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.

scholarly journals Small Area Estimation untuk Estimasi Angka Kematian Bayi di Indonesia menggunakan Metode Empirical Best Linear Unbiased Prediction

2021 ◽  
Vol 10 (2) ◽  
pp. 171
Author(s):  
Nadra Yudelsa Ratu ◽  
Easbi Ikhsan
Keyword(s):  
Sustainable Development ◽  
Small Area ◽  
Sustainable Development Goals ◽  
Small Area Estimation ◽  
Best Linear Unbiased Prediction ◽  
Linear Unbiased Prediction ◽  
Area Estimation ◽  
Development Goals ◽  
Best Linear Unbiased ◽  
Unbiased Prediction

Angka Kematian Bayi (AKB) adalah jumlah kematian bayi usia di bawah satu tahun untuk setiap 1000 kelahiran bayi lahir hidup dalam kurun waktu satu tahun. IMR merupakan indikator penting dari status kesehatan dari masyarakat dalam suatu daerah. Hal ini sejalan dengan Sustainable Development Goals (SDG’s) yang ke tiga yaitu memastikan kehidupan yang sehat dan mendukung kesejahteraan bagi semua untuk semua usia. AKB dihasilkan melalui estimasi langsung dari Survei Demografi dan Kesehatan Indonesia (SDKI). Akan tetapi, dalam SDKI 2017, AKB hanya bisa menghasilkan indikator pada level nasional. Hal ini disebabkan estimasi langsung dari AKB di beberapa provinsi memiliki nilai Relatif Standard Error (RSE) yang besar dan ukuran sampel yang tidak mencukupi. Dalam jurnal ini, kami mempelajari Small Area Estimation (SAE) menggunakan metode Empirical Best Linear Unbiased Prediction (EBLUP) level area untuk mengatasi keterbatasan estimasi AKB di level provinsi. SAE dilakukan dengan meminjam kekuatan beberapa variabel dari data Potensi Desa (PODES) yang berkorelasi kuat dengan AKB tingkat provinsi di Indonesia. Hasil penelitian menunjukkan bahwa SAE menggunakan metode EBLUP memiliki nilai RSE yang lebih kecil dibandingkan estimasi langsung dari SDKI. Sehingga, dapat dikatakan bahwa SAE menggunakan metode EBLUP baik untuk memperkirakan AKB level provinsi di Indonesia pada tahun 2017.

scholarly journals EVALUASI PENDUGAAN ANGKA PARTISIPASI KASAR PERGURUAN TINGGI TAHUN 2018 DENGAN SMALL AREA ESTIOMATION BENCHMARKING

2020 ◽  
Vol 2019 (1) ◽  
pp. 67-73
Author(s):  
Robert Kurniawan ◽  
Dini Arifatin ◽  
Amalia Noviani ◽  
Fadhlullah Fadhlullah
Keyword(s):  
Sustainable Development ◽  
Small Area ◽  
Small Area Estimation ◽  
Best Linear Unbiased Prediction ◽  
Linear Unbiased Prediction ◽  
Area Estimation ◽  
Best Linear Unbiased ◽  
Unbiased Prediction

Selama ini, Angka Partisipasi Kasar Perguruan Tinggi (APKPT) yang merupakan salah satu target dari Sustainable Development Goal’s (SDG’s) disajikan oleh Badan Pusat Statistik (BPS) masih angka setiap Provinsi, dan untuk mendapatkan angka per kabupaten/kota sangat sulit. Hal ini terkendala jumlah sampel yang kurang memadai untuk dilakukan estimasi per kabupaten/kota. Sehingga untuk megestimasi sampai level area kecil dibutuhkan metode Small Area Estimation (SAE). Tetapi SAE pada area kecil dengan menggunakan metode Empirical Best Linear Unbiased Prediction (EBLUP) belum mampu mengatasi masalah agregasi area yang lebih besar, sehingga menyebabkan estimasi pada area kecil yang dihasilkan tidak konsisten dengan hasil estimasi langsungnya. Untuk mengatasi hal tersebut, maka digunakan metode EBLUP Benchmark untuk mendapatkan agregasi estimasi area kecil yang konsisten dengan estimasi langsung yang sudah ada. Misalnya hasil dari estimasi angka kabupaten/kota, jika di agregasikan, maka hasilnya sama dengan angka provinsi yang sudah di publikasikan terlebih dahulu. Sehingga pada penelitian ini bertujuan untuk mengevaluasi metode SAE Benchmark yang diaplikasikan untuk penghitungan estimasi APKPT di 6 provinsi Pulau Jawa. Hasilnya terlihat bahwa untuk provinsi yang jumlah kabupaten/kotanya banyak, seperti Jawa Barat, Jawa Tengah, dan Jawa Timur cenderung lebih bagus hasil estimasinya jika di hitung dengan SAE EBLUP Benchmark dibandingkan dengan SAE EBLUP. Cara menghitung ternyata juga berpengaruh dalam mendapatkan hasil estimasi. Berdasarkan caranya, dengan menghitung secara mandiri per Provinsi lebih bagus hasilnya dibandingkan dengan penghitungan berkelompok dan Nasional.

scholarly journals Pendugaan Kemiskinan Menggunakan Small area Estimation dengan Pendekatan Emperical Best Linear Unbiased Prediction (EBLUP)

2020 ◽  
Vol 8 (2) ◽  
pp. 159
Author(s):  
Dini Gartina ◽  
Laelatul Khikmah
Keyword(s):  
Mean Square Error ◽  
Small Area ◽  
Small Area Estimation ◽  
Best Linear Unbiased Prediction ◽  
Mean Square ◽  
Linear Unbiased Prediction ◽  
Area Estimation ◽  
Best Linear Unbiased ◽  
Unbiased Prediction

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.

scholarly journals Implementasi Empirical Best Linear Unbiased Prediction Fay-Herriot dalam Menduga Rata-Rata Pengeluaran per Kapita Level Kecamatan di Provinsi Jawa Timur dengan Tambahan Informasi Cluster

2021 ◽  
Vol 2021 (1) ◽  
pp. 70-79
Author(s):  
Mochamad Wildan Maulana ◽  
Ika Yuni Wulansari
Keyword(s):  
Root Mean Square Error ◽  
Mean Square Error ◽  
Small Area ◽  
Best Linear Unbiased Prediction ◽  
Mean Square ◽  
Linear Unbiased Prediction ◽  
Area Estimation ◽  
Best Linear Unbiased ◽  
Relative Root ◽  
Unbiased Prediction

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.

scholarly journals M-quantile Chambers-Dunstan Untuk Pendugaan Area Kecil

2021 ◽  
Vol 2021 (1) ◽  
pp. 80-89
Author(s):  
Aldi Rochman Nulkarim ◽  
Ika Yuni Wulansari
Keyword(s):  
Small Area ◽  
Random Effect ◽  
Best Linear Unbiased Prediction ◽  
Linear Unbiased Prediction ◽  
Best Linear Unbiased ◽  
Unbiased Prediction

Metode Small Area Estimations (SAE) digunakan sebagai pendekatan yang reliabel dalam mengatasi kendala ketidakcukupan sampel pada survei sampel. BPS memproduksi statistik area kecil menggunakan metode SAE popular seperti Empirical Best Linear Unbiased Prediction dalam model Fay-Herriot (EBLUP-FH). Metode EBLUP-FH sebagai pendekatan parametrik memerlukan asumsi normalitas dan terbebas dari outliers pada kedua komponen random effect-nya. Namun, hal tersebut sulit dipenuhi karena seringkali data di lapangan berperilaku ekstrim. Metode SAE M-quantile Chambers-Dunstan (CD) merelaksasi asumsi parametrik dan robust dalam inferensi terhadap outliers. Penelitian ini mengkaji metode M-quantile CD dalam meningkatkan robustness pendugaan area kecil melalui penerapannya pada data riil untuk estimasi rata-rata pengeluaran rumah tangga per kapita tingkat kecamatan di DI Yogyakarta tahun 2018. Penelitian ini menggunakan data Susenas 2018 dan Podes 2018. Hasil implementasi pada data riil menunjukkan model M-quantile CD berhasil memperbaiki presisi EBLUP-FH. Dengan mengimplementasikan M-quantile CD diharapkan estimasi data berperilaku ekstrim lebih akurat untuk pengambilan kebijakan di daerah.

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.

Sign in / Sign up

Export Citation Format

Share Document