SMALL AREA ESTIMATION TERHADAP PENGELUARAN PER KAPITA DI KABUPATEN SUMENEP

DENGAN METODE EMPIRICAL BAYES

Hasan Fausi1 dan Sutikno2

1
Mahasiswa Jurusan Statistika, ITS, Surabaya (NRP: 1307100802)
2
Dosen Pembimbing, Jurusan Statistika, ITS, Surabaya
hasanfausi@gmail.com; sutikno@statistika.its.ac.id

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.

1. PENDAHULUAN angka melek huruf penduduk dengan usia 15 tahun

United Nation Development Programme
(UNDP) mengembangkan metode perhitungan Indeks
Pembangunan manusia (IPM) yang digunakan untuk
mengukur keberhasilan pembangunan manusia di
setiap negara. IPM merupakan indek komposit yang
dihitung sebagai rata-rata sederhana dari Indek
Harapan Hidup, Indek Pendidikan dan Indek Standar
Hidup Layak. Publikasi IPM yang dikeluarkan UNDP
pada tahun 2010 menempatkan Indonesia berada di
peringkat 108 dari 177 negara. Peringkat ini lebih
buruk daripada tahun 2007 dimana Indonesia
menempati peringkat 107. Peringkat ini menempatkan
Indonesia berada dibawah Singapura (peringkat 27),
Brunei (peringkat 37), Malaysia (peringkat 57),
Thailand (peringkat 92) dan Filipina (peringkat 97).
Setiap tahun BPS melakukan perhitungan IPM namun
hanya sampai skala kabupaten/ kota. Sejak
pembangunan yang cenderung diarahkan pada pola
otonomi daerah, dibutuhkan perhitungan IPM skala
kecamatan untuk membantu pemerintah daerah dalam
upaya mendongkrak pembangunan di daerahnya.
Dengan demikian perhitungan IPM harus dihitung
secara detail hingga pada tingkat kecamatan.
Ketidaktersediaan IPM pada tingkat
kecamatan salah satunya disebabkan karena
terbatasnya informasi (data) untuk perhitungan nilai
komponennya pada tingkat kecamatan. Indeks
Harapan Hidup diukur dengan angka harapan hidup
pada saat bayi lahir, Indeks Pendidikan diukur dari
1
keatas dan rata-rata lama sekolah, dan Indeks Standar
Hidup Layak diukur dengan pengeluaran perkapita riil
yang disesuaikan. Seringkali sumber data yang
digunakan adalah Survei Sosial Ekonomi Nasional
(Susenas) yang tidak semua kecamatan diambil
sebagai sampel. Salah satu upaya yang dilakukan yaitu
menambah jumlah sampel, namun seringkali biaya
cukup mahal.
Upaya lain adalah mengoptimalkan data yang
tersedia dengan menggunakan metode pendugaan
yaitu Small Area Estimation (SAE). SAE merupakan
konsep penting dalam sampling terutama dalam
estimasi parameter tidak langsung dimana ukuran
sampel relatif kecil. Metode ini dapat mengestimasi
karakteristik dari subpopulasi (domain yang lebih kecil
dari populasi). Metode ini dikembangkan dengan
menghubungkan informasi dari daerah tertentu dengan
daerah-daerah lain melalui model pendekatan.
Prosedur ini disebut estimasi tidak langsung. Jadi
model SAE meminjam informasi dari sampel
observasi melalui data bantu (data sensus atau catatan
administrasi terbaru) untuk meningkatkan efektifitas
ukuran sampel (Rao,2003).
Kabupaten Sumenep merupakan salah satu
kabupaten di Jawa timur yang terletak di ujung timur
Pulau Madura. Kabupaten Sumenep selain terdiri dari
wilayah daratan juga terdiri dari berbagai pulau di
Laut Jawa, yang keseluruhannya berjumlah 126 pulau.
Menurut Sugiharto dan Utama (2004), pada tahun
2004, IPM Sumenep menempati peringkat 35 dari 38
kabupaten / kota di Jawa Timur atau peringkat 332
dari 341 kabupaten/kota di Indonesia. Dengan bentuk
geografis yang tidak hanya berupa daratan namun juga
kepulauan, Pemerintah Sumenep mengalami kesulitan
dalam mengumpulkan data untuk menghitung nilai
IPM perkecamatan. Oleh karena permasalahan
tersebut, pada penelitian ini akan dilakukan penaksiran
nilai pengeluaran perkapita riil di tiap kecamatan di
Kabupaten Sumenep sebagai salah satu komponen
penyusun IPM. Penaksiran nilai pengeluaran perkapita
riil perlu dilakukan perkecamatan karena informasi
yang ada hanya dalam skala kabupaten (populasi).
Terdapat beberapa metode dalam SAE, diantara-
nya ialah Empirical Best Linear Unbiased Predictor
(EBLUP), Empirical Bayes (EB), dan Hierarchical
Bayes (HB). Pada penelitian ini digunakan metode EB
untuk mengestimasi pengeluaran perkapita per keca-
matan di Kabupaten Sumenep. Metode EB merupakan
metode estimasi parameter pada area kecil yang
didasarkan pada model Bayes dimana inferensia yang
diperoleh berdasar pada estimasi distribusi posterior
dari variabel yang diamati. Pada metode EB digunakan
pendekatan jackknife yang dipakai untuk mengoreksi
bias akibat adanya pendugaan pada parameternya.
Penelitian ini membahas mengenai bagaimana
mendapatkan model estimasi pengeluaran per kapita
pada setiap kecamatan di Kabupaten Sumenep dengan
pendekatan SAE. Dengan model tersebut akan
dilakukan estimasi pengeluaran per kapita pada setiap
kecamatan di Kabupaten Sumenep.
2. SMALL AREA ESTIMATION
Small Area Estimation adalah salah satu
teknik statistik yang digunakan untuk menduga para-
meter subpopulasi dengan ukuran sampel yang relatif
kecil. Teknik ini mengembangkan data survei dan
sensus untuk mengestimasi tingkat kesejahteraan atau
indikator lainnya untuk unit geografis seperti kecama-
tan atau pedesaan. (Davies,2003).
Terdapat dua masalah pokok dalam pendugaan
area kecil. Masalah pertama adalah bagaimana meng-
hasilkan suatu dugaan parameter yang cukup baik
untuk ukuran sampel kecil pada suatu domain. Kedua,
bagaimana menduga mean square error (MSE) dari
dugaan parameter tersebut. Kedua masalah pokok
tersebut dapat diatasi dengan cara “meminjam
informasi” dari dalam area, luar area maupun dari luar
survei (Pfefferman, 2002).
Terdapat dua ide utama yang digunakan untuk
mengembangkan model pendugaan parameter small
area yaitu,
1. Model pengaruh tetap (fixed effect model) dimana
asumsi bahwa keragaman di dalam small area
peubah respon dapat diterangkan seluruhnya oleh
2
hubungan keragaman yang bersesuaian pada
informasi tambahan.
2. Pengaruh acak small area (random effect)dimana
asumsi keragaman spesifik small area tidak dapat
diterangkan oleh informasi tambahan.
Gabungan dari dua asumsi tersebut
membentuk suatu model pengaruh campuran (mixed
model). Oleh karena variabel respon diasumsikan
berdistribusi normal maka SAE yang dikembangkan
merupakan bentuk khusus dari General Linear Mixed
Model (GLMM). Secara esensial terdapat dua tipe
model pada SAE yakni model berbasis area level dan
model berbasis unit level. Model berbasis area level
merupakan model yang didasarkan pada ketersediaan
data pendukung yang hanya ada untuk level area
T
tertentu, misalkan x =(x ,……,x ) dengan parameter
i 1i pi
yang akan diduga adalah θ yang diasumsikan
i
mempunyai hubungan dengan x (Rao, 2003). Data
i
pendukung tersebut digunakan untuk membangun
T
model θ = x β + b v , dengan i=1,…..,m dan v ~ N(0,
2
i i i i i
σ ), sebagai efek random yang diasumsikan
v
berdistribusi normal. Kesimpulan mengenai θ , dapat
i
diketahui dengan mengasumsikan bahwa model
estimator langsung 𝜃 telah tersedia, yaitu: 𝜃 = θ + e ,
i i i i
dengan i = 1,…...,m dan sampling error e ~ N(0, 𝜓𝑖 ),
i
dengan 𝜓𝑖 diketahui.
Kemudian kedua model tersebut digabung
sehingga didapatkan model gabungan sebagai berikut:
ˆi  xiT   bi vi  ei i=1,…..,m (1)
dimana b diketahui bernilai positif konstan dan
i
sampling error independen 𝑒𝑖 ~𝐼𝑁𝐷(0, 𝜓𝑖 ) dengan
𝜓𝑖 diketahui.
Salah satu pendekatan yang dapat digunakan
pada SAE ialah dengan menggunakan metode
empirical Bayes (EB). Langkah pertama yang
dilakukan pada metode Bayes adalah mendapatkan
distribusi posterior untuk parameter yang diamati yang
2 2
dinotasikan f (θ |𝑦 , β, σ ), dengan asumsi β dan σ
i i v v
diketahui. Sedangkan pada metode Empirical Bayes,
inferensia yang diperoleh berdasar pada estimasi
distribusi posterior dari θ dengan memasukkan nilai
2
i
estimasi β dan σ yaitu f(𝜃𝑖 |𝑦𝑖 , 𝛽 , 𝜎𝑣2 ).
v
Model Fay dan Heriot (1979) untuk model basic area
level adalah:
yi  xiT   bi vi  ei (2)
dimana 𝑣𝑖 ~𝑁 0, 𝜎𝑣2 dan 𝑒𝑖 ~𝑁 0, 𝜓𝑖 , v dan e saling
2
i i
bebas. β dan σ tidak diketahui sedangkan
v
𝜓𝑖 diasumsikan diketahui (Kurnia dan Notodiputro,
2
2006b). Misal σ dan 𝜓𝑖 disimbolkan dengan A dan
v
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 
2Di  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
2A  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 2Di  2 Di  dengan B = D / (A + D )
i i i
1  1
exp   i  xiT   
2
 (4)
Berdasarkan metode Bayes, diperoleh:
2A  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

 i | yi ,  , A ~ N  Ayi  Di xi  ,  1  1  

T

adalah sebagai berikut:
 A  Di   Di A   1. Hitung nilai h dengan rumus:
1i
  
 i | yi ,  , A ~ N  xiT   A yi  xiT  ,  ADi
A  Di
    m 1 m
h1i  g1i s  2
v  g1i sv ( u )  g1i sv
2 2
     (14)
  A  Di   m  u 1
(6)  
dimana g1i sv2( u ) diperoleh dengan menghapus
Berdasarkan formula tersebut diperoleh suatu pengamatan ke-u pada himpunan data g1i sv2 .
estimator bayes untuk θi :
2. Hitung nilai h dengan rumus:
ˆiB  Ei | yi ,  , A  xiT   1  Bi  yi  xiT    (7)
2i

   
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

kecamatan lain di Kabupaten Sumenep. Hal ini dapat 6

dipahami karena Kecamatan Kota Sumenep

5
merupakan ibukota kabupaten sehingga pusat kegiatan

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

2.0 Pada sektor pertanian, persentase penduduk

yang bekerja pada sektor ini (X1) cukup bervariasi
antar kecamatan, hal ini ditunjukkan dengan nilai
koefisien varians sebesar 51,28%. Di Kabupaten
1.5

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

Tabel 2. Nilai Statistik Variabel Bantu

Variabel Rata-Rata Standar deviasi Koefisien Varians Minimum Maksimum

X1 0,3766 0,1932 51,28 0,0958 0,7875
X2 3,2826 0,5015 15,28 2,0700 4,2100
X3 0,4234 0,2447 57,78 0,0411 1,0013
X4 0,1761 0,0557 31,62 0,0660 0,2802
X5 7261,0 4036,0 55,6 2360,0 18686,0
X6 7283,0 4777,0 65,6 921,0 18754,0
X7 686,5 468,1 68,2 107,0 2535,0

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

Variabel Nilai Korelasi Pearson P-value

Gambar 3. Histogram setiap variabel bantu
X1 -0,332 0,194
X2 -0,242 0,349
Pola persebaran untuk setiap variabel bantu X3 0,186 0,474
dapat dilihat pada Gambar 3 Untuk variabel rata-rata X4 -0,277 0,281
anggota keluarga (X2) dan persentase penduduk yang
X5 0,393 0,119
berpendidikan minimal SD (X3), secara grafis pola
X6 0,411 0,101
persebaran yang terbentuk mengikuti plot distribusi
X7 0,511 0,036
normal. Untuk variabel persentase penduduk bekerja
di sektor pertanian (X1), persentase penduduk miskin
Pengujian untuk mengetahui korelasi antara
(X4), jumlah penduduk yang sedang sekolah (X5),
variabel bantu dan variabel respon menggunakan taraf
jumlah penduduk pelanggan listrik PLN (X6) dan
signifikansi 10%. Hanya terdapat satu variabel bantu
kepadatan (X7), secara grafis pola persebaran yang
yang berkorelasi cukup kuat dengan pengeluaran
terbentuk tidak mengikuti distribusi noraml namun
perkapita yakni kepadatan penduduk (X7) dengan nilai
lebih condong ke sebelah kiri.
P-value sebesar 0,036. Nilai korelasi variabel bantu
Small Area Estimation digunakan untuk
dengan variabel respon menujukkan bahwa
mengestimasi secara tidak langsung pengeluaran per
pengeluaran perkapita berkorelasi positif dengan
kapita penduduk di setiap kecamatan di Kabupaten
variabel tersebut. Berdasarkan hasil yang ditunjukkan
Sumenep dengan pendekatan Empirical Bayes. Pada
oleh nilai korelasi Pearson maka variabel tersebut
penelitian ini, dilakukan pengelompokan terhadapa
dapat digunakan untuk menggambarkan pengeluaran
kecamatan menjadi dua kelompok yakni kecamatan
per kapita di setiap kecamatan kelompok daratan di
kelompok daratan dan kecamatan kelompok
Kabupaten Sumenep.
kepulauan. Pembahasan pertama mengenai SAE
Pembentukan SAE untuk mengestimasi
dilakukan untuk data kecamatan pada kelompok
pengeluaran per kapita di kecamatan kelompok
daratan.
daratan di Kabupaten Sumenep menggunakan
X1 X2 X3 variabel bantu yang telah ditentukan pada subbab
sebelumnya. Untuk membentuk model Empirical
3.2

2.4
Bayes terlebih dahulu dilakukan pendugaan terhadap
1.6

0.0 0.4 0.82 3 4 0.0 0.5 1.0

varians efek random (A), seperti disajikan pada
X4 X5 X6
3.2
persamaan (2). Pendugaan ini menggunakan metode
Restricted Estimation Maximum Likelihood (REML)
Y

2.4
dan diperoleh nilai A sebesar 0,01805. Setelah
diperoleh nilai A maka dilakukan estimasi terhadap
1.6

0.08 0.16 0.24 5 10 15 5 10 15

3.2
X7
nilai β menggunakan metode Maximum Likelihood
2.4
Estimation berdasarkan persamaan (11).
Tabel 4 Nilai Estimasi Parameter Beta
1.6

0.8 1.6 2.4

𝑋𝑖 Beta duga
Gambar 4. Scatterplot antara Variabel Bantu dan 𝑋0 1,7186
Pengeluaran per Kapita 𝑋7 0,4182
Kebaikan suatu model Small Area Estimation Nilai estimasi yang diperoleh tidak
sangat tergantung pada pemilihan variabel bantu yang bertentangan dengan hasil uji korelasi menggunakan
digunakan. Langkah pertama yang dilakukan untuk korelasi Pearson. Tanda positif pada estimasi
memilih variabel-variabel bantu yang diasumsikan
6
koefisien regresi sama dengan tanda pada nilai
korelasi Pearson. Adapun model Small Area
Estimation menggunakan metode Empirical Bayes
berdasarkan persamaan (11) untuk kecamatan
kelompok daratan sebagai berikut.
ˆiEB  1,7186  0,4182 X 7  1  Bi  yi  (1,7186  0,4182 X 7 )
dimana nilai B = D / (0,01805 + D ) dan indeks i
i i i
melambangkan kecamatan yang digunakan untuk
membangun model.
Di adalah nilai varians sampling error yang
diasumsikan diketahui. Adapun nilai Di diestimasi
dengan nilai si2 / ni yang merupakan rasio antara
varians nilai pengeluaran per kapita dengan banyaknya
5 kecamatan yang lain jumlah sampelnya terlalu kecil
(16 RT). Adapun kecamatan yang mempunyai sampel
yang cukup terdiri atas Kecamatan Talango,
Kecamatan Gayam, Kecamatan Sapeken dan
Kecamatan Arjasa. Adapun kecamatan yang
mempunyai sampel terlalu kecil terdiri atas kecamatan
Giligenting, Kecamatan Nonggunong, Kecamatan
Ra’as, Kecamatan Kangayan dan Kecamatan
Masalembu.
Pemilihan variabel bantu dilakukan dengan
melihat hubungan antara variabel-variabel bantu dan
pengeluaran per kapita. Secara grafis, hubungan antara
variabel-variabel bantu dan pengeluaran per kapita
dapat diketahui dari scatterplot dari masing-masing
variabel bantu dengan variabel pengeluaran per kapita.
XP 1 XP 2 XP 3

sampel pada tiap kecamatan. Semakin tinggi 2.3

kepadatan penduduk maka semakin besar pengeluaran 2.1

per kapita penduduk di kecamatan kelompok daratan 1.9

0.2 0.4 0.6 2.5 3.0 3.5 0.2 0.4 0.6

di Kabupaten Sumenep. XP 4 XP 5 XP 6
2.3

Langkah selanjutnya setelah diperoleh model

YP
2.1

Small Area Estimation dengan metode Empirical 1.9

Bayes adalah melakukan estimasi terhadap 0.15 0.20

XP 7
0.25 4 8 12 1.5 2.5 3.5

pengeluaran per kapita dari kecamatan tersurvey. 2.3

Berikut gambaran umum dari hasil estimasi 2.1

pengeluaran per kapita hasil estimasi tidak langsung. 1.9

0.3 0.6 0.9

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
persamaan (11).
Tabel 7 Nilai Estimasi Parameter Beta
𝑋𝑖 Beta duga
𝑋0 2,3861
𝑋7 -0,6213
Tanda negatif pada estimasi koefisien regresi
sama dengan tanda pada nilai korelasi Pearson. Hal ini
menunjukkan bahwa nilai estimasi yang diperoleh
tidak bertentangan dengan hasil uji korelasi
menggunakan korelasi Pearson. Adapun model Small
Area Estimation menggunakan metode Empirical
Bayes berdasarkan persamaan (2.12) untuk kecamatan
kelompok daratan sebagai berikut.
ˆiEB  2,3861  0,6213 X 7  1  Bi  yi  (2,3861  0,6213 X 7 )
dimana nilai B = D / (0,00000345 + D ) dan i
i i
melambangkan kecamatan untuk membangun model
pada kelompok kepulauan.
Berbeda dengan estimasi pengeluaran per
kapita pada kecamatan kelompok daratan, pada
estimasi pengeluaran per kapita kecamatan kelompok
kepulauan, semakin tinggi kepadatan penduduk maka
semakin kecil pengeluaran per kapita penduduk di
kecamatan kelompok daratan di Kabupaten Sumenep.
Selanjutnya dilakukan estimasi terhadap
pengeluaran per kapita dari kecamatan tersurvei. Rata-
rata pengeluaran per kapita di kecamatan kelompok
kepulauan di Kabupaten Sumenep pada tahun 2009
hasil estimasi tidak langsung sebesar Rp 212.500,00.
Berdasarkan nilai standar deviasi sebesar 0,1774 dan
nilai koefisien varians sebesar 8,35% menunjukkan
bahwa nilai estimasi pengeluaran per kapita di
kecamatan kelompok kepulauan di Kabupaten
Sumenep tidak terlalu beragam. Nilai estimasi
pengeluaran perkapita terkecil sebesar Rp 187.120,00
dan nilai estimasi pengeluaran per kapita terbesar
sebesar Rp 226.300,00. Kecamatan yang memiliki
nilai estimasi pengeluaran per kapita terkecil adalah
Kecamatan Talango dan kecamatan yang memiliki
nilai estimasi pengeluaran per kapita terbesar adalah
Kecamatan Sapeken..
Tabel 8. Nilai Statistik Pengeluaran per Kapita Hasil Small
Area Estimation (x Rp.100.000,00).
Statistik Pengeluaran perkapita
Mean 2,1250
Standar Deviasi 0,1774
Koefisien Varians 8,35
Minimum 1,8712
Maksimum 2,2630
Jangkauan 0,3918
Estimasi langsung hanya bisa dilakukan pada
daerah yang yang tersurvei. Pada penelitian ini,
estimasi langsung dilakukan dengan membagi jumlah
pengeluaran makanan dan bukan makanan rumah
tangga dengan jumlah anggota rumah tangga yang
berumur diatas 5 tahun. Hasil dari estimasi langsung
tersebut berupa pengeluaran per kapita pada masing-
masing kecamatan yang tersurvei di Kabupaten
Sumenep.
Tabel 9. Nilai Statistik Pengeluaran per Kapita Hasil
Estimasi Langsung (x Rp.100.000,00)
Statistik Daratan Kepulauan
Mean 2,6024 2,551
Standar Deviasi 0,3925 0,246
Koefisien Varians 15,08 9,64
Minimum 1,9876 2,373
Maksimum 3,5518 2,902
Jangkauan 1,5641 0,529
Tabel 9 menunjukkan bahwa rata-rata hasil
estimasi langsung pengeluaran per kapita kecamatan
i
kelompok daratan di Kabupaten Sumenep pada tahun
2009 sebesar sebesar Rp 260.240,00 dan rata-rata hasil
estimasi langsung pengeluaran per kapita kecamatan
kelompok kepulauan di Kabupaten Sumenep pada
tahun 2009 sebesar sebesar Rp 255.100,00.
Berdasarkan nilai standar deviasi sebesar 0,3925 dan
nilai koefisien varians sebesar 15,08% menunjukkan
bahwa nilai estimasi pengeluaran per kapita di
kecamatan kelompok daratan di Kabupaten Sumenep
tidak terlalu beragam. Nilai estimasi pengeluaran per
kapita di kecamatan kelompok kepulauan di
Kabupaten Sumenep juga tidak terlalu beragam, hal ini
ditunjukkan dengan nilai standar deviasi sebesar
0,3925 dan nilai koefisien varians sebesar 9,64%.
Pada kelompok daratan, nilai estimasi
pengeluaran perkapita terkecil sebesar Rp 198.760,00
dan nilai estimasi pengeluaran per kapita terbesar
sebesar Rp 355.180,00. Kecamatan yang memiliki
nilai estimasi pengeluaran per kapita terkecil adalah
Kecamatan Bluto, sedangkan kecamatan yang
memiliki pengeluaran perkapita terbesar adalah
Kecamatan Kota Sumenep. Sedangkan untuk
kelompok kepulauan, nilai estimasi pengeluaran
perkapita terkecil sebesar Rp 237.300,00 dan nilai
estimasi pengeluaran per kapita terbesar sebesar
Rp 290.200,00. Kecamatan yang memiliki nilai
estimasi pengeluaran per kapita terkecil adalah
Kecamatan Talango, sedangkan kecamatan yang
memiliki pengeluaran perkapita terbesar adalah
Kecamatan Sapeken.
Setelah dilakukan estimasi terhadap
pengeluaran per kapita baik menggunakan estimasi
langsung maupun estimasi tidak langsung dengan
menggunakan metode Empirical Bayes, langkah
berikutnya ialah menduga nilai MSE hasil kedua
estimasi tersebut. Pada estimasi tidak langsung,
dilakukan koreksi terhadap nilai MSE dengan
menggnakan metode resampling Jackknife. Nilai
MSE ( ˆiEB ) yang diperoleh dengan pendekatan
8
jackknife tidak terlalu beragam dengan jangkauan nilai
yang cukup kecil. Boxplot perbandingan nilai MSE 9

dari hasil pendugaan langsung (MSE_D) dan MSE 8

EB-jackknife (MSE_J) tersaji pada Gambar 3. 7

Data
4

MSE_D MSE_J

Gambar 6. Boxplot MSE Estimasi langsung dan MSE

Estimasi tidak langsung kecamatan kelompok daratan

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

Pada boxplot nilai MSE estimasi langsung,

terdapat pencilan yang nilainya besar. Nilai MSE yang 4

menjadi pencilan tersebut adalah nilai MSE dari

estimasi pengeluaran per kapita Kecamatan Dasuk, 3

Kecamatan Dungkek dan Kecamatan Kota Sumenep.

Sedangkan pada boxplot nilai MSE estimasi tidak
Data

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

Gambar 7. Boxplot MSE Estimasi langsung dan MSE

Estimasi tidak langsung kecamatan kelompok
kepulauan

9
 Untuk kecamatan kelompok kepulauan, tidak
ada pencilan pada nilai MSE kedua metode estimasi.
Namun terjadi perbedaan yang sangat signifikan antara
nilai MSE kedua metode estimasi. Nilai MSE metode
estimasi tidak langsung (MSE_JP) lebih presisi
daripada metode estimasi langsung (MSE_DP).
Perbandingan nilai MSE pendugaan langsung dan
MSE EB-jackknife terdapat pada Tabel 4.10.
Tabel 11 Statitika Deskriptif MSE Estimasi Langsung dan
Estimasi Tidak Langsung
Variabel MSE_D MSE_DP MSE_J MSE_JP
Rata-rata 3,391 2,637 0,012646 0,000003
Standar Deviasi 1,816 1,006 0,001721 0 100
Nilai RRMSE untuk metode EB-jackknife
(RRMSE_J untuk daratan dan RRMSE_JP untuk
kepulauan) secara umum lebih kecil daripada nilai
RRMSE pada estimasi langsung (RRMSE_D untuk
daratan dan RRMSE_DP untuk kepulauan). Hal ini
menunjukkan bahwa estimasi tidak langsung
menggunakan metode EB-jackknife dapat
memperbaiki hasil estimasi langsung. Hasil tersebut
juga memperlihatkan bahwa Small Area Estimation
baik digunakan untuk pendugaan parameter pada level
kecamatan yang memiliki ukuran sampel kecil dengan
nilai keragaman antar kecamatan yang besar.

Minimum 1,348 1,786 0,00972 0,000003

Q1 2,396 1,919 0,011486 0,000003 80

Median 3,027 2,332 0,012946 0,000003

60
Q3 3,598 3,659 0,013665 0,000003

Data
Maksimum 8,935 4,096 0,016577 0,000003 40

Jangkauan 7,587 2,31 0,006856 0

20

Tabel 11 menunjukkan bahwa nilai MSE

estimasi tidak langsung lebih presisi daripada nilai 0

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
dengan Jumlah Sampel Kecil (x Rp.100.000,00).
Kecamatan Pengeluaran per kapita MSE
Giligenteng 1,892195188 0,006609
Batuan 1,898811793 0,035963
Nonggunong 2,159561123 0,002817
Ra'As 1,816021314 0,008205
Kangayan 2,319629278 0,001893
Masalembu 2,033107302 0,00426
Pengeluaran per kapita untuk Kecamatan Batuan
dilakukan dengan menggunakan model SAE untuk
kelompok daratan karena kecamatan ini terletak di
Pulau Madura. Pengeluaran per kapita untuk
Kecamatan Giligenteng, Kecamatan Nonggunong,
Kecamatan Ra’as, Kecamatan Kangayan, dan
Kecamatan Masalembu diestimasi menggunakan
model SAE kecamatan kelompok kepulauan.
6. KESIMPULAN DAN SARAN
Model Small Area Estimation dengan metode
Empirical Bayes untuk mengestimasi pengeluaran per
kapita di setiap kecamatan di Kabupaten Sumenep
untuk kelompok daratan sebagai berikut
ˆiEB  1,7186  0,4182 X 7  1  Bi  yi  (1,7186  0,4182 X 7 )
dimana nilai B = D / (0.01805 + D ) dan i
i i i
melambangkan kecamatan untuk membangun model
pada kelompok daratan. Sedangkan untuk kecamatan
kelompok daratan, model estimasinya sebagai berikut
ˆiEB  2,3861  0,6213 X 7  1  Bi  yi  (2,3861  0,6213 X 7 )
dimana nilai B = D / (0,00000345 + D ) dan i
i i
melambangkan kecamatan untuk membangun model
pada kelompok kepulauan.
Pemilihan variabel bantu pada model Small
Area Estimation sangat penting untuk mendapatkan
model yang sesuai. Variabel bantu yang dipilih
sebaiknya sangat berkaitan dengan variabel respon.
Untuk penelitian lainnya, disarankan untuk mencoba
menggunakan Metode EBLUP dan Hierarchical
Bayes untuk membangun model Small Area
Estimation
7. DAFTAR PUSTAKA
Anwar, K., ,(2007), Small Area Estimation dengan
Metode Kernel Learning untuk Peta
Kemiskinan di Kabupaten Kutai Kertanegara,
Tesis, Institut Teknologi Sepuluh Nopember,
Surabaya.
Badan Pusat Statistik, (2011), http://www.bps.go.id/
aboutus.php?glos=1&ist=1&var=P&cari=&kl
=9 [6 maret 2011: 15.50WIB].
Ghosh, M. dan Rao, J.N.K., (1994), Small Area
Estimation, An Appraisal. Statistical Science,
Vol 9, No. 1, p:55-93
Jiang, J., (2007), Linear and Generalized Linear
Mixed Model and Their Application, Springer,
RRMSE New York.
4,296472 Jiang, J., Lahiri, P., dan Wan. S. M., (2002), A Unified
9,987213 Jackknife Theory, Annals of Statistics, 30
Kordosz, J., dan Paradiysz, J., (2005), New
2,457565
Development in Small Area Estimation
4,987932 Research in Poland, http://www.dipstat.cc.
1,875792 unipi.it/SAE2007/abstracts/kordos.pdf [15
3,210147 Maret 2011: 05.35 WIB].
Kurnia, A. dan Notodiputro. K.A., (2006a), EB-
EBLUP MSE Estimator on Small Area
EstimationWith Application to BPS Data,
Departemen Statistika FMIPA IPB, Bogor.
Kurnia, A. dan Notodiputro, K.A., (2006b),
Penggunaan Metode Jackknife dalam
Pendugaan Area Kecil. Makalah disampaikan
pada Seminar Nasional Matematika. UNPAD
Bandung, 22 April 2006
Ndeng’e G.K., (2005), Small Area Estimationof
Poverty and Its Application to Policy in
Kenya, The Arusha Conference on New
Frontiers of Social Policy: Development in A
Globalizing World, Tanzania.
Nuraeni, A., (2008), Feed-forward Neural Network
untuk Small Area Estimation pada Kasus
Kemiskinan di Kota Surabaya, Tesis, Institut
Teknologi Sepuluh Nopember, Surabaya.
Pfefferman D., (2002), Small Area Estimation - New
developments and directions, International
Statistical Review, Vol 70, 1, 125-143.
i
Htpp://www.ibge.gov.br/ amostragem/down
load/trabalhodanny.doc. [24 Februari 2011]
Ramsini, B et.al., 2001, Uninsured Estimates by
County, A Review of Options and Issues.
http://www.odh.ohio.gov/Data/OFHSurv/ofhsr
fq7.pdf. [24 Februari 2011]
Rao, J.N.K., (2003), Small Area Estimation, John
Wiley and Sons, New York.
Sugiharto, S. dan Utama, W., (2004), Komitmen
Pembangunan Manusia: Kebijakan dan
Anggaran. http://www.slideshare.net/slamets/
komitmen- pembangunan-manusia [7 Maret
2011: 09.20 WIB].
The Bangladesh Bureau of Statistics, The United
Nations World Food Programme, (2004),
Local Estimation of Poverty and Malnutrition
in Bangladesh, The Bangladesh Bureau of
Statistics, Bangladesh.
UNDP, (2010), Human Development Index (HDI)-
2010 Rankings, http://hdr.Undp.org/en
/statistics/ [15 Maret 2011: 05.30 WIB].
11