BAB

PROYEKSI
PENDUDUK

6
ELVA FEBRI ASHARI, S.Tr.Keb.,M.Keb

A. Pengertian Proyeksi Penduduk

Dalam membuat suatu model perencanaan mengenai pembangunan di
semua jenis bidang, maka memerlukan beberapa info penting terkait dengan
jumlah penduduk disuatu daerah, perubahan penduduk, serta
pengkategorian jumlah penduduk berdasarkan umur. Informasi yang
didapatkan tidak hanya bersumber dari kondisi ketika penyusunan rencana,
akan tetapi juga bersumber dari data masa lampau dan saat ini yang berasal
dari hasil sensus penduduk (Lucky Radita Alma, S.KM., 2019).
Proyeksi penduduk merupakan perhitungan jumlah penduduk
(berdasarkan umur dan jenis kelamin) di masa depan, berdasarkan asumsi
mengenai infertilitas, kematian dan migrasi. Berdasarkan tiga indicator
proyeksi penduduk sangat penting Ketiga komponen tersebut akan
menentukan jumlah dan struktur umur penduduk di masa depan. Untuk
menentukan masing-masing asumsi diperlukan data yang menggambarkan
tren di masa lampau hingga saat ini, faktor-faktor yang mempengaruhi tiap-
tiap komponen, dan hubungan antara satu komponen dengan yang lain,
termasuk target yang diharapkan dicapai pada masa mendatang
(Ayuningrum et al., 2020).
Di Era Global saat ini pemerintah sangat membutuhkan proyeksi
penduduk. Sebab proyeksi penduduk memiliki peranan penting untuk
 memperbaharui keadaan sosial maupun masyarakat melalui pembangunan
yang telah direncanakan(Lucky Radita Alma, S.KM., 2019).
Proyeksi penduduk pada dasarnya digunakan untuk dua macam
perencanaan (Lucky Radita Alma, S.KM., 2019):
1. Penyusunan pembangunan yang memiliki tujuan dalam penyediaan
barang dan jasa sebagai respon terhadap pertumbuhan penduduk di masa
depan berdasarkan hasil proyeksi penduduk.
2. Persiapan dalam kaitannya dengan kebijakan pengendalian penduduk
terutama dalam hal mengarahkan tren fertilitas, mortilitas, dan migrasi
menuju tercapainya sasaran pembangunan tertentu.
B. Manfaat Proyeksi Penduduk
Manfaat Proyeksi Penduduk Adalah Sebagai Berikut (Lucky Radita Alma,
S.KM., 2019):
1. Untuk memprediksi jumlah penduduk dimasa yang akan datang Jika tidak
ada kebijakan tertentu terhadap berlangsungnya trend komponen
demografi, proyeksi jumlah penduduk di masa yang akan datang dapat
digunakan sebagai acuan untuk menetapkan beberapa kebijakan terhadap
pelayanan publik, seperti masalah pendidikan, kesehatan, perumahan, dll
2. Sebagai dasar pertimbangan dalam memilih suatu kebijakan, yaitu dengan
melakukan simulasi beberapa alternatif kebijakan terhadap trend
komponen demografi (fertilitas, mortalitas, dan migrasi), dan kemudian
mempelajari dampaknya terhadap pertumbuhan penduduk.
C. Model-model proyeksi penduduk
Model-model proyeksi penduduk teridiri dari beberapa model, diantaranya
adalah (Lucky Radita Alma, S.KM., 2019) :
1. Model ekstrapolasi trend
Model ekstrapolasi trend secara sederhana menggunakan trend
penduduk masa yang lalu untuk memperkirakan jumlah penduduk masa
yang akan datang. Metode ini adalah metode yang mudah digunakan
dalam rangka proyeksi penduduk. Selain itu, metode ini juga digunakan
untuk menghitung tingkat dan ratio pada masa yang akan datang
berdasarkan tingkat dan ratio pada masa yang lalu. Model ekstrapolasi
trend yang banyak digunakan adalah model linear, geometric dan
parabolic. Asumsi dasar dari model linear, geometric dan parabolik adalah
pertumbuhan atau penurunan akan berlanjut tanpa batas. Namun
demikian, asumsi tersebut tidak mungkin diberlakukan jika proyeksi yang
disusun adalah proyeksi jangka panjang. Misalnya jika populasi disuatu
daerah berkurang, dalam jangka panjang model ini akan memproyeksikan
penduduk menjadi nol, dan bahkan menjadi negatif. Demikian juga, jika
jumlah penduduk di suatu daerahyang meningkat, tidak mungkin akan
meningkat pada jumlah yang tanpa batas.
Dalam kenyataannya, penduduk hanya akan meningkat sampai suatu
tingkat dengan kapasitas yang maksimum dan kemudian akan kembali
turun atau stabil dalam kaitannya dengan kepadatan penduduk, biaya
hidup dan kualitas hidup. Oleh karenanya, penggunaan model
ekstrapolasi trend membutuhkan pemahaman yang baik tentang
kecenderungan pertumbuhan masa lalu untuk membuat estimasi dengan
batasan yang masuk akal (reasonable).
Model ekstrapolasi trend memiliki berbagai jenis antara lain :
a. Model linier
Model linear menurut Klosterman (1990) adalah teknik proyeksi yang
paling sederhana dari seluruh model trend. Model ini menggunakan
persamaan derajat pertama (first degreeequation) . Berdasarkan hal
tersebut, penduduk diproyeksikan sebagai fungsi dari waktu, dengan
persamaan sebagai berikut.
Pt = α + βT
Dimana :
Pt = Penduduk pada tahun proyeksi t
α = Intercept (penduduk pada tahun dasar)
β = Koefisien (rata-rata pertambahan penduduk)
T = Periode waktu proyeksi (selisih tahun proyeksi dengan tahun dasar)
b. Model geometric
Asumsi dalam model ini adalah penduduk akan
bertambah/berkurang pada suatu tingkat pertumbuhan (persentase)
 yang tetap. Misalnya, jika Pt+1 dan Pt adalah jumlah penduduk dalam
tahun yang berurutan, maka penduduk akan bertambah atau berkurang
pada tingkat pertumbuhan yang tetap (yaitu sebesar Pt+1/Pt) dari
waktu ke waktu. Menurut Klosterman (1990), proyeksi dengan tingkat
pertumbuhan yang tetap ini umumnya dapat diterapkan pada wilayah,
di mana pada tahun-tahun awal observasi pertambahan absolut
penduduknya sedikit dan menjadi semakin banyak pada tahun-tahun
akhir.
Model geometric memiliki persamaan umum yaitu sebagai berikut.
Pt = α + βT
Persamaan diatas dapat ditransformasi kedalam bentuk linear
melalui aplikasi logaritma,menjadi sebagai berikut :
LogPt = Logα + T.logβ
c. Model parabolic
Model parabolic seperti model geometric berasumsi bahwa
penduduk suatu daerah tidak tumbuh dalam bentuk linear. Namun
demikian, tidak seperti model geometric (yang berasumsi tingkat
pertumbuhan konstan dari waktu ke waktu), pada model parabolic
tingkat pertumbuhan penduduk dimungkinkan untuk meningkat atau
menurun.
2. Model komponen kohor
Model komponen memiliki kelebihan yaitu berfokus pada perbuhan
terkait dengan kejadian fertilitas, mortalitas, dan migrasi, melakukan
penghitungan berdasarkan perkiraan fertilitas, mortalitas, dan migrasi.
Model komponen kohor mengacu pada perubahan-perubahan komponen
penduduk (yaitu fertilitas, mortalitas dan migrasi) secara terpisah.
Penduduk secara keseluruhan dibagi kedalam beberapa kohor/kelompok
umur. Interval (k) dari kohor ini umumnya dalam satu tahunan (0-1, 1-2, 2-
3 dst), lima tahunan (0-4, 5-9, 10-14 dst),atau 10 tahunan (0-9, 10-19, 20-29.
Selanjutnya, kohor dibagi lagi berdasarkan gender dan etnis.
Model ini menggunakan persamaan derajat kedua yang ditunjukkan
sebagai berikut :
 Pt=α + β1T + β2
Model parabolic memiliki dua koefisien yaitu β1dan β2.β1 adalah
koefisien linear (T) yang menunjukkan pertumbuhan konstan, dan β2
adalah koefisien non-linear yang (T2) yang menyebabkan perubahan
tingkat pertumbuhan. Tanda positif atau negatif pada β1 dan β2 bervariasi
tergantung pada apakah tingkat pertumbuhan tersebut akan meningkat
atau menurun.
Pengelompokan penduduk berdasarkan komponen-komponen yang
memengaruhi perubahan penduduk, kelompok umur, gender dan etnis
akan membantu untuk membangun pemahaman yang lebih baik mengenai
dinamika penduduk suatu daerah. Karena ukuran kohor semakin kecil,
maka akan semakin terperinci informasi yang dapat digunakan dalam
analisis. Misalnya, bayi dan penduduk umur-umur tua akan memiliki
persentase kematian yang lebih tinggi dibandingkan penduduk usia muda.
Jumlah kelahiran akan bervariasi berdasarkan umur dan etnis dari
penduduk wanita.
Data yang diperlukan sebelum melakukan proyeksi penduduk
menggunakan model komponen adalah :
a. Distribusi penduduk berdasarkan umur dan jenis kelamin yang sudah
dilakukan prorating dan adjusment
b. Menentukan level mortalitas suatu penduduk
c. Mengestimasi pola fertilitas menggunakan (ASFR)
d. Menentukan rasio jenis kelamin saat lahir (sex ration at birth)
e. Menentukan pola migrasi (proporsi mugrasi menurut umur)
Langkah-langkah proyeksi penduduk model komponen :
1 kelompok umur dengan interval 5 tahunan
2 jumlah penduduk wanita berdasarkan kelompok umur
3 survial ratio penduduk wanita, dikutip dari table kematian
dengan asumsi level 12 model west
4 penduduk masih hidup ditahun akhir = kolom 2 x kolom 3
5 jumlah migran neto → perkalian proporsi migran perempuan
dengan total migran
 6 penjumlahan kolom 4 + kolom 5. Khusus kelompok umur 0-4
tahun tidak dapat diisi karena jumlah kelahiran selama 5 tahun
belum dihitung.
7 rata-rata jumlah penduduk perempuan per kelompok umur
8 perkiraan age specific fertility rate (ASFR)
9 jumlah kelahiran per tahun per kelompok umur antara tahun
dasar s.d. akhir

3. Model ratio
Model ratio sebagaimana model ekstrapolasi trend juga didasarkan
pada trend masa lalu. Model ratio menggunakan konsep bahwa penduduk
(atau perubahan penduduk) pada suatu wilayah yang lebih kecil (wilayah
studi) merupakan proporsi dari penduduk (perubahan penduduk) dari
wilayah yang lebih luas, atau wilayah basis (base area). Model ini
sederhana dan mudah dalam perhitungannya serta membutuhkan data
yang relative lebih sedikit. Meskipun demikian, model ini membutuhkan
proyeksi penduduk dari wilayah basis tersebut(Suharto, 2020).
Model ratio mencakup model constant share, shift share dan model
share of growth :
a. Model constan share
Model ini berasumsi bahwa share penduduk dari daerah studi
merupakan suatu proporsi yang konstan dari daerah basis dan proyeksi
dilakukan berdasarkan proporsi konstan tersebut.
Model disajikan dalam bentuk persamaan sebagai berikut :
Pt = Pt J (Pl l Pl J)
Dimana :
P : jumlah penduduk pada daerah studi
Pj : penduduk pada daerah basis atau daerah yang lebih luas yang
didalamnya terdapat daerah studi
l : tahun terakhir dari observasi
t = tahun proyeksi
 Jika data wilayah studi menunjukkan kecenderungan yang sama
seperti wilayah basis, penggunaan model ini akan menghemat waktu
dan lebih sederhana dalam penerapannya. Namun demikian, jika
daerah studi dan daerah basis memiliki trend pertumbuhan yang
berlawanan, artinya jika daerah studi mengalami penurunan penduduk
dan daerah basis mengalami peningkatan penduduk, atau sebaliknya,
proyeksi ini tidak dapat diaplikasikan.
b. Model shift share
Model shift share mencoba mengoreksi kelemahan dari model
constant share dengan memasukkan indeks pergeseran (shift term)
untuk menghitung perubahan share penduduk dari waktu ke waktu.
Jika pertumbuhan daerah studi lebih cepat dari daerah basis maka shift
termakan positif. Sebaliknya jika pertumbuhan daerah studi lebih
lambat dari daerah basis, maka shift term-nya akan negatif.
Satu kelemahan utama dari metode ini adalah jika terjadi
pertumbuhan atau pengurangan yang tinggi pada tahun dasar, hal ini
dapat menyebabkan bertambahnya atau berkurangnya penduduk
dalam jumlah yang sangat besar pada tahun proyeksi. Oleh karenanya,
penggunaan metode ini untuk proyeksi penduduk jangka panjang harus
dilakukan secara hati-hati.
c. Model share of growth
Metode ini menggunakan share dari pertumbuhan penduduk
bukannya share dari jumlah penduduk seperti yang digunakan dua
model ratio sebelumnya. Asumsi dasar dari model ini adalah bahwa
share pertumbuhan penduduk daerah studi pada periode observasi
akan berlaku sama dalam periode proyeksi.
Metode ini akan lebih tepat diterapkan jika trend pertumbuhan
penduduk pada daerah studi sama dengan trend pertumbuhan pada
daerah basis. Misalnya jika pertumbuhan penduduknya sama-sama
meningkat atau sama-sama menurun.
D. Metode Proyeksi Penduduk
 Beberapa metode proyeksi penduduk sebagai berikut (Adiwibowo and
Karyana, 2022) :
1. Metode matematik
Metode matematik merupakan metode yang digunakan untuk
melakukan perhitungan proyeksi jumlah keselurahan pada satu wilayah
tertentu tanpa melihat indicator demografi yaitu kelahiran, kematian, dan
migrasi. Akan tetapi untuk wilayah Indonesia metode matematik memiliki
keakuratan lebih baik dari pada metode komponen. Hasil proyeksi
metode matematik relatif masih cukup baik jika jangka waktu yang
diproyeksikan pendek, ini disebabkan oleh kelahiran, kematian, dan
migrasi tidak berubah secara siginifikan.
2. Metode komponen
Dapat menghasilkan proyeksi penduduk berdasarkan jenis kelamin
dan kelompok umur dengan memperhatikan komponen pertumbuhan
penduduk yaitu kelahiran, kematian dan migrasi. Namun hasil dari
proyeksi menggunakan metode komponen terkadang kurang
memuaskan. Hal ini disebabkan oleh kurang tepatnya estimasi angka
migrasi, yang pada tiap periode proyeksi berubah, sedangkan
estimasi untuk angka kelahiran dan kematian relatif lebih baik
3. Metode campuran
Metode campuran merupakan penggabungan antara kedua metode
baik metode matematik dan metode komponen. Metode campuran dapat
digunakan untuk mengatasi kelemahan metode matematik yang hanya
dapat melakukan proyeksi penduduk secara total dan mengatasi
kelemahan metode komponen yang tidak selalu dapat melakukan
proyeksi penduduk secara akurat berdasarkan kelompok umur.
E. Jenis-Jenis Perkiraan Penduduk
Untuk memperkirakan jumlah suatu penduduk, dapat dilakukan di tiga
waktu melalui(Suwito, 2020):
1. Antar sensus (intercensal)
Merupakan perkiraan jumlah penduduk yang dilakukan diantara hasil
kedua sensus.
 2. Sesudah sensus (postcensal)
Merupakan perkiraan jumlah penduduk sesudah dilakukannya sensus
penduduk.
3. Proyeksi (projection)
Merupakan perhitungan yang menunjukkan keadaan fertilitas,
mortalitas dan migrasi dimasa mendatang. Kegiatan ini dapat dilakukan
sesudah sensus (forward projection) atau sebelum sensus (backward
projection).
F. Kegunaan proyeksi penduduk
Pada zaman dahulu proyeksi penduduk digunakan untuk mengestimasi
pajak/kekuatan negara, namun pada zaman sekarang proyeksi digunakan
untuk memperbaiki kondisi sosial ekonomi dan perencanaan pembangunan
berbagai bidang (Lucky Radita Alma, S.KM., 2019).
Selain itu kegunaan dari proyeksi penduduk terdiri atas :
1. Di bidang pangan yaitu menentukan kebutuhan akan bahan pangan sesuai
dengan gizi serta susunan penduduk menurut umur.
2. Di bidang kesehatan yaitu menentukan jumlah medis, dokter, obat-obatan
tempat tidur di rumah sakit-rumah sakit yang diperlukan selama periode
proyeksi.
3. Di bidang tenaga kerja yaitu menentukan jumlah angkatan kerja,
penyediaan lapangan kerja yang erat hubunganya dengan proyeksi tentang
kemungkinan perencanaan untuk memperhitungkan perubahan tingkat
pendidikan, skilled dan pengalaman dari tenaga kerja.
4. Di bidang pendidikan yaitu proyeksi penduduk dipakai sebagai dasar
untuk memperkirakan jumlah penduduk usia sekolah, jumlah murid,
jumlah guru gedung-gedung sekolah, pendidikan pada masa yang akan
datang.
5. Di bidang produksi barang dan jasa yaitu dengan proyeksi angkatan kerja
dalam hubunganya dengan data mengenai produktivitas merupakan dasar
estimasi produksi barang-barang dan jasa dimasa mendatang.
Biodata Penulis:
 Elva Febri Ashari,
S.Tr.Keb.,M.Keb lahir di Kendari,
pada 27 Februari 1998. Ia tercatat
sebagai lulusan Universitas
Hasanuddin.Wanita yang kerap
disapa Elva adalah anak dari
pasangan Yasir (ayah) dan
Jumahari Uddin (ibu). Elva Febri
Ashari seorang wanita yang
mengawali karirnya di Usia 24
tahun menjadi seorang dosen
Kebidanan di salah satu Sekolah
Tinggi Ilmu Tinggi Kesehatan yang
terletak di daerah Banten.

DAFTAR PUSTAKA
Adiwibowo, F. and Karyana, Y. (2022) ‘Proyeksi Penduduk Indonesia dengan

menggunakan Metode Campuran’, Bandung Conference Series: Statistics, 2(1), pp. 1–10.

doi: 10.29313/bcss.v2i1.124.

Ayuningrum, F. et al. (2020) Proyeksi penduduk Indonesia 2020-2050 : Hasil Sensus Penduduk

2020. Jakarta, Indonesia: Badan Pusat Statistik. doi: 04100.2304.

Lucky Radita Alma, S.KM., M. P. (2019) ILMU KEPENDUDUKAN. Malang: Penerbit

Wineka Media.

Suharto, R. (2020) TEORI KEPENDUDUKAN. Cetakan Pe. Samarinda: RV Pustaka

Horizon.

Suwito (2020) Pengantar Demografi. Cetakan pe. Malang: Ediide Infografika.