Seminar Nasional Official Statistics 2019: Pengembangan Official Statistics dalam mendukung Implementasi SDG’s

PREDIKSI GEOSTATISTIK AREA KECIL PADA DATA

SURVEI BERBASIS BLOK SENSUS
Studi Kasus: Prediksi Rata-Rata Lama Sekolah Tingkat Nagari di
Kabupaten Padang Pariaman
(Geostatistic Prediction of Small Areas On Census Block -Based Survey
Data - Case Study: Prediction Of Mean Years Of Schooling Level Of The
Nagari In Padang Pariaman Regency)

Rory1, Rita Diana2

1
Badan Pusat Statistik Kabupaten Padang Pariaman
2
Badan Pusat Statistik Provinsi Sumatera Barat
Jl. Imam Bonjol No. 22, Kota Pariaman, Provinsi Sumatera Barat
E-mail: rory@bps.go.id

ABSTRAK

Metode Small Area Estimation (SAE) memiliki dua pendekatan, yaitu SAE berbasis desain survei dan SAE
berbasiskan model. SAE berbasiskan model memiliki dua pendekatan, yaitu statistik dan geostatistik. Tujuan
penelitian ini adalah melakukan prediksi rata-rata lama sekolah tingkat nagari di Kabupaten Padang Pariaman
menggunakan metode geostatistik. Metode geostatistik yang digunakan adalah adalah Stable Ordinary Kriging,
Ordinary Circular Ordinary Kriging, Spherical Ordinary Kriging, Exponential Ordinary Kriging dan Gaussian
Ordinary Kriging. Perbandingan hasil prediksi kelima metode tersebut terhadap data rata-rata lama sekolah
menunjukkan bahwa Exponential Ordinary Kriging adalah metode terbaik dalam melakukan prediksi. Hasil
prediksi menggunakan Exponential Ordinary Kriging diperoleh banyaknya nagari yang rata-rata lama
sekolahnya kurang dari 6,0 tahun adalah sebanyak 4 nagari, rata-rata lama sekolah antara 6,0-7,0 tahun
sebanyak 26 nagari, rata-rata lama sekolah antara 7,0-8,0 tahun sebanyak 31 nagari, rata-rata lama sekolah
antara 8,0-9,0 tahun sebanyak 34 nagari, rata-rata lama sekolah antara 9,0-10,0 tahun sebanyak 5 nagari
dan rata-rata lama sekolah lebih dari 10,0 tahun sebanyak 3 nagari.

Kata Kunci: Small Area Estimation, Kriging, Rata-rata Lama Sekolah

ABSTRACT
The Small Area Estimation (SAE) method has two approaches, namely SAE based on survey design and
SAE based on the model. Model-based SAE has two approaches, namely statistics and geostatistics. The
purpose of this study is to predict the average length of schooling in the nagari level in Padang Pariaman
Regency using the geostatistical method. The geostatistical methods are Stable Ordinary Kriging, Ordinary
Circular Ordinary Kriging, Spherical Ordinary Kriging, Exponential Ordinary Kriging and Gaussian Ordinary
Kriging. Comparison of the prediction results of the average length of schooling of the five shows that
Exponential Ordinary Kriging is the best method of making predictions. Prediction results using Exponential
Ordinary Kriging obtained the number of villages with an average school length of less than 6.0 years is as
much as 4 villages, the average length of school between 6.0-7.0 years is 26 villages, the average length of
school between 7.0-8.0 years as many as 31 villages, the average length of school between 8.0-9.0 years is
34 villages, the average length of school between 9.0-10.0 years is 5 villages and the average the average
length of school is more than 10.0 years as many as 3 villages.

Keywords: Small Area Estimation, Kriging, Mean Years of Schooling

1. PENDAHULUAN
Data hingga wilayah administrasi terkecil sangat dibutuhkan oleh pemerintah daerah khususnya
kabupaten/kota dalam rangka perencanaan dan evaluasi pembangunan. Dengan tersedianya data
hingga area kecil, seperti kecamatan dan desa maka kebijakan pembangunan oleh pemerintah
daerah akan tepat sasaran dan merata. Sayangnya, sampai saat ini data hingga area kecil masih
sulit diperoleh. Survei yang dilakukan oleh Badan Pusat Statistik (BPS) sebagai instansi penyedia
124
Prediksi Geostatistik Area Kecil pada Data Survei Berbasis Blok Sensus……………………………………………………………………(Diana dan Rory)

data statistik bagi pemerintah umumnya masih dirancang hanya untuk pendugaan data area besar,
yaitu provinsi dan kabupaten. Padahal kebutuhan akan data telah mencapai tingkat kecamatan dan
desa.

Dalam rangka mendapatkan data hingga area kecil (kecamatan dan desa), banyak peneliti yang
telah mengembangkan metode Small Area Estimation (SAE), yaitu sebuah metode yang digunakan
untuk mengestimasi area kecil dengan sampel yang sedikit dan memanfaatkan variabel lain sebagai
informasi tambahan. Intinya SAE digunakan untuk menghasilkan estimasi yang andal pada area
yang ukuran sampelnya sangat kecil (atau bahkan nol) karena desain sampel pada awalnya
dirancang untuk menghasilkan estimasi pada wilayah yang lebih besar (Vicente, 2018). Metode SAE
memiliki dua pendekatan, yaitu SAE berbasis desain survei dan SAE berbasiskan model (Cari Rahman
di tesis Aan). SAE berbasis desain survei seringkali mengasumsikan bahwa data yang digunakan
khususnya data respons berasal dari desain survei sederhana (simple random sampling), padahal
dalam kenyataannya data yang digunakan dalam SAE tidak hanya berasal dari desain simple random
sampling (Julianto, 2016). Menurut Pfeffermann (2003), estimasi yang dilakukan tanpa
memperhatikan peluang penarikan sampel tentu saja akan menghasilkan penduga yang bias.

SAE berbasiskan model memiliki dua pendekatan, yaitu statistik dan geografi. Hukum Pertama
Geografi atau Hukum Tobler I menyebutkan bahwa segala sesuatu saling berhubungan antara satu
dengan yang lainnya, tetapi sesuatu yang dekat lebih mempunyai pengaruh daripada sesuatu yang
jauh (Anselin, 2010). Hal ini menjadi dasar dari konsep data spasial dan geostatistik. Geostatistik
adalah metode statistik yang digunakan untuk melihat hubungan antar variabel yang diukur pada
titik tertentu dengan variabel yang sama diukur pada titik dengan jarak tertentu dari titik pertama
(data spasial) dan digunakan untuk menduga parameter di tempat yang tidak diketahui datanya
(Schabenberger, 2017). Metode geostatistik pernah digunakan oleh West (2001), Cai (2006), Sahu
(2006) dan Carson (2013) dalam melakukan pendugaan area kecil. Umumnya mereka menggunakan
metode geostatistik kriging sebagai alat analisis dan menggunakan blok sensus sebagai dasar
sumber data lokasi observasi.

Tujuan penelitian ini adalah melakukan prediksi rata-rata lama sekolah di 103 nagari di
Kabupaten Padang Pariaman menggunakan metode geostatistik. Metode kriging yang yang
digunakan adalah 5 metode kriging yaitu Stable Ordinary Kriging, Circular Ordinary Kriging, Spherical
Ordinary Kriging, Exponential Ordinary Kriging dan Gaussian Ordinary Kriging. Data yang digunakan
adalah data rata-rata lama sekolah hasil Survei Sosial Ekonomi Nasional (Susenas) di Kabupaten
Padang Pariaman.

2. METODE

2.1. Persiapan Data

Persiapan penelitian dimulai mempersiapkan data yang digunakan, yaitu data Susenas tahun
2018. Susenas adalah survei yang pengambilan sampelnya menggunakan metode dua tahap. Tahap
pertama adalah mengambil sampel blok sensus dan tahap kedua mengambil sampel rumah tangga.
Rata-rata lama sekolah pada penelitian ini menggunakan data rata-rata lama sekolah yang dihitung
dari tiap blok sensus terpilih Susenas. Jumlah blok sensus terpilih Susenas adalah 60 blok sensus.
Dari data susenas dilakukan penghitungan rata-rata lama sekolah dan mendapatkan lokasi setiap
blok sensus dari 60 blok sensus terpilih Susenas. Titik koordinat lokasi ditetapkan berdasarkan
centroid dari setiap blok sensus. Dengan demikian akan diperoleh 60 data rata-rata lama sekolah di
60 titik koordinat lokasi.

Analisis data dimulai dengan melakukan pengujian apakah data memiliki ketergantungan
(autokorelasi) spasial atau tidak. Selanjutnya membagi data menjadi dua bagian yaitu 50 data untuk
125
Seminar Nasional Official Statistics 2019: Pengembangan Official Statistics dalam mendukung Implementasi SDG’s

membangun model kriging dan 10 data untuk prediksi/validasi. Pemilihan 50 data untuk membangun
model dan 10 data untuk prediksi dilakukan secara sistematik dimana data diurutkan terlebih dahulu
berdasarkan kode wilayah blok sensus. Proses membagi data dilakukan sebanyak 6 kali. Setiap kali
membagi data, 50 data dimodelkan menggunakan 5 jenis model kriging yaitu Stable Ordinary
Kriging, Ordinary Circular Ordinary Kriging, Spherical Ordinary Kriging, Exponential Ordinary Kriging
dan Gaussian Ordinary Kriging. Selanjutnya dilakukan prediksi terhadap 10 data untuk prediksi. Hasil
prediksi dari kelima model dibandingkan melalui Mean Square Error (MSE).

Prediksi terhadap rata-rata lama sekolah untuk nagari dilakukan terhadap centroid dari nagari
tersebut. Dengan demikian sebelum melakukan prediksi, diperlukan terlebih dahulu titik dari centroid
tersebut. Prediksi seluruh data rata-rata lama sekolah tingkat nagari diperoleh melalui model terbaik
dari perbandingan 5 model kriging.

2.2. Autokorelasi Spasial

Geostatistika menangani data yang berkorelasi secara spasial. Oleh karena itu untuk melakukan
anlisis geostatistik maka data yang digunakan adalah data yang berkorelasi spasial. \Ada tidaknya
autokorelasi spasial antara satu data dengan data yang lain dapat dideteksi melalui uji Moran’s I.

𝑛 ∑𝑛𝑖=1 ∑𝑛𝑗=1 𝑤𝑖𝑗 (𝑥𝑖 − 𝑥̅ )(𝑥𝑗 − 𝑥̅ )

𝐼= 𝑛
∑𝑖=1 ∑𝑛𝑗=1 𝑤𝑖𝑗 ∑𝑛𝑗=1(𝑥𝑖 − 𝑥̅ )2

Dimana 𝑛 adalah banyaknya titik tersampel, 𝑥𝑖 adalah data pada lokasi ke-𝑖, 𝑥𝑗 adalah data pada
lokasi ke-𝑗, 𝑥̅ adalah rata-rata data dan 𝑤 adalah matriks pembobot. Nilai 𝐼 berada antara +1 dan -
1. Nilai+1 mengidentifikasi autokorelasi positif sempurna (terkonsentrasi sempurna) dan -1
mengidentifikasi autokorelasi negatif sempurna (tersebar sempurna), sedangkan nilai -1
mengidentifikasi pola spasial yang benar-benar acak.

1.3. Variogram
Variogram merupakan komponen dasar dalam geostatistik. Variogram menggambarkan
karakteristik dari korelasi spasial dimana dua buah data yang berdekatan memilki korelasi yang kuat
dan korelsinya semakin berkurang atau tidak berkorelasi lagi disebabkan bertambahnya jarak antar
lokasi. Variogram diperoleh dari
𝑁(ℎ)
1
2𝛾(ℎ) = ∑ [𝑍(𝑠𝑖 ) − 𝑍(𝑠𝑖 + ℎ)]2
𝑁(ℎ)
𝑖=1

Semivariogram adalah setengah dari variogram. Semivariogram digunakan untuk

menggambarkan, memodelkan dan menghitung korelasi spasial antara variabel random 𝑍(𝑥) dan
𝑍(𝑥 + ℎ).
𝑁(ℎ)
1
𝛾(ℎ) = ∑ [𝑍(𝑠𝑖 ) − 𝑍(𝑠𝑖 + ℎ)]2
2𝑁(ℎ)
𝑖=1

Semivariogram terdiri dari Sill (𝐶0 + 𝐶), Range (ℎ) dan Nugget Effect (𝐶). Sil adalah saat dimana
nilai semivariogram cenderung mencapai nilai stabil. Nilai sill sama dengan nilai varian dari data
spasial. Range adalah jarak pada saat semivariogram mencapai nilai sill. Nugget effect adalah
kediskontinuam pada pusat semivariogram terhadap garis vertikal yang melompat dari nilai 0 pada
pusat ke nilai semivariogram pada pemisahan jarak terkecil.

126
Prediksi Geostatistik Area Kecil pada Data Survei Berbasis Blok Sensus……………………………………………………………………(Diana dan Rory)

1.4. Fitting Model Variogram

Variogram eksperimental tidak cukup untuk membuat prediksi berdasarkan analisis struktural
dari data yang dikumpulkan. Untuk itu analisis lebih lanjut diperlukan yaitu menggunakan variogram
teoritis. Variogram teoritis merupakan suatu model analitis berdasarkan pada rumus matematika
yang ditentukan sebelumnya dan diperlukan untuk menentukan struktur autokorelasi data.
Variogram teoritis merupakan variogram yang mempunyai bentuk kurva yang mendekati bentuk
kurva variogram eksperimental

Beberapa variogram teoritis adalah

Stable model
−3ℎ𝜔
𝛾(ℎ) = 𝐶0 + 𝐶 [1 − exp ( 𝜔 )]
𝑟

Circular model

2 ℎ ℎ 2
−1 √
𝛾(ℎ) = 𝐶0 + 𝐶 [1 − cos ( ) + 1 − ( ) ]
𝜋 𝑟 𝑟

Spherical model

3 ℎ 1 ℎ 3
𝛾(ℎ) = 𝐶0 + 𝐶 [ ( ) − ( ) ]
2 𝑟 2 𝑟

Exponential model
−3ℎ
𝛾(ℎ) = 𝐶0 + 𝐶 [1 − exp ( )]
𝑟
Gaussian model
−3ℎ2
𝛾(ℎ) = 𝐶0 + 𝐶 [1 − exp ( )]
𝑟2

1.5. Kriging
Kriging adalah salah satu metode geostatistik yang digunakan untuk memprediksi data pada
lokasi yang tidak tersampel. Nilai 𝑍̂ pada titik yang tidak tersampel diprediksi memanfaatkan
informasi titik tersampel yang ada di sekitarnya yaitu 𝑍 dengan mempertimbangkan korelasi spasial
yang ada dalam data tersebut.

Misalkan data dari 𝑛 titik tersampel yaitu pada titik lokasi 𝑥1 , 𝑥2 , … , 𝑥𝑛 adalah 𝑍(𝑥1 ), 𝑍(𝑥2 ), …
, 𝑍(𝑥𝑛 ), maka estimator kriging 𝑍̂(𝑥) adalah
𝑛

𝑍̂(𝑥) − 𝑚(𝑥) = ∑ 𝜆𝑖 [𝑍(𝑥𝑖 ) − 𝑚(𝑥𝑖 )]

𝑖=1

dimana 𝑍̂(𝑥) adalah nilai prediksi pada lokasi 𝑥, 𝑍(𝑥𝑖 ) adalah nilai data pada pada lokasi tersampel
𝑥𝑖 , 𝑚(𝑥) nilai ekspektasi dari 𝑍(𝑥), 𝑚(𝑥𝑖 ) nilai ekspektasi dari 𝑍(𝑥𝑖 ) dan 𝜆𝑖 adalah pembobot yang
menentukan ukuran jarak antar titik dimana ∑𝑛𝑖=1 𝜆𝑖 = 1.

127
Seminar Nasional Official Statistics 2019: Pengembangan Official Statistics dalam mendukung Implementasi SDG’s

Salah satu metode kriging adalah Ordinary Kriging. Ordinary kriging mengasumsikan bahwa
rata-rata (mean) tidak diketahui dan bernilai konstan, sehingga
𝑛

𝑍̂(𝑥) = ∑ 𝜆𝑖 𝑍(𝑥𝑖 )
𝑖=1

Pada proses prediksi data spasial, semivariogram teoritis digunakan sebagai pembobot dari dari
masing-masing lokasi tersampel terhadap lokasi yang diprediksi. Besarnya bobot pada pada masing-
masing lokasi tersampel diperoleh dari

𝐰 = 𝚪 −1 𝐃

𝜆1 𝛾(ℎ1,1 ) 𝛾(ℎ1,2 ) ⋯ 𝛾(ℎ1,𝑛 ) 1 𝛾(ℎ1,0 )

𝜆2 𝛾(ℎ2,1 ) 𝛾(ℎ2,2 ) ⋯ 𝛾(ℎ2,𝑛 ) 1 𝛾(ℎ2,0 )
𝐰= ⋮ 𝐂= ⋮ ⋮ ⋱ ⋮ ⋮ 𝐝 = ⋮
𝜆𝑛 𝛾(ℎ𝑛,1 ) 𝛾(ℎ𝑛,2 ) ⋱ 𝛾(ℎ𝑛,𝑛 ) 1 𝛾(ℎ𝑛,0 )
[𝜇] [ 1 1 ⋯ 1 1] [ 1 ]
̅ adalah nilai kovarian antar masing-masing amatan, 𝐶𝑖0
𝐶𝑖𝑗 ̅ merupakan nilai kocarian antar amatan
yang akan diprediksi dan ∑𝑖=1 𝜆𝑖 = 1.
𝑛

3. HASIL DAN PEMBAHASAN

Data rata-rata lama sekolah dihitung masing-masing dari 60 blok sensus terpilih Susenas tahun
2018. Setiap blok sensus terpilih tersebut ditentukan centroidnya. Untuk keperluan prediksi rata-
rata lama sekolah di 103 ngari, maka ditentukan juga centroid 103 nagari tersebut. Sebaran 60
centroid blok sensus dan 103 centroid nagari digambarkan dalam Gambar 1.

128
Prediksi Geostatistik Area Kecil pada Data Survei Berbasis Blok Sensus……………………………………………………………………(Diana dan Rory)

Centroid Sampel BS Terpilih

Centroid Nagari

Gambar 1. Sebaran 60 Centroid Blok Sensus Terpilih Susenas (Biru) dan Centroid Nagari (Merah) di
Kabupaten Padang Pariaman, Tahun 2018

Kriging mengasumsikan bahwa data yang digunakan memiliki keterkaitan secara spasial. Oleh
karena itu, sebelum melakukan analisis kriging dilakukanterlebih dahulu pengujian autokorelasi
spasial terhadap data rata-rata lama sekolah menggunakan uji Moran’s I. Hasil pengujian
autokorelasi spasial menggunakan Moran’s I menunjukkan bahwa nilai Moran’s I adalah 0,3814
dengan p-value 0,000. Artinya terdapat autokorelasi spasial pada data rata-rata lama sekolah
sehingga dapat digunakan dalam analisis geostatistik kriging.

Selanjutnya membandingkan 5 metode kriging dalam memprediksi data rata-rata lama sekolah
yaitu Stable Ordinary Kriging, Ordinary Circular Ordinary Kriging, Spherical Ordinary Kriging,
Exponential Ordinary Kriging dan Gaussian Ordinary Kriging. Perbandingan metode dilakukan
dengan membagi data menjadi dua bagian yaitu 10 data untuk prediksi/validasi dan sisanya 50 data
lainnya untuk membangun model. Pengambilan data untuk prediksi/validasi dilakukan secara
sistematik sebanyak 6 kali sehingga proses perbandingan model juga dilakukan sebanyak 6 kali.

Hasil prediksi dari kelima model dibandingkan melalui Mean Square Error (MSE). Nilai MSE dari
5 jenis metode kriging dalam 6 kali perbandingan tersebut adalah

Tabel 1. Mean Square Error (MSE) dari 6 kali Perbandingan Metode Kriging
MSE
Metode
I II III IV V VI
Stable Ordinary Kriging 1,5435 3,4001 2,6908 3,2026 1,9427 1,4550
Circular Ordinary Kriging 1,5714 3,4364 2,6763 3,1376 1,7958 1,6218
Spherical Ordinary Kriging 1,5360 3,4108 2,6174 3,1360 1,7922 1,6422
Exponential Ordinary Kriging 1,5062 3,3881 2,3502 3,1020 1,7820 1,9086
Gaussian Ordinary Kriging 1,5461 3,4373 3,5182 3,2026 1,9371 1,4389

Secara umum, model Exponential Ordinary Kriging memiliki prediksi yang lebih baik dibandingkan
model yang lainnya. Hal tersebut ditunjukkan pada Tabel.1 dimana model Exponential Ordinary
Kriging memiliki nilai MSE paling kecil dalam 5 kali perbandingan.

129
Seminar Nasional Official Statistics 2019: Pengembangan Official Statistics dalam mendukung Implementasi SDG’s

Metode Exponential Ordinary Kriging digunakan lebih lanjut dalam analisis menggunakan
seluruh data. Model Exponential Ordinary Kriging dengan menggunakan seluruh data diperoleh Sill
4,2037, Range 0,1083 dan Nugget 0,2057.

Prediksi RLS Standard Error

< 6 tahun < 1,00
6 - 7 tahun 1,00 - 1,25
7 - 8 tahun 1,25 - 1,50

8 - 9 tahun 1,50 - 1,75

9 - 10 tahun 1,75 - 2,00

> 10 tahun > 2.00

Gambar 2. Sebaran Rata-rata Lama Sekolah dan Standar Eror Hasil Analisis Kriging di Kabupaten Padang
Pariaman, Tahun 2018

Hasil prediksi rata-rata lama sekolah pada seluruh nagari di Kabupaten Padang Pariaman
diperoleh banyaknya nagari yang rata-rata lama sekolahnya kurang dari 6,0 tahun adalah sebanyak
4 nagari, rata-rata lama sekolah 6,0-6,9 tahun sebanyak 26 nagari, rata-rata lama sekolah 7,0-7,9
tahun sebanyak 32 nagari, rata-rata lama sekolah 8,0-8,9 tahun sebanyak 33 nagari, rata-rata lama
sekolah 9,0-9,9 tahun sebanyak 5 nagari dan rata-rata lama sekolah lebih dari 10,0 tahun sebanyak
3 nagari.

Semakin jauh centroid nagari dari centroid sampel blok sensus, maka semakin tinggi nilai
standar error hasil prediksi. Prediksi dengan standar error kurang dari 1,00 adalah sebanyak 5
nagari, prediksi dengan standar error antara 1,00-1,25 sebanyak 20 nagari, prediksi dengan standar
error antara 1,25-1,50 sebanyak 25 nagari, prediksi dengan standar error antara 1,50-1,75 sebanyak
32 nagari, prediksi dengan standar error antara 1,75-2,00 sebanyak 14 nagari dan prediksi dengan
standar error besar dari 2,00 sebanyak 7 nagari.

KESIMPULAN

Kebutuhan data pada tingkat yang lebih kecil, yaitu desa/nagari seperti data rata-rata lama
sekolah dapat dipenuhi dengan melakukan prediksi dengan menggunakan metode geostatistik
kriging. Syarat yang harus dipenuhi untuk analisis kriging tersebut adalah data yang akan diprediksi
harus memiliki autokorelasi secara spasial. Untuk analisis lebih lanjut bisa dilakukan analisis kokriging
yaitu pengembangan analisis kokriging. Selain itu juga dapat dilakukan perbandingan antara metode
Small Area Estimation (SAE) dengan metode geostatistik (kriging).

130
Prediksi Geostatistik Area Kecil pada Data Survei Berbasis Blok Sensus……………………………………………………………………(Diana dan Rory)

DAFTAR PUSTAKA

Anselin, L., & Rey, S. J. (2010). Perspectives on Spatial Data Analysis. Berlin, Heidelberg: Springer.

Cai, Q., Rushton, G., Bhaduri, B., Bright, E., & Coleman, P. (2006). Estimating Small-Area Populations by
Age and Sex Using Spatial Interpolation and Statistical Inference Methods. Transactions in GIS,
10(4), 577–598.

Carson, B. D. (2013). Testing Kriging-Based Areal Interpolation for Census-Based Socioeconomic Data.
Master's thesis, University of Redlands: Retrieved from
https://inspire.redlands.edu/gis_gradproj/194.

Julianto, A. (2016). Model Hierarchical Bayes pada Small Area Estimation untuk Pendugaan Proporsi
Pengangguran pada Desain Survei Kompleks. Surabaya: Tesis ITS Surabaya.

Pfeffermann, D., & Sverchkov, M. (2003). Small Area Estimation Under Informative Sampling. Southampton,
UK: Southampton Statistical Sciences Research Institute.

Sahu, R., Basu, K., & Bandyopadhyay, S. (2006). Small Area Estimation Using GIS. SARVEKSHANA: Journal
of National Sample Survey Organization, Vol. 26 No. 2 (89th Issue), Page 24-29.

Schabenberger, O., & Gotway, C. A. (2017). Statistical Methods for Spatial Data Analysis. Chapman and
Hall/CRC Press.

Vicente, G., Goicoa Mangado, T., Puranik, A., & Ugarte, M. D. (2018). Small Area Estimation of Gender-
Based Violence: Rape Incidence Risks in Uttar Pradesh, India. Statistics and Applications, Volume 16,
No. 1, 2018 (New Series), pp 71-90.

West, B. T. (2001). Spatial Analysis of A Small Area Problem. Master's Thesis: University of Michigan.

131