Metode Analisis

3.4.1. Analisis perkembangan proporsi penduduk miskin pada komunitas petani dan penduduk pedesaan serta variasinya provinsi dan antar agroekosistem.

Metode analisis yang akan diterapkan mengkuti metode pengukuran kemiskinan yang dilakukan BPS. Terkait dengan itu maka analisis perkembangan proporsi penduduk miskin di pedesaan antar provinsi dapat dilakukan dengan memanfaatkan hasil pengukuran yang telah dilakukan lembaga tersebut.

Untuk mengkaji perkembangan yang terjadi pada komunitas petani, prosedurnya adalah sebagai berikut. Langkah pertama adalah melakukan pemilahan komunitas petani dari seluruh populasi. Ini dapat dilakukan dengan mengidentifiksi rumah tangga menurut jenis pekerjaan utama. Langkah berikutnya adalah menghitung rumah tangga yang termasuk kategori di bawah garis kemiskinan dengan metode pengukuran seperti tersebut di atas untuk setiap provinsi. Data yang akan dianalisis adalah data SUSENAS beberapa titik waktu.

Untuk mengetahui variasi penduduk miskin antar agroekosistem, data yang digunakan adalah data hasil survey pada kerjasama penelitian JICA – IFPRI – PSEKP yang dilakukan pada tahun 2010. Total jumlah contoh pada survey tersebut adalah 2200 rumah tangga dari 98 desa pada 7 provinsi, mencakup rumah tangga petani maupun non pertani. Identifikasi tipe agroekosistem mengacu pada sistem usahatani dominan pada desa yang bersangkutan.

Metode yang diterapkan untuk mengidentifikasi rumah tangga miskin pada komunitas petani maupun pada komunitas mengikuti metode pengukuran yang dilakukan BPS. Dalam rangka pendalaman, akan dilakukan pula identifikasi rumah tangga miskin dengan menggunakan ukuran “setara beras”.

Kemiskinan mencakup ukuran absolut maupun relatif. Garis besar mengenai kemiskinan relatif tercermin dari distribusi pendapatan. Untuk itu, dalam

26 kajian ini juga akan dilakukan analisis distribusi pendapatan. Ukuran yang akan dipakai adalah Indeks Gini dan visualisasinya dapat disajikan dengan kurva Lorenz. Ini akan diterapkan pada kajian lingkup makro maupun lingkup mikro tersebut di atas.

3.4.2. Analisis tentang pengaruh faktor-faktor sosial ekonomi yang terkait dengan status perkembangan ekonomi wilayah dan kondisi agroekosistem terhadap penyerapan tenaga kerja dan penurunan kemiskinan.

Kajian lingkup makro ditujukan untuk mengetahui status perkembangan ekonomi wilayah terhadap penurunan proporsi penduduk miskin. Unit analisisnya adalah provinsi.Tipologi tingkat perkembangan wilayah didasarkan atas peranan sektor pertanian dalam struktur PDRB dan proporsi penduduk pedesaan terhadap total populasi masing-masing provinsi. Selain tingkat perkembangan wilayah, variabel lain yang diduga mempengaruhi penurunan proporsi penduduk miskin adalah pertumbuhan PDRB riil sektor pertanian, pertumbuhan total PDRB riil, dan nilai tukar petani. Metode sederhana untuk mengkajinya adalah dengan menggunakan regresi.

Pada analisis lingkup mikro, kajiannya mencakup pula aspek penyerapan tenaga kerja. Selain tingkat perkembangan ekonomi wilayah, faktor lain yang diduga sebagai sumber variasi adalah tipe agroekosistem. Serupa dengan analisis pada lingkup makro, penyederhanaan dalam pengambilan kesimpulan juga akan didekati dengan memanfaatkan regresi tetapi faktor penjelasnya akan lebih lengkap, sesuai dengan ketersediaan datanya. Unit analisisnya adalah desa dan rumah tangga.

3.4.3. Identifikasi simpul-simpul kritis peningkatan kesejahteraan petani khususnya dan masyarakat pedesaan pada umumnya, serta implikasinya pada strategi pencapaian SDGs.

Indikator kemiskinan yang paling populer adalah daya beli. Daya beli ditentukan oleh pendapatan dan harga barang dan jasa yang berlaku pada komunitas yang bersangkutan. Mengingat bahwa kemiskinan bersifat multi dimensi maka validitas pengukuran kemiskinan berdasarkan satu variabel

27 seringkali menjadi sasaran kritik yang berakar pada perbedaan sudut pandang dan konteks (Kakwani and Silber, 2008). Dengan tetap menyadari keterbatasan yang ada jika orientasinya adalah untuk mengkaji perkembangan (dengan data “time series”), sampai saat ini daya beli merupakan ukuran yang paling banyak dipakai.

Akan tetapi jika orientasinya untuk memperbandingkan tingkat kemiskinan antar komunitas dalam suatu waktu tertentu dengan pendekatan “cross section” maka validitasnya menurun. Selain adanya sumber variasi yang berasal dari perbedaan harga barang dan jasa pada sisi konsumsi maupun sisi produksi (termasuk tingkat upah), turunnya validitas dari ukuran tersebut juga terkait dengan: (i) sifat kumulatif pendapatan dan nilai aset antar waktu, (ii) implikasi dari sifat

“kemiskinan relatif”. Terkait dengan itu maka kajian tentang kemiskinan perlu dilengkapi dengan kajian aspek-aspek pada pemilikan aset rumah tangga dan distribusi pendapatan pada komunitas yang bersangkutan.

Kemiskinan adalah suatu “status” yang mengacu pada ketertinggalan dalam kesejahteraan. Oleh karena itu untuk pendekatan untuk mengidentifikasi simpul-simpul kritis pengentasan pengentasan kemiskinan dapat dilakukan dengan mengidentifikasi faktor-faktor yang mempengaruhi kesejahteraan.

Serupa dengan kemiskinan, kesejahteraan juga multi dimensi. Jika dipandang sebagai variabel maka merupakan variabel laten endogen (latent endogenous variable – misalnya dilambangkan sebagaiη ) yang tidak dapat diamati secara langsung. Terhadap variabel ηini yang dapat diamati adalah himpunan variabel yang representatif sebagai ndikatornya dan himpunan variabel yang diduga mempengaruhinya.

Estimasi sebaran populasi menurut ηdapat dilakukan dengan pendekatan Structural Equation Modeling (SEM) dengan model Multi Indicators Multi Causes (MIMIC). Model ini sebenarnya sudah cukup lama diketahui. Pertama kali diperkenalkan oleh Jöreskog and Goldbreger (1975). Beberapa contoh pemanfaatan model ini misalnya pada kajian sektor informal (Giles and Tedds, 2002, Breusch, 2005; Buehn and Schneider, 2008) ataupun estimasi kapasitas adaptasi petani terhadap perubahan iklim (Sumaryanto dkk, 2012).

Interpretasi atas ηtidak dapat dilakukan karena merupakan angka-angka

“simpul” yang menjembatani himpunan variabel penyebab dari berbagai aspek

28 yang berbeda dengan himpunan indikator dari beberapa dimensi. Akan tetapi himpunan nilai ηmempunyai ukuran pemusatan, ukuran dispersi, dan bentuk sebaran. Oleh karena itu dapat digunakan untuk konsisten untuk melakukan pemeringkatan, misalnya dengan pendekatan percentile, pemeringkatan berbasis varian, dan lain sebagainya. Untuk memperoleh gambaran lebih rinci, dapat dilakukan dengan teknik dekomposisi melalui komparasi ukuran pemusatan maupun dispersi variabel-variabel penyebabnya ataupun variabel-variabel indikatornya.

Bentuk dasar model ini adalah bahwa vektor variabel-variabel indikator ( 1)

y p terhubungkan oleh suatu variabel laten () dengan vektor variabel-variabel penyebab (x q . Meniru presentasi model MIMIC pada penelitian Giles 1) and Tedds (2002) pada kajiannya mengenai sektor informal di Canada, hubungan antara y, , dan x adalah sebagai berikut:

i i i

y   (1)

i xi i

     (2)

dalam hal ini ( q dan1) ₁  adalah vektor-vektor parameter yang tidak 1 diketahui, sedangkan galatnya yaitu (_i p dan (skalar)1) _i diasumsikan mempunyai nilai tengah nol, sedangkan varian  diag( ,₁ ,_p) dan  yang satu dengan lainnya tidak berkorelasi.

Model yang terdiri atas persamaan (1) dan (2) tersebut di atas tidak menentukan skala untuk semua parameternya, sehingga diperlukan adanya suatu persyaratan normalisasi. Ini dapat dilakukan dengan mengadopsi pendekatan konvensional yaitu dengan cara menetapkan unsur pertama dari vektor  tersebut bernilai satu, jadi ₁ . 1

Dalam model MIMIC, x adalah “weakly exogenous” dimana distribusinya kondisional terhadap x. Ini berimplikasi pada struktur sebarannya, nilai tengah, maupun varian variabel-variabel yang diobservasi. Jadi:

E(y x_{i i})E ( x_i _i)_i x_ix_i , (3) var(y x_{i i})var ( x_i _i)_i x_ivar _i  _i x_i    (4)

29 Persamaan (3) dan (4) dapat dinyatakan dalam bentuk reduksinya (reduced form) sebagai berikut:

i i i

y    x v (5)

dimana  ^ dan v_i (0, ) , dan    . Secara umum, struktur model MIMIC berimplikasi restriktif pada parameter reduced form dan  .

Metode estimasi yang tak bias untuk model MIMIC adalah maximum likelihood (ML). Perangkat lunak yang mudah digunakan adalah AMOS, LISREL, dan STATA 12. Dalam penelitian ini yang akan digunakan adalah STATA 12.

Terdapat beberapa bentuk model MIMIC, tergantung pada jumlah variabel penjelas (x) dan indikator (y) yang dilibatkan dalam model. Bentuk final model MIMIC yang akan diterapkan dalam penelitian ini akan dapat ditentukan setelah eksplorasi atas data yang dikumpulkan selesai dilakukan. Untuk sementara, diduga bahwa indikator yang sesuai untuk merefleksikan “kesejahteraan” antara lain:

pendapatan per kapita, total nilai aset rumah tangga, konsumsi beras per kapita, pangsa pengeluaran rumah tangga untuk pangan pokok, nilai rekening listrik, dan sebagainya; sedangkan faktor-faktor yang diduga mempengaruhi η (tingkat kesejehteraan) adalah nilai pemilikan aset produktif (lahan, ternak, peralatan pertanian), produktivitas kerja, jumlah anggota rumah tangga usia kerja, beban tanggungan rumah tangga, umur kepala rumah tangga, pendidikan kepala rumah tangga, dan sebagainya.

Data yang akan dianalisis adalah data hasil survey pada penelitian kerjasama JICA – IFPRI – PSEKP pada tahun 2010 karena jumlah observasinya sangat memadai (lebih dari 2000), aspek yang digali lengkap, dan relevan untuk kajian ini karena implementasi kebijakan pencapaian sasaran MDGs di Indonesia secara efektif berlaku pada periode 2000 – 2015.

30 IV. ANALISIS RISIKO

Tabel 1. Daftar Risiko, Penyebab dan Dampak

No Risiko Penyebab Dampak

1 Rendahnya keterbukaan

informasi responden Rasa kekhawatiran dari informasi yang diberikan tersebut berdampak kurang baik terhadap usahanya

Data kurang lengkap, akurat, dan rinci

2 Tugas-tugas kantor untuk kegiatan non penelitian

3 Perubahan anggaran DIPA untuk kegiatan

Tabel 2. Daftar Penanganan Risiko

No Risiko Penanganan

1 Rendahnya keterbukaan informasi

pedagang dan pengusaha/industri Melakukan teknik wawancara secara baik dan benar, melalui pendampingan petugas instansi terkait dan memberikan penjelasan urgensi penelitian ini bagi responden 2 Tugas-tugas kantor yang sporadis Mengatur pembagian tugas dan

tanggungjawab diantara tim pelaksana penelitian

3 Perubahan anggaran DIPA untuk

kegiatan penelitian Membuat perencanaan penelitian dengan strategi Plan-A dan Plan-B, sehingga jika terjadi perubahan anggaran tinggal dilaksanakan salah satu dari plan tersebut