\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}%
}
\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 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 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 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. \\
%=================================================
====================
\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}
\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 -$i$.
\begin{equation} \label{pers.9}
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.
\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
$q(x)$.
\begin{equation} \label{pers.10}
\text{Tahun Referensi} = \text{Tahun Survei} - t(x)
\end{equation}
\begin{equation} \label{pers.11}
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.
\begin{equation} \label{pers.13}
\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.
\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.
\begin{equation} \label{pers.33}
S(n) = \frac{\text{anak beribu berusia n sampai n+4}}{\text{seluruh anak berusia
n sampai n+4}}
\end{equation}
\begin{equation} \label{pers.14}
M=\frac{\sum_{i=1}^7 a(i) B(i)}{\sum_{i=1}^7 B(i)}
\end{equation}
\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}.
\begin{equation} \label{pers.15}
\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.
\begin{equation} \label{pers.16}
W(n)=\theta W(n)|_{M=\floor{M}} + (1-\theta) W(n)|_{M=\ceil{M}}
\end{equation}
\begin{equation} \label{pers.17}
\text{Tahun Referensi} = \text{Tahun Survei} - t(n)
\end{equation}
\begin{equation} \label{pers.18}
t(n) = \frac{n(1-u(n))}{2}
\end{equation}
\begin{equation} \label{pers.19}
u(n) = 0.3 ln(_{10}S_{n-5})+Z(M+n)+0.0037(27-M)
\end{equation}
\begin{equation} \label{pers.20}
Z(M+n)=\theta Z(\floor{M+n})+(1-\theta)Z(\ceil{M+n})
\end{equation}
%=================================================
=================================
\section{Membentuk \textit{Life Table}}
\begin{equation} \label{pers.6a}
Y(x)=\alpha + \beta Y^s(x)
\end{equation}
\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}
\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.
\begin{equation} \label{pers.21}
\alpha^{anak}= Y(x) - Y^s(x)
\end{equation}
\noindent kumpulkan suku yang memiliki faktor eksponen $e$ kemudian faktorkan,
maka
\noindent dengan mengambil hasil logaritma natural dari kedua ruas, maka didapat
\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 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 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.
\begin{equation} \label{pers.23}
\alpha^* = Z(\alpha) + D S(\alpha)
\end{equation}
\indent Untuk mencari nilai $\beta*$, perlu dicari dahulu sederetan nilai
$\beta$ yang berkorespondensi dengan sebuah nilai $\alpha^{dewasa}$ yang
dihitung dengan persamaan-persamaan berikut.
\begin{equation} \label{pers.24}
\beta=\frac{Y(60)-Y(15)}{Y^s(60)-Y^s(15)}
\end{equation}
\noindent dengan
\begin{equation} \label{pers.27}
l(15)=\frac{1}{1+exp(2Y(15))}
\end{equation}
\begin{equation} \label{pers.28}
_{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.
\begin{equation} \label{pers.29}
\beta^*=Z(\beta)+ D S(\beta)
\end{equation}
\begin{equation} \label{pers.30}
\alpha^{anak}=logit(q_x) - \beta^* Y^s(x)
\end{equation}
\indent Pada tahap ini, setiap komponen yang diperlukan untuk membentuk
\textit{Life Table} telah didapatkan. Dengan mengaplikasikan persamaan
\ref{pers.7} yaitu,
\begin{equation} \label{pers.7}
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 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}
%\begin{equation} \label{pers.99}
%k=1+3.3 log(n)
%\end{equation}
%\begin{equation} \label{pers.98}
%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 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}.
%\begin{longtable}[H]{|c|c|c|}
%\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
%\caption*{Sumber: Data Olahan Penulis (2016)}
%\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
%\caption*{Sumber: Data Olahan Penulis (2016)}
%\label{t4}
%\end{longtable}
\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}
%\begin{longtable}[H]{|c|c|c|}
%\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
%\caption*{Sumber: Data Olahan Penulis (2016)}
%\label{t7}
%\end{longtable}
%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}.
%\begin{longtable}[H]{|c|c|c|}
%\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
%\caption*{Sumber: Data Olahan Penulis (2016)}
%\label{t8}
%\end{longtable}
% \indent Setelah faktor interpolasi $\theta$ dihitung, barulah faktor bobot $W(n)
$ dapat ditentukan. Hasil seluruh perhitungan ditunjukkan pada Tabel \ref{t9}.
%\begin{longtable}[H]{|c|c|}
%\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
%\caption*{Sumber: Data Olahan Penulis (2016)}
%\label{t9}
%\end{longtable}
\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
\caption*{Sumber: Data Olahan Penulis (2016)}
\label{t10}
\end{longtable}
%\begin{longtable}[H]{|c|c|c|}
%\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
%\caption*{Sumber: Data Olahan Penulis (2016)}
%\label{t11}
%\end{longtable}
%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}.
%\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
%\caption*{Sumber: Data Olahan Penulis (2016)}
%\label{t13}
%\end{longtable}
\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
\caption*{Sumber: Data Olahan Penulis (2016)}
\end{longtable}
%\begin{longtable}[H]{|c|c|}
%\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
%\caption*{Sumber: Data Olahan Penulis (2016)}
%\end{longtable}
%\begin{table*}
%\centering
%\setlength\tabcolsep{4pt}
\begin{minipage}{0.5\textwidth}
\centering
%\tablewidth=\textwidth
\begin{longtable}[H]{|c|c|}
\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}
\begin{longtable}[H]{|c|c|}
\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
\caption*{Sumber: Data Olahan Penulis (2016)}
\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 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.\\
\begin{footnotesize}
\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
\caption*{Sumber: Data Olahan Penulis (2016)}
\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 $70$.\\
\begin{footnotesize}
\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
\caption*{Sumber: Data Olahan Penulis (2016)}
\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 $[45-50)$.\\
%=================================================
=========================
\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*}
%\begin{longtable}[H]{|c|c|c|}
%\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
%\caption*{Sumber: Data Olahan Penulis (2016)}
%\end{longtable}
%\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
%\caption*{Sumber: Data Olahan Penulis (2016)}
%\end{longtable}
%\begin{longtable}[H]{|c|c|c|c|}
%\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
%\caption*{Sumber: Data Olahan Penulis (2016)}
%\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, $$D_{m,n}=\frac{2}{18}$$
%\begin{longtable}[H]{|c|c|c|}
%\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
%\caption*{Sumber: Data Olahan Penulis (2016)}
%\end{longtable}
%\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
%\caption*{Sumber: Data Olahan Penulis (2016)}
%\end{longtable}
%\begin{longtable}[H]{|c|c|c|c|}
%\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
%\caption*{Sumber: Data Olahan Penulis (2016)}
%\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, $$D_{m,n}=\frac{3}{16}$$
%=================================================
===================================
\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}