Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik
Pembangunan R-Package Pada Small Area
Estimation Data Panel Berdistribusi Beta dengan
Pendekatan Hierarchical Bayes
Studi Kasus Tingkat Kemiskinan Anak Level Kabupaten/Kota
di Provinsi Banten Tahun 2018-2021
Dian Rahmawati Salis (221911153, 4SD1)
Dosen Pembimbing: Dr. Azka Ubaidillah, S.S.T., M.Si.
Ringkasan—Dalam memaksimalkan perannya sebagai penyedia
data, BPS lebih mengandalkan survei dibanding sensus dalam
proses pengumpulan data. Meski demikian, survei memiliki
keterbatasan berupa terbatasnya level data statistik yang
dihasilkan karena terbatasnya jumlah sampel. SAE
merupakan salah satu metode yang dapat mengatasi hal
tersebut. Beberapa survei yang dilakukan BPS bersifat
survei panel yang apabila datanya dimanfaatkan dengan
baik akan memiliki berbagai keuntungan. Untuk
melakukan estimasi statistik pada data panel tersebut dapat
menggunakan SAE model Rao-yu dengan pendekatan
hierarchical bayes. Selain itu, sebagian besar data BPS
disajikan dalam bentuk proporsi. Pendekatan yang dapat
digunakan untuk data berbentuk proporsi adalah
pendekatan model regresi beta. Oleh karena itu, diperlukan
sebuah model yang dapat digunakan pada data panel dalam
bentuk proporsi yang nilainya berada dalam interval
terbuka (0,1). Namun hingga saat ini belum terdapat tools
terkait model tersebut. Penelitian ini akan melakukan
pembangunan R-package pada small area estimation data
panel berdistribusi beta dengan pendekatan hierarchical
bayes. Kemudian, R-package akan diuji pada data simulasi
dan studi kasus dengan data tingkat kemiskinan anak level
kabupaten/kota di Provinsi Banten tahun 2018-2021.
Kata Kunci— SAE, data panel, R-package, hierarchical bayes,
model regresi beta.
I. LATAR BELAKANG
Badan Pusat Statistik (BPS) adalah Lembaga Pemerintah non
kementerian yang bertanggung jawab langsung kepada Presiden
dan berperan sebagai penyedia data statistik tingkat nasional
maupun internasional, dalam rangka mendukung Indonesia
Maju. Dalam memaksimalkan perannya, BPS melakukan dua
kegiatan utama yaitu sensus dan survei. Sensus memiliki
keunggulan karena dapat memberikan informasi hingga area
data terkecil. Namun, variabel atau indikator yang dikumpulkan
sensus sangat terbatas dan dalam pelaksanaannya membutuhkan
biaya dan tenaga yang besar serta waktu yang lama. Oleh karena
itu, BPS lebih mengandalkan survei daripada sensus.
Walaupun menjadi andalan, survei memiliki keterbatasan
berupa terbatasnya level data statistik yang dihasilkan karena
terbatasnya jumlah sampel. Padahal seiring berkembangnya
zaman, maka semakin banyak pula pengguna data yang
membutuhkan data statistik dengan level yang lebih rendah
dengan pembahasan yang lebih rinci. Selain itu, ketika sampel
yang digunakan lebih kecil dari batas minimal jumlah sampel,
akan mengakibatkan statistik yang dihasilkan tidak dapat
diandalkan karena hasil estimasi parameternya memiliki nilai
standard error yang besar [1]. Salah satu solusi yang dapat
digunakan adalah dengan menambah jumlah sampel. Namun,
dalam penambahan jumlah sampel diperlukan pula penambahan
biaya yang sering menjadi kendala. Untuk mengatasi hal
tersebut dapat digunakan sebuah metode tidak langsung yang
bernama pendugaan area kecil atau small area estimation
(SAE).
Metode SAE memanfaatkan informasi dari sampel di area
lain yang dihubungkan dengan informasi tambahan (auxiliary
variables) berupa data sensus atau survei lain yang berskala
nasional melalui persamaan model statistik [2]. Kekuatan SAE
ditentukan oleh kualitas data survei, ketersediaan informasi
penyerta yang baik dan pemilihan model yang tepat. Terdapat
beberapa metode pendugaan alternatif dalam SAE diantaranya
Empirical Best Linier Unbiased Prediction (EBLUP), Empirical
Bayes (EB) dan Hierarchical Bayes (HB) Estimation [3].
Metode HB dapat digunakan pada data dengan berbagai
distribusi serta pada pemodelan yang kompleks karena pada
metode ini dapat dilakukan perhitungan menggunakan metode
gibbs sampling dan metode integrasi numerik monte carlo
terkait [4]. Selain itu, metode HB dapat mengatasi
ketidakpastian yang terjadi pada metode EB ketika melakukan
estimasi baik pada prior maupun posterior [5]. Oleh karena itu,
penelitian ini hanya berfokus pada model SAE dengan
pendekatan Hierarchical Bayes (HB).
Dalam prakteknya, beberapa survei yang dilakukan BPS
bersifat survei panel, misalnya Survei Sosial Ekonomi Nasional
(Susenas). Survei panel adalah survei yang dilakukan secara
berulang pada sampel atau responden yang sama sehingga data
yang dikumpulkan memiliki keterkaitan dengan data
sebelumnya (time series data). Data yang dihasilkan dari survei
panel disebut juga data panel. Data panel adalah sekumpulan
data runtun waktu yang berisikan sekumpulan cross-section.
Menurut Manurung, penggunaan data panel dalam analisis
memiliki berbagai keuntungan diantaranya menghasilkan
informasi yang lebih besar tentang data, lebih bervariasi, degree
1/8

of freedom yang lebih besar dan lebih efisien karena merupakan
penggabungan antara data cross section dan time series yang
mampu menyediakan lebih banyak data. Informasi yang
didapatkan dari penggabungan data cross-section dan time
series dapat mengatasi masalah yang disebabkan ketika masalah
penghilangan variabel (ommited-variable) terjadi [6].
Karena ketersediaan data panel yang melimpah serta berbagai
keuntungan yang didapat, maka data panel haruslah
dimanfaatkan dengan baik. Dalam SAE, pendugaan tidak
langsung pada data panel dapat ditingkatkan efisiensi
pendugaannya dengan tidak hanya memasukkan pengaruh acak
area, tetapi juga mengikutsertakan pengaruh acak waktu. Rao
dan Yu (1992,1994) telah mengembangkan sebuah model yang
dapat mengatasi masalah dependensi antar waktu seperti data
panel, yakni mengembangkan model estimasi area kecil berbasis
level area yang dikenal sebagai model Rao-Yu [7]. Model Rao-
Yu adalah pengembangan dari model dasar Fay-Herriot dengan
menambahkan komponen acak area-waktu yang mengikuti
proses Autoregresif orde 1 atau AR(1)[8].
Selain menghasilkan data panel, data yang dikumpulkan dari
lapangan sangatlah beragam kondisinya, seperti sebaran data
tidak simetris dan data yang nilainya terbatas pada interval
tertentu. Contoh data yang nilainya terbatas pada interval
tertentu adalah data proporsi yang berada pada interval (0,1)
Untuk melakukan estimasi statistik pada data proporsi, masalah
akan timbul ketika menggunakan model linier normal. Masalah
tersebut yaitu masalah non-linearitas dan masalah
heteroskedastisitas. Masalah non-linearitas terjadi karena nilai
estimasi yang dihasilkan model regresi linear biasa akan jatuh di
luar interval (0,1). Kemudian, varians dari ekspektasi bersyarat
akan menjadi heteroskedastis, karena varians tidak konstan dan
akan mendekati nol saat rata-rata mendekati batasnya [9].
Biasanya, untuk menangani masalah tersebut digunakan
pendekatan kemungkinan maksimum berdasarkan pada fungsi
kemungkinan dari distribusi binomial sebagai dasar pada
pemodelan regresi logistik. Selain menggunakan pendekatan
pemodelan regresi logistik, dapat digunakan pula pendekatan
regresi beta.
Model regresi beta adalah bentuk umum model regresi
logistik yang variabel responnya berdistribusi beta. Distribusi
beta sangat fleksibel dalam memodelkan data yang responsnya
berbentuk proporsi dan berbagai fenomena ketidakpastian.
Menurut Swearingen et al (2011) dibandingkan dengan metode
kuadrat terkecil biasa, model regresi beta memberikan penaksir
parameter yang akurat dan efisien ketika variabel respons yang
diamati distribusinya tidak simetris, atau pada saat terjadi
masalah heteroskedastisitas [10]. Selain itu, data yang
dihasilkan oleh BPS sebagian besar disajikan dalam bentuk
proporsi. Oleh karena itu, model Rao yu pendekatan
hierarchical bayes yang dapat digunakan pada data berdistribusi
beta menjadi salah satu metode SAE yang dapat dimanfaatkan
BPS dalam proses pemenuhan kebutuhan data berkualitas baik
hingga level terendah.
Data kemiskinan merupakan salah satu data yang
dikumpulkan oleh BPS. BPS menggunakan konsep kemampuan
memenuhi kebutuhan dasar (basic needs approach) dimana
kemiskinan dapat diartikan sebagai ketidakmampuan dari sisi
ekonomi untuk memenuhi kebutuhan dasar makanan dan bukan
Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik
makanan diukur dari sisi pengeluaran. Penduduk miskin
merupakan penduduk yang memiliki rata-rata pengeluaran per
kapita per bulan di bawah garis kemiskinan [11].
Kemiskinan anak berbeda dengan kemiskinan dewasa.
Kemiskinan yang terjadi pada masa kanak-kanak akan sangat
berpengaruh pada kehidupan anak tersebut [12]. Mereka
memiliki pilihan yang terbatas dalam mengembangkan
potensinya secara optimal. Kemiskinan dapat menghambat
dalam nilai akademik, jenjang pendidikan yang dicapai [13], dan
kesejahteraan hidupnya di masa yang akan datang [14]. Atau
dapat dikatakan bahwa anak yang miskin berpeluang besar
untuk tetap miskin ketika dewasa dan kondisi tersebut akan
diteruskan oleh generasi setelahnya[15]. Siklus kehidupan ini
akan berdampak pada jumlah penduduk miskin di Indonesia
dalam jangka panjang apabila tidak ditangani dengan baik. Hal
ini tentu menjadi alasan yang kuat dalam memanfaatkan metode
SAE pada model Rao-yu pendekatan hierarchical bayes untuk
mengestimasi kemiskinan anak di Indonesia, khususnya
Provinsi Banten yang merupakan provinsi dengan angka
partisipasi kasar (APK) anak yang mengikuti Pendidikan Anak
Usia Dini (PAUD) terendah di Pulau Jawa dari tahun ke tahun
[16].
Pada penelitian ini, akan dikaji model pendugaan area kecil
dengan metode Bayes berhierarki untuk mengakomodasi adanya
pengaruh acak area dan acak waktu pada data panel yang
berdistribusi beta. Sejauh ini, belum terdapat R-Package untuk
menangani kasus data panel berdistribusi beta dengan model
Rao-Yu [17]. Maka dirasa perlu untuk membuat modul pada R
yang berkaitan dengan metode bayes berhierarki untuk
pendugaan area kecil berdasarkan model Rao-Yu yang dapat
digunakan pada data berdistribusi beta. R-package diuji dengan
data simulasi dan diterapkan pada data tingkat kemiskinan anak
di Provinsi Banten Tahun 2018-2021.
II. TUJUAN PENELITIAN
Berdasarkan latar belakang yang telah diuraikan, tujuan yang
ingin dicapai dalam penelitian ini adalah sebagai berikut.
1. Mengkaji model Rao-Yu pada SAE dengan pendekatan
Hierarchical Bayes (HB) untuk data berdistribusi beta.
2. Membangun R-Package untuk model Rao-Yu pada SAE
dengan pendekatan hierarchical bayes untuk data
berdistribusi beta.
3. Melakukan evaluasi terhadap package yang dibangun
menggunakan data simulasi dan SUS.
4. Menerapkan model Rao-Yu pada SAE dengan metode
HB dengan R-Package pada data.
III. PENELITIAN TERKAIT
Penelitian ini akan menggunakan referensi pada keempat
penelitian pada tabel 1 berikut dalam proses pembangunan R-
package model Rao-yu dengan pendekatan hierarchical bayes
pada small area estimation yang dapat digunakan ketika variabel
responnya berdistribusi beta.
TABEL I
TABEL LITERATUR
No Judul Penulis, Publikasi Tertulis
1 Properties of the R. Janicki, Penggunaan model
beta regression Communications in regresi beta
model for small hierarkis sebagai
2/8
 Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik

area estimation of Statistics - Theory alternatif model Pengaruh acak area 𝑣𝑖~𝑁(0,1)
proportions and and Methods, 2019 efek campuran 6. Hitung pengaruh acak area i pada waktu ke t
application to linier untuk analisis
proporsi tertimbang
𝑢𝑖𝑡 = 𝜌𝑢𝑖𝑡−1 + 𝜖𝑖𝑡
estimation of
poverty rates [18] survei 7. Bangkitkan 𝜙
menggunakan SAE. 𝜙~𝐺𝑎𝑚𝑚𝑎(1,0.5)
2 Pembangunan R- Velia Tri Marliana, Melakukan 8. Bangkitkan 𝜇
Package Model Skripsi (2022) : 1-92 pembangun exp⁡(𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + 𝑣𝑖 + 𝑢𝑖𝑡 )
Rao-Yu Dengan package 𝜇𝑖𝑡 =
Pendekatan ‘saeHB.panel’ yang 1 + (exp(𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + 𝑣𝑖 + 𝑢𝑖𝑡 ))
Hierarchical digunakan untuk 9. Hitung nilai parameter 𝐴𝑖𝑡
Bayes Pada Small melakukan analisis 𝐴𝑖𝑡 = 𝜇𝑖𝑡 × 𝜙𝑖𝑡
Area Estimation SAE pada data 10. Hitung nilai parameter 𝐵𝑖𝑡
[17] panel berdistribusi 𝐵𝑖𝑡 = (1 − 𝜇𝑖𝑡 ) × 𝜙𝑖𝑡
normal.
3 Small Area Rao & Yu, Melakukan
11. Bangkitkan nilai variabel independen 𝑦𝑖𝑡
Estimation Canadian Journal of pengembangan SAE 𝑦𝑖𝑡 ~𝐵𝑒𝑡𝑎(𝐴𝑖𝑡 , 𝐵𝑖𝑡 )
Combining Time Statistics, 1994 untuk data panel 12. Hitung varian estimasi langsung
Series And Cross- dengan pendekatan (𝐴𝑖𝑡 × 𝐵𝑖𝑡 )
Sectional Data[4] hierarchical bayes. 𝑣𝑎𝑟𝑑𝑖𝑟 = ⁡
((𝐴𝑖𝑡 + 𝐵𝑖𝑡 )2 × (𝐴𝑖𝑡 + 𝐵𝑖𝑡 + 1))
4 Hierarchical Hawala, Sam, & Melakukan analisis
Bayes Estimation Partha Lahiri. persentase
13. Gabungkan 𝑦𝑖𝑡, 𝑥1 , 𝑥2 ,⁡𝑎𝑟𝑒𝑎, 𝑝𝑒𝑟𝑖𝑜𝑑, dan 𝑣𝑎𝑟𝑑𝑖𝑟 ke
of Poverty Rates In Proceedings of the kemiskinan di US dalam data frame.
[19] American Statistical menggunakan
Association, Survey model regresi beta B. Metode Analisis
Research Methods logistik pada sae 1. Model Rao-Yu
Section, pp. 3410- bayes berhierarki
Model ini merupakan model yang dikembangkan dari
3424. (2012) dengan pengaruh
acak area dan waktu model Fay-Herriot untuk kasus data panel yang pada
estimasinya mempertimbangkan pengaruh waktu pada
IV. METODE PENELITIAN data dengan menambahkan komponen acak waktu-area,
A. Sumber Data 𝑦𝑖𝑡 = 𝜃𝑖𝑡 + 𝑒𝑖𝑡 (1)
Terdapat dua jenis data yang digunakan dalam penelitian ini Dimana 𝑦𝑖𝑡 adalah estimasi langsung dari sebanyak 𝑖
yaitu data sekunder dan data hasil simulasi. area kecil pada waktu 𝑡 yaitu 𝜃𝑖𝑡 . Penduga 𝑦𝑖𝑡
1. Data Sekunder diasumsikan unbias untuk 𝜃𝑖𝑡 . 𝑒𝑖𝑡 adalah sampling error
Data sekunder yang digunakan merupakan data yang berdistribusi normal dengan 𝐸(𝑒𝑖𝑡 ) = 0
SUSENAS dan Podes 2018-2021 mengenai tingkat dan linking model
kemiskinan anak di Provinsi Banten. Penelitian ini 𝜃𝑖𝑡 = 𝒙′𝑖𝑡 𝜷 + 𝑣𝑖 + 𝑢𝑖𝑡 (2)
mengambil studi kasus Provinsi Banten yang merupakan dimana:
provinsi dengan angka partisipasi kasar (APK) anak yang 𝒙𝑖𝑡 = variabel penyerta,
mengikuti Pendidikan Anak Usia Dini (PAUD) terendah 𝛽 = vektor koefisien regresi,
di Pulau Jawa dari tahun ke tahun. [16]. Data sekunder 𝑣𝑖 = pengaruh acak area ke-𝑖,
ini kemudian akan digunakan untuk studi kasus pada 𝑢𝑖𝑡 = pengaruh acak untuk area kecil 𝑖 pada waktu⁡𝑡
proses evaluation bersama data bangkitan hasil simulasi. Sehingga, model Rao-Yu didefinisikan sebagai:
2. Data Hasil Simulasi ⁡𝑦𝑖𝑡 = 𝒙′𝑖𝑡 𝜷 + 𝑣𝑖 + 𝑢𝑖𝑡 + 𝑒𝑖𝑡 (3)
Data simulasi yang digunakan merupakan hasil proses dengan 𝑖 = 1,2, … , 𝑚,⁡⁡⁡𝑡 = 1,2, … , 𝑚
pembangkitan data dengan menggunakan algoritma dimana 𝒙′𝑖𝑡 = (𝑥𝑖𝑡1 , … , 𝑥𝑖𝑡𝑝 )′ adalah vektor dari 𝜌
sebagai berikut variabel penyerta untuk area kecil 𝑖 pada waktu 𝑡 dan
1. Tentukan jumlah area dan periode 𝑣𝑖 ~𝑖𝑖𝑑𝑁(0, 𝜎𝑣2 ). 𝑢𝑖𝑡 diasumsikan mengikuti AR(1)
Penelitian ini menggunakan data simulasi dengan dalam setiap area 𝑖,
domain (𝐷): ⁡𝑢𝑖𝑡 = 𝜌𝑢𝑖,𝑡−1 + 𝜀𝑖𝑡 ,⁡⁡⁡⁡⁡|𝜌| < 1 (4)
𝐷1 = 50 (1 0 area 5 periode)
dengan 𝜀𝑖𝑡 ~𝑖𝑖𝑑𝑁(0, 𝜎 2 ). Eror dari 𝑣𝑖𝑡 , 𝜀𝑖𝑡 dan 𝑒𝑖𝑡
𝐷2 = 300 (30 area 10 periode) diasumsikan independen satu sama lain. Nilai |𝜌| < 1
𝐷3 = 500 (50 area 10 periode) untuk memastikan bahwa persamaan (4) sudah stasioner
2. Tentukan nilai koefisien 𝛽0, 𝛽1, 𝛽2, dan 𝜌 untuk mendapatkan AR(1).
𝛽0, 𝛽1, 𝛽2 = 2 dan 𝜌 = −0,5 2. Model SAE Bayes berhierarki dengan pengaruh acak
3. Bangkitkan nilai variabel penyerta area dan waktu
𝑥1~𝑈(0,1) Terdapat dua pendekatan bayes berhierarki pada model
𝑥2~𝑈(0,1) SAE dengan pengaruh acak area dan waktu sebagai
4. Bangkitkan epsilon 𝜖𝑖𝑡 berikut :
Epsilon 𝜖𝑖𝑡 ~𝑁(0,1) a. Model SAE Rao Yu Bayes berhierarki dengan asumsi
5. Bangkitkan nilai pengaruh acak area ragam diketahui [20]

3/8
 Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik

(i) 𝜃̂𝑖𝑡 |𝜃𝑖𝑡 ~𝑁𝑇 (𝜃𝑖𝑡 , Ψ𝑖𝑡 ), dimana Ψ𝑖𝑡 adalah matrik C. Tahapan Penelitian
ragam penarikan sampel yang diketahui Metode yang digunakan pada penelitian ini adalah Design
𝑇 Science Research Methodology (DSRM) yang terdiri dari 5
Matrik dari 𝜃̂𝑖𝑡 = (𝜃̂𝑖1 , … , 𝜃̂𝑖𝑇 ⁡)
2 𝑇 2 ), tahapan sebagai berikut.
(ii) 𝜃𝑖𝑡 |𝛽, 𝑢𝑖𝑡 , 𝜎𝑣 ~𝑁(𝑥𝑖𝑡 𝛽 + 𝑢𝑖𝑡 , 𝜎𝑣
1. Awareness of problem
(iii) 𝑢𝑖𝑡 |𝑢𝑖,𝑡−1 , 𝜎𝜖2 ~𝑁(𝑢𝑖,𝑡−1 , 𝜎𝜖2 ) Tahap identifikasi masalah terkait small area estimation
(iv) 𝑓(𝛽, 𝜎𝑣2 , 𝜎 2 ) = 𝑓(𝛽)𝑓(𝜎𝑣2 )𝑓(𝜎 2 ) dengan pada model Rao-Yu dengan pendekatan hierarchical
⁡𝑓(𝛽) ∝ 1, 𝜎𝑣−2 ~𝐺(𝑎1 , 𝑏1 ), 𝜎 −2 ~𝐺(𝑎2 , 𝑏2 ) bayes untuk data berdistribusi beta dilakukan dengan
b. Model SAE Rao Yu Bayes berhierarki dengan asumsi kajian pada beberapa literatur terkait.
ragam tidak diketahui [20] 2. Suggestion
2
[1−𝑓]𝜎𝑖𝑡
̂ 2
(i) 𝜃𝑖𝑡 |𝜃𝑖𝑡 , 𝜎𝑖𝑡 ~𝑁 (𝜃𝑖𝑡 , ) Tahap pencarian solusi dari masalah yang telah
𝑛𝑖𝑡
diidentifikasi pada tahap sebelumnya melalui kajian
([𝑛𝑖𝑡 −1]𝑠𝑖𝑡 2 )
(ii) 2 ~𝜒 2 (𝑛𝑖𝑡 − 1) literatur dan wawancara kepada ahli di bidang SAE.
𝜎𝑖𝑡
𝑇 2) 3. Development
(iii) 𝜃𝑖𝑡 |𝛽, 𝑢𝑖𝑡 ~𝑁(𝑥𝑖𝑡 𝛽 + 𝑢𝑖𝑡 , 𝜎
Pada tahap ini dilakukan pembangunan R-Package yang
(iv) 𝑓(𝛽, 𝜎𝑣2 , 𝜎 2 ) = 𝑓(𝛽)𝑓(𝜎𝑣2 )𝑓(𝜎 2 ) dengan
terdiri dari beberapa bagian pada tahap ini yaitu
⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡𝑓(𝛽) ∝ 1, 𝜎𝑣−2 ~𝐺(𝑎1 , 𝑏1 ), 𝜎 −2 ~𝐺(𝑎2 , 𝑏2 )
arsitektur R-Package, pemodelan, perancangan, dan
3. Model Regresi Beta Logistik pada SAE Bayes berhierarki
implementasi.
dengan pengaruh acak area dan waktu[18]
4. Evaluation
(i) 𝑝𝑖,𝑡 |𝑃𝑖,𝑡 ~𝑖𝑖𝑑⁡𝐵𝑒𝑡𝑎⁡ (𝛾𝑖,𝑡 𝑃𝑖,𝑡 , 𝛾𝑖,𝑡 (1 − 𝑃𝑖,𝑡 )), Evaluasi yang dilakukan berupa uji validitas dan uji SUS
dimana 𝑝𝑖 merupakan estimasi proporsi pada area serta implementasinya pada studi kasus.
i dan fungsi density dari distribusi beta adalah 5. Conclusion
Γ(𝑎+𝑏) 𝑎−1 Tahap penarikan kesimpulan dan pemberian saran
⁡⁡⁡⁡⁡⁡⁡⁡⁡𝑓(𝑝|𝑎, 𝑏) = 𝑝 (1 − 𝑝)𝑏−1 ,
Γ(𝑎)Γ(𝑏) berdasarkan proses penelitian yang telah dilakukan.
kemudian dilakukan proses reparameterisasi V. KERANGKA PIKIR
𝑎
⁡⁡⁡⁡𝑃 = 𝐸(𝑝|𝑃) = dan 𝛾 = 𝑎 + 𝑏, sehingga Kerangka berpikir yang digunakan dalam penelitian ini
𝑎+𝑏
didapatkan 𝑎 = 𝛾𝑃 dan ⁡𝑏 = 𝛾(1 − 𝑃) mengambarkan kebutuhan implementasi pada R-Package untuk
(ii) ⁡⁡𝑙𝑜𝑔𝑖𝑡(𝑃𝑖,𝑡 ) = 𝑥𝑖,𝑡 ′
𝛽𝑡 + 𝑣𝑖 + 𝑢𝑖,𝑡 model Rao-yu dengan pendekatan hierarchical bayes pada small
(iii) 𝑢𝑖,𝑡 = 𝜌𝑢𝑖,𝑡−1 + 𝜖𝑖,𝑡 , dimana |𝜌| < 1 area estimation yang dapat digunakan pada data berdistribusi
2 2 beta (gambar (2)).
(iv) 𝑣𝑖 |𝜎𝑣 ~𝑖𝑖𝑑⁡𝑁(0, 𝜎𝑣 )
2
(v) 𝜖𝑖,𝑡 ~𝑖𝑖𝑑𝑁(0, 𝜎∈ )
1
(vi) 𝑓(𝛽, 𝜎𝑣2 , 𝜌) ∝ 𝑁3 (0, ( ) 𝐼3 )
𝜖
Dalam proses pembangunan R-package, telah
dilakukan penyesuaian nilai prior yang digunakan.
Adapun prior yang digunakan dalam R-package
antaralain 𝑓(𝛽)~𝑁(𝜇𝛽 , 𝜏𝛽 ), 𝜎𝑣2 ~𝐺(𝜏𝑣1 , 𝜏𝑣2 ),
𝜎∈2 ~𝐺(𝜏𝜖1 , 𝜏𝜖2 ), 𝑓(𝜌)~𝐺(𝑎𝜌 , 𝑏𝜌 ) dengan
𝑎𝜌 ~𝐺(𝜏𝑎1 , 𝜏𝑎2 ) dan 𝑏𝜌 ~𝐺(𝜏𝑏1 , 𝜏𝑏2 ) . Penyesuaian prior
tersebut dilakukan karena dapat mempercepat
tercapainya kondisi konvergen pada rantai marcov yang
dihasilkan serta lebih adaptif. Adapun direct acyclic
graph (DAG) dari model bayes yang digunakan adalah
sebagai berikut:
Gambar 2. Kerangka Pikir Penelitian
VI. Hasil dan Pembahasan
6.1 Awarness of problem
Hingga saat ini sebagian model SAE masih berbentuk script
yang belum dipublikasikan sehingga belum dapat diakses oleh
semua orang serta pengguna memerlukan waktu lama untuk
mempelajari script tersebut lebih dahulu sebelum
menggunakannya.
R merupakan sebuah software statistik yang telah banyak
digunakan. Salah satu penggunaannya adalah penerapan model
SAE. Beberapa model SAE yang telah diberhasil dibangun dan
dipublikasikan dalam bentuk R-package. Perkembangan R-
Gambar 1. DAG model SAE Rao-Yu Bayes berhierarki beta. package untuk model SAE cenderung lambat. Hal ini

4/8

menyebabkan ketersediaan R-package untuk model SAE masih
terbatas, termasuk untuk SAE pendekatan HB dengan model
Rao-Yu. Sementara itu, jika dibandingkan dengan model
estimasi langsung dan model Fay-Herriot pendekatan HB,
model Rao-Yu pendekatan HB menghasilkan estimasi dengan
MSE yang paling kecil.
Terdapat sebuah package untuk SAE pendekatan HB dengan
model Rao-Yu yang telah berhasil dikembangkan yaitu
package ‘saeHB.panel’ [17]. Namun, package tersebut hanya
dapat digunakan ketika datanya berdistribusi normal. Dalam
prakteknya, data yang digunakan banyak yang berbentuk
proporsi dimana data tersebut berdistribusi beta. Sejauh ini,
belum terdapat R-Package untuk menangani kasus data panel
berdistribusi beta dengan model Rao-Yu. Maka dirasa perlu
untuk membuat modul pada R yang berkaitan dengan metode
bayes berhierarki untuk pendugaan area kecil berdasarkan
model Rao-Yu yang dapat digunakan pada data berdistribusi
beta.
6.2 Sugestion
Berdasarkan permasalah yang telah diuraikan pada bagian
6.1, peneliti menawarkan sebuah solusi berupa pembangunan R-
Package untuk model Rao-yu dengan pendekatan hierarchical
bayes pada small area estimation yang dapat digunakan ketika
variabel responnya berdistribusi beta.
6.3 Development
6.3.1 Arsitektur R-Package
Arsitektur R-package yang telah berhasil dibangun dapat
dilihat pada gambar berikut:
Gambar 3. Arsitektur package 'saeHB.panel.beta'
Package ‘saeHB.panel.beta’ yang dibangun memiliki
dependensi terhadap beberapa package lain diantaranya
‘stringr’, ‘coda’, ‘rjags’, ‘stats’, ‘grDevices’, ‘graphics’, dan
‘dplyr’. Dependensi inibertujuan untuk meningkatkan efisiensi
package yang dibangun, karena beberapa proses komputasi yang
diperlukan telah tersedia pada package lain. Package
‘saeHB.panel.beta’ terdiri dari dua fungsi dan empat dataset.
Fungsi yang tersedia pada package yaitu ‘RaoYuAr1.beta’ dan
‘Panel.beta’. Adapun dataset yang tersedia yaitu dataBetaAr1,
dataBetaAr1Ns, dataPanelbeta, dan dataPanelbetaNs.
6.3.2 Perancangan
Perancangan Package ‘saeHB.panel.beta’ didasarkan pada
kaidah dari CRAN yaitu The Comprehensive R Archieve
Network. Terdapat enam komponen utama yang tercakup pada
package ‘saeHB.panel.beta’ yaitu:
a. File DESCRIPTION
File ini mencakup berbagai informasi umum mengenai
package ‘saeHB.panel.beta’, seperti nama, tipe, judul, versi,
author, maintainer, deskripsi, link github (file package), import
Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik
(dependensi terhadap package lain), tanggal terbit, dan berbagai
informasi lainnya.
b. File NAMESPACE
Dalam file ini tercakup export dan import yang
memungkinkan terjadinya interaksi package R dengan package
lain. ‘export’ menjadikan fungsi yang telah dibangun tersedia
dan dapat digunakan sedangkan ‘import’ mengizinkan
penggunaan fungsi dari package lain.
c. File README.md
File ini mencakup penjelasan singkat terkait package
‘saeHB.panel.beta’ beserta contoh penggunaan package serta
referensi teori yang digunakan.
d. Folder data
Dalam folder ini terdapat empat contoh dataset yang dapat
dijadikan sebagai referensi pengguna dalam mempelajari
karakteristik data yang dapat diolah menggunakan package.
Selain itu, pengguna dapat menggunakan dataset yang ada untuk
mencoba fungsi yang tersedia pada package.
e. Folder R
Folder ini terdiri dari kumpulan script yang digunakan oleh
author dan maintainer dalam proses pembangunan package.
f. Folder man
Folder ini merupakan hasil generate secara otomatis oleh R
yang mencakup dokumentasi dari seluruh objek dalam package.
Adapun secara keseluruhan komponen-komponen package
‘saeHB.panel.beta’ dapat dilihat pada gambar:
Gambar 4. Komponen pada package 'saeHB.panel.beta'
6.3.3 Implementasi
Pembangunan package ‘saeHB.panel.beta’ telah berhasil
dilakukan dan telah diterbitkan oleh CRAN. Dalam proses
pembangunan package ini, peneliti menggunakan aplikasi
Rstudio dengan bahasa pemrograman R versi 4.2.2.
a. Implementasi algoritma fungsi pada R-package
Package ‘saeHB.panel.beta’ menyediakan dua fungsi yaitu:
TABEL II
FUNGSI PADA PACKAGE ‘saeHB.panel.beta’
Fungsi Keterangan
RaoYuAr1.beta Estimasi data panel berdistribusi beta menggunakan
SAE pendekatan HB
Panel.beta Estimasi data panel berdistribusi beta menggunakan
SAE pendekatan HB dengan asumsi 𝜌 = 0
b. Implementasi contoh dataset
Package ‘saeHB.panel.beta’ telah menyediakan empat
dataset yang dapat digunakan sebagai contoh data panel yang
dapat digunakan oleh pengguna dalam mengimplementasikan
fungsi pada package. Setiap dataset tersebut memiliki enam
5/8
 Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik

variable yang diperlukan dalam menjalankan fungsi yaitu metode estimasi langsung dan estimasi SAE menggunakan
‘RaoYuAr1.beta’ dan ‘Panel.beta’. Keterangan terkait dataset fungsi pada package ‘saeHB.panel’. Pengujian ini dilakukan
dapat dilihat pada tabel III: dengan 100 kali pengulangan dan menggunakan data bangkitan
TABEL III dengan jumlah sampel berbeda. Dalam proses pengujian ini,
DATASET PADA PACKAGE ‘saeHB.panel.beta’
kondisi konvergen tercapai untuk jumlah sampel MCMC
Dataset Keterangan
dataBetaAr1 Data panel berdistribusi beta dengan asumsi yang sebanyak 20000, jumlah update 3, burn.in sebanyak 1000, dan
semua areanya tersampel secara keseluruhan thin sebanyak 5. Adapun perbandingan nilai MSE yang
dataBetaAr1Ns Data panel berdistribusi beta dengan asumsi dihasilkan disajikan pada tabel IV.
dimana terdapat beberapa area yang tidak tersampel TABEL IV
dataPanelbeta Data panel berdistribusi beta dengan asumsi 𝜌 = 0 PERBANDINGAN MSE PADA SIMULASI 100 KALI
yang semua areanya tersampel secara keseluruhan Metode
dataPanelbetaNs Data panel berdistribusi beta dengan asumsi 𝜌 = 0 Jumlah
function Data RaoYu Rao
dimana terdapat beberapa area yang tidak tersampel Sampel Estimasi
HB Yu HB
c. Implementasi bantuan pada package ‘saeHB.panel.beta’ Langsung
Normal Beta
Informasi mengenai package ‘saeHB.panel.beta’ telah 50 0,0261 0,0061 0,0018
tersedia pada R-documentations yang dapat diakses melalui: Seluruh
https://www.rdocumentation.org/packages/saeHB.panel.beta/ve area 100 0,0212 0,0005 0,0003
tersampel
rsions/0.1.1. Berikut adalah potongan layar R-documentations 300 0,0191 0,0003 0,0002
‘saeHB.panel.beta’: Panel.beta
50 0,0239 0,0051
Sebagian
area tidak 100 0,0081 0,0014
tersampel
300 0,0006 0,0003

50 0,0259 0,0019 0,0012

Seluruh
area 100 0,0156 0,0017 0,0013
tersampel
300 0,0152 0,0012 0,0012
RaoYuAr1.beta
Gambar 5. Tangkapan Layar Informasi package 50 0,0052 0,0046
'saeHB.panel.beta' pada R-documentations Sebagian
area tidak 100 0,0091 0,0019
d. Implementasi output tersampel
Informasi mengenai petunjuk penggunaan fungsi 300 0,0206 0,0021
‘Panel.beta’ dapat diakses melalui: https://cran.r- Pada tabel IV dapat dilihat bahwa model Rao-Yu pendekatan
project.org/web/packages/saeHB.panel.beta/vignettes/Panelbet HB untuk data berdistribusi beta melalui fungsi ‘Panel.beta’ dan
a.html. Potongan layar petunjuk penggunaan fungsi ‘Panel.beta’‘RaoYuAr1.beta’ selalu menghasilkan MSE terkecil
beserta output-nya yang dapat dibandingkan dengan hasil dibandingkan MSE dari estimasi langsung maupun model Rao-
estimasi metode estimasi langsung serta MSE dan RSE-nya Yu pendekatan HB untuk data berdistribusi normal. Hal ini
disajikan pada gambar (6). menandakan algoritma dan source code kedua fungsi tersebut
telah valid dan dapat digunakan.
6.4.2 Uji SUS
Uji SUS dilakukan dengan menyebar koesioner SUS yang
berisi sepuluh pertanyaan terkait penerimaan pengguna terhadap
package yang telah dibangun. Terdapat sepuluh responden yang
berpartisipasi dalam pengujian SUS ini. Secara keseluruhan
responden tersebut merupakan mahasiswa tingkat IV Politeknik
Statistika STIS. Pengujian ini menghasilkan score akhir sebesar
7.6, yang menandakan bahwa package yang dibangun dapat
diterima dengan predikat good.
6.4.3 Studi Kasus
Variabel respon yang digunakan pada studi kasus penelitian ini
adalah tingkat kemiskinan anak di Provinsi Banten tahun 2018-
Gambar 6. Tangkapan Layar Contoh script dan output serta 2021. Data kemiskinan anak diperoleh dari proses pengolahan
perbandingan MSEnya raw data SUSENAS 2018-2021 kor Maret untuk Provinsi
6.4 Evaluation Banten. Penelitian ini menggunakan pendekatan kekurangan
6.4.1 Uji Validitas (deprivation approach) sebagai variabel penyerta (auxiliary
Proses pegujian validitas pada R-package yang telah variable) dalam mengukur kemiskinan anak dengan SAE yang
dibangun dilakukan dengan membandingkan nilai MSE pada datanya bersumber dari data PODES Provinsi Banten tahun
hasil estimasi dengan function RaoYuAr1.beta dan Panel.beta 2018-2021.
pada package ‘saeHB.panel.beta’ terhadap beberapa metode lain

6/8

a. Estimasi langsung tingkat kemiskinan anak
Berikut disajikan diagram batang untuk mengetahui gambaran
hasil estimasi langsung tingkat kemiskinan anak Provinsi
Banten tahun 2018-2021. Berdasarkan gambar (7), kabupaten
Pandeglang selalu menjadi kabupaten dengan tingkat
kemiskinan anak tertinggi dari tahun ke tahun. Selain itu, daerah
perkotaan cenderung memiliki tingkat kemiskinan anak yang
rendah dibandingkan daerah perdesaan. Adapun nilai ringkasan
estimasi dan RSE tingkat kemiskinan anak Provinsi Banten
tahun 2018-2021 menggunakan metode estimasi langsung
disajikan pada tabel V.
Gambar 7. Hasil estimasi langsung tingkat kemiskinan anak
level kabupaten/kota Provinsi Banten tahun 2018-2021
TABEL V
NILAI RINGKASAN ESTIMASI DAN RSE TINGKAT KEMISKINAN ANAK
PROVINSI BANTEN TAHUN 2018-2021
Estimasi Langsung RSE
Min 0,004 8,43
Q1 0,015 13,94
Median 0,054 25,14
Mean 0,090 32,36
Q3 0,154 45,06
Max 0,335 82,82
Berdasarkan tabel V terlihat bahwa terdapat beberapa
kabupaten/kota di Provinsi Banten memiliki tingkat kemiskinan
anak dengan RSE ≥25%. RSE yang cukup besar ini dapat
mengakibatkan estimasi yang dihasilkan tidak akurat. Oleh
karena itu, perlu dilakukan estimasi tidak langsung agar
menghasilkan RSE yang lebih kecil dan estimasi yang akurat.
b. Estimasi tidak langsung tingkat kemiskinan anak
Terdapat beberapa aspek dalam mengukur kemiskinan anak
dengan pendekatan kekurangan menurut UNICEF, yaitu
makanan, tempat tinggal, sanitasi, air, listrik, informasi,
pendidikan, dan kesehatan. Aspek-aspek tersebut kemudian
menjadi dasar dalam proses pemilihan kandidat variabel
penyerta dan dihasilkan sebanyak delapan kandidat variabel
penyerta (tabel VI). Delapan variabel penyerta tersebut
merupakan hasil penyesuaian aspek kemiskinan anak UNICEF
terhadap indikator yang tersedia pada data Podes.
TABEL VI
DELAPAN KANDIDAT VARIABEL PENYERTA PADA PENDUGAAN TIDAK
LANGSUNG TINGKAT KEMISKINAN ANAK
Pendekatan Indikator Podes
Jumlah warga penderita kekurangan gizi
Jumlah keluarga yang berlangganan telepon kabel
Jumlah keluarga bukan pengguna listrik
Jumlah desa/kelurahan yang warganya tidak menggunakan
telepon seluler/handphone
Jumlah desa/kelurahan yang sumber air untuk minum
sebagian besar keluarga di desa/kelurahan tersebut berasal
dari mata air, sungai, hujan dan lainnya
Jumlah desa/kelurahan yang fasilitas buang air besar sebagian
besar keluarganya bukan jamban
Jumlah bangunan sekolah jenjang PAUD hingga SMA
Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik
Jumlah fasilitas kesehatan 𝑋8
Sebelum melakukan pemodelan, variabel penyerta diseleksi
menggunakan metode stepwise. Dimana berdasarkan metode
tersebut, terpilih empat variabel penyerta yang akan digunakan
dalam proses pemodelan yaitu 𝑋1 , 𝑋2 , 𝑋5 ,⁡ dan 𝑋7.
Proses pemodelan dilakukan dengan mengimplementasikan
fungsi pada package ‘saeHB.panel.beta’ dan ‘saeHB.panel’
pada data yang telah diseleksi. Pada pemodelan menggunakan
fungsi pada package ‘saeHB.panel.beta’, kondisi konvergen
tercapai untuk jumlah sampel MCMC sebanyak 10000, jumlah
update 5, burn.in sebanyak 1000, dan thin sebanyak 7.
Sedangkan pada pemodelan menggunakan fungsi pada package
‘saeHB.panel’, kondisi konvergen tercapai untuk jumlah sampel
MCMC sebanyak 20000, jumlah update 7, burn.in sebanyak
1000, dan thin sebanyak 25. Konvergensi pada rantai marcov
diperiksa dari trace plot, density plot dan autocorrelation plot
(gambar (8)) serta menggunakan uji Geweke (tabel VII).
Gambar 8. Trace plot, density plot dan autocorrelation plot
untuk seluruh parameter hasil estimasi menggunakan fungsi
pada package ‘saeHB.panel.beta’ (a) dan 'saeHB.panel' (b)
TABEL VII
NILAI Z-SCORE UJI GEWEKE UNTUK SELURUH PARAMETER HASIL ESTIMASI
MENGGUNAKAN FUNGSI PADA PACKAGE ‘saeHB.panel.beta’
Parameter Z-score
𝑏0 -0.519
𝑏1 0.414
𝑏2 -0.412
Variabel 𝑏3 0.779
𝑋1 𝑏4 -0.718
𝑋2 Pada gambar (8) terlihat bahwa trace plot yang dihasilkan
𝑋3 tidak membentuk suatu pola periodik tertentu serta density plot
𝑋4 untuk seluruh parameternya cenderung mulus (smooth). Selain
𝑋5 itu, autocorrelation plot yang dihasilkan berbentuk cut off pada
lag awal. Kemudian pada tabel VII terlihat bahwa nilai Z-score
yang dihasilkan pada uji Geweke untuk seluruh parameter telah
𝑋6
berada diantara -1 dan 1. Hal ini menunjukkan bahwa
𝑋7
7/8
 Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik

konvergensi algoritma MCMC telah tercapai sehingga sampel 4. Penerapan fungsi package ‘saeHB.panel.beta’ pada studi
yang dihasilkan dapat digunakan dalam analisis posterior. kasus tingkat kemiskinan anak Provinsi Banten tahun 2018-
Hasil estimasi tingkat kemiskinan anak level kabupaten/kota 2021 menghasilkan pendugaan dengan presisi paling baik
Provinsi Banten tahun 2018-2021 disajikan pada gambar (9). dibandingkan metode Rao-Yu HB normal maupun
Pada gambar (9), terlihat bahwa estimasi yang dihasilkan dari pendugaan langsung.
pendugaan SAE Rao-Yu HB beta memiliki nilai yang cukup DAFTAR PUSTAKA
berbeda dengan nilai estimasi langsung. Perbedaan ini [1] Rao, J., & Molina, I., “Small Area Estimation 2nd Edition”. New Jersey:
merupakan bentuk koreksi dari metode Rao-Yu HB beta John Wiley and Sons Inc., 2015.
terhadap nilai estimasi langsung yang memiliki jumlah sampel [2] Rao, J., & Molina, I., “Small Area Estimation 1st Edition”. New Jersey:
John Wiley and Sons Inc., 2003.
kurang sehingga menyebabkan lemahnya akurasi dan varian [3] M. Ghosh and J. N. Rao, “Small area estimation: An appraisal,” Statistical
yang lebih besar [21]. Science, vol. 9, no. 1, 1994.
[4] J. N. Rao and M. Yu, “Small-area estimation by combining time-series and
cross-sectional data,” Canadian Journal of Statistics, vol. 22, no. 4, pp. 511–
528, 1994.
[5] Manurung, A. H. “Model Data Panel: Sebuah Survei”.
[6] Noviani, A. "Small Area Estimation With Hierarchical Bayesian Neural
Network Approach For Case Dropout Children In Poverty In East Java
Province."[Thesis]. Surabaya: Institut Teknologi Sepuluh Nopember. 2016.
[7] S. Kamala, “Small Area Estimation Pada Data Panel untuk Mengestimasi
Tingkat Kemiskinan di Jawa Tengah” [Skripsi]. Jakarta : Politeknik
Statistika STIS, 2018.
[8] S. Muchlisoh dkk, “Estimation of Unemployment Rates Using Small Area
Estimation Model by Combining Time Series and Cross-Sectional Data”,
Proceedings of The 7th SEAMS UGM International Conference on
Mathematics and Its Applications, 2015.
[9] Hajarisman, N. “Penaksiran Parameter Model Regresi Beta untuk
Gambar 9. Hasil Estimasi Tingkat Kemiskinan Anak Level
Kabupaten/Kota Provinsi Banten Tahun 2018-2021 Memodelkan Data Proporsi”. Statistika, 12(1). 2012.
[10] Swearingen, C. J., Castro, M.S.M., and Bursac, Z. “Modeling Percentage
Selain itu, nilai maksimum RSE dan nilai rata-rata RSE Outcomes: The %Beta_Regression Macro”. SAS Global Forum 2011:
pendugaan SAE Rao-Yu HB beta memiliki nilai paling rendah
Statistics and Data Analysis, Paper 335- 2011.
dibandingkan pendugaan langsung maupun pendugaan SAE [11] Badan Pusat Statistik (BPS), “Kemiskinan dan Ketimpangan.” [Online].
Rao-Yu HB normal (tabel VIII). Artinya pendugaan SAE Rao- Available:https://www.bps.go.id/subject/23/kemiskinan-dan-
Yu HB beta merupakan pendugaan dengan presisi paling baik ketimpangan.html.
[12] Sari, Euis Naya. “Pengaruh Status Perkawinan Dan Kondisi Ekonomi
dibandingkan kedua pendugaan lainnya. Rumah Tangga Terhadap Kemiskinan Anak Di Provinsi Banten Tahun
TABEL VIII 2017”. 2018.
PERBANDINGAN RSE PENDUGAAN TINGKAT KEMISKINAN ANAK PROVINSI [13] Moore, K.A. “Children in Poverty: Trends, Consequences, and Policy
BANTEN TAHUN 2018-2021
RSE Estimasi RSE Rao-Yu HB RSE Rao-Yu HB Options”. Child Trends Research Brief, 2009.
Langsung (%) Normal (%) beta (%) [14] S. Grantham-McGregor, Y. B. Cheung, S. Cueto, P. Glewwe, L. Richter,
Min 8,43 6,33 10,75 and B. Strupp, “Developmental potential in the first 5 years for children in
Q1 13,94 9,54 14,38 developing countries,” The Lancet, vol. 369, no. 9555, pp. 60–70, 2007.
Median 25,15 25,32 20,39 [15] Casimiro, et al. “A Multidimensional Approach to Child Poverty in The
Mean 32,36 29,43 21,11 Philippines”. 12th National Convention on Statistics, 2013.
Q3 45,07 41,98 25,78 [16] Badan Pusat Statistik (BPS).”Angka Partisipasi Kasar (APK) Anak Yang
Max 82,90 75,80 45,99 Mengikuti Pendidikan Anak Usia Dini (PAUD) Menurut Provinsi”.
Available: https://www.bps.go.id/indicator/28/1439/1/angka-partisipasi-
kasar-apk-anak-yang-mengikuti-pendidikan-anak-usia-dini-paud-menurut-
VII. PENUTUP provinsi.html.
Berdasarkan hasil penelitian, dapat diambil beberapa [17] Marliana, V.T. “Pembangunan R-Package Model Rao-Yu Dengan
kesimpulan sebagai berikut: Pendekatan Hierarchical Bayes Pada Small Area Estimation”[Skripsi].
1. Model regresi beta logistik pada SAE model Rao-Yu Jakarta : Politeknik Statistika STIS, 2022.
pendekatan HB dapat digunakan untuk melakukan estimasi [18] R. Janicki, “Properties of the beta regression model for small area estimation
of proportions and application to estimation of poverty rates,”
pada data panel berdistribusi beta. Communications in Statistics - Theory and Methods, vol. 49, no. 9, pp.
2. Proses pembangunan R-package model Rao-yu dengan 2264–2284, 2019.
pendekatan HB pada SAE untuk data berdistribusi beta telah [19] Hawala, Sam, and Partha Lahiri. "Hierarchical Bayes estimation of poverty
selesai dilakukan dan telah berhasil di-publish pada CRAN rates." Proceedings of the American Statistical Association, Survey
Research Methods Section. 2012.
dengan nama ‘saeHB.panel.beta’ yang dapat diakses [20] Zhou, Qian M., and Yong You. “Hierarchical Bayes Small Area Estimation
melalui: for the Canadian Community Health Survey”. Statistics Canada, Household
https://cran.r-project.org/web/packages/saeHB.panel.beta/ Survey Methods Division, 2007.
3. Evaluasi R-package yang dibangun telah berhasil dilakukan [21] Ayuningtyas, Ika. "Small Area Estimation Pada Kasus Respon Multinomial
Dengan Pendekatan Hierarchical Bayes (Aplikasi Pada Proporsi
dengan mengimplementasikannya pada data hasil bangkitan Pengangguran Menurut Kategori Pengangguran Di Pulau Kalimantan,
dan dengan uji validitas menggunakan SUS yang hasilnya 2015)." Institut Teknologi Sepuluh Nopember. Corespondesse, 2017.
menunjukkan package telah dapat diterima oleh pengguna.

8/8