PERKIRAAN DAN PROYEKSI PENDUDUKFarid Agushybana Biostatistika & Kependudukan

Manfaat

Perencanaan Pembangunan Kebutuhan sarana / fasilitas umum Kebutuhan perumahan Kebutuhan penyediaan sumber daya

kesehatan Pertumbuhan kependudukan

Jenis

Perkiraan antar sensus. Perkiraan yang disusun segera

sesudah sensus diselenggarakan.

Proyeksi penduduk.

Perkiraan antar sensus

Interpolasi

Perkiraan Geometri

CONTOH PERHITUNGAN ESTIMASI PENDUDUK : JUMLAH PENDUDUK INDONESIA 1990 = 178631 196,

2000 = 205 842 396, LAJU PERTUMBUHAN PENDUDUK = 1.49

GeometrikPt = Po (1 + r)t

P2001=178631196 (1 + 0.0149)11

P2001 = 210 190 500

Eksponensial

Pt = P0ert

P2001=178631196(2.71828)

0.0149 * 11

P2001 =178 631 196*(2.71828)

0.1639

P2001 =178 631 196*1.1781P2001 = 210 445 412

GeometrikPt = Po (1 + r)t

P1998=178 631 196 (1 + 0.0149)8

P1998 = 201 068 170

EksponensialPt = P0e

rt

P1998 = 178631196 (2.71828)

0.0149 * 8

P1998 = 178631196*(2.71828) 0.1192

P1998 =178 631 196*1.1266P1998 = 201 245 905

METODE KOMPONEN

P1 = Po + B1 – D1 + I1 – O1

Po = Penduduk pada tahun 0 (tahun dasar)

B1 = Kelahiran selama 1 tahun

D1 = Kematian selama 1 tahun

I1 = Migrasi masuk selama 1 tahun

O1 = Migrasi keluar selama 1 tahun

PROYEKSI PENDUDUK

Proyeksi penduduk bukan merupakan ramalan jumlah penduduk tetapi suatu perhitungan ilmiah yang didasarkan pada asumsi dari komponen-komponen laju pertumbuhan penduduk, yaitu kelahiran, kematian, dan perpindahan (migrasi).

TAHAPAN PERHITUNGAN PROYEKSI PENDUDUK

Penentuan data dasar dan perapihan penduduk

Penentuan asumsi kelahiran, kematian, dan perpindahan

Perhitungan proyeksi Iterasi

KENAPA HARUS DILAKUKAN PERAPIHAN STRUKTUR UMUR ? Tiga kesalahan dalam pelaporan

umur :1. Kesalahan penuturan umur (age

misstatement)2. Digit Preference (kecenderungan

untuk melaporkan umur yang berakhiran nol dan lima)

3. Under-estimate untuk kelompok umur tertentu (kelompok umur di bawah lima tahun, kelompok umur tua, dan kelompok umur usia muda)

CARA UNTUK MENGEVALUASI STRUKTUR UMUR PENDUDUK

Menggambar piramida penduduk untuk melihat age heaping

Menghitung Whipple’s Index untuk mengukur sejauh mana kecenderungan responden melaporkan umur yang berakhiran 0 atau 5

Menghitung Myer’s Index untuk mengevaluasi kecenderungan pelaporan umur yang berakhiran 1 sampai dengan 9

Menghitung United Nation’s Index untuk melihat keakurasian umur dan jenis kelamin

PIRAMIDA PENDUDUK BANGKA BELITUNGTahun 2000 (Dalam Ribu)

Hasil SP2000

75+

70

65

60

55

50

45

40

35

30

25

20

15

10

5

002468101214 0 2 4 6 8 10 12 14

Laki-laki Perempuan

WHIPPLE INDEX

100*)(5/1

)60()55()50()45()40()35()30()25(62

23

iiP

PPPPPPPPIndexWhipple

BATASAN NILAI WHIPPLE’S INDEX

Nilai dari whipple’s index bervariasi dari 0 sampai dengan 500

Nilai Whipple’s Index = 100 berarti tidak ada kecenderungan untuk menyebutkan umur pada angka tertentu

Nilai Whipple’s index = 500 berarti semua orang melaporkan umurnya dalam umur yang berakhiran 0 atau 5

Nilai Whipple’s Index antara 0 dan 100 berarti ada kecenderungan untuk menghindari angka yang berakhiran 0 atau 5

CONTOH PERHITUNGAN MYERS INDEX

Terminal Digit (a)

Pddk. dg TerminalDigit (a) (000)

Penimbang Untuk Blended Population Deviasi dari 10 %

  Mulai pada umur (a)

Mulai pada umur

(a+10)

Kolom 2

Kolom 3

Jumlah % distri-busi

 

(1) (2) (3) (4) (5) (6) (7) (8)

5 9 732 7 859 1 9 80 463 19.05 + 9.05

6 5 014 3 060 2 8 34 508 8.17 - 1.83

7 4 639 2 750 3 7 33 162 7.85 - 2.15

8 4 996 3 136 4 6 38 800 9.19 - 0.81

9 3 628 1 190 5 5 27 690 6.56 - 3.43

0 10 258 8 496 6 4 95 532 22.62 + 12.62

1 3 548 2 326 7 3 31 814 7.53 - 2.47

2 3 390 1 875 8 2 30 870 7.31 - 2.69

3 2 637 1 437 9 1 25 170 5.96 - 4.04

4 2 435 1 232 10 0 24 350 5.77 - 4.23

Total - - - - 422 364 100.0 43.32

BATASAN NILAI MYER’S INDEX Berdasarkan contoh tadi :

Myer’s Index = ½ * 43.32 % = 21.66 % Jika nilai Myer’s index lebih kecil dari 10 %

berarti pelaporan umur data tersebut cukup baik

Jika nilai Myer’s index lebih besar atau sama dengan 10 % berarti pelaporan umur data tersebut tidak baik

(1) (2) (3) (4) (5) (6) (7) (8) (9)

0 - 4 10,315,063 9,957,543 103.65 - 9 11,404,555 11,033,568 103.4 -0.2 108.2 8.2 108.6 8.6

10 - 14 10,766,647 10,358,958 103.9 0.6 97.9 -2.1 96.0 -4.015 -19 10,599,877 10,558,513 100.4 -3.5 103.5 3.5 102.3 2.320 - 24 9,712,740 10,282,334 94.5 -5.9 98.6 -1.4 102.3 2.325 - 29 9,091,759 9,548,835 95.2 0.8 100.3 0.3 101.9 1.930 - 34 8,415,548 8,466,725 99.4 4.2 101.4 1.4 99.8 -0.235 - 39 7,502,455 7,421,006 101.1 1.7 100.8 0.8 101.8 1.840 - 44 6,466,253 6,117,462 105.7 4.6 102.2 2.2 101.2 1.245 - 49 5,148,536 4,671,099 110.2 4.5 99.7 -0.3 96.0 -4.050 - 54 3,865,074 3,611,995 107.0 -3.2 95.1 -4.9 95.0 -5.055 -59 2,983,980 2,931,244 101.8 -5.2 94.2 -5.8 94.6 -5.460 - 64 2,472,669 2,584,091 95.7 -6.1 103.3 3.3 104.7 4.765 - 69 1,804,886 2,006,798 89.9 -5.7 96.6 -3.4 101.0 1.070 - 74 1,264,264 1,389,060

46.3 37.8 42.33.6 2.9 3.3

CONTOH PENGHITUNGAN UNITED NATION INDEX

Age GroupReported Number Analysis of sex-ratios

Analysis of age- Analysis of age-ratios(Males) (Females)

RatiosDeviation from 100

MalesDeviation from 100

Total (irrespective of sign)

Females RatiosSuccessive Difference

Ratios

Mean ( total devided by 13)Index (3 times mean difference sex-ratios plus mean deviation of male and female age-ratios)

16.8

BATASAN NILAI UN INDEX

Jika UN Index < 20 berarti pelaporan umur data tersebut akurat

Jika UN Index 20 – 40 berarti pelaporan umur data tersebut tidak akurat

Jika UN Index > 40 berarti pelaporan umur data tersebut sangat tidak akurat.

PERAPIHAN UMUR

1.Kelompok umur 10-64 tahun dengan metode UN yang disusun dalam

paket komputer Micro Computer Programs for Demographic Analysis

(MCPDA) :

5Px* = 1/16 (-5Px-10 + 45Px-5 + 105Px + 45Px+5 - 5Px+10)

5Px*= Jumlah penduduk yang telah dirapihkan menurut

kelompok umur lima tahunan.

5Px = Jumlah penduduk dari data dasar menurut kelompok umur lima tahunan.

2. Kelompok umur 65 tahun ke atas dengan menggunakan distribusi penduduk 65 tahun ke atas dari suatu negara yang penduduknya sudah stabil.

3. Kelompok umur 0-4 dan 5-9 tahun dengan menggunakan data kelahiran waktu lampau

ASUMSI Asumsi fertilitas dan mortalitas dibuat

berdasarkan tren tingkat fertilitas di masa lalu dan kebijakan pemerintah yang berhubungan dengan fertilitas

Asumsi mortalitas juga berdasarkan tren tingkat mortalitas di masa lalu dan kebijakan pemerintah sehubungan dengan tingkat kematian bayi

Karena sulitnya menentukan asumsi migrasi, biasanya pola migrasi untuk masa yang akan datang dianggap sama dengan pola migrasi data yang dipakai.

Dalam penentuan setiap asumsi kondisi spesifik daerah juga diperhatikan.

PERHITUNGAN PROYEKSI DAN ITERASI

Perhitungan proyeksi menggunakan software program komputer yaitu “Fivsin”

Input program ini adalah :- Penduduk menurut kelompok umur- TFR dan ASFR- Level kematian

PERHITUNGAN PROYEKSI DAN ITERASI Perhitungan proyeksi penduduk dilakukan

secara berjenjang. Mula-mula dihitung proyeksi penduduk Indonesia, kemudian proyeksi penduduk per propinsi, baru proyeksi per kabupaten/kota.

Jumlah penduduk hasil proyeksi per propinsi harus sama dengan jumlah penduduk hasil proyeksi Indonesia. Begitu juga jumlah penduduk hasil proyeksi kabupaten/kota harus sama dengan jumlah penduduk hasil proyeksi untuk propinsi yang bersangkutan.

Untuk menyamakan jumlah penduduk dari hasil setiap proyeksi harus dilakukan iterasi.

HASIL PROYEKSI Hasil Proyeksi dengan program “Fivsin” adalah :

- Penduduk menurut kelompok umur dan jenis kelamin- Parameter demografi :

Total Fertility Rate (TFR)Infant Mortality Rate (IMR) menurut jenis

kelaminExpectation of Life at birth (E0) per jenis

kelaminCrude Birth Rate (CBR)Crude Death Rate (CDR)Rate of Natural Increase (RNI)

HASIL PROYEKSI

Seringkali jumlah penduduk di masa akan datang yang diperlukan adalah jumlah penduduk umur tunggal. Untuk memecah penduduk menurut kelompok umur menjadi umur tunggal (1 tahunan) digunakan metode yang disebut Karrop-King

Proyeksi sangat tergantung dengan ketepatan dalam menentukan asumsinya.