Penerapan Small Area Estimation Berbasis Hierarchical Bayes untuk Estimasi Anak Tidak Sekolah di Provinsi Kalimantan Barat

Abstract

Penelitian ini bertujuan untuk mengestimasi persentase anak berusia 7–17 tahun yang tidak bersekolah pada tingkat kabupaten/kota di Provinsi Kalimantan Barat dengan menggunakan pendekatan Small Area Estimation (SAE). Relative Standard Error (RSE) di atas 25% sering dihasilkan dari estimasi langsung data Susenas, sehingga kurang reliabel untuk dasar pengambilan kebijakan. Untuk mengatasi hal tersebut, penelitian ini membandingkan dua metode estimasi tidak langsung, yaitu Empirical Best Linear Unbiased Prediction (EBLUP) dan Hierarchical Bayes Beta (HB Beta). Data utama bersumber dari Susenas Maret 2023, sedangkan variabel penyerta diambil dari Podes 2024, publikasi BPS, serta data APBD pendidikan dan infrastruktur pendidikan. Hasil analisis menunjukkan bahwa model EBLUP masih menghasilkan dua wilayah dengan RSE di atas 25%, sedangkan model HB Beta mampu menurunkan seluruh nilai RSE menjadi di bawah 25% (rata-rata 6,45%). Selain itu, model HB Beta terbukti konvergen berdasarkan trace plot, density plot, dan autocorrelation plot. Kabupaten Kubu Raya memiliki persentase anak tidak sekolah terendah (5,63%), sedangkan Kabupaten Sanggau tertinggi (11,98%). Temuan ini menunjukkan bahwa penerapan metode SAE HB Beta efektif dalam meningkatkan reliabilitas estimasi anak tidak sekolah pada level kabupaten/kota di Kalimantan Barat dan dapat menjadi dasar perumusan kebijakan pendidikan berbasis data yang lebih presisi.