1. PENDAHULUAN
Kekerasan terhadap anak masih menjadi persoalan serius dalam perlindungan sosial dan pembangunan manusia di Indonesia. Anak bukan sekadar anggota keluarga yang berada di bawah kuasa orang dewasa, melainkan subjek hukum yang memiliki hak untuk hidup, tumbuh, berkembang, berpartisipasi, serta memperoleh perlindungan dari kekerasan dan diskriminasi. Undang-Undang Perlindungan Anak menempatkan anak sebagai seseorang yang belum berusia 18 tahun, termasuk anak yang masih berada dalam kandungan. Perlindungan anak menuntut hadirnya usaha bersama untuk menjaga anak dari perlakuan yang merusak martabat, perkembangan, dan masa depannya (Sugianto, 2012).
Kekerasan pada anak tidak selalu berwujud pemukulan, penganiayaan, atau luka fisik yang tampak. Bentakan, hinaan, ancaman, penelantaran, eksploitasi, kekerasan seksual, dan tekanan mental juga termasuk bentuk kekerasan. Sugianto (2012) menunjukkan bahwa tindakan orang tua, keluarga, guru, maupun pengasuh yang dilakukan atas nama pendidikan atau pendisiplinan dapat berubah menjadi kekerasan ketika menimbulkan penderitaan fisik dan luka psikologis jangka panjang. Anak yang berada dalam posisi bergantung kepada orang dewasa sering kali tidak memiliki ruang aman untuk menolak, melapor, atau membela diri ketika kekerasan dilakukan oleh pihak yang seharusnya melindungi mereka.
Berdasarkan data SIMFONI PPA tahun 2025 yang digunakan dalam penelitian ini, jumlah kasus kekerasan terhadap anak yang tercatat atau dilaporkan mencapai 21.253 kasus. Angka kasus tahun 2025 tersebut meningkat dibandingkan tahun 2024 yang mencatat 19.628 kasus kekerasan terhadap anak.
Suradi (2013) menyebut kekerasan anak sebagai fenomena gunung es karena angka yang dipublikasikan umumnya berasal dari kasus yang dilaporkan kepada rumah sakit, puskesmas, kepolisian, KPAI, atau lembaga layanan perlindungan anak. Banyak kasus tidak pernah masuk ke ruang pencatatan karena korban takut, keluarga memilih diam, pelaku berada di lingkungan dekat anak, atau akses layanan belum memadai. Kementerian Pemberdayaan Perempuan dan Perlindungan Anak Republik Indonesia (KemenPPPA) juga menegaskan bahwa hanya sebagian kecil korban yang tercatat dalam sistem pelayanan. SNPHAR 2024 bahkan menunjukkan bahwa satu dari dua anak di Indonesia pernah mengalami setidaknya satu bentuk kekerasan (KemenPPPA, 2025a). Karena itu, rendahnya angka laporan di suatu daerah belum tentu menandakan rendahnya kekerasan. Kualitas pencatatan, keberanian korban, pengetahuan masyarakat, dan kesiapan layanan daerah ikut menentukan banyaknya kasus yang muncul dalam data resmi.
Kekhawatiran tersebut terasa semakin dekat setelah adanya pemberitaan kasus dugaan kekerasan anak di Daycare Little Aresha, Yogyakarta. Dalam perkara tersebut, aparat menetapkan 13 orang sebagai tersangka, mulai dari pimpinan lembaga hingga staf pengasuh. Laporan sementara menyebut 53 anak terindikasi mengalami kekerasan dari total 103 anak yang terdaftar di tempat penitipan tersebut (Dewan Perwakilan Rakyat Republik Indonesia, 2026). Kasus ini memperlihatkan bahwa risiko kekerasan anak dapat muncul pula di lembaga yang dipercaya orang tua sebagai ruang pengasuhan. Tempat penitipan anak, PAUD, sekolah, dan lembaga sosial semestinya menjadi ruang aman, tetapi lemahnya pengawasan, rendahnya standar pengasuhan, minimnya kompetensi pengasuh, dan relasi kuasa antara pengelola dengan anak dapat mengubah ruang tersebut menjadi tempat yang membahayakan.
Temuan Agustin, Saripah, dan Gustiana (2018) memperkuat pembacaan tersebut. Penelitian mereka pada lembaga PAUD menemukan ragam kekerasan yang dialami anak, mulai dari memukul, menjewer, menghina, mencubit, mendorong, sampai mengabaikan. Kekerasan tersebut muncul karena beberapa sebab, seperti kurang sabar, pola interaksi yang keliru, perebutan perhatian, kebiasaan pola asuh yang kasar dari rumah, serta lemahnya kendali diri pendidik. Lingkungan pendidikan yang seharusnya membangun rasa aman dapat menjadi tempat lahirnya kekerasan apabila perilaku kasar dianggap sebagai cara mendidik yang wajar.
Kekerasan anak jarang lahir dari sebab tunggal. Suradi (2013) menempatkan kemiskinan dan buruknya relasi sosial di dalam maupun di luar keluarga sebagai dua faktor utama yang mendorong kekerasan terhadap anak. Marlina dan Febriana (2016) menunjukkan bahwa kekerasan fisik terhadap anak berkaitan dengan pengalaman masa lalu pelaku, kondisi mental orang tua, kemiskinan, budaya, perilaku agresif anak, dan status anak. Fitriana, Pratiwi, dan Sutanto (2015) juga menemukan bahwa kekerasan verbal oleh orang tua berkaitan dengan pengetahuan, sikap, pengalaman, lingkungan, tekanan ekonomi, pengangguran, dan beban hidup keluarga. Berbagai temuan tersebut menunjukkan bahwa anak sering menjadi pihak yang paling rentan ketika keluarga, lembaga pendidikan, dan lingkungan sosial gagal menjalankan fungsi perlindungan.
Kajian kekerasan anak pada tingkat provinsi memerlukan perhatian terhadap perbedaan karakteristik wilayah. Indonesia memiliki keragaman sosial, ekonomi, pendidikan, demografi, dan kelembagaan yang besar antarprovinsi. Provinsi dengan tingkat kemiskinan tinggi, perkawinan anak tinggi, pengangguran tinggi, kepadatan penduduk besar, atau akses layanan perlindungan yang terbatas dapat memiliki pola kekerasan anak yang berbeda dibandingkan provinsi lain. Simamora dan Ratnasari (2014) dalam penelitian kriminalitas di Jawa Timur menunjukkan bahwa perbedaan karakteristik geografis dapat memengaruhi keterkaitan faktor ekonomi, sosial, dan budaya terhadap kriminalitas. Penelitian tersebut juga membuktikan bahwa wilayah yang berdekatan cenderung memiliki kemiripan faktor yang memengaruhi kriminalitas, sehingga lokasi tidak cukup diperlakukan sebagai batas administratif.
Jumlah korban kekerasan anak merupakan data cacah karena dinyatakan sebagai banyaknya kejadian pada setiap provinsi. Model Poisson sering digunakan untuk data cacah, tetapi model tersebut mensyaratkan rata-rata dan varians yang relatif seimbang. Pada data sosial, terutama kasus kekerasan yang tersebar antarwilayah, variasi data sering jauh lebih besar daripada rata-ratanya. Keadaan tersebut dikenal sebagai overdispersi. Regresi binomial negatif lebih sesuai untuk data cacah yang mengalami overdispersi, sedangkan Geographically Weighted Negative Binomial Regression (GWNBR) memberi ruang untuk membaca perbedaan pengaruh variabel pada setiap wilayah. Priambodo dan Irhamah (2019) menggunakan GWNBR untuk memetakan jumlah property crime di Jawa Timur dan menemukan bahwa metode tersebut lebih sesuai dibandingkan regresi Poisson, regresi binomial negatif global, dan GWPR berdasarkan kriteria AIC terkecil.
Berdasarkan persoalan tersebut, penelitian ini diarahkan untuk memodelkan jumlah korban kekerasan anak pada tingkat provinsi dengan mempertimbangkan variasi spasial antarwilayah, serta memeriksa hubungan variabel sosial ekonomi terhadap kasus kekerasan anak sekaligus menelaah perbedaan pengaruhnya pada setiap provinsi. Melalui pendekatan GWNBR, hasil penelitian diharapkan dapat memberi dasar bagi penyusunan kebijakan perlindungan anak yang lebih sesuai dengan karakter sosial ekonomi dan geografis daerah.
2. METODOLOGI
Bagian ini menjelaskan rancangan penelitian, sumber data, variabel yang digunakan, serta tahapan pemodelan Geographically Weighted Negative Binomial Regression (GWNBR). Alur analisis disusun mulai dari pemeriksaan data, pembentukan model global, pengujian asumsi, pengujian efek spasial, pemodelan lokal dengan GWNBR, sampai evaluasi kecocokan model.
Data dan Variabel Penelitian
Penelitian ini menggunakan data sekunder yang bersumber dari dua instansi resmi pemerintah, yaitu Sistem Informasi Online Perlindungan Perempuan dan Anak (SIMFONI PPA) milik Kementerian Pemberdayaan Perempuan dan Perlindungan Anak (KemenPPPA) serta Badan Pusat Statistik (BPS).
SIMFONI PPA merupakan sistem pencatatan dan pelaporan berbasis online yang dikembangkan oleh KemenPPPA untuk merekam seluruh kasus kekerasan terhadap perempuan dan anak yang dilaporkan ke unit layanan di seluruh Indonesia. Data yang tercatat dalam sistem ini meliputi informasi mengenai korban, pelaku, jenis kekerasan, tempat kejadian, hingga jenis layanan yang diberikan. Dalam penelitian ini, data yang digunakan secara spesifik adalah jumlah korban anak berusia 0 hingga 17 tahun yang mengalami kekerasan, sesuai dengan definisi anak berdasarkan Undang-Undang Nomor 35 Tahun 2014 tentang Perlindungan Anak. Data direkap per provinsi untuk seluruh wilayah Indonesia selama tahun 2025.
Variabel penjelas yang digunakan dalam penelitian ini terdiri dari empat variabel yang seluruhnya bersumber dari Badan Pusat Statistik (BPS). Pemilihan variabel-variabel ini didasarkan pada kajian teoritis dan empiris yang menunjukkan adanya keterkaitan antara kondisi sosial-ekonomi rumah tangga dengan kejadian kekerasan terhadap anak.
Adapun variabel yang digunakan yaitu:
a. Jumlah Korban Kekerasan terhadap Anak Usia 0–17 Tahun (2025) (Y)
Kekerasan terhadap anak mencakup segala bentuk tindakan yang merugikan anak secara fisik, psikologis, seksual, maupun penelantaran. Data ini umumnya bersumber dari sistem pelaporan resmi seperti SIMFONI PPA (Sistem Informasi Online Perlindungan Perempuan dan Anak) milik Kementerian Pemberdayaan Perempuan dan Perlindungan Anak (KemenPPPA). Pemilihan batas usia 0–17 tahun merujuk pada definisi anak menurut Undang-Undang No. 35 Tahun 2014 tentang Perlindungan Anak.
b. Persentase Penduduk Miskin (X1)
Variabel ini menunjukkan persentase jumlah penduduk miskin terhadap total penduduk di masing-masing provinsi. Penduduk miskin didefinisikan sebagai penduduk yang rata-rata pengeluaran per kapita per bulan berada di bawah garis kemiskinan yang ditetapkan oleh BPS. Data ini diperoleh dari hasil Survei Sosial Ekonomi Nasional (Susenas) yang dipublikasikan oleh BPS tahun 2025. Kemiskinan dianggap sebagai salah satu faktor risiko utama kekerasan terhadap anak, karena tekanan ekonomi yang berkepanjangan dapat memperburuk kondisi psikologis orang tua atau pengasuh dan meningkatkan potensi konflik serta tindak kekerasan dalam lingkungan rumah tangga.
c. Perkawinan Anak (X2)
Variabel ini diukur dari persentase perempuan usia 20–24 tahun yang melangsungkan perkawinan pertama sebelum mencapai usia 18 tahun. Data bersumber dari Susenas yang diterbitkan oleh BPS. Perkawinan anak mencerminkan kondisi kerentanan sosial yang tinggi, di mana anak yang menikah dini umumnya berada dalam relasi kuasa yang tidak setara, rentan mengalami kekerasan dalam rumah tangga, serta memiliki kapasitas pengasuhan yang terbatas sehingga turut memengaruhi kondisi perlindungan anak dalam keluarga tersebut.
d. Tingkat Pengangguran Terbuka (X3)
Tingkat Pengangguran Terbuka (TPT) merupakan persentase jumlah pengangguran terhadap jumlah angkatan kerja di suatu provinsi. Data ini diperoleh dari hasil Survei Angkatan Kerja Nasional (Sakernas) yang dilaksanakan oleh BPS. Tingginya tingkat pengangguran mencerminkan kondisi perekonomian yang tidak stabil dan dapat memicu tekanan psikososial dalam keluarga. Kepala rumah tangga yang tidak memiliki pekerjaan cenderung mengalami stres dan frustrasi yang apabila tidak tersalurkan secara konstruktif berpotensi memunculkan perilaku kekerasan terhadap anggota keluarga, termasuk anak.
e. Persentase Rumah Tangga dengan Kepala Rumah Tangga Perempuan dan Jumlah Anggota Rumah Tangga ≥ 6 Orang (X4)
Variabel ini menunjukkan persentase rumah tangga yang memiliki kepala rumah tangga perempuan dengan jumlah anggota rumah tangga sebanyak enam orang atau lebih pada setiap provinsi. Variabel ini digunakan untuk menggambarkan kondisi kerentanan struktur rumah tangga, terutama pada rumah tangga yang memiliki beban tanggungan besar dan dipimpin oleh perempuan. Semakin banyak jumlah anggota rumah tangga, semakin besar pula kebutuhan ekonomi, pengasuhan, dan pengelolaan rumah tangga yang harus dipenuhi. Kondisi tersebut dapat meningkatkan tekanan dalam keluarga, terutama apabila tidak didukung oleh kondisi ekonomi dan sosial yang memadai. Oleh karena itu, variabel ini digunakan untuk melihat kemungkinan hubungan antara struktur rumah tangga rentan dengan jumlah korban kekerasan terhadap anak.
f. Log Jumlah Penduduk (offset)
Log Jumlah penduduk digunakan sebagai variabel offset dalam model regresi karena setiap provinsi memiliki ukuran populasi yang berbeda. Offset berfungsi untuk mengontrol perbedaan jumlah penduduk antarprovinsi agar pemodelan jumlah korban kekerasan anak tidak hanya dipengaruhi oleh besar kecilnya populasi wilayah. Provinsi dengan jumlah penduduk besar cenderung memiliki peluang mencatat kasus yang lebih banyak dibandingkan provinsi dengan jumlah penduduk kecil. Dengan memasukkan jumlah penduduk sebagai offset, model dapat menganalisis jumlah korban kekerasan anak secara lebih proporsional terhadap ukuran populasi masing-masing wilayah.
Uji Multikolinearitas
Dalam analisis regresi, diasumsikan bahwa antarvariabel independen tidak memiliki hubungan linear yang kuat. Jika terdapat korelasi yang tinggi antarvariabel independen, maka kondisi tersebut dapat menyebabkan terjadinya multikolinieritas. Untuk mendeteksi adanya multikolinieritas, salah satu metode yang paling sering digunakan adalah Variance Inflation Factor (VIF). Adapun rumus VIF dituliskan sebagai berikut:
(2.1)
Model regresi yang terbebas dari masalah multikolinieritas umumnya memiliki nilai Variance Inflation Factor (VIF) mendekati 1. Sebaliknya, apabila nilai VIF > 10, maka menunjukkan adanya hubungan kolinearitas yang kuat antarvariabel independen atau terjadi multikolinieritas (Rini, 2018).
Regresi Poisson
Regresi Poisson pada awalnya digunakan sebagai model dasar dalam menganalisis data berbentuk hitungan. Suatu variabel acak Y dikatakan mengikuti distribusi Poisson dengan nilai rata-rata μ apabila memiliki fungsi massa probabilitas sebagai berikut
(2.2)
Keterangan:
Y = variabel respon berupa data hitungan
y = banyaknya kejadian yang diamati
μ = rata-rata jumlah kejadian
e = bilangan Euler
y! = faktorial dari y
Pada distribusi Poisson berlaku sifat E(Y) = μ dan Var(Y) = μ , sehingga rata-rata dan varians diasumsikan sama. Model regresi Poisson yang menggunakan fungsi log-link serta mempertimbangkan faktor eksposur dapat dinyatakan sebagai berikut:
(2.3)
Estimasi parameter model dilakukan menggunakan metode Estimasi Kemungkinan Maksimum (Maximum Likelihood Estimation / MLE) (Suliyanto dkk., 2026).
Uji Overdispersi
Overdispersi pada regresi Poisson terjadi ketika nilai varians data lebih besar dibandingkan nilai rata-ratanya. Apabila kondisi overdispersi tetap dianalisis menggunakan regresi Poisson, maka estimasi parameter regresi memang tetap konsisten, tetapi menjadi tidak efisien. Kondisi tersebut mengakibatkan nilai standard error mengalami underestimate sehingga hasil pengujian yang diperoleh menjadi tidak valid. Overdispersi dapat diketahui melalui nilai Pearson Chi-Square dan deviance yang dibagi dengan derajat bebasnya. Jika nilai yang diperoleh lebih besar dari 1, maka data mengalami overdispersi. Secara matematis, overdispersi dapat dituliskan sebagai berikut:
Var(Y) > E(Y) (2.4)
Keterangan:
Var(Y) = varians variabel respon
E(Y) = nilai rata-rata variabel respon
Jika pada regresi Poisson terjadi overdispersi, maka salah satu metode alternatif yang dapat digunakan untuk mengatasinya adalah regresi Binomial Negatif (Agustina, 2019).
Regresi Binomial Negatif
Regresi Binomial Negatif merupakan salah satu metode yang digunakan untuk mengatasi kasus overdispersi. Model Binomial Negatif terbentuk dari kombinasi distribusi Poisson dan distribusi Gamma, dengan fungsi massa peluang sebagai berikut:
(2.5)
Keterangan:
y = jumlah korban pada pengamatan ke-i
μ = nilai harapan jumlah korban pada pengamatan ke-i
Θ = parameter dispersi
Γ = fungsi gamma
Bentuk umum dari regresi binomial negatif ialah:
Estimasi parameter pada model regresi binomial negatif dilakukan menggunakan metode Maximum Likelihood Estimation (MLE) dengan bantuan prosedur Newton-Raphson. Selanjutnya, pengujian kesesuaian model regresi binomial negatif secara serentak dilakukan sebagai berikut:
(2.7)
Kriteria penolakannya ialah tolak 
jika nilai 
lebih besar dari 
yang artinya minimal terdapat satu parameter dalam regresi binomial negatif yang berpengaruh signifikan terhadap variabel respon.
Setelah dilakukan pengujian secara serentak, selanjutnya dilakukan pengujian parsial untuk mengetahui parameter yang berpengaruh signifikan terhadap variabel respon.
(2.8)
Daerah penolakan adalah ketika nilai 
lebih besar dari 
, yang menunjukkan bahwa parameter tersebut berpengaruh signifikan terhadap variabel respon pada model regresi binomial negatif (Delvia dkk., 2021).
Uji Dependensi dan Heterogenitas Spasial
Pemodelan spasial merupakan metode pemodelan yang mempertimbangkan aspek wilayah atau lokasi dalam analisisnya. Dalam analisis spasial terdapat dua efek spasial yang perlu dipenuhi, yaitu dependensi spasial dan heterogenitas spasial.
Dependensi spasial dievaluasi menggunakan statistik Moran’s I yang diterapkan pada residual model Regresi Binomial Negatif (NBR) global. Pengujian Moran’s I terhadap residual bertujuan untuk mengidentifikasi adanya autokorelasi spasial yang masih tersisa setelah pengaruh variabel penjelas diperhitungkan dalam model. Hasil pengujian yang signifikan secara statistik menunjukkan bahwa model global belum mampu menggambarkan struktur spasial yang mendasari data secara optimal.
Matriks bobot spasial yang digunakan didasarkan pada kriteria queen contiguity, di mana dua wilayah dikategorikan sebagai bertetangga apabila memiliki batas wilayah atau titik sudut yang sama.
Bobot spasial terlebih dahulu distandarisasi berdasarkan baris (row-standardized) sebelum proses analisis dilakukan. Selanjutnya, statistik Moran’s I didefinisikan sebagai berikut:
(2.9)
Selanjutnya, uji yang telah distandarisasi dinyatakan sebagai berikut (Suliyanto dkk., 2026):
(2.10)
Heterogenitas spasial menunjukkan adanya perbedaan karakteristik antar lokasi, sehingga setiap lokasi memiliki struktur dan parameter hubungan yang berbeda. Pengujian heterogenitas spasial dapat dilakukan menggunakan uji Breusch–Pagan.
(2.11)
Kriteria penolakannya yaitu tolak jika nilai 
yang artinya ialah variansi antar lokasi berbeda (Agustina, 2019).
Geographically Weighted Negative Binomial Regression (GWNBR)
Hasil estimasi pada model GWNBR menghasilkan parameter lokal, di mana setiap lokasi memiliki nilai parameter yang berbeda satu sama lain. Model GWNBR dapat dinyatakan dalam bentuk sebagai berikut:
(2.12)
Penaksiran parameter pada model GWNBR dilakukan dengan menerapkan metode Maximum Likelihood Estimation (MLE). Adapun fungsi likelihood dari model tersebut dapat dirumuskan sebagai berikut (Delvia dkk., 2021):
(2.13)
Jarak, Bandwidth, dan Fungsi Pembobot
Keragaman spasial antarwilayah dapat ditunjukkan melalui matriks pembobot spasial. Matriks pembobot spasial (W) merupakan fungsi yang didasarkan pada jarak Euclidean antara titik lokasi pengamatan ke- dengan titik lokasi pengamatan ke-j. Terdapat dua jenis fungsi pembobot yang umum digunakan, yaitu fungsi Fixed Kernel dan fungsi Adaptive Kernel. Fungsi Adaptive Kernel memiliki nilai bandwidth (h) yang berbeda pada setiap titik lokasi pengamatan. Adapun fungsi Adaptive Bisquare Kernel dapat dinyatakan sebagai berikut:
(2.14)
Bandwidth merupakan parameter yang berfungsi untuk mengendalikan keseimbangan antara tingkat kesesuaian kurva terhadap data dan tingkat kemulusan data. Salah satu metode yang dapat digunakan untuk menentukan bandwidth optimum adalah metode Cross Validation (CV). Metode CV sesuai digunakan pada data yang memiliki bobot yang berbeda pada setiap unit observasi. Adapun metode Cross Validation (CV) dapat dinyatakan sebagai berikut:
(2.15)
dengan 
merupakan penaksir dimana pengamatan di lokasi dihilangkan dari proses penaksiran (Salim, 2023).
Evaluasi Model
a. Akaike Information Criterion (AIC)
Rumus untuk AIC ialah sebagai berikut (Mar’ah dkk., 2023):
(2.16)
b. McFadden’s R-Square
Pada pemodelan regresi Poisson dan regresi Binomial Negatif tidak terdapat nilai . Sebagai alternatif, digunakan metode McFadden’s R-Squared yang memiliki rentang nilai antara 0 hingga 1, di mana nilai yang lebih tinggi menunjukkan tingkat kecocokan model yang lebih baik (Mar’ah dkk., 2023). Adapun metode tersebut dapat dinyatakan sebagai berikut:
(2.17)
3. HASIL DAN PEMBAHASAN
Data penelitian ini berasal dari 38 provinsi di Indonesia pada tahun 2025, dengan fokus pada jumlah korban kekerasan anak usia 0–17 tahun dan faktor-faktor sosial ekonomi yang berpotensi memengaruhi angka tersebut. Variabel yang dianalisis mencakup persentase penduduk miskin (X1), perkawinan anak (X2), tingkat pengangguran terbuka (X3), serta persentase rumah tangga dengan kepala rumah tangga perempuan dan jumlah anggota ≥ 6 orang (X4). Variabel jumlah penduduk digunakan sebagai offset agar perbedaan populasi antarprovinsi dapat diperhitungkan secara proporsional. Tabel 1 menyajikan ringkasan statistik deskriptif seluruh variabel.
Berdasarkan Tabel 1, terlihat bahwa jumlah korban kekerasan anak usia 0–17 tahun memiliki variasi yang cukup besar antarprovinsi. Nilai minimum kasus tercatat sebesar 5 kasus, sedangkan nilai maksimum mencapai 2.431 kasus. Rata-rata jumlah korban sebesar 606,39 dengan simpangan baku 574,82 menunjukkan bahwa persebaran kasus tidak merata. Ada provinsi yang mencatat jumlah korban sangat rendah, tetapi ada pula provinsi yang jumlah korbannya jauh lebih tinggi dibandingkan provinsi lainnya. Kondisi ini menjadi tanda awal bahwa kasus kekerasan anak tidak tersebar secara seragam di Indonesia. Selain variasi jumlah korban kekerasan anak, karakteristik sosial-ekonomi antarprovinsi juga menunjukkan perbedaan yang cukup besar. Persentase penduduk miskin memiliki rata-rata sebesar 10,27% dengan rentang antara 3,42% hingga 29,45%. Persentase perkawinan anak berkisar antara 0,79% hingga 12,94% dengan rata-rata sebesar 5,70%. Tingkat pengangguran terbuka memiliki rata-rata sebesar 4,47%, sedangkan persentase rumah tangga dengan kepala rumah tangga perempuan dan jumlah anggota rumah tangga sedikitnya enam orang memiliki rata-rata sebesar 7,50%. Perbedaan karakteristik tersebut mengindikasikan bahwa faktor-faktor yang berkaitan dengan kekerasan anak tidak tersebar secara seragam antarprovinsi.
Untuk memperoleh gambaran awal mengenai distribusi kasus kekerasan anak di Indonesia tahun 2025, dilakukan visualisasi data dalam bentuk peta sebaran spasial. Gambar 1 menyajikan persebaran jumlah korban kekerasan anak usia 0–17 tahun pada 38 provinsi di Indonesia tahun 2025.
Gambar 1. Peta Sebaran Jumlah Korban Kekerasan Anak Usia 0–17 Tahun di Indonesia Tahun 2025.
Berdasarkan Gambar 1, terlihat bahwa jumlah korban kekerasan anak usia 0–17 tahun di Indonesia memiliki distribusi yang berbeda pada setiap provinsi. Provinsi dengan warna yang lebih gelap menunjukkan jumlah korban yang lebih tinggi, sedangkan warna yang lebih terang menunjukkan jumlah korban yang lebih rendah. Terlihat bahwa beberapa provinsi di Pulau Jawa memiliki jumlah korban yang relatif tinggi dibandingkan sebagian besar provinsi lainnya. Sementara itu, beberapa provinsi di kawasan Indonesia Timur cenderung memiliki jumlah korban yang lebih rendah.
Gambar 2. Peta Sebaran Persentase Penduduk Miskin di Indonesia Tahun 2025
Dari peta sebaran Persentase Penduduk Miskin (X1) pada Gambar 2 dapat dilihat distribusi kemiskinan di seluruh provinsi Indonesia, di mana warna pada peta menunjukkan kategori tingkat kemiskinan di masing-masing provinsi. Wilayah yang memiliki warna ungu tua menunjukkan provinsi dengan persentase penduduk miskin tertinggi. Berdasarkan peta, wilayah dengan Persentase Penduduk Miskin sangat tinggi meliputi Aceh, Gorontalo, Maluku, Nusa Tenggara Timur, Papua, Papua Barat, Papua Barat Daya, Papua Pegunungan, Papua Selatan, dan Papua Tengah. Wilayah dengan Persentase Penduduk Miskin relatif tinggi meliputi Bengkulu, Daerah Istimewa Yogyakarta, Jawa Tengah, Lampung, Nusa Tenggara Barat, Sulawesi Barat, Sulawesi Tengah, Sulawesi Tenggara, dan Sumatera Selatan. Selanjutnya wilayah dengan Persentase Penduduk Miskin sedang meliputi Jambi, Jawa Barat, Jawa Timur, Kalimantan Barat, Maluku Utara, Riau, Sulawesi Selatan, Sulawesi Utara, dan Sumatera Utara. Sementara itu, wilayah dengan kategori rendah dapat ditemukan di Bali, Banten, DKI Jakarta, Kalimantan Selatan, Kalimantan Tengah, Kalimantan Timur, Kalimantan Utara, Kepulauan Bangka Belitung, Kepulauan Riau, dan Sumatera Barat.
Gambar 3. Peta Sebaran Perkawinan Anak di Indonesia Tahun 2025
Dari peta sebaran Perkawinan Anak (X2) pada Gambar 3 dapat dilihat distribusi perkawinan anak di seluruh provinsi Indonesia, di mana warna pada peta menunjukkan kategori tingkat perkawinan anak di masing-masing provinsi. Wilayah yang memiliki warna ungu tua menunjukkan provinsi dengan persentase perkawinan anak tertinggi. Berdasarkan peta, wilayah dengan Perkawinan Anak sangat tinggi meliputi Kalimantan Barat, Kalimantan Selatan, Kalimantan Tengah, Kepulauan Bangka Belitung, Nusa Tenggara Barat, Papua Barat, Papua Selatan, Sulawesi Barat, Sulawesi Tenggara, dan Sumatera Selatan. Wilayah dengan Perkawinan Anak relatif tinggi meliputi Gorontalo, Kalimantan Utara, Maluku, Maluku Utara, Papua Barat Daya, Papua Pegunungan, Sulawesi Selatan, Sulawesi Tengah, dan Sulawesi Utara. Selanjutnya, wilayah dengan Perkawinan Anak sedang meliputi Bengkulu, Jambi, Jawa Barat, Jawa Tengah, Jawa Timur, Kalimantan Timur, Lampung, Nusa Tenggara Timur, dan Sumatera Barat. Sementara itu, wilayah dengan Perkawinan Anak rendah dapat ditemukan di Aceh, Bali, Banten, DKI Jakarta, Daerah Istimewa Yogyakarta, Kepulauan Riau, Papua, Papua Tengah, Riau, dan Sumatera Utara.
Gambar 4. Peta Sebaran Tingkat Pengangguran Terbuka di Indonesia Tahun 2025
Dari peta sebaran Tingkat Pengangguran Terbuka (X3) pada Gambar 4 dapat dilihat distribusi pengangguran terbuka di seluruh provinsi Indonesia, di mana warna pada peta menunjukkan kategori tingkat pengangguran terbuka di masing-masing provinsi. Wilayah yang memiliki warna ungu tua menunjukkan provinsi dengan Tingkat Pengangguran Terbuka tertinggi. Berdasarkan peta, wilayah dengan Tingkat Pengangguran Terbuka sangat tinggi meliputi Aceh, Banten, DKI Jakarta, Jawa Barat, Kepulauan Riau, Maluku, Papua, Papua Barat Daya, Sulawesi Utara, dan Sumatera Barat. Wilayah dengan Tingkat Pengangguran Terbuka relatif tinggi meliputi Jambi, Jawa Tengah, Kalimantan Barat, Kalimantan Timur, Kepulauan Bangka Belitung, Maluku Utara, Papua Barat, dan Sumatera Utara. Selanjutnya, wilayah dengan Tingkat Pengangguran Terbuka sedang meliputi Jawa Timur, Kalimantan Selatan, Kalimantan Tengah, Kalimantan Utara, Lampung, Papua Selatan, Papua Tengah, Riau, Sulawesi Selatan, dan Sumatera Selatan. Sementara itu, wilayah dengan Tingkat Pengangguran Terbuka rendah dapat ditemukan di Bali, Bengkulu, Daerah Istimewa Yogyakarta, Gorontalo, Nusa Tenggara Barat, Nusa Tenggara Timur, Papua Pegunungan, Sulawesi Barat, Sulawesi Tengah, dan Sulawesi Tenggara.
Gambar 5. Peta Sebaran Persentase Rumah Tangga dengan Kepala Rumah Tangga Perempuan dan Jumlah Anggota ≥ 6 Orang di Indonesia Tahun 2025
Dari peta sebaran Persentase Rumah Tangga dengan Kepala Rumah Tangga Perempuan dan Jumlah Anggota ≥ 6 Orang (X4) pada Gambar 5 dapat dilihat distribusi kondisi rumah tangga di seluruh provinsi Indonesia, di mana warna pada peta menunjukkan kategori persentase rumah tangga tersebut di masing-masing provinsi. Wilayah dengan warna ungu tua menunjukkan provinsi dengan persentase rumah tangga kategori tertinggi. Berdasarkan peta, wilayah dengan Persentase Rumah Tangga sangat tinggi meliputi Kalimantan Barat, Kalimantan Utara, Maluku, Maluku Utara, Nusa Tenggara Timur, Papua Barat, Papua Barat Daya, Sulawesi Barat, Sulawesi Tengah, dan Sulawesi Tenggara. Wilayah dengan Persentase Rumah Tangga relatif tinggi meliputi Banten, Gorontalo, Jambi, Kalimantan Tengah, Papua, Riau, Sulawesi Selatan, Sumatera Barat, dan Sumatera Selatan. Selanjutnya, wilayah dengan Persentase Rumah Tangga sedang meliputi Aceh, Bali, DKI Jakarta, Jawa Barat, Kalimantan Timur, Lampung, Papua Selatan, Sulawesi Utara, dan Sumatera Utara. Sementara itu, wilayah dengan Persentase Rumah Tangga rendah dapat ditemukan di Bengkulu, Daerah Istimewa Yogyakarta, Jawa Tengah, Jawa Timur, Kalimantan Selatan, Kepulauan Bangka Belitung, Kepulauan Riau, Nusa Tenggara Barat, Papua Pegunungan, dan Papua Tengah.
Gambar 6. Peta Sebaran Log Jumlah Penduduk di Indonesia Tahun 2025
Dari peta sebaran Log Jumlah Penduduk (offset) pada Gambar 6 dapat dilihat distribusi jumlah penduduk di seluruh provinsi Indonesia. Warna pada peta menunjukkan kategori jumlah penduduk di masing-masing provinsi. Wilayah yang memiliki warna ungu tua menunjukkan provinsi dengan jumlah penduduk tertinggi. Berdasarkan peta, wilayah dengan jumlah penduduk sangat tinggi meliputi Banten, DKI Jakarta, Jawa Barat, Jawa Tengah, Jawa Timur, Lampung, Riau, Sulawesi Selatan, Sumatera Selatan, dan Sumatera Utara. Wilayah dengan jumlah penduduk relatif tinggi meliputi Aceh, Bali, Daerah Istimewa Yogyakarta, Kalimantan Barat, Kalimantan Selatan, Kalimantan Timur, Nusa Tenggara Barat, Nusa Tenggara Timur, dan Sumatera Barat. Selanjutnya, wilayah dengan jumlah penduduk sedang meliputi Bengkulu, Jambi, Kalimantan Tengah, Kepulauan Bangka Belitung, Kepulauan Riau, Maluku, Sulawesi Tengah, Sulawesi Tenggara, dan Sulawesi Utara. Sementara itu, wilayah dengan jumlah penduduk rendah dapat ditemukan di Gorontalo, Kalimantan Utara, Maluku Utara, Papua, Papua Barat, Papua Barat Daya, Papua Pegunungan, Papua Selatan, Papua Tengah, dan Sulawesi Barat.
Uji Multikolinearitas
Untuk melihat apakah terdapat hubungan yang kuat antarvariabel independen, dilakukan pengujian multikolinearitas menggunakan Variance Inflation Factor (VIF). Nilai VIF masing-masing variabel ditampilkan pada Tabel 2.
Berdasarkan Tabel 2, seluruh variabel independen memiliki nilai VIF dibawah dari 10. Hal ini menunjukkan bahwa tidak terdapat multikolinearitas, sehingga seluruh variabel dapat digunakan untuk analisis selanjutnya.
Model Regresi Poisson
Berdasarkan pemodelan yang telah dilakukan, diperoleh nilai estimasi parameter regresi Poisson sebagaimana disajikan pada Tabel 3.
Sehingga dari nilai estimasi parameter Regresi Poisson diperoleh model:
(3.1)
Berdasarkan hasil estimasi parameter, seluruh variabel independen memiliki nilai p-value yang lebih kecil dari taraf signifikansi 5%, sehingga dapat disimpulkan bahwa seluruh variabel berpengaruh signifikan terhadap jumlah korban kekerasan anak usia 0–17 tahun di Indonesia tahun 2025.
Uji Overdispersi
Uji overdispersi dilakukan untuk melihat apakah model Poisson memenuhi asumsi kesamaan rata-rata dan varians. Pemeriksaan dilakukan dengan membandingkan residual deviance atau Pearson chi-square terhadap derajat bebas. Nilai rasio yang lebih besar dari satu menunjukkan adanya overdispersi. Alfariz dan Purhadi (2019) menjelaskan bahwa data diskrit dalam praktik sering memiliki varians lebih besar daripada rata-rata, sehingga regresi Poisson menjadi kurang sesuai. Suliyanto et al. (2026) juga menggunakan uji overdispersi sebelum beralih ke regresi binomial negatif.
Berdasarkan pemeriksaan awal, rasio varians terhadap rata-rata jumlah korban kekerasan anak mencapai 544,88, dengan nilai rata-rata sebesar 606,39 dan varians sebesar 330.414,9. Nilai tersebut menunjukkan penyebaran data yang jauh lebih besar daripada rata-ratanya. Kondisi overdispersi membuat standard error pada regresi Poisson berpotensi menjadi terlalu kecil, sehingga pengujian signifikansi dapat memberikan kesimpulan yang terlalu optimistis. Oleh sebab itu, pemodelan dilanjutkan menggunakan regresi binomial negatif.
Model Regresi Binomial Negatif
Untuk mengatasi masalah overdispersi, digunakan model Regresi Binomial Negatif (Negative Binomial Regression/NBR) sehingga nilai estimasi parameter model Regresi Binomial Negatif dapat dilihat pada Tabel 4.
Sehingga, model yang terbentuk dari nilai estimasi parameter yang diperoleh adalah:
(3.2)
Berdasarkan hasil parameter, hanya intercept dan Persentase Penduduk Miskin (X1) yang signifikan terhadap Kekerasan Anak Usia 0-17 Tahun karena p-value yang diperoleh kurang dari taraf signifikansi 5%. Sedangkan sisanya yaitu Perkawinan Anak (X2), Tingkat Pengangguran Terbuka (X3), dan Persentase Rumah Tangga dengan Kepala Rumah Tangga Perempuan dan Jumlah Anggota Rumah Tangga ≥ 6 Orang (X4) tidak berpengaruh signifikan terhadap Kekerasan Anak Usia 0-17 Tahun, karena nilai p-value yang diperoleh lebih dari 5%.
Uji Efek Spasial
Efek Spasial dibagi menjadi dua, yaitu dependensi spasial dan keragaman (heterogenitas) spasial. Dependensi spasial menggunakan Moran’s I, dimana variabel pada satu lokasi berkorelasi dengan nilai variabel yang sama pada lokasi lain. Sedangkan, keragaman spasial menggunakan uji Breusch–Pagan test dimana variansi antar lokasi berbeda atau terdapat perbedaan karakteristik antara satu titik pengamatan dengan pengamatan lainnya.
Terlihat pada Tabel 5, Moran’s I dan Breusch–Pagan test memiliki nilai masing-masing dibawah dari taraf signifikansi yang diterapkan (5%). Sehingga dapat disimpulkan terjadi dependensi spasial dan keragaman spasial.
Hasil Pemodelan Geographically Weighted Negative Binomial Regression (GWNBR)
Berdasarkan Tabel 6, dilakukan perbandingan antara dua model, yaitu Global NBR dan model GWNBR untuk memilih model terbaik yang akan digunakan untuk analisis lebih lanjtut dengan melihat nilai AIC dan AICc tersendah. Dari kedua model tersebut, terlihat bahwa model GWNBR memiliki nilai AICc terendah yaitu sebesar 482.3297, jika dibandingkan dengan model Global NBR. Sehingga model terbaik yang digunakan untuk analisis adalah model GWNBR.
Selanjutnya, dilakukan pengelompokan provinsi berdasarkan variabel yang signifikan pada lokal Model GWNBR. Pengelompokan ini dilakukan, karena model GWNBR menghasilkan nilai estimasi yang berbeda untuk setiap lokasi, maka variabel yang berpengaruh signifikan terhadap variabel dependen juga dapat berbeda antarprovinsi.
Berdasarkan Tabel 7, terdapat tujuh klasifikasi provinsi berdasarkan variabel independen yang signifikan terhadap Kekerasan Anak Usia 0-17 Tahun, yang kemudian dibuat sebuah peta sebaran.
Gambar 7. Pengelompokan Provinsi Berdasarkan Variabel yang Signifikan dalam Model GWNBR
Terlihat pada Gambar 7 dan Tabel 7, provinsi yang sama sekali tidak memiliki variabel independen yang signifikan sebagian besar meliputi Pulau Kalimantan, Sulawesi, dan Nusa Tenggara dengan beberapa pada pulau Jawa yang berjumlah 16 provinsi. Sedangkan provinsi dengan seluruh variabel independennya signifikan terhadap variabel dependen ada di Pulau Papua, tepatnya pada Papua Barat, Papua Barat Daya, dan Papua Tengah. Provinsi yang tersisa hanya provinsi yang memiliki beberapa variabel independen yang signifikan, seperti di Sulawesi Utara yang hanya memiliki satu variabel yang signifikan, yaitu Persentase penduduk miskin (X1) atau di Bengkulu di mana hanya variabel independen (X4) yang tidak signifikan.
Terdapat 22 provinsi yang memiliki sekurang-kurangnya satu variabel prediktor yang signifikan secara lokal pada taraf signifikansi 5%. Persamaan model lokal berdasarkan koefisien prediktor yang signifikan pada masing-masing provinsi disajikan pada Tabel 8.
Pembahasan
Berdasarkan Tabel 7 dan Tabel 8, hasil pemodelan Geographically Weighted Negative Binomial Regression (GWNBR) menunjukkan bahwa hubungan antara faktor sosial-ekonomi dan jumlah korban kekerasan anak usia 0–17 tahun yang dilaporkan tidak bersifat seragam pada seluruh provinsi di Indonesia. Perbedaan variabel yang signifikan secara lokal menunjukkan bahwa karakteristik wilayah memiliki peran penting dalam menjelaskan variasi jumlah korban kekerasan anak. Dari 38 provinsi yang dianalisis, terdapat 22 provinsi yang memiliki sekurang-kurangnya satu variabel prediktor signifikan, sedangkan 16 provinsi lainnya tidak menunjukkan adanya variabel signifikan pada taraf signifikansi 5%.
Hasil pemodelan GWNBR menunjukkan bahwa Persentase Penduduk Miskin (X1) merupakan variabel yang signifikan secara lokal pada 22 provinsi, yaitu Aceh, Banten, Bengkulu, DKI Jakarta, Jambi, Jawa Barat, Kepulauan Bangka Belitung, Kepulauan Riau, Lampung, Maluku, Maluku Utara, Papua, Papua Barat, Papua Barat Daya, Papua Pegunungan, Papua Selatan, Papua Tengah, Riau, Sulawesi Utara, Sumatera Barat, Sumatera Selatan, dan Sumatera Utara. Luasnya cakupan wilayah tersebut menunjukkan bahwa kondisi ekonomi perlu diperhatikan dalam menjelaskan variasi jumlah korban kekerasan terhadap anak yang dilaporkan. Tekanan ekonomi dapat memperbesar beban keluarga, membatasi pemenuhan kebutuhan dasar anak, serta meningkatkan kerentanan anak terhadap kekerasan, penelantaran, dan eksploitasi. Keterkaitan tersebut dapat dilihat pada kasus eksploitasi anak yang diberitakan terjadi di Kabupaten Karawang, Jawa Barat, pada Juni 2025. Enam anak diduga dipaksa oleh orang tuanya untuk mengemis secara bergantian di jalan dan kawasan Pasar Rengasdengklok. Anak termuda masih berusia tiga tahun dan turut dilibatkan dalam kegiatan mengemis. Berdasarkan keterangan Dinas Sosial Kabupaten Karawang yang dimuat dalam pemberitaan, anak-anak tersebut tidak disekolahkan agar dapat mengemis dan membantu perekonomian keluarga (kumparanNEWS, 2025). Kasus lain diberitakan terjadi di Kota Ambon, Provinsi Maluku, pada 2025. Kementerian Pemberdayaan Perempuan dan Perlindungan Anak menyoroti dugaan kekerasan seksual terhadap seorang anak perempuan berusia 16 tahun yang melibatkan seorang oknum aparat. Berdasarkan laporan lapangan, pelaku diduga memanfaatkan kondisi perekonomian korban yang berada dalam situasi serba kekurangan (KemenPPPA, 2025b). Kasus tersebut menunjukkan bahwa kerentanan ekonomi tidak hanya dapat meningkatkan tekanan di dalam keluarga, tetapi juga dapat dimanfaatkan oleh pihak lain untuk mengeksploitasi anak yang berada dalam posisi lemah.
Meskipun demikian, Persentase Penduduk Miskin memiliki arah koefisien negatif pada seluruh provinsi yang signifikan. Nilai koefisien berada pada rentang -0,214 di Sulawesi Utara hingga -0,647 di Papua Selatan. Arah negatif tersebut menunjukkan bahwa peningkatan Persentase Penduduk Miskin berkaitan dengan penurunan jumlah korban kekerasan anak yang dilaporkan dan tercatat dalam sistem resmi, dengan asumsi variabel lain tetap. Temuan ini bukan berarti peningkatan kemiskinan dapat menurunkan risiko kekerasan terhadap anak. Angka yang digunakan dalam penelitian merupakan jumlah korban yang dilaporkan dan tercatat dalam sistem resmi. Oleh karena itu, koefisien negatif tersebut dapat berkaitan dengan rendahnya keberanian korban atau keluarga untuk melapor, keterbatasan akses terhadap layanan perlindungan anak, belum meratanya sistem pencatatan, serta adanya kasus yang diselesaikan secara internal oleh keluarga atau lingkungan sekitar. Dengan kata lain, jumlah laporan yang rendah belum tentu menunjukkan bahwa kekerasan terhadap anak benar-benar lebih sedikit.
Variabel Perkawinan Anak (X2) signifikan secara lokal pada 16 provinsi, yaitu Aceh, Bengkulu, Jambi, Kepulauan Riau, Maluku, Maluku Utara, Papua, Papua Barat, Papua Barat Daya, Papua Pegunungan, Papua Selatan, Papua Tengah, Riau, Sumatera Barat, Sumatera Selatan, dan Sumatera Utara. Temuan tersebut menunjukkan bahwa perkawinan anak merupakan salah satu persoalan sosial yang perlu diperhatikan dalam membaca kerentanan anak pada wilayah-wilayah tersebut. Perkawinan pada usia anak dapat menyebabkan terhentinya pendidikan, membatasi perkembangan psikologis dan sosial anak, serta menempatkan anak dalam relasi kuasa yang tidak seimbang.
Berdasarkan Tabel 8, arah koefisien Perkawinan Anak berbeda antarwilayah. Koefisien negatif ditemukan pada Aceh sebesar -0,195, Bengkulu sebesar -0,211, Jambi sebesar -0,213, Kepulauan Riau sebesar -0,194, Riau sebesar -0,222, Sumatera Barat sebesar -0,235, Sumatera Selatan sebesar -0,182, dan Sumatera Utara sebesar -0,221. Sebaliknya, koefisien positif ditemukan pada Maluku sebesar 0,366, Maluku Utara sebesar 0,219, Papua sebesar 0,626, Papua Barat sebesar 0,503, Papua Barat Daya sebesar 0,442, Papua Pegunungan sebesar 0,648, Papua Selatan sebesar 0,649, dan Papua Tengah sebesar 0,587. Koefisien positif menunjukkan bahwa peningkatan persentase Perkawinan Anak berkaitan dengan peningkatan jumlah korban kekerasan anak yang dilaporkan pada wilayah tersebut, dengan asumsi variabel lain tetap. Pola tersebut terutama ditemukan di Maluku dan sejumlah provinsi di wilayah Papua. Sementara itu, arah negatif yang ditemukan pada sejumlah provinsi di wilayah barat Indonesia tidak berarti bahwa perkawinan anak dapat mengurangi risiko kekerasan. Arah tersebut dapat berkaitan dengan perbedaan kualitas pelaporan, rendahnya pencatatan perkawinan anak yang berlangsung secara tidak resmi, budaya diam, serta keterbatasan akses korban terhadap layanan perlindungan.
Variabel Tingkat Pengangguran Terbuka (X3) signifikan secara lokal pada 14 provinsi, yaitu Banten, Bengkulu, Jambi, Kepulauan Riau, Lampung, Papua, Papua Barat, Papua Barat Daya, Papua Pegunungan, Papua Selatan, Papua Tengah, Riau, Sumatera Barat, dan Sumatera Selatan. Tingginya pengangguran dapat mencerminkan ketidakstabilan ekonomi keluarga dan keterbatasan kesempatan kerja. Kondisi tersebut berpotensi meningkatkan tekanan psikologis dalam rumah tangga, memperbesar konflik keluarga, serta melemahkan kemampuan orang tua dalam menjalankan fungsi pengasuhan.
Berdasarkan Tabel 8, arah koefisien Tingkat Pengangguran Terbuka berbeda antarwilayah. Koefisien negatif ditemukan pada Banten sebesar -0,173, Bengkulu sebesar -0,236, Jambi sebesar -0,219, Kepulauan Riau sebesar -0,188, Lampung sebesar -0,202, Riau sebesar -0,192, Sumatera Barat sebesar -0,204, dan Sumatera Selatan sebesar -0,216. Sementara itu, koefisien positif ditemukan pada Papua sebesar 0,514, Papua Barat sebesar 0,298, Papua Barat Daya sebesar 0,227, Papua Pegunungan sebesar 0,551, Papua Selatan sebesar 0,549, dan Papua Tengah sebesar 0,433. Koefisien positif menunjukkan bahwa peningkatan Tingkat Pengangguran Terbuka berkaitan dengan peningkatan jumlah korban kekerasan anak yang dilaporkan pada sejumlah provinsi di wilayah Papua, dengan asumsi variabel lain tetap. Tidak adanya pekerjaan dan pendapatan yang stabil dapat meningkatkan tekanan psikologis, konflik rumah tangga, dan kesulitan memenuhi kebutuhan dasar keluarga. Sebaliknya, arah negatif pada sejumlah provinsi tidak dapat ditafsirkan bahwa peningkatan pengangguran dapat menurunkan risiko kekerasan anak. Temuan tersebut dapat dipengaruhi oleh rendahnya pelaporan kasus, keterbatasan akses terhadap layanan, serta adanya faktor sosial dan budaya lain yang belum dimasukkan ke dalam model.
Variabel Persentase Rumah Tangga dengan Kepala Rumah Tangga Perempuan dan Jumlah Anggota Rumah Tangga sekurang-kurangnya enam orang (X4) signifikan secara lokal pada lima provinsi, yaitu Maluku, Maluku Utara, Papua Barat, Papua Barat Daya, dan Papua Tengah. Variabel ini menggambarkan kondisi rumah tangga dengan kebutuhan ekonomi dan pengasuhan yang relatif kompleks. Jumlah anggota rumah tangga yang besar dapat meningkatkan beban pemenuhan kebutuhan keluarga dan kebutuhan pengawasan terhadap anak, terutama apabila keluarga tidak memperoleh dukungan sosial dan ekonomi yang memadai.
Berdasarkan Tabel 8, variabel tersebut menunjukkan arah koefisien positif pada seluruh provinsi yang signifikan. Arah positif tersebut menunjukkan bahwa peningkatan persentase rumah tangga dengan kepala rumah tangga perempuan dan jumlah anggota sekurang-kurangnya enam orang berkaitan dengan peningkatan jumlah korban kekerasan anak yang dilaporkan, dengan asumsi variabel lain tetap.
Tidak ditemukannya variabel signifikan secara lokal pada suatu provinsi bukan berarti bahwa provinsi tersebut bebas dari kekerasan terhadap anak atau hanya memiliki sedikit kasus. Hasil tersebut hanya menunjukkan bahwa empat variabel yang digunakan dalam penelitian belum mampu menjelaskan variasi jumlah korban kekerasan anak yang dilaporkan secara signifikan pada taraf 5% di wilayah tersebut. Faktor lain yang belum dimasukkan ke dalam model dapat berperan, seperti pola pengasuhan, relasi kuasa, pengawasan lembaga pendidikan dan pengasuhan, kualitas layanan perlindungan, akses terhadap kanal pelaporan, dan keberanian korban untuk melapor. Kondisi tersebut dapat dilihat pada kasus dugaan kekerasan terhadap anak di Daycare Little Aresha, Daerah Istimewa Yogyakarta, pada April 2026. Aparat kepolisian menetapkan 13 orang sebagai tersangka, mulai dari pimpinan lembaga hingga staf pengasuh. Berdasarkan laporan sementara, sebanyak 53 anak terindikasi mengalami kekerasan dari total 103 anak yang terdaftar. Bentuk kekerasan yang diberitakan antara lain pengikatan tangan dan kaki anak, tidak terpenuhinya kebutuhan makan dan minum secara layak, serta pembiaran anak tidur tanpa alas dengan hanya mengenakan popok (Dewan Perwakilan Rakyat Republik Indonesia, 2026). Kasus ini menunjukkan bahwa kekerasan dapat terjadi di lembaga pengasuhan yang semestinya menjadi ruang aman bagi anak. Kasus perkawinan anak juga ditemukan pada wilayah yang tidak menunjukkan adanya variabel signifikan secara lokal. Di Kabupaten Lombok Tengah, Nusa Tenggara Barat, KemenPPPA menyoroti perkawinan yang melibatkan anak laki-laki berusia 17 tahun dan anak perempuan berusia 15 tahun pada Mei 2025. KemenPPPA menegaskan bahwa pemaksaan perkawinan anak merupakan salah satu bentuk kekerasan seksual sebagaimana diatur dalam Undang-Undang Tindak Pidana Kekerasan Seksual (KemenPPPA, 2025c). Kasus lain terjadi di Samarinda, Kalimantan Timur, pada Mei 2025. KemenPPPA menindaklanjuti dugaan kekerasan seksual terhadap anak yang dilakukan oleh ayah tirinya. Penanganan kasus mencakup pendampingan psikologis, pendampingan kehamilan, pemenuhan hak korban, dan keberlanjutan pendidikan. KemenPPPA menegaskan bahwa kekerasan seksual terhadap anak kerap melibatkan orang-orang dari lingkungan terdekat, seperti keluarga, tetangga, dan kerabat (KemenPPPA, 2025d). Kasus ini menunjukkan bahwa kedekatan pelaku dengan korban serta lemahnya perlindungan dalam keluarga merupakan faktor penting yang belum sepenuhnya tercakup dalam variabel penelitian. Di Kabupaten Sumenep, Jawa Timur, KemenPPPA pada Juli 2025 juga menyoroti kasus kekerasan seksual yang dilakukan oleh seorang pengasuh pondok pesantren terhadap sembilan santri. Dugaan kekerasan berlangsung sejak 2016 hingga 2024 dan baru dilaporkan kepada kepolisian pada Juni 2025. Kasus tersebut menunjukkan bahwa relasi kuasa, ketertutupan lembaga, dan lemahnya sistem pengawasan dapat menyebabkan kekerasan berlangsung dalam waktu lama sebelum akhirnya terungkap (KemenPPPA, 2025e).
Secara keseluruhan, hasil GWNBR dan kasus-kasus yang diberitakan menunjukkan bahwa kekerasan terhadap anak merupakan persoalan multidimensional. Variabel sosial-ekonomi yang signifikan secara lokal dapat membantu mengidentifikasi karakteristik wilayah yang perlu memperoleh perhatian khusus. Namun, variabel tersebut tidak dapat menjelaskan seluruh kejadian kekerasan anak. Pada wilayah yang tidak menunjukkan adanya variabel signifikan, kasus kekerasan tetap dapat terjadi akibat relasi kuasa, lemahnya pengawasan lembaga, pola pengasuhan yang tidak tepat, keterbatasan akses layanan, serta rendahnya keberanian korban untuk melapor. Oleh karena itu, kebijakan perlindungan anak perlu menggabungkan intervensi sosial-ekonomi dengan penguatan sistem pengawasan, layanan pengaduan, pencatatan kasus, dan pemulihan korban.
Keterbatasan Penelitian
Penelitian ini memiliki beberapa keterbatasan yang perlu diperhatikan.
Pertama, data kekerasan anak yang digunakan bersumber dari SIMFONI PPA, sehingga hanya mencakup kasus yang dilaporkan dan tercatat dalam sistem resmi. Angka tersebut belum tentu menggambarkan seluruh kejadian kekerasan anak yang benar-benar terjadi di masyarakat. Masalah underreporting masih mungkin terjadi karena korban takut melapor, keluarga memilih menyelesaikan kasus secara internal, pelaku berasal dari lingkungan dekat korban, atau akses terhadap layanan pengaduan belum merata.
Kedua, unit analisis penelitian ini berada pada tingkat provinsi. Penggunaan data provinsi membantu melihat pola umum secara nasional, tetapi dapat menyembunyikan variasi yang lebih kecil di tingkat kabupaten/kota. Dalam satu provinsi, kondisi sosial-ekonomi, akses layanan, norma masyarakat, dan kapasitas kelembagaan dapat berbeda tajam antarwilayah. Akibatnya, hasil pada tingkat provinsi belum tentu mewakili kondisi seluruh kabupaten/kota di dalamnya.
Ketiga, variabel penjelas dalam penelitian ini masih terbatas pada empat indikator, yaitu Persentase Penduduk Miskin X1, Perkawinan Anak X2, Tingkat Pengangguran Terbuka X3, dan Persentase Rumah Tangga dengan Kepala Rumah Tangga Perempuan dan Jumlah Anggota Rumah Tangga ≥ 6 Orang X4. Kekerasan anak merupakan persoalan sosial yang kompleks, sehingga masih ada faktor lain yang belum dimasukkan ke dalam model. Beberapa faktor yang berpotensi penting adalah tingkat pendidikan orang tua, kepadatan penduduk, kualitas layanan perlindungan anak, akses internet dan informasi, jumlah lembaga layanan anak, kondisi budaya setempat, serta kapasitas pelaporan di setiap daerah.
Keempat, jumlah penduduk digunakan sebagai offset dalam model. Penggunaan offset ini membantu mengontrol perbedaan ukuran populasi antarprovinsi, tetapi masih dapat diperbaiki. Karena variabel respon dalam penelitian ini adalah jumlah korban kekerasan anak usia 0–17 tahun, offset yang lebih spesifik sebaiknya menggunakan jumlah penduduk anak usia 0–17 tahun. Dengan demikian, risiko kasus dapat dibandingkan terhadap populasi yang benar-benar menjadi kelompok sasaran penelitian.
Saran
Penelitian selanjutnya disarankan menggunakan unit analisis yang lebih rinci, seperti kabupaten/kota. Penelitian berikutnya juga perlu menambahkan variabel yang lebih dekat dengan mekanisme terjadinya kekerasan anak. Variabel seperti tingkat pendidikan orang tua, kepadatan penduduk, akses layanan kesehatan mental, jumlah fasilitas perlindungan anak, rasio petugas layanan sosial, kualitas pelaporan kasus, dan indikator budaya lokal dapat memperkuat kemampuan model dalam menjelaskan variasi kasus antarwilayah.
Bagi pemerintah, hasil penelitian ini dapat digunakan sebagai dasar untuk menyusun kebijakan perlindungan anak yang lebih terarah. Provinsi dengan variabel signifikan yang berbeda perlu mendapatkan bentuk intervensi yang berbeda pula. Wilayah dengan pengaruh perkawinan anak perlu diperkuat melalui pencegahan perkawinan usia dini dan edukasi keluarga. Wilayah dengan pengaruh pengangguran perlu dikaitkan dengan penguatan ekonomi rumah tangga. Wilayah dengan pengaruh struktur rumah tangga rentan perlu mendapatkan pendampingan keluarga, layanan pengasuhan, dan dukungan sosial yang lebih dekat dengan masyarakat.
Selain itu, pemerintah pusat dan daerah perlu memperkuat pengawasan terhadap lembaga yang berhubungan langsung dengan anak, seperti daycare, PAUD, sekolah, pesantren, panti asuhan, dan lembaga pengasuhan. Kasus di Yogyakarta, Jawa Timur, Jawa Tengah, dan Sulawesi Utara menunjukkan bahwa kekerasan anak tidak hanya terjadi di lingkungan keluarga, tetapi juga dapat muncul di lembaga yang seharusnya menjadi ruang aman. Oleh karena itu, regulasi daerah perlu memuat kewajiban audit rutin, standar rekrutmen pengasuh dan pendidik, pemeriksaan rekam jejak, pelatihan perlindungan anak, SOP pelaporan rahasia, serta sanksi bagi lembaga yang lalai.
Pemerintah pusat dan daerah juga perlu memperbaiki kualitas data kekerasan anak. Penguatan SIMFONI PPA, peningkatan kapasitas UPTD PPA, penyediaan kanal pelaporan yang aman, serta edukasi masyarakat tentang hak anak perlu menjadi prioritas. Laporan yang muncul melalui media sosial juga perlu ditindaklanjuti secara hati-hati melalui mekanisme verifikasi yang cepat, aman, dan berpihak kepada korban. Data yang lebih lengkap akan membuat model statistik lebih akurat dan membantu pemerintah menyusun kebijakan yang lebih tepat sasaran.
4. KESIMPULAN
Penelitian ini memodelkan jumlah korban kekerasan anak usia 0–17 tahun di Indonesia tahun 2025 dengan metode Geographically Weighted Negative Binomial Regression.
Hasil uji multikolinearitas menunjukkan bahwa seluruh variabel independen memiliki nilai VIF di bawah 10, sehingga tidak terdapat masalah multikolinearitas. Model Poisson belum memadai karena data mengalami overdispersi yang sangat tinggi, dengan rasio varians terhadap rata-rata sebesar 544,88. Oleh karena itu, pemodelan dilanjutkan menggunakan Regresi Binomial Negatif dan GWNBR. Hasil perbandingan model menunjukkan bahwa GWNBR memiliki nilai AICc sebesar 482,3297, lebih kecil dibandingkan nilai AIC Global NBR sebesar 520,39. Dengan demikian, GWNBR menjadi model yang lebih sesuai untuk menggambarkan jumlah korban kekerasan anak di Indonesia tahun 2025.
Hasil GWNBR menunjukkan adanya variasi pengaruh variabel independen antarprovinsi. Sebanyak 16 provinsi tidak memiliki variabel yang signifikan secara lokal, sedangkan provinsi lain menunjukkan kombinasi variabel signifikan yang berbeda. Papua Barat, Papua Barat Daya, dan Papua Tengah menjadi wilayah yang seluruh variabel independennya signifikan secara lokal. Pada Papua Tengah, Perkawinan Anak X2, Tingkat Pengangguran Terbuka X3, dan Persentase Rumah Tangga dengan Kepala Rumah Tangga Perempuan dan Jumlah Anggota Rumah Tangga ≥ 6 X4 Orang memiliki arah hubungan positif terhadap jumlah korban kekerasan anak. Sementara itu, Persentase Penduduk Miskin X1 menunjukkan arah hubungan negatif. Arah negatif dapat dipengaruhi oleh rendahnya pelaporan kasus, keterbatasan akses layanan, atau belum meratanya sistem pencatatan di wilayah dengan kondisi sosial-ekonomi yang lebih rentan.
Temuan penelitian ini menegaskan bahwa kekerasan anak memiliki pola spasial yang berbeda antarwilayah. Kebijakan perlindungan anak perlu disusun berdasarkan kondisi lokal tiap provinsi, terutama pada wilayah dengan faktor risiko sosial-ekonomi yang signifikan. Pemerintah juga perlu memperkuat sistem pencatatan dan pelaporan agar data kekerasan anak lebih mencerminkan kondisi di lapangan.
Tim Penulis:
Patonangi M., Muh. Imam Bukhari, Haura Insiyah Bahar, Febi Gracia Arruan Pasilong, Sadila Nailil Muna, Adelia Amelia
DAFTAR PUSTAKA
Agustin, M., Saripah, I., & Gustiana, A. D. (2018). Analisis tipikal kekerasan pada anak dan faktor yang melatarbelakanginya. JIV-Jurnal Ilmiah Visi, 13(1), 1–10. https://doi.org/10.21009/JIV.1301.1
Agustina, G. (2019). Pemodelan metode Geographic Weighted Negative Binomial Regression (GWNBR): Studi kasus jumlah kasus DBD di Kabupaten Lampung Timur tahun 2016. Skripsi. Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Lampung. https://digilib.unila.ac.id/54393/
Alfariz, F. N., & Purhadi, P. (2019). Pemodelan jumlah anak putus sekolah usia wajib belajar dan jumlah wanita menikah dini di Jawa Timur dengan pendekatan Geographically Weighted Bivariate Negative Binomial Regression. Jurnal Sains dan Seni ITS, 8(2), 10.12962/j23373520.v8i2.44402.
Delvia, N., Mustafid, M., & Yasin, H. (2021). Geographically weighted negative binomial regression untuk menangani overdispersi pada jumlah penduduk miskin. Jurnal Gaussian, 10(4), 532–543. https://ejournal3.undip.ac.id/index.php/gaussian/article/view/33106
Dewan Perwakilan Rakyat Republik Indonesia. (2026, April 29). Kasus kekerasan anak di daycare Jogja cerminkan kegagalan sistem: Bongkar dan evaluasi! https://www.dpr.go.id/kegiatan-dpr/berita/Kasus-Kekerasan-Anak-di-Daycare-Jogja-Cerminkan-Kegagalan-Sistem-Bongkar-dan-Evaluasi-64879
Fitriana, Y., Pratiwi, K., & Sutanto, A. V. (2015). Faktor-faktor yang berhubungan dengan perilaku orang tua dalam melakukan kekerasan verbal terhadap anak usia pra-sekolah. Jurnal Psikologi, 14(1), 81–93. https://doi.org/10.14710/jpu.14.1.81-93
Kementerian Pemberdayaan Perempuan dan Perlindungan Anak. (2023). SIMFONI PPA: Sistem Informasi Online Perlindungan Perempuan dan Anak. https://www.kemenpppa.go.id/simfoni
Kementerian Pemberdayaan Perempuan dan Perlindungan Anak Republik Indonesia. (2025a, August 6). Menteri PPPA: Banyak perempuan dan anak korban kekerasan tidak berani melapor. https://www.kemenpppa.go.id/siaran-pers/menteri-pppa-banyak-perempuan-dan-anak-korban-kekerasan-tidak-berani-melapor
Kementerian Pemberdayaan Perempuan dan Perlindungan Anak Republik Indonesia. (2025b, October 19). Tak ada ruang bagi pelaku kekerasan seksual, negara hadir lindungi anak korban di Ambon. https://www.kemenpppa.go.id/siaran-pers/tak-ada-ruang-bagi-pelaku-kekerasan-seksual-negara-hadir-lindungi-anak-korban-di-ambon
Kementerian Pemberdayaan Perempuan dan Perlindungan Anak Republik Indonesia. (2025c, May 29). Perkawinan usia anak di Lombok Tengah, pelanggaran serius hak anak. https://www.kemenpppa.go.id/siaran-pers/perkawinan-usia-anak-di-lombok-tengah-pelanggaran-serius-hak-anak
Kementerian Pemberdayaan Perempuan dan Perlindungan Anak Republik Indonesia. (2025d, May 10). Menteri PPPA kawal kasus kekerasan seksual anak di Kaltim, fokus pada pemulihan dan hak pendidikan. https://www.kemenpppa.go.id/siaran-pers/menteri-pppa-kawal-kasus-kekerasan-seksual-anak-di-kaltim-fokus-pada-pemulihan-dan-hak-pendidikan
Kementerian Pemberdayaan Perempuan dan Perlindungan Anak Republik Indonesia. (2025e, July 26). Menteri PPPA kecam kasus kekerasan seksual terhadap santri di Sumenep. https://www.kemenpppa.go.id/siaran-pers/menteri-pppa-kecam-kasus-kekerasan-seksual-terhadap-santri-di-sumenep
kumparanNEWS. (2025, June 27). Saat 6 anak di Karawang dipaksa mengemis oleh ortu. Kumparan. https://kumparan.com/kumparannews/saat-6-anak-di-karawang-dipaksa-mengemis-oleh-ortu-25LTxSALBUt
Mar’ah, Z., Rais, Z., & Haris, A. S. (2023). GEOGRAPHICALLY WEIGHTED NEGATIVE BINOMIAL REGRESSION (GWNBR) IN MODELING THE RISK FACTORS OF PNEUMONIA DISEASE AMONG TODDLERS IN THE CENTRAL SULAWESI PROVINCE. VARIANSI: Journal of Statistics and Its Application on Teaching and Research, 5(03), 118-131. https://jurnalvariansi.unm.ac.id/index.php/variansi/article/view/151
Marlina, H., & Febriana. (2016). Penyebab narapidana wanita melakukan kekerasan fisik pada anak di Lembaga Pemasyarakatan Kota Pekanbaru tahun 2015. Al-Insyirah Midwifery: Jurnal Ilmu Kebidanan, 5(1), 35–45. https://jurnal.ikta.ac.id/kebidanan/id/article/view/8
Priambodo, B. W. Y., & Irhamah. (2019). Pemetaan jumlah property crime di Provinsi Jawa Timur menggunakan metode Geographically Weighted Negative Binomial Regression (GWNBR) dan Geographically Weighted Poisson Regression (GWPR). Inferensi, 2(2), 53–58. https://doi.org/10.12962/j27213862.v2i2.6818
Rini, D. S. (2018). Geographically Weighted Negative Binomial Regression untuk jumlah kasus Demam Berdarah Dengue kabupaten/kota Provinsi Bengkulu. PRISMA, Prosiding Seminar Nasional Matematika, 1, 736–744.
Salim, M. I. (2023). Geographically Weighted Negative Binomial Regression pada data jumlah penduduk miskin di Sulawesi Selatan. Jurnal MSA (Matematika dan Statistika serta Aplikasinya), 11(1), 26–32. https://doi.org/10.24252/msa.v11i1.26183
Simamora, P. A., & Ratnasari, V. (2014). Pemodelan persentase kriminalitas dan faktor-faktor yang mempengaruhi di Jawa Timur dengan pendekatan Geographically Weighted Regression (GWR). Jurnal Sains dan Seni POMITS, 3(1), D18–D23. https://media.neliti.com/media/publications/15399-ID-pemodelan-persentase-kriminalitas-dan-faktor-faktor-yang-mempengaruhi-di-jawa-ti.pdf
Sugianto, S. (2012). Menghindari kekerasan terhadap anak menurut perspektif Undang-Undang Perlindungan Anak. De Jure: Jurnal Hukum dan Syar’iah, 4(1), 62–69. https://doi.org/10.18860/j-fsh.v4i1.2159
Suliyanto, S., Amelia, D., Putri, L. A., & Anggakusuma, A. C. (2026). Spatial analysis of child violence victims in West Java in 2024 using Geographically Weighted Negative Binomial Regression. CAUCHY: Jurnal Matematika Murni dan Aplikasi, 11(1), 325–339. https://doi.org/10.18860/cauchy.v11i1.40390
Suradi, S. (2013). Problema dan solusi strategis kekerasan terhadap anak. Informasi, 18(2), 183–202. https://media.neliti.com/media/publications/52826-ID-problema-dan-solusi-strategis-kekerasan.pdf