Kajian Pendugaan Area Kecil untuk Menduga Kemiskinan Multidimensi di Provinsi Jawa Barat dengan Mixed Model Poisson, ZIP dan ZINB

Abstract

Kemiskinan adalah kondisi seseorang tidak dapat memenuhi kebutuhan dasar yang dapat dilihat dari berbagai aspek atau dimensi. Selain kemiskinan moneter, kemiskinan juga perlu dilihat dari dimensi lain seperti kesehatan, pendidikan, dan standar hidup yang disebut dengan kemiskinan multidimensi. Peneltian ini bertujuan untuk menduga kemiskinan multidimensi di Indonesia dengan menggunakan data Survei Sosial Ekonomi Nasional (SUSENAS) yang dilakukan oleh Badan Pusat Statistik (BPS) dan metode penghitungan indeks kemiskinan multidimensi yang dikembangkan oleh United Nations Development Programme (UNDP). Studi ini sejalan dengan Tujuan Pembangunan Berkelanjutan (SDGs) dan tujuannya untuk memberantas kemiskinan dalam segala bentuk dan dimensinya pada tahun 2030. Penghitungan kemiskinan langsung dengan menggunakan data SUSENAS dari BPS hanya mampu mengestimasi dengan baik sampai level kabupaten/kota, sedangkan pada level dibawahnya tidak memiliki cukup sampel untuk mengestimasi dengan baik. Dalam banyak kasus, data yang diperoleh dari survei bersifat terbatas dan hanya mampu mewakili area atau domain yang lebih besar. Hal ini disebabkan untuk area yang lebih kecil, contoh yang diperoleh dari survei relatif berukuran kecil. Padahal angka kemiskinan di level yang lebih kecil dapat dimanfaatkan oleh pemerintah daerah untuk mengevaluasi atau membuat suatu kebijakan pada level yang lebih kecil, seperti pemerintah kabupaten ingin mengetahui jumlah penduduk miskin berdasarkan kecamatan. Sehingga diperlukan suatu metode untuk mengestimasi nilai kemiskinan pada level yang lebih kecil seperti level kecamatan. Pendugaan Area Kecil (SAE) merupakan sebuah metode yang penting untuk membuat kesimpulan terhadap data survei. Penelitian ini menggunakan data riil dan simulasi untuk meduga tingkat kemiskinan multidimensi di Provinsi Jawa Barat. Data riil yang digunakan dalam kajian adalah dari Survei Sosial Ekonomi Nasional (SUSENAS) 2021 dan survei Pengembangan Potensi Desa (PODES) 2021. Data SUSENAS digunakan untuk menghitung indeks kemiskinan multidimensi di tingkat kabupaten/kota dan menerapkan model pendugaan area kecil di tingkat kecamatan menggunakan mixed model. Data simulasi digunakan untuk membandingkan kinerja Model Linear Terampat Campuran (MLTC) dengan fokus pada tiga model yaitu MLTC Poisson, MLTC Zero Inflated Poisson (ZIP) dan MLTC Zero Inflated Negative Binomial (ZINB). Data simulasi dibangkitkan menggunakan dua kondisi yang berbeda, yaitu tanpa overdispersi dan dengan overdispersi. Untuk data tanpa overdispersi data dibangkitan menggunakan distribusi Poisson dan untuk data dengan overdispersi dibangkitkan dengan distribusi binomial negatif. Jumlah observasi yang dibangkitkan adalah 30 dan 100 dan dilakukan pengulangan pemodelan sebanyak 500 kali. Kebaikan model diukur dengan nilai Akaike Information Criterion (AIC). Model terbaik digunakan untuk menduga kemiskinan multidimensi tingkat kecamatan di Provinsi Jawa Barat Penghitungan kemiskinan multidimensi tingkat kabupaten/kota dimulai pengolahan data SUSENAS dengan 10 indikator. Sepuluh indikator tersebut terdiri dari tiga dimensi yaitu pendidikan, kesehatan dan standar hidup layak. Hasil studi ini menunjukkan bahwa tingkat kemiskinan multidimensi di Jawa Barat cukup beragam, dengan persentase kemiskinan multidimensi tertinggi terdapat di Garut sebesar 20,14 persen. Kota Bekasi memiliki persentase kemiskinan multidimensi terendah sebesar 1,59 persen, namun memiliki intensitas kemiskinan tertinggi sebesar 0,42, artinya setiap penduduk miskin di Bekasi lebih miskin dari segi jumlah indikator yang digunakan untuk menghitung kemiskinan multidimensi. Studi ini juga menemukan bahwa indeks keseluruhan kemiskinan multidimensi relatif rendah, dengan nilai berkisar antara 0,006 hingga 0,07. Hasil simulasi penelitian menemukan bahwa tidak ada perbedaan yang signifikan pada nilai AIC dari data tanpa overdispersi antara MLTC Poisson, MLTC ZIP, dan MLTC ZINB baik menggunakan 30 atau 100 observasi. Pada data dengan overdispersi studi ini menemukan bahwa nilai AIC untuk model MLTC ZIP dan MLTC ZINB lebih baik dibandingkan MLTC Poisson. Namun kedua model tidak terlihat perbedaan yang berarti dimana rentang nilai AIC dari MLTC ZIP dan ZINB hampir sama. Selanjutanya dilakukan pendugaan area kecil menggunakan kedua model tersebut. Pendugaan area kecil pada data penduduk miskin multidimensi di tingkat kecamatan dengan menggunakan MLTC ZIP menghasilkan nilai AIC sebesar 10.950. Sedangkan nilai AIC dari model MLTC ZINB tidak dapat dihitung karena terjadi divergensi. Selanjutnya prediksi jumlah penduduk miskin multidimensi dilakukan dengan MLTC ZIP dan dievaluasi dengan Root Mean Square Error (RMSE) untuk membandingkan kinerja model dengan pendugaan langsung. Hasilnya, nilai RMSE MLTC ZIP jauh lebih kecil dibandingkan dengan pendugaan langsung. Peubah bebas yang digunakan dalam model MLTC ZIP yaitu Proporsi sekolah jenjang SMP per seribu penduduk, proporsi puskesmas dan rumah sakit per seribu penduduk, proporsi toko/minimarket terhadap jumlah penduduk dan proporsi rumah tangga dengan pendapatan utama dari pertanian.

Poverty is a condition where an individual cannot meet their basic needs, as seen from various aspects or dimensions. In addition to monetary poverty, poverty could be viewed from other dimensions, such as health, education, and living standards, known as multidimensional poverty. This research aims to estimate multidimensional poverty in Indonesia using data from the National Socio- Economic Survey (SUSENAS) conducted by the Central Bureau of Statistics (BPS) and the Multidimensional Poverty Index calculation method developed by the United Nations Development Programme (UNDP). This study aligns with the Sustainable Development Goals (SDGs) and aims to eradicate poverty in all its forms and dimensions by 2030. Directly calculating poverty using SUSENAS data from BPS can only accurately estimate up to the district level, while at lower levels, there need to be more samples to make accurate estimates. Data obtained from surveys is often limited and can only represent larger areas or domains. This is because, for smaller areas, the samples obtained from the survey are relatively small. Yet, poverty figures at a lower level can be utilized by local governments to evaluate or make policies at a smaller level, such as a district government wanting to know the number of poor people based on sub-districts. Therefore, a method is needed to estimate poverty values at a lower level, such as the sub-district level. Small Area Estimation (SAE) is essential for making conclusions about survey data. This study uses real data and simulation to estimate West Java province's multidimensional poverty level. The real data used in the study is from the National Socio-Economic Survey (SUSENAS) 2021 and the Village Potential Development Survey (PODES) 2021. SUSENAS data is used to calculate the multidimensional poverty index at the district/city level and to apply small area estimation models at the sub-district level using a mixed model. Simulation data is used to compare the performance of the Mixed Linear Regression Model (MLTC) with a focus on three models, namely MLTC Poisson, MLTC Zero Inflated Poisson (ZIP), and MLTC Zero Inflated Negative Binomial (ZINB). Simulation data is generated using two conditions: without overdispersion and with overdispersion. Data is generated using the Poisson distribution for data without overdispersion and negative binomial distribution with overdispersion. The number of observations generated is 30 and 100, and the modeling is repeated 500 times. The model's goodness is measured using the Akaike Information Criterion (AIC). The best model estimates multidimensional poverty at the sub-district level in West Java Province. The calculation of multidimensional poverty at the district level begins with processing SUSENAS data using ten indicators of 3 dimensions: education, health, and decent living. This study's results show that the multidimensional poverty level in West Java is quite diverse. The highest percentage of multidimensional poverty was found in Garut at 20.14%. Bekasi City has the lowest percentage of multidimensional poverty at 1.59%. However, it has the highest intensity of poverty at 0.42, meaning that every poor person in Bekasi is poorer in terms of the number of indicators used to calculate multidimensional poverty. This study also found that the overall multidimensional poverty index is relatively low, ranging from 0.006 to 0.07. The simulation results of the research found no significant difference in the AIC values of the data without overdispersion between MLTC Poisson, MLTC ZIP, and MLTC ZINB using either 30 or 100 observations. This study found that the AIC values for the MLTC ZIP and MLTC ZINB are better than the MLTC Poisson in the data with overdispersion. However, the two models have no significant difference, as the distribution of AIC values from the MLTC ZIP and ZINB models are almost identical. Then, small area estimation was done using both models. Small area estimation of the multidimensional poverty population at the subdistrict level using the MLTC ZIP model resulted in an AIC value of 10,950. At the same time, the AIC value for the MLTC ZINB model cannot be calculated due to divergence. Further, the prediction of the multidimensional poverty population was done with the MLTC ZIP model and evaluated with the Root Mean Square Error (RMSE) to compare the performance of the model with direct estimation. The result is that the RMSE value of the MLTC ZIP model is much smaller than direct estimation. The independent variables used in the MLTC ZIP model are the proportion of junior high school students per thousand population, the proportion of health centers and hospitals per thousand population, the proportion of shops/minimarkets per population, and the proportion of households with primary income from agriculture.