Populasi Muslim: Profil dan Proyeksi

Sinopsis: Tulisan ini membahas profil dan proyeksi populasi Muslim global. Topik-topik yang dibahas: pertumbuhan, proyeksi dan komponen pertumbuhan populasi Muslim, dalam perbandingannya dengan populasi global dan populasi Kristen. Istilah populasi (bukan Umat) digunakan untuk menegaskan bahwa analisis menggunakan pendekatan sosiologis (bukan teologis).

Sumber Gambar: Google

Semua penganut agama-agama samawi– Yahudi, Kristen dan Islam– mengaku keturunan Nabi Ibrahim AS dalam arti meyakini agama mereka adalah kelanjutan dari tradisi (milah) nabi itu. Dalam tradisi alkitabiah (biblical) terdapat narasi mengenai janji Tuhan SWT akan mengaruniai Ibrahim AS berupa keturunan sebanyak “bintang di langit”[1]. Janji ini agaknya telah terpenuhi jika diukur dari populasi penganut agama-agama samawi yang semakin mendominasi populasi global.

Tema tulisan adalah populasi Muslim global. Topik yang dibahas antara lain pertumbuhan, proyeksi dan komponen pertumbuhan populasi Muslim, dalam perbandingannya dengan populasi global dan populasi Kristen. Istilah populasi (bukan Umat) digunakan untuk menegaskan bahwa analisis menggunakan pendekatan sosiologis (bukan teologis). Dengan pendekatan ini penganut agama didasarkan  pada pengakuan yang bersangkutan (self declaration) mengenai agama yang dianut.

Populasi Agama Samawi

Populasi Agama Samawi terus meningkat jumlahnya. Pernyataan sesuai dengan data World Religion Project berikut:

  • Populasi global pada tahun 1945 –atau 74 tahun lalu– berjumlah sekitar 2.25 milyar. Dari jumlah itu, sebanyak 873 juta atau 39% adalah populasi Agama Samawi.
  • Pada tahun 2010– atau 74 tahun berikutnya– total populasi global adalah 6.84 milyar dan 54% di antaranya populasi Agama Samawi.

Singkatnya, dalam 1945-2010 terjadi kenaikan proporsi penduduk Agama Samawi dari 39% menjadi 54%.

  • Pada tahun 1945 populasi Muslim diperkirakan 159 juta. Ini berarti sekitar 7.7% dari populasi global. Sebagai perbandingan, pada tahun yang sama, proporsi untuk populasi Kristen sekitar 31.2%.
  • Pada tahun 2010 populasi Muslim sekitar 1.6 milyar milyar atau 23.2% dari populasi global. Pada tahun yang sama total dan proporsi populasi Kristen masing-masing 2.1 milyar dan 30.9%.

Singkatnya, dalam periode 2010-2010 terjadi penurunan proporsi populasi Kristen terhadap populasi global turun dari 31.2% menjadi 30.9%.

Bagaimana perkiraannya ke depan? Gambarannya dapat disimak dari proyeksi periode 2010-2050 yang dipublikasikan oleh PEW Research Center:

  • Penduduk global meningkat dari 6.90 milyar pada tahun 2010 menjadi 9.31 milyar pada tahun 2050, atau tumbuh sekitar 0.77% per tahunnya. Jika angka pertumbuhan ini berlaku setelah 2050 maka populasi global memerlukan waktu sekitar 90 tahun untuk menjadi dua kali lipat[2].
  • Dalam periode yang sama proporsi penduduk Agama Samawi naik dari 54.8% menjadi 58.3%. Sebagai catatan, kenaikan proporsi ini terjadi hanya untuk Muslim (dari 23.2% ke 26.7) dan tidak terjadi untuk Kristen maupun Yahudi.

Periset dalam lembaga ini menggunakan dan menganalisis sekitar 2,500 sumber data termasuk sensus penduduk, survei demografi, dan survei kependudukan secara umum. Terkait dengan identitas keagamaan, lembaga ini merumuskannya begini:

The measure of religious identity in this study is sociological rather than theological. In order to have statistics that are comparable across countries, the study attempts to count individuals who self-identify with each religion. This includes people who hold beliefs that may be viewed as unorthodox or heretical by others who claim the same religion. It also includes people who do not regularly practice the behaviors prescribed by their religion, such as those who seldom pray or attend worship services.

Proyeksi Populasi Muslim

Terkait proyeksi populasi Muslim, dapat dicermati proyeksi PEW Research Center berikut:

  • Populasi Muslim meningkat dari 1.60 milyar pada tahun 2010 menjadi 2.76 milyar pada tahun 2050. Dengan demikian, rata-rata angka pertumbuhan per tahun sekitar 1.38%.
  • Proporsi populasi Muslim (terhadap populasi global) dalam periode yang sama meningkat dari 23.2% menjadi 27.9%. [Sebagai perbandingan, proporsi untuk populasi Kristen tetapi pada tingkat 31.4%.]

Semua angka-angka di atas dapat diamati pada Gambar 1.

Gambar 1: Proyeksi Populasi Global 2010-2050

Sumber: PEW Research Center

Gambar di atas menegaskan beberapa hal termasuk berikut ini:

  • Selama empat dekade (2010-2050) populasi Muslim tumbuh lebih cepat dari agama-agama lain.
  • Populasi Muslim dan populasi Kristen memberikan sumbangan yang relatif sama terhadap populasi global.
  • Populasi yang mengaku bukan penganut agama tumbuh hampir 10% tetapi sumbangannya terhadap populasi global turun dari 16.4% pada tahun 2010 menjadi 13.2% pada tahun 2050.

Komponen Pertumbuhan Populasi

Angka Kelahiran

Pada level global, komponen pertumbuhan populasi secara keseluruhan  bersifat alamiah. Artinya, dalam suatu periode, penduduk bertambah karena kelahiran dan berkurang karena kematian. Jadi komponennya adalah kelahiran (B, dari Birth) dan kematian (D, dari Death). [Faktor lain yaitu migrasi (M, dari Migration) karena sejauh ini tidak ada laporan migrasi masuk maupun keluar dari planet bumi.]

Faktor utama yang menjelaskan relatif tingginya angka pertumbuhan populasi Muslim. Data PEW Research Center menunjukkan adanya penurunan rata-rata kelahiran anak per wanita (TFR, dari total fertility rate) dalam periode 2010-50: Muslim: turun dari 3.1 ke 2.3. Untuk populasi Kristen penurunanya  dari 2.7 ke 2.3, sementara untuk populasi global:  dari 2.5 ke 2.1. Yang layak dicatat, sekalipun tahun 2050 TFR untuk Muslim dan Kristen sama (2.3),  titik awalnya (2010) jauh lebih tinggi untuk Muslim dari pada untuk Kristen. Ini berdampak pada momentum pertumbuhan penduduk (yang lebih besar untuk Muslim dari pada Kristen.

Struktur Umur

TFR suatu populasi mungkin rendah tetapi struktur umur muda memberikan momentum bagi populasi secara keseluruhan untuk tumbuh cepat. Inilah yang terjadi dengan populasi Muslim.

Struktur umur muda secara sederhana ditunjukkan oleh rendahnya median umur: semakin rendah, semakin muda. Sebagai ilustrasi, pada tahun 2010 median umur adalah 23 tahun untuk populasi Muslim dan 30 tahun untuk populasi Kristen.

Struktur umur yang “tua” (aging) membawa konsekuensi pertumbuhan ekonomi. Faktor ini melatarbelakangi fenomena sulitnya bagi negara-negara maju (termasuk Jepang) untuk meningkatkan pertumbuhan ekonomi. Logikanya sederhana: bagi populasi “tua”, penduduk produktif proporsnya rendah sehingga nilai produksi secara keseluruhan sulit meningkat  (betapa pun tinggi tingkat produktivitas mereka).

Perpindahan Agama

Populasi global suatu agama tidak hanya dipengaruhi oleh faktor alamiah tetapi juga oleh faktor perpindahan agama. Faktor ini menjelaskan relatif tingginya pertumbuhan populasi Muslim. Data xx menujukan bahwa dalam periode 2010-20150, populasi yang masuk Islam sekitar 12.6 juta sementara yang keluar Islam sekitar 9.4 juta. Artinya, ada perpindahan agama neto sekitar plus 3.2 juta.

Sebagai perbandingan, untuk Kristen, perpindahan agama neto adalah minus 66.0 juta: yang masuk 40.1 juta, yang keluar 106.1 juta

Ringkasan

Populasi Muslim secara global terus bertambah dengan dengan tingkat pertumbuhan yang relatif tinggi. Ini terlihat dari rata-rata angka pertumbuhan per tahun (=r) yaitu 1.8%. Untuk populasi global dan Kristen angka r sama yaitu 0.77%. Jika angka-angka ini berlangsung pasca 2050 maka populasi global (juga Kristen) perlu waktu sekitar 90 tahun untuk menjadi dobel jumlahnya. Bagi populasi Muslim waktu itu hanya 50 tahun.

Relatif tingginya angka r untuk populasi Muslim terkait dengan relatif tinginya angka kelahiran, relatif mudanya struktur umur, dan relatif besarnya perpindahan agama dari agama lain.

[1] Analogi “bintang di langit”– yang mengonotasikan jumlah yang sangat banyak– mudah dipahami karena dapat diamati. Alusi semacam ini normal digunakan dalam Bahasa Agama yang tidak dapat dimaknai secara harfiah.

[2] Angka ini diperoleh dari persamaan t = ln(2)/r di mana t adalah tahun yang diperlukan untuk menjadi dobel dan r adalah rata-rata pertumbuhan per tahun.

Contact: uzairsuhaimi@gmail.com

Recent Survey on Indonesia Employment: A Brief Analysis

This article is aimed to analyze briefly the recent trends of Indonesia’s working-age population and its components as viewed from the labour force perspective. The analysis covered the period 2008-2014 and focused at the national level of analysis. Sakernas– a regular national labour survey carried out by BPS-Statistics Indonesia since 1976– is used as the major data source. In order to have a better understanding of the measurements used in the analysis, the following paragraphs discuss briefly some conceptual issues concerning some basic labour statistics.

Labour Statistics: Global Standard

Sakernas adopts the global standards of labour statistics as stipulated in the resolutions of the International Conference of Labour Statisticians (ICLS). In this context, the 13th ICLS (1982) and the 19th ICLS (2013) are of special interest as they set out the global standards for basic[1] labour statistics such as employment and unemployment.

With regards to persons in employment, Sakernas defines it as all those who during the last week, were engaged in any activity to produce goods or provide services for pay or profit. This definition is fully in line with the global standard (ICLS-19, Par. 27). Sakernas defines persons in labour force as those in employment and in employment and this also complying the global standard (Par. 16).

What might worth noting here is that official statistics derived from by far has not yet taken into consideration those who engaged in productive activity not for employment but for “own use” and for “volunteer”. According to the 19th ICLS, these two categories are not part of employment[2].

By so doing, official employment statistics produced by BPS by far might be regarded as somewhat overestimate. Nonetheless, that is not an issue for this analysis as it focuses on the trends that require consistency in applying the concept throughout the compared period.

Demographic Dimension

One of the biggest challenges faced by Indonesia is a sheer number of the working-age population (WAP). This is not surprising as the country ranks the fourth biggest country after China, India, and the United States. To add the challenge, as Sakernas series data show, the WAP tends to increase in a pace that is faster than the growth rate of the total population. WAP data for the period 2008-2016 can be used to illustrate the increase. During the period total WAP increased from around 174.2 million in 2010 to 189.8 million in 2016. This is an annual increase of 1.86%[3]. This pace of increase is much faster than the increase in the total population during the same period that was 1.36%.

The comparison of the figures points to a phenomenon popularly known as the demographic bonus. That can be a bonus– and not a curse– if the younger generation is able to get a decent education and facility to improve their self-quality[4].

There is another aspect of the phenomenon just mentioned worth considering. Close observation at the trends in the WAP by age group provides a strong indication that the status of demographic bonus for Indonesia is at a somewhat later stage. The following points might be helpful in clarifying the concerned issue:

    • During the 2008-2018 period (August) the increase in the proportion for the younger-ages group (15-24) was very small and even almost flat; that was, only 0.35%.
    • The percentage was higher for the “prime-age” group (25-54) that was 1.43 %.
    • For “old-age” group (55+) the percentage was even much bigger; that was 3.7% (See Graph 1).

Graph 1: Working-age Population by Age Group, 2008-2012

Source: BPS, Sakernas, https://www.bps.go.id/.

The comparison of the increases confirms the above notion of the status of a “later stage” of demographic bonus of Indonesia. In addition, the relatively high increase for the old-age group suggests a clear indication of the route of Indonesia’s population toward the aging stage.

Trends in the Labour Force

As shown by Graph 2, the proportion of “out of the labour force” remained unchanged during the period 2008-2012; that was, 33% of the total WAP. This means the labour force also unchanged at 67% level during the same period.

In the same period, the compositions of the labour force had changed by three percentage points but with different direction: while the employment increased by three percentage points, the unemployment decreased by the same percentage points[5]. (See Graph 2.)

Graph 2: Change in the Structure of Working-age Population 2008-2012.

Source: BPS, Sakernas, https://www.bps.go.id/.

Graph 3 shows the increase in the labour force during the period 2008-2018. As shown by the graph, the pace of the increase is not as fast as the increase in the WAP. As also shown by the graph, the labour force was almost always bigger in February than in August and this is probably associated with the seasonal work in agriculture, a still important economic branch for Indonesia’s employment.

Graph 3: Trends in the Working Age Population and Labour Force (000)

2008-2018

Source: BPS, Sakernas, https://www.bps.go.id/

Trend LFPR and EPR

Statistics of employment can be measured by two indicators of the labour force participation rate (LFPR) and the employment-population ratio (EPR). These two indicators are comparable as each of them using the same numerator or “the population at risk” that is the WAP[6]. Nonetheless, each of them is to serve its own function. While the first indicator reflects the supply side of the labour market, the second reflects its demand side; i.e., measuring how much the labour supply absorbed by the economy.

Graph 4 exhibits the comparison between the LFPR and the EPR during the period 2008-2018: the LFPR is always higher than the EPR for the obvious reason: the numerator of the LFPR includes unemployment element that is not included in EPR.

Graph 4: Trends in the Labour Participation Rate and Employment-Population Ratio

 2008-2018.

Source: BPS, Sakernas, https://www.bps.go.id/

The graph shows the LFPR was around two-thirds of the WAP and tends to be higher in February than in August for the reason as previously mentioned. The graph also shows that the LFPR tends to fluctuate over the observed periods with slightly different direction: the trend slightly increasing in February and increasing in August.

Like LFPR, EPR is higher in February than in August. Unlike LFPR, EPR tends to increase over the compared periods. This suggests the consistency in the increase of employment regardless of the month of observation (February of August).

Trends in Unemployment

During the period 2008-2018 the unemployment rate in Indonesia was relatively low (one-digit) and tends to decline. As shown by Graph 5, during the period the unemployment rate declined from around 8.4-8.5% in 2008 to 5.1-5.3% in 2018. Comparison between levels in February and August shows that during 2008-2013 the unemployment rate tends to be higher in February (than in August), and starting 2013 the reverse was in place; i.e., tends to be higher in August (than in February).

Graph 5: Trends in the unemployment rate (%), 2008-2018

Source: BPS, Sakernas, https://www.bps.go.id/

The relatively low and decreasing rates in unemployment as just discussed do in fact obscure a high unemployment rate among the educated persons: on the average, the educated persons have 2.6 bigger risks of being unemployed than the uneducated. (See this for detail.)

Concluding Remarks.

Conventional wisdom suggests that the age-structure of Indonesia’s population in the 2020s will be entering the phase of demographic bonus. Quite contrary to this wisdom, a series of Sakernas data do indicate the phase has been entered since the 2010s and even in its later phase. The evidence of this is that the pace of increase in the working-age population than in the total population and this especially striking for the older-age group (55 or older).

The LFPR remained constant during the period 2008-2018 at the two-thirds of the total WAP. However, these changes could be misleading as the trends in its components went through in a different direction; that was, the increase in the employment and the decreasing in unemployment.

The unemployment rate during the period 2008-2018 was at relatively low (one-digit) and its trend decreasing continuously. However, this obscures the high level of unemployment rate among the youth. This issue– together with other issues like the forced labour and “modern slavery”– is probably one among the undesirable modern paradoxes. Who knows?

[For pdf version click this.]

*****

[1] Statistics on such issues as SDG indicators and child labor are not regarded as basic statistics and hence not covered in the analysis.

[2] Starting 2016 the Sakernas questionnaire is refined by additional questions that can provide data on these two categories. This refinement can also provide much richer data on all forms of work that have been identified by the 19th ICLS.

[3] https://www.bps.go.id/statictable/2009/02/20/1268/laju-pertumbuhan-penduduk-menurut-provinsi.html.

[4] https://feb.ugm.ac.id/en/news/2625-demographic-bonus-threat-or-opportunity

[5] Expressed in a different way, during the period, the total employment increased by 21.5 million or 21.0% while the total unemployment decreased by 2.4 million or 25.5%.

[6] LFPR = labour fore/WAP and EPR = employment/WAP. The complement of the second reflects the magnitude of the unemployed over the WAP.

*****

 

Nilai Anak, Migrasi dan Rahmat Tersembunyi

Sumber Gambar: Google

Cara sederhana untuk mengenali kemajuan suatu negara adalah dengan mencermati karakteristik penduduknya. Negara-negara maju bercirikan angka kelahiran dan angka kematian yang rendah; sebaliknya, negara-negara berkembang pada umumnya– tidak selalu– bercirikan angka kelahiran dan angka kematian tinggi.

Salah satu faktor yang melatarbelakangi keadaan ini terkait dengan nilai anak (value of children) bagi orang tua. Di negara-negara maju anak dinilai lebih sebagai beban dari pada sumber daya sehingga bagi orang tua yang penting kualitas anak, bukan kuantitasnya. Bagi mereka arus ke kayaan (flow of wealth) dari arah orang tua ke anak.

Pandangan orang tua di negara-negara berkembang berbeda. Bagi mereka anak berfungsi sebagai buruh-murah dan jaminan hari-tua. Jadi, arus kekayaan dari anak ke orang tua. Dengan cara-pandang ini orang tua menilai memiliki banyak anak menguntungkan, “banyak anak, banyak rezeki”.

Tapi perbedaan pandangan mengenai nilai anak pada level global kini tidak terlalu signifikan. Ini sebagian terkait dengan proses penerimaan nilai-nilai “Barat” secara umum pada level global.  Sejalan dengan ini, profil kependudukan global kini boleh dikatakan banyak dipengaruhi oleh profil kependudukan dua negara “raksasa” yang memiliki angka kelahiran dan angka kematian yang rendah yaitu Cina dan Indonesia.

Di negara-negara maju angka-angka kelahiran sudah lebih rendah dari “tingkat-pergantian” (replacement level). Artinya? Artinya, anak perempuan yang akan menggantikan fungsi reproduksi ibunya jumlahnya lebih sedikit dari jumlah ibu mereka. Dampaknya? Dampaknya, jika keadaan ini dibiarkan,  jumlah penduduk akan terus berkurang sebelum akhirnya habis.

Karena memiliki angka kelahiran yang rendah, negara-nega maju (termasuk Jepang dan Korea) kini menghadapi masalah struktur umur penduduk. Masalah ini ditandai oleh berkurangnya proporsi usia muda dan meningktnyua proporsi usia tua.  Ageing. Ini berarti meningkatnya rasio-ketergantungan-tua (old-dependency-ratio) yang harus ditanggung oleh penduduk usia kerja. Ini jelas tidak menguntungkan secara ekonomi: sulitnya meningkatkan pertumbuhan ekonomi di negara-negara maju, bukan karena salah-kelola governance atau kurang produktifnya tenaga kerja, tetapi karena tinginya angka rasio-ketergantungan-tua itu. Jadi, agaknya, tidak ada solusi-ekonomi dalam pengertian umum kata ini.

Penyelesaiannya? Solusi demografi: datangkan migran-masuk berusia produktif dalam arti-ekonomi maupun reproduksi dalam jumlah yang signifikan. Sesederhana itu!

Arus migrasi yang dimaksud kini tengah melanda kawasan negara-negara maju di Eropa Barat. Migran terutama dari kawasan Timur Tengah dan Afrika Utara yang mayoritas Muslim, tapi juga dari kawasan Eropa Timur yang relatif miskin secara ekonomi. Sayangnya, Eropa Barat melihat arus migrasi ini lebih sebagai sumber masalah, khususnya atas nama keamanan dan ketahanan identitas nasional yang memicu hidup-suburnya ideologi nasionalise sempit dan ekslusif. Mungkin dengan sedikit kekecualian termasuk Kanselir Jerman dan PM Kanada, para petinggi “Barat” enggan melihat arus imigrasi ini sebagai “rahmat tersembunyi” yang dapat mengatasi secara efektif dan efisien masalah kependudukan mereka.

Bagi Eropa masalah ini serius sebagaimana diingatkan Tariq Ramadan:

In its haste to bolster nationalism, in its obsession with security, Europe is losing its soul.

Every country in Europe needs immigrants for their economic survival.

Wallhualam….@

 

 

 

Wallahualam… @

Kecukupan Sampel Survei Hitungan Cepat Pilpres 2019

Sumber Gambar: Google

Sebagian pembaca hasil Hitung Cepat (quick count) Pilpres 2019 mempertanyakan kecukupan sampel TPS. Pertanyaan ini muncul karena tidak tersedanya di ruang publik informasi yang memadai mengenai rancangan sampel survei yang bersangkutan. Terkait dengan isu ini penulis, sebagai ilustrasi, hanya mengetahui bahwa besar sampelnya sekitar 2,000 TPS (=n) yang diambil dari sekitar 800,000 TPS (=N).

Pertanyaan risetnya  “Apakah sampel n itu sudah mewakili populasi N itu?” Pertanyaan semacam mencerminkan suatu keraguan positif yang layak dihargai. Penulis yakin para perancang survei Hitung Cepat sudah mengkaji masalah ini. Walaupun demikian, keyakinan agar mantap, seperti nasehat para  ustaz, perlu diuji. Tulisan ini dimaksudkan untuk keperluan uji semacam itu.

Soal Heterogenitas

Pertanyaan riset di atas sebenarnya tidak tepat. Kenapa? Karena penetapan besar sampel tidak dipengaruhi oleh besar populasi; kalau pun ada, pengaruhnya sangat kecil sehingga bisa dan biasa diabaikan. Ilustrasi mengenai pengaruh ini disajikan di bawah. Untuk sementara dapat dikatakan bahwa sampel tidak harus that big, tetapi big enough untuk mewakili populasi, ada batas minimum.

Kenapa sampel tidak harus selalu besar? Penjelasannya sederhana. Ketika memeriksakan diri  untuk mengetahui kadar gula darah Anda, misalnya, Anda cukup memberikan kurang dari setetes darah Anda, terlepas dari apakah Anda tergolong gemuk-basah atau kurus-kering. Ya kan? “Kurang dari setetes darah” sudah sudah mewakili keseluruhan darah yang mengalir dalam tubuh Anda. That is the beauty of sampling.

Tapi nanti dulu. Contoh di atas mengasumsikan homogenitas populasi. Artinya, dari bagian badan mana pun darah diambil, hasilnya diasumsikan sama saja. Jika dianalogikan dengan Pilpres, teknik ini mengasumsikan kesamaan kecenderungan preferensi para pemilih di semua TPS. Jadi, preferensi pemilih di Kota Bandung atau Kota Padang, misalnya, diasumsikan sama dengan Kabupaten Sidoarjo atau Kota Kupang.

Asumsi semacam ini layak dipertanyakan. Demikian halnya dengan teknik “pengambilan acak sederhana” (Simple Random Sampling, SRS) yang mengasumsikan homogenitas populasi.

[Selain itu, dalam dunia nyata teknik SRS ini bisa sangat tidak nyaman dan sangat mahal. Bisa saja dari 2,000 TPS yang terpilih, lebih separuh menyebar di kawasan timur Indonesia termasuk Papua.]

Apa hubungannya dengan besar sampel? Hubungannya sederhana: semakin heterogen suatu populasi, semakin besar kebutuhan akan sampel yang besar. Jadi, hubungan antara keduanya berbanding lurus.

Proporsi dan Koefisien Variasi

Perhitungan besar sampel minimal (=n) menghendaki antara lain agar perencana sampel menetapkan indikator utama yang ingin dihitung, memperkirakan angkanya (=p), dan memperkirakan koefisien variasinya (=CV). Jadi logikanya agak berputar. Tujuan survei adalah menghitung angka proporsi populasi (=P), tetapi belum apa-apa sudah diminta macam-macam. Tetapi itulah rumusnya: n berbanding lurus dengan p dan CV.

Untungnya, angka-angka perkiraan itu tidak dituntut sangat cermat, sejauh masuk akal. Sebagai ilustrasi, jika indikator utama yang ditetapkan adalah proporsi suara Merah[1] (=p) dan angka perkiraannya 0.5 atau 50%, maka cara penetapan itu boleh dibilang excellent. Kenapa? Karena: (1) sederhana, (2) terkesan netral, dan (3) berdasar. Apa dasarnya? Hasil Pemilu 2014 yang menghasilkan angka sekitar itu.

Cara itu selain excellent sebenarnya juga cerdas. Kenapa? Karena dengan menetapkan p sebagai indikator maka variannya sudah dapat diketahui sejak dini yaitu p*(1-p). Juga dengan menetapkan p=0.5 maka koefisien variannya (=CV) relatif mudah diingat yaitu 2:

p/[p*(1-p)] = (0.5)/ [(0.5)*(1-0.5)] = 2

Komponen Pembentuk Sampel

Menurut salah satu buku pintar[2], ada lima faktor yang mempengaruhi besar sampel (n). Ini daftarnya:

  1. Tingkat keyakinan (confidence interval) yang diukur dengan skor z dalam distribusi normal,
  2. Efek rancangan sampel (=deff), dan
  3. Perkiraan awal indikator utama, misalnya, proporsi yang memilih Merah (=p).
  4. Margin kesalahan (margin error, e)
  5. Angka respons (response rate: RR)

Dua faktor yang terakhir dalam daftar di atas  mempengaruhi n secara berbanding terbalik sedangkan yang lainnya berbanding lurus. Faktor yang ke-2 (deff) agak sulit dijelaskan dalam tulisan singkat dan bahkan diakui “sulit diputuskan”[3]:

It is much more difficult to decide what the design effect should be when a cluster sample design is planned and there is no prior knowledge of the effect of clustering on the sampling variance. In this case, a design effect of at least 2 might be used, although the design effect of a highly clustered design may be as high as 6 or 7.1 for a stratified sample design and deff ≥ 1 for a cluster sample design.

Contoh penghitungan

Uraian di atas bagi sebagian mungkin terkesan jelimet walaun sebenarnya tidak, apalagi jika diilustrasikan melalui contoh konkret dan secara bertahap. Berikut disajikan ilustrasi yang dimaksud menggunakan skenario yang dibuat serealistis mungkin.

Diketahui: Total TPS (=N)= 800,000.

Pertanyaan: Berapa jumlah minimal TPS yang diperlukan untuk mengintimasi proporsi yang memilih Merah (=P)?

Diasumsikan: (a) Tingkat keyakinan (confidence interval): 95% atau z=1.96, (b) e= 5%, (c) RR=95%, (d) deff=2, dan (e) p=0.5.

Jawab:

Penetapan sampel awal (=n1):.

n1= [(z*z)*(p*(1-p))]/(e*e)

= [(1.96*1.96)*(0.5*0.5)]/(.05*.05)

= 384.16

Penyesuaian (adjustment) karena relativitas besar sampel terhadap populasi (=n2):

n2 = n1 * [N/ (N+n1)]

= 384.16 * [800,000 / (800,000+384.16)]

= 383.98

Penyesuaian karena pengaruh rancangan sampling (=deff) (=n3):

n3 = deff * n2

= 2*383.98

= 768.32

Penyesuaian arena RR (=n4):

n4 = n3/0.95

= 808.75

Itulah angka akhir, 800 TPS. (Pada tahapan sekarang sudah boleh pembulatan agar kelihatan elok.) Kesimpulannya ini:

Sampel 2,000 TPS sudah lebih dari cukup bahkan berlebihan untuk mewakili 800,000 TPS.

Tapi nanti tunggu dulu. Kesimpulan itu kondisional:

Angka 800 adalah angka minimum untuk satu domain estimasi. Jadi, jika “nian ingsun” hanya untuk estimasi nasional maka kesimpulan di atas berlaku. Tapi jika ingin estimasi provinsi maka kesimpulan tidak berlaku karena kebutuhan sampel menjadi (800*34) atau sekitar 27,000.

Diskusi di atas terakit dengan besar sampel (sample size). Bagaimana dengan alokasi sampel? Ini isu lain yang lebih kompleks tetapi dapat tergambar dalam daftar pertanyaan berikut:

  1. “Apakah alokasi sampel sudah memenuhi prinsip acak?”
  2. “Adakah jenjang dalam pemilihan sampelnya?”: (a) “Ujug-ujug milih TPS?”, atau (b) “Dipilih dulu kab./kota, kecamatan, lalu desa?”, atau (c) “Bagimana?”
  3. “Jika ada jenjang, apakah probabilitas terpilihnya setiap jenjang sudah memperhitungkan weighting?”
  4. “Apakah estimasi akhir mempertimbangkan weighting?”

Pusing toh? Yo wis!

[1] Mengenai simbolisme Merah dan Hijau lihat INI.

[2] Statistics Canada (2010), Survey Methods and Practices

[3] Ibid, halaman 168.

Membaca Hasil Hitung Cepat Pilpres

Sumber gambar: Google

#tak-beda-nyata, #rada-rada bodoh, #justifikasi

Tak-Beda-Nyata

Pemilu Indonesia 2019 baru usai. Proses pelaksanaannya relatif mulus. Ini tentu berkat rahmat-Nya yang patut disyukuri.

Hasil resminya baru akan diketahui dalam hitungan minggu. Tapi gambarannya, khususnya Pilpres, dapat diketahui secara lebih dini berdasarkan hasil hitungan cepat (quick count).

Menariknya, angka hitungan cepat yang beredar secara keseluruhan tidak-beda-nyata dengan hasil Pemilu 2014: Paslon 1 (katakanlah Merah) memperoleh angka sekitar 55%, sisanya untuk Paslon 2 (Katakanlah Hijau).

Tidak hanya itu. Sebaran provinsi juga tak-beda-nyata. Sebagai ilustrasi, JaBar yang pada 2014 Hijau, 2019 juga Hijau; kepekatan kehijauannya juga tak-beda-nyata. Sebagai ilustrasi lain, kepekatan Merah Jatim 2014 dan 2019 juga tak-beda-nyata.

[Aumsi penulis, fakta ini  digunakan oleh penyelenggara Survei Hitung cepat untuk menghitung probability terpilihnya suatu TPS serta digunakan untuk menghitung weighting . Wallahualam dalam praktiknya.]

Bagaimana menafsirkan fakta di atas? Itu bisa dimaknai sebagai “kesuksesan” atau “kegagalan” bagi Merah maupun Hijau. Tergantung cara pandang: Apakah air yang mengisi separuh gelas “tinggal separuh” atau “masih separuh” (bagi yang optimistis). Maksudnya ini: Merah sukses mempertahankan kemerahan wilayah Merah tetapi gagal memerahkan wilayah Hijau; analog dengan Hijau.

Kondisi ini sangat kontras dengan pengalaman Amerika Serikat, misalnya, di mana Hijau (Demokrat) mampu menghijaukan sebagian wilayah Merah sehingga statusnya di Kongres berubah dari minoritas menjadi mayoritas.

Apakah artinya bagi Indonesia? Tim pemenangan kurang berhasil? Kampanye Merah maupun Hijau tidak efektif?

Wallahualam. Penulis tidak punya kompetensi untuk menganalisis lebih jauh. Kompetensi penulis adalah membaca hasil Hitungan Cepat.

Rada-rada Bodoh

Jika seorang statistisi disuguhi angka hanya satu survei 55% untuk Merah dan 45% untuk Hijau maka dia tidak dapat menyimpulkan siapa pemenangnya. Bodoh kan? Padahal definisi menang dalam sistem demokrasi sangat jelas: peraih angka >=50%+1 suara.

Jika didesak untuk menyimpulkan maka statistisi akan balik tanya. Itulah susahnya berhubungan dengan statitisi. Pertanyaannya kira-kira begini: “Bapak mau mentoleir batas kesalahan (margin error, ME) berapa persen? 1%, 10%, 20% atau berapa%?:

  • Jika Bapak mentolelir ME <=10% , maka yang menang adalah Merah; tetapi
  • Jika Bapak mentolelir angka ME =20% (apalagi lebih besar), maka pemenangnya tidak ada.

Pusing kan? Itulah salah satu the beauty of statistics.

Bagi statistisi ragam angka adalah “berkah”. Juga bagi statitisi, setiap hasil survei pasti (haqqul yaqiin?) mengandung kesalahan (errors). Jadi tergantung kesediaan menerima toleransi kesalahan.

Dalam pandangan statistisi, angka 55%, dengan ME 20%, misalnya, perlu dibaca sebagai himpunan angka yang terletak antara 44 dan 66, 44%<55%<66%. Apa artinya? Rentang angkanya mencakup angka milik Hijau yaitu 45%. Apa kesimpulannya? Dua angka 45% dan 55% sebenarnya secara statitik tidak-beda- nyata (statistically insignificant).

Justifikasi

Pola berpikir statistik ini sebenarnya yang dapat digunakan untuk menjustifikasi keputusan UU pemilu untuk menggunakan “hasil perhitungan angka manual seluruh suara.

Pola berpikir statistik semacam ini menjustifikasi UU pemilu yang mengamanatkan  agar untuk memperoleh angka resmi digunakan hasil perhitungan seluruh suara secara manual.

Pola pikir yang sama sebenarnya dapat juga digunakan untuk memberikan penilaian bahwa bermacam-macam hasil hitungan cepat sebenarnya tidak beda secara statitik; robust, kata orang statistik.

Tetapi bagi sebagian ada yang mengganggu. Ini terkait dengan ketetaan penerapan kaidah statistik dalam merancang survei:

  • Apakah penetapan jumlah sampel (2000-an?) sudah mempertimbangkan berbagai faktor termasuk antisipasi response rate, antisipasi besarnya variasi jawaban (CV) dan efisiensi relatif metodologi yang diambil (Deff.)? ]

[Yang terakhir ini berlaku jika bukan Rancangan Samepl Sedehana (SRS) digunakan sebagaimana dikalim CSIS. Jika SRS, apakah asumsi heterogenitas wilayah –dalam hal kecenderungan memilih– dipertimbangkan? Apakah efisiensi biaya diperhitungkan?]

  • Apakah sampel TPS sudah memenuhi jumlah minimal yang diperlukan untuk membuat suatu kesimpulan statistik? Pada level nasional? Atau “berani” estimasi provinsi?
  • Apakah prinsip acak digunakan dalam setiap tahapan pemilihan? [Jika tidak maka kesimpulan statitik tidak dapat ditarik.]
  • Apakah hasil Pemilu 2014 dimanfaatkan untuk membangun kerangka sampel?

Jika tertarik mengenai jawaban terhadap pertanyaan-pertanyaan ini silakan baca tulisan berikutnya. (Entah kapan sempatnya?)

Labour Underutilization: Concept and Measurement (3/3)

Section 3: Some Lessons from the 2012 Sakernas

As discussed above, the Sakernas (until 2015) is unable to provide data on “potential labour force” (PLF), the second component of the labour underutilized” (LU). The reason for this is that the questionnaire of the survey does not contain the question of “the availability of work”. However, part of PLF (using ICLS-19 standard) has been included already in the unemployment rate; namely, “discouraged job seeker” (DJS).

The estimated population of DJS, according to Sakernas 2012, is around 2.26 million. This is a big number as reflected in the DRS-unemployment ratio which is about 31:100. The table also shows some numbers that can be used to estimate population or ratios of some components of Working-age Population (WAP) as below:

  • Unemployment (U) = 7.2 million, if DJS is considered as part of U (as official figure); OR 5.0 million, if DJS if DJS is considered as part of “Outside LF)” (as suggested by ICLS-19);
  • Unemployment rate= 6.1% or 4.3%; depending on how to treat DJS;
  • Time-related Underemployment (TRU) = 11.5 million
  • Labour Underemployment (LU) >= 18.8 million, if LU>=U+TRU, and
  • LU rate >= 15.9%, if LU rate = (LU/Labour Force) *100.

[Beck to Section 1]

Labour Underutilization: Concept and Measurement (2/3)

Preliminary notes:

The concept of labour underutilization as discussed in the first section is the product of the resolution of  ICLS-19 hosted by ILO aimed mainly to be used as global guidelines in the area of labour statistics.  However, as a product of an ILO resolution, the concept is not binding for the participating countries of ILO. They might not be able to promptly follow the guidelines for practical reasons and hence need some time to apply in their actual survey. Part of the reasons for the participating countries are: (1) the need to “harmonize” the concept with actual situation of labour market they face, (2) the need to maintain “consistency” (as opposed to “validity”) of labour statistics between years to avoid confusion among data users, (3) the need test carefully the practicality of the concept in actual survey, and (4) the need to follow their own priorities in statistical activities. 

 

Section 2: Data Availability

At first glance, it appears to be that all the proposed components of “labour underutilization” as outlined in Section 1 are readily produced by a standard labour force survey. However, that is not fully the case, at least in the case of Indonesia. Here is a brief description on that issue.

Until 2015[1], the questionnaire of Sakernas, or Indonesia Labour Force Survey (ILFS) has no question on “the availability of work”. (What is available is a question on “the readiness to accept an offer for more job” that is intended to capture “time-related underemployment” as discussed in Section 1.)

In order to produce official statistics on unemployment, Sakernas defines unemployment put simply as:

(“Not in employment”) & ((“Seeking work”) OR (“Not seeking work due “Future start”” OR “Discouraged”)).

The above definition results in the figure of unemployment as mentioned in Section 1. The definition clearly shows that “availability for work” is ignored in defining “unemployment”.

The above definition “correctly” includes “future start” (not seeking because of having a job already) but “wrongly” includes “discouraged” (not seeking because of feeling there is no opportunity) in the unemployment. According to ICLS-19, “discourage” job seeker belongs to “outside labour fore” category, not “unemployment” (hence not in “labour force” category). In other word the official statistics of unemployment of Indonesia has in fact already included “discouraged” component of “outside labour force” (per ICLS-19 standard). As will be shown soon in Section 3, this component is relatively big, roughly 31% of the unemployment in 2012.

[1] Since 2016 BPS has initiated to improve the Sakernas questionnaire in order to address most of the issues raised by ICLS-19. Processes to refine the questionnaire toward this direction are still in place, until now.

[Proceed to Section 3: Sekernas’ Lessons]

 

Source: Google