(M.9) PENAKSIRAN UKURAN KEMISKINAN MENGGUNAKAN METODE POVMAP DAN COKRIGING UNTUK DESA HASIL PEMEKARAN WILAYAH

Transkripsi

1 (M.9) PENAKSIRAN UKURAN KEMISKINAN MENGGUNAKAN METODE POVMAP DAN COKRIGING UNTUK DESA HASIL PEMEKARAN WILAYAH 1 Amiek Chamami, 2 Gandhi Pawitan, 3 Lienda Noviyanti 1 Mahasiswa Magister Statistika Terapan Universitas Padjadjaran 2 Dosen Universitas Parahyangan 3 Dosen Jurusan Statistika Universitas Padjadjaran 1 amiek_1909@yahoo.co.id 2 gandhip08@yahoo.com, 3 liendanoviyanti@yahoo.com Abstrak Pada tahun 2004 dan 2011, BPS melakukan estimasi ukuran kemiskinan untuk tingkat desa/kelurahan menggunakan SAE. Metode yang digunakan adalah ELL Method dengan menggunakan data Sensus, Susenas, dan Podes. Salah satu syarat penggunaan SAE agar didapatkan estimasi yang baik adalah data yang digunakan mempunyai referensi waktu survei yang sama. Salah satu masalah yang dihadapi jika menggunakan data yang mempunyai referensi waktu survei yang tidak sama adalah pemekaran wilayah pada tingkat wilayah desa/kelurahan, dan mengakibatkan estimasi ukuran kemiskinan pada desa hasil pemekaran wilayah tidak didapat dilakukan. Salah satu cara untuk mengatasi hal tersebut adalah dengan melakukan imputasi terhadap nilai-nilai peubah pada desa hasil pemekaran wilayah. Penelitian ini bermaksud menghasilkan ukuran kemiskinan pada wilayah-wilayah yang tidak terjadi pemekaran wilayah Kata kunci: Small Area Estimation, ELL Method, pemekaran wilayah, imputasi nilai 1. PENDAHULUAN Salah satu target dalam Tujuan Pembangunan Milenium atau Millenium Development Goals (MDGs) adalah pengurangan jumlah penduduk miskin tahun 1990 sampai dengan setengahnya pada tahun Pemerintah Republik Indonesia sudah meratifikasi MDG s dan melalui berbagai program pembangunan berusaha mencapai target tersebut. Salah satu kendala dalam perencanaan program pembangunan yang langsung menyentuh penduduk miskin adalah ketersediaan data. Badan Pusat Statistik (BPS) sebagai penyedia data untuk perencanaan program pembangunan, mempunyai berbagai macam data, yaitu data Survei Sosial Ekonomi Nasional (Susenas), yang digunakan sebagai dasar penghitungan jumlah penduduk miskin pada tingkat kabupaten/kota. BPS juga mempunyai data Sensus Penduduk (SP) dengan cakupan seluruh penduduk Indonesia tetapi informasi yang dikumpulkan terbatas. Selain itu BPS juga mempunyai data Potensi Desa (Podes) yang memuat karakteristik desa dan mencakup semua desa yang ada di Indonesia. Dengan adanya tiga jenis data yang masing-masing data mempunyai kelebihan dan kekurangan, maka hal itu dapat dimanfaatkan untuk mendapatkan 377

2 estimasi indikator pada tingkat agregasi yang lebih rendah. Salah satu alat statistik yang dapat digunakan untuk memanfaatkan kelebihan dari masing-masing data adalah Small Area Estimation (SAE). BPS sudah menggunakan metode SAE untuk melakukan estimasi dari ukuran kemiskinan sampai tingkat Desa/Kelurahan. Metode SAE yang digunakan adalah Poverty Mapping (Povmap) yang didasarkan kepada Elbers Lanjouw Lanjouw Method (ELL Method). Agar mendapatkan estimasi yang baik SAE mempunyai syarat data yang digunakan harus memiliki referensi waktu survei yang sama. Syarat ini sulit dipenuhi karena adanya pemekaran wilayah pada tingkat wilayah kecil, yang mengakibatkan perubahan pada identitas wilayah, keadaan geografis dan demografis. Untuk mengatasi hal tersebut, BPS melakukan imputasi pada wilayah hasil pemekaran. Imputasi dilakukan dengan menggunakan nilai wilayah induk dan nilai rata-rata kecamatan. Penelitian ini memberikan alternatif selain imputasi, yaitu dengan mengestimasi ukuran kemiskinan menggunakan ELL Method untuk desa yang bukan wilayah pemekaran, kemudian untuk desa hasil pemekaran wilayah ukuran kemiskinan diestimasi menggunakan metode cokriging. Makalah ini hanya menguraikan estimasi ukuran kemiskinan pada desa yang bukan wilayah pemekaran. 2. TINJAUAN PUSTAKA 2.1 Small Area Estimation Small Area Estimation (SAE) adalah suatu metode pendekatan untuk mendapatkan estimasi wilayah yang kecil. Istilah Small Area merujuk pada tingkat wilayah tertentu dengan ukuran sampel kecil yang jika menggunakan direct estimates akan mengurangi ketepatan estimasi karena standard error-nya menjadi besar. Menurut Rao (2003), ada dua model dalam SAE, yaitu 1. Basic Area Level (Type A) Model, yaitu model yang digunakan jika data yang digunakan hanya mempunyai auxiliary variables pada tingkat wilayah (area level). 2. Basic Unit Level (Type B) Model, yaitu model yang digunakan jika nilai berhubungan dengan individu yang spesifik dari auxiliary variables. SAE banyak digunakan untuk estimasi ukuran kemiskinan pada wilayah kecil, Quintano et al (2007) menggunakan metode Empirical Best Linear Unbiased Predictor (EBLUP) untuk mengestimasi kemiskinan pada sub national level di Italia dengan menggunakan pendekatan pendapatan (income). Tzavidis et al (2007) melakukan estimasi ukuran kemiskinan dengan pendekatan pendapatan di negara Albania menggunakan metode M-Quantile Model. 378

3 2.2 ELL Method ELL Method merupakan salah satu metode yang digunakan untuk mengestimasi ukuran-ukuran kemiskinan pada wilayah kecil. Metode ini secara meluas banyak digunakan terutama pada negara-negara berkembang. Menurut Rao (2009), ELL Method dapat dikelompokan dalam synthetic estimator. ELL Method menggunakan pendekatan konsumsi (consumption approach) untuk menghitung ukuran kemiskinan. Ide dasar dari metode ini adalah misalkan W adalah suatu indikator dari kemiskinan atau ketidakmerataan yang didasarkan pada distribusi variabel yang mempengaruhinya pada level rumahtangga, y h. Berdasarkan data sampel yang kecil tetapi memuat informasi yang lengkap, diestimasi distribusi gabungan dari y h dan vektor covariatex h. Dengan menggunakan variabel penjelas (explanatory) yang dihubungkan dengan karakteristik yang ada pada rumahtangga di data sampel yang lebih besar atau sensus, distribusi gabungan hasil estimasi dapat digunakan untuk mendapatkan distribusi dari y h untuk sub populasi di sampel yang lebih besar atau sensus untuk karakteristik-karakteristik yang diteliti. Juga akan didapatkan distribusi bersyarat dari W, estimasi titiknya dan prediksi error-nya. 3. POVMAP 3.1 Model Pengeluaran Povmap menggunakan pendekatan konsumsi dalam mengestimasi ukuran kemiskinan. Model konsumsi merupakan suatu model empiris dari y, pengeluaran per kapita dari rumahtangga h pada klaster c. Pengeluaran per kapita ditaksir dengan menggunakan model berikut (Elbers et al, 2002): ln y = E[ln y x ] + μ (1) dengan c subskrip untuk klaster h subskrip untuk rumah tangga dalam klaster c y x c. pengeluaran per kapita rumah tangga h dalam klaster c karakteristik rumah tangga untuk rumah tangga h dalam klaster Menurut Elbers (2003), aproksimasi linier dari persamaan 1 dapat ditulis sebagai berikut yang biasa disebut model Beta ln y = x a + μ (2) 379

4 dengan x a μ matrik tranpos dari peubah x vektor dari k parameter error dan diasumsikan berdistribusi normal. Survei merupakan sub sampel dari keseluruhan populasi sehingga informasi mengenai lokasi (information location) tidak tersedia untuk semua wilayah dalam data sensus dan mengakibatkan tidak bisa secara nyata memasukkan variabel lokasi (locational variable) ke dalam model yang dibangun dari data survey. Sisaan (residual) dari persamaan 2 akan mengandung variansi locational variable, μ = π + ε. (3) Persamaan 3 menunjukkan bahwa π adalah komponen klaster dan ε ch adalah komponen rumah tangga. Dengan menggunakan arithmetic expectation dari persamaan 3 atas klaster c maka didapat: μ. = π + ε. (4) karena kedua komponen error tidak berkorelasi, maka σ τ E[μ ] = σ + var(ε. ) = σ + τ, dengan variansi dari klaster variansi rumahtangga pada klaster c Diasumsikan π dan ε berdistribusi normal dan independen satu sama lain, Elbers, et al (2002) memberikan suatu estimasi variansi dari distribusi locational effectπ : varσ π [a varµ. ) + b varτ 2[a {σ π + τ + 2 σ π τ } + b τ ], (5) n 1 Apabila locational effectπ tidak ada, persamaan 3.3 menjadi μ = ε. Sesuai dengan Elbers et al (2002), sisa residual ε dapat dijelaskan dengan suatu model logistik yang meregresikan transformasi ε dengan karakteristik rumah tangga: dengan A = 1,05 maxε e ln A e = Z α + r (6) 380

5 Estimator variansi untuk ε dapat dihitung dengan: dengan B = exp {Z α}. σ, = AB 1 + B V AB(1 B) ar(r) (7) (1 + B) 3.2 Estimator Ukuran Kemiskinan Misalkan ada M rumahtangga pada desa c dan rumahtangga h mempunyai m anggota rumahtangga, untuk mendapatkan estimator kesejahteraan sebagai suatu fungsi dari ukuran populasi diasumsikan karakteristik x dan ukuran anggota rumahtangga m dari masingmasing rumahtangga terpilih secara independen dari suatu desa dengan fungsi distribusi konstan yang spesifik, G (x, m), yang merupakan pendekatan super populasi. Misal W adalah suatu ukuran kesenjangan maka dapat ditulis W(m, X, β, u ) dengan m X u suatu vektor M, ukuran rumahtangga pada desa c suatu matrik ukuran M xk dari karakteristik yang terobservasi suatu vektor error dari M Karena vektor error dari populasi target, u, tidak diketahui, maka nilai ekspektasi dari W diestimasi dari karakteristik yang terobservasi dan model pengeluaran. Ekspektasi dari W dinotasikan μ = E{W m, X, ℶ }, dengan ℶ adalah vektor dari parameter model, termasuk di dalamnya distribusi dari error. Menurut Elbers (2003), ukuran kesenjangan W dapat ditulis sebagai penjumlahan terpisah fungsi rasio kesenjangan rumahtangga, w(x, β, u ), dan μ dapat ditulis: dengan H μ = 1 N m w (x, β, u ) F (u ) (8) himpunan dari seluruh rumahtangga pada desa c N m, jumlah seluruh individu F Distribusi marjinal dari error pada rumahtangga h di desa c. W merupakan ukuran kesenjangan sehingga kontribusi dari satu rumahtangga bergantung pada tingkat kesejahteraan rumahtangga lain, dan berakibat W tidak menjadi terpisah serta mempunyai bentuk umum: μ = W (m, X, β, u ) F u,, u (9) 381

6 dengan u,, u adalah error pada M rumahtangga pada desa c. Dalam membentuk suatu estimator dari μ, (Elbers, 2003), ℶ diganti dengan suatu estimator yang konsisten, ℶ, yang berasal dari tahap pertama model regresi pengeluaran. Sehingga ekspektasi dari W adalah: μ = EWm, X, ℶ (10) 4. HASIL DAN PEMBAHASAN Data yang digunakan ada 3 jenis data yaitu data SP 2010, Susenas 2010, dan Podes Tahap pertama dalam pengolahan data adalah manajemen data yaitu menyeleksi peubah-peubah yang ada di data SP 2010 dan data Susenas 2010, kemudian melakukan penggabungan data antara data SP 2010 dan data Podes 2008 (SP-PDS) serta data Susenas 2010 dan data Podes 2008 (SSN-PDS). Setelah itu record-record yang memuat missing value dihapus, sehingga didapat data SP-PDS dan SSN-PDS yang tidak memuat missing value. Tahap kedua adalah membuat suatu model pengeluaran menggunakan data SSN-PDS. Karena ada perbedaan nilai yang sangat besar dari antara peubah pengeluaran dan peubah bebas maka digunakan transformasi untuk peubah pengeluaran (ln). Peubah bebas dipilih dengan dasar peubah bebas harus ada di data SP-PDS dan SSN-PDS. Tahap ketiga adalah melakukan simulasi dengan menggunakan program aplikasi Povmap, dengan memasukkan peubah-peubah yang signifikan dalam pembentukan model pengeluaran pada tahap kedua. Pengolahan data menggunakan bantuan software SPSS untuk membentuk data gabungan SP-PDS dan SSN-PDS, Stata untuk pembentukan model pengeluaran, dan simulasi untuk mendapatkan ukuran kemiskinan pada wilayah kecil digunakan software Povmap 1.0 versi Beta. Gambar 1 memperlihatkan distribusi persentil dari pengeluaran rumahtangga di Propinsi Gorontalo dengan menggunakan data Susenas ,00 100,00 80,00 60,00 40,00 20, Gambar 1. Distribusi Persentil Pengeluaran Rumahtangga 382

7 Tabel 1 memperlihatkan hasil dari pembentukan model pengeluaran: Dependent Variable: Log per capita expenditure Parameter Standard Variable estimates error Constant: 13,9815 0,08641 HHS (Ukuran rumahtangga) -0,3791 0,01628 HRMS (Rumahtangga dengan status rumah milik sendiri) 0,1862 0,01972 HFRT (Rumahtangga dengan fasilitas BAB sendiri) 0,0761 0,01621 HFRL (Rumahtangga dengan fasilitas listrik) 0,0745 0,0615 HKF (Rumahtangga dengan karakterikstiknya wanita) -0,0539 0,0016 HYSH (Rata-rata lama sekolah KRT) -0, ,0037 HYSS (Rata-rata lama sekolah pasangan KRT) -0, ,0021 HOSH1 (Sektor pekerjaan KRT pertanian) 0, ,0527 HOSH2 (Sektor pekerjaan KRT non pertanian) 0, ,0882 HWSH1 (Status pekerjaan KRT bekerja sendiri) 0,1862 0,00522 HWSH2 (Status pekerjaan KRT pegawai) 0, ,0101 H1565 (Proporsi penduduk berumur di bawah 15 tahun dan di atas 65 tahun) -0,1934 0,07619 VOC (Desa pantai) 0, ,0281 VOAH (Proposi rumahtangga pertanian di desa) -0,2397 0,0821 VOPSS (Keberadaan sekolah dasar di desa) -0,0632 0,0451 VOPMTP (Keberadaan alat transportasi bermotor) 0,0419 0,0873 Root MSE 0,4581 Adjusted R 2 0,5691 F-Test 45,19 Peubah-peubah pada Tabel 1 merupakan peubah yang signifikan dengan alpha=0,01. Setelah dilakukan pembentukan model, dengan menggunakan hasil dari pembentukan model tersebut dilakukan simulasi dengan menggunakan data gabungan SP- PDS dan SSN-PDS. Hasil simulasi tersebut sebagai berikut: 3.1. Distribusi Persentil Data Sensus Gambar 2 menunjukkan distribusi persentil data sampel dan data sensus (dengan imputasi dan tanpa imputasi). Ketiga garis dari distribusi persentil berimpit, hal ini menunjukkan model yang dibentuk sudah sesuai dengan ketiga data tersebut. Pola ketiga garis tersebut mengalami perubahan persentil ke , hal ini menunjukkan adanya pergeseran pola yang kemungkinan disebabkan peubah yang dipilih tidak sesuai dengan kelompok masyarakat dengan pengeluaran menengah ke atas. Penelitian ini lebih 383

8 memperhatikan kelompok masyarakat dengan pengeluaran 40% bawah (masyarakat miskin dan hampir miskin), pola untuk kelompok 40% bawah ini tidak berbeda. 120,00 100,00 80,00 60,00 40,00 20, Sampel Imputasi Tanpa Imputasi Gambar 2. Distribusi Persentil Data Sampel dan Data Sensus (dengan imputasi dan tanpa imputasi) Tabel 2 memperlihatkan perbandingan persentase penduduk miskin hasil simulasi dengan imputasi nilai peubah pada data Podes 2008 dan tanpa imputasi pada tingkat kecamatan, terlihat adanya kecenderungan persentase penduduk miskin tanpa imputasi lebih rendah dibandingkan dengan imputasi. Di kabupaten Gorontalo Utara dan Kota Gorontalo tidak terjadi pemekaran wilayah sehingga berakibat persentase penduduk miskin di kedua wilayah tidak berubah. 384

9 Tabel 2. Persentase Penduduk Miskin menurut Kecamatan di Propinsi Gorontalo Kecamatan Persentase penduduk miskin Dengan Imputas i Tanpa Imputas i Kecamatan Persentase penduduk miskin Dengan Imputasi Tanpa Imputasi MANANGGU (031) 15,17 14,27 TAPA (010) 10,79 10,09 TILAMUTA (040) 21,74 20,54 BULANGO UTARA (011) 15,17 14,27 DULUPI (041) 12,98 12,18 BULANGO SELATAN (012) 17,36 16,36 BOTUMOITO (042) 15,17 14,27 BULANGO TIMUR (013) 6,41 5,91 PAGUYAMAN (050) 43,65 41,45 BULANGO ULU (014) 10,79 10,09 WONOSARI (051) 30,51 28,91 KABILA (020) 21,74 20,54 PAGUYAMAN PANTAI 12,98 12,18 BOTU PINGGE (021) 12,98 12,18 TILONGKABILA (022) 21,74 20,54 BATUDAA PANTAI (010) 10,79 10,09 SUWAWA (030) 17,36 16,36 BILUHU (011) 8,60 8,00 SUWAWA SELATAN (031) 12,98 12,18 BATUDAA (020) 12,98 12,18 SUWAWA TIMUR (032) 19,55 18,45 BONGOMEME (021) 37,08 35,18 SUWAWA TENGAH(033) 8,60 8,00 TABONGO (022) 15,17 14,27 BONEPANTAI (040) 23,93 22,63 TIBAWA (030) 28,31 26,81 KABILA BONE (041) 15,17 14,27 PULUBALA (031) 17,36 16,36 BONE RAYA (042) 12,98 12,18 BOLIYOHUTO (040) 28,31 26,81 BONE (043) 23,93 22,63 MOOTILANGO (041) 17,36 16,36 BULAWA (044) 15,17 14,27 TOLANGOHULA (042) 15,17 14,27 ASPARAGA (043) 4,22 3,82 ATINGGOLA (010) 10,79 10,79 LIMBOTO (070) 21,74 20,54 GENTUMA RAYA (011) 6,41 6,41 LIMBOTO BARAT (071) 17,36 16,36 KWANDANG (020) 23,93 23,93 TELAGA (080) 15,17 14,27 ANGGREK (030) 17,36 17,36 TELAGA BIRU (081) 23,93 22,63 SUMALATA (040) 17,36 17,36 TILANGO (082) 10,79 10,09 TOLINGGULA (050) 19,55 19,55 TELAGA JAYA (083) 6,41 5,91 KOTA BARAT (010) 10,81 10,81 POPAYATO (010) 17,36 16,36 DUNGINGI (011) 6,91 6,91 POPAYATO BARAT (011) 10,79 10,09 KOTA SELATAN (020) 17,36 17,36 POPAYATO TIMUR (012) 10,79 10,09 KOTA TIMUR (021) 19,55 19,55 LEMITO (020) 12,98 12,18 KOTA UTARA (030) 17,36 17,36 WANGGARASI (021) 10,79 10,09 KOTA TENGAH (031) 8,60 8,60 MARISA (030) 12,98 12,18 PATILANGGIO (031) 8,60 8,00 BUNTULIA (032) 10,79 10,09 DUHIADAA (033) 15,17 14,27 RANDANGAN (040) 23,93 22,63 TALUDITI (041) 10,79 10,09 PAGUAT (050) 19,55 18,45 DENGILO (051) 6,41 5,91 385

10 5. KESIMPULAN Dari uraian di atas dapat disimpulkan bahwa ketepatan estimasi ukuran kemiskinan bergantung pada pembentukan model pengeluaran dan ketersediaan data yang digunakan, terutama kesamaan referensi waktu survei dari data yang digunakan. Penggunaan data dengan referensi waktu survei yang berbeda mengakibatkan adanya perbedaan keadaan demografis, geografis, sosial dan ekonomi terutama jika terjadi pemekaran wilayah pada wilayah kecil. 6. DAFTAR PUSTAKA Badan Pusat Statistik (BPS), 2010, Buku Panduan Petugas Susenas, Jakarta: BPS. Badan Pusat Statistik (BPS), 2010, Buku Panduan Petugas SP 2010, Jakarta: BPS. Badan Pusat Statistik (BPS), 2008, Buku Panduan Petugas Lapangan Podes, Jakarta: BPS. Elbers, C., Lanjouw, J.O., Lanjouw, P., 2000, Welfare in Villages and Towns: Micro-Level Estimation of Poverty and Inequality, Washington DC: The World Bank. Elbers, C., Lanjouw, J.O., Lanjouw, P., 2002, Micro-Level Estimation of Welfare, Washington DC: The World Bank. Elbers, C., Lanjouw P., Leite P.G., Brazil within Brazil: Testing the Poverty Map Methodology in Minas Gerais, The World Bank, Development Research Group, Poverty Team, Public Disclosure Authorized. Juan-Albacea, Z. V., Small Area Estimationof Sub-National Poverty Incidence. Journel, A.G. and Huijbergts, C. H., 1981, Mining Geostatistic: Academic Press. Kristjanson P., Radeny, M., Baltenweck, I., Ogutu, J., Notenbaert, A., 2005, Livelihood Mapping and Poverty Correlates at a Meso-Level in Kenya, International Livestock Research Institute: Elsevier. Rao, J.N.K., 2003, Small Area Estimation, John Wiley & Sons, New Jersey Rao, J.N.K., Molina, Isabel., 2009, Small Area Estimation of Poverty Indicators, Working Papers 09-15, Statistics and Econometrics Series 05: Universidad Carlos III De Madrid Widyanti, Wenefrida., 2003, Metoda dan Praktek Penyusunan Peta Kemiskinan. Jakarta: Lembaga Penelitian Smeru. 386