Abstrak
Indeks Pembangunan Manusia (IPM) merupakan salah satu tolok ukur yang digunakan untuk mengetahui
pembangunan manusia dari suatu negara. Setiap tahun dilakukan perhitungan nilai IPM di Indonesia
sampai pada skala kabupaten. Akan tetapi, sejak diterapkannya kebijakan otonomi daerah, dibutuhkan
perhitungan nilai IPM dengan skala lebih kecil yakni kecamatan. Namun perhitungan nilai IPM dengan
skala kecamatan sulit dilakukan karena kurangnya sampel untuk mengestimasi nilai IPM per kecamatan.
Salah satu komponen untuk menghitung nilai IPM adalah indeks daya beli yang didekati dengan nilai
pengeluaran per kapita. Salah satu cara untuk mengestimasi nilai parameter dari subpopulasi ialah dengan
estimasi tidak langsung dengan pendekatan Small Area Estimation menggunakan metode Empirical
Bayes dan menggunakan pendekatan Jackknife untuk mengoreksi nilai MSE. Penelitian ini bertujuan
mengestimasi pengeluaran per kapita dengan pendekatan Small Area Estimation - Empirical Bayes di
Kabupaten Sumenep. Hasil penelitian didapatkan nilai RRMSE dari model Small Area Estimation lebih
kecil daripada nilai RRMSE estimasi langsung, hal ini menunjukkan bahwa model Small Area Estimation
lebih baik daripada estimasi langsung dalam mengestimasi nilai pengeluaran per kapita setiap kecamatan
di Kabupaten Sumenep.
Kata kunci: Empirical Bayes, Pengeluaran per Kapita, Small Area Estimation.
dari variabel yang diamati. Pada metode EB digunakan σ ), sebagai efek random yang diasumsikan
v
pendekatan jackknife yang dipakai untuk mengoreksi berdistribusi normal. Kesimpulan mengenai θ , dapat
i
bias akibat adanya pendugaan pada parameternya. diketahui dengan mengasumsikan bahwa model
Penelitian ini membahas mengenai bagaimana estimator langsung 𝜃 telah tersedia, yaitu: 𝜃 = θ + e ,
i i i i
mendapatkan model estimasi pengeluaran per kapita dengan i = 1,…...,m dan sampling error e ~ N(0, 𝜓𝑖 ),
i
pada setiap kecamatan di Kabupaten Sumenep dengan
dengan 𝜓𝑖 diketahui.
pendekatan SAE. Dengan model tersebut akan Kemudian kedua model tersebut digabung
dilakukan estimasi pengeluaran per kapita pada setiap sehingga didapatkan model gabungan sebagai berikut:
kecamatan di Kabupaten Sumenep. ˆi xiT bi vi ei i=1,…..,m (1)
dimana b diketahui bernilai positif konstan dan
2. SMALL AREA ESTIMATION i
Small Area Estimation adalah salah satu sampling error independen 𝑒𝑖 ~𝐼𝑁𝐷(0, 𝜓𝑖 ) dengan
teknik statistik yang digunakan untuk menduga para- 𝜓𝑖 diketahui.
meter subpopulasi dengan ukuran sampel yang relatif Salah satu pendekatan yang dapat digunakan
kecil. Teknik ini mengembangkan data survei dan pada SAE ialah dengan menggunakan metode
sensus untuk mengestimasi tingkat kesejahteraan atau empirical Bayes (EB). Langkah pertama yang
indikator lainnya untuk unit geografis seperti kecama- dilakukan pada metode Bayes adalah mendapatkan
tan atau pedesaan. (Davies,2003). distribusi posterior untuk parameter yang diamati yang
2 2
Terdapat dua masalah pokok dalam pendugaan dinotasikan f (θ |𝑦 , β, σ ), dengan asumsi β dan σ
i i v v
area kecil. Masalah pertama adalah bagaimana meng- diketahui. Sedangkan pada metode Empirical Bayes,
hasilkan suatu dugaan parameter yang cukup baik inferensia yang diperoleh berdasar pada estimasi
untuk ukuran sampel kecil pada suatu domain. Kedua, distribusi posterior dari θ dengan memasukkan nilai
bagaimana menduga mean square error (MSE) dari 2
i
dugaan parameter tersebut. Kedua masalah pokok estimasi β dan σ yaitu f(𝜃𝑖 |𝑦𝑖 , 𝛽 , 𝜎𝑣2 ).
v
tersebut dapat diatasi dengan cara “meminjam Model Fay dan Heriot (1979) untuk model basic area
informasi” dari dalam area, luar area maupun dari luar level adalah:
survei (Pfefferman, 2002).
Terdapat dua ide utama yang digunakan untuk yi xiT bi vi ei (2)
mengembangkan model pendugaan parameter small dimana 𝑣𝑖 ~𝑁 0, 𝜎𝑣2 dan 𝑒𝑖 ~𝑁 0, 𝜓𝑖 , v dan e saling
area yaitu, 2
i i
1. Model pengaruh tetap (fixed effect model) dimana bebas. β dan σ tidak diketahui sedangkan
v
asumsi bahwa keragaman di dalam small area 𝜓𝑖 diasumsikan diketahui (Kurnia dan Notodiputro,
peubah respon dapat diterangkan seluruhnya oleh 2
2006b). Misal σ dan 𝜓𝑖 disimbolkan dengan A dan
v
2
D , selanjutnya merupakan estimator Bayes untuk θi, d
i
d
log L , V xiT V 1 yi xi
dengan mengikuti model Bayes berikut:
(i) 𝑦𝑖 |θ ~ N(θ , D )
i i i
d
d
log L ,V xiT V 1 yi xiT V 1 xi 0
(ii) 𝜃𝑖 ~N(ziT β, A) adalah sebaran prior untuk θ ,
i=1,2,...,m.
i
xiTV 1 xi xiTV 1 yi
x V xi
1
Penjelasan model Bayes diberikan sebagai berikut: T
i
1
(10) xiT V 1 yi
1 1 Namun pada kenyataannya A tidak diketahui,
f ( yi | i ) exp yi i 2
2Di 2 Di Untuk mengestimasi parameter A juga menggunakan
dan metode Maximum Likelihood (MLE) atau Restricted
Maximum Likelihood (REML). Jiang (1996)
1 1
( i ) exp
2
i xiT (3)
mengatakan bahwa estimator A menggunakan REML
2A 2A konsisten. Oleh karena A dan β diestimasi, maka akan
sehingga diperoleh suatu penduga Empirical Bayes:
f ( yi , i | , A)
m
1 1
exp
yi i 2
ˆiEB xiT ˆ 1 Bˆi yi xiT ˆ (11)
i 1 2Di 2 Di dengan B = D / (A + D )
i i i
1 1
exp i xiT
2
(4)
Berdasarkan metode Bayes, diperoleh:
2A 2A
T
T
MSE ˆiEB Var i | y i , ˆ , Aˆ Aˆ Di Aˆ Di
(12)
untuk x = (x , x ,...,x ) dan θ = (θ ,θ ,...,θ ) Estimator MSE tersebut menjadi bersifat
i 1 2 m i 1 2 m
Perhatikan dua fungsi eksponensial tanpa underestimate karena adanya estimasi pada nilai A dan
memperhatikan faktor (-1/2) pada f ( yi , i | , A) β. Hal tersebut dapat dikoreksi dengan menggunakan
pendekatan jackknife (Jiang, Lahiri, dan Wan, 2002).
1
yi i 2 1 i xiT 2 Metode pendekatan jackknife dikenalkan oleh
Di A Tukey pada tahun 1958. Metode ini pada
1
Di
2 2 1 2
A
yi 2 yi i i i 2 i xiT xiT
2
perkembangannya dapat digunakan untuk mengoreksi
bias suatu estimator. Prosedur yang dilakukan yaitu
2 dengan menghapus observasi ke-i untuk i = 1,2,...,m
yi xiT
dan selanjutnya melakukan pendugaan parameter.
1 1 Di A (5) Pada Small area estimation diterapkan metode
i *
ai
D
i A
1 1 jackknife untuk mengoreksi pendugaan MSE akibat
D A adanya pendugaan β dan A, dengan:
i
*
MSE ˆiB ADi A Di g1i A (13)
dengan a i adalah konstan dan tidak memuat θi dimana A diduga oleh s v2 (Kurnia dan Notodiputro,
sehingga
2006b). Tahapan-tahapan untuk menghitung MSE ˆiEB
1
2
m 1 m ˆ EB
dengan B = D / (A + D ) i ( u ) ˆi
EB
h2i (15)
i i i
m u 1
MSE ˆiB Var i | y i , , A ADi A Di
(8) dimana ˆiEB
( u ) diperoleh dengan menghapus
Ketika parameter A diketahui, maka β pada
formula tersebut dapat diestimasi dengan metode pengamatan ke-u pada himpunan data ˆiEB .
Maximum Likelihood 3. Hitung nilai MSE:
1 1
log L ,V log V yi xi V 1 yi xi
2 2
T
(9)
MSE j ˆiB h1i h2i (16)
dimana V diag A D1 , A D2 ,..., A Di
Untuk mengevaluasi kebaikan dari model
Diferensial dari log L ,V terhadap β SAE, dilakukan perbandingan hasil estimasinya
diberikan sebagai berikut dengan hasil estimasi langsung. Menurut Rao (2003),
3
Estimator langsung merupakan estimator yang hanya a. Memodelkan dan menganalisis pengeluaran per
digunakan apabila semua area dalam suatu populasi kapita masyarakat di Sumenep dengan pendekatan
digunakan sebagai sampel dan estimator ini berbasis Small Area Estimation
desain sampling. Estimator langsung untuk domain 1. Mengekplorasi data menggunakan statistika
menggunakan nilai dari variabel yang menjadi deskriptif
perhatian hanya pada periode waktu dan unit sampel 2. Memilih variabel bantu xi yang diasumsikan
area (Ramsini, et al. 2001). Data sampel dari suatu mempengaruhi dan menggambarkan pengeluaran
survei dapat digunakan untuk mendapatkan estimasi per kapita berdasarkan eksplorasi data
langsung yang dapat dipercaya bagi suatu area besar 3. Melakukan pendugaan A dan β dengan metode
atau domain. Ramsini et al. (2001) menyebutkan MLE
bahwa nilai hasil estimasi langsung pada suatu area 4. Membentuk model SAE dengan teknik Empirical
kecil merupakan estimator tak bias meskipun memiliki Bayes
ragam yang besar dikarenakan dugaannya diperoleh 5. Mengestimasi pengeluaran per kapita rumah tangga
dari ukuran sampel yang kecil. untuk masing-masing kecamatan dengan metode
Empirical Bayes 𝜃𝑖𝐸𝐵
3. PENGELUARAN PER KAPITA 6. Menghitung MSE𝑗 𝜃𝑖𝐸𝐵 dengan konsep
Menurut Badan Pusat Statistik (BPS), pendekatan Jackknife
pengeluaran rata-rata perkapita sebulan menunjukkan b. Mendapatkan estimasi rata-rata pengeluaran
besarnya pengeluaran setiap anggota rumah tangga perkapita masyarakat perkecamatan di kabupaten
dalam kurun waktu satu bulan. Sedangkan definisi Sumenep
rumah tangga adalah sekelompok orang yang 1. Mengestimasi pengeluaran per kapita rumah tangga
mendiami sebagian atau seluruh bangunan fisik dan untuk masing-masing kecamatan secara langsung
biasanya tinggal bersama serta makan dari satu dapur (direct estimation)
(BPS 2003). Dalam satu rumah tangga bisa terdiri dari 2. Menghitung nilai MSE dari hasil estimasi
satu, dua, atau lebih kepala keluarga. pengeluaran per kapita rumah tangga dengan
Pengeluaran per kapita biasa dirumuskan sebagai metode direct estimation
berikut: 3. Membandingkan nilai RRMSE pendugaan
p langsung dan nilai RRMSE𝑗 𝜃𝑖𝐸𝐵 dengan
y (17)
q perhitungan RRMSE sebagai berikut:
dimana: MSE 𝜃𝑖
y = pengeluaran per kapita RRMSE 𝜃𝑖 = × 100%
p = pengeluaran rumah tangga sebulan 𝜃𝑖
q = jumlah anggota rumah tangga
5. HASIL DAN PEMBAHASAN
4. METODOLOGI PENELITIAN Eksplorasi data dilakukan terhadap data
Data yang digunakan dalam penelitian ini pengeluaran perkapita dari tiap kecamatan di
adalah data sekunder. Data berasal dari dua sumber. Kabupaten Sumenep. Pengeluaran per kapita
Untuk variabel pengeluaran rata-rata perkapita penduduk di Kabupaten Sumenep pada tahun 2009
masyarakat perkecamatan di Kabupaten Sumenep sebesar Rp 206.830,00 (Tabel 1). Pengeluaran per
diperoleh dari SUSENAS 2009 dan untuk data kapita di Kecamatan Sumenep tidak terlalu beragam
variabel prediktor, yang seringkali disebut variabel yang ditunjukkan oleh nilai koefisien varians sebesar
bantu diperoleh dari Kabupaten Sumenep Dalam 18,82% dan standar deviasi sebesar 0,3892.
Angka 2010. Variabel bantu yang digunakan sebanyak Kecamatan Bluto memiliki pengeluaran per kapita
7 variabel diantaranya paling kecil sebesar Rp 152.800,00 dan Kecamatan
x = persentase penduduk bekerja di sektor pertanian Kota Sumenep memiliki pengeluaran per kapita
1
tertinggi sebesar Rp 331.511,00.
x = rata-rata anggota keluarga
2
x = persentase penduduk yang berpendidikan minimal Tabel 1. Nilai Statistik Pengeluaran per kapita
3
SD (x Rp.100.000,00)
x = persentase penduduk miskin Statistik Pengeluaran perkapita
4
Mean 2,0683
x = jumlah penduduk yang sedang sekolah
5 Standar Deviasi 0,3892
x = jumlah rumah tangga pelanggan listrik PLN Koefisien Varians 18,82
6
x = kepadatan penduduk Minimum 1,5280
7
Maksimum 3,3151
Tahapan-tahapan analisis yang dilakukan pada
Jangkauan 1,7871
penelitian ini dijelaskan pertujuan penelitian
4
Gambar 1 menunjukkan bahwa ada satu Sumenep. Gambar 4.2 menunjukkan pola persebaran
kecamatan yang menjadi pencilan yakni Kecamatan pengeluaran perkapita membentuk pola distribusi yang
Kota Sumenep. Kecamatan Kota Sumenep memiliki condong ke sebelah kiri.
pengeluaran per kapita yang paling besar dengan
selisih cukup jauh dengan pengeluaran per kapita 7
Frequency
pemerintahan dan perekonomian berada di kecamatan 4
tersebut 3
3.5 2
Pengeluaran per kapita (x100.000)
Kota Sumenep
1
3.0
0
1.5 2.0 2.5 3.0
Y
2.5
Gambar 2. Histogram Pengeluaran per Kapita
Gambar 1. Boxplot Pengeluaran perkapita Sumenep, hampir 38% penduduknya bekerja di sektor
pertanian. Setiap rumah tangga di Kabupaten Sumenep
Pola pengeluaran per kapita di setiap rata-rata memiliki anggota rumah tangga (X2)
kecamatan di Kabupaten Sumenep pada bixplot lebih sebanyak 4 orang dan hampir 18% penduduk
lebar pada bagian bawah. Hal ini menunjukkan bahwa Kabupaten Sumenep masih tergolong sebagai
persebaran pengeluaran per kapita setiap kecamatan di penduduk miskin (X4).
Kabupaten Sumenep lebih banyak berada di bawah
rata-rata nilai pengeluaran per kapita Kabupaten
Untuk masalah pendidikan, 42% penduduk di kecamatan di Kabupaten Sumenep sudah menjadi
Kabupaten Sumenep menamatkan pendidikannya pelanggan PLN (X6), sedangkan penduduk di
minimal pada jenjang SD (X3), dimana kondisi ini Kecamatan Ra’as, Kecamatan Kangayan dan
cukup beragam antar kecamatan, hal ini ditunjukkan Kecamatan Masalembu belum menjadi pelanggan
dengan nilai koefisien varians sebesar 57,78%. Rata- PLN. Rata-rata penduduk yang menjadi PLN sebanyak
rata jumlah penduduk yang sedang menempuh jenjang 7.283 orang di setiap kecamatan yang sudah
pendidikan (X5) sebanyak 7.261 orang. Jumlah berlangganan PLN, namun hal ini sangat beragam
penduduk terbanyak yang masih menempuh jenjang antar kecamatan yang ditunjukkan dengan nilai
pendidikan berada di Kecamatan Kota Sumenep koefisien varians sebesar 65,6%.
dengan jumlah penduduk sebesar 18.686 orang. Untuk kepadatan penduduk (X7), rata-rata
Kecamatan dengan jumlah penduduk yang sedang setiap daerah dengan luasan 1km2 dihuni oleh 687
menempuh jenjang pendidikan dengan jumlah terkecil penduduk dengan nilai keragaman antar kecamatan
ialah Kecamatan Nonggunong sebesar 2.360 orang. sebesar 68,2%. Kecamatan yang paling padat ialah
Untuk masalah kesejahteraan ditinjau dari ada kecamatan Kota Sumenep dengan kepadatan 2.535
tidaknya layanan listrik dari PLN, penduduk di 24 orang/km2 dan kecamatan yang paling jarang
5
penduduknya ialah Kecamatan Kangayan dengan mempengaruhi pengeluaran perkapita dilakukan
kepadatan 107 orang/km2. dengan melihat Scatterplot dari masing-masing
X1 X2 X3
variabel bantu dengan variabel pengeluaran per kapita.
8
5.0 4
Terdapat tujuh scatterplot yang masing-
4
2.5 2 masing menggambarkan hubungan antara variabel
0
.0 2 4 6 8
0.0
0 5 0 5 0
0
0 2 4 6 8 0
bantu dan varaibel respon. Gambar 4 menunjukkan
0. 0. 0. 0. 2. 2. 3. 3. 4. 0. 0. 0. 0. 0. 1.
-0
X4 X5 X6
bahwa kepadatan penduduk (X7) berkorelasi positif
dengan pengeluaran per kapita. Untuk lebih
Frequency
8 8
5.0
4 4
2.5 meyakinkan ada tidaknya korelasi antara variabel
0
05 1 0 15 20 2 5 3 0
0
0 00 00 00
0
00
0
0.0
00
0 0 00 00 00
0
00
0
bantu dan variabel respon dilakukan pengujian
0. 0. 0. 0. 0. 0.
korelasi antara variabel-variabel bantu dan
40 80 12 16 -4 40 80 12 16
X7
10
pengeluaran perkapita menggunakan nilai korelasi
5
pearson.
0
00 0 0 0 0 0 0
4 0 80 12 0 1 60 20 0 24 0
0 Tabel 3 Nilai Korelasi Pearson
-4
2.4
Bayes terlebih dahulu dilakukan pendugaan terhadap
1.6
2.4
dan diperoleh nilai A sebesar 0,01805. Setelah
diperoleh nilai A maka dilakukan estimasi terhadap
1.6
3.2
X7
nilai β menggunakan metode Maximum Likelihood
2.4
Estimation berdasarkan persamaan (11).
Tabel 4 Nilai Estimasi Parameter Beta
1.6
di Kabupaten Sumenep. XP 4 XP 5 XP 6
2.3
YP
2.1
Tabel 5. Nilai Statistik Pengeluaran per kapita hasil Small Gambar 5 Scatterplot antara Variabel Bantu dan
Area Estimation (x Rp.100.000,00). Pengeluaran per Kapita
Statistik Pengeluaran perkapita Variabel bantu yang berhubungan dengan
Mean 2,0428 pengeluaran per kapita secara grafis untuk kecamatan
Standar Deviasi 0,2431 kelompok kepulauan sama dengan pada kecamatan
Koefisien Varians 11,90 kelompok daratan yakni variabel kepadatan penduduk.
Minimum 1,8319 Pada Tabel 6 diketahui bahwa nilai korelasi kedua
Maksimum 2,9247 variabel sebesar -0,981. Tanda negatif menunjukkan
Jangkauan 1,0928 bahwa hubungan antara kepadatan penduduk dan
pengeluaran per kapita di kecamatan kelompok
Rata-rata pengeluaran per kapita penduduk di
kepulauan di Kabupaten Sumenep berbanding terbalik.
kecamatan kelompok daratan di Kabupaten Sumenep
Tabel 6. Nilai Korelasi Pearson
pada tahun 2009 hasil estimasi tidak langsung sebesar
Rp 204.280,00. Berdasarkan nilai standar deviasi Variabel Nilai Korelasi Pearson P-value
sebesar 0,2431 dan nilai koefisien varians sebesar X1 -0,149 0,851
11,9% menunjukkan bahwa nilai estimasi pengeluaran X2 -0,069 0,931
per kapita di kecamatan kelompok daratan di X3 0,839 0,161
Kabupaten Sumenep tidak terlalu beragam. Nilai X4 0,476 0,524
estimasi pengeluaran perkapita terkecil sebesar Rp X5 0,840 0,160
183.190,00 dan nilai estimasi pengeluaran per kapita X6 -0,058 0,942
terbesar sebesar Rp 292.470,00. Kecamatan yang X7 -0,981 0,019
memiliki nilai estimasi pengeluaran per kapita terkecil Seperti halnya pada estimasi pengeluaran per
adalah Kecamatan Pasongsongan dan kecamatan yang kapita kecamatan kelompok daratan, langkah pertama
memiliki nilai estimasi pengeluaran per kapita terbesar yang dilakukan untuk membetuk model SAE dengan
adalah Kecamatan Kota Sumenep. pendekatan Empirical Bayes adalah melakukan
Pembahasan kedua mengenai model SAE estimasi terhadap varians efek random (A), seperti
dilakukan terhadap data kecamatan kelompok disajikan pada persamaan (2). Estimasi ini
kepulauan. Kecamatan di kabupaten Sumenep yang menggunakan metode Restricted Estimation Maximum
berada di kepulauan sebanyak 9 kecamatan. Pada Likelihood (REML) dan diperoleh nilai A sebesar
SUSENAS 2009 hanya 4 kecamatan yang mempunyai 0,00000345. Setelah diperoleh nilai A maka dilakukan
sampel yang cukup untuk merepresentasikan estimasi terhadap nilai β menggunakan metode
pengeluaran per kapita tingkat kecamatan, sedangkan
7
Maximum Likelihood Estimation berdasarkan pengeluaran makanan dan bukan makanan rumah
persamaan (11). tangga dengan jumlah anggota rumah tangga yang
Tabel 7 Nilai Estimasi Parameter Beta berumur diatas 5 tahun. Hasil dari estimasi langsung
𝑋𝑖 Beta duga tersebut berupa pengeluaran per kapita pada masing-
𝑋0 2,3861 masing kecamatan yang tersurvei di Kabupaten
Sumenep.
𝑋7 -0,6213 Tabel 9. Nilai Statistik Pengeluaran per Kapita Hasil
Estimasi Langsung (x Rp.100.000,00)
Tanda negatif pada estimasi koefisien regresi
Statistik Daratan Kepulauan
sama dengan tanda pada nilai korelasi Pearson. Hal ini
menunjukkan bahwa nilai estimasi yang diperoleh Mean 2,6024 2,551
tidak bertentangan dengan hasil uji korelasi Standar Deviasi 0,3925 0,246
menggunakan korelasi Pearson. Adapun model Small Koefisien Varians 15,08 9,64
Area Estimation menggunakan metode Empirical Minimum 1,9876 2,373
Bayes berdasarkan persamaan (2.12) untuk kecamatan Maksimum 3,5518 2,902
kelompok daratan sebagai berikut. Jangkauan 1,5641 0,529
ˆiEB 2,3861 0,6213 X 7 1 Bi yi (2,3861 0,6213 X 7 )
Tabel 9 menunjukkan bahwa rata-rata hasil
dimana nilai B = D / (0,00000345 + D ) dan i estimasi langsung pengeluaran per kapita kecamatan
i i i
melambangkan kecamatan untuk membangun model kelompok daratan di Kabupaten Sumenep pada tahun
pada kelompok kepulauan. 2009 sebesar sebesar Rp 260.240,00 dan rata-rata hasil
Berbeda dengan estimasi pengeluaran per estimasi langsung pengeluaran per kapita kecamatan
kapita pada kecamatan kelompok daratan, pada kelompok kepulauan di Kabupaten Sumenep pada
estimasi pengeluaran per kapita kecamatan kelompok tahun 2009 sebesar sebesar Rp 255.100,00.
kepulauan, semakin tinggi kepadatan penduduk maka Berdasarkan nilai standar deviasi sebesar 0,3925 dan
semakin kecil pengeluaran per kapita penduduk di nilai koefisien varians sebesar 15,08% menunjukkan
kecamatan kelompok daratan di Kabupaten Sumenep. bahwa nilai estimasi pengeluaran per kapita di
Selanjutnya dilakukan estimasi terhadap kecamatan kelompok daratan di Kabupaten Sumenep
pengeluaran per kapita dari kecamatan tersurvei. Rata- tidak terlalu beragam. Nilai estimasi pengeluaran per
rata pengeluaran per kapita di kecamatan kelompok kapita di kecamatan kelompok kepulauan di
kepulauan di Kabupaten Sumenep pada tahun 2009 Kabupaten Sumenep juga tidak terlalu beragam, hal ini
hasil estimasi tidak langsung sebesar Rp 212.500,00. ditunjukkan dengan nilai standar deviasi sebesar
Berdasarkan nilai standar deviasi sebesar 0,1774 dan 0,3925 dan nilai koefisien varians sebesar 9,64%.
nilai koefisien varians sebesar 8,35% menunjukkan Pada kelompok daratan, nilai estimasi
bahwa nilai estimasi pengeluaran per kapita di pengeluaran perkapita terkecil sebesar Rp 198.760,00
kecamatan kelompok kepulauan di Kabupaten dan nilai estimasi pengeluaran per kapita terbesar
Sumenep tidak terlalu beragam. Nilai estimasi sebesar Rp 355.180,00. Kecamatan yang memiliki
pengeluaran perkapita terkecil sebesar Rp 187.120,00 nilai estimasi pengeluaran per kapita terkecil adalah
dan nilai estimasi pengeluaran per kapita terbesar Kecamatan Bluto, sedangkan kecamatan yang
sebesar Rp 226.300,00. Kecamatan yang memiliki memiliki pengeluaran perkapita terbesar adalah
nilai estimasi pengeluaran per kapita terkecil adalah Kecamatan Kota Sumenep. Sedangkan untuk
Kecamatan Talango dan kecamatan yang memiliki kelompok kepulauan, nilai estimasi pengeluaran
nilai estimasi pengeluaran per kapita terbesar adalah perkapita terkecil sebesar Rp 237.300,00 dan nilai
Kecamatan Sapeken.. estimasi pengeluaran per kapita terbesar sebesar
Rp 290.200,00. Kecamatan yang memiliki nilai
Tabel 8. Nilai Statistik Pengeluaran per Kapita Hasil Small estimasi pengeluaran per kapita terkecil adalah
Area Estimation (x Rp.100.000,00). Kecamatan Talango, sedangkan kecamatan yang
Statistik Pengeluaran perkapita memiliki pengeluaran perkapita terbesar adalah
Kecamatan Sapeken.
Mean 2,1250
Setelah dilakukan estimasi terhadap
Standar Deviasi 0,1774 pengeluaran per kapita baik menggunakan estimasi
Koefisien Varians 8,35 langsung maupun estimasi tidak langsung dengan
Minimum 1,8712 menggunakan metode Empirical Bayes, langkah
Maksimum 2,2630 berikutnya ialah menduga nilai MSE hasil kedua
Jangkauan 0,3918 estimasi tersebut. Pada estimasi tidak langsung,
dilakukan koreksi terhadap nilai MSE dengan
Estimasi langsung hanya bisa dilakukan pada
menggnakan metode resampling Jackknife. Nilai
daerah yang yang tersurvei. Pada penelitian ini,
estimasi langsung dilakukan dengan membagi jumlah MSE ( ˆiEB ) yang diperoleh dengan pendekatan
8
jackknife tidak terlalu beragam dengan jangkauan nilai
yang cukup kecil. Boxplot perbandingan nilai MSE 9
Data
4
MSE_D MSE_J
Tabel 10. Estimasi pengeluaran per kapita (x Rp 100.000) dengan estimasi langsung dan pendekatan EB - jackknife beserta
nilai RRMSE (%)
No Kecamatan Estimasi Langsung EB-Jackknife
Theta_had MSE RRMSE Theta_had MSE RRMSE
1 Pragaan 2,0978844 0,011179 5,039947 2,2348062 0,032867 8,112191
2 Bluto 1,8381414 0,00972 5,363613 1,8498485 0,028954 9,198523
3 Saronggi 1,9237659 0,013395 6,016085 1,9237426 0,038616 10,215
4 Talango 1,871162 3,45E-06 0,099259 1,9587342 0,032111 9,148489
5 Kalianget 2,0737915 0,012229 5,332561 2,0102437 0,03562 9,388531
6 Kota Sumenep 2,9246785 0,013139 3,919263 2,8419831 0,037964 6,855927
7 Lenteng 2,1244841 0,012946 5,355574 2,139557 0,037469 9,04711
8 Ganding 2,0453738 0,013485 5,67737 2,0516964 0,038845 9,606263
9 Guluk Guluk 2,0306946 0,011956 5,384584 2,0724588 0,034909 9,015315
10 Pasongsongan 1,8318645 0,013196 6,270888 1,8900677 0,03811 10,3286
11 Ambunten 2,0329838 0,010019 4,923427 2,0214076 0,029762 8,534539
12 Rubaru 1,9560895 0,013845 6,015402 1,9852816 0,039759 10,04373
13 Dasuk 1,9264526 0,016577 6,683282 1,9136746 0,046495 11,26767
14 Manding 2,0706304 0,013959 5,705907 2,0412296 0,040045 9,803575
15 Batuputih 1,9687195 0,011793 5,515958 1,9918896 0,034481 9,322334
16 Gapura 2,0367962 0,010874 5,119647 2,0393671 0,032056 8,779233
17 Batang Batang 1,926802 0,011959 5,675533 2,0051874 0,034916 9,318675
18 Dungkek 1,9180351 0,014709 6,323128 1,9155461 0,041923 10,68886
19 Gayam 2,136717 3,45E-06 0,086924 2,0780806 0,034479 8,935445
20 Sapeken 2,263002 3,45E-06 0,082075 2,0928249 0,040106 9,569151
21 Arjasa 2,229066 3,45E-06 0,08332 2,1605952 0,028202 7,772604
2
langsung tidak terdapat pencilan. Pada Lampiran 6
ditampilkan boxplot yang terpisah antara nilai MSE
1
kedua metode estimasi untuk lebih memudahkan
mengetahui nilai MSE yang menjadi pencilan.
0
MSE_DP MSE_JP
9
Untuk kecamatan kelompok kepulauan, tidak Nilai RRMSE untuk metode EB-jackknife
ada pencilan pada nilai MSE kedua metode estimasi. (RRMSE_J untuk daratan dan RRMSE_JP untuk
Namun terjadi perbedaan yang sangat signifikan antara kepulauan) secara umum lebih kecil daripada nilai
nilai MSE kedua metode estimasi. Nilai MSE metode RRMSE pada estimasi langsung (RRMSE_D untuk
estimasi tidak langsung (MSE_JP) lebih presisi daratan dan RRMSE_DP untuk kepulauan). Hal ini
daripada metode estimasi langsung (MSE_DP). menunjukkan bahwa estimasi tidak langsung
Perbandingan nilai MSE pendugaan langsung dan menggunakan metode EB-jackknife dapat
MSE EB-jackknife terdapat pada Tabel 4.10. memperbaiki hasil estimasi langsung. Hasil tersebut
juga memperlihatkan bahwa Small Area Estimation
Tabel 11 Statitika Deskriptif MSE Estimasi Langsung dan baik digunakan untuk pendugaan parameter pada level
Estimasi Tidak Langsung kecamatan yang memiliki ukuran sampel kecil dengan
Variabel MSE_D MSE_DP MSE_J MSE_JP nilai keragaman antar kecamatan yang besar.
Rata-rata 3,391 2,637 0,012646 0,000003
Standar Deviasi 1,816 1,006 0,001721 0 100
Data
Maksimum 8,935 4,096 0,016577 0,000003 40
MSE estimasi langsung. Evaluasi kebaikan hasil RRMSE_D RRMSE_J RRMSE_DP RRMSE_JP
estimasi langsung dan estimasi tidak langsung dapat
Gambar 8. Boxplot RRMSE Estimasi Langsung dan
diketahui dengan membandingkan nilai RRMSE Estimasi Tidak Langsung
keduanya. Berikut gambaran umum mengenai Setelah dilakukan pemilihan model estimasi
RRMSE dari kedua metode estimasi. yang terbaik antara estimasi langsung dan estimasi
tidak langsung dengan metode EB-Jackknife,
Tabel 12. Statitika Deskriptif RRMSE Estimasi Langsung
diperoleh model EB_Jackknife lebih baik daripada
dan RRMSE Estimasi Tidak Langsung
estimasi langsung. Pada SUSENAS terdapat 6
DARATAN kecamatan yang memiliki jumlah sampel sangat kecil
Variabel
RRMSE_D RRMSE_J (16 RT) sehingga nilai statistiknya tidak bisa
merepresentasikan nilai parameter kecamatan tersebut.
Rata-rata 68,74 5,548
Menurut Rao (2003), konsep estimasi sintetik
Standar
dapat digunakan untuk mengestimasi pengeluaran per
deviasi 11,81 0,639
kapita kecamatan-kecamatan yang memiliki sampel
Minimum 49,61 3,919 kecil tersebut, dengan asumsi perilaku antar
Q1 61,01 5,226 kecamatan di Kabupaten Sumenep sama (nilai sama).
Median 68,59 5,516 Nilai harapan dari model Small Area Estimation
Q3 73,89 6,016 adalah xiT , sehingga pengeluaran per kapita dihitung
Maksimum 98,45 6,683 dengan rumus:
Jangkauan 48,85 2,764 ˆi xiT ˆ
KEPULAUAN Sedangkan rumus pendugaan MSE adalah:
Variabel
1
MSE ˆi Var xiT ˆ x 2piVar ˆ pi
RRMSE_DP RRMSE_JP
Rata-rata 62,54 0.08789 p 0
Standar Indeks i merupakan indeks untuk melambangkan
deviasi 5,77 0.00785 kecamatan yang diestimasi nilai pengeluaran per
Minimum 56,32 0.08208 kapita dan p adalah indeks dari variabel bantu yang
Q1 57,22 0.08239 digunakan. Berikut hasil estimasi dari pengeluaran per
Median 62,04 0.08512 kapita untuk kecamatan-kecamatan yang mempunyai
sampel terlalu kecil.
Q3 68,35 0.09618
Maksimum 69,75 0.09926
Jangkauan 13,43 0.01718
10
Tabel 13 Nilai Estimasi Pengeluaran per Kapita Kecamatan Jiang, J., (2007), Linear and Generalized Linear
dengan Jumlah Sampel Kecil (x Rp.100.000,00). Mixed Model and Their Application, Springer,
Kecamatan Pengeluaran per kapita MSE RRMSE New York.
Giligenteng 1,892195188 0,006609 4,296472 Jiang, J., Lahiri, P., dan Wan. S. M., (2002), A Unified
Batuan 1,898811793 0,035963 9,987213 Jackknife Theory, Annals of Statistics, 30
Kordosz, J., dan Paradiysz, J., (2005), New
Nonggunong 2,159561123 0,002817 2,457565
Development in Small Area Estimation
Ra'As 1,816021314 0,008205 4,987932 Research in Poland, http://www.dipstat.cc.
Kangayan 2,319629278 0,001893 1,875792 unipi.it/SAE2007/abstracts/kordos.pdf [15
Masalembu 2,033107302 0,00426 3,210147 Maret 2011: 05.35 WIB].
Kurnia, A. dan Notodiputro. K.A., (2006a), EB-
Pengeluaran per kapita untuk Kecamatan Batuan EBLUP MSE Estimator on Small Area
dilakukan dengan menggunakan model SAE untuk EstimationWith Application to BPS Data,
kelompok daratan karena kecamatan ini terletak di Departemen Statistika FMIPA IPB, Bogor.
Pulau Madura. Pengeluaran per kapita untuk
Kurnia, A. dan Notodiputro, K.A., (2006b),
Kecamatan Giligenteng, Kecamatan Nonggunong,
Penggunaan Metode Jackknife dalam
Kecamatan Ra’as, Kecamatan Kangayan, dan
Pendugaan Area Kecil. Makalah disampaikan
Kecamatan Masalembu diestimasi menggunakan
pada Seminar Nasional Matematika. UNPAD
model SAE kecamatan kelompok kepulauan.
Bandung, 22 April 2006
6. KESIMPULAN DAN SARAN
Model Small Area Estimation dengan metode Ndeng’e G.K., (2005), Small Area Estimationof
Empirical Bayes untuk mengestimasi pengeluaran per Poverty and Its Application to Policy in
kapita di setiap kecamatan di Kabupaten Sumenep Kenya, The Arusha Conference on New
untuk kelompok daratan sebagai berikut Frontiers of Social Policy: Development in A
ˆiEB 1,7186 0,4182 X 7 1 Bi yi (1,7186 0,4182 X 7 ) Globalizing World, Tanzania.
dimana nilai B = D / (0.01805 + D ) dan i Nuraeni, A., (2008), Feed-forward Neural Network
i i i
untuk Small Area Estimation pada Kasus
melambangkan kecamatan untuk membangun model Kemiskinan di Kota Surabaya, Tesis, Institut
pada kelompok daratan. Sedangkan untuk kecamatan Teknologi Sepuluh Nopember, Surabaya.
kelompok daratan, model estimasinya sebagai berikut
ˆiEB 2,3861 0,6213 X 7 1 Bi yi (2,3861 0,6213 X 7 ) Pfefferman D., (2002), Small Area Estimation - New
developments and directions, International
dimana nilai B = D / (0,00000345 + D ) dan i Statistical Review, Vol 70, 1, 125-143.
i i i
melambangkan kecamatan untuk membangun model Htpp://www.ibge.gov.br/ amostragem/down
pada kelompok kepulauan. load/trabalhodanny.doc. [24 Februari 2011]
Pemilihan variabel bantu pada model Small Ramsini, B et.al., 2001, Uninsured Estimates by
Area Estimation sangat penting untuk mendapatkan County, A Review of Options and Issues.
model yang sesuai. Variabel bantu yang dipilih http://www.odh.ohio.gov/Data/OFHSurv/ofhsr
sebaiknya sangat berkaitan dengan variabel respon. fq7.pdf. [24 Februari 2011]
Untuk penelitian lainnya, disarankan untuk mencoba Rao, J.N.K., (2003), Small Area Estimation, John
menggunakan Metode EBLUP dan Hierarchical Wiley and Sons, New York.
Bayes untuk membangun model Small Area
Sugiharto, S. dan Utama, W., (2004), Komitmen
Estimation
Pembangunan Manusia: Kebijakan dan
Anggaran. http://www.slideshare.net/slamets/
7. DAFTAR PUSTAKA
komitmen- pembangunan-manusia [7 Maret
Anwar, K., ,(2007), Small Area Estimation dengan 2011: 09.20 WIB].
Metode Kernel Learning untuk Peta
Kemiskinan di Kabupaten Kutai Kertanegara, The Bangladesh Bureau of Statistics, The United
Tesis, Institut Teknologi Sepuluh Nopember, Nations World Food Programme, (2004),
Surabaya. Local Estimation of Poverty and Malnutrition
in Bangladesh, The Bangladesh Bureau of
Badan Pusat Statistik, (2011), http://www.bps.go.id/ Statistics, Bangladesh.
aboutus.php?glos=1&ist=1&var=P&cari=&kl
=9 [6 maret 2011: 15.50WIB]. UNDP, (2010), Human Development Index (HDI)-
Ghosh, M. dan Rao, J.N.K., (1994), Small Area 2010 Rankings, http://hdr.Undp.org/en
Estimation, An Appraisal. Statistical Science, /statistics/ [15 Maret 2011: 05.30 WIB].
Vol 9, No. 1, p:55-93
11