Bismillah, dengan mengagungkan asma Alloh, situs statistikaterapan.com merupakan upgrade blog statistikaterapan.wordpress.com. Dengan hadirnya, statistikaterapan.com diharapkan menjadi pemicu bagi penulis untuk lebih banyak lagi beramal jariyah berupa ilmu yang bermanfaat khususnya terkait ilmu statistika terapan.

Salam,

Suryana.

Membaca harian Cahaya Papua, Rabu 25 Maret 2015 halaman 7 mengundang Penulis untuk memberikan pencerahan. Informasi yang disajikan perlu diluruskan agar metode penghitungan penduduk miskin yang digunakan oleh BPS difahami semua pihak. Tulisan ini sebagai klarifikasi atas kemunculan judul berita “Pemberian Subsidi Justru Meningkatkan Garis Kemiskinan”.

BPS menggunakan basic need approach dalam menghitung penduduk miskin secara makro. Kemiskinan dipandang sebagai ketidakmampuan dari sisi ekonomi untuk memenuhi kebutuhan dasar makanan dan bukan makanan (diukur dari sisi pengeluaran). Sebagai pendekatan digunakan Garis Kemiskinan sebagai batas antara penduduk yang miskin dan tidak miskin. Penduduk miskin didefinisikan sebagai penduduk yang pengeluaran per kapita per bulan di bawah Garis Kemiskinan.

Sebelum menghitung GK, ditetapkan terlebih dahulu penduduk referensi. Penduduk referensi merupakan kelompok penduduk yang tidak miskin tetapi tidak pula hidup berlebih. Penduduk referensi adalah kelompok penduduk yang memiliki pengeluaran per kapita per bulan sedikit lebih tinggi dari Garis Kemiskinan Sementara yaitu GK tahun sebelumnya yang meningkat akibat kenaikan harga (diukur dengan perubahan indeks harga konsumen). Dari penduduk referensi ini kemudian dihitung GKM dan GKNM. GKM dan GKNM membentuk GK.

GKM adalah jumlah nilai pengeluaran dari 52 komoditi dasar makanan yang riil dikonsumsi penduduk referensi yang kemudian disetarakan dengan 2100 kilokalori perkapita perhari. Ke-52 komoditi tersebut adalah Beras, Beras Ketan, Jagung Pipilan, Tepung Terigu, Ketela Pohon, Ketela Rambat, Gaplek, Tongkol/Tuna, Kembung, Teri, Bandeng, Mujair, Daging Sapi, Daging Babi, Daging Ayam Ras, Daging Ayam Kampung, Tetelan, Telur Ayam Ras, Telur Itik/Manila, Susu Kental Manis, Susu Bubuk, Bayam, Buncis, Kacang Panjang, Tomat Sayur, Daun Ketela Pohon, Nangka Muda, Bawang Merah, Cabe Merah, Cabe Rawit, Kacang Tanah, Tahu, Tempe, Mangga, Salak, Pisang Ambon, Pepaya, Minyak Kelapa, Kelapa, Gula Pasir, Gula Merah, Teh, Kopi, Garam, Kemiri, Terasi/Petis, Kerupuk, Mie Instant, Roti Manis, Kue Kering, Kue Basah, Rokok Kretek Filter. Penyetaraan nilai pengeluaran kebutuhan minimum makanan dilakukan dengan menghitung harga rata-rata kalori dari ke-52 komoditi tersebut.

GKNM adalah merupakan penjumlahan nilai kebutuhan minimum dari komoditi-komoditi non-makanan terpilih yang meliputi perumahan, sandang, pendidikan, dan kesehatan. Secara spesifik, komoditi non makanan yang dijadikan rujukan adalah Perumahan, Listrik, Air, Minyak Tanah, Kayu Bakar, Obat Nyamuk, Baterai, Barang Kecantikan, Perawatan Kulit/Muka, Kesehatan, Pemeliharaan Kesehatan, Pendidikan, Bensin, Pos Dan Benda Pos, Pengangkutan, Foto, Pakaian Jadi Laki-Laki Dewasa, Pakaian Jadi Perempuan Dewasa, Keperluan Menjahit, Alas Kaki, Tutup Kepala, Sabun Cuci, Bahan Pemeliharaan Pakaian, Handuk/Ikat Pinggang, Perabot Rumah Tangga, Perkakas Rumahtangga, Alat Dapur/Makan, Arloji/Jam Dinding, Tas, Mainan Anak, PBB, Pungutan Lain, Perayaan Hari Agama, Upacara Agama.

Berdasarkan uraian di atas maka setidaknya ada tiga hal yang mempengaruhi Garis Kemiskinan di suatu wilayah. Ketiga hal tersebut adalah:
1. Garis Kemiskinan periode sebelumnya;
2. Perubahan harga, diukur dari kenaikan indeks harga konsumen atau inflasi;
3. Kondisi sosial ekonomi dari penduduk referensi.

Pengumpulan data yang digunakan untuk penghitungan kemiskinan makro melalui Survei Sosial Ekonomi Nasional atau SUSENAS menggunakan kuesioner konsumsi. Survei ini diselenggarakan setiap tahun di semua kabupaten/kota. Semua pengeluaran baik yang bersumber dari pembelian, pemberian maupun produksi sendiri dicatat sebagai konsumsi rumah tangga.

Pengentasan kemiskinan diupayakan melalui mengurangi beban pengeluaran di satu sisi dan meningkatkan pendapatan penduduk miskin di sisi lainnya. Pemberian subsidi ditujukan untuk mengurangi beban pengeluaran penduduk miskin khususnya untuk kebutuhan dasar seperti pendidikan dan kesehatan. Pemberian beras miskin atau raskin juga merupakan bagian dari skema ini. Semua pemberian subsidi oleh pemerintah yang dinikmati oleh rumah tangga akan tercatat sebagai konsumsi rumah tangga.

Lalu, benarkah pemberian subsidi akan menaikkan garis kemiskinan? Ya, jika pemberian subsidi oleh pemerintah tidak selektif dalam arti semua penduduk menikmati subsidi pemerintah itu termasuk mereka yang tergolong penduduk referensi. Mengapa? Karena, total pengeluaran rumah tangga pada kelompok penduduk referensi inilah yang akan menentukan besaran garis kemiskinan. Agar subsidi tidak berdampak pada peningkatan garis kemiskinan maka perlu diperhatikan distribusi atau penyalurannya. Idealnya, hanya penduduk miskinlah yang berhak memperoleh subsidi pemerintah dalam kaitannya dengan pengurangan beban pengeluaran rumah tangga miskin.

Gambar 1

Selanjutnya, apakah intervensi pengentasan kemiskinan oleh Pemerintah Kabupaten Teluk Bintuni percuma? TIDAK sama sekali. Sejak tahun 2012, persentase penduduk miskin di Kabupaten Teluk Bintuni di bawah target RPJMD Kabupaten Teluk Bintuni Tahun 2011 – 2015. Penurunan persentase penduduk miskin disertai dengan pengurangan kedalaman kemiskinan dari 16,36 menjadi 9,29 serta pengurangan keparahan kemiskinan dari 7,64 menjadi 3,12 selama periode tahun 2011 – 2013.

Pada akhirnya, buka soal tinggi rendahnya garis kemiskinan tetapi seberapa besar keberhasilan pemerintah daerah menurunkan tingkat kemiskinan. “Like slavery & apartheid, poverty is not natural. It is man-made, and it can be overcome and eradicated by the action of human being” demikian ujar Nelson Mandela (2003).

Penduduk miskin adalah kondisi seseorang atau sekelompok orang tidak mampu memenuhi kebutuhan dasar. BPS menggunakan garis kemiskinan (GK) untuk menetapkan penduduk miskin. GK mencerminkan minimum biaya yang dikeluarkan untuk memenuhi kebutuhan dasar berupa makanan yang setara dengan 2.100 kkal dan non makanan seperti pendidikan, kesehatan, perumahan dll. Penduduk miskin adalah penduduk dengan pengeluaran per kapita per bulan kurang dari GK.

Tulisan kali ini tidak akan mengulas bagaimana prosedur penghitungan penduduk miskin. Penulis akan menyajikan bagaimana memanfaatkan informasi kemiskinan dalam penghitungan kebutuhan anggaran pengentasan kemiskinan berdasarkan GK, persentase penduduk miskin dan indeks kedalaman kemiskinan.

Baca selengkapnya di link berikut:

https://statistikaterapan.files.wordpress.com/2015/03/menakar-kebutuhan-anggaran-pengentasan-kemiskinan-revisi.pdf

Semoga Bermanfaat.

Infografis-Kemiskinan v2

Saat menghadiri penyajian Publikasi Statistik Gender di Kabupaten Maybrat Tahun 2014, Saya berkesimpulan bahwa tidak mudah memahamkan pengguna data awam tentang indikator statistik. Sebagai contoh, indikator Dependency Ratio yang diterjemahkan sebagai rasio ketergantungan didefiniskan sebagai nisbah antara jumlah penduduk usia tidak produktif (penduduk dengan usia kurang dari 15 tahun atau lebih dari 64 tahun) terhadap penduduk usia produkti (penduduk dengan usia 15 – 64 tahun). Apa arti rasio ketergantungan sebesar 50? Apa pula arti rasio ketergantungan sebesar 75? Apa arti rasio ketergantungan sebesar 20?

Pengguna data awam akan menerjemahkan rasio ketergantungan sebagai ketergantungan hidup seseorang kepada orang lain. Sebagai contoh, seorang janda tua yang mampu menghidupi sendiri kebutuhannya tidak menggantungkan diri pada siapapun. Agaknya, dia memaknai rasio ketergantungan hanya dengan menguraikan kata ‘ketergantungan’ dari sudut pandangnya. Di sinilah letak fokus kita sebagai statistisi untuk bisa menguraikan lebih lanjut formulasi rasio ketergantungan yang sebenarnya.

Saya mengajak Anda, Pembaca yang budiman, untuk memperhatikan contoh-contoh berikut. Rumah tangga pertama adalah rumah tangga Saya. Saya tinggal bersama seorang istri (36 tahun), dua anak berusia 12 dan 6 tahun, serta mertua berusia 58 tahun. Di rumah tangga saya terdapat tiga orang produktif dan dua orang tidak produktif. Kalau kita bandingkan dua orang tidak produktif dengan tiga orang produktif di rumah tangga saya, maka diperoleh angka 0,6667 atau 66,67 persen. Angka 66,67 persen inilah yang disebut rasio ketergantungan.

Contoh lain, rumah tangga kedua yang hanya terdiri dari suami dan istri yang usianya antara 15 – 64 tahun akan memiliki rasio ketergantungan sebesar nol. Mengapa? Karena tidak ada penduduk tidak produktif di rumah tangga itu. Jika rumah tangga itu memiliki satu balita, rasio ketergantungannya menjadi 50 per sen. Satu balita ditanggung oleh dua orang produktif.

Saya mengajak Anda untuk membayangkan sebuah rumah tangga ketiga di mana ayah (50), ibu (45), dua anak pertamanya berusia 28 dan 30 tahun telah bekerja dan satu si bungsu 11 tahun masih sekolah di SD kelas 5. Rasio ketergantungan di rumah tangga ini adalah 1:4 atau 25 persen.

Dari ketiga kasus di atas, rumah tangga mana yang memiliki beban tanggungan terbesar? rumah tangga saya memiliki beban tanggungan penduduk tidak produktif lebih besar dibandingkan dua rumah tangga lain. Rumah tangga saya harus mengalokasikan anggaran pendidikan yang lebih besar dibandingkan rumah tangga yang kedua dan ketiga.

Dalam konteks kewilayahan, pengertian rasio ketergantungan di atas tidak berbeda. Jika wilayah A memiliki rasio ketergantungan sebesar 66,67 dan di wilayah B memiliki rasio ketergantungan sebesar 25 maka proporsi orang produktif di wilayah B lebih besar daripada di wilayah A. Oleh karena itu, wilayah B mempunyai kesempatan yang lebih besar untuk memacu pembangunan di wilayahnya daripada di wilayah A. Wilayah B mempunyai kesempatan untuk mengalokasikan anggaran pembangunan kepada hal-hal yang bersifat investasi ketimbang yang bersifat konsumtif.

Semoga dengan posting ini, Pembaca bisa lebih memahami makna rasio ketergantungan.

Seringkali kita disuguhkan sajian data dalam bentuk relatif dari hasil suatu survei. Sebagai contoh, perhatikan Gambar berikut:

Contoh Data

Sekilas tidak ada masalah dari sajian data di atas. Tetapi, sebagai pengguna data, kita membutuhkan informasi lebih detil dari data di atas. Pertama, pada tingkatan mana data ini disajikan? apakah sajian data untuk tingkat nasional, provinsi, kabuaten/kota dst? Kedua, berapa unit observasi yang berhasil dikumpulkan?

Data survei memiliki keterbatasan dalam penyajian hasil-hasilnya. Sebagai contoh, Survei Sosial Ekonomi Nasional (Susenas) hingga saat ini hanya bisa disajikan sampai tingkat kabupaten/kota.  Itupun tidak bisa disajikan menurut perkotaan dan perdesaan di tingkat kabupaten/kota. Contoh lain, Survei Demografi dan Kesehatan Indonesia (SDKI) hanya bisa disajikan sampai tingkat provinsi saja. Memaksakan penyajian data dari sisi tingkatan wilayah penyajian data akan menghantarkan kita pada kesimpulan yang keliru dari data yang disajikan.

Aspek kedua yang penting untuk diperhatikan adalah jumlah unit observasi yang berhasil dikumpulkan. Kendati dari aspek kewilayahan memenuhi syarat untuk disajikan tetapi jika jumlah minimum observasi yang terkumpul tidak terpenuhi akan memberikan kesimpulan yang tidak tepat.  Data pada Grafik di atas adalah bersumber dari Susenas di salah satu kabupaten/kota dengan jumlah obesrvasi (balita umur 0 – 4 tahun) yang berhasil dikumpulkan kurang dari 25 sampel.

Permasalahannya adalah, berapa jumlah minimum observasi yang harus terpenuhi untuk penyajian indikator? Untuk menjawab pertanyaan ini, penulis merefer pada prosedur penyajian data MICS (Multiple Indicators Cluster Survei) di mana ketentuan penyajian indikator adalah sebagai berikut: #, (#), *. Simbol # menyatakan indikator disajikan karena jumlah observasi terkumpul lebih dari 50 sampel. Simbol (#) menyatakan bahwa indikator dihitung dari jumlah observasi kurang dari 50 tetapi lebih dari 25. Nilai Indikator tidak akan disajikan atau diberi simbol * jika jumlah observasi kurang dari 25. Pada contoh data pada Grafik di atas, seharusnya tidak bisa disajikan karena jumlah observasi yang kurang dari 25.

Satu hal lagi, pada saat jumlah observasi lebih dari 50 sampel belum bisa langsung kita yakini keabsahan datanya. Masih ada ketentuan lain lagi yang patut dipertimbangkan yaitu relative standard error atau RSE. RSE merupakan perbandingan Standard Error dari suatu estimasi statistik dengan nilai statistiknya. Jika RSE bernilai antara 25 sd 50, pengguna data wajib berhati-hati menggunakan indikator yang disajikan. Jangan gunakan statistik jika RSE melebihi 50. Percaya dan yakinilah data Anda saat RSE kurang dari 25.

Dengan demikian, data yang bersumber dari suatu survei layak dipercaya jika:

1. Memenuhi syarat penyajian kewilayahan (nasional, provinsi, atau kabupaten dll);

2. Memenuhi jumlah minimal observasi yang terkumpul yaitu minimal 50

3. RSE dari data tersebut kurang dari 25.

 

 

Definisi SMAM adalah rata-rata lama masa lajang (single) yang dinyatakan dalam tahun dari mereka yang menikah sebelum usia 50 tahun. Silakan merujuk pada link berikut untuk detil pengertian SMAM (SINGULATE MEAN AGE AT MARRIAGE).

Biasanya, menghitung SMAM dilakukan dengan bantuan worksheet seperti link berikut (Worksheet SMAM). Tentunya, langkah-langkah pada worksheet tersebut sesungguhnya bisa diringkas dengan menggunakan sintaks SPSS. Silakan Unduh link berikut (11. SMAM Provinsi Total atau 12. SMAM Provinsi By Kabupaten dan Kota Desa ).

Untuk mengoperasikannya jalankan di SPSS, ubahlah folder di mana data individu yang memuat informasi umur dan status perkawianan Anda tempatkan. Sesuaikan nama variabel yang Anda gunakan dengan nama variabel yang ada pada sintaks SMAM tersebut. Semoga bisa membantu.

//

Bagi pemerhati data, penting untuk mengetahui kualitas hasil suatu survei. Kualitas hasil suatu survei dipengaruhi oleh dua jenis kesalahan yaitu: pertama, kesalahan non sampling atau non sampling error  dan kesalahan kedua karena terkait sampling (sampling error). Kesalahan non sampling ada karena kesalahan-kesalahan yang muncul pada pelaksanaan survei. Misalnya, kesalahan menyampaikan konsep dan definisi dari instruktur pelatihan ke petugas pencacah maupun pengawas, kesalahan pada saat mengajukan pertanyaan dari pewawancara kepada responden, salah pengertian antara responden dan pewawancara/pencacah, juga kesalahan waktu merekam data pada saat pengolahan.

Posting kali ini akan membahas lebih banyak kesalahan karena sampling. Sampling Error dapat dianalisis secara statistik. Suatu nilai estimasi  terhadap parameter suatu populasi atau kita sebut dengan statistik digenerate atau dibangun dari gugusan sampel yang dipilih menggunakan desain sampling tertentu. Setiap gugus sample yang terpilih menghasilkan angka yang berbeda-beda dengan gugus sample lainnya. SE adalah suatu ukuran keragaman dari semua gugus sampel yang mungkin terpilih. Meskipun nilai yang sebenarnya tidak diketahui, tetapi dapat diperkirakan dari hasil survei. Satu ukuran yang biasa digunakan untuk mengukur seberapa jauh nilai statistik berbeda dengan nilai parameternya karena hanya menggunakan satu gugus sample disebut standard error (SE). Apabila SE dirasiokan terhadap nilai statistiknya dan dinyatakan dalam persen, statistisi menyebut perhitungan tersebut dengan istilah Relative Standard Error (RSE).

Sejauh ini, baru dua ukuran statistik yang telah Penulis perkenalkan untuk mengukur kualitas hasil suatu survei. Ada satu ukuran lagi yang biasa digunakan untuk mengukur kualitas hasil survei yaitu menghitung efek rancangan (Design Effect atau disingkat DEFF). DEFF dihitung dengan membandingkan SE suatu rancangan tertentu dengan SE jika menggunakan simple random sampling. Jika DEFF bernilai satu bermakna bahwa disain survei yang digunakan sama efisiennya dengan menggunakan disain simple random sampling. Sebaliknya, jika DEFF lebih besar dari satu menunjukkan bahwa desain survei yang digunakan kurang efisian karena menghasilkan nilai SE yang lebih besar dibandingkan dengan jika menggunakan disain simple random sampling.

Seingat penulis, BPS telah menerbitkan statistik SE, RSE dan DEFF ini pada Survei Demografi dan Kesehatan Indonesia (SDKI). Ukuran ini juga mulai diperkenalkan di Survei Sosial Ekonomi Nasional (Susenas) sejak tahun 2008 tetapi hanya sebatas SE dan RSE. Demikian juga Survei Angkatan Kerja Nasional, telah mulai menghitung SE dan RSE ini sejak tahun 2012. Ukuran statistik tersebut menjadi prasyarat bagi keterbukaan informasi hasil survei yang dilakukan BPS kepada pengguna data. Pertanyaannya adalah bagaimana metode penghitungan SE, RSE dan DEFF yang digunakan itu? Apa kriteria untuk menyatakan seberapa hasil suatu survei itu?

Di sini, Penulis hanya menguraikan metode penghitungan SE dan RSE untuk Susenas karena keseharian penulis sebagai penanggung jawab teknis seksi kesejahteraan rakyat yang menangani Susenas di Papua Barat. Disain sampling Susenas dirancang dua tahap, yaitu pemilihan blok sensus secara Probability Proportional to Size atau PPS dengan size jumlah rumah tangga di setiap blok sensus hasil sensus penduduk tahun 2010 atau SP2010. Pada tahap selanjutnya, sebanyak 10 rumah tangga dipilih secara acak dengan disain systematic sampling. Oleh karena disain Susenas tidak sesederhana disain simple random sampling, maka proses penghitungan SE dam RSE menggunakan alat bantu yaitu aplikasi program STATA. Dalam hal ini, penulis menggunakan program STATA 8. Aplikasi STATA bisa digunakan untuk menghitung kesalahan sampling sesuai dengan metodologi yang digunakan dalam hal ini (Susenas) menggunakan sampling dua tahap. STATA menggunakan metode Taylor Linearization untuk mengestimasi baik nilai total maupun rata-ratanya.

Metode Linierizasi Taylor memperlakukan persentase atau rata-rata sebagai suatu estimasi rasio, r = y/x, dengan y sebagai total nilai sampel untuk variabel y, dan x adalah jumlah kasus dalam grup atau subgrup yang diperhitungkan. Varians dari r dihitung menggunakan rumus:

TL1

dengan

TL2

dimana

h      adalah stratum yang mempunyai nilai antara 1 dan H,

mh    adalah jumlah blok sensus terpilih dalam stratum h,

yhi    adalah jumlah tertimbang nilai dari variabel y dalam blok sensus i, stratum h,

xhi    adalah jumlah kasus  dalam blok sensus i dan stratum h, dan

f       adalah fraksi sampling, yang karena nilainya kecil, tidak diperhitungkan.

Tidak semua SE dan RSE variabel hasil suatu survei dihitung tetapi hanya SE dan RSE dari beberapa variabel penting saja yang dihitung. Di sini, penulis mencoba share sintaks STATA yang digunakan untuk menghitung SE dan DEFF beberapa variabel hasil Susenas misalnya RSE-APK dan RSE-MYS. Silakan unduh file-file tersebut dan jalankan di STATA.

Cara menjalankannya cukup sederhana. Bukalah aplikasi stata. Kopikan sintaks di dalam file tersebut ke dalam window do-file editor di stata lalu simpan dengan ekstensi.do. Hal lain yang perlu disiapkan adalah format data susenas dalam bentuk stata. Pastikan alamat data susenas yang disimpan sesuai dengan alamat data di sintaks. Untuk menjalankan sintaks tersebut kita tinggal klik File do…. dan pilih sintaks yang akan dijalankan.

Kualitas hasil estimasi suatu survei bisa diamati dari RSE yang dihasilkan. Menurut Soedarti dkk (2007), keputusan mengenai keakuratan suatu estimasi bisa diamati dari tabel berikut.

Kondisi

Perlakuan

RSE ≤ 25%

Akurat (bisa digunakan)

25% < RSE  ≤ 50%

Perlu hati-hati jika digunakan

RSE > 50%

Dianggap tidak akurat (harus digabungkan dengan estimasi lain untuk memberikan estimasi dengan RSE ≤ 25%.

Demikian, posting ini dipersembahkan. Semoga bermanfaat bagi pengguna data khususnya pengguna data hasil Susenas agar bisa mengetahui mana data Susenas yang akurat dan mana data Susenas yang perlu kehati-hatian penggunaanya karena nilai RSE yang besar.

Follow

Get every new post delivered to your Inbox.

Join 69 other followers