Yulian Dwi Intan Anggraeni

PENERAPAN EMPIRICAL BEST LINEAR UNBIASED
PREDICTION-FAY HERRIOT (EBLUP-FH) DAN SPATIAL
EBLUP-FH PADA DATA TRANSFORMASI LOGARITMA
(Studi Kasus: Pendugaan Rata-rata Pengeluaran per Kapita

Level Kecamatan di Provinsi Jawa Barat Tahun 2018)
YULIAN DWI INTAN ANGGRAENI

15.8953
PROGRAM STUDI : STATISTIKA PROGRAM DIPLOMA IV

PEMINATAN : STATISTIKA EKONOMI
POLITEKNIK STATISTIKA STIS

JAKARTA
2019
PENERAPAN EMPIRICAL BEST LINEAR UNBIASED
PREDICTION-FAY HERRIOT (EBLUP-FH) DAN SPATIAL
EBLUP-FH PADA DATA TRANSFORMASI LOGARITMA
(Studi Kasus: Pendugaan Rata-rata Pengeluaran per Kapita

Level Kecamatan di Provinsi Jawa Barat Tahun 2018)
SKRIPSI
Diajukan sebagai Salah Satu Syarat untuk Memperoleh Sebutan
Sarjana Terapan Statistika pada Politeknik Statistika STIS
Oleh:
YULIAN DWI INTAN ANGGRAENI
15.8953
POLITEKNIK STATISTIKA STIS

JAKARTA
2019
© Hak Cipta milik Politeknik Statistika STIS, Tahun 2019
Hak Cipta dilindungi undang-undang

1. Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa
mencantumkan atau menyebutkan sumbernya.
a. Pengutipan hanya untuk kepentingan pendidikan, penelitian,
penulisan karya ilmiah, penyusunan laporan, penulisan kritik
atau tinjauan suatu masalah.
b. Pengutipan tidak merugikan kepentingan yang wajar Politeknik
Statistika STIS.
2. Dilarang mengumpulkan dan memperbanyak sebagian atau seluruh

karya tulis ini dalam bentuk apapun tanpa seizin Politeknik Statistika
STIS
PRAKATA
Puji syukur penulis ucapkan ke hadirat Allah SWT, karena hanya dengan
pertolongan-Nya penulis dapat menyelesaikan skripsi yang berjudul “Penerapan
Empirical Best Linear Unbiased Prediction Fay-Herriot (EBLUP-FH) dan
SPATIAL EBLUP-FH pada Data Transformasi Logaritma (Studi Kasus:
Pendugaan Rata-rata Pengeluaran per Kapita Level Kecamatan di Provinsi Jawa
Barat Tahun 2018)”. Penulis juga mengucapkan terima kasih kepada:
1. Ibu Dr. Erni Tri Astuti M.Math., selaku Direktur Politeknik Statistika
STIS;
2. Bapak Tri Nugrahadi SSi., M.A., Ph.D. sebagai dosen pembimbing yang
telah bersedia meluangkan waktu dan dengan sabar mengarahkan dan
membimbing penulis dalam penyusunan skripsi ini;
3. Ibu Dr. Tiodora Hadumaon Siagian M.Pop.Hum.Res dan Bapak Dr. Azka
Ubaidillah, S.S.T., M.Si. selaku dosen penguji yang telah memberikan
koreksi dan saran-saran untuk menyempurnakan skripsi ini;
4. Pak Yuni Susianto S.Si, M.Si, Ibu Siti Muchlisoh M.Si., dan Ibu Ika Yuni
Wulansari SST, M.Stat yang telah memberikan bimbingan;
5. Seluruh keluarga besar penulis, Kak Arif, Kak Wirda, Kak Easbi, Heri,
Zata, Devita, Aldi, Faisal, Aldian, Sela, rekan-rekan pembelajar SAE
lainnya, serta Alex, Mima, Yunita, Nadya, Salvini, Ruri., Nurani., Tino,
Dani, Fendy, Vidi, Silvi, Kak Luxy, Chaterina dan teman-teman lain.
Penulis menyadari skripsi ini masih jauh dari kesempurnaan. Oleh karena
itu, saran dan kritik yang membangun sangat penulis harapkan demi perbaikan
skripsi ini. Semoga skripsi ini dapat bermanfaat bagi semua pihak.
Jakarta, Juli 2019
Yulian Dwi Intan Anggraeni
i
ABSTRAK
YULIAN DWI INTAN ANGGRAENI, “Penerapan Empirical Best Linear

Unbiased Prediction-Fay Herriot (EBLUP-FH) dan SPATIAL EBLUP-FH pada
Data Transformasi Logaritma (Studi Kasus: Pendugaan Rata-rata Pengeluaran
per Kapita Level Kecamatan di Provinsi Jawa Barat Tahun 2018)”.
viii+124 halaman
Peningkatan dan pemerataan kesejahteraan menjadi salah satu tujuan

otonomi daerah. Pengeluaran per kapita merupakan salah satu tolak ukurnya.
Selama ini, penyajian data yang dilakukan BPS terbatas untuk wilayah (domain)
yang luas karena sumber daya yang masih terbatas. Padahal penyajian data pada
area luas dinilai kurang representatif dalam memberikan gambaran wilayah-
wilayah sempit yang menjadi cakupannya. Akibatnya pengambilan kebijakan
dirasa belum optimal. Penelitian ini bertujuan untuk menduga pengeluaran rata-
rata rumah tangga per kapita level kecamatan di Provinsi Jawa Barat tahun 2018
dengan metode EBLUP FH dan SEBLUP FH. Hasil penelitian menunjukkan
bahwa model SEBLUP FH dengan transformasi logaritma lebih baik daripada
model pendugaan langsung dan model EBLUP FH dengan transformasi
logaritma. Kecamatan dengan pengeluaran rata-rata rumah tangga per kapita
tertinggi di Jawa Barat adalah Kecamatan Pebayuran, Kecamatan Muara
Gembong, dan Kecamatan Sukakarya Kabupaten Bekasi. Sebaliknya, kecamatan
dengan pengeluaran rata-rata rumah tangga per kapita terendah adalah
Kecamatan Arjawinangun Kabupaten Cirebon, Kecamatan Arahan Kabupaten
Indramayu, dan Kecamatan Tambaksari Kabupaten Ciamis. Berdasarkan hasil
penelitian tersebut, diharapkan pemerintah dapat mengambil kebijakan terkait
pemerataan pengeluaran rumah tangga per kapita beserta pembangunan
infrastruktur vital khususnya di wilayah-wilayah dengan pengeluaran per kapita
yang rendah.
Kata kunci: pengeluaran per kapita, transformasi logaritma, EBLUP, SEBLUP
ii
DAFTAR ISI
Halaman
PRAKATA ................................................................................................. i
ABSTRAK .................................................................................................. iii
DAFTAR ISI .............................................................................................. iv
DAFTAR TABEL ...................................................................................... vi
DAFTAR GAMBAR .................................................................................. vii
DAFTAR LAMPIRAN .............................................................................. ix
BAB I PENDAHULUAN ................................................................. 1

1.1 Latar Belakang ............................................................. 1
1.2 Rumusan Masalah ........................................................ 7
1.3 Tujuan Penelitian ......................................................... 9
1.4 Sistematika Penulisan ................................................... 10
BAB II KAJIAN PUSTAKA .............................................................. 13

2.1 Landasan Teori ............................................................. 13
2.2 Penelitian Terkait .......................................................... 35
2.3 Kerangka Pikir .............................................................. 37
BAB III METODOLOGI ..................................................................... 41

3.1 Ruang Lingkup Penelitian ............................................ 41
3.2 Metode Pengumpulan Data .......................................... 41
3.3 Metode Analisis Data ................................................... 46
BAB IV HASIL DAN PEMBAHASAN .............................................. 51

4.1 Pendugaan Tidak Langsung........................................... 57
4.2 Perbandingan hasil pendugaan langsung dan pendugaan
tidak langsung ............................................................... 64
4.3 Pemetaan rata-rata pengeluaran rumah tangga per
kapita level kecamatan .................................................. 67
iii
Halaman
BAB V KESIMPULAN DAN SARAN .............................................. 83
5.1 Kesimpulan ................................................................... 83
5.2 Saran .............................................................................. 84
DAFTAR PUSTAKA ................................................................................. 85

LAMPIRAN ................................................................................................ 89
RIWAYAT HIDUP ..................................................................................... 125
iv
DAFTAR TABEL
No. Tabel Judul Tabel Halaman
1. Interpretasi korelasi pearson ................................................................. 16

2. Variabel-variabel yang digunakan dalam penelitian ............................ 44
3. Pendugaan koefisien regresi dengan Metode EBLUP FH.................... 57
4. Hasil pengujian autokorelasi spasial..................................................... 61
5. Pendugaan koefisien regresi dengan Metode SEBLUP FH ................. 62
6. Perbandingan RRMSE hasil pendugaan langsung, EBLUP FH dan
SEBLUP FH ......................................................................................... 65
7. Perbandingan hasil pendugaan langsung, EBLUP FH dan SEBLUP
FH ................................................................................................ 66
8. Penduga sintetik pengeluaran rumah tangga per kapita untuk
kecamatan yang tidak terkena sampel .................................................. 67
9. Rangkuman variabel penyerta yang signifikan pada metode EBLUP
FH dan SEBLUP FH ............................................................................ 85
v
DAFTAR GAMBAR
No. Gambar Judul Gambar Halaman
1. Gini ratio menurut provinsi di Indonesia tahun 2018 ........................... 2

2. Share pangsa perekonomian di Indonesia tahun 2018 ......................... 3
3. Pengeluaran per kapita disesuaikan (ribu rupiah/orang/tahun) menurut
provinsi di Indonesia, 2014-2018 ......................................................... 4
kabupaten/kota di Indonesia, 2014-2018 .............................................. 4
5. Peta tematik pengeluaran per kapita disesuaikan (000 rp) menurut
kabupaten/ kota di Jawa Barat tahun 2018 ........................................... 5
6. Ilustrasi matriks continguity tipe Rook, Bishop dan Queen ................. 30
7. Kerangka penelitian .............................................................................. 38
8. Flowchart alur penelitian...................................................................... 49
provinsi di Indonesia tahun 2018 ......................................................... 52
kabupaten/kota di Indonesia tahun 2018 .............................................. 52
11. Pemetaan pengeluaran rumah tangga per kapita hasil pendugaan
langsung ................................................................................................ 54
12. QQ-plot pengeluaran rumah tangga per kapita level kecamatan .......... 56
13. Perbandingan nilai RRMSE penduga langsung dan penduga EBLUP
FH ................................................................................................ 58
14. Perbandingan hasil pendugaan langsung dan pendugaan EBLUP FH . 59
15. Perbandingan nilai RRMSE penduga langsung dan penduga SEBLUP
FH ................................................................................................ 63
16. Perbandingan pendugaan langsung, dan SEBLUP FH ......................... 64
17. Perbandingan pendugaan langsung, EBLUP FH dan SEBLUP FH ..... 65
18. Peta tematik hasil pendugaan tidak langsung rata-rata pengeluaran
rumah tangga per kapita level kecamatan di Jawa Barat ...................... 68
19. Peta tematik pengeluaran per kapita dan jumlah keluarga pertanian
Provinsi Jawa Barat tahun 2018 ........................................................... 70
20. Peta tematik pengeluaran per kapita dan jumlah keluarga pengguna
listrik Provinsi Jawa Barat tahun 2018 ................................................. 71
vi
No. Gambar Judul Gambar Halaman
21. Peta tematik pengeluaran per kapita dan jumlah SD/MI Provinsi Jawa
Barat tahun 2018 .................................................................................. 72
22. Peta tematik pengeluaran per kapita dan jumlah SMU/MA Provinsi
Jawa Barat tahun 2018 ......................................................................... 73
23. Peta tematik pengeluaran per kapita dan jumlah akademi/Perguruan
Tinggi Provinsi Jawa Barat tahun 2018 ............................................... 74
24. Peta tematik pengeluaran per kapita dan jumlah puskesmas dengan
rawat inap Provinsi Jawa Barat tahun 2018 ......................................... 75
25. Peta tematik pengeluaran per kapita dan jumlah poliklinik/balai
pengobatan Provinsi Jawa Barat tahun 2018 ....................................... 76
26. Peta tematik pengeluaran per kapita dan jumlah tempat praktik bidan
27. Peta tematik pengeluaran per kapita dan jumlah pos bersalin desa
28. Peta tematik pengeluaran per kapita dan jumlah Industri Mikro Kecil
barang dari kayu Provinsi Jawa Barat tahun 2018 ............................... 79
29. Peta tematik pengeluaran per kapita dan jumlah minimarket/swalayan
30. Peta tematik pengeluaran per kapita dan jumlah Bank Umum
Pemerintah Provinsi Jawa Barat tahun 2018 ........................................ 81
vii
DAFTAR LAMPIRAN
No. Lampiran Judul Lampiran Halaman
1. Variabel-variabel yang digunakan dalam penelitian ............................ 89

2. Hasil pendugaan langsung, EBLUP FH dan SEBLUP FH beserta
RRMSE dari rata-rata pengeluaran rumah tangga per kapita level
kecamatan di Provinsi Jawa Barat tahun 2018 ..................................... 91
3. Hasil perhitungan Korelasi Pearson antar variabel penyerta ................ 123
4. Hasil perhitungan Variance Inflation Factor (VIF) ............................. 124
viii
BAB I
PENDAHULUAN
1.1 Latar Belakang
Indonesia merupakan negara kepulauan yang menganut sistem
pemerintahan desentralisasi. Berdasarkan asas otonomi dalam Undang-Undang
nomor 23 tahun 2014, urusan pemerintahan diserahkan oleh pemerintah pusat
kepada daerah otonom, yakni meliputi unit wilayah yang lebih sempit seperti
provinsi, kabupaten/kota, kecamatan sampai ke kawasan khusus seperti desa1.
Implementasi dari sistem desentralisasi ini, membuat pemerintah daerah di seluruh
wilayah Indonesia berupaya keras dalam menyejahterakan penduduk di wilayahnya
masing-masing.
Kesejahteraan penduduk dalam suatu wilayah dapat digambarkan melalui
beberapa indikator, salah satunya melalui perhitungan pendapatan per kapita
penduduk. Untuk mendapatkan data pendapatan per kapita penduduk di Indonesia,
Badan Pusat Statistik (BPS) sebagai penyedia official statistics, sampai saat ini
masih menggunakan pendekatan pengeluaran per kapita. Dalam website resmi
Sistem Informasi Rujukan Statistik (SIRUSA) BPS dijelaskan bahwa penggunaan
proporsi pengeluaran untuk makanan dan non-makanan. Komposisi pengeluaran
rumah tangga dapat dijadikan ukuran untuk menilai tingkat kesejahteraan ekonomi
1
Lebih lanjut dapat dibaca pada “Undang-Undang Republik Indonesia Nomor 23 Tahun 2014
tentang Pemerintahan Daerah” (https://pih.kemlu.go.id/files/UU0232014.pdf, Diakses pada 27 Juli
2019)
1
penduduk, yakni semakin rendah persentase pengeluaran untuk makanan terhadap
total pengeluaran maka semakin baik tingkat kesejahteraan.
Penyajian data pengeluaran per kapita yang dilakukan oleh BPS nyatanya
masih terbatas pada level nasional, provinsi, dan kabupaten/kota. Di sisi lain,
penyajian data pada level wilayah yang lebih kecil menjadi kebutuhan pemerintah
dalam perencanaan dan evaluasi pembangunan. Akibat keterbatasan informasi ini,
pengambilan kebijakan dan pelaksanaannya dirasa belum optimal.
Salah satu masalah kesejahteraan dan pemerataan di Indonesia yang belum
mampu diselesaikan adalah tingginya pangsa perekonomian Provinsi Jawa Barat
sebesar 13,09% (bahkan menjadi penopang utama perekonomian nasional setelah
Provinsi DKI Jakarta sebesar 17,34% dan Jawa Timur sebesar 13,01% pada tahun
2018) namun memiliki koefisien gini rasio tertinggi ketiga setelah DI Yogyakarta
(0,422) dan Gorontalo (0,417) yakni sebesar 0,405. Hal ini menjadi indikasi awal
bahwa manfaat dari pertumbuhan ekonomi yang tinggi di provinsi tersebut belum
dirasakan secara merata atau belum inklusif (Lihat Gambar 1 dan 2).
0,5
0,45
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
Sultra
Jatim
Banten
Riau
Bali
Sumut
Kaltara
NTB
Pabar
Sulsel
NTT
Malut
Gorontalo
Sulbar
Jateng
Bengkulu
Kalteng
Sumsel
Jambi
Kalsel
Kep. Riau
Lampung
Papua
Maluku
Kalbar
DIY
Sulut
Kaltim
Aceh
Sulteng
Sumbar
Jabar
DKI Jakarta
Kep. Babel
Semester 1 (Maret) Semester 2 (September)

Nasional (Maret) Nasional (September)
Sumber : BPS
Gambar 1. Gini ratio menurut provinsi di Indonesia tahun 2018
2
17,21
41,63
14,65
13,01
DKI Jakarta Jatim

Jabar Jateng 8,53
Banten DIY 2 0 1 7 : L i n g ka r a n D a l a m
Non-Jawa 4,1 2 0 1 8 : L i n g ka r a n L u a r
0,87
Sumber: Kajian Ekonomi dan Keuangan Regional Provinsi Jawa Barat Februari 2019,
Bank Indonesia
Gambar 2. Share pangsa perekonomian di Indonesia tahun 2018
Pengeluaran per kapita di Jawa Barat selama lima tahun terakhir pun
menunjukkan nilai yang relatif stabil dan bersifat menengah/moderate. Dari
Gambar 3 dapat dilihat bahwa pada tahun 2018, pengeluaran per kapita
disesuaikan2 Provinsi Jawa Barat hanya menduduki peringkat ke-13 di Indonesia.
Posisi ini relatif stabil dalam kurun waktu lima tahun terakhir. Apabila diamati lebih
jauh, Gambar 4 menunjukkan bahwa pengeluaran per kapita disesuaikan Provinsi
Jawa Barat antar kabupaten/kota terbukti memiliki nilai yang relatif heterogen.
2
Pengeluaran per kapita disesuaikan adalah nilai rata-rata pengeluaran per kapita dan paritas daya
beli yang dihitung menggunakan komoditas makanan dan non makanan dan dibuat konstan/riil
menggunakan tahun dasar yang telah ditetapkan. Lebih lanjut dapat dibaca pada “Komponen IPM,
Pengeluaran per Kapita yang Disesuaikan” (http://data.jatengprov.go.id/dataset/pengeluaran-
perkapita-yang-disesuaikan, Diakses pada 31 Juli 2019)
3
20
RIBU
18
16
14
12
10
8
6
4
2
0
Banten
Jatim
Kaltara
Pabar
Bali
Riau
Sumut
Sulsel
Sumsel
Sultra
Kalteng
Jateng
Jambi
NTB
Malut
NTT
Kep. Riau
Kalsel
Bengkulu
Gorontalo
Sulbar
Maluku
Kaltim
Sumbar
Lampung
Aceh
Kalbar
DKI Jakarta
DIY
Sulteng
Papua
Sulut
Jabar
Kep. Babel
2014 2015 2016 2017 2018
Sumber : BPS
Gambar 3. Pengeluaran per kapita disesuaikan (Ribu Rupiah/Orang/Tahun) menurut
provinsi di Indonesia, 2014-2018
18
RIBU
16
14
12
10
8
6
4
2
0
2014 2015 2016 2017 2018
Nasional 2014 Nasional 2015 Nasional 2016 Nasional 2017 Nasional 2018
Sumber : BPS
Gambar 4. Pengeluaran per kapita disesuaikan (Ribu Rupiah) menurut kabupaten/kota di
Jawa Barat, 2014-2018
Selain grafik batang, dilakukan pula pemetaan dengan bantuan Arc Map untuk
mengetahui sebaran pengeluaran per kapita disesuaikan di Jawa Barat. Berdasarkan hasil
pemetaan pada Gambar 5 dapat dilihat bahwa kabupaten dengan pengeluaran per kapita
disesuaikan yang tinggi ada di sekitar wilayah Ibu Kota Negara, DKI Jakarta dan di sekitar
4
wilayah Ibu Kota Provinsi, Kota Bandung. Sedangkan wilayah dengan pengeluaran per
kapita disesuaikan yang rendah ada di wilayah Jawa Barat bagian selatan.
Legenda
Sumber: BPS
Gambar 5. Peta tematik pengeluaran per kapita disesuaikan (000 Rp)
menurut kabupaten/kota di Provinsi Jawa Barat Tahun 2018
Agar problematika kesejahteraan penduduk dan ketimpangan dapat
diselesaikan dengan tepat sasaran, dibutuhkan penyajian data small area3. Namun
keterbatasan sampel pada survei-survei membuat BPS hanya menghasilkan nilai
estimasi bagi small area dengan presisi yang kurang memadai. Salah satu solusi
untuk mengatasi masalah tersebut adalah dengan menyediakan anggaran lebih guna
menambah jumlah sampel, sehingga desain survei yang dilakukan mampu
memberikan output statistik area kecil yang lebih baik.
3
Small Area adalah wilayah/domain yang belum mampu menghasilkan penduga langsung dengan
presisi yang cukup. Lebih lanjut mengenai topik ini, lihat J.N.K. Rao, “Small Area Estimation”
(2003): 2.
5
Masalah berikutnya muncul dikarenakan adanya keterbatasan anggaran,
sehingga informasi mengenai suatu indikator tidak tersedia secara merata pada
small area. Dengan memerhatikan kebutuhan informasi area kecil dan melihat
kondisi keterbatasan sumber daya tersebut, maka perlu diterapkan suatu metode
statistik yang mampu memenuhi ketersediaan informasi meskipun sumber daya
yang dimiliki terbatas. Metode yang sedang dalam kajian BPS tersebut dikenal
dengan Small Area Estimation (SAE) atau Pendugaan Area Kecil.
Rao (2003) mengatakan bahwa SAE dilakukan dengan meminjam kekuatan
(borrows strength) dari variabel-variabel penyerta (auxiliary variables) yang
memiliki hubungan dengan variabel yang diduga. Terdapat dua asumsi dasar dalam
pengembangan model SAE, yaitu keragaman dalam populasi peubah respon (fixed
effect) dan keragaman spesifik sub populasi yang tidak dapat dijelaskan oleh
informasi tambahan dan merupakan pengaruh acak sub populasi (random effect).
Gabungan dari dua asumsi tersebut menghasilkan model pengaruh
campuran (mixed model). Model linear campuran (mixed linear model) memiliki
kemampuan dalam menduga kedua asumsi tersebut. Salah satu metode
penyelesaian model pengaruh campuran yang sering digunakan adalah prediksi tak
bias linier terbaik empiris (Empirical Best Linear Unbiased Prediction, EBLUP).
Hukum pertama tentang geografi yang dicetuskan oleh Tobler (Tobler’s
first law of geography) dalam Waters (2017) yang merupakan pilar kajian analisis
data spasial mengatakan bahwa “everything is related to everything else, but near
things are more related than distant things”4. Hukum ini membuat beberapa
peneliti mulai melakukan pengembangan metode EBLUP dengan memasukkan
pengaruh spasial ke dalam model yang dikenal dengan metode Spatial EBLUP
6
(SEBLUP). Metode SEBLUP sendiri memiliki kemampuan dalam memperbaiki
struktur ragam dari model pendugaan area kecil yang memiliki korelasi spasial
antar area (Rao, 2003). Diharapkan dengan pemilihan metode statistik yang tepat
mampu menyajikan ketersediaan data hingga level wilayah kecil dan dapat
digunakan oleh para stakeholder dalam mengambil langkah yang lebih tepat
sasaran sehingga permasalahan yang terjadi dapat sesegera mungkin diselesaikan.
1.2 Rumusan Masalah
Jawa Barat merupakan penyumbang pangsa perekonomian tertinggi sebesar
13,09% setelah Provinsi DKI Jakarta sebesar 17,34% dan Jawa Timur sebesar
13,01%, namun memiliki koefisien gini rasio tertinggi ketiga setelah DI Yogyakarta
(0,422) dan Gorontalo (0,417) yakni sebesar 0,405. Ini menjadi indikasi awal bahwa
manfaat dari pertumbuhan ekonomi yang tinggi di provinsi tersebut belum
dirasakan secara merata atau belum inklusif.
Salah satu indikator dalam mengukur kesejahteraan penduduk adalah
pendapatan per kapita yang oleh BPS didekati dengan angka pengeluaran per
kapita. Jawa Barat memiliki pengeluaran per kapita yang hanya menduduki
peringkat ke-13 di Indonesia dan apabila diamati lebih jauh, kabupaten/kota di Jawa
Barat memiliki pengeluaran per kapita yang relatif variatif.
4
Lebih lanjut dapat dilihat pada The International Encyclopedia of Geography, “Tobler’s First Law
of Geography”
(https://www.researchgate.net/publication/328723512_Tobler%27s_First_Law_of_Geography,
Diakses pada 27 Juli 2019).
7
Selama ini, penyediaan data yang dilakukan BPS terbatas pada level
nasional, provinsi dan kabupaten. Padahal penyajian data hingga level yang lebih
kecil sangat dibutuhkan guna pengambilan kebijakan yang diharapkan lebih tepat
sasaran. Namun, ada tantangan dalam menyajikan data hingga wilayah kecil yakni
keterbatasan sampel dan keterbatasan anggaran. Salah satu solusi yang
ditawarkakan yakni SAE. SAE dilakukan dengan meminjam kakuatan dari
variabel-variabel penyerta yang memiliki hubungan dengan variabel yang diduga.
Salah satu metode dalam SAE yang dapat mengatasi dua efek yakni fixed effect dan
random effect adalah EBLUP.
Hukum pertama tentang geografi yang dicetuskan oleh Tobler (Tobler’s
first law of geography) dalam Waters (2017) yang merupakan pilar kajian analisis
data spasial mengatakan bahwa “everything is related to everything else, but near
things are more related than distant things”. Hukum ini membuat beberapa peneliti
mulai melakukan pengembangan metode EBLUP dengan memasukkan pengaruh
spasial ke dalam model yang dikenal dengan metode SEBLUP. Diharapkan dengan
pemilihan metode statistik yang tepat mampu menyajikan ketersediaan data hingga
level wilayah yang lebih kecil dan dapat digunakan oleh para stakeholder dalam
mengambil langkah yang lebih tepat sasaran sehingga permasalahan yang terjadi
dapat sesegera mungkin diselesaikan.
Berdasarkan rumusan masalah tersebut, dapat dituliskan beberapa
pertanyaan penelitian sebagai berikut
a. Bagaimana perbandingan signifikansi variabel-variabel penyerta (auxiliary
variable) hasil pendugaan tidak langsung dengan metode EBLUP FH dan
8
SEBLUP FH terhadap pendugaan rata-rata pengeluaran rumah tangga per
kapita level kecamatan di Provinsi Jawa Barat tahun 2018?
b. Bagaimana perbandingan hasil dari pendugaan langsung dan pendugaan tidak
langsung rata-rata pengeluaran rumah tangga per kapita level kecamatan di
Provinsi Jawa Barat tahun 2018?
c. Bagaimana sebaran rata-rata pengeluaran rumah tangga per kapita level
kecamatan di Provinsi Jawa Barat tahun 2018 hasil pendugaan terpilih?
1.3 Tujuan Penelitian
Berdasarkan permasalahan tersebut, tujuan dari penelitian ini adalah sebagai
berikut.
a. Menganalisa perbandingan signifikansi variabel-variabel penyerta (auxiliary
variable) hasil pendugaan tidak langsung dengan metode EBLUP dan
SEBLUP terhadap pendugaan rata-rata pengeluaran rumah tangga per kapita
level kecamatan di Provinsi Jawa Barat tahun 2018
b. Menganalisa perbandingan hasil dari pendugaan langsung dan pendugaan
tidak langsung rata-rata pengeluaran rumah tangga per kapita level kecamatan
di Provinsi Jawa Barat tahun 2018
c. Menganalisa sebaran rata-rata pengeluaran rumah tangga per kapita level
kecamatan di Provinsi Jawa Barat tahun 2018 hasil pendugaan terpilih
9
1.4 Sistematika Penulisan
Penelitian ini terdiri atas lima bab dimana setiap bab memiliki beberapa
subbab yang saling berkaitan. Bab-bab tersebut antara lain Pendahuluan, Kajian
Pustaka, Metodologi, Hasil dan Pembahasan serta Kesimpulan dan Saran.
Bab I yaitu pendahuluan berisi tentang latar belakang, identifikasi masalah,
tujuan penelitian, dan sistematika penulisan. Latar belakang menguraikan tentang
apa yang dijadikan dasar dilakukannya penelitian. Identifikasi masalah
menguraikan tentang masalah yang muncul dan batasan masalah yang akan diteliti.
Tujuan penelitian mencakup apa saja yang ingin dicapai dalam penelitian ini.
Sedangkan sistematika penulisan berisi tentang alur penulisan laporan penelitian
ini.
Selanjutnya adalah Bab II yakni Kajian Pustaka yang berisi tentang landasan
teori, penelitian terkait, kerangka pikir, dan hipotesis penelitian. Landasan teori
berisi teori-teori yang terkait dengan penelitian ini. Penelitian terkait berisi
penelitian-penelitian sebelumnya yang relevan dengan penelitian ini. Kerangka
pikir berisi diagram garis besar alur logika dalam penelitian ini dan hipotesis
penelitian berisi hipotesa yang diharapkan akan terjawab pada hasil penelitian ini.
Bab III memuat ruang lingkup penelitian, metode pengumpulan data, dan
metode analisis. Ruang lingkup penelitian menjelaskan tentang cakupan penelitian.
Sedangkan metode pengumpulan data dan metode analisis menjelaskan tentang
sumber data dan proses pengumpulan data serta jenis-jenis analisis dan tahapan-
tahapan yang digunakan dalam menjawab tujuan penelitian.
10
Hasil penelitian akan diuraikan dalam Bab IV yang memuat hasil pengolahan
data beserta pembahasan yang menjawab tujuan penelitian. Berdasarkan hasil
penelitian yang diuraikan dalam Bab IV, ditarik kesimpulan yang akan dimuat
dalam Bab V. Adapun saran dalam Bab V merupakan masukan-masukan yang
dapat diberikan berdasarkan kesimpulan yang diperoleh dari penelitian yang telah
dilakukan.
11
“…sengaja dikosongkan…”
12
BAB II
KAJIAN PUSTAKA
2.1 Landasan Teori
Konsep Pengeluaran
Menurut BPS, pengeluaran rata-rata per kapita adalah biaya yang
dikeluarkan untuk konsumsi semua anggota rumah tangga selama sebulan baik
yang berasal dari pembelian, pemberian maupun produksi sendiri dibagi dengan
banyaknya anggota rumah tangga dalam rumah tangga tersebut. Konsumsi rumah
tangga dibedakan atas konsumsi makanan maupun bukan makanan tanpa
memperhatikan asal barang dan terbatas pada pengeluaran untuk kebutuhan rumah
tangga saja, tidak termasuk konsumsi/pengeluaran untuk keperluan usaha atau yang
diberikan kepada pihak lain.
Pengeluaran untuk konsumsi makanan dihitung selama seminggu yang lalu,
sedangkan untuk bukan makanan dihitung selama sebulan dan 12 bulan yang lalu.
Baik konsumsi makanan maupun bukan makanan selanjutnya dikonversikan ke
dalam pengeluaran rata-rata sebulan. Angka-angka konsumsi/pengeluaran rata-rata
per kapita yang disajikan dalam publikasi ini diperoleh dari hasil bagi jumlah
konsumsi seluruh rumah tangga (baik mengonsumsi makanan maupun tidak)
terhadap jumlah penduduk.
Pengeluaran per kapita sebulan dapat dirumuskan sebagai berikut:
𝑡
𝑦= (1)
𝑞
13
Keterangan:
y = pengeluaran per kapita
t = pengeluaran rumah tangga sebulan
q = jumlah anggota rumah tangga
Plot Kuantil-kuantil (Quantile-Quantile Plot, QQ-Plot)
QQ-plot merupakan alat yang dapat digunakan untuk menjelaskan apakah
sebuah data memiliki distribusi normal. Menurut Johnson dan Wichern (2002), QQ-
plot dapat dibuat berdasarkan distribusi marginal sampel suatu variabel. Jika kedua
set kuantil berasal dari distribusi normal, maka titik-titik akan cenderung
membentuk garis yang lurus.
Pendekatan distribusi normal tidak hanya dilakukan dengan pengujian
secara formal. Beberapa peneliti telah melakukan penelitian guna menentukan nilai
skewness (kemencengan) dan kurtosis (keruncingan) sebagai batas toleransi suatu
data dapat dianggap normal. Beberapa diantaranya adalah Kline (2011) yang
mengatakan bahwa variabel dengan nilai absolut kemencengan lebih besar dari tiga
maka di deskripsikan sebagai sangat menceng (extremely skewed) oleh banyak
peneliti. Hanya sedikit konsensus yang membahas tentang keruncingan, beberapa
diantaranya berpendapat bahwa nilai absolut keruncingan lebih dari 10
menyebabkan masalah dan nilai absolut lebih besar dari 20 memberikan dampak
yang sangat serius.
Selain Kline, Jones (1969) dalam penelitiannya juga menyatakan bahwa jika
jumlah sampel sama dengan dua puluh lima, nilai Q3 diantara -0,88 hingga 0,88
menandakan bahwa populasi dimungkinkan simetris. Terlepas dari itu, Jiang (1996)
14
telah membuktikan bahwa estimasi komponen varians pada model linier campuran
dengan menggunakan metode REML akan menghasilkan estimasi yang konsisten
meskipun asumsi kenormalan ini tidak sepenuhnya terpenuhi.
Korelasi Pearson Product Moment (PPM)
Salah satu metode yang dapat digunakan untuk pengecekan
multikolinearitas adalah Korelasi Pearson Product Moment. Korelasi PPM
merupakan rasio kovarians dari dua variabel yang mewakili satu set data numerik
dan ternormalisasi oleh akar kuadrat dari varians kedua variabel tersebut. (Hall,
2015). Rumus dari korelasi PPM dapat dituliskan sebagai berikut.
𝐶𝑥𝑦 𝐶𝑥𝑦
𝑟𝑥𝑦 = = (2)
√𝐶𝑥𝑥 𝐶𝑦𝑦 𝜎𝑥 𝜎𝑦
Atau secara rinci, untuk satu set N dua dimensi titik data [𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑁 ]
dan [𝑦1 , 𝑦2 , 𝑦3 , … , 𝑦𝑁 ], didapatkan
1
𝐶𝑥𝑦 = ∑(𝑥𝑖 − 𝑥̅ )(𝑦𝑖 − 𝑦̅) (3)
𝑁−1
𝑖
1
𝐶𝑥𝑥 = 𝜎𝑥2 = ∑(𝑥𝑖 − 𝑥̅ ) (4)
𝑁−1
𝑖
1
𝐶𝑦𝑦 = 𝜎𝑦2 = ∑(𝑦𝑖 − 𝑦̅) (5)
𝑁−1
𝑖
Dimana
1 1
𝑥̅ = ∑ 𝑥𝑖 𝑦̅ = ∑ 𝑦𝑖
𝑁 𝑁
𝑖 𝑖
15
Keterangan:
𝐶𝑥𝑦 = kovarians x dan y 𝑦̅ = rata-rata y
𝜎𝑥 = varians x N = jumlah sampel populasi
𝜎𝑦 = varians y 𝑥𝑖 = observasi x ke i
𝑥̅ = rata-rata x 𝑦𝑖 = observasi y ke i
Gujarati dan Porter (2008) mengatakan bahwa apabila korelasi PPM
melebihi 0,8 maka dapat dikatakan bahwa terjadi multikolinearitas yang serius.
Dalam Laerd Statistics, Adam dan Mark (2018) mengatakan bahwa secara umum,
interpretasi dari Korelasi Pearson adalah sebagai berikut:
Tabel 1. Interpretasi Korelasi Pearson

Koefisien, r
Kekuatan Hubungan
Positif Negatif
(1) (2) (3)
Rendah 0,1 s.d. 0,3 -0,1 s.d. -0,3
Sedang 0,3 s.d. 0,5 -0,3 s.d. -0,5
Tinggi 0,5 s.d. 1,0 -0,5 s.d. -1,0
Variance Inflating Factor (VIF)
Selain Korelasi Pearson, metode yang umum digunakan dalam pengecekan
multikolinearitas adalah VIF. Rumus VIF adalah sebagai berikut:
1 1 (6)
𝑉𝐼𝐹𝑦 = = 2
𝑇𝑂𝐿𝑦 1 − 𝑟𝑥𝑦
Keterangan:
2
𝑟𝑥𝑦 = korelasi variabel x dan y
TOL = tolerance
16
Gujarati dan Porter (2008) mengatakan bahwa semakin tinggi nilai VIF
maka semakin besar kesalahan atau kolinear5 pada variabel x dan y. Bila VIF lebih
2
besar dari sepuluh, dimana 𝑟𝑥𝑦 > 0,90, maka suatu variabel dapat dikatakan
berkolinear sangat tinggi. TOL memiliki hubungan yang berbanding terbalik
dengan VIF. Semakin TOL mendekati nilai 0 maka variabel-variabel semakin
berkolinear dan sebaliknya.
Pendugaan Langsung (Direct Estimation)
Pelaksanaan survei berguna untuk menduga parameter populasi.
Pendekatan klasik yang digunakan didasarkan pada aplikasi model desain
penarikan sampel (design based) dan penduga yang dihasilkan dari pendekatan itu
disebut penduga langsung (direct estimation). Data hasil survei ini dapat digunakan
untuk mendapatkan penduga yang tepercaya baik dari total maupun rata-rata
populasi suatu area atau domain dengan jumlah sampel yang besar. Namun, jika
penduga langsung tersebut digunakan oleh area kecil maka akan menimbulkan
standard error yang besar (Gosh & Rao, 1994).
Rumus penduga langsung dapat dituliskan sebagai berikut.
𝑁𝑖
𝑌𝑖 = ∑ 𝑦𝑖𝑛 (7)
𝑛=1
5
Kolinear berarti bergantung secara linear (linearly dependent). Lebih lanjut mengenai topik ini,
lihat Damodar N. Gujarati dan Dawn C. Porter, “Basic Econometrics Fifth Edition” (2008): 190.
17
𝑌̂𝑖𝑑𝑖𝑟 = ∑ 𝑤𝑖𝑛 𝑦𝑖𝑛 (8)
̅𝑖
𝑛𝜖𝜔
Sehingga bila (6) dan (7) digabungkan menjadi
𝑌̂𝑖𝑑
𝑑𝑖𝑟
𝜃̂𝑖 = (9)
𝑁̂𝑖𝑑𝑖𝑟
Penduga langsung untuk transformasi logaritma adalah sebagai berikut
𝜃̂𝑖𝐷 = (𝑁𝑖𝑑𝑖𝑟 )−1 ∑ log⁡(𝑦𝑖𝑛 ) (10)

̅𝑖
𝑗𝜖𝜔
Mean Square Error (MSE) penduga langsung dapat dihitung sebagai berikut.
1
𝑀𝑆𝐸(𝜃̂𝑖 ) = ∑ 𝑤𝑖𝑛 (𝑤𝑖𝑛 − 1)(𝑦𝑖𝑛 − 𝑦̅𝑖 )2 (11)
̂ 𝑑𝑖𝑟 2
(𝑁𝑖 ) 𝑛𝜖𝜔𝑖
Dimana ̂𝑖𝑑𝑖𝑟 = ∑𝑛𝜖𝜔̅ 𝑤𝑖𝑛

𝑁
Keterangan:
𝑌𝑖𝑑 = Pendugaan total 𝑦𝑖𝑛 = y ke i pada data sampel
𝑤𝑖𝑛 = Penimbang sampel 𝜃̂𝑖 = Pendugaan rata-rata
Pendugaan Tidak Langsung (Indirect Estimation)
Penduga tidak langsung merupakan pendugaan pada suatu area dengan cara
menghubungkan informasi pada area tersebut dengan area lain melalui model yang
tepat dengan memanfaatkan informasi tambahan berupa variabel penyerta yang
terkait dengan variabel yang menjadi perhatian.
18
Penduga Area Kecil/Small Area Estimation (SAE)
Menurut Rao dan Molina (2015), model SAE dikelompokkan menjadi dua
jenis model dasar yaitu model dasar level area (basic area level model) dan model
dasar level unit (basic unit level model).
a. Model Berbasis Area Level (Basic Area Level Model)
Merupakan model yang didasarkan pada ketersediaan variabel penyerta
yang hanya ada untuk level area tertentu, misalkan xi = (x1i, x2i, …, xpi)T dengan
parameter yang akan diduga adalah 𝜃𝑖 yang diasumsikan mempunyai hubungan
dengan xi. Variabel penyerta tersebut digunakan untuk membangun model, yaitu:
𝜃𝑖 = 𝒙𝑻𝒊 𝜷 + 𝑧𝑖 𝒗𝒊 , 𝑖 = 1, … , 𝑚 (12)
Keterangan:
m = banyaknya area
𝑇
𝜷 = (𝛽1 , … , 𝛽𝑝 ) = vektor p × 1 koefisien regresi untuk variabel penyerta xi
𝑧𝑖 = konstanta positif yang diketahui
vi = vektor pengaruh acak area kecil (random effect area) yang
diasumsikan berdistribusi 𝑁(0, 𝜎𝑣2 ).⁡
Penduga 𝜃̂𝑖 dapat diketahui dengan mengasumsikan bahwa model penduga
langsung 𝜃̂𝑖 telah tersedia yaitu:
𝜃̂𝑖 = 𝜃𝑖 + 𝑒𝑖 , 𝑖 = 1, 2, … , 𝑚 (13)
dengan 𝑒𝑖 adalah sampling error yang diasumsikan 𝑒𝑖 ⁡~⁡𝑁(0, 𝜓𝑖 ⁡)⁡diketahui.
19
Jika model (1) dan (2) digabungkan maka akan menghasilkan persamaan
sebagai berikut.
𝜃̂𝑖 = 𝒙𝑻𝒊 𝜷 + 𝑧𝑖 𝒗𝒊 + 𝑒𝑖 , 𝑖 = 1, … , 𝑚 (14)
b. Model Berbasis Unit Level (Basic Unit Level Model)
Merupakan suatu model dimana data-data penyerta yang tersedia
bersesuaian secara individu dengan data respon, misal x i = (x1ij, x2ij, …, xpij)T,
sehingga dapat dibangun suatu model regresi sebagai berikut:
𝜃𝑖𝑗 = 𝒙𝑻𝒊𝒋 𝜷 + 𝒗𝒊 + 𝑒𝑖𝑗 (15)
dimana 𝑖 = 1, … , 𝑚⁡𝑑𝑎𝑛⁡𝑗 = 1, … , 𝑛𝑖 dengan j adalah banyaknya rumah tangga
pada area ke-i dengan 𝒗𝒊 ⁡~⁡𝑁(0, 𝜎𝑢2 ) dan 𝑒𝑖 ⁡~⁡𝑁(0, 𝜎𝜀2 ).
Model yang digunakan dalam tugas akhir ini adalah model berbasis area,
karena data penyerta yang digunakan merupakan data yang terdapat pada area
tertentu yaitu pada level area kecamatan.
EBLUP Fay-Herriot (EBLUP-FH)
Empirical Best Linear Unbiased Prediction-Fay Herriot (EBLUP-FH)
merupakan salah satu metode penduga parameter pada Linear Mixed Model
(LMM). Metode ini cocok untuk digunakan pada data kontinu dan kurang cocok
diguakan pada data biner atau cacahan. Model yang digunakan dalam model
berbasis area level yaitu:
(16)
𝜃̂𝑖 = 𝜃𝑖 + 𝑒𝑖 = 𝒙𝑻𝒊 𝜷 + 𝑧𝑖 𝒗𝒊 + 𝒆𝒊 , 𝑖 = 1, … , 𝑚
20
Keterangan:
̂
𝜽 = vektor acak dari variabel dependen
𝒙𝒊 = (𝑥𝑖1 , 𝑥𝑖2 , … , 𝑥𝑖𝑝 ) = matriks dari variabel penyerta (covariate)
𝜷 = vektor koefisien regresi
𝒛𝒊 = matriks desain dari variabel prediktor
𝒗𝒊 = vektor random effect area yang iid (𝒗𝒊 ~𝑖𝑖𝑑 𝑁(0, 𝜎𝑣2 ))
𝒆𝒊 = vektor random error (kesalahan penarikan sampel) yang
iid (𝒆𝒊 ~𝑖𝑖𝑑 𝑁(0, 𝜓𝑖 ))
Diasumsikan 𝒗𝒊 dan 𝒆𝒊 saling independen. Teknik penyelesaian dari
persamaan di atas dilakukan dengan asumsi 𝜎𝑣2 diketahui. Sehingga penduga BLUP
dari 𝜃𝑖 berdasarkan persamaan di atas adalah.
̃ + 𝛾𝑖 (𝜃̂𝑖 − 𝒙𝑻𝒊 𝜷
𝜃̂𝑖𝐵𝐿𝑈𝑃 = 𝒙𝑻𝒊 𝜷 ̃) (17)
̃
𝜃̂𝑖𝐵𝐿𝑈𝑃 = 𝛾𝑖 𝜃̂𝑖 + (1 − 𝛾𝑖 )𝒙𝑻𝒊 𝜷 (18)
𝜎2 𝒃𝟐
dengan 𝛾𝑖 = 𝜎2 𝒛𝑣𝟐 +𝜓
𝒊
𝑣 𝒊 𝑖
̃ diduga dengan Generalized Least Square (GLS), yaitu:

𝜷
̃ = (𝑿𝑻 𝑽−𝟏 𝑿)−𝟏 𝑿𝑻 𝑽−𝟏 𝜽

𝜷 ̂ (19)
Rao (2015) mengatakan bahwa setelah mendapatkan nilai dari penduga
BLUP, maka selanjutnya dilakukan pengukuran kebaikan penduga BLUP dengan
menghitung nilai Mean Square Error (MSE) dengan rumus sebagai berikut:
𝑀𝑆𝐸(𝜃̂𝑖𝐵𝐿𝑈𝑃 ) = 𝑔1𝑖 (𝜎𝑣2 ) + 𝑔2𝑖 (𝜎𝑣2 ) (20)
21
Keterangan:
𝜎𝑣2 ⁡𝜓𝑖
𝑔1𝑖 (𝜎𝑣2 ) = = 𝛾𝑖 𝜓𝑖
𝜓𝑖 + 𝜎𝑣2
𝑚 −1
𝑻
𝒙𝒊 𝒙𝑻𝒊
𝑔2𝑖 (𝜎𝑣2 ) = (1 − 2
𝜓𝑖 ) 𝒙𝒊 [∑ ] 𝑥𝑖
𝜓𝑖 + 𝜎𝑣2
𝑖=1
Teknik perhitungan di atas mengasumsikan diketahuinya komponen ragam
pengaruh acak dalam model campuran linear, padahal faktanya komponen ragam
ini tidak diketahui. Oleh karena itu, ragam pengaruh acak harus diduga terlebih
dahulu.
Beberapa metode pendugaan komponen varians pengaruh acak, dengan
menggunakan metode kemungkinan maksimum (maximum likelihood, ML), dan
metode kemungkinan maksimum terkendala (restricted maximum likelihood,
REML). Menurut Saei dan Chambers (2003), Prosedur ML mempunyai kekurangan
dalam mendapatkan estimasi untuk 𝜎𝑢2 , karena tidak mempertimbangkan hilangnya
̂ , sehingga estimasi varians

derajat bebas akibat mengestimasi 𝜷 dengan dengan 𝜷
̂ dalam model menjadi bias.

saat mengganti 𝜷 dengan 𝜷
Saei dan Chambers (2003) juga mengatakan bahwa kekurangan ini
mendorong penggunaan metode REML, dimana hilangnya derajat bebas
dipertimbangkan dalam metode REML dengan menggunakan data yang
ditransformasi. Dengan mengganti 𝜎𝑣2 dengan 𝜎̂𝑣2 menggunakan metode REML
maka diperoleh suatu penduga baru EBLUP, sebagai berikut.
̂
𝜃̂𝑖𝐸𝐵𝐿𝑈𝑃 = 𝛾̂𝑖 𝜃̂𝑖 + (1 − 𝛾̂𝑖 )𝒙𝑻𝒊 𝜷 (21)
22
Lalu, untuk mengukur kebaikan EBLUP digunakan rumus MSE sebagai berikut.
𝑀𝑆𝐸(𝜃̂𝑖𝐸𝐵𝐿𝑈𝑃 ) = 𝑔1𝑖 (𝜎̂𝑣2 ) + 𝑔2𝑖 (𝜎̂𝑣2 ) + 2𝑔3𝑖 (𝜎̂𝑣2 ) (22)
Keterangan:
𝜎̂𝑣2 ⁡𝜓𝑖
𝑔1𝑖 (𝜎̂𝑣2 ) = = 𝛾̂𝑖 𝜓𝑖
𝜓𝑖 + 𝜎̂𝑣2
𝑚 −1
𝒙𝒊 𝒙𝑻𝒊
𝑔2𝑖 (𝜎̂𝑣2 ) = (1 − 𝛾̂𝑖 )2 𝒙𝑻𝒊 [∑ ] 𝑥𝑖
𝜓𝑖 + 𝜎̂𝑣2
𝑖=1
̅ (𝜎̂𝑣2 )
𝑔3𝑖 (𝜎̂𝑣2 ) = 𝜓𝑖2 (𝜓𝑖 + 𝜎𝑣2 )−3 𝑽
𝑚
̅ (𝜎̂𝑣2 ) = 2𝑚−2 ∑(𝜓𝑖 + 𝜎̂𝑣2 )
𝑽
𝑖=1
̅ (𝜎̂𝑣2 ) = varians asimtot dari 𝜎̂𝑣2

𝑽
SEBLUP-Fay Herriot (SEBLUP-FH)
̂ = (𝜃̂̂1 , … , 𝜃̂𝑚 ), 𝑋 = (𝑥1𝑇 , … , 𝑥𝑚

Apabila didefinisikan vektor 𝜽 𝑇
), 𝑍 =
𝑑𝑖𝑎𝑔(𝑧1 , … , 𝑧𝑚 ), 𝑣 = (𝑣1 , … , 𝑣𝑚 )𝑇 ,dan 𝑒 = (𝑒1 , … , 𝑒𝑚 ). Sehingga terbentuk
matriks sebagai berikut.
̂ = 𝑿𝜷 + 𝒁𝒗 + 𝒆
𝜽 (23)
Model di atas masih mengasumsikan bahwa pengaruh acak area saling
bebas antar area satu dengan yang lainnya. Namun faktanya, penduga langsung
memiliki peluang untuk memiliki korelasi/ketergantungan spasial antar area.
Ketergantungan spasial yang terjadi akan semakin berkurang apabila jarak antar
observasi semakin bertambah. Hal ini sejalan dengan hukum pertama tentang
geografi yang dicetuskan oleh Tobler sebagai Tobler’s first law of geography
23
(Tobler yang diacu dalam Waters 2017) dan merupakan pilar kajian analisis data
spasial mengatakan bahwa “everything is related to everything else, but near things
are more related than distant things”
Beberapa peneliti telah mengembangkan model SAE, beberapa diantaranya
adalah Cressie (Cressie 1991 yang diacu dalam Rao 2015), dengan mengasumsikan
ketergantungan spasial mengikuti Conditional Autoregressive (CAR) model. Selain
Cressie, Chandra, Salvati dan Chamber (Candra, Salvati dan Chamber 2007 yang
diacu dalam Rao 2015), Petrucci dan Salvati (Petrucci dan Salvati 2006 yang diacu
dalam Rao 2015), Pratesi dan Salvati (Pratesi dan Salvati 2008 yang diacu dalam
Rao 2015) juga mengembangkan model SAE dengan mengasumsikan bahwa
ketergantungan spasial yang dimasukkan mengikuti Simultaneous Autoregressive
(Simultan otoregresif, SAR). Model SAR sendiri pertama kali diperkenalkan oleh
Anselin (1992) dimana vektor pengaruh acak area v memenuhi:
𝒗 = 𝜌𝑾𝒗 + 𝒖 (24)
Keterangan :
𝜌 : koefisien autoregresi spasial yang menunjukkan kekuatan hubungan
spasial antar pengaruh acak. Nilai 𝜌 memiliki rentang antara -1 sampai
dengan 1. Nilai positif menunjukkan suatu area dengan nilai parameter yang
tinggi cenderung dikelilingi oleh area lain dengan nilai parameter yang
tinggi pula, begitupun sebaliknya. (Savitz dan Rauduenbush, 2009)
W : matriks pembobot spasial yang menggambarkan struktur kedekatan antar
area dalam bentuk standarisasi baris (jumlah baris pada matriks W harus
sama dengan satu)
24
v : vektor pengaruh acak area
u : vektor kesalahan dari pengaruh acak area dengan rata-rata sama dengan 0
dan ragam 𝜎𝑢2 𝑰𝑚
Sehingga persamaan (22) dapat dituliskan kembali sebagai berikut.
𝒗 = (𝑰 − 𝜌𝑾)−1 𝒖 (25)
Dengan I adalah matriks identitas berukuran m × m. Rata-rata v adalah 0
dan matriks koragam (covarians) dari v dapat dihitung dengan
𝑮 = 𝜎𝑢2 [(𝑰 − 𝜌𝑾)(𝑰 − 𝜌𝑾𝑇 )]−1 (26)
Kemudian disubstitusikan ke persamaan (22) sehingga menghasilkan
̂ = 𝑿𝜷 + 𝒁(𝑰 − 𝜌𝑾)−1 𝒖 + 𝑒
𝜽 (27)
Matriks koragam dari 𝜃 dengan 𝑹 = 𝑑𝑖𝑎𝑔(𝜓𝑖 ) adalah:
𝑽 = 𝑹 + 𝒁𝑮𝒁𝑻 = 𝑑𝑖𝑎𝑔(𝜓𝑖 ) + 𝒁𝜎𝑢2 [(𝑰 − 𝜌𝑾)(𝑰 − 𝜌𝑾𝑻 )]−1 𝒁𝑇 (28)
Penduga spasial BLUP untuk parameter 𝜃𝑖 dengan 𝜎𝑣2 , 𝜓𝑖 , 𝑑𝑎𝑛⁡𝜌 diketahui adalah:
̂ + 𝒃𝑻𝒊 {𝜎𝑢2 (𝑰 − 𝜌𝑾)(𝑰 − 𝜌𝑾𝑻 )−1 }𝒁𝑻

𝜃̂𝑖 (𝜎𝑢2 , 𝜌) = 𝒙𝑻𝒊 𝜷
̂
× {𝑑𝑖𝑎𝑔(𝜓𝑖 ) + 𝒁𝜎𝑢2 [(𝑰 − 𝜌𝑾)(𝑰 − 𝜌̂𝑾𝑻 )]−1 𝒁𝑻 }−1 (𝜽 (29)
− 𝑿𝜷̂
Keterangan :
̂ = (𝑿𝑻 𝑽−𝟏 𝑿)−𝟏 𝑿𝑻 𝑽̂

𝜷 ̂
−𝟏 𝜽
𝒃𝑻𝒊 = vektor berukuran 1 × m (0, 0, 1, 0, …, 0) dengan nilai 1 menunjuk pada lokasi
ke-i.
25
Penduga Spasial BLUP diperoleh dengan memasukkann matriks koragam
pada persamaan (25) ke dalam penduga BLUP. Jika 𝜌 = 0 maka spasial BLUP akan
sama dengan BLUP.
Seperti halnya EBLUP, penduga SEBLUP (𝜎̂𝑖𝑠 (𝜎̂𝑢2 , 𝜌̂)) didapatkan dari
matriks kovarians yang dimasukkan pada persamaan (22). Bila 𝜌 bernilai nol, maka
spasial EBLUP memiliki nilai yang sama dengan EBLUP. Asumsi kenormalan
diperlukan dalam menduga 𝜎𝑢2 dan 𝜌 dengan menggunakan prosedur baik ML
maupun REML yakni dengan log likelihood (Saei dan Chambers 2003). Secara
singkat, rumus penduga SEBLUP dengan metode REML adalah sebagai berikut.
̂ + 𝒃𝑻𝒊 {𝜎̂𝑢2 (𝑰 − 𝜌̂𝑾)(𝑰 − 𝜌̂𝑾𝑻 )−1 }𝒁𝑻 × {𝑑𝑖𝑎𝑔(𝜓𝑖 )

𝜃̂𝑖𝑠 (𝜎̂𝑢2 , 𝜌̂) = 𝒙𝑻𝒊 𝜷 (30)
+ 𝒁𝜎̂𝑢2 [(𝑰 − 𝜌̂𝑾)(𝑰 − 𝜌̂𝑾𝑻 )]𝒁𝑻 }−1 (𝜽̂ − 𝑿𝜷̂)
Perhitungan MSE dari spasial EBLUP yakni sebagai berikut:
𝑀𝑆𝐸[𝜃̂𝑖𝑆 (𝜎𝑢2 , 𝜌) = 𝑔1𝑖 (𝜎𝑢2 , 𝜌) + 𝑔2𝑖 (𝜎𝑢2 , 𝜌) + 2𝑔3𝑖 (𝜎𝑢2 , 𝜌) (31)
Keterangan :
𝑔1𝑖 = 𝒃𝑻𝒊 {𝜎̂𝑢2 (𝑰 − 𝜌̂𝑾)(𝑰 − 𝜌̂𝑾𝑻 )−1 − 𝜎̂𝑢2 (𝑰 − 𝜌̂𝑾)(𝑰 − 𝜌̂𝑾𝑻 )−1 𝒁𝑻 × {𝑑𝑖𝑎𝑔(𝜓𝑖 )
+ 𝒁𝜎̂𝑢2 [(𝑰 − 𝜌̂𝑾)(𝑰 − 𝜌̂𝑾𝑻 )]−1 𝒁𝑻 }−1 𝒁𝜎̂𝑢2
× [(𝑰 − 𝜌̂𝑾)(𝑰 − 𝜌̂𝑾𝑇 )]−1 }𝒃𝑖
𝑔2𝑖 (𝜎̂𝑢2 , 𝜌̂) = (𝑥𝑖 − 𝒃𝑻𝒊 𝜎̂𝑢2 [(𝑰 − 𝜌̂𝑾)(𝑰 − 𝜌𝑾𝑇 )]−1 𝒁𝑇
× {𝑑𝑖𝑎𝑔(𝜎𝑖2 ) + 𝒁𝜎̂𝑢2 [(𝑰 − 𝜌̂𝑾)(𝑰 − 𝜌̂𝑾𝑇 )]−1 𝒁𝑻 }−1 𝑿)
× (𝑿𝑻 {𝑑𝑖𝑎𝑔(𝜓𝑖 ) + 𝒁𝜎̂𝑢2 [(𝑰 − 𝜌̂𝑾)(𝑰 − 𝜌̂𝑾𝑻 )]−1 𝒁𝑻 }𝑿)−1
× (𝒙𝒊 − 𝒃𝑻𝒊 𝜎̂𝑢2 [(𝑰 − 𝜌̂𝑾)(𝑰 − 𝜌̂𝑾𝑻 )]−1 𝒁𝑻
𝑇
× {𝑑𝑖𝑎𝑔(𝜓𝑖 ) + 𝒁𝜎̂𝑢2 [(𝑰 − 𝜌̂𝑾)(𝑰 − 𝜌̂𝑾𝑇 )]−1 𝒁𝑻 }−1 𝑿)
26
𝒃𝑻𝒊 (𝑪−𝟏 𝒁𝑻 𝑽−𝟏 + 𝜎̂𝑢2 𝑪−𝟏 𝒁𝑻 (−𝑽−𝟏 𝒁𝑪−𝟏 𝒁𝑻 𝑽−𝟏 ))
𝑔3𝑖 (𝜎𝑢2 , 𝜌̂) = 𝑡𝑟 {[ ]𝑽
𝒃𝑻𝒊 (𝑨𝒁𝑻 𝑽−𝟏 + 𝜎̂𝑢2 𝑪−𝟏 𝒁𝑻 (−𝑽−𝟏 𝒁𝑨𝑻 𝑽−𝟏 ))
𝒃𝑻𝒊 (𝑪−𝟏 𝒁𝑻 𝑽−𝟏 + 𝜎̂𝑢2 𝑪−𝟏 𝒁𝑻 (−𝑽−𝟏 𝒁𝑪−𝟏 𝒁𝑻 𝑽−𝟏 ))

×[ ̅ (𝜎̂𝑢2 , 𝜌̂)}
]𝑽
𝑻 𝑻 −𝟏 2 −𝟏 𝑻 −𝟏 𝑻 −𝟏
𝒃𝒊 (𝑨𝒁 𝑽 + 𝜎̂𝑢 𝑪 𝒁 (−𝑽 𝒁𝑨 𝑽 ))
dimana, 𝑨 = 𝜎̂𝑢2 [−𝑪−𝟏 (2𝜌̂𝑾𝑾𝑻 − 2𝑾)𝑪−𝟏 ] dan 𝑪 = (𝑰 − 𝜌̂𝑾)(𝑰 − 𝜌̂𝑾𝑻 )
Transformasi Logaritma EBLUP
Didefinisikan suatu transformasi logaritma dalam model campuran linier
sebagai berikut:
̂𝑖𝐿 = 𝒙𝑻𝒊 𝜷 + 𝑣𝑖 + 𝑒𝑖
𝜃 (32)
̂𝑖𝐿 = 1 ∑𝑗𝜖𝑠(𝑖) log⁡(𝑦𝑖𝑗 )

Dimana: 𝜃 𝑛 𝑖
Kesalahan penarikan sampel berdistribusi normal dengan 𝑒𝑖 ~𝑁(0, 𝜓𝑖 ),
pengaruh acak area juga memiliki distribusi normal dengan 𝑣𝑖 ~𝑁(0, 𝜎𝑣2 ). Bila
terdapat pengaruh spasial maka 𝑣 = (𝑣1 , … , 𝑣𝑚 )𝑇 menyebar MVN(0,G). Kurnia
(2009) menjelaskan bahwa bila mengikuti teori EBLUP baku, yaitu EBLUP dengan
nilai tengah (mean) dari log⁡(𝑦𝑖𝑗 ), maka penduga bagi 𝜃𝑖 dapat ditulis sebagai
berikut.
̂
𝜃̂𝑖𝐸𝐵𝐿𝑈𝑃∗ = 𝛾̂𝑖 𝜃̂𝑖𝐿 + (1 − 𝛾̂𝑖 )𝒙𝑻𝒊 𝜷 (33)
̂ diperoleh berdasarkan metode kuadrat kecil terboboti untuk parameter

dengan 𝜷
regresi 𝜷 dari model campuran linier dengan 𝛾̂𝑖 = 𝜎̂𝑣2 /(𝜓𝑖 + 𝜎̂𝑣2 ).
27
Karena yang diharapkan adalah penduga aktual untuk nilai tengah pada
setiap area ke-i, maka digunakan sifat sebaran lognormal untuk melakukan
transformasi balik dari model. Diasumsikan 𝜃̂𝑖𝐸𝐵𝐿𝑈𝑃∗ menyebar normal. Kurnia
(2009) merumuskan penduga aktual untuk nilai tengah atau penduga transformasi
logaritma EBLUP 𝜃̂𝑖𝐴𝐾−𝐸𝐵𝐿𝑈𝑃 untuk area ke-i sebagai berikut.
1
𝜃̂𝑖𝐴𝐾−𝐸𝐵𝐿𝑈𝑃 = exp (𝜃̂𝑖𝐸𝐵𝐿𝑈𝑃∗ + 𝑣̂𝑖𝐸𝐵𝐿𝑈𝑃∗ ) (34)
2
Kemudian penduga 𝑀𝑆𝐸(𝜃̂𝑖𝐴𝐾−𝐸𝐵𝐿𝑈𝑃 ) dapat dihitung sebagai berikut.
𝐸𝐵𝐿𝑈𝑃∗ 𝐸𝐵𝐿𝑈𝑃∗ ̂ 𝐸𝐵𝐿𝑈𝑃∗

𝑀𝑆𝐸(𝜃̂𝑖𝐴𝐾−𝐸𝐵𝐿𝑈𝑃 ) = 𝑒 𝑣̂𝑖 (𝑒 𝑣̂𝑖 − 1) 𝑒 2𝜃𝑖 (35)
Dimana 𝑣̂𝑖𝐸𝐵𝐿𝑈𝑃∗ merupakan MSE dari 𝜃̂𝑖𝐸𝐵𝐿𝑈𝑃∗ .
Transformasi Logaritma SEBLUP
Penduga bagi 𝜃𝑖 dapat ditulis sebagai berikut:
̂ + 𝒃𝑻𝒊 {𝜎
𝜃̂𝑖𝑆𝐸𝐵𝐿𝑈𝑃∗ = 𝒙𝑻𝒊 𝜷 ̂ 2 ̂𝑾)(𝑰 − 𝜌̂𝑾𝑻 )−1 }𝒁𝑻 × {𝑑𝑖𝑎𝑔(𝜎̂𝑖2 )
𝑢 (𝑰 − 𝜌
(36)
̂𝑳 − 𝑿𝜷
+ 𝒁𝜎̂𝑢2 [(𝑰 − 𝜌̂𝑾)(𝑰 − 𝜌̂𝑾𝑻 )]−1 (𝜽 ̂)
1
Dengan, (𝜽𝑳 )𝑇 : (𝜃1𝐿 , 𝜃2𝐿 , … , 𝜃𝑚
𝐿
) dan 𝜃1𝐿 = 𝑛 ∑𝑗∈𝑠(𝑖) log⁡(𝑦𝑖𝑗 ). Sama seperti pada
𝑖
EBLUP, pada SEBLUP ini diharapkan penduga aktual untuk nilai tengah atau
penduga transformasi logaritma EBLUP 𝜃̂𝑖𝐴𝐾−𝑆𝐸𝐵𝐿𝑈𝑃 pada setiap area ke-i,
sehingga diperoleh:
1
𝜃̂𝑖𝐴𝐾−𝑆𝐸𝐵𝐿𝑈𝑃 = exp (𝜃̂𝑖𝑆𝐸𝐵𝐿𝑈𝑃∗ + 𝑣̂𝑖𝑆𝐸𝐵𝐿𝑈𝑃∗ ) (37)
2
28
Kemudian penduga 𝑀𝑆𝐸(𝜃̂𝑖𝐴𝐾−𝐸𝐵𝐿𝑈𝑃 ) dapat dihitung sebagai berikut.
𝑆𝐸𝐵𝐿𝑈𝑃∗ 𝑆𝐸𝐵𝐿𝑈𝑃∗ ̂ 𝑆𝐸𝐵𝐿𝑈𝑃∗

𝑀𝑆𝐸(𝜃̂𝑖𝐴𝐾−𝑆𝐸𝐵𝐿𝑈𝑃 ) = 𝑒 𝑣̂𝑖 (𝑒 𝑣̂𝑖 − 1) 𝑒 2𝜃𝑖 (38)
Dimana 𝑣̂𝑖𝑆𝐸𝐵𝐿𝑈𝑃∗ merupakan MSE dari 𝜃̂𝑖𝑆𝐸𝐵𝐿𝑈𝑃∗ .
Matriks Pembobot Spasial (Continguity)
Matriks continguity atau matriks pembobot spasial adalah matriks yang
memperlihatkan hubungan spasial suatu lokasi dengan lokasi lainnya yang
berdekatan atau bertetanggaan. Dalam membuat susunan matriks continguity ini,
terdapat dua cara yakni matriks berbasis jarak dan matriks berbasis kedekatan.
a. Matriks berbasis jarak
Matriks ini menggunakan jarak antar lokasi sebagai dasar pemberian nilai
dalam matriks. Salah satu jenisnya adalah matriks longitude latitude.
b. Matriks berbasis kedekatan
Matriks ini dibuat berdasarkan kedekatan antar lokasi. Terdapat
pengkodean yang dilakukan yang dilakukan yakni nilai 0 dan 1, dengan 0 berarti
bukan tetangga dan 1 berarti tetangga.
i. Rook continguity
Matriks ini didefinisikan sebagai suatu lokasi i bertetangga dengan
lokasi j bila lokasi i bersinggungan sisi dengan lokasi j.
ii. Bishop continguity
lokasi j bila lokasi i bersinggungan titik/sudut dengan lokasi j.
29
iii. Queen continguity
lokasi j bila lokasi i bersinggungan sisi dan titik/sudut dengan lokasi j.
Rook Bishop Queen
0 1 0 1 0 1 1 1 1
1 i 1 0 i 0 1 i 1
0 1 0 1 0 1 1 1 1
(a) (b) (c)
Gambar 6 Ilustrasi matriks continguity tipe (a) Rook, (b) Bishop dan (c) Queen
Autokorelasi Moran
Koefisien Autokorelasi Moran merupakan pengembangan dari Korelasi
Pearson Product Moment (PPM). Dalam data spasial, asumsi awal yang digunakan
adalah observasi yang saling berdekatan akan cenderung sama bila dibandingkan
dengan observasi yang saling berjauhan. Oleh karena itu dirasa perlu penambahan
penimbang (weight) pada data yang akan diuji autokorelasi spasial. Penimbang ini
dikenal dengan neighbouring function.
Dengan memerhatikan jarak spasial antar observasi, maka rumus dari I
menjadi sebagai berikut:
𝑛 ∑𝑛𝑖=1 ∑𝑛𝑖=1 𝑤𝑖𝑗 (𝑣𝑖 − 𝑣̅ )(𝑣𝑗 − 𝑣̅ )

𝐼= × (39)
𝑆0 ∑𝑛𝑖=1(𝑣𝑖 − 𝑣̅ )2
30
Dimana 𝑤𝑖𝑗 merupakan penimbang spasial antara observasi 𝑦𝑖 dan 𝑦𝑗 serta 𝑆0
adalah jumlah dari seluruh 𝑤𝑖𝑗 .
Untuk mengetahui adanya autokorelasi spasial atau tidak, dilakukan uji
signifikansi Indeks Moran dengan hipotesis sebagai berikut.
H0 = I = 0 (tidak terdapat autokorelasi spasial)
H1 = I ≠ 0 (terdapat autokorelasi spasial)
Uji signifikansi dilakukan dengan pendekatan distribusi normal baku
sehingga menghasilkan Z(I).
𝐼0 − 𝐸(𝐼)
𝑧(𝐼) = ~𝑁(0,1) (40)
√𝑉(𝐼)
1
𝐸(𝐼) = − (41)
𝑁−1
𝑁𝑆4 − 𝑆3 𝑆5
𝑉𝑎𝑟(𝐼) = − [𝐸(𝐼)]2 (42)
(𝑁 − 1)(𝑁 − 2)(𝑁 − 3)𝑊 2
Keterangan
1 𝑁 −1 ∑𝑖(𝑣𝑖 − 𝑣̅ )4
𝑆1 = ∑ ∑(𝑤𝑖𝑗 + 𝑤𝑗𝑖 )2 𝑆3 =
2 (𝑁 −1 ∑𝑖 (𝑣𝑖 − 𝑣̅ )2 )2
𝑖 𝑗
2 𝑆4 = (𝑁 2 − 3𝑁 + 3)𝑆1 − 𝑁𝑆2 + 3𝑊 2
𝑆2 = ∑ (∑ 𝑤𝑖𝑗 + ∑ 𝑤𝑗𝑖 ) 𝑆5 = (𝑁 2 − 𝑁)𝑆1 − 2𝑁𝑆2 + 6𝑊 2
𝑖 𝑗 𝑗
Tingkat signifikansi yang digunakan dalam penelitian ini adalah 5 persen,
sehingga hipotesis nol ditolak bila |𝑍ℎ𝑖𝑡𝑢𝑛𝑔 | > 𝑍𝛼 , Nilai 𝑍𝛼 mengikuti normal
2 2
standar.
31
Reduksi Variabel (Variables Reduction)
John Neter (1989) mengatakan bahwa terkadang dalam kasus tertentu, suatu
variabel bisa diduga dari empat puluh bahkan enam puluh lebih variabel penyerta
yang potensial. Namun hal ini tentu memiliki kelemahan yakni tingginya biaya
pengumpulan data dan pembentukan model, adanya asumsi non-multikolinearitas
yang harus terpenuhi, dan tantangan dalam menghasilkan pendugaan parameter
yang presisi. Oleh karena itu, beliau menjelaskan bahwa pemilihan variabel penting
untuk dilakukan. Pemilihan variabel melalui eliminasi model (elimination model)
dapat dilakukan dengan tiga cara yakni forward stepwise regression, forward
selection, dan backward elimination.
Mantel (Mantel yang diacu dalam Neter 1989) menjelaskan, bahwa banyak
ahli statistik yang mengatakan bahwa untuk ukuran variabel penyerta yang kecil
(small) hingga menengah (moderate) berpendapat bahwa backward elimination
lebih baik daripada forward selection. Hal ini dikarenakan bahwa lebih baik melihat
keseluruhan variabel secara penuh (pool) apakah sudah sesuai (adjusted) terhadap
keseluruhan variabel penyerta atau tidak.
Langkah-langkah dalam backward elimination adalah sebagai berikut:
1. Pertama, masukkan semua variabel penyerta yang potensial ke dalam model.
2. Identifikasi yang manakah model yang memiliki nilai F terkecil, p-value
terbesar dan apabila dihilangkan tidak memberikan perubahan yang berarti
pada R2.
𝑀𝑆𝑅(𝑋1 |𝑋2, … 𝑋𝑝−1 )

𝐹𝑖∗ = (43)
𝑀𝑆𝐸(𝑋1 , … , 𝑋𝑝−1 )
32
3. Lakukan langkah ke-2 secara berulang hingga model telah memiliki nilai 𝐹𝑖∗
paling besar dibandingkan dengan model lainnya dan jumlah variabel telah
sesuai dengan jumlah ideal yang diinginkan.
Uji Parsial (Partial Test)
H0 : 𝜷𝒊 = 0 (variabel independen ke-i secara parsial tidak berpengaruh secara
signifikan terhadap variabel dependen)
H1 : 𝜷𝒊 ≠ 0 (variabel independen ke-i secara parsial berpengaruh secara
signifikan terhadap variabel dependen)
Rumus uji parsial adalah sebagai berikut:
𝛽𝑖
𝑡∗ = (44)
𝑠{𝛽𝑖 }
Hipotesis nol ditolak pada tingkat signifikansi α jika dengan |𝑡ℎ𝑖𝑡 | > 𝑡𝛼;(𝑚−𝑝) .
2
Penduga Sintetik (Synthetic Estimation)
Menurut Gonzales dalam Rao (2003), penaksir sintetik adalah penaksir tak
bias pada area besar yang digunakan untuk menurunkan atau mendapatkan penduga
tidak langsung pada area kecil dengan asumsi area kecil tersebut memiliki
karakteristik yang sama dengan area besar.
Model dasar dari penduga sintetik yaitu:
𝜃𝑖 = 𝒙𝑻𝒊 𝜷 + 𝒆𝒊 (45)
33
Keterangan :
𝜃𝑖 : nilai variabel teramati pada unit ke-j dalam area kecil ke-i
𝒙𝒊 : vektor variabel penyerta dengan ukuran 1 x p
𝜷 : vektor koefisien regresi dengan ukuran p x 1
𝒆𝒊 : error term yang diasumsikan berdistribusi normal (⁡𝑒𝑖𝑗 ⁡~⁡𝑁(0, 𝜎𝑣2 ))
Berdasarkan model tersebut, penduga sintetik untuk area yang tidak ada
sampel yaitu
̂0 + 𝛽
𝜃̂𝑖 = 𝑿𝑻𝒊 𝜷 = 𝛽 ̂1 𝑋𝑖1 + ⋯ + 𝛽
̂𝑝 𝑋𝑖𝑝 (46)
Sementara rumus MSE penduga sintetik adalah:
𝑛
𝑠𝑦𝑛 ̂ ) = ∑ 𝑿𝟐𝒑𝒊 𝑉𝑎𝑟(𝜷
̂ 𝒑𝒊 )
𝑀𝑆𝐸(𝜃̂𝑖 ) = 𝑉𝑎𝑟(𝑿𝑻𝒊 𝜷 (47)
𝑝=0
Indeks i merupakan indeks untuk melambangkan wilayah yang diduga nilai dari
variabel yang teramati dan p adalah indeks dari variabel penyerta yang digunakan.
Relative Root Mean Square Error (RRMSE)
RRMSE adalah salah satu ukuran dari variabilitas yang berhubungan
dengan hasil penduga baik penduga secara direct estimation maupun indirect.
Perhitungan RRMSE dari penduga dilihat berdasarkan nilai dari standard error
(Rao dan Maulina, 2015). Rumus dari RRMSE yakni:
√𝑀𝑆𝐸(𝜃̂𝑖 )
(48)
𝑅𝑅𝑀𝑆𝐸(𝜃̂𝑖 ) = × 100
𝜃̂𝑖
34
2.2 Penelitian Terkait
Di Indonesia penelitian yang menggunakan model EBLUP dan SEBLUP
Fay Herriot telah banyak dilakukan. Di antara peneliti tersebut yakni Amaliana dan
Lestari (2017) dalam Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika
dan Nilai-Nilai Islami) Vol 1 No 1 yang berjudul “Penerapan Metode EBLUP pada
model Fay-Herriot SAE.” Hasil penelitian menunjukkan bahwa persentase ruta
bergantung pertanian, jumlah penerima askeskin, pengguna listrik PLN, jumlah
SD-SMP-SMA-PT, keluarga tinggal di permukiman kumuh, pemilik SKTM,
lembaga pendidikan dan keterampilan, serta TKI berpengaruh signifikan dalam
menduga pengeluaran per kapita secara tidak langsung di Kabupaten Jember dan
hasil pendugaan EBLUP lebih baik dibandingkan dengan hasil pendugaan
langsung.
Selanjutnya, Zainuddin (2016) dalam thesis yang berjudul “Kajian
Transformasi Logaritma untuk Penduga Spatial Empirical Best Linear Unbiased
Prediction pada Pendugaan Area Kecil.” Hasil penelitian menunjukkan bahwa
jumlah desa dengan sumber mata pencaharian utama penduduk adalah pertanian
berpengaruh signifikan dalam menduga pengeluaran per kapita secara tidak
langsung di Kota Bogor dan Kabupaten Bogor.
Selain penelitian Amaliana dan Zainuddin, Nurriza (2018) dalam skripsi
yang berjudul “Penerapan Metode Fay-Herriot Multivariat pada SAE”
menggunakan pendekatan multivariat dalam menduga pengeluaran rumah tangga
per kapita makanan dan non-makanan. Hasil penelitian ini menunjukkan bahwa
pengguna Listrik non PLN, permukiman bantaran sungai, TKI, SD, SMK, PT,
puskesmas pembantu, poliklinik, tempat praktik dokter, polindes, posyandu, IMK,
35
restoran, dan penginapan berpengaruh secara signifikan dalam memberikan
pendugaan langsung pengeluaran per kapita makanan. Sedangkan variabel
pengguna PLN, pengguna non PLN, TKI, SD, puskesmas tanpa rawat inap,
puskesmas pembantu, poliklinik, tempat praktik dokter, tempat praktik bidan,
polindes, posyandu, apotek, restoran berpengaruh secara signifikan dalam menduga
pengeluaran per kapita secara tidak langsung di Indonesia.
Selanjutnya, untuk pemilihan variabel penyerta, peneliti mengambil
beberapa penelitian terkait sebagai acuan. Pertama, penelitian yang dilakukan oleh
Fausi dan Sutikno. (2011) dalam skripsi dengan judul “SAE terhadap Pengeluaran
per Kapita di Kabupaten Sumenep dengan Metode Empirical Bayes.” Hasil
penelitian ini menunjukkan bahwa Persentase penduduk kerja di pertanian, jumlah
anggota ruta, persentase keluarga miskin, jumlah penduduk sedang sekolah, jumlah
pengguna PLN, kepadatan penduduk berpengaruh secara signifikan dalam
menduga pengeluaran per kapita di Kabupaten Sumenep.
Kedua, penelitian yang dilakukan oleh Satriya (2016) dalam Jurnal
Universitas Muhammadiyah Semarang (UNIMUS) dengan judul “SAE
Pengeluaran per Kapita di Kabupaten Bangkalan dengan Metode Hierarchical
Bayes.” Hasil penelitian ini menunjukkan bahwa Persentase penduduk kerja di
pertanian, jumlah anggota ruta, persentase ruta miskin, jumlah penduduk sedang
sekolah, pelanggan listrik PLN, kepadatan penduduk berpengaruh secara signifikan
dalam menduga pengeluaran per kapita di Kabupaten Bangkalan.
36
2.3 Kerangka Pikir
Penelitian ini diawali dengan melakukan pendugaan langsung terhadap
pengeluaran rumah tangga per kapita Provinsi Jawa Barat pada level kecamatan.
Hasil pendugaan langsung kemudian digunakan untuk melakukan pendugaan tidak
langsung yakni dengan menggunakan metode EBLUP FH dan SEBLUP FH area
level model. Variabel penyerta yang digunakan dalam penelitian ini, diambil dari
variabel-variabel yang digunakan dalam penelitian-penelitian terkait kemudian
dikelompokkan ke dalam tujuh kelompok variabel dengan rincian sebagai berikut:
a. Energi e. Sarana Kesehatan
b. Perumahan Bantaran Sungai f. Sarana Ekonomi
dan Permukiman kumuh (Perdagangan)
c. Sarana Pendidikan g. Sarana Ekonomi
d. Jenis Pekerjaan (Inklusivitas Keuangan)
Penjabaran dari kelompok-kelompok variabel di atas dapat dilihat lebih lanjut pada
Lampiran 1.
Setelah melakukan pendugaan langsung dan pendugaan tidak langsung,
dilakukan evaluasi dan pemilihan metode terbaik berdasarkan nilai RRMSE
terkecil. Hasil pendugaan dengan metode terpilih kemudian dipetakan dan
dilakukan analisis lebih lanjut. Secara ringkas, kerangka penelitian dapat
dirangkum dalam Gambar 7.
37
Gambar 7. Kerangka penelitian
2.4 Hipotesis Penelitian
Hipotesis yang diajukan dalam penelitian ini adalah:
1. Variabel-variabel yang merupakan penjabaran dari tujuh kelompok variabel
yang telah dijelaskan di atas berpengaruh secara signifikan dalam pendugaan
tidak langsung pengeluaran rata-rata rumah tangga per kapita level kecamatan
di Provinsi Jawa Barat tahun 2018.
2. Pendugaan tidak langsung pengeluaran rata-rata rumah tanga per kapita
dengan metode SEBLUP FH akan menghasilkan nilai MSE dan RRMSE
yang lebih kecil (lebih presisi) bila dibandingkan dengan pendugaan langsung
dan pendugaan EBLUP FH.
38
3. Baik hasil pendugaan langsung maupun tidak langsung, pengeluaran per
kapita level kecamatan akan sangat variatif dan tinggi di daerah sekitar Ibu
Kota Negara dan Ibu Kota Provinsi.
39
40
BAB III
METODOLOGI
3.1 Ruang Lingkup Penelitian
Ruang lingkup dalam penelitian ini adalah Provinsi Jawa Barat pada tahun
2018. Periode dan lokus penelitian ini dipilih karena merupakan kondisi gambaran
terakhir dari wilayah tersebut. Dalam penelitian ini, metode yang digunakan dalam
melakukan pendugaan rata-rata pengeluaran rumah tangga per kapita level
kecamatan di Provinsi Jawa Barat adalah SAE. Metode ini digunakan karena
kemampuannya dalam mengestimasi wilayah yang lebih sempit yakni desa dengan
menggunakan variabel penyerta.
Penelitian ini melibatkan 1878 rumah tangga yang tercakup pada Survei
Sosial Ekonomi Nasional (SUSENAS) Maret 2018 yang tersebar di 608 kecamatan
dari total 627 kecamatan yang ada di Provinsi Jawa Barat dan menggunakan data
Potensi Desa (PODES) 2018 sebanyak 5.957 desa yang tersebar di 627 kecamatan
yang berada di Provinsi Jawa Barat. Pembuatan estimasi small area ini
menggunakan 44 usulan variabel penyerta.
3.2 Metode Pengumpulan Data
Data yang digunakan dalam pendugaan rata-rata pengeluaran rumah tangga
per kapita level kecamatan di Jawa Barat tahun 2018 adalah data sekunder berupa
raw data yang didapatkan dari BPS melalui pendataan Susenas serta Podes tahun
2018.
41
Survei Sosial Ekonomi Nasional (SUSENAS)
Susenas merupakan survei yang dilaksanakan oleh Badan Pusat Statistik
sejak tahun 1963. Tipe pengumpulan data yang digunakan adalah cross sectional
dan longitudinal/berkala dilakukan setiap Bulan Maret dan September setiap
tahunnya. Jenis rancangan sampel yang digunakan yakni multistage/phase6 dengan
Probability Proportional to Size (PPS) sampling.
Susenas selain mengumpulkan data kor (keterangan pokok) juga
mengumpulkan data modul (keterangan khusus) yang terdiri atas modul konsumsi
dan pengeluaran, modul pendidikan dan sosial budaya, serta modul perumahan dan
kesehatan. Adanya Riset Kesehatan Dasar (RISKESDAS) yang diselenggarakan
oleh Departemen Kesehatan setiap 5 s.d. 6 tahun sekali membuat Susenas yang
dilaksanakan di tahun yang sama dengan pelaksanaan riskesdas memfokuskan
modul perumahan dan kesehatan kepada perumahan saja.
Namun berbeda dari tahun sebelumnya, pada pelaksanaan Susenas 2018 ini,
BPS dan Departemen Kesehatan melakukan kerjasama untuk mengintegrasikan
Susenas Bulan Maret dengan Riskesdas Bulan April. Survey yang terintegrasi ini
mencakup tiga ratus ribu rumah tangga sampel yang tersebar di seluruh provinsi di
Indonesia.
6
Multi stage adalah metode pengambilan sampel melalui dua tahap atau lebih dimana metode
tiap tahapnya bisa berbeda. Baik digunakan bila populasi secara geografis tersebar dan tidak ada
informasi untuk menyusun kerangka sampel.
42
Potensi Desa (PODES)
Podes dilaksanakan sejak tahun 1980. Pengumpulan data Podes dilakukan
sebanyak tiga kali dalam kurun waktu 10 tahun. Sebagai bagian dari siklus 10
tahunan kegiatan sensus yang dilakukan oleh BPS, podes dilakukan 2 tahun
sebelum pelaksanaan sensus untuk mendukung kelancaran pelaksanaan sensus.
Pada tahun berakhiran ‘1’, pendataan Podes dilaksanakan untuk mendukung Sensus
Pertanian yaitu identifikasi wilayah konsentrasi usaha pertanian menurut sektor dan
subsektor. Pada tahun berakhiran ‘4’, Podes dilaksanakan untuk mendukung Sensus
Ekonomi dalam rangka identifikasi usaha menurut sektor dan subsektor. Pada tahun
berakhiran ‘8’, Podes dilaksanakan untuk mendukung Sensus Penduduk yaitu untuk
identifikasi wilayah permukiman baru.
Podes sendiri terdiri atas 3 jenis kuesioner, yaitu kuesioner desa, kuesioner
kecamatan dan kuesioner kabupaten/kota. Data yang dikumpulkan juga terbagi
menjadi dua yaitu data kor dan modul. Pertanyaan kor diharapkan muncul pada
setiap pelaksanaan Podes yang memuat data terkait infrastruktur, sumber daya
alam, kejadian bencana, kelembagaan desa, dan sebagainya. Sebagian besar
pertanyaan kor di Podes 2018 telah tersedia dan dapat dipergunakan bagi Sensus
Ekonomi, sehingga tidak diperlukan lagi pertanyaan yang dikhususkan sebagai
modul begitu juga pertanyaan modul, sebagian ada di beberapa pertanyaan kor di
Podes 2018 dan sebagian lagi ada dikhususkan sebagai modul yang dapat
dipergunakan bagi Sensus Penduduk 2020.
Sesuai tujuan penelitian, variabel-variabel yang akan digunakan harus
tersedia pada level kecamatan. Secara lengkap, variabel-variabel yang digunakan
pada penelitian ini disajikan pada Lampiran 1. Namun secara ringkas, variabel-
43
variabel yang signifikan ada di dalam model yang tertera pada Bab IV dirangkum
dalam tabel di bawah ini.
Tabel. 2. Variabel-variabel yang digunakan dalam penelitian=

Notasi
No Data Sumber
Variabel
(1) (2) (3) (5)
SUSENAS
1 Y Pengeluaran rumah tangga per kapita
Maret 2018
Jumlah keluarga pengguna listrik (PLN dan Non
2 Listrik PODES 2018
PLN)
3 SD Jumlah SD/MI PODES 2018
4 SMA Jumlah SMU/MA PODES 2018
5 PT Jumlah akademi/Perguruan Tinggi PODES 2018
6 Tani Jumlah keluarga pertanian PODES 2018
Jumlah Industri Mikro Kecil (IMK) barang dari
7 Kayu PODES 2018
kayu
8 Puskesmas Jumlah puskesmas dengan rawat inap PODES 2018
9 Poliklinik Jumlah poliklinik/ balai pengobatan PODES 2018
10 Dokter Jumlah tempat praktik dokter PODES 2018
11 Bidan Jumlah tempat praktik bidan PODES 2018
12 Poskesdes Jumlah poskesdes (pos kesehatan desa) PODES 2018
13 Polindes Jumlah polindes (pondok bersalin desa) PODES 2018
14 Minimarket Jumlah minimarket/swalayan PODES 2018
15 BUP Jumlah Bank Umum Pemerintah PODES 2018
Definisi Operasional Variabel
1. Pengeluaran rumah tangga per kapita level kecamatan adalah biaya yang
dikeluarkan untuk konsumsi semua anggota rumah tangga selama sebulan
dibagi dengan banyaknya anggota rumah tangga yang dilakukan pendugaan
secara langsung rata-ratanya pada level kecamatan.
2. Jumlah keluarga pengguna listrik adalah jumlah keluarga pengguna listrik
baik PLN maupun non-PLN.
3. Jumlah lembaga pendidikan SD/MI merupakan jumlah Sekolah Dasar,
Madrasah Aliyah, baik negeri maupun swasta.
44
4. Jumlah SMU/MA merupakan jumlah Sekolah Menengah Umum, Madrasah
Aliyah (MA), baik negeri maupun swasta.
5. Jumlah Akademi/Perguruan Tinggi merupakan jumlah Akademi, Politeknik,
Sekolah Tinggi, Institut dan Universitas, baik negeri maupun swasta.
6. Jumlah keluarga pertanian adalah jumlah keluarga yang sekurang-kurangnya
ada satu anggota keluarga yang mengusahakan produk pertanian
(menanggung risiko sendiri) dengan tujuan sebagian/ seluruh dijual atau
memperoleh pendapatan/keuntungan.
7. Jumlah industri dari kayu adalah jumlah industri yang bahan baku utamanya
berasal dari kayu dan sejenisnya, misalnya industri pembuatan
meubel/furnitur, mainan dari kayu, lantai dari kayu, dsb. Ukiran tidak
termasuk barang industri dari kayu karena termasuk barang seni.
8. Jumlah puskesmas dengan rawat inap adalah jumlah unit pelayanan kesehatan
milik pemerintah (pelaksana teknis dinas kesehatan kabupaten/kota) yang
bertanggung jawab terhadap pelayanan kesehatan masyarakat untuk wilayah
kecamatan, sebagian kecamatan, atau kelurahan/desa dan memberikan
pelayanan rawat inap.
9. Jumlah poliklinik adalah jumlah sarana kesehatan/bangunan yang dipakai
untuk pelayanan berobat jalan. Biasanya dikelola oleh swasta atau organisasi
keagamaan tertentu.
10. Jumlah tempat praktik dokter adalah jumlah sarana kesehatan/ bangunan yang
digunakan untuk tempat praktek dokter yang biasanya memberikan
pelayanan berobat jalan, termasuk praktek dokter yang mempunyai fasilitas
rawat inap dan apotek.
45
11. Jumlah tempat praktek bidan adalah jumlah sarana kesehatan/bangunan yang
digunakan untuk tempat praktek bidan yang biasanya memberikan pelayanan
ibu hamil dan bayi.
12. Jumlah Pos Kesehatan Desa (Poskesdes) atau lebih sering dikenal sebagai
PKD di beberapa wilayah merupakan jumlah sarana kesehatan/bangunan
yang dibentuk di desa/kelurahan dalam rangka mendekatkan/menyediakan
pelayanan kesehatan dasar bagi masyarakat desa/kelurahan.
13. Jumlah Pondok Bersalin Desa (Polindes) adalah jumlah bangunan yang
dibangun dengan sumbangan dana pemerintah dan partisipasi masyarakat
desa untuk tempat pertolongan persalinan dan pemondokan ibu bersalin,
sekaligus tempat tinggal bidan di desa.
14. Jumlah minimarket/swalayan adalah jumlah sistem pelayanan mandiri,
menjual berbagai jenis barang secara eceran, dan semua barang memiliki
label harga, dengan luas bangunan kurang dari 400 m2.
15. Jumlah Bank Umum Pemerintah adalah jumlah Bank Rakyat Indonesia
(BRI), Bank Negara Indonesia (BNI), Bank Mandiri, dan Bank Pembangunan
Daerah.
3.3 Metode Analisis Data
Teknik analisis data yang digunakan dalam penelitian ini meliputi analisis
deskriptif dan analisis inferensia dengan menggunakan bantuan aplikasi MS. Excel
2016, R version 3.5.0., SPSS 20, dan Arc. Map 10.2.
46
A. Analisis Deskriptif
Analisis deskriptif adalah metode-metode yang berkaitan dengan
pengumpulan dan penyajian suatu gugus data sehingga memberikan informasi yang
berguna (R.E. Walpole, 2015). Dalam penelitian ini, analisis deskriptif yang
digunakan adalah gambar dan tabel menggunakan Ms. Excel 2016 dan Arc. Map
10.2.
B. Analisis Inferensia
Analisis inferensia adalah semua metode yang berhubungan dengan analisis
sebagian data untuk kemudian sampai kepada peramalan atau penarikan
kesimpulan mengenai keseluruhan gugus data induknya (R.E. Walpole, 2015).
Teknik analisis inferensia yang digunakan dalam penelitian ini adalah Small Area
Estimation (SAE).
Small Area Estimation merupakan metode menghasilkan estimasi parameter
yang dapat diandalkan untuk subpopulasi (area atau domain) populasi terbatas yang
sampelnya tidak memadai atau tidak tersedia sampel. Istilah area kecil biasanya
menandakan suatu area geografis kecil. Suatu area disebut kecil apabila sampel
yang diambil tidak mencukupi untuk melakukan pendugaan langsung dengan hasil
dugaan yang akurat (Rao dan Molina, 2015).
Langkah-langkah pembuatan analisis inferensia dapat dirinci sebagai berikut.
1. Melakukan direct estimation rata-rata pengeluaran rumah tangga per
kapita level kecamatan beserta perhitungan MSE dengan menggunakan
bantuan SPSS 20.
2. Pengujian normalitas terhadap hasil estimasi menggunakan R version
3.5.0. Bila tidak normal maka dilakukan transformasi data.
47
3. Menentukan auxiliary variable apa saja yang sesuai untuk
mengestimasi pengeluaran per kapita di Provinsi Jawa Barat. Pemilihan
auxiliary variable tersebut dilakukan dengan menggunakan Korelasi
Pearson dan VIF dengan cara mengeliminasi variabel yang akan
dimasukkan ke dalam model. Langkah ini dilakukan dengan
menggunakan bantuan SPSS 20.
4. Melakukan indirect estimation yakni Small Area Estimation dengan
EBLUP FH menggunakan auxiliary variabel terpilih dengan bantuan R
version 3.5.0. Package rsae.
5. Menghitung MSE dan RRMSE dari estimasi yang dihasilkan. Langkah
ini dilakukan masih dengan bantuan R version 3.5.0. Package rsae.
6. Menghitung dan menguji normalias pada random effects. Langkah ini
dilakukan dengan bantuan R version 3.5.0.
7. Pengujian adanya autokorelasi spasial random effect area
menggunakan uji Moran’s I dengan bantuan R version 3.5.0. Package
spdep. Bila terdapat autokorelasi spasial maka mengulangi langkah tiga
hingga enam dengan metode SEBLUP FH.
8. Pemilihan penduga terbaik antara hasil pendugaan langsung, EBLUP
FH dan SEBLUP FH dengan membandingkan nilai RRMSE ketiganya.
9. Apabila langkah dua melewati proses transformasi maka dilakukan
transformasi balik. Langkah ini juga dilakukan dengan bantuan R
version 3.5.0.
10. Melakukan pendugaan sintetik terhadap kecamatan-kecamatan yang
tidak terkena sampel dengan bantuan R version 3.5.0.
48
11. Pembuatan peta pengeluaran per kapita Provinsi Jawa Barat
menggunakan Arc. Map 10.2.
12. Melakukan analisis peta tematik.
Untuk memperjelas, langkah-langkah penelitian di atas digambarkan dalam
flowchart pada Gambar 8.
Gambar 8. Flowchart alur penelitian
49
50
BAB IV
HASIL DAN PEMBAHASAN
Gambaran Umum Provinsi Jawa Barat
Provinsi Jawa Barat merupakan provinsi yang berada di pulau jawa, terletak
pada koordinat 5o50’ – 7o50’ Lintang Selatan dan 104o48’ – 108o48’ Bujur Timur.
Luas wilayah Provinsi Jawa Barat kurang lebih 35 ribu kilometer dan terdiri atas
wilayah administratif dengan delapan belas kabupaten dan sembilan kota. Batas
wilayah Provisi Jawa Barat secara administratif adalah:
1. Sebelah utara berbatasan dengan Laut Jawa dan Provinsi DKI Jakarta
2. Sebelah selatan berbatasan dengan Samudera Hindia
3. Sebelah timur berbatasan dengan Jawa Tengah
4. Sebelah barat berbatasan dengan Provinsi Banten
Pada tahun 2018, Provinsi Jawa Barat memiliki pangsa perekonomian yang
tinggi yakni sebesar 13,09%, bahkan menjadi penopang utama perekonomian
nasional setelah Provinsi DKI Jakarta sebesar 17,34% dan Jawa Timur sebesar
13,01%. Namun, provinsi ini ternyata memiliki koefisien gini rasio tertinggi ketiga
setelah DI Yogyakarta (0,422) dan Gorontalo (0,417) yakni sebesar 0,405. Hal ini
menjadi indikasi awal bahwa manfaat dari pertumbuhan ekonomi yang tinggi di
provinsi tersebut belum dirasakan secara merata atau belum inklusif.
Pengeluaran per kapita di Jawa Barat juga menunjukkan nilai yang relatif
stabil dan bersifat menengah (moderate). Pada tahun 2018, pengeluaran per kapita
Provinsi Jawa Barat hanya menduduki peringkat ke-13 di Indonesia. Apabila
51
diamati lebih jauh, terlihat bahwa pengeluaran per kapita Provinsi Jawa Barat antar
kabupaten/kota memiliki nilai yang relatif heterogen (Lihat Gambar 9 dan 10).
20
RIBU
18
16
14
12
10
8
6
4
2
0
Banten
Jatim
Riau
Bali
Sulsel
Sumut
Sultra
Kaltara
Pabar
NTT
Kalteng
Malut
Kep. Riau
Kalsel
Jateng
Jambi
NTB
Sumsel
Bengkulu
Lampung
Gorontalo
Sulbar
Maluku
DKI Jakarta
DIY
Aceh
Papua
Kaltim
Sulut
Sumbar
Kalbar
Kep. Babel
Jabar
Sulteng
2018 Nasional
Sumber : BPS
Gambar 9. Pengeluaran per kapita disesuaikan (Ribu Rupiah/Orang/Tahun) menurut
provinsi di Indonesia tahun 2018
18
JUTA
16
14
12
10
8
6
4
2
0
Sumber: BPS
Gambar 10. Pengeluaran per kapita disesuaikan (000 Rp) menurut kabupaten/kota di Jawa
Barat tahun 2018
52
Pendugaan Langsung (Direct Estimation)
Pendugaan langsung pengeluaran rumah tangga per kapita hanya dapat
dilakukan pada wilayah yang tersampel pada Susenas Maret Tahun 2018. Provinsi
Jawa Barat secara keseluruhan memiliki 627 kecamatan. Dari keseluruhan
kecamatan tersebut, hanya 608 kecamatan yang menjadi sampel.
Pada penelitian ini, pendugaan langsung dilakukan pada level wilayah
kecamatan. Dalam pendugaan langsung, selain mendapatkan pendugaan variabel
yang diteliti, juga diperoleh nilai pendugaan untuk varians sampling error yang
akan digunakan pada pendugaan EBLUP FH dan SEBLUP FH. Pada Susenas Maret
2018, jumlah sampel rumah tangga yang terpilih untuk setiap kecamatan berbeda-
beda dan relatif kecil sehingga memberikan hasil pendugaan yang kurang baik.
Hasil pendugaan langsung untuk pengeluaran rumah tangga per kapita pada setiap
kecamatan secara rinci dapat dilihat pada Lampiran 2.
Berdasarkan hasil pendugaan langsung, kecamatan dengan pengeluaran
rata-rata rumah tangga per kapita tertinggi adalah Kecamatan Lengkong Kabupaten
Bandung, Kecamatan Regol Kabupaten Bandung, dan Kecamatan Buahbatu
Kabupaten Bandung masing-masing sebesar Rp.4,818 (juta), Rp.3,833 (juta), dan
Rp.3,618 (juta). Sebaliknya, kecamatan dengan pengeluaran rata-rata rumah tangga
per kapita terendah adalah Kecamatan Salawu Kabupaten Tasikmalaya, Kecamatan
Cijati Kabupaten Cianjur, dan Kecamatan Cidaun Kabupaten Cianjur yakni sebesar
Rp.0,403 (juta), Rp.0,419 (juta) dan Rp.0,432 (juta). Pemetaan hasil pendugaan
langsung daoat dilihat pada Gambar 11.
53
Dari Gambar 11 dapat kita ketahui bahwa pengeluaran per kapita level
kecamatan hasil pendugaan langsung dengan pengeluaran per kapita disesuaikan
level kabupaten (Lihat Gambar 5) yang dikutip dari website resmi BPS
menunjukkan pola sebaran yang mirip.
Gambar 11. Pemetaan pengeluaran rumah tangga per kapita hasil

pendugaan langsung
Pemilihan Variabel Penyerta dan Pengujian Normalitas Pendugaan Langsung
Setelah memperoleh hasil pendugaan langsung pengeluaran rumah tangga
per kapita pada level kecamatan, selanjutnya dilakukan pendugaan dengan metode
EBLUP FH. Namun sebelum melakukan pendugaan EBLUP FH, maka terlebih
dahulu dilakukan pemilihan variabel penyerta berdasarkan nilai korelasi serta
signifikansinya terhadap pendugaan langsung dan pengujian normalitas hasil
penduga langsung pengeluaran rumah tangga per kapita.
54
Pengecekan multikolinearitas antar variabel penyerta dapat dilakukan
dengan menggunakan Korelasi Pearson antar variabel penyerta. Gujarati dan Porter
(2008) mengatakan bahwa bila koefisien korelasi berpasangan dari dua
regresor/variabel penyerta sangat tinggi yakni melebihi 0,8, maka terjadi masalah
multikolinearitas yang serius. Hasil pengukuran Korelasi Pearson dapat dilihat pada
Lampiran 3.
Agar pelanggaran multikolinearitas dapat benar-benar dipastikan tidak
terjadi diantara variabel-variabbel penyerta, maka dilakukan pengujian lain dengan
Variance Inflation Factor (VIF). Gujarati dan Porter (2008) mengatakan bahwa
semakin tinggi nilai VIF, maka semakin meningkat kolinear dari variabel X.
Berdasarkan Lampiran 3 dan Lampiran 4 dapat kita ketahui bahwa nilai mutlak dari
korelasi pearson antar variabel penyerta kurang dari 0,8 dan nilai VIF kurang dari
angka sepuluh yang artinya tidak terjadi multikolinearitas antar variabel-variabel
penyerta. Tidak terlanggarnya asumsi multikolinearitas menunjukkan bahwa
kedelapan belas variabel penyerta dapat digunakan pada tahapan permodelan baik
menggunakan EBLUP FH maupun SEBLUP FH.
Setelah melakukan pengecekan multikolinearitas antar variabel penyerta,
maka dilakukan pula pengecekan normalitas terhadap variabel dependen yaitu
pengeluaran rumah tangga per kapita hasil estimasi langsung dengan menggunakan
QQ-Plot.
55
Gambar 12. QQ-Plot pengeluaran rumah tangga per kapita level kecamatan
(a) Tanpa transformasi (b) Transformasi logaritma
Berdasarkan Gambar 12 dapat diketahui bahwa sebaran data hasil
pendugaan langsung pengeluaran rumah tangga per kapita belum berada di
sekitaran garis, sehingga dapat dikatakan bahwa pengeluaran rumah tangga per
kapita hasil estimasi langsung belum memenuhi asumsi kenormalan. Sebaliknya,
sebaran data hasil transformasi logaritma pada pengeluaran rumah tangga per kapita
level kecamatan sudah berhimpitan dengan garis sehingga dapat dikatakan bahwa
pengeluaran rumah tangga per kapita hasil transformasi logaritma lebih mendekati
distribusi normal.
Kemencengan dan keruncingan dari pendugaan langsung juga cukup
berbeda dari nilai nol dan tiga yakni sebesar 2,134 dan 10,215. Berbeda dengan
hasil transformasi logaritma yang mampu menghasilkan angka kemencengan dan
keruncingan sebesar 0,582 dan 3,544. Oleh karena itu, dapat disimpulkan bahwa
transformasi logaritma dari pendugaan langsung lebih baik digunakan dalam
mengestimasi pengeluaran rumah tangga per kapita dengan metode EBLUP FH dan
SEBLUP FH.
56
4.1 Pendugaan Tidak Langsung
Penduga EBLUP Model Fay-Herriot
Penyeleksian variabel penyerta dilakukan dengan metode backward
elimination menggunakan tingkat signifikansi lima persen hingga dihasilkan dua
belas variabel penyerta. Variabel tersebut antara lain jumlah keluarga pertanian,
jumlah keluarga pengguna listrik, jumlah SD/MI, jumlah SMU/MA, jumlah
akademi/Perguruan Tinggi, jumlah poliknlinik/balai pengobatan, jumlah tempat
praktik dokter, jumlah tempat praktik bidan, jumlah Poskesdes, jumlah Polindes,
jumlah minimarket/swalayan, dan jumlah Bank Umum Pemerintah. Setelah
diperoleh variabel penyerta, selanjutnya dilakukan pendugaan koefisien regresi
terhadap kedua belas variabel tersebut. Hasil pendugaan koefisien regresi dapat
dilihat pada Tabel 3.
Tabel 3. Pendugaan koefisien regresi dengan metode EBLUP FH

Variabel beta std.error pvalue
(1) (2) (3) (4)
(Intercept) 13,78048 0,03005 0,00000
Tani -0,00001 0,00000 0,00178
Listrik 0,00001 0,00000 0,00102
SD -0,00374 0,00114 0,00104
SMA -0,00902 0,00383 0,01871
PT 0,01758 0,00650 0,00681
Poliklinik 0,00758 0,00223 0,00066
Dokter 0,00461 0,00176 0,00877
Bidan -0,00349 0,00161 0,03060
Poskesdes -0,00639 0,00294 0,02983
Polindes -0,01548 0,00379 0,00005
Minimarket 0,00243 0,00095 0,01072
BUP 0,00999 0,00396 0,01171
57
Sebelum nilai pendugaan koefisien regresi pada Tabel 3 digunakan untuk
menduga pengeluaran rumah tangga per kapita, maka terlebih dahulu dilakukan
pengecekan kemencengan dan keruncingan terhadap pendugaan langsung dan
random effect area kecil. Dari hasil pengolahan ditunjukkan bahwa kemencengan
dan keruncingan pengaruh acak sebesar -0,839 dan 3,080 sehingga dapat dikatakan
bahwa random effect mendekati distribusi normal. Dengan demikian, nilai
pendugaan koefisien regresi dari variabel penyerta dan varians pengaruh acak dapat
digunakan untuk menduga pengeluaran rumah tangga per kapita dengan metode
EBLUP FH.
Setelah melakukan pendugaan koefisien regresi, langkah berikutnya adalah
membandingkan nilai RRMSE hasil kedua pendugaan tersebut. Nilai RRMSE
penduga langsung dan penduga EBLUP FH bagi pengeluaran rumah tangga per
kapita ditunjukkan oleh Gambar 13 di bawah ini.
40
35
30
25
20
15
10
5
0
Cariu
Nanggung
Tenjo
Cisaga
Cisarua
Talagasari
Pameungpeuk
Darma
Karangsembung
Argapura
Sukanagara
Ciater
Purwakarta
Pangatikan
Cikalongkulon
Cikole
Cangkuang
Leuwisari
Limo
Bantargadung
Cimanggung
Sindangagung
Kedawung
Rongga
Pondokmelati
Bantarkalong
Parung Kuda
Cibarusah
Kedokan Bunder
Langkaplancar
Tambakdahan
Kiaracondong
Penduga Langsung EBLUP-FH
Gambar 13. Perbandingan nilai RRMSE penduga langsung dan penduga EBLUP FH
(Persen)
58
Berdasarkan Gambar 13 di atas, dapat kita lihat bahwa nilai RRMSE dari
pendugaan langsung memiliki nilai yang sangat bervariatif bila dibandingkan
dengan pendugaan EBLUP FH. Nilai RRMSE pendugaan EBLUP FH yang relatif
lebih kecil daripada RRMSE pendugaan langsung mengindikasikan bahwa
pendugaan EBLUP FH level kecamatan dapat memperbaiki tingkat presisi dari
hasil pendugaan langsung.
Setelah membandingkan RRMSE hasil penduga langsung dengan penduga
EBLUP FH, langkah berikutnya yakni membandingkan nilai pendugaan rata-rata
pengeluaran rumah tangga per kapita level kecamatan hasil penduga langsung
dengan penduga EBLUP FH. Hasil pendugaan EBLUP FH untuk pengeluaran
rumah tangga per kapita pada setiap kecamatan dapat dilihat pada Lampiran 2.
45
x 100000
40
35
30
25
20
15
10
5
0
Nanggung
Sukaraja
Krangkeng
Rajadesa
Beji
Jonggol
Greged
Kutawaluya
Cigandamekar
Rancaekek
Padakembang
Ciater
Haurwangi
Talegong
Kadipaten
Leles
Parungponteng
Kaliwedi
Ujung Berung
Subang
Bungursari
Ngamprah
Tanah Sereal
Kejaksan
Waluran
Ujung Jaya
Pamanukan
Karangpawitan
Tambun Selatan
Penduga Langsung thetacap-TB EBLUP-FH thetacap-TB
Gambar 14. Perbandingan hasil pendugaan langsung dan pendugaan EBLUP FH (Rupiah)
Secara umum, pendugaan EBLUP FH menghasilkan nilai penduga
pengeluaran rumah tangga per kapita yang relatif tidak jauh berbeda dengan hasil
pendugaan langsung dan hasil pendugaan EBLUP FH. Namun, nilai pendugaan
59
EBLUP FH cenderung lebih rendah daripada hasil pendugaan langsung yang
diakibatkan oleh adanya bias transformasi balik log normal.
Berdasarkan hasil pendugaan EBLUP FH, kecamatan dengan pengeluaran
rata-rata rumah tangga per kapita tertinggi adalah Kecamatan Pebayuran Kabupaten
Bekasi, Kecamatan Muara Gembong Kabupaten Bekasi, dan Kecamatan Caringin
Kabupaten Bogor masing-masing sebesar Rp.3,038 (juta), Rp.2,235 (juta), dan
Rp.2,139 (juta). Sebaliknya, kecamatan dengan pengeluaran rata-rata rumah tangga
per kapita terendah adalah Kecamatan Arahan Kabupaten Indramayu, Kecamatan
Arjawinangun Kabupaten Cirebon, dan Kecamatan Conggeang Kabupaten
Sumedang, yakni sebesar Rp.0,480 (juta), Rp.0,483 (juta), dan Rp.0,492 (juta).
Penduga SEBLUP Model Fay Herriot
Pembentukan Matriks Pembobot Spasial
Pembobot spasial yang digunakan dalam penelitian ini adalah matriks
pembobot spasial tipe queen continguity. Matriks pembobot spasial tipe ini dipilih
karena kemampuannya dalam membentuk ketetanggaan berdasarkan titik/sudut
dan sisi suatu daerah dengan daerah yang lain.
Matriks pembobot spasial tipe queen continguity memiliki ketentuan yakni
bila wilayah tepat berada di sekitar wilayah observasi dan bersinggungan secara
titik/sudut atau sisi, maka wilayah tersebut akan diberikan kode satu dan sebaliknya
diberikan kode nol. Matriks yang telah terbentuk kemudian dilakukan standarisasi
baris sehingga jumlah dari masing-masing baris sama dengan satu.
60
Uji Autokorelasi Spasial
Setelah matriks pembobot spasial telah terbentuk, langkah berikutnya yakni
melakukan pengujian untuk mengetahui autokorelasi spasial pada random effect
area. Uji yang digunakan yaitu uji Moran’s I dengan hipotesis sebagai berikut:
H0 = I = 0 (tidak terdapat autokorelasi spasial)
H1 = I ≠ 0 (terdapat autokorelasi spasial)
Tabel 4. Hasil pengujian autokorelasi spasial

I Z(I) E(I) var(I) p-value Keputusan
(1) (2) (3) (4) (5) (6)
0,1184 4,8305 -0,0016 0,0006 0,0014 Tolak H0
Dari hasil output dapat diketahui bahwa terdapat autokorelasi spasial pada
random effect area. Oleh karena adanya autokorelasi spasial, maka pendugaan
SEBLUP FH dapat dilakukan.
Pendugaan Koefisien Regresi
Sama seperti pendugaan EBLUP FH, Penyeleksian variabel penyerta dalam
perhitungan SEBLUP FH dilakukan dengan metode backward elimination
menggunakan tingkat signifikansi lima persen hingga dihasilkan dua belas variabel
penyerta. Variabel tersebut antara lain jumlah keluarga pertanian, jumlah keluarga
pengguna listrik, jumlah SD/MI, jumlah SMU/MA, jumlah akademi/Perguruan
Tinggi, jumlah puskesmas dengan rawat inap, jumlah poliknlinik/balai pengobatan,
jumlah tempat praktik bidan, jumlah Polindes, jumlah IMK barang dari kayu,
jumlah minimarket/swalayan, dan jumlah Bank Umum Pemerintah. Setelah
diperoleh variabel penyerta, selanjutnya dilakukan pendugaan koefisien regresi
61
terhadap kedua belas variabel tersebut. Hasil pendugaan koefisien regresi dapat
dilihat pada Tabel 5.
Tabel 5. Pendugaan koefisien regresi dengan Metode SEBLUP FH

Variabel beta std.error pvalue
(1) (2) (3) (4)
(Intercept) 13,71595 0,03334 0,00000
Tani -0,00001 0,00000 0,00006
Listrik 0,00001 0,00000 0,00082
SD -0,00288 0,00115 0,01214
SMA -0,00839 0,00357 0,01861
PT 0,01664 0,00590 0,00482
Puskesmas 0,03816 0,01392 0,00613
Poliklinik 0,00599 0,00218 0,00602
Bidan -0,00307 0,00148 0,03829
Polindes -0,01575 0,00370 0,00002
Kayu 0,00070 0,00029 0,01391
Minimarket 0,00313 0,00087 0,00033
BUP 0,01007 0,00346 0,00361
Sebelum nilai pendugaan koefisien regresi pada Tabel 5 digunakan untuk
menduga pengeluaran rumah tangga per kapita, maka terlebih dahulu dilakukan
pengecekan kemencengan dan keruncingan terhadap pendugaan langsung dan
random effect area kecil. Berdasarkan perhitungan dihasilkan kemencengan sebesar
-0,455 dan keruncingan sebesar 2,766 sehingga dapat dikatakan bahwa random
effect mendekati distribusi normal. Dengan demikian, nilai pendugaan koefisien
regresi dari variabel penyerta dan varians pengaruh acak dapat digunakan untuk
menduga pengeluaran rumah tangga per kapita dengan metode SEBLUP FH.
Setelah melakukan pendugaan koefisien regresi, langkah berikutnya adalah
membandingkan nilai RRMSE dari kedua pendugaan yakni pendugaan langsung
dan pendugaan SEBLUP FH. Nilai RRMSE dari kedua pendugaan tersebut
ditunjukkan oleh Gambar 15 di bawah ini.
62
40
35
30
25
20
15
10
5
0
Pameungpeuk
Cariu
Nanggung
Cangkuang
Cisarua
Purwakarta
Tenjo
Darma
Sukanagara
Pangatikan
Cisaga
Karangsembung
Argapura
Limo
Bantargadung
Ciater
Talagasari
Langkaplancar
Cikalongkulon
Leuwisari
Cikole
Pondokmelati
Kedawung
Cimanggung
Cibarusah
Rongga
Parung Kuda
Bantarkalong
Sindangagung
Kedokan Bunder
Tambakdahan
Kiaracondong
Penduga Langsung SEBLUP-FH
Gambar 15. Perbandingan nilai RRMSE penduga langsung dan penduga SEBLUP FH
(Persen)
Berdasarkan Gambar 15 di atas, dapat kita lihat bahwa nilai RRMSE dari
pendugaan SEBLUP FH relatif lebih kecil daripada RRMSE pendugaan langsung.
Hal ini mengindikasikan bahwa pendugaan SEBLUP FH level kecamatan memiliki
tingkat presisi yang lebih baik dibandingkan hasil pendugaan langsung.
Setelah membandingkan RRMSE hasil penduga langsung dengan penduga
SEBLUP FH, langkah berikutnya yakni membandingkan nilai pendugaan rata-rata
pengeluaran rumah tangga per kapita level kecamatan hasil penduga langsung
dengan penduga SEBLUP FH. Hasil pendugaan SEBLUP FH untuk pengeluaran
rumah tangga per kapita pada setiap kecamatan dapat dilihat pada Lampiran 2.
Secara umum, pendugaan SEBLUP FH menghasilkan nilai penduga pengeluaran
rumah tangga per kapita yang relatif tidak jauh berbeda dengan hasil pendugaan
langsung. Namun, nilai pendugaan SEBLUP FH cenderung lebih rendah daripada
hasil pendugaan langsung yang diakibatkan oleh adanya bias transformasi balik log
normal.
63
45
x 100000
40
35
30
25
20
15
10
5
0
Beji
Nanggung
Sukaraja
Rajadesa
Greged
Kadipaten
Krangkeng
Kutawaluya
Jonggol
Leles
Ciater
Haurwangi
Rancaekek
Padakembang
Kaliwedi
Tambun Selatan
Talegong
Parungponteng
Subang
Ujung Jaya
Pamanukan
Waluran
Cigandamekar
Bungursari
Ujung Berung
Ngamprah
Tanah Sereal
Kejaksan
Karangpawitan
Penduga Langsung thetacap-TB SEBLUP-FH thetacap-TB
Gambar 16. Perbandingan pendugaan langsung dan pendugaan SEBLUP FH (Rupiah)
Dari hasil perhitungan SEBLUP FH didapatkan informasi bahwa kecamatan
dengan pengeluaran rata-rata rumah tangga per kapita tertinggi adalah Kecamatan
Pebayuran Kabupaten Bekasi, Kecamatan Muara Gembong Kabupaten Bekasi, dan
Kecamatan Sukakarya Kabupaten Bekasi yakni sebesar Rp.2,970 (juta), Rp.2,308
(juta), dan Rp.2,038 (juta) rupiah. Sebaliknya, kecamatan dengan pengeluaran rata-
rata rumah tangga per kapita terendah adalah Kecamatan Arjawinangun Kabupaten
Cirebon, Kecamatan Arahan Kabupaten Indramayu, dan Kecamatan Tambaksari
Kabupaten Ciamis yakni sebesar Rp.0,474 (juta), Rp.0,495, dan Rp.0,497 (juta).
4.2 Perbandingan hasil pendugaan langsung dan pendugaan tidak langsung
Setelah melakukan pendugaan langsung dan pendugaan tidak langsung
dengan metode EBLUP FH dan SEBLUP FH, maka langkah berikutnya adalah
membandingkan goodness of fit dari ketiga pendugaan tersebut. Goodness of fit
criteria yang digunakan dalam mengevaluasi hasil pendugaan langsung dan tidak
64
langsung menggunakan metode EBLUP FH dan SEBLUP FH dalam penelitian ini
adalah RRMSE.
Gambar 17. Perbandingan pendugaan langsung, EBLUP FH

dan SEBLUP FH
Tabel 6. Perbandingan nilai RRMSE hasil pendugaan langsung, EBLUP FH dan

SEBLUP FH (Persen)
Statistik Min Q1 Med (Q2) Mean Q3 Max
̂
𝒀 4,44 10,05 12,57 14,12 16,93 37,34
̂
𝒀𝑬𝑩𝑳𝑼𝑷 4,36 9,10 10,83 11,21 13,29 18,44
𝒀 ̂
𝑺𝑬𝑩𝑳𝑼𝑷 4,33 8,90 10,50 10,79 12,75 17,41
Berdasarkan Gambar 17 dan Tabel 6, dapat diketahui bahwa nilai RRMSE
penduga SEBLUP FH lebih kecil dibandingkan nilai RRMSE penduga langsung
dan penduga EBLUP FH sehingga dapat dikatakan bahwa pendugaan SEBLUP FH
cenderung memberikan pendugaan yang lebih presisi daripada penduga langsung
65
dan penduga EBLUP FH. Selain itu, boxplot RRMSE juga lebih memadat daripada
boxplot RRMSE penduga langsung dan penduga EBLUP FH, hal ini menandakan
bahwa nilai RRMSE penduga SEBLUP FH cenderung homogen.
Bila dilihat dari Tabel 7 maka dapat diketahui bahwa hasil pendugaan
langsung, pendugaan EBLUP FH dan SEBLUP FH terlihat tidak memiliki
perbedaan yang signifikan.
Tabel 7 Perbandingan hasil pendugaan langsung, EBLUP FH dan SEBLUP FH (Rupiah)

Statistik Min Q1 Med (Q2) Mean Q3 Max
̂
𝒀 383.046 690.928 859.110 956.987 1.096.573 3.932.826
̂
𝒀𝑬𝑩𝑳𝑼𝑷 480.424 725.364 849.792 933.692 1.044.196 3.041.103
𝒀 ̂
𝑺𝑬𝑩𝑳𝑼𝑷 474.066 722.250 845.600 932.350 1.042.575 2.972.080
Pendugaan untuk kecamatan yang tidak terkena sampel
Setelah terpilih metode SEBLUP FH sebagai metode terbaik dalam
menduga pengeluaran per kapita level kecamatan di Jawa Barat, maka langkah
selanjutnya yakni melakukan pendugaan pengeluaran per kapita untuk kecamatan-
kecamatan yang tidak tercakup dalam sampel Susenas. Beberapa kecamatan yang
tidak tercakup dalam sampel Susenas memiliki nilai penduga langsung pengeluaran
per kapita sama dengan nol. Konsep pendugaan yang digunakan untuk kecamatan
yang tidak tersampel dapat menggunakan konsep penduga sintetik dengan asumsi
kecamatan tersebut bersifat homogen. Hasil penduga sintetik bagi pengeluaran
rumah tangga per kapita yang tidak tercakup sampel di Jawa Barat dapat dilihat
pada Tabel 8.
66
Tabel 8 Penduga sintetik pengeluaran rumah tangga per kapita untuk kecamatan yang
tidak terkena sampel
RRMSE RRMSE
Penduga Penduga
Penduga Penduga
Kabupaten Kecamatan Langsung Sintetik
Langsung Sintetik
(Rp) (Rp)
(Persen) (Persen)
(1) (2) (3) (4) (5) (6)
Sukabumi Cidolok 0 0 864.198 3,00
Sukabumi Cireunghas 0 0 856.093 4,80
Sukabumi Kadudampit 0 0 780.010 6,20
Sukabumi Parakan Salak 0 0 822.085 5,08
Bandung Nagrek 0 0 851.103 5,95
Garut Pamulihan 0 0 908.551 4,03
Garut Cihurip 0 0 875.082 2,84
Garut Sukaresmi 0 0 737.237 5,23
Garut Karangtengah 0 0 844.587 3,14
Tasikmalaya Gunungtanjung 0 0 851.311 3,67
Tasikmalaya Sariwangi 0 0 771.858 4,38
Kuningan Nusaherang 0 0 851.867 2,30
Kuningan Cilebak 0 0 851.435 1,89
Cirebon Jamblang 0 0 844.060 3,88
Majalengka Sindang 0 0 847.164 2,29
Sumedang Darmaraja 0 0 771.899 6,47
Indramayu Pasekan 0 0 899.441 4,08
Purwakarta Sukasari 0 0 866.584 1,96
Karawang Ciampel 0 0 908.971 3,87
4.3 Pemetaan Rata-rata Pengeluaran Rumah Tangga per Kapita Level

Kecamatan Hasil Pendugaan Terpilih
Setelah diperoleh hasil penduga pengeluaran rumah tangga per kapita untuk
seluruh kecamatan, selanjutnya hasil pendugaan tersebut disajikan melalui peta
tematik level kecamatan agar dapat diidentifikasi lebih lanjut bagaimana pola
sebarannya. Pemetaan hasil pendugaan tidak langsung dari pengeluaran rumah
tangga per kapita ditunjukkan pada Gambar 18.
67
Gambar 18. Peta tematik hasil pendugaan tidak langsung rata-rata pengeluaran
rumah tangga per kapita level kecamatan di Jawa Barat
Evaluasi Variabel Penyerta
a. Jumlah Keluarga Pertanian
Variabel Tani memiliki koefisien bernilai negatif yang berarti semakin
banyak jumlah rumah tangga pertanian maka rata-rata pengeluaran per kapita level
kecamatan di Jawa Barat tahun 2018 cenderung menurun. Hal ini sejalan dengan
penelitian Luthfatul Amaliana dan Evellin D. L (2017), Andi M.A.S. (2016), serta
Hasan Fausi dan Sutikno (2011). BPS dalam Statistik Ketenagakerjaan Sektor
Pertanian 2018 menjelaskan bahwa tenaga kerja pertanian di Indonesia merupakan
tenaga kerja terbesar dengan jumlah mencapai 36,91 juta orang pada Februari 2018.
Namun, banyaknya jumlah tenaga kerja yang besar tersebut, ternyata sektor
68
pertanian sempit7 pada tahun 2018 hanya mampu memberikan kontribusi PDB
nasional pada Triwulan I sebesar 9,96 persen (tahun dasar 2010).
Di Jawa Barat sendiri, BPS dalam Laporan eksekutif Keadaan Angkatan
Kerja Provinsi Jawa Barat Februari 2018 menjelaskan bahwa jumlah angkatan kerja
mencapai angka 20,91 juta jiwa, namun berdasarkan lapangan pekerjaan utama,
jumlah penduduk yang bekerja di sektor pertanian mencapai 3,2 juta jiwa, atau
setara dengan 15,28 persen dari total tenaga kerja. Jumlah tenaga kerja di sektor
pertanian ini menempati urutan ketiga setelah sektor perdagangan (4,77 juta orang
atau setara 22,79 persen) dan sektor industri (4,49 juta orang atau setara 21,47
persen). Sri Mulyani (2005) pernah berpendapat bahwa rendahnya kesejahteraan
petani dimungkinkan karena lemahnya kelembagaan dan posisi tawar petani,
sehingga rantai tata niaga menjadi panjang dan tidak adil. Sehingga meskipun
produktivitas per satuan lahan tinggi, namun tingkat pendapatan tidak memadai
atau rendah. Kemungkinan lainnya adalah akses terhadap sumber daya produktif
dan layanan usaha terbatas, system alih teknologi dan penyebaran teknologi masih
rendah sehingga nilai tambah produk juga rendah.8
7
Termasuk ke dalam sektor pertanian sempit ialah subsektor tanaman pangan, holtikultura,
perkebunan, dan peternakan
8
Lebih lanjut dapat dilihat pada laman perpustakaan Bappenas,
(https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&ved=2ahUKEwj4hL3
-
1NvjAhUGSY8KHdwgBWEQFjAAegQIAxAB&url=http%3A%2F%2Fperpustakaan.bappenas.g
o.id%2Flontar%2Ffile%3Ffile%3Ddigital%2Fblob%2FF25260%2FKesejahteraan%2520Petani%2
520dan%2520Nelayan%2520Masih%2520Rendah.htm&usg=AOvVaw2KVJBl_fMNmJ8rSo0gBv
-q, Diakses pada 30 Juli 2019)
69
Gambar 19. Peta tematik pengeluaran per kapita dan jumlah keluarga
pertanian Provinsi Jawa Barat tahun 2018
Peta tematik dalam Gambar 19 menunjukkan bahwa sebaran keluarga
pertanian di Jawa Barat relatif merata. Keluarga Pertanian tidak hanya ditemui di
daerah dengan pengeluaran per kapita yang rendah, namun juga ditemui di daerah-
daerah dengan pengeluaran per kapita yang relatif tinggi.
b. Listrik
Variabel Listrik memiliki koefisien bernilai positif yang berarti semakin
banyak jumlah rumah tangga yang menggunakan listrik baik PLN maupun non-
PLN maka rata-rata pengeluaran per kapita level kecamatan di Jawa Barat tahun
2018 cenderung meningkat. Hal ini disebabkan karena kesejahteraan penduduk
ditunjang dari energi listrik sebagai input dan tingginya kesejahteraan penduduk
akan mendorong peningkatan permintaan barang-barang/peralatan listrik, seperti
televisi, pendingin ruangan, lemari es, dan lainnya.
70
Bila dilihat dari peta tematik pada Gambar 20 maka tampak bahwa sebaran
keluarga pengguna listrik cenderung tidak merata. Keluarga pengguna listrik
banyak terdapat di daerah-daerah dekat Ibu Kota Negara, DKI Jakarta dan Bandung
sebagai Ibu Kota Provinsi.
Gambar 20. Peta tematik pengeluaran per kapita dan jumlah keluarga
pengguna listrik provinsi Jawa Barat tahun 2018
c. SD/MI
Variabel SD memiliki koefisien bernilai negatif yang berarti semakin
banyak bangunan SD maka rata-rata pengeluaran per kapita level kecamatan di
Jawa Barat tahun 2018 cenderung menurun. Hal ini tentu menimbulkan tanda tanya.
Namun, bila diidentifikasi lebih lanjut, berdasarkan Ikhtisar Data Pendidikan dan
Kebudayaan tahun 2017/2018 oleh Kementerian Pendidikan dan Kebudayaan
(Kemendikbud) didapatkan angka putus sekolah setingkat SD/MI di Jawa Barat
71
yakni sebesar 3.596 siswa. Angka ini merupakan angka putus sekolah setingkat
SD/MI tertinggi di Indonesia. Tingginya angka putus sekolah SD/MI ini,
menunjukkan bahwa terjadi pengurangan alokasi biaya pendidikan yang harus
dikeluarkan dari total pengeluaran per kapita penduduk di Provinsi Jawa Barat.
Bila dilihat dari peta tematik pada Gambar 21 ditunjukkan bahwa jumlah
bangunan sekolah SD/MI tersebar tidak merata dan cenderung mengelompok di
dekat Ibu Kota Negara, Jakarta dan Ibu Kota Provinsi Bandung, sedangkan wilayah
lain hanya memiliki sedikit jumlah bangunan SD/MI.
Gambar 21. Peta tematik pengeluaran per kapita dan jumlah SD/MI
Provinsi Jawa Barat tahun 2018
72
d. SMA
Variabel SMA memiliki koefisien bernilai negatif yang berarti semakin
banyak jumlah bangunan SMA maka rata-rata pengeluaran per kapita level
kecamatan di Jawa Barat tahun 2018 cenderung menurun. Hal ini tentu juga
menimbulkan tanda tanya. Akan tetapi, sama seperti sebelumnya, apabila
diidentifikasi lebih lanjut, berdasarkan Ikhtisar Data Pendidikan dan Kebudayaan
tahun 2017/2018 oleh Kementerian Pendidikan dan Kebudayaan (Kemendikbud)
didapatkan angka putus sekolah setingkat SMU/MA di Jawa Barat yakni sebesar
4.779 siswa. Angka ini merupakan angka putus sekolah setingkat SMU/MA
tertinggi di Indonesia. Tingginya angka putus sekolah SMU/MA ini, menunjukkan
bahwa terjadi pengurangan alokasi biaya pendidikan yang harus dikeluarkan dari
total pengeluaran per kapita penduduk di Provinsi Jawa Barat.
Gambar 22. Peta tematik pengeluaran per kapita dan jumlah SMU/MA
Provinsi Jawa Barat tahun 2018
73
Bila dilihat dari peta tematik pada Gambar 22 ditunjukkan bahwa jumlah
bangunan sekolah SMU/MA juga tersebar tidak merata dan cenderung
mengelompok di dekat Ibu Kota Negara, Jakarta dan Ibu Kota Provinsi Bandung,
sedangkan wilayah lain hanya memiliki sedikit jumlah bangunan SMU/MA.
e. Akademi/Perguruan Tinggi
Variabel PT memiliki koefisien bernilai positif yang berarti semakin banyak
jumlah bangunan akademi/Perguruan Tinggi maka rata-rata pengeluaran per kapita
level kecamatan di Jawa Barat tahun 2018 cenderung meningkat. Hal ini
disebabkan karena peningkatan jumlah mahasiswa tentunya akan meningkatkan
pula jumlah alokasi biaya pendidikan yang harus dikeluarkan oleh penduduk.
Gambar 23. Peta tematik pengeluaran per kapita dan jumlah

akademi/Perguruan Tinggi Provinsi Jawa Barat tahun 2018
74
Peta tematik pada Gambar 23 memperlihatkan bahwa sebaran bangunan
akademi/perguruan tinggi sangat tidak merata yakni hanya di Bagian tengah
Provinsi yakni dari daerah dekat Ibu Kota Negara, DKI Jakarta hingga ke daerah
dekat Ibu Kota Provinsi, Kota Bandung, sedangkan Jawa Barat bagian selatan dan
timur laut banyak yang tidak memiliki bangunan akademi/Perguruan Tinggi.
f. Puskesmas dengan Rawat Inap
Variabel puskesmas memiliki koefisien bernilai positif yang berarti semakin
banyak jumlah puskesmas dengan rawat inap maka rata-rata pengeluaran per kapita
disebabkan karena adanya tambahan biaya kesehatan yang perlu dikeluarkan oleh
penduduk tiap kecamatan yang memiliki jumlah puskesmas dengan rawat inap
relatif tinggi.
Gambar 24. Peta tematik pengeluaran per kapita dan jumlah puskesmas
dengan rawat inap Provinsi Jawa Barat tahun 2018
75
Apabila dilihat dari peta tematik pada Gambar 24 maka akan tampak bahwa
masih banyak kecamatan-kecamatan di Provinsi Jawa Barat yang tidak memiliki
puskesmas dengan rawat inap.
g. Poliklinik/Balai Pengobatan
Variabel poliklinik memiliki koefisien bernilai positif yang berarti semakin
banyak jumlah poliklinik/balai pengobatan maka rata-rata pengeluaran per kapita
disebabkan karena adanya tambahan biaya kesehatan yang perlu dikeluarkan oleh
penduduk tiap kecamatan yang memiliki jumlah poliklinik/balai pengobatan yang
relatif tinggi.

poliklinik/balai pengobatan Provinsi Jawa Barat tahun 2018
76
Peta tematik pada Gambar 25 menunjukkan bahwa sebaran poliklinik/balai
pengobatan di Jawa Barat masih tidak merata dan hanya mengelompok di
kecamatan-kecamatan yang dekat dengan wilayah DKI Jakarta dan Kota Bandung.
h. Tempat Praktik Bidan
Variabel bidan memiliki koefisien bernilai negatif yang berarti semakin
banyak jumlah tempat praktik bidan maka rata-rata pengeluaran per kapita level
kecamatan di Jawa Barat tahun 2018 cenderung menurun. Hal ini mungkin
dikarenakan bahwa tingkat kesehatan penduduk di sekitar tempat praktik bidan
sudah cukup baik sehingga tidak perlu mengeluarkan banyak biaya kesehatan.
Gambar 26. Peta tematik pengeluaran per kapita dan jumlah tempat praktik
bidan Provinsi Jawa Barat tahun 2018
77
Berdasarkan peta tematik, sebaran tempat praktik bidan terlihat masih
mengelompok di kecamatan-kecamatan tertentu. Ini memperlihatkan bahwa
sebaran tempat praktik bidan di Jawa Barat juga belum merata.
i. Pos Bersalin Desa
Variabel polindes memiliki koefisien bernilai negatif yang berarti semakin
banyak jumlah pos bersalin desa maka rata-rata pengeluaran per kapita level
kecamatan di Jawa Barat tahun 2018 cenderung menurun. Hal ini mungkin
disebabkan karena tingkat kesehatan penduduk di sekitar polindes cukup baik
sehingga tidak perlu mengeluarkan banyak biaya kesehatan.
Gambar 27. Peta tematik pengeluaran per kapita dan jumlah pos bersalin
desa (polindes) Provinsi Jawa Barat tsahun 2018
78
Bila diamati Peta Tematik pada Gambar 27 dapat diketahui bahwa sebaran
Polindes di Jawa Barat masih berkelompok di kecamatan-kecamatan tertentu
khususnya di Jawa Barat bagian timur.
j. IMK Barang dari Kayu
Variabel kayu memiliki koefisien bernilai positif yang berarti semakin
banyak jumlah IMK barang dari kayu maka rata-rata pengeluaran per kapita level
kecamatan di Jawa Barat tahun 2018 cenderung meningkat. Hal ini disebabkan
karena semakin banyak IMK barang dari kayu, maka akan mendorong masyarakat
untuk melakukan transaksi jual beli yang pada akhirnya akan meningkatkan rata-
rata pengeluaran rumah tangga per kapita level kecamatan.
Gambar 28. Peta tematik pengeluaran per kapita dan jumlah imk barang
dari kayu Provinsi Jawa Barat tahun 2018
79
Bila dilihat pada Gambar 28, terlihat bahwa jumlah IMK barang dari kayu di
Provinsi Jawa Barat cenderung mengelompok di beberapa wilayah. Hal ini
mengindikasikan bahwa sebaran IMK barang dari kayu relatif tidak merata.
k. Minimarket/Swalayan
Variabel minimarket memiliki koefisien bernilai positif yang berarti
semakin banyak jumlah minimarket/swalayan maka cenderung rata-rata
pengeluaran per kapita level kecamatan di Jawa Barat tahun 2018. Hal ini
disebabkan karena banyaknya minimarket dan swalayan mendorong masyarakat
untuk melakukan transaksi jual beli yang pada akhirnya akan meningkatkan rata-
rata pengeluaran rumah tangga per kapita level kecamatan.

minimarket/swalayan Provinsi Jawa Barat tahun 2018
80
Apabila dilihat dari peta tematik pada Gambar 29 dapat diketahui bahwa
jumlah minimarket terbanyak ada di wilayah sekitar DKI Jakarta sebagai Ibu Kota
Negara dan Kota Bandung sebagai Ibu Kota Provinsi.
l. Bank Umum Pemerintah
Variabel BUP memiliki koefisien bernilai positif yang berarti semakin
banyak jumlah Bank Umum Pemerintah maka rata-rata pengeluaran per kapita level
kecamatan di Jawa Barat tahun 2018 cenderung meningkat. Hal ini disebabkan
karena semakin banyak
Dari peta tematik pada Gambar 30 didapatkan informasi bahwa sebaran
Bank Umum Pemerintah di Jawa Barat cenderung mengelompok di Ibu Kota
Negara, DKI Jakarta dan Ibu Kota Provinsi, Kabupaten Bandung.
Gambar 30. Peta tematik pengeluaran per kapita dan jumlah Bank Umum
Pemerintah Provinsi Jawa Barat tahun 2018
81
82
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil dan pembahasan sebelumnya, dapat diambil kesimpulan
sebagai beriikut:
1. Auxiliary variables yang signifikan dalam pendugaan EBLUP FH dan
SEBLUP FH dirangkum dalam tabel di bawah.
Tabel 7. Rangkuman variabel penyerta yang signifikan pada

pendugaan dengan Metode EBLUP FH dan SEBLUP FH
Notasi SEBLUP
No EBLUP FH
Variabel FH
(1) (2) (3) (5)
1 Listrik + +
2 SD - -
3 SMA - -
4 PT + +
5 Tani - -
6 Kayu +
7 Puskesmas +
8 Poliklinik + +
9 Dokter +
10 Bidan - -
11 Poskesdes -
12 Polindes - -
13 Minimarket + +
14 BUP + +
Keterangan: tanda + berarti signifikan positif dan tanda – berarti
signifikan negatif, sedangkan warna merah berarti tidak signifikan
83
2. Dari hasil perbandingan dapat diketahui bahwa pendugaan SEBLUP FH
memiliki nilai RRMSE yang lebih kecil daripada penduga langsung, dan
penduga EBLUP FH. Sehingga dapat dikatakan bahwa metode SEBLUP FH
dapat memberikan hasil pendugaan yang lebih presisi.
3. Sebaran pengeluaran per kapita cenderung sangat variatif antar kecamatan.
Kecamatan-kecamatan yang secara geografis berdekatan dengan wilayah Ibu
Kota Negara dan Ibu Kota Provinsi cenderung memiliki rata-rata pengeluaran
per kapita yang lebih tinggi dibandingkan wilayah lain.
5.2 Saran
Berdasarkan kesimpulan di atas, dapat diambil saran penelitian sebagai
berikut:
1. Pemerintah sebaiknya mengambil kebijakan dalam hal pemerataan
infrastruktur vital, khususnya kecamatan-kecamatan dengan pengeluaran per
kapita yang masih rendah.
2. Penelitian ini masih menggunakan model satu periode dan univariat sehingga
untuk penelitian selanjutnya diharapkan dapat memasukkan pengaruh waktu
atau dengan penggunaan analisis multivariat dengan tujuan untuk
memperoleh pendugaan dengan presisi yang lebih baik.
3. Penelitian berikutnya diharapkan menggunakan metode lain dalam mengatasi
ketidaknormalan data seperti Transformasi Box-Cox dan Transformasi Dual
Power.
84
DAFTAR PUSTAKA
Amaliana, Luthfatul & Evellin D.L. (2017). Penerapan Metode EBLUP pada model
Fay-Herriot SAE. Prosiding SI MaNIs (Seminar Nasional Integrasi
Matematika dan Nilai Islami ), 1(1), 312-319.
Anselin, Luc. (1999). Spatial Weights. Urbana: University of Illinois.
Anselin, Luc. (2001). Spatial econometrics. A Companion to Theoretical
Econometrics. New York: Blackwell Publishing Ltd
Badan Perencanaan Pembangunan Nasional. (2005). Kesejahteraan Petani dan
Nelayan Masih Rendah. Diakses dari
https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&
ved=2ahUKEwj4hL3-
1NvjAhUGSY8KHdwgBWEQFjAAegQIAxAB&url=http%3A%2F%2Fper
pustakaan.bappenas.go.id%2Flontar%2Ffile%3Ffile%3Ddigital%2Fblob%2
FF25260%2FKesejahteraan%2520Petani%2520dan%2520Nelayan%2520M
asih%2520Rendah.htm&usg=AOvVaw2KVJBl_fMNmJ8rSo0gBv-q pada
tanggal 30 Juli 2019.
Badan Pusat Satatistik. (2018). Statistik Ketenagakerjaan Sektor Pertanian 2018.
Jakarta: BPS.
Badan Pusat Statistik. (2018). BPS Pelajari dan Kembangkan SAE. Diakses dari
https://www.bps.go.id/news/2017/10/31/181/bps-pelajari-dan-kembangkan-
sae.html pada tanggal 29 Oktober 2018.
Badan Pusat Statistik. (2018). Gini Ratio Provinsi 2002-2018. Diakses dari
https://www.bps.go.id/dynamictable/2017/04/26%2000:00:00/1116/gini-
ratio-provinsi-2002-2018.html pada tanggal 19 Juni 2019.
Badan Pusat Statistik. (2018). Integrasi Data Susenas dan Riskesdas. Diakses dari
https://www.bps.go.id/news/2018/01/30/191/integrasi-data-susenas-dan-
riskesdas.html pada tanggal 25 November 2018.
Badan Pusat Statistik. (2018). Pedoman Konsep dan Definisi Susenas Maret 2018.
Jakarta: BPS.
Badan Pusat Statistik. (2018). Pengeluaran per kapita disesuaikan Menurut
Provinsi, 2010-2018 (Metode Baru). Diakses dari
https://www.bps.go.id/dynamictable/2019/04/16/1614/pengeluaran-per-
kapita-disesuaikan-menurut-provinsi-2010-2018-metode-baru-.html pada
tanggal 19 Juni 2019.
Badan Pusat Statistik. (2018). Podes 2018 Pedoman Pencacah. Jakarta: BPS
Badan Pusat Statistik. (2018). Statistik Daerah Provinsi Jawa Barat 2018. Jakarta:
BPS
Badan Pusat Statistik. (2018). Laporan Eksekutif Keadaan Tenaga Kerja Provinsi
Jawa Barat Februari 2018. Jakarta: BPS
85
Badan Pusat Statistik. (23 April 2018). Pengeluaran per Kapita Disesuaikan (000
Rp) Menurut Kabupaten/Kota di Jawa Barat, 2010-2018. Diakses pada
tanggal 30 Juli 2019 melalui
https://jabar.bps.go.id/statictable/2019/04/21/590/pengeluaran-per-kapita-
disesuaikan-000-rp-menurut-kabupaten-kota-di-jawa-barat-2010-2018.html.
Bank Indonesia. (2019). Kajian Ekonomi dan Keuangan Regional Provisi Jawa
Barat Februari 2019. Bandung: Bank Indonesia.
Fausi, Hasan & Sutikno. (2011). SAE terhadap Pengeluaran per Kapita di
Kabupaten Sumenep dengan Metode Empirical Bayes [Skripsi]. Surabaya:
ITS.
Ghosh M dan J.N.K. Rao. (1994). Small Area Estimation: An Appraisal. Statistical
Science, 9(1), 55-76.
Gujarati, Damodar N & Dawn C. Porter. (2008). Basic Econometrics (Fifth). New
York: McGraw-Hill, Inc.
Hall, G. (2015). Pearson’s Correlation Coeﬃcient. Diakses dari
http://www.hep.ph.ic.ac.uk/~hallg/UG_2015/Pearsons.pdf pada tanggal 30
Juli 2019.
Jiang, Jiming. (1996). REML Estimation: Asymptotic Behavior and Related
Topics. The Annals of Statistics, 24(1), 255-286.
Johnson, R.A. dan Wichern D.W. (2002. Applied Multivariate Statistical Analysis
Fifth Edition. New Jersey: Prentice Hall, Inc.
Jones, Thomas A. (1969). Skewness and Kurtosis as Criteria of Normality in
Observed Frequency Distributions. Journal of Sedimentary Research, 39(4),
1622-1627.
Kementerian Pendidikan dan Kebudayaan. (2017). Ikhtisar Data Pendidikan dan
Kebudayaan tahun 2017/2018. Jakarta: Kemendikbud.
Kline, Rex B. (2011). Principles and Practice of Structural Equation Modelling
(Thirth). New York: The Guilford Press, Inc.
Kurnia, Anang. (2009). Prediksi Terbaik Empirik untuk Model Transformasi
Logaritma di Dalam Pendugaan Area Kecil dengan Penerapan pada Data
Susenas [Disertasi]. Bogor: IPB.
Laerd Statistics. (2019). Pearson Product-Moment Correlation. Diakses dari
https://statistics.laerd.com/statistical-guides/pearson-correlation-coefficient-
statistical-guide-2.php pada tanggal 30 Juli 2019 .
Molina, I., & Marhuenda, Y. (2015). R package sae: Methodology. The R Journal,
7(1), 81-98.
Neter, John et all. (1989). Applied Linear Regression Models (Second). Boston:
McGraw-Hill, Inc.
86
Nurriza, Wirda Avie. (2018). Penerapan Metode Fay-Herriot Multivariat pada
SAE [Skripsi]. Jakarta: STIS.
Pemerintah Kabupaten Purworejo. (2018). Komponen IPM, pengeluaran per kapita
yang disesuaikan. Diakses dari
http://data.jatengprov.go.id/dataset/pengeluaran-perkapita-yang-disesuaikan
pada tanggal 31 Juli 2019.
Pemerintah Indonesia. (2014). Undang-Undang Republik Indonesia Nomor 23
Tahun 2014 tentang Pemerintahan Daerah. Lembaran RI Tahun 2014.
Jakarta: Sekretariat Negara.
Rao, J. (2003). Small Area Estimation. New York: John Wiley & Sons, Inc.
Rao, J.N.K. dan Isabel Molina. (2015). Small Area Estimation (Second). New York:
John Wiley & Sons, Inc.
Saei, Ayoub dan Ray Chambers. (2003). Small Area Estimation Under Linear and
Generalized Linear Mixed Models with Time and Area Effects. S3RI
Methodology Working Paper M03/15. Southampton: Southampton Statistical
Sciences Research Institute, University of Southampton.
Satriya, Andi M.A. (2016). Small Area Estimation Pengeluaran per Kapita di
Kabupaten Bangkalan dengan Metode Hierarchical Bayes [Thesis].
Surabaya: ITS.
Sirusa BPS. (2019). Pengeluaran per kapita. Diakses dari pada tanggal 28 Juni
2019 melalui https://sirusa.bps.go.id/sirusa/index.php/indikator/197.
Walpole, Ronald. E. (2015). Pengantar Statistika Edisi ke-3. Jakarta: PT. Gramedia
Pustaka Utama
Waters, N. M. (2017). Tobler’s First Law of Geography. In: Richardson, D.,
Castree, N., Goodchild, M. F., Kobayashi, A., Liu, W. and Marston, R. (Eds.),
International Encyclopedia of Geography: People, the Earth, Environment,
and Technology. Wiley: New York.
Zainuddin, Hazan A. (2016). Kajian Transformasai Logaritma unuk Penduga
Spatial Empirical Best Linear Unbiased Prediction pada Pendugaan Area
Kecil [Tesis]. Bogor: IPB.
87
88
LAMPIRAN
Lampiran 1. Variabel-variabel yang digunakan dalam penelitian
Notasi
No Data Sumber
Variabel
(1) (2) (3) (5)
Pengeluaran rumah tangga per kapita SUSENAS
1 Y
level kecamatan 2018
Energi
Jumlah keluarga pengguna listrik (PLN dan
2 Listrik PODES 2018
Non PLN)
Perumahan Bantaran Sungai dan Permukinan kumuh
3 Bansungai Jumlah bangunan rumah di bantaran sungai PODES 2018
Jumlah bangunan rumah di permukiman
4 Permkumuh PODES 2018
kumuh
Sarana Pendidikan
5 SD Jumlah SD/MI PODES 2018
6 SMP Jumlah SMP/MTs PODES 2018
7 SMA Jumlah SMU/MA PODES 2018
8 SMK Jumlah SMK PODES 2018
9 PT Jumlah akademi/Perguruan Tinggi PODES 2018
Sarana Kesehatan
10 RSbersalin Jumlah rumah sakit bersalin PODES 2018
11 Puskesmas Jumlah puskesmas dengan rawat inap PODES 2018
12 Puskesmas2 Jumlah pukesmas tanpa rawat inap PODES 2018
13 Puskesmas3 Jumlah puskesmas pembantu PODES 2018
14 Poliklinik Jumlah poliklinik/ balai pengobatan PODES 2018
15 Dokter Jumlah tempat praktik dokter PODES 2018
16 Rbersalin Jumlah rumah bersalin PODES 2018
17 Bidan Jumlah tempat praktik bidan PODES 2018
18 Poskesdes Jumlah poskesdes (pos kesehatan desa) PODES 2018
19 Polindes Jumlah polindes (pondok bersalin desa) PODES 2018
20 Apotek Jumlah apotek PODES 2018
21 Obat Jumlah toko khusus obat/jamu PODES 2018
Jenis Pekerjaan
22 Tani Jumlah keluarga pertanian PODES 2018
23 TKI Jumlah TKI PODES 2018
24 Kulit Jumlah Industri Mikro Kecil (IMK) dari kulit PODES 2018
25 Kayu Jumlah Industri Mikro Kecil (IMK) dari kayu PODES 2018
Jumlah Industri Mikro Kecil (IMK) dari
26 Logmulia PODES 2018
logam mulia atau bahan logam
89
Lampiran 1. Variabel-variabel yang digunakan dalam penelitian (Lanjutan)
No Notasi Data Sumber

Variabel
(1) (2) (3) (5)
27 Kain Jumlah Industri Mikro Kecil (IMK) dari PODES 2018
kain/tenun
28 Gerabah Jumlah Industri Mikro Kecil (IMK) PODES 2018
gerabah/keramik/batu
29 Rotan Jumlah Industri Mikro Kecil (IMK) dari PODES 2018
rotan/bambu, rumput, pandan, dll
30 Makanminum Jumlah Industri Mikro Kecil (IMK) makanan PODES 2018
dan minuman
31 Lainnya Jumlah Industri Mikro Kecil (IMK) lainnya PODES 2018
Sarana Ekonomi (Perdagangan)
32 KP Jumlah kelompok pertokoan PODES 2018
33 BP Jumlah pasar dengan bangunan permanen PODES 2018
34 BSP Jumlah pasar dengan bangunan semi PODES 2018
permanen
35 PTB Jumlah pasar tanpa bangunan PODES 2018
36 Minimarket Jumlah minimarket/swalayan PODES 2018
37 Warkelontong Jumlah toko/warung kelontong PODES 2018
38 Warkelontong2 Jumlah toko/warung kelontong yang menjual PODES 2018
bahan pangan (sembako)
39 Restoran Jumlah restoran/rumah makan PODES 2018
40 Kedai Jumlah warung/kedai makanan minuman PODES 2018
41 Hotel Jumlah hotel PODES 2018
42 Penginapan Jumlah penginapan PODES 2018
Sarana Ekonomi (Inklusivitas Keuangan)
43 BUP Jumlah Bank Umum Pemerintah PODES 2018
44 BUS Jumlah Bank Umum Swasta PODES 2018
45 BPR Jumlah Bank Perkreditan Rakyat PODES 2018
90
Lampiran 2. Hasil pendugaan langsung, EBLUP FH dan SEBLUP FH (Rupiah) beserta MSE dan RRMSE (Persen) dari rata-rata
pengeluaran rumah tangga per kapita level kecamatan di Provinsi Jawa Barat tahun 2018
Penduga Langsung EBLUP-FH SEBLUP-FH

Kabupaten Kecamatan
𝜃̂ MSE(𝜃̂) RRMSE(𝜃̂) 𝜃̂ MSE(𝜃̂) RRMSE(𝜃̂) 𝜃̂ MSE(𝜃̂) RRMSE(𝜃̂)
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
BOGOR NANGGUNG 664.046 7.063.644.505 12,66 697.912 5.774.256.966 10,89 719.098 5.717.487.897 10,52
BOGOR LEUWILIANG 1.176.496 42.583.432.448 17,54 1.108.117 22.460.300.793 13,52 1.096.657 19.882.746.267 12,86
BOGOR LEUWISADENG 859.790 9.278.902.655 11,20 917.715 8.292.700.744 9,92 922.456 8.017.876.805 9,71
BOGOR PAMIJAHAN 668.097 8.912.639.029 14,13 731.712 7.408.937.614 11,76 745.949 7.152.894.090 11,34
BOGOR CIBUNGBULANG 1.549.323 60.900.700.043 15,93 1.347.561 29.862.757.585 12,82 1.352.851 28.281.071.205 12,43
BOGOR CIAMPEA 738.370 7.971.644.758 12,09 816.301 7.404.905.499 10,54 830.986 7.407.470.735 10,36
BOGOR TENJOLAYA 794.292 64.236.899.166 31,91 726.827 16.583.995.973 17,72 648.834 11.491.376.473 16,52
BOGOR DRAMAGA 843.574 63.885.771.884 29,96 835.676 20.891.296.066 17,30 818.546 17.390.070.797 16,11
BOGOR CIOMAS 723.991 29.944.562.832 23,90 741.784 13.826.745.467 15,85 779.874 13.804.794.401 15,07
BOGOR TAMANSARI 628.903 10.145.363.544 16,02 672.212 7.446.759.330 12,84 665.209 6.776.419.405 12,37
BOGOR CIJERUK 1.435.196 24.357.740.218 10,87 1.540.788 22.559.021.782 9,75 1.563.313 22.319.396.638 9,56
BOGOR CIGOMBONG 882.270 7.709.954.069 9,95 909.283 6.740.696.994 9,03 899.083 6.322.305.791 8,84
BOGOR CARINGIN 2.327.403 169.226.666.434 17,68 2.139.738 88.145.220.607 13,88 2.038.648 72.386.679.976 13,20
BOGOR CIAWI 581.251 9.658.776.868 16,91 618.650 6.788.782.117 13,32 649.317 6.880.074.379 12,77
BOGOR CISARUA 1.277.012 17.525.781.174 10,37 1.255.457 13.768.141.479 9,35 1.244.211 12.984.757.970 9,16
BOGOR MEGAMENDUNG 604.690 5.785.920.608 12,58 643.037 4.851.948.938 10,83 648.820 4.650.789.016 10,51
BOGOR SUKARAJA 1.628.894 27.411.957.428 10,16 1.674.394 23.882.010.795 9,23 1.686.301 23.025.665.791 9,00
BOGOR BABAKAN MADANG 1.435.120 35.709.549.934 13,17 1.416.728 25.630.178.077 11,30 1.379.144 22.772.380.356 10,94
BOGOR SUKAMAKMUR 990.568 12.894.808.757 11,46 986.971 9.934.629.444 10,10 988.393 9.255.861.165 9,73
91
Lampiran 2. Hasil pendugaan langsung, EBLUP FH dan SEBLUP FH beserta MSE dan RRMSE dari rata-rata pengeluaran
rumah tangga per kapita level kecamatan di Provinsi Jawa Barat tahun 2018 (Lanjutan)

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
BOGOR CARIU 837.506 14.233.396.615 14,25 849.706 10.139.137.030 11,85 878.627 10.022.783.087 11,39
BOGOR TANJUNGSARI 925.290 34.560.969.606 20,09 904.259 17.442.129.077 14,61 917.615 16.104.226.011 13,83
BOGOR JONGGOL 1.008.627 8.789.543.366 9,30 1.009.113 7.393.054.830 8,52 1.032.760 7.442.722.363 8,35
BOGOR CILEUNGSI 1.282.123 52.160.147.427 17,81 1.088.523 22.357.283.171 13,74 1.120.334 21.288.625.692 13,02
BOGOR KELAPA NUNGGAL 1.059.917 19.798.810.040 13,28 1.033.234 13.564.642.794 11,27 1.044.048 12.940.887.104 10,90
BOGOR GUNUNG PUTRI 998.941 6.189.145.486 7,88 946.362 4.916.582.253 7,41 958.216 4.891.681.579 7,30
BOGOR CITEUREUP 603.562 3.657.596.533 10,02 610.355 3.077.876.040 9,09 625.470 3.105.410.847 8,91
BOGOR CIBINONG 901.471 12.646.352.244 12,47 856.854 8.501.776.190 10,76 839.629 7.619.356.083 10,40
BOGOR BOJONG GEDE 959.264 9.466.242.122 10,14 937.067 7.375.342.453 9,16 902.803 6.533.767.090 8,95
BOGOR TAJUR HALANG 678.166 10.509.252.601 15,12 714.427 7.755.668.543 12,33 683.047 6.556.310.869 11,85
BOGOR KEMANG 665.516 3.999.026.283 9,50 665.750 3.359.929.971 8,71 682.161 3.391.343.576 8,54
BOGOR RANCA BUNGUR 2.168.491 390.876.526.638 28,83 1.169.126 40.586.199.981 17,23 1.145.132 33.675.077.888 16,03
BOGOR PARUNG 802.935 10.387.623.284 12,69 831.806 8.235.559.434 10,91 796.904 7.139.757.555 10,60
BOGOR CISEENG 1.168.688 53.694.718.200 19,83 1.069.024 24.262.000.351 14,57 1.088.672 22.948.881.187 13,92
BOGOR GUNUNG SINDUR 598.621 28.430.802.634 28,17 739.820 15.763.123.006 16,97 710.044 12.751.101.219 15,90
BOGOR RUMPIN 1.122.089 30.978.535.617 15,69 1.079.298 18.560.690.297 12,62 1.064.451 16.471.939.082 12,06
BOGOR CIGUDEG 1.199.000 20.958.154.231 12,07 1.173.502 15.239.877.272 10,52 1.199.535 14.683.273.738 10,10
BOGOR SUKAJAYA 1.188.077 6.676.596.188 6,88 1.158.335 5.747.086.198 6,54 1.150.384 5.568.665.850 6,49
BOGOR JASINGA 974.196 30.611.320.612 17,96 885.503 14.749.205.341 13,71 900.433 13.996.667.785 13,14
92

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
BOGOR TENJO 608.321 21.570.548.357 24,14 702.590 12.702.775.904 16,04 780.306 13.887.385.099 15,10
BOGOR PARUNG PANJANG 1.103.032 14.339.551.660 10,86 1.048.177 10.340.316.793 9,70 1.041.991 9.897.515.748 9,55
SUKABUMI CIEMAS 711.495 7.680.289.053 12,32 700.174 5.573.317.517 10,66 714.023 5.524.587.872 10,41
SUKABUMI CIRACAP 767.933 7.387.921.345 11,19 767.050 5.786.517.675 9,92 752.209 5.331.432.527 9,71
SUKABUMI WALURAN 596.334 18.620.553.889 22,88 710.434 12.227.265.669 15,56 732.284 11.042.372.607 14,35
SUKABUMI SURADE 777.779 6.520.597.208 10,38 791.207 5.461.231.782 9,34 785.286 5.118.115.000 9,11
SUKABUMI CIBITUNG 667.440 3.816.184.486 9,26 682.915 3.358.374.148 8,49 682.186 3.234.559.365 8,34
SUKABUMI JAMPANG KULON 797.730 5.328.387.186 9,15 801.344 4.557.552.297 8,42 807.425 4.419.090.940 8,23
SUKABUMI CIMANGGU 768.870 9.226.434.164 12,49 782.336 7.111.122.940 10,78 799.572 6.998.608.278 10,46
SUKABUMI KALI BUNDER 757.131 10.475.992.398 13,52 741.510 7.173.859.381 11,42 733.371 6.491.424.458 10,99
SUKABUMI TEGAL BULEUD 986.579 47.635.134.130 22,12 908.339 19.330.670.064 15,31 896.364 16.535.294.627 14,35
SUKABUMI SAGARANTEN 1.116.256 13.909.043.674 10,57 1.091.288 10.675.124.112 9,47 1.113.292 10.630.981.711 9,26
SUKABUMI CIDADAP 916.591 7.925.117.579 9,71 879.771 6.043.653.333 8,84 894.405 5.969.053.555 8,64
SUKABUMI CURUGKEMBAR 1.183.859 21.780.438.153 12,47 1.046.224 12.700.443.324 10,77 1.068.971 12.402.489.775 10,42
SUKABUMI PABUARAN 522.841 8.843.970.206 17,99 590.649 6.571.746.348 13,72 662.802 7.481.030.377 13,05
SUKABUMI LENGKONG 1.062.247 4.737.080.067 6,48 1.020.498 4.015.175.013 6,21 1.020.706 3.910.715.181 6,13
SUKABUMI PALABUHANRATU 597.387 7.369.370.203 14,37 643.989 5.878.866.641 11,91 661.930 5.776.720.467 11,48
SUKABUMI SIMPENAN 865.352 11.731.282.847 12,52 835.691 8.145.802.118 10,80 846.532 7.778.719.906 10,42
SUKABUMI WARUNG KIARA 942.847 15.963.659.238 13,40 907.698 10.582.893.225 11,33 913.708 9.977.972.369 10,93
93

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
SUKABUMI BANTARGADUNG 807.620 13.689.497.103 14,49 796.847 9.087.787.188 11,96 771.863 7.963.591.025 11,56
SUKABUMI JAMPANG TENGAH 1.035.632 11.942.399.233 10,55 962.751 8.275.652.562 9,45 969.440 8.012.633.226 9,23
SUKABUMI PURABAYA 949.427 16.731.696.247 13,62 895.805 10.566.864.461 11,48 934.143 10.668.926.982 11,06
SUKABUMI CIKEMBAR 738.878 41.817.897.137 27,68 741.313 15.565.663.907 16,83 734.072 13.316.172.667 15,72
SUKABUMI NYALINDUNG 795.388 7.908.720.736 11,18 762.968 5.718.603.422 9,91 759.026 5.332.567.474 9,62
SUKABUMI GEGER BITUNG 1.017.230 10.886.708.076 10,26 988.128 8.376.920.423 9,26 978.423 7.827.344.653 9,04
SUKABUMI SUKARAJA 931.586 17.118.879.616 14,04 898.905 11.117.608.188 11,73 870.212 9.498.289.925 11,20
SUKABUMI KEBONPEDES 715.034 5.689.286.597 10,55 722.583 4.671.366.356 9,46 728.688 4.510.093.124 9,22
SUKABUMI SUKALARANG 1.362.046 22.706.423.524 11,06 1.283.905 16.050.027.620 9,87 1.333.975 17.291.155.021 9,86
SUKABUMI SUKABUMI 685.076 14.558.560.374 17,61 712.475 9.351.570.731 13,57 731.518 8.946.398.465 12,93
SUKABUMI CISAAT 554.870 2.996.198.497 9,86 588.693 2.777.072.953 8,95 592.575 2.689.091.333 8,75
SUKABUMI GUNUNGGURUH 508.305 7.803.670.960 17,38 576.014 6.055.575.725 13,51 579.114 5.530.111.498 12,84
SUKABUMI CIBADAK 692.787 5.466.500.233 10,67 715.157 4.656.618.770 9,54 718.846 4.455.639.369 9,29
SUKABUMI CICANTAYAN 765.122 9.915.865.453 13,01 763.799 7.202.160.545 11,11 742.446 6.403.972.784 10,78
SUKABUMI CARINGIN 743.096 16.649.025.935 17,36 725.757 9.619.766.110 13,51 721.347 8.639.223.101 12,89
SUKABUMI NAGRAK 971.419 23.499.490.028 15,78 892.697 12.833.063.714 12,69 896.643 12.053.309.890 12,24
SUKABUMI CIAMBAR 752.892 5.652.911.448 9,99 752.281 4.629.781.789 9,04 750.546 4.419.044.921 8,86
SUKABUMI CICURUG 771.012 10.741.847.203 13,44 799.658 8.252.603.634 11,36 768.061 7.094.253.780 10,97
SUKABUMI CIDAHU 656.065 2.404.587.828 7,47 664.064 2.193.862.266 7,05 652.822 2.078.543.182 6,98
94

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
SUKABUMI PARUNG KUDA 699.768 25.364.177.996 22,76 731.669 12.917.043.308 15,53 668.822 9.429.102.955 14,52
SUKABUMI BOJONG GENTENG 497.367 8.090.386.835 18,08 597.616 6.766.277.730 13,76 557.534 5.343.760.677 13,11
SUKABUMI KALAPA NUNGGAL 449.082 7.102.645.844 18,77 558.381 6.194.066.902 14,09 551.672 5.549.464.457 13,50
SUKABUMI CIKIDANG 602.072 4.370.686.791 10,98 636.982 3.876.205.133 9,77 627.647 3.503.560.019 9,43
SUKABUMI CISOLOK 909.433 10.160.710.516 11,08 875.726 7.461.214.126 9,86 886.624 7.258.923.368 9,61
SUKABUMI CIKAKAK 977.411 12.689.660.220 11,53 946.607 9.203.314.642 10,13 920.605 8.221.740.329 9,85
SUKABUMI KABANDUNGAN 832.787 5.936.193.329 9,25 808.383 4.721.669.235 8,50 799.100 4.417.945.096 8,32
CIANJUR AGRABINTA 1.226.764 16.098.974.368 10,34 1.140.943 11.268.845.792 9,30 1.139.009 10.739.525.739 9,10
CIANJUR LELES 980.578 22.167.536.119 15,18 920.113 13.020.672.340 12,40 899.645 11.408.209.515 11,87
CIANJUR SINDANGBARANG 756.952 6.011.794.806 10,24 779.513 5.239.555.720 9,29 786.002 5.111.072.366 9,10
CIANJUR CIDAUN 629.136 6.278.064.879 12,59 664.952 5.192.454.785 10,84 668.912 4.873.936.287 10,44
CIANJUR NARINGGUL 521.480 2.711.354.258 9,99 544.465 2.436.358.061 9,07 537.043 2.297.711.427 8,93
CIANJUR CIBINONG 733.949 7.045.351.400 11,44 748.946 5.688.504.720 10,07 709.923 4.822.276.735 9,78
CIANJUR CIKADU 497.397 8.743.809.805 18,80 620.383 7.626.491.858 14,08 580.548 5.982.936.726 13,32
CIANJUR TANGGEUNG 677.679 3.564.099.968 8,81 702.475 3.272.781.807 8,14 708.965 3.237.573.177 8,03
CIANJUR PASIRKUDA 465.918 8.995.558.784 20,36 646.527 9.047.945.582 14,71 635.280 7.885.747.352 13,98
CIANJUR KADUPANDAK 836.721 3.640.813.520 7,21 839.216 3.285.531.448 6,83 838.011 3.182.942.580 6,73
CIANJUR CIJATI 649.699 4.614.139.265 10,46 679.766 4.080.877.402 9,40 684.195 3.922.809.171 9,15
CIANJUR TAKOKAK 977.840 11.280.712.855 10,86 930.789 8.131.358.861 9,69 947.039 7.980.191.032 9,43
95

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
CIANJUR SUKANAGARA 698.683 4.281.278.456 9,36 711.783 3.719.861.411 8,57 731.524 3.759.545.732 8,38
CIANJUR PAGELARAN 1.137.834 57.323.726.495 21,04 1.019.341 23.342.287.007 14,99 900.243 15.874.868.803 14,00
CIANJUR CAMPAKA 833.872 8.145.207.430 10,82 830.466 6.412.642.008 9,64 839.029 6.176.620.111 9,37
CIANJUR CAMPAKAMULYA 1.135.666 10.204.210.355 8,89 1.120.690 8.505.156.063 8,23 1.107.808 8.034.444.239 8,09
CIANJUR CIBEBER 931.468 13.874.809.556 12,65 938.696 10.417.864.069 10,87 909.376 9.129.250.763 10,51
CIANJUR WARUNGKONDANG 858.218 41.942.487.936 23,86 871.380 19.160.256.620 15,89 834.702 15.549.221.489 14,94
CIANJUR GEKBRONG 958.203 22.870.969.992 15,78 941.410 14.213.269.063 12,66 960.202 13.628.737.271 12,16
CIANJUR CILAKU 697.908 6.950.340.730 11,95 729.297 5.771.130.780 10,42 750.125 5.773.962.731 10,13
CIANJUR SUKALUYU 694.610 9.833.534.899 14,28 749.148 7.885.277.531 11,85 763.841 7.544.293.729 11,37
CIANJUR BOJONGPICUNG 630.221 4.127.764.149 10,19 670.933 3.815.460.843 9,21 681.904 3.731.421.601 8,96
CIANJUR HAURWANGI 736.150 6.710.993.779 11,13 743.162 5.385.473.520 9,87 766.695 5.460.132.502 9,64
CIANJUR CIRANJANG 1.193.188 16.930.040.993 10,90 1.128.172 11.975.213.566 9,70 1.079.860 10.512.834.958 9,49
CIANJUR MANDE 942.500 4.335.461.182 6,99 939.066 3.888.596.959 6,64 949.466 3.885.901.485 6,57
CIANJUR KARANGTENGAH 1.829.263 133.123.479.546 19,95 1.320.983 36.850.213.778 14,53 1.219.497 28.106.370.112 13,75
CIANJUR CIANJUR 974.923 12.890.288.720 11,65 968.949 9.836.296.936 10,24 981.655 9.585.272.284 9,97
CIANJUR CUGENANG 871.415 5.343.336.447 8,39 856.029 4.481.987.342 7,82 857.973 4.321.366.138 7,66
CIANJUR PACET 935.188 7.482.044.163 9,25 916.289 6.050.750.301 8,49 908.021 5.729.195.496 8,34
CIANJUR CIPANAS 930.150 13.028.380.784 12,27 910.374 9.386.236.244 10,64 907.727 8.758.837.487 10,31
CIANJUR SUKARESMI 706.658 8.848.109.277 13,31 749.108 7.142.804.781 11,28 772.566 6.989.441.017 10,82
96

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
CIANJUR CIKALONGKULON 903.011 34.718.530.116 20,63 881.779 17.023.478.680 14,80 838.152 13.934.655.966 14,08
BANDUNG CIWIDEY 959.307 13.996.173.800 12,33 914.211 9.507.721.924 10,67 914.744 9.025.576.244 10,39
BANDUNG RANCABALI 816.383 9.393.662.160 11,87 830.070 7.398.317.332 10,36 801.821 6.461.834.682 10,03
BANDUNG PASIRJAMBU 1.313.704 222.492.662.889 35,91 884.349 26.334.307.597 18,35 913.767 22.358.615.711 16,36
BANDUNG CIMAUNG 1.215.379 27.287.180.463 13,59 1.070.775 15.008.356.235 11,44 1.085.496 14.434.940.737 11,07
BANDUNG PANGALENGAN 783.665 6.453.096.137 10,25 777.160 5.152.436.854 9,24 803.215 5.280.086.121 9,05
BANDUNG KERTASARI 719.605 6.643.768.029 11,33 750.946 5.634.389.130 10,00 743.072 5.246.042.335 9,75
BANDUNG PACET 1.001.615 7.391.464.943 8,58 962.644 5.892.485.529 7,97 984.236 5.934.205.531 7,83
BANDUNG IBUN 765.601 11.955.137.054 14,28 764.806 8.217.024.250 11,85 759.401 7.494.547.693 11,40
BANDUNG PASEH 765.599 5.920.134.950 10,05 772.028 4.928.056.011 9,09 778.194 4.771.358.379 8,88
BANDUNG CIKANCUNG 1.076.321 11.634.002.971 10,02 1.008.460 8.370.027.676 9,07 1.003.457 7.899.381.580 8,86
BANDUNG CICALENGKA 794.351 8.564.475.218 11,65 787.655 6.494.347.579 10,23 805.324 6.416.233.714 9,95
BANDUNG RANCAEKEK 914.573 7.548.592.837 9,50 919.538 6.371.637.770 8,68 928.106 6.205.691.067 8,49
BANDUNG MAJALAYA 829.758 11.914.266.911 13,15 827.168 8.561.695.489 11,19 826.112 7.975.099.718 10,81
BANDUNG SOLOKAN JERUK 666.645 5.180.283.066 10,80 681.061 4.312.925.020 9,64 679.506 4.092.108.308 9,41
BANDUNG CIPARAY 894.026 17.120.341.095 14,64 872.612 11.065.916.808 12,06 885.245 10.461.519.607 11,55
BANDUNG BALEENDAH 1.183.026 59.710.395.736 20,66 1.028.859 23.204.114.541 14,81 1.039.622 21.052.188.461 13,96
BANDUNG ARJASARI 1.284.052 41.414.285.925 15,85 1.124.612 20.425.055.554 12,71 1.153.659 19.877.266.058 12,22
BANDUNG BANJARAN 1.113.922 12.174.487.391 9,91 1.081.998 9.469.407.243 8,99 1.116.090 9.650.632.630 8,80
97

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
BANDUNG CANGKUANG 877.775 9.691.964.634 11,22 875.108 7.576.475.444 9,95 895.894 7.499.133.291 9,67
BANDUNG PAMEUNGPEUK 964.755 9.490.824.095 10,10 927.883 7.173.224.373 9,13 938.598 7.023.932.431 8,93
BANDUNG KATAPANG 876.065 9.561.233.479 11,16 861.990 7.263.060.772 9,89 889.653 7.292.516.710 9,60
BANDUNG SOREANG 780.776 4.130.553.695 8,23 789.624 3.674.367.912 7,68 800.460 3.673.141.087 7,57
BANDUNG KUTAWARINGIN 923.550 4.780.015.785 7,49 907.612 4.111.611.985 7,06 909.249 3.991.165.506 6,95
BANDUNG MARGAASIH 979.622 8.927.078.857 9,64 947.357 6.938.924.291 8,79 955.717 6.686.330.257 8,56
BANDUNG MARGAHAYU 1.582.224 198.949.643.760 28,19 1.031.121 30.845.587.797 17,03 1.077.134 28.818.875.360 15,76
BANDUNG DAYEUHKOLOT 1.062.405 15.100.583.465 11,57 1.004.442 10.425.497.435 10,17 1.012.453 10.146.733.806 9,95
BANDUNG BOJONGSOANG 523.387 8.204.737.354 17,31 614.625 6.824.963.110 13,44 632.099 6.508.863.556 12,76
BANDUNG CILEUNYI 991.500 79.007.977.017 28,35 840.497 20.352.997.083 16,97 784.988 15.115.432.233 15,66
BANDUNG CILENGKRANG 777.800 10.556.967.446 13,21 819.673 8.997.043.301 11,57 807.989 8.248.648.182 11,24
BANDUNG CIMENYAN 1.019.933 28.583.766.727 16,58 939.213 15.063.371.412 13,07 900.917 12.838.459.044 12,58
GARUT CISEWU 1.350.502 39.282.609.785 14,68 1.147.187 19.307.316.880 12,11 1.100.573 16.375.808.226 11,63
GARUT CARINGIN 1.134.180 9.489.814.714 8,59 1.159.588 8.677.807.550 8,03 1.177.334 8.776.546.012 7,96
GARUT TALEGONG 1.138.675 20.493.893.423 12,57 1.042.874 12.784.963.204 10,84 1.042.770 12.126.461.787 10,56
GARUT BUNGBULANG 611.697 29.411.918.767 28,04 693.807 13.845.004.189 16,96 801.950 15.003.399.127 15,27
GARUT MEKARMUKTI 1.330.851 30.837.523.841 13,20 1.188.494 17.798.537.324 11,23 1.195.511 17.297.361.213 11,00
GARUT PAKENJENG 1.201.485 12.397.449.490 9,27 1.153.951 9.617.465.141 8,50 1.146.263 9.045.430.259 8,30
GARUT CIKELET 1.248.623 8.402.198.146 7,34 1.274.253 7.845.583.314 6,95 1.294.853 7.944.155.790 6,88
98

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
GARUT PAMEUNGPEUK 1.396.501 61.612.696.945 17,77 1.186.437 26.148.293.782 13,63 1.185.090 23.778.371.353 13,01
GARUT CIBALONG 1.877.923 89.652.992.266 15,94 1.478.840 35.539.536.438 12,75 1.526.422 35.052.855.817 12,27
GARUT CISOMPET 860.343 8.274.873.944 10,57 880.738 6.956.613.878 9,47 923.841 7.225.139.211 9,20
GARUT PEUNDEUY 2.101.355 239.522.175.878 23,29 1.460.750 53.185.899.836 15,79 1.478.536 48.141.725.664 14,84
GARUT SINGAJAYA 625.960 4.026.160.056 10,14 657.862 3.625.599.351 9,15 686.826 3.815.377.395 8,99
GARUT CIKAJANG 804.329 10.912.621.120 12,99 803.627 7.921.903.931 11,08 762.690 6.658.101.334 10,70
GARUT BANJARWANGI 778.532 5.434.074.178 9,47 797.993 4.762.953.097 8,65 786.775 4.409.780.864 8,44
GARUT CILAWU 598.681 3.236.617.387 9,50 625.210 2.942.738.951 8,68 628.243 2.835.154.719 8,48
GARUT BAYONGBONG 779.978 7.462.013.414 11,08 783.584 5.922.266.913 9,82 736.529 4.935.593.938 9,54
GARUT CIGEDUG 570.953 3.664.967.846 10,60 620.983 3.473.538.568 9,49 601.049 3.102.728.702 9,27
GARUT CISURUPAN 428.980 4.034.446.271 14,81 536.197 4.237.046.264 12,14 533.780 3.892.721.302 11,69
GARUT SAMARANG 552.909 3.128.079.661 10,12 597.653 2.979.258.217 9,13 611.867 2.977.761.803 8,92
GARUT PASIRWANGI 932.043 12.413.491.606 11,95 912.514 9.034.263.945 10,42 889.609 8.097.732.644 10,12
GARUT TAROGONG KIDUL 790.280 14.639.867.001 15,31 804.709 9.983.431.484 12,42 785.595 8.760.400.343 11,91
GARUT TAROGONG KALER 1.121.359 48.028.396.925 19,54 1.010.089 21.089.814.317 14,38 945.528 16.819.872.007 13,72
GARUT GARUT KOTA 971.394 9.177.135.941 9,86 945.201 7.157.400.641 8,95 942.860 6.851.648.521 8,78
GARUT KARANGPAWITAN 911.247 21.554.506.667 16,11 877.819 12.682.749.238 12,83 896.803 12.281.577.070 12,36
GARUT WANARAJA 1.392.156 80.587.445.962 20,39 1.158.195 29.146.965.780 14,74 1.112.925 24.300.554.764 14,01
GARUT SUCINARAJA 1.547.247 81.595.612.271 18,46 1.463.253 41.957.619.768 14,00 1.553.479 43.536.242.752 13,43
99
GARUT PANGATIKAN 1.592.135 45.295.042.350 13,37 1.493.298 28.734.544.722 11,35 1.523.476 28.274.913.832 11,04
GARUT SUKAWENING 1.298.560 67.681.455.713 20,03 991.966 20.971.579.162 14,60 983.149 18.538.498.810 13,85
GARUT BANYURESMI 555.841 12.393.954.700 20,03 663.735 9.430.439.568 14,63 719.414 9.693.331.373 13,69
GARUT LELES 989.354 18.015.822.920 13,57 935.182 11.434.254.810 11,43 906.347 9.936.033.467 11,00
GARUT LEUWIGOONG 951.781 10.981.610.993 11,01 998.867 9.674.342.229 9,85 1.032.604 9.858.219.863 9,62
GARUT CIBATU 967.926 10.772.889.799 10,72 925.282 7.896.614.377 9,60 926.172 7.531.814.093 9,37
GARUT KERSAMANAH 914.616 18.990.435.880 15,07 870.664 11.503.690.820 12,32 930.476 12.057.649.491 11,80
GARUT CIBIUK 1.280.610 56.213.292.576 18,51 1.075.844 22.687.237.633 14,00 1.003.098 17.750.590.880 13,28
GARUT KADUNGORA 718.191 6.029.507.680 10,81 732.241 4.976.932.381 9,63 752.239 5.017.430.935 9,42
GARUT BLUBUR LIMBANGAN 786.720 4.334.213.445 8,37 786.156 3.755.117.984 7,79 805.364 3.794.084.661 7,65
GARUT SELAAWI 921.668 7.173.082.646 9,19 875.102 5.467.931.188 8,45 862.729 5.121.497.330 8,30
GARUT MALANGBONG 760.405 4.001.843.679 8,32 770.909 3.569.027.532 7,75 780.308 3.532.679.444 7,62
TASIKMALAYA CIPATUJAH 1.467.541 38.136.571.063 13,31 1.530.011 30.428.527.229 11,40 1.543.547 29.249.930.025 11,08
TASIKMALAYA KARANGNUNGGAL 1.386.880 50.982.792.645 16,28 1.164.688 22.641.164.055 12,92 1.129.737 19.403.022.035 12,33
TASIKMALAYA CIKALONG 1.405.224 43.685.913.113 14,87 1.307.685 25.891.484.477 12,30 1.363.816 26.569.439.418 11,95
TASIKMALAYA PANCATENGAH 1.303.023 53.472.161.473 17,75 1.255.776 29.940.078.900 13,78 1.323.819 29.932.211.438 13,07
TASIKMALAYA CIKATOMAS 927.967 11.995.358.137 11,80 920.717 9.025.228.285 10,32 952.204 9.030.231.585 9,98
TASIKMALAYA CIBALONG 811.591 6.320.146.663 9,80 820.479 5.330.074.072 8,90 846.165 5.416.451.920 8,70
TASIKMALAYA PARUNGPONTENG 1.201.844 19.781.505.855 11,70 1.131.808 13.462.256.327 10,25 1.130.149 12.629.853.704 9,94
TASIKMALAYA BANTARKALONG 750.432 3.242.953.259 7,59 756.510 2.924.828.244 7,15 775.466 3.000.649.430 7,06
TASIKMALAYA BOJONGASIH 1.424.190 41.455.971.697 14,30 1.329.768 25.086.995.895 11,91 1.337.776 23.672.113.988 11,50
TASIKMALAYA CULAMEGA 631.574 3.373.433.324 9,20 655.042 3.063.107.875 8,45 663.838 3.038.274.057 8,30
100

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
TASIKMALAYA BOJONGGAMBIR 1.296.728 36.589.398.752 14,75 1.104.812 18.006.117.818 12,15 1.084.761 15.926.734.253 11,63
TASIKMALAYA SODONGHILIR 818.081 12.406.055.566 13,62 834.970 9.179.336.072 11,47 868.815 9.162.039.531 11,02
TASIKMALAYA TARAJU 1.387.278 19.448.029.881 10,05 1.347.672 15.363.298.150 9,20 1.341.814 14.678.244.519 9,03
TASIKMALAYA SALAWU 1.124.038 7.545.704.530 7,73 1.118.803 6.627.861.514 7,28 1.126.187 6.540.312.305 7,18
TASIKMALAYA PUSPAHIANG 1.568.297 167.997.476.993 26,14 1.160.542 37.042.503.504 16,58 1.185.363 32.837.890.718 15,29
TASIKMALAYA TANJUNGJAYA 1.530.722 53.163.174.443 15,06 1.236.861 23.215.220.750 12,32 1.269.042 22.618.436.990 11,85
TASIKMALAYA SUKARAJA 915.787 11.725.717.352 11,82 914.656 8.979.207.540 10,36 963.953 9.376.605.254 10,05
TASIKMALAYA SALOPA 1.033.123 19.795.082.489 13,62 991.699 12.932.042.485 11,47 991.807 12.136.880.407 11,11
TASIKMALAYA JATIWARAS 1.231.644 13.573.340.711 9,46 1.140.637 9.817.044.772 8,69 1.129.861 9.284.542.599 8,53
TASIKMALAYA CINEAM 902.441 18.447.362.578 15,05 896.258 12.160.613.287 12,30 892.933 10.910.965.228 11,70
TASIKMALAYA KARANGJAYA 1.038.989 4.115.675.361 6,17 1.016.077 3.630.588.801 5,93 1.012.181 3.547.992.329 5,88
TASIKMALAYA MANONJAYA 1.032.354 12.340.730.519 10,76 1.021.430 9.688.306.802 9,64 991.753 8.740.432.255 9,43
TASIKMALAYA SINGAPARNA 1.773.183 52.566.103.223 12,93 1.555.398 29.671.004.204 11,07 1.446.091 23.666.827.172 10,64
TASIKMALAYA SUKARAME 1.926.271 70.841.285.868 13,82 1.814.668 44.906.656.232 11,68 1.884.289 45.512.105.109 11,32
TASIKMALAYA MANGUNREJA 1.198.731 24.602.243.558 13,08 1.123.671 15.744.130.744 11,17 1.198.431 16.755.752.148 10,80
TASIKMALAYA CIGALONTANG 1.199.267 17.375.562.747 10,99 1.115.045 11.858.929.850 9,77 1.123.728 11.338.134.254 9,48
TASIKMALAYA LEUWISARI 1.022.305 20.123.747.448 13,88 1.056.491 15.475.749.915 11,77 1.000.251 12.856.316.193 11,34
TASIKMALAYA PADAKEMBANG 579.777 2.524.854.428 8,67 633.486 2.589.983.906 8,03 645.153 2.602.878.460 7,91
TASIKMALAYA SUKARATU 1.813.362 48.990.148.639 12,21 1.860.383 39.753.682.518 10,72 1.867.259 37.488.009.185 10,37
101

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
TASIKMALAYA CISAYONG 1.354.066 40.768.930.070 14,91 1.242.538 23.337.772.782 12,29 1.229.502 21.074.560.710 11,81
TASIKMALAYA SUKAHENING 1.029.499 8.573.060.531 8,99 1.057.661 7.713.057.260 8,30 1.062.674 7.470.870.548 8,13
TASIKMALAYA RAJAPOLAH 1.630.695 23.857.523.667 9,47 1.715.917 22.980.951.893 8,83 1.703.373 22.049.171.323 8,72
TASIKMALAYA JAMANIS 1.454.914 15.788.548.519 8,64 1.519.677 15.217.942.348 8,12 1.489.050 14.207.311.957 8,00
TASIKMALAYA CIAWI 1.103.838 15.293.754.956 11,20 1.120.389 12.445.895.595 9,96 1.109.716 11.464.462.375 9,65
TASIKMALAYA KADIPATEN 1.022.807 5.750.208.011 7,41 1.055.520 5.532.607.587 7,05 1.045.966 5.331.275.676 6,98
TASIKMALAYA PAGERAGEUNG 582.080 8.095.743.899 15,46 626.676 6.149.532.122 12,51 595.124 5.095.303.609 11,99
TASIKMALAYA SUKARESIK 1.010.438 9.121.826.827 9,45 999.321 7.491.288.319 8,66 994.532 7.138.557.039 8,50
CIAMIS BANJARSARI 789.816 6.293.442.697 10,04 836.292 5.775.649.525 9,09 841.176 5.548.519.564 8,86
CIAMIS BANJARANYAR 959.342 6.763.928.154 8,57 950.972 5.745.226.724 7,97 965.643 5.756.998.288 7,86
CIAMIS LAKBOK 987.100 5.917.466.734 7,79 959.891 4.944.133.536 7,33 956.058 4.745.412.144 7,21
CIAMIS PURWADADI 837.458 9.160.902.123 11,43 809.001 6.639.518.522 10,07 827.720 6.535.313.196 9,77
CIAMIS PAMARICAN 731.240 8.020.931.237 12,25 728.016 5.981.872.445 10,62 728.869 5.565.749.520 10,24
CIAMIS CIDOLOG 525.181 5.123.646.682 13,63 548.399 3.981.566.046 11,51 561.924 3.934.680.154 11,16
CIAMIS CIMARAGAS 640.212 18.216.082.648 21,08 668.208 10.027.489.151 14,99 672.964 9.099.595.744 14,17
CIAMIS CIJEUNGJING 623.803 7.940.955.409 14,29 665.585 6.251.746.768 11,88 665.731 5.781.666.886 11,42
CIAMIS CISAGA 641.752 6.228.644.146 12,30 679.248 5.233.850.524 10,65 654.183 4.556.289.587 10,32
CIAMIS TAMBAKSARI 467.747 11.941.912.478 23,36 498.731 6.263.847.181 15,87 495.148 5.663.980.120 15,20
CIAMIS RANCAH 641.940 7.198.327.047 13,22 713.181 6.426.150.848 11,24 696.609 5.734.444.394 10,87
102

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
CIAMIS RAJADESA 539.527 12.292.010.956 20,55 653.585 9.342.700.993 14,79 661.933 8.551.610.319 13,97
CIAMIS SUKADANA 596.490 5.957.920.248 12,94 640.513 5.016.598.035 11,06 643.310 4.706.667.081 10,66
CIAMIS CIAMIS 799.020 3.763.523.538 7,68 826.134 3.574.081.737 7,24 825.774 3.471.671.001 7,14
CIAMIS BAREGBEG 922.999 5.030.938.181 7,68 892.503 4.163.944.781 7,23 884.182 3.976.324.456 7,13
CIAMIS CIKONENG 758.448 6.982.957.635 11,02 785.895 5.917.125.815 9,79 786.982 5.621.534.353 9,53
CIAMIS SINDANGKASIH 969.101 12.372.511.197 11,48 955.192 9.304.036.257 10,10 948.743 8.692.363.354 9,83
CIAMIS CIHAURBEUTI 895.245 3.391.524.711 6,51 883.898 3.024.796.159 6,22 877.724 2.913.703.638 6,15
CIAMIS SADANANYA 739.026 5.542.173.985 10,07 728.723 4.406.403.485 9,11 746.239 4.351.086.709 8,84
CIAMIS CIPAKU 988.552 4.983.602.834 7,14 969.648 4.309.525.318 6,77 977.703 4.270.056.773 6,68
CIAMIS JATINAGARA 960.842 12.284.270.301 11,54 935.433 8.990.925.294 10,14 940.991 8.607.139.972 9,86
CIAMIS PANAWANGAN 1.258.609 5.180.480.094 5,72 1.223.726 4.570.504.464 5,52 1.207.542 4.366.300.689 5,47
CIAMIS KAWALI 992.873 14.466.395.616 12,11 939.295 9.767.498.866 10,52 969.177 9.704.377.074 10,16
CIAMIS LUMBUNG 840.345 4.387.517.186 7,88 821.795 3.688.473.393 7,39 832.721 3.682.729.364 7,29
CIAMIS PANJALU 537.678 3.337.746.961 10,74 564.670 2.932.481.804 9,59 585.046 3.004.060.099 9,37
CIAMIS SUKAMANTRI 617.838 29.825.939.973 27,95 727.964 15.116.802.470 16,89 703.058 12.215.543.569 15,72
CIAMIS PANUMBANGAN 1.037.891 21.723.133.378 14,20 903.264 11.622.760.063 11,94 913.557 11.903.964.593 11,94
KUNINGAN DARMA 762.800 6.395.365.529 10,48 763.616 5.153.575.023 9,40 747.877 4.640.431.125 9,11
KUNINGAN KADUGEDE 510.768 3.103.014.209 10,91 549.629 2.843.332.406 9,70 553.220 2.737.966.884 9,46
KUNINGAN CINIRU 457.699 25.771.669.003 35,07 653.853 14.033.505.806 18,12 722.844 14.096.285.620 16,43
103

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
KUNINGAN HANTARA 976.998 8.440.356.799 9,40 918.813 6.259.959.621 8,61 893.444 5.718.289.723 8,46
KUNINGAN SELAJAMBE 772.445 4.731.359.066 8,90 777.313 4.076.139.475 8,21 790.991 4.057.010.665 8,05
KUNINGAN SUBANG 1.240.142 26.571.844.673 13,14 1.132.391 16.006.119.642 11,17 1.084.009 13.950.446.844 10,90
KUNINGAN CIWARU 853.552 14.796.998.530 14,25 827.902 9.602.327.549 11,84 845.035 9.396.791.515 11,47
KUNINGAN KARANGKANCANA 907.811 16.754.396.167 14,26 884.038 10.943.774.779 11,83 886.565 10.230.773.973 11,41
KUNINGAN CIBINGBIN 810.170 4.203.772.705 8,00 805.570 3.648.107.793 7,50 815.147 3.643.117.760 7,40
KUNINGAN CIBEUREUM 845.785 10.862.125.983 12,32 848.958 8.187.980.551 10,66 841.320 7.586.928.973 10,35
KUNINGAN LURAGUNG 1.184.405 17.569.728.245 11,19 1.124.289 12.399.306.535 9,90 1.126.971 11.881.753.648 9,67
KUNINGAN CIMAHI 840.295 11.524.105.010 12,78 852.218 8.707.007.143 10,95 848.440 7.874.060.481 10,46
KUNINGAN CIDAHU 774.254 9.537.848.308 12,61 765.025 6.902.612.620 10,86 773.173 6.627.267.264 10,53
KUNINGAN KALIMANGGIS 907.783 5.580.615.852 8,23 903.172 4.818.301.013 7,69 891.886 4.600.426.110 7,60
KUNINGAN CIAWIGEBANG 741.852 33.270.149.400 24,59 854.298 18.822.327.690 16,06 910.169 18.321.406.452 14,87
KUNINGAN CIPICUNG 716.164 7.356.646.792 11,98 738.964 5.941.862.454 10,43 753.593 5.878.453.695 10,17
KUNINGAN LEBAKWANGI 780.920 5.552.583.863 9,54 793.322 4.774.920.091 8,71 805.975 4.763.577.116 8,56
KUNINGAN MALEBER 959.856 37.811.730.354 20,26 907.142 17.668.349.623 14,65 943.327 17.044.029.191 13,84
KUNINGAN GARAWANGI 963.594 22.106.446.782 15,43 872.911 11.907.938.967 12,50 843.211 10.312.715.726 12,04
KUNINGAN SINDANGAGUNG 912.715 18.882.012.800 15,06 853.081 11.001.068.030 12,29 828.777 9.552.635.763 11,79
KUNINGAN KUNINGAN 699.031 2.590.905.565 7,28 716.199 2.434.656.056 6,89 714.228 2.364.490.881 6,81
KUNINGAN CIGUGUR 681.883 4.580.717.326 9,93 721.655 4.226.185.007 9,01 723.555 4.050.984.476 8,80
104

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
KUNINGAN KRAMATMULYA 869.853 14.505.904.128 13,85 849.799 9.721.600.250 11,60 837.352 8.771.985.379 11,19
KUNINGAN JALAKSANA 1.116.964 24.191.816.181 13,92 1.026.026 14.280.109.648 11,65 977.434 11.994.842.304 11,20
KUNINGAN JAPARA 1.013.680 35.220.322.742 18,51 933.145 16.973.903.064 13,96 891.079 14.188.364.306 13,37
KUNINGAN CILIMUS 674.654 15.172.052.961 18,26 742.716 10.557.001.843 13,83 688.983 8.237.290.906 13,17
KUNINGAN CIGANDAMEKAR 505.887 8.213.170.339 17,91 588.232 6.485.987.847 13,69 598.122 6.200.069.006 13,16
KUNINGAN MANDIRANCAN 666.908 3.937.893.548 9,41 675.532 3.384.079.613 8,61 657.707 3.096.501.706 8,46
KUNINGAN PANCALANG 533.100 11.868.609.580 20,44 628.348 8.547.024.419 14,71 599.194 7.024.683.748 13,99
KUNINGAN PASAWAHAN 581.394 7.062.915.777 14,46 623.849 5.618.932.213 12,02 642.346 5.520.807.136 11,57
CIREBON WALED 690.166 6.442.539.540 11,63 717.064 5.350.491.807 10,20 724.851 5.105.756.980 9,86
CIREBON PASALEMAN 758.814 12.549.296.053 14,76 771.246 8.735.840.176 12,12 788.086 8.291.665.360 11,55
CIREBON CILEDUG 796.650 3.910.895.644 7,85 792.632 3.410.244.273 7,37 797.708 3.352.982.167 7,26
CIREBON PABUARAN 1.195.809 11.892.484.143 9,12 1.118.992 8.799.173.172 8,38 1.093.789 8.109.601.357 8,23
CIREBON LOSARI 846.065 12.604.204.412 13,27 821.041 8.541.325.891 11,26 804.131 7.915.370.225 11,06
CIREBON PABEDILAN 766.513 3.872.093.251 8,12 767.935 3.391.213.427 7,58 767.838 3.284.378.407 7,46
CIREBON BABAKAN 542.937 8.583.215.463 17,06 625.418 6.917.877.141 13,30 654.465 6.767.070.329 12,57
CIREBON GEBANG 504.818 24.755.873.285 31,17 703.014 15.166.651.059 17,52 692.816 12.443.305.641 16,10
CIREBON KARANGSEMBUNG 948.364 12.025.266.417 11,56 903.307 8.412.004.293 10,15 915.822 8.227.023.392 9,90
CIREBON KARANGWARENG 643.648 22.589.696.272 23,35 712.033 12.475.438.235 15,69 714.563 11.138.004.116 14,77
CIREBON LEMAHABANG 764.901 11.767.365.380 14,18 761.855 8.078.404.243 11,80 780.380 7.860.009.854 11,36
105

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
CIREBON SUSUKANLEBAK 885.116 8.695.487.288 10,54 817.114 5.986.135.479 9,47 817.355 5.753.335.621 9,28
CIREBON SEDONG 609.502 15.510.154.934 20,43 683.142 10.117.046.647 14,72 664.927 8.555.518.709 13,91
CIREBON ASTANAJAPURA 822.971 3.564.777.009 7,25 818.012 3.156.386.981 6,87 830.094 3.162.517.135 6,77
CIREBON PANGENAN 987.370 46.021.297.924 21,73 929.681 19.929.072.532 15,18 877.768 15.817.611.945 14,33
CIREBON MUNDU 729.181 4.667.876.327 9,37 710.615 3.737.359.800 8,60 717.291 3.697.163.515 8,48
CIREBON BEBER 592.645 12.137.625.873 18,59 641.795 8.094.543.322 14,02 617.594 6.826.624.766 13,38
CIREBON GREGED 815.765 11.391.789.443 13,08 819.767 8.341.994.350 11,14 812.119 7.652.928.815 10,77
CIREBON TALUN 711.617 10.941.673.840 14,70 739.184 8.009.531.598 12,11 722.820 7.030.661.924 11,60
CIREBON SUMBER 631.592 4.697.388.457 10,85 649.441 3.945.714.661 9,67 632.668 3.531.643.538 9,39
CIREBON DUKUPUNTANG 635.580 7.334.263.518 13,47 659.047 5.625.466.406 11,38 638.006 4.919.353.996 10,99
CIREBON PALIMANAN 551.569 7.284.826.728 15,47 628.829 6.201.046.686 12,52 608.332 5.379.160.554 12,06
CIREBON PLUMBON 599.109 6.454.323.722 13,41 674.279 5.855.063.654 11,35 685.093 5.717.666.600 11,04
CIREBON DEPOK 750.411 20.559.770.757 19,11 738.736 11.022.883.495 14,21 698.457 8.837.781.738 13,46
CIREBON WERU 928.744 8.770.156.214 10,08 895.549 6.686.092.840 9,13 869.157 6.039.774.929 8,94
CIREBON PLERED 686.681 7.556.905.281 12,66 698.749 5.803.010.917 10,90 679.493 5.106.046.399 10,52
CIREBON TENGAH TANI 1.160.760 12.978.666.024 9,81 1.161.603 10.807.934.165 8,95 1.141.108 9.968.230.027 8,75
CIREBON KEDAWUNG 717.298 3.949.507.151 8,76 713.224 3.345.193.197 8,11 717.025 3.278.734.428 7,99
CIREBON GUNUNGJATI 775.194 7.050.274.588 10,83 784.807 5.752.670.185 9,66 783.410 5.466.478.627 9,44
CIREBON KAPETAKAN 774.379 9.254.048.695 12,42 824.744 7.853.652.849 10,75 788.605 6.871.012.749 10,51
106

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
CIREBON SURANENGGALA 496.762 6.126.384.506 15,76 565.230 5.161.475.294 12,71 547.357 4.463.794.475 12,21
CIREBON KLANGENAN 708.399 6.247.938.354 11,16 693.786 4.706.169.906 9,89 670.178 4.235.978.357 9,71
CIREBON ARJAWINANGUN 397.854 4.075.490.422 16,05 483.208 3.839.751.724 12,82 474.066 3.346.067.093 12,20
CIREBON PANGURAGAN 409.090 8.445.358.328 22,46 550.183 7.201.141.448 15,42 499.386 5.262.690.320 14,53
CIREBON CIWARINGIN 717.636 14.299.585.625 16,66 657.381 7.479.050.123 13,16 642.572 6.590.481.847 12,63
CIREBON GEMPOL 539.054 4.190.680.414 12,01 569.954 3.550.780.453 10,45 564.008 3.284.576.426 10,16
CIREBON SUSUKAN 750.184 3.052.499.687 7,36 752.295 2.742.298.022 6,96 752.013 2.667.182.771 6,87
CIREBON GEGESIK 504.071 15.575.912.702 24,76 641.108 10.659.179.277 16,10 592.911 7.926.135.452 15,02
CIREBON KALIWEDI 516.096 3.826.761.661 11,99 559.408 3.413.670.366 10,44 566.784 3.317.846.563 10,16
MAJALENGKA LEMAHSUGIH 406.162 10.578.621.643 25,32 542.191 7.790.967.468 16,28 554.952 7.289.600.221 15,38
MAJALENGKA BANTARUJEG 493.208 17.339.401.654 26,70 616.482 10.481.723.330 16,61 589.792 8.493.951.340 15,63
MAJALENGKA MALAUSMA 824.889 24.786.309.984 19,09 837.856 14.179.249.169 14,21 770.745 11.114.755.960 13,68
MAJALENGKA CIKIJING 698.588 3.248.474.215 8,16 715.865 2.973.856.648 7,62 706.315 2.838.220.826 7,54
MAJALENGKA CINGAMBUL 590.333 7.584.492.797 14,75 697.341 7.155.528.121 12,13 698.201 6.636.517.768 11,67
MAJALENGKA TALAGA 514.108 27.835.806.129 32,45 738.921 17.188.229.357 17,74 675.643 11.902.176.069 16,15
MAJALENGKA BANJARAN 928.110 8.170.653.319 9,74 938.975 6.919.463.304 8,86 928.034 6.559.113.092 8,73
MAJALENGKA ARGAPURA 674.940 3.203.570.434 8,39 696.179 2.967.060.271 7,82 687.865 2.801.341.407 7,69
MAJALENGKA MAJA 1.205.461 21.630.257.017 12,20 1.124.896 14.199.980.226 10,59 1.053.518 11.711.260.527 10,27
MAJALENGKA MAJALENGKA 724.723 5.657.204.590 10,38 748.238 4.894.136.838 9,35 765.211 4.875.486.974 9,12
107

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
MAJALENGKA CIGASONG 1.059.716 6.332.968.885 7,51 1.068.670 5.776.001.954 7,11 1.058.601 5.546.661.499 7,04
MAJALENGKA SUKAHAJI 449.288 9.610.342.434 21,82 576.751 7.762.912.925 15,28 610.479 7.713.579.328 14,39
MAJALENGKA RAJAGALUH 1.221.074 14.178.430.985 9,75 1.156.384 10.535.428.778 8,88 1.096.858 9.123.087.112 8,71
MAJALENGKA SINDANGWANGI 804.480 15.749.853.075 15,60 851.313 11.451.819.703 12,57 829.462 10.053.684.916 12,09
MAJALENGKA LEUWIMUNDING 810.969 12.529.494.567 13,80 831.730 9.308.475.883 11,60 823.212 8.477.105.746 11,18
MAJALENGKA PALASAH 784.937 9.622.835.662 12,50 846.021 8.342.923.537 10,80 842.953 7.791.908.425 10,47
MAJALENGKA JATIWANGI 781.304 9.619.897.002 12,55 819.342 7.869.190.687 10,83 823.919 7.469.503.022 10,49
MAJALENGKA DAWUAN 946.101 12.210.972.925 11,68 893.150 8.354.334.635 10,23 929.103 8.612.812.991 9,99
MAJALENGKA KASOKANDEL 1.034.360 12.871.756.022 10,97 986.084 9.239.408.658 9,75 988.173 8.786.935.479 9,49
MAJALENGKA PANYINGKIRAN 1.042.969 12.552.976.982 10,74 1.066.721 10.494.511.727 9,60 1.089.496 10.443.389.221 9,38
MAJALENGKA KADIPATEN 1.669.867 36.418.673.266 11,43 1.568.186 25.009.283.065 10,08 1.545.917 23.097.749.254 9,83
MAJALENGKA KERTAJATI 1.836.329 134.234.142.477 19,95 1.463.465 45.734.865.991 14,61 1.528.771 44.937.369.736 13,87
MAJALENGKA JATITUJUH 1.024.551 21.166.702.610 14,20 1.011.273 14.303.504.816 11,83 1.011.169 13.421.186.761 11,46
MAJALENGKA LIGUNG 1.134.661 10.541.846.529 9,05 1.136.951 8.983.216.477 8,34 1.125.052 8.446.725.884 8,17
MAJALENGKA SUMBERJAYA 881.061 12.789.739.372 12,84 868.408 9.096.337.306 10,98 833.640 7.848.626.045 10,63
SUMEDANG JATINANGOR 1.771.671 182.224.442.380 24,09 1.220.848 37.814.830.327 15,93 1.177.664 31.109.187.732 14,98
SUMEDANG CIMANGGUNG 1.138.039 27.216.267.157 14,50 1.044.637 15.791.096.288 12,03 1.074.101 15.284.008.166 11,51
SUMEDANG TANJUNGSARI 941.110 12.040.402.201 11,66 896.043 8.443.918.055 10,26 913.398 8.293.195.067 9,97
SUMEDANG SUKASARI 574.451 2.767.201.137 9,16 595.588 2.508.647.522 8,41 597.502 2.456.948.525 8,30
108

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
SUMEDANG PAMULIHAN 754.996 3.863.776.418 8,23 732.178 3.177.713.623 7,70 736.418 3.126.826.539 7,59
SUMEDANG RANCAKALONG 743.737 8.275.374.891 12,23 726.062 5.947.740.112 10,62 711.794 5.341.468.568 10,27
SUMEDANG SUMEDANG SELATAN 719.069 3.454.280.879 8,17 724.530 3.064.526.092 7,64 747.764 3.144.678.534 7,50
SUMEDANG SUMEDANG UTARA 633.964 12.251.851.831 17,46 656.748 7.874.750.672 13,51 678.100 7.635.541.256 12,89
SUMEDANG GANEAS 822.567 15.243.455.047 15,01 781.346 9.173.077.515 12,26 798.446 8.999.212.764 11,88
SUMEDANG SITURAJA 1.169.043 57.357.627.862 20,49 963.789 20.219.444.991 14,75 974.186 18.258.517.088 13,87
SUMEDANG CISITU 1.204.495 67.675.833.487 21,60 980.416 22.071.650.396 15,15 1.007.066 21.410.103.944 14,53
SUMEDANG CIBUGEL 740.743 16.972.526.544 17,59 746.898 10.245.010.959 13,55 780.061 10.126.285.518 12,90
SUMEDANG WADO 776.733 8.769.185.692 12,06 779.272 6.703.788.952 10,51 764.833 6.133.076.411 10,24
SUMEDANG JATINUNGGAL 602.524 12.480.981.317 18,54 641.246 8.033.873.352 13,98 635.138 7.168.410.844 13,33
SUMEDANG JATIGEDE 812.564 11.302.088.516 13,08 759.799 7.200.485.983 11,17 783.363 7.159.854.200 10,80
SUMEDANG TOMO 1.009.007 26.972.361.171 16,28 873.672 12.812.629.028 12,96 862.966 11.392.929.676 12,37
SUMEDANG UJUNG JAYA 646.852 24.581.829.067 24,24 741.119 14.010.798.957 15,97 812.754 15.096.029.618 15,12
SUMEDANG CONGGEANG 429.587 4.237.891.322 15,15 491.823 3.730.391.831 12,42 503.881 3.672.498.052 12,03
SUMEDANG PASEH 627.462 4.737.553.220 10,97 658.220 4.129.500.896 9,76 678.538 4.215.147.067 9,57
SUMEDANG CIMALAKA 687.630 11.972.475.325 15,91 697.210 7.896.913.204 12,75 678.273 6.914.335.735 12,26
SUMEDANG CISARUA 1.380.535 50.306.211.298 16,25 1.246.943 27.317.379.024 13,25 1.212.634 24.080.562.806 12,80
SUMEDANG TANJUNGKERTA 922.749 20.317.336.742 15,45 876.905 12.036.918.388 12,51 869.246 11.050.948.748 12,09
SUMEDANG TANJUNGMEDAR 761.407 3.072.776.547 7,28 787.978 2.979.670.534 6,93 773.283 2.799.389.660 6,84
109

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
SUMEDANG BUAHDUA 558.071 36.600.884.841 34,28 676.152 14.935.671.418 18,07 667.028 12.269.196.830 16,61
SUMEDANG SURIAN 705.341 4.160.130.995 9,14 699.007 3.454.776.604 8,41 688.136 3.240.973.193 8,27
INDRAMAYU HAURGEULIS 1.074.545 72.143.510.416 25,00 938.008 23.111.172.366 16,21 869.999 17.611.488.423 15,25
INDRAMAYU GANTAR 665.712 12.127.425.282 16,54 719.781 8.817.405.326 13,05 745.873 8.718.784.687 12,52
INDRAMAYU KROYA 828.805 16.525.324.103 15,51 825.239 10.683.685.672 12,53 815.170 9.773.428.990 12,13
INDRAMAYU GABUSWETAN 612.136 6.027.563.153 12,68 641.329 4.883.043.818 10,90 648.231 4.760.886.276 10,64
INDRAMAYU CIKEDUNG 748.810 5.555.962.153 9,95 728.592 4.318.489.663 9,02 744.705 4.347.409.087 8,85
INDRAMAYU TERISI 1.461.563 54.718.418.273 16,00 1.117.289 20.453.286.115 12,80 1.057.681 16.839.733.110 12,27
INDRAMAYU LELEA 754.365 10.245.101.287 13,42 763.477 7.495.501.462 11,34 749.483 6.798.664.666 11,00
INDRAMAYU BANGODUA 639.164 7.858.983.156 13,87 663.991 5.956.613.021 11,62 665.857 5.571.043.419 11,21
INDRAMAYU TUKDANA 657.709 22.918.770.423 23,02 740.627 13.322.991.408 15,58 742.415 11.747.348.327 14,60
INDRAMAYU WIDASARI 626.823 6.558.163.857 12,92 666.373 5.410.865.549 11,04 640.907 4.748.871.336 10,75
INDRAMAYU KERTASEMAYA 982.525 19.276.492.709 14,13 895.157 11.167.989.853 11,81 866.044 9.683.188.295 11,36
INDRAMAYU SUKAGUMIWANG 939.754 8.844.134.222 10,01 898.288 6.617.402.998 9,06 881.769 6.097.188.612 8,86
INDRAMAYU KRANGKENG 939.079 18.097.848.657 14,33 869.612 10.714.200.987 11,90 862.031 9.936.383.063 11,56
INDRAMAYU KARANGAMPEL 747.881 6.083.701.305 10,43 764.814 5.126.112.214 9,36 773.804 5.059.758.291 9,19
INDRAMAYU KEDOKAN BUNDER 960.908 24.239.077.386 16,20 919.065 14.018.689.496 12,88 901.531 12.253.411.567 12,28
INDRAMAYU JUNTINYUAT 620.242 6.374.123.308 12,87 619.379 4.682.882.821 11,05 639.664 4.720.118.544 10,74
INDRAMAYU SLIYEG 722.890 5.694.948.129 10,44 691.329 4.216.657.044 9,39 702.571 4.174.176.585 9,20
110

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
INDRAMAYU JATIBARANG 587.610 6.759.026.833 13,99 618.338 5.234.819.937 11,70 661.168 5.570.331.727 11,29
INDRAMAYU BALONGAN 919.748 51.956.986.652 24,78 881.820 20.210.591.090 16,12 882.389 17.669.268.126 15,06
INDRAMAYU INDRAMAYU 858.429 5.652.645.451 8,76 841.028 4.636.710.626 8,10 841.782 4.514.977.591 7,98
INDRAMAYU SINDANG 1.035.869 13.735.044.850 11,31 959.029 9.181.959.801 9,99 920.110 7.998.246.442 9,72
INDRAMAYU CANTIGI 590.770 2.359.817.493 8,22 603.756 2.149.004.072 7,68 594.317 2.028.553.999 7,58
INDRAMAYU LOHBENER 623.944 10.619.221.469 16,52 675.912 7.771.268.066 13,04 646.777 6.407.882.005 12,38
INDRAMAYU ARAHAN 383.046 4.059.878.341 16,63 480.424 3.960.066.309 13,10 493.933 3.846.600.124 12,56
INDRAMAYU LOSARANG 497.600 18.772.825.762 27,53 677.886 12.970.697.412 16,80 641.791 9.944.689.109 15,54
INDRAMAYU KANDANGHAUR 557.712 8.874.756.482 16,89 637.717 7.106.795.975 13,22 585.493 5.521.916.413 12,69
INDRAMAYU BONGAS 569.285 20.116.468.909 24,91 678.806 11.994.170.526 16,13 640.616 9.384.993.465 15,12
INDRAMAYU ANJATAN 613.357 7.087.908.369 13,73 644.601 5.535.414.334 11,54 641.340 5.215.389.786 11,26
INDRAMAYU SUKRA 635.063 19.970.549.250 22,25 668.781 10.567.789.934 15,37 641.537 8.705.353.746 14,54
INDRAMAYU PATROL 638.358 12.922.503.028 17,81 697.587 9.052.331.074 13,64 655.011 7.449.482.082 13,18
SUBANG SAGALAHERANG 777.657 22.368.131.268 19,23 824.631 13.831.021.678 14,26 760.223 10.583.503.942 13,53
SUBANG SERANGPANJANG 874.736 9.739.565.380 11,28 864.397 7.438.468.450 9,98 850.941 6.834.023.453 9,71
SUBANG JALANCAGAK 624.050 11.592.403.173 17,25 748.324 10.150.051.125 13,46 713.440 8.744.715.357 13,11
SUBANG CIATER 532.991 20.630.251.283 26,95 714.713 14.197.106.050 16,67 650.425 10.447.387.187 15,71
SUBANG CISALAK 470.122 9.629.564.443 20,87 641.045 9.106.081.678 14,89 617.893 7.572.891.095 14,08
SUBANG KASOMALANG 490.101 11.394.293.354 21,78 565.803 7.470.499.317 15,28 523.051 5.812.377.166 14,58
111

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
SUBANG TANJUNGSIANG 483.527 16.248.008.043 26,36 568.261 8.926.706.271 16,63 531.277 6.856.159.507 15,59
SUBANG CIJAMBE 760.801 23.121.844.885 19,99 786.189 13.060.262.099 14,54 707.750 9.575.503.638 13,83
SUBANG CIBOGO 570.784 10.005.895.541 17,52 675.900 8.346.090.305 13,52 680.165 7.769.605.423 12,96
SUBANG SUBANG 621.081 7.182.992.914 13,65 654.523 5.656.716.858 11,49 638.768 5.089.871.073 11,17
SUBANG KALIJATI 883.677 3.141.640.173 6,34 877.306 2.847.255.378 6,08 872.208 2.768.888.212 6,03
SUBANG DAWUAN 585.789 25.299.712.734 27,15 725.641 14.693.669.193 16,70 714.383 12.268.632.093 15,50
SUBANG CIPEUNDEUY 474.140 17.818.009.942 28,15 699.368 14.038.403.101 16,94 702.658 11.920.081.837 15,54
SUBANG PABUARAN 522.483 5.166.879.126 13,76 594.816 4.711.418.394 11,54 575.391 4.159.781.848 11,21
SUBANG PATOKBEUSI 654.665 12.877.368.393 17,33 739.603 9.927.669.215 13,47 724.554 8.794.434.385 12,94
SUBANG PURWADADI 707.663 15.642.378.578 17,67 752.142 10.458.195.393 13,60 724.462 8.900.043.040 13,02
SUBANG CIKAUM 954.233 13.152.615.123 12,02 917.760 9.223.914.704 10,46 900.433 8.391.895.610 10,17
SUBANG PAGADEN 1.020.161 85.555.854.459 28,67 913.339 24.242.073.170 17,05 850.139 18.589.261.835 16,04
SUBANG PAGADEN BARAT 640.466 7.925.688.206 13,90 633.890 5.479.454.232 11,68 631.028 5.166.028.394 11,39
SUBANG CIPUNAGARA 993.744 19.270.060.517 13,97 870.959 10.363.998.914 11,69 856.619 9.512.744.786 11,39
SUBANG COMPRENG 582.173 7.339.801.139 14,72 618.434 5.615.241.043 12,12 623.169 5.295.046.210 11,68
SUBANG BINONG 604.882 25.382.933.780 26,34 692.373 13.347.289.880 16,69 749.731 13.583.558.904 15,55
SUBANG TAMBAKDAHAN 623.970 28.240.618.685 26,93 691.724 13.279.136.958 16,66 733.282 13.166.264.823 15,65
SUBANG CIASEM 1.316.044 55.673.450.072 17,93 1.080.590 21.942.455.396 13,71 1.050.957 18.632.786.095 12,99
SUBANG PAMANUKAN 856.476 80.232.861.934 33,07 833.154 22.148.731.627 17,86 796.539 17.403.659.024 16,56
112

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
SUBANG SUKASARI 959.255 61.248.740.549 25,80 902.949 21.871.173.931 16,38 952.264 21.313.607.411 15,33
SUBANG PUSAKANAGARA 643.375 34.304.890.583 28,79 705.483 14.511.232.569 17,08 717.445 13.124.255.601 15,97
SUBANG PUSAKAJAYA 727.549 4.044.582.441 8,74 720.136 3.393.671.966 8,09 716.050 3.286.602.324 8,01
SUBANG LEGONKULON 925.464 9.479.240.292 10,52 918.979 7.514.674.383 9,43 918.525 7.416.856.205 9,38
SUBANG BLANAKAN 966.982 11.838.875.177 11,25 923.943 8.444.565.211 9,95 932.549 8.303.450.686 9,77
PURWAKARTA JATILUHUR 873.031 4.611.822.452 7,78 861.595 3.964.194.784 7,31 886.961 4.078.379.083 7,20
PURWAKARTA MANIIS 606.095 11.739.247.096 17,88 674.811 8.513.260.840 13,67 663.545 7.287.486.578 12,87
PURWAKARTA TEGAL WARU 573.979 4.711.660.950 11,96 609.491 4.036.936.690 10,42 597.455 3.716.881.657 10,20
PURWAKARTA PLERED 626.383 7.815.950.813 14,11 694.788 6.670.170.447 11,75 672.835 5.816.227.388 11,33
PURWAKARTA SUKATANI 845.646 12.741.514.336 13,35 860.876 9.467.624.032 11,30 838.808 8.309.261.812 10,87
PURWAKARTA DARANGDAN 818.197 7.630.148.187 10,68 823.792 6.187.333.120 9,55 825.386 5.893.646.210 9,30
PURWAKARTA BOJONG 956.427 13.885.767.264 12,32 915.731 9.520.800.893 10,66 919.170 9.016.955.361 10,33
PURWAKARTA WANAYASA 522.611 14.285.822.945 22,87 676.114 11.061.930.261 15,56 732.624 11.280.113.909 14,50
PURWAKARTA KIARAPEDES 934.027 5.755.488.006 8,12 910.637 4.784.067.410 7,60 900.229 4.569.288.623 7,51
PURWAKARTA PASAWAHAN 889.184 9.815.213.260 11,14 832.886 6.758.435.126 9,87 848.207 6.656.654.842 9,62
PURWAKARTA PONDOK SALAM 1.125.579 8.589.029.728 8,23 1.088.939 6.989.932.565 7,68 1.079.010 6.620.795.550 7,54
PURWAKARTA PURWAKARTA 1.117.499 17.639.683.010 11,88 1.067.791 12.327.447.698 10,40 1.050.658 11.309.727.848 10,12
PURWAKARTA BABAKANCIKAO 986.929 15.968.442.077 12,80 935.563 10.516.035.198 10,96 943.921 10.083.238.677 10,64
PURWAKARTA CAMPAKA 759.238 10.073.585.977 13,22 772.212 7.520.429.916 11,23 770.190 6.977.813.398 10,85
113

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
PURWAKARTA CIBATU 799.230 9.309.962.114 12,07 824.470 7.484.973.187 10,49 827.293 7.095.809.850 10,18
PURWAKARTA BUNGURSARI 681.424 14.236.965.441 17,51 744.149 10.095.368.366 13,50 817.688 10.901.977.059 12,77
KARAWANG PANGKALAN 639.530 13.133.113.263 17,92 719.400 9.689.722.194 13,68 776.717 10.326.844.399 13,08
KARAWANG TEGALWARU 817.719 7.777.536.079 10,78 781.528 5.666.440.142 9,63 775.359 5.414.639.388 9,49
KARAWANG TELUKJAMBE TIMUR 1.041.567 78.564.272.100 26,91 849.785 20.023.670.216 16,65 872.845 18.265.818.180 15,48
KARAWANG TELUKJAMBE BARAT 873.807 9.181.004.364 10,97 819.723 6.384.334.370 9,75 854.900 6.717.554.948 9,59
KARAWANG KLARI 942.090 5.149.371.059 7,62 923.037 4.384.015.887 7,17 935.606 4.360.441.660 7,06
KARAWANG CIKAMPEK 1.096.613 16.490.016.169 11,71 1.019.959 10.932.890.753 10,25 1.023.271 10.395.284.038 9,96
KARAWANG PURWASARI 883.547 8.976.479.478 10,72 866.502 6.888.525.620 9,58 878.735 6.767.580.367 9,36
KARAWANG TIRTAMULYA 801.552 23.537.240.266 19,14 834.993 14.078.501.044 14,21 847.326 12.924.849.931 13,42
KARAWANG JATISARI 668.211 7.517.021.349 12,98 706.313 6.123.705.663 11,08 693.927 5.544.318.131 10,73
KARAWANG BANYUSARI 1.273.759 5.094.918.970 5,60 1.294.164 5.073.784.500 5,50 1.290.093 5.013.602.769 5,49
KARAWANG KOTABARU 1.487.025 26.306.188.131 10,91 1.394.198 18.402.292.145 9,73 1.358.296 16.775.678.335 9,54
KARAWANG CILAMAYA WETAN 1.314.451 6.112.690.839 5,95 1.311.833 5.655.295.708 5,73 1.304.625 5.499.675.264 5,68
KARAWANG CILAMAYA KULON 1.006.855 8.994.492.959 9,42 1.115.309 9.411.409.588 8,70 1.088.315 8.712.396.548 8,58
KARAWANG LEMAHABANG 1.297.720 8.202.799.700 6,98 1.317.740 7.673.048.985 6,65 1.311.695 7.381.553.844 6,55
KARAWANG TALAGASARI 1.286.338 6.371.547.168 6,21 1.287.609 5.889.928.287 5,96 1.293.702 5.829.789.116 5,90
KARAWANG MAJALAYA 1.317.847 15.259.727.987 9,37 1.257.690 11.645.595.873 8,58 1.242.439 10.846.907.813 8,38
KARAWANG KARAWANG TIMUR 951.140 3.179.978.617 5,93 953.485 2.967.170.230 5,71 967.660 3.004.295.015 5,66
114

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
KARAWANG KARAWANG BARAT 1.298.335 24.636.641.686 12,09 1.201.710 15.963.651.796 10,51 1.221.115 15.434.524.995 10,17
KARAWANG RAWAMERTA 1.167.123 6.365.522.755 6,84 1.149.563 5.602.059.755 6,51 1.150.298 5.434.121.177 6,41
KARAWANG TEMPURAN 951.336 6.433.941.442 8,43 971.897 5.810.801.078 7,84 965.818 5.530.517.898 7,70
KARAWANG KUTAWALUYA 993.310 10.169.693.111 10,15 997.099 8.380.565.776 9,18 1.038.261 8.680.529.456 8,97
KARAWANG RENGASDENGKLOK 1.080.027 5.573.340.875 6,91 1.109.646 5.343.565.326 6,59 1.122.079 5.323.919.570 6,50
KARAWANG JAYAKERTA 1.702.493 19.711.665.244 8,25 1.664.595 16.461.494.413 7,71 1.683.768 16.167.750.778 7,55
KARAWANG PEDES 1.963.079 60.950.963.168 12,58 1.791.211 38.158.224.368 10,91 1.828.334 37.278.222.300 10,56
KARAWANG CILEBAR 2.758.574 444.532.303.915 24,17 1.615.973 66.630.864.309 15,97 1.588.020 55.985.909.752 14,90
KARAWANG CIBUAYA 1.466.131 21.361.791.515 9,97 1.362.283 15.161.805.556 9,04 1.386.216 15.164.415.433 8,88
KARAWANG TIRTAJAYA 1.457.989 69.155.718.000 18,04 1.344.071 34.292.238.207 13,78 1.434.757 35.672.785.349 13,16
KARAWANG BATUJAYA 1.226.729 66.279.856.130 20,99 1.221.038 33.452.876.393 14,98 1.384.595 38.446.392.425 14,16
KARAWANG PAKISJAYA 1.282.629 65.920.653.268 20,02 1.159.964 28.644.966.366 14,59 1.327.362 34.580.860.982 14,01
BEKASI SETU 1.719.578 70.485.946.196 15,44 1.520.450 36.394.317.647 12,55 1.549.626 34.430.661.150 11,97
BEKASI SERANG BARU 1.688.911 100.608.019.665 18,78 1.423.368 40.549.876.984 14,15 1.510.723 41.164.793.982 13,43
BEKASI CIKARANG PUSAT 1.639.861 68.817.685.408 16,00 1.408.824 32.498.038.912 12,80 1.414.421 30.141.303.268 12,27
BEKASI CIKARANG SELATAN 1.517.598 22.008.605.874 9,78 1.501.621 17.879.699.063 8,90 1.548.752 18.287.147.646 8,73
BEKASI CIBARUSAH 1.533.738 24.052.530.969 10,11 1.534.157 19.847.993.049 9,18 1.584.320 20.525.147.005 9,04
BEKASI BOJONGMANGU 3.152.186 532.736.633.499 23,15 2.025.253 103.206.434.332 15,86 1.871.004 77.217.076.075 14,85
BEKASI CIKARANG TIMUR 1.009.518 24.875.924.398 15,62 1.104.945 19.859.072.979 12,75 1.151.917 19.558.259.350 12,14
115

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
BEKASI KEDUNGWARINGIN 1.753.991 19.863.917.926 8,04 1.710.978 16.586.596.253 7,53 1.724.216 16.412.937.788 7,43
BEKASI CIKARANG UTARA 1.066.776 17.374.806.668 12,36 1.124.891 14.593.527.053 10,74 1.158.454 14.602.559.195 10,43
BEKASI KARANGBAHAGIA 2.119.709 141.011.844.505 17,72 1.806.448 61.562.174.880 13,74 1.819.107 56.429.556.306 13,06
BEKASI CIBITUNG 1.540.216 73.970.070.355 17,66 1.541.033 44.059.020.368 13,62 1.532.388 39.200.427.546 12,92
BEKASI CIKARANG BARAT 2.109.416 131.039.893.689 17,16 1.873.397 64.211.971.247 13,53 1.736.831 49.806.099.700 12,85
BEKASI TAMBUN SELATAN 1.874.157 32.256.109.327 9,58 1.834.933 26.041.143.047 8,79 1.813.161 24.572.406.966 8,65
BEKASI TAMBUN UTARA 1.443.929 48.924.347.398 15,32 1.626.986 42.872.545.144 12,73 1.645.569 40.311.654.890 12,20
BEKASI BABELAN 2.326.647 169.530.974.665 17,70 1.746.438 56.599.212.220 13,62 1.821.699 56.214.602.237 13,02
BEKASI TARUMAJAYA 1.382.268 80.865.347.691 20,57 1.295.132 37.595.010.854 14,97 1.169.410 27.661.177.983 14,22
BEKASI TAMBELANG 1.054.803 22.732.063.727 14,29 1.111.353 17.541.215.998 11,92 1.158.146 17.901.026.503 11,55
BEKASI SUKAWANGI 1.777.332 25.898.912.528 9,05 1.626.317 18.734.692.596 8,42 1.731.334 20.108.288.515 8,19
BEKASI SUKATANI 1.145.567 40.176.903.419 17,50 1.167.421 24.897.837.872 13,52 1.238.056 25.785.889.327 12,97
BEKASI SUKAKARYA 3.350.341 613.434.272.268 23,38 2.127.304 121.727.224.236 16,40 2.038.631 91.994.753.835 14,88
BEKASI PEBAYURAN 3.932.826 500.051.937.735 17,98 3.041.103 186.494.592.887 14,20 2.972.080 156.299.629.262 13,30
BEKASI CABANGBUNGIN 1.863.894 36.631.783.273 10,27 1.710.755 25.052.093.596 9,25 1.815.277 27.017.636.661 9,05
BEKASI MUARA GEMBONG 3.211.595 343.412.018.489 18,25 2.235.368 96.743.844.029 13,91 2.309.010 94.048.961.410 13,28
BANDUNG BARAT RONGGA 987.509 4.937.326.820 7,12 998.147 4.540.818.684 6,75 978.761 4.257.579.443 6,67
BANDUNG BARAT GUNUNGHALU 934.761 6.813.094.920 8,83 960.468 6.145.355.604 8,16 959.549 5.882.067.761 7,99
BANDUNG BARAT SINDANGKERTA 975.653 17.692.606.227 13,63 1.002.415 13.280.731.202 11,50 962.452 11.395.464.199 11,09
116

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
BANDUNG BARAT CILILIN 980.276 10.093.617.990 10,25 1.024.147 9.127.061.557 9,33 1.036.258 8.952.987.541 9,13
BANDUNG BARAT CIHAMPELAS 1.039.545 9.372.463.697 9,31 1.053.871 8.103.412.230 8,54 1.037.242 7.562.335.901 8,38
BANDUNG BARAT CIPONGKOR 1.762.024 15.797.884.334 7,13 1.765.955 14.344.121.221 6,78 1.753.274 13.771.509.056 6,69
BANDUNG BARAT BATUJAJAR 1.745.929 43.408.105.788 11,93 1.631.590 29.064.206.676 10,45 1.594.718 26.317.100.228 10,17
BANDUNG BARAT SAGULING 1.475.176 16.468.766.388 8,70 1.439.625 13.490.829.404 8,07 1.456.516 13.389.349.023 7,94
BANDUNG BARAT CIPATAT 1.513.977 11.686.656.983 7,14 1.480.556 10.150.366.355 6,80 1.479.580 9.877.332.524 6,72
BANDUNG BARAT PADALARANG 1.178.393 14.272.079.491 10,14 1.169.063 11.459.994.239 9,16 1.199.581 11.362.254.180 8,89
BANDUNG BARAT NGAMPRAH 1.951.983 48.137.922.285 11,24 1.776.306 31.397.662.968 9,98 1.760.452 29.646.472.929 9,78
BANDUNG BARAT PARONGPONG 1.806.123 14.445.539.401 6,65 1.797.249 13.133.349.606 6,38 1.790.399 12.780.635.775 6,31
BANDUNG BARAT LEMBANG 1.891.755 19.515.301.189 7,38 1.865.066 17.058.579.062 7,00 1.835.175 16.154.155.555 6,93
BANDUNG BARAT CISARUA 1.831.017 16.188.817.863 6,95 1.797.709 14.151.463.605 6,62 1.816.190 14.059.242.481 6,53
BANDUNG BARAT CIKALONG WETAN 1.575.650 9.243.103.031 6,10 1.583.210 8.688.186.314 5,89 1.583.417 8.543.696.402 5,84
BANDUNG BARAT CIPEUNDEUY 1.786.992 17.243.171.186 7,35 1.757.061 15.037.248.553 6,98 1.766.851 14.842.514.742 6,90
PANGANDARAN CIMERAK 1.743.682 24.778.299.998 9,03 1.764.049 22.052.442.093 8,42 1.761.173 20.974.257.869 8,22
PANGANDARAN CIJULANG 1.835.252 36.542.249.240 10,42 1.670.038 24.503.416.946 9,37 1.685.678 23.945.561.042 9,18
PANGANDARAN CIGUGUR 1.244.219 18.059.713.610 10,80 1.229.692 14.056.691.337 9,64 1.252.862 13.726.831.684 9,35
PANGANDARAN LANGKAPLANCAR 1.459.028 12.416.617.684 7,64 1.489.228 11.575.942.902 7,22 1.509.004 11.547.450.821 7,12
PANGANDARAN PARIGI 1.954.789 96.807.330.209 15,92 1.705.978 49.396.846.804 13,03 1.771.283 47.794.415.800 12,34
PANGANDARAN SIDAMULIH 1.799.787 26.141.351.539 8,98 1.736.542 20.816.575.319 8,31 1.753.655 20.002.040.258 8,06
117

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
PANGANDARAN PANGANDARAN 1.407.819 10.453.555.164 7,26 1.381.014 9.023.511.522 6,88 1.376.416 8.754.299.569 6,80
PANGANDARAN KALIPUCANG 1.721.182 23.645.973.407 8,93 1.771.246 21.575.466.002 8,29 1.767.983 20.499.962.456 8,10
PANGANDARAN PADAHERANG 1.613.791 12.329.977.335 6,88 1.610.973 11.255.015.593 6,59 1.596.866 10.809.946.178 6,51
PANGANDARAN MANGUNJAYA 1.778.665 31.702.334.160 10,01 1.788.553 26.523.161.902 9,11 1.769.564 25.015.675.418 8,94
BOGOR BOGOR SELATAN 2.019.504 116.963.208.248 16,93 1.591.183 44.531.846.619 13,26 1.509.896 36.160.956.880 12,59
BOGOR BOGOR TIMUR 1.951.746 68.577.248.275 13,42 1.762.601 40.160.512.064 11,37 1.739.823 36.545.341.196 10,99
BOGOR BOGOR UTARA 1.278.232 3.226.823.629 4,44 1.288.452 3.148.982.785 4,36 1.282.189 3.085.680.875 4,33
BOGOR BOGOR TENGAH 1.407.535 9.192.554.332 6,81 1.429.627 8.683.950.842 6,52 1.408.627 8.174.072.694 6,42
BOGOR BOGOR BARAT 1.273.879 8.070.271.211 7,05 1.285.441 7.470.118.641 6,72 1.257.189 6.954.865.797 6,63
BOGOR TANAH SEREAL 698.521 2.202.688.907 6,72 702.927 2.030.871.275 6,41 706.334 2.001.467.615 6,33
SUKABUMI BAROS 862.299 2.949.187.417 6,30 858.245 2.687.932.630 6,04 864.192 2.678.763.681 5,99
SUKABUMI LEMBURSITU 831.084 8.380.969.392 11,02 830.151 6.615.370.857 9,80 879.894 7.597.891.304 9,91
SUKABUMI CIBEUREUM 694.356 2.071.721.528 6,56 710.059 1.979.405.828 6,27 710.010 1.935.236.612 6,20
SUKABUMI CITAMIANG 1.067.773 13.943.894.871 11,06 1.090.849 11.584.290.303 9,87 1.051.087 10.227.833.820 9,62
SUKABUMI WARUDOYONG 1.052.158 6.422.084.702 7,62 1.049.830 5.669.240.308 7,17 1.028.737 5.297.123.555 7,07
SUKABUMI GUNUNG PUYUH 916.789 5.438.624.481 8,04 915.418 4.747.746.780 7,53 891.801 4.381.825.954 7,42
SUKABUMI CIKOLE 735.553 4.776.790.430 9,40 765.673 4.340.848.346 8,60 761.378 4.096.094.231 8,41
BANDUNG BANDUNG KULON 975.259 14.404.567.124 12,31 937.376 9.996.437.778 10,67 945.265 9.609.569.201 10,37
BANDUNG BABAKAN CIPARAY 1.173.300 18.435.827.960 11,57 1.159.520 13.923.199.695 10,18 1.211.684 14.461.916.798 9,92
118

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
BANDUNG BOJONGLOA KALER 1.096.452 3.616.485.772 5,48 1.086.734 3.337.982.473 5,32 1.079.837 3.240.463.814 5,27
BANDUNG BOJONGLOA KIDUL 852.863 5.634.040.696 8,80 862.589 4.922.630.499 8,13 876.601 4.886.573.375 7,97
BANDUNG ASTANAANYAR 914.211 2.384.731.198 5,34 914.435 2.246.392.143 5,18 913.802 2.204.165.019 5,14
BANDUNG REGOL 822.710 1.681.298.469 4,98 824.761 1.602.262.605 4,85 821.526 1.570.227.536 4,82
BANDUNG LENGKONG 521.093 14.234.813.736 22,90 647.426 10.292.987.649 15,67 655.996 9.217.991.590 14,64
BANDUNG BANDUNG KIDUL 749.247 6.104.770.051 10,43 755.820 5.043.599.209 9,40 755.085 4.763.699.291 9,14
BANDUNG BUAHBATU 1.094.987 42.803.092.853 18,89 966.221 18.615.358.025 14,12 931.202 15.619.737.326 13,42
BANDUNG RANCASARI 748.800 42.483.751.736 27,53 802.144 18.324.769.417 16,88 761.645 14.512.659.183 15,82
BANDUNG GEDEBAGE 606.581 5.499.796.774 12,23 647.590 4.726.089.939 10,62 642.725 4.420.024.566 10,34
BANDUNG CIBIRU 754.250 9.139.166.150 12,67 763.666 6.935.636.678 10,91 767.328 6.669.002.969 10,64
BANDUNG PANYILEUKAN 672.194 21.394.671.760 21,76 749.875 13.084.051.127 15,25 746.322 11.482.970.786 14,36
BANDUNG UJUNG BERUNG 1.146.160 15.131.817.140 10,73 1.124.131 11.643.538.485 9,60 1.092.863 10.483.975.482 9,37
BANDUNG CINAMBO 770.311 16.012.153.335 16,43 812.200 11.131.327.845 12,99 779.920 9.527.962.298 12,52
BANDUNG ARCAMANIK 792.601 12.609.909.888 14,17 814.592 9.257.190.830 11,81 821.851 8.722.866.528 11,36
BANDUNG ANTAPANI 1.323.664 38.951.319.249 14,91 1.137.502 19.478.476.564 12,27 1.141.380 18.354.945.744 11,87
BANDUNG MANDALAJATI 649.878 19.704.644.320 21,60 757.421 13.179.744.701 15,16 804.879 13.261.381.406 14,31
BANDUNG KIARACONDONG 890.153 20.998.291.573 16,28 869.196 12.712.053.925 12,97 890.914 12.378.517.184 12,49
BANDUNG BATUNUNGGAL 624.248 13.881.141.259 18,87 701.595 9.817.116.074 14,12 678.385 8.315.979.702 13,44
BANDUNG SUMUR BANDUNG 717.131 7.398.547.731 11,99 752.857 6.208.150.848 10,47 734.658 5.548.350.459 10,14
119
BANDUNG ANDIR 845.407 10.807.205.183 12,30 844.676 8.110.448.921 10,66 843.969 7.462.975.927 10,24
BANDUNG CICENDO 864.510 29.064.345.520 19,72 847.165 15.037.509.671 14,48 801.179 12.192.179.836 13,78
BANDUNG BANDUNG WETAN 689.257 28.843.133.965 24,64 779.707 15.761.933.802 16,10 708.171 11.656.190.766 15,25
BANDUNG CIBEUNYING KIDUL 702.972 24.765.113.525 22,39 773.404 14.173.156.066 15,39 722.551 11.284.102.682 14,70
BANDUNG CIBEUNYING KALER 614.369 52.624.889.754 37,34 794.537 21.460.870.851 18,44 719.957 15.713.837.318 17,41
BANDUNG COBLONG 537.706 11.424.745.309 19,88 675.204 9.599.176.558 14,51 655.583 8.385.560.326 13,97
BANDUNG SUKAJADI 690.322 50.436.775.539 32,53 798.253 20.133.263.811 17,78 706.582 13.756.834.534 16,60
BANDUNG SUKASARI 555.170 14.033.116.651 21,34 673.024 10.286.639.492 15,07 676.547 9.385.967.372 14,32
BANDUNG CIDADAP 644.800 12.313.529.380 17,21 722.068 9.322.378.636 13,37 692.630 7.995.417.076 12,91
CIREBON HARJAMUKTI 850.937 8.361.663.373 10,75 849.833 6.654.401.373 9,60 834.117 6.090.037.897 9,36
CIREBON LEMAHWUNGKUK 693.620 63.316.337.243 36,28 822.366 22.713.468.800 18,33 771.614 16.746.032.985 16,77
CIREBON PEKALIPAN 794.087 13.463.307.899 14,61 823.989 9.922.672.642 12,09 821.699 9.241.129.474 11,70
CIREBON KESAMBI 584.492 5.373.333.876 12,54 647.437 4.888.275.592 10,80 639.944 4.484.122.574 10,46
CIREBON KEJAKSAN 920.671 10.312.382.798 11,03 902.614 7.814.281.520 9,79 882.620 7.072.713.862 9,53
BEKASI PONDOKGEDE 790.522 17.451.497.977 16,71 826.048 11.779.618.118 13,14 733.717 8.565.796.235 12,61
BEKASI JATISAMPURNA 658.809 3.351.945.222 8,79 670.154 2.966.804.249 8,13 662.022 2.809.071.851 8,01
BEKASI PONDOKMELATI 516.173 12.126.540.453 21,33 663.488 9.954.819.992 15,04 655.547 8.887.014.131 14,38
BEKASI JATIASIH 800.030 26.759.317.097 20,45 814.276 14.384.036.389 14,73 768.762 11.459.146.278 13,92
BEKASI BANTARGEBANG 1.060.508 22.159.416.148 14,04 1.004.173 13.843.557.430 11,72 1.062.518 14.640.350.199 11,39
BEKASI MUSTIKAJAYA 1.166.677 47.447.509.200 18,67 1.042.049 21.479.235.400 14,06 1.091.469 21.878.991.778 13,55
BEKASI BEKASI TIMUR 888.305 10.095.978.567 11,31 912.702 8.330.971.739 10,00 897.787 7.689.908.294 9,77
BEKASI RAWALUMBU 1.032.759 122.137.789.012 33,84 830.456 22.474.364.815 18,05 1.003.857 30.499.943.622 17,40
120

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
BEKASI BEKASI SELATAN 507.556 4.417.164.666 13,09 576.055 4.137.085.040 11,17 564.050 3.679.752.603 10,75
BEKASI BEKASI BARAT 660.722 2.674.723.318 7,83 686.829 2.551.957.566 7,36 681.353 2.457.055.207 7,28
BEKASI MEDAN SATRIA 929.085 28.429.156.838 18,15 911.080 15.863.796.568 13,82 920.053 15.454.688.447 13,51
BEKASI BEKASI UTARA 738.883 8.113.759.311 12,19 799.912 7.166.953.430 10,58 798.886 6.732.408.774 10,27
DEPOK SAWANGAN 691.130 43.171.095.934 30,06 825.946 20.553.535.151 17,36 825.491 18.485.028.858 16,47
DEPOK BOJONGSARI 531.856 3.574.691.810 11,24 594.581 3.495.556.982 9,94 580.123 3.216.942.048 9,78
DEPOK PANCORAN MAS 921.621 17.247.153.417 14,25 961.380 13.316.104.653 12,00 882.096 10.585.183.884 11,66
DEPOK CIPAYUNG 646.925 4.857.130.879 10,77 685.660 4.361.695.783 9,63 695.625 4.260.298.717 9,38
DEPOK SUKMA JAYA 768.564 15.872.048.763 16,39 767.470 9.920.991.154 12,98 704.837 7.656.550.854 12,41
DEPOK CILODONG 723.984 10.737.487.559 14,31 754.220 8.017.053.680 11,87 752.213 7.527.938.582 11,53
DEPOK CIMANGGIS 645.704 3.772.722.072 9,51 671.063 3.392.946.988 8,68 660.187 3.197.063.324 8,56
DEPOK TAPOS 817.887 75.502.802.720 33,60 876.516 24.835.762.883 17,98 849.032 19.432.771.227 16,42
DEPOK BEJI 452.209 18.327.499.889 29,94 715.734 16.003.264.841 17,67 700.351 13.220.211.519 16,42
DEPOK LIMO 725.402 6.434.063.000 11,06 747.657 5.378.436.790 9,81 727.748 4.683.488.731 9,40
DEPOK CINERE 849.957 9.661.792.154 11,56 865.044 7.722.735.741 10,16 834.449 6.967.386.746 10,00
CIMAHI CIMAHI SELATAN 715.390 4.464.096.901 9,34 728.803 3.904.281.927 8,57 747.102 3.939.468.384 8,40
CIMAHI CIMAHI TENGAH 567.248 30.522.771.479 30,80 710.196 15.490.439.648 17,52 732.488 14.023.938.033 16,17
CIMAHI CIMAHI UTARA 837.974 6.923.952.198 9,93 836.201 5.686.026.799 9,02 836.998 5.492.343.242 8,85
TASIKMALAYA KAWALU 734.048 8.834.201.045 12,80 740.514 6.673.206.814 11,03 779.157 6.929.512.010 10,68
121

Kabupaten Kecamatan
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
TASIKMALAYA TAMANSARI 892.072 26.400.708.251 18,21 872.829 14.552.942.361 13,82 907.865 14.212.939.936 13,13
TASIKMALAYA CIBEUREUM 855.394 11.424.754.808 12,50 833.838 8.079.659.777 10,78 851.477 7.960.271.034 10,48
TASIKMALAYA PURBARATU 667.039 4.438.236.129 9,99 676.811 3.749.631.788 9,05 691.132 3.708.340.683 8,81
TASIKMALAYA TAWANG 863.755 5.820.071.624 8,83 849.154 4.808.988.576 8,17 842.630 4.543.791.062 8,00
TASIKMALAYA CIHIDEUNG 601.612 8.516.649.087 15,34 665.704 6.852.472.297 12,43 708.373 7.202.705.689 11,98
TASIKMALAYA MANGKUBUMI 806.905 15.229.871.867 15,29 828.979 10.605.067.493 12,42 825.802 9.640.474.506 11,89
TASIKMALAYA INDIHIANG 664.498 7.759.062.749 13,26 703.611 6.269.598.822 11,25 731.679 6.328.827.074 10,87
TASIKMALAYA BUNGURSARI 915.561 19.923.837.377 15,42 872.531 12.016.357.599 12,56 856.316 10.679.263.555 12,07
TASIKMALAYA CIPEDES 1.047.575 9.353.461.863 9,23 997.089 7.151.893.370 8,48 976.690 6.575.093.289 8,30
BANJAR BANJAR 1.115.136 35.264.933.788 16,84 963.124 16.173.601.533 13,20 941.704 14.103.782.371 12,61
BANJAR PURWAHARJA 768.280 6.128.624.586 10,19 766.625 4.985.830.990 9,21 778.170 4.984.781.389 9,07
BANJAR PATARUMAN 1.128.860 97.681.455.741 27,69 898.615 23.001.286.580 16,88 953.538 20.747.909.358 15,11
BANJAR LANGENSARI 828.263 3.817.569.202 7,46 827.488 3.402.549.173 7,05 843.218 3.468.916.165 6,98
122
Lampiran 3. Hasil perhitungan korelasi pearson antar variabel penyerta
Variabel Tani Listrik SD SMA PT Puskesmas Poliklinik Dokter Bidaan Poskesdes Polindes Kayu Minimarket BUP
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12) (13) (14) (15)
Tani 1,000
Listrik -0,085 1,000
SD 0,275 0,769 1,000
SMA -0,057 0,711 0,696 1,000
PT -0,365 0,405 0,217 0,501 1,000
Puskesmas 0,267 0,156 0,259 0,210 0,016 1,000
Poliklinik -0,248 0,720 0,478 0,541 0,383 0,112 1,000
Dokter -0,384 0,665 0,437 0,616 0,573 0,041 0,603 1,000
Bidaan 0,086 0,750 0,688 0,563 0,275 0,201 0,571 0,540 1,000
Poskesdes 0,210 -0,193 -0,046 -0,202 -0,186 -0,106 -0,210 -0,226 -0,048 1,000
Polindes 0,151 -0,147 -0,052 -0,145 -0,159 0,076 -0,166 -0,207 -0,071 0,332 1,000
Kayu 0,095 0,160 0,224 0,163 0,048 0,107 0,129 0,074 0,214 0,063 0,066 1,000
Minimarket -0,352 0,769 0,515 0,640 0,549 0,091 0,676 0,731 0,557 -0,244 -0,200 0,129 1,000
BUP -0,335 0,571 0,366 0,552 0,643 0,086 0,508 0,724 0,415 -0,176 -0,133 0,047 0,708 1,000
123
Lampiran 4. Hasil Perhitungan Variance Inflation Factor (VIF)
Variabel Tolerance VIF

(1) (2) (3)
Tani 0,477 2,095
Listrik 0,161 6,227
SD 0,233 4,298
SMA 0,338 2,961
PT 0,503 1,988
Puskesmas 0,832 1,202
Poliklinik 0,417 2,398
Dokter 0,305 3,283
Bidaan 0,369 2,710
Poskesdes 0,794 1,260
Polindes 0,850 1,177
Kayu 0,920 1,088
Minimarket 0,248 4,027
BUP 0,351 2,853
124
RIWAYAT HIDUP
Penulis lahir di Kabupaten Gresik pada tanggal 23 Juli 1997 dari pasangan
Zaeni dan Maskhanifah. Penulis merupakaan anak kedua dari dua bersaudara.
Kakak penulis bernama Sarwendah Eka Safitri. Penulis menyelesaikan Taman
Kanak-Kanak di TK Mutiara Arjasa Cerme pada tahun 2003, dan Sekolah Dasar di
SDN 1 Cerme Kidul pada tahun 2009. Kemudian pada tahun 2012 penulis
menyelesaikan pendidikan Sekolah Menengah Pertama di SMPN 1 Cerme, dan
pada tahun 2015 menyelesaikan Sekolah Menengah Atas di SMAN 1 Gresik. Pada
tahun yang sama penulis menempuh pendidikan ke jenjang yang lebih tinggi, yaitu
Politeknik Statistika STIS dan di tahun 2019, penulis resmi menyelesaikan
pendidikan Program Diploma IV dan memperoleh gelar Sarjana Terapan Statistika
(S.Tr.Stat.).
125

Yulian Dwi Intan Anggraeni - 15.8953 - 2019

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Yulian Dwi Intan Anggraeni - 15.8953 - 2019

Diunggah oleh

Hak Cipta:

Format Tersedia

PENERAPAN EMPIRICAL BEST LINEAR UNBIASED

PREDICTION-FAY HERRIOT (EBLUP-FH) DAN SPATIAL

EBLUP-FH PADA DATA TRANSFORMASI LOGARITMA

(Studi Kasus: Pendugaan Rata-rata Pengeluaran per Kapita

PROGRAM STUDI : STATISTIKA PROGRAM DIPLOMA IV

POLITEKNIK STATISTIKA STIS

PREDICTION-FAY HERRIOT (EBLUP-FH) DAN SPATIAL

EBLUP-FH PADA DATA TRANSFORMASI LOGARITMA

(Studi Kasus: Pendugaan Rata-rata Pengeluaran per Kapita

POLITEKNIK STATISTIKA STIS

Hak Cipta dilindungi undang-undang

2. Dilarang mengumpulkan dan memperbanyak sebagian atau seluruh

Jakarta, Juli 2019

Yulian Dwi Intan Anggraeni

YULIAN DWI INTAN ANGGRAENI, “Penerapan Empirical Best Linear

Peningkatan dan pemerataan kesejahteraan menjadi salah satu tujuan

Kata kunci: pengeluaran per kapita, transformasi logaritma, EBLUP, SEBLUP

BAB I PENDAHULUAN ................................................................. 1

BAB II KAJIAN PUSTAKA .............................................................. 13

BAB III METODOLOGI ..................................................................... 41

BAB IV HASIL DAN PEMBAHASAN .............................................. 51

DAFTAR PUSTAKA ................................................................................. 85

No. Tabel Judul Tabel Halaman

1. Interpretasi korelasi pearson ................................................................. 16

No. Gambar Judul Gambar Halaman

1. Gini ratio menurut provinsi di Indonesia tahun 2018 ........................... 2

No. Lampiran Judul Lampiran Halaman

1. Variabel-variabel yang digunakan dalam penelitian ............................ 89

1.1 Latar Belakang

Indonesia merupakan negara kepulauan yang menganut sistem

pemerintahan desentralisasi. Berdasarkan asas otonomi dalam Undang-Undang

nomor 23 tahun 2014, urusan pemerintahan diserahkan oleh pemerintah pusat

provinsi, kabupaten/kota, kecamatan sampai ke kawasan khusus seperti desa1.

Implementasi dari sistem desentralisasi ini, membuat pemerintah daerah di seluruh

wilayah Indonesia berupaya keras dalam menyejahterakan penduduk di wilayahnya

Kesejahteraan penduduk dalam suatu wilayah dapat digambarkan melalui

beberapa indikator, salah satunya melalui perhitungan pendapatan per kapita

penduduk. Untuk mendapatkan data pendapatan per kapita penduduk di Indonesia,

masih menggunakan pendekatan pengeluaran per kapita. Dalam website resmi

Sistem Informasi Rujukan Statistik (SIRUSA) BPS dijelaskan bahwa penggunaan

proporsi pengeluaran untuk makanan dan non-makanan. Komposisi pengeluaran

total pengeluaran maka semakin baik tingkat kesejahteraan.

dalam perencanaan dan evaluasi pembangunan. Akibat keterbatasan informasi ini,

pengambilan kebijakan dan pelaksanaannya dirasa belum optimal.

Salah satu masalah kesejahteraan dan pemerataan di Indonesia yang belum

mampu diselesaikan adalah tingginya pangsa perekonomian Provinsi Jawa Barat

sebesar 13,09% (bahkan menjadi penopang utama perekonomian nasional setelah

Semester 1 (Maret) Semester 2 (September)

DKI Jakarta Jatim

menunjukkan nilai yang relatif stabil dan bersifat menengah/moderate. Dari

disesuaikan2 Provinsi Jawa Barat hanya menduduki peringkat ke-13 di Indonesia.

jauh, Gambar 4 menunjukkan bahwa pengeluaran per kapita disesuaikan Provinsi

2014 2015 2016 2017 2018

2014 2015 2016 2017 2018

Agar problematika kesejahteraan penduduk dan ketimpangan dapat

keterbatasan sampel pada survei-survei membuat BPS hanya menghasilkan nilai

menambah jumlah sampel, sehingga desain survei yang dilakukan mampu

memberikan output statistik area kecil yang lebih baik.

statistik yang mampu memenuhi ketersediaan informasi meskipun sumber daya

dengan Small Area Estimation (SAE) atau Pendugaan Area Kecil.

Rao (2003) mengatakan bahwa SAE dilakukan dengan meminjam kekuatan

(borrows strength) dari variabel-variabel penyerta (auxiliary variables) yang