scholarly journals ESTIMASI RATA-RATA LAMA SEKOLAH TINGKAT KECAMATAN DI KABUPATEN PADANG PARIAMAN DENGAN METODE EMPIRICAL BEST LINEAR UNBIASED PREDICTOR

2020 ◽  
Vol 2019 (1) ◽  
pp. 110-116
Author(s):  
Rita Diana ◽  
Rory Rory
Keyword(s):  
Maximum Likelihood ◽  
Small Area ◽  
Small Area Estimation ◽  
Restricted Maximum Likelihood ◽  
Best Linear Unbiased Predictor ◽  
Area Estimation ◽  
Best Linear Unbiased

Rata-rata lama sekolah penduduk umur 25 tahun ke atas merupakan salah satu indikator yang menggambarkan tingkat pendidikan penduduk secara keseluruhan. Dari 19 kabupaten/kota di Sumatera Barat, Kabupaten Padang Pariaman memiliki rata-rata lama sekolah terendah kedua setelah Kabupaten Kepulauan Mentawai. Penanganan rendahnya rata-rata lama sekolah membutuhkan tersedianya data rata-rata lama sekolah yang up to date dan menjangkau level wilayah yang kecil seperti kecamatan dan desa/nagari, agar kebijakan yang diambil pemerintah bisa tepat sasaran. Ketersediaan data tersebut belum mampu diakomodir oleh Badan Pusat Statistik (BPS), karena survei yang dilakukan oleh BPS dirancang untuk pendugaan data area besar, yaitu provinsi dan kabupaten. Salah satu solusi untuk masalah tersebut adalah dengan menggunakan metode estimasi tidak langsung, yaitu Small Area Estimation (SAE). Salah satu estimasi parameter secara tidak langsung berbasiskan model SAE adalah Empirical Best Linear Unbiased Predictor (EBLUP). Tujuan penelitian ini adalah melakukan estimasi rata-rata lama sekolah tingkat kecamatan di Kabupaten Padang Pariaman menggunakan metode EBLUP dengan prosedur maximum likelihood (ML) dan prosedur restricted maximum likelihood (REML). Variabel penyerta yang digunakan dalam penelitian ini yang diduga berpengaruh terhadap variabel respon adalah rasio jumlah SLTA/sederajat per 10.000 penduduk, rata-rata jarak terhadap SLTA/sederajat dan persentase keluarga pertanian. Hasil penelitian menunjukkan SAE metode EBLUP dengan prosedur REML menghasilkan nilai estimasi rata-rata lama sekolah tingkat kecamatan di kabupaten Padang Pariaman memiliki akurasi yang lebih baik dibandingkan dengan hasil estimasi langsung (direct) dan prosedur ML.

scholarly journals Simulation Study of Robust Geographically Weighted Empirical Best Linear Unbiased Predictor on Small Area Estimation

2021 ◽  
Vol 5 (1) ◽  
pp. 50-60
Author(s):  
Naima Rakhsyanda ◽  
Kusman Sadik ◽  
Indahwati Indahwati
Keyword(s):  
Small Area ◽  
Spatial Information ◽  
Mean Squared Error ◽  
Small Area Estimation ◽  
Small Sample ◽  
Population Parameter ◽  
Spatial Effects ◽  
Best Linear Unbiased Predictor ◽  
Area Estimation ◽  
Best Linear Unbiased

Small area estimation can be used to predict the population parameter with small sample sizes. For some cases, the population units that are close spatially may be more related than units that are further apart. The use of spatial information like geographic coordinates are studied in this research. Outlier contaminations can affect small area estimations. This study was conducted using simulation methods on generated data with six scenarios. The scenarios are the combination of spatial effects (spatial stationary and spatial non-stationary) with outlier contamination (no outlier, symmetric outliers, and non-symmetric outliers). The purpose of this study was to compare the geographically weighted empirical best linear unbiased predictor (GWEBLUP) and robust GWEBLUP (RGWEBLUP) with direct estimator, EBLUP, and REBLUP using simulation data. The performance of the predictors is evaluated using relative root mean squared error (RRMSE). The simulation results showed that geographically weighted predictors have the smallest RRMSE values for scenarios with spatial non-stationary, therefore offer a better prediction. For scenarios with outliers, robust predictors with smaller RRMSE values offer more efficiency than non-robust predictors.

scholarly journals PENDUGAAN AREA KECIL UNTUK ANGKA PARTISIPASI KASAR PENDIDIKAN DASAR DAN MENENGAH TINGKAT KABUPATEN/KOTA DI PROVINSI JAWA TENGAH TAHUN 2018

2021 ◽  
Vol 2020 (1) ◽  
pp. 651-661
Author(s):  
Gusti Firmando ◽  
Azka Ubaidillah
Keyword(s):  
Small Area ◽  
Small Area Estimation ◽  
Best Linear Unbiased Predictor ◽  
Area Estimation ◽  
Best Linear Unbiased

Pada Maret tahun 2018, Angka Partisipasi Kasar (APK) di Indonesia untuk pendidikan dasar dan menengah adalah sebesar: APK SD/sederajat 108,61%, APK SMP/sederajat 91,52%, sedangkan APK SMA/sederajat 80,68%. Capaian tersebut masih jauh dari target Rencana Pembangunan Jangka Menengah Nasional (RPJMN) 2014-2019. Salah satu provinsi yang memiliki APK pendidikan dasar dan menengah di bawah target RPJMN adalah Provinsi Jawa Tengah. Upaya yang dapat dilakukan untuk mewujudkan target tersebut adalah dengan mengetahui capaian APK pendidikan dasar dan menengah di level kabupaten/kota berdasarkan hasil Susenas September sehingga kontrol dapat dilakukan dua kali dalam setahun. Namun, langkah ini akan memerlukan penambahan jumlah sampel yang menyebabkan diperlukannya waktu, biaya, tenaga dan pemikiran yang lebih besar. Untuk mengatasi hal tersebut, Small Area Estimation (SAE) dapat digunakan untuk menghasilkan presisi yang memadai tanpa melakukan penambahan jumlah sampel. SAE merupakan metode pendugaan parameter-parameter subpopulasi yang memiliki ukuran sampel kecil. Metode SAE yang banyak digunakan adalah Empirical Best Linear Unbiased Predictor (EBLUP). Namun, model ini belum memasukkan pengaruh spasial ke dalam model. Model Fay-Herriot yang memerhatikan efek spasial dikenal dengan Spatial Empirical Best Linear Unbiased Predictor (SEBLUP). Hasil penelitian menunjukkan bahwa metode EBLUP lebih baik dalam mengestimasi APK SD/sederajat dan APK SMA/sederajat, dan metode SEBLUP lebih baik dalam mengestimasi APK SMP/sederajat.

ESTIMASI ANGKA PARTISIPASI KASAR PERGURUAN TINGGI PROVINSI PAPUA MELALUI SMALL AREA ESTIMATION

2020 ◽  
Vol 2019 (1) ◽  
pp. 104-109
Author(s):  
Budi Subandriyo
Keyword(s):  
Sustainable Development ◽  
Small Area ◽  
Sustainable Development Goals ◽  
Small Area Estimation ◽  
Auxiliary Variable ◽  
Best Linear Unbiased Predictor ◽  
Area Estimation ◽  
Direct Estimation ◽  
Development Goals ◽  
Best Linear Unbiased

Angka Partisipasi Kasar (APK) m0erupakan salah satu indikator statistik yang digunakan untuk melihat besarnya tingkat partisipasi pendidikan pada suatu wilayah. Besar atau kecilnya nilai APK perguruan tinggi menunjukkan seberapa mudah penduduk untuk mengakses Pendidikan di perguruan tinggi. Hal ini sesuai dengan tujuan pembangunan berkelanjutan (Sustainable Development Goals) yang memiliki program untuk terus meningkatkan kesempatan belajar, salah satunya pendidikan di perguruan tinggi. Oleh karena itu, diperlukan upaya peningkatan akses pendidikan di universitas dan perguruan tinggi melalui penyediaan data APK-PT yang akurat. Apabila dilihat berdasarkan daerah tingkat provinsi, Provinsi Papua merupakan provinsi dengan APK-PT dua terbawah di antara provinsi lainnya yaitu sebesar 19,03 persen. Akan tetapi, ketersediaan data APK-PT hingga tingkar kabupaten atau kota masih belum tersedia karena kurangnya ukuran sampel. Salah satu upaya untuk mengoptimalkan sampel yang tersedia dan menghasil estimasi APK-PT di tingkat kabupaten/kota yaitu dengan menggunakan metode Small Area Estimation (SAE) berbasis area level. Pada penelitian ini digunakan data Survei Sosial Ekonomi Nasional (SUSENAS) 2018 untuk memperoleh estimasi langsung (direct estimation) APK-PT dan Potensi Desa (PODES) 2018 di Provinsi Papua sebagai variabel penyerta (auxiliary variable) dalam pemodelan SAE. Metode SAE yang digunakan adalah Empirical Best Linear Unbiased Predictor – Fay Herriot (EBLUP-FH) dan EBLUP benchmarking seperti EBLUP Difference Benchmarking (EBLUP-DB), EBLUP You-Rao Benchmarking (EBLUP-YR), dan EBLUP Augmented Bencharking (EBLUP-AB). Berdasarkan hasil penelitian disimpulkan bahwa penggunaan estimasi SAE yang cocok pada data APK-PT di Provinsi Papua adalah model EBLUP Augmented Benchmarking dengan nilai rata-rata MSE terendah yaitu sebesar 22,06 persen.

scholarly journals Applying the Spatial EBLUP to Place-Based Policing. Simulation Study and Application to Confidence in Police Work

2020 ◽  
Vol 13 (4) ◽  
pp. 901-924
Author(s):  
David Buil-Gil ◽  
Angelo Moretti ◽  
Natalie Shlomo ◽  
Juanjo Medina
Keyword(s):  
Spatial Autocorrelation ◽  
Random Effects ◽  
Simulation Study ◽  
Small Area ◽  
Police Work ◽  
Best Linear Unbiased Predictor ◽  
Spatial Random Effects ◽  
Area Estimation ◽  
Best Linear Unbiased ◽  
Estimation Models

Abstract There is growing need for reliable survey-based small area estimates of crime and confidence in police work to design and evaluate place-based policing strategies. Crime and confidence in policing are geographically aggregated and police resources can be targeted to areas with the most problems. High levels of spatial autocorrelation in these variables allow for using spatial random effects to improve small area estimation models and estimates’ reliability. This article introduces the Spatial Empirical Best Linear Unbiased Predictor (SEBLUP), which borrows strength from neighboring areas, to place-based policing. It assesses the SEBLUP under different scenarios of number of areas and levels of spatial autocorrelation and provides an application to confidence in policing in London. The SEBLUP should be applied for place-based policing strategies when the variable’s spatial autocorrelation is medium/high, and the number of areas is large. Confidence in policing is higher in Central and West London and lower in Eastern neighborhoods.

scholarly journals Simple House Needs in Jember with Robust Small Area Estimation

2017 ◽  
Vol 18 (1) ◽  
pp. 1
Author(s):  
Frida Murtinasari ◽  
Alfian Futuhul Hadi ◽  
Dian Anggraeni
Keyword(s):  
Small Area ◽  
Robust Regression ◽  
Small Sample Size ◽  
Small Area Estimation ◽  
Small Sample ◽  
Estimation Methods ◽  
Linear Unbiased Prediction ◽  
Area Estimation ◽  
Best Linear Unbiased ◽  
M Estimation

SAE (Small Area Estimation) is often used by researchers, especially statisticians to estimate parameters of a subpopulation which has a small sample size. Empirical Best Linear Unbiased Prediction (EBLUP) is one of the indirect estimation methods in Small Area Estimation. The presence of outliers in the data can not guarantee that these methods yield precise predictions . Robust regression is one approach that is used in the model Small Area Estimation. Robust approach in estimating such a small area known as the Robust Small Area Estimation. Robust Small Area Estimation divided into several approaches. It calls Maximum Likelihood and M- Estimation. From the result, Robust Small Area Estimation with M-Estimation has the smallest RMSE than others. The value is 1473.7 (with outliers) and 1279.6 (without outlier). In addition the research also indicated that REBLUP with M-Estimation more robust to outliers. It causes the RMSE value with EBLUP has five times to be large with only one outlier are included in the data analysis. As for the REBLUP method is relatively more stable RMSE results.

scholarly journals Penerapan Empirical Best Linear Unbiased Prediction (EBLUP) pada Pendugaan Tingkat Pengangguran Terbuka Level Kecamatan di Provinsi Banten

2021 ◽  
Vol 2021 (1) ◽  
pp. 36-44
Author(s):  
Apriliansyah - ◽  
Ika Yuni Wulansari
Keyword(s):  
Small Area ◽  
Small Area Estimation ◽  
Best Linear Unbiased Prediction ◽  
Linear Unbiased Prediction ◽  
Area Estimation ◽  
Best Linear Unbiased ◽  
Unbiased Prediction

Pengangguran merupakan masalah yang kompleks baik disebabkan maupun memberikan dampak terhadap banyak faktor. Di Indonesia, indikator pengangguran diukur melalui tingkat pengangguran terbuka (TPT). Indikator ini dikumpulkan melalui Survei Angkatan Kerja Nasional (Sakernas). Banten merupakan provinsi dengan TPT tertinggi serta selalu masuk dalam lima besar TPT tertinggi di Indonesia sejak tahun 2016 hingga 2018. Sebagai upaya percepatan penurunan angka pengangguran, perlu adanya informasi sampai ke level terkecil. Namun, sampel yang digunakan oleh Sakernas tidak mencukupi untuk pendugaan TPT secara langsung. Tujuan dari penelitian ini adalah menghasilkan penduga tingkat pengangguran terbuka (TPT) level kecamatan dengan presisi yang lebih baik melalui Small Area Estimation (SAE). Metode SAE yang digunakan adalah Empirical Best Linear Unbiased Prediction (EBLUP). Data yang digunakan adalah indikator penyusun TPT dari Sakernas 2018 dan variabel penyerta yang berasal dari Podes 2018 Provinsi Banten. Hasil dari penelitian ini menunjukkan bahwa terdapat sepuluh variabel penyerta yang berkorelasi dengan TPT. Kemudian, nilai RRMSE menunjukkan bahwa EBLUP meningkatkan presisi pendugaan jika dibandingkan dengan penduga langsung. Terdapat dua kecamatan yang memiliki hasil TPT sangat tinggi yaitu kecamatan Curugbitung dan Koroncong. Hasil estimasi EBLUP pada TPT level kecamatan ini dapat digunakan oleh pemerintah daerah untuk menurunkan TPT secara lebih terfokus dan lebih tepat sasaran, utamanya pada kecamatan-kecamatan dengan TPT yang tinggi.

Sign in / Sign up

Export Citation Format

Share Document