LIFE TABLE

.
id
go
ps.
.b
w
w
w
://
tp
ht
BADAN PUSAT STATISTIK, Jakarta – Indonesia

Pengembangan Model
Life Table Indonesia
.id
go
ps.
.b
w
w
w
://
tp
ht
Subdirektorat Pengembangan Model Statistik

Direktorat Analisis dan Pengembangan Statistik
PENGEMBANGAN MODEL LIFE TABLE INDONESIA
No. Publikasi : xxxxx.xxx
Katalog BPS : xxxxxxx
Ukuran Buku : 17,5 cm x 25 cm
Jumlah Halaman : viii + 94
Naskah:
.id
Gambar Kulit:
go
s.
Diterbitkan oleh:
p
Badan Pusat Statistik, Jakarta – Indonesia

.b
w
Dicetak oleh:
w
CV. Rioma
w
://
tp
ht
Boleh dikutip dengan menyebut sumbernya

Pengembangan Model
Life Table Indonesia
Pengarah:
Suhariyanto
Editor:
Sodikin Baidowi
Agus Marzuki
Waris Marsisno
Penulis:
.id
Agus Marzuki
Usman Bustaman
go
Sri Hartini Rachmad
Wahyuni Andriana Sofa
p s.
.b
Pengolahan Data/Penyiapan Draft:

Usman Bustaman
w
Wahyuni Andriana Sofa

w
w
://
tp
ht
KATA PENGANTAR
Mortalitas atau kematian merupakan salah satu di antara tiga

komponen demografi yang dapat mempengaruhi perubahan penduduk
selain fertilitas dan migrasi. Informasi tentang kematian sangat diperlukan
pemerintah dan swasta dalam bidang ekonomi dan kesehatan. Informasi
tentang tingkat kematian dapat dimanfaatkan untuk menyusun proyeksi
penduduk dan indikator lainnya, yang pada gilirannya dapat menjadi
masukan dalam perencanaan dan evaluasi pembangunan di bidang
pendidikan, kesehatan, perumahan, jasa asuransi dan bidang lainnya.
Tingkat kematian dapat diperoleh secara langsung (direct method)
dari hasil registrasi penduduk atau secara tidak langsung (indirect method)
melalui teknik-teknik demografi dan statistik berdasarkan data sensus atau
survei. Data tingkat kematian dapat dijadikan dasar dalam penyusunan tabel
.id
kematian (life table). Saat ini, dari sistem registrasi penduduk di Indonesia
belum memungkinkan untuk diperoleh data tingkat kematian yang akurat.
go
Oleh karena itu perlu dilakukan kajian penyusunan life table yang tidak
s.
terlalu bergantung kepada data tingkat kematian. Salah satu pendekatan
p
yang bisa digunakan adalah dengan memanfaatkan rasio kelangsungan

.b
hidup (survival ratio).

w
Publikasi ini menyajikan hasil penyusunan life table Indonesia dengan

w
pendekatan survival ratio penduduk tahun 2000-2010, evaluasi jumlah

w
penduduk Indonesia tahun 2000 dan evaluasi terhadap laju pertumbuhan

penduduk Indonesia 2000-2010. Publikasi ini merupakan kajian awal dan
://
masih diperlukan kajian lanjutan.

tp
Akhirnya, disampaikan terima kasih dan penghargaan kepada tim

ht
penyusun dan semua pihak yang telah berpartisipasi dalam penyusunan

publikasi ini. Disadari masih banyak kekurangan dalam publikasi ini, oleh
karena itu kritik dan saran dari berbagai pihak sangat diharapkan untuk
perbaikan dan penyempurnaan publikasi ini.
Jakarta, November 2011
Deputi Bidang Neraca dan

Analisis Statistik,
Dr. Slamet Sutomo

NIP: 195203221974031001
Pengembangan Model Life Table Indonesia i

ht
tp
://
w
w
w
.b
p s.
go
.id
DAFTAR ISI
Kata Pengantar ………………………………………………………………………….…. i

Daftar Isi …………………………………………………………………………………... iii
Daftar Tabel …………………………………….………………………………………… v
Daftar Gambar ……………………………………………………………………………… vii
Bab 1. Pendahuluan ………………………………………………………………………. 1

1.1 Latar Belakang …………………………..………………………………………. 1
1.2 Tujuan Penulisan ………………………………………………………………… 4
1.3 Ruang Lingkup ……………………………..……………………………………. 4
1.4 Sistematika Penulisan ………………….…………………………………… 4
.id
Bab 2. Tinjauan Pustaka …………………………..………………………………….. 5
2.1 Metode Proyeksi ………………………….………………………………….. 5
go
2.1.1 Metode Matematika ……………………….…………………………………. 5
s.
2.1.2 Metode Komponen ………………………………………………………. 7
p
2.2 Metode Rasio Kelangsungan Hidup (Survival Ratio) ………. 9

.b
2.3 Life Table …………………………………………………..…………………… 9

w
2.3.1 Definisi Life Table …………………………………….……………………… 10

w
2.3.2 Asumsi Life Table …………………………………………………………….. 10

w
2.3.3 Jenis Life Table ………………………………………….………………………. 10

2.3.4 Notasi dan Fungsi dalam Life Table …………………………………… 11
://
2.3.5 Model Life Table ……………………………………………………………. 12

tp
2.4 Interpolasi Lagrange ………………………………………………………. 13

ht
Bab 3. Metodologi …………………………………………………………………… 15

3.1 Sumber Data dan Cakupan Penelitian …………………………….. 15
3.2 Metode Analisis …………………………………………………………….. 15
3.2.1 Graduasi Data dengan Metode Interpolasi ……………………. 16
a. Metode Brass Logit (1971) ……………………………………………. 16
b. Metode Elandt-Johnson (1980) ……………………………………… 17
c. Metode Heligman-Pollard (1980) ………………………………….. 19
d. Metode Kostaki (2000) …………………………………………………… 22
3.2.2 Pemilihan Metode Interpolasi Terbaik …………………………… 22
a. Absolute Error (AE) ……………………………………………………… 22
b. Mean Absolute Error (MAE) ………………………………………….. 22
c. Koefisien Determinasi (R2) ……………………………………………… 23
Pengembangan Model Life Table Indonesia iii

d. Root Mean Square Error (RMSE) ………………………………… 23
3.2.3 Graduasi Data dengan Metode Regresi ………………………… 23
a. Persamaan Regresi ……………………………………………………… 24
b. Estimasi Parameter ……………………………………………………… 24
c. Pengujian Persamaan regresi …………………………………………. 25
d. Goodness of Fit Statistics ……………………………………………….. 26
3.3 Kerangka Pikir ……………………………………………………………….. 26
Bab 4. Pembahasan …………………………………………………………………. 29

4.1 Pemilihan Metode Interpolasi Tabel Kematian Ringkas
Indonesia …………………………………………………………………….. 29
4.2 Penyusunan Life Table Indonesia Berdasarkan Hasil Sensus
Penduduk 2000- 2010 …………………………………………………. 40
4.2.1 Graduasi Nilai SR dengan Pendekatan Demografi …………… 42
.id
4.2.2 Graduasi Nilai SR dengan Pendekatan Statistik ………………. 46
4.3 Evaluasi Proyeksi Penduduk ……………………………………….. 52
go
4.1.1 Struktur Penduduk menurut Umur dan Jenis Kelamin
s.
Indonesia 1990-2010 …………………………………………………… 52
p
4.3.2 Evaluasi Census Survival Ratio Indonesia 2000-2010 ………….. 58

.b
4.3.3 Hasil Koreksi Perubahan Laju Pertumbuhan dan Struktur Penduduk

w
2000-2010 ………………………………………………………………………. 61
w
w
Bab 5. Kesimpulan dan Saran …………………………………………………… 63

5.1 Kesimpulan …………………………………………………………………….. 63
://
5.2 Saran …………………………………………………………………………. 64

tp
ht
Daftar Pustaka …………………………………………………………………………….. 65
Lampiran 1. Abriged Life Table Indonesia (Coale Demeny West Model) 67

Lampiran 2. Pemilihan Negara Acuan …………………………………………… 69
Lampiran 3. Tabel Kematian Negara Acuan (Ringkas dan Lengkap) 73
Lampiran 4. Hasil Interpolasi Life Table Negara Acuan dengan
Metode Heligman-Pollard …………….…………………………… 81
Lampiran 5. Hasil Interpolasi Life Table Negara Acuan dengan
Metode Elandt-Johnson ………………..…………………………… 84
Lampiran 6. Graduasi Data Indonesia dengan Metode Interpolasi
Elandt-Johnson …………………………….…………………………… 89
iv Pengembangan Model Life Table Indonesia

DAFTAR TABEL
Tabel 1. Penghitungan Level Interpolasi Tabel Kematian Laki-laki dan

Perempuan, Tahun 2000 ………………………………………………….. 30
Tabel 2. Estimasi Parameter dalam Kurva Kematian Heligman Pollard

untuk Kematian Penduduk Laki-Laki Estonia (1962) dan
Penduduk Perempuan Hungaria (1960) …………………………. 34
Tabel 3. Nilai koefisien untuk umur tahun dengan

……………….. 37
Tabel 4. Nilai koefisien untuk menghitung dengan umur

tahun ……………………………………………………………………………. 38
.id
Tabel 5. Perbandingan Tingkat Kesesuaian antar Metode pada Laki-laki
dan Perempuan go
…………………………………………………………… 39
s.
Tabel 6. Penduduk Laki-Laki di Indonesia menurut Kelompok Umur
p
Tahun 2000-2010 …………………………………………………………… 41

.b
w
Tabel 7. Penduduk Perempuan di Indonesia menurut Kelompok Umur

w
Tahun 2000-2010 ………………………………………………………… 41

w
://
Tabel 8. Nilai SR Tabel Coale Demeny Model Barat pada Level 20.778
tp
dan 20.8 serta Perkiraan Jumlah Penduduk Menurut Kelompok

ht
Umur pada Tahun 2000 ………………………………………………… 44
Tabel 9. Nilai SR Observasi untuk Laki-laki dan Perempuan ……….. 47
Tabel 10. Summary Statistics Hasil Pengujian dengan 7 Alternatif Model

Regresi untuk Rasio Kelangsungan Hidup Laki-Laki ………. 48
Tabel 11. Estimasi Tabel Kematian Laki-Laki Menggunakan Pendekatan

Statistik ……………………………………………………………………….. 49

Regresi untuk Rasio Kelangsungan Hidup Perempuan ……. 50
Tabel 13. Estimasi Tabel Kematian Perempuan Menggunakan Pendekatan

Statistik ………………………………………………………………………... 51
Pengembangan Model Life Table Indonesia v

Tabel 14. Rasio Jenis Kelamin Penduduk Indonesia Menurut Kelompok
Umur, 1990 – 2010 ………………………………………………………. 56
Tabel 15. Jumlah Penduduk Indonesia berdasarkan Sensus Penduduk

2000 – 2010 …………………………………………………………………. 59
Tabel 16. Koreksi Jumlah Penduduk Indonesia Tahun 2000 Menggunakan

Pendekatan Demografi dan Statistik ……………………………. 60
Tabel 17. Angka Kelangsungan Hidup Penduduk Indonesia Tahun 2000

Hasil Koreksi Menggunakan Metode Graduasi Survival Ratio 60
Tabel 18. Jumlah dan Pertumbuhan Penduduk Indonesia Tahun 2000

Berdasarkan Hasil Sensus dan Koreksi Graduasi Survival
Ratio ……………………………………………………………………………… 61
.id
go
p s.
.b
w
w
w
://
tp
ht
vi Pengembangan Model Life Table Indonesia

DAFTAR GAMBAR
Gambar 1. Kurva Graduasi Peluang Kematian ( ) dan Tiga

Komponennya ……………………………………………………………. 20
Gambar 2. Kerangka Pikir Pengembangan Model Life Table Indonesia 28
Gambar 3. Nilai SR Tabel Kematian Ringkas Indonesia (Coale Demeny

Model Barat) pada Level 20.78 (Laki-laki) dan 20.8
(Perempuan), Tahun 2000 …………………………………………. 31
Gambar 4. Perbandingan SR Indonesia (Coale Demeny Model Barat)

dengan Negara Berkembang Lainnya dari Tabel Kematian
.id
Laki-Laki, Tahun 2000 ……………………………………………….. 32
go
Gambar 5. Perbandingan SR Indonesia (Coale Demeny Model Barat)
s.
dengan Negara Berkembang Lainnya dari Tabel Kematian
p
Perempuan, Tahun 2000 ……………………………………………….. 33

.b
w
Gambar 6. Kurva Kelangsungan Hidup ( ) laki-laki untuk Nilai Observasi

w
dan Perkiraan Menggunakan Metode Heligman Pollard … 35

w
://
Gambar 7. Kurva Kelangsungan Hidup ( ) Perempuan untuk Nilai

tp
Observasi dan Perkiraan Menggunakan Metode Heligman

ht
Pollard ……………………………………………………………………….. 36
Gambar 8. Kurva Kelangsungan Hidup ( ) Laki-Laki untuk Nilai Observasi

dan Perkiraan Menggunakan Metode Elandt-Johnson …… 38

Observasi dan Perkiraan Menggunakan Metode
Elandt-Johnson ………………………………………………………….. 39
Gambar 10. Nilai SR Penyusun Tabel Kematian dengan Pendekatan

Model Coale Demeny Barat …………………………………………. 46
Gambar 11. Hubungan Umur (x) dengan Rasio Kelangsungan Hidup… 47
Pengembangan Model Life Table Indonesia vii

Gambar 12. Angka Harapan Hidup Laki-laki dan Perempuan dengan
Dua Pendekatan …………………………………………………………. 51
Gambar 13. Piramida Penduduk Indonesia Hasil Sensus Penduduk

1990 2010 …………………………………………………………………. 53
Gambar 14. Komposisi Penduduk Indonesia Tahun 1990 2010 ……… 55
Gambar 15. Rasio Jenis Kelamin Penduduk Indonesia, 1990 – 2010 ….. 56
Gambar 16. Angka Ketergantungan Penduduk Indonesia, 1990 -2010 57
Gambar 17. Piramida Penduduk Indonesia Hasil Sensus Penduduk 2000

vs Estimasi dengan Metode Graduasi Survival Ratio ………. 62
.id
go
p s.
.b
w
w
w
://
tp
ht
viii Pengembangan Model Life Table Indonesia

ht
tp
://
w
w
w
.b
ps
.g
o .id
Bab 1. Pendahuluan
1.1. Latar Belakang
Dalam kurun waktu beberapa tahun terakhir, masalah kependudukan

menjadi salah satu topik menarik untuk didiskusikan, baik dalam media
massa maupun dalam forum ilmiah. Hal ini menunjukkan bahwa masyarakat
sudah mulai menyadari akan pentingnya masalah kependudukan.
Bertambahnya jumlah penduduk ternyata seiring dengan munculnya
berbagai permasalahan menuntut penanganan serius untuk menghindari
berbagai dampak buruk di berbagai lini kehidupan. Dengan tidak
terkendalinya jumlah penduduk akan berdampak kepada sulitnya
.id
pemenuhan kebutuhan pangan, sandang dan papan serta pemenuhan
go
kebutuhan lainnya. Jika tidak dibuat perencanaan yang matang tentang
kebijakan kependudukan di masa mendatang, dapat dipastikan akan
s.
menimbulkan permasalahan yang lebih kompleks. Untuk itu para pemakai
p
data kependudukan, khususnya para perencana, pengambil kebijakan, dan

.b
peneliti sangat membutuhkan data penduduk yang berkesinambungan dari

w
tahun ke tahun. Selain berkesinambungan, data kependudukan yang

w
tersedia diharapkan lebih lengkap dan up to date sehingga dapat dijadikan

w
acuan untuk pengambilan kebijakan.

://
Selama ini sumber data penduduk yang tersedia secara periodik hanya
tp
Sensus Penduduk (SP) dan Survei Penduduk Antar Sensus (SUPAS). Sumber
ht
data kependudukan lain yaitu registrasi penduduk masih belum sempurna

cakupan pencatatannya sehingga belum dapat secara optimal dimanfaatkan
untuk analisis dan pengambilan kebijakan kependudukan.
Seperti diketahui, hampir semua rencana pembangunan memerlukan
dukungan data kependudukan. Data yang diperlukan tidak hanya
menyangkut keadaan pada waktu rencana itu disusun, tetapi juga informasi
masa lampau dan yang lebih penting lagi adalah informasi perkiraan pada
waktu yang akan datang. Data penduduk pada waktu yang lalu dan waktu
kini sudah dapat diperoleh dari hasil-hasil survei dan sensus, sedangkan
untuk memenuhi kebutuhan data penduduk pada masa yang akan datang
perlu dibuat proyeksi penduduk yaitu perkiraan jumlah penduduk dan
komposisinya di masa mendatang. Proyeksi penduduk merupakan ramalan
jumlah penduduk melalui perhitungan ilmiah yang didasarkan pada asumsi
dari komponen-komponen laju pertumbuhan penduduk, yaitu kelahiran,
Pengembangan Model Life Table Indonesia 1

kematian dan perpindahan (migrasi). Ketiga komponen inilah yang
menentukan perkiraan besarnya jumlah penduduk dan struktur umur
penduduk di masa yang akan datang.
Mortalitas atau kematian merupakan salah satu diantara tiga
komponen proses demografi yang berpengaruh terhadap struktur
penduduk. Komponen lainnya adalah fertilitas dan migrasi. Tinggi
rendahnya tingkat mortalitas di suatu negara tidak hanya mempengaruhi
pertumbuhan penduduk, tetapi juga bisa dijadikan sebagai barometer dari
tinggi rendahnya tingkat kesehatan di negara tersebut. Kasus kematian,
terutama dalam jumlah yang signifikan berkaitan dengan masalah sosial,
ekonomi, adat istiadat maupun masalah kesehatan lingkungan. Indikator
kematian berguna untuk memonitor kinerja pemerintah pusat maupun
lokal dalam peningkatan kesejahteraan masyarakat (Budi Utomo, 1985).
Sejauh ini, secara statistik, ukuran yang pada umumnya digunakan
.id
untuk mengamati tingkat kematian penduduk adalah jumlah kematian dari
kelompok paling rentan yaitu angka kematian bayi (AKB) dan angka
go
kematian ibu (AKI). AKB dan AKI merupakan indikator yang
s.
menggambarkan keadaan sosial ekonomi masyarakat di suatu negara.
p
Informasi mengenai AKB dan AKI antara lain dimanfaatkan untuk

.b
pengembangan program peningkatan kesehatan yang semuanya bertujuan

w
untuk meningkatkan derajat kesehatan masyarakat. Dengan berkurangnya

w
AKB dan AKI maka meningkat pula harapan hidup masyarakat di suatu
w
negara. Oleh karena itu AKB dan AKI merupakan salah satu komponen
penting dalam penghitungan Angka Harapan Hidup (AHH).
://
AHH merupakan alat untuk mengevaluasi kinerja pemerintah dalam

tp
meningkatkan kesejahteraan penduduk. Selain itu, AHH juga merupakan

ht
salah satu indikator pembentuk Indeks Pembangunan Manusia (IPM).

Idealnya, AHH dihitung berdasarkan angka kematian menurut umur (Age
Specific Death Rate/ASDR) dengan data yang diperoleh dari catatan
registrasi kematian secara bertahun-tahun (direct method). Tetapi karena
sistem registrasi penduduk di Indonesia belum berjalan dengan baik maka
untuk menghitung AHH digunakan metode tidak langsung dari hasil sensus
atau survei (indirect method).
AHH juga dapat dijadikan dasar dalam penyusunan tabel kematian (life
table) yang terdiri dari beberapa komponen seperti jumlah penduduk yang
meninggal dunia pada umur tertentu, peluang seseorang meninggal dunia
sebelum mencapai umur tertentu dan angka harapan hidup seseorang
menurut umur. Tabel kematian adalah suatu tabel yang menggambarkan
riwayat kematian penduduk menurut kelompok umur tertentu yang
2 Pengembangan Model Life Table Indonesia

perlahan-lahan berkurang jumlahnya akibat kematian. Tabel kematian
sederhana pertama kali diperkenalkan oleh John Graunt pada pertengahan
abad 17 yang telah melakukan observasi dengan menggunakan data
kematian London. Tabel kematian moderen pertama kali diperkenalkan oleh
Edmund Halley pada tahun 1693 berdasarkan data registrasi kelahiran dan
kematian dari kota Breslau pada tahun 1687-1691 dengan asumsi bahwa
populasi stasioner, yang selanjutnya dikembangkan oleh Milne pada tahun
1815 (Siegel dan Swanson 2004).
Menurut Mantra (2003), tabel kematian adalah gambaran ringkas
tentang pengaruh angka kematian pada umur tertentu pada kohor
kelahiran, atau sejarah kehidupan suatu kohor yang berangsur-angsur
berkurang jumlahnya karena kematian. Kohor adalah sekelompok penduduk
yang dalam perjalanan hidupnya dipengaruhi oleh faktor-faktor yang sama,
sedangkan kohor kelahiran merupakan salah satu jenis kohor yang
.id
didefinisikan sebagai sekelompok penduduk yang lahir pada waktu yang
sama.
go
Idealnya, tabel kematian diperoleh melalui registrasi penduduk atau
s.
Sensus Penduduk (SP) yang menanyakan tingkat kematian penduduk. Dari
p
semua Sensus Penduduk (SP) yang dilaksanakan sejak tahun 1961, hanya
.b
dalam SP2010 saja yang memuat pertanyaan tentang tingkat kematian

w
penduduk. Semula dalam kajian ini akan digunakan tingkat kematian hasil
w
SP2010, namun hingga saat ini data tersebut masih dalam proses validasi
w
dan belum dapat digunakan. Oleh karena itu kajian ini menggunakan
pendekatan dengan metode Rasio Kelangsungan Hidup (Survival Ratio).
://
Menurut Suhaimi (2011), metode survival ratio memiliki beberapa

tp
keunggulan antara lain dapat digunakan untuk mengukur derajat kesehatan,

ht
mudah dipahami atau diinterpretasikan, proses penghitungannya sangat

sederhana, dan data dasarnya, yaitu penduduk menurut umur dan jenis
kelamin, mudah diakses karena merupakan data pokok kependudukan.
Hasil pengamatan terhadap nilai survival ratio berdasarkan data
SP2000 dan 2010 menunjukkan adanya ‘ketidakwajaran’ untuk beberapa
kelompok umur. Hal ini diduga sebagai akibat dari undercoverage data
jumlah penduduk hasil sensus. Menurut hasil Evaluasi Pasca Sensus
Penduduk 2000 tingkat undercoverage mencapai 15% rumah tangga
(metode Chandra Deming) dan 12% rumah tangga (metode Uttam Chand).
Untuk itu dalam kajian ini dilakukan proses graduasi atau penghalusan data
melalui dua pendekatan yaitu demografi dan statistik. Tujuannya agar
diperoleh jumlah penduduk Indonesia tahun 2000 “yang seharusnya” untuk
menutupi jumlah undercoverage tersebut.

Dengan diperolehnya jumlah penduduk “yang seharusnya”, maka
dapat disusun life table Indonesia tahun 2000 dan diperoleh laju
pertumbuhan penduduk yang sesuai. Hasil inilah yang kemudian digunakan
untuk menyusun model life table yang dapat digunakan untuk forecasting
dan backcasting jumlah penduduk.
1.2. Tujuan Penulisan
Tujuan penulisan pengembangan model life table Indonesia tahun

2000 adalah:
a. Mendapatkan model interpolasi abridged life table (tabel kematian
ringkas) yang terbaik untuk menyusun complete life table (tabel
kematian lengkap).
b. Menyusun life table Indonesia tahun 2000 dengan metode Rasio
Kelangsungan Hidup (Survival Ratio) melalui pendekatan demografi dan
.id
statistik.
go
c. Mendapatkan estimasi jumlah penduduk Indonesia tahun 2000 dan laju
pertumbuhan penduduk Indonesia tahun 2000-2010.
p s.
.b
1.3. Ruang Lingkup

w
Ruang lingkup penulisan hanya membahas penyusunan life table

w
Indonesia tahun 2000, evaluasi jumlah penduduk Indonesia menurut umur

w
dan jenis kelamin tahun 2000 dan evaluasi laju pertumbuhan penduduk
://
Indonesia tahun 2000-2010. Cakupan datanya hanya pada level nasional dan
tp
belum sampai pada level provinsi atau kabupaten/kota.

ht
1.4. Sistematika Penulisan
Kajian ini terdiri dari 5 bab yaitu bab 1 tentang pendahuluan dan latar
belakang penulisan, bab 2 tentang tinjauan pustaka yang diambil sebagai
referensi dalam penulisan ini, bab 3 tentang metodologi yang digunakan
dalam penulisan ini, bab 4 tentang analisis dan pembahasan serta bab 5
tentang kesimpulan dan saran.

ht
tp
://
w
w
w
.b
ps
.g
o .id
Bab 2. Tinjauan Pustaka
Model demografi merupakan fungsi atau sekelompok fungsi

matematika dari beberapa variabel demografi yang terukur dan
dimaksudkan untuk menyajikan suatu proses demografi. Tujuan utama dari
suatu model adalah menyajikan realitas yang kompleks ke dalam bentuk
yang sederhana dan mudah dimengerti. Dengan kata lain, suatu model
hanyalah merupakan pendekatan atau aproksimasi terhadap dunia nyata,
yang ketepatannya akan sangat tergantung pada beberapa faktor terkait.
Salah satu model demografi yang sering digunakan adalah model
proyeksi, yaitu model yang digunakan untuk menghitung perkiraan dan
.id
proyeksi jumlah penduduk untuk waktu yang akan datang. Penghitungan
proyeksi penduduk dilakukan dalam upaya memenuhi kebutuhan data
go
penduduk yang bersifat kekinian, berkesinambungan dan perkiraan yang
akan datang. Mengingat jeda waktu (time lag) pengumpulan data
s.
kependudukan relatif lama, 10 tahun untuk sensus dan 5 tahun untuk survei
p
.b
antar sensus, maka penghitungan perkiraaan dan proyeksi penduduk

w
menjadi penting.
w
2.1 Metode Proyeksi

w
://
Terdapat dua metode pendekatan yang dapat digunakan untuk

tp
melakukan proyeksi penduduk, yaitu metode matematika dan metode

komponen.
ht
2.1.1. Metode Matematika

Dalam metode matematika, estimasi terhadap jumlah penduduk di
masa mendatang dilakukan berdasarkan jumlah penduduk pada tahun
tertentu dan asumsi laju pertumbuhan yang diperlakukan sebagi fungsi
waktu. Laju pertumbuhannya sendiri bisa diperoleh berdasarkan observasi
terhadap pola di masa lalu atau mengambil analog terhadap pola
pertumbuhan di wilayah lain yang diyakini memiliki kondisi serupa dengan
wilayah yang estimasi. Estimasi dengan model matematika dapat dilakukan
untuk pertumbuhan neto jumlah penduduk, atau melalui pertumbuhan
masing-masing komponen laju kelahiran, kematian, dan migrasi.
Sebutan sebagai model matematika didasarkan pada kenyataan
bahwa komponen utama model adalah laju pertumbuhan sebagai fungsi

waktu. Artinya, jumlah penduduk di masa depan sangat ditentukan oleh laju
pertumbuhannya, bukan oleh berbagai faktor demografi terkait lain.
Model matematika untuk proyeksi penduduk antara lain terdiri dari
model aritmatika, model geometrika, dan model eksponensial.
1. Metode Aritmatika
Metode aritmatika menggunakan asumsi bahwa penambahan
penduduk secara absolut akan sama setiap tahun. Formula yang digunakan
untuk menghitung jumlah penduduk adalah:
(1)
dengan
Keterangan:
= jumlah penduduk pada tahun t
.id
= jumlah penduduk pada tahun dasar
= laju pertumbuhan penduduk go
= periode waktu antara tahun dasar dan tahun t (dalam tahun)
p s.
2. Metode Geometrik
.b
Proyeksi penduduk dengan metode geometrika menggunakan asumsi

w
bahwa jumlah penduduk akan bertambah mengikuti deret geometrik

w
dengan laju pertumbuhan yang sama setiap tahun. Cara penghitungannya

w
mengikuti prinsip perhitungan bunga majemuk (Adioetomo dan Samosir,

://
2010). Formula penghitungannya:

tp
ht
(2)
dengan
Keterangan:
= laju pertumbuhan penduduk
3. Metode Eksponensial
Metode eksponensial menggunakan asumsi bahwa pertambahan
penduduk terjadi secara sedikit demi sedikit sedikit sepanjang tahun
(Adioetomo dan Samosir, 2010). Asumsi ini berbeda dengan asumsi dalam

metode geometrik, yang menganggap bahwa pertambahan penduduk hanya
terjadi pada satu saat selama kurun waktu tertentu. Formula penghitungan
proyeksi dengan metode eksponensial adalah:
(3)
dengan
Keterangan:
= laju pertumbuhan penduduk
= bilangan pokok dari sistem logaritma natural (ln) yang besarnya
.id
adalah 2,7182818
go
Berdasarkan formula penghitungan untuk ketiga metode yang telah
s.
diuraikan, dapat diturunkan formula untuk menghitung waktu yang
p
diperlukan untuk mencapai kelipatan jumlah penduduk tertentu. Misalnya,

.b
waktu yang diperlukan untuk mencapai jumlah penduduk dua kali lipat dari
w
jumlah penduduk tahun dasar (doubling time) dengan metode aritmatika,

w
geometrika dan eksponensial adalah sebagai berikut:

w
aritmatik:
://
geometrik:
tp
eksponensial:
ht
2.1.2. Metode Komponen

Perubahan jumlah penduduk di suatu wilayah pada dasarnya
dipengaruhi oleh faktor alamiah dan non-alamiah. Faktor alamiah terjadi
melalui proses kelahiran dan kematian. Sementara yang non-alamiah
mencakup kejadian migrasi masuk dan migrasi keluar. Proyeksi penduduk
dengan metode komponen memperhitungkan semua faktor tersebut.
Formula proyeksi dengan metode komponen adalah:
– (4)
Keterangan:
Pt = jumlah penduduk pada tahun t

P0 = jumlah penduduk pada tahun dasar
L = Jumlah kelahiran
M = Jumlah kematian
Untuk jangka waktu proyeksi yang relatif pendek (kurang dari lima
tahun), kedua pendekatan (metode matematika dan metode komponen)
akan memberikan hasil proyeksi yang relatif sama. Hal ini berdasarkan
kenyataan bahwa dalam jangka pendek, proses kelahiran, kematian dan
perpindahan (migrasi) penduduk pada umumnya tidak mengalami
perubahan signifikan. Akan tetapi kondisinya akan berbeda untuk jangka
waktu yang relatif lebih lama; karena kelahiran, kematian dan migrasi pada
umumnya telah berubah, baik dalam hal pola maupun levelnya. Artinya,
untuk periode proyeksi yang relatif panjang, pengaruh dari masing-masing
komponen determinan jumlah penduduk menjadi signifikan. Itulah
.id
sebabnya, untuk jangka waktu yang relatif panjang, penggunaan metode
komponen relatif lebih tepat dibandingkan dengan metode matematika.
go
Berdasarkan perlakuan terhadap komponen migrasinya, metode
s.
komponen dapat dibedakan menjadi dua, yaitu pendekatan demografi
p
.b
uniregional dan pendekatan demografi multiregional (Adioetomo dan

Samosir, 2010). Pendekatan demografi uniregional yang dimaksudkan
w
adalah dengan memperlakukan angka migrasi bersih total tanpa

w
memperhatikan ke mana dan dari mana arus migrasi yang terjadi di suatu
w
daerah. Sementara dalam pendekatan demografi multiregional, setiap

://
migrasi masuk ke suatu daerah diperlakukan sebagai migrasi keluar dari

tp
daerah asal. Begitu juga migrasi keluar dari suatu daerah diperlakukan
ht
sebagai migrasi masuk di daerah tertentu.
Walaupun diyakini bahwa pendekatan demografi regional akan

mampu memberikan perkiraan yang lebih baik tentang komponen migrasi
neto, tetapi tuntutan datanya tidak selalu mudah untuk dapat dipenuhi.
Berdasarkan pertimbangan ini pula, maka dalam kajian ini akan digunakan
pendekatan demografi uniregional.
Metode komponen memungkinkan diperoleh proyeksi penduduk

menurut umur dan jenis kelamin berdasarkan data tingkat kelahiran,
kematian, dan perpindahan pada setiap kohor. Untuk penyusunan proyeksi
ini diperlukan data dasar sebagai berikut:
a. Distribusi penduduk menurut umur dan jenis kelamin yang telah

dirapikan (smoothing)

b. Pola mortalitas
c. Pola fertilitas menurut umur
d. Rasio jenis kelamin saat lahir
e. Proporsi migrasi menurut umur
2.2 Metode Rasio Kelangsungan Hidup (Survival Ratio)

Rasio kelangsungan hidup (survival ratio, SR) untuk suatu kelompok
umur menunjukkan proporsi penduduk usia di awal kelompok umut
tersebut yang akan bertahan hidup pada usia di akhir interval kelompok
umur yang bersangkutan. Misalnya, SR30-35 = 0,995 menunjukkan bahwa 99,5
persen penduduk umur 30 tahun akan dapat mencapai umur 35 tahun.
Rasio kelangsungan hidup pada umumnya dihitung untuk lima

tahunan dan 10 tahunan. Penghitungan rasio lima tahunan dilakukan untuk
kepentingan proyeksi penduduk, sementara rasio 10 tahunan pada
.id
umumnya digunakan untuk estimasi migrasi neto.
go
Terdapat dua pendekatan yang bisa digunakan untuk memperoleh
s.
rasio kelangsungan hidup, yaitu (1) menggunakan life table dan (2)
p
menggunakan data sensus. Dari life table dapat diperoleh rasio

.b
kelangsungan hidup lima tahunan. Sementara dari data sensus penduduk

w
(umumnya hanya dilakukan sekali dalam 10 tahun) dapat diperoleh rasio

w
kelangsungan hidup untuk periode lima dan sepuluh tahunan.

w
Keunggulan proyeksi penduduk dengan menggunakan rasio

://
kelangsungan hidup adalah selain dapat dilakukan proyeksi menurut

tp
kelompok umur, dapat juga disusun proyeksi penduduk menurut jenis

ht
kelamin. Kelemahannya adalah proses penghitungannya memerlukan

langkah yang relatif kompleks dan memerlukan data yang rinci menurut
jenis kelamin dan kelompok umur.
2.3 Life Table

Life Table pertama kali dilakukan perhitungan oleh John Grount pada
abad ke-17 untuk memenuhi kebutuhan akan sulitnya menghitung
perkiraan jumlah penduduk pada tingkat nasional maupun regional saat itu.
Seiring perkembangan zaman dan waktu, life table secara luas dipergunakan
untuk melakukan analisa kerja demografi dan terkenal dengan sebutan
‘metode life table’.

2.3.1 Definisi Life Table
Life Table (tabel kematian) merupakan suatu tabel yang berisi data
mengenai kelompok penduduk tertentu yang masih hidup yang dapat
dipergunakan untuk menyelsaikan berbagai masalah demografis (UNs –
Manual X 1982, Pollard 1974 dan Hinde 1998). Dengan menggunakan tabel
kematian dapat diperkirakan seberapa besar kemungkinan seseorang dalam
usia tertentu akan mencapai usia tertentu atau akan meninggal pada umur
tertentu, selain dapat pula diperkirakan probabilitas hidup atau kematian
lain yang sifatnya lebih kompleks.
2.3.2 Asumsi Life Table

Asumsi-asumsi yang digunakan dalam penghitungan life table pada
dasarnya merujuk pada sifat dan ciri yang secara prinsip berlaku pada
penduduk stasioner (stationary population). Penduduk stasioner yang
.id
dimaksudkan adalah penduduk yang stabil (kelahiran dan kematiannya
konstan) dengan jumlah kelahiran sama dengan jumlah kematian.
go
Berdasarkan hal ini maka asumsi dalam penghitungan life table adalah:
s.
a. Kohor hanya berkurang secara berangsur-angsur karena kematian dan
p
tidak ada migrasi masuk dan keluar (closed migration). Kohor

.b
merupakan sekelompok orang yang mempunyai pengalaman waktu

w
yang sama dari suatu peristiwa tertentu (dalam hal ini lahir pada tahun
w
yang sama).
w
b. Kematian penduduk mengikuti pola tertentu yang tetap menurut umur.

://
c. Kohor berasal dari suatu radiks tertentu, misalnya 1.000, 10.000 atau
tp
100.000
d. Pada tiap tingkat umur rata-rata orang meninggal mencapai
ht
pertengahan antara dua tingkat umur berturut-turut.
2.3.3 Jenis Life Table

Ditinjau dari referensi tahun berlakunya, life table diklasifikasi
menjadi dua, yaitu:
Period (Population) Life Table yang dapat digunakan untuk melakukan
analisis terhadap kondisi mortalitas penduduk berdasarkan pengalaman
mortalitas pada periode waktu tertentu (misalnya satu tahun, tiga tahun,
atau di antara dua periode). Period Life Table disebut juga dengan
Current Life Table karena menggambarkan mortalitas penduduk yang
sekarang berlaku.
Cohort (Generation) Life Table adalah pengalaman nyata kelangsungan
hidup suatu kelompok atau kohor dari individu-individu yang lahir pada

tahun yang sama atau disebut dengan Generation atau Longitudinal Life
Table karena merupakan riwayat hidup suatu kohor sampai dengan
kematiannya.
Kedua jenis life table tersebut dapat disusun ke dalam tabel lengkap
dan tabel ringkas. Tabel kematian singkat (abridged life table) meliputi
seluruh umur tetapi tidak dirinci secara tahunan, melainkan menurut
kelompok umur dengan jenjang tertentu, seperti: 5 tahunan dan 10 tahunan.
Sedangkan Tabel Kematian Lengkap (complete life table) merupakan suatu
tabel yang di buat secara lengkap, disajikan dalam interval tahunan.
Dalam kajian ini hanya akan disusun tabel kematian jenis pertama,
yaitu Period (Population) Life Table. Pertimbangannya adalah karena yang
dibutuhkan adalah tabel kematian yang dapat menggambarkan kondisi
mortalitas suatu penduduk pada periode waktu tertentu.
.id
2.3.4 Notasi dan Fungsi dalam Life Table
go
Notasi dan fungsi yang digunakan dalam life table antara lain adalah:
s.
: jumlah penduduk yang bertahan hidup hingga mencapai umur
p
tepat
.b
w
: banyaknya kematian antara umur hingga

w
(5)
w
: banyaknya kematian antara umur hingga

://
tp
(6)
ht
: peluang seseorang tepat berumur akan meninggal sebelum

mencapai umur
(7)
: peluang seseorang tepat berumur akan meninggal sebelum

mencapai umur
(8)
: total waktu yang dijalani oleh sejumlah antara umur x sampai
(9)

: total waktu yang dijalani oleh sejumlah antara umur sampai
(10)
: total waktu yang akan dijalani oleh sejumlah mulai umur tepat
(11)
: angka harapan hidup bagi penduduk berumur
(12)
: tingkat kematian bagi penduduk berumur
(13)
.id
go
2.3.5 Model Life Table
s.
United Nation (1983) menyebutkan ada empat sistem model tabel
p
kematian yang dikembangkan berdasarkan analisis perhitungan tingkat

.b
kematian pada populasi yang nyata, yaitu model tabel kematian

w
Perserikatan Bangsa Bangsa (UN Model Life Tables), Coale-Demeny (Coale

w
and Demeny Regional Model Life Tables), Ledermann (Ledermann’s System of

w
Model Life Tables) dan Sistem Logit (The Logit System of Model Life Tables).
://
Di antara keempat model tabel kematian tersebut, yang sampai saat

tp
ini masih dipergunakan di Indonesia adalah model tabel kematian Coale-

ht
Demeny yang terdiri dari 4 model sesuai dengan kelompok pola

mortalitasnya. Penjelasan masing-masing model adalah sebagai beriku.
- Model East: angka kematian bayi tinggi dan peningkatan dengan cepat
angka kematian setelah umur 50 tahun
- Model North: angka kematian bayi yang tinggi dan setelah umur 45 dan
50 tahun angka kematian masih lebih rendah daripada menurut tabel
kematian lain
- Model South: angka kematian yang tinggi di bawah umur 5 tahun,
kematian rendah antara umur 40 dan 60 tahun, tetapi tinggi dari umur
65 tahun ke atas
- Model West: keadaan hampir merata pada semua tingkat umur
Ada beberapa pendapat dari para peneliti mengenai keempat model
tabel kematian Coale-Demeny yang lebih cocok dipergunakan untuk tujuan

perkiraan di Indonesia dengan anggapan bahwa pola mortalitas di Indonesia
sesuai dengan salah satu model tersebut. Menurut Iskandar (1976) dan
Kasto (1984), biasanya tabel kematian Coale-Demeny model West paling
sering digunakan untuk penduduk di negara-negara yang masih belum
mempunyai data statistik cermat dan lengkap mengenai kematian seperti
Indonesia. Ini didukung oleh penelitian para ahli demografi yang lain, dalam
penerapan model West untuk perkiraan pola mortalitas di Indonesia, antara
lain Keyfitz dan Flieger, 1971; Cho, 1976; Hull dan Hull, 1977
(Sunaryo,1979). Selain itu, McNicoll dan Mamas (1979) telah menentukan
pola mortalitas dengan membandingkan model North dan West pada data
hasil Sensus Penduduk 1971, ternyata pola mortalitas mengikuti model
West.
2.4 Interpolasi Lagrange
.id
Interpolasi merupakan metode untuk menaksir data yang tidak ada
atau belum diketahui nilainya di antara nilai-nilai data yang diberikan
go
(Heath, 1996). Misalkan terdapat titik data, yaitu:
p s.
dengan .
.b
Kemudian melewati semua titik data yang diketahui tersebut, dapat

w
ditentukan fungsi interpolasi sedemikian sehingga

w
w
Untuk , maka nilai merupakan nilai interpolasi dari .

://
Fungsi interpolasi merupakan kombinasi linier dari sekumpulan

tp
fungsi basis (basis function), yang dirumuskan sebagai berikut:

ht
(14)
dengan
: fungsi basis ke-i
: parameter-parameter yang akan ditentukan
Salah satu fungsi interpolasi yang sering digunakan adalah fungsi polinomial
karena fungsi polinomial mudah dihitung, diturunkan dan diintegralkan.
Interpolasi lagrange diterapkan untuk mendapatkan fungsi
polinomial berderajat tertentu yang melewati sejumlah titik data.
Misalkan sekumpulan titik data dengan , maka bentuk
umum polinomial Lagrange berderajat yang melalui titik yang
berbeda adalah
(15)

dengan merupakan fungsi basis Lagrange yang dirumuskan sebagai
berikut:
(16)
Berdasarkan definisi di atas, fungsi-fungsi memenuhi sifat

(17)
.id
go
p s.
.b
w
w
w
://
tp
ht

ht
tp
://
w
w
w
.b
ps
.g
o .id
Bab 3. Metodologi
3.1 Sumber Data dan Cakupan Penelitian

Data yang digunakan dalam kajian ini merupakan data sekunder
yang berupa tabel kematian ringkas (abriged life table) dari berbagai negara
dan berbagai tahun yang tercakup dalam Human Mortality Database
(www.mortality.org). Berdasarkan life table dari berbagai negara ini
kemudian dilakukan pemilihan untuk mendapatkan pola mortalitas yang
paling sesuai dengan kondisi Indonesia. Pemilihan ini dilakukan dengan cara
membandingkan hasil plotting data tabel kematian ringkas dari negara-
negara tersebut dengan plotting data Indonesia dan menghitung rata-rata
.id
selisih absolutnya (Mean Absolute Error/MAE). Nilai MAE yang paling kecil
atau hasil plotting data yang paling mirip digunakan sebagai acuan dalam
go
interpolasi tabel kematian ringkas menjadi life table lengkap.
s.
Dalam kajian ini digunakan pula data jumlah penduduk Indonesia
p
menurut kelompok umur dan jenis kelamin tahun 2000-2010 yang

.b
diperoleh dari publikasi hasil SP tahun 2000 dan 2010. Di samping itu,
w
kajian ini juga menggunakan data tabel kematian ringkas (abriged life table)
w
Indonesia tahun 2000 yang diambil dari tabel Coale Demeny model Barat
w
dan didasarkan pada angka harapan hidup pada saat lahir/life expentancy at
://
birth ( ) hasil proyeksi BPS tahun 2000 yaitu 65,5 tahun untuk penduduk
tp
laki-laki dan 69,5 tahun untuk penduduk perempuan. Pemilihan tabel

ht
kematian Coale Demeny model Barat ini didasarkan pada hasil penelitian
sebelumnya yang menyatakan bahwa model ini lebih sesuai digunakan
untuk data mortalitas negara-negara berkembang seperti Indonesia
dibandingkan dengan model yang lainnya.
3.2 Metode Analisis

Analisis utama yang digunakan dalam kajian ini adalah graduasi
data. Analisis ini diterapkan untuk proses penghalusan (smoothing) data
Rasio Kelangsungan Hidup 2000-2010. Graduasi diperlukan apabila data
yang tersedia mengandung keragaman yang disebabkan kesalahan
pendataan. Abid (1994) menyatakan bahwa graduasi pada prinsipnya
menghaluskan probabilitas observasi yang kasar, sehingga menjadi dasar
untuk penarikan kesimpulan atau tindakan analisis lebih lanjut. Menurut
Barnet (1985), ada lima tujuan dari graduasi data antara lain: menghaluskan

data sehingga menjadi teratur dan konsisten, membuat hasil yang tepat
dalam menghaluskan kurva, membantu kesimpulan dari data yang tidak
sempurna, memudahkan perbandingan angka kematian dan membantu
peramalan.
Graduasi dapat dilakukan dengan berbagai cara seperti grafik,

interpolasi, moving-average dan rumus matematik. Dalam kajian ini,
graduasi data dilakukan menggunakan metode interpolasi dan metode
matematik dengan regresi.
3.2.1 Graduasi Data dengan Metode Interpolasi

Pada prinsipnya, graduasi data dengan metode interpolasi dalam
kajian ini akan ditujukan untuk menyusun tabel kematian lengkap
berdasarkan tabel kematian ringkas. Ada beberapa metode yang dapat
.id
digunakan untuk menyusun tabel kematian lengkap berdasarkan tabel
kematian ringkas dengan cara interpolasi, antara lain metode Elandt-
go
Johnson (1980), metode Brass Logit (1971), metode Heligman-Pollard
(1980) dan metode Kostaki (2000). Metode Brass Logit dan Kostaki
s.
merupakan metode yang menggunakan informasi yang berasal dari table
p
.b
kematian lain (disebut sebagai tabel standar dan telah didefinisikan

w
sebelumnya) untuk menyusun tabel kematian lengkap. Yang dimaksud tabel

standar dalam hal ini adalah tabel kematian dari negara yang bersangkutan
w
dan berasal dari sumber lain, baik pada tahun yang sama maupun berbeda
w
dari tahun penyusunan. Penjelasan mengenai masing-masing metode

://
interpolasi tersebut diuraikan sebagai berikut:

tp
ht
a. Metode Brass-Logit (1971)

Metode ini digunakan untuk mengestimasi tabel kematian populasi
jika hanya ada dua titik data yang diketahui. Metode ini mengasumsikan
adanya hubungan linier antara fungsi “logit” nilai survival dari tabel
sesungguhnya ( ) dengan tabel standar ( ). Hubungan linier tersebut
dapat dijelaskan dalam bentuk sebagai berikut:
(18)
merupakan jumlah penduduk yang bertahan hidup pada tabel

kematian standar, sedangkan dan adalah parameter yang secara
berturut-turut menyatakan perubahan level kematian dari tabel kematian
standar dan slope kematian. Perubahan nilai berhubungan dengan
distribusi umur yang berbeda yaitu apakah kematian umur anak-anak lebih

banyak atau lebih sedikit dibandingkan dengan umur dewasa. Jika nilai
berarti kematian umur anak-anak lebih rendah dibandingkan dengan
kematian umur dewasa, sebaliknya bila berarti kematian umur anak-
anak lebih tinggi dibandingkan dengan kematian umur dewasa. Perubahan
nilai dan dapat digunakan untuk memprediksi angka kematian di masa
depan.
Tahapan yang dilakukan untuk menyusun tabel kematian lengkap

menggunakan metode Brass Logit adalah sebagai berikut:
a) Menduga parameter dan yang memenuhi hubungan linier

berikut:
19)
dengan
.id
go (20)
s.
b) Setelah nilai estimasi dan diperoleh, kemudian jumlah penduduk
p
yang bertahan hidup pada tabel kematian lengkap ( ) untuk setiap

.b
titik umur dapat dihitung dengan rumus sebagai berikut:

w
w
(21)
w
Metode Brass Logit sangat bergantung pada penentuan tabel

://
kematian standar yang akan digunakan. Oleh karena itu, perlu dilakukan
tp
pengujian linieritas terlebih dahulu antara logit terhadap logit

ht
b. Metode Elandt-Johnson (1980)

Metode Elandt-Johnson merupakan metode yang masih sering
digunakan untuk menyusun tabel kematian lengkap berdasarkan tabel
kematian ringkas. Elandt dan Johnson dalam Baili et al (2005)
mengemukakan bahwa dengan metode ini dapat dihasilkan tabel kematian
lengkap berdasarkan tabel kematian ringkas menggunakan formula
smoothing dan tiga skema interpolasi menurut umur tertentu, yaitu umur
bayi dan anak-anak (0-10 tahun), umur remaja dan dewasa (10-74 tahun)
serta umur di atas 74 tahun. Titik awal dari metode ini adalah jumlah
penduduk yang masih hidup pada umur x yang diambil dari tabel
ringkas.

Tahapan yang dilakukan dalam menyusun tabel kematian lengkap
menggunakan metode ini adalah sebagai berikut:
a) Untuk umur 0-74 tahun menggunakan interpolasi Lagrange

berderajat lima dengan enam titik interpolan. Interpolasi Lagrange
dirumuskan dalam formula
(22)
Berdasarkan persamaan di atas, koefisien yang digunakan untuk

menghitung pada tabel kematian lengkap dapat diperoleh
dengan menggunakan fungsi basis interpolasi lagrange yaitu:
(23)
.id
b) Untuk umur 75 tahun ke atas, metode Elandt-Johnson menggunakan
go
distribusi survival Gompertz sebagai berikut:
s.
(24)
p
.b
di mana dan untuk umur serta

w
parameter dan .
w
w
Langkah awal metode ini adalah menentukan logaritma dari rasio

://
nilai yang berdekatan, cara ini akan menghasilkan parameter

tp
dan untuk umur . Estimasi kedua parameter tersebut akan

ht
berhenti pada dan ketika , dimana adalah umur

tertua pada tabel kematian ringkas. Nilai estimasi parameter dan
dapat ditentukan dengan melalui persamaan sebagai berikut:
dengan (25)
Setelah diperoleh nilai dan , nilai Survival Gompertz dapat

dihitung sebagai berikut:
(26)

dimana i = 1,…,4 untuk x = 75, 80, …, Ω-15
i = 1,…,(109-Ω) untuk x = Ω - 10
Kemudian dari hasil penghitungan nilai Survival di atas, jumlah

penduduk yang dapat bertahan hidup untuk umur 75 tahun ke atas
pada tabel kematian lengkap dapat dihitung dengan formula sebagai
berikut:
dengan (27)
Kostaki (1991) menyebutkan bahwa metode ini memberikan

perkiraan (aproksimasi) yang baik jika diterapkan pada kematian umur
dewasa, namun sebaliknya pada umur awal masa kanak-kanak metode ini
kurang memberikan hasil yang akurat.
.id
c. Metode Heligman-Pollard (1980)
go
Heligman-Pollard (1980) menyatakan bahwa penyebab kematian
dapat dibagi menjadi tiga komponen masa yaitu pengaruh masa bayi dan
s.
anak-anak, akibat kematian pada umur remaja dan tingkat kematian usia
p
lanjut. Formula matematis yang mencakup tiga komponen kematian yang

.b
berbeda tersebut dapat dituliskan sebagai berikut:

w
w
(28)
w
://
Dengan adalah peluang orang tepat berumur tahun akan

tp
meninggal sebelum mencapai umur tahun, dan

ht
merupakan parameter yang bernilai positif. Dari delapan

parameter tersebut masing-masing dapat diinterpretasikan secara
demografi. Lebih lanjut, ketiga komponen kematian dan kontribusinya
terhadap kematian total pada formula di atas dapat dijelaskan dalam bentuk
kurva seperti diperlihatkan dalam Gambar 1.
Komponen yang pertama pada formula Heligman-Pollard di atas,

ditunjukkan dengan grafik yang menurun tajam secara eksponensial,
mencerminkan penurunan tingkat kematian pada awal usia bayi dan anak-
anak karena proses adaptasi terhadap lingkungan baru dan proses
mendapatkan kekebalan terhadap berbagai penyakit. Komponen kematian
ini memiliki tiga parameter, yaitu , dan . Parameter menunjukkan
level kematian di mana nilainya hampir mendekati nilai peluang kematian
penduduk berumur 1 tahun ( ). merupakan pergeseran umur dan

menyatakan letak kematian bayi pada interval ( ). Sedangkan
mengukur penurunan tingkat kematian pada anak-anak. Semakin besar nilai
C maka semakin cepat penurunan tingkat kematian seiring dengan kenaikan
umur. Ketika , maka akan sama dengan , berapa pun nilai dan
; dan untuk tetap/fixed, semakin besar nilai B maka nilai akan
semakin mendekati .
Gambar 1. Kurva Graduasi Peluang Kematian ( )

dan Tiga Komponennya
.id
go
p s.
.b
w
w
w
://
tp
Komponen kedua merupakan fungsi yang mirip dengan fungsi

ht
kepekatan lognormal yang menggambarkan kematian akibat kecelakaan

pada laki-laki dan kematian ibu yang terjadi pada masa umur pertengahan
atau masa remaja. Komponen kecelakaan pada formula Heligman-Pollard di
atas memiliki tiga parameter yaitu , dan yang secara berturut-turut
menunjukkan letak, penyebaran dan keparahan.
Komponen ketiga yang dikenal dengan eksponensial Gompertz

dalam formula di atas menggambarkan kenaikan tingkat kematian
mendekati geometris pada umur dewasa misalnya kematian karena uzur
atau kondisi tubuh yang memburuk. Parameter menyatakan level dasar
dari kematian karena uzur sedangkan menggambarkan tingkat kenaikan
kematiannya. Penggunaan odds atau rasio pada formula di atas
memiliki keuntungan karena nilai harus berada di antara 0 dan 1 untuk
semua x dan ketepatan hasil graduasi pada umur tua dapat diperbaiki.

Tahapan penyusunan tabel kematian lengkap dengan metode
Heligman Pollard sebagai berikut:
a. Menduga nilai parameter-parameter dengan meminimumkan
menggunakan metode kuadrat terkecil nonlinier (nonlinear least
square method)
(29)
dengan
(30)
b. Setelah parameter-parameter tersebut diperoleh, peluang kematian

pada tabel kematian lengkap dapat dihitung dengan formula sebagai
berikut:
.id
go (31)
p s.
dengan (32)
.b
w
Estimasi parameter untuk graduasi data menggunakan formula

w
Heligman-Pollard ini telah tersedia dalam aplikasi UNABR pada software

w
Mortpak 4.
://
d. Metode Kostaki (2000)

tp
Kostaki (2000) memperkenalkan metode non parametrik sederhana

ht
yang menghubungkan nilai peluang kematian ( ) pada tabel kematian

ringkas dengan peluang kematian umur tunggal (lengkap) dari tabel
kematian lengkap standar yang telah ditentukan sebelumnya. Hipotesis
metode ini adalah bahwa pada setiap interval umur , laju kematian
dari tabel kematian ringkas merupakan perkalian suatu konstanta
dengan laju kematian dari tabel kematian standar pada interval
umur yang sama. Langkah pertama dalam menyusun tabel kematian lengkap
menggunakan metode Kostaki yaitu menghitung konstanta untuk
setiap interval umur dengan rumus sebagai berikut:
(33)

di mana adalah peluang kematian dari tabel ringkas untuk
interval umur dan adalah peluang kematian dari tabel
kematian lengkap standar pada umur , dengan . Berdasarkan
nilai konstanta tersebut, nilai peluang kematian umur tunggal (lengkap)
dapat diestimasi sebagai berikut:
(34)
3.2.2 Pemilihan Metode Interpolasi Terbaik

Heligman et al (1980) mengemukakan bahwa graduasi data
mortalitas hanya dapat dianggap tepat jika menghasilkan tingkat graduasi
yang halus (smooth) dari satu umur ke umur berikutnya dan pada periode
yang sama dapat menggambarkan pola mortalitas pokok secara akurat.
.id
Dengan kata lain, graduasi data sebaiknya mampu menghaluskan dan
menghilangkan komponen irregular yang disebabkan oleh variasi acak dan
go
kesalahan pelaporan umur sekaligus mempertahankan variasi utama yang
s.
terdapat dalam pola kematian.
p
Pemilihan metode interpolasi terbaik untuk tabel kematian

.b
Indonesia dilakukan dengan cara menguji kesuaian hasil interpolasi yang

w
diperoleh berdasarkan suatu metode tertentu terhadap data sebenarnya.

w
Terdapat beberapa kriteria yang dapat digunakan untuk mengetahui

w
kesesuaian data Survival Ratio yang diperoleh berdasarkan hasil interpolasi

://
tertentu terhadap data sebenarnya. Kriteria tersebut antara lain sebagai

tp
berikut:
ht
 Absolute Error (AE)

Dalam pendekatan ini, Absolute Error didefinisikan sebagai nilai
selisih mutlak antara nilai Survival Ratio yang sebenarnya dengan nilai
Survival Ratio yang diperoleh dari model interpolasi. Misalkan adalah data
sebenarnya ke- dan adalah data yang diperoleh menggunakan metode
tertentu sebagai pendekatan untuk , maka nilai dari Absolute Error (AE)
dinyatakan sebagai berikut:
(35)
 Mean Absolute Error (MAE)

Mean Absolute Error (MAE) dalam kajian ini digunakan untuk
menyatakan nilai rata-rata selisih absolut antara nilai Survival Ratio
sebenarnya dengan nilai yang diperoleh dari menggunakan metode tertentu.

Semakin kecil nilai tersebut menunjukkan bahwa metode yang digunakan
semakin baik. Mean Absolute Error (MAE) dapat dihitung dengan rumus
sebagai berikut:
(36)
 Koefisien Determinasi ( )
Nilai koefisien determinasi menyatakan proporsi keragaman data
yang dapat dijelaskan oleh model. Semakin besar nilai koefisien determinasi
ini, maka semakin baik model tersebut. Koefisien determinasi dapat
diperoleh dengan menggunakan rumus sebagai berikut:
(37)
.id
 Root Mean Square Error (RMSE)
Nilai RMSE menunjukkan kesalahan yang didasarkan pada total
go
kuadrat dari simpangan antara hasil model dengan nilai observasi (nilai
sebenarnya) yang dapat dinyatakan sebagai berikut:
p s.
.b
(38)
w
Seperti halnya pada MAE, semakin kecil nilai RMSE maka semakin baik
w
model tersebut mampu menggambarkan nilai Survival Ratio yang

w
sebenarnya.
://
tp
Dari keempat kriteria yang disebutkan diatas, tiga diantaranya yaitu

ht
MAE, dan RMSE, akan digunakan dalam kajian ini untuk mendapatkan
metode terbaik. Dalam hal ini, metode terbaik yang akan dipilih adalah
metode yang memberikan hasil paling optimum dari ketiga kriteria tersebut
dan selanjutnya dapat diaplikasikan pada data Indonesia.
3.2.3 Graduasi Data dengan Metode Regresi

Regresi merupakan analisis statistika yang dapat digunakan untuk
melihat hubungan antara variabel respon dengan satu atau beberapa
variabel prediktor. Hubungan tersebut dapat berupa hubungan linier
maupun non linier, tergantung pada bentuk/pola data yang dapat
ditentukan melalui scatter diagram. Regresi yang digunakan pada penelitian
ini adalah regresi linier dengan variabel bebas/prediktor berupa umur
(tahun) dan variabel tak bebas/respon berupa rasio kelangsungan hidup
antar sensus (census survival ratio). Variabel prediktor (umur) ini dapat

berbentuk linier, kuadratik, kubik atau kombinasi ketiganya (regresi
polinomial).
a. Persamaan Regresi
Jika Y dinotasikan sebagai survival ratio (respon) dan X sebagai umur
(prediktor), maka secara sederhana persamaan regresi linier dapat
diformulasikan sebagai berikut:
(39)
dengan
Y = survival ratio
X = umur
ε = random error
= konstanta (intercept)
.id
= slope
b. Estimasi Parameter go
s.
Metode yang umum digunakan dalam mengestimasi parameter regresi
adalah Ordinary Least Square (OLS). Dalam bentuk matriks, persamaan (39)
p
.b
dirumuskan sebagai berikut:

w
(40)
w
w
Prinsip dasar metode estimasi Least Square adalah meminimumkan jumlah

://
kuadrat error (Residual Sum of Square). T atau dalam bentuk non-matrik

tp
.sebagai berikut:
ht
(41)
Dengan memberikan nilai 0 pada ruas kiri, maka diperoleh persamaan

normal sebagai berikut:
(42)
dengan mengalikan kedua ruas dengan invers XT X, diperoleh rumus

estimasi parameter sebagai berikut :
(43)
Pada regresi linear sederhana, dimensi dari matrik adalah , sehingga

dapat dirumuskan dengan lebih sederhana sebagai berikut:

(44)
(45)
c. Pengujian Persamaan Regresi

a. Pengujian regresi linier berganda
Pengujian regresi linier ini dilakukan untuk mengetahui apakah
variabel-variabel bebas di dalam model secara bersamaan memiliki
pengaruh terhadap variabel tak bebas. Hipotesis statistik yang
digunakan adalah:
Minimal ada satu koefisien regresi yang tidak sama dengan nol
atau berpengaruh terhadap Y
.id
Statistik uji yang digunakan adalah statistik uji F yang dapat
go
s.
(46)
p
.b
dimana :
w
w
SSR = = jumlah kuadarat regresi

w
SSE = = jumlah kuadrat sisaan

://
MSR = rata-rata kuadrat regresi

tp
MSE = rata-rata kuadarat sisaan

= jumlah parameter
ht
= jumlah sampel
Pengambilan keputusan dilakukan sebagai berikut: jika Fobs>Ftabel( ;1;n
-2) maka ditolak atau dapat dikatakan bahwa dengan tingkat
kepercayaan sebesar persen model regresi tepat digunakan
untuk memodelkan data.
b. Pengujian Koefisien Regresi Ganda

Variabel-variabel bebas dalam regresi linier berganda perlu diuji
untuk melihat signifikan atau tidaknya pengaruh variabel prediktor
tersebut terhadap variabel responnya. Hipotesis yang diajukan
dalam pengujian ini adalah:

Statistik uji yang digunakan dalam adalah statistik uji yang
(47)
dengan,
: koefisien regresi untuk variabel bebas ke-i
: standar error of the estimate dari
d. Goodness of Fit Statistics

Koefisien determinasi (coefficient determination), , dapat digunakan
untuk mengukur proporsi keragaman atau variasi total di sekitar nilai
tengah yang dapat dijelaskan oleh persamaan regresi tersebut. Koefisien
.id
ini dinyatakan dalam persen (%), yang menyatakan kontribusi regresi,
go
secara fisik adalah akibat prediktor, terhadap variasi total variabel respon,
yaitu Y. Makin besar nilai R2, makin besar pula kontribusi atau peranan
s.
prediktor terhadap variasi respon, dengan kata lain makin baik pula model
p
regresi tersebut dalam memprediksi nilai respon. Koefisien determinasi ini

.b
dapat didefinisikan sebagai berikut:

w
w
(48)
w
://
tp
3.3 Kerangka Pikir

ht
Sensus penduduk yang dilaksanakan 10 tahun sekali di Indonesia

menghasilkan berbagai macam data kependudukan yang komprehensif.
Salah satu data dasar hasil sensus penduduk yang sangat bermanfaat adalah
jumlah penduduk menurut umur dan jenis kelamin. Dengan memanfaatkan
data dasar tersebut, dapat dihitung suatu indikator rasio kelangsungan
hidup antar sensus (Census Survival Ratio) menurut kelompok umur dan
jenis kelamin. Selain dapat digunakan untuk mengukur derajat kesehatan
penduduk, indikator ini juga dapat digunakan dalam penyusunan tabel
kematian (life table).
Dalam kajian ini akan dicoba dikembangkan model tabel kematian

dengan memanfaatkan nilai survival ratio yang diperoleh dari jumlah
penduduk hasil SP 2000-2010. Penggunaan nilai rasio kelangsungan hidup
dalam penyusunan life table ini tidak secara langsung, melainkan melalui

proses graduasi data. Graduasi data survival ratio dalam hal ini dilakukan
dengan dua pendekatan, yaitu pendekatan demografi dan pendekatan
statistik.
Dari pendekatan statistik, dilakukan proses graduasi menggunakan

model regresi polinomial dengan survival ratio sebagai respon dan umur
sebagai prediktor. Sementara dari pendekatan demografi, dengan
memanfaatkan pola kematian pada model Coale Demeny West, graduasi
dilakukan dengan metode interpolasi tabel kematian ringkas menjadi tabel
kematian lengkap. Metode interpolasi terbaik dipilih berdasarkan hasil
kajian pada beberapa metode interpolasi menggunakan tabel kematian
lengkap dan ringkas dari negara acuan.
Dari kedua pendekatan tersebut, dihasilkan nilai prediksi survival

ratio yang akan digunakan untuk penyusunan life table untuk laki-laki dan
.id
perempuan. Selanjutnya, nilai survival ratio pada life table yang dihasilkan
go
dari masing-masing pendekatan ini akan digunakan untuk memperkirakan
jumlah penduduk tahun 2000 (backcasting) serta memperkirakan laju
s.
pertumbuhan penduduk tahun 2000-2010.
p
.b
w
w
w
://
tp
ht

Gambar 2. Kerangka Pikir Pengembangan Model Life Table Indonesia
Data SP 2000-2010
Kajian Metode Interpolasi Rasio Kelangsungan

(Elandt-Johnson, Kostaki, Hidup Antar Sensus
Brass Logit, Heligman Pollard) Menurut Jenis
Kelamin dan
Kelompok Umur
Elandt-Johnson Heligman Pollard
Data Hungaria 1960 (Perempuan)

Data Estonia 1962 (Laki-Laki)
.id
Pemilihan Model
Data
Kelompok Umur
go Regresi Terbaik
(Regresi Polinomial)
p s.
Penyusunan Life Table Lengkap Data
.b
Umur
Tunggal
w
Perbandingan Antar Metode

w
w
Graduasi Data
Pemilihan Metode Terbaik Kematian SP2010
://
(Nilai Prediksi Model)

tp
ht
Data Indonesia
Model Tabel Kematian
Coale-Demeny West
Penyusunan Life Table 2000

- Model CD West
- Model Regresi
Estimasi Jumlah Penduduk Tahun

- Model CD
2000 dan Perbaikan LPP 2000-2010
- ModelWestCD West
-
- Model Model
Regresi
Regresi

ht
tp
://
w
w
w
.b
ps
.g
o .id
Bab 4. Pembahasan
Bab ini membahas hasil penghitungan jumlah penduduk Indonesia

yang disusun menurut kelompok umur dengan metode penghitungan
seperti yang sudah diuraikan dalam bab sebelumnya. Pembahasan dalam
bab ini dibagi menjadi dua bagian. Bagian pertama membahas mengenai
hasil penghitungan tabel kematian (life table) Indonesia yang dihitung
berdasarkan jumlah penduduk hasil sensus penduduk tahun 2010. Tabel
kematian yang disusun hanyalah berupa tabel kematian ringkas (abriged life
table) menurut kelompok umur lima tahunan. Untuk keperluan ini
.id
digunakan dua pendekatan. Pendekatan pertama menggunakan interpolasi
dari tabel kematian umum yang disusun oleh Elandt-Johnson dan Heligman-
go
Pollard, sedangkan pendekatan kedua menggunakan model regresi terhadap
s.
rasio kelangsungan hidup yang dihitung berdasarkan hasil sensus penduduk
p
tahun 2010 terhadap hasil sensus penduduk tahun 2000. Hasil

.b
penghitungan jumlah penduduk dengan kedua pendekatan tersebut

w
digunakan untuk melakukan koreksi terhadap jumlah penduduk hasil

w
sensus penduduk tahun 2000 yang berdasarkan hasil evaluasi pasca Sensus
w
Penduduk 2000 memiliki masalah cakupan yang rendah (undercoverage).

://
Selanjutnya bagian kedua merupakan pembahasan dari hasil penghitungan

tp
yang telah dilakukan dalam bagian pertama. Pembahasan awal pada bagian
ini mencakup statistik jumlah penduduk yang meliputi struktur penduduk,
ht
rasio kelangsungan hidup (survival ratio), dan laju pertumbuhan penduduk

berdasarkan hasil pendataan sensus. Kemudian pembahasan dilanjutkan
dengan ulasan terhadap hasil koreksi yang telah dilakukan pada bagian
pertama.
4.1 Pemilihan Metode Interpolasi Tabel Kematian Ringkas Indonesia

Pada penjelasan sebelumnya telah dipaparkan berbagai metode
interpolasi untuk menyusun tabel kematian lengkap berdasarkan tabel
kematian ringkas. Dari beberapa metode yang dianggap sesuai untuk
kondisi data Indonesia (yaitu Elandt-Johnson dan Heligman-Pollard), akan
dipilih metode terbaik dengan cara membandingkan hasil interpolasi
dengan tabel kematian lengkap yang sebenarnya/aktual. Pada
kenyataannya, Indonesia belum memiliki tabel kematian umur tunggal

aktual yang dapat dijadikan sebagai pembanding. Oleh karena itu,
diperlukan pola data kematian yang mampu menggambarkan pola kematian
Indonesia secara lengkap.
Untuk keperluan perbandingan tersebut, dalam kajian ini digunakan

data kematian negara-negara lain yang memiliki kemiripan kondisi dan pola
dengan Indonesia yang selanjutnya disebut sebagai negara acuan. Negara
acuan ini dipilih dari negara-negara berkembang yang memiliki tabel
kematian ringkas maupun lengkap dalam beberapa kurun waktu yang
tercakup dalam Human Mortality Database (HMD). Pemilihan negara acuan
ini dilakukan dengan tahapan sebagai berikut:
a. Menentukan level interpolasi tabel kematian Indonesia (tabel Coale

Demeny model Barat)
Level interpolasi ini ditentukan berdasarkan angka harapan hidup pada
.id
saat lahir ( ) hasil proyeksi tahun 2000, yaitu sebesar 65,5 tahun untuk
go
laki-laki dan 69,5 tahun untuk perempuan. Biasanya nilai hasil hitung
terletak diantara level tertentu maka dilakukan interpolasi linier untuk
s.
menentukan level yang lebih tepat.
p
.b
Tabel 1. Penghitungan Level Interpolasi Tabel Kematian Laki-laki dan

w
Perempuan, Tahun 2000

w
Hasil Level Level Level

w
JK
Hitung Rendah Tinggi Rendah Tinggi Interpolasi
://
(1) (2) (3) (4) (5) (6) (7)

tp
Laki-laki 65.5 20 21 63.64 66.03 20.7785

ht
Perempuan 69.5 19 21 65.00 70.00 20.8000
Level interpolasi pada kolom 7 tabel diatas dapat dihitung dengan cara
sebagai berikut:
……………….. (49)
Dari tabel hasil perhitungan diatas diperoleh level interpolasi untuk
tabel kematian laki-laki sebesar 20.7785 dan tabel kematian perempuan
sebesar 20.8.
b. Menentukan nilai Survival Ratio (SR) dari tabel ringkas Indonesia pada
level yang bersesuaian.

Nilai SR diperoleh dari life table Coale Demeny model Barat berdasarkan
level hasil perhitungan sebelumnya, di mana pada masing-masing level
memiliki nilai yang berbeda. Nilai level yang diperoleh tidak terdapat
dengan tepat pada life table, maka dengan cara yang sama dilakukan
interpolasi linier sekali lagi untuk memperoleh nilai survival ratio
masing-masing jenis kelamin. Tabel kematian ringkas Indonesia
berdasarkan hasil perhitungan level interpolasi sebelumnya dapat
dilihat pada lampiran. Gambar 3 merupakan nilai SR untuk laki-laki dan
perempuan berturut-turut pada level 20.7785 dan 20.8.
Gambar 3. Nilai SR Tabel Kematian Ringkas Indonesia

(Coale Demeny Model Barat) pada Level 20.78 (Laki-laki)
dan 20.8 (Perempuan), Tahun 2000
.id
Laki-laki Perempuan
1,000
go
s.
0,800
p
.b
0,600
p(x)
0,400
w
0,200
w
0,000
://
0 10 20 30 40 50 60 70 80 90 100
tp
Umur
ht
c. Berdasarkan nilai-nilai SR berbagai negara dan kurun waktu yang

tersedia pada Human Mortality Database (HMD), dipilih satu negara
pada tahun tertentu yang memiliki kemiripan pola kematian dengan
data Indonesia sebagai negara acuan. Langkah pertama yang dilakukan
adalah memilih negara mana saja yang memiliki nilai sekitar 65,5
tahun untuk laki-laki dan 69,5 tahun untuk perempuan dari daftar
negara dan kurun waktu yang tersedia. Kemudian, dihitung rata-rata
dari selisih absolut (MAE) antara nilai SR Indonesia dengan negara-
negara tersebut pada kelompok umur yang bersesuaian. Kemiripan pola
kematian dalam kajian ini dilihat dari 3 (tiga) kriteria: 1) nilai , 2) hasil
scatter plot antara nilai SR Indonesia dan SR negara-negara yang
terdapat dalam HMD, dan 3) nilai rata-rata selisih absolut (MAE) terkecil

dari kedua nilai tersebut, baik untuk perempuan maupun laki-laki.
Berikut ini disajikan scatter plot perbandingan tabel ringkas Indonesia
dengan tabel ringkas negara-negara tersebut beserta nilai rata-rata
selisih absolut minimumnya.
Gambar 4. Perbandingan SR Indonesia (Coale Demeny Model Barat) dengan

Negara Berkembang Lainnya dari Tabel Kematian Laki-Laki, Tahun 2000
1 INDONESIA
0,9 (CD)2000
Belarus 1984
0,8 (0.02901)
Belarus 1991
0,7
(0.02689)
0,6 Estonia 1962
(0.01165)
SR
0,5 Estonia 1970

(0.02096)
.id
0,4 Estonia 1972
0,3 (0.01833)
0,2 go Hungary 1980
(0.01901)
s.
Hungary 1981
0,1
(0.01976)
p
0 Hungary 1987
.b
(0.0178)
0 50 100
w
Kelompok Umur
w
w
Dari Gambar 4 terlihat nilai SR Indonesia untuk laki-laki umur 0

://
hingga 100 tahun pada 2000 dapat diwakili oleh Estonia pada tahun 1962.
tp
Hal ini ditunjukkan dengan nilai MAE Estonia pada tahun 1962 sebesar
ht
0.01165 yang merupakan MAE terkecil dibandingkan negara-negara lainnya.

Data yang ada juga menyebutkan bahwa pada tahun tersebut Estonia
memiliki angka yang mirip dengan Indonesia yakni sebesar 65,58 tahun
untuk laki-laki.
Begitu pula untuk tabel kematian perempuan, dengan menggunakan

cara yang sama diperoleh bahwa nilai SR perempuan Hungaria pada tahun
1960 mampu mencerminkan pola SR perempuan Indonesia tahun 2000.
Gambar 5 memperlihatkan bahwa nilai SR kedua negara tersebut hampir
sama dan menghasilkan MAE terkecil yaitu 0.01111. Selain itu, nilai untuk
Hungaria tahun 1960 yang mendekati angka Indonesia, yaitu sebesar 70.17
tahun, juga menjadi alasan kuat mengapa negara ini dipilih sebagai negara
acuan untuk penyusunan tabel kematian lengkap perempuan.

Tabel kematian lengkap dan ringkas kedua negara acuan ini dapat
dilihat pada lampiran. Pada masing-masing negara dan tahun terpilih
kemudian diterapkan metode interpolasi Elandt-Johnson dan Heligman
Pollard, di mana tabel kematian Estonia 1962 mewakili tabel kematian laki-
laki dan Hungaria 1960 mewakili tabel kematian perempuan. Sedangkan
metode interpolasi lainnya yaitu Brass-Logit dan Kostaki tidak dapat
dilakukan dalam kajian ini karena Indonesia belum memiliki tabel kematian
standar.
Gambar 5. Perbandingan SR Indonesia (Coale Demeny Model Barat) dengan

Negara Berkembang Lainnya dari Tabel Kematian Perempuan, Tahun 2000
1
0,9 INDONESIA (CD)
0,8 2000
.id
Bulgaria 1957
0,7 (0.03308)
0,6 Bulgaria 1958
go (0.04241)
SR
0,5 Bulgaria 1959

s.
0,4 (0.0233)
p
0,3 Bulgaria 1960

.b
(0.03321)
0,2 Hungary 1955
w
0,1 (0.01136)
Hungary 1956
w
0
(0.01284)
w
0 50 100
://
Kelompok umur
tp
Pada dasarnya, prinsip metode interpolasi Heligman Pollard adalah

ht
estimasi delapan parameter yang terdapat pada kurva kematian sebagai

berikut:
Estimasi parameter ini dilakukan dengan cara meminimumkan jumlah

kuadrat dari selisih proporsional antara nilai peluang kematian prediksi
dengan observasi (lihat rumus 29). Untuk keperluan estimasi parameter ini
digunakan software Mortpak 4 for Windows pada menu UNABR. Input yang
digunakan adalah nilai-nilai peluang kematian ( ) umur 0 hingga 80
tahun yang diambil dari tabel kematian ringkas masing-masing negara.
Dengan metode kuadrat minimum (least square), delapan parameter dalam
kurva kematian diestimasi sebagai berikut.

Tabel 2. Estimasi Parameter dalam Kurva Kematian Heligman Pollard
untuk Kematian Penduduk Laki-Laki Estonia (1962) dan Penduduk
Perempuan Hungaria (1960)
Estonia Hungaria
Parameters Keterangan
(1962-M) (1960-F)
A 0.00263 0.00340 Representasi dari
B 0.01560 0.04383 Representasi dariletak
C 0.12098 0.18487 Representasi laju penurunan kematian
bayi
D 0.00202 0.00087 Representasi besarnya kematian akibat
kecelakaan
E 3.88485 1.25175 Representasi sebaran usia terjadinya
kecelakaan
F 27.20895 40.25634 Representasi usia maksimum
terjadinya kematian akibat kecelakaan
.id
G 0.00007 0.00001 Representasi level kematian pada usia
lanjut
H 1.10144 1.12194 go
Representasi laju peningkatan
s.
kematian
p
.b
Tiga parameter pertama, A, B dan C, menggambarkan pola kematian

bayi sebagai akibat proses adaptasi terhadap lingkungan baru. Perbedaan
w
nilai estimasi ketiganya menunjukkan bahwa penduduk perempuan yang

w
diwakili pleh Hungaria tahun 1960 berpeluang lebih besar untuk meninggal
w
pada usia anak-anak (0 hingga 1 tahun) dibandingkan laki-laki yang diwakili

://
oleh Estonia tahun 1962. Meskipun demikian, tingkat penurunan kematian

tp
penduduk perempuan dalam hal ini dapat dikatakan lebih cepat

ht
dibandingkan dengan laki-laki terlihat dari nilai estimasi parameter C yang

lebih besar.
Sementara tiga parameter berikutnya, D, E dan F, menggambarkan

kejadian kematian laki-laki maupun perempuan akibat kecelakaan. Nilai
estimasi parameter pada tabel tersebut menjelaskan bahwa kejadian
kematian penduduk laki-laki akibat kematian lebih banyak dan terjadi pada
usia yang lebih bervariasi dibandingkan pada penduduk perempuan. Lebih
jauh lagi, usia maksimum pada penduduk laki-laki yang berpeluang
meninggal akibat kecelakaan terlihat jauh lebih muda dibandingkan dengan
penduduk perempuan.
Dua nilai terakhir estimasi parameter menggambarkan pola
kematian penduduk pada usia tua. Implikasi nilai keduanya pada kematian

perempuan dan laki-laki yaitu bahwa kematian penduduk laki-laki pada usia
tua lebih banyak terjadi dibandingkan dengan penduduk perempuan.
Kematian penduduk laki-laki usia tua ini diiringi laju peningkatan yang
relatif lebih lambat dibandingkan penduduk perempuan.
Nilai estimasi parameter di atas selanjutnya digunakan untuk
menghitung perkiraan peluang kematian umur tunggal menggunakan rumus
31. Nilai estimasi parameter berikut perkiraan tabel kematian umur tunggal
hasil graduasi secara langsung dapat diperoleh menggunakan aplikasi
Software Mortpak 4. Selain itu, pada output UNABR disajikan pula nilai
perkiraan (fitted value) untuk peluang kematian ringkas serta nilai deviasi
terhadap observasinya. Hasil graduasi tabel kematian ringkas untuk kedua
negara acuan dengan menggunakan metode Heligman Pollard dapat dilihat
pada lampiran.
.id
Gambar 6. Kurva Kelangsungan Hidup ( ) laki-laki untuk Nilai Observasi
go
dan Perkiraan Menggunakan Metode Heligman Pollard
s.
Aktual Heligman-Pollard
p
.b
100000
w
80000
w
w
60000
lx
R²=0.99993043
://
40000
tp
20000
ht
0
0
6
18
12
24
30
36
42
48
54
60
66
72
78
84
90
96
Gambar 6 merupakan scatter plot dari (jumlah orang yang mampu

bertahan hidup hingga mencapai umur tepat ) yang diambil dari komponen
tabel kematian hasil graduasi dengan metode Heligman Pollard.
Dari kurva pada Gambar 6 terlihat bahwa metode Heligman Pollard

dapat menduga tingkat kelangsungan hidup laki-laki dengan baik yang
ditunjukkan oleh derajat kesesuaian R-Square yang tinggi, yaitu sebesar
0.99993043. Namun jika kurva tersebut dibandingkan dengan kurva
kelangsungan hidup perempuan pada Gambar 7, terlihat graduasi data

kematian perempuan lebih mendekati kondisi aktualnya. Kurva
perbandingan kelangsungan hidup perempuan dengan metode Heligman
Pollard menghasilkan koefisien determinasi (R-Square) yang lebih tinggi
dibandingkan laki-laki, yaitu sebesar 0.9999844.

Observasi dan Perkiraan Menggunakan Metode Heligman Pollard
Aktual Heligman-Pollard
100000
90000
80000
70000
60000
.id
50000
lx
40000
30000 go
s.
20000
10000
p
.b
0
0
6
54
12
18
24
30
36
42
48
60
66
72
78
84
90
96
w
w
w
Jika ditinjau dari nilai estimasi parameter kurva Heligman Pollard

://
(lihat Tabel 2), nilai estimasi parameter A dan B pada kurva kematian
tp
perempuan lebih mampu merepresentasikan nilai peluang kematian pada

umur 1 dan 0 tahun ( dan ) dibanding pada kurva kematian laki-laki.
ht
Pada tabel kematian hasil graduasi (lihat lampiran), nilai estimasi peluang
kematian untuk umur 0 dan 1 tahun pada tabel Estonia 1962 secara
berturut-turut sebesar 0.0276 dan 0.0027. Sementara pada tabel kematian
Hungaria 1960 (lihat lampiran) nilai peluang tersebut sebesar 0.04126 dan
0.00326. Berdasarkan penjabaran ini dapat diperkuat kesimpulan
sementara bahwa implementasi metode Heligman Pollard pada tabel
kematian perempuan menghasilkan graduasi data yang lebih baik
dibandingkan pada tabel kematian laki-laki.
Berbeda dengan metode Heligman Pollard, pada metode Elandt-

Johnson input yang digunakan adalah jumlah penduduk yang bertahan
hidup hingga mencapai umur ( ). Nilai diambil dari tabel ringkas
Estonia tahun 1962 dan Hungaria 1960 (lihat lampiran). Prosedur graduasi

data yang digunakan mencakup tiga skema interpolasi yaitu untuk
penduduk usia 0-10 tahun, 11-74 tahun dan 74 tahun ke atas. Proses
graduasi data dengan metode ini dilakukan dengan Microsoft Office Excel
2007.
Interpolasi nilai kelangsungan hidup penduduk pada dua kelompok

umur pertama menggunakan interpolasi lagrange berderajat lima dengan
enam titik interpolan. Pada Tabel 3 disajikan nilai koefisien untuk umur 1
hingga 10 tahun. Nilai koefisien tersebut dikombinasikan secara linier
dengan jumlah penduduk yang bertahan hidup sampai dengan umur ( )
yang diambil dari tabel kematian ringkas untuk mendapatkan jumlah
penduduk yang bertahan hidup pada tabel kematian lengkap ( ).
Tabel 3. Nilai koefisien untuk umur tahun dengan
.id
1.000000 0.000000 0.000000 go0.000000 0.000000 0.000000
0.562030 0.717600 -0.478400 0.283886 -0.100716 0.015600
s.
0.273392 1.047200 -0.531911 0.299200 -0.103747 0.015867
p
.b
0.096491 1.108800 -0.328533 0.172800 -0.058358 0.008800

w
0.000000 1.000000 0.000000 0.000000 0.000000 0.000000

-0.041667 0.798000 0.354667 -0.152000 0.048000 -0.007000
w
-0.048872 0.561600 0.665600 -0.240686 0.072758 -0.010400

w
-0.037281 0.333200 0.888533 -0.244800 0.070147 -0.009800

://
-0.018379 0.140800 1.001244 -0.160914 0.043116 -0.005867

tp
0.000000 0.000000 1.000000 0.000000 0.000000 0.000000

ht
Untuk umur 1, 5 dan 10 tahun berlaku bahwa sehingga

koefisien dari enam titik interpolan tersebut bernilai 0 dan 1. Sementara
nilai koefisien untuk umur 11 hingga 74 tahun disajikan tersendiri pada
Tabel 4.
Selanjutnya untuk usia 74 tahun ke atas dilakukan penghitungan
nilai survival yang diasumsikan mengikuti distribusi Gompertz. Hasil
perhitungan lengkap nilai survival ini dapat dilihat pada lampiran. Seperti
pada metode sebelumnya, pada metode ini juga dilakukan uji kesesuaian
hasil graduasi dengan data aktualnya. Pada Gambar 8 dan 9 disajikan grafik
perbandingan nilai kelangsungan hidup laki-laki dan perempuan pada
negara acuan dengan hasil graduasi tabel ringkas menggunakan metode
Elandt-Johnson.

Tabel 4. Nilai koefisien untuk menghitung
dengan umur tahun
0.008064 -0.073920 0.887040 0.221760 -0.049280 0.006336

0.011648 -0.099840 0.698880 0.465920 -0.087360 0.010752
0.010752 -0.087360 0.465920 0.698880 -0.099840 0.011648
0.006336 -0.049280 0.221760 0.887040 -0.073920 0.008064
0.000000 0.000000 0.000000 1.000000 0.000000 0.000000
Dengan:
: jumlah penduduk yang bertahan hidup pada umur dari
tabel kematian
ringkas dengan
: jumlah penduduk yang bertahan hidup pada umur untuk
.id
menghitung
tabel kematian lengkap dengan
go
p s.
Hasil graduasi data menggunakan metode Elandt-Johnson pada

.b
Gambar 8 dan 9 memperlihatkan bahwa metode ini mampu

w
menggambarkan kondisi aktual data dengan sangat baik, terutama untuk

w
nilai kelangsungan hidup penduduk perempuan. Hal ini ditunjukkan oleh

nilai koefisien determinasi keduanya yang mendekati 1. Dari kedua grafik
w
tersebut terlihat pula bahwa metode ini memberikan perkiraan yang baik
://
untuk kematian pada usia dewasa, namun menjadi kurang akurat pada usia
tp
dini/anak-anak.
ht
Gambar 8. Kurva Kelangsungan Hidup ( ) Laki-Laki untuk Nilai Observasi

dan Perkiraan Menggunakan Metode Elandt-Johnson
Aktual
100000
90000
80000
70000
60000
50000
lx
40000
30000
20000
10000
0
0
6
12
18
24
30
36
42
48
54
60
66
72
78
84
90
96

Gambar 9. Kurva Kelangsungan Hidup ( ) Perempuan untuk Nilai Observasi
dan Perkiraan Menggunakan Metode Elandt-Johnson
Aktual
100000
90000
80000
70000
60000
50000
lx
40000
30000
20000
10000
0
0
6
12
18
24
30
36
42
48
54
60
66
72
78
84
90
96
.id
go
Untuk mengetahui metode terbaik dari dua metode interpolasi di
atas, dilakukan perbandingan derajat kesesuaian nilai kelangsungan hidup
s.
( ) yaitu nilai rata-rata dari selisih absolut (MAE), koefisien determinasi
p
.b
(R2), akar dari kuadrat rata-rata selisih (RMSE) masing-masing metode

interpolasi baik untuk laki-laki dan perempuan. Perbandingan nilai kriteria
w
uji dari nilai aktual dan perkiraan dengan metode Elandt-Johnson dan
w
Heligman-Pollard dapat dilihat pada tabel sebagai berikut:

w
://
Tabel 5. Perbandingan Tingkat Kesesuaian antar Metode pada Laki-laki dan

tp
Perempuan
ht
Elandt-Johnson Heligman-Pollard
MODEL
Perempuan Laki-laki Perempuan Laki-laki
MAE 26,4 79,8 87,3 180,3
R² 0.9999983 0.99998171 0.9999844 0.99993043
RMSE 58.596507 150.5769 229.83313 293.68854
Berdasarkan teori yang telah dijelaskan pada bagian sebelumnya,

suatu metode dikatakan lebih baik dibandingkan lainnya jika memiliki nilai
MAE dan RMSE lebih kecil atau koefisien determinasi (R²) yang lebih besar.
Dengan melihat hasil implementasi beberapa metode interpolasi pada
negara yang memiliki kemiripan pola kematian dengan Indonesia, terbukti
bahwa metode Elandt-Johnson merupakan metode yang paling sesuai untuk
diterapkan pada data Indonesia. Disamping karena kemudahannya, metode

ini memberikan nilai kesesuaian yang lebih tinggi dibandingkan Heligman
Pollard baik untuk laki-laki maupun perempuan. Selanjutnya, metode ini
akan digunakan untuk keperluan penyusunan life table Indonesia
berdasarkan hasil Sensus Penduduk 2000-2010.
4.2 Penyusunan Life Table Indonesia Berdasarkan Hasil Sensus

Penduduk 2000- 2010
Penyusunan tabel kematian di Indonesia selama ini masih
tergantung pada hasil perkiraan menggunakan model Coale-Demeny West
karena dianggap memiliki pola mortalitas yang sesuai dengan Indonesia.
Dalam kajian ini digunakan metode alternatif untuk penyusunan tabel
kematian Indonesia, yaitu dengan memanfaatkan nilai Rasio Kelangsungan
Hidup Antarsensus (Intercensal Survival Ratio) sebagai input utama.
Menurut Suhaimi (2011), rasio kelangsungan hidup memiliki beberapa
.id
keunggulan antara lain dapat digunakan untuk mengukur derajat kesehatan,
mudah dipahami atau diinterpretasikan, proses penghitungannya sangat
go
sederhana, dan data dasarnya, yaitu penduduk menurut umur dan jenis
kelamin, mudah diakses karena merupakan data pokok kependudukan.
p s.
Dalam kajian ini, yang dimaksud rasio kelangsungan hidup tahun

.b
2000 adalah perbandingan jumlah penduduk dari suatu kohor kelahiran

w
pada tahun 2010 dengan jumlah penduduk dari kohor yang sama pada
w
tahun 2000. Rasio yang dihitung dari dua series data sensus 10 tahunan
w
tersebut secara ringkas dapat dinyatakan sebagai berikut:

://
tp
(50)
ht
Pada Tabel 6 dan 7 disajikan jumlah penduduk Indonesia menurut

kelompok umur berikut hasil perhitungan nilai rasio kelangsungan hidup
berdasarkan hasil Sensus Penduduk 2000 dan 2010. Rasio kelangsungan
hidup antar sensus dalam tabel ini dihitung dari jumlah penduduk setiap
tahun yang sebelumnya telah dilakukan prorate untuk menghilangkan
jumlah tak terjawab. Untuk kemudahan interpretasi dan penghitungan
selanjutnya, dihitung pula nilai tengah setiap kelompok umur yang tersedia.

Tabel 6. Penduduk Laki-Laki di Indonesia menurut Kelompok Umur Tahun
2000-2010
Kelompok Nilai Jumlah Penduduk (Jiwa)
SR
Umur tengah 2000 2010
0-4 2 10,506,380 11,663,261 1.11016
5-9 7 10,649,776 11,975,327 0.99665
10-14 12 10,658,887 11,663,715 0.92746
15-19 17 10,837,774 10,614,128 0.98087
20-24 22 9,420,791 9,885,703 1.05607
25-29 27 9,318,554 10,630,473 1.00201
30-34 32 8,371,002 9,948,969 0.99422
35-39 37 7,578,962 9,337,247 0.92794
40-44 42 6,553,681 8,322,596 0.89507
45-49 47 5,181,198 7,032,824 0.84931
50-54 52 3,863,399 5,865,971 0.75767
55-59 57 2,938,830 4,400,467 0.75714
.id
60-64 62 2,639,245 2,927,179 0.58029
65-69 67 1,690,620 2,225,113 0.95020
70-74 72 go
1,385,051 1,531,516 -
75+ 77 1,274,729 1,606,424 -
s.
Total 102,868,880 119,630,913 -
p
.b
w
Tabel 7. Penduduk Perempuan di Indonesia menurut Kelompok Umur

w
Tahun 2000-2010
w
Kelompok Nilai Jumlah Penduduk (Jiwa)

SR
://
Umur tengah 2000 2010

tp
0-4 2 10,213,087 11,016,612 1.07916

5-9 7 10,270,999 11,279,855 0.99933
ht
10-14 12 10,184,823 11,021,590 0.98181

15-19 17 10,695,309 10,264,142 0.99828
20-24 22 10,231,152 9,999,541 0.96568
25-29 27 9,713,331 10,676,932 0.94372
30-34 32 8,366,050 9,880,045 0.98034
35-39 37 7,616,969 9,166,618 0.92004
40-44 42 6,147,870 8,201,552 0.92632
45-49 47 4,656,391 7,007,952 0.86930
50-54 52 3,664,123 5,694,865 0.85456
55-59 57 2,847,461 4,047,783 0.86696
60-64 62 2,764,618 3,131,207 0.69624
65-69 67 1,924,041 2,468,641 1.15810
70-74 72 1,487,006 1,924,842 -
75+ 77 1,480,347 2,228,235 -
Total 102,868,880 119,630,913 -

Dengan asumsi faktor migrasi netto untuk level nasional dapat
diabaikan, maka sewajarnya nilai SR maksimum adalah 1, dengan kata lain
peluang kematian pada kelompok umur tersebut 0. Sebaliknya, jika peluang
kematian dalam periode antarsensus lebih besar dari 0 maka nilai SR<1.
Dari kedua tabel di atas dapat diketahui bahwa pada beberapa titik umur
tertentu terdapat SR yang bernilai lebih besar dari 1, yang berarti bahwa
terjadi peningkatan jumlah penduduk dalam satu kohor dalam kurun waktu
sepuluh tahun.
Ada beberapa hal yang bisa menjelaskan anomali ini, salah satunya
adalah perbedaan cakupan antara kedua sensus tersebut. Sebagaimana
diketahui bersama, kualitas data sensus dari tahun ke tahun tentunya
semakin mengalami perbaikan. Lebih jauh lagi, kondisi tersebut juga dapat
disebabkan oleh adanya kesalahan dalam pelaporan umur (miss-age
.id
statement).
go
Mengingat kontribusi nilai SR yang begitu besar, yaitu sebagai input
s.
dalam metode alternatif penyusunan table kematian Indonesia,
p
ketidakwajaran nilai SR seperti yang telah diutarakan di atas menjadi isu

.b
utama dalam kajian ini. Dalam kajian ini, solusi yang ditempuh untuk
w
mengatasi masalah tersebut adalah dengan melakukan graduasi pada nilai-

w
nilai SR. Graduasi data ini dilakukan melalui dua pendekatan yaitu:
w
pendekatan demografi dan pendekatan statistik. Lebih lanjut, pembahasan

://
mengenai teknik dan hasil graduasi nilai SR dari dua pendekatan ini akan
tp
diulas sebagai berikut.

ht
4.2.1 Graduasi Nilai SR dengan Pendekatan Demografi

Pendekatan ini mengasumsikan bahwa nilai-nilai SR yang tercantum
dalam Tabel 6 dan 7 merupakan nilai SR yang berasal dari kohor kelahiran
yang sama. Berdasarkan asumsi ini, graduasi data dilakukan dengan
mengadopsi pola SR yang terdapat pada tabel kematian Coale Demeny West
Model. Alasan penggunaan model ini sebagai acuan telah dikemukakan pada
bab sebelumnya. Prinsip dari pendekatan ini adalah penggunaan SR dari
tabel Coale Demeny model Barat pada level kematian tertentu yang benar-
benar tepat untuk data penduduk Indonesia serta mendapatkan perkiraan
angka harapan hidup berdasarkan SR tersebut. Ketepatan dalam hal ini
memiliki arti yaitu SR pada level tersebut mampu menghasilkan perkiraan
jumlah penduduk tahun 2000 yang mengakomodasi masalah undercoverage.

Mengacu pada nilai parameter demografi pada proyeksi penduduk
2000-2025, nilai angka harapan hidup pada saat lahir tahun 2000 untuk
perempuan dan laki-laki berturut-turut diperkirakan sebesar 65,5 tahun
dan 69,5 tahun. Dengan menggunakan nilai SR dari tabel Coale Demeny
model Barat akan dilihat bagaimana nilai perkiraan angka harapan hidup
tersebut menghasilkan perkiraan jumlah penduduk pada tahun 2000.
Penentuan SR berdasarkan input berupa angka harapan hidup telah
dijelaskan pada pembahasan tentang pemilihan negara acuan (lihat Subbab
4.1).
Nilai SR yang dihasilkan oleh tabel Coale Demeny Barat yang akan
digunakan untuk keperluan perkiraan jumlah penduduk dan angka harapan
hidup di atas masih dalam bentuk tabel ringkas, disebut juga SR 5 tahunan.
Sementara, SR antar sensus 2000-2010 (disebut juga SR aktual) masih
dalam interval 10 tahunan. Agar ada keterbandingan antar kedua nilai
.id
tersebut, perlu dilakukan penghitungan SR 10 tahunan pada tabel Coale
go
Demeny model Barat. Untuk mendapatkan angka tersebut, pada tabel Coale
Demeny ringkas terlebih dahulu dilakukan interpolasi untuk memperoleh
s.
tabel lengkapnya (umur tunggal). Metode interpolasi yang digunakan dalam
p
.b
hal ini adalah metode interpolasi terbaik yang telah diperoleh dari pengujian
sebelumnya, yaitu metode Elandt-Johnson. Tabel kematian lengkap hasil
w
interpolasi Elandt-Johnson dapat dilihat pada lampiran.

w
w
Dari tabel lengkap ini kemudian dapat dihitung nilai SR 10 tahunan

://
(atau nilai peluang penduduk pada umur x dapat bertahan hidup sepuluh
tp
tahun kemudian) dengan menghitung rasio antara dengan . Nilai SR

ht
tersebut selanjutnya digunakan untuk menghitung perkiraan jumlah

penduduk tahun 2000 dengan asumsi data jumlah penduduk tahun 2010
tidak berubah. Asumsi ini diambil karena data dari hasil SP 2010 dianggap
lebih berkualitas dibandingkan tahun 2000, sehingga tidak memerlukan
perbaikan (fixed). Perkiraan jumlah penduduk tahun 2000 ini dapat dihitung
dengan memanfaatkan rumus 50 di atas yang dapat dituliskan kembali
dalam bentuk sebagai berikut:
(51)
Nilai SR yang diperoleh berikut perkiraan jumlah penduduk menurut

kelompok umur pada tahun 2000 untuk nilai angka harapan hidup yang
bersesuaian dapat dilihat pada Tabel 8. Pada kolom (5) dan (6)
menunjukkan nilai SR 10 tahunan yang diperoleh untuk setiap

kelompok/nilai tengah umur berdasarkan tabel kematian Coale Demeny
West model Barat pada level interpolasi 20.7785 untuk laki-laki dan 20.8
untuk perempuan. Sementara pada kolom (7) dan (8), perkiraan penduduk
yang berusia 0-4 (diwakili oleh usia 2 tahun) sebesar 11,820,352 jiwa untuk
laki-laki dan 11,135,758 jiwa untuk perempuan. Angka ini diperoleh dari
hasil bagi antara jumlah penduduk berusia 10-14 tahun (diwakili oleh usia
12 tahun) pada 2010 dengan nilai yaitu sebesar 0.986749 untuk
laki-laki dan 0.989748 untuk perempuan. Begitu pula untuk penghitungan
pada umur-umur selanjutnya, kecuali pada kelompok umur 67 digunakan
nilai sebagai pendekatan untuk .
Tabel 8. Nilai SR Tabel Coale Demeny Model Barat pada Level 20.778 dan
20.8 serta Perkiraan Jumlah Penduduk Menurut Kelompok Umur pada
Tahun 2000
.id
Jumlah Penduduk 2010 SR CD West Est.2000(Jiwa)
Nilai
Kelompok
Tengah Laki2 Perempuan
Umur
Umur Laki-laki Perempuan
go
( =65.5) ( =69.5)
Laki-laki Perempuan
s.
(1) (2) (3) (4) (5) (6) (7) (8)
0-4 2 11,663,261 11,016,612 0.986749 0.989748 11,820,352 11,135,758
p
.b
5-9 7 11,975,327 11,279,855 0.990968 0.993531 10,710,864 10,330,970

w
10-14 12 11,663,715 11,021,590 0.985771 0.990384 10,028,396 10,096,627

15-19 17 10,614,128 10,264,142 0.981016 0.986934 10,836,183 10,818,283
w
20-24 22 9,885,703 9,999,541 0.978930 0.983833 10,163,110 10,042,401

w
25-29 27 10,630,473 10,676,932 0.976596 0.980629 9,561,016 9,347,695

://
30-34 32 9,948,969 9,880,045 0.970500 0.975687 8,575,578 8,405,924

tp
35-39 37 9,337,247 9,166,618 0.958638 0.967413 7,336,269 7,244,015

ht
40-44 42 8,322,596 8,201,552 0.938220 0.953711 6,252,232 5,971,269

45-49 47 7,032,824 7,007,952 0.905966 0.932688 4,857,209 4,339,913
50-54 52 5,865,971 5,694,865 0.857264 0.900390 3,414,559 3,477,612
55-59 57 4,400,467 4,047,783 0.787079 0.847384 2,827,051 2,913,249
60-64 62 2,927,179 3,131,207 0.688180 0.760648 2,225,458 2,530,530
65-69 67 2,225,113 2,468,641 0.553601 0.628770 4,104,506 4,849,256
70-74 72 1,531,516 1,924,842 0.391381 0.459500 - -
75+ 77 1,606,424 2,228,235 0.226184 0.278483 - -
Total 119,630,913 118,010,413 102,712,784 101,503,503
Tabel di atas memperlihatkan bahwa perkiraan total penduduk pada

tahun 2000 berdasarkan model Coale Demeny Barat pada hasil proyeksi
(65.5 dan 69.5 tahun) masih jauh dibawah nilai aktual jumlah penduduk

tahun 2000 (lihat tabel sebelum ini). Hal ini mengindikasikan bahwa ada
kemungkinan nilai untuk tahun 2000 sesungguhnya kurang dari angka
proyeksi. Sekali lagi, penentuan yang tepat dalam hal ini tentunya akan
berpengaruh pada validitas tabel kematian yang dihasilkan.
Dengan memanfaatkan aplikasi Macro dalam Microsoft Office Excel

2007 dilakukan suatu prosedur iterasi untuk mendapatkan nilai yang
seharusnya untuk tahun 2000. Dari hasil iterasi diperoleh bahwa untuk
menghasilkan perkiraan total penduduk laki-laki sebesar 102,9 juta jiwa dan
perempuan 102,3 juta jiwa, yang dihasilkan berturut-turut sebesar 65.038
dan 67.154 tahun, nilai yang lebih rendah dari hasil proyeksi. Sampai tahap
ini, prosedur iterasi mengasumsikan bahwa jumlah penduduk tahun 2000
tersebut adalah benar.
Masalah timbul ketika diketahui bahwa Sensus Penduduk 2000
.id
masih ditemui adanya kasus rendahnya cakupan (undercoverage)1. Kondisi
go
ini mengindikasikan jumlah penduduk tahun 2000 yang seharusnya adalah
lebih tinggi dibandingkan nilai yang disajikan dalam tabel (102,868,880 jiwa
s.
untuk laki-laki dan 102,263,578 jiwa untuk perempuan). Berdasarkan
p
rumus penghitungan SR diatas 51 dan dengan asumsi bahwa jumlah

.b
penduduk 2010 sudah benar, maka solusi yang dapat dilakukan dalam
w
kondisi ini adalah dengan memperkecil nilai-nilai SR (yang berarti pula

w
memperkecil nilai ).
w
Prosedur iterasi kembali dilakukan dengan mereduksi nilai pada

://
starting point 65.038 untuk laki-laki dan 67.154 untuk perempuan

tp
menggunakan suatu bilangan yang sangat kecil. Iterasi ini dilakukan dengan
ht
mengacu pada nilai SR aktual yang dianggap masuk akal (make sense) pada
kondisi awal. Masuk akal dalam hal ini ditunjukkan dengan selisih
minimum yang paling kecil antara SR aktual dengan model Coale Demeny
Barat. Prosedur iterasi akan berhenti pada saat mencapai nilai yang
optimal, yang ditunjukkan oleh selisih SR aktual dengan model Coale
Demeny Barat mendekati/sama dengan nol.
Dengan prosedur iterasi ini diperoleh bahwa mencapai nilai

optimum pada point 64.691 untuk laki-laki dan 66.231 untuk perempuan.
1
Hasil Evaluasi Pasca Sensus Penduduk 2000 menunjukkan bahwa dengan metode
Chandra Demming dan Uttam Chand secara berturut-turut terdapat sekitar 15 persen dan
12 persen rumah tangga yang tidak tercakup dalam SP 2000. Rendahnya cakupan SP
2000 ini diduga karena adanya konflik sosial, etnis dan politik yang terjadi di dua
provinsi, yaitu Provinsi NAD dan Maluku, pada saat Sensus Penduduk 2000 berlangsung.

Dengan nilai tersebut, dihasilkan perkiraan jumlah penduduk tahun 2000
sebesar 102.986.408 jiwa untuk laki-laki dan 102.566.729 jiwa untuk
perempuan. Tabel kematian yang dihasilkan dari pendekatan ini dapat
dilihat pada lampiran. Berikut ini disajikan grafik nilai-nilai SR yang
menyusun tabel kematian melalui pendekatan demografi.
Gambar 10. Nilai SR Penyusun Tabel Kematian dengan

Pendekatan Model Coale Demeny Barat
Male Female
1
0,8
0,6
SR
0,4
.id
0,2
0 go
2 7 12 17 22 27 32 37 42 47 52 57 62 67 72 77
s.
Umur
p
.b
4.2.2 Graduasi Nilai SR dengan Pendekatan Statistik

w
Selain menggunakan model Coale Demeny west, graduasi data SR

w
dapat pula dilakukan dengan pendekatan statistik. Pendekatan statistik yang

w
digunakan adalah analisis regresi dengan umur sebagai variabel prediktor

://
dan rasio kelangsungan hidup antar sensus sebagai variabel respon. Prinsip
tp
utama dalam pendekatan ini adalah memperoleh model regresi terbaik yang
ht
mampu menghasilkan taksiran nilai rasio kelangsungan hidup antar sensus

secara lebih tepat dan lebih halus secara terpisah untuk laki-laki dan
perempuan. Dalam pendekatan ini hubungan antara variabel umur dengan
variabel rasio kelangsungan hidup diduga dengan pendekatan regresi
polinomial. Dugaan ini didasari oleh hasil scatter plot seperti diperlihatkan
dalam Gambar 11.
Spesifikasi model menjadi begitu penting dalam pendekatan ini
untuk mengetahui dengan pasti hubungan antar kedua variabel, salah
satunya melalui scatter plot di atas. Pada Gambar 11 terlihat bahwa
hubungan antara variabel umur dengan nilai rasio kelangsungan hidup
cenderung menunjukkan pola yang tidak linier, baik pada laki-laki maupun
perempuan. Oleh karena pendekatan ini ditujukan untuk graduasi atau
penghalusan data, eksplorasi lebih lanjut dapat dilakukan dengan proses

cleaning data dari nilai-nilai ekstrem dan pencilan. Dengan kata lain, tidak
semua titik observasi dimasukkan dalam analisis. Berikut ini disajikan nilai-
nilai SR pada titik umur tertentu yang akan digunakan sebagai input model
regresi, dimana nilai-nilai ekstrem pada beberapa titik umur telah
dihilangkan.
Gambar 11. Hubungan Umur (x) dengan

Rasio Kelangsungan Hidup
Laki-laki Perempuan
1,2
1
0,8
SR (y)
0,6
.id
0,4
0,2
2
go
7 12 17 22 27 32 37 42 47 52 57 62
s.
umur (x)
p
.b
w
w
Tabel 9. Nilai SR Observasi untuk Laki-laki dan Perempuan

w
SR ( )
Kelompok umur ( )
://
Laki-laki Perempuan
tp
2 - -
7 0.99665 -
ht
12 0.92746 0.98181
17 0.98087 -
22 - 0.96568
27 - 0.94372
32 0.99422 -
37 0.92794 0.92004
42 0.89507 0.92632
47 0.84931 0.86930
52 0.75767 0.85456
57 0.75714 -
62 0.58029 0.69624
67 - -

Dengan menghilangkan nilai-nilai yang dianggap ekstrem diperoleh
sejumlah 10 observasi untuk laki-laki dan 8 observasi untuk perempuan.
Walaupun spesifikasi model telah ditentukan di awal, dalam kajian beberapa
pilihan model regresi akan diujicobakan pada kedua data untuk
memperoleh hasil yang paling baik. Pemilihan model dalam hal ini
didasarkan pada hasil pengujian parameter regresi dan nilai goodness of fit
statistics yang terangkum dalam tabel summary statistics. Beberapa bentuk
alternatif model tersebut diberikan sebagai berikut:
1. Model 1:
2. Model 2:
3. Model 3:
4. Model 4:
5. Model 5:
6. Model 6:
.id
7. Model 7:
dimana
go
adalah variable respon yaitu SR, variabel prediktor yaitu Umur
s.
dengan , sedangkan dan merupakan koefisien regresi.
p
.b
w

w
Regresi untuk Rasio Kelangsungan Hidup Laki-Laki

w
Summary
Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Model 7
Statistics
://
Coefficient
tp
- Intercept 0.9831 0.8966 0.9639 0.9440 0.9960 1.0207 1.0793

ht
-x -0.0025* 0.0095 - 0.0028* - - -0.0058

- x2 0.0002* -0.0002 0.0001* - - -0.0001 -
- x3 0.0000* - 0.0000 0.0000 0.0000 - -
Multiple R 0.9740 0.9680 0.9737 0.9729 0.9613 0.9224 0.8379
R Square 0.9486 0.9370 0.9481 0.9464 0.9242 0.8508 0.7020
Adjusted R
0.9229 0.9190 0.9333 0.9311 0.9147 0.8322 0.6648
Square
Standard
0.0371 0.0380 0.0345 0.0351 0.0390 0.0547 0.0774
Error
Observations 10 10 10 10 10 10 10
Catatan: Tanda (*) menunjukkan koefisien regresi signifikan pada α=5%
Tabel 10 memperlihatkan hasil pengolahan regresi polinomial untuk

nilai SR laki-laki. Dengan 10 titik observasi ditunjukkan bahwa model 2, 5, 6

dan 7 menghasilkan nilai koefisien regresi yang seluruhnya signifikan
berpengaruh terhadap nilai SR. Diantara keempat model tersebut, koefisien
determinasi terbesar ditunjukkan oleh model kuadratik yaitu sebesar
0,9370. Namun, dengan memperhatikan hasil scatter plot yang
menunjukkan pola kubik, model 2 ini dirasa kurang sesuai. Hal ini juga
mempertimbangkan hasil prediksi model untuk rasio kelangsungan hidup
yang selanjutnya digunakan dalam penyusunan tabel kematian. Dengan
demikian, data rasio kelangsungan hidup laki-laki ini dimodelkan
menggunakan regresi kubik sebagai berikut:
Selanjutnya, persamaan regresi yang terbentuk digunakan untuk

memperkirakan nilai peluang bertahan hidup (Px) atau nilai SR untuk
menyusun tabel kematian ringkas dengan interval 10 tahunan. Dengan
memasukkan nilai-nilai x (umur) sebesar 0, 10, …, 80 pada persamaan
.id
regresi yang terbentuk di atas, dapat diperoleh nilai prediksi peluang
bertahan hidup (fitted value) yang dapat dilihat pada kolom (3) Tabel 11.
go
Tabel 11. Estimasi Tabel Kematian Laki-Laki
s.
Menggunakan Pendekatan Statistik
p
.b
x lx p(x) q(x) dx Lx Tx ex
w
(1) (2) (3) (4) (5) (6) (7) (8)

0 100000 0.99600 0.00400 400 997999 6537044 65.37
w
10 99600 0.99445 0.00555 553 993233 5539045 55.61

w
20 99047 0.98357 0.01643 1627 982329 4545812 45.90

://
30 97419 0.95405 0.04595 4477 951810 3563483 36.58

tp
40 92943 0.89656 0.10344 9614 881358 2611673 28.10

ht
50 83329 0.80179 0.19821 16517 750705 1730315 20.76

60 66812 0.66040 0.33960 22689 554674 979610 14.66
70 44123 0.46308 0.53692 23690 322775 424937 9.63
80 20432 0.20051 0.79949 16336 102162 102162 5.00
Dengan memanfaatkan hasil prediksi nilai SR 10 tahunan

berdasarkan model 5 diatas, selanjutnya dapat dihitung komponen-
komponen tabel kematian lainnya dengan asumsi radiks sebesar 100000.
Tabel kematian laki-laki yang dihasilkan dengan pendekatan regresi kubik
ini dapat dilihat pada Tabel 11. Dengan pendekatan ini, diperoleh estimasi
angka harapan hidup pada saat lahir ( ) untuk laki-laki pada tahun 2000
sebesar 65,37 tahun. Di samping itu, peluang bayi laki-laki akan tetap
bertahan hidup sepuluh tahun kemudian diperkirakan sebesar 0,996.

Sementara itu, hasil pengolahan dengan regresi untuk data
penduduk perempuan menunjukkan bahwa rasio kelangsungan hidup
perempuan dapat dimodelkan dengan cukup baik oleh model 5, 6, 7. Ketiga
model ini menghasilkan nilai koefisiean regresi yang seluruhnya signifikan
berpengaruh terhadap nilai rasio kelangsungan hidup dan standar error
yang cukup kecil. Diantara ketiga model tersebut, model 5 memberikan nilai
koefisiean determinasi yang paling tinggi yaitu sekitar 96%. Di samping itu,
prediksi untuk variable respon SR (fitted value) untuk model 6 dan 7 masih
menunjukkan nilai yang lebih besar dari 1, dengan kata lain model 5
merupakan model terbaik untuk memodelkan variable umur terhadap rasio
kelangsungan hidup perempuan tahun 2000. Persamaan regresi yang
dihasilkan adalah sebagai berikut.
.id
go
s.
Regresi untuk Rasio Kelangsungan Hidup Perempuan
p
ummary Statistics Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Model 7

.b
Coefficient
w
- Intercept 1.0795 0.9153 0.9639 0.9554 0.9841 1.0103 1.0786

w
-x -0.0119* 0.0059* - 0.0013* - - -0.0049

w
- x2 0.0004* -0.0001 0.0000* - - -0.0001 -

://
- x3 0.0000 - 0.0000 0.0000 0.0000 - -

tp
Multiple R 0.9929 0.9752 0.9856 0.9837 0.9802 0.9506 0.8872

ht
R Square 0.9858 0.9510 0.9715 0.9677 0.9608 0.9036 0.7871

Adjusted R Square 0.9752 0.9313 0.9601 0.9548 0.9542 0.8876 0.7516
Standard Error 0.0144 0.0239 0.0182 0.0194 0.0195 0.0306 0.0455
Observations 8 8 8 8 8 8 8
Catatan: Tanda (*) menunjukkan koefisien regresi signifikan pada α=5%
Seperti pada data penduduk laki-laki, persamaan regresi tersebut

selanjutnya digunakan untuk memperkirakan nilai rasio kelangsungan
hidup (P(x)) 10 tahunan. Dengan radiks sebesar 100000 diperoleh nilai
komponen-komponen tabel kematian lainnya untuk perempuan seperti
yang terlihat pada Tabel 13. Prediksi model menunjukkan peluang kematian
bayi akan meninggal sebelum berusia 10 tahun sebesar 0,01587. Dengan
pendekatan ini pula, diperoleh angka harapan hidup perempuan pada saat
lahir ( ) sebesar 66,33 tahun.

Tabel 13. Estimasi Tabel Kematian Perempuan Menggunakan Pendekatan
Statistik
x lx p(x) q(x) dx Lx Tx ex
(1) (2) (3) (4) (5) (6) (7) (8)
0 100000 0.984130 0.01587 1587 992065 6633485 66.33
10 98413 0.983011 0.01699 1672 975770 5641420 57.32
20 96741 0.975182 0.02482 2401 955406 4665649 48.23
30 94340 0.953929 0.04607 4346 921670 3710243 39.33
40 89994 0.912543 0.08746 7871 860585 2788574 30.99
50 82123 0.844311 0.15569 12786 757304 1927989 23.48
60 69338 0.742523 0.25748 17853 604112 1170685 16.88
70 51485 0.600468 0.39953 20570 411998 566573 11.00
80 30915 0.411433 0.58857 30915 154575 154575 5.00
.id
Gambar 12 menunjukkan bahwa pola angka harapan hidup yang
go
dihasilkan dari kedua pendekatan di atas tidak terlalu jauh berbeda, baik
s.
untuk laki-laki maupun perempuan. Terdapat kecenderungan angka
p
harapan hidup yang semakin menurun pada kedua pendekatan seiring

.b
dengan bertambahnya umur seseorang. Meskipun demikian, terlihat pula

w
bahwa angka harapan hidup laki-laki dan perempuan hasil model Coale
w
Demeny West cenderung lebih tinggi dibandingkan dengan hasil model

regresi. Di sisi lain, hasil estimasi angka harapan hidup dengan kedua
w
pendekatan ini tampaknya lebih rendah dibandingkan dengan angka

://
proyeksi penduduk, terutama pada umur muda.

tp
ht
Gambar 12. Angka Harapan Hidup Laki-laki dan Perempuan dengan

Dua Pendekatan

4.3 Evaluasi Proyeksi Penduduk
4.3.1 Struktur Penduduk Indonesia, 1990 – 2000

Dalam pembahasan ini struktur penduduk Indonesia diulas menurut
tiga indikator (statistik) utama, yaitu: komposisi penduduk, rasio jenis
kelamin, dan angka ketergantungan. Gambaran komposisi penduduk secara
ringkas dapat diamati dengan menggunakan piramida penduduk. Piramida
penduduk tidak lain merupakan gambaran secara deskriptif dari distribusi
penduduk yang biasanya digambarkan dalam diagram batang yang
dibedakan menurut jenis kelamin. Sisi kiri piramida penduduk
menggambarkan distribusi penduduk laki-laki sedangkan sisi kanannya
menggambarkan distribusi penduduk perempuan. Sementara itu
berdasarkan definisinya rasio jenis kelamin menggambarkan banyaknya
penduduk perempuan dari 100 penduduk laki-laki. Jika dikaitkan dengan
cohort kelahiran (kelompok umur) dari suatu penduduk, maka rasio jenis
.id
kelamin dapat memberikan gambaran perbandingan kelangsungan hidup
go
antara penduduk laki-laki dan perempuan. Selanjutnya angka
ketergantungan menggambarkan banyaknya penduduk yang hidupnya
s.
“bergantung” pada penduduk lain secara ekonomi. Dalam hal ini penduduk
p
.b
yang masih bergantung secara ekonomi biasanya merupakan penduduk

yang berusia diluar batas penduduk produktif (15-64 tahun).
w
w
Komposisi Penduduk
w
Komposisi penduduk Indonesia dapat digambarkan dalam sebuah

://
piramida penduduk seperti diperlihatkan dalam Gambar 13. Sedangkan

tp
perkembangan secara ringkas komposisi penduduk Indonesia berdasarkan

ht
hasil sensus penduduk tahun 1990, 2000 dan 2010 diperlihatkan dalam
Gambar 14.
Gambar 13 memperlihatkan bahwa selama tiga dasawarsa terakhir

pertumbuhan jumlah penduduk sudah mulai menurun. Hal ini dapat
diketahui dari banyaknya penduduk usia balita (0-4 tahun) yang jumlahnya
relatif lebih kecil dibandingkan dengan banyaknya penduduk pada
kelompok umur 5-9 tahun. Jika pada tahun 1990 piramida penduduk
Indonesia masih menampakkan ciri penduduk dengan pertumbuhan yang
cepat, maka pada tahun 2000 dan 2010 piramida penduduk Indonesia mulai
menampakkan ciri penduduk dengan pertumbuhan penduduk yang
cenderung lambat (Caselli, Vallin, dan Wunsch, 2006). Piramida penduduk
pada tahun 1990 secara implisit menunjukkan angka kematian dan
kelahiran yang sama tinggi. Dalam hal ini secara psikologis, kematian anak

yang dialami seorang ibu (rumah tangga) mesti diimbangi dengan
melahirkan anak sebagai pengganti anak yang telah meninggal sebelumnya.
Oleh sebab itu pertumbuhan penduduk pada periode ini masih cenderung
tinggi. Sementara itu di tahun 2000 jumlah kematian anak sudah mulai
berkurang dengan semakin baiknya sarana dan prasarana kesehatan, dan
penduduk mulai sadar akan arti dari keluarga berencana. Oleh sebab itu,
dalam piramida penduduk terlihat jumlah penduduk anak usia balita
tampak lebih sedikit dibandingkan dengan jumlah anak usia di atasnya (5-9
tahun). Pada tahun 2010, piramida penduduk tampak masih
menggelembung di tengah. Hal ini merupakan efek dari banyaknya
penduduk yang lahir pada satu atau dua dasawarsa sebelumnya
(berdasarkan sensus 1990 dan 2000) dan masih bertahan hidup hingga
tahun 2010. Secara implisit piramida penduduk ini menunjukkan derajat
kesehatan masyarakat yang semakin baik, dan disamping itu kesadaran
.id
masyarakat akan keluarga berencana juga semakin tinggi.
Gambar 13 Piramida Penduduk Indonesia Hasil Sensus Penduduk go

1990 2010
p s.
a) Sensus Penduduk 1990 b) Sensus Penduduk 2000

.b
Laki-laki Perempuan
w
Laki-laki Perempuan
75+ 75+
70-74 70-74
w
65-69 65-69
60-64 60-64
55-59 55-59
Kelompok Umur
Kelompok Umur
50-54 50-54
45-49 45-49
40-44 40-44
://
35-39 35-39
30-34 30-34
25-29 25-29
tp
20-24 20-24
15-19 15-19
10-14 10-14
ht
5-9 5-9
0-4 0-4
12 8 4 0 4 8 12 12 8 4 0 4 8 12
Jumlah Penduduk (juta jiwa) Jumlah Penduduk (juta jiwa)
c) Sensus Penduduk 2010
Laki-laki Perempuan
75+
70-74
65-69
60-64
55-59
Kelompok Umur
50-54
45-49
40-44
35-39
30-34
25-29
20-24
15-19
10-14
5-9
0-4
12 8 4 0 4 8 12
Jumlah Penduduk (juta jiwa)
Sumber: Hasil Sensus Penduduk 1990 – 2010.

Proses transisi penduduk Indonesia mulai tahun 1990 sampai dengan
2010 seperti diuraikan di atas terlihat lebih jelas dengan menggabungkan
ketiga piramida tersebut sebagaimana diperlihatkan dalam Gambar 14. Pada
gambar ini tampak terlihat bahwa komposisi penduduk usia muda (umur 0-
14 tahun) semakin menyusut. Pada uraian sebelumnya disebutkan bahwa
hal ini kemungkinan besar disebabkan oleh keberhasilan program
kesehatan dan keluarga berencana di masyarakat. Penduduk secara sadar
“mengurangi” jumlah anak yang dimilikinya dan komposisi yang hampir
sama diantara ketiga kelompok umur dalam rentang usia ini menunjukkan
bahwa anak-anak yang dilahirkan dapat hidup sehat sehingga dapat terus
bertahan hidup (angka kematian anak semakin kecil. Akan tetapi komposisi
penduduk usia produktif (umur 15-64 tahun) justru semakin meningkat. Hal
ini menunjukkan bahwa taraf kesehatan penduduk semakin baik sehingga
penduduk dapat bertahan hidup hingga di puncak usia produktif dengan
.id
komposisi yang lebih banyak dibandingkan dengan masa 10 tahun
sebelumnya. Ketika memasuki usia lanjut (65 tahun ke atas), maka
go
komposisi penduduk hampir sama, akan tetapi tampak terlihat bahwa pada
s.
tahun belakangan (2010) banyaknya penduduk yang bisa mencapai usia
p
lanjut semakin banyak.

.b
Secara umum proses transisi komposisi penduduk di atas

w
menunjukkan tanda-tanda yang baik dari sisi kesehatan penduduk. Akan

w
tetapi hal ini bukan tanpa masalah, karena dengan bertambahnya penduduk
w
di usia produktif jika tidak diimbangi dengan penyediaan lapangan kerja

://
yang cukup akan dapat menimbulkan masalah pengangguran. Jika tidak

tp
tertangani dengan baik masalah pengangguran akan dapat berimbas pada

ht
perekonomian. Sementara dengan bertambahnya penduduk usia lanjut juga

akan dapat menimbulkan masalah lain karena hal ini berarti semakin
banyak penduduk usia lanjut yang harus ditanggung oleh penduduk usia
produktif. Kebijakan pemberian pensiun atau perlindungan sosial bagi
penduduk usia lanjut ataukah perpanjangan usia pensiun bagi penduduk
usia produktif perlu dipikirkan masak-masak untuk mengatasi masalah
bertambahnya penduduk usia lanjut ini.

Gambar 14 Komposisi Penduduk
Indonesia Tahun 1990 2010
SP 1990 SP 2000 SP 2010

Laki-laki Perempuan
75+
70-74
65-69
60-64
Kelompok Umur 55-59
50-54
45-49
40-44
35-39
30-34
25-29
20-24
15-19
10-14
5-9
0-4
.id
15 10 5 0 5 10 15
Komposisi Penduduk (%)
Sumber: Hasil Sensus Penduduk 1990 – 2010 go

p s.
.b
Rasio Jenis Kelamin

w
Rasio jenis kelamin menunjukkan banyaknya penduduk laki-laki dari

100 penduduk perempuan. Gambaran rasio jenis kelamin selama tiga
w
dasawarsa terakhir diperlihatkan dalam Gambar 15. Pada gambar ini

w
terlihat bahwa jumlah anak laki-laki pada penduduk kelompok umur muda
://
(usia 0-14 tahun) masih lebih banyak dibandingkan dengan jumlah anak
tp
perempuan. Angka rasio jenis kelamin pada usia ini relatif stabil selama tiga
ht
kali periode sensus. Ini menunjukkan bahwa komposisi penduduk baik anak
laki-laki maupun perempuan pada usia ini relatif tetap selama tiga periode
sensus. Disamping itu, pada gambar ini juga terlihat angka rasio jenis
kelamin usia 0-14 tahun yang sedikit lebih kecil pada tahun 2000
dibandingkan dengan tahun 1990 atau 2010 (perhatikan juga Tabel 14). Hal
ini boleh jadi menunjukkan hasil sensus penduduk yang under estimate.

Gambar 15. Rasio Jenis Kelamin Penduduk Indonesia,
1990 - 2010
1990 2000 2010
1,2
Rasio Jenis Kelamin 0,8
0,6
0,4
0,2
Kelompok Umur
Tabel 14. Rasio Jenis Kelamin Penduduk Indonesia
.id
Menurut Kelompok Umur, 1990 – 2010
Kelompok
Umur 1990
go
Rasio Jenis Kelamin
2000 2010
s.
0-14 1.06 1.04 1.06
p
.b
15-39 0.97 0.98 1.01

40-64 0.97 1.05 1.02
w
65+ 0.87 0.89 0.81

w
w
://
Rasio jenis kelamin pada usia produktif (15–64 tahun) menunjukkan

tp
pola yang variatif di setiap kelompok umurnya. Secara umum penduduk

ht
pada usia ini dapat dibedakan menjadi dua fase kehidupan, yaitu fase
sebelum mapan (usia 15–39 tahun) dan fase mapan (usia 40–64 tahun)
secara ekonomi. Berdasarkan rasio penduduk seperti diperlihatkan dalam
Tabel 14, penduduk perempuan pada fase sebelum mapan lebih banyak
dibandingkan dengan penduduk laki-laki, sebaliknya penduduk perempuan
pada fase mapan lebih sedikit dibandingkan dengan penduduk laki-laki.
Selanjutnya rasio jenis kelamin pada usia lanjut menunjukkan

kecenderungan yang menurun. Hal ini mengindikasikan bahwa jumlah
penduduk perempuan usia lanjut lebih banyak dibandingkan laki-laki.
Secara implisit hal ini menunjukkan bahwa penduduk perempuan memiliki
harapan hidup yang lebih panjang dibandingkan dengan penduduk laki-laki.

Angka Ketergantungan
Angka ketergantungan selama tiga dasawarsa diperlihatkan dalam

Gambar 16. Pada gambar ini diketahui bahwa angka ketergantungan anak
cenderung menurun sementara angka ketergantungan penduduk usia lanjut
(manula) cenderung meningkat. Pada gambar tersebut juga diketahui bahwa
angka ketergantungan anak laki-laki lebih tinggi dibandingkan dengan anak
perempuan, sebaliknya pada manula angka ketergantungan lebih tinggi
pada manula perempuan dibandingkan dengan laki-laki. Gambaran ini
sesuai dengan angka rasio jenis kelamin yang telah diuraikan sebelumnya.
Yakni bahwa jumlah anak laki-laki relatif lebih banyak dibandingkan dengan
anak perempuan, sedangkan untuk manula lebih banyak perempuan
dibandingkan dengan laki-laki. Secara persentase, angka ketergantungan
anak jauh lebih tinggi daripada manula. Akan tetapi permasalahan
ketergantungan manula tampaknya lebih besar dibandingkan dengan
.id
ketergantungan anak. Hal ini disebabkan kondisi penduduk manula (baik
go
fisik maupun psikis) relatif lebih rentan dibandingkan dengan anak-anak.
p s.
.b
Gambar 16. Angka Ketergantungan Penduduk Indonesia,

w
1990 -2010
w
anak laki-laki anak perempuan

w
manula laki-laki manula perempuan

://
70 9
tp
65
ht
8
60
Anak-anak
55 7
Manula
50
45 6
40
5
35
30 4
1990 2000 2010

4.3.2 Evaluasi Census Survival Ratio Indonesia 2000-2010
Hasil sensus penduduk tahun 2000 yang berdasarkan Survey Pasca
Sensus memiliki masalah cakupan (undercoverage) ternyata juga
menimbulkan permasalahan lain berupa angka kelangsungan hidup
(survival ratio—SR) yang nilainya lebih dari satu. Angka ini diperoleh
dengan membandingkan jumlah penduduk berdasarkan cohort kelahiran di
tahun 2000 dengan jumlah penduduk pada cohort yang sama sepuluh tahun
kemudian (di tahun 2010). Jika angka kelangsungan hidup bernilai lebih
dari satu, ini berarti setelah sepuluh tahun jumlah penduduk pada suatu
cohort semakin bertambah banyak. Dengan asumsi bahwa migrasi netto
(migrasi masuk dikurangi dengan migrasi keluar wilayah Indonesia) sama
dengan nol, angka kelangsungan hidup yang bernilai lebih dari satu adalah
mustahil, karena dengan berjalannya waktu secara alamiah jumlah
penduduk pada cohort tertentu akan berkurang karena kematian. Secara
.id
lebih detil permasalahan tersebut ditampilkan dalam Tabel 15. Pada
penduduk laki-laki, angka kelangsungan hidup > 1 ditemui pada kelompok
go
umur 0-4, 20-24, dan 25-29 tahun, sedangkan pada penduduk perempuan
s.
permasalahan yang sama ditemui pada kelompok umur 0-4 dan 65-69
p
tahun.
.b
Seperti diuraikan dalam subbab sebelumnya, koreksi terhadap jumlah

w
penduduk hasil sensus tahun 2000 kemudian dilakukan untuk mengatasi

w
masalah tersebut. Proses koreksi dilakukan dengan menggunakan metode

w
graduasi survival ratio. Pada metode ini dua pendekatan dilakukan, yaitu
://
dengan pendekatan demografi melalui proses estimasi life table dan

tp
pendekatan statistik melalui proses estimasi model regresi. Seperti

ht
diperlihatkan dalam Tabel 15, penghitungan rasio kelangsungan hidup

hanya dapat dilakukan sampai pada kelompok umur 65-69. Oleh karena itu
estimasi jumlah penduduk yang dihasilkan juga hanya bisa menampilkan
jumlah penduduk dengan kelompok umur tertinggi pada usia 65 tahun ke
atas (dengan cara mengakumulasi penduduk pada tiga kelompok umur: 65-
69, 70-74, dan 75+ tahun). Hasil proses koreksi jumlah penduduk dan rasio
kelangsungan hidup masing-masing diperlihatkan dalam Tabel 16 dan 17.
Dalam tabel ini total jumlah penduduk yang diperoleh lebih besar daripada
hasil sensus penduduk tahun 2000 dengan angka kelangsungan hidup
bernilai kurang dari 1. Dengan demikian tujuan yang diinginkan dari
penggunaan metode ini, yakni mengatasi masalah undercoverage dari sensus
penduduk, telah tercapai.

Tabel 15. Jumlah Penduduk Indonesia berdasarkan
Sensus Penduduk 2000 - 2010
a) Laki-laki
Kel. Nilai Survival
SP 2000 SP 2010
Umur tengah Ratio
0-4 2 10,506,380 11,663,261 1.110
5-9 7 10,649,776 11,975,327 0.997
10-14 12 10,658,887 11,663,715 0.927
15-19 17 10,837,774 10,614,128 0.981
20-24 22 9,420,791 9,885,703 1.056
25-29 27 9,318,554 10,630,473 1.002
30-34 32 8,371,002 9,948,969 0.994
35-39 37 7,578,962 9,337,247 0.928
40-44 42 6,553,681 8,322,596 0.895
45-49 47 5,181,198 7,032,824 0.849
50-54 52 3,863,399 5,865,971 0.758
55-59 57 2,938,830 4,400,467 0.757
.id
60-64 62 2,639,245 2,927,179 0.580
65-69 67 1,690,620 2,225,113 0.950
70-74
75+
72
77
1,385,051
1,274,729
go1,531,516
1,606,424
-
-
s.
Total 102,868,880 119,630,913
p
b) Perempuan
.b
Kel. Nilai Survival

SP 2000 SP 2010
w
Umur tengah Ratio

w
0-4 2 10,213,087 11,016,612 1.079

5-9 7 10,270,999 11,279,855 0.999
w
10-14 12 10,184,823 11,021,590 0.982

://
15-19 17 10,695,309 10,264,142 0.998

20-24 22 10,231,152 9,999,541 0.966
tp
25-29 27 9,713,331 10,676,932 0.944

ht
30-34 32 8,366,050 9,880,045 0.980

35-39 37 7,616,969 9,166,618 0.920
40-44 42 6,147,870 8,201,552 0.926
45-49 47 4,656,391 7,007,952 0.869
50-54 52 3,664,123 5,694,865 0.855
55-59 57 2,847,461 4,047,783 0.867
60-64 62 2,764,618 3,131,207 0.696
65-69 67 1,924,041 2,468,641 1.158
70-74 72 1,487,006 1,924,842 -
75+ 77 1,480,347 2,228,235 -
Total 102,263,578 118,010,413 118,010,413
Dengan membandingkan perkiraan jumlah penduduk hasil

penghitungan dengan kedua pendekatan di atas (lihat Tabel 16) terlihat
bahwa estimasi dengan menggunakan pendekatan statistik menghasilkan

perkiraan total jumlah penduduk yang lebih besar dibandingkan dengan
pendekatan demografi.
Tabel 16. Koreksi Jumlah Penduduk Indonesia Tahun 2000

Menggunakan Pendekatan Demografi dan Statistik
Laki-laki Perempuan
Kel.
Pendekatan Pendekatan Pendekatan Pendekatan
Umur
Demografi Statistik Demografi Statistik
0-4 11,840,966 11,710,717 11,219,935 11,199,425
5-9 10,719,463 10,662,472 10,368,843 10,433,729
10-14 10,040,003 9,952,243 10,147,637 10,180,789
15-19 10,852,767 10,755,609 10,885,863 10,910,030
20-24 10,181,148 10,157,657 10,114,624 10,162,359
25-29 9,579,920 9,671,719 9,423,015 9,527,584
30-34 8,595,390 8,806,167 8,480,261 8,656,199
.id
35-39 7,356,039 7,666,879 7,311,694 7,555,971
40-44 6,271,960 6,659,153 6,031,919 6,318,789
45-49
50-54
4,875,520
3,430,384
5,271,982
3,764,683
go
4,392,582
3,532,179
4,663,351
3,786,896
s.
55-59 2,843,753 3,141,640 2,974,630 3,177,215
60-64 2,242,201 2,447,649 2,600,860 2,682,526
p
65+ 4,156,894 3,860,812 5,082,687 3,932,407

.b
Total 102,986,408 104,529,380 102,566,729 103,187,269

w
w
Tabel 17. Angka Kelangsungan Hidup Penduduk Indonesia Tahun 2000

w
Hasil Koreksi Menggunakan Metode Graduasi Survival Ratio

://
Laki-laki Perempuan
tp
Kel.
Pendekatan Pendekatan Pendekatan Pendekatan
Umur
ht
Demografi Statistik Demografi Statistik

0-4 0.9850 0.9960 0.9823 0.9841
5-9 0.9902 0.9955 0.9899 0.9837
10-14 0.9846 0.9933 0.9854 0.9822
15-19 0.9795 0.9884 0.9808 0.9786
20-24 0.9772 0.9795 0.9768 0.9722
25-29 0.9747 0.9654 0.9728 0.9621
30-34 0.9683 0.9451 0.9671 0.9475
35-39 0.9561 0.9173 0.9585 0.9275
40-44 0.9353 0.8809 0.9441 0.9013
45-49 0.9026 0.8347 0.9215 0.8680
50-54 0.8533 0.7775 0.8865 0.8269
55-59 0.7825 0.7083 0.8299 0.7770
60-64 0.6830 0.6257 0.7401 0.7175
65+ 0.3864 0.4161 0.4384 0.5666

4.3.3 Hasil Koreksi Perubahan Laju Pertumbuhan dan Struktur
Penduduk 2000-2010
Berdasarkan pada perkiraan jumlah penduduk yang diperoleh

sebelumnya (Tabel 16), maka dapat dihitung laju pertumbuhan penduduk
seperti diperlihatkan dalam Tabel 18. Laju pertumbuhan penduduk pada
tabel tersebut dihitung dengan menggunakan pendekatan matematis yang
formulasinya didefinisikan dalam persamaan (1), (2), dan (3) di Bab 2.
Pertumbuhan penduduk untuk ketiga formulasi tersebut masing-masing
dinamakan sebagai pertumbuhan aritmatik, geometrik, dan eksponensial.
Dari angka pertumbuhan yang diperlihatkan dalam tabel ini tampak bahwa
hasil estimasi pertumbuhan penduduk yang dihasilkan memiliki nilai yang
lebih kecil daripada pertumbuhan penduduk hasil sensus penduduk tahun
2000. Hal ini merupakan implikasi dari hasil estimasi jumlah penduduk yang
lebih besar, sehingga estimasi pertumbuhan penduduk yang dihasilkan pun
.id
menjadi lebih lambat dibandingkan dengan hasil sensus penduduk.
go
s.
Tabel 18. Jumlah dan Pertumbuhan Penduduk Indonesia tahun 2000
p
berdasarkan hasil sensus dan koreksi graduasi survival ratio.

.b
w
Sensus Koreksi Jumlah Penduduk

Parameter Penduduk
w
Pendekatan Pendekatan
2000 Demografi Statistik
w
Jumlah Penduduk 205.132.458 205.553.137 207.716.649

://
Pertumbuhan Penduduk (%):

tp
- Aritmatik 1,58 1,56 1,44

ht
- Geometrik 1,48 1,46 1,35

- Eksponensial 1,47 1,45 1,35
Selanjutnya dari hasil estimasi yang diperoleh juga dapat dilihat

perbedaan yang dihasilkan dari sisi struktur penduduk seperti diperlihatkan
dalam Gambar 17. Pada gambar ini terlihat komposisi penduduk tidak
mengalami perubahan yang berarti kecuali pada penduduk kelompok usia
balita (0-4 tahun) yang jumlahnya lebih besar dibandingkan dengan jumlah
penduduk hasil sensus penduduk 2000.

Gambar 17. Piramida Penduduk Indonesia
Hasil Sensus Penduduk 2000 vs Estimasi dengan
Metode Graduasi Survival Ratio
Pendekatan Demografi
Pendekatan Statistik
Laki-laki Perempuan
65+
60-64
55-59
50-54
45-49
Kelompok Umur
40-44
35-39
30-34
.id
25-29
20-24
15-19 go
s.
10-14
5-9
p
0-4
.b
w
15 10 5 0 5 10 15
Jumlah Penduduk (Juta jiwa)
w
Keterangan: Grafik Batang menunjukkan piramida penduduk hasil SP 2000,

w
sedangkan Grafik garis menunjukkan piramida penduduk hasil estimasi

://
dengan Metode Graduasi Survival Ratio

tp
ht

ht
tp
://
w
w
w
.b
ps
.g
o .id
Bab 5. Kesimpulan dan Saran
5.1 Kesimpulan
a. Berdasarkan hasil pemilihan negara sebagai acuan dari beberapa negara

yang tercakup dalam Human Mortality Database (HMD), diperoleh
bahwa pola kematian penduduk Indonesia pada tahun 2000 sesuai
dengan pola kematian negara Estonia 1962 untuk laki-laki dan Hungaria
1960 untuk perempuan.
b. Untuk penyusunan complete life table berdasarkan abriged life table,
.id
terbukti bahwa metode interpolasi Elandt-Johnson merupakan metode
yang paling sesuai diterapkan pada data Indonesia.
go
c. Perkiraan total penduduk pada tahun 2000 berdasarkan model Coale
s.
Demeny West dengan hasil proyeksi (65.5 tahun untuk laki-laki dan
69.5 tahun untuk perempuan) masih jauh dibawah jumlah penduduk
p
.b
tahun 2000 angka publikasi. Dari jumlah penduduk angka publikasi

w
102,9 juta jiwa untuk laki-laki dan 102,3 juta jiwa untuk perempuan,
dengan model ini diperoleh nilai yang lebih rendah dari hasil
w
proyeksi, yaitu 65.0 dan 67.2 tahun.

w
d. Berdasarkan hasil penyusunan life table dengan kedua pendekatan, baik

://
menggunakan model demografi (Coale Demeny West) maupun model

tp
statistik (regresi kubik), diperoleh nilai estimasi yang tidak jauh

ht
berbeda, yaitu sekitar 65 tahun untuk laki-laki dan 66 tahun untuk

perempuan.
e. Jumlah penduduk tahun 2000 berdasarkan prediksi model Coale Demeny
West sebesar 205,6 juta jiwa, tidak jauh berbeda dibandingkan angka
publikasi SP2000. Namun berdasarkan hasil model regresi sebesar 207,7
juta jiwa, angka ini lebih tinggi dibandingkan angka publikasi SP2000.
f. Dari hasil prediksi ini dihasilkan laju pertumbuhan penduduk lebih
lambat dibanding angka publikasi (1,48%), yaitu sebesar 1,46% untuk
model Coale Demeny West, dan 1,35% untuk model regresi.

5.2 Saran
a. Hasil kajian ini hendaknya dapat dipertimbangkan dalam perbaikan data

sensus khususnya Sensus Penduduk 2000, mengingat hasil temuan
survei Evaluasi Pasca Sensus bahwa dalam Sensus Penduduk tahun
2000 terjadi undercoverage.
b. Hasil life table yang diperoleh dari kajian ini juga dapat digunakan
sebagai acuan di dalam membuat analisis baik di bidang kependudukan
maupun bidang lainnya seperti asuransi, keuangan, dan sebagainya.
c. Temuan ini merupakan kajian awal baik dalam pembuatan life table
maupun perbaikan kualitas data, tentunya diperlukan kajian lanjutan
yang dapat dikembangkan dengan metode-metode lainnya.
.id
go
p s.
.b
w
w
w
://
tp
ht

ht
tp
://
w
w
w
.b
ps
.g
o .id
DAFTAR PUSTAKA
Abid, A.D (1994), Graduating The Saudi Crude Mortality Rates And
Constructing Their Monetary Tables, Departement of Quantitative
Methods College of Administrative Sciences, King Saud University
Riyadh, Kingdom of Saudi Arabia
Barnett, H.A.R (1985), “Criteria of Smoothness”, J.I.A, No. 11, pp 331-367
Brass W. 1971. “On the scale of mortality”. In W. Brass (Ed.). Biological aspect
of Demography. London: Taylor and Francis.
Budi Utomo, 1985. Jakarta : Proyek Penelitian Morbiditas dan Mortalita.
Universitas Indonesia.
Elandt-Johnson RC, Johnson NL. 1980. Survival Models and Data Analysis
111-115. New York: Wiley Series.
Heligman L, Pollard JH. 1980. “The Age Pattern of Mortality”. Journal of the
.id
Institute of Actuaries 107 part 1: 49-80.
Hinde, Andrew. 1998. Demographic Methods. Oxford University Press Inc
(New York) 10016 go
s.
Kostaki, A. 1991. “The Heligman-Pollard Formula as a Tool for Expanding an
p
Abridged Life Table”. Journal of Official Statistics. 7(3): 311-323

.b
Kostaki, A, Panousis V. 2001. “Expanding an Abridged Life Table”. J.

w
Demographic Research. 5(1): 1-20

w
Makridakis, Spyros, Steven C. WheelWright dan Victor E. McGee. 1993.

w
Metode dan Aplikasi Peramalan. John Wiley & Sons, Inc.

[diterjemahkan oleh Ir. Untung Sus Andriyanto, M.Sc.ergamon dan Ir.
://
Abdul Basith, M.Sc., Penerbit Erlangga-Jakarta]

tp
Mamas, S.G. Made. 2006. Abridged Life Tables: For South Sumatera, West Java,
ht
East Nusa Tenggara and West Kalimantan by Districts 2002 – 2003.

Kerjasama antara Badan Pusat Statistik (BPS) dan Uniteds Nations of
Fund Population Association (UNFPA), Jakarta-Indonesia
Mantra, I.B. (2003). Demografi Umum, Pustaka Pelajar, Yogyakarta
Pollard, A.H., Farhat Yusuf dan G.N. Pollard. 1974. Tehnik Demografi.
Pergamon Press (Australia) Pty Ltd.
Rachmad, S. Hartini, Dendi Handiyatmo dan Ardi Adji. 2011. The Reliability
and Comparability Perspective of Indonesia’s Population Census.
Seminar internasional bertema “Uses Census Data in Europe in a
Comparative Perspective”. June 9-11, 2011, Barcelona, Spain.
[published on line]
_________. 2010. Pedoman Penghitungan ProyeksiPenduduk dan Angkatan
Kerja. Badan Pusat Statistik, Jakarta-Indonesia

_________. 2002. Proyeksi Penduduk Indonesia Per Propinsi: Menurut
Kelompok Umur dan Jenis Kelamin 2000 – 2010. Badan Pusat Statistik,
Jakarta-Indonesia
_________. 1997. Estimasi Fertilitas Mortalitas dan Migrasi: Hasil Survei
Penduduk Antar Sensus (SUPAS) 1995. Seri: S3. Badan Pusat Statistik,
Jakarta-Indonesia
Tukiran et. al. 2002. Mobilitas Penduduk Indonesia: Tinjauan Lintas Disiplin.
Pusat Studi Kependudukan dan Kebijakan Universitas Gadjah Mada,
Yogyakarta-Indonesia
United Nations. 1982. Manual X Indirect Techniques for Demographic
Estimation. Departement of International Economic and Social Affairs.
Population Studies, No.81. New York.
United Nations. 1990. Projection Methods for Integrating Population
Variables into Development Planning. New York
.id
Uzair Suhaimi, 2011. Derajat Kesehatan Penduduk Indonesia Dalam Dua
Dekade Terakhir: Beberapa Pelajaran dari Sensus Penduduk
go
p s.
.b
w
w
w
://
tp
ht

Lampiran 1. Abriged Life Table Indonesia (Coale Demeny West Model)
Tabel 1. Abriged Life Table Indonesia (Tabel Coale Demeny West) untuk
Laki-Laki pada Level Interpolasi 20,7785
Age (x) lx p(x) q(x) dx Lx Tx Ex

0 100000 0.95623 0.04377 4377 97811 6551848 65.5
1 95623 0.98915 0.01085 1038 380415 6454037 67.5
5 94585 0.99484 0.00516 488 471703 6073622 64.2
10 94097 0.99590 0.00410 386 469519 5601919 59.5
15 93711 0.99275 0.00725 679 466858 5132400 54.8
20 93032 0.98984 0.01016 945 462798 4665542 50.1
25 92087 0.98958 0.01042 960 458036 4202744 45.6
30 91127 0.98821 0.01179 1074 452950 3744708 41.1
36.6
.id
35 90053 0.98507 0.01493 1344 446904 3291758
40 88709 0.97889 0.02111 1873 438861 2844854 32.1
45 86836 0.96801 0.03199
o
2778 427233 2405993 27.7
.g
50 84058 0.95100 0.04900 4119 409990 1978760 23.5
ps
55 79938 0.92433 0.07567 6049 384570 1568770 19.6

.b
60 73890 0.88501 0.11499 8497 348207 1184200 16.0

12.8
w
65 65393 0.82692 0.17308 11318 298670 835993

70 54075 0.74011 0.25989 14054 235240 537323 9.9
w
75 40021 0.61884 0.38116 15254 161971 302082 7.5

w
80 24767 0.46922 0.53078 13146 90970 140112 5.7

://
85 11621 0.29968 0.70032 8138 37759 49141 4.2

tp
90 3483 0.14675 0.85325 2972 9984 11382 3.3

ht
95 511 0.04707 0.95293 487 1338 1398 2.7

100 24 0.00000 1.00000 24 60 60 2.5

Tabel 2. Abriged Life Table Indonesia (Tabel Coale Demeny West) untuk
Perempuan pada Level Interpolasi 20.8
Age (x) lx p(x) q(x) dx Lx Tx Ex

0 100000 0.96692 0.03308 3308 98346 6952220 69.5
1 96692 0.99104 0.00896 866 385036 6853874 70.9
5 95826 0.99623 0.00377 361 478227 6468837 67.5
10 95465 0.99698 0.00302 288 476603 5990611 62.8
15 95177 0.99519 0.00481 457 474739 5514008 57.9
20 94719 0.99317 0.00683 647 471979 5039269 53.2
25 94073 0.99176 0.00824 775 468426 4567290 48.6
30 93298 0.99021 0.00980 914 464204 4098864 43.9
35 92384 0.98763 0.01237 1143 459063 3634659 39.3
40 91241 0.98342 0.01658 1513 452422 3175597 34.8
.id
45 89728 0.97619 0.02381 2136 443299 2723174 30.3
50 87592 0.96505 0.03495 3062 430305 2279875 26.0
o
.g
55 84530 0.94828 0.05172 4372 411720 1849571 21.9
ps
60 80158 0.91938 0.08062 6462 384634 1437850 17.9

65 73696 0.87044 0.12956 9548 344607 1053217 14.3
.b
70 64147 0.79002 0.20998 13470 287062 708610 11.0

w
75 50678 0.67114 0.32886 16666 211724 421547 8.3

w
80 34012 0.52139 0.47861 16278 129362 209824 6.2

w
85 17733 0.34410 0.65590 11631 59588 80461 4.5

://
90 6102 0.17420 0.82580 5039 17912 20873 3.4

tp
95 1063 0.05711 0.94289 1002 2809 2961 2.8

ht
100 61 0.00000 1.00000 61 152 152 2.5

Lampiran 2. Pemilihan Negara Acuan
69
Tabel 1. Nilai SR Indonesia Dibandingkan dengan Negara Berkembang Lainnya Berikut Penghitungan MAE
untuk Laki-Laki
Negara Indonesia(CD) Belarus Belarus Estonia Estonia Estonia Hungary Hungary Hungary Hungary
Tahun 2000 1984 1991 1962 1970 1972 1980 1981 1987 1995
MAE - 0.029 0.027 0.012 0.021 0.018 0.019 0.020 0.018 0.023
ht
65.50 65.41 65.52
tp 65.58 65.50 65.43 65.52 65.48 65.56 65.43
Umur (x) SURVIVAL RATIO P(x)
0 0.9562 0.9826 0.9865 0.9724 0.9781 0.9826 0.9755 0.9773 0.9804 0.9882
://
1 0.9891 0.9964 0.9963w 0.9936 0.9953 0.9945 0.9972 0.9974 0.9974 0.9981
5 0.9948 0.9972 0.9971 0.9963
w 0.9975 0.9958 0.9979 0.9982 0.9986 0.9987
10 0.9959 0.9978 0.9974 0.9968 0.9970 0.9966 0.9979 0.9980 0.9984 0.9985
15 0.9928 0.9945 0.9938 0.9917
w 0.9924 0.9914 0.9950 0.9947 0.9950 0.9964
20 0.9898 0.9892 0.9881 0.9883 0.9881 0.9886 0.9921 0.9923 0.9933 0.9947
25 0.9896 0.9866 0.9865 0.9862 0.9850 0.9850 0.9911 0.9908 0.9905 0.9923
.b
30 0.9882 0.9803 0.9828 0.9823 0.9822 0.9800 0.9887 0.9868 0.9857 0.9852
35 0.9851 0.9736 0.9762 0.9797 0.9751 0.9721 0.9805 0.9806 0.9790 0.9740
ps
40 0.9789 0.9619 0.9648 0.9751 0.9707 0.9687 0.9695 0.9683 0.9682 0.9577
Pengembangan Model Life Table Indonesia

45 0.9680 0.9466 0.9476 0.9681 0.9587
.g
0.9549 0.9552 0.9536 0.9484 0.9379
50 0.9510 0.9232 0.9231 0.9525 0.9491 0.9368 0.9314 0.9270 0.9240 0.9128
o
55 0.9243 0.9012 0.8998 0.9137 0.9102 0.9142 0.9005 0.8990 0.8941 0.8815
60 0.8850 0.8680 0.8572 0.8696 0.8636 0.8783 0.8576 0.8596 0.8478 0.8468
.id
65 0.8269 0.8136 0.8059 0.8092 0.8041 0.8109 0.7969 0.7931 0.7977 0.7904
70 0.7401 0.7385 0.7328 0.7039 0.7016 0.7321 0.6958 0.6971 0.7134 0.7203
75 0.6188 0.6314 0.6182 0.6044 0.5998 0.5965 0.5613 0.5694 0.5967 0.6321
80 0.4692 0.5078 0.4996 0.4455 0.4602 0.4500 0.4209 0.4252 0.4465 0.4821
85 0.2997 0.3663 0.3659 0.2578 0.3323 0.3182 0.2595 0.2893 0.3027 0.3297
90 0.1467 0.2702 0.2400 0.1184 0.2178 0.2061 0.1473 0.1580 0.1657 0.1867
95 0.0471 0.1637 0.1544 0.0484 0.1311 0.1221 0.0724 0.0942 0.0913 0.1006
100 0.0000 0.0964 0.0895 0.0209 0.0746 0.0686 0.0356 0.0496 0.0460 0.0501
Lampiran 2.
Tabel 1. Lanjutan
Negara Indonesia(CD) Latvia Latvia Lithuania Lithuania Lithuania Lithuania Ukraine Ukraine Latvia
Tahun 2000 1959 2005 1979 1980 1981 1997 1975 1990 1959
MAE - 0.018 0.029 0.047 0.046 0.042 0.038 0.023 0.021 0.018
65.50 65.54 65.60 65.58 65.58 65.50 65.45 65.59 65.60 65.54
ht
0 0.9562 0.9649 0.9920 0.9808 0.9839 0.9813 0.9883 0.9785 0.9856 0.9649
tp
1 0.9891 0.9932 0.9978 0.9940 0.9951 0.9954 0.9970 0.9936 0.9957 0.9932
5 0.9948 0.9945 0.9979 0.9966 0.9968 0.9966 0.9978 0.9964 0.9971 0.9945
://
10 0.9959 0.9947 0.9981 w0.9968 0.9976 0.9965 0.9982 0.9968 0.9973 0.9947
15 0.9928 0.9923 0.9962 0.9916
w 0.9912 0.9920 0.9941 0.9939 0.9941 0.9923
20 0.9898 0.9861 0.9908 0.9866 0.9862 0.9859 0.9853 0.9893 0.9887 0.9861
25 0.9896 0.9833 0.9876 0.9819 w 0.9813 0.9816 0.9843 0.9872 0.9871 0.9833
30 0.9882 0.9831 0.9831 0.9784 0.9766 0.9777 0.9805 0.9807 0.9829 0.9831
35 0.9851 0.9785 0.9719 0.9707 0.9695 0.9700 0.9736 0.9766 0.9768 0.9785
.b
40 0.9789 0.9748 0.9624 0.9635 0.9627 0.9613 0.9595 0.9677 0.9669 0.9748
45 0.9680 0.9646 0.9485 0.9536 0.9508 0.9502 0.9415 0.9554 0.9496 0.9646
ps
50 0.9510 0.9484 0.9152 0.9346 0.9358 .g0.9315 0.9185 0.9382 0.9285 0.9484
55 0.9243 0.9205 0.8860 0.9095 0.9081 0.9132 0.8982 0.9111 0.9000 0.9205
60 0.8850 0.8787 0.8421 0.8805 0.8800 0.8750 0.8620 0.8709 0.8571 0.8787
o
65 0.8269 0.8212 0.7933 0.8273 0.8266 0.8311 0.8117 0.8162 0.8035 0.8212
70 0.7401 0.7702 0.7236 0.7618 0.7592 0.7642 0.7562 0.7247 0.7290 0.7702
.id
75 0.6188 0.6968 0.6263 0.6565 0.6478 0.6719 0.6558 0.6143 0.6203 0.6968
80 0.4692 0.5368 0.5030 0.5279 0.5203 0.5332 0.5281 0.4890 0.4831 0.5368

85 0.2997 0.2771 0.3756 0.4448 0.4439 0.4450 0.3979 0.3539 0.3379 0.2771
90 0.1467 0.0583 0.2304 0.3528 0.3445 0.3186 0.2831 0.2452 0.2195 0.0583
95 0.0471 0.0160 0.1315 0.2698 0.2664 0.2144 0.1929 0.1517 0.1251 0.0160
70
100 0.0000 0.0071 0.0699 0.1980 0.1956 0.1364 0.1198 0.0885 0.0679 0.0071
Lampiran 2.
71
Tabel 2. Nilai SR Indonesia Dibandingkan dengan Negara Berkembang Lainnya Berikut Penghitungan MAE
untuk Perempuan
Negara INDONESIA (CD) Bulgaria Bulgaria Bulgaria Bulgaria Hungary Hungary

Tahun 2000 1957 1958 1959 1960 1955 1956
ht
MAE - tp0.0331 0.0424 0.0233 0.0332 0.0114 0.0128
69.5 68.36 70.41 68.16 70.94 68.74 68.44
0 0.9669 0.9418 0.9539 0.9481 0.9584 0.9491 0.9497
://
1 0.9910 0.9797
w 0.9845 0.9852 0.9889 0.9920 0.9919
5 0.9962 0.9962 0.9968 0.9969 0.9972 0.9970 0.9975
w
10 0.9970 0.9972 0.9977
w 0.9974 0.9976 0.9979 0.9974
15 0.9952 0.9961 0.9961 0.9966 0.9969 0.9966 0.9960
20 0.9932 0.9949 0.9952 0.9943 0.9961 0.9953 0.9944
.b
25 0.9918 0.9933 0.9949 0.9934 0.9950 0.9938 0.9938
30 0.9902 0.9926 0.9937 0.9925 0.9938 0.9927 0.9919
ps
35 0.9876 0.9904 0.9917 0.9906 0.9909 0.9896 0.9893

40 0.9834 0.9867 0.9886 0.9870 0.9875 0.9858 0.9861
.g
45 0.9762 0.9813 0.9829 0.9813
o 0.9841 0.9799 0.9790
50 0.9650 0.9738 0.9727 0.9693 0.9747 0.9686 0.9679
55 0.9483 0.9569 0.9597 0.9523 0.9611 0.9503 0.9510
.id
60 0.9194 0.9263 0.9299 0.9169 0.9319 0.9161 0.9186
65 0.8704 0.8756 0.8841 0.8644 0.8851 0.8672 0.8605
70 0.7900 0.7867 0.8008 0.7591 0.7946 0.7803 0.7721
75 0.6711 0.6942 0.7062 0.6387 0.6940 0.6480 0.6299
80 0.5214 0.5458 0.5643 0.4972 0.5412 0.4807 0.4613
85 0.3441 0.4317 0.4655 0.3698 0.4322 0.3216 0.3111
90 0.1742 0.3290 0.3732 0.2617 0.3268 0.1880 0.1691
95 0.0571 0.2426 0.2854 0.1877 0.2441 0.0994 0.0895
100 0.0000 0.1652 0.2061 0.1206 0.1669 0.0494 0.0437
Lampiran 2.
Tabel 2. Lanjutan
Negara INDONESIA (CD) Bulgaria Bulgaria Bulgaria Bulgaria Hungary Hungary
Tahun 2000 1957 1958 1959 1960 1955 1956
MAE - 0.0331 0.0424 0.0233 0.0332 0.0114 0.0128
ht
69.5 tp 68.36 70.41 68.16 70.94 68.74 68.44
0 0.9669 0.9418 0.9539 0.9481 0.9584 0.9491 0.9497
://
1 0.9910 0.9797
w 0.9845 0.9852 0.9889 0.9920 0.9919
5 0.9962 0.9962 0.9968
w 0.9969 0.9972 0.9970 0.9975
10 0.9970 0.9972 0.9977 0.9974 0.9976 0.9979 0.9974
15 0.9952 0.9961 0.9961
w 0.9966 0.9969 0.9966 0.9960
20 0.9932 0.9949 0.9952 0.9943 0.9961 0.9953 0.9944
25 0.9918 0.9933 0.9949 0.9934 0.9950 0.9938 0.9938
.b
30 0.9902 0.9926 0.9937 0.9925 0.9938 0.9927 0.9919
35 0.9876 0.9904 0.9917 0.9906 0.9909 0.9896 0.9893
ps
40 0.9834 0.9867 0.9886 0.9870 0.9875 0.9858 0.9861
45 0.9762 0.9813 0.9829 0.9813 0.9841 0.9799 0.9790
.g
50 0.9650 0.9738 0.9727 0.9693
o 0.9747 0.9686 0.9679
55 0.9483 0.9569 0.9597 0.9523 0.9611 0.9503 0.9510
60 0.9194 0.9263 0.9299 0.9169 0.9319 0.9161 0.9186
.id
65 0.8704 0.8756 0.8841 0.8644 0.8851 0.8672 0.8605
70 0.7900 0.7867 0.8008 0.7591 0.7946 0.7803 0.7721
75 0.6711 0.6942 0.7062 0.6387 0.6940 0.6480 0.6299
80 0.5214 0.5458 0.5643 0.4972 0.5412 0.4807 0.4613
85 0.3441 0.4317 0.4655 0.3698 0.4322 0.3216 0.3111

90 0.1742 0.3290 0.3732 0.2617 0.3268 0.1880 0.1691
95 0.0571 0.2426 0.2854 0.1877 0.2441 0.0994 0.0895
72
100 0.0000 0.1652 0.2061 0.1206 0.1669 0.0494 0.0437
Lampiran 3. Tabel Kematian Negara Acuan (Ringkas dan Lengkap)
Tabel 1. Tabel Kematian Ringkas Negara Estonia 1962 untuk Laki-Laki
Age mx qx ax lx dx Lx Tx ex
0 0.0283 0.02761 0.12 100000 2761 97573 6557661 65.58
1-4 0.0016 0.00637 1.81 97239 619 387599 6460088 66.44
5-9 0.00075 0.00374 2.33 96620 362 482135 6072489 62.85
10-14 0.00065 0.00325 2.31 96258 313 480451 5590355 58.08
15-19 0.00167 0.00834 2.73 95946 800 477911 5109903 53.26
20-24 0.00234 0.01166 2.6 95146 1109 473062 4631993 48.68
25-29 0.00277 0.01378 2.75 94037 1296 467261 4158931 44.23
30-34 0.00358 0.01774 2.8 92740 1645 460082 3691670 39.81
35-39 0.00411 0.02035 2.55 91095 1854 450931 3231588 35.47
40-44 0.00504 0.02488 2.54 89242 2220 440737 2780657 31.16
.id
45-49 0.00648 0.03195 2.71 87022 2780 428741 2339920 26.89
o
50-54 0.00972 0.04754 2.67 84241 4005 411881
.g 1911178 22.69
55-59 0.01799 0.08628 2.63 80236 6923 384795 1499298 18.69
ps
60-64 0.02774 0.13044 2.71 73314 9563 344673 1114503 15.20

65-69 0.04199 0.19076 2.61 63751 12161 289650 769829 12.08
.b
70-74 0.06876 0.29615 2.66 51590 15278 222192 480179 9.31

w
75-79 0.09909 0.39557 2.45 36311 14364 144950 257987 7.10

w
80-84 0.15504 0.55454 2.43 21947 12171 78504 113037 5.15

w
85-89 0.25576 0.74219 2.17 9777 7256 28371 34533 3.53

://
90-94 0.39481 0.88162 1.86 2521 2222 5629 6162 2.44

tp
95-99 0.55353 0.95158 1.55 298 284 513 533 1.79

ht
100+ 0.70401 0.97908 1.31 14 14 20 20 1.42

Sumber: Human Mortality Database

Tabel 2. Tabel Kematian Ringkas Negara Hungary 1960 untuk Perempuan
0 0.04273 0.04127 0.17 100000 4127 96585 7017136 70.17
1-4 0.00159 0.00633 1.16 95873 607 381769 6920550 72.18
5-9 0.00038 0.00188 2.29 95266 179 475844 6538782 68.64
10-14 0.00029 0.00146 2.72 95087 139 475118 6062937 63.76
15-19 0.00058 0.00292 2.71 94948 277 474107 5587819 58.85
20-24 0.00077 0.00385 2.51 94671 365 472446 5113712 54.02
25-29 0.00091 0.00455 2.55 94306 429 470481 4641266 49.21
30-34 0.00131 0.00654 2.66 93877 614 467947 4170784 44.43
35-39 0.00181 0.00903 2.72 93263 842 464399 3702838 39.7
40-44 0.00252 0.01251 2.51 92421 1156 459227 3238439 35.04
45-49 0.00396 0.01964 2.66 91265 1793 452126 2779211 30.45
50-54 0.00584 0.02882 2.64 89473 2579 441270 2327085 26.01
.id
55-59 0.00904 0.04426 2.7 86894 3846 425607 1885816 21.7
60-64 0.01562 0.07529 2.63 83048 6253 400432 1460208 17.58
o
65-69 0.02758 0.12959 2.67 76795
.g
9952 360813 1059776 13.8
70-74 0.04905 0.22004 2.66 66843 14708 299844 698963 10.46
ps
75-79 0.08768 0.36011 2.52 52135 18774 214126 399119 7.66

.b
80-84 0.14389 0.52459 2.42 33361 17501 121629 184993 5.55

w
85-89 0.2239 0.69201 2.24 15860 10975 49019 63364 4

w
90-94 0.32089 0.82281 2.04 4885 4019 12525 14345 2.94

95-99 0.46686 0.91915 1.7 866 796 1704 1819 2.1
w
100+ 0.6035 0.96233 1.46 70 67 112 115 1.65

://

tp
ht

Tabel 3. Tabel Kematian Lengkap Negara Estonia 1962 untuk Laki-Laki
0 0.0283 0.0276 0.12 100000 2761 97573 6557661 65.58
1 0.0021 0.0021 0.5 97239 202 97138 6460088 66.44
2 0.0016 0.0016 0.5 97037 153 96961 6362950 65.57
3 0.0014 0.0014 0.5 96884 136 96816 6265989 64.68
4 0.0013 0.0013 0.5 96748 129 96684 6169173 63.77
5 0.0008 0.0008 0.5 96620 80 96580 6072489 62.85
6 0.0007 0.0007 0.5 96540 68 96506 5975909 61.90
7 0.0010 0.0010 0.5 96472 96 96424 5879404 60.94
8 0.0007 0.0007 0.5 96376 69 96342 5782979 60.00
9 0.0005 0.0005 0.5 96308 49 96283 5686637 59.05
10 0.0006 0.0006 0.5 96258 58 96229 5590355 58.08
11 0.0009 0.0009 0.5 96201 86 96158 5494125 57.11
12 0.0007 0.0007 0.5 96115 66 96082 5397967 56.16
.id
13 0.0007 0.0007 0.5 96049 65 96017 5301885 55.20
o
14 0.0004 0.0004 0.5 95985 39
.g 95965 5205868 54.24
15 0.0011 0.0011 0.5 95946 102 95894 5109903 53.26
52.31
ps
16 0.0016 0.0016 0.5 95843 148 95769 5014009

17 0.0020 0.0020 0.5 95695 192 95599 4918240 51.39
.b
18 0.0019 0.0019 0.5 95503 180 95413 4822640 50.50

w
19 0.0019 0.0019 0.5 95323 177 95235 4727227 49.59

20 0.0017 0.0017 0.5 95146 160 95066 4631993 48.68
w
21 0.0028 0.0028 0.5 94986 267 94853 4536926 47.76

w
22 0.0025 0.0025 0.5 94719 233 94603 4442074 46.90

://
23 0.0022 0.0022 0.5 94487 208 94382 4347471 46.01

tp
24 0.0026 0.0026 0.5 94278 242 94157 4253088 45.11

ht
25 0.0017 0.0017 0.5 94037 160 93956 4158931 44.23

26 0.0025 0.0025 0.5 93876 238 93757 4064974 43.30
27 0.0036 0.0036 0.5 93638 338 93469 3971217 42.41
28 0.0026 0.0026 0.5 93300 243 93179 3877748 41.56
29 0.0034 0.0034 0.5 93057 317 92899 3784569 40.67
30 0.0022 0.0022 0.5 92740 201 92640 3691670 39.81
31 0.0037 0.0037 0.5 92539 345 92367 3599030 38.89
32 0.0034 0.0034 0.5 92194 311 92039 3506664 38.04
33 0.0037 0.0037 0.5 91883 335 91715 3414625 37.16
34 0.0050 0.0049 0.5 91548 452 91322 3322910 36.30
35 0.0043 0.0043 0.5 91095 387 90902 3231588 35.47
36 0.0035 0.0035 0.5 90708 317 90550 3140686 34.62
37 0.0046 0.0046 0.5 90391 413 90185 3050136 33.74
38 0.0033 0.0033 0.5 89979 295 89831 2959951 32.90
39 0.0049 0.0049 0.5 89684 442 89463 2870120 32.00

40 0.0055 0.0055 0.5 89242 491 88996 2780657 31.16
41 0.0036 0.0036 0.5 88751 321 88590 2691660 30.33
42 0.0051 0.0051 0.5 88430 451 88205 2603070 29.44
43 0.0061 0.0061 0.5 87979 534 87712 2514865 28.58
44 0.0049 0.0048 0.5 87445 424 87233 2427153 27.76
45 0.0060 0.0060 0.5 87022 523 86760 2339920 26.89
46 0.0046 0.0046 0.5 86498 393 86302 2253160 26.05
47 0.0066 0.0065 0.5 86105 563 85824 2166858 25.17
48 0.0068 0.0068 0.5 85542 578 85253 2081034 24.33
49 0.0085 0.0085 0.5 84964 723 84603 1995781 23.49
50 0.0082 0.0082 0.5 84241 690 83896 1911178 22.69
51 0.0079 0.0079 0.5 83551 659 83222 1827282 21.87
52 0.0102 0.0101 0.5 82892 838 82473 1744061 21.04
53 0.0112 0.0111 0.5 82054 910 81599 1661587 20.25
54 0.0113 0.0112 0.5 81144 908 80690 1579988 19.47
.id
55 0.0173 0.0171 0.5 80236 1375 79549 1499298 18.69
o
56 0.0159 0.0158 0.5 78862 1243
.g 78241 1419748 18.00
57 0.0148 0.0147 0.5 77619 1142 77048 1341508 17.28
ps
58 0.0187 0.0185 0.5 76477 1416 75769 1264460 16.53

59 0.0236 0.0233 0.5 75061 1747 74188 1188690 15.84
.b
60 0.0228 0.0225 0.5 73314 1650 72489 1114503 15.20

w
61 0.0232 0.0229 0.5 71664 1644 70842 1042014 14.54

w
62 0.0241 0.0239 0.5 70020 1670 69185 971172 13.87

63 0.0334 0.0328 0.5 68350 2243 67229 901987 13.20
w
64 0.0363 0.0356 0.5 66107 2356 64929 834759 12.63

://
65 0.0404 0.0396 0.5 63751 2523 62490 769829 12.08

tp
66 0.0353 0.0347 0.5 61228 2125 60166 707340 11.55

ht
67 0.0325 0.0319 0.5 59103 1887 58159 647174 10.95

68 0.0499 0.0487 0.5 57216 2783 55824 589014 10.29
69 0.0536 0.0522 0.5 54432 2843 53011 533190 9.80
70 0.0520 0.0506 0.5 51590 2613 50283 480179 9.31
71 0.0541 0.0527 0.5 48977 2579 47687 429896 8.78
72 0.0738 0.0712 0.5 46398 3303 44746 382209 8.24
73 0.0802 0.0771 0.5 43095 3323 41434 337462 7.83
74 0.0910 0.0870 0.5 39772 3461 38042 296029 7.44
75 0.0928 0.0886 0.5 36311 3219 34702 257987 7.10
76 0.0876 0.0839 0.5 33092 2776 31704 223285 6.75
77 0.0894 0.0855 0.5 30316 2593 29020 191581 6.32
78 0.1158 0.1094 0.5 27723 3034 26206 162561 5.86
79 0.1176 0.1111 0.5 24689 2742 23318 136355 5.52
80 0.1326 0.1244 0.5 21947 2730 20583 113037 5.15
81 0.1204 0.1135 0.5 19218 2182 18127 92454 4.81

82 0.1703 0.1569 0.5 17036 2674 15699 74328 4.36
83 0.1770 0.1626 0.5 14362 2336 13194 58629 4.08
84 0.2064 0.1871 0.5 12026 2250 10902 45435 3.78
85 0.2177 0.1964 0.5 9777 1920 8817 34533 3.53
86 0.2418 0.2157 0.5 7857 1695 7010 25716 3.27
87 0.2677 0.2361 0.5 6162 1455 5435 18707 3.04
88 0.2952 0.2573 0.5 4707 1211 4102 13272 2.82
89 0.3244 0.2791 0.5 3496 976 3008 9170 2.62
90 0.3549 0.3014 0.5 2521 760 2141 6162 2.44
91 0.3867 0.3240 0.5 1761 571 1476 4021 2.28
92 0.4195 0.3467 0.5 1190 413 984 2546 2.14
93 0.4530 0.3693 0.5 778 287 634 1562 2.01
94 0.4869 0.3916 0.5 490 192 394 928 1.89
95 0.5209 0.4133 0.5 298 123 237 533 1.79
96 0.5548 0.4343 0.5 175 76 137 297 1.69
.id
97 0.5882 0.4545 0.5 99 45 77 160 1.61
o
98 0.6207 0.4737 0.5 54 26
.g 41 83 1.54
99 0.6523 0.4919 0.5 28 14 21 42 1.47
ps
100 0.6825 0.5089 0.5 14 7 11 20 1.42

.b
w
w
w
://
tp
ht

Tabel 4. Tabel Kematian Lengkap Negara Hungaria 1960 untuk Perempuan
0 0.0427 0.0413 0.17 100000 4127 96585 7017136 70.17
1 0.0038 0.0038 0.5 95873 364 95691 6920550 72.18
2 0.0013 0.0013 0.5 95509 128 95445 6824859 71.46
3 0.0008 0.0008 0.5 95381 72 95345 6729414 70.55
4 0.0005 0.0005 0.5 95309 44 95287 6634069 69.61
5 0.0005 0.0005 0.5 95266 46 95243 6538782 68.64
6 0.0004 0.0004 0.5 95220 35 95202 6443539 67.67
7 0.0004 0.0004 0.5 95185 40 95165 6348337 66.69
8 0.0003 0.0003 0.5 95145 27 95132 6253171 65.72
9 0.0003 0.0003 0.5 95118 31 95102 6158040 64.74
10 0.0003 0.0003 0.5 95087 28 95073 6062937 63.76
.id
11 0.0002 0.0002 0.5 95059 15 95051 5967864 62.78
12 0.0003 0.0003 0.5 95044 28 95030 5872813 61.79
0.0004 0.0004
o
13 0.5 95016
.g
34 94999 5777783 60.81
14 0.0004 0.0004 0.5 94982 34 94965 5682784 59.83
ps
15 0.0005 0.0005 0.5 94948 47 94925 5587819 58.85

.b
16 0.0005 0.0005 0.5 94901 47 94878 5492894 57.88

w
17 0.0006 0.0006 0.5 94854 53 94827 5398017 56.91

w
18 0.0006 0.0006 0.5 94801 59 94771 5303189 55.94

w
19 0.0007 0.0007 0.5 94741 70 94706 5208418 54.98

://
20 0.0008 0.0008 0.5 94671 72 94635 5113712 54.02

tp
21 0.0007 0.0007 0.5 94599 67 94565 5019077 53.06

22 0.0008 0.0008 0.5 94532 76 94494 4924512 52.09
ht
23 0.0009 0.0009 0.5 94456 85 94414 4830018 51.14

24 0.0007 0.0007 0.5 94371 65 94339 4735604 50.18
25 0.0009 0.0009 0.5 94306 83 94265 4641266 49.21
26 0.0009 0.0009 0.5 94223 80 94183 4547001 48.26
27 0.0009 0.0009 0.5 94143 87 94099 4452818 47.30
28 0.0009 0.0009 0.5 94055 87 94012 4358719 46.34
29 0.0010 0.0010 0.5 93968 91 93923 4264707 45.38
30 0.0010 0.0010 0.5 93877 93 93830 4170784 44.43
31 0.0014 0.0014 0.5 93784 132 93718 4076954 43.47
32 0.0013 0.0013 0.5 93652 117 93593 3983236 42.53
33 0.0014 0.0014 0.5 93534 128 93470 3889643 41.59
34 0.0015 0.0015 0.5 93406 143 93335 3796172 40.64
35 0.0014 0.0014 0.5 93263 129 93199 3702838 39.70

36 0.0017 0.0017 0.5 93135 159 93055 3609638 38.76
37 0.0017 0.0017 0.5 92975 160 92895 3516583 37.82
38 0.0020 0.0020 0.5 92815 184 92723 3423688 36.89
39 0.0023 0.0023 0.5 92632 210 92526 3330965 35.96
40 0.0026 0.0026 0.5 92421 238 92302 3238439 35.04
41 0.0024 0.0024 0.5 92183 222 92072 3146136 34.13
42 0.0024 0.0024 0.5 91961 225 91849 3054064 33.21
43 0.0026 0.0026 0.5 91737 234 91620 2962215 32.29
44 0.0026 0.0026 0.5 91503 237 91384 2870595 31.37
45 0.0035 0.0035 0.5 91265 319 91106 2779211 30.45
46 0.0036 0.0036 0.5 90946 330 90781 2688106 29.56
47 0.0037 0.0037 0.5 90616 334 90449 2597324 28.66
48 0.0041 0.0041 0.5 90283 370 90097 2506875 27.77
.id
49 0.0049 0.0049 0.5 89912 440 89692 2416778 26.88
o
50 0.0048 0.0048 0.5 89473 430
.g 89257 2327085 26.01
51 0.0055 0.0055 0.5 89042 488 88798 2237828 25.13
ps
52 0.0061 0.0061 0.5 88554 541 88284 2149029 24.27

53 0.0061 0.0061 0.5 88013 537 87745 2060746 23.41
.b
54 0.0067 0.0067 0.5 87477 583 87185 1973001 22.55

w
55 0.0075 0.0074 0.5 86894 645 86571 1885816 21.70

w
56 0.0076 0.0076 0.5 86249 652 85922 1799244 20.86

w
57 0.0093 0.0092 0.5 85596 790 85201 1713322 20.02

://
58 0.0097 0.0097 0.5 84806 820 84396 1628121 19.20

tp
59 0.0112 0.0112 0.5 83986 938 83517 1543725 18.38

ht
60 0.0134 0.0134 0.5 83048 1109 82494 1460208 17.58

61 0.0140 0.0139 0.5 81939 1141 81369 1377715 16.81
62 0.0155 0.0154 0.5 80798 1241 80178 1296346 16.04
63 0.0170 0.0169 0.5 79557 1342 78887 1216168 15.29
64 0.0183 0.0182 0.5 78216 1421 77505 1137281 14.54
65 0.0223 0.0221 0.5 76795 1697 75946 1059776 13.80
66 0.0242 0.0239 0.5 75098 1794 74201 983829 13.10
67 0.0270 0.0267 0.5 73304 1954 72326 909629 12.41
68 0.0300 0.0295 0.5 71349 2106 70296 837302 11.74
69 0.0353 0.0347 0.5 69243 2400 68043 767006 11.08
70 0.0383 0.0376 0.5 66843 2514 65586 698963 10.46
71 0.0412 0.0404 0.5 64328 2596 63030 633377 9.85
72 0.0495 0.0483 0.5 61733 2980 60243 570347 9.24

73 0.0562 0.0547 0.5 58753 3212 57147 510104 8.68
74 0.0633 0.0613 0.5 55541 3406 53838 452957 8.16
75 0.0734 0.0708 0.5 52135 3692 50289 399119 7.66
76 0.0797 0.0767 0.5 48443 3714 46586 348830 7.20
77 0.0852 0.0817 0.5 44729 3655 42901 302244 6.76
78 0.1008 0.0959 0.5 41073 3940 39103 259343 6.31
79 0.1070 0.1016 0.5 37133 3772 35247 220240 5.93
80 0.1199 0.1131 0.5 33361 3773 31474 184993 5.55
81 0.1342 0.1258 0.5 29588 3721 27727 153519 5.19
82 0.1400 0.1309 0.5 25867 3385 24174 125792 4.86
83 0.1636 0.1512 0.5 22482 3400 20782 101617 4.52
84 0.1844 0.1689 0.5 19082 3222 17471 80835 4.24
85 0.1955 0.1781 0.5 15860 2825 14448 63364 4.00
.id
86 0.2041 0.1852 0.5 13035 2414 11828 48916 3.75
o
87 0.2287 0.2052 0.5 10621 2180
.g 9531 37088 3.49
88 0.2525 0.2242 0.5 8441 1892 7495 27557 3.26
ps
89 0.2911 0.2541 0.5 6549 1664 5717 20062 3.06

90 0.2770 0.2433 0.5 4885 1189 4291 14345 2.94
.b
91 0.3016 0.2621 0.5 3696 969 3212 10054 2.72

w
92 0.3481 0.2965 0.5 2728 809 2323 6842 2.51

w
93 0.3791 0.3187 0.5 1919 611 1613 4519 2.35

w
94 0.4067 0.3380 0.5 1307 442 1086 2906 2.22

://
95 0.4349 0.3572 0.5 866 309 711 1819 2.10

tp
96 0.4635 0.3763 0.5 556 209 452 1108 1.99

ht
97 0.4924 0.3951 0.5 347 137 278 657 1.89

98 0.5214 0.4136 0.5 210 87 166 378 1.80
99 0.5501 0.4315 0.5 123 53 97 212 1.72
100 0.5786 0.4488 0.5 70 31 54 115 1.65

Lampiran 4. Hasil Interpolasi Life Table Negara Acuan dengan Metode
Heligman-Pollard
Male (Estonia 1962) Female (Hungary 1960)

Age
m(x,n) q(x,n) l(x) e(x) m(x,n) q(x,n) l(x) e(x)
0 0.0282 0.0276 100000 65.65 0.0425 0.0413 100000 70.21
1 0.0027 0.0027 97239 66.51 0.0033 0.0033 95874 72.21
2 0.0016 0.0016 96980 65.69 0.0015 0.0015 95561 71.45
3 0.0012 0.0012 96821 64.79 0.0010 0.0010 95414 70.56
4 0.0010 0.0010 96704 63.87 0.0007 0.0007 95324 69.62
5 0.0008 0.0008 96609 62.93 0.0005 0.0005 95261 68.67
6 0.0007 0.0007 96528 61.99 0.0004 0.0004 95214 67.7
7 0.0007 0.0007 96457 61.03 0.0003 0.0003 95177 66.73
8 0.0006 0.0006 96392 60.07 0.0003 0.0003 95145 65.75
.id
9 0.0006 0.0006 96332 59.11 0.0003 0.0003 95116 64.77
o
10 0.0006 0.0006 96274 58.14 0.0003
.g 0.0003 95089 63.79
11 0.0006 0.0006 96216 57.18 0.0003 0.0003 95063 62.81
ps
12 0.0007 0.0007 96155 56.22 0.0003 0.0003 95035 61.83

13 0.0008 0.0008 96089 55.25 0.0003 0.0003 95005 60.84
.b
14 0.0009 0.0009 96015 54.3 0.0004 0.0004 94973 59.87

w
15 0.0011 0.0011 95928 53.34 0.0004 0.0004 94938 58.89

w
16 0.0012 0.0012 95827 52.4 0.0005 0.0005 94899 57.91

w
17 0.0014 0.0014 95710 51.46 0.0005 0.0005 94856 56.94

://
18 0.0016 0.0016 95573 50.54 0.0005 0.0005 94809 55.97

tp
19 0.0018 0.0018 95417 49.62 0.0006 0.0006 94758 55

ht
20 0.0021 0.0021 95241 48.71 0.0006 0.0006 94701 54.03

21 0.0022 0.0022 95046 47.81 0.0007 0.0007 94640 53.06
22 0.0024 0.0024 94833 46.91 0.0008 0.0008 94574 52.1
23 0.0026 0.0026 94604 46.03 0.0008 0.0008 94504 51.14
24 0.0027 0.0027 94359 45.14 0.0009 0.0009 94428 50.18
25 0.0029 0.0029 94101 44.27 0.0009 0.0009 94348 49.22
26 0.0030 0.0030 93833 43.39 0.0010 0.0010 94262 48.26
27 0.0031 0.0031 93555 42.52 0.0010 0.0010 94172 47.31
28 0.0031 0.0031 93269 41.65 0.0011 0.0011 94076 46.36
29 0.0032 0.0032 92977 40.78 0.0011 0.0011 93975 45.41
30 0.0033 0.0033 92679 39.91 0.0012 0.0012 93869 44.46
31 0.0033 0.0033 92376 39.04 0.0013 0.0013 93757 43.51
32 0.0034 0.0034 92069 38.16 0.0013 0.0013 93640 42.56
33 0.0035 0.0035 91757 37.29 0.0014 0.0014 93516 41.62

Age
34 0.0035 0.0035 91440 36.42 0.0015 0.0015 93385 40.68
35 0.0036 0.0036 91117 35.55 0.0016 0.0016 93248 39.74
36 0.0037 0.0037 90788 34.68 0.0017 0.0017 93102 38.8
37 0.0039 0.0038 90450 33.8 0.0018 0.0018 92949 37.86
38 0.0040 0.0040 90102 32.93 0.0019 0.0019 92787 36.93
39 0.0042 0.0042 89743 32.06 0.0020 0.0020 92614 35.99
40 0.0044 0.0044 89370 31.19 0.0021 0.0021 92431 35.07
41 0.0046 0.0046 88981 30.33 0.0023 0.0023 92236 34.14
42 0.0049 0.0049 88573 29.46 0.0024 0.0024 92027 33.21
43 0.0052 0.0052 88143 28.61 0.0026 0.0026 91804 32.29
44 0.0055 0.0055 87688 27.75 0.0028 0.0028 91564 31.38
45 0.0059 0.0059 87206 26.9 0.0031 0.0031 91306 30.46
.id
46 0.0064 0.0063 86691 26.06 0.0033 0.0033 91028 29.56
o
47 0.0069 0.0068 86141 25.22 0.0036
.g 0.0036 90726 28.65
48 0.0074 0.0074 85552 24.39 0.0039 0.0039 90399 27.75
ps
49 0.0081 0.0080 84918 23.57 0.0043 0.0043 90044 26.86

.b
50 0.0088 0.0087 84236 22.76 0.0047 0.0047 89657 25.98

51 0.0096 0.0095 83500 21.95 0.0052 0.0052 89235 25.1
w
52 0.0104 0.0104 82706 21.16 0.0057 0.0057 88774 24.22

w
53 0.0114 0.0113 81849 20.38 0.0063 0.0063 88269 23.36

w
54 0.0125 0.0124 80922 19.6 0.0070 0.0069 87716 22.5

://
55 0.0137 0.0136 79919 18.84 0.0077 0.0077 87109 21.66

tp
56 0.0150 0.0148 78836 18.1 0.0085 0.0085 86442 20.82

ht
57 0.0164 0.0163 77666 17.36 0.0094 0.0094 85709 19.99

58 0.0180 0.0178 76403 16.64 0.0105 0.0104 84904 19.18
59 0.0198 0.0196 75040 15.93 0.0117 0.0116 84019 18.38
60 0.0217 0.0215 73573 15.24 0.0130 0.0129 83045 17.59
61 0.0238 0.0235 71995 14.56 0.0144 0.0143 81976 16.81
62 0.0262 0.0258 70300 13.9 0.0161 0.0160 80801 16.05
63 0.0287 0.0283 68485 13.26 0.0179 0.0178 79512 15.3
64 0.0316 0.0311 66544 12.63 0.0200 0.0198 78099 14.57
65 0.0347 0.0341 64476 12.02 0.0223 0.0221 76552 13.85
66 0.0381 0.0374 62277 11.43 0.0249 0.0246 74862 13.15
67 0.0419 0.0410 59947 10.85 0.0278 0.0275 73019 12.47
68 0.0460 0.0450 57488 10.29 0.0311 0.0306 71015 11.81
69 0.0505 0.0493 54903 9.75 0.0347 0.0341 68842 11.17

Age
70 0.0555 0.0540 52196 9.23 0.0388 0.0381 66492 10.54
71 0.0609 0.0591 49378 8.73 0.0433 0.0424 63962 9.94
72 0.0669 0.0647 46457 8.25 0.0484 0.0473 61249 9.36
73 0.0734 0.0708 43450 7.79 0.0541 0.0527 58354 8.8
74 0.0806 0.0774 40373 7.34 0.0604 0.0586 55282 8.26
75 0.0884 0.0846 37246 6.92 0.0674 0.0652 52041 7.74
76 0.0969 0.0924 34095 6.51 0.0753 0.0726 48646 7.25
77 0.1062 0.1008 30944 6.12 0.0840 0.0806 45117 6.77
78 0.1163 0.1099 27825 5.75 0.0937 0.0895 41480 6.32
79 0.1273 0.1197 24767 5.4 0.1045 0.0993 37767 5.9
80 0.1393 0.1303 21802 5.06 0.1164 0.1100 34018 5.49
81 0.1524 0.1416 18962 4.75 0.1296 0.1217 30276 5.11
.id
82 0.1666 0.1538 16277 4.45 0.1442 0.1345 26591 4.75
o
83 0.1819 0.1667 13774 4.17 0.1603
.g 0.1484 23014 4.41
84 0.1985 0.1806 11477 3.9 0.1781 0.1635 19599 4.09
ps
85 0.2165 0.1953 9405 3.65 0.1976 0.1798 16394 3.79

.b
86 0.2358 0.2110 7568 3.42 0.2190 0.1974 13446 3.51

87 0.2567 0.2275 5971 3.19 0.2424 0.2162 10792 3.25
w
88 0.2791 0.2449 4613 2.99 0.2680 0.2363 8459 3.01

w
89 0.3031 0.2632 3483 2.8 0.2958 0.2577 6460 2.78

w
90 0.3288 0.2824 2566 2.62 0.3259 0.2802 4795 2.58

://
91 0.3562 0.3024 1842 2.45 0.3585 0.3040 3452 2.39

tp
92 0.3854 0.3231 1285 2.29 0.3936 0.3289 2402 2.21

ht
93 0.4163 0.3446 870 2.15 0.4312 0.3547 1612 2.05

94 0.4491 0.3667 570 2.01 0.4713 0.3814 1040 1.9
95 0.4836 0.3894 361 1.89 0.5140 0.4089 644 1.77
96 0.5199 0.4126 220 1.77 0.5592 0.4370 380 1.64
97 0.5579 0.4362 129 1.67 0.6066 0.4655 214 1.53
98 0.5976 0.4601 73 1.57 0.6563 0.4942 114 1.43
99 0.6389 0.4842 39 1.48 0.7080 0.5229 58 1.34
100+ 0.7179 1.0000 20 1.39 0.7993 1.0000 28 1.25

Lampiran 5. Hasil Interpolasi Life Table Negara Acuan dengan Metode
Elandt-Johnson
Tabel 1. Perhitungan Nilai Survival untuk Tabel Estonia 1962 Usia 75 Tahun
ke Atas
Age lx
75 36311 0.2187 1.099381 0.000296 1.000682

80 21947 0.3512 1.108831 0.000134 1.000308
85 9777 0.5886 1.095167 0.000451 1.001039
90 2521 0.9274 1.074474 0.003342 1.007725
95 298 1.3281
100 14
.id
x S(x+i) lx
75 0.4360 36311
76 0.4014
o
33433
.g
77 0.3666 30532
ps
78 0.3318 27632
79 0.2973 24761
.b
80 0.3026 21947
w
81 0.2656 19269
w
82 0.2299 16680
w
83 0.1959 14213
://
84 0.1641 11903
85 0.0950 9777
tp
86 0.0759 7814
ht
87 0.0594 6113
88 0.0454 4672
89 0.0338 3480
90 0.0072 2521
91 0.0050 1745
92 0.0034 1175
93 0.0022 768
94 0.0014 487
95 0.0009 298
96 0.0005 176
97 0.0003 100
98 0.0002 54
99 0.0001 28
100 0.0000 14

Tabel 2. Perhitungan Nilai Survival untuk Tabel Hungary 1960 Usia 75
Tahun ke Atas
Age lx
75 52135 0.1939 1.1074 0.0001 1.0003

80 33361 0.3229 1.0963 0.0004 1.0008
85 15860 0.5115 1.0800 0.0016 1.0036
90 4885 0.7516 1.0776 0.0020 1.0046
95 866 1.0923
100 70
x S(x+i) lx
75 0.5114 52135
76 0.4759 48511
.id
77 0.4394 44790
78 0.4022 41002
79 0.3647
o
37179
.g
80 0.2800 33361
ps
81 0.2477 29509
.b
82 0.2165 25795
w
83 0.1868 22258
w
84 0.1589 18936
w
85 0.0817 15860
86 0.0668 12976
://
87 0.0538 10446
tp
88 0.0426 8266
ht
89 0.0331 6419
90 0.0221 4885
91 0.0164 3632
92 0.0119 2639
93 0.0085 1870
94 0.0058 1291
95 0.0039 866
96 0.0025 563
97 0.0016 354
98 0.0010 214
99 0.0006 125
100 0.0003 70

Tabel 3. Hasil Interpolasi Life Table Negara Acuan dengan Metode Elandnt-
Johnson
Age Male (Estonia 1962) Female (Hungary 1960)

(x)
lx dx q(x) Lx Tx ex lx dx q(x) Lx Tx ex
0 100000 2761 0.0276 98620 6555385 65.55 100000 4127 0.0413 97937 7017762 70.18
1 97239 181 0.0019 97148 6456766 66.40 95873 225 0.0024 95760 6919826 72.18
2 97058 166 0.0017 96975 6359617 65.52 95648 169 0.0018 95563 6824065 71.35
3 96892 147 0.0015 96819 6262642 64.64 95479 124 0.0013 95417 6728502 70.47
4 96745 125 0.0013 96683 6165823 63.73 95355 89 0.0009 95310 6633086 69.56
5 96620 104 0.0011 96568 6069141 62.81 95266 62 0.0007 95235 6537775 68.63
6 96516 85 0.0009 96473 5972573 61.88 95204 43 0.0005 95182 6442540 67.67
7 96431 69 0.0007 96396 5876100 60.94 95160 31 0.0003 95145 6347358 66.70
8 96362 56 0.0006 96334 5779703 59.98 95130 23 0.0002 95118 6252213 65.72
.id
9 96306 48 0.0005 96282 5683369 59.01 95107 20 0.0002 95097 6157095 64.74
10 96258 25 0.0003 96245 5587087 58.04 95087 -11 -0.0001 95093 6061998 63.75
11 96233 40 0.0004 96213 5490842 57.06 95098
o 9 0.0001 95094 5966905 62.74
.g
12 96193 60 0.0006 96164 5394628 56.08 95090 30 0.0003 95075 5871811 61.75
ps
13 96134 82 0.0009 96093 5298465 55.12 95060 49 0.0005 95035 5776736 60.77
.b
14 96051 105 0.0011 95999 5202372 54.16 95011 62 0.0007 94979 5681701 59.80
15 95946 121 0.0013 95885 5106374 53.22 94948 44 0.0005 94926 5586722 58.84
w
16 95825 142 0.0015 95753 5010488 52.29 94904 50 0.0005 94879 5491796 57.87
w
17 95682 162 0.0017 95601 4914735 51.37 94853 56 0.0006 94825 5396917 56.90
w
18 95520 180 0.0019 95430 4819134 50.45 94797 61 0.0006 94767 5302092 55.93
://
19 95341 195 0.0020 95243 4723703 49.55 94736 65 0.0007 94704 5207325 54.97
tp
20 95146 203 0.0021 95044 4628460 48.65 94671 68 0.0007 94637 5112622 54.00
ht
21 94943 214 0.0023 94836 4533416 47.75 94603 71 0.0007 94568 5017984 53.04
22 94729 223 0.0024 94618 4438580 46.86 94532 73 0.0008 94496 4923417 52.08
23 94506 231 0.0024 94391 4343962 45.96 94459 75 0.0008 94422 4828921 51.12
24 94275 238 0.0025 94156 4249572 45.08 94384 77 0.0008 94345 4734499 50.16
25 94037 240 0.0025 93917 4155416 44.19 94306 77 0.0008 94268 4640154 49.20
26 93797 248 0.0026 93674 4061498 43.30 94229 81 0.0009 94189 4545886 48.24
27 93550 258 0.0028 93421 3967825 42.41 94148 85 0.0009 94106 4451697 47.28
28 93292 269 0.0029 93157 3874404 41.53 94064 90 0.0010 94019 4357591 46.33
29 93023 283 0.0030 92881 3781247 40.65 93974 96 0.0010 93926 4263572 45.37
30 92740 305 0.0033 92587 3688365 39.77 93877 106 0.0011 93824 4169647 44.42
31 92435 319 0.0034 92276 3595778 38.90 93771 114 0.0012 93714 4075823 43.47
32 92116 331 0.0036 91951 3503502 38.03 93657 123 0.0013 93596 3982109 42.52
33 91786 341 0.0037 91615 3411551 37.17 93534 131 0.0014 93469 3888513 41.57
34 91445 350 0.0038 91270 3319936 36.31 93403 140 0.0015 93333 3795044 40.63

(x)
35 91095 352 0.0039 90919 3228666 35.44 93263 149 0.0016 93189 3701711 39.69
36 90743 360 0.0040 90564 3137747 34.58 93114 158 0.0017 93035 3608522 38.75
37 90384 369 0.0041 90199 3047184 33.71 92956 168 0.0018 92872 3515487 37.82
38 90015 380 0.0042 89825 2956984 32.85 92788 178 0.0019 92699 3422616 36.89
39 89635 393 0.0044 89438 2867160 31.99 92610 189 0.0020 92516 3329917 35.96
40 89242 412 0.0046 89036 2777721 31.13 92421 197 0.0021 92323 3237401 35.03
41 88830 427 0.0048 88617 2688685 30.27 92225 211 0.0023 92119 3145078 34.10
42 88403 443 0.0050 88182 2600068 29.41 92014 228 0.0025 91899 3052959 33.18
43 87961 460 0.0052 87731 2511886 28.56 91785 249 0.0027 91661 2961060 32.26
44 87501 479 0.0055 87261 2424155 27.70 91537 272 0.0030 91401 2869399 31.35
45 87022 500 0.0058 86772 2336894 26.85 91265 304 0.0033 91113 2777998 30.44
46 86522 524 0.0061 86260 2250122 26.01 90962 330 0.0036 90796 2686884 29.54
.id
47 85998 551 0.0064 85722 2163863 25.16 90631 358 0.0039 90452 2596088 28.64
o
48 85446 583 0.0068 85154 2078141 24.32 90274 386
.g 0.0043 90081 2505636 27.76
49 84863 622 0.0073 84552 1992987 23.48 89888 415 0.0046 89680 2415555 26.87
ps
50 84241 645 0.0077 83919 1908435 22.65 89473 444 0.0050 89250 2325875 26.00
51 83596 706 0.0085 83243 1824516 21.83 89028 477 0.0054 88790 2236625 25.12
.b
52 82890 785 0.0095 82497 1741273 21.01 88552 512 0.0058 88295 2147835 24.26
w
53 82105 880 0.0107 81665 1658776 20.20 88039 551 0.0063 87764 2059539 23.39
w
54 81226 990 0.0122 80731 1577110 19.42 87488 594 0.0068 87191 1971775 22.54
w
55 80236 1145 0.0143 79663 1496380 18.65 86894 638 0.0073 86575 1884584 21.69
://
56 79091 1268 0.0160 78456 1416716 17.91 86256 694 0.0080 85909 1798009 20.84
tp
57 77822 1389 0.0178 77128 1338260 17.20 85562 760 0.0089 85182 1712100 20.01
58 76434 1505 0.0197 75681 1261132 16.50 84803 835 0.0098 84385 1626917 19.18
ht
59 74929 1615 0.0216 74122 1185451 15.82 83968 920 0.0110 83508 1542532 18.37
60 73314 1708 0.0233 72460 1111329 15.16 83048 1016 0.0122 82540 1459024 17.57
61 71606 1811 0.0253 70700 1038869 14.51 82032 1123 0.0137 81470 1376484 16.78
62 69795 1913 0.0274 68838 968169 13.87 80909 1240 0.0153 80289 1295014 16.01
63 67881 2015 0.0297 66874 899331 13.25 79669 1368 0.0172 78985 1214725 15.25
64 65867 2116 0.0321 64809 832457 12.64 78301 1506 0.0192 77548 1135739 14.50
65 63751 2183 0.0342 62659 767648 12.04 76795 1648 0.0215 75972 1058191 13.78
66 61568 2298 0.0373 60419 704989 11.45 75148 1808 0.0241 74243 982220 13.07
67 59270 2423 0.0409 58058 644570 10.88 73339 1981 0.0270 72349 907976 12.38
68 56846 2558 0.0450 55567 586512 10.32 71359 2163 0.0303 70277 835627 11.71
69 54288 2698 0.0497 52939 530945 9.78 69196 2353 0.0340 68020 765350 11.06
70 51590 2916 0.0565 50132 478006 9.27 66843 2540 0.0380 65574 697330 10.43
71 48674 3024 0.0621 47162 427874 8.79 64304 2741 0.0426 62933 631756 9.82

(x)
72 45650 3095 0.0678 44103 380712 8.34 61563 2945 0.0478 60090 568823 9.24
73 42556 3126 0.0735 40992 336609 7.91 58618 3145 0.0537 57045 508733 8.68
74 39429 3118 0.0791 37870 295616 7.50 55473 3338 0.0602 53804 451687 8.14
75 36311 2878 0.0793 34872 257746 7.10 52135 3625 0.0695 50323 397883 7.63
76 33433 2901 0.0868 31983 222874 6.67 48511 3721 0.0767 46650 347560 7.16
77 30532 2900 0.0950 29082 190892 6.25 44790 3788 0.0846 42896 300910 6.72
78 27632 2871 0.1039 26196 161810 5.86 41002 3822 0.0932 39091 258014 6.29
79 24761 2814 0.1136 23354 135614 5.48 37179 3819 0.1027 35270 218923 5.89
80 21947 2678 0.1220 20608 112260 5.12 33361 3852 0.1155 31435 183653 5.51
81 19269 2589 0.1344 17974 91652 4.76 29509 3714 0.1259 27652 152218 5.16
82 16680 2466 0.1479 15447 73678 4.42 25795 3537 0.1371 24027 124566 4.83
83 14213 2311 0.1626 13058 58231 4.10 22258 3323 0.1493 20597 100540 4.52
.id
84 11903 2126 0.1786 10840 45173 3.80 18936 3076 0.1624 17398 79943 4.22
o
85 9777 1963 0.2008 8795 34333 3.51 15860 2885.g 0.1819 14418 62545 3.94
86 7814 1701 0.2177 6963 25538 3.27 12976 2529 0.1949 11711 48127 3.71
ps
87 6113 1441 0.2357 5392 18575 3.04 10446 2181 0.2088 9356 36416 3.49
88 4672 1192 0.2550 4076 13182 2.82 8266 1847 0.2234 7342 27060 3.27
.b
89 3480 959 0.2756 3001 9106 2.62 6419 1534 0.2390 5652 19718 3.07
w
90 2521 776 0.3079 2133 6106 2.42 4885 1253 0.2565 4258 14066 2.88
w
91 1745 570 0.3266 1460 3973 2.28 3632 993 0.2734 3135 9808 2.70
w
92 1175 407 0.3461 972 2513 2.14 2639 768 0.2912 2255 6672 2.53
://
93 768 282 0.3665 627 1541 2.01 1870 580 0.3099 1581 4417 2.36
tp
94 487 189 0.3877 392 914 1.88 1291 425 0.3295 1078 2837 2.20
95 298 122 0.4096 237 521 1.75 866 303 0.3500 714 1759 2.03
ht
96 176 76 0.4324 138 284 1.62 563 209 0.3714 458 1045 1.86
97 100 46 0.4558 77 147 1.47 354 139 0.3936 284 586 1.66
98 54 26 0.4799 41 69 1.28 214 89 0.4167 170 302 1.41
99 28 14 0.5046 21 28 1.00 125 55 0.4406 98 133 1.06
100 14 14 1.0000 7 7 0.50 70 70 1.0000 35 35 0.50

Lampiran 5. Graduasi Data Indonesia dengan Metode Interpolasi
Elandt-Johnson
Tabel 1. Hasil Interpolasi dengan Metode Elandt-Johnson untuk Tabel

Kematian Ringkas Indonesia pada Hasil Proyeksi Tahun 2000
Male Female
Age (x)
lx dx Lx Tx Ex lx dx Lx Tx Ex
0 100000 4377 96936 6550457 65.5 100000 3308 97684 6951004 69.5
1 95623 352 95412 6453522 67.5 96692 307 96508 6853319 70.9
2 95271 283 95130 6358110 66.7 96385 238 96267 6756811 70.1
3 94988 225 94875 6262981 65.9 96148 182 96057 6660545 69.3
4 94763 178 94674 6168105 65.1 95965 139 95896 6564488 68.4
5 94585 141 94514 6073431 64.2 95826 106 95773 6468592 67.5
.id
6 94444 112 94388 5978917 63.3 95720 82 95678 6372820 66.6
7 94332 91 94287 5884529 62.4 95637 66 95604 6277141 65.6
8 94242 77 94204 5790241 61.4
o
95571 56 95543 6181537 64.7
.g
9 94165 69 94131 5696038 60.5 95515 51 95490 6085994 63.7
ps
10 94097 34 94080 5601907 59.5 95465 26 95452 5990504 62.8

.b
11 94062 54 94035 5507827 58.6 95438 41 95418 5895053 61.8

w
12 94008 78 93970 5413792 57.6 95397 59 95368 5799635 60.8

w
13 93931 100 93881 5319822 56.6 95339 75 95301 5704267 59.8

93830 119 93771 5225942 55.7 95264 87 95220 5608965 58.9
w
14
15 93711 108 93657 5132171 54.8 95177 75 95139 5513745 57.9
://
16 93603 122 93542 5038514 53.8 95102 83 95060 5418606 57.0

tp
17 93480 136 93412 4944972 52.9 95018 91 94973 5323546 56.0

ht
18 93344 150 93269 4851560 52.0 94927 100 94877 5228573 55.1
19 93195 162 93113 4758291 51.1 94827 108 94773 5133696 54.1
20 93032 176 92944 4665177 50.1 94719 116 94661 5038923 53.2
21 92856 185 92763 4572233 49.2 94603 123 94542 4944262 52.3
22 92671 192 92575 4479470 48.3 94480 130 94415 4849720 51.3
23 92479 195 92382 4386895 47.4 94350 136 94282 4755305 50.4
24 92284 197 92186 4294513 46.5 94214 141 94143 4661023 49.5
25 92087 191 91992 4202328 45.6 94073 145 94000 4566880 48.5
26 91896 190 91801 4110336 44.7 93927 150 93852 4472880 47.6
27 91706 191 91610 4018535 43.8 93777 155 93700 4379028 46.7
28 91515 192 91419 3926925 42.9 93622 160 93542 4285328 45.8
29 91323 195 91225 3835506 42.0 93462 165 93380 4191786 44.8
30 91127 202 91026 3744281 41.1 93298 170 93213 4098406 43.9

Male Female
Age (x)
31 90925 207 90822 3653255 40.2 93128 176 93040 4005193 43.0
32 90718 214 90611 3562433 39.3 92953 182 92862 3912153 42.1
33 90504 221 90394 3471822 38.4 92770 189 92676 3819291 41.2
34 90283 230 90168 3381428 37.5 92581 197 92483 3726615 40.3
35 90053 241 89933 3291260 36.5 92384 207 92281 3634133 39.3
36 89812 253 89686 3201327 35.6 92177 217 92069 3541852 38.4
37 89560 267 89426 3111641 34.7 91960 228 91847 3449784 37.5
38 89293 283 89151 3022215 33.8 91733 239 91613 3357937 36.6
39 89010 301 88859 2933064 33.0 91494 252 91367 3266324 35.7
40 88709 322 88548 2844205 32.1 91241 266 91108 3174956 34.8
41 88387 345 88215 2755657 31.2 90975 282 90834 3083848 33.9
42 88042 372 87856 2667442 30.3 90693 301 90542 2993015 33.0
.id
43 87670 401 87470 2579586 29.4 90392 321 90232 2902472 32.1
o
44 87269 434 87053 2492116 28.6 90071
.g 343 89900 2812241 31.2
45 86836 471 86600 2405063 27.7 89728 369 89544 2722341 30.3
ps
46 86365 510 86110 2318463 26.8 89359 396 89161 2632798 29.5
47 85855 552 85579 2232353 26.0 88964 425 88751 2543636 28.6
.b
48 85303 598 85004 2146774 25.2 88539 456 88311 2454885 27.7
w
49 84705 647 84381 2061770 24.3 88082 491 87837 2366574 26.9
w
50 84058 699 83708 1977389 23.5 87592 529 87327 2278737 26.0
w
51 83359 756 82981 1893680 22.7 87063 568 86779 2191410 25.2
://
52 82603 819 82193 1810700 21.9 86494 609 86190 2104632 24.3
tp
53 81784 886 81341 1728506 21.1 85885 654 85558 2018442 23.5
ht
54 80897 959 80418 1647166 20.4 85231 701 84881 1932884 22.7
55 79938 1037 79420 1566748 19.6 84530 749 84156 1848003 21.9
56 78901 1119 78341 1487328 18.9 83781 806 83378 1763847 21.1
57 77782 1206 77179 1408986 18.1 82975 868 82541 1680469 20.3
58 76576 1296 75928 1331807 17.4 82107 937 81639 1597928 19.5
59 75280 1391 74585 1255879 16.7 81170 1012 80664 1516289 18.7
60 73890 1487 73146 1181294 16.0 80158 1094 79611 1435625 17.9
61 72402 1590 71607 1108148 15.3 79064 1185 78471 1356014 17.2
62 70812 1696 69964 1036541 14.6 77879 1284 77237 1277543 16.4
63 69116 1805 68214 966576.5 14.0 76595 1392 75899 1200306 15.7
64 67311 1918 66352 898362.9 13.3 75203 1507 74449 1124407 15.0
65 65393 2028 64379 832010.9 12.7 73696 1625 72883 1049958 14.2
66 63365 2145 62293 767631.7 12.1 72071 1759 71191 977075.1 13.6

Male Female
Age (x)
67 61221 2263 60089 705338.7 11.5 70312 1902 69361 905883.8 12.9
68 58957 2382 57766 645250 10.9 68410 2053 67384 836522.8 12.2
69 56575 2500 55325 587484.1 10.4 66357 2210 65252 769138.9 11.6
70 54075 2618 52766 532159.4 9.8 64147 2373 62961 703886.6 11.0
71 51457 2725 50094 479393.6 9.3 61775 2536 60506 640925.7 10.4
72 48732 2823 47320 429299.4 8.8 59238 2699 57889 580419.2 9.8
73 45909 2908 44455 381979 8.3 56540 2856 55112 522530.2 9.2
74 43001 2979 41511 337524.2 7.8 53683 3006 52181 467418.6 8.7
75 40021 3053 38495 296013.2 7.4 50678 3186 49085 415237.9 8.2
76 36969 3077 35430 257518.1 7.0 47492 3282 45851 366153 7.7
77 33892 3077 32353 222087.8 6.6 44210 3358 42531 320301.8 7.2
78 30814 3051 29289 189734.7 6.2 40852 3409 39148 277770.8 6.8
.id
79 27763 2996 26265 160445.8 5.8 37443 3431 35727 238623.2 6.4
o
80 24767 2900 23317 134180.7 5.4 34012
.g 3417 32303 202895.8 6.0
81 21867 2794 20470 110863.9 5.1 30595 3374 28907 170592.6 5.6
ps
82 19073 2657 17744 90394.34 4.7 27220 3294 25573 141685.4 5.2
83 16415 2492 15169 72650.33 4.4 23926 3175 22338 116112.4 4.9
.b
84 13923 2302 12772 57481.07 4.1 20751 3018 19242 93774.05 4.5
w
85 11621 2091 10576 44708.96 3.8 17733 2824 16321 74532 4.2
w
86 9530 1864 8598 34133.29 3.6 14909 2598 13611 58210.65 3.9
w
87 7666 1629 6851 25535.29 3.3 12312 2345 11139 44600.07 3.6
://
88 6037 1392 5340 18684.12 3.1 9967 2073 8930 33460.84 3.4
tp
89 4644 1161 4063 13343.8 2.9 7893 1791 6998 24530.78 3.1
ht
90 3483 943 3011 9280.442 2.7 6102 1509 5347 17533.1 2.9
91 2539 744 2167 6269.471 2.5 4593 1236 3975 12185.71 2.7
92 1795 568 1511 4102.129 2.3 3356 982 2865 8211.075 2.4
93 1227 419 1018 2590.87 2.1 2374 754 1997 5345.615 2.3
94 808 297 660 1573.179 1.9 1620 558 1342 3348.158 2.1
95 511 202 410 913.5328 1.8 1063 396 865 2006.448 1.9
96 309 131 243 503.4823 1.6 667 268 533 1141.283 1.7
97 178 81 137 260.0031 1.5 399 173 313 607.9494 1.5
98 97 47 73 122.508 1.3 226 105 174 295.0706 1.3
99 50 26 37 49.01606 1.0 121 60 91 121.269 1.0
100 24 24 12 12.02883 0.5 61 61 30 30.35341 0.5

Tabel 2. Hasil Interpolasi dengan Metode Elandt-Johnson untuk Tabel
Kematian Ringkas Indonesia pada Optimum Tahun 2000
Age Male Female

(x) lx dx Lx Tx Ex lx dx Lx Tx Ex
0 100000 4749 96676 6468971 64.7 100000 4563 96806 6621247 66.2
1 95251 414 95003 6372295 66.9 95437 573 95094 6524441 68.4
2 94837 328 94673 6277292 66.2 94864 434 94647 6429347 67.8
3 94509 258 94380 6182619 65.4 94430 324 94268 6334700 67.1
4 94251 201 94150 6088240 64.6 94106 239 93987 6240431 66.3
5 94049 157 93971 5994090 63.7 93867 176 93779 6146445 65.5
6 93892 123 93831 5900119 62.8 93690 132 93625 6052666 64.6
7 93769 99 93720 5806288 61.9 93559 102 93508 5959041 63.7
8 93671 83 93629 5712568 61.0 93457 84 93415 5865533 62.8
.id
9 93588 74 93551 5618939 60.0 93373 76 93335 5772119 61.8
10 93514 37 93495 5525388 59.1 93297 44 93275 5678784 60.9
o
93476 59 93447 5431893 58.1
.g
93253 65 93220 5585509 59.9
11
93418 84 93375 5338446 57.1 93187 90 93142 5492289 58.9
ps
12
13 93333 109 93279 5245071 56.2 93097 113 93040 5399147 58.0
.b
14 93224 129 93160 5151792 55.3 92984 131 92918 5306106 57.1
w
15 93095 116 93037 5058632 54.3 92853 114 92796 5213188 56.1
w
16 92979 131 92913 4965596 53.4 92739 125 92677 5120393 55.2
w
17 92848 146 92775 4872682 52.5 92614 136 92546 5027716 54.3
://
18 92702 160 92622 4779907 51.6 92478 148 92404 4935170 53.4
tp
19 92542 174 92455 4687285 50.7 92330 158 92251 4842766 52.5
20 92369 189 92274 4594829 49.7 92172 168 92088 4750515 51.5
ht
21 92180 198 92081 4502555 48.8 92004 177 91916 4658427 50.6
22 91982 205 91879 4410474 47.9 91827 185 91735 4566511 49.7
23 91777 209 91672 4318595 47.1 91642 193 91546 4474777 48.8
24 91567 211 91462 4226923 46.2 91449 199 91350 4383231 47.9
25 91356 205 91254 4135461 45.3 91250 204 91148 4291881 47.0
26 91151 205 91049 4044208 44.4 91046 210 90941 4200733 46.1
27 90946 205 90844 3953159 43.5 90837 215 90729 4109792 45.2
28 90741 207 90637 3862316 42.6 90621 221 90511 4019063 44.4
29 90534 210 90429 3771678 41.7 90400 227 90286 3928553 43.5
30 90324 217 90215 3681250 40.8 90173 234 90056 3838266 42.6
31 90107 223 89995 3591034 39.9 89939 241 89818 3748211 41.7
32 89884 229 89770 3501039 39.0 89698 249 89573 3658392 40.8
33 89655 237 89536 3411269 38.0 89449 257 89321 3568819 39.9

Age Male Female
34 89417 247 89294 3321733 37.1 89192 266 89060 3479498 39.0
35 89170 258 89042 3232439 36.3 88927 276 88789 3390439 38.1
36 88913 270 88778 3143398 35.4 88651 286 88508 3301650 37.2
37 88642 285 88500 3054620 34.5 88365 297 88216 3213142 36.4
38 88358 301 88207 2966120 33.6 88068 309 87913 3124925 35.5
39 88056 320 87896 2877913 32.7 87759 322 87598 3037012 34.6
40 87736 341 87566 2790017 31.8 87437 336 87269 2949415 33.7
41 87396 364 87214 2702451 30.9 87101 351 86925 2862146 32.9
42 87032 391 86836 2615237 30.0 86750 369 86565 2775221 32.0
43 86641 420 86430 2528401 29.2 86381 388 86187 2688655 31.1
44 86220 453 85994 2441971 28.3 85993 409 85789 2602468 30.3
45 85767 490 85522 2355977 27.5 85584 432 85368 2516679 29.4
.id
46 85277 529 85012 2270455 26.6 85152 458 84923 2431311 28.6
o
47 84748 572 84462 2185443 25.8 84694
.g 487 84450 2346388 27.7
48 84176 617 83867 2100981 25.0 84207 519 83947 2261938 26.9
ps
49 83558 667 83225 2017114 24.1 83688 554 83411 2177990 26.0
50 82892 718 82533 1933889 23.3 83134 596 82836 2094580 25.2
.b
51 82174 776 81786 1851357 22.5 82538 636 82220 2011744 24.4
w
52 81398 838 80979 1769571 21.7 81902 678 81563 1929524 23.6
w
53 80560 905 80108 1688592 21.0 81224 722 80863 1847961 22.8
w
54 79655 977 79167 1608484 20.2 80502 770 80117 1767097 22.0
://
55 78679 1054 78152 1529317 19.4 79732 815 79325 1686980 21.2
tp
56 77625 1135 77057 1451166 18.7 78917 871 78482 1607656 20.4
ht
57 76490 1220 75880 1374108 18.0 78046 934 77579 1529174 19.6
58 75270 1310 74615 1298228 17.2 77112 1004 76610 1451595 18.8
59 73960 1403 73259 1223613 16.5 76108 1080 75568 1374985 18.1
60 72557 1499 71808 1150354 15.9 75027 1166 74444 1299418 17.3
61 71058 1600 70258 1078547 15.2 73861 1256 73233 1224974 16.6
62 69458 1705 68605 1008289 14.5 72605 1353 71928 1151741 15.9
63 67753 1812 66847 939683.9 13.9 71252 1455 70524 1079812 15.2
64 65941 1921 64981 872836.7 13.2 69797 1564 69015 1009288 14.5
65 64020 2028 63006 807856.1 12.6 68233 1670 67398 940273.5 13.8
66 61992 2142 60921 744850.2 12.0 66563 1793 65667 872875.8 13.1
67 59850 2256 58722 683929.2 11.4 64770 1923 63808 807209.3 12.5
68 57594 2371 56408 625207.2 10.9 62847 2061 61816 743400.8 11.8
69 55223 2484 53981 568799 10.3 60786 2203 59684 681584.4 11.2
70 52739 2597 51440 514818.2 9.8 58583 2353 57406 621900 10.6

Age Male Female
71 50142 2699 48792 463378 9.2 56230 2497 54982 564493.6 10.0
72 47442 2791 46047 414586 8.7 53733 2637 52415 509512 9.5
73 44651 2871 43216 368539.2 8.3 51097 2769 49712 457097.1 8.9
74 41780 2937 40312 325323.6 7.8 48327 2891 46882 407385.1 8.4
75 38843 3003 37342 285012 7.3 45436 3029 43921 360503.4 7.9
76 35840 3023 34328 247670.4 6.9 42407 3103 40855 316582 7.5
77 32817 3018 31308 213342 6.5 39303 3156 37726 275727 7.0
78 29799 2987 28305 182034.1 6.1 36148 3183 34556 238001.4 6.6
79 26811 2929 25347 153729 5.7 32965 3182 31374 203444.9 6.2
80 23883 2829 22468 128381.9 5.4 29783 3144 28211 172070.9 5.8
81 21054 2720 19694 105913.5 5.0 26639 3083 25098 143859.9 5.4
82 18334 2582 17043 86219.54 4.7 23556 2987 22063 118762.1 5.0
.id
83 15752 2417 14544 69176.43 4.4 20570 2856 19142 96698.88 4.7
o
84 13336 2227 12222 54632.54 4.1 17714
.g 2691 16369 77556.74 4.4
85 11108 2018 10099 42410.52 3.8 15024 2495 13776 61187.79 4.1
ps
86 9090 1795 8193 32311.2 3.6 12528 2273 11392 47411.87 3.8
87 7295 1565 6513 24118.55 3.3 10255 2031 9239 36020.21 3.5
.b
88 5731 1333 5064 17605.77 3.1 8224 1776 7336 26780.8 3.3
w
89 4397 1109 3843 12541.99 2.9 6448 1517 5689 19445.1 3.0
w
90 3288 898 2839 8699.418 2.6 4931 1262 4299 13756.02 2.8
w
91 2390 706 2037 5860.219 2.5 3668 1021 3158 9456.559 2.6
://
92 1685 537 1416 3822.777 2.3 2648 799 2248 6298.467 2.4
tp
93 1148 394 950 2406.725 2.1 1848 605 1546 4050.307 2.2
ht
94 753 279 614 1456.453 1.9 1244 440 1024 2504.158 2.0
95 474 189 380 842.7762 1.8 804 307 650 1480.413 1.8
96 286 122 225 462.7931 1.6 497 205 394 830.293 1.7
97 164 75 126 238.1032 1.5 292 129 227 435.9813 1.5
98 89 43 67 111.776 1.3 163 77 124 208.6106 1.3
99 46 24 34 44.56716 1.0 85 43 64 84.59219 1.0
100 22 22 11 10.90818 0.5 42 42 21 20.95826 0.5

.id
go
p s.
.b
w
w
w
://
tp
ht
BADAN PUSAT STATISTIK, Jakarta – Indonesia

Jl. dr. Sutomo No. 6 - 8, jakarta 10710. Kotak Pos 1003 Jakarta 10010
Telp. (021) 3841195. 3842508, 3810291-4. fax: (021) 3857046
Hompage: http://www.bps.go.id. e-mail: bpshq@bps.go.id

LIFE TABLE

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

LIFE TABLE

Diunggah oleh

Hak Cipta:

Format Tersedia

.

BADAN PUSAT STATISTIK, Jakarta – Indonesia

Subdirektorat Pengembangan Model Statistik

No. Publikasi : xxxxx.xxx

Katalog BPS : xxxxxxx

Ukuran Buku : 17,5 cm x 25 cm

Jumlah Halaman : viii + 94

Badan Pusat Statistik, Jakarta – Indonesia

Boleh dikutip dengan menyebut sumbernya

Pengolahan Data/Penyiapan Draft:

Wahyuni Andriana Sofa

Mortalitas atau kematian merupakan salah satu di antara tiga

yang bisa digunakan adalah dengan memanfaatkan rasio kelangsungan

hidup (survival ratio).

Publikasi ini menyajikan hasil penyusunan life table Indonesia dengan

pendekatan survival ratio penduduk tahun 2000-2010, evaluasi jumlah

penduduk Indonesia tahun 2000 dan evaluasi terhadap laju pertumbuhan

masih diperlukan kajian lanjutan.

Akhirnya, disampaikan terima kasih dan penghargaan kepada tim

penyusun dan semua pihak yang telah berpartisipasi dalam penyusunan

Jakarta, November 2011

Deputi Bidang Neraca dan

Dr. Slamet Sutomo

Pengembangan Model Life Table Indonesia i

Kata Pengantar ………………………………………………………………………….…. i

Bab 1. Pendahuluan ………………………………………………………………………. 1

2.2 Metode Rasio Kelangsungan Hidup (Survival Ratio) ………. 9

2.3 Life Table …………………………………………………..…………………… 9

2.3.1 Definisi Life Table …………………………………….……………………… 10

2.3.2 Asumsi Life Table …………………………………………………………….. 10

2.3.3 Jenis Life Table ………………………………………….………………………. 10

2.3.5 Model Life Table ……………………………………………………………. 12

2.4 Interpolasi Lagrange ………………………………………………………. 13

Bab 3. Metodologi …………………………………………………………………… 15

Pengembangan Model Life Table Indonesia iii

Bab 4. Pembahasan …………………………………………………………………. 29

4.3.2 Evaluasi Census Survival Ratio Indonesia 2000-2010 ………….. 58

4.3.3 Hasil Koreksi Perubahan Laju Pertumbuhan dan Struktur Penduduk

Bab 5. Kesimpulan dan Saran …………………………………………………… 63

5.2 Saran …………………………………………………………………………. 64

Daftar Pustaka …………………………………………………………………………….. 65

Lampiran 1. Abriged Life Table Indonesia (Coale Demeny West Model) 67

iv Pengembangan Model Life Table Indonesia

Tabel 1. Penghitungan Level Interpolasi Tabel Kematian Laki-laki dan

Tabel 2. Estimasi Parameter dalam Kurva Kematian Heligman Pollard

Tabel 3. Nilai koefisien untuk umur tahun dengan

Tabel 4. Nilai koefisien untuk menghitung dengan umur

Tahun 2000-2010 …………………………………………………………… 41

Tabel 7. Penduduk Perempuan di Indonesia menurut Kelompok Umur

Tahun 2000-2010 ………………………………………………………… 41

dan 20.8 serta Perkiraan Jumlah Penduduk Menurut Kelompok

Umur pada Tahun 2000 ………………………………………………… 44

Tabel 9. Nilai SR Observasi untuk Laki-laki dan Perempuan ……….. 47

Tabel 10. Summary Statistics Hasil Pengujian dengan 7 Alternatif Model

Tabel 11. Estimasi Tabel Kematian Laki-Laki Menggunakan Pendekatan

Tabel 12. Summary Statistics Hasil Pengujian dengan 7 Alternatif Model

Tabel 13. Estimasi Tabel Kematian Perempuan Menggunakan Pendekatan

Pengembangan Model Life Table Indonesia v

Tabel 15. Jumlah Penduduk Indonesia berdasarkan Sensus Penduduk

Tabel 16. Koreksi Jumlah Penduduk Indonesia Tahun 2000 Menggunakan

Tabel 17. Angka Kelangsungan Hidup Penduduk Indonesia Tahun 2000

Tabel 18. Jumlah dan Pertumbuhan Penduduk Indonesia Tahun 2000

vi Pengembangan Model Life Table Indonesia