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.