Anda di halaman 1dari 9

Lampiran 1.1. Small Area Estimation (SAE) untuk analisis data dan indikator FSVA tingkat Provinsi 1.

1 Latar Belakang
Dewan Ketahanan Pangan (DKP) dan World Food Programme (WFP) mengembangkan bersama-sama Peta Ketahanan dan Kerentanan Pangan (Food Security and Vulnerability Atlas-FSVA) edisi kedua. FSVA tingkat nasional tersebut telah diluncurkan oleh Presiden Republik Indonesia dan Menteri Pertanian pada tanggal 24 Mei 2010 di dalam forum pertemuan tahunan Dewan Ketahanan Pangan di Jakarta. Berdasarkan INPRES No. 1 tahun 19 Februari 2010, DKP melalui Badan Ketahanan Pangan - Kementerian Pertanian (BKP) selaku sekretariat DKP merencanakan pengembangan FSVA tingkat provinsi di mana tingkat analisisnya sampai dengan kecamatan, yang berkaitan untuk meningkatkan kemampuan dalam targeting dan efektifitas penanganan kerawanan pangan dan gizi. Tim Asistensi FSVA Pusat telah dibentuk oleh BKP pada bulan Februari 2010, dengan WFP menjadi salah satu anggota tim. WFP berkomitmen untuk menyediakan bantuan teknis pada tingkat nasional, provinsi maupun kabupaten yang meliputi proses pengumpulan data, validasi data, konsolidasi, analisis, pembuatan laporan dan pelatihan untuk pelatih (Training of Trainers-ToT). Metode Small Area Estimation (SAE) yang menghasilkan beberapa indikator merupakan salah satu metode analisis yang diperlukan dalam pengembangan FSVA tingkat provinsi. Sehubungan dengan terbatasnya kemampuan teknis metode SAE, maka DKP dan WFP telah bekerjasama dengan ahli-ahli SAE dari Badan Pusat Statistik (BPS) dan Institut Pertanian Bogor (IPB) untuk menyediakan indikator-indikator FSVA tingkat provinsi dengan menggunakan metode SAE.

1.2

Tujuan

SAE merupakan suatu metode yang menggunakan modeling untuk mengestimasi karakteristik suatu data sosial ekonomi yang memiliki tingkat agregasi tinggi (provinsi atau kabupaten) ke tingkat agregasi yang lebih rendah (kabupaten atau desa atau rumahtangga) karena terbatasnya ketersediaan data primer pada tingkat agregasi rendah. Kebutuhan terhadap metode SAE telah meningkat secara signifikan selama kurun waktu 10 tahun terakhir dan metode ini telah digunakan dan di akui secara internasional. Di Indonesia, metode SAE telah digunakan oleh BPS, Bank Dunia dan SMERU untuk menghitung angka kemiskinan pada tahun 2000 serta pengembangan Peta Gizi (Nutrition Map) oleh BPS dan WFP pada tahun 2006. Pada tahun 2010, metode SAE menjadi hal yang sangat penting untuk analisis dan pengembangan FSVA tingkat provinsi dengan level analisis sampai dengan tingkat kecamatan. Hal ini berkaitan dengan hasil review ketersediaan data untuk FSVA di Provinsi NTB, NTT dan Jawa Timur dimana beberapa data dan indikator seperti angka kemiskinan, angka harapan hidup, perempuan buta huruf, akses ke listrik, akses ke air bersih hanya tersedia pada tingkat kabupaten saja bukan pada tingkat kecamatan. Tujuan dari analisis SAE ini adalah menyiapkan data dan indikator untuk pengembangan FSVA tingkat provinsi di 33 provinsi dengan tingkat analisis sampai dengan tingkat kecamatan. Data dan indikator yang akan di analisis adalah sebagai berikut: Persentase penduduk hidup di bawah garis kemiskinan; Persentase rumah tangga tanpa akses listrik; Persentase rumah tangga tanpa akses ke air bersih; Perempuan Buta Huruf; Angka harapan hidup pada saat lahir;

Rata-rata konsumsi kalori per kapita menurut golongan makanan dan golongan pengeluaran setiap bulan; dan Rata-rata konsumsi protein per kapita menurut golongan makanan dan golongan pengeluaran setiap bulan.

1.3

Dataset

Model SAE yang digunakan untuk FSVA tingkat provinsi menggunakan 3 sumber data: Survei Sosial Ekonomi (SUSENAS) KOR Juli 2007, Juli 2008 dan Juli 2009: untuk menyediakan data tentang karakteristik individu dan rumah tangga. Beberapa variabel atau karakteristik individu dan rumahtangga tersebut selanjutnya digunakan sebagai variabel penjelas (explanatory variables) atau variabel dependent dalam model. Kombinasi kedua jenis variabel tersebut digunakan dalam merunning model. Jumlah sampel SUSENAS KOR adalah sekitar 270,000 yang ditujukan untuk estimasi kabupaten/kota dan provinsi. Jumlah sampel masing-masing kabupaten/kota berbedabeda. 1

SUSENAS MODUL KONSUMSI Juli 2008: untuk menyediakan data tentang rata-rata pengeluaran makanan dan rata-rata konsumsi kalori/protein per kapita yang digunakan sebagai valiabel target (target variable). Jumlah sampel Susenas Modul adalah sekitar 270,000 rumah tangga untuk seluruh Indonesia. Jumlah sampel masing-masing kabupaten/kota dan provinsi berbeda-beda. Estimasi ditujukan sampai tingkat kabupaten/kota dan provinsi.

Potensi Desa (PODES) 2008: untuk menyediakan data pada tingkat masyarakat (desa/kelurahan) yang digunakan sebagai informasi mengenai lokasi (locational information). PODES mencakup seluruh desa di seluruh Indonesia. Khusus PODES 2008 ditujukan untuk persiapan Sensus Penduduk 2010.

1.4

Metode

Metode indirect adalah metode yang paling sering digunakan dalam SAE karena kelebihannya dalam menggunakan berbagai sumber informasi tidak terbatas pada waktu dan cakupan wilayah. Beberapa metode indirect yang pernah digunakan adalah metode Fay Herriot dan metode Elbers ( et.al). Pada analisis FSVA ini akan digunakan metode Elbers (et.al) karena sudah menyediakan aplikasi yang interaktif dan lebih efisien dalam teknisnya. Metode ini menggabungkan dua kriteria sumber data yang berbeda, data yang diperoleh dari survei dan data yang diperoleh dari sensus (pencacahan lengkap). Data survei pada umumnya memiliki keterbatasan dalam jumlah observasi (sampel), sehingga hanya bisa digunakan untuk estimasi di tingkat tertentu. Meskipun demikian, data survei memiliki kelengkapan informasi yang lebih baik. Misalnya mengenai pengeluaran atau pendapatan. Di sisi lain, data sensus memiliki cakupan observasi yang menyeluruh (semua populasi) tetapi memuat informasi yang terbatas. Metode ini memanfaatkan kelebihan dari masing-masing jenis data untuk mendapatkan estimasi dari ukuran-ukuran indikator dan ketimpangan pada tingkat yang lebih rendah. Karena kemampuannya dalam mengestimasi pada tingkat agregasi yang lebih rendah, ukuran-ukuran indikator yang dihasilkan akan sangat bermanfaat untuk keperluan targeting dari program-program pemerintah ataupun kebijakan-kebijakan yang berorientasi pada tingkat wilayah kecil. Sesuai ketersediaan data, maka untuk analisis FSVA ini digunakan beberapa jenis data, yaitu: dataset populasi (PODES 2008), dataset survei (SUSENAS 2007-2009). Metode ini mempertimbangkan nilai bias yang signifikan karena adanya sampling error yang biasanya terjadi pada penghitungan indikatorindikator sosial yang didasarkan pada model survei. Selain itu, penerapan model agregasi dari suatu tingkat ke tingkat yang lebih rendah cenderung tidak reliable serta tidak representatif. Untuk itu perlu dijalankan proses bootstrap yang dapat secara signifikan memperbaiki tingkat akurasi estimasi. Metode SAE yang digunakan untuk FSVA terdiri dari 2 tahap: 1. Tahap pembentukan modeling dan dekomposisi komponen random. Untuk bisa mengaplikasikan modeling dengan menggunakan model regresi, maka variabel-variabel regresor dalam model harus ada di kedua dataset (survei dan populasi). Pada tahap ini dihasilkan suatu dataset model yang akan digunakan selanjutnya. 2. Tahap simulasi. Dalam tahap ini sebagian besar proses menjalankan bootstrapping dengan menggunakan model yang telah diestimasi pada tahap pertama dan menjalankan pengambilan berulang komponen random yang berbeda untuk mem-bootstrap dependent variables. Program penghitungan dimulai dengan estimasi fungsi indikator. Dalam analisis FSVA ini indikator sebagai dependent variable dan berupa proporsi. Indikator berupa proporsi dikarenakan data populasi hanya menyediakan pada tingkat agregasi (PODES 2008). Diasumsikan basic left hand side variable dan cluster adalah tingkat agregasi pada tingkat yang sedikit lebih tinggi dan digunakan dalam dataset survei dan dataset populasi (SUSENAS). Berdasarkan Elbers (et.al) dapat dikembangkan estimasi indikator berupa proporsi/persentase menggunakan model berikut: (1)

ln y ch = E[ln y ch / x ch ] +
dimana c h

ch

: subscript untuk cluster kecamatan : subscript untuk desa/kelurahan-h pada cluster c

ych : besaran indikator y pada desa-h dan cluster c xch : karakteristik rumahtangga pada desa-h dalam cluster c Aproksimasi linear dari model (1) kemudian ditulis seperti berikut: (2)

ln y ch = x ch a +

ch

juga disebut sebagai Beta model

Dikarenakan tidak semua karakteristik di survei ada pada data PODES, maka untuk mengestimasi karakteristik tersebut pada agregasi yang sama dengan data PODES digunakan pooling sample dari SUSENAS Panel 2007 dan 2008 serta SUSENAS KOR Juli 2009. Survei hanya merupakan sub sampel dari keseluruhan populasi, karenanya informasi mengenai lokasi (locational information) tidak tersedia untuk semua wilayah dalam data sensus, sehingga tidak bisa secara nyata memasukkan locational variable ke dalam model survei. Residual dari persamaan (2) akan mengandung variansi locational variables. (3)

ch

= c + ch

Di sini c adalah komponen cluster kecamatan dan ch adalah komponen desa/kelurahan. Cluster kecamatan dalam dataset survei tidak semua terwakili dan tidak didesain ke arah tersebut, sehingga estimasi dari c untuk tiap cluster tidak bisa diterapkan dan diperlukan suatu model yang ditetapkan untuk mengestimasi deviasi dari c. Dengan menggunakan arithmetic expectation dari persamaan (3) atas cluster c. (4) maka

c.

= c + c.
2

E[

]=

+ var( c. ) =

+ c2

Diasumsikan c dan ch berdistribusi normal dan independen satu sama lain, Elbers et.al memberi suatu estimasi variansi dari distribusi locational effect:

var( 2 ) =
(5)

[a c 2 var(

c.

) + b c 2 var( c 2 )]
ch

Ketika locational effect c tidak ada, persamaan (3) kemudian menjadi

= + ch

Sesuai dengan Elbers et.al, sisa residual ch dapat dijelaskan dengan suatu model logistik yang meregresikan transformasi ch dengan karakteristik h:

(6)

e 2 ch T ln = Z ch + rch 2 A e ch

juga disebut Alpha model.

Dimana A ekuivalen dengan 1.05*max{ ch2}. Estimator variansi untuk ch dapat dihitung dengan:

(7)

AB(1 B) AB 1 2 ,ch = + Var (r ) 1 + B 2 (1 + B) 3

Dalam persamaan model (2) metode OLS digunakan untuk mengestimasi parameter model dengan asumsi klasik bahwa sisaan bersifat homocedasticity. Persamaan model (7) dapat mengindikasikan pengingkaran asumsi penggunaan OLS dalam model (2), sehingga diperlukan regresi GLS. Dalam GLS variance-covariance matrix merupakan suatu diagonal block matrix. Seluruh analisis FSVA ini menggunakan berbagai SOFTWARE diantaranya: STATA, Visual Foxpro, MS Office. Proses simulasi menggunakan paket program yang pernah digunakan untuk poverty mapping yaitu Povmap.Exe/PovmapPacker.Exe.

1.4.1

Dataset dibedakan atas Urban dan Rural.

1. Penyiapan Dataset 1 (data modeling): a. Melakukan matching pada level rumah tangga data Susenas KOR 2007-2008 (variabel individu kepala rumah tangga dan variable rumah tangga) dan variabel indikator; b. Mengenerate variabel baru (termasuk dummy) dari variabel SUSENAS KOR; c. Membuat variabel agregasi pada level desa data poin b; d. Melakukan matching dan penggabungan data PODES dengan data poin c, dengan menggunakan identitas transformasi yang sudah clean. Selanjutnya mengecek hasil matching; e. Mengenerate variable baru dari variable PODES pada data poin c; f. Mengcollapse atau membuat variable agregat (rata-rata/proporsi) level kecamatan dari semua variable baru data poin d; dan 3

g. Melakukan matching dan penggabungan pada level kecamatan data poin f dan data poin d, dengan menggunakan identitas transformasi yang sudah clean. Selanjutnya mengecek hasil matching. 2. Penyiapan Dataset 2 (data simulasi): a. Dari data poin e (data PODES) pada penyiapan dataset 1, dilakukan penggabungan data dengan data agregasi PODES level kecamatan menggunakan ID transformasi. Selanjutnya mengecek hasil matching; b. Mengenerate variable baru dari variable PODES pada data poin a (sama persis seperti poin e pada penyiapan dataset 1); dan c. Mengcollapse atau membuat variable agregat (rata-rata/proporsi) level kecamatan dari semua variabel baru data poin b. 3. Modelling pada Dataset 1: a. Melakukan regresi stepwise (ln dependent variable) terhadap seluruh variable t-tes dari data survei level desa (mean/proporsi). Menyeleksi variabel yang masuk dalam model beta; b. Menghitung rata-rata ln y pada level kecamatan, selanjutnya melakukan regresi stepwise mean ln y terhadap seluruh variabel agregat kecamatan. Menyeleksi variable yang masuk dalam model beta; c. Melakukan regresi stepwise kembali ln y terhadap variabel survei yang terseleksi (point b) dengan variable agregat (poin c). Menyeleksi variabel akhir yang masuk dalam model beta; d. Menghitung residual dari model d. Menghitung agregat residual level kecamatan; dan e. Melakukan regresi ln residual kecamatan terhadap semua variabel independent. Menyeleksi variable yang memiliki korelasi yang kuat (indikatornya adalah sebaran sisaan yang terpola), kemudian memasukkan variabel tersebut dalam model alpha (ditambah variable _Yhat_). 4. Simulasi Dataset 2: a. Menyiapkan dataset 1 dan dataset 2 dalam format STATA. Dengan Dos Prompt, dijalankan Program POVMAPPACKER yang berfungsi menghasilkan file PDA (biasanya dihasilkan oleh SAS). File ikutan yang muncul adalah file PLI, PRESC, OUT. Model *.txt adalah text file yang berisi definisi model beta dan alpha. b. Melakukan running program POVMAP dengan input PDA file yang dibaca secara otomatis dari hasil POVMAPPACKER. File ikutan yang muncul adalah PLO sedangkan vAB r -0100 adalah option. Konfigurasi *.pcf adalah file konfigurasi untuk menghasilkan output yang diinginkan. Dengan file konfigurasi ini selanjutnya dapat ditentukan ukuran indikator yang ingin didapatkan. Output dari hasil simulasi adalah file *.POU yang dapat diakses dengan MS Excel. Isi file ini adalah nilai estimasi indikator pada level desa/kelurahan, kecamatan, kab/kota, dan provinsi. Hasil output juga dilengkapi dengan standard error hasil simulasi.

Variabel yang Digunakan untuk Menggambarkan Indikator FSVA


Nama Variabel dari kuesioner A. Persentase rumah tangga tanpa akses listrik 1. Hubungan dengan Kepala rumah tangga 2. Tingkat pendidikan Kepala rumah tangga 3. Lapangan pekerjaan Kepala rumah tangga 4. Sumber penerangan 5. Status penguasaan bangunan tempat tinggal 6. Jenis atap terluas 7. Jenis dinding terluas 8. Fasilitas tempat buang air besar 9. Jumlah Kepala Keluarga pengguna listrik 10. Ketinggian dari permukaan laut Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Podes 08 Podes 08 Podes 08 Sumber data

11. Wilayah desa berada dalam/sekitar/luar hutan

Nama Variabel dari kuesioner 12. Jumlah pasar permanent/tidak permanen 13. Jumlah minimarket/restoran/toko,dll

Sumber data Podes 08 Podes 08 Podes 08

14. Jumlah Rumah Tangga yang menggunakan telepon


B. Persentase rumah tangga tanpa akses ke air bersih 1. Sumber air minum (air bersih = air kemasan/ air isi ulang/leding meteran/leding eceran/ sumur bor,pompa/sumur terlindung) 2. Sumber penerangan 3. Status penguasaan bangunan tempat tinggal 4. Fasilitas tempat buang air besar 5. Jumlah Kepala Keluarga pengguna listrik 6. Ketinggian dari permukaan laut 7. Wilayah desa berada dlm/sekitar/luar hutan C. Perempuan Buta Huruf Umur Dapat membaca dan menulis Hubungan dengan Kepala rumah tangga Tingkat pendidikan Kepala rumah tangga Lapangan pekerjaan Kepala rumah tangga Sumber penerangan Status penguasaan bangunan tempat tinggal Jenis atap terluas Jenis dinding terluas Fasilitas tempat buang air besar Jumlah Kepala Keluarga pengguna listrik Ketinggian dari permukaan laut D. Persentase penduduk hidup di bawah garis kemiskinan

Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Podes 08 Podes 08 Podes 08

Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Podes 08 Podes 08

1. Jenjang pendidikan yg pernah/sedang diduduki


2. Jenis kelamin 3. Hubungan dengan kepala rumahtangga 4. Jumlah anggota rumahtangga 5. Apakah melakukan kegiatan smg terakhir 6. Apakah punya pekerjaan/usaha, sementara tidak bekerja 7. Lapangan usaha utama 8. Status/kedudukan dalam pekerjaan utama

Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Podes 08 Podes 08

9. Rata-rata pengeluaran makanan/kapita/bulan 10. Rata-rata konsumsi kalori/kapita/bulan 11. Rata-rata konsumsi protein/kapita/bulan 12. Rata-rata pengeluaran non makanan/kpt/bln 13. Proporsi penduduk/Kepala Keluarga bekerja di pertanian 14. Jumlah keluarga penerima ASKESKIN 1 tahun yang lalu

Nama Variabel dari kuesioner E. Angka harapan hidup pada saat lahir 1. Umur saat perkawinan pertama 2. Jumlah anak kandung dilahirkan, lahir hidup 3. Jumlah anak kandung dilahirkan, masih hidup 4. Jumlah anak kandung dilahirkan, sdh meninggal 5. Penolong kelahiran pertama 6. Penolong kelahiran terakhir 7. Berapa kali mendapat imunisasi F. Rata-rata konsumsi kalori/protein per kapita menurut golongan makanan dan golongan pengeluaran setiap bulan 1. Total pengeluaran makanan sebulan 2. Total pengeluaran padi-padian sebulan 3. Total pengeluaran umbi-umbian sebulan 4. Total pengeluaran ikan/udang/cumi/kerang/ daging sebulan 5. Total pengeluaran telur & susu sebulan 6. Total pengeluaran sayur/kacang/buah sebulan 7. Total pengeluaran minyak & lemak sebulan 8. Total pengeluaran makanan & non makan sebulan

Sumber data

Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli Susenas Kor 07,08,09 Juli

Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli

1.5

Hasil dan Realibilitas SAE

Sampling Error (Standard Error) dan Non Sampling Error dalam Survei/Sensus Ada beberapa kesalahan (Error) dalam kegiatan survei atau sensus, seperti:

a. Pada sensus terjadi adanya kesalahan seperti salah isian dan pengolahan atau karena responden
dan petugas yang cukup banyak; dan

b. Pada survei sampel terjadi kesalahan antara lain karena metode sampling yang tidak tepat
(sampling error) dan kesalahan yang disebabkan oleh faktor manusia seperti kesalahan yang disebut pada butir a (non sampling error). Daftar isian yang kurang baik pada survei atau sensus atau daftar isian dengan variabel yang terlalu rinci akan menyebabkan tingginya kesalahan akibat faktor manusia. Pada registrasi dan sensus lengkap tidak dijumpai kesalahan yang disebabkan karena penarikan sampel, sedangkan pada survei sampel terjadi kesalahan yang bersumber dari sampling error (standard error) dan non sampling error. Keseimbangan antara keduanya perlu dipertimbangkan dalam mendesain suatu survei terutama dalam penentuan besarnya sampel sehingga dapat menggambarkan populasi. Kenaikan besaran sampel akan menurunkan sampling error tetapi sebaliknya akan memperbesar non sampling error. Makin besar sampel berarti makin banyak responden dan petugas sehingga kemungkinan makin besar kesalahan pada pengumpulan informasi. Sampling Error (Standard Error) dalam SAE Seperti yang dijelaskan sebelumnya, bahwa dalam tahap simulasi sebagian besar proses menjalankan bootstrapping dengan menggunakan model yang telah diestimasi pada tahap pertama dan menjalankan pengambilan berulang komponen random yang berbeda untuk mem-bootstrap dependent variables. Proses pengambilan berulang ini dalam teknik penarikan sampel dapat disamakan dengan proses membuat all possible sample (seluruh kemungkinan sampel yang terpilih). Variabel yang dibootstrap adalah variabel dependent atau variabel indikator yang diestimasi. Dalam hal ini indikator tersebut seperti persentase rumah tangga yang tidak ada akses listrik dan persentase rumah tangga tanpa air bersih. Penduga untuk nilai Standard Error yang merupakan indikator untuk Sampling Error diperoleh dari nilai standard deviasi dari indikator seluruh kemungkinan sampel yang disimulasi. Nilai indikator sendiri diperoleh dari rata-rata seluruh indikator kemungkinan sampel tersebut.

Untuk melengkapi laporan metodologi dan sebagai gambaran umum, maka dijelaskan jumlah kecamatan menurut beberapa indikator dan range standard error pada kabupaten di 2 provinsi sebagai contoh (lihat tabel 6.1): Tabel 6.1. Jumlah Kecamatan berdasarkan Range Standard Error 2 Indikator di 2 Provinsi Range Standard Error Indikator Provinsi/Kabupaten/Kota < 20% Persentase rumah tangga tanpa akses listrik (Daerah Pedesaan/rural) Sumatera Selatan 01. Ogan Komering Ulu 02. Ogan Komering Ilir 03. Muara Enim 04. Lahat 05. Musi Rawas 06. Musi Banyuasin 07. Banyuasin 08. Ogan Komering Ulu Selatan 09. Ogan Komering Ulu Timur 10. Ogan Ilir 11. Empat Lawang 71. Palembang 72. Prabumulih 73. Pagar Alam 74. Lubuk Linggau 8 18 18 12 18 11 11 10 13 16 2 0 2 4 3 3 0 3 5 3 0 4 9 7 0 5 2 1 1 2 0 0 1 0 0 0 0 0 0 0 0 0 1 0 1 20%-40% > 40%

Persentase rumah tangga tanpa akses ke air bersih (Daerah Pedesaan/rural)

Kalimantan Selatan 01. Tanah Laut 02. Kota Baru 03. Banjar 04. Barito Kuala 05. Tapin 06. Hulu Sungai Selatan 07. Hulu Sungai Tengah 08. Hulu Sungai Utara 09. Tabalong 10. Tanah Bumbu 11. Balangan 71. Banjarmasin 72. Banjar Baru 9 3 12 13 10 9 10 7 10 4 6 0 0 0 17 7 4 2 2 1 3 2 6 2 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0

Perempuan Buta Huruf (Daerah Perkotaan/urban)

Sumatera Selatan 01. Ogan Komering Ulu 02. Ogan Komering Ilir 03. Muara Enim 04. Lahat 2 1 3 1 1 2 0 0 1 3 2 1

05. Musi Rawas 06. Musi Banyuasin 07. Banyuasin 08. Ogan Komering Ulu Selatan 09. Ogan Komering Ulu Timur 10. Ogan Ilir 11. Empat Lawang 71. Palembang 72. Prabumulih 73. Pagar Alam 74. Lubuk Linggau

0 1 1 0 1 1 0 11 1 1 4

0 0 3 2 1 2 1 5 3 1 3

1 1 0 1 0 0 0 0 0 0 0

Perempuan Buta Huruf (Daerah Perkotaan/urban)

Kalimantan Selatan 01. Tanah Laut 02. Kota Baru 03. Banjar 04. Barito Kuala 05. Tapin 06. Hulu Sungai Selatan 07. Hulu Sungai Tengah 08. Hulu Sungai Utara 09. Tabalong 10. Tanah Bumbu 11. Balangan 71. Banjarmasin 72. Banjar Baru 0 1 1 1 1 3 1 1 1 2 0 5 0 3 0 2 2 1 1 1 4 2 1 1 0 5 0 0 1 1 0 2 0 0 1 1 0 0 0

Catatan: Daerah urban/rural berdasarkan desa/kelurahan dalam kecamatan, jadi jumlah kecamatan urban/rural adalah tidak selalu sama. Berdasarkan tabel diatas dapat diambil kesimpulan, diantaranya adalah nilai standard error untuk beberapa indikator (Persentase rumah tangga tanpa akses listrik dan persentase perempuan buta huruf) secara umum baik di daerah perkotaan (urban) dan pedesaan (rural) relatif cukup baik, dimana sebagian besar berada di bawah 20%. Relatif sebagian kecil berada diantara 20-40%, dan beberapa diatas 40%. Meskipun tabel diatas kondisi pada 2 provinsi, tapi setidaknya sudah dapat memberikan contoh bagaimana nilai akurasi atau standard error pada level kecamatan.