Departement of Statistics

Faculty of Mathematics and Natural Sciences

Prediksi Gini Rasio

dengan Menduga Komponen Penyusunnya
Berdasarkan Two Level Model Small Area Estimation
(Studi Kasus : Kecamatan di Kota Bogor)

Oleh : Komisi Pembimbing :

Nadya Avicena 1. Dr. Anang Kurnia, M.Si
G151190121 2. Dr. Ir. I Made Sumertajaya, M.Si
Outline

1 2 3
PENDAHULUAN TINJAUAN METODOLOGI
• Latar Belakang PUSTAKA • Sumber Data dan
• Tujuan Penelitian Peubah Penelitian
• Langkah Penelitian
Latar Belakang

Kesenjangan Ekonomi/Ketimpangan
Permasalahan
dalam distribusi pendapatan
Ekonomi Indonesia
(Tambunan, 2001)

• Ketimpangan pendapatan adalah perbedaan pendapatan yang dihasilkan

masyarakat sehingga terjadi perbedaan pendapatan yang mencolok dalam
masyarakat (Todaro, 2003)

Alat ukur ketimpangan

Gini Rasio
pendapatan

1
Latar Belakang
Gini Rasio
(Todaro, 2003)

Rendah Sedang Tinggi

< 0.35 0.35 - 0.5 > 0.5

Gini rasio Gini rasio Gini rasio Prediksi Gini rasio

Nasional 2019 : Jawa Barat 2019 : Kota Bogor 2017 : Bogor 2017 :
0.382 0.402 0.41 0.35

1
Latar Belakang
  𝑚𝑖
𝑅𝑖=1− ∑ 𝑓 𝑝𝑖𝑗 ( 𝐹 𝑐𝑖𝑗 −1+𝐹 𝑐𝑖𝑗 ) , 𝑖=1 , … , 𝑙
𝑗 =1

 Keterangan :
: Gini rasio kecamatan ke-i
: Frekuensi relatif rumah tangga dalam kelas pengeluaran ke-j
: Frekuensi kumulatif dari proporsi pengeluaran dalam kelas pengeluaran ke- j-1
: Frekuensi kumulatif dari proporsi pengeluaran dalam kelas pengeluaran ke-j

Frekuensi relatif rumah tangga dan proporsi pengeluaran untuk masing-masing kelas
pengeluaran pada setiap kecamatan tidak tersedia, sehingga perlu diduga menggunakan
hasil survei yang telah dilaksanakan oleh BPS.

1
Latar Belakang
Direct Estimation

Pendugaan hasil survei

Indirect Estimation Small Area Estimation

Two Level Model

Basic Unit Level
(Moura dan Holt, 1999)
Empirical Best Linear
Unbiased Predictor
(EBLUP)
Basic Area Level
1
Latar Belakang
1990 Moura dan Holt
Memodelkan data survei dengan menggunakan multilevel model untuk menduga pendapatan rumah tangga,
menghasilkan bahwa kovariat level area pada model multilevel dapat memperbaiki hasil dugaan dengan
MSE yang memuaskan.

2008 Torabi dan Rao

Membandingkan multilevel model dengan penduga GREG (Generalized Regression), menyimpulkan bahwa
dengan meminjam kekuatan dari peubah pendukung level area, multilevel model menghasilkan performa
yang lebih baik.

2017 Goldstein (1995) dan Hox (1995) dalam Ubaidillah

Memodelkan data berhirarki dengan menggunakan multilevel model memiliki kelebihan, yaitu dapat
digunakan untuk menganalisis informasi dari beberapa tingkatan yang berbeda menjadi satu analisis
statistik dan memperhitungkan variasi setiap tingkatan data terhadap variasi respon.

2020 Hox (2002) dalam Kistiana

Pemilihan hirarki pada data yang digunakan juga penting untuk dilakukan agar tidak terjadi kesalahan
kontekstual yaitu adanya kesalahan sehubungan dengan korelasi dalam setiap individu yang berada pada
kontekstual (wilayah) yang sama yang dapat menyebabkan bias dalam memperkirakan parameter. 1
Tujuan Penelitian

1. Menduga rata-rata pengeluaran per kapita setiap unit area di kota Bogor
dengan metode Two Level Model Small Area Estimation

2. Menduga frekuensi relatif rumah tangga setiap unit area di kota Bogor
dengan metode Two Level Model Small Area Estimation

3. Memprediksi nilai gini rasio setiap kecamatan di kota Bogor berdasarkan

nilai frekuensi relatif rumah tangga dan pengeluaran rumah tangga setiap
unit area.

1
Gini Rasio
Gini rasio setiap kecamatan dihitung berdasarkan frekuensi relatif rumah tangga dan proporsi pengeluaran
untuk kelas pengeluaran ke-j pada kecamatan ke-i. Kelas pengeluaran pada hal ini berupa interval
pengeluaran yang digunakan oleh BPS, dalam Kota Bogor dalam Angka (2020) yaitu sebagai berikut :

Tabel 1. Kelas Pengeluaran (BPS, 2020)

Kode
Interval Pengeluaran (Rupiah)
Kelas
1 < 300.000
2 300.000 – 499.999
3 500.000 – 749.999
4 750.000 – 999.999
5 1.000.000 – 1.499.999
6 ≥ 1.500.000

2
Gini Rasio
Rata-rata pengeluaran perkapita untuk masing-masing kelas pengeluaran dihitung berdasarkan persamaan
berikut :
𝑛𝑖𝑗
 
∑ 𝑦 𝑖𝑗𝑘
´𝑦 𝑖𝑗 = 𝑘=1 , 𝑖=1 , … , 𝑙 ; 𝑗=1 , … , 𝑚 𝑖
𝑁 𝑖𝑗
 
Keterangan :
:Rata-rata pengeluaran perkapita pada kelas pengeluaran ke-j dan kecamatan ke-i
:Pengeluaran perkapita rumah tangga ke-k, kelas pengeluaran ke-j dan kecamatan ke-i
: Jumlah rumah tangga pada kelas pengeluaran ke-j dan kecamatan ke-i

Proporsi pengeluaran untuk setiap kelas pengeluaran pada masing-masing kecamatan adalah :

  ´𝑦 𝑖𝑗 𝑁 𝑖𝑗
𝑐 𝑖𝑗 = 𝑚𝑖 𝑛 𝑖𝑗
, 𝑖= 1, … , 𝑙 Dengan
  merupakan proporsi pengeluaran
perkapita rumah kelas pengeluaran ke-j dan
∑ ∑ 𝑦 𝑖𝑗𝑘
𝑗 =1 𝑘 =1
kecamatan ke-i.
2
Gini Rasio
Persentase Penduduk Kota Bogor Menurut
Kelas Pengeluaran Per Kapita Sebulan Tahun 2019

<300.000
2.19
15.49 300.000 - 499.999
38.96 500.000 - 749.999
750.000 - 999.999
17.66
1.000.000 - 1.499.999
> 1.499.999
25.7

Frekuensi relatif rumah tangga menurut kelas   𝑝 𝑖𝑗

pengeluaran dalam hal ini dapat didefinisikan
𝑓 𝑝𝑖𝑗 = ,𝑖=1,…,𝑙 ; 𝑗=1,…,𝑚𝑖
berdasarkan persamaan berikut :
𝑝𝑖
 
Keterangan :
: Frekuensi relatif rumah tangga kelas pengeluaran ke-j dan kecamatan ke-i
: Banyaknya rumah tangga pada kelas pengeluaran ke-j dan kecamatan ke-i
: Banyaknya rumah tangga pada kecamatan ke-i
2
Small Area Estimation (SAE)
Berdasarkan Rao (2003) model eksplisit untuk small area estimation adalah sebagai berikut :

Model berbasis level area

 
Keterangan :
: Penduga parameter area ke-i
: Peubah pedukung area ke-i
  : Koefisien regresi
: Konstanta positif ke-i yang diketahui
: Pengaruh acak area ke-i
: Peubah respon area ke-i populasi ke-j
: Peubah pedukung area ke-i populasi ke-j
Model berbasis level unit

𝑦 𝑖𝑗 =𝒙 𝒊𝒋𝑻 𝜷 +𝑣𝑖 +𝑒 𝑖𝑗 , 𝑖=1 , …, 𝑚 , 𝑗=1 , …, 𝑛𝑖

 

2
Empirical Best Linear Unbiased Prediction
(EBLUP)

•rata-rata
Berdasarkan
  model berbasis unit, Battese et.al (1998) menggunakan sebagai parameter target untuk
area ke i, maka penduga EBLUP adalah sebagai berikut :

  𝐸𝐵𝐿𝑈𝑃 𝑻 𝑻^
^𝜇 𝑖 [ ´ ^] ´
= 𝛾^ 𝑖 ´𝑦 𝑖𝑎+ ( 𝑿 𝑖 − 𝒙´ 𝒊𝒂 ) 𝜷 +(1− 𝛾^ 𝑖) 𝑿 𝒊 𝜷

  𝒎 𝒎  
𝑻 −𝟏 −𝟏 𝑻 −𝟏
^𝜷=( ∑ 𝑿 𝒊 𝑽 𝒊 𝑿 𝒊 ) ∑ 𝑿𝒊 𝑽 𝒊 𝒚𝒊 ¿
𝒊=𝟏 𝒊=𝟏

2 2 2
𝛾^ 𝑖=𝜎^ /( 𝜎^ +𝜎^ /𝑎 )
 

𝑣 𝑣 𝑒 𝑖.
2
 Two Level Model SAE
Untuk memprediksi rata-rata pada area kecil, Moura dan Holt (1999) menggunakan model
multilevel sebagai berikut :

𝑌 𝑖=𝑋𝑖 𝛽𝑖+𝜀𝑖 ,𝛽h=𝑍𝛾h+𝑣h ,𝑖 =1,2 ,…,𝑙;h=0,1 ,…,𝑝

 

𝑌 𝑖= 𝑋 𝑖 𝑍 𝑖 𝛾 + 𝑋 𝑖 𝑣 𝑖+ 𝜀 𝑖
 

Dimana
 

 
Asumsi untuk :
1. dan
2.

2
Two Level Model SAE
• 
Berdasarkan persamaan slide sebelumnya dan dengan menganggap populasi berukuran
pada area kecil ke besar, maka rata-rata untuk area kecil adalah :

 
Keterangan :
  ´ 𝑖𝑇 𝑍 𝑖 𝛾 + 𝑋´ 𝑖𝑇 𝑣 𝑖
𝜇𝑖 = 𝑋 : vektor rata-rata populasi untuk area kecil ke

 Penduga didapatkan dengan subtitusi hasil dugaan dan menggunakan algoritma RIGLS, maka :

´ 𝑖𝑇 𝑍 𝑖 𝛾^ + 𝑋´ 𝑖𝑇 𝑣^ 𝑖
^𝜇𝑖= 𝑋
 

2
Two Level Model SAE
Prasad dan Rao (1990) mengembangkan pendekatan untuk menduga MSE penduga rata-rata
multilevel model yaitu :

𝑀𝑆𝐸 ( 𝜇^ 𝑖 ) ≈ 𝑇 1 +𝑇 2+𝑇 3
 

 Keterangan :
: Keragaman dari ketika seluruh parameter diketahui
: Keragaman berdasarkan pendugaan pada efek tetap
: Keragaman yang didapatkan ketika menduga komponen ragam

 Moura dan Holt (1999) mengembangkan persamaan diatas berdasarkan hasil simulasi yang dilakukan
pada Moura (1994) dan menghasilkan penduga yang serupa yaitu :

𝑀𝑆𝐸
 ^
( 𝜇^ 𝑖 ) =𝑇^ 1 + 𝑇^ 2 +2 𝑇^ 3
2
Sumber Data dan Peubah Penelitian
Peubah Penelitian Level Sumber
SUSENAS
Rata-rata pengeluaran perkapita (Y) Unit area
2019

1 Banyaknya rumah tangga yang memiliki anggota rumah tangga SUSENAS

Unit area
usia 0-4 tahun (Xy) 2019

PODES
Jumlah pengguna listrik non PLN (Zy) Kecamatan
2019
SUSENAS
Frekuensi relatif rumah tangga (F) Unit area
2019

Banyaknya rumah tangga yang memiliki anggota rumah tangga SUSENAS

PODES
2 Unit area
perempuan usia 10-54 tahun berstatus pernah kawin (Xf) 2019
2019
PODES
Jumlah minimarket/swalayan (Zf) Kecamatan
2019

3
 Langkah Penelitian
 1. Penentuan hirarki pada peubah yang digunakan yaitu :
a. Level 1 (unit): 36 unit area, yaitu kelas pengeluaran ke-j pada kecamatan ke-i, dengan 6 kelas
pengeluaran pada 6 kecamatan.
b. Level 2 (kontekstual) : Kecamatan, yaitu 6 kecamatan di Kota Bogor.

2. Menduga rata-rata pengeluaran per kapita setiap unit area.

a. Persiapan data
 Data yang digunakan sebagai peubah respon dan penduga langsung dalam hal ini adalah rata-
rata pengeluaran perkapita level unit area.
 Data yang digunakan sebagai peubah pendukung banyaknya rumah tangga yang memiliki
anggota rumah tangga usia 0-4 tahun level unit area dan jumlah pengguna listrik non PLN
level kecamatan.
b. Menduga rata-rata pengeluaran perkapita setiap area secara langsung berdasarkan persamaan
dan menghitung RRMSE untuk masing-masing area dengan persamaan berikut :

√ 𝑀𝑆𝐸 𝐷𝑦
 
𝑅𝑅𝑀𝑆𝐸 𝐷𝑦 = × 100 %
^´𝑦 𝑖𝑗 3
 Langkah Penelitian
  c. Melakukan pendugaan komponen tetap ( dan acak menggunakan algoritma RIGLS (Restricted
Iterative Generalized Least Square).
d. Memodelkan dan menduga rata-rata pengeluaran perkapita untuk setiap unit area menggunakan
two level model, serta menghitung RRMSE hasil pendugaan tidak langsung.
e. Membandingkan hasil RRMSE penduga tidak langsung dan secara langsung.

3. Menduga frekuensi relatif rumah tangga setiap unit area dengan tahapan seperti langkah penelitian 2
dengan data yang digunakan sebagai peubah respon dan penduga langsung dalam hal ini adalah
frekuensi relatif rumah tangga level unit area yang dihitung berdasarkan persamaan . Sedangkan data
yang digunakan sebagai peubah pendukung adalah banyaknya rumah tangga yang memiliki anggota
rumah tangga perempuan usia 10-54 tahun berstatus pernah kawin level unit area dan jumlah
minimarket/swalayan level kecamatan.

4. Menghitung gini rasio setiap kecamatan berdasarkan persamaan dengan menggunakan hasil dugaan
rata-rata pengeluaran perkapita dan frekuensi relatif rumah tangga dengan RRMSE terbaik.

3
 Daftar Pustaka
Battese, G.E., Harter R.M dan Fuller, W.A. 1988. An Error Component Model for Prediction of County Crop Areas Using
Survei and Satelite Data. Journal of the American Statistical Association. 83 : 28-36.
[BPS] Badan Pusat Statistik. 2019. Gini Rasio Provinsi. Jakarta. https://bps.go.id.
[BPS] Badan Pusat Statistik. 2020. Gini Rasio Provinsi. Jakarta. https://bps.go.id.
Ghosh, M dan Rao, J.N.K. 1994. Small Area Estimation: An Appraisal. Statistical Science. 9(1) : 55-98.
Goldstein, H. 1989. Restricted Unbiased Iterative Generalized Least Square Estimation. Biometrika. 76 : 622-623.
Goldstein, H. 1995 Multilevel Statistical Models 2nd edition. London : Arnold.
Harville, D.A. 1977. Maximum Likelihood Approach to Variance Component Estimation and Related Problems. Journal of
The American Statistical Association. 73 : 724-731.
Hox, J.J. 1995. Applied Multilevel Analysis 1st edition. Amsterdam : TT-Publikaties.
Hox, J,J. 2002. Multilevel Analysis. London : Lawrence Earlbaurn Associates.
Kistiana, S., Nasution, S dan Naibaho, M. Faktor Kontekstual dan Individual terhadap Jumlah Anak Lahir Hidup : Sebuah
Analisis Multilevel. Jurnal Kependudukan Indonesia. 15 (1) : 33-48.
Moura, F.A.S dan Holt, D. 1999. Small area estimation using multilevel models. Survei Methodology. 25: 73-80.
Prasad, N.G.N dan Rao, J.N.K. 1990. The Estimation of the Mean Squared Error of Small Area Estimators. Journal of the
American Statistical Association. 85 : 163-171.
Rao, J.N.K. 2003. Small Area Estimation. New Jersey : John wiley and Sons, Inc.
 Daftar Pustaka
Rao, J.N.K dan Molina, I. 2015. Small Area Estimation : Second Edition. New Jersey : John wiley and Sons, Inc.
Tambunan, Tulus. 2001. Perekonomian Indonesia : Teori dan Temuan Empiris. Jakarta : Ghalia Indonesia.
Todaro, Michael P. 2003. Pembangunan Ekonomi di Dunia Ketiga. Jakarta : Ghalia Indonesia.
Torabi, M dan Rao, J.N.K. 2008. Small Area Estimation under Two Level Model. Survei Methodologi. 34(1) : 11-17.
Ubaidillah, A., Kurnia, A dan Sadik, K. 2017. Generalized Multilevel Linear Model dengan Pendekatan Bayesian untuk
Pemodelan Data Pengeluaran Perkapita Rumah Tangga. Jurnal Aplikasi Statistika & Komputasi Statistik. 9 (1).
Preface Slide