scholarly journals PENDUGAAN PROPORSI RUMAH TANGGA MISKIN TINGKAT DESA DI PROVINSI BALI DENGAN METODE EMPIRICAL BEST LINEAR UNBIASED PREDICTION DAN BAYESIAN

2021 ◽  
Vol 15 (2) ◽  
pp. 215-222
Author(s):  
I Komang Gde Sukarsa ◽  
I. G. K Gandhiadi

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.

Author(s):  
Dini Gartina ◽  
Laelatul Khikmah

Kemiskinan merupakan permasalahan yang berkaitan dengan berbagai aspek kehidupan manusia. Selama ini kemiskinan diduga menggunakan data Susenas yang diukur melalui pendekatan pengeluaran perkapita. Faktanya, objek yang disurvei pada Susenas ini hanyalah rumah tangga yang melakukan kegiatan ekonomi, sehingga memungkinkan jumlah sampel tidak mewakili karakteristik dari keseluruhan populasi. Jika data tersebut digunakan untuk menduga kemiskinan akan menghasilkan pendugaan yang bias dan varians yang besar karena jumlah sampel kecil kurang representatif untuk mewakili data. Upaya yang dapat dilakukan untuk menduga pada area kecil dengan menambah sampel, namun hal ini membutuhkan biaya yang banyak sehingga untuk mengatasi masalah tersebut yaitu dengan mengoptimalkan data yang tersedia dengan menggunakan small area estimation (SAE). Salah satu pendekatan yang dapat digunakan pada pendugaan area kecil yaitu dengan menggunakan pendekatan Emperical Best Linear Unbiased Prediction (EBLUP). Pada penelitian ini keakuratan dari penduga EBLUP dapat dievaluasi dengan Mean Square Error (MSE). Hasil penelitiannya penduga Emperical Best Linear Unbiased Prediction (EBLUP) lebih baik dibandingkan dengan pendugaan langsung. MSE penduga langsung lebih besar daripada MSE penduga tidak langsung. Nilai rata-rata MSE penduga langsung sebesar 0.005729 dan rata-rata MSE penduga EBLUP sebesar 0.002873.


2021 ◽  
Vol 2021 (1) ◽  
pp. 70-79
Author(s):  
Mochamad Wildan Maulana ◽  
Ika Yuni Wulansari

Salah satu indikator ekonomi yang dapat mengukur tingkat kesejahteraan adalah kemiskinan. Penduduk tergolong miskin apabila rata-rata pengeluaran per kapita setiap bulannya dibawah garis kemiskinan. Provinsi Jawa Timur terpilih sebagai lokus penelitian dikarenakan memiliki jumlah penduduk miskin tertinggi di Indonesia selama satu dekade terakhir. Data yang digunakan berasal dari Susenas Maret 2019 dan Podes 2018 dengan 666 observasi level kecamatan. Upaya pengentasan kemiskinan memerlukan data yang akurat dan menjangkau hingga wilayah terkecil. Akan tetapi tidak semua wilayah memiliki sampel yang cukup atau bahkan tidak memiliki sampel sama sekali. Hal ini tidak memungkinkan untuk melakukan estimasi langsung. Oleh karena itu dibutuhkan metode statistik untuk dapat mengestimasi area kecil dengan baik. Metode yang dapat digunakan untuk menduga area kecil adalah Small Area Estimation (SAE). Penelitian ini menggunakan metode SAE dengan Model Empirical Best Linear Unbiased Prediction Fay-Herriot. Hasil yang diperoleh bahwa metode SAE dapat memberikan pendugaan yang lebih baik dibanding estimasi langsung yang ditunjukan dengan nilai Relative Root Mean Square Error (RRMSE) lebih kecil dibanding estimasi langsung. Estimasi pada non-sample area dilakukan dengan memanfaatkan informasi cluster.


Genes ◽  
2020 ◽  
Vol 11 (9) ◽  
pp. 1013
Author(s):  
Bryan Irvine Lopez ◽  
Seung-Hwan Lee ◽  
Jong-Eun Park ◽  
Dong-Hyun Shin ◽  
Jae-Don Oh ◽  
...  

The authors wish to make the following corrections to this paper [...]


Author(s):  
B Grundy ◽  
WG Hill

An optimum way of selecting animals is through a prediction of their genetic merit (estimated breeding value, EBV), which can be achieved using a best linear unbiased predictor (BLUP) (Henderson, 1975). Selection decisions in a commercial environment, however, are rarely made solely on genetic merit but also on additional factors, an important example of which is to limit the accumulation of inbreeding. Comparison of rates of inbreeding under BLUP for a range of hentabilities highlights a trend of increasing inbreeding with decreasing heritability. It is therefore proposed that selection using a heritability which is artificially raised would yield lower rates of inbreeding than would otherwise be the case.


Author(s):  
Ajay Verma ◽  
R.P.S. Verma ◽  
J. Singh ◽  
L. Kumar ◽  
G.P. Singh

Background: Additive main and multiplicative interaction (AMMI) analysis had been exploited for multi environment trials for most of the crops. Usage of the best linear unbiased prediction (BLUP), along with AMMI tools, of the genotypes would improve the estimation of interaction effects. Methods: AMMI based measures of adaptability have been enriched with the incorporation of BLUP of genotypes by new Superiority index that allowed variable weights for stability and yield of genotypes. Result: Stability measure weighted average of absolute scores (WAASB) based on all significant interaction principal components ranked suitability of KB1754, RD3000, NDB1445 genotypes. Superiority index while weighting 0.65 and 0.35 for mean yield and stability arranged DWRB201, NDB1445, RD2552 as of stable high yield performance of barley genotypes. Corrected measure Modified AMMI Stability Value (MASV1) found RD2552, DWRB201, KB1762 and Modified AMMI Stability Value (MASV) ranked DWRB201, RD2552, KB1762. ASTAB measure achieved the desirable lower values for DWRB201 DWRB207, HUB268 genotypes. Biplot graphical analysis based on 60.7% of variation of the stability measures observed MASV1, ASTAB (AMMI based stability parameter), EV(Averages of the squared eigenvector values), SIPC (Sums of the absolute value of the IPC scores), Za (Absolute value of the relative contribution of IPCs to the interaction), W3, WAASB and MASV had been clubbed together. For the second year lower value of WAASB measure had observed for RD3016, KB1815 HUB273. Ranking of genotypes as per Superiority index found RD3017, RD2907, HUB274 as of stable high yield performance. Genotypes RD3017, RD2907 and NDB1173 pointed out by MASV1 while RD3017, RD2907, NDB1173 identified by MASV as the genotypes of choice. RD3017 NDB1173, RD2907 genotypes were selected as per values of ASTAB measure. Total of 71.8% of variation of the considered measures in biplot analysis expressed larger cluster comprised of AMMI based measures and a separate cluster of Superiority indexes as per mean, Geometric Adaptability Index (GAI) and HMGV also observed.


Sign in / Sign up

Export Citation Format

Share Document