Sinopsis

\documentclass[12pt,oneside,a4paper]{article}
\usepackage [indonesian]{babel}
\usepackage {amsfonts}
\usepackage {amsthm}
\usepackage {amsmath}
\usepackage {mathtools}
\usepackage {indentfirst}
\usepackage {hyperref}
\usepackage [top=4cm, bottom=3cm, left=4cm,right=3cm]{geometry}
\usepackage [pdftex]{graphicx}
\usepackage[font=small,labelfont=bf]{caption}
\usepackage {setspace}
\usepackage{sectsty}
\usepackage{longtable}
\usepackage {tabularx}
\usepackage{rotating}
\usepackage {colortbl}
\usepackage {multirow}
\usepackage{sidecap}
\usepackage {wrapfig}
\usepackage{pifont}
\usepackage{float}
\usepackage{mdwlist}
\setcounter{secnumdepth}{5}
\usepackage{tocloft}
\usepackage [table] {xcolor}
\usepackage{mathptmx}
\usepackage[T1]{fontenc}
\usepackage{times}
\usepackage{titlesec}
\usepackage{enumerate}
\usepackage{listings}
\usepackage{booktabs}
\usepackage{caption}
\usepackage {setspace}
\usepackage{fancyhdr}
\setcounter{tocdepth}{5}
\usepackage{tikz}
\usepackage{subcaption}
\usepackage{algorithm2e}
\usepackage{lscape}
\DeclarePairedDelimiter{\ceil}{\lceil}{\rceil}
\DeclarePairedDelimiter\floor{\lfloor}{\rfloor}
\DeclareRobustCommand{\actuarial}[2][]{%
\def\arraystretch{0}%
\setlength\arraycolsep{0.5pt}%
\setlength\arrayrulewidth{0.5pt}%
\setbox0=\hbox{$\scriptstyle#1#2$}%
\begin{array}[b]{*2{@{}>{\scriptstyle}c}|}
\cline{2-2}%
\rule[1.25pt]{0pt}{\ht0}%
#1 & #2%
\end{array}%
}
\title{\textbf{\Large{PENURUNAN \textit{LIFE TABLE} UNTUK INDONESIA

BERDASARKAN DATA YANG DIPEROLEH DARI TEKNIK ESTIMASI TIDAK LANGSUNG
DENGAN \textit{LOGIT MODEL LIFE TABLE SYSTEM}}}}
\author{Stephen, Helena Margaretha, \\Ferry Vincenttius Ferdinand}
\date{}
\begin{document}
\captionsetup{skip=1pt}
\makeatletter
\renewcommand*{\ps@plain}{%
\let\@mkboth\@gobbletwo
\let\@oddhead\@empty
\def\@oddfoot{%
\reset@font
\hfil
\thepage
% \hfil % removed for aligning to the right
}%
\let\@evenhead\@empty
\let\@evenfoot\@oddfoot
}
\makeatother
\pagestyle{plain}
\maketitle
\begin{abstract}
\normalsize
\indent Semenjak industri asuransi mengalami perkembangan, tabel mortalita atau
yang umumnya disebut \textit{Life Table} mulai digunakan oleh para aktuaris
sebagai sumber data untuk menghitung beberapa terminologi khas dalam dunia
aktuaria. Terminologi tersebut mencakup probabilitas kematian individu dalam
suatu populasi pada rentang waktu tertentu, ekpektasi umur hidup individu sejak
kelahiran, probabilitas \textit{survival} pada suatu umur tertentu, dan sebagainya.
Mengetahui pentingnya peranan \textit{Life Table}, pembaharuan yang konsisten
perlu senantiasa dilakukan mengingat keterbatasan data yang kerap terjadi dalam
setiap kesempatan pembuatannya. Penelitian ini menawarkan suatu metode
pembentukan \textit{Life Table} dengan \textit{Logit Model Life Table System} yang
didasarkan pada Teknik Estimasi Tidak Langsung. Teknik Estimasi Tidak Langsung
dimaksudkan untuk menentukan mortalitas anak-anak dan orang dewasa Indonesia
yang datanya tidak tersedia. \\
\indent Data diperoleh dari berbagai sumber, namun mayoritas data yang
digunakan diperoleh dari situs www.dhsprogram.com. Data diolah dengan Teknik
Estimasi Tidak Langsung, yakni Metode Brass versi Trussel untuk estimasi mortalitas
anak, Metode Brass untuk estimasi mortalitas orang dewasa serta \textit{Logit
Model Life Table System} untuk membentuk \textit{Life Table}. Hasil dari
perhitungan menunjukkan bahwa data yang diperoleh cukup kredibel meskipun
tetap perlu dilakukan beberapa manipulasi. Hasil akhir dari penelitian ini adalah
terbentuknya sebuah \textit{Life Table} untuk Indonesia tahun 2012 yang dapat
digunakan oleh para aktuaris maupun para analis demografi.
\end{abstract}
\section{Latar Belakang}
\indent Berdasarkan Kamus Besar Bahasa Indonesia (KBBI), mortalitas adalah angka
rata-rata kematian penduduk di suatu daerah atau wilayah \cite{r17}. Mortalitas
dapat pula didefinisikan sebagai proporsi kematian akibat penyakit tertentu. Pada
praktiknya, umumnya angka-angka kematian ini disajikan dalam bentuk tabel
sehingga kerap disebut tabel mortalita. Hal ini dimaksudkan agar para analis
demografi dan praktisi-praktisi lainnya dapat dengan mudah memahami angka-
angka kematian tersebut. \\
\indent Semenjak industri asuransi mengalami perkembangan, tabel mortalita mulai

digunakan oleh para aktuaris sebagai data untuk menghitung beberapa terminologi
khas dalam dunia aktuaria. Terminologi tersebut mencakup probabilitas kematian
individu dalam suatu populasi pada rentang waktu tertentu, ekpektasi umur hidup
individu sejak kelahiran, probabilitas \textit{survival} pada suatu umur tertentu,
dan sebagainya. Sejak saat itu, tabel mortalita atau yang populer disebut
\textit{Life Table} dalam dunia aktuaria menjadi dasar dari hampir mayoritas
perhitungan aktuaris. \\
\indent Berdasarkan pemaparan Namboodiri dan Suchindran \cite{r1}, \textit{Life

Table} didefinisikan sebagai berikut:
\begin{spacing}{1.0}"\textit{Life Table}, atau biasa disebut juga \textit{mortality
table} adalah perangkat statistik yang digunakan oleh aktuaris, demografis, pekerja
bidang kesehatan dan lain-lain untuk menampilkan \textit{trend} mortalitas dari
suatu populasi agregat yang dapat digunakan untuk menjawab pertanyaan-
pertanyaan sebagai berikut: Berapakah probabilitas seorang pria berusia 30 tahun
akan hidup sampai usia pensiunnya, misalkan 70 tahun, atau istrinya yang berumur
28 akan lebih panjang umur? Berapakah rata-rata sisa usia seorang perempuan
yang baru saja merayakan ulang tahunnya yang ke 25? Berapakah porsi bayi yang
lahir pada tahun 1980 dapat bertahan hidup sampai tahun 2000? Berapa orang kah
yang dapat \textit{survive} sampai ulang tahunnya yang ke 70? Berapakah bayi
yang akan meninggal bahkan sebelum mereka berulang tahun pertama kali?".
\end{spacing}
\noindent Singkatnya, \textit{Life Table} memberikan gambaran mortalitas yang
nyaris lengkap untuk sembarang populasi manusia. \\
\indent Berdasarkan pemaparan di atas, terlihat pentingnya peranan \textit{Life

Table} bagi para analis maupun praktisi. Angka-angka yang terdapat dalam
\textit{Life Table} dapat memberikan jawaban untuk setiap pertanyaan diatas.
Namun, meski \textit{Life Table} telah tersedia dan siap digunakan bahkan untuk
negara berkembang seperti Indonesia \cite{r9}, perlu diperhatikan pula
bagaimanakah proses pembentukan \textit{Life Table}. \\
\indent Salah satu teknik penurunan \textit{Life Table} yang akan dibahas dalam
penelitian ini adalah Metode \textit{Logit Model Life Table System} hasil
pengembangan William Brass dan koleganya. Metode ini memungkinkan 2 buah
\textit{Life Table} dapat saling terhubung dengan menggunakan sistem
transformasi \textit{logit} 2 parameter. Singkatnya, dengan memanfaatkan
eksistensi suatu \textit{Life Table}, yang selanjutnya disebut \textit{Life Table}
acuan, dapat dibuat sebuah \textit{Life Table} yang baru \cite{r2}. \\
\indent Berbeda dengan metode yang akan dibahas dalam penelitian ini,
\textit{World Health Organization} pernah menurunkan \textit{Life Table} untuk
Indonesia pertama kali tahun 1999 dengan metode \textit{WHO Model Life Table
System}. Kemudian Kosen dan tim \cite{r10} juga pernah menurunkan \textit{Life
Table} untuk Indonesia tahun 2000 dengan bantuan Metode \textit{Brass}, Model
Heligman-Pollard, dan Metode Keseimbangan Pertumbuhan Brass. Adapun Badan
Pusat Statistik juga menurunkan \textit{Life Table} untuk Indonesia tahun 2011
dengan Metode Rasio Kelangsungan Hidup \cite{r11}.Kelebihan utama Metode
\textit{Logit Model Life Table System} yang dibahas dalam penelitian ini jika
dibandingkan dengan metode-metode tersebut adalah proses pengerjaan yang
tidak terlalu rumit dan pengumpulan data yang mudah yang karena hanya
memerlukan wawancara singkat yang sederhana \cite{r2}. Di samping itu,
pengolahan data yang tidak terlalu banyak meminimalisir terjadinya galat. Absensi
data sensus yang lengkap pun dapat digantikan oleh data sampel yang
terpercaya \cite{r9}. \\
%jabarin kelebihan bisa pake data sampel
\indent Penelitian ini dimaksudkan untuk menciptakan \textit{Life Table} baru untuk
Indonesia. Produk statistik seperti \textit{Life Table} tentu senantiasa memerlukan
pembaharuan. Hal ini dikarenakan keterbatasan dalam bentuk defisiensi informasi
statistik dan demografi pada setiap kesempatan pembuatannya \cite{r10}.
\section{Studi Pustaka}
\indent Sejatinya, perumusan metode untuk membentuk \textit{Life Table}

telah berlangsung sejak tahun 1950an \cite{r8}. Diawali dengan \textit{Model Life
Table} Persatuan Bangsa-Bangsa atau \textit{United Nations} (UN) pada tahun
1955. Kekurangan metode ini adalah penggunaan sistem 1 parameter yang
membuatnya menjadi relatif tidak fleksibel. Pada tahun 1966, Ansley Coale dan Paul
Demeny menghasilkan 4 \textit{Life Table} yang kredibel dan populer terlepas dari
kekurangan sistem uni parametrik yang membatasi fleksibilitas. Pada tahun 1959
kemudian dilanjutkan pada tahun 1969, Ledermann mengembangkan suatu model
yang dikenal dengan sebutan \textit{Ledermann's System of Model Life Table} yang
cukup kompleks. Model ini ditinggalkan kareng kompleksitasnya dan
keterbatasannya ketika memodelkan populasi dengan ekspektasi hidup pria yang
lebih besar ketimbangan wanita. Kemudian pada tahun 1971, William Brass dan
koleganya mengembangkan suatu sistem yang disebut \textit{Brass Logit System}
atau yang dalam penelitian ini disebut \textit{Logit Model Life Table System}. \\
\indent Dasar dari Metode \textit{Logit Model Life Table System} ini adalah
penggunaan suatu \textit{Life Table} acuan untuk menurunkan \textit{Life Table}
baru. Metode ini berawal dengan menentukan \textit{Life Table} acuan. Untuk hal
\textit{Life Table} acuan, sejatinya sembarang \textit{Life Table} dengan
kredibilitas yang baik (memiliki \textit{track record} metode penurunan dan data
yang jelas) dapat digunakan sebagai acuan \cite{r13}. Coale dan Demeny dengan
metodenya menghasilkan 4 buah \textit{Life Table} yang pola mortalitasnya lebih
merepresentasikan negara-negara maju \cite{r7}. \textit{Life Table}-\textit{Life
Table} ini dikenal dengan nama \textit{Princeton} \textit{West}, \textit{South},
\textit{North} dan \textit{East}. Kemudian, pada tahun 1981, Persatuan Bangsa-
Bangsa (UN) menurunkan 5 buah \textit{Life Table} yang terdiri dari \textit{UN
Latin American}, \textit{UN Chilean}, \textit{UN South Asian}, \textit{UN Far
Eastern} dan \textit{UN General} dan ditujukan untuk negara-negara
berkembang \cite{r7}. Sejak saat itu, 9 buah \textit{Life Table} ini sering dijadikan
sebagai acuan oleh para peneliti untuk melakukan analisis demografi dan tentu saja
dijadikan sebagai \textit{Life Table} acuan untuk menurunkan \textit{Life Table}
baru. \\
\indent Namun tentu saja, meski menggunakan \textit{Life Table} yang

populer sebagai acuan sekalipun, tidak tertutup kemungkinan \textit{Life Table}
baru yang dihasilkan memiliki tingkat representasi yang rendah. Hal ini dapat diukur
dengan membandingkan angka kematian dan jumlah \textit{survivor} pada suatu
umur tertentu berdasarkan sensus dengan \textit{Life Table} yang dihasilkan. Salah
satu penyebab dari masalah ini adalah kesalahan pemilihan \textit{Life Table}
acuan atau \textit{Life Table} yang dipilih sebagai acuan sangat tidak
menggambarkan populasi yang sedang ditinjau secara signifikan. Dalam penelitian
ini, telah dibahas prosedur pemilihan \textit{Life Table} acuan berdasarkan sifat
populasi yang akan ditinjau dalam bentuk tabel \textit{checklist} yang mudah
dipahami. \\
\indent Setelah menentukan \textit{Life Table} acuan, sebelum dapat

menggunakan metode ini, terlebih dahulu harus ditentukan data yang diperlukan.
Data yang dimaksudkan adalah data mortalitas anak dan data mortalitas orang
dewasa. Namun, karena data mortalitas anak dan data mortalitas orang dewasa
belum tersedia untuk Indonesia, maka diperlukan metode estimasi untuk
mendapatkan data mortalitas anak dan data mortalitas orang dewasa dengan
memanfaatkan data yang jauh lebih mentah. Salah satu metode yang dapat
digunakan adalah Metode Estimasi Tidak Langsung. Makna frase tidak langsung
disini mengacu kepada prosedur pengumpulan data mentah yang tidak langsung
mengarah kepada objek penelitian. Dalam hal penelitian ini, ketika peneliti ingin
mengumpulkan data untuk mengestimasi mortalitas anak, maka subjek
pengumpulan data bukanlah anak-anak melainkan ibu dari anak-anak yang
bersangkutan. Sedangkan ketika peneliti ingin mengumpulkan data untuk
mengestimasi mortalitas orang dewasa, maka subjek pengumpulan data bukanlah
orang dewasa melainkan anak-anak dari orang dewasa (ibu) yang bersangkutan.
Adalah Brass (dan Coale) jugalah yang pertama kali mencoba mengestimasi
mortalitas anak-anak dan orang dewasa dengan pendekatan ini \cite{r2}. Metode
Brass untuk mengestimasi mortalitas anak-anak kemudian mendapat
penyempurnaan oleh Trussel \cite{r4}.\\
\indent Dalam mengestimasi mortalitas anak, Trussel mendasarkan

perhitungannya pada jumlah anak yang telah lahir dan jumlah anak yang meninggal
yang dikelompokkan berdasarkan grup umur 5 tahunan dari ibu \cite{r3}. Hasil
perhitungan ini kemudian di \textit{input} kedalam persamaan Brass. Dalam
persamaan Brass, terdapat faktor pengali \textit{k(i)} yang juga perlu dihitung dan
nilainya bergantung kepada paritas grup umur muda dan beberapa konstanta yang
ditentukan nilainya berdasarkan \textit{Standard Life Table}. Hasil dari persamaan
Brass adalah serangkaian mortalitas anak dari usia $0$ sampai $x$, dengan nilai
$x$ tertentu yang merupakan hasil eksperimen \cite{r5}. \\
\indent Dalam mengestimasi mortalitas orang dewasa, Brass mendasarkan

perhitungannya pada \textit{survivorship} orang tua \cite {r4}. Prinsip dari metode
ini adalah dengan menghitung proporsi antara jumlah anak yang masih memiliki ibu
dengan total seluruh anak yang diberi faktor bobot. Anak yang dikumpulkan
datanya dikelompokkan ke dalam grup umur 5 tahunan. Untuk menentukan faktor
bobot, diperlukan perhitungan umur rata-rata dari ibu saat kelahiran anaknya dan
jumlah kelahiran berdasarkan grup umur 5 tahunan anak. \\
\indent Setelah data mortalitas anak dan orang dewasa diperoleh, secara
bersamaan data tersebut diperlukan untuk membentuk suatu \textit{Life Table}.
Dengan terlebih dahulu menentukan tanggal sasaran \textit{Life Table} kemudian
dengan menggunakan bantuan \textit{Life Table} acuan, \textit{Logit Model Life
Table System} dapat digunakan \cite{r2}. Untuk menggunakan metode ini, mula-
mula parameter-parameter dari model ini harus diestimasi terlebih dahulu dengan
mengandalkan konsep Analisis Regresi \cite{r2}. Setelah itu data mortalitas anak
dan orang dewasa dapat digunakan untuk membentuk suatu \textit{Life Table} bagi
populasi yang sedang ditinjau. \\
\indent Seperti yang telah dipaparkan pada bab sebelumnya, metode yang
akan dibahas dalam penelitian ini belum pernah diterapkan di Indonesia. \textit{Life
Table} yang telah ada di Indonesia diperoleh dengan berbagai macam metode.
\textit{World Health Organization} menurunkan \textit{Life Table} untuk Indonesia
pertama kali tahun 1999 dengan metode \textit{WHO Model Life Table System}
\cite{r9}. Metode \textit{WHO Model Life Table System} adalah modifikasi khusus
WHO terhadap \textit{Model Life Table System} yang mempunyai prinsip
pengerjaan yang hampir serupa dengan \textit{Model Life Table System} pada
umumnya namun dengan \textit{Life Table} acuan khusus. Kemudian Kosen dan tim
\cite{r10} juga pernah menurunkan \textit{Life Table} untuk Indonesia tahun 2000
dengan bantuan Metode \textit{Brass}, Model Heligman-Pollard, dan Metode
Keseimbangan Pertumbuhan Brass. Pada dasarnya, Kosen dan tim menurunkan
\textit{Life Table} dengan 2 metode yang berbeda, pertama adalah kombinasi
Metode Brass dan Model Heligman-Pollard untuk melakukan \textit{smoothing}.
Namun \textit{Life Table} yang dihasilkan metode pertama ini bukanlah \textit{Life
Table} pada umumnya melainkan tabel yang berisi hanya ekspektasi hidup lengkap
pada kelahiran. Kedua adalah Metode Keseimbangan Pertumbuhan Brass yang
mendasarkan perhitungannya pada data populasi tengah tahun pada suatu grup
umur 5 tahunan dan jumlah kematian. Metode kedua ini menghasilkan \textit{Life
Table} umum seperti yang akan dihasilkan pada penelitian ini. Adapun Badan Pusat
Statistik juga menurunkan \textit{Life Table} untuk Indonesia tahun 2011 dengan
Metode Rasio Kelangsungan Hidup \cite{r11}. Metode ini mendasarkan
perhitungannya pada perbandingan antara jumlah \textit{survivor} pada tahun
tertentu dengan populasi awal. \\
\indent Berbeda dengan metode-metode tersebut, metode yang akan

dibahas dalam penelitian ini memiliki keunggulan dalam proses pengerjaan dan
pengumpulan data, karena pada hakikatnya menggunakan teknik estimasi tidak
langsung. Yang dimaksudkan disini adalah data yang diperlukan dalam metode ini
seperti jumlah populasi anak, jumlah kematian anak, jumlah kelahiran anak dan
jumlah populasi ibu, pada praktiknya, dapat diperoleh dengan melakukan
wawancara sederhana kepada ibu dan anak. Disamping itu, data yang digunakan
pun dapat berupa data sampel serta waktu dan proses pengerjaan dapat dihemat
karena tidak perlu melakukan prosedur seperti \textit{adjustment} data maupun
\textit{smoothing}.
%=================================================
====================
\section{Mengestimasi Mortalitas Anak}
\indent Untuk mengestimasi mortalitas anak, akan digunakan Metode Brass

versi Trussel yang secara matematis dapat dinyatakan sebagai berikut.
\begin{equation} \label{pers.8a}
q(x)=k(i) D(i)
\end{equation}
\noindent Tujuan dari metode ini adalah mendapatkan serangkaian nilai dari $q(x)$
akan merupakan nilai mortalitas anak yang baru lahir hingga usia $x$. Terdapat
suatu korespondensi yang menjembatani hubungan antara parameter $i$ dan
parameter $x$ pada persamaan \ref{pers.8a} menurut Hill dan Figueroa \cite{r5}.
\subsection{Menghitung Proporsi Kematian dari Anak yang Lahir}
\indent Bagian ini akan membahas langkah-langkah untuk menentukan $D(i)

$ yang menyatakan proporsi kematian anak untuk setiap grup umur ibu. Jelas
bahwa proporsi ini dapat dinyatakan secara matematis sebagai berikut.
\begin{equation} \label{pers.12}
D(i)= \frac{CD(i)}{CEB(i)}
\end{equation}
\noindent Dengan $CD(i)$ menyatakan jumlah anak meninggal yang terdapat pada
grup umur ke - $i$ dan $CEB(i)$ menyatakan jumlah anak yang lahir dari ibu pada
grup umur ke -$i$.
\subsection{Memilih \textit{Standard Life Table}}
\indent Seperti pada pembahasan sebelumnya, memilih \textit{Life Table}

acuan yang tepat adalah hal yang sangat penting karena dapat mempengaruhi
kualitas dari \textit{Life Table} yang dihasilkan. Dalam penelitian ini, yang akan
dijadikan panutan dalam memilih \textit{Life Table} acuan adalah karakteristik
populasi yang sedang ditinjau. Panduan untuk memilih \textit{Life Table} acuan ini
dibuat berdasarkan pemaparan dari Moultrie \textit{et al}. Perhatikan Tabel
\ref{t28} berikut.
\begin{footnotesize}
\begin{longtable}[H]{|c|c|c|c|c|}
\caption{Panduan Memilih \textit{Life Table} Acuan}
\\ \hline
& Breast-Feeding & Early Weaning & Poor Hygiene & Developed Country \\
\hline
UN Far Eastern & \ding{52} & \ding{52} & \ding{55} & \ding{55} \\
\hline
UN Chilean & \ding{55} & \ding{52} & \ding{55} & \ding{55} \\
\hline
UN Latin America & \ding{52} & \ding{52} & \ding{55} & \ding{55} \\
\hline
UN South Asian & \ding{52} & \ding{52} & \ding{52} & \ding{55} \\
\hline
UN General & Unknown & Unknown & Unknown & \ding{55} \\
\hline
Princeton West & Unknown & Unknown & Unknown & \ding{52} \\
\hline
Princeton East & \ding{55} & \ding{52} & \ding{52} & \ding{52} \\
\hline
Princeton South & \ding{52} & \ding{52} & \ding{52} & \ding{52} \\
\hline
Princeton North & \ding{52} & \ding{55} & \ding{52} & \ding{52} \\
\hline
\caption*{Sumber: Tools for Demographic Estimation}
\label{t28}
\end{longtable}
\end{footnotesize}
\indent Dengan memanfaatkan Tabel Panduan \ref{t28} serta dengan mengenali
karakteristik dari populasi yang akan dibuat \textit{Life Table}-nya maka seorang
peneliti dapat memutuskan \textit{Life Table} acuan yang paling cocok. \textit{Life
Table} acuan yang terpilih akan membantu proses pengerjaan selanjutnya.
\subsection{Menghitung Paritas Rata-rata dari Perempuan}
\indent Paritas rata-rata didefinisikan sebagai rata-rata jumlah anak yang

lahir dari sekelompok perempuan. Dalam penelitian ini, paritas rata-rata akan
dihitung untuk setiap grup umur dari ibu. Secara matematis, paritas rata-rata dapat
ditulis sebagai berikut.
P(i)= \frac{CEB(i)}{FP(i)}
\end{equation}
\noindent Pada persamaan \ref{pers.9}, $i$ menyatakan grup umur ibu ke - $i$,
$P(i)$ menyatakan paritas rata-rata pada grup umur ke - $i$, $CEB(i)$ menyatakan
jumlah anak yang lahir dari ibu pada grup umur ke - $i$ dan $FP(i)$ menyatakan
total perempuan pada grup umur ke - $i$. Dengan menggunakan persamaan
\ref{pers.9}, akan didapatkan sederetan nilai paritas dan secara ekslusif, paritas
pada grup umur $1$, $2$ dan $3$ akan digunakan untuk perhitungan selanjutnya.
\subsection{Menentukan Konstanta Pengali}
\indent Konstanta pengali $k(i)$ pada persamaan \ref{pers.8a} oleh Trussel

didefinisikan sebagai sebuah polinom yang bergantung kepada nilai paritas. Secara
matematis, $k(i)$ hasil definisi Trussel adalah sebagai berikut.
\begin{equation} \label{pers.8b}
k(i)=a(i) + b(i) \frac{P(1)}{P(2)} + c(i) \frac{P(2)}{P(3)}
\end{equation}
\noindent $P(1)$, $P(2)$ dan $P(3)$ adalah paritas rata-rata pada masing-masing
grup umur $1$, $2$ dan $3$ yang telah ditentukan pada bagian sebelumnya
sedangkan konstanta $a(i)$, $b(i)$ dan $c(i)$ ditentukan dengan bantuan
\textit{Life Table} acuan. Setiap nilai $a(i)$, $b(i)$ dan $c(i)$ memiliki nilai-nilai
yang berbeda tergantung pada \textit{Life Table} acuan yang digunakan. Untuk
selanjutnya, variabel $D(i)$ dan $k(i)$ telah dapat digunakan untuk menghitung
$q(x)$.
\subsection{Menghitung Probabilitas Kematian}
\indent Dengan menggunakan hasil perhitungan pada bagian proporsi

kematian anak yang lahir, paritas rata-rata perempuan, dan konstanta pengali
persamaan \ref{pers.8a} dapat digunakan untuk menghitung nilai-nilai $q(x)$ yang
merupakan ukuran mortalitas anak-anak. Hasil yang didapatkan akan berupa
sederetan nilai $q(x)$ yang digunakan untuk menentukan \textit{Life Table} baru.
\subsection{Menghitung Tahun Referensi}
\indent Tahun referensi adalah tahun yang menyatakan waktu \textit{valid}

hasil estimasi mortalitas anak berlaku. Tahun ini perlu dihitung karena mortalitas
cenderung berubah dari tahun ke tahun, pendekatan pengumpulan data yang
menyeluruh secara serentak dan diperlukan untuk menentukan tahun sasaran
dari \textit{Life Table} yang akan dibentuk. Trussel mendefinisikan persamaan yang
menyatakan perhitungan tahun referensi sebagai berikut.
\text{Tahun Referensi} = \text{Tahun Survei} - t(x)
\end{equation}
t(x) = a(i) + b(i) \frac{P(1)}{P(2)} + c(i) \frac{P(2)}{P(3)}
\end{equation}
\noindent Nilai dari variabel $P(1)$, $P(2)$ dan $P(3)$ adalah sama seperti hasil
dari perhitungan pada bagian sebelumnya sedangkan konstanta $a(i)$, $b(i)$ dan
$c(i)$ ditentukan dengan bantuan \textit{Life Table} acuan. Sama seperti bagian
sebelumnya, akan terdapat sebuah tabel yang menunjukkan nilai-nilai dari
konstanta $a(i)$, $b(i)$, dan $c(i)$ tergantung pada \textit{Life Table } acuan yang
digunakan.
\section{Mengestimasi Mortalitas Dewasa}
\indent Untuk mengestimasi mortalitas dewasa, akan digunakan Metode

Brass yang secara matematis dapat dinyatakan sebagai berikut.
\frac{l(25+n)}{l(25)}= W(n) S(n-5)+(1-W(n))S(n)
\end{equation}
\noindent Parameter $n$ terdefinisi untuk nilai $10$, $15$, ..., $45$.
$\frac{l(25+n)}{l(25)}$ menyatakan probabilitas seorang individu berusia $25$
dapat \textit{survive} hingga berusia $25+n$. Variabel $W(n)$ menyatakan faktor
bobot, $S(n)$ menyatakan proporsi responden/anak-anak antara umur $n$ sampai
$n+4$ yang memiliki ibu dan $S(n-5)$ menyatakan proporsi responden/anak-anak
antara umur $n-5$ sampai $n-1$ yang memiliki ibu.
%tanya dulu soal notasi

\subsection{Menghitung $S(n)$ dan $S(n-5)$}
\indent $S(n)$ menyatakan proporsi antara responden yang berusia $n$ sampai
$n+4$ yang memiliki ibu dengan total seluruh responden yang berusia $n$ sampai
$n+4$. Sedangkan $S(n-5)$ menyatakan proporsi antara responden yang berusia
$n-5$ sampai $n-1$ yang memiliki ibu dengan total seluruh responden yang berusia
$n-5$ sampai $n-1$. Secara matematis, kedua terminologi ini dapat dinyatakan
sebagai berikut.
S(n) = \frac{\text{anak beribu berusia n sampai n+4}}{\text{seluruh anak berusia
n sampai n+4}}
\end{equation}
\subsection{Menghitung \textit{Mean Age at Maternity}}

\indent \textit{Mean Age Maternity} yang dinotasikan dalam penelitian ini
dengan $M$ didefinisikan sebagai estimasi rata-rata selisih umur antara ibu dengan
anak-anaknya atau umur rata-rata saat ibu melahirkan anak-anaknya. Terminologi
ini menjadi indikator umur rata-rata para orangtua mulai terekspos terhadap resiko
kematian. Secara matematis, rumus untuk menghitung \textit{Mean Age at
Maternity} dapat dinyatakan sebagai berikut.
M=\frac{\sum_{i=1}^7 a(i) B(i)}{\sum_{i=1}^7 B(i)}
\end{equation}
\noindent Persamaan \ref{pers.14} menggunakan konsep grup umur $i$ seperti

ketika melakukan estimasi mortalitas anak. Variabel $a(i)$ menyatakan umur
tengah pada grup umur ke - $i$ sedangkan variabel $B(i)$ menyatakan banyaknya
kelahiran pada grup umur ke - $i$. \\
\indent Terminologi \textit{Mean Age at Maternity} ini memang terlihat tidak

diperlukan dalam persamaan \ref{pers.13}. Namun, perhitungan yang dilakukan
pada bagian ini akan berguna untuk menentukan faktor bobot $W(n)$ dan tahun
referensi yang akan dibahas pada bagian selanjutnya.
\subsection{Menentukan Faktor Bobot}
\indent Untuk setiap nilai $n$ yang sedang ditinjau dan untuk setiap nilai $M$
yang telah didapat, terdapat suatu nilai $W(n)$ yang berkorespondensi. Dengan
menggunakan daftar nilai tersebut, akan didapat nilai $W(n)$ yang dapat
digunakan dalam persamaan \ref{pers.13}.
\subsubsection{Menentukan Faktor Bobot untuk $M$ yang Tidak

Bulat}
\indent Umumnya, perhitungan nilai $M$ pada bagian sebelumnya

tidak selalu baik. Baik dalam hal ini berarti didapat hasil berupa bilangan bulat.
Daftar nilai $W(n)$ hanya memberikan nilai-nilai $W(n)$ untuk setiap nilai $M$
yang bulat. Pada bagian ini, akan dibahas penentuan nilai $W(n)$ jika hasil
perhitungan $M$ tidak bulat. \\
\indent Konsep yang akan digunakan untuk menentukan $W(n)$

dengan nilai $M$ yang tidak bulat ini pada dasarnya adalah konsep interpolasi
linier. Definisikan faktor interpolasi $\theta$ yang berlaku untuk setiap nilai $n$
sebagai berikut.
\theta=\frac{\ceil{M}-M}{\ceil{M}-\floor{M}}
\end{equation}
\noindent Faktor interpolasi tersebut akan digunakan untuk memberi bobot nilai
atas dan nilai bawah dari $W(n)$ yang dihasilkan oleh pembulatan keatas dan
pembulatan kebawah dari $M$ sehingga diperoleh sebuah nilai tengah yang
\textit{valid}. Secara matematis, dapat dinyatakan sebagai berikut.
W(n)=\theta W(n)|_{M=\floor{M}} + (1-\theta) W(n)|_{M=\ceil{M}}
\end{equation}
\subsection{Menghitung Probabilitas \textit{Survive}}
\indent Setelah mendapatkan nilai-nilai $W(n)$, $S(n)$ dan $S(n-5)$ maka

persamaan \ref{pers.13} akan dapat digunakan. Hasil yang diperoleh adalah
sederetan nilai probabilitas yang menyatakan mortalitas orang dewasa. Bersama
dengan nilai mortalitas anak-anak, mortalitas orang dewasa akan digunakan untuk
membentuk \textit{Life Table} baru.
\subsection{Menghitung Tahun Referensi}
\indent Seperti ketika mengestimasi mortalitas anak-anak, pada estimasi

mortalitas orang dewasa perlu dilakukan juga perhitungan tahun referensi. Hal ini
dikarenakan mortalitas orang dewasa yang juga terus berubah dari tahun ke tahun
dan tahun referensi juga diperlukan untuk menentukan tahun sasaran \textit{Life
Table} baru. Persamaan yang digunakan untuk menentukan tahun referensi dapat
dinyatakan sebagai berikut.
\text{Tahun Referensi} = \text{Tahun Survei} - t(n)
\end{equation}
t(n) = \frac{n(1-u(n))}{2}
\end{equation}
u(n) = 0.3 ln(_{10}S_{n-5})+Z(M+n)+0.0037(27-M)
\end{equation}
\noindent Pada persamaan \ref{pers.19}, $_{10}S_{n-5}$ menyatakan rasio antara

responden berumur $n-5$ sampai $n+4$ yang memiliki ibu dengan total seluruh
responden berumur $n-5$ sampai $n+4$ dan $n$ menyatakan umur tengah pada
grup umur yang sedang ditinjau. $Z(M+n)$ adalah konstanta yang nilainya telah
tersedia dan ditentukan dengan menggunakan tabel khusus.
\subsubsection{Menentukan Nilai $Z(M+n)$ Untuk $M+n$ Tidak
Bulat}
\indent Umumnya, hasil perhitungan $M$ pada bagian sebelumnya

tidaklah baik. Baik dalam hal ini berarti didapatkan hasil berupa bilangan bulat. Jika
demikian, maka dapat dipastikan bahwa hasil dari $M+n$ juga bukan merupakan
bilangan bulat. Ini menjadi masalah karena tabel nilai $Z(x)$ hanya menyediakan
nilai-nilai $Z(x)$ untuk $x$ yang bulat. Pada bagian ini, akan dibahas cara
mendapatkan nilai $Z(M+n)$ untuk $M+n$ yang tidak bulat. \\
\indent Konsep yang akan digunakan untuk mendapatkan nilai

$Z(M+n)$ untuk $M+n$ yang tidak bulat adalah konsep interpolasi linier. Dengan
menggunakan faktor interpolasi yang telah diperoleh pada bagian sebelumnya,
maka rumus untuk menentukan $Z(M+n)$ adalah sebagai berikut.
Z(M+n)=\theta Z(\floor{M+n})+(1-\theta)Z(\ceil{M+n})
\end{equation}
%=================================================
=================================
\section{Membentuk \textit{Life Table}}
\indent Untuk membentuk \textit{Life Table}, akan digunakan Metode

\textit{Relational Model Life Table System} yang dinyatakan dengan persamaan
\ref{pers.6a} sebagai berikut.
\begin{equation} \label{pers.6a}
Y(x)=\alpha + \beta Y^s(x)
\end{equation}
\noindent Dengan $Y(x)$ adalah Transformasi \textit{Logit} yang dinyatakan

dengan persamaan \ref{pers.6b} sebagai berikut,
\begin{equation} \label{pers.6b}
Y(x)=logit(l(x))=\frac{1}{2} ln(\frac{1-l(x)}{l(x)})=-\frac{1}{2} ln(\frac{1-q(x)}
{q(x)})
\end{equation}
\noindent Perlu diperhatikan bahwa $Y^s(x)$ mengacu kepada Transformasi

\textit{Logit} dari $l^s(x)$ yang merupakan data yang diperoleh dari \textit{Life
Table} acuan. Selain itu, data yang diperlukan dalam proses ini adalah hasil
estimasi mortalitas anak dan mortalitas orang dewasa. Kemudian langkah-langkah
untuk memperoleh \textit{Life Table} yang baru akan dijabarkan sebagai berikut.
\subsection{Menentukan Tahun Sasaran \textit{Life Table}}
\indent Tahun sasaran $D$ adalah tahun dimana \textit{Life Table} yang akan
dibentuk kelak berlaku. Tahun ini dapat ditentukan secara bebas berdasarkan
\textit{range} dari tahun referensi hasil estimasi mortalitas anak dan mortalias
orang dewasa tanpa menggunakan perhitungan khusus. Namun jika \textit{Life
Table} baru ingin dibentuk di tahun diluar \textit{range} dari tahun referensi, maka
perlu dilakukan ekstrapolasi.
\subsection{Memilih \textit{Standard Life Table}}
\indent \textit{Life Table} acuan yang telah digunakan untuk mengestimasi

mortalitas anak dapat digunakan kembali pada bagian ini. Namun, perlu digaris
bawahi bahwa tidak tertutup kemungkinan jikalau \textit{Life Table} yang terpilih
pada saat mengestimasi mortalitas anak hanya dapat merepresentasikan mortalitas
anak dengan baik. Sedangkan kualifikasi \textit{Life Table} acuan yang diharapkan
pada bagian ini adalah \textit{Life Table} yang tidak hanya mampu
merepresentasikan mortalitas anak dengan baik, tapi juga mortalitas orang dewasa.
\\
\indent Selain kualifikasi kualitatif seperti tingkat representasi mortalitas

terdapat pula kualifikasi kuantitatif yang dapat dijadikan indikator pemilihan ulang
\textit{Life Table} acuan. Indikator kuantitatif yang dimaksudkan disini
berhubungan dengan bagian selanjutnya, yaitu estimasi parameter model.
Disebutkan oleh Moultrie \textit{et al} bahwa jika hasil estimasi parameter $\beta$
jatuh diluar \textit{range} $0.75 - 1.25$ maka perlu dilakukan penggantian
\textit{Life Table} acuan.
\subsection{Mengestimasi Nilai Parameter}
\indent 2 parameter dalam model, yaitu $\alpha$ dan $\beta$ akan

diestimasi dengan teknik iterasi atau dapat dikerjakan dengan bantuan komputer.
Mula-mula parameter yang akan diestimasi adalah $\alpha$. Langkah pertama
pengestimasian $\alpha$ akan dilakukan dengan menghitung nilai $\alpha$ dengan
menggunakan persamaan \ref{pers.6a} dan masing-masing data hasil estimasi.\\
\indent Untuk menghitung $\alpha$ berdasarkan data estimasi mortalitas

anak, parameter yang lain yaitu $\beta$ perlu di asumsikan bernilai $1$ terlebih
dahulu. Dengan demikian, persamaan \ref{pers.6a} akan menjadi,
$$Y(x) = \alpha + Y^s(x)$$

\noindent sehingga dengan sedikit manipulasi aljabar, nilai dari $\alpha$
berdasarkan data estimasi mortalitas anak-anak dapat dihitung sebagai berikut.
\alpha^{anak}= Y(x) - Y^s(x)
\end{equation}
\noindent Perhatikan bahwa dengan menggunakan persamaan \ref{pers.21} dan

data estimasi mortalitas anak, akan diperoleh sederetan nilai $\alpha^{anak}$
yang berkorespondensi dengan masing-masing sebuah nilai estimasi mortalitas
anak. \\
\indent Untuk menghitung $\alpha$ berdasarkan data estimasi mortalitas

dewasa, tidak terlalu berbeda dengan sebelumnya, parameter lain yatu $\beta$
juga di asumsikan bernilai $1$ terlebih dahulu. Namun persamaan yang digunakan
akan sedikit berbeda karena hasil estimasi mortalitas orang dewasa adalah peluang
bersyarat. Untuk itu, perlu digunakan konsep peluang bersyarat untuk menentukan
persamaan yang dapat digunakan untuk menghitung nilai $\alpha$ berdasarkan
data estimasi mortalitas orang dewasa.
$$_np_x=\frac{l(x+n)}{l(x)}=[\frac{1+e^{2(\alpha +\beta Y^s(x))}}

{1+e^{2(\alpha +\beta Y^s(x+n))}}] $$
$$_np_x + _np_x e^{2(\alpha +\beta Y^s(x+n))}=1+e^{2(\alpha +\beta Y^s(x))}$
$
\noindent kumpulkan suku yang memiliki faktor eksponen $e$ kemudian faktorkan,
maka
$$e^{2\alpha}(_np_x e^{2\beta Y^s(x+n)}-e^{2\beta Y^s(x)})=1-_np_x$$

$$e^{2\alpha}=\frac{1-_np_x}{_np_x exp(2\beta Y^s(x+n)) - exp(2\beta Y^s(x))}$
$
\noindent dengan mengambil hasil logaritma natural dari kedua ruas, maka didapat
$$2\alpha=ln(\frac{1-_np_x}{_np_x exp(2\beta Y^s(x+n)) - exp(2\beta Y^s(x))})$$
\begin{equation} \label{pers.22default}
\alpha = \frac{1}{2} ln(\frac{1-_np_x}{_np_x exp(2\beta Y^s(x+n)) - exp(2\beta
Y^s(x))})
\end{equation}
\noindent kemudian dengan mengasumsikan parameter $\beta$ bernilai $1$,

didapatlah sebuah persamaan yang dapat digunakan untuk menghitung nilai
$\alpha$ berdasarkan data estimasi mortalitas orang dewasa sebagai berikut.
\alpha^{dewasa}=\frac{1}{2} ln(\frac{1-_np_x}{_np_x exp(2 Y^s(x+n)) - exp(2
Y^s(x))})
\end{equation}
\noindent Seperti pada saat menghitung nilai $\alpha$ berdasarkan data mortalitas
anak, persamaan \ref{pers.22} juga akan menghasilkan sederetan nilai
$\alpha^{dewasa}$ yang berkorespondensi dengan masing-masing sebuah nilai
estimasi mortalitas orang dewasa. \\
\indent Hasil dari perhitungan $\alpha^{anak}$ yang telah diperoleh

kemudian di \textit{plot} terhadap tanggal referensi masing-masing estimasi
mortalitas yang digunakan. Misalkan $\alpha^{anak}$ 1 didapat dengan
menggunakan $q(1)$. Tentu $q(1)$ memiliki tanggal referensi yang
berkorespondensi, sebut saja $t(1)$. Maka $\alpha^{anak}$ 1 akan di \textit{plot}
terhadap $t(1)$, demikian seterusnya. \\
\indent Nilai $\alpha$ dan $\beta$ yang sebenarnya yaitu $\alpha^*$ dan
$\beta^*$ akan diestimasi dengan menggunakan teknik iterasi. Pada iterasi
pertama, perlu digarisbawahi bahwa nilai dari $\beta*$ adalah diasumsikan sama
dengan $1$. Akhir dari siklus setiap iterasi ditandai dengan didapatkannya sebuah
nilai $\alpha^*$ dan $\beta^*$. \\
\indent Mula-mula $\alpha^*$ yang akan dicari terlebih dahulu. Langkah awal
yang harus dikejarkan adalah mencari regresi linier terbaik dari nilai-nilai
$\alpha^{anak}$ berdasarkan waktu sehingga memenuhi persamaan berikut.
\alpha^* = Z(\alpha) + D S(\alpha)
\end{equation}
\noindent dengan $D$ adalah tahun sasaran \textit{Life Table}.
\indent Untuk mencari nilai $\beta*$, perlu dicari dahulu sederetan nilai
$\beta$ yang berkorespondensi dengan sebuah nilai $\alpha^{dewasa}$ yang
dihitung dengan persamaan-persamaan berikut.
\beta=\frac{Y(60)-Y(15)}{Y^s(60)-Y^s(15)}
\end{equation}
dengan $Y^s(60)$ dan $Y^s(15)$ masing-masing didapatkan dari \textit{Life

Table} acuan. Kemudian $Y(60)$ dan $Y(15)$ dinyatakan sebagai,
Y(15)=\alpha^* + \beta^* Y^s(15)
\end{equation}
Y(60)=-\frac{1}{2} ln(\frac{l(15) _{45}p_{15}}{1-l(15) _{45}p_{15}})
\end{equation}
\noindent dengan
l(15)=\frac{1}{1+exp(2Y(15))}
\end{equation}
_{45}p_{15}=\frac{l(60)}{l(15)}=\frac{1+exp(2(\alpha^{dewasa}+\beta^*
Y^s(15)))}{1+exp(2(\alpha^{dewasa}+\beta^* Y^s(60)))}
\end{equation}
\indent Terdapat beberapa hal yang perlu diperhatikan disini. Pertama adalah
penggunaan $_{45}p_{15}$ atau yang dapat ditulis $\frac{l(60)}{l(15)}$.
Berdasarkan pemaparan Moultrie, yang diharapkan dari metode ini terutama adalah
\textit{Life Table} yang terbentuk kredibel untuk usia $15$ sampai $60$. Sehingga
2 batasan usia inilah yang dijadikan sebagai acuan. Kedua adalah persamaan
\ref{pers.28} akan menghasilkan sederetan nilai $_{45}p_{15}$ karena terdapat
sederetan nilai $\alpha^{dewasa}$ yang dapat digunakan dan setiap
$\alpha^{dewasa}$ yang digunakan akan berkorespondensi dengan sebuah tahun
referensi. Hal ini mengakibatkan perhitungan $\beta$ pada persamaan
\ref{pers.24} akan menghasilkan nilai $\beta$ yang berkorespondensi dengan
sebuah tahun referensi. Jika sederatan nilai $\beta$ yang telah berkorespondensi
tersebut dikumpulkan dan kemudian diregresikan secara linier, maka akan
didapatkan persamaan berikut.
\beta^*=Z(\beta)+ D S(\beta)
\end{equation}
\noindent Dengan menggunakan persamaan \ref{pers.29}, maka akan diperoleh

nilai $\beta^*$ yang baru dan menandakan berakhirnya proses iterasi pertama.
Iterasi kedua dan seterunya dimulai dengan terlebih dahulu menghitung sederetan
nilai $\alpha^{anak}$ yang nantinya akan diregresikan secara linier lagi untuk
mendapatkan $\alpha^*$ yang baru. Persamaan yang digunakan untuk menghitung
sederetan nilai $\alpha^{anak}$ adalah sebagai berikut.
\alpha^{anak}=logit(q_x) - \beta^* Y^s(x)
\end{equation}
\noindent Iterasi dihentikan ketika \textit{margin} dari $\beta^*$ yang dihasilkan

pada iterasi sebelumnya tidak berbeda jauh dengan $\beta^*$ yang dihasilkan
pada iterasi sesudahnya.
\subsection{Menyusun \textit{Life Table}}
\indent Pada tahap ini, setiap komponen yang diperlukan untuk membentuk
\textit{Life Table} telah didapatkan. Dengan mengaplikasikan persamaan
\ref{pers.7} yaitu,
l(x)=\frac{1}{1+exp(2(\alpha+\beta Y^s(x)))}
\end{equation}
\noindent untuk nilai parameter $\alpha$ dan $\beta$ yang telah didapat, dan
dengan menggunakan data dari \textit{Life Table} acuan, \textit{Life Table} baru
dapat dibentuk.
%=================================================
=======================
%\section{Uji \textit{Kolmogorov-Smirnov} 2 Sampel Independen}
% \indent Uji \textit{Kolmogorov-Smirnov} 2 sampel independen adalah salah

satu uji nonparametrik yang dapat digunakan untuk menentukan apakah 2 sampel
yang saling independen merupakan bagian dari populasi yang sama (atau
merupakan bagian dari populasi dengan distribusi yang identik). Uji dapat dilakukan
secara dwiarah maupun ekaarah. Uji ekaarah digunakan untuk menentukan apakah
data pengamatan yang diambil dari suatu populasi lebih besar secara stokastik
dibandingkan data pengamatan lain yang diambil dari populasi yang sama.
Sedangkan uji dwiarah secara sederhana digunakan hanya untuk menentukan
apakah 2 data pengamatan diambil dari populasi yang sama. \\
% \indent Prosedur penggunaan Uji \textit{Kolmogorov-Smirnov} 2 sampel
independen dapat dijabarkan sebagai berikut.
%\begin{enumerate}
% \item Perumusan hipotesis.
% \item Menentukan tingkat signifikansi $\alpha$.
% \item Pengelompokkan data kedalam interval-interval jika diperlukan.
% \item Menentukan distribusi peluang kumulatif dari kedua sampel /
%pengamatan yang masing-masing dinotasikan dengan $H_m(X)$ untuk sampel
pertama berukuran $m$ dan $H_n(X)$ untuk sampel kedua berukuran $n$.
% \item Menentukan nilai statistik uji yang dinotasikan sebagai $D_{m,n}$ untuk
masing-masing jenis uji. Untuk uji ekaarah dinyatakan sebagai, $
$D_{m,n}=max[H_m(X)- H_n(X)]$$ sedangkan untuk uji dwiarah dinyatakan
sebagai, $$D_{m,n}=max|H_m(X)-H_n(X)|$$
% \item Untuk sampel kecil ($m,n \leq 25$), penarikan kesimpulan dikerjakan
dengan menggunakan tabel nilai kritis yang terdapat pada lampiran D untuk uji
ekaarah atau tabel nilai kritis yang terdapat pada lampiran E untuk uji dwiarah.
Dengan suatu nilai signifikansi yang dikehendaki, jika $mnD_{m,n}$ pengamatan
$>mnD_{m,n}$ tabel maka $H_0$ ditolak.
% \item Untuk sampel besar ($m,n >25$), penarikan kesimpulan dikerjakan
dengan menggunakan tabel perhitungan nilai kritis yang terdapat pada lampiran F
untuk uji dwiarah. Dengan suatu nilai signifikansi yang dikehendaki, jika $D_{m,n}$
pengamatan $>D_{m,n}$ hitung maka $H_0$ ditolak. Untuk uji ekaarah,
definisikan $$X^2 = 4D^2_{m,n} \frac{mn}{m+n}$$ dengan derajat bebas sama
dengan 2 yang menyatakan aproksimasi $D_{m,n}$ oleh distribusi Khi-Kuadrat
ketika $n,m$ bertambah besar. Penarikan kesimpulan dikerjakan dengan
menggunakan lampiran G dimana pada suatu nilai signifikansi yang dikehendaki
ketika $P(\chi^2 > X^2) < \alpha$ maka $H_0$ ditolak.
%\end{enumerate}
% \subsection{Penentuan Kelas Interval}
% \indent Pada mayoritas proses pengerjaan uji hipotesis yang melibatkan Uji
\textit{Kolmogorov-Smirnov} 2 sampel independen, data hasil pengamatan
umumnya bersifat tunggal dan perlu dikelompokkan kedalam beberapa interval.
Bagian ini akan secara khusus membahas proses pengelompokkan tersebut dimulai
dari penentuan banyaknya kelas hingga panjang interval setiap kelas. Mula-mula
perlu dihitung jangkauan dari data hasil pengamatan sebagai berikut.
%\begin{equation} \label{pers.100}
%J = \text{data terbesar} - \text{data terkecil}
%\end{equation}
%\noindent Kemudian setelah jangkauan data dihitung, akan ditentukan banyaknya

kelas dengan formula sebagai berikut.
%k=1+3.3 log(n)
%\end{equation}
%\noindent dengan $n$ menyatakan banyaknya data. Langkah terakhir adalah

penentuan panjang interval setiap kelas dengan formula sebagai berikut.
%I=\frac{J}{k}
%\end{equation}
%CLEAR
%=================================================
========================
%\section{Data}
% \indent Pada penelitian ini akan dibentuk sebuah \textit{Life Table} yang
didasarkan pada hasil estimasi mortalitas anak dan orang dewasa di Indonesia.
\textit{Life Table} yang terbentuk merupakan tipe \textit{Life Table} tradisional
dengan \textit{entry} berupa umur seorang individu yang dinyatakan dengan $x$
dan banyaknya \textit{survivor} berusia $x$ yang dinyatakan dengan $l(x)$.
Informasi-informasi lain seperti peluang hidup dan peluang meninggal dapat
ditentukan kemudian dengan menetapkan suatu radix $l(0)$. \\
% \indent Data yang digunakan diambil dari berbagai macam sumber meliputi,
www.dhs\\program.com, www.kpai.go.id, www.demographicestimation.iussp.org dan
Survei Demografi dan Kesehatan Indonesia. Situs www.dhsprogram.com
menyediakan mayoritas data yang digunakan dalam penelitian ini yaitu, data
jumlah anak baik hidup maupun telah meninggal yang dikelompokkan berdasarkan
grup umur 5 tahunan ibu, jumlah perempuan yang dikelompokkan berdasarkan
grup umur 5 tahunan dan jumlah anak yang dikelompokkan berdasarkan grup umur
5 tahunan yang dikumpulkan berdasarkan survei pada Juni - Juli 2012. Situs
www.demographicesti\\mation.iussp.org menyediakan 9 buah \textit{Life Table}
acuan beserta nilai \textit{logit} untuk masing-masing $l(x)$. Kemudian situs
www.kpai.go.id menyediakan persentase anak piatu di Indonesia, sedangkan Survei
Demografi dan Kesehatan Indonesia menyediakan persentase jumlah ibu yang
meninggal untuk masing-masing grup umur 5 tahunan. Dalam penelitian ini,
mortalitas orang dewasa diasumsikan diwakili oleh mortalitas perempuan dewasa.
Oleh karena itu, mayoritas data yang diperlukan adalah data yang berkaitan dengan
perempuan. \\
% \indent Sejatinya, untuk mengestimasi mortalitas orang dewasa, diperlukan

data banyaknya jumlah anak ber-ibu yang dikelompokkan berdasarkan grup umur 5
tahunan. Namun karena data tersebut tidak tersedia, sedikit modifikasi terhadap
data juga diperlukan dalam penelitian ini berkaitan dengan data untuk
mengestimasi mortalitas orang dewasa. Penelitian ini menggunakan data jumlah
anak yang dikalikan dengan persentase ibu hidup untuk mendapatkan jumlah anak
ber-ibu yang dikelompokkan berdasarkan grup umur 5 tahunan.
%=================================================
=================================
\section{Hasil Perhitungan dan Analisis}
\indent Hasil perhitungan dan analisis akan dibagi menjadi 3 bagian. Bagian
yang pertama akan membahas tentang hasil perhitungan estimasi mortalitas anak.
Bagian kedua akan membahas tentang hasil perhitungan estimasi mortalitas orang
dewasa. Bagian ketiga akan membahas tentang \textit{Life Table} yang terbentuk.
Secara simultan, hasil dari pembahasan pada bagian pertama dan kedua akan
menjadi dasar pembahasan bagian ketiga.
\subsection{Estimasi Mortalitas Anak}
\indent Pada bagian ini akan ditunjukkan hasil estimasi mortalitas anak
berdasarkan teknik estimasi tidak langsung. Dengan menggunakan persamaan
\ref{pers.8a}-\ref{pers.11} estimasi mortalitas anak beserta tahun referensinya
dapat dihitung. Hasil perhitungan tersebut ditunjukkan pada Tabel \ref{t5}.
%\begin{longtable}[H]{|c|c|c|}
%\caption{Proporsi kematian $D(i)$ berdasarkan grup umur}
%\\ \hline
%$x$ & $i$ & $D(i)$ \\
%\hline
%1 & 1 & 0.059022 \\
%\hline
%2 & 2 & 0.044319 \\
%\hline
%3 & 3 & 0.051735 \\
%\hline
%5 & 4 & 0.056826 \\
%\hline
%10 & 5 & 0.063629 \\
%\hline
%15 & 6 & 0.085045 \\
%\hline
%20 & 7 & 0.10984 \\
%\hline
%\caption*{Sumber: Data Olahan Penulis (2016)}
%\label{t1}
%\end{longtable}
%\newpage
% \indent Selanjutnya, dengan menggunakan data total jumlah anak dan total
perempuan dapat dihitung paritas rata-rata atau rata-rata jumlah anak yang lahir.
Karena data yang digunakan dikelompokkan berdasarkan grup umur 5 tahunan,
maka paritas rata-rata yang dihasilkan juga merepresentasikan masing-masing grup
umur 5 tahunan. Hasil seluruh perhitungan ditunjukkan pada Tabel \ref{t2}.
%\caption{Paritas rata-rata $P(i)$ berdasarkan grup umur}
%\\ \hline
%$x$ & $i$ & $P(i)$ \\
%\hline
%1 & 1 & 0.082281 \\
%\hline
%2 & 2 & 0.619821 \\
%\hline
%3 & 3 & 1.360615 \\
%\hline
%5 & 4 & 2.071788 \\
%\hline
%10 & 5 & 2.686578 \\
%\hline
%15 & 6 & 3.145043 \\
%\hline
%20 & 7 & 3.6 \\
%\hline
%\label{t2}
%\end{longtable}
% \indent Setelah nilai $D(i)$ dan $P(i)$ dihitung, nilai dari konstanta pengali
$k(i)$ akan dihitung dengan bantuan \textit{Life Table} acuan. Berdasarkan
panduan pemilihan \textit{Life Table}, Tabel \ref{t39}, \textit{Life Table} acuan
yang kiranya sesuai dan cocok untuk merepresentasikan pola mortalitas anak di
Indonesia adalah \textit{Princeton East}. Hal didasarkan pada fakta bahwa
Indonesia masih tergolong negara berkembang yang ditunjukkan oleh persentase
pertumbuhan GNP Indonesia yang hanya 3.02\% berdasarkan situs
www.id.tradingeconomics.com dan koefisien gini Indonesia yang sebesar 0.41
berdasarkan situs www.indonesia-investments.com. Disamping itu juga, persentase
menyusui ibu-ibu di Indonesia tidak begitu tinggi hanya sebesar 42\% dan fakta
bahwa tingkat kebersihan lingkungan di Indonesia yang masih buruk dengan dua -
pertiga populasi yang masih tidak memiliki akses terhadap air bersih. Disamping itu
juga, Megaw memaparkan bahwa penyapihan pada bayi Indonesia terjadi sekitar
bulan ke-9 sampai ke-10 dari kelahirannya. Hasil seluruh perhitungan konstanta
pengali $k(i)$ ditunjukkan pada Tabel \ref{t4}.
%\begin{longtable}[H]{|c|c|}
%\caption{Konstanta pengali $k(i)$ berdasarkan grup umur}
%\\ \hline
%$i$ & $k(i)$ \\
%\hline
%1 & 1.132061 \\
%\hline
%2 & 1.063734 \\
%\hline
%3 & 1.008529 \\
%\hline
%4 & 1.007982 \\
%\hline
%5 & 1.027619 \\
%\hline
%6 & 1.01137 \\
%\hline
%7 & 1.002583 \\
%\hline
%\label{t4}
%\end{longtable}
% \indent Langkah terakhir adalah menghitung estimasi mortalitas anak dengan

menggunakan nilai $D(i)$ dan $k(i)$ yang telah dihitung sebelumnya. Masing-
masing estimasi mortalitas anak yang dihasilkan akan berkorespondensi dengan
sebuah grup umur. Hasil seluruh perhitungan ditunjukkan pada Tabel \ref{t5}.
\begin{longtable}[H]{|c|c|c|c|c|}
\caption{Nilai $q(x)$, $t(x)$ dan tahun referensi berdasarkan grup umur}
\\ \hline
$i$ & $x$ & $q(x)$ & $t(x)$ & Tahun Referensi\\
\hline
1 & 1 & 0.066816 & 0.928727 & 2011.571 (Juni 2011)\\
\hline
2 & 2 & 0.047144 & 2.19954 & 2010.3 (April 2010)\\
\hline
3 & 3 & 0.052176 & 4.149839 & 2008.35 (April 2008)\\
\hline
4 & 5 & 0.05728 & 6.528153 & 2005.972 (November 2005)\\
\hline
5 & 10 & 0.065386 & 9.217978 & 2003.282 (Maret 2003)\\
\hline
6 & 15 & 0.086012 & 12.16821 & 2000.332 (April 2000)\\
\hline
7 & 20 & 0.110123 & 15.42603 & 1997.074 (Januari 1997)\\
\hline
\caption*{Sumber: Data Olahan Penulis (2016)}
\label{t5}
\end{longtable}
%\indent Tabel \ref{t5} menyatakan ukuran mortalitas anak di Indonesia untuk

setiap grup umur. Terlihat bahwa ukuran mortalitas tersebut sempat mengalami
fluktuasi nilai hingga pada akhirnya mengalami peningkatan secara konsisten.
Peluang kematian pada bayi yang baru lahir dari kelompok ibu-ibu yang berusia
$15-19$ hingga berusia $1$ tahun adalah $0.066816$. Peluang kematian pada bayi
yang baru lahir dari kelompok ibu-ibu yang berusia $20-24$ hingga berusia $2$
adalah $0.047144$. Peluang kematian pada bayi yang baru lahir dari kelompok ibu-
ibu yang berusia $25-29$ hingga berusia $3$ adalah $0.052176$. Peluang kematian
bayi yang baru lahir dari kelompok ibu-ibu yang berusia $30-34$ hingga berusia
$5$ adalah $0.05728$. Peluang kematian bayi yang baru lahir dari kelompok ibu-ibu
yang berusia $35-39$ hingga berusia $10$ adalah $0.065386$. Peluang kematian
bayi yang baru lahir dari kelompok ibu-ibu yang berusia $40-44$ hingga berusia
$15$ adalah $0.086012$. Peluang kematian bayi yang baru lahir dari kelompok ibu-
ibu yang berusia $45-49$ hingga berusia $20$ adalah $0.110123$. \\
% \indent Setelah mendapatkan nilai estimasi mortalitas anak, periode referensi

yang menyatakan tahun berlakunya estimasi mortalitas untuk masing-masing
estimasi tersebut perlu dihitung. Periode ini dapat dihitung dengan menggunakan
koefisien-koefisien yang diberikan oleh \textit{Life Table} acuan yang dipilih. Hasil
seluruh perhitungan periode referensi ditunjukkan pada Tabel \ref{t7}.
%\caption{Periode referensi dan tahun referensi}
%\\ \hline
%$x$ & $t(x)$ & Tahun Referensi \\
%\hline
%1 & 0.928727 & 2011.571 (Juni 2011)\\
%\hline
%2 & 2.19954 & 2010.3 (April 2010)\\
%\hline
%3 & 4.149839 & 2008.35 (April 2008)\\
%\hline
%5 & 6.528153 & 2005.972 (November 2005)\\
%\hline
%10 & 9.217978 & 2003.282 (Maret 2003)\\
%\hline
%15 & 12.16821 & 2000.332 (April 2000)\\
%\hline
%20 & 15.42603 & 1997.074 (Januari 1997)\\
%\hline
%\label{t7}
%\end{longtable}
%\indent Tabel \ref{t7} menyatakan periode referensi atau tahun sebenarnya

estimasi mortalitas anak yang didapat berlaku. Berdasarkan Tabel \ref{t7}, estimasi
mortalitas untuk anak berusia 1 berlaku sekitar $0.928727$ tahun sebelum tahun
survei atau pada bulan Juni tahun 2011. Estimasi mortalitas untuk anak berusia 2
berlaku sekitar $2.19954$ tahun sebelum survei atau pada bulan April tahun 2010.
Estimasi mortalitas untuk anak berusia 3 berlaku sekitar $4.4149839$ tahun
sebelum tahun survei atau pada bulan April tahun 2008. Estimasi mortalitas untuk
anak berusia 5 berlaku sekitar $6.528153$ tahun sebelum survei atau pada bulan
November tahun 2005. Estimasi mortalitas untuk anak berusia 10 berlaku sekitar
$9.217978$ tahun sebelum survei atau pada bulan Maret tahun 2003. Estimasi
mortalitas untuk anak berusia 15 berlaku sekitar $12.16821$ tahun sebelum survei
atau pada bulan April tahun 2000. Estimasi mortalitas untuk anak berusia 20
berlaku sekitar $15.42603$ tahun sebelum survei atau pada bulan Januari tahun
1997.
%CLEAR
%=================================================
==============================
\subsection{Estimasi Mortalitas Orang Dewasa}
\indent Pada bagian ini akan ditunjukkan hasil estimasi mortalitas orang
dewasa dengan teknik estimasi tidak langsung. Dengan menggunakan
persamaan \ref{pers.13}-\ref{pers.20} estimasi mortalitas orang dewasa beserta
tahun referensinya dapat dihitung. Hasil perhitungan tersebut ditunjukkan pada
Tabel \ref{t10}.
%Mula-mula akan dihitung terlebih dahulu nilai dari \textit{Mean Age

Maternity}. Nilai \textit{Mean Age Maternity} yang didapat adalah $$M = 28.0862$
$. \\
%\indent Kemudian, dengan menggunakan data jumlah anak ber-ibu dan

total seluruh anak pada masing-masing grup umur, akan ditentukan nilai-nilai
proporsi $S(n)$ dan $S(n-5)$. Perhatikan bahwa untuk setiap nilai $n$ akan dihitung
nilai dari $S(n)$ dan $S(n-5)$. Hasil seluruh perhitungan ditunjukkan pada Tabel
\ref{t8}.
%\caption{Nilai $S(n-5)$ dan $S(n)$}
%\\ \hline
%$n$ & $S(n-5)$ & $S(n)$ \\
%\hline
%15 & 0.94 & 0.901 \\
%\hline
%20 & 0.901 & 0.768 \\
%\hline
%25 & 0.768 & 0.776 \\
%\hline
%30 & 0.776 & 0.838 \\
%\hline
%35 & 0.838 & 0.869 \\
%\hline
%40 & 0.869 & 0.911 \\
%\hline
%45 & 0.911 & 0.966 \\
%\hline
%\label{t8}
%\end{longtable}
% \indent Langkah selanjutnya adalah menentukan faktor bobot $W(n)$ untuk

setiap $n$. Namun, dalam perhitungan sebelumnya telah didapat nilai $M =
28.086$. Karena nilai $M$ yang telah didapat bukan merupakan bilangan bulat,
faktor interpolasi $\theta$ harus dihitung terlebih dahulu. Faktor interpolasi $\theta$
yang didapat adalah $0.9138$. \\
% \indent Setelah faktor interpolasi $\theta$ dihitung, barulah faktor bobot $W(n)
$ dapat ditentukan. Hasil seluruh perhitungan ditunjukkan pada Tabel \ref{t9}.
%\caption{Nilai $W(n)$}
%\\ \hline
%$n$ & $W(n)$ \\
%\hline
%15 & 0.8054 \\
%\hline
%20 & 0.9282 \\
%\hline
%25 & 1.0248 \\
%\hline
%30 & 1.0906 \\
%\hline
%35 & 1.1402 \\
%\hline
%40 & 1.1251 \\
%\hline
%45 & 1.0791 \\
%\hline
%\label{t9}
%\end{longtable}
% \indent Langkah terakhir adalah menentukan estimasi mortalitas orang

dewasa. Seperti pada estimasi mortalitas anak, masing-masing estimasi mortalitas
orang dewasa akan berkorespondensi dengan sebuah grup umur. Hasil seluruh
perhitungan ditunjukkan pada Tabel \ref{t10}.
\begin{longtable}[H]{|c|c|c|c|}
\caption{Nilai $_np_{25}$, $t(n)$ dan tahun referensi untuk setiap $n$}
\\ \hline
$n$ & $_np_{25}$ & $t(n)$ & Tahun Referensi\\
\hline
15 & 0.9324 & 6.7921 & 2005.7 (September 2005)\\
\hline
20 & 0.8914 & 8.8443 & 2003.7 (September 2003)\\
\hline
25 & 0.7678 & 10.617 & 2001.9 (November 2001)\\
\hline
30 & 0.7704 & 11.428 & 2001.1 (Februari 2001)\\
\hline
35 & 0.8337 & 11.514 & 2001 (Awal 2001)\\
\hline
40 & 0.8637 & 10.846 & 2001.7 (September 2001)\\
\hline
45 & 0.9066 & 8.987 & 2003.5 (Juni 2003)\\
\hline
\label{t10}
\end{longtable}
%\indent Tabel \ref{t10} menyatakan ukuran mortalitas orang dewasa di

Indonesia yang dinyatakan dengan probabilitas \textit{survive}. Terlihat bahwa nilai
estimasi mortalitas tersebut mengalami fluktuasi. Hal ini tercermin dari besarnya
persentase kehidupan pada ibu yang berusia tua. Fenomena ini mungkin
disebabkan karena kecilnya tingkat kematian pada usia tua, karena mayoritas
kematian terjadi pada usia muda. Interpretasi untuk Tabel \ref{t10} adalah peluang
seorang yang berusia $25$ dapat hidup $15$ tahun lagi adalah $0.9324$, peluang
seorang yang berusia $25$ dapat hidup $40$ tahun lagi adalah $0.8637$, serta
peluang seorang yang berusia $25$ dapat hidup $45$ tahun lagi adalah
$0.9066$. \\
%\indent Seperti pada estimasi mortalitas anak, periode referensi pada

estimasi mortalitas orang dewasa juga perlu dihitung. Periode ini dihitung dengan
bantuan tabel nilai $Z(x)$ dan hasil perhitungan $S(n)$ serta $S(n-5)$. Hasil
seluruh perhitungan ditunjukkan pada Tabel \ref{t11}.
%\caption{Nilai $t(n)$ dan Tahun Referensi}
%\\ \hline
%$n$ & $t(n)$ & Tahun Referensi \\
%\hline
%15 & 6.7921 & 2005.7 (September 2005)\\
%\hline
%20 & 8.8443 & 2003.7 (September 2003)\\
%\hline
%25 & 10.617 & 2001.9 (November 2001)\\
%\hline
%30 & 11.428 & 2001.1 (Februari 2001)\\
%\hline
%35 & 11.514 & 2001 (Awal 2001)\\
%\hline
%40 & 10.846 & 2001.7 (September 2001)\\
%\hline
%45 & 8.987 & 2003.5 (Juni 2003)\\
%\hline
%\label{t11}
%\end{longtable}
%\indent Tabel \ref{t11} menyatakan periode referensi atau tahun sebenarnya

estimasi mortalitas orang dewasa yang didapat berlaku. Berdasarkan Tabel
\ref{t11}, estimasi mortalitas untuk orang dewasa berusia 25 tahun yang dapat
hidup 15 tahun lagi berlaku sekitar 6.7921 tahun sebelum tahun survei atau pada
bulan September tahun 2005. Estimasi mortalitas untuk orang dewasa berusia 25
tahun yang dapat hidup 20 tahun lagi berlaku sekitar 8.8443 tahun sebelum tahun
survei atau pada bulan September tahun 2003. Estimasi mortalitas untuk orang
dewasa berusia 25 tahun yang dapat hidup 25 tahun lagi berlaku sekitar 10.617
tahun sebelum tahun survei atau pada bulan November tahun 2001. Estimasi
mortalitas untuk orang dewasa berusia 25 tahun yang dapat hidup 30 tahun lagi
berlaku sekitar 11.428 tahun sebelum tahun survei atau pada bulan Februari tahun
2001. Estimasi mortalitas untuk orang dewasa berusia 25 tahun yang dapat hidup
35 tahun lagi berlaku sekitar 11.514 tahun sebelum tahun survei atau pada awal
tahun 2001. Estimasi mortalitas untuk orang dewasa berusia 25 tahun yang dapat
hidup 40 tahun lagi berlaku sekitar 10.846 tahun sebelum tahun survei atau pada
bulan September tahun 2001. Estimasi mortalitas untuk orang dewasa berusia 25
tahun yang dapat hidup 45 tahun lagi berlaku sekitar 8.987 tahun sebelum tahun
survei atau pada bulan Juni tahun 2003.
%CLEAR
%=================================================
==============================
\subsection{\textit{Life Table}}
\indent Pada bagian ini akan ditunjukkan \textit{Life Table} yang dibentuk
dengan Metode \textit{Relational Model Life Table System}. Data yang digunakan
untuk menerapkan metode ini merupakan hasil perhitungan pada 2 bagian
sebelumnya, yaitu estimasi mortalitas anak dan estimasi mortalitas orang dewasa.
Dengan menggunakan persamaan \ref{pers.21}-\ref{pers.7} \textit{Life Table}
untuk Indonesia dapat dibentuk. \textit{Life Table} yang dihasilkan ditunjukkan
pada Tabel \ref{t20}.
%Langkah pertama untuk membentuk sebuah \textit{Life Table} dengan

Metode \textit{Relational Model Life Table System} adalah menentukan tahun
sasaran \textit{Life Table} $D$. Dalam penelitian ini, $D$ bernilai $2012$.
Kemudian diikuti dengan pemilihan \textit{Life Table} acuan. \textit{Life Table}
acuan yang dipilih pada penelitian ini adalah \textit{Princeton East Standard Life
Table}. \\
% \indent Langkah ketiga adalah mengestimasi parameter model $\alpha$ dan

$\beta$. Estimasi dilakukan dengan teknik iterasi. Dalam penelitian ini proses iterasi
dilakukan dengan bantuan perangkat lunak \textit{Microsoft Excel}. Hasil akhir dari
setiap iterasi diperlihatkan oleh Tabel \ref{t13} yang menampilkan estimasi dari
parameter $\alpha$ dan $\beta$ yang masing-masing diwakili oleh variabel
$\alpha^*$ dan $\beta^*$.
%\begin{longtable}[H]{|c|c|c|c|}
%\caption{Hasil iterasi $\alpha^*$ dan $\beta^*$ dengan tingkat %toleransi
$0.05$}
%\\ \hline
%Iterasi $(t)$ & $\alpha^*_t$ & $\beta^*_t$ & $|\beta^*_t - \beta^*_{t-1}|$ \\
%\hline
%1 & -0.5 & 0.8568 & - \\
%\hline
%2 & -0.601 & 1.2851 & 0.4283 \\
%\hline
%3 & -0.131 & 0.9579 & 0.327 \\
%\hline
%4 & -0.49 & 0.8736 & 0.084 \\
%\hline
%5 & -0.583 & 1.676 & 0.8024\\
%\hline
%6 & 0.2989 & 1.1035 & 0.572 \\
%\hline
%7 & -0.33 & 0.906 & 0.197 \\
%\hline
%8 & -0.547 & 0.8644 & 0.042 \\
%\hline
%\label{t13}
%\end{longtable}
%\indent Setelah kedua parameter, yakni $\alpha$ dan $\beta$ masing-

masing diestimasi, \textit{Life Table} baru dapat disusun. Tabel \ref{t20}
menampilkan keseluruhan hasil perhitungan $l(x)$ dan \textit{Life Table} untuk
Indonesia Tahun 2012 dengan \textit{radix} bernilai $1$. Nilai-nilai $l(x)$ yang
tidak tertera pada Tabel \ref{t20} dapat ditentukan dengan menggunakan teknik
interpolasi.
\begin{longtable}[H]{|c|c|}
\caption{\textit{Life Table} Indonesia Tahun 2012}
\label{t20}
\\ \hline
$x$ & $l(x)$ \\
\hline
0 & 1 \\ \hline
1 & 0.95681023 \\ \hline
2 & 0.95025552 \\ \hline
3 & 0.947431729 \\ \hline
4 & 0.945553066 \\ \hline
5 & 0.944222578 \\ \hline
10 & 0.940336061 \\ \hline
15 & 0.937843522 \\ \hline
20 & 0.934174851 \\ \hline
25 & 0.92922768 \\ \hline
30 & 0.923576144 \\ \hline
35 & 0.917079264 \\ \hline
40 & 0.909446648 \\ \hline
45 & 0.900408585 \\ \hline
50 & 0.888868968 \\ \hline
55 & 0.872702867 \\ \hline
60 & 0.848874371 \\ \hline
%65 & 0.811591837 \\ \hline
%70 & 0.751281751 \\ \hline
%75 & 0.653172494 \\ \hline
%80 & 0.501154517 \\ \hline
%85 & 0.296363126 \\ \hline
%90 & 0.110875605 \\ \hline
%95 & 0.022842548 \\ \hline
%100 & 0.002696859 \\ \hline
\end{longtable}
\indent Tabel \ref{t20} menampilkan \textit{Life Table} tradisional untuk

mayoritas skala umur 5 tahunan kecuali dalam rentang usia $0-5$. Untuk
mendapatkan \textit{Life Table} yang lebih baik, maka \textit{Life Table} pada
Tabel \ref{t20} akan diinterpolasi. Tabel \ref{t20+} menampilkan seluruh hasil
interpolasi.
%\caption{\textit{Life Table} Indonesia Tahun 2012 yang telah diinterpolasi}
%\label{t20+}
%\\ \hline
%$x$ & $l(x)$ \\ \hline
%0 & 1 \\ \hline
%1 & 0.956779026 \\ \hline
%2 & 0.95021927 \\ \hline
%3 & 0.947393304 \\ \hline
%4 & 0.945513194 \\ \hline
%5 & 0.944181682 \\ \hline
%6 & 0.943412558 \\ \hline
%7 & 0.942643433 \\ \hline
%8 & 0.941874309 \\ \hline
%9 & 0.941105185 \\ \hline
%10 & 0.940336061 \\ \hline
%11 & 0.939837553 \\ \hline
%12 & 0.939339045 \\ \hline
%13 & 0.938840538 \\ \hline
%14 & 0.93834203 \\ \hline
%15 & 0.937843522 \\ \hline
%16 & 0.937109788 \\ \hline
%17 & 0.936376054 \\ \hline
%18 & 0.93564232 \\ \hline
%19 & 0.934908585 \\ \hline
%20 & 0.934174851 \\ \hline
%21 & 0.933185417 \\ \hline
%22 & 0.932195983 \\ \hline
%23 & 0.931206548 \\ \hline
%24 & 0.930217114 \\ \hline
%25 & 0.92922768 \\ \hline
%26 & 0.928097372 \\ \hline
%27 & 0.926967065 \\ \hline
%28 & 0.925836758 \\ \hline
%29 & 0.924706451 \\ \hline
%30 & 0.923576144 \\ \hline
%31 & 0.922276768 \\ \hline
%32 & 0.920977392 \\ \hline
%33 & 0.919678016 \\ \hline
%34 & 0.91837864 \\ \hline
%35 & 0.917079264 \\ \hline
%36 & 0.915552741 \\ \hline
%37 & 0.914026218 \\ \hline
%38 & 0.912499694 \\ \hline
%39 & 0.910973171 \\ \hline
%40 & 0.909446648 \\ \hline
%41 & 0.907639035 \\ \hline
%42 & 0.905831423 \\ \hline
%43 & 0.90402381 \\ \hline
%44 & 0.902216198 \\ \hline
%45 & 0.900408585 \\ \hline
%46 & 0.898100662 \\ \hline
%47 & 0.895792738 \\ \hline
%48 & 0.893484815 \\ \hline
%49 & 0.891176891 \\ \hline
%50 & 0.888868968 \\ \hline
%51 & 0.885635748 \\ \hline
%52 & 0.882402527 \\ \hline
%53 & 0.879169307 \\ \hline
%54 & 0.875936087 \\ \hline
%55 & 0.872702867 \\ \hline
%56 & 0.867937168 \\ \hline
%57 & 0.863171469 \\ \hline
%58 & 0.858405769 \\ \hline
%59 & 0.85364007 \\ \hline
%60 & 0.848874371 \\ \hline
%61 & 0.841417864 \\ \hline
%62 & 0.833961357 \\ \hline
%63 & 0.82650485 \\ \hline
%64 & 0.819048343 \\ \hline
%65 & 0.811591837 \\ \hline
%66 & 0.799529819 \\ \hline
%67 & 0.787467802 \\ \hline
%68 & 0.775405785 \\ \hline
%69 & 0.763343768 \\ \hline
%70 & 0.751281751 \\ \hline
%71 & 0.731659899 \\ \hline
%72 & 0.712038048 \\ \hline
%73 & 0.692416197 \\ \hline
%74 & 0.672794346 \\ \hline
%75 & 0.653172494 \\ \hline
%76 & 0.622768899 \\ \hline
%77 & 0.592365303 \\ \hline
%78 & 0.561961708 \\ \hline
%79 & 0.531558112 \\ \hline
%80 & 0.501154517 \\ \hline
%81 & 0.460196239 \\ \hline
%82 & 0.419237961 \\ \hline
%83 & 0.378279682 \\ \hline
%84 & 0.337321404 \\ \hline
%85 & 0.296363126 \\ \hline
%86 & 0.259265622 \\ \hline
%87 & 0.222168118 \\ \hline
%88 & 0.185070613 \\ \hline
%89 & 0.147973109 \\ \hline
%90 & 0.110875605 \\ \hline
%91 & 0.093268993 \\ \hline
%92 & 0.075662382 \\ \hline
%93 & 0.058055771 \\ \hline
%94 & 0.040449159 \\ \hline
%95 & 0.022842548 \\ \hline
%96 & 0.01881341 \\ \hline
%97 & 0.014784272 \\ \hline
%98 & 0.010755134 \\ \hline
%99 & 0.006725997 \\ \hline
%100 & 0.002696859 \\ \hline
%\end{longtable}
%\begin{table*}
%\centering
%\setlength\tabcolsep{4pt}
\begin{minipage}{0.5\textwidth}
\centering
%\tablewidth=\textwidth
\caption{\textit{Life Table} Indonesia Tahun 2012 yang telah diinterpolasi}
\setlength\abovecaptionskip{-5pt}
\label{t20+}
\\ \hline
$x$ & $l(x)$ \\ \hline
0 & 1 \\ \hline
1 & 0.956779026 \\ \hline
2 & 0.95021927 \\ \hline
3 & 0.947393304 \\ \hline
4 & 0.945513194 \\ \hline
5 & 0.944181682 \\ \hline
6 & 0.943412558 \\ \hline
7 & 0.942643433 \\ \hline
8 & 0.941874309 \\ \hline
9 & 0.941105185 \\ \hline
10 & 0.940336061 \\ \hline
11 & 0.939837553 \\ \hline
12 & 0.939339045 \\ \hline
13 & 0.938840538 \\ \hline
14 & 0.93834203 \\ \hline
15 & 0.937843522 \\ \hline
16 & 0.937109788 \\ \hline
17 & 0.936376054 \\ \hline
18 & 0.93564232 \\ \hline
19 & 0.934908585 \\ \hline
20 & 0.934174851 \\ \hline
21 & 0.933185417 \\ \hline
22 & 0.932195983 \\ \hline
23 & 0.931206548 \\ \hline
24 & 0.930217114 \\ \hline
25 & 0.92922768 \\ \hline
26 & 0.928097372 \\ \hline
27 & 0.926967065 \\ \hline
28 & 0.925836758 \\ \hline
29 & 0.924706451 \\ \hline
\end{longtable}
%\caption*{Sumber: Model for Quantifying Risk \cite{r14}}
%\label{t20+}
\end{minipage}%
\hfill
\begin{minipage}{0.5\textwidth}
\centering
%\caption{\textit{Life Table} Tradisional}
\setlength\abovecaptionskip{3pt}
\hline
30 & 0.923576144 \\ \hline
31 & 0.922276768 \\ \hline
32 & 0.920977392 \\ \hline
33 & 0.919678016 \\ \hline
34 & 0.91837864 \\ \hline
35 & 0.917079264 \\ \hline
36 & 0.915552741 \\ \hline
37 & 0.914026218 \\ \hline
38 & 0.912499694 \\ \hline
39 & 0.910973171 \\ \hline
40 & 0.909446648 \\ \hline
41 & 0.907639035 \\ \hline
42 & 0.905831423 \\ \hline
43 & 0.90402381 \\ \hline
44 & 0.902216198 \\ \hline
45 & 0.900408585 \\ \hline
46 & 0.898100662 \\ \hline
47 & 0.895792738 \\ \hline
48 & 0.893484815 \\ \hline
49 & 0.891176891 \\ \hline
50 & 0.888868968 \\ \hline
51 & 0.885635748 \\ \hline
52 & 0.882402527 \\ \hline
53 & 0.879169307 \\ \hline
54 & 0.875936087 \\ \hline
55 & 0.872702867 \\ \hline
56 & 0.867937168 \\ \hline
57 & 0.863171469 \\ \hline
58 & 0.858405769 \\ \hline
59 & 0.85364007 \\ \hline
60 & 0.848874371 \\ \hline
\end{longtable}
%\label{t20+}
\end{minipage}
%\end{table*}
%\indent Tabel \ref{t20+} merupakan \textit{Life Table} tradisional yang lengkap
untuk setiap umur bagi populasi Indonesia tahun 2012. Variabel $l(x)$ pada Tabel
\ref{t20+} menyatakan probabilitas hidup bayi yang baru lahir hingga berusia $x$.
Interpretasi variabel $l(x)$ yang demikian disebabkan pemilihan radix ($l(0)$) yang
bernilai $1$. Sebagai ilustrasi, nilai dari $l(45)$ adalah $0.900408585$. Maka dapat
dikatakan bahwa seorang bayi berkewarganegaraan Indonesia yang baru lahir
memiliki peluang sebesar $0.900408585$ untuk bertahan hidup hingga usia $45$
tahun.
%Interpretasi lain yang dapat disimpulkan berdasarkan Tabel \ref{t20+} adalah
probabilitas hidup masyarakat Indonesia mulai mengalami penurunan signifikan
pada usia $65$.
%CLEAR
%=================================================
==============================
\section{Pembahasan}
\indent Bagian ini akan secara khusus membahas relevansi antara hasil-hasil
yang telah didapatkan pada bagian sebelumnya dengan kondisi sosial-ekonomi di
Indonesia. Hasil-hasil yang dimaksudkan disini adalah hasil estimasi mortalitas
anak, hasil estimasi mortalitas orang dewasa, dan \textit{Life Table} yang
terbentuk. Masing-masing dari hasil ini akan dibahas secara terpisah.\\
\indent Hasil estimasi mortalitas anak diberikan pada Tabel \ref{t5}. Sejatinya,
perilaku dari fungsi probabilitas kematian adalah tidak turun atau terus meningkat.
Karena sebagaimana diketahui, seorang individu yang terus bertambah tua akan
semakin rawan terhadap kematian. Hasil berdasarkan Tabel \ref{t5} sedikit
menunjukkan terdapatnya anomali. Pada rentang usia $1-2$, probabilitas kematian
mengalami penurunan. Hal ini mungkin disebabkan fakta bahwa banyaknya resiko
yang mungkin menyebabkan kematian pada balita yang sama sekali belum
berulang tahun. Pada masa ini, iritasi ringan atau bahkan udara yang tidak sehat
dapat menyebabkan kematian pada balita. Terlepas dari hal tersebut, angka
mortalitas untuk usia $2$, $3$, dan seterusnya terlihat umum. \\
\indent Hasil estimasi mortalitas orang dewasa diberikan pada Tabel \ref{t10}.
Berbeda dengan fungsi probabilitas kematian, fungsi probabilitas \textit{survive}
umumnya mempunyai ciri yaitu tidak naik atau terus menurun. Karena
sebagaimana diketahui, seorang individu yang terus bertambah tua akan semakin
rawan terhadap kematian. Hal ini mengimplikasikan semakin kecilnya peluang
hidup bagi orang-orang yang semakin tua. Hasil berdasarkan Tabel \ref{t10}
menunjukkan terdapatnya anomali. Mulai dari rentang $n=25$ sampai $n=45$ nilai
dari probabilitas bertahan hidup seorang yang berusia $25$ mengalami
peningkatan. Hal ini disebabkan oleh \textit{input} data yang bukan merupakan
data \textit{cohort} atau angkatan. Sederhananya, dalam data angkatan jumlah
\textit{survivor} akan terus mengalami penurunan seiring dengan bertambahnya
usia. Namun, data pada lampiran B memperlihatkan bahwa bahkan jumlah
\textit{survivor} untuk kelompok usia $25-29$ lebih banyak daripada jumlah
\textit{survivor} untuk kelompok usia $20-24$. Hal ini seakan-akan
mengindikasikan seseorang akan lebih mudah mencapai usia $25-29$ ketimbang
usia $20-24$ karena banyaknya \textit{survivor} pada usia $25-29$. Hal ini juga
diperkuat dengan fakta bahwa persentase jumlah ibu hidup yang mengalami
kenaikan untuk usia-usia tua. Terlepas dari \textit{trend} naik turunnya, nilai-nilai
dari $_np_{25}$ yang ditampilkan Tabel \ref{t10} terlihat umum. \\
\indent \textit{Life Table} Indonesia tahun 2012 ditampilkan oleh Tabel

\ref{t20+}. Seperti \textit{Life Table} tradisional pada umumnya, nilai-nilai $l(x)$
pada Tabel \ref{t20+} terus mengalami penurunan. Kecuraman penurunan semakin
terlihat memasuki akhir usia $50$an. Hal ini dapat mengindikasikan bahwa
ekspektasi umur hidup yang lengkap pada saat kelahiran bagi populasi Indonesia
kemungkinan besar berkisar pada usia $50$ keatas.
%=================================================
=============================================
\section{Perbandingan \textit{Life Table}}
\indent Bagian ini akan secara khusus menganalisis \textit{Life Table} yang
diperoleh dari penurunan Metode \textit{Logit Model Life Table System} ini
dengan \textit{Life Table-Life Table} yang telah diturunkan sebelumnya seperti yang
telah dipaparkan pada Bab Pendahuluan. \textit{Life Table-Life Table} yang akan
dibandingkan meliputi \textit{Life Table} tahun 1999 yang diturunkan oleh WHO
dan \textit{Life Table} tahun 2000 yang diturunkan oleh Kosen dan tim.
Perbandingan akan dilakukan dengan terlebih dahulu mengubah tahun sasaran
dari \textit{Life Table} yang diturunkan dengan Metode \textit{Logit Model Life
Table System} ini agar sesuai dengan \textit{Life Table} pembandingnya karena
berdasarkan pemaparan Moultrie \textit{et al} hal ini mungkin dilakukan. Prosedur
untuk menghasilkan \textit{Life Table} dengan tahun sasaran yang baru ini tidaklah
berbeda dengan prosedur yang telah dipaparkan sebelumnya.\\
\indent Kedua \textit{Life Table} tersebut masing-masing akan dibandingkan

dengan \textit{Life Table} hasil dari penurunan Metode \textit{Logit Model Life Table
System} yang telah mengalami penggeseran tahun sasaran sesuai dengan
\textit{Life Table} pembandingnya. Mula-mula akan dibandingkan \textit{Life Table}
WHO 1999 dengan \textit{Life Table} hasil penurunan Metode \textit{Logit Model
Life Table System} tahun 1999. Perhatikan Tabel \ref{t35}.
\begin{longtable}[H]{|c|c|c|c|c|c|}
\caption{Perbandingan \textit{Life Table} Indonesia Tahun 1999}
\label{t35}
\\ \hline
$x$ & $l(x)$ WHO & $d(x)$ WHO & $l(x)$ Prediksi & $d(x)
$ Prediksi & |$l(x)$ WHO - $l(x)$ Prediksi| \\ \hline
0 & 100000 & & 100000 & & 0
\\ \hline
1 & 95610& 4390 & 95681& 4319 & 71 \\ \hline
5 & 94663& 947 & 94422& 1259 & 241 \\ \hline
10 & 93991& 672 & 94034& 389 & 43 \\ \hline
15 & 93454& 537 & 93784& 249 & 330 \\ \hline
20 & 92632& 822 & 93417& 367 & 785 \\ \hline
25 & 91660& 972 & 92923& 495 & 1263 \\ \hline
30 & 90704& 956 & 92358& 565 & 1654 \\ \hline
35 & 89587& 1117 & 91708& 650 & 2121 \\ \hline
40 & 88100& 1487 & 90945& 763 & 2845 \\ \hline
45 & 86049& 2051 & 90041& 904 & 3992 \\ \hline
50 & 83293& 2756 & 88887& 1154 & 5594 \\ \hline
55 & 79706& 3587 & 87270& 1617 & 7564 \\ \hline
60 & 75101& 4605 & 84887& 2383 & 9786 \\ \hline
65 & 69801& 5300 & 81159& 3728 & 11358\\ \hline
70 & 62749& 7052 & 75128& 6031 & 12379\\ \hline
75 & 53253& 9496 & 65317& 9811 & 12064\\ \hline
80 & 41970& 11283& 50115& 15202& 8145 \\ \hline
85 & 29973& 11997& 29636& 20479& 337 \\ \hline
\end{longtable}
\end{footnotesize}
\noindent \textit{Life Table} seperti yang ditunjukkan pada Tabel \ref{t35} adalah
penggabungan antara \textit{Life Table} hasil dari penurunan Metode \textit{Logit
Model Life Table System} yang telah mengalami pergeseran tahun sasaran menjadi
1999 dengan penyesuaian $l(x)=100000$ dengan \textit{Life Table} hasil
penurunan WHO. Nilai-nilai $l(x)$ pada kedua \textit{Life Table} tersebut terlihat
cukup berbeda dengan penyimpangan nilai $l(x)$ rata-rata sebesar $4241$.
Perbedaan terbesar mulai terjadi sekitar usia $50$. Hal ini mungkin disebabkan oleh
keterbatasan data yang digunakan untuk menurunkan \textit{Life Table} hasil
penurunan Metode \textit{Logit Model Life Table System}. Meski metode yang
digunakan sejatinya mengakomodasi ketepatan hingga usia $60$ namun karena
data untuk estimasi tidak langsung mortalitas orang dewasa yang tersedia hanya
hingga grup usia $45$-$49$ ketepatan metode mulai berkurang sekitar usia $50$.\\
\indent Namun secara garis besar, pola mortalitas yang digambarkan oleh kedua
\textit{Life Table} tersebut adalah identik. Hal ini dapat dilihat berdasarkan
penurunan nilai $l(x)$ yang signifikan. Kedua \textit{Life Table} tersebut
memperlihatkan bahwa pada usia sekitar $60$ sampai $70$ terjadi penurunan
drastis pada nilai $l(x)$. Hal ini pula yang diperlihatkan oleh nilai $d(x)$. Kematian
mulai meningkat pada usia $60$ sampai $70$. Hal ini dapat mengindikasikan
bahwa nilai ekspektasi umur hidup lengkap pada saat kelahiran untuk masyarakat
Indonesia pada tahun 1999 berkisar antara $60$ sampai $70$.\\
\indent Selanjutnya, akan dibandingkan \textit{Life Table} hasil penurunan Kosen

dan tim tahun 2000 dengan \textit{Life Table} hasil penurunan Metode \textit{Logit
Model Life Table System} tahun 2000. Perhatikan Tabel \ref{t36}.
\begin{longtable}[H]{|c|c|c|c|c|c|}
\caption{Perbandingan \textit{Life Table} Indonesia Tahun 2000}
\label{t36}
\\ \hline
Interval umur & $l(x)$ 2000 & $d(x)$ 2000 & $l(x)$ Prediksi
& $d(x)$ Prediksi & $|l(x)$ 2000 - $l(x)$ Prediksi| \\ \hline
[0,1) & 100000 & & 100000 & & 0
\\ \hline
[1,5) & 96750& 3250 & 94555& 5445 & 2195 \\ \hline
[5,10) & 95751& 999 & 94111& 445 & 1640 \\ \hline
[10,15) & 95036& 715 & 93834& 276 & 1202 \\
\hline
[15,20) & 94304& 732 & 93491& 343 & 813 \\
\hline
[20,25) & 93665& 639 & 93022& 469 & 643 \\
\hline
[25,30) & 92532& 1133 & 92471& 551 & 61 \\
\hline
[30,35) & 91239& 1293 & 91838& 633 & 599 \\
\hline
[35,40) & 89650& 1589 & 91097& 741 & 1447 \\
\hline
[40,45) & 88016& 1634 & 90222& 876 & 2206 \\
\hline
[45,50) & 85422& 2594 & 89118& 1104 & 3696 \\
\hline
[50,55) & 82674& 2748 & 87594& 1524 & 4920 \\
\hline
[55,60) & 77624& 5050 & 85364& 2230 & 7740 \\
\hline
[60,65) & 71392& 6232 & 81905& 3459 & 10513\\
\hline
[65,70) & 61545& 9847 & 76334& 5570 & 14789\\
\hline
[70,75) & 51553& 9992 & 67279& 9055 & 15726\\
\hline
[75+) & 37986& 13567& 65317& 1962 & 27331\\ \hline
\end{longtable}
\end{footnotesize}
\noindent \textit{Life Table} seperti yang ditunjukkan pada Tabel \ref{t36} adalah
penggabungan \textit{Life Table} hasil dari penurunan Metode \textit{Logit Model
Life Table System} yang telah mengalami pergeseran tahun sasaran menjadi 2000
dengan penyesuaian $l(x)=100000$ dengan \textit{Life Table} hasil penurunan
Kosen dan tim. Penggabungan ini dilakukan dengan terlebih dahulu menyesuaikan
indikator umur pada \textit{Life Table} hasil penurunan Metode \textit{Logit Model
Life Table System} menjadi interval umur. Penyesuaian dilakukan dengan
melakukan interpretasi terhadap setiap interval umur. Sebagai ilustrasi, nilai $l(x)$
pada interval $[1.5)$ menyatakan jumlah orang yang hidup pada usia $1$-$4$
sehingga dapat diinterpretasikan sebagai banyaknya orang yang hidup hingga usia
$4$ atau dapat dinyatakan sebagai $l(4)$ saja. Oleh karena itu, interval umur
$[1,5)$ berkorelasi dengan umur $4$, kemudian interval umur $[5,10)$ berkorelasi
dengan umur $9$, dan seterusnya. \\
\indent Nilai-nilai $l(x)$ pada kedua \textit{Life Table} tersebut terlihat cukup
berbeda dengan rata-rata penyimpangan nilai $l(x)$ sebesar $5619$, lebih besar
dari perbandingan sebelumnya. Pola mortalitas yang digambarkan oleh kedua
\textit{Life Table} tersebut juga terbilang berbeda. Hal ini digambarkan oleh $d(x)$
kedua \textit{Life Table}. Sama seperti sebelumnya, hal ini mungkin disebabkan
oleh keterbatasan data yang digunakan untuk menurunkan \textit{Life Table} hasil
penurunan Metode \textit{Logit Model Life Table System}. Meski metode yang
digunakan sejatinya mengakomodasi ketepatan hingga usia $60$ namun karena
data untuk estimasi tidak langsung mortalitas orang dewasa yang tersedia hanya
hingga grup usia $45$-$49$ ketepatan metode mulai berkurang sekitar usia $50$
yang dalam hal ini adalah interval usia $[45-50)$.\\
\indent Kemudian bicara mengenai penurunan terbesar, penurunan nilai $l(x)$

signifikan pertama kali terjadi sekitar interval usia $[55-60)$ untuk \textit{Life
Table} 2000 sedangkan untuk \textit{Life Table} prediksi terjadi sekitar interval usia
$[65-70)$. Hasil yang demikian kemungkinan besar disebabkan oleh data populasi
Indonesia tahun 2000 yang cukup berbeda dengan data populasi Indonesia tahun
2012.
%=================================================
=========================
\section{Uji Hipotesis \textit{Life Table}}
\indent Bagian ini akan secara khusus membahas tentang uji hipotesis dari ketiga
\textit{Life Table}. Uji ini dimaksudkan untuk mengetahui apakah \textit{Life Table}
yang dihasilkan dengan penurunan Metode \textit{Logit Model Life Table System}
diturunkan dari data populasi yang sama dengan \textit{Life Table} yang diturunkan
oleh WHO serta Kosen dan tim. Uji yang akan digunakan adalah Uji Kolmogorov-
Smirnov 2 Sampel Independen dwiarah dengan pengkategorian ukuran sampel
kecil. \\
\indent Mula-mula akan diuji apakah \textit{Life Table} hasil penurunan Metode
\textit{Logit Model Life Table System} diturunkan dari data populasi yang sama
dengan \textit{Life Table} hasil penurunan WHO. Perumusan hipotesis dilakukan
sebagai berikut,
\begin{align*}
H_0 : \text{Kedua \textit{Life Table} diturunkan dari data populasi yang sama} \\
H_1 : \text{Kedua \textit{Life Table} diturunkan dari data populasi yang berbeda}
\end{align*}
%\noindent Setelah hipotesis ditentukan, akan dipilih tingkat signifikansi $\alpha$

bernilai $0.01$. Kemudian, dalam pengujian hipotesis ini yang akan digunakan
sebagai data pengamatan adalah data kematian $d(x)$ seperti yang ditunjukkan
pada Tabel\ref{t37}.
%\caption{Jumlah Kematian pada \textit{Life Table} Indonesia Tahun 1999}
%\label{t37}
%\\ \hline
%$x$ & $d(x)$ WHO & $d(x)$ Prediksi \\ \hline
%0 & & \\ \hline
%1 & 4390 & 4319 \\ \hline
%5 & 947 & 1259 \\ \hline
%10 & 672 & 389 \\ \hline
%15 & 537 & 249 \\ \hline
%20 & 822 & 367 \\ \hline
%25 & 972 & 495 \\ \hline
%30 & 956 & 565 \\ \hline
%35 & 1117 & 650 \\ \hline
%40 & 1487 & 763 \\ \hline
%45 & 2051 & 904 \\ \hline
%50 & 2756 & 1154 \\ \hline
%55 & 3587 & 1617 \\ \hline
%60 & 4605 & 2383 \\ \hline
%65 & 5300 & 3728 \\ \hline
%70 & 7052 & 6031 \\ \hline
%75 & 9496 & 9811 \\ \hline
%80 & 11283& 15202\\ \hline
%85 & 11997& 20479\\ \hline
%\end{longtable}
% \indent Untuk melakukan Uji \textit{Kolmogorov-Smirnov} pada data tersebut,

data kematian perlu dikelompokkan terlebih dahulu kedalam interval-interval agar
penentuan peluang kumulatif dapat dilakukan. Perlu digarisbawahi bahwa dalam hal
ini, data yang akan dikelompokkan kedalam interval-interval berjumlah 36 (18 data
kematian \textit{Life Table} WHO dan 18 data kematian \textit{Life Table} Prediksi),
sehingga penentuan jangkauan data, banyaknya kelas dan panjang interval kelas
akan menggunakan 36 data kematian secara keseluruhan. Hasil pengelompokkan
data kematian untuk kedua data kematian \textit{Life Table} tersebut ditampilkan
%\begin{longtable}[H]{|c|}
%\caption{Pengelompokkan Data Kematian}
%\label{t38}
%\\ \hline
%$d(x)$ \\ \hline
%$249-3620$ \\ \hline
%$3621-6992$ \\ \hline
%$6993-10364$ \\ \hline
%$10366-13736$ \\ \hline
%$13737-17108$ \\ \hline
%$17108-20480$ \\ \hline
%\end{longtable}
%\indent Selanjutnya akan dilakukan perhitungan statistik uji. Perhitungan statistik

uji dilakukan dengan menentukan peluang kumulatif untuk masing-masing interval
data kematian. Hasil perhitungan peluang kumulatif disertai dengan selisih
mutlaknya ditampilkan pada Tabel \ref{t39}.
%\caption{Perhitungan Peluang Kumulatif}
%\label{t39}
%\\ \hline
%$d(x)$ & $H_m(X)$ & $H_n(X)$ & |$H_m(X)-H_n(X)$| \\
%\hline
%$249-3620$ & $\frac{11}{18}$ & $\frac{12}{18}$ &
$\frac{1}{18}$ %\\ \hline
%$3621-6992$ & $\frac{14}{18}$ & $\frac{15}{18}$ &
$\frac{1}{18}$ \\ \hline
%$6993-10364$ & $\frac{16}{18}$ & $\frac{16}{18}$ & 0
\\ \hline
%$10366-13736$ & $\frac{18}{18}$ & $\frac{16}{18}$ &
$\frac{2}{18}$ \\ \hline
%$13737-17108$ & $\frac{18}{18}$ & $\frac{17}{18}$ &
$\frac{1}{18}$ \\ \hline
%$17108-20480$ & $\frac{18}{18}$ & $\frac{18}{18}$ & 0
\\ %\hline
%\end{longtable}
%\indent Langkah selanjutnya adalah penentuan nilai statistik uji, yakni $D_{m,n}$
yang merupakan maksimum dari selisih mutlak peluang kumulatif kedua \textit{Life
Table}. Berdasarkan Tabel \ref{t39}, dapat diperhatikan bahwa maksimum selisih
mutlak bernilai $\frac{2}{18}$ sehingga, $$D_{m,n}=\frac{2}{18}$$
%\noindent Langkah terakhir adalah penarikan kesimpulan dengan menggunakan

tabel nilai kritis. Perbandingan nilai kritis dilakukan dengan menghitung terlebih
dahulu $mnD_{m,n}$. Pada kasus ini, $m$ dan $n$ yang menyatakan ukuran data
masing-masing \textit{Life Table} sama-sama bernilai $18$ sehingga nilai
$mnD_{m,n}$ adalah sebesar $36$. Kemudian berdasarkan tabel nilai kritis,
dengan $m=n=18$ dan tingkat signifikansi $0.01$, didapat nilai kritis sebesar
$180$. Karena $mnD_{m,n}$ perhitungan lebih kecil dibanding $mnD_{m,n}$
tabel ($36 < 180$) maka $H_0$ tidak dapat ditolak. Sehingga \textit{Life Table}
hasil penurunan WHO dengan \textit{Life Table} hasil penurunan Metode
\textit{Logit Model Life Table System} diturunkan berdasarkan data dari populasi
yang sama dengan tingkat kepercayaan hipotesis 99\%. \\
\noindent Hasil pengujian menunjukkan bahwa dengan tingkat signifikansi $\alpha$

bernilai $0.01$, $H_0$ tidak dapat ditolak. Sehingga \textit{Life Table} hasil
penurunan WHO dengan \textit{Life Table} hasil penurunan Metode \textit{Logit
Model Life Table System} diturunkan berdasarkan data dari populasi yang sama
dengan tingkat kepercayaan hipotesis 99\%. \\
\indent Selanjutnya akan dilakukan pengujian apakah \textit{Life Table} hasil

penurunan Kosen dan tim dengan \textit{Life Table} hasil penurunan Metode
yang sama. Perumusan hipotesis dilakukan sebagai berikut.
\begin{align*}
H_0 : \text{Kedua \textit{Life Table} diturunkan dari data populasi yang sama} \\
H_1 : \text{Kedua \textit{Life Table} diturunkan dari data populasi yang berbeda}
\end{align*}
%\noindent Setelah hipotesis ditentukan, akan dipilih tingkat signifikansi $\alpha$
bernilai $0.01$. Kemudian, dalam pengujian hipotesis ini yang akan digunakan
sebagai data pengamatan adalah data kematian $d(x)$ seperti yang ditunjukkan
pada Tabel\ref{t40}.
%\caption{Jumlah Kematian pada \textit{Life Table} Indonesia Tahun 2000}
%\label{t40}
%\\ \hline
%Interval Umur & $d(x)$ 2000 & $d(x)$ Prediksi \\ \hline
%[0,1) & & \\ \hline
%[1,5) & 3250 & 5445 \\ \hline
%[5,10) & 999 & 445 \\ \hline
%[10,15) & 715 & 276 \\ \hline
%[15,20) & 732 & 343 \\ \hline
%[20,25) & 639 & 469 \\ \hline
%[25,30) & 1133 & 551 \\ \hline
%[30,35) & 1293 & 633 \\ \hline
%[35,40) & 1589 & 741 \\ \hline
%[40,45) & 1634 & 876 \\ \hline
%[45,50) & 2594 & 1104 \\ \hline
%[50,55) & 2748 & 1524 \\ \hline
%[55,60) & 5050 & 2230 \\ \hline
%[60,65) & 6232 & 3459 \\ \hline
%[65,70) & 9847 & 5570 \\ \hline
%[70,75) & 9992 & 9055 \\ \hline
%[75+) & 13567& 1962 \\ \hline
%\end{longtable}
% \indent Untuk melakukan Uji \textit{Kolmogorov-Smirnov} pada data tersebut,

data kematian perlu dikelompokkan terlebih dahulu kedalam interval-interval agar
penentuan peluang kumulatif dapat dilakukan. Perlu digarisbawahi bahwa dalam hal
ini, data yang akan dikelompokkan kedalam interval-interval berjumlah 32 (16 data
kematian \textit{Life Table} 2000 dan 16 data kematian \textit{Life Table} Prediksi),
sehingga penentuan jangkauan data, banyaknya kelas dan panjang interval kelas
akan menggunakan 32 data kematian secara keseluruhan. Hasil pengelompokkan
data kematian untuk kedua data kematian \textit{Life Table} tersebut ditampilkan
%\begin{longtable}[H]{|c|}
%\caption{Pengelompokkan Data Kematian}
%\label{t41}
%\\ \hline
%$d(x)$ \\ \hline
%$276-2933$ \\ \hline
%$2934-5591$ \\ \hline
%$5592-8249$ \\ \hline
%$8250-10907$ \\ \hline
%$10908-13565$ \\ \hline
%$13566-16223$ \\ \hline
%\end{longtable}
%\indent Selanjutnya akan dilakukan perhitungan statistik uji. Perhitungan statistik

uji dilakukan dengan menentukan peluang kumulatif untuk masing-masing interval
data kematian. Hasil perhitungan peluang kumulatif disertai dengan selisih
mutlaknya ditampilkan pada Tabel \ref{t42}.
%\caption{Perhitungan Peluang Kumulatif}
%\label{t42}
%\\ \hline
%$d(x)$ & $H_m(X)$ & $H_n(X)$ & |$H_m(X)-H_n(X)$| \\
\hline
%$276-2933$ & $\frac{10}{16}$ & $\frac{12}{16}$ &
$\frac{2}{16}$ \\ \hline
%$2934-5591$ & $\frac{12}{16}$ & $\frac{15}{16}$ &
$\frac{3}{16}$ \\ \hline
%$5592-8249$ & $\frac{13}{16}$ & $\frac{15}{16}$ &
$\frac{2}{16}$ \\ \hline
%$8250-10907$ & $\frac{15}{16}$ & $\frac{16}{16}$ &
$\frac{1}{16}$ \\ \hline
%$10908-13565$ & $\frac{15}{16}$ & $\frac{16}{16}$ &
$\frac{1}{16}$ \\ \hline
%$13566-16223$ & $\frac{16}{16}$ & $\frac{16}{16}$ & 0
\\ \hline
%\end{longtable}
%\indent Langkah selanjutnya adalah penentuan nilai statistik uji, yakni $D_{m,n}$
yang merupakan maksimum dari selisih mutlak peluang kumulatif kedua \textit{Life
Table}. Berdasarkan Tabel \ref{t42}, dapat diperhatikan bahwa maksimum selisih
mutlak bernilai $\frac{3}{16}$ sehingga, $$D_{m,n}=\frac{3}{16}$$
%\noindent Langkah terakhir adalah penarikan kesimpulan dengan menggunakan

tabel nilai kritis. Perbandingan nilai kritis dilakukan dengan menghitung terlebih
dahulu $mnD_{m,n}$. Pada kasus ini, $m$ dan $n$ yang menyatakan ukuran data
masing-masing \textit{Life Table} sama-sama bernilai $16$ sehingga, $mnD_{m,n}
$ akan bernilai $48$. Kemudian berdasarkan tabel nilai kritis, dengan $m=n=16$
dan tingkat signifikansi $0.01$, didapat nilai kritis sebesar $160$. Karena
$mnD_{m,n}$ perhitungan lebih kecil dibanding $mnD_{m,n}$ tabel ($48 < 160$)
maka $H_0$ tidak dapat ditolak. Sehingga \textit{Life Table} hasil penurunan WHO
dengan \textit{Life Table} hasil penurunan Metode \textit{Logit Model Life Table
System} diturunkan berdasarkan data dari populasi yang sama dengan tingkat
kepercayaan hipotesis 99\%. \\
\noindent Hasil pengujian menunjukkan bahwa dengan tingkat signifikansi $\alpha$

bernilai $0.01$, $H_0$ tidak dapat ditolak. Sehingga \textit{Life Table} hasil
penurunan Kosen dan tim dengan \textit{Life Table} hasil penurunan Metode
yang sama dengan tingkat kepercayaan hipotesis 99\%.
%=================================================
===================================
\section{Kesimpulan}
\indent Dalam penelitian ini telah dibentuk sebuah \textit{Life Table}
untuk Indonesia yang ditujukan pada tahun 2012 dengan menggunakan Metode
\textit{Relational Model Life Table System}. Adapun metode yang digunakan untuk
menunjang metode utama tersebut adalah Metode \textit{Brass} untuk
mengestimasi mortalitas anak-anak dan orang dewasa di Indonesia. Beberapa poin
penting yang berkaitan dengan kesimpulan dari penilitian ini dijabarkan sebagai
berikut :
\begin{enumerate}
\item Untuk dapat menggunakan Metode \textit{Relational Model Life Table
System} terlebih dahulu harus ditentukan estimasi untuk mortalitas anak dan orang
dewasa di Indonesia. Estimasi mortalitas anak dan orang dewasa masing-masing
dilakukan dengan pendekatan estimasi tidak langsung.
\item Metode \textit{Relational Model Life Table System} dinyatakan oleh
Persamaan \ref{pers.6a}, sedangkan teknik estimasi tidak langsung untuk
mortalitas anak dan orang dewasa masing-masing dinyatakan oleh Persamaan
\ref{pers.8a} dan \ref{pers.13}.
\item Mortalitas populasi Indonesia digambarkan oleh \textit{Life Table} acuan
\textit{Princeton East}. Hal ini didasarkan pada Tabel \ref{t28}.
\item Estimasi mortalitas anak di Indonesia dinyatakan oleh Tabel \ref{t5}.
Sedangkan estimasi mortalitas orang dewasa di Indonesia dinyatakan oleh Tabel
\ref{t10}.
\item \textit{Life Table} yang menggambarkan tingkat kesejahteraan hidup
masyarakat Indonesia dinyatakan oleh Tabel \ref{t20}.
\end{enumerate}
\indent Metode yang digunakan dalam penelitian ini memiliki beberapa
kelebihan sebagai berikut:
\begin{enumerate}
\item Teknik estimasi tidak langsung pada praktiknya bersifat efektif dan efisien.
\item Metode \textit{Relational Model Life Table System} merupakan model
berbasis sistem yang dapat menghubungkan 2 buah \textit{Life Table}. Sebuah
\textit{Life Table} acuan yang kredibel akan menghasilkan \textit{Life Table} baru
yang kredibel pula.
\item Metode yang digunakan dalam penelitian ini juga dapat diterapkan dengan
data sampel. Hal ini memungkinkan penurunan \textit{Life Table} untuk populasi
tertentu yang lebih spesifik.
\end{enumerate}
\indent Selain memiliki kelebihan, metode yang digunakan dalam

penelitian ini juga memiliki beberapa kekurangan:
\begin{enumerate}
\item Terdapat keterbatasan data untuk mengestimasi mortalitas orang dewasa. Hal
ini menyebabkan perlunya dilakukan manipulasi agar data yang diperoleh tetap
dapat digunakan.
\item Kesalahan pemilihan \textit{Life Table} acuan bisa berakibat \textit{Life
Table} baru yang dihasilkan tidak kredibel. Untuk itu diperlukan pengkajian
mendalam tentang sifat populasi yang sedang ditinja agar \textit{Life Table} acuan
yang dipilih sesuai.
\end{enumerate}
%=================================================
===================================
\section{Saran}
\indent Metode yang digunakan dalam penelitian ini masih dapat
dikembangkan agar lebih mendekati keadaan yang sesungguhnya. Beberapa hal
yang dapat diperbaiki dibedakan atas saran praktis dan teoritis. Saran teoritis
meliputi :
\begin{enumerate}
\item Dalam mengestimasi mortalitas orang dewasa, dapat digunakan
pendekatan \textit{Indirect Estimation based on Siblings Data} ketimbang
\textit{Indirect Estimation based on Orphanhood Data} seperti pada penelitian ini.
Mengingat data yang tersedia untuk pendekatan berdasarkan data saudara lebih
banyak tersedia.
\item Tabel panduan \ref{t28} yang digunakan untuk memilih \textit{Life Table}
acuan dapat dikembangkan lebih lanjut dengan menambahkan beberapa kriteria
pemilihan lain.
\end{enumerate}
\noindent Sedangkan saran praktis meliputi :

\begin{enumerate}
\item Pengumpulan informasi status keberadaan ayah dapat digunakan juga (jika
terdapat absensi data ibu) untuk mengestimasi mortalitas orang dewasa jika
Metode \textit{Indirect Estimation based on Orphanhood Data} ingin digunakan.
\item Pengumpulan data diharapkan dapat dilakukan hingga usia 96-100 untuk
estimasi mortalitas orang dewasa agar \textit{Life Table} yang dihasilkan kredibel
untuk setiap usia.
\end{enumerate}
\newpage
\thispagestyle{fancy}
\renewcommand{\headrulewidth}{0pt}
\fancyhead{}
\fancyfoot{}
\fancyfoot[RO, RE] {\thepage}
\fancypagestyle{plain}{\fancyhead{}\fancyfoot[R]{\thepage}}
\rfoot{\thepage}
\bibliographystyle{acm}
\renewcommand{\bibname}{\large DAFTAR PUSTAKA}
\bibliography{Refrence}
%\addcontentsline{toc}{chapter}{DAFTAR PUSTAKA}
\pagebreak
\end{document}

Sinopsis

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Sinopsis

Diunggah oleh

Hak Cipta:

Format Tersedia

\documentclass[12pt,oneside,a4paper]{article}

\title{\textbf{\Large{PENURUNAN \textit{LIFE TABLE} UNTUK INDONESIA

\indent Semenjak industri asuransi mengalami perkembangan, tabel mortalita mulai

\indent Berdasarkan pemaparan Namboodiri dan Suchindran \cite{r1}, \textit{Life

\indent Berdasarkan pemaparan di atas, terlihat pentingnya peranan \textit{Life

\indent Sejatinya, perumusan metode untuk membentuk \textit{Life Table}

\indent Namun tentu saja, meski menggunakan \textit{Life Table} yang

\indent Setelah menentukan \textit{Life Table} acuan, sebelum dapat

\indent Dalam mengestimasi mortalitas anak, Trussel mendasarkan

\indent Dalam mengestimasi mortalitas orang dewasa, Brass mendasarkan

\indent Berbeda dengan metode-metode tersebut, metode yang akan

\section{Mengestimasi Mortalitas Anak}

\indent Untuk mengestimasi mortalitas anak, akan digunakan Metode Brass

\indent Bagian ini akan membahas langkah-langkah untuk menentukan $D(i)

\subsection{Memilih \textit{Standard Life Table}}

\indent Seperti pada pembahasan sebelumnya, memilih \textit{Life Table}

\subsection{Menghitung Paritas Rata-rata dari Perempuan}

\indent Paritas rata-rata didefinisikan sebagai rata-rata jumlah anak yang

\subsection{Menentukan Konstanta Pengali}

\indent Konstanta pengali $k(i)$ pada persamaan \ref{pers.8a} oleh Trussel

\subsection{Menghitung Probabilitas Kematian}

\indent Dengan menggunakan hasil perhitungan pada bagian proporsi

\subsection{Menghitung Tahun Referensi}

\indent Tahun referensi adalah tahun yang menyatakan waktu \textit{valid}

\section{Mengestimasi Mortalitas Dewasa}

\indent Untuk mengestimasi mortalitas dewasa, akan digunakan Metode

%tanya dulu soal notasi

\subsection{Menghitung \textit{Mean Age at Maternity}}

\noindent Persamaan \ref{pers.14} menggunakan konsep grup umur $i$ seperti

\indent Terminologi \textit{Mean Age at Maternity} ini memang terlihat tidak

\subsection{Menentukan Faktor Bobot}

\subsubsection{Menentukan Faktor Bobot untuk $M$ yang Tidak

\indent Umumnya, perhitungan nilai $M$ pada bagian sebelumnya

\indent Konsep yang akan digunakan untuk menentukan $W(n)$

\subsection{Menghitung Probabilitas \textit{Survive}}

\indent Setelah mendapatkan nilai-nilai $W(n)$, $S(n)$ dan $S(n-5)$ maka

\subsection{Menghitung Tahun Referensi}

\indent Seperti ketika mengestimasi mortalitas anak-anak, pada estimasi

\noindent Pada persamaan \ref{pers.19}, $_{10}S_{n-5}$ menyatakan rasio antara

\indent Umumnya, hasil perhitungan $M$ pada bagian sebelumnya

\indent Konsep yang akan digunakan untuk mendapatkan nilai

\indent Untuk membentuk \textit{Life Table}, akan digunakan Metode

\noindent Dengan $Y(x)$ adalah Transformasi \textit{Logit} yang dinyatakan

\noindent Perlu diperhatikan bahwa $Y^s(x)$ mengacu kepada Transformasi

\subsection{Memilih \textit{Standard Life Table}}

\indent \textit{Life Table} acuan yang telah digunakan untuk mengestimasi

\indent Selain kualifikasi kualitatif seperti tingkat representasi mortalitas

\subsection{Mengestimasi Nilai Parameter}

\indent 2 parameter dalam model, yaitu $\alpha$ dan $\beta$ akan

\indent Untuk menghitung $\alpha$ berdasarkan data estimasi mortalitas

$$Y(x) = \alpha + Y^s(x)$$

\noindent Perhatikan bahwa dengan menggunakan persamaan \ref{pers.21} dan

\indent Untuk menghitung $\alpha$ berdasarkan data estimasi mortalitas

$$_np_x=\frac{l(x+n)}{l(x)}=[\frac{1+e^{2(\alpha +\beta Y^s(x))}}

$$e^{2\alpha}(_np_x e^{2\beta Y^s(x+n)}-e^{2\beta Y^s(x)})=1-_np_x$$

$$2\alpha=ln(\frac{1-_np_x}{_np_x exp(2\beta Y^s(x+n)) - exp(2\beta Y^s(x))})$$

\noindent kemudian dengan mengasumsikan parameter $\beta$ bernilai $1$,

\indent Hasil dari perhitungan $\alpha^{anak}$ yang telah diperoleh

\noindent dengan $D$ adalah tahun sasaran \textit{Life Table}.

dengan $Y^s(60)$ dan $Y^s(15)$ masing-masing didapatkan dari \textit{Life

\noindent Dengan menggunakan persamaan \ref{pers.29}, maka akan diperoleh

\noindent Iterasi dihentikan ketika \textit{margin} dari $\beta^*$ yang dihasilkan

\subsection{Menyusun \textit{Life Table}}

% \indent Uji \textit{Kolmogorov-Smirnov} 2 sampel independen adalah salah