ANALISIS PENGARUH STOK BERAS, LUAS AREAL PANEN
PADI, PRODUKTIVITAS LAHAN, JUMLAH KONSUMSI
BERAS DAN HARGA BERAS TERHADAP
KETAHANAN PANGAN PROVINSI
SUMATERA UTARA DENGAN
METODE REGRESI
DATA PANEL
SKRIPSI
DONI SILALAHI
090803074
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
ANALISIS PENGARUH STOK BERAS, LUAS AREAL PANEN
PADI, PRODUKTIVITAS LAHAN, JUMLAH KONSUMSI
BERAS DAN HARGA BERAS TERHADAP
KETAHANAN PANGAN PROVINSI
SUMATERA UTARA DENGAN
METODE REGRESI
DATA PANEL
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Sains
DONI SILALAHI 090803074
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : ANALISIS PENGARUH STOK BERAS, LUAS AREAL PANEN PADI, PRODUKTIVITAS LAHAN, JUMLAH KONSUMSI BERAS DAN HARGA BERAS TERHADAP KETAHANAN PANGAN PROVINSI SUMATERA UTARA DENGAN METODE REGRESI DATA PANEL
Kategori : SKRIPSI
Nama : DONI SILALAHI NomorIndukMahasiswa : 090803074
Program Studi : SARJANA (S1) MATEMATIKA Departemen : MATEMATIKA
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA
Diluluskan di
Medan, Oktober 2013 Komisi Pembimbing :
Pembimbing 2, Pembimbing 1,
Drs. Gim Tarigan, M.Si Drs. Rachmat Sitepu, M.Si NIP. 19550202 198601 1 001 NIP. 19530418 198703 1 001
Diketahui/ Disetujui oleh
Departemen Matematika FMIPA USU Ketua,
PERNYATAAN
ANALISIS PENGARUH STOK BERAS, LUAS AREAL PANEN, PRODUKTIVITAS LAHAN, JUMLAH KONSUMSI BERAS
DAN HARGA BERAS TERHADAP KETAHANAN PANGAN PROVINSI SUMATERA UTARA
DENGAN METODE REGRESI DATA PANEL
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing – masing disebutkan sumbernya.
Medan, Oktober 2013
PENGHARGAAN
Puji dan syukur senantiasa penulis panjatkan kehadirat Tuhan Yang Maha Esa yang telah memberikan hikmat dan karunia-Nya serta kesehatan sehingga skripsi ini dapat penulis selesaikan.
Ucapan terima kasih yang sebesar-besarnya penulis ucapakan kepada Bapak Drs. Rachmat Sitepu, M.Si dan Bapak Drs. Gim Tarigan, M.Si selaku dosen pembimbing yang telah membimbing dan mengarahkan penulis serta kebaikan yang telah meluangkan waktu, tenaga dan memberikan bantuan kepada penulis sehingga skripsi ini dapat diselesaikan. Terima kasih juga penulis ucapkan kepada Bapak Drs. Open Darnius, M.Sc dan Bapak Drs. Pengarapen Bangun, M.Si selaku dosen pembanding yang telah memberikan saran terbaik untuk skripsi ini. Ucapan terima kasih juga penulis sampaikan kepada bapak Prof. Dr. Tulus, M.Si selaku Ketua Departemen Matematika dan kepada Ibu Dra. Mardiningsih, M.Si selaku sekretaris Departemen Matematika, Dekan dan Pembantu Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara, Bapak Drs. Syahriol M.Si selaku dosen Pembimbing Akademik dan semua dosen yang telah memberikan ilmu pengetahuan kepada penulis, serta kepada semua pegawai di FMIPA USU.
ANALISIS PENGARUH STOK BERAS, LUAS AREAL PANEN PADI, PRODUKTIVITAS LAHAN, JUMLAH KONSUMSI BERAS DAN
HARGA BERAS TERHADAP KETAHANAN PANGAN PROVINSI SUMATERA UTARA DENGAN
METODE REGRESI DATA PANEL
ABSTRAK
Krisis pangan sedang mengancam Indonesia. Berbagai tanggapan mengutarakan kondisi ini terjadi karena kemampuan untuk memproduksi beras semakin menurun sementara jumlah konsumsi beras semakin bertambah seiring dengan bertambahnya jumlah penduduk. Provinsi Sumatera Utara sebagai salah satu produsen beras di Indonesia diharapkan mampu memenuhi kebutuhan konsumsi beras di Sumatera Utara dan mendukung kebutuhan nasional. Oleh karena itu penelitian ini bertujuan untuk menganalisis kondisi ketahanan pangan di Sumatera Utara dengan memfokuskan pada ketersediaan beras di masing-masing kabupaten/ kota di Sumatera Utara.
Penelitian ini menggunakan variabel terikat yaitu rasio ketersediaan beras, sementara variabel bebas yang digunakan adalah stok beras, luas areal panen padi, produktivitas lahan, jumlah konsumsi beras, dan harga beras yang berlaku di tiap kabupaten/ kota di Sumatera Utara. Metode analisis yang digunakan adalah analisis data panel.
Dari hasil regresi diketahui bahwa variabel luas areal panen padi dan produktivitas lahan berpengaruh positif dan signifikan terhadap rasio ketersediaan beras. Jumlah konsumsi beras berpengaruh negatif dan signifikan, sedangkan stok beras berpengaruh positif namun tidak signifikan, dan harga beras berpengaruh negatif namun tidak signifikan terhadap rasio ketersediaan beras di Sumatera Utara. Dummy wilayah 25 kabupaten/ kota yang ada di Sumatera Utara memiliki tingkat ketahanan pangan yang tidak sama. Terdapat 9 kabupaten/ kota yang memiliki tingkat ketahanan pangan yang baik sedangkan 16 kabupaten/ kota lainnya memiliki tingkat ketahanan pangan yang lemah.
THE ANALISYS OF STOCK, HARVEST AREA, PRODUCTIVITY, RICE CONSUMPTION AND RICE PRICE ON FOOD SECURITY OF
NORTH SUMATERA PROVINCE WITH PANEL DATA REGRESSION METHOD
ABSTRACT
Food crisis has been threatening Indonesia. Many opinions said that the condition caused by the rice production ability is not balanced with food consumption (rice) needed related to the invreasing amount of people. North Sumatera Province as
one of Indonesia’s rice producer is expected to be able to fulfil rice necessity in
North Sumatera Province and also support national need. Therefore, this research has purpose to analyze the condition of food security in North Sumatera concerned to the rice stock in each municipality/ regency.
This research used dependent variable namely rice availability ratio meanwhile independent variables used are stock, harvest area, land productivity, rice consumption, and rice price that prevailed in each municipality/ regency of North Sumatera Province. The analyzing method used in this research is analysis of panel data.
By the result of regression known that the harvest area and land productivity variable influence postively and significant to rice availability ratio. Rice consumtion influence negatively and significant, meanwhile stock influence positively but not significant and rice price influence negatively but not significant to rice availability ratio in North Sumatera Province. Dummy area 25 municipalities/ regencies have different food security level. There are 9 municipalities/ regencies in good levels of food security, meanwhile 16 municipalities/ regencies are in weak level of food security.
DAFTAR ISI
2.3 Faktor-faktor yang Mempengaruhi Ketahanan Pangan 11
2.4 Regresi Data Panel 14
3.2.1 Pengujian Signifikasni Parameter Individual (Uji t) 30
3.2.2 Koefisien Determinasi (R2) 31
3.1.3 Pengujian Signifikansi Simultan (Uji F) 32
3.1.4 Uji Multikolinearitas 33
3.1.5 Uji Autokorelasi 34
3.1.6 Uji Heteroskedastisitas 36
3.3 Interpretasi Hasil 37
4.2 Saran 41
Daftar Pustaka 42
DAFTAR TABEL
Nomor Tabel
Judul Halaman
2.1 Kriteria Uji Durbin-Watson 22
3.1 Stok Beras Provinsi Sumatera Utara Kabupaten/ Kota Tahun 2007 – 2011
24 3.2 Luas Areal Panen Padi Provinsi Sumatera Utara Kabupaten/
Kota Tahun 2007 – 2011
25 3.3 Produktivitas Lahan Provinsi Sumatera Utara Kabupaten/ Kota
Tahun 2007 – 2011
26 3.4 Jumlah Konsumsi Beras Provinsi Sumatera Utara Kabupaten/
Kota Tahun 2007 – 2011
27 3.5 Rata-rata Harga Beras Provinsi Sumatera Utara Kabupaten/
Kota Tahun 2007 – 2011
27 3.6 Produksi Beras Provinsi Sumatera Utara Kabupaten/ Kota
Tahun 2007 – 2011
28
3.7 Uji Statistik t 30
3.8 Koefisien Variabel Bebas dan Dummy Wilayah 31
3.9 Hasil Uji F 33
3.10 Correlation Matrix Antar Variabel Bebas 33
3.11 Hasil Regresi Utama 34
DAFTAR LAMPIRAN
Nomor Lamp.
Judul
1 Produksi Beras Provinsi Sumatera Utara Kabupaten dan Kota Tahun 2007-2010 (Ton)
2 Luas Panen Padi Provinsi Sumatera Utara Kabupaten dan Kota Tahun 2007-2011 (Hektar)
3 Rata-rata Produksi Padi Provinsi Sumatera Utara Kabupaten dan Kota Tahun 2005-2011
4 Stok Beras Berdasarkan Kabupaten/ Kota di Sumatera Utara Tahun 2007 – 2011 (ton)
5 Rata-Rata Harga Beras Provinsi Sumatera Utara Kabupaten dan Kota Tahun 2007-20011
6 Jumlah Konsumsi Beras Provinsi Sumatera Utara Kabupaten dan Kota tahun 2007-2011
7 Data Rasio Ketersediaan Beras, Stok Beras, Luas Areal Panen Padi, Produktivitas Lahan, Jumlah Konsumsi Beras dan Harga Beas Provinsi Sumatera utara
8 Hasil Regresi Utama
9 Correlation Matrix Antar Variabel Bebas 10 Uji Heteroskedastisitas dengan Uji Park 11 Hasil Uji F
12 Hasil Uji Statistik t
13 Titik Persentase Distribusi t (df = 1 – 160)
14 Titik Persentase Distribusi F untuk Probabilitas = 0,05
15 Surat Keterangan Penelitian dari Badan Ketahan Pangan Sumatera Utara
ANALISIS PENGARUH STOK BERAS, LUAS AREAL PANEN PADI, PRODUKTIVITAS LAHAN, JUMLAH KONSUMSI BERAS DAN
HARGA BERAS TERHADAP KETAHANAN PANGAN PROVINSI SUMATERA UTARA DENGAN
METODE REGRESI DATA PANEL
ABSTRAK
Krisis pangan sedang mengancam Indonesia. Berbagai tanggapan mengutarakan kondisi ini terjadi karena kemampuan untuk memproduksi beras semakin menurun sementara jumlah konsumsi beras semakin bertambah seiring dengan bertambahnya jumlah penduduk. Provinsi Sumatera Utara sebagai salah satu produsen beras di Indonesia diharapkan mampu memenuhi kebutuhan konsumsi beras di Sumatera Utara dan mendukung kebutuhan nasional. Oleh karena itu penelitian ini bertujuan untuk menganalisis kondisi ketahanan pangan di Sumatera Utara dengan memfokuskan pada ketersediaan beras di masing-masing kabupaten/ kota di Sumatera Utara.
Penelitian ini menggunakan variabel terikat yaitu rasio ketersediaan beras, sementara variabel bebas yang digunakan adalah stok beras, luas areal panen padi, produktivitas lahan, jumlah konsumsi beras, dan harga beras yang berlaku di tiap kabupaten/ kota di Sumatera Utara. Metode analisis yang digunakan adalah analisis data panel.
Dari hasil regresi diketahui bahwa variabel luas areal panen padi dan produktivitas lahan berpengaruh positif dan signifikan terhadap rasio ketersediaan beras. Jumlah konsumsi beras berpengaruh negatif dan signifikan, sedangkan stok beras berpengaruh positif namun tidak signifikan, dan harga beras berpengaruh negatif namun tidak signifikan terhadap rasio ketersediaan beras di Sumatera Utara. Dummy wilayah 25 kabupaten/ kota yang ada di Sumatera Utara memiliki tingkat ketahanan pangan yang tidak sama. Terdapat 9 kabupaten/ kota yang memiliki tingkat ketahanan pangan yang baik sedangkan 16 kabupaten/ kota lainnya memiliki tingkat ketahanan pangan yang lemah.
THE ANALISYS OF STOCK, HARVEST AREA, PRODUCTIVITY, RICE CONSUMPTION AND RICE PRICE ON FOOD SECURITY OF
NORTH SUMATERA PROVINCE WITH PANEL DATA REGRESSION METHOD
ABSTRACT
Food crisis has been threatening Indonesia. Many opinions said that the condition caused by the rice production ability is not balanced with food consumption (rice) needed related to the invreasing amount of people. North Sumatera Province as
one of Indonesia’s rice producer is expected to be able to fulfil rice necessity in
North Sumatera Province and also support national need. Therefore, this research has purpose to analyze the condition of food security in North Sumatera concerned to the rice stock in each municipality/ regency.
This research used dependent variable namely rice availability ratio meanwhile independent variables used are stock, harvest area, land productivity, rice consumption, and rice price that prevailed in each municipality/ regency of North Sumatera Province. The analyzing method used in this research is analysis of panel data.
By the result of regression known that the harvest area and land productivity variable influence postively and significant to rice availability ratio. Rice consumtion influence negatively and significant, meanwhile stock influence positively but not significant and rice price influence negatively but not significant to rice availability ratio in North Sumatera Province. Dummy area 25 municipalities/ regencies have different food security level. There are 9 municipalities/ regencies in good levels of food security, meanwhile 16 municipalities/ regencies are in weak level of food security.
BAB 1
PENDAHULUAN
1.1Latar Belakang Masalah
Thomas Malthus memberi peringatan pada tahun 1798 bahwa jumlah manusia akan meningkat secara eksponensial, sedangkan usaha pertambahan persediaan pangan hanya dapat meningkat secara aritmatika, sehingga akan terjadi sebuah kondisi dimana dunia akan mengalami kekurangan pangan akibat pertambahan ketersediaan pangan yang tidak sebanding dengan pertambahan penduduk. Pemikiran Malthus telah mempengaruhi kebijakan pangan internasional, antara lain melalui Revolusi Hijau yang sempat dianggap berhasil meningkatkan laju produksi pangan dunia sehingga melebihi laju pertambahan penduduk. Pada saat itu, variabel yang dianggap sebagai kunci sukses penyelamat ketersediaan pangan adalah teknologi.
lagi yakni 1,3% per tahun tetapi juga masih lebih tinggi daripada pertumbuhan penduduk dunia sebesar 0,8% per tahun. Juga FAO memprediksi waktu itu bahwa produksi biji-bijian dunia akan meningkat sebesar 1 milliar ton selama 30 tahun ke depan, dari 1,84 miliar ton di tahun 2000 menjadi 2,84 miliar ton di tahun 2030 (Siswono, 2002).
Masalah kecukupan pangan dunia menjadi isu penting, dan banyak kalangan yakin bahwa dunia sedang menghadapi krisis pangan sejak tahun 2007 karena laju pertumbuhan penduduk dunia yang tetap tinggi setiap tahun, sementara lahan yang tersedia untuk kegiatan-kegiatan pertanian semakin sempit dan akibatnya harga pangan dunia melejit. World Food Program (WFP) menyatakan sekitar 100 juta orang di tiap benua terancam kelaparan. Badan PBB ini menyebut krisis pangan tersebut sebagai the silent tsunami, petaka yang melanda diam-diam.
Krisis pangan juga sedang mengancam Indonesia. Hal itu bisa terlihat dari kenaikan harga sejumlah komoditas pangan penting yang lebih dari 50% dan juga areal pertanian yang semakin sempit akibat alih fungsi lahan. Sektor pertanian sebagai toggak utama pemenuhan kebutuhan pangan Indonesia menjadi sangat strategis perannya dalam mempertahankan Negara Kesatuan Republik Indonesia. Peran strategis yang disandangnya sudah sewajarnya bila mendapat perhatian yang serius baik dari kalangan pemerintah maupun dari masyarakat Indoesia. Dalam kenyataanya, peran strategis sektor pertanian malah memicu sebuah gejolak yang rentan dengan perbedaan dan persaingan yang tidak sehat oleh para petinggi negara yang memiliki kewenangan dan kekuasaan dalam mengambil keputusan di tanah air ini. Kebijakan impor beras telah menjadi sebuah mesin penghancur semangat petani indonesia dalam memenuhi kebutuhan pangan nasional.
yang bersangkutan atau berapa tingkat produktivitasnya. Kondisi luas panen di Sumatera Utara semakin terancam dengan semakin bertambahnya jumlah penduduk setiap tahun yang menyebabkan permintaan terhadap lahan perumahan dan infrastruktur, dan perubahan fungsi lahan pertanian untuk pengembangan industri dan lain-lain semakin meningkat. Selain luas panen, konsumsi per kapita penduduk Sumatera Utara juga menjadi faktor yang berpengaruh terhadap ketahanan pangan di Sumatera Utara. Pemikiran belum dikatakan makan jika belum makan nasi sudah melekat dalam budaya masyarakat Sumatera Utara yang membuat konsumsi per kapita per tahun tergolong tinggi, yaitu 136,85 kg/ kap/ thn.
Kabupaten/ kota di Sumatera Utara memiliki kondisi dan karakteristik pangan beras yang berbeda, misalnya kondisi stok beras, luas panen padi, produktivitas lahan, jumlah konsumsi beras dan harga beras. Kondisi-kondisi inilah yang akan digunakan untuk mengukur ketahanan pangan di Sumatera Utara dengan rasio ketersediaan beras di tiap kabupaten/ kota di Provinsi Sumatera Utara sebagai proxy.
1.2Rumusan Masalah
Yang menjadi masalah dalam penelitian ini adalah bagaimana pengaruh stok beras, luas panen padi, produktivitas lahan, jumlah konsumsi beras dan harga beras terhadap ketahanan pangan di Provinsi Sumatera Utara.
1.3Batasan Masalah
Penelitian ini dibatasi dalam beberapa hal, yaitu:
1. Penelitian ini difokuskan pada ketahanan pangan beras.
2. Periode data yang digunakan dalam penelitian ini adalah data dari tahun 2007 sampai dengan tahun 2011.
3. Data yang diolah adalah data historis dari 25 kabupaten/ kota di Sumatera Utara yang sudah terbentuk hingga tahun 2007. Data dari kabupaten/ kota yang mengalami pemekaran setelah tahun 2007, diakumulasikan ke kabupaten induk.
4. Penelitian ini menggunakan rasio ketersediaan beras sebagai variabel terikat. Sedangkan variabel bebas yang digunakan adalah stok beras, luas panen padi, produktivitas lahan, jumlah konsumsi beras dan harga beras.
1.4Tujuan Penelitian
1.5Manfaat Penelitian
Manfaat dari penelitian ini ialah:
1. Diharapkan penelitian ini dapat dijadikan pertimbangan bagi pemerintah daerah dalam rangka perencanaan dan pengambilan kebijakan dibidang pertanian dan ketahanan pangan.
2. Dapat berguna sebagai referensi bagi kalangan akademis dan pemerintah daerah serta pihak-pihak terkait dalam perencanaan strategi menghadapi permasalahan ketahanan pangan dimasa yang akan datang.
1.6Tinjauan Pustaka
Data panel biasa disebut data longitudinal atau data runtun waktu silang (coss-sectional time series), dimana banyak kasus diamati pada dua periode waktu atau lebih yang diindikasikan dengan penggunaan data time series. Data panel dapat menjelaskan dua macam informasi yaitu, informasi cross-section pada perbedaan antar subjek dan informasi time series yang merefleksikan perubahan pada subjek waktu. Ketika kedua informasi tersebut tersedia, maka analisis data panel dapat digunakan (Nachrowi 2006).
Data time series adalah data yang dikumpulkan dari satu individu untuk beberapa waktu, sedangkan data cross section adalah data yang dikumpulkan dari berbagai individu dalam satu waktu tertentu. Data panel adalah kombinasi data time series dan cross-section. Data panel merupakan kumpulan data cross-section yang diamati secara simultan/ serentak dari waktu ke waktu (time series). Dengan kata lain, data panel merupakan data dari beberapa individu yang diamati dalam kurun waktu tertentu (Baltagi 2005).
Model regresi linier yang digunakan untuk data cross section dan time series adalah (Nachrowi 2006) :
N : banyaknya data cross section Model dengan data time series
T : banyaknya data time series
Mengingat data panel merupakan gabungan dari data cross section dan data time series, maka modelnya dituliskan dengan:
Dengan:
N = banyaknya observasi T = banyak waktu
N x T = banyaknya data panel
Ada tiga metode untuk mengestimasi model regresi data panel yaitu:
1. Common Effect Model (CEM) adalah metode regresi yang mengestimasi data panel dengan metode Ordinary Least Square (OLS). Metode ini tidak memperhatikan dimensi individu maupun waktu sehingga diasumsikan bahwa perilaku antar individu sama dalam berbagai kurun waktu. Model ini hanya mengkombinasikan data time series dan cross section dalam bentuk pool, mengestimasinya dengan menggunakan pendekatan kuadrat terkecil (pooled least square)
3. Random Effect Model (REM) adalah metode regresi yang mengestimasi data panel dengan menghitung error dari model regresi dengan metode Generalized Least Square (GLS). Berbeda dengan fixed effect model, efek spesifikasi dari masing-masing individu diperlakukan sebagai bagian dari komponen error yang bersifat acak dan tidak berkorelasi dengan variabel penjelas yang teramati. Model ini sering disebut juga dengan Error Component Model (ECM).
1.7Metodologi Penelitian
Langkah-langkah yang dilakukan dalam penelitian ini ialah:
1. Pengambilan data berupa data sekunder dari Badan Ketahanan Pangan dan Perum BULOG Divisi Regional Sumatera Utara.
2. Mendefenisikan Operasional Variabel a. Rasio ketersediaan beras
Rasio ketersediaan beras adalah angka perbandingan dari jumlah produksi beras dan konsumsi beras di tiap kabupaten/ kota di Provinsi Sumatera Utara. Variabel ini merupakan proxy dari ketahanan pangan.
b. Stok beras
Stok beras merupakan jumlah beras yang dapat disimpan oleh suatu daerah setiap tahun. Satuan dari variabel ini adalah ton.
c. Luas areal panen padi
Luas areal panen padi adalah jumlah areal yang dapat memproduksi padi setiap tahunnya. Satuan dalam variabel ini adalah hektar.
d. Produktivitas Lahan
e. Jumlah konsumsi beras
Jumlah konsumsi beras adalah jumlah beras yang dikonsumsi seluruh penduduk suatu kabupaten/ kota dalam jangka waktu satu tahun. Satuan dalam variabel ini dalah ton.
f. Harga beras
Harga beras adalah harga komoditi beras yang sudah ditambah dengan biaya transportasi dalam pendistribusiannya (harga pasar). Jenis beras yang digunakan dalam penelitian ini adalah beras IR 64. Satuan dalam variabel ini adalah rupiah/ kilogram.
BAB 2
LANDASAN TEORI
2.1Pengertian Ketahanan Pangan
Pangan adalah segala sesuatu yang berasal dari sumber daya hayati dan air, baik yang diolah maupun tidak, diperuntukkan sebagai makanan atau minuman bagi konsumsi manusia termasuk bahan tambahan pangan, bahan baku pangan dan bahan lain yang dipergunakan dalam proses penyiapan, pengolahan atau pembuatan makanan dan minuman. Menurut Undang-undang RI Nomor 7 tahun 1996 definisi ketahanan pangan adalah kondisi terpenuhinya pangan bagi rumah tangga yang tercermin dari tersediannya pangan yang cukup baik jumlah maupun mutunya, aman, merata dan terjangkau.
FAO (Food and Agriculture Organization) mendefinisikan ketahanan pangan sebagai situasi dimana dalam segala waktu memiliki kecukupan jumlah atas pangan yang aman dan bergizi demi kehidupan yang sehat dan aktif. Secara umum ketahanan pagan adalah adanya jaminan bahwa kebutuhan pangan dan gizi setiap penduduk adalah sebagai syarat utama dalam mencapai derajat kesehatan dan kesejahteraan yang tercukupi.
2.2 Konsep Ketahanan Pangan
1. Subsistem ketersediaan pangan mencakup aspek produksi, cadangan serta keseimbangan antara impor dan ekspor pangan. Ketersediaan pangan harus dikelola sedemikian rupa sehingga walaupun produksi pangan bersifat musiman, terbatas dan tersebar antar wilayah, tetapi volume pangan yang tersedia bagi masyarakat harus cukup jumlah dan jenisnya serta stabil penyediaannya dari waktu ke waktu. Ketersediaan pangan dapat dilihat dari jumlah stok-stok pangan yang dapat disimpan setiap tahun, dalam hal ini pangan dispesifikkan sebagai beras. Selain itu bisa juga dilihat dari jumlah produksi pangan misalnya beras, serta hal lain yang dapat mempengaruhi produksi pangan, seperti luas lahan serta produktivitas lahan.
2. Subsistem distribusi pangan mencakup aspek aksesibilitas secara fisik dan ekonomi atas pangan secara merata. Sistem distribusi bukan semata-mata menyangkut aspek fisik dalam arti pangan tersedia di semua lokasi yang membutuhkan, tetapi juga masyarakat. Surplus pangan di tingkat wilayah belum menjamin kecukupan pangan bagi individu masyarakatnya. Sistem distribusi ini perlu dikelola secara optimal dan tidak bertentangan dengan mekanisme pasar terbuka agar tercapai efisiensi dalam proses pemerataan akses pangan bagi seluruh penduduk.
3. Subsistem konsumsi pangan menyangkut upaya peningkatan pengetahuan dan kemampuan masyarakat agar mempunyai pemahaman atas pangan, gizi dan kesehatan yang baik, sehingga dapat mengelola konsumsinya secara optimal. Konsumsi pangan hendaknya memperhatikan asupan pangan dan gizi yang cukup dan berimbang, sesuai dengan kebutuhan bagi pembentukan manusia yang sehat, kuat, cerdas dan produktif. Pemerintah harus bisa mengontrol agar harga pangan masih terjangkau untuk setiap individu dalam mengaksesnya, karena kecukupan ketersediaan pangan akan dirasa percuma jika masyarakat tidak punya daya beli yang cukup untuk mengakses pangan. Oleh karena itu faktor harga pangan menjadi sangat vital perannya dalam upaya mencukupi kebutuhan konsumsi pangan.
kestabilan dan kesinambungan ketersediaan pangan, yang berasal dari produksi, cadangan dan impor. Keberhasilan pembangunan masing-masing subsistem tersebut perlu didukung oleh faktor ekonomi, teknologi dan sosial budaya.yang pada akhirnya akan berdampak pada status gizi.
2.3Faktor-faktor yang Mempengaruhi Ketahanan Pangan
Menurut Alie Sadikin dan Panggih (2008) dan Hasman Hasyim (2007), faktor-faktor yang mempengaruhi ketahanan pangan adalah :
a. Stok Beras
Jumlah beras yang dapat disimpan setiap tahun dapat menjadi salah satu indikator ketahanan pangan. Semakin banyak beras yang dapat disimpan oleh suatu daerah, maka ketahanan pangan di daerah tersebut semakin baik. Menurut Bulog, tersedianya kebutuhan beras minimal untuk 3 bulan ke depan disuatu daerah, menjadi indikasi bahwa daerah tersebut dikatakan tahan pangan. Beras yang dapat disimpan berasal dari surplus produksi dalam negeri maupun impor dari negara lain.
Kondisi stok beras di Sumatera utara pada tahun 2007 – 2011 mengalami peningkatan setiap tahunnya seiring meningkatnya produktivitas padi. Hal ini merupakan prestasi dalam upaya meningkatkan ketahanan pangan di Sumatera Utara. Penigkatan ini berasal dari hasil produksi lokal dan impor dari daerah lain.
b. Luas Areal Panen Padi
tersebut. Sebaliknya luasan areal panen yang sempit, upaya pengusaha terhadap penggunaan faktor produksi semakin baik, penggunaan tenaga kerja yang tercukupi dan tersedianya modal yang tidak terlalu besar sehingga usaha pertanian yang seperti ini sering lebih efisien. Meskipun demikian luas areal panen yang terlalu kecil cenderung menghasilkan usaha yang tidak efisien (Soekartawati, 1993).
Peningkatan luas areal panen padi secara tidak langsung akan meningkatkan produksi padi. Semakin besar luas areal panen padi maka produksi padi akan semakin besar. Kondisi luas areal panen padi Provinsi Sumatera Utara tahun 2007 – 2011 tidak stabil. Kondisi ini terlihat dari naik turunnya luas panen setiap tahun. Pada tahun 2007 luas areal panen padi Sumatera Utara 750.232 ha. Tahun 2008 menurun menjadi 748.540 dan pada tahun 2009 mengalami peningkatan menjadi 768.407. Pada tahun 2010 dan 2011 mengalami penurunan dibandingkan tahun 2009. Kondisi tersebut diakibatkan oleh adanya alih fungsi lahan dan bencana alam. Konversi lahan pertanian menjadi lahan non pertanian semakin meningkat seiring bertambahnya jumlah penduduk. Hal ini mengakibatkan luas areal panen berkurang sehingga produksi berkurang. Rata-rata pertumbuhan luas areal panen padi di Sumatera Utara sebesar 0,26% per tahun.
c. Produktivitas Lahan Padi
Keahlian ataupun wawasan tentang pertanian menjadi faktor yang sangat mempengaruhi produktifitas suatu lahan. Dapat dikatakan semakin berpendidikan petani-petani di suatu wilayah maka keberhasilan produksi akan semakin meningkat. Pengetahuan tentang bagaimana pemilihan bibit, pemupukan, irigasi dan perawatan terhadap hama akan meningkatkan produktifitas suatu lahan. Menigkatnya produktivitas lahan akan meningkatkan produksi panen padi.
d. Jumlah Konsumsi Beras per Kapita
Pemerintah pusat maupun pemerintah daerah sedang menerapkan diversifikasi pangan yang diharapkan dapat mengurangi jumlah konsumsi beras. Ketergantungan yang sangat besar terhadap beras telah menggusur budaya makan pangan lokal yang beragam dan sudah teruji sejarah dan berlangsung berabad-abad. Saat ini 95 persen perut penduduk indonesia sangat tergantung pada makanan yang bernama nasi, sumbangan beras terhadap energi dan protein masih sangat tinggi, yaitu lebih dari 55%. Ketergantungan tersebut membuat upaya diversifikasi pangan menjadi mandeg.
Sumatera Utara sebagai salah satu daerah yang berperan untuk menjaga ketahanan pangan beras nasional, saat ini masih mampu mencukupi kebutuhan konsumsi dari produksi sendiri. Meski demikian, saat ini pemerintah sedang berusaha untuk mengurangi jumlah konsumsi beras per kapita dengan diversifikasi pangan. Kultur yang melekat pada masyarakat Sumatera Utara, belum dikatakan makan jika belum makan nasi, menjadi kendala yang sulit dihadapi pemerintah Sumatera Utara dalam menerapkan program diversifikasi pangan. Jumlah konsumsi beras masyarakat Sumatera Utara adalah 136, 85 kg/ kap/ thn.
e. Harga Beras
Dalam upaya meningkatkan produktivitas, pemerintah membuat kebijakan terhadap harga beras yaitu Harga Pembelian Pemerintah (HPP). Kebijakan tersebut bertujuan agar petani padi merima harga gabah yang layak, sehingga mereka menerima insentif untuk meningkatkan produktivitas. Penetapan HPP berdasarkan pertimbangan agar petani dapat menerima marjin keuntungan minimal 28% dari harga yang diterima.
f. Curah Hujan
Pertanian, terutama pertanian pangan merupakan sektor yang paling rentan terkena dampak perubahan iklim, khususnya yang mengakibatkan musim kering berkepanjangan, mengingat petani Indonesia masih sangat mengandalkan pada pertanian sawah yang berarti sangat memerlukan air yang tidak sedikit. Dampak langsung dari pemanasan global terhadap pertanian di Indonesia adalah penurunan produktivitas dan tingkat produksi sebagai akibat terganggunya siklus air karena perubahan pola hujan dan meningkatnya frekuensi anomali cuaca ekstrim yang mengakibatkan pergeseran waktu, musim, dan pola tanam.
2.4Regresi Data Panel
Data panel merupakan gabungan dari data cross section dan data time series, sehingga jumlah pengamatan menjadi sangat banyak. Hal ini bisa merupakan keuntungan tetapi model yang menggunakan data ini menjadi lebih kompleks (parameternya banyak). Oleh karena itu diperlukan teknik tersendiri dalam mengatasi model yang menggunakan data panel.
Penggunaan data panel dalam regresi memiliki beberapa keuntungan (Baltagi 2005), diantaranya :
1. Dengan menggabungkan data time series dan cross-section, panel menyediakan data yang lebih banyak dan informasi yang lebih lengkap serta bervariasi. Dengan demikian akan dihasilkan degrees of freedom (derajat kebebasan) yang lebih besar dan mampu meningkatkan presisi dari estimasi yang dilakukan.
3. Data panel dapat digunakan untuk mempelajari kedinamisan data. Artinya dapat digunakan untuk memperoleh informasi bagaimana kondisi individu-individu pada waktu tertentu dibandingkan pada kondisinya pada waktu yang lainnya.
4. Data panel dapat mengidentifikasikan dan mengukur efek yang tidak dapat ditangkap oleh data cross-section murni maupun data time series murni. 5. Data panel memungkinkan untuk membangun dan menguji model yang
bersifat lebih rumit dibandingkan data cross section murni maupun data time series murni.
6. Data panel dapat meminimalkan bias yang dihasilkan oleh agregasi individu karena unit observasi terlalu banyak.
2.5Model Data Panel
Ada tiga teknik untuk mengestimasi model regresi data panel (Nachrowi 2006), yaitu:
1) Common Effect Model (CEM) adalah metode regresi yang mengestimasi data panel dengan metode Ordinary Least Square (OLS). Metode ini tidak memperhatikan dimensi individu maupun waktu sehingga diasumsikan bahwa perilaku antar individu sama dalam berbagai kurun waktu. Model ini hanya mengkombinasikan data time series dan cross section dalam bentuk pool, mengestimasinya dengan menggunakan pendekatan kuadrat terkecil (pooled least square). Persamaan metode ini dapat ditulis sebagi berikut:
Dengan:
: Variabel terikat untuk individu ke- i pada waktu ke- t : Variabel bebas untuk individu ke- i pada waktu ke- t i : Unit cross-section sebanyak N
: error term/ gangguan : intercept
: slope
2) Fixed Effect Model (FEM) adalah metode regresi yang mengestimasi data panel dengan menambahkan variabel dummy. Model ini mengasumsikan bahwa terdapat efek yang berbeda antar individu. Perbedaan itu dapat diakomodasi melalui perbedaan pada intersepnya. Oleh karena itu dalam model fixed effect, setiap individu merupakan parameter yang tidak diketahui dan akan diestimasi dengan menggunakan teknik variabel dummy yang dapat ditulis sebagai berikut:
Dengan :
dan variabel dummy yang didefenisikan sebagai berikut: = 1; untuk individu i; i = 1, 2, ..., N
= 0; lainnya
= 1; untuk periode t; t = 1, 2, ..., T = 0; lainnya
Teknik seperti diatas dinamakan Least Square Dummy Variabel (LSDV). Selain diterapakan untuk efek tiap individu, LSDV ini juga dapat mengakomodasi efek waktu yang bersifat sismetik. Hal ini dapat dilakukan melalui penambahan variabel dummy waktu didalam model.
teramati. Model ini sering disebut juga dengan Error Component Model (ECM). Persamaan random effect dapat ditulis sebagai berikut:
;
Dengan:
= Komponen error cross-section = Komponen error time-series = Komponen error gabungan
Adapun asusmsi yang digunakan untuk komponen error tersebut adalah:
) )
Karena itu, metode OLS tidak bisa digunakan untuk mendapatkan estimator yang efisien bagi model random effect. Metode yang tepat untuk mengestimasi random effect adalah Generalized Least Square (GLS) dengan asumsi homokedastik dan tidak ada cross-sectional.
2.6Pemilihan Model
Ada perbedaan mendasar untuk menentukan pilihan antara FEM (Fixed Effects Model) dan ECM (Error Component Model) (Nachrowi 2006), antara lain sebagai berikut:
1) Jika T (jumlah data time series) besar dan N (jumlah unit cross-section) kecil, perbedaan antara FEM dan ECM adalah sangat tipis. Oleh karena itu, dapat dilakukan penghitungan secara konvensional. Pada keadaan ini, FEM mungkin lebih disukai.
cocok digunakan. Jika unit cross-section sampel adalah random/ acak, maka ECM lebih cocok digunakan.
3) Komponen error individu dan satu atau lebih regresor berkorelasi, estimator yang berasal dari ECM adalah bias, sedangkan yang berasal dari FEM adalah unbiased.
4) Jika N besar dan T kecil, serta jika asumsi untuk ECM terpenuhi, maka estimator ECM lebih efisien dibanding estimator FEM
Dalam penelitian ini metode yang paling sesuai digunakan adalah Metode Fixed Effect dengan menggunakan cross section dummy variabel (dummy wilayah) kabupaten/ kota di Provinsi Sumatera Utara. Dummy wilayah yang digunakan sebanyak 25 kabupaten/ kota dari 33 kabupaten/ kota yang ada di Sumatera Utara saat ini. Hal ini dikarenakan sebagian besar data yang ada di 8 kabupaten/ kota lainnya, yaitu Kab. Padang Lawas, Kab. Padang Lawas Utara, Kab. Labuhan Batu Selatan, Kab. Labuhan Batu Utara, Kab. Nias Utara, Kab. Nias Barat, Kab. Gunung Sitoli dan Kota Sibolga, belum lengkap untuk digunakan sebagai data dalam penelitian ini. Terdapat 7 kabupaten/ kota yang baru mengalami pemekaran yaitu, Kab. Padang Lawas, Kab. Padang Lawas Utara, Kab. Labuhan Batu Selatan, Kab. Labuhan Batu Utara, Kab. Nias Utara, Kab. Nias Barat, dan Kab. Gunung Sitoli sehingga kabupaten/ kota tersebut belum memiliki data produksi beras, stok beras, luas panen padi, rata-rata produksi beras, harga beras dan jumlah konsumsi beras untuk tahun 2007-2009. Sedangkan Kota Sibolga tidak memiliki data produksi beras, luas areal panen padi, dan rata-rata produksi padi.
Alasan pemilihan metode Fixed Effect karena jumlah unit cross section (N = 25) lebih besar daripada jumlah unit time series (T = 5) dan unit cross section sample tidak bersifat acak. Persamaan yang digunakan dalam penelitian ini adalah:
Dengan :
LSB = stok beras tiap kabupaten/ kota (ton) LLP = luas panen tiap kabupaten/ kota (hektare) LPR = produktivitas lahan (kuintal/ hektare)
LHB = rata-rata harga beras tiap kabupaten/ kota (rupiah)
LJKB = jumlah konsumsi beras tiap kabupaten/ kota per tahun (ton) Di = dummy variabel kabupaten/ kota
i = unit cross section, yaitu kabutapen i di Sumatera Utara t = unit time series, yaitu tahun 2007 - 2011
Adanya perbedaan dalam satuan dan besaran variabel bebas maka persamaan
regresi harus dibuat dengan model logaritma. Alasan pemilihan model logaritma
(Imam Ghozali, 2005) adalah sebagai berikut:
1. Menghindari adanya heteroskedastisitas
2. Mengetahui koefisien yang menunjukkan elastisitas 3. Mendekatkan skala data
2.7Uji Statistik
Uji statistik dilakukan untuk mengetahui bermakna atau tidaknya variabel atau model yang digunakan secara parsial maupun keseluruhan. Uji statistik yang dilakukan antara lain:
a. Uji Signifikansi Parameter Individual (Uji t)
Uji ini dilakukan untuk mengetahui signifikansi variabel bebas secara individu terhadap variabel terikatnya. Hipotesis yang digunakan adalah sebagai berikut :
H0: βi = 0 H1: βi ≠ 0
b. Koefisien Determinasi (R2)
Koefisisen Determinasi (R2) bertujuan untuk mengukur seberapa besar variasi regressand (Y) dapat diterangkan oleh regressor (X). Dengan kata lain seberapa jauh kemampuan model dalam menerangkan variasi variabel terikat. Menurut Widarjono (2007) formula R2 adalah sebagai berikut:
Jika garis regresi tepat pada semua data Y, maka ESS sama dengan TSS sehingga R2 = 1, sedangkan jika garis regresi tepat pada nilai rata-rata Y maka ESS = 0 sehingga R2 =0. Nilai R2 berkisar antara nol dan satu. Nilai R2 yang kecil berarti kemampuan variabel-variabel bebasnya dalam menjelaskan variasi variabel terikat sangat terbatas. Nilai yang mendekati satu berarti variabel-variabel bebasnya memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel terikat.
c. Uji Signifikansi Simultan (Uji F)
Uji F dilakukan untuk mengetahui pengaruh semua variabel bebasnya terhadap variabel terikat. Selain itu uji F juga dapat dilakukan untuk mengetahui signifikansi koefisien determinasi R2.
Menurut Widarjono (2007) formula uji statistik F adalah sebagai berikut:
Sedangkan hipotesis dalam uji ini adalah :
H0 : β1 = β2 = ... = βk = 0
Jika Fhitung lebih besar dari Ftabel, maka H0 ditolak. Artinya variabel bebas tidak mempunyai pengaruh secara keseluruhan terhadap varibel terikat, demikian sebaliknya.
2.8Uji Penyimpangan Asumsi Klasik
Sebelum melakukan analisis data maka data diuji sesuai asumsi klasik untuk mendapatkan model regresi yang baik. Model regresi tersebut harus terbebas dari multikolinearitas, autokorelasi, dan heteroskedastisitas.
a. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah terdapat hubungan linear diantara beberapa atau semua variabel yang menjelaskan dari model regresi. Tanda yang paling jelas dari multikolinearitas adalah ketika R2 sangat tinggi tetapi tidak satu pun koefisien regresi penting (signifikan) secara statistik atas dasar pengujian t yang konvensional (Damodar Gujarati 1995). Adanya multikolinearitas di dalam model regresi mengakibatkan model regresi yang diperoleh tidak valid karena taksiran koefisien yang didapat akan mempunyai nilai yang tidak sesuai dengan substansi sehingga dapat menyesatkan interpretasi.
Pengujian multikolinearitas dalam penelitian ini dilakukan dengan cara melihat Correlation Matrix antara variabel bebasnya. Data dikatakan teridentifikasi multikolinearitas apabila koefisien korelasi antar variabel bebas lebih dari atau sama dengan 0,8 (Gujarati, 2003).
b. Uji Autokorelasi
akibat adanya autokorelasi, taksiran yang diperoleh dengan menggunakan OLS tidak baik dan interval kepercayaan menjadi lebar dan uji signifikansi kurang kuat. Akibatnya uji t dan uji F tidak dapat dilakukan atau hasilnya tidak akan baik.
Dalam penelitian ini digunakan uji Durbin-Watson (Uji DW), yaitu dengan melihat nilai Durbin Watson pada regresi utama dengan ketentuan sebagai berikut (Algifari, 1997):
Tabel 2.1 Kriteria uji Durbin-Watson
c. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari gangguan satu pengamatan ke pengamatan yang lain. Satu asumsi penting dari model regresi linear adalah bahwa gangguan yang muncul dalam fungsi regresi populasi adalah homoskedastik, yaitu semua gangguan mempunyai varians yang sama (Damodar Gujarati 1995). Dampak adanya heteroskedastisitas didalam model adalah besarnya variansi dari taksiran yang akan berpengaruh pada uji hipotesis yang dilakukan (uji t dan uji F) karena kedua uji tersebut menggunakan besaran variansi taksiran. Akibatnya, kedua uji hipotesi tersebut menjadi kurang akurat sehingga kesimpulan yang diambil dari persamaan regresi yang dibuat dapat menyesatkan.
Dalam penelitian ini digunakan Uji Park untuk mendeteksi gejala heteroskedastisitas yang terjadi dalam model persamaan regresi. Metode uji Park
Nilai Durbin Watson Keterangan
(1) (2)
< 1,10 Ada autokorelasi 1,10 – 1,54 Tanpa kesimpulan 1,55 – 2,46 Tidak ada autokorelasi 2,47 – 2,90 Tanpa kesimpulan
yaitu meregresikan nilai residual (Log(ei2)) dengan masing-masing variabel bebas, dengan hipotesis sebagai berikut:
H0 : ada gejala heteroskedastisitas H1 : tidak ada gejala heteroskedastisitas
BAB 3
HASIL DAN PEMBAHASAN
3.1Sumber Data
Adapun data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari Badan Ketahanan Pangan Provinsi Sumatera Utara dan Perum BULOG Divisi Regional Sumatera Utara. Data yang dikumpulkan adalah data stok beras, luas areal panen padi, produktivitas lahan, jumlah konsumsi beras dan harga beras untuk tahun 2007 – 2011. Data yang dikumpulkan dapat dilihat pada tabel-tabel berikut.
Tabel 3.1 Stok Beras Provinsi Sumatera Utara Kabupaten/ Kota Tahun 2007 – 2011
Kabupaten/Kota Tahun
2007 2008 2009 2010 2011
(1) (2) (3) (4) (5) (6)
(1) (2) (3) (4) (5) (6) Serdang Bedagai 3493,235 4152,819 7890,547 10506,347 10923,679 Batu Bara 2110,844 2518,298 4779,954 6644,208 6908,094 Tanjung Balai 903,068 1077,669 2055,495 2730,015 2838,358 Pematang Siantar 1336,014 1572,120 2956,803 4148,497 4313,351 Tebing Tinggi 787,167 928,761 1751,412 2567,397 2669,384 Medan 11762,535 13840,630 26029,157 37077,625 38550,200 Binjai 1401,783 1663,485 3155,161 4351,026 4523,836 Padang Sidimpuan 1045,334 1241,107 2355,094 3385,524 3519,973
Jumlah 71942,95 85249,78 161403,1 227981,7 237049,628 Sumber : Perum BULOG Divisi Regional Sumatera Utara
Tabel 3.2 Luas Areal Panen Padi Provinsi Sumatera Utara Kabupaten/ Kota
Mandailing Natal 30794 43606 36609 36773 35893 Tapanuli Selatan 74690 72960 69715 62903 65651 Tapanuli Tengah 30254 30451 30873 30039 27881 Tapanuli Utara 25747 26919 25505 27030 23748 Humbang Hasundutan 19485 13937 20764 19307 19749 Pakpak Bharat 5809 5155 2421 5669 7596
Samosir 7228 7173 7141 7685 8866
Serdang Bedagai 73563 73151 72263 73805 63783 Batu Bara 32431 33193 37546 34224 34385
Tanjung Balai 453 630 532 427 339
(1) (2) (3) (4) (5) (6)
Binjai 4961 4111 3944 4032 4041
Padang Sidimpuan 7020 7090 8504 8559 8833
Total 782663 748576 768407 754674 757541
Sumber : Badan Ketahanan Pangan Provinsi Sumatera Utara
Tabel 3.3 Produktivitas Lahan Provinsi Sumatera Utara Kabupaten/ Kota Tahun 2007 – 2011
Tabel 3.4 Jumlah Konsumsi Beras Provinsi Sumatera Utara Kabupaten/ Kota Tahun 2007 – 2011
Kabupaten/ Kota Tahun
2007 2008 2009 2010 2011
Nias 60563 60692 60830 63858 64455
Mandailing Natal 57147 57985 58830 55417 55935 Tapanuli Selatan 87216 87899 88579 97565 98432 Tapanuli Tengah 41865 43057 44280 42592 42990 Tapanuli Utara 36094 36620 37151 38216 38574 Toba Samosir 23169 23515 23874 23693 23914 Labuhan Batu 137833 140677 143660 140064 141374
Asahan 92593 94225 95878 91453 92308
Simalungun 115820 116748 117674 111905 112951
Dairi 36783 37221 37477 36957 37302
Karo 48085 49386 50719 48029 48478
Deli Serdang 230779 237904 244736 245020 247312 Langkat 140602 142669 144756 132407 133645 Nias Selatan 37216 37339 37460 39647 40017 Humbang Hasundutan 21053 21251 21632 23490 23710 Pakpak Bharat 5300 5619 5859 5543 5595 Samosir 17955 18002 18067 16375 16528 Serdang Bedagai 84663 86316 87992 81341 82102 Batu Bara 51159 52343 53304 51440 51921 Tanjung Balai 21887 22399 22922 21136 21333 Pematang Siantar 32380 32676 32973 32188 32419 Tebing Tinggi 19078 19304 19531 19877 20063 Medan 285080 287673 290266 287058 289742
Binjai 33974 34575 35185 33686 34001
Padang Sidimpuan 25335 25796 26263 26211 26456
Total 1743629 1771891 1799898 1765168 1781557 Sumber : Badan Ketahanan Pangan Provinsi Sumatera Utara
(1) (2) (3) (4) (5) (6)
Rata-rata 5311,60 5961,60 6303,00 6714,48 8634,36 Sumber : Badan Ketahanan Pangan Provinsi Sumatera Utara
Tabel 3.6 Produksi Beras Provinsi Sumatera Utara Kabupaten/ Kota Tahun 2007 – 2011
Kabupaten/ Kota Tahun
2007 2008 2009 2010 2011
(1) (2) (3) (4) (5) (6)
Nias 36945 31695 57004 45091 51829
(1) (2) (3) (4) (5) (6) Simalungun 239025 246045 260233 258325 286185
Dairi 52149 52185 50941 54103 46437
Karo 44892 45677 51342 50009 61375
Deli Serdang 194864 195476 198186 239178 251185 Langkat 194131 204127 228107 184577 209701 Nias Selatan 19424 19274 30091 37912 46344 Humbang Hasundutan 45041 33461 50721 48835 50855 Pakpak Bharat 9318 9544 5149 11648 15339 Samosir 17768 17632 18224 20330 23780 Serdang Bedagai 193619 195925 200016 211648 191244 Batu Bara 83257 84320 98477 92995 89809
Tanjung Balai 713 1494 1306 1088 857
Pematang Siantar 10238 9609 9590 10475 13677 Tebing Tinggi 3446 3328 2985 3065 2633
Medan 9503 13460 10251 10930 7291
Binjai 12192 10274 10177 10778 10903
Padang Sidimpuan 17631 18107 22424 22643 23766
Total 1912122 1870847 1975622 2006091 2020143 Sumber : Badan Ketahanan Pangan Provinsi Sumatera Utara
3.2Analisis Data
3.2.1 Pengujian Signifikansi Parameter Individual (Uji Statistik t)
Seperti yang telah disebutkan pada bab sebelumnya, uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh masing-masing variabel bebas secara individual dalam menerangkan variasi variabel terikat. Hipotesis pada uji t adalah:
H0 : βi = 0 H1 : βi ≠ 0
Keputusan dalam pengujian ini dilakukan dengan membandingkan nilai thitung dengan ttabel. Jika | thitung | > ttabel, maka tolak H0, sehingga kesimpulannya adalah variabel bebas secara parsial signifikan mempengaruhi variabel terikat. Dengan
menggunakan α = 5 % dan degree of freedom (df) = 94 (n – k = 125 – 31), maka diperoleh nilai ttabel (t α/2, n-k ) sebesar 2,278.
Tabel 3.7 Uji Statistik t
Variabel thitung ttabel Keterangan
(1) (2) (3) (4)
Stok beras 0,515832 2,278 Tidak signifikan
Luas areal panen padi 23,70462 2,278 Signifikan
Produktivitas lahan 5,253792 2,278 Signifikan
Jumlah konsumsi beras -4,174058 2,278 Signifikan
Harga beras -0,694299 2,278 Tidak signifikan
3.2.2 Koefisien Determinasi (R2)
Koefisien determinasi (R2) pada intinya bertujuan untuk mengukur seberapa besar variasi regressand (Y) dapat diterangkan oleh regressor (X). Tabel 3.8 berikut akan menampilkan ringkasan hasil regresi dalam penelitian ini.
Tabel 3.8 Koefisien Variabel Bebas dan Dummy Wilayah
Variabel Koefisien Dummy Kota Tanjung Balai (D20) -0,102909 Dummy Kota Pematang Siantar (D21) -0,020015 Dummy Kota Tebing Tinggi (D22) -0,059965
Dummy Kota Medan (D23) 0,391132
Dummy Kota Binjai (D24) -0,010476
R2 0,996452
Dari tabel 3.8 diperoleh R2 sebesar 0,996452. Hal ini berarti sebesar 99,65 % variasi ketahanan pangan dapat dijelaskan oleh 5 variabel bebas yaitu variabel stok beras, luas areal panen padi, produktivitas lahan, jumlah konsumsi beras, harga beras dan dummy wilayah (25 kabupaten/ kota di Sumatera Utara). Sedangkan sisanya 0,35 % di jelaskan oleh variabel lain diluar model.
3.2.3 Pengujian Signifikansi Simultan (Uji F)
Uji statistik F pada dasarnya menunjukkan apakah semua variabel bebas yang dimasukkan dalam model mempunyai pengaruh secara keseluruhan terhadap variabel terikat. Hipotesis dalam uji ini adalah :
H0: β1 = β2= ... = βk = 0 H1 : β1≠ β2 ≠ ... ≠ βk≠ 0
Jika Fhitung lebih besar dari Ftabel, maka H0 ditolak. Artinya variabel bebas tidak mempunyai pengaruh secara keseluruhan terhadap varibel terikat. Tabel 3.9 berikut menampikan hasil uji F.
Tabel 3.9 Hasil Uji F
Ftabel 1,580561
Fhitung
920,1276 Prob
0,000000
3.2.4 Uji Multikolinearitas
Multikolinearitas adalah kondisi adanya hubungan linear antara variabel bebas. Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antara variabel bebas. Cara yang digunakan untuk menguji gejala multikolinearitas dalam penelitan ini adalah dengan melihat Correlation Matrix. Data dikatakan teridentifikasi multikolinearitas apabila koefisien korelasi antar variabel bebas lebih dari atau sama dengan 0,8 (Gujarati, 2003). Tabel 3.10 berikut menunjukkan hasil koefisien korelasi antar variabel bebas.
Tabel 3.10 Correlation Matrix Antar Variabel Bebas
Variabel SB LP PR JKB HB
(1) (2) (3) (4) (5) (6)
SB 1,000000 0,671376 0,441759 0,560566 -0,070700
LP 0,671376 1,000000 0,357551 0,479505 -0,205480
PR 0,441759 0,357551 1,000000 0,292000 0,029024
JKB 0,560566 0,479505 0,292000 1,000000 0,632035
HB -0,070700 -0,205480 0,029024 0,632035 1,000000 Keterangan:
SB = stok beras
LP = luas areal panen padi PR = rata-rata produksi padi JKB = jumlah konsumsi beras HB = harga beras
Dari tabel 3.10 dapat disimpulkan bahwa antara variabel bebas tidak terdapat multikolinearitas, karena koefisien korelasi antara variabel bebas lebih kecil dari 0,8. Sehingga model regresi yang diperoleh terbebas dari multikolinearitas.
Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya korelasi antara observasi satu dengan observarsi yang lain, yang berlainan waktu (Widarjono, 2007). Dalam penelitian ini digunakan uji Durbin Watson (Uji DW), yaitu dengan melihat nilai Durbin Watson pada regresi utama dengan ketentuan sebagai berikut (Algifari, 1997):
Variable Coefficient Std. Error t-Statistic Prob.
C -1.500906 3.014859 -0.497836 0.6197
LOG(SB?) 0.013159 0.025510 0.515832 0.6072
LOG(LP?) 1.019066 0.042990 23.70462 0.0000
LOG(PR?) 0.985123 0.187507 5.253792 0.0000
LOG(JKB?) -1.114910 0.267105 -4.174058 0.0001
LOG(HB?) -0.042243 0.060842 -0.694299 0.4892
_D8--C 0.052871
Adjusted R-squared 0.995369 S.D. dependent var 1.125740
S.E. of regression 0.076604 Akaike info criterion -2.094760
Sum squared resid 0.557483 Schwarz criterion -1.415965
Log likelihood 160.9225 F-statistic 920.1276
Durbin-Watson stat 1.628535 Prob(F-statistic) 0.000000
Dari tabel 3.11 diatas dapat dilihat nilai Durbin-Watson sebesar 1,628535 berada pada interval 1,55 – 2,46 sehingga dapat disimpulkan, berdasarkan tabel 2.1 (Kriteria Uji Durbin-Watson) tidak terdapat korelasi antara observasi yang satu dengan yang lain atau dengan kata lain tidak terdapat gejala autokorelasi di dalam model regresi.
3.2.6 Uji Heteroskedastisitas
heteroskedastisitas yang terjadi dalam model persamaan regresi. Metode uji Park yaitu dengan meregresikan nilai residual (Log(ui2)) dengan masing-masing variabel bebas. Kriteria pengujian adalah sebagai berikut:
H0 : ada gejala heteroskedastisitas H1 : tidak ada gejala heteroskedastisitas
H0 diterima bila thitung > ttabel atau –thitung < –ttabel. Artinya, terdapat heteroskedastisitas di dalam model. H0 ditolak bila –ttabel < thitung < ttabel yang berarti tidak terdapat heteroskedastisitas di dalam model.
Tabel 3.12 Uji Heteroskedastisitas dengan Uji Park Dependent Variable: LOG(RES2)
Method: Panel Least Squares Date: 10/12/13 Time: 09:14 Sample: 2007 2011
Cross-sections included: 25
Total panel (balanced) observations: 125
Variable Coefficient Std. Error t-Statistic Prob.
C 78.16510 103.7361 0.753499 0.4530
LOG(SB) 0.414181 0.877739 0.471872 0.6381
LOG(LP) -1.219766 1.479219 -0.824602 0.4117
LOG(PR) 3.663572 6.451798 0.567837 0.5715
LOG(JKB) -9.527705 9.190610 -1.036678 0.3025
LOG(HB) 0.999633 2.093476 0.477499 0.6341
Effects Specification
Cross-section fixed (dummy variables)
R-squared 0.531958 Mean dependent var -10.36982
Adjusted R-squared 0.389082 S.D. dependent var 3.372294
S.E. of regression 2.635828 Akaike info criterion 4.981835
Sum squared resid 660.0210 Schwarz criterion 5.660630
Log likelihood -281.3647 F-statistic 3.723209
Durbin-Watson stat 2.455476 Prob(F-statistic) 0.000001
3.3Interpretasi Hasil
Dengan menggunakan metode Ordinary Least Square (OLS), diperoleh nilai koefisien regresi untuk setiap variabel dalam penelitian dengan persamaan sebagai berikut:
LRKB = - 1,500906 + 0,013159 LSB + 1,019066 LLP + 0,985123 LPR
- 1,114910 LJKB - 0,042243 LHB + 0,014896 D1 - 0,011427 D2 + 0,017444 D3 - 0,033431 D4 - 0,049680 D5 - 0,087625 D6 + 0,202441 D7 + 0,052871 D8 + 0,041432 D9 - 0,044100 D10 - 0,016914 D11 + 0,125769 D12 + 0,068158 D13 - 0,023120 D14 - 0,094514 D15 - 0,207902 D16 - 0,099606 D17 + 0,019412 D18 - 0,012982 D19 - 0,102909 D20 - 0,020015 D21 - 0,059965 D22 + 0,391132 D23 - 0,010476 D24 - 0,058889 D25
1. Stok Beras
Dari hasil regresi diketahui bahwa stok beras (SB) yang diukur menggunakan stok beras 25 kabupaten/ kota di Sumatera Utrara memberikan pengaruh yang positif namun tidak signifikan terhadap rasio ketersediaan beras (RKB) di Sumatera Utara. Setiap peningkatan stok beras sebesar 1% akan meningkatkan rasio ketersediaan beras sebesar 0,013159%.
2. Luas Areal Panen Padi
Berdasarkan hasil regresi diketahui bahwa luas areal panen yang diukur menggunakan luas panen (LP) 25 kabupaten/ kota di Sumatera Utara mempunyai pengaruh yang positif dan signifikan terhadap rasio ketersediaan beras di Sumatera Utara. Kenaikan luas areal panen sebesar 1%, akan meningkatkan rasio ketersediaan beras (RKB) sebesar 1,019066%.
Berdasarkan hasil regresi diketahui bahwa produktivitas lahan per hektare yang diukur berdasarkan rata-rata produksi padi (PR) 25 kabupaten/ kota di Sumatera Utara mempunyai pengaruh yang positif dan signifikan terhadap rasio ketersediaan beras di Sumatera Utara. Setiap peningkatan produktivitas lahan (PR) sebesar 1% akan menyebabkan kenaikan rasio ketersediaan beras sebesar 0,985123%.
4. Jumlah Konsumsi Beras
Berdasarkan hasil regresi diketahui bahwa jumlah konsumsi beras yang diukur berdasarkan jumlah konsumsi beras (JKB) 25 kabupaten/ kota di Sumatera Utara mempunyai pengaruh yang negatif dan signifikan terhadap rasio ketersediaan beras di Sumatera Utara. Setiap peningkatan jumlah konsumsi beras (JKB) sebesar 1% akan menyebabkan penurunan rasio ketersediaan beras sebesar 1,114910%.
5. Harga Beras
Dari hasil regresi diketahui bahwa harga beras yang diukur berdasarkan rata-rata harga beras (HB) 25 kabupaten/ kota di Sumatera Utara mempunyai pengaruh yang negatif namun tidak signifikan terhadap rasio ketersediaan beras (RKB) di Sumatera Utara. Kenaikan harga beras sebesar 1% akan menurunkan rasio ketersedian beras sebesar 0,042243%. Variabel ini mempunyai hubungan yang tidak signifikan karena beras merupakan barang primer dan bersifat inelastis, sehingga konsumen tetap harus membeli beras berapa pun tingkat harga yang berlaku. Hasil ini sesuai dengan temuan Sadikin dan Panggih (2008) yang mendapatkan hasil bahwa harga beras berpengaruh negatif namun tidak signifikan secara statistik, karena di lapangan dapat terlihat bahwa berapa pun harga beras, penduduk akan tetap membeli beras karena beras adalah makanan pokok penduduk Indonesia.
6. Dummy
kabupaten/ kota di Sumatera utara memiliki koefisien yang bernilai positif dan negatif. Hal ini menunjukkan tingkat ketahanan pangan di setiap kabupaten/ kota di Sumatera Utara tidak sama. Tanda positif menunjukkan bahwa kabupaten/ kota tersebut memiliki ketahanan pangan yang baik, sedangkan tanda negatif menujukkan bahwa kabupaten/ kota tersebut memiliki ketahanan pangan yang lemah. Terdapat 9 kabupaten/ kota yang memiliki tingkat ketahanan pangan yang baik yaitu, Kabupaten Nias, Kabupaten Tapanuli Selatan, Kabupaten Asahan, Kabupaten Labuhan Batu, Kabupaten Simalungun, Kabupaten Deli Serdang, Kabupaten Langkat, Kabupaten Serdang Bedagai, dan Kota Medan sedangkan 16 kabupaten/ kota lainnya memiliki tingkat ketahanan pangan yang lemah.
7. Pegaruh Faktor Lain di Luar Model
BAB 4
KESIMPULAN DAN SARAN
4.1 Kesimpulan
Berdasarkan analisis yang telah dilakukan, maka dapat ditarik kesimpulan sebagai berikut:
1. Seluruh variabel bebas yaitu stok beras, luas areal panen padi, produktivitas lahan, jumlah konsumsi beras dan harga beras berpengaruh secara individu maupun secara keseluruhan terhadap rasio ketersediaan beras.
4.2 Saran
1. Dalam upaya meningkatkan ketahanan pangan di Sumatera Utara, pemerintah kabupaten/ kota perlu menjaga areal yang digunakan untuk menanam padi dan melakukan penyuluhan bagi petani tentang bagaimana cara menigkatkan produktivitas lahan yang digunakan. Perlu dikeluarkannya berbagai kebijakan untuk menjaga atau bahkan menambah luas areal penanaman padi serta melindungi lahan pertanian untuk menjamin produksi beras di tiap kabupaten/ kota di Sumatera Utara.
2. Melihat signifikannya pengaruh jumlah konsumsi beras terhadap rasio ketersediaan beras, pemerintah kabupaten/ kota Provinsi Sumatera Utara diharapkan lebih gencar dalam menerapakan diversikasi pangan untuk mengontrol jumlah konsumsi beras, misalnya dengan mengganti beras dengan bahan makanan lain seperti ubi kayu, ubi jalar, jagung dan lainnya, yang kandungan nutrisinya tidak berbeda jauh dengan beras. Diversifikasi pangan juga dibutuhkan untuk menyeimbangkan gizi dan nutrisi di dalam tubuh, karena pola konsumsi pangan yang seragam tidak mampu untuk mecukupi kebutuhan nutrisi di dalam tubuh.
DAFTAR PUSTAKA
Agus Widarjono. 2007. Ekonometrika Teori dan Aplikasi untuk Ekonomi dan Bisnis. Ekonisia. Yogyakarta
Algifari. 1997. Analisis Statistik Untuk Bisnis. B P FE. Yogyakarta
Baltagi, Badi H. 2005. Econometric Analysis of Panel Data. Wiley
Badan Ketahanan Pangan Provinsi Sumatera Utara. 2012. Statistik Ketahanan Pangan 2007-2011. Medan.
Badan Perencanaan Pembangunan Daerah Provinsi Sumatera Utara. 2012. Rencana Aksi Daerah Pangan dan Gizi Provinsi Sumatera Utara Tahun 2011 - 2015. 5 Maret. Medan.
Djalal, Nachrowi, et.all.2006. Ekonometrika Untuk Analisi Ekonomi dan Keuangan. UI: Jakarta.
Djalal, Nachrowi, et.all. 2008. Penggunaan Teknik Ekonometrika. PT Raja GrafindoPersada: Jakarta.
FAO.1992. FAOSTAT. (http://faostat.fao.org)
Gujarati, Damodar N. 1995. Ekonometrika Dasar. Erlangga: Jakarta
Gujarati, Damodar N. 2003. Ekonometrika Dasar Edisi ke Empat. Erlangga: Jakarta
Pusat Penganekaragaman Konsumsi dan Keamanan Pangan. 2011. Workshop Rancanangan Kebutuhan dan Pola Konsumsi Pangan Penduduk. 5-7 Mei. Jakarta.
Rachim, Taufic. 2006. Perancangan Penelitian dan Analisis Data Statistik. ITB: Bandung.
Rosadi Dedi. 2011. Analisis Ekonometrika & Runtun Waktu Terapan dengan R. Andi Offset:Yokyakarta.
Santoso, Dwi Ratno, et.all. 1992. Analisis Regresi. Andi Offset: Yokyakarta. Siswono Yudo Husodo. 2002. Membangun Kemandirian di Bidang Pangan untuk
Memperkuat Ketahanan Nasional. Makalah Rapimnas Kadin Indonesia, 27-28 Februari, Jakarta.
http://statsdata.blogspot.com/2012/08/regresi-data-panel.html. (diakses Juni 2013)
http://egienews.blogspot.com/2013/05/part-2-analisis-regresi-data-panel.html (di akses Juni 2013)
http://ekonmetrik.blogspot.com/2009/03/panel-data.html (diakses Juli 2013) http://alfandykaicili.blogspot.com/2013/02/langkah-langkah-pengolahan-
LAMPIRAN
Lampiran 1. Produksi Beras Provinsi Sumatera Utara Kabupaten/ Kota Tahun 2007-2011 (Ton)
Kabupaten/ Kota
Tahun
2007 2008 2009 2010 2011
Nias 36945 31695 57004 45091 51829
Mandailing Natal 76162 110160 95521 99444 88064 Tapanuli Selatan 186462 187413 184046 169377 165861 Tapanuli Tengah 67750 69548 72448 73018 64155 Tapanuli Utara 59434 62616 61459 67045 58404 Toba Samosir 59970 56660 51318 59402 64412 Labuhan Batu 159310 148547 156107 178431 148608 Asahan 118878 44270 49499 45744 47429 Simalungun 239025 246045 260233 258325 286185 Dairi 52149 52185 50941 54103 46437
Karo 44892 45677 51342 50009 61375
Deli Serdang 194864 195476 198186 239178 251185 Langkat 194131 204127 228107 184577 209701 Nias Selatan 19424 19274 30091 37912 46344 Humbang Hasundutan 45041 33461 50721 48835 50855 Pakpak Bharat 9318 9544 5149 11648 15339 Samosir 17768 17632 18224 20330 23780 Serdang Bedagai 193619 195925 200016 211648 191244 Batu Bara 83257 84320 98477 92995 89809 Tanjung Balai 713 1494 1306 1088 857 Pematang Siantar 10238 9609 9590 10475 13677 Tebing Tinggi 3446 3328 2985 3065 2633
Medan 9503 13460 10251 10930 7291
Binjai 12192 10274 10177 10778 10903 Padang Sidimpuan 17631 18107 22424 22643 23766
Lampiran 2. Luas Areal Panen Padi Provinsi Sumatera Utara Kabupaten/ Kota Tahun 2007-2011 (hektar)
Kabupaten/ Kota
Tahun
2007 2008 2009 2010 2011
Nias 17719 14927 26242 19933 25355 Mandailing Natal 30794 43606 36609 36773 35893 Tapanuli Selatan 74690 72960 69715 62903 65651 Tapanuli Tengah 30254 30451 30873 30039 27881 Tapanuli Utara 25747 26919 25505 27030 23748 Toba Samosir 24606 22757 20060 22353 21569 Labuhan Batu 65127 59528 60208 66177 63295 Asahan 47789 17624 19139 17087 18439 Simalungun 96010 95852 97832 93343 96200 Dairi 25699 24169 23056 23567 19006 Karo 23028 21860 23829 23203 23108 Deli Serdang 74170 74276 73093 84875 85210 Langkat 77591 79898 86512 67559 73752 Nias Selatan 9239 8932 13941 17146 22349 Humbang Hasundutan 19485 13937 20764 19307 19749 Pakpak Bharat 5809 5155 2421 5669 7596
Samosir 7228 7173 7141 7685 8866
Serdang Bedagai 73563 73151 72263 73805 63783 Batu Bara 32431 33193 37546 34224 34385 Tanjung Balai 453 630 532 427 339 Pematang Siantar 4025 3715 3591 3786 4309 Tebing Tinggi 1389 1319 1146 1136 1031
Medan 3836 5343 3941 4056 3153
Binjai 4961 4111 3944 4032 4041
Padang Sidimpuan 7020 7090 8504 8559 8833
Lampiran 3. Rata-rata Produksi Padi Provinsi Sumatera Utara Kabupaten/ Kota Tahun 2007-2011 (kuintal/ hektare)
Kabupaten/ Kota
Tahun
2007 2008 2009 2010 2011
Nias 37,23 37,92 38,79 40,31 36,88 Mandailing Natal 44,17 45,11 46,59 48,29 43,81 Tapanuli Selatan 44,58 45,87 47,02 48,76 47,65 Tapanuli Tengah 39,99 40,78 41,9 43,41 41,09 Tapanuli Utara 41,22 41,54 43,03 44,29 43,92 Toba Samosir 43,52 44,46 45,68 47,45 53,33 Labuhan Batu 43,68 44,56 46,3 48,24 41,39 Asahan 44,42 44,86 46,18 47,81 45,93 Simalungun 44,46 45,84 47,5 49,42 53,12 Dairi 36,24 38,56 39,45 40,99 43,63 Karo 34,81 37,31 38,48 38,49 47,43 Deli Serdang 46,92 47 48,42 50,32 52,64 Langkat 44,68 45,62 47,08 48,79 50,77 Nias Selatan 37,54 38,53 38,54 39,48 37,03 Humbang Hasundutan 41,28 43,87 43,62 45,17 45,98 Pakpak Bharat 28,65 33,06 37,98 36,69 36,06 Samosir 43,9 44,12 45,57 47,24 47,9 Serdang Bedagai 47 47,83 49,43 51,21 53,54 Batu Bara 45,12 45,36 46,84 48,52 46,64 Tanjung Balai 41,81 42,33 43,84 45,48 45,13 Pematang Siantar 45,42 46,19 47,69 49,41 56,68 Tebing Tinggi 43,3 45,05 46,51 48,19 45,6 Medan 44,24 44,99 46,45 48,12 41,29 Binjai 43,89 44,63 46,08 47,74 48,18 Padang Sidimpuan 44,85 45,6 47,09 47,24 48,05
