METODE PENDUGAAN AREA KECIL DENGAN TEKNIK EMPIRICAL

BAYES PADA PENDUGAAN PROPORSI KELUARGA MISKIN

DI KOTA BOGOR

WAHYU DWI LAKSONO

DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2008
 RINGKASAN

WAHYU DWI LAKSONO. Metode Pendugaan Area Kecil dengan Teknik Empirical Bayes pada
Pendugaan Proporsi Keluarga Miskin di Kota Bogor. Dibimbing oleh ANANG KURNIA dan
FARIT MOCHAMAD AFENDI.
Analisis terhadap data survei dalam menduga proporsi keluarga miskin dengan contoh
berukuran kecil seringkali menghasilkan dugaan dengan tingkat akurasi yang rendah. Masalah
tersebut dapat diatasi menggunakan pendugaan area kecil (Small Area Estimation, SAE) dengan
meningkatkan efektivitas ukuran contoh yang memanfaatkan informasi di luar area, dari dalam
area itu sendiri dan dari luar survei. Salah satu teknik yang dikembangkan dalam pendugaan
proporsi dengan SAE adalah teknik empirical Bayes (EB). Dalam menduga proporsi keluarga
miskin bentuk fungsi sebaran data diasumsikan menyebar beta-binomial, sehingga pendugaan
hiperparameter dari fungsi sebaran tersebut didekati dengan menggunakan metode momen atau
metode kemungkinan maksimum.
Pada penelitian ini, dugaan EB cukup baik dalam memperbaiki keragaman dari dugaan
langsung. Keragaman dugaan EB lebih kecil dibandingkan dengan dugaan langsungnya.
Keragaman yang terbentuk pada kriteria kemiskinan Bank Dunia menunjukkan kedua metode
pendugaan hiperparameter cukup baik. Metode kemungkinan maksimum memiliki keragaman
yang lebih kecil dibandingkan dengan metode momen pada kriteria kemiskinan BPS.

Kata kunci : pendugaan area kecil, empirical Bayes, beta-binomial, momen, kemungkinan
maksimum
METODE PENDUGAAN AREA KECIL DENGAN TEKNIK EMPIRICAL
BAYES PADA PENDUGAAN PROPORSI KELUARGA MISKIN
DI KOTA BOGOR

OLEH :
WAHYU DWI LAKSONO
G14103036

Skripsi
Sebagai Salah Satu Syarat untuk Memperoleh
Gelar Sarjana Sains
pada
Departemen Statistika

DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2008
 RIWAYAT HIDUP

Penulis dilahirkan di Jakarta pada tanggal 07 Februari 1986 sebagai anak kedua dari dua
bersaudara, anak pasangan Kasmino Pamungkas dan Dwi Haryani.
Pada tahun 1997 penulis lulus dari SD Negeri 03 Mulya Asri, Tulang Bawang Tengah,
Lampung dan melanjutkan ke sekolah menengah pertama di SLTP Negeri 1 T.B. Tengah,
Lampung dan lulus tahun 2000. Penulis menyelesaikan studi di SMU Negeri 1 Tumijajar,
Lampung pada tahun 2003 dan pada tahun yang sama penulis diterima di Departemen Statistika,
Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor (IPB) melalui jalur
Undangan Seleksi Masuk IPB (USMI).
Pada tahun 2004, penulis pernah menjabat sebagai kepala departemen olahraga dan seni,
himpunan profesi Gamma Sigma Beta (GSB). Penulis mengikuti kegiatan praktik lapang di Balai
Penelitian Kacang-Kacangan Dan Umbi-Umbian (BALITKABI) Malang, pada bulan Februari
April 2007.
 PRAKATA

Puji dan syukur penulis panjatkan kehadirat Allah SWT atas segala limpahan rahmat dan
karunia-Nya sehingga karya ilmiah ini dapat diselesaikan. Shalawat serta salam semoga selalu
tercurahkan kepada Nabi Muhammad SAW beserta keluarga, para sahabat dan umatnya hingga
akhir zaman. Karya ilmiah ini berjudul Metode pendugaan area kecil dengan teknik empirical
Bayes pada pendugaan proporsi keluarga miskin di Kota Bogor . Penelitian ini bertujuan untuk
mengkaji pendugaan area kecil pada data biner dengan metode empirical Bayes dengan
menggunakan metode momen dan maximum likelihood dalam menduga hiperparameter kemudian
menerapkannya pada pendugaan proporsi keluarga miskin di Kota Bogor.
Banyak ilmu, pelajaran dan masukan yang bermanfaat dirasakan oleh penulis selama
menyelesaikan karya ilmiah ini, sehingga pada kesempatan kali ini penulis ingin mengucapkan
terima kasih, kepada :
1. Bapak Anang Kurnia, M.Si dan Bapak Farit M. Afendi, M.Si selaku pembimbing I dan
pembimbing II yang telah meluangkan waktu, memberikan arahan dan saran yang sangat
bermanfaat bagi penulis serta perhatiannya kepada penulis.
2. Seluruh dosen dan Staf Departemen Statistika IPB.
3. Kepada Bapak & Ibu di Lampung, Papa & Mama di Depok serta istriku Wenny Indriyarti
Putri & anakku Daanya Putri Az-Zahra atas dukungan dan semangatnya.
4. Keluarga besar di Lampung dan di Depok .
5. Dauz, Dani A, Aang, Ipunk, Edo, Yudi, Bayu, Wondo, Rahayu dan semua teman-
temanku di STK 40.
6. Adik kelas STK 41, 42 atas bantuan saat seminar.
7. Serta semua pihak yang tidak tertuliskan satu per satu yang telah membantu penulis
dalam menyelesaikan karya ilmiah ini.
Penulis menyadari bahwa penulisan karya ilmiah ini masih jauh dari sempurna. Terlepas dari
segala kekurangan yang ada, semoga karya ilmiah ini dapat bermanfaat bagi pihak yang
membutuhkan.

Bogor, Mei 2008

Wahyu Dwi Laksono

 DAFTAR ISI

Halaman

DAFTAR LAMPIRAN

DAFTAR TABEL ........................................................................................................... viii

DAFTAR GAMBAR ....................................................................................................... viii

PENDAHULUAN
Latar Belakang................................................................................................... 1

Tujuan .............................................................................................................. 1

TINJAUAN PUSTAKA
Pendugaan Area Kecil........................................................................................ 1

Model Area Kecil............................................................................................... 1

Teknik Empirical Bayes pada Data Biner............................................................ 2

Pendugaan Parameter Beta-Binomial dengan Metode Momen ............................ 2

Pendugaan Parameter Beta-Binomial dengan Metode Kemungkinan Maksimum. 3

Metode Jackknife dalam Menduga Faktor Ketidakpastian .................................. 3

Penduduk Miskin .............................................................................................. 3

BAHAN DAN METODE

Bahan ............................................................................................................... 4

Metode ............................................................................................................. 4

HASIL DAN PEMBAHASAN

Pendugaan Langsung ........................................................................................ 4

Pendugaan Hiperparameter ................................................................................ 5

Pendugaan Empirical Bayes Menggunakan Kriteria Bank Dunia......................... 5

Pendugaan Empirical Bayes Menggunakan Kriteria BPS .................................... 6

KESIMPULAN
Kesimpulan ....................................................................................................... 6

DAFTAR PUSTAKA ..................................................................................................... 7

LAMPIRAN ................................................................................................................... 9
 DAFTAR LAMPIRAN

Halaman

1. Hasil Dugaan Langsung dan Dugaan Empirical Bayes Dengan Kriteria Bank Dunia
Serta Nilai RRMSE (%) ....................................................................................... 10

2. Hasil Dugaan Langsung dan Dugaan Empirical Bayes Dengan Kriteria BPS
Serta Nilai RRMSE (%) ........................................................................................ 11

3. Nilai Dugaan Parameter dan Menggunakan Metode Momen....................... 12

4. Nilai MSE Berdasarkan Kriteria Bank Dunia ........................................................ 13

5. Nilai MSE Berdasarkan Kriteria BPS .................................................................... 14

 DAFTAR TABEL

Halaman

Tabel 1.Garis Kemiskinan Menurut Kriteria BPS .......................................................... 4

Tabel 2. Hasil Dugaan Hiperparameter ml

dan ml ............................................... 5

DAFTAR GAMBAR

Halaman

Gambar 1. Boxplot nilai RRMSE menurut Kriteria Bank Dunia ..................................... 5

Gambar 2. Diagram Garis nilai RRMSE menurut Kriteria Bank Dunia ........................... 5

Gambar 3. Boxplot nilai RRMSE menurut Kriteria BPS................................................. 6

Gambar 4. Diagram Garis nilai RRMSE menurut Kriteria BPS....................................... 6

 PENDAHULUAN
Latar Belakang
Analisis data survei dalam menduga
suatu parameter khususnya pada contoh
berukuran kecil seringkali diperoleh dugaan
yang memiliki akurasi rendah. Usaha untuk
meningkatkan akurasi tersebut dapat
dilakukan dengan peningkatan efektivitas
ukuran contoh yang dikenal dengan istilah
pendugaan area kecil (Small Area
Estimation, SAE). Pendekatan SAE dilakukan
dengan menggunakan tambahan informasi
baik dari dalam area, luar area maupun dari
luar survei. Salah satu teknik yang dapat
digunakan dalam SAE adalah teknik empirical
Bayes (EB). Teknik ini digunakan untuk
mengatasi pengaruh ketidakstabilan penduga
langsung dengan menggunakan tambahan
informasi dari area lain.
Parameter yang menjadi perhatian dalam
karya ilmiah ini adalah proporsi keluarga
miskin di Kota Bogor. Nilai proporsi tersebut
dihitung berdasarkan pengeluaran perkapita
dari data Survei Sosial Ekonomi Nasional
(SUSENAS) dimana objek survei adalah
keluarga-keluarga yang tinggal disuatu desa
tertentu dengan peubah respon biner (miskin,
tidak miskin).
Tujuan
Tujuan penelitian ini adalah :
1. Mengkaji pendugaan area kecil pada data
biner dengan metode empirical Bayes
dengan menggunakan metode momen dan
kemungkinan maksimum dalam menduga
hiperparameter.
2. Menerapkan metode area kecil pada
pendugaan proporsi keluarga miskin di
Kota Bogor.
TINJAUAN PUSTAKA
Penduga Area Kecil
Pendugaan area kecil menjadi sangat
penting dalam analisis data survei karena
adanya peningkatan permintaan untuk
menghasilkan dugaan parameter yang cukup
akurat dengan ukuran contoh kecil.
Terdapat dua masalah pokok dalam
pendugaan area kecil. Masalah pertama adalah
bagaimana menghasilkan suatu dugaan
parameter yang cukup baik untuk ukuran
contoh kecil pada suatu domain. Kedua,
bagaimana menduga mean square error (MSE)
dari dugaan parameter tersebut. Kedua masalah
pokok tersebut dapat diatasi dengan cara
meminjam informasi dari dalam area, luar
area maupun dari luar survei (Pfefferman,
2002)
Pendugaan parameter pada suatu domain
dalam SAE dapat dilakukan dengan
menggunakan pendugaan langsung (direct
estimation) dan pendugaan tidak langsung
(indirect estimation).
Proses pendugaan langsung merupakan
pendu gaan pada suatu doma in
berdasarkan data contoh dari domain tersebut.
Pendekatan yang digunakan pada proses
pendugaan ini adalah pendekatan berbasis
rancangan (design-based).
Proses pendugaan tidak langsung
merupakan pendugaan pada suatu domain
dengan cara menghubungkan informasi pada
area tersebut dengan area lain melalui model
yang tepat. Hal ini berarti bahwa dugaan
tersebut mencakup data dari domain lain
(Kurnia & Notodiputro, 2006).
Model Area Kecil
Model area kecil terdiri atas dua jenis
model dasar yaitu basic area level model dan
basic unit level model (Rao, 2003).
a. Basic area level (type A) model yaitu model
yang didasarkan pada ketersediaan data
pendukung yang hanya ada untuk level area
tertentu, misalkan xi = (x1i ,xpi )T dan
parameter yang akan diduga i, diasumsikan
mempunyai hubungan dengan xi. Data
pendukung tersebut digunakan untuk
membangun model: i = xiT + bivi ,
i =1,,m dengan vi ~ N(0, 2v), sebagai
pengaruh acak yang diasumsikan normal.
Kesimpulan mengenai i, dapat diketahui
dengan mengasumsikan bahwa model
penduga langsung yi tersedia yaitu:
yi = i + ei , i =1,,m dengan sampling
error ei ~ N(0, 2ei) dan 2ei diketahui.
Pada akhirnya, kedua model digabungkan
dan menghasilkan model gabungan:
yi = xiT + bivi + ei , i =1,,m dimana bi
diketahui bernilai positif konstan (biasanya
bernilai 1).
Model tersebut merupakan bentuk khusus
dari model linier campuran (generalized
linear mixed model) yang terdiri dari
pengaruh tetap (fixed effect) yaitu dan
pengaruh acak (random effect) yaitu vi (Saei
& Chambers, 2003).
b. Basic unit level (type B) model yaitu suatu
model dimana data-data pendukung yang
tersedia bersesuaian secara individu dengan
data respon, misal xij = (xij1,...,xijp)T, sehingga
dapat dibuat suatu model regresi tersarang
 yij = xijT + vi + eij; i=1,,m dan j=1,...,ni yaitu, pendugaan dengan metode kemungkinan
dengan vi ~ N(0, 2v) dan ei ~ N(0, 2ei). maksimum dan metode momen. Dengan
Pada penelitian ini digunakan model Basic mensubstitusikan hasil dugaan & pada
unit level (type B) untuk respon biner pada persamaan (5) dan (6) , maka diperoleh
setiap keluarga di suatu area tertentu. pendugaan empirical Bayes bagi proporsi ,
yaitu ;
Teknik Empirical Bayes pada Data Biner yi
i menunjukkan proporsi dari individu iEB = +
ni + + ni + +
pada area kecil ke-i yang memiliki karakteristik
+
+
tertentu, maka yi ni
=
i = yi =
j
Yij
......................(1) ni n + +
i
+

n + +
i
( )
ni
Diasumsikan bahwa contoh diperoleh dari dengan i = ni ni + + dan
desain dua tahap , Yij merupakan objek atau , maka dugaan empirical Bayes
p,=
individu ke-j pada area kecil ke-i, dimana j = +
1,,ni dan i = 1,,m. Langkah pertama menjadi :
diasumsikan Yij | i ~ bernoulli ( i ) . Diketahui
yi | i ~ binomial (ni , i ) iEB = i i + (1 i ) p , .......................(7)
yi = j Yij , maka
dan ragamnya ;
dan fungsi peluangnya adalah :
( ) ( yi + )(ni yi + ) .......(8)
f ( yi | i ) = C (ni , yi ) iyi (1 i ) i i ..............(2) V i | yi , , =
n y
(ni + + + 1)(ni + + )2
untuk y i = 0,1,2,..., ni .
iEB diperoleh dengan memberi pembobot
Langkah kedua sebaran prior bagi i
rata-rata pada penduga langsung, i , dan pada
diasumsikan i ~ beta(,),>0,>0 dengan
penduga sintetik, p, (Rao, 2003)
fungsi kepekatan peluang bagi i adalah :
( + ) 1
h ( | , ) = (1 ) 1 .......(3) Pendugaan Parameter Beta-Binomial
( ) ( )
i i i
dengan Metode Momen
untuk 0 < i < 1 . Pendekatan yang sederhana dalam
Merujuk pada persamaan 2 & 3, maka pendugaan parameter dan pada
diperoleh sebaran posterior bagi i adalah persamaan (4) dapat dilakukan dengan metode
i | yi , , ~ beta - binomial, dengan fungsi momen. Murphy (2007) mengajukan dugaan
dan dengan persamaan sebagai berikut :
sebarannya sebagai berikut :

k ( i | yi , , ) E (yi ) = ni .........................................(9)
+
(ni + + ) + y 1
= i i (1 i ) +ni yi 1 dan
( + yi )(ni + yi ) n i + + ni .............(10)
V (y i ) =
.........(4) ( + )2 + + 1
Berdasarkan fungsi kerugian kuadrat, maka sehingga
diperoleh penduga Bayes bagi proporsi, iB ,
E y i2 ( ) = (n +(n )(+ +n + +1)) .................(11)
i i i

adalah :
iB = ( i | y i , , ) = ( i )
y + dengan menggunakan momen contoh
(n i + + )
m1 =
y i i
dan m2 =
y2
i i , maka

n i ni
yi
= + ......................(5)
ni + + ni + + i i

dan ragam posterior bagi iB adalah : diperoleh dan sebagai berikut :

m1 (m 2 n i m1 )
(
V iB | yi ,, = ) ( yi + )(ni yi + ) .......(6)
(ni + + + 1)(ni + + )2
=
m i ((n i 1)m1 + n i ) tm 2
.....................(12)

(ni m1 )(m2 n i m1 )
Parameter dan pada persamaan (4) = ..........................(13)
tidak diketahui sehingga harus diduga. mi (4m1 + ni ) ni m 2
Pendugaan parameter dan setidaknya
dapat dilakukan dengan dua teknik sederhana (Murphy, 2007)
 Pendugaan Parameter Beta-Binomial dengan w merupakan jumlah iterasi.
dengan Metode Kemungkinan Maksimum (Lau , 2002)
Didefinisikan parameter p dan pada
p=
Metode Jackknife dalam Pengukuran
( )
dan = 1 , nilainya
+ + +1
Faktor Ketidakpastian
Pendekatan jackknife merupakan salah satu
diduga dengan metode maximum quasi metode yang sering digunakan dalam survei
likelihood menggunakan iterasi Newton- karena konsepnya yang sederhana dan dapat
Raphson . digunakan untuk mengoreksi bias. Metode ini
Didefinisikan = sehingga dugaan diperkenalkan oleh Tukey pada tahun 1958 dan
1+
berkembang sampai sekarang.
likelihoodnya menjadi : Menurut Jiang, Lahiri, & Wan (2002)
dalam Lohr & Rao (2003), didapatkan bentuk
( + )( yi + )(ni + yi )
L(P, ) = i C(ni , yi ) umum dari penduga jackknife MSE. Penduga
( )( )(ni + + ) jackknife MSE menggunakan bentuk
orthogonal decomposition,
y i 1
( p + r )
n i y i 1
(1 p + r ) ....(14) [ ]
MSE iEB = E [g 1i ( , , y i )] + E iEB iB ( )
= i C (n i , y i ) r =0 r =0
= M 1i + M 2 i ..............................(16)
r = 0 (1 + r )
n 1i

Metode jackknife diperoleh dengan tahapan

Jika l ( p, ) merupakan fungsi logaritma dari sebagi berikut:
L( p, ) , maka nilai turunan pertama dari 1. Pada iterasi ke-i, area ke-i dihapus. Data
sisa (m-1) digunakan untuk menghitung
fungsi logaritma tersebut dapat didefinisikan
sebagai : ( i) , (i ) dan iEB
( i)
.

dl dl 2. Nilai dugaan tersebut digunakan untuk

S= menghitung M 1i & M 2i . Nilai M1i diperoleh
dp d
dari persamaan :
dimana,
y i 1 ni y i 1
(
M1i = g1i , , yi )


dl 1 1 .....(17)
( ( ) ( ))
= + m 1
m
dp p + r 1 p + r g1i (i ) , (i ) , yi g1i , , yi
i r =0 i r=0 m j =1

dl y i 1
r n i y i 1
r ni 1
r
dan nilai M2i diperoleh dari persamaan
= +


d i r =0 p + r i r =0 1 p + r i r = 0 1 + r berikut:

( iEB(i ) iEB )
m
m 1 ......................(18)
M 2i =
serta nilai turunan keduanya dapat m j =1
didefinisikan sebagai :
d 2l d 2l
(
dengan g1 , , y i untuk sebaran beta-)
binomial adalah sebagai berikut :
2 dpd
O = dp
d 2l d 2l
(
g1i , , yi = )
d dp d 2 (ni + + + 1)(ni + + )2 ...........(19)
ni (ni 1) ni ( )
dimana
y i 1 n i y i 1
ni + +
( + )( + + 1) + +
d 2l 1 1
dp 2
= ( p + r )
i r =0
2
+ (1
i r =0 p + r )
2 (Lohr & Rao, 2003)

yi 1 ni yi 1 ni 1
Penduduk Miskin
d 2l r 2 r2 r2
d 2
= ( p +r)2 (1 p+ r)2
+ (1+r)2 Kemiskinan diukur dengan menggunakan
konsep kemampuan memenuhi kebutuhan
i r =0 i r=0 i r=0
yi 1 ni yi 1 dasar (basic needs approach). Kemiskinan
d 2l r r
= + dipandang sebagai ketidakmampuan dari sisi
dpd i r = 0 ( p + r ) r = 0 (1 p + r )
2 2
i
ekonomi untuk memenuhi kebutuhan dasar
sehingga parameter p dan dapat diperoleh makanan dan bukan makanan yang diukur dari
dengan iterasi sebagai berikut : sisi pengeluaran. Sehingga dapat diukur Head
Count Index (HCI), yaitu persentase penduduk
p p
= + O w11S w1 ................(15) yang berada dibawah garis kemiskinan.
w w1
 Metode yang digunakan adalah menghitung
garis kemiskinan (GK), yang terdiri atas dua
komponen yaitu garis kemiskinan makanan
(GKM) dan garis kemiskinan bukan makanan
(GKBM). Penghitungan garis kemiskinan
dilakukan secara terpisah antara perkotaan dan
pedesaan . Penduduk miskin adalah penduduk
yang memiliki pengeluaran per kapita per
bulan dibawah garis kemiskinan. Pengeluaran
perkapita menunjukkan besarnya pengeluaran
setiap anggota rumah tangga dalam kurun
waktu satu bulan. (BPS, 2003). Pengeluaran
perkapita dapat dirumuskan sebagai berikut :
p 7. Menghitung Mean Square Error (MSE)
x=
q 8. Membandingkan hasil dugaan langsung
dimana ;
x = pengeluaran perkapita
p = pengeluaran rumah tangga sebulan
q = jumlah anggota rumah tangga
Garis kemiskinan menurut BPS tersaji
pada Tabel 1. (BPS,2006)
Tabel 1.Garis Kemiskinan Daerah Kota
menurut Kriteria BPS
Garis Kemiskinan
(Rp/Kapita/Bulan)
Waktu GKM GKBM GK
Feb 2005 103,992 46,807 150,799
Maret
2006 126,527 48,797 175,324
Sumber : BPS 2006
Menurut Bank Dunia, penduduk miskin
adalah penduduk dengan pengeluaran perkapita
perhari sebesar US $ 1. Sehingga bila
dikurskan kedalam rupiah menjadi sekitar Rp.
10.000,- perhari perkapita. (Supadi &
Nurmanaf, 2004)
BAHAN DAN METODE
Bahan
Sumber data utama yang dgunakan untuk
menghitung proporsi kemiskinan di Kota
Bogor adalah data SUSENAS (Survei Sosial
Ekonomi Nasional) tahun 2005 untuk wilayah
Kota Bogor .
Metode
Prosedur yang digunakan dalam penelitian
ini adalah:
1. Melakukan perbandingan antara
pengeluaran perkapita dengan garis
kemiskinan BPS dan garis kemiskinan
Bank Dunia. Keluarga dengan pengeluaran
perkapita dibawah garis kemiskinan
dinyatakan miskin.
2. Memberi kode biner untuk penduduk
miskin. Miskin diberi kode 1 dan lainnya
0.
3. Menghitung dugaan langsung proporsi
keluarga miskin disetiap desa yang
tersurvei dengan metode direct estimation.
4. Menghitung Mean Square Error (MSE)
dengan metode direct estimation.
5. Menghitung nilai dugaan dan dengan
menggunakan metode kemungkinan
maksimum dan metode momen.
6. Menghitung dugaan proporsi keluarga
miskin dengan teknik empirical Bayes.
dengan metode jackknife.
dan dugaan empirical Bayes dengan
melihat nilai RRMSE (Relative Root Mean
Squared Error) yang diperoleh dengan
perhitungan sebagai berikut :
RRMSE( p i ) = S ( p i ) 100 %
pi
Software yang digunakan adalah MS EXCEL
2003 dan SAS 9.1.
HASIL DAN PEMBAHASAN
Pendugaan Langsung
Pendugaan langsung proporsi penduduk
miskin dilakukan pada 37 desa yang ada di
Kota Bogor. Setiap desa diambil contoh
sebanyak 16 rumah tangga, kecuali untuk Desa
Kedung Halang yaitu sebanyak 15 rumah
tangga dan Desa Kedung Badak sebanyak 32
rumah tangga.
Berdasarkan kriteria Bank Dunia, hasil
pendugaan langsung menunjukkan bahwa ada
beberapa desa yang memiliki proporsi
kemiskinan yang lebih besar dari setengah,
bahkan di Desa Katulampa proporsi
kemiskinannya sama dengan satu. Hasil
pendugaan langsung berdasarkan kriteria Bank
Dunia dapat dilihat pada Lampiran 1.
Hasil pendugaan langsung berdasarkan
kriteria BPS, diperoleh 13 desa yang memiliki
proporsi penduduk miskin sebesar nol. Dapat
kita katakan bahwa 13 desa tersebut tidak
mempunyai keluarga yang dikategorikan
miskin. Hasil pendugaan langsung berdasarkan
kriteria BPS dapat dilihat pada Lampiran 2.
Pendugaan Hiperparameter
Pendugaan hiperparameter dan
menggunakan metode momen biasanya
dilakukan karena lebih sederhana. Penggunaan
metode ini untuk keluarga sebaran binomial
akan mendekati suatu nilai tertentu jika nilai
peluangnya mendekati nol atau satu. Metode
momen juga menghasilkan pendugaan yang
tidak unik. Hasil pendugaan dengan metode
momen berbeda antar desa. Hal ini bergantung
kepada jumlah contoh yang diambil pada
masing masing desa. Hasil pendugaan
dengan metode momen dapat dilihat pada
Lampiran 3.
Hal ini mengindikasikan bahwa hasil dugaan
EB dengan kedua metode cukup baik dalam
menduga proporsi keluarga miskin.
Perbandingan nilai RRMSE dari penduga
langsung dengan dugaan EB tersaji pada
Lampiran 1.
Boxplot RRMSE Menurut Kriteria Bank Dunia

Metode lain yang dapat digunakan adalah 180

metode pendugaan kemungkinan maksimum. 160

Walaupun metode ini cukup rumit dan 140

memerlukan metode iterasi serta tidak robust 120

RRMSE
dengan sebaran modelnya, tetapi MLE ini 100

80
cukup baik dalam menduga paramater dan hasil 60
yang diperoleh pun unik. Hasil pendugaan 40

dengan MLE untuk ml dan ml tersaji pada 20

0
Tabel 2. Langsung Momen_1 Likelihood_1

Gambar 1. Boxplot nilai RRMSE menurut

Tabel 2. Hasil Dugaan Hiperparameter
Kriteria Bank Dunia
ml dan ml
Pada Gambar 1 dugaan EB, jika
Kriteria ml ml
dibandingkan antar metode, menunjukkan
BPS 0.0338 1.0190 bahwa pada penelitian ini secara keseluruhan
Bank Dunia 0.0763 0.0485 metode kemungkinan maksimum dan metode
momen memiliki keragaman yang tidak
Pendugaan Empirical Bayes Menggunakan berbeda. Berdasarkan hal tersebut pada
Kriteria Bank Dunia penelitian ini dapat diketahui bahwa dugaan
Hasil dugaan EB berdasarkan kriteria Bank EB dengan kedua metode cukup stabil dalam
Dunia nilai proporsi yang cukup besar terdapat menduga proporsi keluarga miskin di Kota
pada Desa katulampa, Pamoyanan, Harjasari Bogor.
dan Genteng. Pada metode momen nilai
dugaan Desa Pamoyanan yaitu sebesar 0.9741. Diagram Garis RRMSE Menurut Kriteria Bank Dunia

Nilai tersebut dapat diartikan ada 974 keluarga 180

Variable
Langsung
Momen_1

miskin dari seribu keluarga yang tinggal didesa 160 Likelihood_1

140
tersebut. Sedangkan dengan metode 120
kemungkinan maksimum nilai dugaan EB Desa
RRMSE

100

Pamoyanan yaitu sebesar 0.9970 artinya ada 80

sekitar 997 keluarga miskin dari seribu 60

40
keluarga yang tinggal didesa tersebut. 20
Perbandingan nilai proporsi dugaan langsung 0

dan dugaan EB dengan kriteria Bank Dunia 0 10 20 30 40

Desa
dapat dilihat pada Lampiran 2.
Nilai RRMSE merupakan persentase dari Gambar 2. Diagram Garis RRMSE menurut
perbandingan relatif antara galat dugaan Kriteria Bank Dunia
dengan nilai dugaan itu sendiri. Nilai RRMSE
dapat diartikan, jika nilai RRMSEnya kurang Berdasarkan Gambar 2 dapat diketahui
dari atau sama dengan 50% maka bahwa nilai RRMSE dugaan EB dengan kedua
mengindikasikan hasil dugaannya cukup baik. metode cenderung lebih kecil dari dugaan
Dugaan EB memiliki nilai RRMSE yang langsungnya. Hal ini menunjukkan bahwa
cenderung lebih homogen dibandingkan keragaman hiperparameter dan keragaman
dengan dugaan langsungnya. Hal ini dugaan proporsi dari kedua metode lebih kecil.
menunjukkan bahwa dugaan EB cukup stabil
dibandingkan dengan dugaan langsung. Nilai
RRMSE dari dugaan EB sebagian besar lebih
kecil dari nilai RRMSE pada dugaan langsung.
Pada dugaan EB dengan kedua metode terdapat
37 nilai RRMSE yang lebih kecil dari 50%.
 Pendugaan Empirical Bayes Menggunakan
Kriteria BPS
Pada kriteria BPS, hasil dugaan EB
proporsi keluarga miskin untuk 13 desa yang
dugaan langsungnya nol merupakan nilai
proporsi dugaan sintetiknya. Artinya bahwa
nilai tersebut merupakan peluang keluarga
miskin yang terdapat di Kota Bogor dengan
asumsi bahwa setiap desa memiliki
karakteristik yang sama. Beberapa nilai dugaan
EB proporsi keluarga miskin yang cukup besar
berada di Desa Pamoyanan, Katulampa,
Cipaku dan Ciparigi. Dengan metode momen
nilai dugaan EB pada Desa Pamoyanan yaitu
sebesar 0.4145. Nilai tersebut berarti ada
sekitar 415 keluarga miskin dari seribu
keluarga yang tinggal didesa tersebut.
Sedangkan nilai dugaan EB dengan metode
kemungkinan maksimum pada Desa
Pamoyanan yaitu sebesar 0.4125. Nilai tersebut
berarti ada sekitar 413 keluarga miskin dari
seribu keluarga yang tinggal didesa tersebut.
Nilai RRMSE merupakan persentase dari
perbandingan relatif antara galat dugaan
dengan nilai dugaan itu sendiri. Nilai RRMSE
dapat diartikan, jika nilai RRMSEnya kurang
dari atau sama dengan 50% maka
mengindikasikan bahwa hasil dugaannya cukup
baik. Evaluasi pendugaan berdasarkan nilai
RRMSE menunjukkan bahwa nilai RRMSE
dari dugaan EB lebih homogen dari nilai
RRMSE dugaan langsung. Hal ini berarti
dugaan EB sudah cukup baik dalam
memperbaiki keragaman dari dugaan langsung
sehingga dugaan EB lebih stabil. Pada dugaan
EB dengan metode kemungkinan maksimum
ada 19 nilai RRMSE yang lebih kecil dari 50%.
Hal ini berarti dugaan EB dengan metode
tersebut cukup baik dalam pendugaan proporsi
keluarga miskin.
Boxplot RRMS E Menurut Kriteria BPS
55
50
45
RRMSE
40
35
30
25
Momen_1 Likelihood_1
Gambar 3. Boxplot RRMSE menurut
Kriteria BPS
Berdasarkan Gambar 3 dapat diketahui
bahwa nilai RRMSE dugaan EB dengan
kemungkinan maksimum memiliki tingkat
keragaman yang lebih rendah dibandingkan
dengan metode momen.
Diagram Garis RRMSE Menurut Kriteria BPS
55 Variable
Mo men_1
50
Likelihood_1
45
RRMSE
40
35
30
25
0 10 20 30 40
Desa
Gambar 4. Diagram Garis RRMSE menurut
Kriteria BPS
Berdasarkan Gambar 4. jika dibandingkan
antar metode pada dugaan EB menunjukkan
bahwa nilai RRMSE dari metode momen
cenderung lebih kecil dari nilai dugaan dengan
metode kemungkinan maksimum. Hal ini
menunjukkan bahwa metode momen lebih
robust terhadap bentuk sebaran modelnya.
Akan tetapi nilai RRMSE metode momen
memiliki keragaman yang relatif lebih besar.
Berdasarkan hal tersebut dalam penelitian ini
dugaan EB dengan kedua metode tersebut
cenderung cukup baik dalam menduga proporsi
kemiskinan di Kota Bogor.
Pada dugaan EB yang proporsi dugaan
langsungnya bernilai nol , nilai RRMSE yang
dihasilkan sangat besar. Bahkan hanya terdapat
empat desa yang memiliki nilai RRMSE
kurang dari 200%. Hal ini berarti bahwa nilai
dugaan EB tersebut tidak cukup baik untuk
digunakan, sehingga diperlukan kajian lebih
lanjut dalam pendugaan area kecil untuk area
yang tidak memiliki contoh. Berdasarkan hal
tersebut nilai RRMSE dugaan langsung tidak
ditampilkan di dalam diagram. Perbandingan
hasil proporsi dugaan langsung dan dugaan EB
serta nilai RRMSE dapat dilihat pada Lampiran
2.
KESIMPULAN
Pada penelitian ini dugaan EB mampu
memperbaiki keragaman dari dugaan langsung,
meskipun ada beberapa nilai RRMSE yang
cenderung sangat besar. Berdasarkan kriteria
kemiskinan menurut Bank Dunia, dugaan EB
dengan kedua metode menunjukkan hasil yang
tidak berbeda. Sedangkan pada kriteria BPS,
dugaan EB dengan metode kemungkinan
maksimum cenderung lebih baik karena lebih
stabil.
 DAFTAR PUSTAKA Methodologi Working Paper M03/16.
University of Southampton, UK.
[BPS]. Badan Pusat Statistik. 2003.
Http://www.bps.go.id/publikasi/2003. Supadi dan Nurmanaf AR. 2003. Pendapatan
[ Agustus 15, 2007]. Dan Pengeluaran Rumah Tangga Pedesaan
Dan Kaitannya Dengan Tingkat
[BPS]. Badan Pusat Statistik. 2006. Berita Kemiskinan.
Resmi Statistik No. 47/ IX/ 1 September Http://ejournal.unud.ac.id/abstrak/(13)%20s
2006 tentang Tingkat Kemiskinan di oca-supadi-rozany.doc. [11 Januari 2008]
Indonesia Tahun 2005-2006.
Http://www.bps.go.id/releases/files/kemiski
nan-01sep06.pdf . [11 Januari 2008].

Kurnia A. dan K. A. Notodiputro. 2006.

Penerapan Metode Jacknife dalam
Pendugaan Area Kecil. Forum Statistika
dan Komputasi, April 2006, p:12-15

Lau A. 2002. Using Maximum Likelihood

Estimator For Identifying Interviewer
Effect With Beta-Binomial Model.
Vocational Training Council. HKSAR
China .
Htpp://www.stat.fi/isi99/proceedings/arkist
o/varasto/lau_0717.pdf.
[29 September 2007]

Lohr SL. dan JNK. Rao. 2003. Resampling

Methods For MSE Estimation With
Nonlinier Small Area Models. Challenges
in Survey Taking for the Next Decade.
Proceeding of Statistics Canada
Symposium 2003. Catalogue no. 11 - 522 -
XIE. Statistics Canada.
Http://www.statcan.ca/english/freepub/11-
522-XIE/2003001/session15/lohr.pdf
[13 Desember 2007]

Murphy KP. 2007. empirical bayes for beta-

binomial model.
Htpp://www.cs.ubc.ca/~murphyk/Teaching/
Stat406-Spring07/reading/ebHandout.pdf.
[25 September 2007]

Pfefferman D. 2002. Small area estimation -

New developments and directions,
International Statistical Review. 70, 1, 125-
143.
Htpp://www.ibge.gov.br/amostragem/down
load/trabalhodanny.doc. [11 Januari 2008].

Rao JNK. 2003. Small Area Estimation. New

York. Jhon wiley & Sons.

Saei A dan Chambers R. 2003. Small Area

Estimation : A Review of Methods Based
on the application of Mixed Models. S3RI
LAMPIRAN
Lampiran 1. Hasil Dugaan Langsung Dan Dugaan Empirical Bayes Dengan Kriteria Bank Dunia
Serta Nilai RRMSE (%)

Empirical Bayes
Kemungkinan
Dugaan Langsung Momen maksimum
Nama Desa i RRMSE i RRMSE i RRMSE
Pamoyanan 1.0000 0.0000 0.9741 8.4402 0.9970 8.4402
Genteng 0.9375 52.4797 0.9133 8.4476 0.9350 8.4476
Harjasari 1.0000 0.0000 0.9741 8.4402 0.9970 8.4402
Cipaku 0.8750 65.7236 0.8525 8.4586 0.8730 8.4586
Batutulis 0.3750 185.5438 0.3660 9.2288 0.3768 9.2288
Empang 0.2500 263.2148 0.2444 10.6039 0.2528 10.6039
Cikaret 0.4375 160.9893 0.4268 8.9444 0.4388 8.9444
Sindangrasa 0.1875 333.1999 0.1836 12.4055 0.1908 12.4055
Katulampa 1.0000 0.0000 0.9741 8.4402 0.9970 8.4402
Baranangsiang 0.6250 111.3263 0.6093 8.5824 0.6249 8.5824
Sukasari 0.7500 87.7383 0.7309 8.4983 0.7489 8.4983
Bantarjati 0.6250 111.3263 0.6093 8.5824 0.6249 8.5824
Tegalgundil 0.5000 141.4214 0.4876 8.7691 0.5009 8.7691
Tanahbaru 0.2500 263.2148 0.2444 10.6039 0.2528 10.6039
Cimahpar 0.6875 99.0280 0.6701 8.5324 0.6869 8.5324
Cibuluh 0.3125 217.8616 0.3052 9.7143 0.3148 9.7143
Kedunghalang 0.4000 174.9818 0.3916 6.9188 0.4017 6.9188
Ciparigi 0.6875 99.0280 0.6701 8.5324 0.6869 8.5324
Babakanpasar 0.6250 111.3263 0.6093 8.5824 0.6249 8.5824
Tegallega 0.5625 125.2139 0.5484 8.6566 0.5629 8.6566
Pabaton 0.0625 787.1959 0.0620 31.3057 0.0667 31.3057
Kebonkelapa 0.0625 787.1959 0.0620 31.3057 0.0667 31.3057
Pasirmulya 0.3750 185.5438 0.3660 9.2288 0.3768 9.2288
Pasirjaya 0.6250 111.3263 0.6093 8.5824 0.6249 8.5824
Gunungbatu 0.1875 333.1999 0.1836 12.4055 0.1908 12.4055
Menteng 0.3750 185.5438 0.3660 9.2288 0.3768 9.2288
Cilendek Barat 0.0625 787.1959 0.0620 31.3057 0.0667 31.3057
Sindangbarang 0.1875 333.1999 0.1836 12.4055 0.1908 12.4055
Situgede 0.5000 141.4214 0.4876 8.7691 0.5009 8.7691
Semplak 0.2500 263.2148 0.2444 10.6039 0.2528 10.6039
Kedungwaringin 0.8125 76.8923 0.7917 8.4748 0.8109 8.4748
Kedungjaya 0.4375 160.9893 0.4268 8.9444 0.4388 8.9444
Kebonpedes 0.6250 111.3263 0.6093 8.5824 0.6249 8.5824
Kedungbadak 0.2813 238.4103 0.2679 28.4069 0.2825 28.4069
Cibadak 0.5000 141.4214 0.4876 8.7691 0.5009 8.7691
Kayumanis 0.5000 141.4214 0.4876 8.7691 0.5009 8.7691
Kencana 0.8125 76.8923 0.7917 8.4748 0.8109 8.4748
 Lampiran 2. Hasil Dugaan Langsung Dan Dugaan Empirical Bayes Dengan Kriteria BPS
Serta Nilai RRMSE (%)

Empirical Bayes
Kemungkinan
Dugaan langsung Momen maksimum
Nama Desa i RRMSE i RRMSE i RRMSE
Pamoyanan 0.4375 160.9893 0.4145 24.9765 0.4125 28.3330
Katulampa 0.3125 217.8616 0.2965 24.9961 0.2952 28.3917
Harjasari 0.0000 NA 0.0016 1605.8912 0.0020 1610.5174
Genteng 0.3750 185.5438 0.3555 24.9532 0.3538 28.3165
Kencana 0.1875 333.1999 0.1786 26.0160 0.1779 29.7898
Cipaku 0.0000 NA 0.0016 1605.8912 0.0020 1610.5174
Sukasari 0.0000 NA 0.0016 1605.8912 0.0020 1610.5174
Cimahpar 0.0000 NA 0.0016 1605.8912 0.0020 1610.5174
Ciparigi 0.5000 141.4214 0.4735 25.0234 0.4711 28.3841
Babakanpasar 0.2500 263.2148 0.2376 25.2231 0.2365 28.7160
Kedungwaringin 0.1875 333.1999 0.1786 26.0160 0.1779 29.7898
Tegallega 0.2500 263.2148 0.2376 25.2231 0.2365 28.7160
Pasirjaya 0.1250 460.0653 0.1196 28.9462 0.1193 33.6231
Kebonpedes 0.0625 787.1959 0.0606 43.9716 0.0606 52.4728
Baranangsiang 0.3125 217.8616 0.2965 24.9961 0.2952 28.3917
Bantarjati 0.0000 NA 0.0016 1605.8912 0.0020 1610.5174
Tegalgundil 0.1333 437.2794 0.1277 26.8959 0.1267 33.7571
Kayumanis 0.3750 185.5438 0.3555 24.9532 0.3538 28.3165
Situgede 0.2500 263.2148 0.2376 25.2231 0.2365 28.7160
Batutulis 0.1250 460.0653 0.1196 28.9462 0.1193 33.6231
Cikaret 0.0000 NA 0.0016 1605.8912 0.0020 1610.5174
Menteng 0.0000 NA 0.0016 1605.8912 0.0020 1610.5174
Kedungjaya 0.0000 NA 0.0016 1605.8912 0.0020 1610.5174
Kedunghalang 0.0625 787.1959 0.0606 43.9716 0.0606 52.4728
Cibadak 0.0000 NA 0.0016 1605.8912 0.0020 1610.5174
Cibuluh 0.0000 NA 0.0016 1605.8912 0.0020 1610.5174
Pasirmulya 0.0000 NA 0.0016 1605.8912 0.0020 1610.5174
Kedungbadak 0.1250 460.0653 0.1196 28.9462 0.1193 33.6231
Empang 0.0625 787.1959 0.0606 43.9716 0.0606 52.4728
Sindangrasa 0.0000 NA 0.0016 1605.8912 0.0020 1610.5174
Tanahbaru 0.0000 NA 0.0016 1605.8912 0.0020 1610.5174
Sindangbarang 0.1250 460.0653 0.1196 28.9462 0.1193 33.6231
Gunungbatu 0.0625 787.1959 0.0606 43.9716 0.0606 52.4728
Semplak 0.0938 575.8821 0.0885 45.8835 0.0918 35.8922
Pabaton 0.0625 787.1959 0.0606 43.9716 0.0606 52.4728
Kebonkelapa 0.1875 333.1999 0.1786 26.0160 0.1779 29.7898
Cilendek Barat 0.3125 217.8616 0.2965 24.9961 0.2952 28.3917
Lampiran 3. Nilai Dugaan Parameter Dan Menggunakan Metode Momen

Nama Desa Kriteria Kemiskinan

Bank Dunia BPS

Pamoyanan 0.0194 0.4258 0.0278 0.9274
Genteng 0.0194 0.4258 0.0278 0.9274
Harjasari 0.0194 0.4258 0.0278 0.9274
Cipaku 0.0194 0.4258 0.0278 0.9274
Batutulis 0.0194 0.4258 0.0278 0.9274
Empang 0.0194 0.4258 0.0278 0.9274
Cikaret 0.0194 0.4258 0.0278 0.9274
Sindangrasa 0.0194 0.4258 0.0278 0.9274
Katulampa 0.0194 0.4258 0.0278 0.9274
Baranangsiang 0.0194 0.4258 0.0278 0.9274
Sukasari 0.0194 0.4258 0.0278 0.9274
Bantarjati 0.0194 0.4258 0.0278 0.9274
Tegalgundil 0.0194 0.4258 0.0278 0.9274
Tanahbaru 0.0194 0.4258 0.0278 0.9274
Cimahpar 0.0194 0.4258 0.0278 0.9274
Cibuluh 0.0194 0.4258 0.0278 0.9274
Kedunghalang 0.0169 0.3480 0.0271 0.8451
Ciparigi 0.0194 0.4258 0.0278 0.9274
Babakanpasar 0.0194 0.4258 0.0278 0.9274
Tegallega 0.0194 0.4258 0.0278 0.9274
Pabaton 0.0194 0.4258 0.0278 0.9274
Kebonkelapa 0.0194 0.4258 0.0278 0.9274
Pasirmulya 0.0194 0.4258 0.0278 0.9274
Pasirjaya 0.0194 0.4258 0.0278 0.9274
Gunungbatu 0.0194 0.4258 0.0278 0.9274
Menteng 0.0194 0.4258 0.0278 0.9274
Cilendek Barat 0.0194 0.4258 0.0278 0.9274
Sindangbarang 0.0194 0.4258 0.0278 0.9274
Situgede 0.0194 0.4258 0.0278 0.9274
Semplak 0.0194 0.4258 0.0278 0.9274
Kedungwaringin 0.0194 0.4258 0.0278 0.9274
Kedungjaya 0.0194 0.4258 0.0278 0.9274
Kebonpedes 0.0194 0.4258 0.0278 0.9274
Kedungbadak 0.0376 1.6921 0.0334 2.2507
Cibadak 0.0194 0.4258 0.0278 0.9274
Kayumanis 0.0194 0.4258 0.0278 0.9274
Kencana 0.0194 0.4258 0.0278 0.9274
 Lampiran 4. Nilai MSE Berdasarkan Kriteria Bank Dunia

Nama Desa Jml Jml Jml MSE MSE Dugaan Empirical

Keluarga Keluarga Keluarga Dugaan Bayes
Miskin Yang Langsung
Tersurvey Momen Kemungkinan
maksimum
Pamoyanan 2438 16 16 0.0000 0.0068 0.0734
Genteng 1568 15 16 0.2421 0.0060 0.0644
Harjasari 2686 16 16 0.0000 0.0068 0.0734
Cipaku 2730 14 16 0.3307 0.0052 0.0559
Batutulis 2768 6 16 0.4841 0.0011 0.0100
Empang 4236 4 16 0.4330 0.0007 0.0046
Cikaret 3823 7 16 0.4961 0.0015 0.0137
Sindangrasa 2202 3 16 0.3903 0.0005 0.0028
Katulampa 4657 16 16 0.0000 0.0068 0.0734
Baranangsiang 6029 10 16 0.4841 0.0027 0.0281
Sukasari 2791 12 16 0.4330 0.0039 0.0408
Bantarjati 5082 10 16 0.4841 0.0027 0.0281
Tegalgundil 5930 8 16 0.5000 0.0018 0.0179
Tanahbaru 4326 4 16 0.4330 0.0007 0.0046
Cimahpar 3058 11 16 0.4635 0.0033 0.0342
Cibuluh 4692 5 16 0.4635 0.0009 0.0070
Kedunghalang 4440 6 15 0.4899 0.0007 0.0127
Ciparigi 4691 11 16 0.4635 0.0033 0.0342
Babakanpasar 2545 10 16 0.4841 0.0027 0.0281
Tegallega 4339 9 16 0.4961 0.0023 0.0227
Pabaton 898 1 16 0.2421 0.0004 0.0010
Kebonkelapa 2752 1 16 0.2421 0.0004 0.0010
Pasirmulya 966 6 16 0.4841 0.0011 0.0100
Pasirjaya 4189 10 16 0.4841 0.0027 0.0281
Gunungbatu 4328 3 16 0.3903 0.0005 0.0028
Menteng 3363 6 16 0.4841 0.0011 0.0100
Cilendek Barat 3284 1 16 0.2421 0.0004 0.0010
Sindangbarang 2910 3 16 0.3903 0.0005 0.0028
Situgede 1833 8 16 0.5000 0.0018 0.0179
Semplak 2504 4 16 0.4330 0.0007 0.0046
Kedungwaringin 4377 13 16 0.3903 0.0045 0.0481
Kedungjaya 2680 7 16 0.4961 0.0015 0.0137
Kebonpedes 4871 10 16 0.4841 0.0027 0.0281
Kedungbadak 5941 9 32 0.4496 0.0058 0.0023
Cibadak 3813 8 16 0.5000 0.0018 0.0179
Kayumanis 2272 8 16 0.5000 0.0018 0.0179
Kencana 2154 13 16 0.3903 0.0045 0.0481
 Lampiran 5. Nilai MSE Berdasarkan Kriteria BPS

Nama Desa Jml Jml Jml MSE MSE Dugaan Empirical

Keluarga Keluarga Keluarga Dugaan Bayes
Miskin Yang Langsung
Tersurvey Momen Kemungkinan
maksimum
Pamoyanan 2438 7 16 0.4961 0.0107 0.0137
Genteng 1568 5 16 0.4635 0.0055 0.0070
Harjasari 2686 0 16 0.0000 0.0007 0.0010
Cipaku 2730 6 16 0.4841 0.0079 0.0100
Batutulis 2768 3 16 0.3903 0.0022 0.0028
Empang 4236 0 16 0.0000 0.0007 0.0010
Cikaret 3823 0 16 0.0000 0.0007 0.0010
Sindangrasa 2202 0 16 0.0000 0.0007 0.0010
Katulampa 4657 8 16 0.5000 0.0140 0.0179
Baranangsiang 6029 4 16 0.4330 0.0036 0.0046
Sukasari 2791 3 16 0.3903 0.0022 0.0028
Bantarjati 5082 4 16 0.4330 0.0036 0.0046
Tegalgundil 5930 2 16 0.3307 0.0012 0.0016
Tanahbaru 4326 1 16 0.2421 0.0007 0.0010
Cimahpar 3058 5 16 0.4635 0.0055 0.0070
Cibuluh 4692 0 16 0.0000 0.0007 0.0010
Kedunghalang 4440 2 15 0.3399 0.0012 0.0018
Ciparigi 4691 6 16 0.4841 0.0079 0.0100
Babakanpasar 2545 4 16 0.4330 0.0036 0.0046
Tegallega 4339 2 16 0.3307 0.0012 0.0016
Pabaton 898 0 16 0.0000 0.0007 0.0010
Kebonkelapa 2752 0 16 0.0000 0.0007 0.0010
Pasirmulya 966 0 16 0.0000 0.0007 0.0010
Pasirjaya 4189 1 16 0.2421 0.0007 0.0010
Gunungbatu 4328 0 16 0.0000 0.0007 0.0010
Menteng 3363 0 16 0.0000 0.0007 0.0010
Cilendek Barat 3284 0 16 0.0000 0.0007 0.0010
Sindangbarang 2910 2 16 0.3307 0.0012 0.0016
Situgede 1833 1 16 0.2421 0.0007 0.0010
Semplak 2504 0 16 0.0000 0.0007 0.0010
Kedungwaringin 4377 0 16 0.0000 0.0007 0.0010
Kedungjaya 2680 2 16 0.3307 0.0012 0.0016
Kebonpedes 4871 1 16 0.2421 0.0007 0.0010
Kedungbadak 5941 3 32 0.2915 0.0016 0.0011
Cibadak 3813 1 16 0.2421 0.0007 0.0010
Kayumanis 2272 3 16 0.3903 0.0022 0.0028
Kencana 2154 5 16 0.4635 0.0055 0.0070