nilai sebuah kebijakan publik diuji.

FAQ

1. Apa inti temuan utama dari analisis MBG ini?

Intinya, MBG cenderung masuk ke wilayah yang sudah lebih siap secara sistem pangan, bukan selalu ke wilayah yang paling tinggi kebutuhan gizinya.

2. Apa yang dimaksud dengan food waste dalam analisis ini?

Food waste dipakai sebagai proksi kesiapan sistem pangan dan pengelolaan lingkungan, bukan hanya sebagai makanan sisa. Indikatornya mencakup pengelolaan sampah, kebiasaan memilah sampah, dan fasilitas daur ulang.

3. Apakah ini berarti MBG tidak efektif?

Tidak. Temuannya lebih tepat dibaca sebagai isu targeting dan kesiapan sistem. Programnya bisa baik, tetapi implementasinya perlu lebih presisi agar dampaknya optimal.

4. Kenapa analisis kabupaten penting untuk kebijakan publik?

Karena rata-rata nasional sering menutupi ketimpangan antarwilayah. Analisis kabupaten membantu kita melihat di mana masalah paling besar terjadi dan wilayah mana yang perlu prioritas lebih dulu.

5. Apa langkah paling masuk akal setelah membaca riset ini?

Prioritaskan wilayah dengan kebutuhan gizi tinggi dan kesiapan sistem yang cukup, sambil memperkuat infrastruktur pangan di wilayah yang masih tertinggal. Jadi, perluasan program harus berjalan bersama penguatan sistem.