SLAMET ABADI
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
SUMBER INFORMASI
Dengan ini saya menyatakan bahwa tesis dengan topik ”Pendugaan Statistik Area Kecil Menggunakan Model Beta-Binomial” adalah karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Bogor, Juli 2011
Slamet Abadi
ABSTRACT
SLAMET ABADI. Estimation of Small Area Statistics using Beta-Binomial Model. Supervised by HARI WIJAYANTO and LA ODE ABDUL RAHMAN.
Small area estimation is commonly used to describe smaller domain or population. Small Area Estimation is an important technique to estimate parameter of smaller domain borrowing strength of population parameter estimate through statistics models with random effect. This research is focused in modeling binary data in small area estimation with empirical bayes method. This method is applicable more generally in the sense of handling models for binary and count data. The Beta-binomial model can be used to calculate the proportion of each small area and its variance.
This model estimates the parameters of proportion using momen Kleinman method of Beta-Binomial model and the we also compare the MSE of indirect estimation using Naïve, Jackknife, and Bootstap methods.
The result shaved that the MSE of indirect estimation lower than the direct estimation. Moreover, the MSE of indirect estimation using Naïve, Jackknife, and Bootstap methods relatively the same.
This indirect estimation using Beta-Binomial model were applied to analyze the proportion of poor household in Bekasi district. The result showed that Jakasampurna, Ciketingudik, Bintara Jaya, Jatiluhur, Cikiwul, Mustika Jaya, and Perwira and could be categorized as villages having more poor household.
SLAMET ABADI. Pendugaan Statistik Area Kecil dengan Menggunakan Model
Beta-Binomial. Dibimbing oleh HARI WIJAYANTO dan LA ODE ABDUL
RAHMAN.
Suatu pendugaan untuk meningkatkan ukuran contoh dan menurunkan
galat baku adalah pendugaan tak langsung. Pendugaan ini memanfaatkan
informasi tambahan yang diperoleh dari area kecil lain yang memiliki
karakteristik yang serupa. Menurut Rao (2003) prosedur pendugaan area kecil
pada dasarnya memanfaatkan informasi dari area itu sendiri, area sekitarnya atau
bahkan survei yang berbeda.
Pendugaan area kecil bermanfaat untuk menduga parameter area yang
berukuran contoh kecil. Pada data biner, model Beta-Binomial dapat digunakan
untuk menduga parameter area kecil. Ada dua metode dalam pendugaan area kecil
untuk data biner, yaitu metode Bayes empirik dan Bayes hirarki. Penelitian ini
menggunakan metode Bayes empirik yang mampu menampung informasi antar
area dan mereduksi kuadrat tengah galat.
Metode Bayes empirik merupakan suatu metode pendugaan yang terdiri
dari fungsi kepekatan peluang prior, fungsi kepekatan peluang posterior dan
fungsi kepekatan peluang marginal. Salah satu model dalam metode Bayes
empirik yang digunakan adalah model beta-Binomial, karena model ini memenuhi
ketiga fungsi kepekatan peluang tersebut. Model Beta-Binomial digunakan
karena cocok untuk data biner.
Penelitian ini dilakukan untuk menduga proporsi rumah tangga miskin
setiap kelurahan di kota Bekasi. Pendugaan dilakukan melalui metode penduga
langsung dan tak langsung menggunakan metode Bayes empirik untuk model
Beta-Binomial dengan menggunakan penduga momen Kleinman. Selanjutnya
dilakukan pembadingan kuadrat tengah galat antara penduga langsung dan tak
langsung serta membandingkan kuadrat tengah galat beberapa metode pada
penduga tak langsung seperti Naive, Jackknife, dan Bootstrap.
Hasil penelitian menunjukkan bahwa penduga tidak langsung proporsi
rumah tangga miskin pada area kecil menggunakan metode Bayes empirik
proporsi rumah tangga miskin menghasilkan nilai yang relatif kecil dan relatif
sama. Dugaan total rumah tangga miskin di kota Bekasi yang diperoleh melalui
metode pendugaan area kecil sebanyak 11.08 % atau 47.521 rumah tangga.
©
Hak Cipta milik IPB, tahun 2011
Hak cipta dilindungi undang-undang
1. Dilarang mengutip sebagian atau seluruhnya karya tulis ini tanpa
mencantunkan atau menyebutkan sumber
a. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan
karya ilmiah, penyusunan laporan, penulisan kritik atau tinjauan suatu masalah
b. Pengutipan tidak merugikan kepentingan yang wajar IPB
2. Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya
MENGGUNAKAN MODEL BETA-BINOMIAL
SLAMET ABADI
Tesis
Sebagai salah satu syarat untuk memperoleh gelar
Magister Sains pada
Program Studi Statistika
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
Beta-Binomial Nama Mahasiswa : Slamet Abadi Nomor Pokok : G151040031 Program Studi : Statistika
Disetujui,
Komisi Pembimbing
Dr. Ir. Hari Wijayanto, M.S. La Ode Abdul Rahman, S.Si. M.Si.
Ketua Anggota
Diketahui,
Ketua Program Studi Statisika Dekan Sekolah Pascasarjana IPB
Dr. Ir. Erfiani, M.Si. Dr. Ir. Dahrul Syah, M.Sc.Agr.
gxÜv|Çàt
Almamater Kampus Institut Pertanian Bogor
gxÜ{ÉÜÅtà
Bapak Tarmidi
dan
Ibu Marsudi Rahaju (alm.)
gxÜ~tá|{
Isteri Anik Indrawati
gxÜátçtÇz
Adinda Maria Dwi Lestari
Segala Puji bagi Allah SWT. pemelihara sekalian alam, Yang Maha Bijaksana, Maha Luas Anugerah-Nya, Maha Ilmu, Maha Rahman, Maha Pengasih yang menciptakan manusia dalam bentuk yang paling baik dan sempurna menjadikan langit dan bumi dengan kekuasaan-Nya serta mengatur semua urusan di dunia dan akhirat dengan keadilan dan kebijaksanaan-Nya. Atas kehendak Nya lah penulis dapat menyelesaikan Tesis.
Pada kesempatan ini, penulis menyampaikan rasa terima kasih yang tak hingga kepada Bapak Dr. Ir. Hari Wijayanto, MS., sebagai Ketua Komisi Pembimbing yang telah banyak memberikan bimbingan dan mengarahkan penulis dalam bidang matematika maupun statistika dan juga kepada Bapak La Ode Abdul Rahman, S.Si. M.Si., sebagai Anggota Komisi Pembimbing yang telah membimbing dan memberikan kemudahan-kemudahan kepada penulis.
Penulis menyampaikan banyak terima kasih kepada Dirjen Pendidikan Tinggi, Departemen Pendidikan Nasional Indonesia atas dana yang diberikan lewat program Hibah Pascasarjana tahun 2006-2008 kerjasama Departemen Statistika IPB dan Badan Pusat Statistik Jakarta serta Bapak Prof Dr. Ir. Khairil Anwar Notodiputro, MS., selaku ketua peneliti.
Terima kasih penulis kepada Ibu Dr. Ir. Erfiani, MS., Bapak Dr. Ir. Aji Hamin Wigena, M.Sc., Bapak Dr. Ir. Budi Susetyo, M.S., Bapak Dr. Ir. Kusman Sadik, M.Si., Dr. Anang Kurnia, S.Si. M.Si., Ibu Ir. Indahwati, M.Si.
Tak lupa Bapak Iksan, Ibu Marsudi Rahaju Alm., dan Bapak Tarmidi, Ibu Hapipah, adikku Maria Dwi Lestari, serta isteriku Anik Indrawati dan ketiga anakku Naufal, Irfan, dan Anisah terima kasih atas pengertian, motivasi dan do’anya.
Terima kasih penulis kepada Mbak Kismiantini, Mbak Ika, Mas Epa, Mbak Fia Fridayanti, yang memberikan diskusi dan saran-saran. Tak lupa juga teman-teman seluruh rekan mahasiswa Program Studi Magister Statistika Institut Pertanian Bogor angkatan 2004/2005 yang turut memberikan informasi, semangat, keakraban dan kebersamaannya dalam penyusunan Tesis ini. Semoga semua kebaikan dan bantuannya yang telah diberikan kepada penulis mendapat balasan atau imbalan yang setimpal dari Allah SWT. Amin.
Semoga karya ilmiah ini bermanfaat.
Bogor, Juli 2011
Penulis dilahirkan di Banyuwangi pada tanggal 1 Maret 1966 dari ayah Tarmidi dan ibu Marsudi Rahaju (alm.). Penulis merupakan putra pertama dari dua bersaudara.
Penulis menyelesaikan Sekolah Dasar (SD) hingga SLTA di Banyuwangi. Tahun 1985 penulis lulus dari SMAN Genteng, Banyuwangi dan pada tahun yang sama lulus seleksi Sipenmaru Univesitas Gadjah Mada (UGM) Yogyakarta pada Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA).
Halaman
DAFTAR TABEL ………... xiv
DAFTAR GAMBAR ……….. xv
DAFTAR LAMPIRAN ………... xvi
PENDAHULUAN Latar Belakang ……… 1
Tujuan Penelitian ………... 3
TINJAUAN PUSTAKA Konsep Dasar Pendugaan Area Kecil ………... 4
Metode Bayes dan Bayes Empirik ... 5
Garis Kemiskinan ... 6
Model Beta-Binomial ... 6
Pendugaan MSE dengan Metode Jackknife ... 8
Pendugaan MSE dengan Metode Bootstrap ... 9
METODOLOGI PENELITIAN Sumber Data ... 10
Metode Analisis ... 10
HASIL DAN PEMBAHASAN Data Pengeluaran Per Kapita ... 14
Dugaan Proporsi Rumah Tangga Miskin ... 16
Dugaan MSE Proporsi Rumah Tangga Miskin ... 18
SIMPULAN DAN SARAN Simpulan ………. 21
Saran ………... 21
DAFTAR PUSTAKA ………. 22
Halaman
1 Ukuran Parameter Pengeluaran Kecamatan dan kota Bekasi 15
2 Daftar Jumlah Rumah Tangga, Anggota Rumah Tangga, Contoh dan Rumah Tangga Miskin kota Bekasi
16
3 Kelurahan dengan proporsi rumah tangga miskin lebih dari 10 % di kota Bekasi
Halaman
1. Peta Penyebaran Rumah Tangga di 56 kelurahan kota Bekasi 14
2. Peta Penyebaran Rumah Tangga Miskin dengan proporsi lebih dari
10 % di kota Bekasi.
17
3 Dugaan MSE Proporsi Rumah Tangga Miskin di kota Bekasi
dengan dugaan langsung, Naive, Jackknife, dan Bootstrap.
19
4 Dugaan MSE Proporsi Rumah Tangga Miskin di kota Bekasi
dengan dugaan Naive, Jackknife, dan Bootstrap.
Halaman
1. Sifat-sifat Sebaran Beta-Binomial ... 26
2. Program perhitungan αˆ dan dengan metode momen ...
βˆ 32
3. Hasil perhitungan αˆ dan βˆ dengan metode Kleinman ... 34
4. Program perhitungan penduga Bayes, penduga empirical Bayes dan ragam posterior dengan metode Momen ………
35
5. Programan SAS untuk perhitungan penduga jackknife ... 37
6 Hasil perhitungan Dugaan proporsi Rumah Tangga Miskin di kota Bekasi ...
41
7 Hasil perhitungan ragam dengan metode langsung, Bayes emperik, Jackknife dan Bootstrap ...
PENDAHULUAN
Latar Belakang
Pada era otonomi daerah kebutuhan ilmu statistika semakin dirasakan
seiring dengan meningkatnya kebutuhan pemerintah dan para pengguna statistik
terhadap informasi yang lebih rinci, cepat dan handal. Informasi ini tidak saja
untuk ruang lingkup nasional tetapi juga ruang lingkup yang lebih kecil yaitu
kabupaten/kota, kecamatan, atau kelurahan/desa.
Biasanya, statistik diperoleh dari suatu survei yang dirancang untuk
memperoleh statistik nasional. Artinya survei semacam ini dirancang untuk
inferensia bagi daerah (domain) yang luas. Persoalan muncul ketika dari survei
seperti ini ingin diperoleh informasi untuk area yang lebih kecil, misalnya
informasi pada level propinsi, kabupaten, bahkan mungkin level kecamatan atau
desa/kelurahan. Dalam survei ini area yang dimaksud mungkin saja
direpresentasikan oleh objek survei yang jumlahnya sangat kecil sehingga analisis
yang didasarkan hanya pada objek-objek tersebut menjadi sangat tidak dapat
diandalkan. Untuk mengatasi hal ini diperlukan metode pendugaan yang
menggabungkan antara informasi di dalam area yang dimaksud dengan informasi
di luar area tersebut.
Pendugaan area kecil (small area estimation) merupakan suatu teknik statistika untuk menduga parameter-parameter subpopulasi yang ukuran
contohnya kecil. Teknik pendugaan ini memanfaatkan data dari domain besar
seperti data sensus atau data survei sosial ekonomi nasional, untuk menduga
peubah yang menjadi perhatian pada domain yang lebih kecil.
Pendugaan area kecil yang didasarkan pada penerapan model rancangan
penarikan contoh (design-based) disebut sebagai penduga langsung (direct
estimation). Pendugaan ini tidak mampu memberikan ketelitian yang cukup bila
ukuran contoh kecil, sehingga statistik yang diperoleh akan memiliki ragam yang
besar atau bahkan pendugaan tidak dapat dilakukan karena tidak terwakili dalam
survei. Oleh karena itu, dikembangkan teknik pendugaan alternatif untuk
meningkatkan keefektifan ukuran contoh dan menurunkan galat baku yakni
meminjam kekuatan dari pengamatan contoh area yang berdekatan dengan
memanfaatkan informasi tambahan yakni dari sensus dan catatan administratif
(Rao,2003)
Pada pendugaan tak langsung terdapat dua model penghubung yang
digunakan untuk menghubungkan area kecil dengan area lainnya yaitu model
penghubung implisit dan model penghubung eksplisit. Pendugaan tak langsung
yang menggunakan model penghubung implisit adalah pendugaan yang
didasarkan oleh rancangan penarikan contoh. Penduga yang dihasilkan
mempunyai ragam yang biasanya relatif kecil dibandingkan ragam penduga
langsung. Ada tiga metode dalam pendugaan tak langsung dengan model
penghubung implisit yaitu sintetik, komposit, dan James-Stein.
Model penghubung eksplisit adalah suatu model yang memasukkan
pengaruh acak area kecil untuk mendapatkan keragaman antar area dan juga
adanya peubah penyerta dalam model tersebut, yang selanjutnya dikenal sebagai
model area kecil. Penduga yang diperoleh dari model area kecil tersebut adalah
prediksi tak bias linier terbaik empirik (Emperical Best Linear Unbiased
Prediction, EBLUP), Bayes empirik (Empirical Bayes, EB), dan Bayes hirarki
(Hierarchical, HB). Metode EBLUP dirancang untuk peubah kontinu dan tidak
cocok untuk data biner atau cacahan. Untuk data biner atau cacahan digunakan
metode EB dan HB dalam melakukan pendugaan area kecil.
Penelitian ini memusatkan perhatian pada pendugaan proporsi rumah
tangga miskin setiap kelurahan di kota Bekasi. Masalah ini menjadi sangat
penting untuk terus menjadi kajian karena tingginya kebutuhan pemerintah
khususnya pemerintah daerah dalam penyusunan, pemantauan dan perencanaan
kebijakan dalam pengetasan kemiskinan tanpa harus mengeluarkan biaya besar
untuk melakukan survei sendiri. Dengan demikian, secara nasional akan cukup
banyak biaya yang bisa dihemat sehingga dapat dialokasikan untuk pembiayaan
Tujuan Penelitian
Tujuan penelitian ini adalah sebagai berikut :
a. Mengkaji penggunaan metode Bayes empirik menggunakan model
beta-binomial pada pendugaan ststistik area kecil.
b. Menerapkan metode Bayes empirik untuk menduga proporsi rumah
TINJAUAN PUSTAKA
Konsep Dasar Pendugaan Area Kecil
Secara umum metode pendugaan area kecil dibagi menjadi dua bagian
yaitu metode penduga langsung (direct estimation) dan metode penduga tak langsung (indirect estimation). Metode-metode pendugaan selama ini yang sering kita gunakan adalah metode pendugaan langsung.
Pendugaan langsung merupakan pendugaan yang didasarkan pada desain
penarikan contoh. Dalam kasus pendugaan area kecil, penduga langsung bagi
parameter pada area kecil yang menjadi perhatian relatif akan menghasilkan galat
baku yang besar karena masalah jumlah contoh.
Suatu pendekatan tidak langsung mampu meningkatkan efektifitas ukuran
contoh yang kecil. Pada pendugaan tak langsung terdapat dua model penghubung
yang digunakan untuk menghubungkan area kecil dengan area kecil lainnya yaitu
model penghubung implisit dan eksplisit.
Penduga tak langsung dengan menggunakan model penghubung implisit
adalah model yang didasarkan pada desain penarikan contoh (design based). Penduga yang dihasilkan mempunyai ragam desain yang relatif kecil
dibandingkan dengan ragam desain dari penduga langsung. Model penghubung
implisit mempunyai tiga metode yaitu, metode sintetik, komposit, dan
James-Stein. Metode sintetik adalah merupakan suatu metode dari penduga langsung
untuk area besar, yang memiliki galat baku kecil digunakan untuk memperoleh
penduga tak langsung untuk area kecil tertentu. Metode ini mengasumsikan
bahwa area kecil tersebut memiliki karateristik yang sama dengan area besar.
Metode komposit merupakan rata-rata terboboti dari penduga langsung dan
penduga tak langsung. Metode James-Stein adalah penduga komposit yang
menggunakan pembobot umum dengan meminimumkan jumlah kuadrat galat.
Model penghubung eksplisit adalah model yang didasarkan pada pengaruh
acak area kecil untuk mendapatkan keragaman antar area dan informasi peubah
penyerta, yang selanjutnya dikenal dengan model area kecil. Menurut Rao (2005)
peubah penyerta yang baik adalah peubah yang berhubungan erat dengan peubah
Penduga yang diperoleh dari model area kecil ini adalah penduga prediksi tak bias
linier terbaik empirik (Emperical Best Linear Unbiased Prediction, EBLUP), Bayes empirik (Empirical Bayes, EB), dan Bayes hirarki (Hierarchical, HB)
Metode Bayes dan Bayes Empirik
Metode Bayes yang ditemukan oleh Thomas Bayes dan kemudian
dikembangkan oleh Richard Price (1763) dua tahun setelah wafatnya Bayes,
kemudian Laplace pada tahun 1774 dan 1781 yang memberikan analisis secara
rinci, merupakan metode yang lebih baik untuk statistik Bayes sekarang (Gill,
2002).
Model statistik Bayes merupakan perpaduan antara sebaran prior dan
posterior, yaitu jika dimisalkan dengan sebaran percontohan X θ~ f
( )
xθ dansebaran prior θ~ π
( )
θ diketahui maka sebaran posterior dari θ adalah( )
( )
( )
( )
( )
( )
x m x f x m
x f
x = θ = θπθ
θ
π , dengan m
( )
x =∫
f( )
xθπ( )
θ dθSuatu sebaran prior dinamakan konjugate bila menghasilkan sebaran
posterior yang sama dengan dirinya. Sebaran yang masih dalam keluarga
eksponensial mempunyai prior konjugate. Seperti sebaran Poisson memiliki prior
konjugate Gamma dan sebaran Binomial memiliki prior konjugate Beta.
Metode Bayes empirik merupakan suatu metode yang menggunakan data
pengamatan untuk menduga parameter prior. Pertama kali model ini
diperkenalkan oleh Fay-Herriot (1970), untuk menduga rata-rata pendapatan area
kecil di Amerika Serikat. Metode ini sesuai untuk menangani data-data biner dan
cacahan pada pendugaan area kecil. Pendekatan Bayes Empirik dalam pendugaan
area kecil mempunyai ciri-ciri sebagai berikut :
a. Memperoleh fungsi kepekatan posterior dari parameter area kecil yang
teramati
b. Pendugaan parameter model dari fungsi kepekatan marginal
c. Menggunakan pendugaan fungsi kepekatan posterior untuk membuat
Garis Kemiskinan
Suatu rumah tangga rumah dikategorikan sebagai rumah tangga miskin,
jika pengeluaran makanan dan bukan makanan untuk per kapita rumah tangga
tersebut lebih kecil dari garis kemiskinan yang ditetapkan.
Menurut Berita Resmi Statistik (2006) batas Garis Kemiskinan (poverty line) penduduk Indonesia pada tahun 2005 adalah Rp. 152.847,- per kapita per bulan. Menurut BPS kota Bekasi batas Garis Kemiskinan kota Bekasi pada tahun
2005 adalah sebesar Rp. 163.385,- per kapita per bulan.
Model Beta-Binomial
Model ini merupakan suatu model yang berawal dari model Bernoulli
dengan model peluang untuk data biner yang dinyatakan dengan
dengan model dasar: m. ..., 2, 1, i ; n ..., 1, j
= i =
ij y ) ( ~ i iid i ij Bernoulli
y θ θ atau ~ ( i, i)
iid
i
i Binomial n
y θ θ
dan 0 0 ) , (
~ α β α > β >
θ Beta
iid
i
dengan Beta(α,β) menyatakan sebaran Beta dengan parameter α dan β serta
fungsi kepekatan untuk θi adalah
(
,)
( ) ( )
(
)
1(
1−)
1 >0 >0 Γ Γ + Γ = θ − θ − α β β α β α β α θ α β i i i fdan Γ
()
. adalah fungsi gamma.Untuk menyederhanakan i
(
i in)
Ti
y y
y = 1,..., menjadi total contoh
, merupakan statistik cukup minimal untuk model tahap pertama.
Diketahui bahwa
∑
= j ij
i y
y yi
) , i i θ ( ~ iid i
iθ Binomial n
y yang mempunyai fungsi kepekatan
sebagai berikut :
(
)
i(
)
ni yii y i i i i i y n y
f ⎟⎟ − −
Berdasarkan persamaan fungsi kepekatan θi dan fungsi kepekatan maka i y ) , ( ~ , ,α β α β
θi yi indBeta yi + ni −yi +
Oleh karena itu, penduga Bayes bagi θi adalah
(
)
(
)
β α α β α θ β α θ + + + = = i i i i B i n y yE , ,
, ˆ
dan ragam posterior bagi θi adalah:
(
)
(
)(
)
(
)(
)
21 , , β α β α β α β α θ + + + + + + − + = i i i i i i i n n y n y y V
Sebaran penghubung f
(
θiα,β)
dinamakan prior konjugate pada sebaranposterior, f
(
θi yi,α,β)
mempunyai bentuk yang sama dengan sebaran priornya.Dari sebaran penghubung tersebut, maka digunakan model yang sering disebut
model Beta-Binomialdengan sebaran peluang marginal:
(
)
(
(
) (
)
)
( ) ( )
(
)
(
)
( )
α β − + β + α ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ = β Γ α Γ β + α Γ + β + α Γ − + β Γ + α Γ ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ = β α , , , , B y n y B y n n y n y y n n y f i i i i i i i i i i i i iUntuk menduga parameter α dan β digunakan dengan metode momen Kleinman:
θ β α α ˆ ˆ ˆ ˆ =
+ dan
( )
(
)
( )
−[
−∑(
)
−(
−)
]
− − − = ++ T i i T
T m n n n m s n 1 / ˆ 1 ˆ 1 ˆ 1 ˆ 1 ˆ ˆ 1 2 2 θ θ θ θ β α θ
dengan rataan contoh berbobot i i
T i n n θ θˆ ∑ ˆ ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛
= , ragam contoh terboboti
(
ˆ ˆ)
2
2 ∑ −
⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛
= i i
T i
n n
sθ θ θ dan =
∑
i i
T n
n .
Ekspresi untuk dugaan parameter αˆ dan dinyatakan dengan rumus berikut
dan diperoleh:
( )
[
(
)
(
)
]
( )
(
)
⎥⎥⎦ ⎤ ⎢ ⎢ ⎣ ⎡ − − − − ∑ − − − − = 1 1 ˆ 1 ˆ 1 / ˆ 1 ˆ ˆ ˆ 2 2 m s n m n n n Ti i T
T θ θ θ θ θ α
θ dan
( )
[
( )
(
)
(
)
]
(
)
⎥⎥⎦⎢⎣⎡ − ⎥⎦⎤ ⎤ ⎢ ⎢ ⎣ ⎡ − − − − ∑ − − − − = 1 ˆ 1 1 1 ˆ 1 ˆ 1 / ˆ 1 ˆ ˆ ˆ 2 2 θ θ θ θ θ θ β θ m s n m n n n Ti i T
T
di mana αˆ dan βˆ dugaan parameter sebarab Beta-Binomial
Pensubstitusian parameter αˆ dan dari metode momen Kleinman ke
penduga EB bagi diperoleh
βˆ EB i θˆ
( )
α β γ θ(
γ)
θ θθˆ ˆ ˆ, ˆ ˆ ˆ 1 ˆ ˆ
i i i B i EB
i = = + −
dengan β α λ ˆ ˆ ˆ + + = i i i n n
dan merupakan rataan berbobot dari penduga
langsung dan penduga sintetik (Rao, 2003).
EB i θˆ θˆ i θˆ
Pendugaan MSE dengan Metode Jackknife
Menurut Rao (2003), penentuan penduga ragam (kuadrat tengah galat)
dengan metode Jackknife untuk penduga EB adalah
MSEJ
( ) (
iEB E iEB iB)
E iB i M1i M2i2 2 ˆ ˆ ˆ ˆ ˆ ˆ = + ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ − + − = θ θ θ θ θ dengan
(
)
− − ∑[
(
) (
−)
]
= = − − ml i l l i i i
i i
i g y g y
m m y g
M
1 1 1
1
1 ˆ , ˆ , ˆ, ˆ,
1 , ˆ , ˆ ˆ α β α β α β
[
]
21 ,
2 ˆ ˆ
1 ˆ = − ∑ − = − m l EB i EB l i i m m
M θ θ
dimana θˆiEB =ki
(
θˆi,αˆ,βˆ)
merupakan penduga Bayes bagi θi dan(
i,−l,αˆ−l,βˆ−l)
i EB
l i− =k θ
θˆ ˆ
Pendugaan MSE dengan Metode Bootstrap
Penduga bootstrap untuk kepekatan peluang fungsi dinyatakan dengan
Ukuran sampel bootstrap m didefinisikan dengan
m. ..., 2, 1, i ; n ..., 1, j
yij = i =
(
* *)
2 * 1 * ,..., , j mjj y y
y
y = merupakan hasil dari resampling sampel yij.
Menurut Butar dan Lahiri (2003), penentuan penduga ragam (kuadrat tengah
galat) dengan metode Bootstrap untuk penduga EB adalah
B i B i EB i
B M M
MSE 1, 2,
^ ˆ ˆ + = ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ θ di mana
( )
− ∑(
( )
)
= = Bb i v
v i B
i g b
B g M 1 2 1 2 1 , 1 ˆ 1 ˆ 2 ˆ σ σ
dengan g1i
( )
σˆv2( )
merupakan penduga ragam proporsi Bayes empirik dan
(
v b)
2 ˆ ∑ = B b i g 1 1
σ merupakan penduga ragam proporsi Bayes empirik hasil
resampling bootstrap sebanyak B kali.
dan
( )
{
}
21 ,
2 ˆ ˆ
1 ˆ = ∑ − = B b EB i EB i B i b B
M θ θ
dengan θˆiEB merupakan penduga proporsi bayes empirik dan
merupakan penduga proporsi Bayes empirik hasil resampling
bootstrap sebanyak B kali.
( )
bEB i
METODOLOGI PENELITIAN
Sumber Data
Data yang digunakan dalam penelitian ini adalah data pengeluaran per
kapita kota Bekasi tahun 2005 yang diperoleh dari Survei Sosial Ekonomi
Nasional (Susenas) dan Pendataan Potensi Desa/Kelurahan (Podes) tahun 2005.
Data tersebut diperoleh dari Badan Pusat Statistik (BPS).
Peubah respon yang menjadi perhatian adalah proporsi rumah tangga miskin
yang didekati dari pengeluaran per kapita rumah tangga. Suatu rumah tangga
dikatakan miskin jika pengeluaran per kapita rumah tangga tersebut berada di
bawah garis kemiskinan.
Metode Analisis
Penerapan pendugaan area kecil berbasis model beta-binomial dilakukan
melalui tahapan sebagai berikut:
1. Menghitung dugaan langsung proporsi dan ragam proporsi rumah tangga
miskin masing-masing kelurahan di kota Bekasi dengan formula:
i i i
n y
=
θˆ dan
( ) ( )
i i i i
n
Varθ θ θ
ˆ 1 ˆ ˆ = −
di mana
i
y = jumlah rumah tangga miskin kelurahan ke-i
i
n = jumlah rumah tangga kelurahan ke-i
i
θˆ = dugaan langsung proporsi rumah tangga miskin kelurahan ke-i
2. Menghitung proporsi dan ragam proporsi rumah tangga miskin di kota Bekasi
menggunakan rataan dan ragam terboboti dengan
i i
T i
n n θ
θˆ ∑ ˆ
⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛
= dan
(
ˆ ˆ)
2
2 ∑ −
⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛
= i i
T i
n n
sθ θ θ
di mana
∑ = T i
T n
n
2
θ
s = ragam terboboti kota Bekasi
3. Menduga parameter sebaran beta-binomial αˆ dan βˆ dengan metode momen
Kleinman menggunakan rataan dan ragam contoh terboboti dari persamaan
θ β α α ˆ ˆ ˆ ˆ =
+ dan
( )
(
)
( )
−[
−∑(
)
−(
−)
]
− − − = ++ T i i T
T m n n n m s n 1 / ˆ 1 ˆ 1 ˆ 1 ˆ 1 ˆ ˆ 1 2 2 θ θ θ θ β α θ dan diperoleh:
( )
[
(
)
(
)
]
( )
(
)
⎥⎥⎦ ⎤ ⎢ ⎢ ⎣ ⎡ − − − − ∑ − − − − = 1 1 ˆ 1 ˆ 1 / ˆ 1 ˆ ˆ ˆ 2 2 m s n m n n n Ti i T
T θ θ θ θ θ α
θ dan
( )
[
( )
(
)
(
)
]
(
)
⎥⎥⎦⎢⎣⎡ − ⎥⎦⎤ ⎤ ⎢ ⎢ ⎣ ⎡ − − − − ∑ − − − − = 1 ˆ 1 1 1 ˆ 1 ˆ 1 / ˆ 1 ˆ ˆ ˆ 2 2 θ θ θ θ θ θ β θ m s n m n n n Ti i T
T
di mana αˆ dan βˆ dugaan parameter sebarab Beta-Binomial
4. Melakukan pendugaan Bayes empirik proporsi rumah tangga miskin (θˆiEB)
masing-masing kelurahan di kota Bekasi menggunakan formula
( )
α β γ θ(
γ)
θ θθˆ ˆ ˆ, ˆ ˆ ˆ 1 ˆ ˆ
i i i B i EB
i = = + −
di mana β α λ ˆ ˆ ˆ + + = i i i n n i
θˆ = dugaan langsung proporsi rumah tangga miskin kelurahan ke-i.
θˆ = dugaan langsung proporsi rumah tangga miskin di kota Bekasi
5. Menghitung kuadrat tengah galat (MSE) dari penduga Bayes empirik
menggunakan metode Naive, Jackknife, dan Bootstrap dengan tahapan
sebagai berikut:
Metode ini menggunakan formula ragam posterior bagi θi sebagai berikut
(
)
(
)
(
)
(
)(
)
2ˆ ˆ 1 ˆ ˆ ˆ ˆ ˆ , ˆ , ˆ β α β α β α β α θ + + + + + + − + = i i i i i i i n n y n y y V
b. Metode Jackknife
Proses perhitungan MSE menggunakan metode Jackknife adalah sebagai
berikut:
o Hitung nilai Mˆ1i dengan formula:
(
)
− − ∑[
(
) (
−)
]
=
= − −
m
l i l l i i i
i i
i g y g y
m m y g
M
1 1 1
1
1 ˆ , ˆ , ˆ, ˆ,
1 , ˆ , ˆ ˆ α β α β α β di mana
(
i)
i y
g1 αˆ,βˆ, merupakan ragam posterior
(
l l i)
i y
g1 αˆ− ,βˆ− , merupakan ragam posterior yang diperoleh dengan
menghapus pengamatan ke-l.
o Hitung Mˆ2i dengan formula:
[
]
21 ,
2 ˆ ˆ
1 ˆ = − ∑ − = − m l EB i EB l i i m m
M θ θ
di mana
EB i
θˆ adalah penduga proporsi Bayes empirik
EB l i,−
ˆ
θ adalah penduga proporsi Bayes empirik yang diperoleh dengan
menghapus pengamatan ke-l.
Hitung MSEJ
( )
θˆiEB dengan formula:( )
i iEB i
J M M
c. Metode Bootstrap
o Menghitung penduga ragam proporsi Bayes empirik g1i
( )
σˆv2 danpenduga ragam proporsi Bayes empirik
(
( )
)
hasil resamplingbootstrap sebanyak B kali.
∑ = B
b i v
b g
1 2 1 σˆ
o Menghitung Mˆ1i,B menggunakan persamaan
( )
− ∑(
( )
)
=
= B
b i v
v i B
i g b
B g
M
1 2 1 2
1 ,
1 ˆ
1 ˆ 2
ˆ σ σ
o Menghitung penduga proporsi bayes empirik θˆiEB dan penduga
proporsi Bayes empirik θˆiEB
( )
b hasil resampling bootstrapo Menghitung Mˆ2i,B menggunakan persamaan
( )
{
}
21 ,
2 ˆ ˆ
1
ˆ = ∑ −
= B
b
EB i EB
i B
i b
B
M θ θ
o Menghitung kuadrat tengah galat MSEB
( )
θˆiEB dengan menggunakan persamaan MSEB( )
θˆiEB =Mˆ1i,B +Mˆ2i,B6. Membandingkan kuadrat tengah galat dari penduga langsung dengan penduga
Bayes empirik.
7. Membandingkan kuadrat tengah galat dari penduga Bayes empirik antara
HASIL DAN PEMBAHASAN
Data Pengeluaran Per Kapita
Berdasarkan data dari Dinas Kependudukan dan Catatan Sipil Kota Bekasi
bahwa jumlah rumah tangga sebanyak 428,980 dengan jumlah anggota rumah
tangga sebanyak 1,726,435 jiwa. Rumah tangga tersebut menyebar pada 12
[image:30.595.95.518.222.746.2]kecamatan dengan 56 kelurahan kota Bekasi, seperti disajikan pada Gambar 1.
Berdasarkan Tabel 1, secara umum rata-rata pengeluaran rumah tangga
untuk semua kelurahan di kota Bekasi sebesar Rp. 348,802,00 per kapita per
bulan dengan per kapita, pengeluaran minimum sebesar Rp. 66,210,00 per kapita
per bulan, dan maksimum sebesar Rp. 2,532,036,00 per kapita per bulan serta
[image:31.595.113.511.228.456.2]simpangan baku dari pengeluaran sebesar Rp. 298,510,00.
Tabel 1 Ukuran Parameter Pengeluaran Kecamatan dan kota Bekasi
No Kecamatan Minimum Mean Maksimum STANDAR DEV.
1 PONDOK GEDE 86,575 336,218 930,552 179049.906
2 JATISAMPURNA 66,210 329,884 1,827,848 336001.829
3 JATIASIH 97,567 434,554 1,877,096 282076.017
4 BANTARGEBANG 92,482 194,593 463,886 71640.444
5 BEKASI TIMUR 153,516 334,404 848,096 145350.578
6 RAWALUMBU 78,085 293,463 633,066 113542.762
7 BEKASI SELATAN 157,960 805,364 2,532,036 613412.568
8 BEKASI BARAT 92,014 237,126 1,037,219 135089.958
9 MEDAN SATRIA 112,386 305,860 578,465 123996.136
10 BEKASI UTARA 92,793 281,021 1,402,146 163648.287
11 PONDOK MELATI 91,895 320,736 949,131 196386.047
12 MUSTIKA JAYA 103,933 322,194 1,115,754 231953.225
KOTA BEKASI 66,210 348,802 2,532,036 298,510
Data berdasarkan Susenas BPS kota Bekasi
Pengeluaran per kapita terbesar terdapat di kecamatan Bekasi Selatan
sebesar Rp. 805,364,00 dan rataan pengeluaran terkecil terdapat di kecamatan
Bantar Gebang sebesar Rp. 194,593,00.
Bila pengeluaran rumah tangga per kapita per bulan di kota Bekasi
dikaitkan dengan garis kemiskinannya sebesar Rp. 163.385,00, maka akan
diperoleh sejumlah rumah tangga miskin yang tersaji dalam Tabel 2. Secara
umum, kecamatan yang mempunyai contoh rumah tangga miskin terbanyak pada
kecamatan Bekasi Barat (37 rumah tangga) dan rumah tangga miskin paling
Tabel 2 Daftar Jumlah Rumah Tangga, Anggota Rumah Tangga, Contoh dan Rumah Tangga Miskin kota Bekasi
No Nama Jumlah
Kec. Kecamatan Rumah
Tangga
Anggota Rumah
Tangga Contoh
Rumah Tangga Miskin
PONDOK GEDE , ,
JATI SAMPURNA 13,628 56,180
PONDOK MELATI , ,
JATI ASIH
G
, ,
BANTAR GEBAN , ,
,
MUSTIKA JAYA
,
BEKASI TIMUR , 232,495 1
RAWA LUMBU N
, ,
BEKASI SELATA , ,
BEKASI BARAT , , 37
MEDAN SATRIA , , 61
BEKASI UTARA 62,222 , 143
JUMLAH , , , ,
Data berdasarkan Dinas Kependudukan dan Catatan Sipil, Susenas, dan Podes BPS kota Bekasi
Dugaan Proporsi Rumah Tangga Miskin
Pada penelitian ini, terdapat tiga penduga proporsi yang digunakan dalam
menduga proporsi rumah tangga miskin yakni dengan penduga langsung, penduga
sintetik, dan penduga EB dari model Beta-Binomial. Penduga langsung
merupakan penduga yang diperoleh dari banyaknya rumah tangga miskin per
jumlah contoh yang diperoleh dari survei. Penduga sintetik merupakan rata-rata
terboboti dari setiap penduga langsung masing-masing kelurahan, sedangkan
penduga EB merupakan penduga yang dihitung berdasarkan penduga langsung
dan penduga sintetik dengan pembobot yang diperoleh dari metode Beta-Binomial.
Dugaan proporsi pada setiap kelurahan untuk masing-masing metode disajikan
pada lampiran 6.
Berdasarkan hasil penduga proporsi rumah tangga miskin masing-masing
kelurahan di kota Bekasi diperoleh 18 kelurahan yang memiliki rumah tangga
Tabel 3 Kelurahan dengan proporsi rumah tangga miskin lebih dari 10 % di kota Bekasi
No Nama Penduga-
Kel. Kelurahan Langsung Sintetik EB
1 JATIMAKMUR 0.1875 0.10988 0.17490
2 JATIBENING 0.1875 0.10988 0.17490
3 JATIRANGGA 0.1875 0.10988 0.17490
4 JATIMURNI 0.25 0.10988 0.22725
5 JATILUHUR 0.5 0.10988 0.43665
6 CIKETINGUDIK 0.5625 0.10988 0.48900
7 CIKIWUL 0.4375 0.10988 0.38430
8 BANTARGEBANG 0.1875 0.10988 0.17490
9 CIMUNING 0.25 0.10988 0.22725
10 MUSTIKAJAYA 0.4375 0.10988 0.38430
11 BOJONG MENTENG 0.125 0.10988 0.12254
12 SEPANJANG JAYA 0.25 0.10988 0.22725
13 BINTARA JAYA 0.5625 0.10988 0.48900
14 KRANJI 0.21875 0.10988 0.20913
15 KOTA BARU 0.2 0.10988 0.18456
16 JAKA SAMPURNA 0.5625 0.10988 0.52250
17 MEDAN SATRIA 0.125 0.10988 0.12254
18 PERWIRA 0.4375 0.10988 0.38430
Dugaan MSE Proporsi Rumah Tangga Miskin
Dari Gambar 3, terlihat bahwa dengan MSE penduga EB jauh lebih kecil
dibandingkan dengan MSE Penduga langsung. Hal ini menunjukkan bahwa
penduga proporsi area kecil menggunakan model Beta-Binomial lebih akurat jika
Sementara itu, dari 3 metode penduga MSE untuk model area kecil, baik
metode Naive yang berdasarkan pada posterior maupun Jackknife dan Bootstrap
menghasilkan dugaan MSE yang relatif kecil dan relatif sama. Hal ini ditunjukkan
[image:36.595.98.532.182.600.2]pada Gambar 4, di mana terlihat ketiga plot MSE tersebut relatif berhimpit.
SIMPULAN DAN SARAN
Simpulan
1. Penduga tidak langsung proporsi rumah tangga miskin pada area kecil
menggunakan metode Bayes empirik menghasilkan dugaan yang lebih baik
dibandingkan dengan penduga langsung. Hal ini ditunjukkan oleh dugaan
MSE penduga Bayes empirik yang jauh lebih kecil dibanding penduga
langsung.
2. Ketiga metode pendugaan MSE untuk dugaan proporsi rumah tangga miskin
menghasilkan nilai yang relatif kecil dan relatif sama.
3. Dugaan total rumah tangga miskin di kota Bekasi yang diperoleh melalui
metode pendugaan area kecil sebanyak 11.08 % atau 47.521 rumah tangga.
Saran
Penelitian ini menggunakan model Beta-Binomial tanpa peubah penyerta.
Untuk lebih meningkatkan keakuratan pendugaan disarankan memasukkan
DAFTAR PUSTAKA
Agresti, A. (2002). Categorical Data Analysis, New Jersey : John Wiley and Sons.
Agresti, A. Dan Hitchock, DB. (..) Bayesian inference for categorical data analysis : a survey. [terhubung berkala]
http://www.stat.ufl.edu/~aa/cda/bayes.pdf [25 Nopember 2006].
[BKCSKB] Badan Koordinasi Catatan Sipil dan Keluarga Berencana, ”Data Keluarga Pra S dan KS I Alasan Ekonomi” (2007), Kota Bekasi
[BPS] Badan Pusat Statistik (2003), SUSENAS (Survei Sosial Ekonomi Nasional) 2003, Pedoman Pencacah Kor, Jakarta Indonesia
[BPS] Badan Pusat Statistik (2005), PODES SE2006 Pedoman Pencacah, Jakarta Indonesia
[BPS] Badan Pusat Statistik (2006), ”Tingkat Kemiskinan di Indonesia Tahun 2005-5006”, Berita Resmi Statistik, No 47/X/1 September 2006, Jakarta Indonesia
Carlin, BP. dan Louis, TA. (2000). Bayes and empirical Bayes methods for data analysis. New York : Chapman & Hall.
Datta, GS. dan Lahiri, P. (2000), ”A unified measure of uncertainty of estimated best linear unbiased predictors in small area estimation problems”,
Statistica Sinica, 10, 613-627.
Farrel PJ. (1997). Empirical Bayes Estimation of small area proportions based on ordinal outcome variables. Survey Methodology 23, 119-126.
Gill, J. (2002). Bayesian methods : a social and behavioral sciences approach. Boca Raton : Chapman & Hall.
Gosh, M. dan Rao, JNK., (1994), Small Area Estimation : An Appraisal, Statistical Sciences Vol. 9 No. 1, 56 – 93.
Kismiantini (2007). Pendugaan Statistik Area Kecil Berbasis Model
Kurnia, A. dan Notodiputro, KA., (2005a) General Linear Mixed Model pada
Small Area Estimation, Makalah disampaikan pada Seminar Nasional
Matematika, UI Depok 30 Juli 2005.
Kurnia, A. dan Notodipuro, KA., (2005b) Aplikasi Metode Bayes pada Small
Area Estimation, Makalah disampaikan pada Seminar Nasional Statistika
VII, ITS Surabaya, 26 November 2005.
Rahman, LOA., (2008), Aplikasi Bootstrap Parameter pada Pendugaan Selang Prediksi Statistik Area Kecil, Sekolah Pascasarjana Institut Pertanian Bogor.
Levy, PS. dan Lemeshow, S., (1999), Sampling of Population, Methods and Applications, New York : John Wiley and Sons, Inc., Thrid Editions.
Longford, NT., (2005), Missing Data and Small-Area Estimation, Modern Analytical Equipment for the Survey Statistician, Springer Science+Business Media, Inc.
MacGibbon, B. dan Tomberlin, TJ. (1989). Small area estimates of proportions via empirical Bayes techniques. Survey Methodology 15, 237-252.
Prasad, NGN dan Rao, JNK., (1990), “The Estimation of Mean Squared Errors of Small Area Estimation”, Journal of American Statistical Association 85, 163-171.
Rao, JNK., (1999), Some Recent Advances in Model-Based Small Area Estimation, Survey Methodology Vol 25, 175 – 186, Statistician Canada.
Rao, JNK., (2003), Small Area Estimation, New York : John Wiley and Sons.
Saei, A. dan Chambers, R., (2003), Small Area Estimation Under Linear and Generalized Linear Models With Time and Area Effects, S3RI Methodology Working Paper, Southampton Statistical Sciences Research Institute, University of Southampton.
SAS (1993), SAS /IML Software : Usage and Reference, Version 6, First Edition, SAS Institute Inc., Cary , NC, USA.
Scheaffer, RL., Mendenhall, W., dan Ott, L., (1990), Elementary Survey Sampling, Boston, PWS-KENT Publishing Company, edition 4th.
Cochran, WG., (1991), Teknik Penarikan Sampel, Penerbit Universitas Indonesia, UI Press, Edisi Ketiga.
Lampiran 1 : Sifat-sifat Sebaran Beta-Binomial
( )
y f1.1. Fungsi Peluang
Menurut Cassela dan Berger (1990) suatu fungsi dari peubah Y,
misalkan disebut sebagai fungsi kepekatan peluang atau fungsi massa
peluang apabila memenuhi beberapa syarat berikut :
a. f
( )
y > 0, y ∈Rb. ∑
( )
= , jika y diskrit atauR y
f 1 ∫
( )
=R
y
f 1, jika y kontinu.
c.
(
∈)
=∑( )
A y f A Y
P , jika y diskrit atau
(
∈)
= ∫( )
A dy y f A YP jika y kontinu
Model beta-binomial adalah model untuk data cacahan, model
mengalami overdispersi. Model ini merupakan suatu model yang berawal dari
model Bernoulli dengan model peluang untuk data cacahan yang dinyatakan
dengan yij j=1,...,ni ; i=1,2,...,m.
Tahap pertama :
) ( ~ i iid i ij Bernoulli
y θ θ atau ~ ( i, i) iid
i
i Binomial n
y θ θ
Peubah acak yang diamati adalah i
(
i in)
Ti
y y
y = 1,..., menjadi total contoh
, merupakan statistik cukup minimal untuk model tahap pertama.
Diketahui bahwa distribusi sampling ∑
= j ij
i y
y yi
) , (
~ i
iid
i Binomial n θ
θ i
i
y yang mempunyai fungsi kepadatan sebagai berikut :
(
)
i(
)
ni yii y i i i i i y n y
f ⎟⎟ − −
⎠ ⎞ ⎜⎜ ⎝ ⎛ = θ θ
θ 1 (1)
Tahap kedua :
0 0 ) , (
~ α β α > β >
θ Beta
iid
i
dengan Beta(α,β) menyatakan distribusi beta dengan parameter α dan β serta
fungsi kepadatan (distribusi prior) untuk θi adalah
(
,)
( ) ( )
(
)
1(
1−)
1 >0 >0 Γ Γ + Γ = θ − θ − α β β α β α β α θ α β i i iLanjutan
dan Γ
()
. adalah fungsi gamma.Dari persamaan (1) dan (2) diperoleh fungsi kepadatan posterior berikut :
(
)
(
( )
)
(
( )
)
( )
(
)
(
) (
)
1(
1)
1, − + − − + − − + Γ + Γ + + Γ = = = β α θ θ β α β α θ π θ θ θ π i i
i n y
i y i i i i i i i i i i i i i i y n y n y m y f y m y f y (3)
dengan fungsi kepadatan marginal
( )
(
)
( )
(
) (
)
(
)
( ) ( )
(
α β)
β α β α β α θ θ π θ Γ Γ + Γ + + Γ + + Γ + Γ ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ = ∫ = i i i i i i i i i i i n y n y y n d y f y m (4)serta fungsi peluang dari persamaan di atas dapat dinyatakan dengan bentuk
sebagai berikut :
(
)
(
(
)
)
(
)(
) ( )
[
]
[
(
)(
]
(
)(
) (
)
[
]
) ( )
(
)
(
)
(
)
∏ + + ∏ + ∏ + ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ = + − + + − + + − − + − − + − + − + ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ = − + + ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ = − = − − = − = 1 0 1 0 1 0 ... 2 1 ... 2 1 ... 2 1 , , B , , i i i i n h y n h y h i i i i i i i i i i i i i i i i i i i h h h y n n n y n y n y y y n B y n y y n n y f β α β α β α β α β α β β β α α α β α β α β α (5) Menurut Williams (1975) pendugaan parameter untuk α dan β adalah
( )
β α α μ + = = ij yE dan
β α λ
+
Lanjutan
dan berdasarkan parameter yang dikemukakan oleh Grifftih (1973), maka
persamaan (5) dapat ditulis fungsi sebagai berikut :
(
)
(
)
(
(
)
)
∏ + ∏ − + ∏ + ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ = − = − − = − = 1 0 1 0 1 0 1 1 , , i i i i n h y n h y h i i i i h h h y n n y f λ λ μ λ μ βα (7)
1.2. Rataan dan Ragam Sebaran Beta-Binomial
Salah satu generalisasi percobaan Bernoulli adalah untuk menentukan
peluang ’sukses’ yang bervariasi dari percobaan ke percobaan. Model standar
untuk model ini seperti pada tahap pertama, peubah acak yang diamati
menjadi total contoh
(
Tin i
i y y i
y = 1,...,
)
yi =∑j yij . Rataan yang dibentukadalah :
( )
⎥= ∑( )
= ∑[
(
)
]
= ∑(
)
⎦ ⎤ ⎢ ⎣ ⎡ ∑ = = = = = i i i i n j i n i nj ij ij
n
j ij n
j ij
i E y E y EE y E y
y E 1 1 1 1 , , ,β θ α β α
θ (8)
Selanjutnya akan diselesaikan E
(
θin yi,α,β)
yaituLanjutan atau
(
)
(
)
(
)
(
(
α)
β)
α α β α β α θ + + + Γ + + Γ + Γ + + Γ = i i i i i n i n n y n y n yE , , (9)
Perhitungan untuk memperoleh nilai E
(
θi yi,α,β)
dengan menentukan untuk n = 1, maka diperoleh
(
)
(
(
)
)
(
(
)
)
(
)
(
)
(
(
) (
) (
)
)
(
)
(
α β)
α β α β α α α α β α β α α α β α β α θ + + + = + + Γ + + + Γ + + Γ + + Γ = + + + Γ + + Γ + Γ + + Γ = i i i i i i i i i i i i i i n y n n y y y n n y y n y E 1 1 , , (10)dan untuk V
(
θi yi,α,β)
dengan munggunakan rumusV
(
θi yi,α,β)
=E(
θi2 yi,α,β)
−[
E(
θi yi,α,β)
]
2 (11)\
Untuk n = 2, diperoleh
(
)
(
(
)
)
(
(
)
)
(
)
(
)
(
(
)(
)(
) (
) (
)
)
(
)(
)
(
α β)(
α β)
α α β α β α β α α α α α β α β α α α β α β α θ + + + + + + + + = + + Γ + + + + + + Γ + + + + Γ + + Γ = + + + Γ + + Γ + Γ + + Γ = i i i i i i i i i i i i i i i i i i n n y y n n n y y y y n n y y n y E 1 1 1 1 2 2 , , 2 (12)Lanjutan
(
)
( )
[
( )
]
(
)(
)
(
)(
)
(
(
)
)
(
)(
)
(
)(
)
(
(
)
)
(
)(
)(
) (
) (
(
) (
)
)
(
) (
[
)(
) (
)(
]
(
) (
)
)
(
)(
)
(
α β) (
α β)
β α β α β α β α α α β α α β α β α β α α α α β α β α α β α β α α α β α α β α β α α α θ θ β α θ + + + + + + − + = + + + + + + + + + − + + + + + = + + + + + + + + + − + + + + + = + + + − + + + + + + + + = ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ + + + − + + + + + + + + = − = i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i n n y n y n n n y y n y n n n y y y n n y n n y y n y n n y y E E y V 1 1 1 1 1 1 1 1 1 1 1 , , 2 2 2 2 2 2 2 2 2 (13)secara ringkas diperoleh rumus penduga bayes dan ragam posterior bagi θi adalah
( )
(
)
(
(
)
)
β α α β α θ β α θ ˆ ˆ ˆ ˆ , ˆ , ˆ ˆ , ˆ ˆ + + + = = i i i i B i n y yE (14)
dan
(
)
(
)
(
)
(
α β) (
α β)
β α β α θ ˆ ˆ 1 ˆ ˆ ˆ ˆ ˆ , ˆ , ˆ 2 + + + + + + − + = i i i i i i i n n y n y yV (15)
1.3. Penurunan Penduga Empirical Bayes
Penduga empirical bayes dapat diperoleh dari rumus (15) dan hasil rumus
pada penduga momen Kleinman (1973), akan tetapi dalam proses penurunannya
menggunakan penduga empirisnya.
Dari (15), i i i n y =
θˆ , dan
β α α θ ˆ ˆ ˆ ˆ +
= dapat diturunkan rumus penduga
anjutan L
( )
(
γ)
θ θ γ β α α β α β α β α α β α β α β α β α β α α β α β α β α β α α β α β α β α β α β α β α α β α β α α β α β α α β α θ θ ˆ ˆ 1 ˆ ˆ ˆ ˆ ˆ ˆ ˆ 1 ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ , ˆ ˆ ˆ i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i B i EB i n n n y n n n n n n n y n n n n n n y n n n n y n n n n n n y n n y n y − + = + ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ + + − + + + = + ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ + + − + + + + + + + = + + + − + + + + + = + + + + + + + = + + + + + + + = + + + + + = + + + = = (16) dengan γˆ = β αˆ+ ˆ + i i i n nehingga diperoleh penduga empirical bayes
s θi adalah
( )
α β γ θ(
γ)
θ θθˆ ˆ ˆ, ˆ ˆ ˆ 1 ˆ ˆ
i i i B i EB
Lampiran 2 : Program perhitungan αˆ dan βˆ dengan metode momen
proc iml;
options ps=50;
/* pembacaan data dari file podesbks */
load _all_; use podesbks; read all;
NM=(NO); ni=(ni); y=(yi);
print 'DATA AWAL CONTOH DAN KELUARGA PRASEJAHTERA'; print nm ni y ;
/* pendugaan metode momen Kleinman 1973 */
nT=ni[+,]; pi=y/ni; w=ni/nT; m=nrow(ni);
/* mean contoh berbobot */
pib=w#pi; p_hat=p[+,];
/* ragam contoh berbobot */
sp2=w#(pi-p_hat)##2;.
sum_sp2=sp2[+,];
print 'PERHITUNGAN PI, PI BERBOBOT DAN SP2'; print nm pi pib sp2 ;
print 'MEAN DAN RAGAM CONTOH BERBOBOT'; print p_hat sum_sp2 ;
/* perhitungan momen Kleinman */
ni2=(ni##2)/nT; sum_ni2nT=ni2[+,];
Lanjutan
/* nilai alpha dan beta */
alpha=p_hat*(1-k1)/k1; beta=alpha*(1/p_hat-1);
print 'NILAI ALPHA BETA'; print alpha beta;
Lampiran 3 : Hasil perhitungan αˆ dan βˆ dengan metode Kleinman
NILAI
αˆ βˆ
ALPHA_HAT BETA_HAT
0.340845 2.7611312
Lampiran 4 : Program perhitungan penduga Bayes, penduga empirical Bayes dan ragam posterior dengan metode Momen
proc iml;
options ps=50;
/* pembacaan data dari file podesbks */
load _all_; use podesbks; read all; NM=(NO); ni=(ni); y=(yi);
/* perhitungan pendugaan metode momen Kleinman 1973 */ nT=ni[+,];
pi=y/ni; w=ni/nT; m=nrow(ni);
/* mean contoh berbobot */ p=w#pi;
p_hat=p[+,];
/* ragam contoh berbobot */ sp2=w#(pi-p_hat)##2;
sum_sp2=sp2[+,]; z=(pi-p_hat)##2; ni2=(ni##2)/nT; sum_ni2nT=ni2[+,];
/* pendugaan momen Kleinman */
k11=(nT#sum_sp2)-p_hat*(1-p_hat)*(m-1); k12=p_hat*(1-p_hat)*(nT-sum_ni2nT-(m-1)); k1=k11/k12;
alpha=p_hat*(1-k1)/k1; beta=alpha*(1/p_hat-1);
/* penduga bayes dan ragam posterior bagi pi */ k21=(y+alpha)#(ni-y+beta);
k22=(ni+alpha+beta+1)#(ni+alpha+beta)##2; pi_hat_EB1=(y+alpha)/(ni+alpha+beta); var_pi_hat_EB=k21/k22;
Lanjutan
gamma=ni/(ni+alpha+beta);
pi_hat_EB2=gamma#pi+(1-gamma)#p_hat;
/* hasil penduga bayes, penduga empirical bayes dan ragam posterior */
Lampiran 5 : Programan SAS untuk perhitungan penduga jackknife
proc iml;
options ps=50;
/* PROGRAM CREATE BY SLAMET ABADI */
/* PENDUGAAN DENGAN METODE MOMENT KLEINMAN 1973 */
load _all_; use data3; read all;
nm=(nr); ni=(ni); y=(yi);
nT=ni[+,]; pi=y/ni; w=ni/nT; m=nrow(ni); p=w#pi;
p_hat=p[+,];
sp2=w#(pi-p_hat)##2; sum_sp2=sp2[+,];
ni2=(ni##2)/nT; sum_ni2nT=ni2[+,];
k11=(nT#sum_sp2)-p_hat*(1-p_hat)*(m-1); k12=p_hat*(1-p_hat)*(nT-sum_ni2nT-(m-1)); k1=k11/k12;
alpha=p_hat*(1-k1)/k1; beta=alpha*(1/p_hat-1);
/*
print alpha ; print beta; */
/* PERHITUNGAN PENDUGA PROPORSI DAN RAGAM EMPERICAL BAYES */
gamma=ni/(ni+alpha+beta);
Lanjutan
k21=(y+alpha)#(ni-y+beta);
k22=(ni+alpha+beta+1)#(ni+alpha+beta)##2; var_pi_hat_EB=k21/k22;
/*
print pi_hat_EB; print var_pi_hat_EB ; */
/* PERHITUNGAN ITERASI ALPHA DAN BETA */
do r = 1 to m;
if r=1 then sub_r=(2:m)`;
if (1<r&r<m) then sub_r=((1:(r-1))||((r+1):m))`; if r=m then sub_r=(1:(m-1))`;
/*
pi_hat_EB_k =pi_hat_EB[sub_r];
var_pi_hat_EB_k =var_pi_hat_EB[sub_r];
*/
ni_l=ni[sub_r]; y_l=y[sub_r]; nT_l=ni_l[+,]; pi_l=y_l/ni_l; w=ni_l/nT_l; m1=nrow(ni_l); p_l=w#pi_l;
p_hat_l=p_l[+,];
sp2_l=w#(pi_l-p_hat_l)##2;
sum_sp2_l=sp2_l[+,];
ni2_l=(ni_l##2)/nT_l;
sum_ni2nT_l=ni2_l[+,];
k11=(nT_l#sum_sp2_l)-p_hat_l*(1-p_hat_l)*(m1-1);
k12=p_hat_l*(1-p_hat_l)*(nT_l-sum_ni2nT_l-(m1-1));
k1=k11/k12;
alpha_l=p_hat_l*(1-k1)/k1;
beta_l=alpha_l*(1/p_hat_l-1);
alpha_iter=(alpha_iter//alpha_l) ;
Lanjutan
end;
/*
print pi_hat_EB_k ; print alpha_iter ; print beta_iter ; */
/* PERHITUNGAN ITERASI M1i dan M2i */
do r = 1 to m;
if r=1 then sub_r=(1)`;
if (1<r&r<m) then sub_r=(r)`; if r=m then sub_r=(m)`;
ysub=y[sub_r]; nsub=ni[sub_r];
ksub=var_pi_hat_EB[sub_r];
yl=repeat(ysub,m,1);
nl=repeat(nsub,m,1);
kl=repeat(ksub,m,1);
/* PERHITUNGAN M1i */
k21=(yl+alpha_iter)#(nl-yl+beta_iter);
k22=(nl+alpha_iter+beta_iter+1)#(nl+alpha_iter+beta_i
ter)##2;
g1il=k21/k22; diff=g1il-kl;
sum_diff=diff[+,];
sum_diff_iter=(sum_diff_iter//sum_diff) ;
ksub=var_pi_hat_EB[sub_r];
kl=repeat(ksub,m,1);
kl_iter=(kl_iter||kl);
ssub=pi_hat_EB[sub_r];
sl=repeat(ssub,m,1);
sl_iter=(sl_iter||sl);
end;
Lanjutan
/*
print m1i ; */
/* PERHITUNGAN M2i */
do s = 1 to m;
alpha2_l=alpha_iter[s,]; beta2_l=beta_iter[s,];
ralpha=repeat(alpha2_l,56,1);
rbeta=repeat(beta2_l,56,1);
k31=y+ralpha;
k32=ni+ralpha+rbeta; pi_EB_l=k31/k32;
gabung=(gabung||pi_EB_l) ;
x=gabung`;
end;
xl=(gabung`-sl_iter)##2; sumx=xl[+,];
sumx_trans= sumx`;
m2i =(m-1)/m#sumx_trans ; mse_J =m1i+m2i;
/*
print m1i ; print m2i ; */
print mse_J ;
No Nama Penduga No Nama Penduga
Kel. Kelurahan Langsung Sintetik EB Kel. Kelurahan Langsung Sintetik EB 1 JATIMAKMUR 0.1875 0.10988 0.17490 29 MARGAHAYU 0 0.10988 0.01784 2 JATIWARINGIN 0 0.10988 0.00971 30 BEKASI JAYA 0 0.10988 0.00971
3 JATIBENING 0.1875 0.10988 0.17490 31 DUREN JAYA 0 0.10988 0.01784 4 JATICEMPAKA 0 0.10988 0.01784 32 AREN JAYA 0.03125 0.10988 0.03820
5 JATIBARU 0 0.10988 0.01784 33 BOJONG MENTENG 0.125 0.10988 0.12254 6 JATIKARYA 0 0.10988 0.01784 34 BOJONG RAWALUMBU 0 0.10988 0.00971 7 JATISAMPURNA 0 0.10988 0.01784 35 SEPANJANG JAYA 0.25 0.10988 0.22725
8 JATIRANGGA 0.1875 0.10988 0.17490 36 PENGASINAN 0 0.10988 0.01784 9 JATIRANGGON 0 0.10988 0.01784 37 JAKA MULYA 0.0625 0.10988 0.07019
10 JATIRADEN 0 0.10988 0.01784 38 JAKA SETIA 0 0.10988 0.01784
Lanjutan
20 JATIKRAMAT 0.0625 0.10988 0.07019 48 KALI BARU 0 0.10988 0.01993
21 CIKETINGUDIK 0.5625 0.10988 0.48900 49 MEDAN SATRIA 0.125 0.10988 0.12254 22 SUMUR BATU 0 0.10988 0.01784 50 PEJUANG 0.06667 0.10988 0.07407
Lampiran 7 : Hasil perhitungan ragam dengan metode langsung, Bayes emperik, Jackknife dan Bootstrap
No Nama Penduga Penduga Tak Langsung No Nama Penduga Penduga Tak Langsung Kel. Kelurahan Langsung Naïve Jackknife
.
Bootstrap .
Kel. Kelurahan Langsung Naïve Jackknife
.
Bootstrap
.
1 JATIMAKMUR 0.1523 0.0072 29 MARGAHAYU 0 0.0009
2 JATIWARINGIN 0 0.0003 . . 30 BEKASI JAYA 0 0.0003 . .
3 JATIBENING 0.1523 0.0072 . . 31 DUREN JAYA 0 0.0009 . .
4 JATICEMPAKA 0 0.0009 . . 32 AREN JAYA 0.0303 0.0010 . .
5 JATIBARU 0 0.0009 . . 33 B. MENTENG 0.1094 0.0053 . . <