Kajian Pendugaan Area Kecil Melalui Pemodelan Regresi M-kuantil pada Data yang Mengandung Pencilan (Studi Kasus: Kemiskinan di Kabupaten Bogor)
Abstract
Penanggulangan masalah kemiskinan seharusnya didukung dengan
penggunaan data yang akurat, efektif, dan efisien. Permasalahan muncul ketika
kemiskinan akan diidentifikasi pada level daerah yang lebih kecil, misal pada
tingkat kecamatan atau kelurahan/desa, sedangkan data yang dimiliki berskala
kabupaten atau provinsi. Perolehan statistik pada tingkat tersebut akan
menghasilkan ragam yang besar karena ukuran contoh sasaran yang kecil atau
bahkan tidak tersedia. Pendugaan langsung menjadi sangat berisiko untuk
dilakukan pada level subdomain. Sebagai alternatif, pendugaan area kecil
dilakukan melalui pendekatan pendugaan secara tidak langsung melalui
pemodelan. Metode ini dapat digunakan untuk mengukur kemiskinan suatu
wilayah kecamatan atau kelurahan/desa dengan memanfaatkan data hasil kegiatan
survei nasional berskala kabupaten maupun provinsi.
Pemodelan regresi M-kuantil merupakan salah satu metode pendugaan tidak
langsung yang bersifat kekar terhadap adanya pencilan. Dalam penelitian ini,
peneliti melakukan evaluasi simulasi statistik sebagai salah satu bentuk evaluasi
empiris terhadap pengaplikasian metode pemodelan regresi M-Kuantil pada
pendugaan area kecil untuk data ekonomi di Indonesia. Simulasi Monte Carlo
dilakukan sebagai pengukur kualitas penduga bias dan RMSE dengan metode
nonparametrik bootstrap ketika digunakan untuk mengestimasi pendugaan
indikator kemiskinan proporsi kemiskinan (P0) dan kedalaman kemiskinan (P1)
dengan pemodelan M-kuantil. Pemodelan regresi M-kuantil digunakan karena
metode tersebut bersifat semiparametrik yang berbasis kuantil yang menjamin
pendugaan bersifat kekar dan tidak memerlukan asumsi sebaran teoritis yang kuat.
Simulasi dilakukan dengan merancang empat skenario pencilan yang
mengontaminasi efek acak area dan efek acak individu, yaitu kondisi ketika (1)
tidak terdapat pencilan, baik pada level area maupun level individu, (2) terdapat
pencilan pada level area, (3) terdapat pencilan pada level individu, dan (4)
terdapat pencilan pada level area dan level individu. Penerapan pendugaan
langsung dan pemodelan M-kuantil dilakukan pada setiap skenario, lalu hasil
pendugaan indikator kemiskinan P0 dan P1 pada setiap skenarionya
diperbandingkan. Ukuran kebaikan model diduga dengan menggunakan nilai bias
dan RMSE pada setiap indikator dan setiap skenario. Hasil menunjukkan bahwa
pemodelan regresi M-kuantil cukup efektif digunakan untuk menduga indikator
kemiskinan ketika terdapat pencilan pada efek acak individu, tetapi tidak efektif
digunakan ketika terdapat pencilan pada efek acak area. Kajian data aktual
menunjukkan bahwa pemodelan M-kuantil mampu menduga indikator
kemiskinan yang diduga 0% oleh pendugaan langsung.