Aplikasi SAE: Penghitungan Nilai Estimasi Indikator Imunisasi Dasar Lengkap…………..……...

………………… (Briantiko dan Agustina)

Aplikasi Small Area Estimation Pada Penghitungan Nilai Estimasi

Indikator Imunisasi Dasar Lengkap Di Pulau Jawa Dan Bali Tahun
2020
(Small Area Estimation Application For Complete Basic Immunization Indicator Estimation
Calculation On The Island Of Java And Bali In 2020)

Zenda Oka Briantiko1*, Rida Agustina1

Politeknik Statistika STIS
Email : 221710087@stis.ac.id

ABSTRAK

Imunisasi dasar lengkap merupakan target RPJMN 2020-2024 dan menjadi salah satu indikator deprivasi tunggal kemiskinan
multidimensi Sustainable Development Goals (SDGs) 1.2.2*. Akan tetapi baru sekitar 57,17 persen anak umur 12-23 bulan
yang menerima imunisasi dasar lengkap pada tahun 2020. Ketersediaan fasilitas kesehatan di Pulau Jawa dan Bali lebih
banyak dibandingkan daerah lain, namun baru Provinsi Bali yang memenuhi minimal 80 persen target program imunisasi
dasar lengkap. Kajian ini dilakukan untuk menghitung nilai estimasi indikator imunisasi dasar lengkap sampai tingkat
kabupaten/kota yang dapat dijadikan sebagai acuan dalam menentukan daerah prioritas program imunisasi dasar lengkap.
Metode yang digunakan adalah Small Area Estimation dengan pendekatan EBLUP terhadap 128 kabupaten/kota di Pulau
Jawa dan Bali dengan menggunakan data Susenas 2020 untuk direct estimate dan Podes 2018 sebagai variabel penjelasnya.
Pemodelan SAE dilakukan dengan dua acara yaitu dengan menggabungkan seluruh kabupaten/kota di Model-1 dan
memisahkan antara kabupaten dan kota di Model-2. Hasil penghitungan menunjukkan bahwa terdapat perbedaan variabel
penjelas yang digunakan pada Model-1 dan Model-2. Namun pemodelan Model-1 menghasilkan nilai RSE ≤ 25% lebih
banyak dari Model-2 sehingga dapat dikatakan bahwa pemodelannya lebih efektif.
Kata kunci: small area estimation, EBLUP, EBLUP non sample, kmeans, imunisasi dasar lengkap

ABSTRACT

Complete basic immunization is the target of the 2020-2024 RPJMN and is one of the single deprivation indicators of
multidimensional poverty, Sustainable Development Goals (SDGs) 1.2.2*. However, only about 57.17 percent of children
aged 12-23 months received complete basic immunization in 2020. The availability of health facilities in Java and Bali is
more than in other areas, but only Bali Province has met a minimum of 80 percent of the target for the complete basic
immunization program. This study was conducted to calculate the estimated value of the complete basic immunization
indicator to the district/city level which can be used as a reference in determining priority areas for the complete basic
immunization program. The method used is Small Area Estimation of 128 regencies/cities in Java and Bali using Susenas
2020 data for direct estimates and Podes 2018 as explanatory variables. SAE modeling is carried out in two ways, namely
by combining all districts/cities in Model-1 and separating districts and cities in Model-2. The calculation results show that
there are differences in the explanatory variables used in Model-1 and Model-2. However, Model-1 modeling produces an
RSE value 25% more than Model-2 so it can be said that the modeling is more effective.

Keywords: small area estimation, EBLUP, EBLUP non-sample, kmeans, complete basic immunization

PENDAHULUAN

Imunisasi merupakan salah satu upaya untuk meningkatkan kekebalan tubuh seseorang terhadap suatu
penyakit khususnya Penyakit yang Dapat Dicegah Dengan Imunisasi (PD3I) seperti Tuberkulosis, Difteri,
Pertusis, Campak, Polio, Tetanus serta Hepatitis B (Peraturan Menteri Kesehatan Republik Indonesia, 2017).
Indonesia telah menjalankan Expanded Programme on Immunization (EPI) sejak tahun 1977 dan terbebas dari
Polio pada tahun 2014 serta berkurangnya prevalensi tetanus pada ibu dan bayi di tahun 2016 (Saraswati & Gani,
2020). Namun persentase anak umur 12-23 bulan yang menerima imunisasi dasar lengkap masih sekitar 57,17
persen pada tahun 2020 (Badan Pusat Statistik, 2020). Angka tersebut belum mencapai target Rencana
Pembangunan Jangka Menengah Nasional 2020-2024 yaitu 64,00 persen (RI (Republik Indonesia), 2020).
Sedangkan target program imunisasi dasar lengkap untuk provinsi dan kabupaten/kota adalah minimal 80 persen

449
Seminar Nasional Official Statistics 2022

dan baru Provinsi Bali yang mencapai target tersebut dengan persentase sebesar 81,43 persen (Badan Pusat
Statistik, 2020; Pusat Data dan Informasi Kementerian Kesehatan Republik Indonesia, 2016).
Kewajiban pemberian imunisasi lengkap tercantum dalam Undang-Undang Nomor 39 tahun 2009 tentang
Kesehatan khususnya bagi bayi dan anak (RI (Republik Indonesia), 2009). Anak dikatakan telah mendapatkan
imunisasi dasar lengkap jika telah menerima 1 dosis Hepatitis B, 1 dosis Bacillus Calmete Guerin (BCG), 3 dosis
Diphteria Pertusis Tetanus (DPT)-HB-HiB, 4 dosis polio tetes, dan 1 dosis campak pada usia antara 0-11 bulan
(Pusat Data dan Informasi Kementerian Kesehatan Republik Indonesia, 2016). Faktor-faktor yang mempengaruhi
pemberian imunisasi dasar lengkap telah dikaji sebelumnya yaitu diantaranya karakteristik ibu dan rumah tangga,
kemiskinan, ketersediaan fasilitas kesehatan, akses terhadap fasilitas kesehatan, keberadaan tenaga kesehatan,
serta klasifikasi daerah tempat tinggal (Agnestia Latumahina et al., 2021; Dharma, 2019; Holipah et al., 2018;
Nainggolan et al., 2016; Saraswati & Gani, 2020).
Sarana prasarana serta infrastruktur kesehatan di Pulau Jawa dan Bali yang berada dekat dengan pusat
pemerintahan diasumsikan banyak tersedia dibandingkan dengan daerah lain. Hal ini didukung oleh data dari
Kementerian Kesehatan terkait keberadaan posyandu sebagai salah satu tempat penyedia layanan kesehatan
imunisasi yang ada sampai di tingkat desa/kelurahan dimana terdapat 130.938 posyandu yang tersebar di 128
kabupaten/kota di Pulau Jawa dan Bali (Kementerian Kesehatan Republik Indonesia, 2019). Namun demikian,
hanya ada 1 provinsi yang mencapai target RPJMN. Sedangkan indikator tersebut merupakan salah satu indikator
deprivasi tunggal kemiskinan multidimensi Sustainable Development Goals (SDGs) 1.2.2* yaitu persentase laki-
laki, perempuan dan anak-anak dari semua usia, yang hidup dalam kemiskinan dalam berbagai dimensi, sesuai
dengan definisi nasional (Bappenas, 2020). Selain itu, ketersediaan data persentase anak umur 12-23 bulan yang
mendapatkan imunisasi dasar lengkap yang presisi hingga level kabupaten/kota masih belum tersedia. Oleh karena
itu penelitian ini bertujuan untuk menghitung nilai estimasi persentase anak umur 12-23 bulan yang mendapatkan
imunisasi dasar lengkap untuk setiap kabupaten/kota di Pulau Jawa dan Bali. Nilai estimasi per kabupaten/kota
tersebut dapat dijadikan sebagai salah satu acuan dalam menentukan daerah prioritas serta langkah lebih lanjut
untuk meningkatkan imunisasi dasar lengkap khususnya di Pulau Jawa dan Bali.

METODE

Small Area Estimation

Metode yang dapat digunakan untuk mengestimasi nilai indikator sampai ke level wilayah terkecil
kabupaten/kota adalah metode Small Area Estimation (SAE) (Ikhsan et al., 2019; Ratu & Ikhsan, 2021;
Subandriyo et al., 2019). Estimasi karakteristik wilayah kecil yang dilakukan secara langsung (direct estimate)
hanya berdasarkan data dari kelompok wilayah kecil akan menghasilkan nilai estimasi yang kurang reliable
(Sugasawa & Kubokawa, 2020). Dengan SAE, estimasi dilakukan secara tidak langsung berdasarkan model
dengan memanfaatkan informasi yang diperoleh dari variabel penjelas tambahan (auxiliary variable) yang
digunakan (Subandriyo et al., 2019). Salah satu pendekatan SAE yang biasa digunakan adalah Empirical Best
Linear Unbiased Predictor (EBLUP) yang menghasilkan nilai estimasi yang lebih presisi dibandingkan rata-rata
sampel (Sugasawa & Kubokawa, 2020). Namun, pendekatan tersebut akan menghasilkan nilai estimasi yang bias
jika terdapat daerah yang tidak memiliki sampel. EBLUP mengabaikan area random effect karena kurangnya
informasi dari daerah yang tidak ada sampel (Anisa et al., 2014). Sedangkan diantara sampel yang akan dikaji
terdapat daerah yang tidak ada sampelnya. Oleh karena itu untuk daerah yang tidak terdapat sampel digunakan
informasi cluster yang diharapkan akan meningkatkan estimasi yang lebih akurat (Anisa et al., 2014). Untuk
mengetahui tingkat presisi dari estimasi yang dihasilkan maka dapat dilihat berdasarkan nilai Mean square error
(MSE), sehingga untuk mengetahui tingkat presisi nilai estimasi dari daerah yang tidak ada sampel maka
digunakan MSE non-sample (Haris & Ubaidillah, 2020).

Empirical Best Linear Unbiased Predictor

Model Fay-Herriot telah menjadi salah satu model yang paling banyak digunakan dalam small area
estimation (Benavent & Morales, 2016). Model ini menambahkan random effect atau efek acak area ke dalam
model linear, sehingga terbentuk persamaan sebagai berikut:
𝑦𝑖 = 𝒙𝑻𝒊 𝜷 + 𝑏𝑖 𝑢𝑖 + 𝑒𝑖 ................................................................................................................................... (1)
dimana 𝑦 adalah variabel respon, 𝑥 adalah variabel independent, 𝛽 adalah vektor koefisien regresi, 𝑢𝑖 ~(0, 𝜎𝑢2 )
adalah random effect yang bersifat iid (independent and identically distributed), dan 𝑒𝑖 ~(0, 𝜓𝑖 ) adalah sampling
error yang bersifat iid dan 𝜓𝑖 diasumsikan diketahui.

450
Aplikasi SAE: Penghitungan Nilai Estimasi Indikator Imunisasi Dasar Lengkap…………..……...………………… (Briantiko dan Agustina)

Empirical Best Linear Unbiased Predictor (EBLUP) merupakan salah satu metode untuk mengestimasi
model Fay-Herriot dengan mengganti ragam (𝜎𝑢2 ) pada persamaan Best Linear Unbiased Predictor (BLUP)
dengan penduga ragam (𝜎̂ 2 𝑢 ) yang diestimasi menggunakan metode Restricted Maximum Likelihood (REML).
Persamaan EBLUP dituliskan sebagai berikut:
̂ 𝑬 + 𝑢̂𝐸 .......................................................................................................................................... (2)
𝑦̂𝐸 = 𝒙𝑻𝒊 𝜷
dimana
𝑢̂𝐸 = 𝛾̂𝑖 (𝑦𝑖 − 𝒙𝑻𝒊 𝜷̂ 𝑬 ) .................................................................................................................................. (3)
̂2
𝜎
𝛾̂𝑖 = 𝜓 +𝜎̂𝑢2 ................................................................................................................................................... (4)
𝑖 𝑢
Persamaan MSE EBLUP adalah sebagai berikut:
𝑚𝑠𝑒(𝑦̂𝐸 ) = 𝑔1𝑖 (𝜎̂ 2 𝑢 ) + 𝑔2𝑖 (𝜎̂𝑢2 ) + 2𝑔3𝑖 (𝜎̂𝑢2 ) ........................................................................................... (5)
dimana
𝜎̂𝑢2 𝜓𝑖
𝑔1𝑖 (𝜎̂𝑢2 ) = ̂𝑢2 )
........................................................................................................................................ (6)
(𝜓𝑖 +𝜎
𝑔2𝑖 (𝜎̂𝑢2 ) = (1 − 𝛾̂𝑖 )2 𝑥𝑖𝑇 𝑄𝑥𝑖 ......................................................................................................................... (7)
𝑔3𝑖 (𝜎̂𝑢2 ) = 𝜓𝑖2 (𝜓𝑖 + 𝜎𝑢2 )−3 𝑉̂ (𝜎̂𝑢 )................................................................................................................. (8)
−1
𝑥𝑖 𝑥𝑖𝑇
𝑄 = (∑𝑚
𝑖=1 ̂𝑢2 )
) ................................................................................................................................. (9)
(𝜓𝑖 +𝜎

EBLUP dengan Informasi Cluster

Terdapat pendekatan dengan menambahkan rata-rata estimator dari random effect area dan auxiliary variable
di setiap klaster untuk memodifikasi intercept maupun slope model prediksi (Anisa et al., 2014). Model estimasi
EBLUP adalah sebagai berikut:
𝑦̂𝐸 = 𝒙𝑻𝒊 𝜷̂ 𝑬 + 𝑢̂𝐸 ...................................................................................................................................... (10)
Sedangkan penduga EBLUP untuk daerah tidak tersampel adalah sebagai berikut:
𝑦̂𝐸 = 𝒙𝑻𝒊 𝜷̂ 𝑬 ................................................................................................................................................ (11)
Rata-rata random effect untuk daerah tidak tersampel dituliskan sebagai berikut:
1 𝑚𝑘
𝑢̅̂ 𝑑(𝑘) = 𝑚 ∑𝑑=1 𝑢̂𝑑 .................................................................................................................................. (12)
𝑘
𝑢̅̂ 𝑑(𝑘) = Rata-rata random effect pada klaster ke−𝑘
𝑚𝑘 = Banyaknya area sampel pada klaster ke−𝑘
𝑢̂𝑑 = Random effect area sampel ke−𝑑
Dengan memasukkan informasi pada persamaan ke (12) ke dalam persamaan ke (11), maka diperoleh model
EBLUP untuk daerah tidak tersampel yaitu sebagai berikut:
̂ 𝑬 + 𝑢̅̂ 𝑑 ....................................................................................................................................... (13)
𝑦̂𝐸 = 𝒙𝑻𝒊 𝜷

MSE Non-sampled Area

MSE untuk non-sampled area bisa diperoleh dengan memodifikasi estimator Prasad-Rao (Haris &
Ubaidillah, 2020). Oleh karena itu untuk memodifikasi estimator Prasad-Rao (1990), penulis mengusulkan
𝑔3𝑖 ̂𝑢2 )(𝑘) , dan 𝛾̂̅𝑖(𝑘) dengan informasi klaster. Jadi estimator Prasad-Rao yang digunakan
menggunakan 𝜓̅𝑖(𝑘) , ̅̅̅̅(𝜎
untuk mengestimasi area non-sampled adalah sebagai berikut:
𝑚𝑠𝑒(𝑦̂𝑖𝑛𝑠 ) = 𝑔1𝑖 (𝜎̂𝑢2 )(𝑘) + 𝑔2𝑖 (𝜎̂𝑢2 )(𝑘) + 2𝑔 2
3𝑖 ̂𝑢 )(𝑘) ........................................................................... (14)
̅̅̅̅(𝜎
dimana:
𝜎 ̅ 𝑖(𝑘)
̂𝑢2 𝜓
𝑔1𝑖 (𝜎̂𝑢2 )(𝑘) = ̅ ̂𝑢2 )
............................................................................................................................. (15)
(𝜓𝑖(𝑘) +𝜎
2
𝑔2𝑖 (𝜎̂𝑢2 )(𝑘) = (1 − 𝛾̂̅𝑖(𝑘) ) 𝑥𝑖𝑇 𝑄𝑥𝑖 .............................................................................................................. (16)

𝑔3𝑖 ̂𝑢2 )(𝑘) , dan 𝛾̂̅𝑖(𝑘) adalah rata-rata dari area tersampel di klaster yang sama
𝜓̅𝑖(𝑘) , ̅̅̅̅(𝜎

Relatif Standard Error (RSE)

Relatif Standard Error (RSE) merupakan ukuran presisi suatu estimasi relatif terhadap estimasinya.
Persamaan RSE adalah sebagai berikut:

451
Seminar Nasional Official Statistics 2022

𝑆𝐸(𝜃)
𝑅𝑆𝐸(𝜃) = 𝜃 × 100% ......................................................................................................................... (17)
keterangan:
𝜃 = nilai statistik atau estimasi karakteristik pada suatu domain
𝑆𝐸(𝜃) = ukuran presisi jarak estimasi yang dihasilkan terhadap rata-rata estimasi dari seluruh kemungkinan
sampel yang berbeda dan disurvei dengan kondisi yang sama.

Keputusan mengenai tingkat presisi suatu estimasi bisa diamati dari tabel berikut (Soedarti dkk, 2007).

Tabel 1. Perlakuan Suatu Nilai Estimasi Berdasarkan Kondisi RSE-nya.

Kondisi Keterangan
𝑅𝑆𝐸 ≤ 25% Presisi (bisa digunakan)
25% < 𝑅𝑆𝐸 ≤ 50% Perlu hati-hati jika digunakan
Dianggap tidak presisi (harus digabungkan dengan estimasi lain untuk memberikan
𝑅𝑆𝐸 > 50%
estimasi dengan 𝑅𝑆𝐸 ≤ 25%

Tahapan Estimasi SAE

Penghitungan SAE dilakukan dalam enam tahap. Pertama, dilakukan penyiapan data nilai estimasi langsung
dari persentase anak umur 12-23 bulan yang mendapatkan imunisasi dasar lengkap hasil Survei Sosial Ekonomi
Nasional (Susenas) Maret 2020. Setelah data siap, pada tahap kedua dilakukan studi literatur untuk mengetahui
determinan indikator sebagai dasar penyiapan data variabel penjelas yang bersumber dari Potensi Desa (Podes)
2018. Selanjutnya pada tahap ketiga dilakukan eksplorasi data dengan mengidentifikasi nilai estimasi langsung
serta nilai RSE berdasarkan kelompok kondisinya. Kemudian pada tahap keempat, dilakukan seleksi variabel
penjelas melalui penyusunan model regresi dengan metode stepwise. Model regresi yang dibentuk terdiri dari 2
model yaitu Model-1 yang mencakup seluruh kabupaten/kota yang ada di Pulau Jawa dan Bali, serta Model-2
yaitu model dimana sampel kabupaten dengan sampel kota dipisah pengolahannya. Tahap kelima dilanjutkan
dengan penyusunan SAE menggunakan metode EBLUP. Berikutnya pada tahap terakhir/keenam adalah
pembandingan efektifitas model yang dilihat berdasarkan nilai RSE yang dihasilkan.

Sumber Data dan Cakupan

Penelitian ini merupakan penelitian kuantitatif dengan menggunakan data yang bersumber dari Susenas
Maret 2020 untuk memperoleh nilai estimasi langsung (direct estimation) dari persentase anak umur 12-23 bulan
yang mendapatkan imunisasi dasar lengkap. Selain itu juga digunakan data Podes 2018 sebagai variabel penjelas
(auxiliary variable) yang dipilih berdasarkan hasil studi literatur (Tabel 2). Sampel penelitian adalah seluruh
kabupaten/kota di Pulau Jawa dan Bali yaitu yang berada di Provinsi DKI Jakarta, Jawa Barat, Jawa Tengah, DI
Yogyakarta, Jawa Timur, Banten, dan Bali.
Tabel 2. Rincian Variabel Penjelas.
Variabel Rincian
𝑥1 Persentase desa yang ada fasilitas Kesehatan
𝑥2 Jumlah posyandu
𝑥3 Persentase desa yang ada tenaga Kesehatan
𝑥4 Persentase desa yang mengalami wabah penyakit
𝑥5 Persentase desa yang warganya memiliki BPJS
𝑥6 Persentase desa yang mengeluarkan SKTM
𝑥7 Persentase desa yang warganya memiliki HP
𝑥8 Persentase desa yang memiliki sinyal HP kuat
𝑥9 Jumlah Base Transceiver Station (BTS)
𝑥10 Jumlah operator seluler
𝑥11 Jumlah keluarga pengguna telepun kabel
𝑥12 Persentase desa yang ada jalan darat

452
Aplikasi SAE: Penghitungan Nilai Estimasi Indikator Imunisasi Dasar Lengkap…………..……...………………… (Briantiko dan Agustina)

𝑥13 Persentase desa yang ada angkutan umum bertrayek dan tidak bertrayek
Sumber: Hasil olah data

HASIL DAN PEMBAHASAN

Setelah penyiapan data dan studi literatur dilakukan, selanjutnya adalah eksplorasi data nilai Estimasi
langsung indikator persentase anak umur 12-23 bulan yang mendapatkan imunisasi dasar lengkap di Pulau Jawa
dan Pulau Bali. Rata-rata nilai estimasi langsung indikator yaitu 67,81%, Dengan nilai minimalnya 8,66% dan
maksimalnya 94,75%. Nilai estimasi langsung tertinggi berada di Kabupaten Tabanan, Provinsi Bali, dan nilai
estimasi langsung terendahnya berada di Kabupaten Sampang, Provinsi Jawa Timur. Secara rata-rata, wilayah
administratif kota memiliki rata-rata di atas rata-rata gabungan estimasi langsung Pulau Jawa dan Pulau Bali.
Sedangkan rata-rata wilayah administratif kabupaten memiliki rata-rata di bawah rata-rata gabungan estimasi
langsung Pulau Jawa dan Pulau Bali. Nilai statistik berdasarkan kabupaten/kota tersaji pada Tabel 3 berikut.

Tabel 3. Nilai Estimasi Langsung Persentase Anak Umur 12-23 Bulan yang Mendapatkan Imunisasi Dasar
Lengkap untuk Kabupaten/Kota di Pulau Jawa dan Bali, Tahun 2020
Karakteristik Kabupaten Kota
Minimal 08,66% 38,22%
Rata-rata 66,96% 70,15%
Median 72,57% 71,19%
Maksimal 94,75% 93,58%

Eksplorasi data dilanjutkan dengan mengidentifikasi nilai RSE dari nilai estimasi langsung. Hasil eksplorasi
data menunjukkan bahwa sekitar 7% dari total kabupaten/kota memiliki nilai RSE lebih dari 25% (lihat Gambar
2). Dari tujuh persen tersebut, enam kabupaten/kota memiliki nilai estimasi langsung yang dapat dipakai tetapi
dengan kehati-hatian (25% < RSE ≤ 50%). Selain itu, dua kabupaten/kota memiliki nilai RSE yang dianggap tidak
presisi (RSE > 50%), dan ada satu kabupaten/kota yang tidak memiliki nilai RSE (NA/Not Available), karena
tidak adanya nilai estimasi langsung yang disebabkan tidak adanya sampel pada area tersebut. Estimasi yang tidak
presisi masing-masing bernilai 63,43% (Kabupaten Sumenep, Jawa Timur) dan 51,85% (Kabupaten Sampang,
Jawa Timur). Sedangkan, daerah yang tidak memiliki nilai estimasi langsung adalah Kota Madiun, Jawa Timur.

Sumber: Hasil olah data

Gambar 1. RSE Nilai Estimasi Langsung Persentase Anak Umur 12-23 Bulan yang Mendapatkan Imunisasi
Dasar Lengkap untuk Kabupaten/Kota di Pulau Jawa dan Bali, Tahun 2020.

Setelah diketahui bahwa masih terdapat permasalahan pada nilai estimasi langsung dari variabel penelitian
yaitu estimasi yang tidak presisi karena nilai RSE yang lebih dari 50% dan tidak adanya sampel di salah satu
wilayah sehingga tidak dapat dihasilkannya nilai estimasi, maka peneliti kemudian melakukan estimasi dengan
metode Small Area Estimation (SAE). Namun sebelumnya, Estimasi dengan SAE yang dilakukan menggunakan
dua model, yaitu Model-1 dan Model-2. Variable penjelas terpilih untuk tiap-tiap model dapat dilihat pada Tabel
3 yang menunjukkan bahwa terdapat perbedaan variabel penjelas antara Model-1 dan Model-2 (Kabupaten) serta
Model-2 (Kota).

453
Seminar Nasional Official Statistics 2022

Tabel 4. Variabel Penjelas terpilih untuk Model-1 dan Model-2

Model-2
Model-1
Kabupaten Kota
𝑥7 𝑥7 𝑥3
𝑥9 𝑥9 𝑥8
𝑥13 𝑥11 𝑥11
𝑥13
Sumber: Hasil olah data

Pemodelan EBLUP dilakukan berdasarkan variabel-variabel terpilih. Untuk model pertama dilakukan untuk
keseluruhan kabupaten kota di Jawa dan Bali, yaitu sejumlah 128 kabupaten/kota. Model pertama ini
menggunakan EBLUP dengan informasi klaster dikarenakan terdapat satu kabupaten/kota yang tidak memiliki
nilai estimasi langsung dan RSE. Kemudian pemodelan kedua menggunakan EBLUP untuk kabupaten dan
EBLUP dengan informasi klaster untuk kota. Berdasarkan pemodelan, diperoleh estimasi koefisien sebagai
berikut:
Tabel 5. Estimasi Koefisien untuk Model-1
Variabel Koefisien Beta Standard Error P-Value
Intercept -193,175 53,898 0,000
𝑥7 2,914 0,547 0,000
𝑥9 -0,031 0,009 0,000
𝑥13 -0,199 0,065 0,000
Sumber: Hasil olah data

Tabel 6. Estimasi Koefisien untuk Model-2 (Kabupaten)

Variabel Koefisien Beta Standard Error P-Value
Intercept -174,021 64,723 0,000
𝑥7 2,754 0,653 0,000
𝑥9 -0,051 0,015 0,000
𝑥11 0,000 0,000 0,001
𝑥13 -0,223 0,008 0,001
Sumber: Hasil olah data

Tabel 7. Estimasi Koefisien untuk Model-2 (Kota)

Variabel Koefisien Beta Standard Error P-Value
Intercept -198,541 78,627 0,011
𝑥3 1,132 0,420 0,007
𝑥8 1,706 0,633 0,007
𝑥11 0,000 0,000 0,000
Sumber: Hasil olah data

Nilai estimasi random effect diperoleh sesuai dengan persamaan (3). Untuk semua model, nilai p-value dari
estimasi random effect lebih dari 0,05 yang artinya random effect berdistribusi normal. Tabel 8. menyajikan nilai
rata-rata, varians, dan p-value dari estimasi random effect.
Tabel 8. Estimasi Random Effect
Model Rata-rata Standard Deviasi P-Value
Model 1 0,082 5,014 0,089
Model 2 (Kabupaten) 0,021 5,229 0,063

454
Aplikasi SAE: Penghitungan Nilai Estimasi Indikator Imunisasi Dasar Lengkap…………..……...………………… (Briantiko dan Agustina)

Model 2 (Kota) 0,047 5,501 0,277

Sumber: Hasil olah data

Setelah didapatkan estimasi koefisien, selanjutnya diperoleh nilai estimasi untuk tiap-tiap model yang
kemudian akan dibandingkan dengan nilai estimasi langsung. Nilai estimasi hasil pemodelan EBLUP Model-1
dan EBLUP Model-2 menunjukkan tidak terlalu terdapat banyak perbedaan dan memiliki pola yang sama dengan
estimasi langsung seperti yang dapat dilihat pada Gambar 2.

Sumber: Hasil olah data

Gambar 2. Nilai Estimasi Hasil Pemodelan EBLUP Model-1 dan Model-2

Setelah didapatkannya nilai estimasi, selanjutnya dilakukan penghitungan nilai RSE. Gambar 3 menunjukkan
bahwa model EBLUP Model-1 dan Model-2 dapat meningkatkan presisi dari estimasi langsung dengan cara
menurunkan RSE.

Sumber: Hasil olah data

Gambar 3. Nilai RSE Hasil Pemodelan EBLUP Model-1 dan Model-2

Selain dapat meningkatkan presisi dari estimasi, pemodelan Small Area Estimation dapat mengatasi
permasalahan non-sampled area seperti pada Tabel 9. Berdasarkan efektifitas model, EBLUP Model-1 terbukti
lebih efektif dibandingkan dengan EBLUP Model-2 karena menghasilkan nilai estimasi dengan RSE ≤ 25% yang
lebih banyak.

455
Seminar Nasional Official Statistics 2022

Tabel 9. Jumlah Kabupaten/Kota di Pulau Jawa Bali Menurut Nilai RSE Hasil Estimasi Langsung dan
Pemodelan SAE
Estimasi 𝑅𝑆𝐸 ≤ 25% 25% < 𝑅𝑆𝐸 ≤ 50% 𝑅𝑆𝐸 > 50% 𝑅𝑆𝐸 = 𝑁𝐴
Estimasi langsung 119 6 2 1
EBLUP Model-1 125 3 0 0
EBLUP Model-2 123 5 0 0
Sumber: Hasil olah data

KESIMPULAN

Berdasarkan hasil pembahasan, dapat disimpulkan bahwa metode SAE dapat digunakan untuk menghitung
nilai estimasi persentase anak umur 12-23 bulan yang mendapatkan imunisasi dasar lengkap sampai dengan level
kabupaten/kota di Pulau Jawa dan Bali dengan tingkat presisi yang meningkat yaitu RSE SAE-EBLUP yang lebih
rendah dari RSE estimasi langsung. Variabel penjelas yang dipakai pada EBLUP Model-1 yaitu persentase desa
yang warganya memiliki HP, jumlah Base Transceiver Station (BTS), dan persentase desa yang ada angkutan
umum bertrayek dan tidak bertrayek. Variabel penjelas yang dipakai pada EBLUP Model-2 (Kabupaten) yaitu
variabel penjelas yang dipakai pada EBLUP Model-1 dengan tambahan variabel jumlah keluarga pengguna
telepun kabel. Sedangkah variabel penjelas untuk EBLUP Model-2 (Kota) yaitu persentase desa yang ada tenaga
kesehatan, persentase desa yang memiliki sinyal HP kuat, dan persentase desa yang ada angkutan umum bertrayek
dan tidak bertrayek. Hasil pemodelan SAE menunjukkan bahwa estimasi menggunakan EBLUP Model-1 lebih
efektif, terlihat dari banyaknya estimasi yang presisi (𝑅𝑆𝐸 ≤ 25%) lebih banyak dibandingkan EBLUP Model-2
dan estimasi yang dapat digunakan dengan kehati-hatian (25% < 𝑅𝑆𝐸 ≤ 50%) lebih sedikit dibandingkan
EBLUP Model-2.

DAFTAR PUSTAKA

Agnestia Latumahina, A., Dyah Kurniasari, M., & Kasmirah Kasmirah. (2021). Determinan Ketidaklengkapan
Pemberian Imunisasi Pada Bayi: Bukti Empiris di Negeri Oma-Maluku. Journal of Human Health, 1(1),
22–32. https://ejournal.uksw.edu/johh/article/view/5570/1918
Anisa, R., Kurnia, A., & Indahwati, I. (2014). Cluster Information of Non-Sampled Area In Small Area
Estimation. IOSR Journal of Mathematics, 10(1), 15–19. https://doi.org/10.9790/5728-10121519
Badan Pusat Statistik. (2020). Profil Kesehatan Ibu dan Anak 2020. Badan Pusat Statistik.
Bappenas. (2020). Metadata Indikator SDGs Indonesia Edisi II: Pilar Pembangunan Sosial.
Benavent, R., & Morales, D. (2016). Multivariate Fay-Herriot models for small area estimation. Computational
Statistics and Data Analysis, 94, 372–390. https://doi.org/10.1016/j.csda.2015.07.013
Dharma, Y. (2019). DETERMINAN CAPAIAN IMUNISASI DASAR LENGKAP PADA ANAK USIA 12-35
BULAN DI PROVINSI ACEH TAHUN 2017 (DETERMINANTS OF FULL BASIC IMMUNIZATION
ACHIEVEMENT IN CHILDREN AGE 12-35 MONTHS IN ACEH PROVINCE, 2017). Seminar Nasional
Official Statistics.
Haris, F., & Ubaidillah, A. (2020, January 21). Mean Square Error of Non-Sampled Area in Small Area
Estimation. https://doi.org/10.4108/eai.2-8-2019.2290339
Holipah, Maharani, A., & Kuroda, Y. (2018). Determinants of immunization status among 12- to 23-month-old
children in Indonesia (2008-2013): A multilevel analysis. BMC Public Health, 18(1).
https://doi.org/10.1186/s12889-018-5193-3
Ikhsan, E., Yudelsa Ratu, N., & Avie Nurizza, W. (2019, October 5). Prosiding Seminar Nasional Matematika,
Statistika, dan Aplikasinya.
Kementerian Kesehatan Republik Indonesia. (2019). Data Dasar Puskesmas.
https://pusdatin.kemkes.go.id/resources/download/pusdatin/data-dasar-puskesmas/2019/Data-Dasar-
Puskesmas-kondisi-31-Des-2018-Nasional.pdf
Nainggolan, O., Hapsari, D., Lely, D., Puslitbang, I., Kesehatan, U., Ri, K., & Percetakan, J. (2016). Pengaruh
Akses ke Fasilitas Kesehatan terhadap Kelengkapan Imunisasi Baduta (Analisis Riskesdas 2013). 26 No.1,
15–28.
Peraturan Menteri Kesehatan Republik Indonesia. (2017). Peraturan Menteri Kesehatan Republik Indonesia
Nomor 12 Tahun 2017. Berita Negara Republik Indonesia Tahun 2017 Nomor 559. Kementerian Kesehatan.
Pusat Data dan Informasi Kementerian Kesehatan Republik Indonesia. (2016). Situasi Imunisasi di Indonesia.
https://pusdatin.kemkes.go.id/resources/download/pusdatin/infodatin/InfoDatin-Imunisasi-2016.pdf

456
Aplikasi SAE: Penghitungan Nilai Estimasi Indikator Imunisasi Dasar Lengkap…………..……...………………… (Briantiko dan Agustina)

Ratu, N. Y., & Ikhsan, E. (2021). Small Area Estimation untuk Estimasi Angka Kematian Bayi di Indonesia
menggunakan Metode Empirical Best Linear Unbiased Prediction. Jurnal Biometrika Dan Kependudukan,
10(2), 171. https://doi.org/10.20473/jbk.v10i2.2021.171-180
RI (Republik Indonesia). (2009). Undang-Undang Nomor 36 Tahun 2009 tentang Kesehatan. Lembaran Negara
Republik Indonesia Tahun 2009 Nomor 144. Sekretariat Negara.
RI (Republik Indonesia). (2020). LAMPIRAN PERATURAN PRESIDEN REPUBLIK INDONESIA NOMOR 18
TAHUN 2020 TENTANG RENCANA PEMBANGUNAN JANGKA MENENGAH NASIONAL 2020-2024
REPUBLIK INDONESIA.
Saraswati, P. H., & Gani, A. (2020). Socio economic factors of child basic immunization: Case of West Java
Province. Jurnal Medicoeticolegal Dan Manajemen Rumah Sakit, 9(1).
https://doi.org/10.18196/jmmr.91111
Subandriyo, B., Ikhsan, E., & Muchlishoh, S. (2019). Estimasi Angka Partisipasi Kasar Perguruan Tinggi Provinsi
Papua Melalui Small Area Estimation (Estimation Gross Enrolment Rate of Higher Education in Papua
Province Using Small Area Estimation). Seminar Nasional Official Statistics 2019: Pengembangan Official
Statistics Dalam Mendukung Implementasi SDG’s., 2019(1).
https://doi.org/https://doi.org/10.34123/semnasoffstat.v2019i1.216
Sugasawa, S., & Kubokawa, T. (2020). Small area estimation with mixed models: a review. Japanese Journal of
Statistics and Data Science, 3(2), 693–720. https://doi.org/10.1007/s42081-020-00076-x

457
Seminar Nasional Official Statistics 2022

458