Penghitungan Angka Kemiskinan BPS vs Bank Dunia

Masalah kemiskinan merupakan salah satu persoalan mendasar yang menjadi pusat perhatian pemerintah di negara manapun. Salah satu aspek penting untuk mendukung strategi penanggulangan kemiskinan adalah tersedianya data kemiskinan yang akurat dan tepat sasaran. Pengukuran kemiskinan yang dapat dipercaya dapat menjadi instrumen tangguh bagi pengambil kebijakan dalam memfokuskan perhatian pada kondisi hidup orang miskin. Data kemiskinan yang baik dapat digunakan untuk mengevaluasi kebijakan pemerintah terhadap kemiskinan, membandingkan kemiskinan antar waktu dan daerah, serta menentukan target penduduk miskin dengan tujuan untuk memperbaiki posisi mereka.

A. Tujuan
1. Mengetahui jumlah dan persentase penduduk miskin menurut daerah perkotaan dan pedesaan.
2. Mengetahui karakteristik rumahtangga miskin dan tidak miskin menurut daerah perkotaan dan pedesaan.
3. Mengetahui distribusi dan ketimpangan pendapatan secara nasional menurut daerah perkotaan dan pedesaan.
4. Untuk mengukur kemiskinan, BPS menggunakan konsep kemampuan memenuhi kebutuhan dasar (basic need approach). Dengan pendekatan ini, kemiskinan dipandang sebagai ketidakmampuan dari sisi ekonomi untuk memenuhi kebutuhan dasar makanan dan bukan makanan yang diukur dari sisi pengeluaran. Dengan kata lain, kemiskinan dipandang sebagai ketidakmampuan dari sisi ekonomi untuk memenuhi kebutuhan makanan maupun non makanan yang bersifat mendasar. Penduduk miskin adalah penduduk yang memiliki rata-rata pengeluaran perkapita per bulan di bawah garis kemiskinan.
5. Pengukuran kemiskinan dengan menggunakan konsep kemampuan memenuhi kebutuhan dasar (basic need approach) tidak hanya digunakan oleh BPS tetapi juga oleh negara-negara lain, seperti Armenia, Senegal, Pakistan, Bangladesh, Vietnam, Sierra Leone, dan Gambia.

PENJELASAN DATA KEMISKINAN

Press Release BPS‐RI
Jakarta, 27 Januari 2011

Data Statistik Resmi (official statistics) adalah objektivitas universal. Seluruh dunia mengukur kinerja pembangunan dan eksistensi bangsanya melalui penggunaan indikator statistik yang memenuhi standar pengukuran yang disepakati secara internasional. Pekerjaan statistik selalu dikawal oleh Kode Etik Statistik PBB. Di Indonesia akhir‐akhir ini, di sebagian kalangan, cenderung mispersepsi dalam memahami angka statistik. Terkait data statistik kemiskinan misalnya kekeliruan dimaksud melebar ke mana‐mana.
Disadari bahwa salah satu aspek penting untuk mendukung Strategi Penanggulangan Kemiskinan adalah tersedianya data kemiskinan yang akurat dan tepat sasaran. Pengukuran kemiskinan yang dapat dipercaya dapat menjadi instrumen tangguh bagi pengambil kebijakan dalam memfokuskan perhatian pada kondisi hidup orang miskin. Data kemiskinan yang baik dapat digunakan untuk mengevaluasi kebijakan pemerintah terhadap kemiskinan, membandingkan kemiskinan antar waktu dan daerah, serta menentukan target penduduk miskin dengan tujuan untuk memperbaiki kualitas hidup mereka.
Secara umum kemiskinan didefinisikan sebagai kondisi dimana seseorang atau sekelompok orang tidak mampu memenuhi hak‐hak dasarnya untuk mempertahankan dan mengembangkan
kehidupan yang bermartabat. Definisi yang sangat luas ini menunjukkan bahwa kemiskinan merupakan masalah multi dimensional, sehingga tidak mudah untuk mengukur kemiskinan dan
perlu kesepakatan pendekatan pengukuran yang dipakai. Untuk mengukur tingkat kemiskinan di Indonesia, BPS menyediakan 2 jenis data yaitu data kemiskinan makro dan mikro.
Data Kemiskinan Makro
Salah satu konsep penghitungan kemiskinan yang diaplikasikan di banyak negara termasuk Indonesia adalah konsep kemampuan memenuhi kebutuhan dasar (basic needs approach).
Dengan konsep ini, kemiskinan dipandang sebagai ketidakmampuan dari sisi ekonomi untuk memenuhi kebutuhan dasar makanan dan bukan makanan. Dalam aplikasinya dihitunglah garis kemiskinan absolut. Penduduk yang memiliki rata‐rata pengeluaran/pendapatan per kapita per bulan di bawah garis kemiskinan disebut penduduk miskin.
Penghitungan penduduk miskin dengan pendekatan makro didasarkan pada data sampel bukan data sensus, sehingga hasilnya adalah estimasi (perkiraan). Sumber data yang digunakan adalah Survei Sosial Ekonomi Nasional (Susenas), yang pencacahannya dilakukan setiap bulan Maret dengan jumlah sampel 68.000 rumah tangga. BPS menyajikan data kemiskinan makro sejak tahun 1984 sehingga perkembangan jumlah dan persentase penduduk miskin bisa diikuti dari waktu ke waktu.
Data kemiskinan makro yang terakhir dihitung BPS adalah posisi Maret 2010 dan dirilis tanggal 1 Juli 2010. Jumlah dan persentase penduduk miskin dihitung per provinsi dengan garis kemiskinan yang berbeda‐beda. Di DKI Jakarta besaran garis kemiskinan mencapai Rp331.169 per kapita per bulan, sementara di Papua Rp259.128. Data di level nasional merupakan penjumlahan penduduk miskin di seluruh provinsi, sehingga jumlah penduduk miskin di Indonesia pada Maret 2010 sebesar 31,02 juta (13,33 persen dari total penduduk) dengan garis kemiskinan sebesar Rp211.726 per kapita per bulan. Pada bulan Maret 2011 BPS akan kembali melakukan pengumpulan data Susenas dan hasil penghitungan penduduk miskin akan dirilis tanggal 1 Juli 2011.
Salah satu data kemiskinan yang mengundang polemik panjang adalah data kemiskinan bulan Maret 2006.
BPS mengumumkan jumlah penduduk miskin naik dari 35,1 juta (16,0%) pada Februari 2005 menjadi 39,30 juta (17,8%) pada Maret 2006 karena kenaikan harga BBM.

Data Kemiskinan Mikro
Data kemiskinan makro hanya menunjukkan jumlah dan persentase penduduk miskin di setiap daerah berdasarkan estimasi. Data ini berguna untuk perencanaan dan evaluasi program kemiskinan dengan target geografis namun tidak dapat menunjukkan siapa dan dimana alamat
penduduk miskin (sasaran) sehingga tidak operasional untuk program penyaluran bantuan langsung dan perlindungan sosial seperti bantuan langsung tunai (BLT), raskin, dan Jamkesmas.
Untuk penyaluran bantuan langsung yang memerlukan nama dan alamat target dibutuhkan data kemiskinan mikro. Pengumpulan datanya harus dilakukan secara sensus, bukan sampel. Berbeda dengan metode penghitungan kemiskinan makro yang menggunakan konsep kemampuan memenuhi kebutuhan dasar, pengumpulan data kemiskinan mikro didasarkan pada
ciri‐ciri rumah tangga miskin supaya pendataan bisa dilakukan secara cepat dan hemat biaya.
Upaya pengumpulan data kemiskinan mikro ini telah dilakukan BPS dua kali yaitu pada bulan Oktober 2005 dan September 2008. Data yang diperoleh disebut data Rumah Tangga Sasaran (RTS), yang mencakup bukan hanya rumah tangga (RT) miskin, tetapi juga RT hampir miskin, yaitu RT yang hidup sedikit di atas garis kemiskinan. Jumlah RTS hasil pendataan bulan September 2008 adalah 17,5 juta rumah tangga dengan jumlah anggota rumah tangga sebesar 60,4 juta jiwa. Namun, sebagian besar publik menggunakan angka 70 juta jiwa, dengan mengasumsikan besarnya rata‐rata anggota rumah tangga adalah 4 orang.

Jadi, sebetulnya tidak ada dua angka kemiskinan. Data 31,02 juta menunjukkan data penduduk miskin (pendekatan makro), sementara data 60,4 juta jiwa menunjukkan data individu penduduk miskin plus hampir miskin (pendekatan mikro). Selisih di antara keduanya menunjukkan besarnya penduduk hampir miskin di Indonesia. Mereka tidak tergolong miskin tetapi sangat rentan terhadap kemiskinan. Perlu kehati‐hatian dalam membandingkan kedua data kemiskinan tersebut karena metode penghitungan dan tujuan penggunaannya memang berbeda.

B. Pengukuran Kemiskinan World Bank

World Bank membuat garis kemiskinan absolut US$ 1 dan US$ 2 PPP (purchasing power parity/paritas daya beli) per hari (bukan nilai tukar US$ resmi) dengan tujuan untuk membandingkan angka kemiskinan antar negara/wilayah dan perkembangannya menurut waktu untuk menilai kemajuan yang dicapai dalam memerangi kemiskinan di tingkat global /internasional.
Angka konversi PPP adalah banyaknya rupiah yang dikeluarkan untuk membeli sejumlah kebutuhan barang dan jasa dimana jumlah yang sama tersebut dapat dibeli sebesar US$ 1 di Amerika Serikat. Angka konversi ini dihitung berdasarkan harga dan kuantitas di masing-masing negara yang dikumpulkan dalam suatu survei yang biasanya dilakukan setiap lima tahun.
Chen dan Ravallion (2001) membuat suatu penyesuaian angka kemiskinan dunia dengan menggunakan garis kemiskinan US$ 1 perhari. Berdasarkan penghitungan yang dilakukan, pada tahun 1993 garis kemiskinan US$ 1 PPP per hari adalah ekuivalen dengan Rp. 20.811,- per bulan.
Garis kemiskinan PPP disesuaikan antar waktu dengan angka inflasi relatif, yaitu menggunakan angka indeks harga konsumen. Pada tahun 2006, garis kemiskinan US$ 1 PPP ekuivalen dengan RP.97.218,- per orang per bulan dan garis kemiskinan US$ 2 PPP ekuivalen dengan RP.194.439,- per orang per bulan. Perbandingan garis kemiskinan dan persentase penduduk miskin di Indonesia tahun 2006 menurut BPS dan World Bank adalah sebagai berikut:

Garis Kemiskinan dan Persentase Penduduk Miskin di Indonesia Tahun 2006

Sumber	Garis Kemiskinan (Per Hari)	Garis Kemiskinan (Per Bulan)	Penduduk Miskin (%)
BPS	Rp. 5.066,57,- ≈ US$ 1,55 PPP	Rp. 151.997,-	17,80
World Bank	USS 1 PPP ≈ Rp. 3.240,60,-	Rp. 97.218,-	7,40
	USS 2 PPP ≈ Rp. 6.841,30,-	Rp. 194.439,-	49,00

Bank Dunia memprediksi jumlah penduduk Indonesi berpendapatan di bawah US$2 PPP per orang per hari pada tahun 2008 akan turun 4,6 juta orang dari 105,3 juta orang (45,2 persen) menjadi 100,7 juta orang (42,6 persen). Perhitungan itu dilakukan dengan menggunakan jumlah penduduk 232,9 juta orang pada tahun 2007 dan 236,4 juta orang pada tahun 2008. Perkiraan tersebut dibuat dengan memperhitungkan laju inflasi sekitar 6 persen, dampak kenaikan harga minyak dunia saat ini (sekitar US$94 per barel), dan tercapainya pertumbuhan ekonomi Indonesia tahun depan sebesar 6,4 persen.

C. Metodologi dan Perhitungan Kemiskinan BPS

1. Sumber Data

Sumber data utama yang dipakai adalah data SUSENAS (Survei Sosial Ekonomi Nasional). Sebagai informasi tambahan, digunakan hasil survei SKPD (Survei Paket Komoditi Kebutuhan Dasar) yang digunakan untuk memperkirakan proporsi dari pengeluaran masing-masing komoditi pokok non makanan.

2. Metode

Metode yang digunakan adalah menghitung garis kemiskinan (GK) yang terdiri dari dua komponen, yaitu Garis Kemiskinan Makanan (GKM) dan Garis Kemiskinan Non-Makanan (GKNM), sebagai berikut:

GK = GKM + GKNM

Penghitungan Garis Kemiskinan dilakukan secara terpisah untuk daerah perkotaan dan pedesaan. Penduduk miskin adalah penduduk yang memiliki rata-rata pengeluaran perkapita per bulan di bawah Garis Kemiskinan.

Garis kemiskinan makanan (GKM) merupakan nilai pengeluaran kebutuhan minimum makanan yang disetarakan dengan 2.100 kilokalori perkapita per hari. Patokan ini mengacu pada hasil Widyakarya Pangan dan Gizi 1978. Paket komoditi kebutuhan dasar makanan diwakili oleh 52 jenis komoditi (padi-padian, umbi-umbian, ikan, daging, telur dan susu, sayuran, kacang-kacangan, buah-buahan, minyak dan lemak, dll). Ke-52 jenis komoditi ini merupakan komoditi-komoditi yang paling banyak dikonsumsi oleh penduduk miskin. Jumlah pengeluaran untuk 52 komoditi ini sekitar 70 persen dari total pengeluaran orang miskin.

Garis kemiskinan non-makanan (GKNM) adalah kebutuhabn minimum untuk perumahan, sandang, pendidikan, dan kesehatan. Paket komoditi kebutuhan dasar non-makanan diwakili oleh 51 jenis komoditi di perkotaan dan 47 jenis komoditi di pedesaan.

3. Teknik Penghitungan Garis Kemiskinan

Tahap pertama adalah menentukan penduduk referensi, yaitu 20 persen penduduk yang berada di atas Garis Kemiskinan Sementara, yaitu garis kemiskinan periode lalu yang di-inflate dengan inflasi umum (IHK). Dari penduduk referensi ini kemudian dihitung Garis Kemiskinan Makanan (GKM) dan Garis Kemiskinan Non Makanan (GKNM).

Garis Kemiskinan Makanan adalah jumlah nilai pengeluaran dari 52 komoditi dasar makanan yang riil dikonsumdi penduduk referensi dan kemudian disetarakan dengan nilai energi 2.100 kilokalori perkapita per hari. Penyetaraan nilai pengeluaran kebutuhan minimum makanan dilakukan dengan menghitung harga rata-rata kalori dari ke-52 komoditi tersebut. Selanjutnya GKM tersebut disetarakan dengan 2.100 kilokalori dengan cara mengalikan 2.100 terhadap harga implisit rata-rata kalori.

Garis Kemiskinan Non-Makanan merupakan penjumlahan nilai kebutuhan minimum dari komoditi-komoditi non-makanan terpilih yang meliputi perumahan, sandang, pendidikan, dan kesehatan. Nilai kebutuhan minimum per komoditi/sub-kelompok non-makanan dihitung dengan menggunakan suatu rasio pengeluaran komoditi /sub-kelompok tersebut terhadap total pengeluaran komoditi/sub-kelompok yang tercatat dalan data Susenas modul konsumsi. Rasio tersebut dihitung dari hasil Survei Paket Komoditi Kebutuhan Dasar 2004 (SPKKD 2004), yang dilakukan untuk mengumpulkan data pengeluaran konsumsi rumahtangga per komoditi non-makanan yang lebih rinci dibandingkan data Susenas modul konsumsi.

Garis Kemiskinan merupakan penjumlahan dari Garis Kemiskinan Makanan dan Garis Kemiskinan Non-Makanan. Penduduk yang memiliki rata-rata pengeluaran perkapita per bulan di bawah Garis Kemiskinan dikategorikan sebagai penduduk miskin.

4. Indikator Kemiskinan

Berdasarkan pendekatan kebutuhan dasar, ada 3 indikator kemiskinan yang digunakan. Pertama, Head Count Index (HCI-P0), yaitu persentase penduduk yang berada di bawah garis kemiskinan (GK).

Kedua, Indeks Kedalaman Kemiskinan (Poverty Gap Index-P1) yang merupakan rata-rata kesenjangan pengeluaran masing-masing penduduk miskin terhadap garis kemiskinan. Semakin tinggi nilai indeks, semakin jauh rata-rata pengeluaran penduduk dari garis kemiskinan.

Ketiga, Indeks Keparahan Kemiskinan (Poverty Severity Index- P2) yang memberikan gambaran mengenai penyebaran pengeluaran di antara penduduk miskin. Semakin tinggi nilai indeks, semakin tinggi ketimpangan pengeluaran di antara penduduk miskin.

5. Ketersediaan Data

Badan Pusat Statistik (BPS) pertama kali melakukan penghitungan jumlah dan persentase penduduk miskin pada tahun 1984. Pada saat itu, penghitungan jumlah dan persentase penduduk miskin mencakup periode 1976-1981 dengan menggunakan data Survei Sosial Ekonomi Nasional (Susenas) modul konsumsi. Sejak itu, setiap tiga tahun sekali BPS secara rutin mengeluarkan data jumlah dan persentase penduduk miskin yang disajikan menurut daerah perkotaan dan pedesaan. Sejak tahun 2003, BPS secara rutin mengeluarkan data jumlah dan persentase penduduk miskin setiap tahun. Hal tersebut bisa terwujud karena sejak tahun 2003 BPS mengumpulkan data Susenas Panel Modul Konsumsi setiap bulan Februari atau Maret.

Data kemiskinan yang diproduksi BPS diterbitkan secara tahunan dalam publikasi yang berjudul ” Analisis dan Penghitungan Tingkat Kemiskinan”.

D. Data Kemiskinan Mikro Untuk Operasional Bantuan Langsung Tunai (BLT)

Data kemiskinan hasil Susenas merupakan data kemiskinan yang bersifat makro (agregasi nasional, provinsi, dan kabupaten/kota). Data ini hanya menunjukkan jumlah dan persentase penduduk miskin di setiap daerah berdasarkan estimasi, tetapi tidak dapat menunjukkan siapa si miskin dan di mana alamat mereka, sehingga tidak operasional di lapangan. Untuk target sasaran keluarga/rumah tangga secara langsung sangat diperlukan data anggota keluarga/rumah tangga miskin dan lokasi tempat tinggal mereka. Upaya penyediaan data kemiskinan mikro ini dilakukan BPS dengan melaksanakan Pendataan Sosial Ekonomi Penduduk 2005 (PSE05) yang pada dasarnya adalah pendataan keluarga/RTS untuk penyaluran dana BLT tahun 2005/2006.

Hasil PSE05 adalah direktori RTS yang memuat informasi nama kepala rumah tangga dan lokasi tempat tinggalnya. RTS hasil PSE05 ini mencakup (dikelompokkan ke dalam) tiga kategori, yaitu sangat miskin, miskin, dan mendekati miskin. Berbeda dengan metode penghitungan kemiskinan makro yang menggunakan konsep kemampuan memenuhi kebutuhan dasar (basic needs approach), penentuan RTS PSE05 didasarkan pada pendekatan karakteristik rumah tangga/ ciri-ciri rumah tangga miskin.

Ada 14 variabel/karakteristik rumah tangga yang dipakai untuk menghitung Indeks Skor RTS. Keempat belas variabel tersebut adalah luas lantai perkapita, jenis lantai, jenis dinding, fasilitas tempat buang air besar, sumber air minum, sumber penerangan, bahan bakar, membeli daging/ayam/susu, frekuensi makan, membeli pakaian baru, kemampuan berobat, lapangan usaha kepala rumah tangga, pendidikan kepala rumah tangga, dan aset yang dimiliki rumah tangga.

Angka kemiskinan makro yang dihitung dari Susenas secara statistik seharusnya terbanding dengan data RTS kategori miskin dan sangat miskin hasil PSE05. Dari perbandingan kedua set data tersebut dengan menggunakan model regresi logistik diperoleh hasil dengan tingkat kesesuaian (concordant) berkisar antara 80–90 persen. Hal ini berarti ada ketidaksesuaian antara data kemiskinan mikro PSE05 dan data kemiskinan makro Susenas yang berkisar antara 10–20 persen. Jumlah rumah tangga miskin dan sangat miskin hasil PSE05 sekitar 12,2 juta. Jika diasumsikan rata-rata anggota rumah tangga sebesar 4 orang dan dikombinasikan dengan angka koreksi 10–20 persen, maka jumlah penduduk miskin dan sangat miskin hasil PSE05 diperkirakan antara 39,04 juta dan 43,92 juta.

Dibandingkan dengan angka kemiskinan makro di Indonesia pada Maret 2006 sebesar 39,30 juta mengindikasikan adanya konsistensi antara hasil PSE05 dan penghitungan dari Susenas. Akan tetapi perlu kehati-hatian dalam membandingkan kedua data tersebut karena metode penghitungannya didasarkan pada pendekatan yang berbeda. Data PSE05 akan di-update melalui Pendataan Program Perlindungan Sosial (PPLS) 2008 mulai bulan September 2008 dalam rangka penyiapan database RTS untuk memenuhi kebutuhan data berbagai program perlindungan mulai tahun 200

sumber: http://mamujukab.bps.go.id/index.php/blokberita/159-kemiskinan

Read More

Prinsip mendasar Multivariat

• Kenapa dalam mengestimasi harus dilakukan optimasi (MLE)?
• Salah satu jawabannya adalah minimize error (misal regresi kita mengestimasi persamaan regresi dengan cara mencari garis regresi yang memiliki eror terkecil artinya jarak dari data ke estimasinya paling kecil)
• Secara math optimasi ada dua nesesari optimize dan secara kondisi. Pertama syaratnya optimasi adalah turunan pertamanya = nol. Turunan pertamanya adalah gradient = nol dan ini adalah syarat nesesarinya, sementara syarat secara kondisinya adalah ketika turunan berikutnya adalah negatif (untuk memax) dan positif (untuk memin). Ilustrasinya adalah grafik kurva ke atas atau kebawah (sin cos, misalnya)
• Mirip prinsipnya dengan least square error (tapi LSE lebih spesifik)
• Wilks lamda untuk varians.
• Missing data ada dua, satu yang sistematic ada yang random. Dan kalau diperbolehkan milih, maka mising data yang paling aman terjadi pada penelitian kita adalah missing data yang random. Karena kalau kita mising datanya sistematik maka kita bisa melihat adanya suatu fungsi pada data kita dan itu berarti ada kesalahan yang terjadi oleh si peneliti sehingga menghasilkan data yang missing secara sistematik.
• Maka kalau data hilangnya sistematik maka kita harus mengulang penelitian atau survey. Tapi kalau mising valuenya random maka bisa diestimasi dengan misal rata-rata data yang ada, atau nilai regresi data yang ada, atau dll. Atau bisa juga mendelete variable atau pertanyaan yang banyak missingnya.
• Outlier. Kalau sampai ada outlier jangan buru-buru datanya dibuang. Karena semua data sangat bernilai. Karena outlier itu sama dengan missing value karena terjadi bisa karena kesalahan kita atau memang sampelnya yang demikian.
• Outlier bisa terjadi karena salah ambil sampel. Misalnya ketika lagi ujian, maka ketika ada outlier yang nilainya bagus tetapi karena memang mahasiswa itu adalah expert dibidang itu maka hal tersebut adalah prosedural.

Read More

Reaction Paper: Statistical thinking and its role for industrial engineers and managers in the 21st century

Article entitled ‘Statistical thinking and its role for industrial engineers and managers in the 21st century’ written by Miltiadis Makrymichalos as a managerial audit journal is a very relevant article to the present situation. Nowadays, most of the managers do not use a statistical way of thinking in making decisions. Despite that many managers use six sigma to improve their business processes, they did not think statistically. I think the statistic is not just a tool, but it was also a basic principle about how to think logically and systematically.

The managers only use statistics as a tool when they encounter a problem which is related to data. In my opinion, the managers did not use the statistical thinking because of the difficulty in understanding the statistics principles. Furthermore, they have variety in educational backgrounds. Once they have found an issue or a problem, they will solve it according to their past experience and their knowledge. But when they did meet a problem that generates lot of numerical data, they used the statistics method.

According to the article, make decisions with statistical thinking means that the managers have to think the problem as a system as it is explained in the article that ‘All work is a system of interconnected processes'. The managers have to be able to see the variety of any situations and outcomes in any system. Therefore they will be able to analyze or even predict the upcoming situations and outcome of a problem.

For example, if we use six sigma we can solve the problem systematically. In the real situation, the managers only use six sigma or other tools as a means to repair. But they did not understand the basic principle or the essence of the six sigma method. In a research and development of the manufacturing, most of managers and engineers are focus on clients more than their own organization. Furthermore, the managers are also use the practical data to solve the problem. This way of thinking will led to an ineffective decision. The statistical thinking will first lead the managers to see the symptoms and any variation on a business process problem first. Statistical Thinking and its principles are not difficult and does not actually need to be profound. But it must be known by the managers. Therefore, when they using tools such as QFD, DOE, Six Sigma, and Pareto charts they will be able to predict where the outcome has risen.

In conclusion, I feel devastated because of many managers and engineers are ignoring the statistical thinking. But luckily, this paper summarizes the circumstances that existed at the moment. Not just as a warning, this topic can be a wakeup call to many managers that statistics is not just a daunting and meticulous method, but can be a useful way of thinking to the business in any industry.

Read More

Eigen Value (λ)

Pada kuliah statistika, kita sering mendengar istilah “EIGEN VALUE”. Apa sebenarnya yang dimaksud dengan eigen value? Eigen value sering diartikan dengan akar ciri. dalam bahasa yang lebih mudah eigen value merupakan suatu nilai yang menunjukkan seberapa besar pengaruh suatu variabel terhadap pembentukan karakteristik sebuah vektor atau matriks. eigen value dinotasikan dengan λ.

Jika hanya sekedar mengerti bagaimana rumus dan cara penghitungan eigen value, tentu kita tidak akan pernah paham bagaimana interpretasi dari sebuah angka eigen value. Saya akan mengambil contoh satu mangkuk masakan “soto madura”…hmmm…enaknya… Jika ada 10 orang ditanya mengenai rasa soto tersebut, dan diminta menyebutkan bumbu apa kira-kira yang paling terasa dari soto itu, maka semua orang pasti menyebutkan “garam”. karena garam memberikan rasa asin yang tentu saja dimiliki oleh soto tersebut. Tapi mungkin hanya 1 atau dua orang yang menyebutkan “serai” karena serai adalah bumbu khas yang dimiliki soto yang mungkin tidak dimiliki masakan lain. Atau kunyit…

Nah, sekarang kalau diminta menebak, kira-kira garam memiliki nilai λ yang paling besar atau paling kecil? ya..garam memiliki λ paling kecil. dan yang memiliki λ paling besar adalah yang memberikan karakteristik atau ciri paling kuat pada soto. dan orang akan memberikan jawaban berbeda-beda sesuai dengan indra perasanya masing-masing. sederhana bukan?? sekarang kita tau makna dari sebuah ukuran statistik “eigen value”

inspirasi ini diberikan oleh dosen saya di ITS, yang membuat saya banyak mengerti filosofi dari sebuah ukuran statistik. thanx to Drs. Kresnayana Yahya, M.Sc..

sumber : http://nuvie81.wordpress.com/

English version:

In college, we often hear the term "Eigen VALUE". What exactly is meant by eigen value? Eigen value is often defined by the root traits. As a term eigen value is a value that indicates how much influence on the formation of a variable characteristic of a vector or matrix. eigen value denoted by λ.

If we just only understand how the formula and calculation of eigen values​​, of course we will never understand how the interpretation of a number eigen value. I'll take the example of one bowl dish "soto madura" (or chicken soup) ... hmmm ... delicious ... If there 10 people were asked about the soup flavors, seasonings and asked to name what about the most intriquing things from the soup, then everyone would say "salt". because salt gives a salty taste which of course is owned by the soup. But maybe only one or two people mention "lemon grass" because lemongrass is owned by a typical spice soup that may not have other dishes. Or turmeric ...

Now, if we have to guess, about a salt having the largest value of λ or the smallest? yes .. salt has the smallest λ. and which has the greatest λ is the characteristic or trait that gives the most powerful sense on the soup. and people will give different answers according to the sense of feeling on each. isn't simple? Now we know the meaning of a statistical measure of "eigen value"

inspiration was given by my lecturer at ITS, which makes me a lot to understand the philosophy of a statistical measure. thanx to Drs. Kresnayana Yahya, M.Sc..

source : http://nuvie81.wordpress.com/

Read More

Memperkirakan kesuksesan Film Box Office: Menggunakan Neural Networks

"Apa? Membuat film harus menggunakan regresi logistik? Pusing amat?"

Tenang dulu, bukan berarti membuat film harus ngejelimet dengan angka, tetapi ternyata jika industri dimanapun baik budaya, hiburan bahkan manufaktur, peran metoda statistik bisa menjadi alat bantu yang menyenangkan ^_^.

Di negara maju, setiap aspek industrinya tidak lepas dari peran riset dan pengembangan. Data dan analisis merupakan alat penting sebagai salah satu feedback selain dari hasil keuangan (laba-rugi). Salah satunya industri hiburan, dalam hal ini adalah industri film. Kepentingan analisis digunakan sebagai mengetahui atau memetakan sebuah industri. Contohnya bisa terlihat pada jurnal yang akan saya bahas kali ini,


Judul: "Predicting box-office success of motion pictures with neural networks"
Karya: Ramesh Sharda and Dursun Delen
Tahun: 2006
Penerbit: Elsevier.com


Bagian pemetaan indsutri Amerika dan latar belakang mengapa penelitian ini dilakukan sepertinya tidak perlu saya ceritakan panjang lebar, silahkan baca sendiri jurnalnya (mau jurnalnya? hub kami ^_^). Intinya penelitian ini dilakukan untuk bisa memberikan masukkan pada producer film untuk bisa mengambil keputusan terhadap bagaimana mereka bisa membuat film yang akan menghasilkan kesuksesan.

Okeh, kita masuk kebagian serunya ya ^_^, bagian tools! Dari judulnya jurnal ini menggunakan neural networks, namun sebenarnya neural networks tersebut merupakan pengembangan dari model-model statistik seperti regresi logistik atau diskriminan analysis.

Apa sih Neural Networks? Neural networks adalah analisis jaringan antara variabel-variabel. Secara sederhana model hubungan antar variabel dalam statistik adalah Regresi. Namun dalam penelitian ini data yang digunakan adalah data diskrit dan qualitative dimana setiap variable saling berhubungan satu sama lain, maka neural network digunakan untuk mengukur variabel yang mempengaruhi kesuksesan sebuah film.

Pertama-tama yang harus dilakukan adalah membuat hipotesa awal. Dalam hal ini kita membuat model neural networknya. Dengan melakukan penelitian awal dan diskusi terhadap para ahli maka diperoleh model berikut
Dari model tersebut terdapat 7 variabel yang akan mempengaruhi sebuah kesuksesan film. Kesuksesan tersebut dibagi menjadi 9 kelas (output).

Berikut variabel yang akan diukur:

Kemudian dilakukan observasi terhadap data-data setiap tahunnya selama 5 tahun untuk mengetahui bagimana nilai persentase dari variabel-variabel tersebut dalam mempengaruhi performance film. Kemudian dikelompokkan film mana masuk kelas mana. Kelompok tersebut dibentuk dalam sebuah matriks. Jika film tersebut diprediksikan akan masuk kelas "tidak laku" dan dari data menyatakan memang film tersebut "tidak laku" maka hal tersebut diistilahkan sebagai tepat (bingo). Jika tidak maka disebut setidaknya hampir mendekati tepat (1-away).

Dari data matriks selama 5 tahun (dapat dilihat di jurnal), kemudian dengan neural networks dan atau alat statistik yang lainnya diperoleh sebuah prediksi bingo dan 1-away, sebagai berikut:

Dari hasil di atas terlihat bahwa standar deviasi terhadap data 1-away yang paling kecil adalah dengan menggunakan Neural Networks. Artinya Neural Network merupakan alat yang paling tepat untuk memprediksikan kesuksesan suatu produk dalam bidang yang memiliki banyak faktor qualitative seperti sosial dan hiburan.

Setelah didapatkan model menggunakan neural networks selanjutnya dilakukan sensitivitas analisis. Gunanya untuk menilai apakah variable-variable tersebut secara mampu mempengaruhi kesuksesan sebuah film. Hasilnya ternyata hal yang paling mempengaruhi kesuksesan film adalah jumlah layar, efek visual teknologi, dan artis terkenal. Dimana model neural network tersebut dapat memprediksi sebesar 75% akan sukses masuk kelas tertentu sesuai perkiraan producer.

Sekian penjelasan mengenai penggunan analisis pada sebuah industri hiburan yang katanya tabu jika disandingkan dengan science ^_^..

Gimana seru kan? model tersebut juga bisa digunakan untuk industri musik, televisi dan lainnya. Tapi di Indonesia gimana? Variable apakah yang mempengaruhi kesuksesan film? Nah, itu belum pernah ada yang melakukannya. ^_^

Semoga tulisan ini mengispirasi para pembaca yang sedang melakukan penelitian skripsi atau thesis. Silahkan ditanyakan pada kami kalau ada yang kurang jelas dan ingin bantuan untuk mengejarkan analisis ini pada kasus Indonesia atau dimanapun, dengan senang hati kami akan membantu ^_^...

Read More

Sekilas Sampel

Sampel merupakan suatu hal yang wajib dilibatkan ketika kita melakukan suatu riset. Berapa banyak sampel yang harus diambil, berapa persen proporsinya, dan berapa presisi yang harus ditentukan, merupakan pertanyaan-pertanyaan yang selalu muncul dalam pengambilan sampel.

Secara umum, syarat sampel yang baik adalah yang dapat mewakili sebanyak mungkin karakteristik populasi. Dengan kata lain, sampel tersebut harus valid, artinya mengukur sesuatu yang harusnya diukur. Tentunya jika ingin meneliti tingkat kecerdasan anak sma tingkat jawa barat, kita tidak hanya meneliti yang sma di kota bandung saja, ya kan.

Nah, ada 2 hal yang wajib diperhatikan untuk mencapai sampel yang valid, yaitu akurasi dan presisi.

Akurasi dapat diartikan tingkat ketidakadaan bias dalam sampel. Agar sampel dapat memprediksi dengan baik suatu populasi, sampel harus mempunyai selengkap mungkin karakteristik populasi. Dan perlu diketahui bahwa akurasi prediktibilitas dari suatu sampel tidak bisa dijamin dengan banyaknya sampel.

Presisi. Jika berbicara mengenai presisi, artinya kita sudah berbicara mengenai estimasi. Presisi mengacu pada persoalan sedekat mana statistik kita dengan parameternya. Contoh, hasil survei berdasarkan sampel yang kita punya, rata-rata pendapatan orang indonesia 5juta, sedangkn berdasarkan perhitungan badan pemerintah yg notabene hasil sensus, rata-rata pendapatan orang Indonesia adalah 5,2 juta. Nah  ada perbedaan  0,2 juta dalam estimasi kita yang disebut sampling error. Semakin kecil perbedaan tersebut, semakin tinggi tingkat presisi sampel kita. Presisi sendiri berkaitan dengan interval konfidensi (CI), misalnya CI kita 4,75juta - 5,25juta. Karena statistik kita 5juta, maka perbedaan 0,25juta dari nilai estimasi kita disebut sebagai presisi. Dan perlu diketahui bahwa dalam estimasi, ada juga yang disebut confidence level atau tingkat kepercayaan, dengan besaran biasanya 90%, 95%, atau 99%, yang berarti bahwa dengan besaran tingkat kepercayaan tersebut, kita yakin bahwa rata-rata populasi berada pada selang interval konfidensi yang kita buat. Dianggap bahwa semakin lebar selang kepercayaan, semakin jelek estimasi tersebut (poor estimate). Tentunya setiap peneliti menginginkan selang kepercayaan yang sempit, yang berarti  balik lagi ke tingkat presisinya yang harus tinggi. Tapi masalahnya adalah parameter populasi tak pernah diketahui,  so bagaimana bisa kita menentukan presisi?

Sebetulnya ukuran sampel bergantung pada derajat keseragaman, presisi yang dikehendaki, rencana analisis data dan fasilitas yang tersedia (Singarimbun dan Effendi, 1982). Bagaimana cara menentukan presisi, banyak hal yang turut mempengaruhi, misalnya masalah waktu, objek penelitiannya apa, dan biasanya yang paling paling mempengaruhi adalah masalah biaya. :p.

 Presisi diukur oleh simpangan baku (standard error). Makin kecil perbedaan di antara simpangan baku yang diperoleh dari sampel dengan simpangan baku dari populasi, makin tinggi pula tingkat presisinya. Walau tidak selamanya, tingkat presisi mungkin  bisa meningkat dengan cara menambahkan jumlah sampel, karena kesalahan mungkin bisa berkurang kalau jumlah sampelnya ditambah ( Kerlinger, 1973 ).

Akurasi dan presisi, gambaran lebih jelasnya bisa dilihat disini.

Tentunya jika kita mencoba idealis, dimana kita menginginkan hasil survei dengan interval konfidensi yang sempit, maka kita setting tingkat presisi yang tinggi pula. Yang pastinya dengan tingkat presisi yang tinggi tersebut kita harus siap dengan jumlah sampel yang cukup besar, karena ukuran sampel berbanding terbalik dengan kuadrat presisi.

L. Naing, T. Winn, B.N. Rusli mengutarakan artikel yang cukup bagus mengenai perhitungan presisi ini. Saya copas aja semuanya disini ya :D.

 Determining Precision (d)

What is the appropriate precision for prevalence studies? Most of the books or guides show the steps to calculate the sample size but there is no definite recommendation for appropriate d. Investigators generally ends up with the ball-park figures of the study sizes usually based on their limitations such as financial resources, time or availability of subjects. However, we should calculate the sample size with a reasonable or acceptable precision and then allowing for other limitations. In our experience, it is appropriate to have a precision of 5% if the prevalence of the disease is going to be between 10% and 90%.
This precision will give the width of 95% CI as 10% (e.g. 30% to 40%, or 60% to 70%). However, when the prevalence is going to be below 10% or more than 90%, the precision of 5% seems to be inappropriate. For example, if the prevalence is 1% (in a rare disease) the precision of 5% is obviously crude and it may cause
problems. The obvious problem is that 95% CIs of the estimated prevalence will end up with irrelevant negative lower-bound values or larger than 1 upper bound values as seen in the Table 1. Therefore, we recommend d as a half of P if P is below 0.1 (10%) and if P is above 0.9 (90%), d can be {0.5(1-P)}. For example, if P is 0.04, investigators may use d=0.02, and if P is 0.98, we recommend d=0.01. Figure 1 is plotted with this recommendation. Investigators may also select a smaller precision than what we suggest if they wish.However, if there is a resource limitation,investigators may use a larger d. In case of apreliminary study, investigators may use a larger d (e.g. >10%). However, justification for the selection of d should be stated clearly (e.g. limitation of resources) in their research proposal so that reviewers will be well informed. In addition, the larger d should meet the assumption of normal approximation that we will discuss later.

Artikel lengkapnya, unduh disini nih..

Intinya adalah, dalam menentukan jumlah sampel, batasan yang harus diperhatikan:

• Tentukan tujuan risetnya
• Tentukan respondennya, dari sini kita bisa tau pake sampling apa, random atau non random, kalo random, pake metode sampling random apa, kalo non random pake metode sampling non random apa
• Bikin kerangka samplingnya
• Merunut ke tujuan survei, pastinya kita udah tau responden di wilayah mana yg mau disurvei..inget musti valid..
• Merunut ke tujuan survei lagi, pastinya kita udah tau berapa lama waktu yang kita punya untuk riset kita, begitupun dengan dana yang kita punyai. Jika Anda udah menentukan jumlah sampel, dan ternyata dengan waktu atau dana yang Anda punya tidak cukup, maka mungkin sampelnya harus dikurangin, dengan cara menurunkan tingkat presisinya. Jika ternyata sample yang Anda ambil bahkan kurang dari sepertiganya, it's fine, asalkan dapat dipertanggungjawabkan, dan pastinya langkah pengambilan sampel sesuai dengan kaidah statistik plus sampel Anda representatif :D.

Read More

Introduction of multivariat - Dasar Statistik

Sebelum masuk ke multivariat yang sebenarnya, kita harus tahu dasar sebelumnya. Maka yang berikut ini adalah intro statistik:

- Statistic itu sebenarnya berasal dari kata apa ayoo?? (aku yg backgroundnya jurusan statistic seumur-umur belum pernah peduli dengan asal usul kata Statistic. Begitu juga dosen-dosen terdahulu ku, ^_^)

Statistik berasal dari kata statista, bahasa italia yang berarti state person. Seseorang di suatu lembaga yang bertugas untuk mengambil keputusan. Orang tersebut menggunakan data dan informasi untuk mendukung keputusannya tersebut.

- Lalu mengapa kita harus belajar statistik?

Agar kita bisa mengambil keputusan yang valid atau setidaknya memiliki dasar yang jelas, yaitu data atau informasi. Data dan informasi yang ada pasti tidak ada yang sama. Semuanya memiliki variabilitas yang heterogen. Karena itu ada statistik.

- Lompat sedikit ke conjoint analysis. Apa sih Conjoint analysis (dosenku yang sekarang adalah ahlinya conjoint. dia pernah menerbitkan buku khusus menengai conjoint. mau? call me ^_^).

Conjoint analisis bisa digunakan pada bidang marketing riset gunanya untuk mengetahui preferensi konsumen.

- Sementara itu, Analisa multivariat itu apa?

Merupakan, Statistika method dimana digunakan untuk data yang multivariat kemudian diolah secara simultan.

- Tunggu dulu, sebenarnya variat itu apa?

Variat itu adalah gabungan dari beberapa variable. Tapi tidak jarang orang juga menamakan variat adalah variable.

Nah segitu aja deh kuliah multivariat -intro ^_^

Disadur dari http://ilma-ie.blogspot.com/2011/09/introduction-of-multivariat-basic.html 
oleh ilma fathnurfirda

Read More