Lokasi dan Waktu Penelitian
Lokasi yang dipilih dalam penelitian ini adalah Kecamatan Cibeber, Kabupaten Cianjur, Provinsi Jawa Barat. Pemilihan lokasi penelitian dilakukan secara sengaja (purposive) dengan pertimbangan tempat penelitian memiliki kesesuaian dengan topik yang akan dianalisis. Lokasi tersebut menjadi salah satu sentra produksi padi di Kabupaten Cianjur. Penelitian dilakukan di 3 desa sampel yang mewakili 18 desa di Kecamatan tersebut. Ketiga desa yang dipilih yakni Desa Salamnunggal, Karangnunggal dan Cisalak. Ketiga desa dengan hasil produksi padi yang unggul dan lebih konsisten dibandingkan desa lainnya di Kecamatan Cibeber ini diharapkan mampu menggambarkan keadaaan umum rantai pasok beras di Kabupaten Cianjur. Pengumpulan data dilakukan pada Maret 2014 dan Juli 2015.
Jenis dan Sumber Data
Data yang digunakan dalam penelitian terdiri dari data primer dan data sekunder. Data primer bersumber dari hasil wawancara dan observasi dengan petani, pengelola pabrik beras, dan lembaga lainnya yang terlibat dalam rantai pasok beras di Kabupaten Cianjur. Data sekunder bersumber dari berbagai buku, jurnal, hasil penelitian terdahulu, dan artikel terkait topik penelitian. Hasil penelitian Saragih (2014), terkait nilai efisiensi operasional pada saluran pemasaran beras di Cianjur, digunakan sebagai input dalam evaluasi saluran dengan metode DEA pada penelitian ini. Selain itu, data sekunder juga bersumber dari data Dinas Pertanian Jawa Barat dan Cianjur, Badan Penyuluh Pertanian Kecamatan Cibeber, dan Badan Pusat Statistik Indonesia. Data bulanan dari Dinas Pertanian Cianjur, terkait harga gabah di petani, harga beras di pengumpul besar dan pengecer, sejak Januari 2010 sampai Desember 2014, merupakan data sekunder yang digunakan peneliti untuk mengevaluasi integrasi pasar vertikal. Data bulanan terkait harga beras di Cipinang (Jakarta) pada Januari 2010 sampai Desember 2014 juga digunakan dalam mengevaluasi integrasi harga vertikal pada rantai pasok beras di Kabupaten Cianjur.
Metode Penentuan Sampel
Petani yang terlibat sebagai responden awal adalah 30 orang. Pengambilan sampel ini dilakukan dengan metode multistage sampling dari 3 desa, yakni Salamnunggal, Karangnunggal, dan Cisalak di Kecamatan Cibeber, Kabupaten Cianjur. Peneliti mengambil 10 orang petani responden dari masing-masing desa tersebut. Dari informasi petani, diketahui aliran produk yang melibatkan lembaga pemasaran lainnya dan dijadikan pula responden dalam penelitian ini. Lembaga tersebut adalah 4 orang tengkulak, 1 penggilingan desa, 2 pengumpul besar, 1 pabrik beras, 3 pedagang besar di Cianjur, 3 pedagang beras di Cipinang, dan 6 pengecer.
Metode Pengolahan Data
Pengolahan data dilakukan secara kualitatif dan kuantitatif. Analisis kualititaif digunakan menganalisis rantai pasok dengan menggunakan kerangka Food Supply Chain Network (FSCN). Sedangkan analisis kuantitatif digunakan untuk menganalisis integrasi pasar vertikal pada rantai pasok beras, melalui mmetode VAR. Dalam pengolahan data, peneliti menggunakan software Eviews 8. Efisiensi rantai pasok juga dilihat berdasarkan efisiensi teknis setiap saluran rantai pasok yang ada dengan metode DEA. Dalam pengolahan data, peneliti menggunakan software Max DEA Pro 6.4.
Analisis Rantai Pasok Beras
Rantai pasok beras di Cibeber, Kabupaten Cianjur dianalisis dengan metode deskriptif-kualitatif. Output dari analisis ini adalah mendapatkan informasi mengenai struktur rantai pasok beras di Cianjur, termasuk proses-proses nilai tambah pada rantai pasok tersebut.
Sasaran Rantai
Sasaran Pasar
Sasaran pasar menjelaskan tujuan pasar pada rantai pasok beras di Cibeber, Cianjur tersebut. Dalam hal ini, dijelaskan siapa tujuannya dan apa yang diinginkan atau dibutuhkan oleh pihak yang menjadi tujuan pasar tersebut.
Sasaran Pengembangan
Bagaimana pihak-pihak yang terlibat dalam rantai pasok melakukan usaha dalam mencapai target-target selanjutnya untuk meningkatkan kinerja rantai pasoknya.
Struktur Rantai
Penjelasan mengenai anggota atau pihak yang terlibat dalam rantai pasok. Dalam hal ini, dijelaskan dijelaskan bagaimana gabah dari petani petani sampai ke konsumen akhir. Aktivitas-aktivitas oleh lembaga-lembaga pemasaran dalam memenuhi permintaan konsumen dan bersaing dengan lembaga lain dijelaskan pada struktur rantai.
Manajemen Rantai Pasok
Pemilihan mitra
Bagaimana proses kemitraan oleh anggota rantai pasok beras di Cianjur dijelaskan pada bagian ini. Dijelaskan pula apa saja yang menjadi alasan para
anggota rantai pasok untuk memilih mitranya, misalnya dalam pemilihan mitra untuk memasarkan gabahnya.
Kesepakatan Kontraktual
Bagaimana setiap anggota rantai pasok membuat kesepakatan. Hal ini diperlukan untuk menjaga tanggung jawab dan memberi batasan pada anggota- anggota rantai pasok yang saling bekerja sama, termasuk dalam bertransaksi.
Dukungan Pemerintah
Bagaimana pemerintah mengatur dan menciptakan program mendukung kelancaran rantai pasok beras di Cianjur tersebut
Kolaborasi Rantai Pasok
Bagaimana pembagian informasi diantara anggota-anggota rantai pasok yang terlibat, dimana dapat terjadi secara sukarela dan timbal-balik.
Sumber Daya
Termasuk di dalamnya adalah sumber daya fisik, teknologi, manusia, dan modal yang dimiliki atau digunakan oleh masing-masing anggota rantai pasok. Bagaimana pemanfaatan, pengadaan, dan biaya yang dikeluarkan untuk sumber daya tersebut juga dianalisis pada bagian ini.
Proses Bisnis
Bagaimana proses bisnis dalam rantai pasok dan bentuk usaha yang dijalankan sebagai proses integrasi rantai pasok beras di Cianjur. Hal ini dilihat dari cycle view dan push or pull view (Chopra dan Meindl 2007). Selain itu, dijelaskan bagaimana pola distribusi dalam rantai pasok. Termasuk aliran produk dari gabah menjadi beras, aliran finansial dalam rantai pasok, terkait untuk meningkatkan kinerja rantai pasok, bagaimana aspek risiko yang ditanggung oleh setiap anggota rantai pasok, bagaimana penetapan merk beras, dan bagaimana antar anggota rantai pasok saling membangun kepercayaan.
Efisiensi Teknis Saluran Rantai Pasok
Efisiensi teknis saluran rantai pasok dapat diukur dengan menjadikannya sebagai decision making unit (DMU). DMU merupakan unit-unit yang akan dianalisis efisiensinya. DMU diukur efisiensinya melalui metode DEA. DEA digunakan untuk mengukur efisiensi relatif dari DMU yang memiliki banyak input dan output. Nilai efisiensi diperoleh dari rasio antara output dengan input. DMU yang digunakan dalam penelitian ini adalah 10 saluran rantai pasok beras di Kabupaten Cianjur berdasarkan penelitian Saragih (2014). Sepuluh saluran dipilih
sebagai DMU untuk membandingkan saluran mana yang paling efisien. Proses dan manfaat dari saluran yang paling efisien dapat dijadikan acuan bagi saluran lain yang belum efisien. Hal ini dapat dilakukan dengan pendekatan atribut atau faktor yang relevan dan valid untuk mengukur efisiensi rantai pasok. Input yang dipilih dalam mengevaluasi kinerja saluran rantai pasok adalah marjin pemasaran dan biaya pemasaran. Idealnya, input DEA ini dapat menggambarkan sumber daya yang digunakan dalam menjalankan fungsi-fungsi pemasaran. Sedangkan output yang dipilih adalah nilai farmer’s share, rasio keuntungan terhadap biaya, dan keuntungan total setiap saluran rantai pasok.
Efisiensi setiap saluran diukur menggunakan DEA VRS yang berorientasi output untuk melihat efisiensi setiap saluran dalam rantai pasok. DEA VRS dipilih karena DMU dianggap belum beroperasi dalam skala optimal. Setiap pemanfaatan input, yakni biaya pemasaran, tidak akan selalu menghasilkan keuntungan yang sama. Misalnya, saat biaya penggilingan tetap, keuntungan dapat berbeda karena adanya perbedaaan rendemen gabah dari proses penggilingan tersebut. Artinya, diansumsikan bahwa rasio penambahan input dan output tidak sama. Di sisi lain, orientasi output dipilih karena lebih sesuai pada unit dimana pembuat keputusan diberikan sumberdaya yang tetap dan diminta untuk memproduksi output sebanyak mungkin dari sumber daya tersebut. Selanjutnya, efisiensi setiap saluran dapat dibandingkan dengan adanya sebaran peer hasil olahan data DEA. Berikutnya, perbaikan saluran yang belum efisien dapat dilakukan dengan potential improvements.
Integrasi Pasar
Integrasi pasar yang dianalisis pada penelitian ini adalah integrasi harga vertikal. Integrasi pasar vertikal menunjukkan pengaruh harga di suatu lembaga terhadap pembentukan harga suatu komoditas di tingkat lembaga lainnya. Lembaga yang dimaksud dalam penelitian ini adalah petani di Cianjur, pengumpul besar di Cianjur, pengecer di Cianjur, dan pedagang di Pasar Cipinang (Jakarta). Analisis integrasi harga vertikal dalam penelitian ini diukur dengan metode VAR. Metode tersebut dilakukan dengan tahapan sebagai berikut:
Uji Stasioner Data
Konsep non-stasioneritas sangat penting menganalisis data time-series. Input yang digunakan dalam penelitian ini adalah data time series berupa harga bulanan gabah di tingkat petani, harga beras di tingkat pengumpul besar, pengecer Cianjur, dan pedagang Cipinang. Serial dinyatakan stasioner apabila memiliki mean, varians, otokovarians bersifat konstan untuk panjang lag tertentu. Stasioneritas berpengaruh terhadap perilaku series. Shock yang tidak stationer bisa jadi tidak akan mengecil seiring berjalannya waktu. Selain itu, penggunaan data non-stasioner dapat menghasilkan regresi palsu. Apabila teknik regresi standar diaplikasikan pada data-data non stasioner, hasilnya akan bagus, ditunjukkan melalui R2 yang tinggi. Padahal sebenarnya, hal tersebut tidak memiliki arti. Berikutnya, apabila variabel dalam model tidak stasioner, nilai rasio t yang biasa tidak akan mengikuti distribusi t dan nilai F statistik tidak akan mengikuti diatribusi F (Hakim 2014). Untuk mengatasi data yang tidak stasioner pada nilai
tengahnya, proses pembedaaan atau diffrencing terhadap deret data asli dapat dilakukan. Diffrencing merupakan proses mencari perbedaan antara satu data periode dengan periode sebelumnya secara berurutan. Apabila data tidak stasioner pada ragamnya, dapat dilakukan transformasi data asli dalam bentuk logaritma natural atau akar kuadrat. Data yang tidak stasioner juga dapat diubah menjadi stasioner dengan menghilangkan pengaruh musiman atau seasonal pada data (Juanda dan Junaidi 2012).
Stasioneritas dapat dilihat menggunakan uji unit root. Uji ini dikenalkan oleh David Dickey dan Wayne Fuller. Penjelasan unit root dapat dijelaskan oleh tahapan persamaan berikut:
Yt=ρ Yt-1+ t
Jika ρ=1 maka model menjadi random walk tanpa trend. Hal ini
menimbulkan varian Yt tidak stasioner sehingga disebut mempunyai unit root atau data tidak stasioner. Bila persamaan dikurangi dengan Yt-1 pada sisi kanan dan kiri maka menjadi:
Yt - Yt-1= ρ Yt-1 - Yt-1 + t ∆ Yt = ρ −1 + Yt-1 + t Atau dapat ditulis dengan
∆ Yt =δ+ Yt-1 + t Berdasarkan persamaan tersebut dapat dibuat hipotesis:
H0μ =0 H1μ =1
Apabila tidak menolak hipotesis =0, maka ρ=1. Artinya terdapat unit root dan data time series tidak stasioner.
Model yang dikembangkan oleh Dicky-Fuller (Augmented Dickey-Fuller Test) untuk uji stasioner adalah:
1. Model dengan intercept (β1) dan trend (β2)
∆Yt = β1 + β2t + Yt-1 + α i �=1 ∆ Yt-1 + t 2. Model yang hanya memasukkan intercept (β1)
∆Yt = β1 + Yt-1 + α i + �=1 ∆ Yt-1 + t 3. Model tanpa intercept dan trend (slope)
∆Yt = Yt-1 + α i �=1 ∆ Yt-1 + t
Penentuan Lag (Ordo) Optimal
Penentuan lag dalam sistem VAR sangat penting dalam estimasi model VAR. Lag yang optimal dibutuhkan untuk menangkap pengaruh dari setiap peubah terhadap peubah lainnya. Penentuan lag optimal dapat menggunakan beberapa indikator seperti LR (sequential modified likehood ratio test statistic), AIC (akaike information criterion), SC (schwarz information criterion), FPE (final prediction error), HQ (Hannan Quinn information criterion). Kriteria pemilihan lag yang optimal adalah pada LR terbesar atau pada AIC, SC, FPE, dan HQ dengan nilai terkecil. Selain itu, indikator yang penting untuk menentukan lag yang optimal adalah R2 adjusted yang terbesar. R2 adjusted dapat memberikan keputusan yang lebih tepat daripada R2, terutama untuk membandingkan regresi dengan variabel terikat yang sama. Hal ini disebabkan perhitungan R2 adjusted memberi penimbang pada SST dan SSE, baik jumlah variabel bebas dalam model, maupun jumlah sampel. Namun, dalam penentuan persamaan dengan lag optimal,
dipertimbangkan pula jumlah lag yang digunakan. Semakin panjang lag, semakin banyak kehilangan bahan observasi, sehingga data yang dibutuhkan harus semakin banyak pula.
Uji Kausalitas
Uji kausalitas adalah pengujian untuk menentukan hubungan sebab-akibat antar peubah dalam sistem VAR. Uji ini menunjukkan apakah suatu variabel mempunyai hubungan dua arah atau hanya satu arah saja. Uji Granger merupakan salah satu alat uji kausalitas. Pada pengujian ini, yang dilihat adalah pengaruh masa lalu terhadap kondisi sekarang, sehingga data yang dibutuhkan adalah time series.
Uji kausalitas dalam penelitian ini , menggunakan hipotesis sebagai berikut: (i) H0: Harga beras pengumpul besar Cianjur tidak mempengaruhi harga gabah
petani Cianjur
H1: Harga beras pengumpul besar Cianjur mempengaruhi harga gabah petani Cianjur
(ii) H0: Harga beras pengecer Cianjur tidak mempengaruhi harga gabah petani Cianjur
H1: Harga beras pengecer Cianjur mempengaruhi harga gabah petani Cianjur
(iii) H0: Harga beras pedagang Cipinang tidak mempengaruhi harga gabah petani Cianjur
H1: Harga beras pedagang Cipinang mempengaruhi harga gabah petani Cianjur
(iv) H0: Harga beras pengecer Cianjur tidak mempengaruhi harga beras pengumpul besar Cianjur
H1: Harga beras pengecer Cianjur mempengaruhi harga beras pengumpul besar Cianjur
(v) H0: Harga beras pedagang Cipinang tidak mempengaruhi harga beras pengumpul besar Cianjur
H1: Harga beras pedagang Cipinang mempengaruhi harga beras pengumpul besar Cianjur
(vi) H0: Harga beras pedagang Cipinang tidak mempengaruhi harga beras pengecer Cianjur
H1: Harga beras pedagang Cipinang mempengaruhi harga beras pengecer Cianjur
Analisis Kointegrasi
Terdapat data yang tidak stasioner, namun bergerak bersama sepanjang waktu. Terdapat pengaruh atas serial tersebut, seperti pengaruh kekuatan pasar, yang mengimplikasikan bahwa kedua serial tersebut terikat dalam hubungan jangka panjang. Hal ini dapat disebabkan variabel-variabel yang saling terkointegrasi bisa terdeviasi dari hubungan tersebut dalam jangka pendek, namun hubungannya akan kembali terbentuk dalam jangka panjang (Hakim 2014).
Uji kointegrasi adalah pengujian terhadap kombinasi linear antara variabel- variabel yang tidak stasioner. Model unrestricted VAR diuji dengan persamaan:
Zt= ∏ Zt-1 + ... + ∏k Zt-k + ɸ Dt+ + t
Kointegrasi yang terjadi dapat dilihat dari dua uji statistik, yaitu trace test ( trace (r)) dan maximum eigenvalue test ( max), dimana persamaannya adalahμ
λ trace = T ∑ ln (1-λi)
λ max (r, r+1) = -T ∑ ln (1- λr+1)
dimana r adalah jumlah vektor dari vektor kointegrasi pada hipotesis nol dan i
adalah estimasi nilai ke-i ordo eigenvalue dari matriks∏. Setiap eigenvalue berasosiasi dengan vektor kointegrasi menjadi eigenfactor.
Uji Johansen merupakan uji kointegrasi yang menyediakan titik kritis untuk trace test dan maximum eigenvalue test. Apabila uji statistik lebih besar dari titik kritis, maka tolak H0. Artinya, terdapat vektor kointegrasi r antara variabel bebas. Adapun hipotesis yang digunakan adalah:
H0: r=0 dan H1: r=1 H0: r≤1 dan H1: r=2 H0: r≤2 dan H1: r=3
Apabila H0: r= 0 tidak ditolak, artinya tidak terdapat vektor berkointegrasi dan tahapan berikutnya tidak dapat dilanjutkan. Sedangkan apabila H0: r=0 ditolak, artinya terdapat satu vektor yang berkointegrasi dan uji hipotesis dilanjutkan sampai hipotesis H0 tidak ditolak.
Estimasi VAR dan VECM
Peubah bebas yang ada dalam semua persamaan VAR adalah sama sehingga estimasi dapat dilakukan dengan menggunakan metode OLS pada setiap persamaan. Apabila data yang digunakan telah stasioner pada level maka model VAR yang digunakan adalah unrestricted VAR. Model ini sendiri memiliki dua bentuk, yakni VAR in level dan VAR in diffrence. VAR in level digunakan saat data tidak stasioner pada level sehingga harus distasionerkan dulu, sebelum menggunakan model VAR. Sedangkan VAR in diffrence digunakan saat data tidak stasioner pada level dan tidak memiliki hubungan kointegrasi.
Vector error correction model (VECM) merupakan bentuk VAR yang terestriksi. Retriksi dilakukan karena data tidak stasioner, namun terkointegrasi. Spesifikasi VECM meretriksi hubungan jangka panjang peubah endogen dalam persamaan, agar konvergen dalam kointegrasinya. Namun, spesifikasi VECM tetap membiarkan dinamisasi pada jangka pendek. Dalam model VECM, terdapat koefisien error correction term (ECT), yakni ukuran kecepatan penyesuaian menuju keseimbangan jangka panjang antar pasar. Koefisien yang semakin besar menunjukkan semakin cepat penyesuaian menuju keseimbangan jangka panjang. Berikut Gambar 7 menunjukkan sistematika pengolahan VAR.
Gambar 7 Sistematika Pengolahan Vector Autoregression (VAR) Sumber: Juanda dan Junaidi (2012)
Impulse Response
Model VAR dapat pula digunakan melihat dampak perubahan dari suatu peubah terhadap peubah lain dalam sistem secara dinamis. Hal ini dilakukan dengan memberikan guncangan (shocks) pada salah satu peubah endogen. Dalam penelitian ini, peubah yang dimaksud adalah harga gabah di tingkat petani Cianjur, harga beras di pengumpul besar, pengecer Cianjur, dan harga beras di pedagang Pasar Cipinang. Guncangan (innovations) yang diberikan biasanya sebesar satu standar deviasi dari peubah tersebut. Pengaruh guncangan sebesar satu standar deviasi yang dialami oleh satu peubah dalam sistem terhadap nilai-nilai peubah saat ini dan beberapa periode mendatang disebut sebagai teknik Impulse Response Function (IRF).
Model VAR dapat ditulis dalam bentuk Vector Moving Avarage (VMA) sebagai berikut:
Yt= + Vt + A1Vt-1+ A2V t-2 + ApVt-p
Apabila vektor Vt naik sebesar vektor d, maka dampak terhadap Yt+s (untuk s>0) diberikan oleh Asd. Hal ini digambarkan dalam matriks:
As = � y +
� V
dimana As adalah dampak kenaikan satu unit Vt terhadap Yt+s. Dampak tersebut diplot dengan s (s> 0). Inilah yang disebut IRF.
Data time series Pengujian akar unit
Data stasioner pada level
Data stasioner pada first Unrestricted VAR Uji Kointegrasi
Tidak ada Kointegrasi Terdapat Kointegrasi