Small Area Estimation Terhadap Pengeluaran Per Kapita Di Kabupaten Bangkalan Dengan Metode Hierarchical Bayes

Penelitian ini menggunakan metode Hierarchical Bayes (HB) yang diaplikasikan pada Small Area Estimation (SAE) dengan tujuan mengestimasi pengeluaran per kapita di Kabupaten Bangkalan. Digunakan SAE karena penambahan ukuran sampel dari pendugaan secara langsung merupakan salah satu cara untuk mendapatkan data pendugaan sampai level kecamatan. Akan tetapi penambahan ukuran sampel akan menambah biaya yang diperlukan menjadi lebih besar dan waktu yang diperlukan pun dalam survei menjadi lama. Oleh karena itu untuk mengatasi masalah tersebut yaitu dengan mengoptimalkan data yang tersedia dengan metode SAE. Kemudian menggunakan metode HB untuk mencari penduganya. Proses pendugaan dilakukan menggunakan Markov Chain Monte Carlo (MCMC) dengan menerapkan algoritma Gibbs sampling Pemodelan secara tidak langsung menggunakan HB SAE dilakukan dibawah model Fay-Herriot untuk level area dengan bantuan variabel penyerta persentase penduduk bekerja di sektor pertanian , rata-rata anggota keluarga, persentase keluarga miskin, jumlah penduduk yang sedang sekolah, jumlah penduduk pelanggan listrik PLN dan kepadatan penduduk. Hasil pendugaan tersebut dibandingkan dengan pendugaan langsung dengan mengeluarkan output Deviance Information Criterion (DIC) sebagai tolak ukurnya. Dari hasil yang telah diperoleh menunjukkan bahwa pendugaan dengan menggunakan HB menghasilkan nilai DIC yang lebih kecil yaitu sebesar 46.656 daripada pendugaan langsung sebesar 72.043, maka dapat disimpulkan model pendugaan tak langsung menggunakan HB lebih baik dari pendugaan langsung. ================================================================================================================== This study uses the Hierarchical Bayes (HB) which is applied to the Small Area Estimation (SAE) with the purpose of estimating expenditure per capita in Bangkalan. SAE is used as the addition of a sample size direct estimation is one way to get the data estimation until district level. But the addition of the sample size will add to the costs required and the time in the survey also becomes long. Therefore, to overcome this problem is to optimize the data available with the SAE method. Then use the HB method to find the estimation. Estimation process using Markov Chain Monte Carlo (MCMC) by applying Gibbs sampling algorithm. Modeling indirect using HB SAE was done under model of Fay-Herriot to level the area constructively of the variables assistance the percentage of the population employed in agriculture (X1), the average member of the family (X2), the percentage of poor families (X3), the number of people who are School (X4), the number of electricity customers PLN (X5), and population density (X6). The estimation results compared with direct estimation from the Deviance Information Criterion (DIC) value. the final results that the estimation by using HB has DIC smaller value that is equal to 46.656 than direct estimation equal to 72.043, so we can conclude indirect estimation model using HB better than direct estimation.