PENENTUAN TITIK-TITIK BATAS OPTIMUM STRATA PADA PENARIKAN CONTOH ACAK BERLAPIS DENGAN PEMROGRAMAN DINAMIK (Kasus : Pengeluaran per Kapita Propinsi Jawa Timur Tahun 2008) Mahyudi Program Studi Pendidikan Matematika FKIP Universitas Muhammadiyah Bengkulu Email:
[email protected] Abstract Optimum stratification is the method of choosing the best boundaries that make strata internally homogeneous, given some sample allocation. In order to make the strata internally homogenous, the strata should be constructed in such a way that the strata variances for the characteristic under study be as small as possible. This could be achieved effectively by having the distribution of the main study variable known and create strata by cutting the range of the distribution at suitable points. The problem of finding Optimum Strata Boundaries (OSB) is considered as the problem of determining Optimum Strata Widths (OSW). The problem is formulated as a Mathematical Programming Problem (MPP), which minimizes the variance of the estimated population parameter under Neyman allocation subject to the restriction that sum of the widths of all the strata is equal to the total range of the distribution. The distributions of the study variable are considered as continuous with standard normal density functions. The formulated MPPs, which turn out to be multistage decision problems, can then be solved using dynamic programming technique proposed by Bรผhler and Deutler (1975). After the counting process using C++ program received the width of each stratum. From these results the optimal boundary point can be determined for each stratum. For the two strata to get the optimal point on the boundary x 1 = 0.002. For the formation of three strata obtained the optimal point on the boundary x1 = -0.546 and x2 = 0.552. For the formation of four strata obtained optimal boundary point is x1 = -0.869, x2 = 0.003 and x3 = 0.878. In forming five strata obtained optimal boundary point x1 = -1.096, x2 = -0.331, x3 = 0.339 and x4 = 1.107. The establishment of a total of six strata obtained the optimal point on the boundary x1 = -1.267, x2 = -0.569, x3 = 0.005, x4 = 0.579 and x5 = 1.281. Keywords : Stratified Random Sampling, Optimum Stratification, Standard Normal Distribution, Mathematical Programming, Dynamic Programming PENDAHULUAN Penarikan contoh (sampling) dalam survei adalah suatu proses untuk memilih sebagian anggota dari suatu populasi dengan prosedur tertentu sehingga dapat digunakan untuk menduga parameter populasi secara sah. Untuk mencapai tujuan tersebut diperlukan metode
penarikan contoh yang sesuai. Salah satu
teknik penarikan contoh adalah penarikan contoh acak berlapis (stratified random
128
sampling). Pada penarikan contoh acak berlapis, perlu diperhatikan peubah yang digunakan sebagai dasar pembentukan strata. Apabila peubah kualitatif digunakan untuk stratifikasi, pada umumnya pembentukan strata tidak terlalu mengalami masalah, misalnya berdasarkan tingkat pendidikan, pekerjaan dan jenis kelamin. Sebaliknya, jika peubah yang digunakan untuk stratifikasi adalah peubah kuantitatif maka diperlukan teknik tertentu untuk menentukan batas antar strata sesuai dengan kaidah teknik ini. Pertimbangan dasar yang diperhatikan dalam penentuan batas-batas optimum strata adalah bahwa anggota populasi dalam strata harus sehomogen mungkin dan antar strata seheterogen mungkin, dengan perkataan lain ragam dalam strata harus sekecil mungkin dibandingkan ragam antar strata. Masalah yang timbul adalah penentuan titik optimum batas stratifikasi yang akan membagi populasi menjadi dua atau lebih strata sehingga memenuhi kriteria di atas. Metode dalam penentuan titik batas optimum strata telah dikemukakan oleh beberapa peneliti. Lavallรฉe dan Hidiroglou (1988) mengusulkan suatu algoritma untuk menentukan batas-batas strata suatu alokasi kuasa
untuk contoh yang
distrata dari unit-unit contoh yang tidak tentu. Hidiroglou dan Srinath (1993) dalam Khan (2008) menyajikan suatu algoritma yang lebih umum, yaitu dengan memberikan nilai-nilai yang berbeda untuk mengoperasikan parameter-parameter yang menghasilkan alokasi kuasa, alokasi Neyman, atau gabungan dari alokasialokasi ini. Sweet dan Sigman (1995) dalam Khan (2008) dan Rivest (2002) meninjau kembali algoritma Lavallรฉe dan Hidiroglou dan mengusulkan algoritma versi modifikasi yang menggabungkan hubungan berbeda antara stratifikasi dan peubah-peubah yang diteliti. Nicolini (2001) mengusulkan suatu metode yang diberi nama Natural Class Method (NCM), untuk menentang metode Dalenius dan Hodges yang paling banyak digunakan, tetapi kedua metode tersebut tidak terbukti lebih efisien dari yang lain. Lednicki dan Wieczorkowski (2003) dalam Khan (2008) mengajukan metode stratifikasi menggunakan metode simpleks dari Nelder dan Mead (1965) dalam Khan (2008). Kemudian Kozak (2004) menyajikan algoritma pencarian secara acak yang dimodifikasi sebagai metode stratifikasi optimum. Algoritma
129
Kozak benar-benar lebih cepat dan efisien dibandingkan dengan algoritma Rivest, dan Lednicki dan Wieczorkowski dilihat dari kemampuan mengendalikan nilai yang lebih kecil pada fungsi objektif tetapi hal itu tidak dapat menjamin bahwa algoritma tersebut menunjukkan optimum global. Mengingat bahwa masalah penentuan batas optimum strata ekuivalen dengan masalah menentukan lebar optimum strata Khan et al. (2002) dalam Khan (2008), mengatakan bahwa masalah lebar optimum strata sebagai masalah pemrograman matematika. Khan et al. (2002) menerapkan prosedurnya untuk menentukan batas optimum strata terhadap populasi yang memiliki sebaran uniform dan segitiga siku-siku. Kemudian Khan et al. (2005) memperluas pendekatan pemrograman dinamik untuk menentukan batas optimum strata terhadap peubah eksponensial. Khan et al. (2008) juga melakukan pendekatan pemrograman dinamik terhadap peubah yang memiliki sebaran normal baku. Salah satu pemrograman matematika yang dapat digunakan dalam menentukan lebar optimum strata adalah
pendekatan pemrograman dinamik
Bรผhler dan Deutler (1975). Formulasi masalah pemrograman matematika dengan meminimumkan ragam dari parameter populasi yang diduga berdasarkan alokasi Neyman dengan batasan bahwa jumlah lebar dari semua strata sama dengan total jarak dari sebaran peubah yang diamati. Penentuan Batas Optimum Strata Untuk Peubah Kuantitatif Misalkan ๐0 , ๐1 , โฏ , ๐๐ฟ adalah batas-batas strata. Strata h mengandung semua unit dengan satu nilai X dalam interval ๐๐โ1 , ๐๐ untuk ๐ = 1, 2, โฏ , ๐ฟ sehingga ๐0 = ๐๐๐ ๐ dan ๐๐ฟ = ๐๐๐ฅ ๐ + 1, dengan ๐๐๐ ๐
dan ๐๐๐ฅ ๐
masing-masing adalah nilai minimum dan maksimum peubah stratifikasi (Baillargeon 2010). Misalkan X adalah peubah acak, diskret atau kontinu dengan fungsi kepadatan peluang ๐ ๐ฅ , ๐ โค ๐ฅ โค ๐. Untuk menduga rataan populasi ยต dengan contoh
acak
distratifikasi,
X
dipartisi
menjadi
L
strata
๐, ๐ฅ1 , ๐ฅ1, ๐ฅ2 , โฏ , ๐ฅ๐ฟโ1 , ๐ , sehingga ๐ = ๐ฅ0 โค ๐ฅ1 โค ๐ฅ2 โค, โฏ , โค ๐ฅ๐ฟโ1 โค ๐ฅ๐ฟ = ๐ (1) Anggap bahwa dari strata h ( h = 1, 2, ..., L ) mengandung Nh unit, sebuah contoh berukuran nh dipilih dari yhj unit ( h = 1, 2, ..., L; j = 1, 2, ..., nh ). Kemudian
130
๐ฟ ๐=1 ๐๐ ๐ฅ๐ adalah
rataan stratifikasi ๐ฅ๐ ๐ก =
๐ฟ ๐=1 ๐๐
๐ ๐ฅ๐ ๐ก = Dengan๐๐ =
๐๐
, ๐ฅ๐ =
๐
1 ๐๐
๐๐ 2 ๐ =1 ๐ฆ๐๐ , ๐๐
=
dugaan tak bias untuk ยต dengan ragam ๐๐
๐๐2
1 ๐๐ โ1
๐๐
ร
1
โ ๐ (2)
๐๐ ๐ =1
๐ฆ๐๐ โ ๐๐
2
1
dan๐๐ =
๐๐
๐๐ ๐ฆ ๐ =1 ๐ ๐
(Cochran 1977) . Apabila fungsi frekuensi ๐ ๐ฅ
diketahui, nilai-nilai Wh dan ๐๐ pada
persamaan (2) dapat diperoleh dengan ๐๐ = ๐๐2 =
๐ฅ๐ ๐ฅ ๐ โ1
๐ ๐ฅ ๐๐ฅ (3)
๐ฅ๐ ๐ฅ2 ๐ ๐ฅ ๐๐ ๐ โ1 1
๐ฅ ๐๐ฅ โ ๐๐2 (4) ๐๐ =
dengan
adalah rataan dan ๐ฅ๐โ1 , ๐ฅ๐
๐ฅ๐ 1 ๐ฅ๐ ๐๐ ๐ฅ ๐ โ1
๐ฅ ๐๐ฅ
(5)
adalah batas-batas dari strata ke- h. Kemudian
persamaan (2) dibaca sebagai fungsi dari titik-titik batas strata dan ukuran contoh dengan ๐ ๐ฅ๐ ๐ก = ๐ ๐ฅ๐ ๐ก ๐ฅ1 , โฏ , ๐ฅ๐ฟโ1 , ๐1 , โฏ , ๐๐ฟ . Jika nh ditetapkan, tujuan stratifikasi optimum adalah untuk menentukan titik-titik batas optimum strata ๐ฅ1 , โฏ , ๐ฅ๐ฟโ1 sehingga ๐ ๐ฅ๐ ๐ก adalah minimum. Selain itu, jika rasio pengambilan contoh
๐๐ ๐๐
kecil atau pengambilan contoh
dengan pengembalian, maka masalah pengoptimuman berikut diperoleh, tergantung pada tipe dari alokasi ukuran total contoh ๐ =
๐ฟ ๐=1 ๐๐
pada strata
(Cochran 1977). 1. Alokasi proporsional ๐๐ = ๐ โ ๐๐ Minimumkan
๐ฟ 2 ๐=1 ๐๐ ๐๐
dengan kendala ๐ = ๐ฅ0 โค ๐ฅ1 โค ๐ฅ2 โค, โฏ , โค ๐ฅ๐ฟโ1 โค ๐ฅ๐ฟ = ๐ (6) 2. Alokasi sama ๐๐ = Minimumkan
๐ ๐ฟ
๐ฟ 2 2 ๐=1 ๐๐ ๐๐
dengan kendala ๐ = ๐ฅ0 โค ๐ฅ1 โค ๐ฅ2 โค, โฏ , โค ๐ฅ๐ฟโ1 โค ๐ฅ๐ฟ = ๐ (7) 3. Alokasi Neyman ๐๐ = Minimumkan
๐โ๐๐ ๐ ๐ ๐ฟ ๐ =1 ๐ ๐ ๐ ๐
๐ฟ ๐=1 ๐๐ ๐๐
dengan kendala ๐ = ๐ฅ0 โค ๐ฅ1 โค ๐ฅ2 โค, โฏ , โค ๐ฅ๐ฟโ1 โค ๐ฅ๐ฟ = ๐ (8) Masalah pada persamaan (6) dan (8) memiliki struktur sebagai berikut :
131
๐ฟ ๐=1 โ
๐
Minimumkan
๐ฅ๐โ1 , ๐ฅ๐
dengan kendala ๐ = ๐ฅ0 โค ๐ฅ1 โค ๐ฅ2 โค, โฏ , โค ๐ฅ๐ฟโ1 โค ๐ฅ๐ฟ = ๐ (9) Bรผhler
dan
Deutler
(1975)
telah
menyarankan
suatu
metode
pengoptimuman rekursif untuk menyelesaikan persamaan (9) menggunakan teknik pemrograman dinamik sebagai berikut. Misalkan ๐(๐ฅ) merupakan fungsi frekuensi dan ๐ฅ0 dan ๐ฅ๐ฟ adalah nilai x terkecil dan terbesar. Jika rataan populasi diduga berdasarkan alokasi Neyman, maka masalah penentuan batas-batas strata adalah untuk memotong jarak, ๐ฅ๐ฟ โ ๐ฅ0 = ๐ pada titik-titik tengah
(10) ๐ฅ1 โค ๐ฅ2 โค, โฏ , โค ๐ฅ๐ฟโ1 sehingga
๐ฟ ๐=1 ๐๐ ๐๐
pada
persamaan (8) minimum. Perhatikan bahwa ๐(๐ฅ) memiliki n fungsi bagianlinear atau non linear sebagai berikut : ๐ ๐ฅ =
๐1 ๐ฅ ; ๐ฅ0 = ๐0 โค ๐ฅ โค ๐1 ๐2 ๐ฅ ; ๐1 < ๐ฅ โค ๐2 (11) โฎ ๐๐ ๐ฅ ; ๐๐โ1 < ๐ฅ โค ๐๐ = ๐ฅ๐ฟ
Juga diasumsikan bahwa ada L strata, li jumlah strata yang dibentuk berdasarkan fungsi kepadatan ๐๐ ๐ฅ ; ๐ = 1, 2, โฏ , ๐ dan Jika ๐ ๐ฅ
๐ ๐=1 ๐๐
= ๐ฟ.
pada persamaan (11) dapat diintegralkan, menggunakan
pernyataan persamaan (3), (4) dan (5), ๐๐ , ๐๐2 dan ๐๐ diperoleh sebagai suatu fungsi dari titik-titik batas ๐ฅ๐ dan ๐ฅ๐โ1 . Sehingga fungsi objektif pada persamaan (8) dapat dinyatakan sebagai fungsi dari titik-titik batas pada ๐ฅ๐ dan ๐ฅ๐โ1 . Ambil โ
๐ ๐ฅ๐ , ๐ฅ๐โ1 = ๐๐ ๐๐ , sehingga masalah persamaan (8) dapat diperlakukan sebagai masalah optimasi untuk menentukan ๐ฅ1 , ๐ฅ2 , โฏ , ๐ฅ๐ฟโ1 seperti dinyatakan pada persamaan (9). Ambil ๐ฆ๐ = ๐ฅ๐ โ ๐ฅ๐โ1 โฅ 0 yang menunjukkan lebar dari strata ke- ๐ (1, 2, โฏ , ๐ฟ). Dengan definisi dari ๐ฆ๐ di atas, jarak dari sebaran yang diberikan pada persamaan (10) dinyatakan sebagai fungsi dari lebar strata sebagai ๐ฟ ๐=1 ๐ฆ๐
=
๐ฟ ๐=1
๐ฅ๐ โ ๐ฅ๐โ1 = ๐ฅ๐ฟ โ ๐ฅ0 = ๐ (12)
Stratifikasi ke- k titik ๐ฅ๐ ; k = 1, 2, ..., L โ 1 dinyatakan sebagai: ๐ฅ๐ = ๐ฅ0 + ๐ฆ1 + ๐ฆ2 + โฏ + ๐ฆ๐ = ๐ฅ๐โ1 + ๐ฆ๐ yang merupakan fungsi lebar strata ke- k dan batas strata ke (k โ 1).
132
Perhatikan bahwa dengan menambahkan persamaan (12) sebagai batas/ kendala baru, masalah persamaan (9) dapat ditulis kembali sebagai masalah yang ekuivalen dengan penentuan lebar optimum strata sebagai berikut: Minimumkan dengan kendala
๐ฟ ๐=1 โ
๐
๐ฆ๐ , ๐ฅ๐โ1 ,
๐ฟ ๐=1 ๐ฆ๐
= ๐,
dan ๐ฆ๐ โฅ 0; ๐ = 1, 2, โฏ , ๐ฟ(13) Nilai awal ๐ฅ0 diketahui. Oleh karena itu, syarat pertama โ
1 ๐ฆ1 , ๐ฅ0 pada fungsi objektif persamaan (13) adalah suatu fungsi dari ๐ฆ1 itu sendiri. Jika ๐ฆ1 diketahui, titik stratifikasi selanjutnya ๐ฅ1 = ๐ฅ0 + ๐ฆ1 akan diketahui dan syarat kedua pada fungsi objektif โ
2 ๐ฆ2 , ๐ฅ1 akan menjadi fungsi dari ๐ฆ2 itu sendiri. Fungsi objektif merupakan fungsi ๐ฆ๐ itu sendiri, sehingga masalah pemrograman matematika persamaan (13) dinyatakan sebagai: Minimumkan dengan kendala
๐ฟ ๐=1 ๐ท๐
๐ฆ๐ ,
๐ฟ ๐=1 ๐ฆ๐
= ๐,
dan๐ฆ๐ โฅ 0; ๐ = 1, 2, โฏ , ๐ฟ(14) Prosedur Solusi Menggunakan Teknik Pemrograman Dinamik Sebuah model pemrograman dinamik pada dasarnya adalah sebuah persamaan rekursif berdasarkan prinsip optimalisasi Bellman. Persamaan rekursif ini menghubungkan tahapan yang berbeda dalam suatu metode yang menjamin bahwa tiap tahap solusi layak optimal, juga optimal dan layak untuk semua masalah. Perhatikan submasalah berikut dari persamaan (14) untuk k(< ๐ฟ) strata pertama: Minimumkan
๐ ๐=1 โ
๐
๐ฆ๐ , dengan kendala
๐ฆ๐ โฅ 0; ๐ = 1, 2, โฏ , ๐
๐ ๐=1 ๐ฆ๐
= ๐๐ , dan
(15)
dengan ๐๐ < ๐ adalah lebar total yang tersedia untuk bagian dalam k strata atau nilai tertentu pada k langkah. Catatan bahwa ๐๐ = ๐ untuk ๐ = ๐ฟ. Fungsi transformasi diberikan oleh: ๐๐ = ๐ฆ1 + ๐ฆ2 + โฏ + ๐ฆ๐ , ๐๐โ1 = ๐ฆ1 + ๐ฆ2 + โฏ + ๐ฆ๐โ1 = ๐๐ โ ๐ฆ๐ , ๐๐โ2 = ๐ฆ1 ๐ฆ2 + โฏ + ๐ฆ๐โ2 = ๐๐โ1 โ ๐ฆ๐โ1 , โฎ
โฎ
๐2 = ๐ฆ1 + ๐ฆ2 = ๐3 โ ๐ฆ3 , ๐1 = ๐ฆ1 = ๐2 โ ๐ฆ2 , 133
Ambil ๐ท๐ ๐๐
sebagai notasi nilai minimum fungsi objektif dari ๐ ๐=1 โ
๐
persamaan (15), yaitu: ๐ท๐ ๐๐ = min 0; ๐ = 1, 2, โฏ , ๐ . Dari definisi ๐ท๐ ๐๐
๐ฆ๐
tersebut,
๐ ๐=1 ๐ฆ๐
= ๐๐ , dan ๐ฆ๐ โฅ
masalah pemrograman
matematika persamaan (14) ekuivalen untuk menentukan ๐ท๐ฟ ๐ secara rekursif dengan menentukan ๐ท๐ ๐๐ untuk ๐ = 1, 2, โฏ , ๐ฟ dan 0 โค ๐๐ โค ๐. ๐ท๐ ๐๐ = ๐โ1 ๐=1 โ
๐
min โ
๐ ๐ฆ๐ +
๐โ1 ๐=1 ๐ฆ๐
๐ฆ๐
= ๐๐ โ ๐ฆ๐ ,dan๐ฆ๐ โฅ 0; ๐ = 1, 2, โฏ , ๐ โ 1
Untuk suatu nilai tetap dari ๐ฆ๐ ; 0 โค ๐ฆ๐ โค ๐๐ ๐ท๐ ๐๐ = โ
๐ ๐ฆ๐ ๐โ1
+ min
๐โ1
โ
๐ ๐ฆ๐ ๐=1
๐ฆ๐ = ๐๐ โ ๐ฆ๐ , ๐ฆ๐ โฅ 0; ๐ ๐=1
= 1, 2, โฏ , ๐ โ 1 Menggunakan prinsip pengoptimalan Bellman, diperoleh hubungan berulang dari teknik pemrograman dinamik sebagai berikut: ๐ท๐ ๐๐
๐๐๐ 0 โค๐ฆ ๐ โค๐ ๐
โ
๐ ๐ฆ๐ + ๐ท๐โ1 ๐๐ โ ๐ฆ๐
, ๐โฅ2
Untuk langkah pertama, yaitu untuk k = 1:
๐ท1 ๐1 = โ
1 ๐1
(16) ๐ฆ1โ = ๐1 , (17)
dengan ๐ฆ1โ = ๐1 adalah lebar optimum strata pertama. Hubungan persamaan (16) dan (17) diselesaikan secara rekursif untuk tiap ๐ = 1, 2, โฏ , ๐ฟ dan 0 โค ๐๐ โค ๐ dan ๐ท๐ฟ ๐ diperoleh. Dari ๐ท๐ฟ ๐ , lebar optimum strata ke- L, ๐ฆ๐ฟโ , diperoleh. Dari โ ๐ท๐ฟโ1 ๐ โ ๐ฆ๐ฟโ lebar optimum strata ke- L-1, ๐ฆ๐ฟโ1 , diperoleh dan begitu seterusnya
sampai ๐ฆ1โ diperoleh. Pemrograman Matematika Untuk Sebaran Normal Misalkan peubah penelitian x memiliki sebaran normal baku dengan fungsi kepadatan peluang diberikan oleh: 1
๐ ๐ฅ =
๐๐ฅ๐ โ 2๐
๐ฅ2 2
; โโ < ๐ฅ < โ
Menurut Bรผhler dan Deutler (1975), dengan menggunakan definisi persamaan (3), (4) dan (5), dapat dilihat bahwa: ๐๐ = ๐๐ =
๐๐๐
๐ฆ ๐ + ๐ฅ ๐ โ1 2
โ๐๐๐
๐ฅ ๐ โ1 2
2
(18)
๐ฅ2 ๐ฆ +๐ฅ 2 ๐๐ฅ๐ โ ๐ โ1 โ๐๐ฅ๐ โ ๐ ๐ โ1
๐ ๐๐๐
2 ๐ฆ ๐ +๐ฅ ๐ โ1 2
โ๐๐๐
2 ๐ฅ ๐ โ1
2
, dan
2
134
๐๐2 =
2๐ ๐ฅ๐โ1 ๐๐ฅ๐ โ
+(๐ฆ๐ + ๐ฅ๐โ1 ) ๐๐ฅ๐ โ
๐ฆ ๐ +๐ฅ ๐โ1 2
๐๐๐
2
โ 2 ๐๐ฅ๐ โ
2 ๐ฅ ๐โ1
2 ๐ฅ๐โ1 ๐ฆ๐ + ๐ฅ๐โ1 ๐ฆ๐ + ๐ฅ๐โ1 ๐๐๐ โ (๐ฆ๐ + ๐ฅ๐โ1 ) ๐๐ฅ๐ โ 2 2 2
โ ๐ฅ๐ โ
2
๐ฆ ๐ +๐ฅ ๐โ1
+ ๐ ๐๐๐
๐ฅ ๐โ1
2
2 ๐ฆ ๐ +๐ฅ ๐โ1 2
2
2
โ ๐๐๐
๐ฆ ๐ +๐ฅ ๐โ1
รท ๐ ๐๐๐
2
2
๐ฅ ๐โ1 2
โ ๐๐๐
โ ๐ฅ๐โ1 ๐๐ฅ๐ โ
๐ฅ ๐โ1
๐ฆ๐ + ๐ฅ๐โ1
๐๐๐ 2 ๐ฅ ๐โ1
2
2 ๐๐๐
๐ฅ ๐โ1 2
2
(19)
2
2
dengan ๐ฆ๐ = ๐ฅ๐ โ ๐ฅ๐โ1 , ๐๐๐ ๐ฅ๐ โ ๐๐๐ ๐ฅ๐โ1 =
2
๐
ร
๐ฅ๐ ๐๐ฅ๐ ๐ฅ ๐ โ1
โ๐ข2 ๐๐ข dan
๐ = 1, 2, โฏ , ๐ฟ. Dengan demikian, dengan menggunakan nilai pada persamaan (18) dan (19), masalah pemrograman matematika persamaan (14) dapat dinyatakan sebagai berikut: Minimumkan 1 ๐ฟ ๐=1 ๐๐๐๐ก 2 2๐
๐ฅ๐โ1 ) ๐๐ฅ๐ โ
๐ฅ๐โ1 ๐๐ฅ๐ โ
๐ฆ ๐ +๐ฅ ๐ โ1 2 2
+(๐ฆ๐ + ๐ฅ๐โ1 ) ๐๐ฅ๐ โ ๐
โ ๐๐
๐๐ฅ๐ โ
2
2
๐๐๐
๐ฆ ๐ +๐ฅ ๐ โ1
โ๐ฅ๐โ1 ๐๐ฅ๐ โ
2
๐๐๐
โ ๐๐ฅ๐ โ
โ(๐ฆ๐ +
2
๐ฆ ๐ +๐ฅ ๐ โ1
๐ฆ ๐ +๐ฅ ๐ โ1 2
๐ฅ ๐2 โ1 2
๐๐๐
๐ฅ ๐2 โ1
๐ฅ ๐ โ1
+
2
๐ฆ ๐ +๐ฅ ๐ โ1 2
๐ ๐
๐๐๐
๐ฅ ๐2 โ1 2
๐๐๐
๐ฆ ๐ +๐ฅ ๐ โ1 2
2
โ ๐๐๐
2
2
๐ฅ ๐ โ1
dengan kendala
๐ฅ ๐ โ1
๐ฟ ๐=1 ๐ฆ๐
2
2
= ๐,
dan ๐ฆ๐ โฅ 0; ๐ = 1, 2, โฏ , ๐ฟ(20) dengan sqrt adalah square root, exp adalah eksponensial, dan erf adalah error function. METODE PENELITIAN Data Data yang digunakan dalam penelitian ini menggunakan data SUSENAS Propinsi Jawa Timur Tahun 2008 berupa data pengeluaran per kapita penduduk sebanyak 8607 Kepala Rumah Tangga. Metode Penelitian Pembentukan strata dengan menggunakan teknik pemrograman dinamik terbagi menjadi beberapa tahapan sebagai berikut. Tahap 1. Penyusunan model/ fungsi objektif. Langkah yang dilakukan pada tahap 1 adalah pembentukan fungsi objektif seperti pada persamaan (20) di mana fungsi kendala
๐ฟ ๐=1 ๐ฆ๐
= ๐ , dengan
๐ = ๐ฅ๐ฟ โ ๐ฅ0 . Kemudian tentukan fungsi lebar strata ke- (๐ โ 1), yaitu ๐ฅ๐โ1 .
135
Substitusikan nilai ๐ฅ๐โ1 ini ke dalam fungsi objektif yang telah disusun. Gunakan persamaan (16) dan (17) untuk mendapatkan persamaan rekursifnya. Tahap 2. Penyelesaian persamaan rekursif. Langkah-langkah dalam penyelesaian persamaan rekursif adalah sebagai berikut. 1. Mulai dengan ๐ = 1. Tetapkan ๐ท 0, ๐0 = 0. 2. Hitung ๐ท1 ๐1 , nilai minimum RHS (right hand side) dari persamaan rekursif yang diperoleh untuk ๐ฆ1 = ๐1 , 0 โค ๐ฆ1 โค ๐1 dan 0 โค ๐1 โค ๐. 3. Simpan nilai ๐ท1 ๐1 dan ๐ฆ1 . 4. Untuk ๐ = 2, nyatakan peubah penjelas sebagai ๐๐โ1 = ๐๐ โ ๐ฆ๐ . 5. Tetapkan ๐ท๐ ๐๐ = 0 jika ๐ฆ๐ > ๐๐ , di mana 0 โค ๐๐ โค ๐. 6. Hitung ๐ท๐ ๐๐ , nilai minimum RHS dari persamaan rekursif yang diperoleh untuk ๐ฆ๐ ; 0 โค ๐ฆ๐ โค ๐๐ . 7. Simpan nilai ๐ท๐ ๐๐ dan ๐ฆ๐ . 8. Untuk ๐ โฅ 3, โฏ , ๐ฟ , kembali ke langkah 4. 9. Pada ๐ = ๐ฟ, ๐ท๐ฟ ๐ diperoleh sehingga nilai optimum ๐ฆ๐ฟโ dari ๐ฆ๐ฟ diperoleh. 10. Pada ๐ = ๐ฟ โ 1, gunakan penghitungan mundur untuk ๐๐ฟโ1 = ๐๐ฟ โ ๐ฆ๐ฟ , baca โ nilai dari ๐ท๐ฟโ1 ๐๐ฟโ1 , sehingga nilai optimum ๐ฆ๐ฟโ1 dari ๐ฆ๐ฟโ1 .
11. Ulangi langkah ke-10 sampai nilai optimum ๐ฆ1โ dari ๐ฆ1 diperoleh dari ๐ท1 ๐1 . Penyelesaian persamaan rekursif tersebut menggunakan Program C++. Tahap 3. Penghitungan nilai optimum fungsi objektif. Sebagai tahapan terakhir adalah menghitung nilai optimum fungsi objektif untuk setiap strata L yaitu
๐ฟ ๐=1 โ
๐
๐ฆ๐ =
๐ฟ ๐=1 ๐๐ ๐๐ .
Untuk mengetahui karakteristik antar strata dilakukan pengujian kehomogenan ragam. Metode statistika untuk menguji kehomogenan ragam adalah uji khi-kuadrat yang dikenal dengan uji Bartlett. Hipotesis yang diuji pada uji Bartlett adalah: H0 : ๐12 = ๐22 = โฏ = ๐๐2 H1 : paling sedikit ada satu pasang ๐๐2 โ ๐๐2โฒ
, untuk setiap ๐ โ ๐ โฒ , di mana
๐ = 1, 2, โฏ , ๐ Uji Bartlett dapat dilakukan untuk ulangan sama atau tidak sama. Uji khikuadarat untuk jumlah ulangan tidak sama adalah: 136
2 ๐๐๐๐ก๐ข๐๐ =
2 ๐๐๐ ๐๐๐ ๐๐๐ โ ๐๐๐ โ ๐๐๐ ๐2 1 1 1 1+ ๐๐๐ โ ๐๐๐ 3 ๐โ1
(21)
dengan dbi adalah derajat bebas strata ke-i, si2 adalah ragam dari strata ke-i dan s2gab adalah ragam gabungan untuk semua strata. Dengan kaidah keputusan sebagai berikut: 2 2 Apabila ๐๐๐๐ก๐ข๐๐ > ๐๐ผ,๐โ1 , maka H0 ditolak artinya kehomogenan ragam tidak
dapat dipenuhi. Dan jika sebaliknya hipotesis kehomogenan ragam diterima. HASIL DAN PEMBAHASAN Data Pengeluaran Per Kapita Propinsi Jawa Timur Tahun 2008 Jawa Timur adalah provinsi yang terdiri dari 29 kabupaten dan 9 kota. Secara umum wilayah provinsi Jawa Timur dapat dibagi menjadi dua bagian besar yaitu Jawa Timur daratan dan Pulau Madura. Luas wilayah Jawa Timur daratan hampir mencapai 90 persen dari luas keseluruhan, sedangkan wilayah Madura hanya sekitar 10 persen. Data yang digunakan pada penelitian ini adalah data pengeluaran per kapita penduduk Jawa Timur tahun 2008 dengan jumlah contoh n = 8607 Kepala Rumah Tangga. Data ini diperoleh dari publikasi BPS dari hasil SUSENAS. Dari data tersebut dapat diperoleh informasi bahwa rata-rata pengeluaran per kapita penduduk Jawa Timur adalah Rp337.105,93 dan ragam Rp8.49 x 1010. Pengeluaran minimum adalah sebesar Rp41.349,94 dan pengeluaran maksimum sebesar Rp5.442.241,45. Setelah dilakukan uji kenormalan Kolmogorov Smirnov terhadap data pengeluaran per kapita tersebut, hasilnya menunjukkan bahwa adanya penyimpangan asumsi tesebut. Karena metode dalam penelitian ini memerlukan asumsi kenormalan, maka data penelitian tersebut harus ditransformasi, dalam hal ini menggunakan transformasi log. Penentuan Titik-titik Batas Optimum Strata Untuk data contoh pengeluaran per kapita (nilai setelah diubah menjadi normal standar) dengan n = 8607 diperoleh nilai terkecil dan nilai terbesar masing-masing adalah ๐ฅ0 = -3.302 dan ๐ฅ๐ฟ = 5.169. Ini menunjukkan bahwa jarak dari distribusi adalah ๐ = ๐ฅ๐ฟ โ ๐ฅ0 =5.169 โ (-3.302) = 8.471 Sehingga fungsi objektif persamaan (20) dapat dinyatakan sebagai: 137
1 ๐ฟ ๐=1 ๐๐๐๐ก 2 2๐
Minimumkan ๐ฅ๐โ1 ) ๐๐ฅ๐ โ
๐ฆ ๐ +๐ฅ ๐ โ1 2 2
+(๐ฆ๐ + ๐ฅ๐โ1 ) ๐๐ฅ๐ โ ๐๐๐
๐ฅ ๐ โ1
๐ฅ๐โ1 ๐๐ฅ๐ โ
๐ฆ ๐ +๐ฅ ๐ โ1
๐๐๐
๐๐๐
2
๐๐๐
2
โ๐ฅ๐โ1 ๐๐ฅ๐ โ
2
๐ฆ ๐ +๐ฅ ๐ โ1 2
๐ฅ ๐2 โ1
๐ฅ ๐ โ1
+
2
๐ ๐
๐ฅ ๐2 โ1 2
๐๐๐
๐ฆ ๐ +๐ฅ ๐ โ1
โ (๐ฆ๐ +
2
๐๐๐
๐ฅ ๐ โ1 2
๐ฆ ๐ +๐ฅ ๐ โ1 2
โ
2
2
๐
โ ๐๐
๐๐ฅ๐ โ
๐ฅ ๐2 โ1
โ ๐๐ฅ๐ โ
2
2
๐ฆ ๐ +๐ฅ ๐ โ1 2
dengan kendala
2
๐ฟ ๐=1 ๐ฆ๐
= 8.471
dan๐ฆ๐ โฅ 0; ๐ = 1, 2, โฏ , ๐ฟ(22) Stratifikasi ke- (k-1) diberikan oleh ๐ฅ๐โ1 = ๐ฅ0 + ๐ฆ1 + ๐ฆ2 + โฏ + ๐ฆ๐โ1 = โ3.302 + ๐ฆ1 + ๐ฆ2 + โฏ + ๐ฆ๐โ1 = ๐๐โ1 โ 3.302 = ๐๐ โ ๐ฆ๐ โ 3.302 Substitusikan nilai ๐ฅ๐โ1 kedalam persamaan (21) dan dengan mengunakan persamaan (16) dan (17), persamaan rekursif untuk menyelesaikan masalah pemrograman matematika persamaan (21) ditentukan sebagai berikut. Untuk tahap pertama (k = 1): ๐ท1 ๐1 = ๐๐๐๐ก
1 2 2๐
โ ๐1 โ 3.302 ๐๐ฅ๐ โ 3.302๐๐ฅ๐ โ
โ3.302๐๐ฅ๐ โ ๐1 โ 3.302 2
10.902 ๐1โ3.302 ๐๐๐ 2 2
๐๐๐
๐1โ 3.302 2
10.902 3.302 ๐๐๐ 2 2
+ ๐1 โ 3.302 ๐๐ฅ๐ โ
๐1 โ 3.302 2
2
๐๐๐
3.302 2
2
+
1 ๐1โ3.302 3.302 ๐๐๐ โ ๐๐๐ 4 2 2
โ
1 10.902 ๐1 โ 3.302 ๐๐ฅ๐ โ โ ๐๐ฅ๐ โ 2๐ 2 2
2
2
Pada ๐ฆ1 = ๐1 (23) Untuk tahap ๐ = 2, 3, โฏ , ๐ฟ
138
๐ท๐ ๐๐ =
min
0โค๐ฆ ๐ โค๐ ๐
๐๐๐๐ก
1 2 2๐
๐๐ โ ๐ฆ๐ โ 3.302 2
โ 3.302 exp โ ๐๐ โ 3.302 ๐๐ฅ๐ โ 3.302 exp โ
2
๐ ๐ โ๐ฆ ๐ โ3.302 2 2
๐๐ โ 3.302 ๐๐ฅ๐ โ ๐๐๐
๐ ๐ โ3.302 2
๐ ๐ โ ๐ฆ ๐ โ3.302
๐ ๐ โ3.302 2
๐๐๐
2
๐๐โ3.302
erf
๐ ๐ โ 3.302
2
โ
๐๐ โ ๐ฆ๐ โ
2
๐ ๐ โ ๐ฆ ๐ โ3.302
erf 2
๐๐ โ ๐ฆ๐
2 ๐ ๐ โ ๐ฆ ๐ โ3.302
erf
+
2
1 4
๐๐๐
๐ ๐ โ 3.302 2
โ
2
2
1
โ 2๐ ๐๐ฅ๐ โ
๐ ๐ โ๐ฆ ๐ โ3.302 2
โ ๐ฅ๐ โ
2
Penyelesaian
persamaan
๐ ๐ โ3.302 2
2
2
rekursif
+๐ท๐โ1 ๐๐ โ ๐ฆ๐
(22)
dan
(23)
(24)
menggunakan
pemrograman C++ suntuk menentukan lebar strata optimum ๐ฆ๐ . Tabel 1 menunjukkan hasil dari penyelesaian ini disertai dengan nilai optimum fungsi objektif
๐ฟ ๐=1 โ
๐
๐ฆ๐ =
๐ฟ ๐=1 ๐๐ ๐๐
untuk ๐ฟ = 2, 3, 4, 5 ๐๐๐ 6.
Tabel 1 Titik-titik batas optimum strata dari sebaran normal baku Jumlah Strata L
2
Lebar Optimum Strata (๐ฆ๐ ) y1=3.303 y2=5.167 y1=2.756
3
y2=1.098 y3=4.617 y1=2.432 y2=0.873
4
y3=0.875 y4=4.291 y1=2.206 y2=0.765
5
y3=0.670 y4=0.767 y5=4.062 y1=2.035
6
y2=0.698 y3=0.574
Titik-titik Batas Optimum Strata (๐ฅ๐ = ๐ฅ๐โ1 + ๐ฆ๐ ) x0 = -3.302 0.002 xL = 5.169 x0 = -3.302 x1=-0.546 x2=0.552
Nilai Optimum Fungsi Objektif ๐ฟ ๐=1 โ
๐ ๐ฆ๐ = ๐ฟ ๐=1 ๐๐ ๐๐
x 1= 0.599
0.424
xL = 5.169 x0 = -3.302 x1=-0.869 x2=0.003 x3=0.878 xL = 5.169
0.328
x0 = -3.302 x1=-1.096 x2=-0.331 x3=0.339
0.267
x4=1.106 xL = 5.169 x0 = -3.302 x1=-1.267 x2=-0.569
0.225
x3=0.005
139
y4=0.574 y5=0.702 y6=3.888
x4=0.579 x5=1.280 xL = 5.169
Pengujian Kehomogenan Ragam Hasil uji khi-kuadrat untuk setiap strata disajikan pada Tabel 2. Tabel 2 Hasil uji khi-kuadrat untuk setiap jumlah strata Jumlah Strata L 2 3
4
5
6
Jumlah Contoh Tiap Strata n1 = 4755 n2 = 3852 n1 = 2724 n2 = 3683 n3 = 2200 n1 = 1667 n2 = 3093 n3 = 2364 n4 = 1483 n1 = 983 n2 = 2534 n3 = 2300 n4 = 1668 n5 = 1122 n1 = 606 n2 = 2032 n3 = 2126 n4 = 1711 n5 = 1224 n6 = 908
Ragam Tiap Strata ๐ 12 ๐ 22 ๐ 12 ๐ 22 ๐ 32 ๐ 12 ๐ 22 ๐ 32 ๐ 42 ๐ 12 ๐ 22 ๐ 32 ๐ 42 ๐ 52 ๐ 12 ๐ 22 ๐ 32 ๐ 42 ๐ 52 ๐ 62
2 Nilai ๐๐๐๐ก๐ข๐๐
P-value
7268.946
0.000
13040.803
0.000
17100.023
0.000
20157.687
0.000
23967.310
0.000
= 0.23 = 0.58 = 0.13 = 0.09 = 0.51 = 0.10 = 0.06 = 0.06 = 0.48 = 0.09 = 0.05 = 0.04 = 0.05 = 0.46 = 0.08 = 0.04 = 0.03 = 0.03 = 0.39 = 0.44
Dari Tabel 2 terlihat bahwa untuk semua jumlah strata L, menghasilkan nilai khi-kuadrat yang lebih besar daripada nilai khi-kuadrat tabel baik pada taraf nyata 5% maupun pada taraf nyata 1%. Ini berarti bahwa kehomogenan ragam ditolak, yaitu uji menunjukkan perbedaan yang nyata antara ragam-ragam pada setiap jumlah strata L. Hasil ini juga menunjukkan bahwa ada perbedaan keragaman pada masing-masing strata. Hal ini berarti bahwa antar strata lebih bervariasi karakteristiknya (heterogen). Pembentukan Strata Pengeluaran Per Kapita Jawa Timur Tahun 2008 Lebar strata dan titik-titik batas optimum strata pada Tabel 1 merupakan hasil yang didapatkan dari data yang sudah ditransformasi. Untuk data pengeluaran per kapita Propinsi Jawa Timur Tahun 2008 disajikan pada Tabel 3. Tabel 3 Titik-titik batas optimum strata pengeluaran per kapita Jawa Timur 2008 Jumlah Strata L
Lebar Optimum Strata (๐ฆ๐ )
Titik-titik Batas Optimum Strata
Nilai Ragam Strata ๐ ๐2
140
2
y1 = 35933.33 y2 =5164855.
3
y1 = 0922.869 y2 = 178461.9 y3 = 5061394.
4
y1 = 26525.06 y2 = 109712.0 y3 = 181764.5 y4 = 4982767.
5
y1 = 06024.82 y2 = 81428.1 y3 = 107872.1 y4 = 187136.5 y5 = 4918068.
6
y1 = 92184.35 y2 = 66063.52 y3 =78167.16 y4 = 108808.6 y5 = 191543.5 y6 = 4862690.
x0 =41349.940 x1 = 277325.3 xL = 5442241. x0 =41349.940 x1 = 202272.8 x2 = 380751.9 xL = 5442241. x0 = 1349.940 x1 = 167875.6 x2 = 277605.1 x3 = 459449.1 xL = 5442241. x0 = 1349.940 x1 = 147398.4 x2 = 228973.7 x3 = 336869.8 x4 = 524125.8 xL = 5442241. x0 = 1349.940 x1 = 133543.7 x2 = 199626.4 x3 = 277805.1 x4 = 386780.9 x5 = 579495.9 xL =5442241.452
๐ 12 = 339422490 ๐ 22 =1.281E+11 ๐ 12 = 880588393 ๐ 22 =2436769947 ๐ 32 =1.746E+11 ๐ 12 = 512400483 ๐ 22 = 960333991 ๐ 32 =2599356842 ๐ 42 =2.159E+11 ๐ 12 = 340941512 ๐ 22 = 567979981 ๐ 32 = 953660359 ๐ 42 =2739191510 ๐ 52 = 2.492E+11 ๐ 12 = 253204999 ๐ 22 = 342296093 ๐ 32 = 472878135 ๐ 42 =941057357 ๐ 52 = 2840506289 ๐ 62 =2.774E+11
SIMPULAN DAN SARAN Simpulan Penentuan titik-titik batas optimum strata dapat dianggap sebagai masalah pemrograman matematika dan dapat diselesaikan dengan teknik pemrograman dinamik. Metode ini dapat diterapkan pada data dengan sebaran yang berbeda karena memiliki fungsi objektif yang berbeda pula sesuai dengan sebaran datanya. Metode ini memberikan hasil berupa lebar masing-masing strata. Oleh karena itu dapat ditentukan titik-titik batas optimum strata dan juga jumlah contoh pada masing-masing strata. Titik-titik batas yang diperoleh menghasilkan ragam di dalam strata sehomogen mungkin dan ragam antar strata seheterogen mungkin. Untuk dua strata diperoleh titik batas optimum pada x1 = 0.002.Untuk pembentukan tiga strata diperoleh titik batas optimum pada x1 = -0.546 dan x2 = 0.552. Untuk pembentukan sebanyak empat strata diperoleh titik batas optimum adalah x1 = -0.869, x2 = 0.003 dan x3 = 0.878. Pada pembentukan sebanyak lima strata diperoleh titik batas optimum x1 = -1.096, x2 = -0.331, x3 = 0.339 dan x4 = 1.107. Sedangkan
untuk pembentukan sebanyak enam strata diperoleh titik
batas optimum pada x1 = -1.267, x2 = -0.569, x3 = 0.005, x4 = 0.579 dan x5 = 1.281.
141
Metode pemrograman dinamik ini juga memberikan nilai optimum fungsi objektif untuk tiap jumlah strata. Hasilnya menunjukkan bahwa semakin banyak jumlah strata maka nilai optimum fungsi ini akan semakin kecil. Nilai optimum fungsi objektif untuk jumlah strata 2, 3, 4, 5, dan 6 berturut-turut adalah 0.599, 0.424, 0.328, 0.267 dan 0.225. Saran Penentuan strata untuk peubah kuantitatif dengan metode pemrograman dinamik dapat menjadi salah satu alternatif dalam menentukan stratifikasi dalam penelitian survei dan dapat dilakukan untuk data dengan sebaran yang lain selain sebaran normal dengan penentuan sebarannya terlebih dahulu. DAFTAR PUSTAKA Aoyama H. 1954. A Study of Stratified Random Sampling. Annals of The Institute of Statistical Mathematics 6:1-36. Bรผhler W and Deutler T. 1975. Optimal Stratification and Grouping by Dynamic Programming. Metrika 22:161-175. BPS [Badan Pusat Statistik] Provinsi Jawa Timur. 2008. Pendataan Potensi Desa 2008 Propinsi Jawa Timur . Jawa timur: Badan pusat Statistik. Baillargeon S and Rivest LP. 2010. Univariate Stratification of Survey Populations with The Package Stratification. Paper in Progress. Cochran WG. 1977. Sampling Techniques, 3rd Edition. New York: John Willey & Sons. Khan EA, Khan MGM, Ahsan MJ. 2002. Optimum Stratification: A Mathematical Programming Approach. Culcutta Statistical Association Bulletin 52 (special):205-208. Khan MGM, Najmussehar, Ahsan MJ. 2005. Optimum Stratification for Exponential Study Variable Under Neyman Allocation. Journal of Indian Society of Agriculture Statistics 59(2):146-150. Khan MGM, Niraj Nand, Nesar Ahmad. 2008. Determining The Optimum Strata Boundary Points Using Dynamic Programming. Survey Methodology 34: 205-214. Kish L. 1965. Survey Sampling.New York: John Willey & Sons. Kozak M. 2004. Optimal Stratification Using Random Search Method in Agricultural Surveys. Statistics in Transition 6(5):797-806. Lavallรฉe P. 1988. Two-way Optimal Stratification using Dynamic Programming. Procedings of The Section on Survey Research Methods; Virginia:646-651. Lavallรฉe P, Hidiroglou M. 1988. On The stratification of Skewed populations. Survey Methodology 14:33-43. Levy, Paul S, Stanley L. 1995. Sampling of Populations Methods and Applications Third Edition.New York: John Willey & Sons. Nicolini G. 2001. A Method to Define Strata Boundaries. Departmental Working Papers 2001-01. Department of Economics, University of Milan, Italy.
142
Rivest LP. 2002. A Generalization of Lavallรฉe and Hidiroglou Algorithm for Stratification in Business Survey. Survey Methodology 28:191-198. Siagian P.2006. Penelitian Operasional: Teori dan Praktek. UI-PRESS.
143