PENDUGAAN PROPORSI RUMAH TANGGA MISKIN TINGKAT DESA DI PROVINSI BALI DENGAN METODE EMPIRICAL BEST LINEAR UNBIASED PREDICTION DAN BAYESIAN
Abstract
Kebijakan pengentasan kemiskinan pada pemerintahan presiden Ir. H. Joko Widodo dilakukan melalui empat strategi kunci yang salah satunya adalah pemberdayaan kelompok masyarakat miskin. Ketersediaan informasi mengenai kemiskinan sangatlah minim padahal untuk menerapkan strategi kebijakan tersebut seharusnya dimulai pada kelompok masyarakat terkecil yakni masyarakat desa. Guna memperoleh informasi kemiskinan pada tingkat desa, penelitian ini menerapkan metode pendugaan area kecil sebagai akibat kurang efektifnya pendugaan langsung pada area kecil. Metode pendugaan area kecil yang umum digunakan yakni metode empirical best linear unbiased prediction (EBLUP), empirical Bayes (EB), dan metode hierarchical Bayes (HB). Hasil yang diperoleh pada pendugaan area kecil pada tingkat desa di Provinsi Bali menujukkan bahwa dugaan proporsi rumah tangga miskin di tingkat desa di Provinsi Bali berada di antara 0,00423 dan 0,03910 serta nilai mean square error yang berada di antara 0,0013 dan 0,1291 diperoleh melalui metode hierarchical Bayes, kemudian untuk metode empirical Bayes diperoleh dugaan proporsi rumah tangga miskin di antara 0,00423 dan 0,03909 serta nilai mean square error di antara 0,0011 dan 0,1288 dan metode empirical best linear unbiased prediction diperoleh dugaan proporsi rumah tangga miskin berada di antara 0,00425 dan 0,03910 serta nilai mean square error di antara 0,00010 dan 0,1291. Secara umum nilai mean square error berada di kisaran yang sama. Sehingga ketiga metode pendugaan tidak dapat disimpulkan yang lebih baik satu dengan yang lainnya.
Downloads
References
Murdiyana and Mulyana, "Analisis Kebijakan Pengentasan Kemiskinan di Indonesia," Jurnal Politik Pemerintahan, vol. 10, no. 1, pp. 73-96, 2017.
D. Pfeffermann, "New Important Developments in Small Area Estimation," 2013.
M. Ghosh and J. Rao, "Small Area Estimation: an Appraisal," Statistical Science Journal, vol. 9, pp. 55-76, 1994.
N. T. Longford, Missing Data and Small-Area Estimation, Springer, 2005.
M. Prastesi, Analysis of Poverty Data by Small Area Estimation, John Wiley & Sons, 2016.
J. Rao, Small Area Estimation, John Wiley and Sons. New York., 2003.
A. Rahman and A. Harding, Small Area Estimation and Microsimulation Modelling, CRC Press, 2017.
P. Congdon, Applied Bayesian Modelling, 2nd ed., New York: John Wiley & Sons, 2014.
B. J. Brewer, Introduction to Bayesian Statistics, 2017.
I. Wulansari, "Pendugaan Statistik Area Kecil dengan Metode Hierarchical Bayes (HB) pada Data Respon Biner Menggunakan Gibbs Sampling," Tesis, 2015.
M. Y. Darsyah, S. Iriyanto and I. Joko, "Small Area Estimation Untuk Pemetaan Kemiskinan di Kabupaten Demak," Jurnla Unimus, 2014.
P. E. Arijayanthi, I. W. Sumarjaya and T. B. Oka, "Penerapan Metode Pendugaan Area Kecil (Small Area Estimation) pada Penentuan Proporsi Rumah Tangga Miskin di Kabupaten Klungkung," E-Jurnal Matematika, vol. 2, no. 3, pp. 35-39, 2013.
A. Kurnia and K. A. Notodiputro, Penerapan Metode Jackknife Dalam Pendugaan Area Kecil, Bogor: Department of Statistics, IPB University, 2006.
Authors who publish with this Journal agree to the following terms:
- Author retain copyright and grant the journal right of first publication with the work simultaneously licensed under a creative commons attribution license that allow others to share the work within an acknowledgement of the work’s authorship and initial publication of this journal.
- Authors are able to enter into separate, additional contractual arrangement for the non-exclusive distribution of the journal’s published version of the work (e.g. acknowledgement of its initial publication in this journal).
- Authors are permitted and encouraged to post their work online (e.g. in institutional repositories or on their websites) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published works.