Analisis perkembangan sektor perekonomian potensial di Kota Bontang Propinsi Kalimantan Timur dalam era implementasi undang-undang otonomi daerah

Analisis perkembangan sektor perekonomian potensial di Kota Bontang Propinsi Kalimantan Timur dalam era implementasi undang-undang otonomi daerah

(oleh: Harimurti Triasdiantomo Pramuji Wibisono)

Tujuan dari penelitian ini adalah menganalisis kondisi dan perkembangan tingkat perekonomian di salah satu daerah di luar pulau Jawa yaitu Kota Bontang di Propinsi Kalimantan Timur terutama selama masa pemberlakuan (implementasi) Undang – Undang Otonomi Daerah. Kota Bontang sangat identik dengan kota Industri karena memiliki 2 industri pengolahan besar yaitu PT.Pupuk Kalimantan Timur,Tbk dan PT.Badak,Natural Gas Liquified,Co. sehingga penelitian ini menjelaskan tentang perkembangan sektor tersebut dan juga sektor lainnya selama masa implementasi Undang – Undang Otonomi Daerah.

Penelitian ini merupakan jenis penelitian deskriptif, menggunakan data sekunder runtut waktu (time series) berupa data Produk Domestik Regional Bruto (PDRB) Kota Bontang dan Propinsi Kalimantan Timur dari tahun 1999 2003 yang bersumber dari instansi terkait, yaitu Biro Pusat Statistik (BPS) di Kota Bontang dan Propinsi Kalimantan Timur serta dari berbagai literatur lainnya seperti makalah hasil penelitian dan seminar (publikasi), buletin serta studi pustaka lainnya yang erat kaitannya permasalahan utama penelitian ini.

Berdasarkan hasil analisis data maka dapat diketahui bahwa selama masa implementasi Undang – Undang Otonomi Daerah antara tahun 1999 - 2003 menunjukkan terjadinya ketimpangan perekonomian di Kota Bontang karena hanya memiliki 1 sektor basis saja yaitu industri pengolahan dengan nilai koefisien Location Quotient rata – rata sebesar 6,53 sedangkan sektor yang lain memiliki koefisien dibawah 1. Dari analisis tersebut dapat terlihat ketergantungan yang sangat tinggi terhadap sektor industri pengolahan. Dalam Shift – Share (SS) Klasik diketahui bahwa peningkatan pertumbuhan PDRB Kota Bontang sebesar Rp.567.345,58 juta yang merupakan pengaruh dari pertumbuhan ekonomi propinsi (Nij) sebesar Rp. 591.300,30 juta, pengaruh bauran industri (Mij) minus Rp130.010,82 juta, dan pengaruh keunggulan kompetitif (Cij) sebesar Rp. 106.056,10 juta. Dalam analisis MRP (Model Rasio Pertumbuhan) menunjukkan bahwa Sektor yang menonjol di Kaltim adalah sektor pertanian, sektor pertambangan, sektor listrik, gas dan air bersih, sektor bangunan, sektor pengangkutan & komunikasi, sektor keuangan, persewaan dan jasa perusahaan. Sektor yang menonjol di Kota Bontang adalah sektor pertambangan, sektor listrik, gas & air bersih, sektor bangunan, sektor perdagangan, hotel & restoran, sektor pengangkutan & komunikasi, sektor keuangan, persewaan & jasa perusahaan, serta sektor jasa – jasa. Analisis terakhir yaitu Tipologi Klassen menjelaskan bahwa Kota Bontang merupakan daerah yang maju tapi tertekan karena memiliki rata – rata pendapatan perkapita yang lebih besar daripada Propinsi Kaltim namun pertumbuhannya justru masih di bawah Propins Kaltim.

Kesimpulan dari penelitian ini adalah timbulnya ketergantungan yang terlalu besar terhadap sektor industri pengolahan di Kota Bontang sehingga kota ini menjadi kota yang maju dan memiliki pendapatan yang tinggi tapi justru tertekan karena sektor – sektor yang lain kurang berkembang dan nilai pendapatan migas yang cenderung stagnan walaupun berada dalam kisaran yang sangat tinggi. Hal itu diperjelas lagi dengan kecilnya sumbangan sektor non Migas terhadap stabilitas perekonomian dan PDRB Kota Bontang.

Saran terhadap penelitian ini adalah perlu kiranya untuk mengembangkan kebijakan – kebijakan yang lebih terbuka dan transparan oleh pemerintah daerah Kota Bontang terhadap potensi perekonomian yang belum sepenuhnya tergali dengan maksimal di masa mendatang karena dikhawatirkan ketersediaan bahan baku minyak dan gas yang cenderung untuk terus menyusut di masa mendatang.

komentar:

Memang benar kota bontang memiliki berbagai macam potensi sumber daya alam yang dapat dikembangkan. namun apakah dari waktu kewaktu potensi itu bisa atau dapat menjadikan sumber pemasukan bagi kota bontang tersebut??? apakah sebalik nya, malah merugikan kota bontang?? Semua memang belum jelas. di sini peran pemerintah sangatlah besar selain itu ikut serta peran masyarakat dalam menentukan perkembangan wilayahnya pun juga dinomor satukan. jadi hubungan antara pemerintah dan masyarakat harus lah selaras dalam mencapai tujuan bersama demi cita-cita perkembangan yang positip tanpa merugikan kedua belah pihak. namun, unsur alam jangan lah dikesampingkan, karena alam merupakan sumber kehidupan dunia, justru itu butuh rencana yang sangat matang dalam pengembangan dalam pemanfaatan sumberdaya yang ada di kota bontang.

Selain itu, pengenalan pada teknologi ke masyarakat juga penting atau dengan kata lain aknowledge technology for human dalam pemanfaatan potensi sumber daya alam yang ada. diharapakan dengan pendekatan teknologi ini mampu menaikkan hasil produksi pada basis non-migas, seperti perikanan, pertanian, perkebunan, dan lain-lain yang tetap memperhatikan faktor lingukungan.

Multiregional Dan Perluasan Model Cohort Survival

MULTIREGIONAL DAN PERLUASAN MODEL COHORT SURVIVAL

Disusun untuk memenuhi tugas pengkayaan materi mata kuliah Metode Analisis Perencanaan

oleh : Didit Yoga Prasetya

0610663014

1. Pendahuluan

Pertumbuhan dan penyebaran penduduk timbul karena adanya tiga komponen demografi, yaitu tingkat kelahiran, kematian, dan migrasi. Proyeksi penduduk pada umumnya didasarkan pada anggapan populasi tertutup, artinya hanya melibatkan komponen kelahiran dan kematian, sedangkan komponen migrasi di abaikan. Asumsi ini diambil karena migrasi bersih suatu negara, mendekati nol. Namun demikian, jika dilakukan proyeksi penduduk antarwilayah maka komponen migrasi tidak dapat diabaikan. Proyeksi penduduk secara multiregional berdasarkan waktu untuk satu jenis kelamin (wanita) dapat diperoleh dengan menghitung individu yang bertahan hidup pada daerah dan kelompok umur tertentu ditambah dengan jumlah total bayi lahir yang bertahan hidup sampai akhir selang waktu.

2. Model Pertumbuhan dengan Pendekatan Multiregional

Model komponen multiregional cohort (Willekens and Drewe, 1984) adalah metodologi yang menggunakan pendekatan proyeksi pada populasi local. Pendekatan ini telah banyak digunakan oleh Negara-negara di dunia seperti Eropa dan Amerika Utara. Alasan utama dalam kesuksesan menggunakan komponen multiregional model cohort adalah dengan mensimulasikan proyeksi pada area tertentu. Seperti pada kedua arah tingkat demografi yang spesifik pada tiap-tiap sub-populasi dab poin ke poin migrasi yang tetap. Metode yang terdiri dari system bi-level dalam level puncak tertinggi pada sebuah populasi yang lebih terkonsentrasi pada kedetailan geografinya ( level kedua). Misalnya pada proyeksi area Negara Italia, dalam hal ini, merupakan total nasional dari bentuk puncak tertinggi.

Kajian demografi dapat dilakukan dengan dua pendekatan yaitu uniregional dan multiregional. Demografi uniregional hanya menganalisis penduduk di satu wilayah tertentu. Sedangkan demografi multiregional lebih bersifat simultan, artinya antar daerah yang satu dengan lainnya yang dihubungkan oleh arus migrasi dianggap sebagai satu sistem yang saling berinteraksi.Untuk keperluan perencanaan dan analisis yang berkaitan dengan demografi atau kependudukan salah satunya dapat dipenuhi melalui proyeksi penduduk yang dalam perhitungannya dapat dilakukan dengan dua pendekatan tersebut. Output yang diperoleh merupakan input dasar bagi perencanaan sosial dan ekonomi, maka konsentrasi proyeksi bisa berbeda sesuai kebutuhan seperti proyeksi pendidikan, angkatan kerja, pasar kerja, penduduk lansia, dan kesehatan.

Dalam proyeksi penduduk lansia, komponen demografi yang diperhitungkan hanya komponen mortalitas dan migrasi. Dalam penelitian Mi kelangsungan hidup penduduk yaitu jumlah penduduk yang berhasil hidup dari satu periode ke periode berikutnya dihitung dengan menggunakan fungsi pertumbuhan Continuous Growth Function. Data yang digunakan adalah jumlah penduduk absolut dari Sensus Penduduk 1990 dan Supas 1995. Dengan mengasumsikan tidak ada migrasi maka untuk cohort umur yang sama pada periode berikutnya akan menghasilkan jumlah penduduk yang berkurang karena kematian, sehingga jumlah penduduk tahun 1995 lebih sedikit dibandingkan tahun 1990. Penelitian ini menunjukkan bahwa penerapan fungsi pertumbuhan Continuous Growth Function untuk perkiraan kelangsungan hidup penduduk, lebih terasa manfaatnya terutama untuk kelompok umur tua atau penduduk lanjut usia dengan asumsi tidak ada migrasi selama periode pengamatan.

Kecenderungan migrasi ditentukan dengan menggunakan skedul model migrasi yang diperkenalkan oleh Rogers. Skedul model migrasi menurut umur tertentu (age-specific migration schedule) tersebut dapat dibagai menjadi tiga bagian yaitu;

(1) kurva "usia pra-angkatan kerja" (a single negative exponential curve);

(2) kurva "usia angkatan kerja" (a left-skewed unimodal curve);

(3) kurva "usia pasta angkatan kerja" (an almost hell-shaped curve).

Perpaduan antara model pertumbuhan Continuous Growth Function dan Skedul Model Migrasi membentuk suatu model pertumbuhan penduduk bagi penduduk lanjut usia (lansia). Aplikasi model pertumbuhan penduduk lansia melalui pendekatan multiregional yang diterapkan untuk dua wilayah pengamatan merupakan penjumlahan dari penduduk selama periode tahun t sampai t+5, yang tetap hidup dan tidak pindah di suatu wilayah asal 1, ditambah dengan penduduk yang tetap hidup dan bermigrasi keluar dari wilayah 2 dan masuk ke wilayah 1 selama periode tahun t sampai t-5. Perhitungan kelangsungan hidup penduduk dari umur tepat x sampai umur x+5 dalam perhitungan proyeksi penduduk yang dilakukan dengan menggunakan Life Table Coale-Deineny dan tanpa menggunakan Life Table Coale-Derneny menunjukkan bahwa perhitungan kelangsungan hidup yang dihitung dengan menggunakan model Life Table Coale-Demeny menghasilkan perkiraan penduduk lansia di masa depan, yang jumlahnya lebih tinggi dibandingkan hasil proyeksi penduduk lansia yang dihitung tanpa menggunakan model Life Table Coale-Dement'. Hal ini disebabkan proporsi kematian yang diambil dari ASDR (mx) dalam Life Table Coale-Demeny mengasumsikan bahwa umur maksimum penduduk adalah100 tahun. Sehingga kelangsungan hidup penduduk diperkirakan menjadi lebih panjang dari kenyataannya.

3. Pengertian dan perumusan matematik

Teknik proyek populasi model cohort adalah teknik yang menggunakan beberapa asumsi umur dan jenis kelamin dari sebuah pupulasi yang menjadi salah satu pengaruh dari kematian, kelahiran, dan migrasi.

Dalam pengelompokan umur dan jenis kelamin pada model cohort disamakan dengan umur rata-rata, misalnya untuk kategori anak yaitu pada umur 5-9 tahun.

Konsep utama pada komponen metode adalah sebagai berikut:

• Kelahiran, Kematian, dan migrasi pada populasi di umur yang spesipik.
• Jadwal dari rata-rata tingkat kelahiran pada basis umur yang spesipik yang mengandung karakteristik perputaran populasi dari tahun ke tahun.
• Jadwal rata-rata dari umur yang spesipik tingkat kelangsungan hidup dengan proporsional kelangsungan hidup dari basis akhir perkiraan.
• Tingkat perpindahan dari umur dan jenis kelamin selama perputaran tahun ke tahun.

Perumusan model chort survival adalah sebagai berikut

ket:

P(t+1) = populasi pada interval waktu/ tahun selanjutnya

P(t) = Populasi pada tahun t

Ni = Natural increase (tingkat pertumbuhan alami)

Nm = Net migratiaon (Jumlah penduduk yang melakukan migrasi)

Persamaan ini diperuntuntukan untuk jenis kelamin pria dan wanita pada kelompok umur yang masih produktif. Awal mula dari sebuah tingkat populasi dapat dilihat dalam jangka waktu 5 tahun. (U.S Bureau of Census, 1990)

Pada model proyeksi generalisasi matriks leslie secara multiregional yang telah mencapai sebaran umur stabil berlaku jumlah penduduk pada periode t+1 adalah jumlah penduduk pada periode t dikali laju perubahannya, lambda1. Selanjutnya lamda1 adalah nilai eigen dominan matriks pertumbuhan penduduk secara multiregional. Jika lamda1>1 maka penduduk mengalami pertumbuhan, jika lamda1<1 lambda1="1">

Proyeksi penduduk secara multiregional pada periode t+g dengan g yang besar akan konvergen ke penduduk multiregional stabil dan proporsi jumlah penduduk pada masing- masig kelas umur akan konstan. Populasi stabil juga tidak bergantung pada sebaran usia awal, sehingga dua populasi dengan sebaran usia awal yang berbeda akan cenderung menuju usia struktur stabil yang sama jika keduanya mempunyai jadwal kelahiran, kematian, dan migrasi yang sama.

Syarat-syarat data yang dibutuhkan untuk proyeksi umur dan jenis kelamin:

• Populasi penduduk umur dan berjenis kelamin dari tahun ke tahun.
• Jenis kelamin yang spesifik untuk memprediksi periode.
• Tingkat Umur kelahiran yang spesipik untuk memprediksi periode.
• Umur dan jenis kelamin yang spesifik pada tingkat perpindahan pendududk pada tahun tersebut untuk memprediksi periode.

Hasil akhir dari analisis ini adalah memperkirakan atau meramalkan tingkat pertumbuhan dan grafik pertumbuhan. Dalam kondisi ideal, level atau tingkat survival agak baik dibandingkan dengan tingkat perpindahan penduduk karena perpindahan penduduk sangat tidakk signifikan. Tingkat pertumbuhan adalah perbedaan angka antara kelahiran anak dengan jumlah kematian selama waktu tertentu.

Dengan perumusan tingkat populasi adalah sebagai berikut:

Tingkat pertumbuhan =

Age-Period-Cohort (APC) Analisis

Seperti yang dibahas, usia, kala, dan cohort semua penumbuk yang kemungkinan dari orang-orang ke rusa berburu. Barang kepunyaan usia secara relatif langsung dan yang dihubungkan dengan kejadian kursus umur yang cenderung untuk terjadi pada berbagai zaman yang tertentu (seperti pelepasan ke perguruan tinggi, mempunyai anak-anak, atau mengundurkan diri) dan perubahan-perubahan fisiologis bahwa terjadi ketika tubuh kita mendewasakan. Barang kepunyaan kala bisa mewakili; menunjukkan kejadian spesifik bahwa terjadi pada suatu saat yang tertentu, seperti penemuan dari CWD di dalam kumpulan Wisconsin, atau lebih secara berangsur-angsur terjadi biologi, sosial, ekonomi, dan perubahan-perubahan budaya bahwa sudah tersingkap (di) atas beberapa tahun yang terakhir (yaitu., pemburuan yang muda promosi program-program, habitat berubah, atau resesi ekonomi). Barang kepunyaan cohortmengacu pada pengalaman-pengalaman dari generasi-generasi yang berbeda dan mencerminkan sosial dan transformasi-transformasi budaya bahwa yang terjadi di masa lalu atau bahwa sudah terjadi sangat secara berangsur-angsur (di) atas suatu periode lame dari waktu dan sudah berdampak yang berbeda kelompok umur dengan berbagai cara (yaitu., empowerment dari wanita-wanita untuk mengejar aktivitas yang secara kebiasaan?secara tradisional dihubungkan dengan [jantan/pria]-[jantan/pria] saja). Berpikir tentang perubahan-perubahan di dalam populasi pemburu rusa di dalam jalan?cara ini menawarkan informasi tentang bagaimana dan mengapa populasi itu sedang mengubah dan bagaimana itu bisa melanjutkan untuk bertukar yang berikutnya beberapa tahun. Aspek yang diper;rumit sekitar satu analisis age-period-cohort adalah bahwa/karena faktor-faktor ini bekerja secara serempak bersama-sama, membuat nya sulit untuk memisahkan barang kepunyaan disebabkan oleh masing-masing komponen yang individu.

Dengan kata lain, sulit untuk mengatakan kepada apakah [ini] merupakan suatu usia kelompok pada saat, tentang sesuatu kala waktu, dan/atau suatu model cohort mengeluarkan yang sedang mempengaruhi daftar biaya pengiriman barang-barang keikutsertaan. Bagan-Bagan dan diskusi yang sebelumnya sudah mencoba untuk menciri barang kepunyaan ini; meskipun demikian, ke tiga bersifat conflated. Untuk mengisolasikan barang kepunyaan usia, kala, dan cohortdan untuk secara individu menguji masing-masing, kita pesawat satu Age-Period-Cohort (APC) analisis statistik mengarah pada mengerti bagaimana masing-masing faktor ini bekerja bebas dari yang lainnya untuk berdampak pada populasi pemburuan rusa Wisconsin. Perkiraan statistis APC model sudah lama digoda dengan apa yang sudah disebut "masalah identifikasi," dengan mana pemisahan barang kepunyaan usia, kala, dan cohortadalah sulit karena mereka bersifat secara linear yang dihubungkan dengan satu sama lain sehingga kala =usia +cohort(Yang et al. 2008). Kita menunjuk isu ini dengan mengikuti Yang et al. (2008) pendekatan penaksir yang intrinsik. Yang et al. berdasar pada akuntansi APC model populer yang dibuat oleh Mason et al. (1973) yang dapat ditulis dalam bentuk regresi garis seperti(ketika 5 Duda, Bissell, dan Young (1995) temukan daftar biaya pengiriman barang-barang keikutsertaan pemburu wanita itu telah sedang meningkatkan karena sosial berubah.

rij = Hij/Pij = µ + αi + βj + γk + εij

Di mana rij menandakan mengamati tingkat keikutsertaan pemburuan untuk ith kelompok umur di jth waktu kala; Hij menandakan banyaknya pemburu-pemburu yang diamati di dalam kelompok ijth; Pij menandakan kemungkinan kerugian populasi yang total tentang pemburuan di dalam kelompok ijth; µtandakan perpotongan (tingkat keikutsertaan pemburuan nilai-tengah); αi menandakan perwakilan koefisien usia mempengaruhi untuk ith kelompok umur; βj menandakan perwakilan koefisien kala mempengaruhi untuk kala jth; β kali 1000 menandakan pengaruh cohortkth diagonal; dan εij menandakan suatu galas acak. Mereka lalu memperkenalkan satu penaksir yang intrinsik (DENGAN KATA LAIN) untuk menunjuk masalah identifikasi berhubungan dengan model yang dasar ini. IE itu adalah suatu penaksir kemunduran komponen utama yang dirancang ke "mencabut pengaruh dari matriks rancangan di koefisien menaksir" (Yang et al. 2008: 1707). tolong lihat Yang et al. (2008) untuk lebih detilnya tentang konstruksi dari IE, untuk perbandingan antara jenis APC yang berbeda model, dan untuk pengesahan pendekatan IE.

Survival rate (SR)

Survival rate atau tingkat kelangsungan hidup dapat diketahui tiap 100%, dan lebih rendah dari tingkat kematian kasar (crued death rate). Tingkat kematian kasar (crued death rate) adalah tingkat ratio dari nilai kematian dalam suatu kelompok umur dalam waktu tertentu, ditemukan pada kelompok umur populasi di kelas tengah pada tahun tersebut.

Dengan persamaan rumus:

Surviaval Rate =

Pada tingkat kelangsungan akan diterbitkan menjadi Vital statistics. Vital statistic memberikan lima tahun kelompok umur yang berbeda, sehingga akan menggunakan 10 tahun kelompok umur. Kelompok yang akan didapat merupakan dua kali ukuran standart. Perhitungan apa yang patas untuk menghitung tingkat perubahan?

Adapun component yang mempengaruhi tingkat perubahan adalah sebagai berikut:

1. Kelahiran, di mana populasi masyarakat local dapat bertambah dengan kelahiran anak. Kelahiran sangat beresiko terjadi pada kelompok umur 10 – 49 tahun, karena pada usia tersebut manusia berjenis kelamin wanita dapat bereproduksi.
2. Kematian, pengurangan jumlah orang dengan cara kematian. Tidak dapat ditentukan dengan umur, karena setiap individu sangat beresiko untuk mati. Untuk tingkat kematian dapat dihitung dari semua kelompok umur dan jenis kelamin. Tingkat kematian sangat relative tinggi dari tahun pertama lahir dan mengalami penurunan pada saat pertengahan tahun (middle age). Pada kelompok umur 65 tahun ke atas, tingkat kematian semakin tinggi.
3. Migrasi, factor terakhir yang sangat mempengaruhi ukuran populasi adalah migrasi. Migrasi dapat menarik dua keadaan yang sebenarnya terjadi, yaitu:
1. In-migration, Perpindahan menuju wilayah local bisa perindividu, atau keluarga.
2. Migrasi ke luar, perpindahan ke luar wilayah local bias perindividu, atau keluarga.

Dengan menggunakan rumus untuk menghitung tingkat perubahan yaitu:

• Survival rate (t+n) = Survival rate (t)**n

Persamaan di atas membuat pengertian pada perhitungan Populasi pada model cohort. Apabila tingkat kelangsungan hidup (survival rate) adalah 50% (0,5 àmerupakan tingkat kelangsungan hidup yang rendah) untuk mengangkat tingkat survivalnya harus melebihi 2 standar intervalnya (misalnya, 10 tahun sebaliknya dari 5 tahun), sehingga interval selanjutnya merupakan standar yang seharusnya digunakan pada tingkat pertama interval atau sebuah simbolik.

Jadi;

• Populasi (t+2) = Survival rate * Populasi (t+1)

Di mana;

• Populasi (t+1) = Survival rate * Populasi (t)

Karena itu;

• Populasi (t+2) = Survival rate * (Survival Rate * Populasi (t))

Atau, yang lebih sederhana;

• Populasi (t+2) = ((survival rate)²) * (Populasi (t))

Net Migration Model

Proyeksi komponen populasi model cohort dengan menggunakan tingkat perpindahan adalah salah satu keadaan biasa yang sering terjadi pada komponen model cohort pada demografis textbooks (see Hinde 1988; preston, Heuveline and Guillot 2001; Rowland 2003). Demografis textbox selalu digunakanan untuk memproyeksikan negara dan wilayah di Australia (Bell 1992) dan untuk proyeksi subnational di negara-negara lainnya. Contoh, di pemerintahan United Kingdom Actuary’s Department menggunakan tiap-tiap model untuk membuat proyeksi kesatuan populasi untuk empat calon kontitusi negara di UK (GAD 2002); dan Statistic New Zealand menggunakannya untuk persiapan wilayah negaranya dan dasar petunjuk proyeksi (Statistics New Zeland 2003).

Pertumbuhan populasi pada net migration model adalah sebagai berikut;

(P.Sub.s, a+1) (t+1) = (P.Sub.s,a) (t) – (D.Sub.s,a,a+1) (t, t+1) + (N.Sub.s,a,a+1) (t, t+1)

Proyeksi pada perumusan didapat dari berbagai macam data, yang sering terjadi dipakai pada tabel (Sub.n)(q.sub.x) atau (Sub.n)(L.sub.x). sehingga, sangat terlihat perbedaan versi yaitu pada presentasi periode kejadian kematian pada model cohort dengan konsistensi menggunakan deskripsi model multiregional dari Willekens dan Drewe (1984) dan Rees (1989). Menggunakan awal dan akhir pada penentuan interval populasi sama dengan perkiraan atau penaksiran tiap manusia pertahunnya, pada versi ini dapat dirumuskan sebagai berikut;

(P.sub.s,a+1) (t + 1) =(P.sub.s,a) (t) -(d.sub.s,a,a+1) (t, t + 1) 0.5 ((P.sub.s,a) (t) +(P.sub.s,a+1) (t + 1)) +(N.sub.s,a,a+1) (t, t + 1)

Dimana untuk menghindari perhitungan yang dapat mengganggu dapat menggunan perumusan dari Rees (1990);

(P.sub.s,a+1) (t + 1) = (1 - 0.5(d.sub.s,a,a+1) (t, t + 1)) / (1 + 0.5(d.sub.s,a,a+1) (t, t + 1))(P.sub.s,a) (t) +(N.sub.s,a,a+1) (t, t + 1) / (1 + 0.5(d.sub.s,a,a+1) (t, t + 1)).

Studi Kasus

Cohort-Component Model Example
	Population at t		Survival Rate				Population at t+1
Age Group	Male	Female	Male	Female	Birth Rate		Male	Female
0-14	20,000	20,000	85%	90%			16,500	16,500
15-29	10,000	10,000	75%	80%	0.9		17,000	18,000
30-44	12,000	12,000	65%	70%	2		7,500	8,000
45-59	5,000	5,000	50%	60%			7,800	8,400
60+	3,000	3,000	20%	40%			3,100	4,200
Total Population at t: 100,000
1 time interval = 15 years
Calculating cohort survival to time t+1
Survival Rate: n+1P t+1 = nPt * n(S)
	S=survival rate
Examples:	projecting the male 15-29 population in time t+1
15-29 Pop t+1 = 0-14 Pop t * 0-14 (S)
15-29 Pop t+1 = 20,000 * .85 = 17,000
projecting the male 85+ population in time t+1
60+ Pop t+1 = 45-59 Pop t * 45-59 (S) + 60+ Pop t * 60+(S)
85+ Pop t+1 = 5,000 * .50 + 3,000 * .20= 3,100

Calculating new cohort (0-14) in time t+1
Births: sum of (n,f Pt * nB) for all women of child-bearing age
		B=age-specific birth rate
Example:	projecting the new 0-14 cohort in time t+1
		(15-29,f Pt * 15-29B) + (30-44,f Pt * 30-44B)
		(10,000 * .90) + (12,000 * 2.0) = 33,000
		Divide births (33,000) into male and female

DAFTAR PUSTAKA

lic.law.ufl.edu/~nicholas/URP6312/PopMthd.htm

http://home.business.utah.edu/bebrpsp/URPL5020/Demog/CohortComponent.pdf

http://www.hbp.usm.my/Thesis/HeritageGIS/master%5Cthesis%5C3-Cohort%20component.htm

http://mailer.fsu.edu/~tchapin/garnet-tchapin/urp5261/topics/demog/cohort.htm

http://classshares.student.usp.ac.fj/SE303/Lectures/week%209-11%202%20Cohort%20Component%20Method.doc

http://www.apl.wisc.edu/publications/winkler_deerdemography.pdf

http://www.digilib.ui.ac.id/opac/themes/libri2/detail.jsp?id=73689&lokasi=lokal

Dewi Priastuti, Jakarta. Model Pertumbuhan Penduduk Usia Lanjut di Indonesia Dengan Pendekatan Multiregional. Perpustakaan UI