IFLS: Mencari Variabel

-

RAND Indonesian Family Life Survey (IFLS). Sumber: Google


The Indonesia Family Life Survey (IFLS) merupakan sumber data longitudinal yang banyak digunakan peneliti untuk mengetahui kondisi sosioekonomi, kesehatan, pendidikan untuk rumah tangga dan individu di Indonesia serta kondisi komunitas dalam hal karakteristik, fasilitas pendidikan, dan kesehatan. 

IFLS pertama kali diselenggarakan tahun 1993 (IFLS1) yang menyurvei 7.224 rumah tangga yang tinggal di 321 Enumeration Area di 13 provinsi di Indonesia. Kemudian survei-survei berikutnya dilaksanakan di tahun 1997 (IFLS2), 2000 (IFLS3), 2007 (IFLS4), dan 2014 (IFLS5).

Berbeda dengan cross section survey yang mengumpulkan informasi responden pada suatu saat tertentu, longitudinal atau panel survey mengumpulkan informasi dari responden yang sama dari waktu ke waktu. 

Data, publikasi dan dokumentasi penunjang IFLS tersedia di website RAND


Identifier (ID) di IFLS


Ada berbagai macam identifier (ID) di IFLS, yakni ID untuk rumah tangga (household), individu, dan untuk community.

Karena IFLS menanyai responden yang sama untuk setiap wave, maka household dan individu  yang diinterview di IFLS1 akan menggunakan ID yang sama saat mereka berpartisipasi diinterview di IFLS gelombang-gelombang berikutnya.

Untuk household dan individu baru yang terbentuk setelah IFLS1, mereka akan mendapat ID tersendiri yang dapat menunjukkan asal muasal household dan individu mana di IFLS1 mereka berasal. 

Maka, peneliti dapat menentukan (lebih tepatnya pada IFLS wave berapa), rumah tangga atau individu baru ini terbentuk dan disurvei.

Misalnya, pada IFLS5 terdapat ID (variabel hhid14) rumah tangga 12400 yang menunjukkan rumah tangga ini adalah juga rumah tangga yang juga disurvei di IFLS1. Pada IFLS5, terdapat dua rumah tangga baru yang juga turut disurvei bersama rumah tangga 12400, yakni 12451 dan 12452. Pada IFLS1, kedua rumah tangga baru ini tidak ada.

  

Books in IFLS


Data IFLS tersusun di berbagai Books (buku) yang masing-masingnya mencakup informasi tentang household, individu, atau community. 

Informasi tentang rumah tangga (households) ada di Book T (Tracking Book), Book K (Control Book and Household Roster), Book 1 (Household expenditures and health facility knowledge), dan Book 2 (Household economy).  

Informasi tetang individu ada di Book 3A (Adult information (part 1)), Book 3B (Adult information (part 2)), Book 4 (Ever-married woman information), Book 5 (Child information), Book US (Health assesment), dan Book EK (Cognitive assesment).  

Sementara informasi tentang Community-Facility terbagi dalam beberapa bagian yakni bagian tentang Community Questionnaires yang berada di Book 1 (Community History and Characteristics), Book 2 (Community Statistics), Book PKK (Village Women’s Organization), Book SAR (Service Availability Roster), dan Book Informant (Community Informant).

Kemudian Bagian tentang Health Facility Questionnaires yang tersimpan di Book Puskesmas (for government health centers and sub centers), Book Private Practice (for private doctors, clinics, midwives/village midwives, nurses, and paramedics), Book Posyandu (for community health posts), Book Posyandu Lansia (for community health posts for the elderly), and Book Traditional practice (for traditional health practitioners). 

Terakhir ada Bagian School Questionnaires dan Mini–CFS Questionnaire


Mengumpulkan Variabel di IFLS


Terdapat setidaknya tiga tahap untuk mengumpulkan variabel di IFLS. Pertama, menentukan apakah variabel tersebut termasuk dalam data household, individu, atau community. Peneliti bisa menggunakan bantuan user guide IFLS untuk menentukan kategori variabel tersebut. 

Tahap kedua adalah menentukan variabel tersebut ada di Book mana dengan melihat pada kuisioner IFLS. 

Tahap ketiga adalah melihat variabel tersebut di file dta (Stata Dataset) di berbagai file dta yang tersedia karena satu Book bisa tersimpan dalam beberapa file dta.

Misalnya, peneliti ingin memilah household berdasarkan lokasi tempat tinggal, apakah di kota (urban) atau desa (rural) pada IFLS5 (2014). Pertama, peneliti perlu menentukan bahwa status kota dan desa ini adalah data untuk rumah tangga dan bukannya data individu. 

Kedua, variabel ini potensial berkaitan dengan karakteristik rumah tangga yang potensial ada di Book K dan bukan di Book 1 (Household expenditures and health facility knowledge) atau Book 2 (Household economy). Dengan merujuk pada kuisioner, informasi urban dan rural ini terdapat di Book K SECTION SC (SAMPLING DESCRIPTION AND INTERVIEW NOTES) dan dengan nama variabel SC05. AREA: 1. URBAN 2. RURAL. 

Ketiga, peneliti kemudian mencari file dta dengan nama file yang berisi identitas Book K dan section SC yakni file bk_sc1.dta. Maka, peneliti akan menemukan variabel SC05 di dalam file tersebut. 



Popular posts from this blog

Skewness dan Kurtosis

-
Image
Pada statistika, dikenal istilah skewness dan kurtosis. Skewness adalah ukuran ketidaksimetrisan dalam distribusi nilai. Skewness dapat bernilai positif, negatif, dan nol. Skewness yang bernilai positif berarti ekor distribusi berada di sebelah kanan nilai terbanyak. Berarti, sebagian besar distribusi berada di nilai rendah. Skewness yang bernilai negatif berarti ekor distribusi berada di sebelah kiri, menunjukkan bahwa sebagian besar nilai berada di sisi kanan kurva. Sementara skewness bernilai nol berarti nilai terdistribusi secara simetris, dengan jarak antara ekor distribusi sebelah kanan dan kiri sama besar. Sumber: https://en.wikipedia.org/wiki/Skewness Kurtosis adalah indikator untuk menunjukkan derajat keruncingan ( tailedness ). Semakin besar nilai kurtosis maka kurva semakin runcing. Nilai referensi kurtosis adalah 3. Jika nilai kurtosis lebih besar dari 3, maka kurva distribusi disebut leptokurtik. Sementara jika lebih rendah dari 3, maka disebut platikur
Read more

Piramida Distribusi Kekayaan Masyarakat Indonesia

-
Image
Menarik mencermati pemberitaan detikcom (19/10) yang berisi pernyataan bahwa hanya 1% masyarakat Indonesia yang menikmati kekayaan sementara 99% sisanya hidup pas-pasan bahkan sangat sulit. Sontak, berita ini menjadi perhatian publik.  Pertanyaan yang muncul berikutnya adalah bagaimana sebenarnya kondisi kehidupan mereka yang tidak termasuk dalam kelompok elit 1% ini. Apakah semuanya hidup pas-pasan? Tentu saja, pengamatan atas kondisi mereka sangat sulit. Akan lebih mudah mengamati atau mengukur orang-orang yang berada di kelompok ekstrem atas (orang yang sangat kaya) atau ektrem bawah (orang yang paling miskin).  Orang-orang yang masuk ke dalam 1% orang terkaya di Indonesia adalah mereka memiliki harta atau aset yang sangat banyak.  Artikel ini difokuskan pada kekayaan, dan bukannya pendapatan. Kekayaan rumah tangga lebih mampu merefleksikan kondisi kesejahteraan rumah tangga tersebut.  Kamus Besar Bahasa Indonesia juga memberi definisi kaya adalah mempunyai banyak ha
Read more

Tantangan bagi GoPay dan Dompet Digital Lain

-
Image
Bulan Juli 2019, Gojek mengumumkan masuknya Visa sebagai investor. Tidak hanya membawa uang, namun Visa juga membawa teknologi pembayaran bagi Gojek. (Sumber: Reuters )  Bagi Anda pengguna Gojek, mungkin selama ini merasa aneh kenapa Gojek di Indonesia tidak punya fitur pembayaran dengan kartu kredit/debit seperti halnya Grab atau Uber. Hanya ada pilihan pembayaran dengan tunai dan/atau GoPay. Dalam kaitannya dengan GoPay, Gojek di Indonesia lebih memilih bermitra langsung dengan beberapa bank atau non-bank sebagai mitra pembayaran Gopay. Pelanggan bisa top-up GoPay dengan transfer bank, bayar di ATM atau channel pembayaran bank, atau bayar di kasir di minimarket. Jenis transaksi seperti inilah yang malah terus dipromosikan Gojek. Sebaliknya, kerjasama Gojek dengan Visa diarahkan untuk mendukung Gojek dalam ekspansi internasional. Ekspansi Gojek ke negara-negara di kawasan Asia Tenggara seperti Vietnam, Singapura, dan Malaysia membutuhkan sistem pembayara  yang lintas negara
Read more

KKN di Desa Penari

-
Image
KKN di Desa Penari is a horror story that goes viral recently in Indonesia. This story is believed based on the real story of KKN programme in one village in East Java Province in 2009. The KKN is an abbreviation of Kuliah Kerja Nyata or translated as practical experience of community service conducted by university students. While Desa Penari is translated as a village of dancers.  The story was originally published in a serial tweet by SimpleMan in his Twitter account @SimpleM81378523, uploaded on the 24th of June 2019. The tweets are written in the local language (Javanese with eastern Java dialect) with translation in the Indonesian language.  The story focuses on six (out of 14) students who did the KKN programme in a remote village, known with traditional dance as its tradition. When they arrived at the village, they realised that the village is also inhabited by ancient spirits, with traditional dance as their tradition.  The story culminated when a couple did an unacceptabl
Read more

Peta Kemiskinan Kabupaten Malang

-
Image
Kabupaten Malang memiliki persentase penduduk miskin yang tergolong rendah di Indonesia atau di antara kabupaten/ kota lain di Provinsi Jawa Timur. Pada tahun 2021, angka kemiskinan di Kabupaten Malang mencapai 10,50%. Sementara kabupaten/ kota dengan tingkat kemiskinan tertinggi di Jawa Timur adalah Sampang (23,76%), Bangkalan (21,57%), dan Sumenep (20,51%) Namun bila dilihat dari angka absolut, Kabupaten Malang tergolong dalam jajaran kabupaten/ kota yang memiliki jumlah penduduk miskin terbanyak di Indonesia dengan jumlah penduduk miskin 276,58 ribu jiwa pada tahun 2021. Jumlah ini menempatkan Kabupaten Malang di posisi keempat nasional, sementara posisi pertama kabupaten/kota dengan jumlah penduduk miskin terbanyak tahun 2021 adalah Kabupaten Bogor dengan jumlah penduduk miskin 491,24 ribu jiwa kemudian disusul Kabupaten Brebes (314,95 ribu jiwa) dan Kabupaten Garut (281,36 ribu jiwa). Gambar 1 . Peta Kemiskinan Provinsi Jawa Timur, 2015 Banyaknya jumlah penduduk miskin di Kabupate
Read more

Robustness Check

-
Image
Robustness check seringkali menjadi upaya justifikasi peneliti bahwa model dan pemilihan variabel di penelitiannya adalah secara struktural valid. Namun, sebaliknya, bila robustness check tidak dilaksanakan dengan baik, ia akan menjadi tidak informatif dan bisa jadi membawa persepsi yang keliru.  Satu artikel lama namun masih relevan membahas bagaimana core dan non-critical core variables dapat diuji untuk mendukung robustness check.  White, H. & Lu, X. (2010) Robustness Checks and Robustness Tests in Applied Economics. https://www.economics.uci.edu/files/docs/micro/s11/white.pdf
Read more