DETERMINAN KETAHANAN PANGAN TINGKAT KABUPATEN DI INDONESIA TAHUN 2007 (Pendekatan Multivariate Adaptive Regression Spline )
AHMAD RIFKI FEBRIANTO 06.4962
JURUSAN
: STATISTIKA
PEMINATAN
: EKONOMI
SEKOLAH TINGGI ILMU STATISTIK JAKARTA 2010
DETERMINAN KETAHANAN PANGAN TINGKAT KABUPATEN DI INDONESIA TAHUN 2007 (Pendekatan Multivariate Adaptive Regression Spline )
SKRIPSI Diajukan Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains Terapan pada Sekolah Tinggi Ilmu Statistik
Oleh: AHMAD RIFKI FEBRIANTO 06.4962
SEKOLAH TINGGI ILMU STATISTIK JAKARTA 2010
DETERMINAN KETAHANAN PANGAN TINGKAT KABUPATEN DI INDONESIA TAHUN 2007 (Pendekatan Multivariate Adaptive Regression Spline )
Oleh: AHMAD RIFKI FEBRIANTO 06.4962
Mengetahui/Menyetujui,
Pembantu Ketua I/Bidang I/Bidang Akademik
Pembimbing
Muchlis Husin, S.E., M.A. NIP.19520515 197503 1 003
Drs. Odry Syafwil, M.Si. NIP. 19541008 197903 1 004
Tim Penguji
Penguji I
Penguji II
Dr. Budiasih, S.E., M.E. NIP.19610219 198312 2 001
Ir. Suryanto AL, M.M. NIP.19580608 198603 1 005
PERNYATAAN Skripsi dengan Judul DETERMINAN KETAHANAN PANGAN TINGKAT KABUPATEN DI INDONESIA TAHUN 2007 (Pendekatan Multivariate Adaptive Regression Spline )
Oleh : AHMAD RIFKI FEBRIANTO 06.4962
adalah benar-benar hasil penelitian sendiri dan bukan hasil plagiat atau hasil karya orang lain. Jika di kemudian hari diketahui ternyata skripsi ini hasil plagiat atau hasil karya orang lain, penulis bersedia skripsi ini dinyatakan tidak sah dan gelar Sarjana Sains Terapan dicabut atau dibatalkan.
Jakarta, Agustus 2010
Ahmad Rifki Febrianto
PRAKATA
Alhamdulillaahirabbil‘aalamin. Puji syukur penulis panjatkan ke hadirat Allah Swt. atas limpahan nikmat yang tak pernah terputus serta pertolongan dariNya yang membuat penulis mampu menyelesaikan skripsi dengan judul “Determinan Ketahanan Pangan Tingkat Kabupaten di Indonesia Tahun 2 007 (Pendekatan Multivariate Adaptive Regression Spline)”. Pada kesempatan ini penulis mengucapkan terima kasih dan penghargaan sebesar-besarnya pada: 1. Dr. Suryamin selaku Ketua Sekolah Tinggi Ilmu Statistik 2. Bapak Drs.Odry Syafwil, M.Si. sebagai dosen pembimbing yang telah dengan kesabaran meluangkan waktunya untuk memberi bimbingan, saran dan dukungan dalam proses penyusunan skripsi ini. 3. Dr. Budiasih dan Ir.Suryanto AL, M.M. selaku penguji yang telah memberi banyak masukan dan perbaikan 4. Ayah, Ibu dan k akak penulis atas semua dukungan dan do’a yang selalu menyertai penulis selama menjalani pendidikan 5. Keluarga besar tarbiyah , Liqoman dan DTAK Community. Jazakumullah khairan katsiran . Semoga untaian do’a Rabithah senantiasa mengikat kita
dalam keimanan. 6. Para warga “Sama’un” (Rizal, Dian, Arya, dan Devi) serta para penghuni “Al Kautsar” atas keceriaan dan pinjaman komputernya. 7. Serta seluruh rekan-rekan Angkatan 48 untuk kebersamaannya, terutama di 4SE2 dan SBRJ. Terucap khusus pada Mun’im dan Titin atas diskusidiskusinya serta bantuannya. Penulis memohon maaf atas dan terima kasih sebesar-besar.pada seluruh pihak yang turut membantu dan tidak dapat disebutkan satu per satu. Kritik dan saran yang membangun sangat penulis harapkan demi perbaikan penulisan skripsi ini. Semoga semua yang telah dilakukan oleh penulis tercatat sebagai amal sholih dan semoga skripsi ini bermanfaat bagi semua pihak. Jakarta, Agustus 2010 Ahmad Rifki Febrianto
i
ABSTRAK
AHMAD RIFKI FEBRIANTO. “Determinan Ketahanan Pangan Tingkat
Kabupaten di Indonesia Tahun 2007 (Pendekatan Multivariate Adapative Regression Spline)”.
vii+92 halaman
Masalah pemenuhan pangan sebagai hak dasar masih merupakan masalah mendasar dalam peningkatan kesejahteraan penduduk Indonesia. Indonesia yang sempat mencanangkan swasembada pangan ternyata masih terdapat kantungkantung kerawanan pangan. Peta Kerawanan Pangan Indonesia Tahun 2007 memuat 100 kabupaten yang termasuk kategori rentan rawan pangan. Pemetaan ini menggunakan variabel dari tiga aspek ketahanan pangan yaitu: ketersediaan, akses, dan penyerapan pangan. Namun potensi daerah kurang terwakili sehingga kurang mampu memberikan solusi yang tepat pada kondisi daerah setempat. Lebih jauh lagi, pemetaan ini belum mampu memberikan keterangan besarnya pengaruh
setiap
menggunakan
variabel
MARS
terhadap
ketahanan
( Multivariate
Adaptive
pangan
daerah.
Regression
Analisis
Spline ) dengan
kombinasi fungsi basis 68, interaksi 2, dan minimum observasi antara knot sebanyak satu, menghasilkan 14 determinan ketahanan pangan dari 17 variabel yang digunakan. Variabel yang menjadi determinan utama adalah angka harapan hidup (X9) dan gizi balita (X5). Determinan selanjutnya adalah variabel-variabel yang mewakili aspek penyerapan pangan kemudian aspek akses pangan. Aspek ketersediaan (X1) hanya berperan kecil terhadap ketahanan pangan. Aspek potensi daerah yang berkontribusi adalah keberadaan pasar hasil pertanian (X 17), desa mendapat bantuan kemiskinan (X 13), keberadaan fasilitas pendidikan dan kesehatan (X11 dan X12), serta persentase desa pertanian (X 10).
Kata Kunci: Ketahanan Pangan, Peta Kerawanan Pangan Indonesia, Potensi Daerah, MARS.
ii
DAFTAR ISI
PRAKATA ...................................................................................................
i
ABSTRAK ...................................................................................................
ii
DAFTAR ISI...................................................................................................
iii
DAFTAR TABEL ........................................................................................
v
DAFTAR GAMBAR ....................................................................................
vi
DAFTAR LAMPIRAN ................................................................................
vii
BAB I
PENDAHULUAN ........................................................................
1
1.1 Latar Belakang Masalah .........................................................
1
1.2 Identifikasi dan Batasan Masalah ...........................................
4
1.3 Tujuan Penelitian ...................................................................
6
1.4 Manfaat Penelitian .................................................................
7
1.5 Sistematika Penulisan.............................................................
7
LANDASAN TEORI ....................................................................
9
2.1 Tinjauan Pustaka .....................................................................
9
2.2 Kajian Teori ............................................................................
17
2.3 Kerangka Penelitian ................................................................
20
2.4 Definisi Operasional Variabel .................................................
22
2.5 Hipotesis Penelitian.................................................................
24
BAB III METODOLOGI............................................................................
25
3.1 Sumber Data ..........................................................................
25
3.2 Metode Analisis ......................................................................
26
BAB IV HASIL DAN PEMBAHASAN ....................................................
39
BAB II
4.1 Gambaran Umum Kelompok Kabupaten Rawan Pangan dan Tidak Rawan Pangan ..........................................
iii
39
4.2 Determinan Ketahanan Pangan Kabupaten dengan Pendekatan MARS ....................................................
50
4.3 Interpretasi Koefisien Basis Fungsi pada Model MARS… .....
57
KESIMPULAN DAN SARAN .....................................................
66
5.1 Kesimpulan .............................................................................
66
5.2 Saran.......................................................................................
67
DAFTAR PUSTAKA……. ..........................................................................
69
LAMPIRAN… .............................................................................................
72
RIWAYAT HIDUP…...................................................................................
93
BAB V
iv
DAFTAR TABEL
No. Tabel
Judul Tabel
Halaman
1
Pengelompokkan Prioritas Kabupaten Menurut Indeks............................. 27
2
Statistik Deskriptif Aspek Ketersediaan Pangan dan Akses Pangan pada Kelompok Kabupaten Terindikasi Rawan Pangan Tahun 2007 ..................................................................................... 41
3
Statistik Deskriptif Aspek Penyerapan Pangan pada Kelompok Kabupaten Terindikasi Rawan Pangan Tahun 2007 ........................ 42
4
Statistik Deskriptif Indikator Outcome pada Kelompok Kabupaten Terindikasi Rawan Pangan Tahun 2007 .......................................... 43
5
Statistik Deskriptif Variabel Potensi Daerah pada Kelompok Kabupaten Terindikasi Rawan Pangan Tahun 2007 ……. ............... 44
6
Statistik Deskriptif Aspek Ketersediaan Pangan dan Akses Pangan pada Kelompok Kabupaten Tidak Terindikasi Rawan Pangan Tahun 2007......................................................................... 45
7
Statistik Deskriptif Aspek Penyerapan Pangan pada Kelompok Kabupaten Tidak Terindikasi Rawan Pangan Tahun 2007 ............... 46
8
Statistik Deskriptif Indikator Outcome pada Kelompok Kabupaten Tidak Terindikasi Rawan Pangan Tahun 2007 .............. 47
9
Statistik Deskriptif Variabel Potensi Daerah pada Kelompok Kabupaten Tidak Terindikasi Rawan Pangan Tahun 2007 ............... 48
10 Tingkat Kepentingan Variabel Prediktor .................................................. 51 11 Tabel Klasifikasi Model MARS……….................................................... 64
v
DAFTAR GAMBAR
No. Gambar
Judul Gambar
Halaman
1
Subsistem Ketahanan Pangan .................................................................. 10
2
Kerangka Sistem Ketahanan Pangan …. .................................................. 13
3
Kerangka Pikir ......................................................................................... 21
4
Persentase Kabupaten Rawan Pangan dan Tidak Rawan Pangan di Indonesia Menurut Pemetaan Kerawanan Pangan DKP tahun 2007 ...... 39
vi
vii
DAFTAR LAMPIRAN
No. Lampiran
Judul Lampiran
Halaman
1. Output Boxplot .....................................................................................
72
2. Plot Data Antara Variabel Prediktor dan Variabel Respon …....…......
81
3. Hasil Kombinasi Beberapa BF, MI dan MO dalam Pemilihan Model MARS ………………………………………..........
84
4. Output MARS............................................................................. ..........
85
5. Ringkasan Model dan Dekomposisi ANOVA ....................................
92
viii
BAB I PENDAHULUAN
1.1
Latar Belakang Masalah
Masalah pangan merupakan hal yang sangat fundamental dalam kehidupan manusia. Millenium Development Goals (MDGs) mencanangkan dalam sasaran pertamanya untuk mengentaskan kemiskinan dan kelaparan pada tahun 2015 sampai separuh dari kondisi 1990. Dua dari lima indikator penjabaran tujuan pertama MDGs adalah: (1) berkurangnya prevalensi kurang gizi pada anak BALITA (indikator keempat), dan (2) berkurangnya jumlah penduduk defisit energi atau kelaparan (indikator kelima). Hal itu mengandung makna bahwa ketahanan pangan merupakan simpul strategis pencapaian sasaran MDGs. Menurut FAO (2003), ketahanan pangan lebih banyak ditentukan oleh kondisi sosial ekonomi daripada iklim pertanian, dan pada akses terhadap pangan ketimbang produksi atau ketersediaan pangan. Ketahanan pangan sendiri didefinisikan sebagai akses setiap rumah tangga atau individu untuk dapat memperoleh pangan pada setiap waktu untuk keperluan hidup yang sehat dengan persyaratan penerimaan pangan sesuai dengan nilai atau budaya setempat ( World Food Summit , 1996). Di Indonesia, bidang ketahanan pangan ini dimandatkan
kepada Dewan Ketahanan Pangan (DKP) yang dibentuk pada tahun 2001 dan diketuai langsung oleh presiden dengan penanggungjawab hariannya Menteri Pertanian. Sesuai dengan konsep FAO tentang ketahanan pangan, lembaga ini bertugas untuk merumuskan kebijakan di bidang ketahanan pangan nasional
meliputi aspek produksi, distribusi, cadangan pangan, pengendalian mutu dan gizi. DKP dan World Food Programme (WFP) melakukan pemetaan wilayah rawan pangan dan gizi kronis sampai level kabupaten dengan menggunakan 10 indikator yang dikemukakan FAO. Hasil pemetaan terdapat 100 kabupaten di Indonesia yang tergolong (terindikasi) rawan pangan dan gizi kronis. Tujuan penyusunan peta tersebut adalah sebagai salah satu alat bagi pemerintah daerah dalam mengembangkan strategi mitigasi yang tepat untuk menangani kerawanan pangan dan gizi kronis. Kerawanan
pangan
di
tingkat
nasional
dapat
disebabkan
karena
ketidakmampuan memproduksi cukup pangan serelia dan ketidakmampuan negara mengimpor bahan pangan.
1
Sementara untuk tingkat daerah (propinsi dan
kabupaten), kerawanan pangan dapat terjadi karena produksi yang tidak mencukupi atau tidak sampainya bahan pangan ke pelosok daerah dengan harga yang terjangkau. Pada tingkat rumah tangga, kerawanan pangan biasanya disebabkan oleh lokasi yang terpencil dan juga daya beli yang rendah. Peta Kerawanan Pangan Indonesia (PKPI) hasil kerja DKP dan WFP menggunakan indikator yang sebenarnya mencerminkan ketahanan/kerawanan rumah tangga namun hanya tersedia sampai level kabupaten. Peta dari indikator komposit tersebut hanya mengindikasikan status ketahanan pangan
di suatu kabupaten,
tidak mencapai tingkat di bawahnya.
1
Ketahanan pangan berbeda dengan swasembada pangan. Swasembada pangan lebih mengacu pada kemandirian domestik dalam memproduksi bahan pangan untuk penduduknya. Suatu negara bisa jadi mencapai swasembada tetapi tidak mencapai ketahanan pangan, demikian juga sebaliknya.
2
Ketahanan pangan mencakup empat dimensi yaitu (i) ketersediaan (food availability ), (ii) jangkauan/akses ( access to sufficient food ), (iii) stabilitas, dan
(iv) pemanfaatan ( utilization of food ). Menurut ASEAN Food Security Information and Training Center (2009), untuk mencapai ketahanan pangan yang
mantap diperlukan rasio cadangan pangan terhadap kebutuhan domestic ( food security ratio ) setidaknya 20 persen. Food security ratio Indonesia baru mencapai
4,38 persen. Dimensi akses pangan tercermin pada tingkat daya beli karena sebagian besar rumah tangga memperoleh bahan konsumsi pangan dari membeli di pasar. Dimensi akses juga dapat ditunjukkan dengan ketersediaan infrastruktur yang mendukung seperti ketersediaan jalan, listrik, dan air bersih. Dimensi stabilitas mengacu pada ketergantungan yang sangat tinggi pada komoditi beras di samping rendahnya aspek produktivitas dan sistem distribusi. Usaha-usaha untuk diversifikasi bahan pangan selama ini justru berorientasi pada komoditi yang berasal dari impor yakni gandum. Tambunan (2008) menyebutkan bahwa dari 100 kabupaten yang terindikasi rawan pangan dari PKPI terdapat beberapa daerah surplus pangan. Ternyata salah satu indikator yang digunakan adalah tingkat pendidikan masyarakat yang rendah sehingga tidak dapat memanfaatkan pangan berbasis sumber daya lokal (SDL). Hal ini mencerminkan dimensi pemanfaatan yang masih menjadi kendala karena rendahnya tingkat pendidikan masyarakat. Klasifikasi dengan indeks komposit kurang kuat dalam menjelaskan besar peranan satu indikator terhadap status kerawanan pangan suatu kabupaten. Selain itu, faktor ketersediaan pangan lokal dan potensi wilayah belum diikutsertakan. Dengan alasan inilah penulis tertarik untuk mengaji dan menganalisis indikator
3
kerawanan pangan di kabupaten dengan menambahkan variabel lain yang diduga menjadi faktor penyebab terjadinya kerawanan pangan.
1.2
Identifikasi dan Batasan Masalah
Penelitian dari Departemen Pertanian mengklasifikasikan 100 daerah rawan
pangan
menggunakan
9
variabel/indikator
yang
diberikan
FAO
menghasilkan Peta Kerawanan Pangan Indonesia. 9 variabel/indikator yang digunakan
dengan
membangun
indeks
komposit
yang
dianggap
merepresentasikan indikator ketersediaan pangan, akses terhadap pangan serta kesehatan dan gizi yaitu : (1) rasio konsumsi normatif per kapita, (2) Proporsi penduduk di bawah garis kemiskinan, (3) proporsi rumah tangga tanpa akses listrik, (4) Desa tanpa akses ke jalan, (5) proporsi perempuan buta huruf, (6) angka harapan hidup, (7) berat badan balita di bawah standar, (8) rumah tangga tanpa akses air bersih, dan (9) proporsi rumah tangga dengan jarak > 5km ke Puskesmas. Namun setelah dikaji ulang pengelompokan 100 kabupaten ini dengan metode kuintil, ternyata 9 indikator ini tidak dapat menunjukkan status rawan pangan yang mutlak ( absolute ) untuk setiap kabupaten. 2 Sebagai contoh, berdasarkan indeks komposit, Kabupaten Jaya Wijaya berada dalam kelompok terparah. Indikator tunggal yang menyebabkannya adalah indikator penduduk miskin, wanita buta huruf, akses penduduk terhadap listrik, akses jalan yang memadai dan akses penduduk terhadap air bersih. Di sisi lain, indikator berat 2
Penelitian dilakukan oleh Mewa Ariani et.al dengan mengambil 5 kabupaten sampel (Jaya wijaya, Sambas, Landak, Bondowoso dan Sampang) dari 100 kabupaten terindikasi rawan pangan yang mewakili beberapa kondisi. Kemudian ditambahkan beberapa indikator lain yang mewakili spesifikasi wilayah.
4
balita di bawah standar menempatkan kabupaten ini berada di posisi 20 persen kabupaten terbaik. Lebih jauh lagi, penelitian tersebut menyimpulkan bahwa indikator yang digunakan DKP dan WFP masih mengandung kelemahan karena lebih mencerminkan kemiskinan. Beberapa indikator yang digunakan juga lebih tepat jika dikatakan sebagai indikator akibat bukan mencerminkan indikator kausal (penyebab). Indikator penyebab seharusnya juga dipertimbangkan sehingga rekomendasi kebijakan yang diberikan dapat lebih spesifik dan tepat sasaran. Indikator yang digunakan seharusnya mencerminkan potensi wilayah secara komprehensif sehingga perlu fleksibilitas pengukuran indikator yang sesuai dengan potensi wilayahnya. Di sisi lain, indikator yang tepat menggambarkan kondisi rawan pangan ini sangat diperlukan oleh pemerintah daerah setempat untuk menurunkan langkah-langkah yang dibutuhkan dalam penanggulangan rawan pangan ini. Selain itu, pemda setempat juga perlu menyusun skala prioritas yang harus dilaksanakan. Penelitian ini dibatasi pada indikator yang mencerminkan akses, penyerapan pangan, dan potensi wilayah yang diduga mempengaruhi sebuah kabupaten terindikasi mengalami rawan pangan atau tidak. Identifikasi terakhir yang dilakukan oleh Kementerian Pertanian adalah pada tahun 2009 dengan data tahun 2007 sehingga hasil itu yang digunakan sebagai dasar pengelompokkan kabupaten rawan pangan dan t idak rawan pangan. Selain itu, penentuan kelompok daerah rawan pangan dengan indikator indeks komposit lemah dalam menjelaskan berapa besar pengaruh satu indikator dalam menentukan stat us kerawanan pangan suatu kabupaten.
5
Dari uraian di atas, dapat dirumuskan permasalahan yang akan diteliti dalam penelitian ini. 1. Bagaimana gambaran umum kelompok kabupaten menurut indikator ketersediaan, akses pangan, penyerapan pangan, dan potensi wilayah? 2. Apakah indikator yang digunakan oleh DKP sudah tepat dalam menentukan status ketahanan pangan tingkat kabupaten? 3. Bagaimana peranan setiap indikator yang digunakan oleh DKP terhadap status ketahanan pangan kabupaten? 4. Bagaimana pengaruh aspek potensi daerah terhadap status ketahanan pangan tingkat kabupaten?
1.3
Tujuan Penelitian
Adapun tujuan yang ingin dicapai dalam penelitian ini adalah: 1. Mengetahui gambaran umum kelompok kabupaten menurut indikator ketersediaan, akses pangan, penyerapan pangan, dan potensi wilayah tiap kabupaten 2. Melakukan klarifikasi terhadap indikator yang digunakan oleh DKP dan mengetahui peranannya terhadap status ketahanan pangan suatu kabupaten 3. Mengetahui peranan aspek potensi daerah terhadap status ketahanan pangan tingkat kabupaten
6
1.4
Manfaat Penelitian
Dari tujuan penelitian di atas, diharapkan penelitian ini dapat memberi manfaat sebagai berikut: 1. Menyusun indikator-indikator yang berperan dalam penentuan status ketahanan pangan suatu kabupaten berdasarkan tingkat kepentingannya 2. Memberikan masukan-masukan bagi pemerintah daerah dalam menyusun prioritas langkah-langkah penanggulangan kerawanan pangan yang sesuai dengan kebutuhan kabupaten 3. Memperkaya khasanah ilmu pengetahuan dalam pemanfaatan metode statistik untuk penyelesaian masalah
1.5
Sistematika Penulisan
Untuk mempermudah pembahasan alur penelitian, secara umum penulisan penelitian ini akan disusun dalam lima bab dengan rincian sebagai berikut: BAB I
PENDAHULUAN Berisi tentang latar belakang masalah, identifikasi dan batasan masalah, perumusan masalah, tujuan penelitian, manfaat penelitian dan sistematika penulisan
BAB II
LANDASAN TEORI Berisi uraian tentang kajian teori, tinjauan pustaka, dan kerangka pikir
7
BAB III
METODOLOGI Berisi uraian tentang sumber data dan alat analisis yang digunakan dalam penelitian ini
BAB IV
HASIL DAN PEMBAHASAN Berisi uraian tentang hasil penelitian dengan menggunakan metode analisis yang telah diuraikan pada bab sebelumnya
BAB V
KESIMPULAN DAN SARAN Berisi kesimpulan dan saran dari hasil penelitian yang telah dilakukan
8
BAB II LANDASAN TEORI
2.1
Tinjauan Pustaka
Pengertian Ketahanan Pangan
Definisi dan paradigma tentang ketahanan pangan terus mengalami perkembangan sejak Conference of Food and Agriculture tahun 1943 yang mencanangkan konsep “ secure, adequate and suitable supply of food for everyone”. Beberapa definisi ketahanan pangan yang sering diacu:
a.
Undang-Undang Pangan No.7
Tahun 1996:
kondisi terpenuhinya
kebutuhan pangan bagi rumah tangga yang tercermin dari tersedianya pangan secara cukup, baik dari jumlah maupun mutunya, aman, merata dan terjangkau. b.
USAID (1992): kondisi ketika semua orang pada setiap saat mempunyai akses secara fisik dan ekonomi untuk memperoleh kebutuhan konsumsinya untuk hidup sehat dan produktif.
c.
FAO (1997) : situasi dimana semua rumah tangga mempunyai akses baik fisik maupun ekonomi untuk memperoleh pangan bagi seluruh anggota keluarganya, dimana rumah tangga tidak beresiko mengalami kehilangan kedua akses tersebut. Berdasarkan definisi tersebut dapat ditarik kesimpulan bahwa ketahanan
pangan memiliki 5 unsur yang harus dipenuhi : (1) Berorientasi pada rumah tangga dan individu, (2) Dimensi waktu setiap saat pangan tersedia dan dapat
diakses, (3) Menekankan pada akses pangan rumah tangga dan individu, baik fisik, ekonomi, dan sosial, (4) Berorientasi pada pemenuhan gizi, dan (5) Ditujukan untuk hidup sehat dan produktif.
Subsistem Ketahanan Pangan
Menurut Hanani (2009), subsistem ketahanan pangan terdiri dari tiga subsistem utama yaitu ketersediaan, akses, dan penyerapan pangan, sedangkan status gizi merupakan outcome dari ketahanan pangan. Ketersediaan, akses, dan penyerapan pangan merupakan subsistem yang harus dipenuhi secara utuh. Salah satu subsistem tersebut tidak dipenuhi maka suatu negara belum dapat dikatakan mempunyai ketahanan pangan yang baik. Walaupun pangan tersedia cukup di tingkat nasional dan regional, tetapi jika akses individu untuk memenuhi kebutuhan pangannya tidak merata, maka ketahanan pangan masih dikatakan rapuh. Ketersediaan Pangan (Food Availability)
Akses Pangan (Food Access) Stabilitas (Stability) Penyerapan Pangan (Food Utilization)
Status Gizi ( Nutritional Status)
Gambar 1. Subsistem Ketahanan Pangan
10
Subsistem ketersediaan ( food availability) :
yaitu ketersediaan pangan
yang berfungsi menjamin pasokan pangan untuk memenuhi kebutuhan seluruh penduduk dalam jumlah yang cukup aman dan bergizi. Ketersediaan
pangan
dapat dipenuhi dari tiga sumber yaitu: (1) produksi dalam negeri, (2) impor pangan, dan (3) pengelolaan cadangan pangan. Impor pangan merupakan pilihan terakhir apabila terjadi kelangkaan pada produksi dalam negeri. Hal ini penting untuk menghindarkan bangsa ini dari ketergantungan pangan luar negeri yang dapat berdampak pada kerentanan terhadap campur tangan asing secara ekonomi dan politik. Selain itu, kebijakan impor pangan juga harus melindungi kepentingan produsen pangan dalam negeri yang didominasi petani skala kecil dan buruh tani. Cadangan pangan merupakan salah satu sumber pasokan untuk mengisi kesenjangan antara produksi dan kebutuhan pangan domestik atau daerah. Akses pangan ( food access) : yaitu kemampuan semua rumah tangga dan individu dengan sumber daya yang dimilikinya untuk memperoleh pangan yang cukup untuk kebutuhan gizinya yang dapat diperoleh produksi pangannya sendiri,
pembelian ataupun
melalui
dari
bantuan pangan.
Akses pangan merupakan wujud dari sistem ditribusi yang efektif dan efisien. Akses rumah tangga dan individu terdiri dari akses ekonomi, fisik dan sosial. Akses ekonomi tergantung pada pendapatan, kesempatan kerja dan harga. Akses fisik menyangkut tingkat isolasi daerah
(sarana
dan
prasarana
distribusi),
sedangkan akses sosial menyangkut tentang preferensi pangan. Bervariasinya kemampuan produksi pangan tiap daerah menuntut kecermatan dalam pengelolaan sistem distribusi agar pangan tersedia sepanjang waktu di seluruh daerah. Kinerja distribusi ini dipengruhi oleh kondisi sarana
11
prasarana, kelembagaan dan peraturan perundang-undangan. Penyediaan sarana dan prasarana distribusi pangan ini merupakan bagian dari fungsi fasilitasi pemerintah. Lembaga pemasaran berperan untuk menjaga kestabilan distribusi dan harga pangan. Lembaga ini menggerakkan aliran produk pangan dari sentra -sentra produksi ke seluruh daerah sampai wilayah administrasi terkecil, desa, sehingga tercapai keseimbangan antara pasokan dan kebutuhan. Stabilitas pasokan dan harga merupakan indikator penting yang menunjukkan kinerja subsistem distribusi. Harga yang terlalu berfluktuasi dapat merugikan petani produsen, pengolah, pedagang hingga konsumen, berfungsi menimbulkan keresahan sosial. Oleh sebab itu hampir semua negara melakukan intervensi kebijakan untuk menjaga stabilitas harga pangan pokok yang memengaruhi kehidupan sebagian besar masyarakat. Penyerapan pangan ( food utilization) yaitu penggunaan pangan untuk kebutuhan hidup sehat yang meliputi kebutuhan energi dan gizi, air dan kesehatan lingkungan. Efektifitas dari penyerapan pangan tergantung pada pengetahuan rumahtangga/individu, sanitasi dan ketersediaan air, fasilitas dan layanan kesehatan, serta
penyuluhan gisi dan pemeliharaan balita. (Riely et.al , 1999
dalam Hanani 2009). Berkaitan dengan pola konsumsi masyarakat di tingkat rumah tangga, maka penanaman kesadaran pola konsumsi yang sehat perlu dilakukan sejak dini melalu pendidikan dan non-formal. Dengan kesadaran gizi yang baik, masyarakat dapat menentukan pilihan pangan sesuai kemampuannya dengan tetap memperhatikan kuantitas, kualitas, keragaman dan keseimbangan gizi. Kesadaran
12
yang baik ini lebih menjamin terpenuhinya kebutuhan gizi masing-masing anggpta keluarga sesuai dengan tingkatan usia dan aktivitasnya. Stabilitas
(stability )
merupakan
dimensi
waktu
dari
ketahanan
pangan yang terbagi dalam kerawanan pangan kronis ( chronic food insecurity ) dan kerawanan pangan sementara ( transitory food insecurity ). Kerawanan pangan kronis adalah ketidak mampuan untuk memperoleh kebutuhan pangan
setiap
saat. Status gizi ( Nutritional status) adalah outcome ketahanan pangan yang merupakan cerminan dari kualitas hidup seseorang. Umumnya
satus gizi ini
diukur dengan angka harapan hidup, tingkat gizi balita dan kematian bayi. Muara dari tercapainya ketahanan pangan yang diharapkan adalah terciptanya sumber daya manusia yang berkualitas yang mendukung ketahanan nasional. Hubungan antara ketahanan pangan dengan ketahanan nasional dapat digambarkan seperti gambar berikut:
Gambar 2. Kerangka Sistem Ketahanan Pangan
13
Kebijakan Ketahanan Pangan
Salah satu upaya pemerintah untuk mewujudkan ketahanan pangan dilaksanakan melalui Peraturan Pemerintah (PP) No. 68 tahun 2002 tentang ketahanan pangan. Operasionalisasi pelaksanaan PP No.68 tahun 2002 tersebut pada hakekatnya adalah pemberdayaan masyarakat yang berarti meningkatkan kemandirian dan partisipasi aktif masyarakat dalam mewujudkan ketahanan pangan memanfaatkan kelembagaan yang telah ada sampai tingkat pedesaan. Menurut Nainggolan, perwujudan ketahanan pangan nasional dimulai dari pemenuhan pangan di wiliayah terkecil yaitu perdesaan sebagai basis pertanian. Basis pembangunan perdesaan bertujuan untuk mewujudkan ketahanan pangan dalam suatu wilayah yang mempunyai keterpaduan sarana dan prasarana dari aspek ketersediaan, distribusi/akses, dan penyerapan pangan. Desa merupakan salah satu entry point untuk masuknya berbagai program yang mendukung terwujudnya ketahanan pangan di tingkat rumah tangga, yang secara kumulatif akan mendukung terwujudnya ketahanan pangan di tingkat kabupaten/kota, provinsi dan nasional. Masih menurut Nainggolan, ada sepuluh alasan pokok pentingnya melakukan pengembangan perdesaan, yaitu: a)
masih adanya masyarakat yang memiliki kemampuan rendah dalam mengakses pangan
b)
masih adanya kemiskinan struktural
c)
masih minimnya sarana dan prasarana (pengairan, jalan desa, sarana usaha tani, listrik, dan pasar) yang dimiliki
14
d)
masih terbatasnya pengetahuan tentang pangan beragam, bergizi dan berimbang
e)
belum optimalnya fungsi kelembagaan aparat dan masyarakat/kelompok tani
f)
masih terbatasnya akses masyarakat terhadap akses permodalan
g)
masih rendahnya akses masyarakat desa terhadap lembaga pemasaran
h)
masih terbatasnya akses masyarakat terhadap informasi dan teknologi
i)
rendahnya tingkat pendidikan masyarakat, dan
j)
terbatasnya lapangan kerja di perdesaan
Perencanaan dan program pembangunan akan dapat diimplementasikan secara tepat bila didukung oleh ketersediaan data statistik wilayah keci yang relevan. Dengan demikian kebijakan bersifat spesifik lokal yang sesuai dengan kondisi masyarakat setempat dapat dilaksanakan oleh pemerintah di level daerah tersebut misalnya kabupaten/kota, kecamatan atau desa. Statistik Potensi Desa (Podes) 2008 yang dipublikasikan oleh Badan Pusat Statistik merupakan salah satu persiapan pendukung pelaksanaan Sensus Penduduk 2010. Berbeda dengan Podes sebelumnya, Podes 2008 mengumpulkan informasi kependudukan dan perumahan sebagai informasi pendukung yang mungkin dibutuhkan bagi kegiatan SP2010. Statistik Podes 2008 menyediakan informasi yang dapat digunakan untuk memantau dan mengevaluasi kegiatan pembangunan di tingkat desa. Podes juga menyediakan informasi spasial untuk melengkapi informasi kewilayahan, penduduk dan karakteristiknya. Publikasi Podes diharapkan mampu mengarahkan penelitian lebih jauh terkait pembangunan daerah di Indonesia (BPS, 2008).
15
Multivariate Adaptive Regression Spline (MARS)
Metode statistik yang digunakan untuk memperlihatkan hubungan dan pengaruh variabel prediktor terhadap variable respon adalah analisis regresi. Misalnya Y adalah variabel respon dan X adalah variabel prediktor, untuk n buah pengamatan, secara umum antara y i dengan xi dihubungkan dengan model regresi berikut:
= + , = 1,2, 1,2,3 3…, dengan ε adalah residual random dan f(xi) merupakan kurva regresi. Jika Jika kurva regresi merupakan model model parametrik parametr ik maka disebut sebagai regresi regres i parametrik paramet rik dan apabila model yang diasumsikan ini benar, maka pendugaan parametrik sangat efisien, tetapi jika tidak, menyebabkan interpretasi data yang menyesatkan (Hardle dalam Ratnaningrum, 2009). Dalam analisis regresi multivariate parametrik, diasumsikan bahwa tidak terjadi multikolinearitas di antara variable-variabel prediktornya. Jika asumsi ini terlanggar, maka harus dilakukan perlakuan khusus pada data (transformasi, penghilangan satu atau beberapa variabel, atau penambahan data). Padahal dengan perlakuan tadi dapat mempersulit interpretasi hasil regresi atau tidak sesuai dengan tujuan penelitian. Sementara dalam banyak kasus menghendaki adanya pengaruh bersama dua atau lebih variabel terhadap respon (pengaruh interaksi). Dalam metode MARS, pengaruh interaksi dua atau lebih variabel bebas terhadap variabel respon dapat terakomodir (interaksi banyak variabel akan menghasilkan model yang kompleks sehingga yang sering dipakai adalah interaksi sampai sebanyak tiga variabel). Menurut Munoz dan Felicimo (2004) dalam Jalaludin (2009), selain dapat mengakomodasi multikolinearitas dalam model,
16
MARS juga baik digunakan ketika variabel prediktor yang digunakan berjumlah banyak dan data yang digunakan bersifat tidak linear. MARS merupakan pendekatan untuk regresi nonparametrik multivariate yang dikembangkan oleh Friedman (1991). Metode ini merupakan pengembangan dari pendekatan Recursive Partitioning Regression (RPR) yang masih memiliki kelemahan dimana model yang dihasilkan tidak kontinu pada knot.
2.2
Kajian Teori
Konsep ketahanan pangan tidak hanya menyangkut soal produksi, distribusi, dan penyediaan pangan ditingkat makro (nasional dan regional), tetapi juga menyangkut aspek mikro, yaitu akses pangan di tingkat rumah tangga dan individu serta status gizi anggota rumah tangga. Meskipun secara konseptual pengertian ketahanan pangan meliputi aspek mikro, namun dalam pelaksanaan sehari-hari masih sering ditekankan pada aspek makro yaitu ketersediaan pangan. Konsep ketahanan pangan yang luas bertolak pada tujuan akhir dari ketahanan pangan yaitu tingkat kesejahteraan manusia. Oleh karena itu, sasaran pertama MGDs bukanlah tercapainya produksi
atau penyediaan pangan, tetapi
menurunkan
sebagai
kemiskinan
dan
kelaparan
indikator
kesejahteraan
masyarakat. MDGs menggunakan pendekatan dampak bukan masukan (Hanani, 2008). Karena ketahanan pangan merupakan sesuatu yang kompleks, konsep multidimensi, pengukuran kerawanan pangan telah menjadi tantangan bagi para peneliti dan praktisi. Sampai saat ini, sebagian besar ukuran akses pangan seperti income dan kecukupan kalori sulit secara teknis, data-intensive dan biaya besar
dalam pengumpulannya (Coates et.al, 2007).
17
Peta Kerawanan Pangan atau Food Insecurity Atlas (FIA) yang disusun DKP dan WFP (2009) menggunakan 10 indikator yang dikelompokkan dalam empat aspek yaitu: a.
Aspek Ketersediaan Pangan: (1) Konsumsi normatif per kapita terhadap rasio ketersediaan bersih padi, jagung, ubi kayu dan ubi jalar.
b.
Aspek Akses Pangan dan Mata Pencaharian: (2) Persentase penduduk hidup dibawah GK, (3) persentase desa yang tidak memiliki akses penghubung memadai, (4) persentase penduduk tanpa akses listrik
c.
Aspek Kesehatan dan Gizi: (5) Angka Harapan hidup saat kelahiran, (6) Berat badan balita di bawah standar, (7) Perempuan Buta Huruf, (8) Angka kematian bayi, (9) Penduduk tanpa akses air bersih, dan (10) Persentase penduduk tinggal lebih dari 5 km dari Puskesmas
d.
Aspek Kerentanan Pangan: (11) Persentase daerah berhutan, (12) persentasi daerah puso, (13) Daerah rawan longsor dan banjir, dan (14) Penyimpangan curah hujan.
Mewa et al. (2006) mengatakan bahwa indikator yang digunakan pada FIA tidak menunjukkan persebaran yang khas sehingga penggunaannya perlu disertai penjelasan yang memadai agar program yang ditetapkan lebih terfokus berdasarkan
skala
prioritas.
Selain
itu,
ia
juga
mengatakan
perlunya
penyempurnaan dalam hal perhitungan ketersediaan pangan normatif, fleksibilitas pengukuran dari masing-masing indikator yang disesuaikan dengan karakteristik kabupaten. Apabila masih mempertahankan seluruh indikator yang telah ditetapkan, maka akan lebih fair apabila setiap indicator diberi rating (bobot)
18
sehingga bias dalam penetapan prioritas dan target program penanggulangan rawan pangan dan gizi kronis dapat dihindari atau diminimumkan. Rauf dan Lestari (2009) mengaji potensi pemanfaatan pangan lokal di Papua. Kondisi agroekosistem Papua sangat mendukung komoditas pangan lokal untuk menjadi alternatif pangan utama bagi masyarakat Papua yang masih sangat terbatas akses terhadap berbagai fasilitas dan infrastruktur. Disimpulkan juga bahwa
pemanfaatan
pangan
lokal
sangat
berpotensi
untuk
mengurangi
ketergantungan terhadap bantuan beras. Untuk itu, diperlukan perbaikan infrastuktur transportasi, perbaikan pengolahan pascapanen serta industri rumah tangga pengolahan makanan lokal yang dibarengi dengan pelatihan keterampilan dan permodalan dalam rangka pemberdayaan masyarakat. Foods and Nutrition Technical Assistance (FANTA) mengukur kerawanan
pangan dengan menggunakan beberapa indikator yang diusahakan dapat digunakan lintas budaya. Indikator yang digunakan lebih mencerminkan aspek penyerapan pangan dan status gizi yang dihasilkan seperti kuantitas pangan (untuk dewasa dan anak-anak), kualitas gizi dan nutrisi, serta konsekuensi dari kekurangan pangan yang dialami oleh orang dewasa maupun anak-anak. Penelitian ini juga memperhatikan kekhawatiran akan ketidakpastian dari suplai pangan. Shumiye (2007) meneliti faktor-faktor yang memengaruhi kerawanan pangan pada level rumah tangga pertanian di Amhara Region, Ethiopia. Penentuan kerawanan pangan rumah tangga menggunakan pemenuhan kebutuhan kalori harian. Hasil regresi logistik menyimpulkan bahwa faktor-faktor yang memengaruhi kerawanan pangan pada level rumah tangga adalah keikutsertaan
19
pada kegiatan nonpertanian, jumlah anggota rumah tangga, produksi atau penghasilan
tahunan,
luas
lahan,
ketergantungan
pada
bantuan
pangan,
kepemilikan aset, dan keamanan lahan.
2.3
Kerangka Pikir
Peta Kerawanan Pangan Indonesia yang disusun DKP menggunakan 9 variabel dari tiga aspek ketahanan pangan; ketersediaan, penyerapan, dan akses pangan. Status kabupaten dalam pemetaan ini diperoleh dari penghitungan indeks komposit variabel-variabel tersebut. Namun indeks komposit ini kurang mampu menjelaskan pengaruh setiap variabel terhadap ketahanan pangan. Output yang diberikan hanya status ketahanan pangan kabupaten tanpa menjelaskan besar pengaruh masing-masing variabel terhadap ketahanan pangan itu sendiri. Di lain sisi, aspek potensi daerah yang secara langsung maupun tidak langsung turut mempengaruhi aspek ketahanan pangan tersebut, masih kurang terwakili dalam penghitungan ini. Aspek potensi daerah juga dapat memberikan masukan yang lebih nyata untuk langkah-langkah penanggulangan kerawanan pangan yang berbasis perdesaan sebagaimana dinyatakan oleh Nainggolan. Pendekatan MARS yang tidak memerlukan asumsi tertentu tentang bentuk hubungan fungsional atau pola hubungan tertentu antara variabel prediktor dan respon sangat fleksibel dalam aplikasinya. Dengan demikian, penggunaan variabel dari aspek potensi daerah yang belum ada ketentuan tentang hubungannya terhadap ketahanan pangan dapat dilakukan. Penambahan variabel ini tetap dapat dilakukan bersama-sama dengan variabel terdahulu dengan mempertahankan
20
status yang sudah diberikan sehingga tujuan klarifikasi indikator tetap dapat tercapai. Untuk lebih jelasnya, Gambar 3 menjelaskan kerangka pikir dalam penelitian ini.
Gambar 3. Kerangka Pikir
21
2.4
X1
Definisi Operasional Variabel
: Ketersediaan pangan serelia per kapita. Rasio antara produksi bahan pangan serelia (beras, jagung, ubi kayu, ubi jalar) dengan jumlah penduduk
X2
:
Persentase penduduk miskin. Rasio penduduk di bawah garis kemiskinan terhadap jumlah penduduk
X3
:
Persentase rumah tangga tanpa akses listrik. Rasio rumah tangga yang tidak mempunyai listrik atau listrik tanpa meteran di rumahnya terhadap jumlah rumah tangga
X4
: Persentase desa tanpa akses jalan. Rasio desa yang memiliki jalan yang memadai untuk kendaraan roda 4 terhadap jumlah desa.
X5
: Persentase balita bergizi kurang baik dan bergizi buruk.
X6
: Persentase wanita buta huruf
X7
: Persentase rumah tangga tanpa akses air bersih
X8
: Persentase rumah tangga yang berjarak lebih dari 5km terhadap puskesmas
X9
: Angka harapan hidup
X10
: Persentase desa pertanian. Rasio desa yang penduduknya mayoritas bekerja di sektor pertanian terhadap jumlah desa dalam kabupaten
X11
: Persentase desa menurut keberadaan infrastruktur pendidikan 9 tahun. Rasio desa yang mempunyai sekolah sampai tingkat SMP terhadap jumlah desa dalam kabupaten
22
X12
: Persentase desa menurut keberadaan fasilitas kesehatan. Rasio desa yang mempunyai fasilitas puskesmas pembantu terhadap jumlah desa dalam kabupaten
X13
: Persentase desa menurut penerimaan bantuan pengentasan kemiskinan. Rasio desa yang mendapatkan bantuan dari pihak luar desa (pemerintah atau pihak lain) untuk pengentasan kemiskinan terhadap jumlah desa dalam kabupaten.
X14
: Persentase desa menurut keberadaan IKKR makanan. Rasio desa menurut keberadaan industri kecil dan rumah tangga pengolahan makanan terhadap jumlah desa dalam kabupaten.
X15
:
Persentase
desa
menurut
keberadaan
program
peningkatan
keterampilan. Rasio desa yang mendapat program pelatihan untuk peningkatan keterampilan masyarakat terhadap jumlah desa dalam kabupaten. X16
: Persentase desa menurut penerimaan bantuan bidang pertanian. Rasio desa yang mendapat bantuan bidang pertanian seperti pupuk, benih dan alat-alat pertanian terhadap jumlah desa dalam kabupaten.
X17
: Persentase desa menurut keberadaan pasar hasil pertanian. Rasio desa yang memiliki pasar hasil pertanian terhadap jumlah desa dalam kabupaten
23
2.5
Hipotesis Penelitian
Hipotesis yang dapat disusun dalam penelitian ini adalah: 1.
Variabel dari aspek ketersediaan pangan diduga menjadi penentu status ketahanan pangan kabupaten
2.
Variabel dari aspek akses pangan diduga memengaruhi tingkat ketahanan pangan kabupaten
3.
Variabel dari aspek penyerapan pangan diduga memengaruhi tingkat ketahanan pangan kabupaten
4.
Variabel dari potensi daerah diduga memengaruhi tingkat ketahanan pangan kabupaten
24
BAB III METODOLOGI
3.1
Sumber Data
Data yang digunakan dalam penelitian ini adalah data sekunder berasal dari beberapa publikasi yang dikeluarkan oleh Kementerian Pertanian dan BPS. Data tersebut dapat dirinci sebagai berikut: 1.
Data kelompok kabupaten yang terindikasi rawan pangan dan tidak rawan pangan di Indonesia berasal dari Peta Kerawanan Pangan Indonesia Tahun 2009 diterbitkan oleh Kementerian Pertanian
2.
Data ketersediaan pangan serelia per kapita, persentase rumah tangga tanpa listrik, persentase desa tanpa akses jalan, persentase rumah tangga tanpa akses air bersih, persentase balita berstatus gizi buruk dan kurang baik, serta persentase wanita buta huruf tahun 2007 didapat dari Kementerian Pertanian.
3.
Data proporsi penduduk miskin berasal dari publikasi Data dan Informasi Kemiskinan 2007 (buku 2) yang dikeluarkan oleh BPS
4.
Data Angka Harapan Hidup (AHH) diperoleh dari komponen Indeks Pembangunan Manusia tahun 2007 dari BPS
5.
Data variabel dalam dimensi potensi wilayah didapat dari publikasi Potensi Desa 2008 seluruh propinsi yang dikeluarkan oleh BPS
3.2
Metode Analisis
Analisis Deskriptif
Analisis deskriptif merupakan analisis yang menggambarkan keadaan suatu hal secara umum dan bertujuan untuk mempermudah penafsiran dan penjelasan dengan menganalisis table, grafik, atau diagram. Analisis deskriptif digunakan sebagai pendukung untuk menambah dan mempertajam analisis yang dilakukan. Dalam hal ini, analisis deskriptif digunakan untuk mengetahui bagaimana gambaran umum variabel-variabel penentu daerah rawan pangan di Indonesia.
Pengelompokan Status Kabupaten
Peta Kerawanan Pangan Indonesia menggunakan indeks komposit yang merupakan gabungan dari tiga aspek/dimensi ketahanan pangan yaitu ketersediaan pangan, akses pangan dan penyerapan pangan. Masing-masing aspek diwakili oleh variabel-variabel yang memiliki bobot tersendiri dalam penghitungan indeks komposit. Penghitungan bobot masing-masing variabel menggunakan Principal Component Analysis (PCA) setelah indikator-indikator ketahanan pangan
disepakati oleh tim pengarah dan tim pelaksana. Dengan PCA, dapat dilihat kontribusi masing-masing variabel dalam menjelaskan variasi total yang ada di kabupaten. Semua indikator pada awalnya dibuat “undirectional ” – semakin besar nilainya semakin tinggi tingkat kerentanannya. PCA yang dilakukan departemen Pertanian menggunakan data yang distandarisasi dengan Z-skor. Komponen yang
26
diambil adalah komponen dengan eigenvalue lebih dari satu sehingga didapat 3 komponen yang dapat menjelaskan hampir dua pertiga variasi total. Bobot dari masing-maing variabel diabil dari Rotated Component Matrix menjadi bobot yang digunakan untuk menghitung Composit Food Security Index – Indeks Komposit Ketahanan Pangan (CFSI). Persamaan yang terbentuk adalah CFSI = 0,534*CP_ratio + 0,598*BPL + 0,746*Electricity + 0,711*Road + 0,911*Illetaracy + 0,802*life_exp + 0,783*underweight + 0,759*water + 0,604*Health Kemudian untuk mendapatkan nilai CFSI yang bernilai antara 0 sampai dengan 1, nilai CFSI dari persamaan di atas dimodifikasi dengan CFSI i = (CFSIi – CFSI min)/CFSImax. semakin besar nilai indeks ini, maka semakin tinggi tingkat kerentanan pangan kabupaten tersebut. Dalam pemetaannya, nilai indeks ini dikelompokkan dalam enam kelompok prioritas dengan kriteria sebagai berikut:
Tabel 1. Pengelompokkan Prioritas Kabupaten Menurut Indeks Indeks
Kelompok Prioritas
(1)
(2)
> 0,8 0,64 – 0,8 0,48 – 0,63 0,32 – 0,47 0,16 – 0,31 < 0,16
Sangat Rawan Rawan Agak Rawan Cukup Tahan Tahan Sangat Tahan
Sumber: DKP Kelompok prioritas agak rawan sampai sangat rawan kemudian dikategorikan sebagai terindikasi rawan pangan (kategori 1) sementara kelompok
27
cukup tahan sampai sangat tahan dikategorikan sebagai tahan pangan (kategori 0) sebagai respon biner dalam penelitian ini.
Multivariate Adaptive Regression Spline (MARS)
Regresi linear adalah salah satu pendekatan parametrik yang paling populer dalam
pemodelan data.
Dalam praktek,
pendekatan
parametrik
seringkali t idak fleksibel dalam memodelkan pola data yang tersembunyi pada data berdimensi tinggi. Multivariate Adaptive Regression Spline (MARS) adalah salah satu model regresi nonparametrik
yang tidak mengasumsikan
bentuk
respon dan prediktor, dan
hubungan fungsional antara variabel
mempunyai bentuk fungsional yang fleksibel (Otok, 2008). Model MARS ini berguna untuk mengatasi permasalahan data yang berdimensi tinggi serta untuk menghasilkan prediksi variabel respon yang akurat. Pada penyelesaian kasus-kasus berdimensi tinggi atau multivariate dapat didekati dengan pendekatan komputasi ( adaptive computation ). Dalam statistika, algoritma adaptive computation diterapkan untuk pendekatan suatu fungsi yang didasarkan pada dua paradigma, yaitu projection pursuit regression(PPR) dan recursive partitioning regression (RPR) [Friedman, 1991]. MARS menggunakan
paradigma RPR yang dikombinasikan dengan spline. RPR
merupakan
metode
nonparametrik
yang
bertujuan
untuk
mengestimasi region dan parameter yang berasosiasi pada setiap region. Kontinuitas pada batas-batas region tidak menjadi perhatian utama (Friedman, 1991). Pemilihan batas-batas region dilakukan secara otomatis dari data.
28
Kontinuitas pada batas-batas region kemudian menjadi masalah karena akan mengurangi akurasi model (Tayland dan Gerhand, 2009). Spline adalah salah satu bentuk potongan polinomial, yaitu polinomial
yang bersifat tersegmen. Model regresi spline memberikan sebuah bentuk persamaan yang merepresentasikan bentuk parametrik polinomial piecewise . Sifat tersegmen/ piecewise ini memberikan fleksibilitas yang lebih daripada polinomial biasa sehingga dapat menyesuaikan diri dengan karakteristik lokal pada suatu fungsi atau data (Otok, 2008). Ide dasar dari pemodelan parametrik piecewise (terbagi beberapa region) ini adalah suatu fungsi yang didekati oleh
beberapa fungsi parametrik (biasanya berbentuk polinomial orde rendah) yang didefinisikan pada setiap region di dalam domain. Setiap region dipisahkan oleh titik-titik knot , dan fungsi parametrik yang didefinisikan pada tiap region biasanya disebut sebagai fungsi basis. Knot merupakan akhir dari sebuah region dan awal bagi region yang lain. Pemodelan regresi spline diimplementasikan dengan membentuk kumpulan fungsi basis yang dapat mencapai pendekatan spline orde ke-q dan mengestimasi koefisien fungsi basis tersebut menggunakan least square. Di setiap titik knot , diharapkan adanya kontinuitas dari fungsi basis antar
satu region dengan region lainnya. Oleh karena itu pada umumnya fungsi basis yang dipilih adalah berbentuk polinomial dengan turunan yang kontinu pada setiap titik knot . Menurut Nash dan David (2001), ada beberapa hal yang harus diperhatikan dalam membangun model MARS, yaitu: 1. Knot . Ketika satu garis regresi tidak fit untuk suatu data yang bersifat piecewise , maka beberapa garis regresi dapat digunakan untuk menyatakan
29
pola suatu data. Nilai variabel independen ketika slope suatu garis regresi mengalami perubahan disebut dengan knot (Nash dan David, 2001). Setiap garis regresi mendefinisikan satu region sehingga knot dapat didefinisikan sebagai akhir dari satu region dan awal dari region yang lain. 2. Basis function. Yaitu kumpulan dari fungsi yang digunakan untuk mewakili informasi. Fungsi basis terdiri dari satu atau lebih variabel. Fungsi basis ini merupakan fungsi parametrik yang didefinisikan pada region. Pada umumnya fungsi basis yang dipilih berbentuk polinomial dengan derivatif yang kontinu pada setiap knot . Maksimum fungsi basis yang dibolehkan adalah sebanyak dua sampai empat kali dari banyaknya variabel prediktor yang digunakan (Anonim, 2001). Dalam penelitian ini digunakan 17 variabel prediktor sehingga maksimum basis fungsinya adalah 34, 51, atau 68. 3. Interaksi. Merupakan cross product antar variabel yang saling berkorelasi (Nash dan David, 2001). Friedman (1991) membatasi jumlah maksimum interaksi yang diperbolehkan yaitu kurang dari atau sama dengan 3. Pada penelitian ini interaksi yang digunakan dibatasi sebanyak 2 untuk menjaga keberartian interpretasi dan menghindari mendapat model yang kompleks.
Pendekatan RPR menggunakan prosedur stepwise untuk mendapatkan sejumlah fungsi basis yang meningkatkan fit model. RPR dimulai dari ekspansi pada suatu fungsi f yang tidak diketahui dengan
= =1
(1)
30
dimana bentuk fungsi basis:
Bm x =
Km k=1
∙ x − t
H skm
v k,m
(2)
km
Model yang dihasilkan dari algoritma ini tidak kontinu pada batas-batas subregion (Friedman, 1991). Perbaikan yang dilakukan MARS adalah mengganti fungsi step di atas dengan spline function sehingga menghasilkan fungsi basis yang kontinu pada knot sebagai berikut:
= ∙ − ,
=1
(3)
+
Setelah dilakukan modifikasi model RPR, maka diperoleh model MARS sebagai berikut :
= + ∙ − 0
=1
=1
,
+
(4)
di mana:
= parameter fungsi basis induk (konstanta)
0
= parameter fungsi basis ke-m (vektor koefisien) m=1,2,...M = maksimal jumlah fungsi basis
M
,
q
= derajat interaksi = nilainya ±1 = variabel prediktor = nilai knot dari variabel prediktor = derajat spline
31
Persamaan (4) di atas dapat juga dituliskan sebagai berikut:
= + + , + , , + ⋯ 0
=1
=2
=3
(5)
Persamaan diatas menunjukkan bahwa penjumlahan pertama meliputi semua fungsi basis untuk satu variabel, penjumlahan kedua meliputi semua fungsi basis untuk interaksi antara dua variabel, penjumlahan ketiga meliputi semua fungsi basis untuk interaksi ant ara tiga variabel dan seterusnya. Misalkan
= , 1
adalah himpunan dari variabel yang
dihubungkan dengan fungsi basis B ke-m, maka setiap penjumlahan pertama pada persamaan di atas dapat dinyatakan sebagai:
= ∈ =1
(6)
merupakan penjumlahan semua fungsi basis untuk satu variabel dan merupakan spline dengan derajat q = 1 yang merepresentasikan fungsi univariat. Setiap fungsi bivariat yang merupakan penjumlahan semua fungsi basis dua
dan dalam penjumlahan kedua dapat ditulis sebagai: f x , x = a B x , x i ∈ Vm
variabel
ij
i
j
K m =2
m
m
i
j
(7)
Untuk fungsi trivariat pada penjumlahan yang ketiga diperoleh dengan menjumlahkan semua fungsi basis untuk tiga variabel, yaitu sebagai berikut:
, , = , , ∈ =3
(8)
Persamaan (5) dapat dipandang sebagai versi fungsional dari analysis of variance (Chen, 1993) yang akhirnya dikenal dengan dekomposisi ANOVA dari
model MARS. Pemakaian terminologi dari ANOVA adalah untuk menyatakan
32
fungsi dari satu variabel sebagai efek utama, fungsi dari dua variabel sebagai efek dari interaksi dua faktor, dan seterusnya. Interpretasi model MARS melalui dekomposisi ANOVA adalah merepresentasikan variabel yang masuk dalam model, baik untuk satu variabel maupun interaksi antar variabel. Pada model MARS, pemilihan model menggunakan metode stepwise yang terdiri dari forward dan backward . Pemilihan pada tahap forward stepwise, untuk mendapatkan fungsi dengan jumlah fungsi basis maksimum. Untuk memenuhi konsep parsemoni (model sederhana) dilakukan pemilihan model pada tahap backward stepwise yaitu memilih fungsi basis yang dihasilkan dari forward stepwise dengan meminimumkan nilai Generalized Cross-Validation (GCV) yang
dikembangkan oleh Craven dan Wahba pada tahun 1979. 1 =1 − ( )2 2 = 2 ) 1− ( )
= 1− (
(9)
di mana:
= variabel prediktor = Variabel respon
M
= Banyaknya basis fungsi dalam model
()
=
C (M )
+ dM. nilai d menyatakan besaran smoothing parameter . Nilai
optimumnya berada dalam interval 2 C (M )
=
trace
− + 1 1
≤d≤4
adalah
banyaknya
parameter
yang
diestimasi N
= Banyaknya observasi
33
A. Spesifikasi Model
Pada model MARS, klasifikasi didasarkan pada pendekatan analisis regresi. Jika variabel respon terdiri dari dua nilai, maka dikatakan regresi dengan binary response sehingga dapat digunakan model probabilitas dengan persamaan
sebagai berikut:
= 1 = = =
1+
= 0 = = 1 − =
(10)
1
1+
(11)
( )
Y merupakan respon biner (1 dan 0) dengan m variabel prediktor, x = (
, , … ). Respon biner dalam penelitian ini adalah Kelompok kabupaten 1
2
3
terindikasi mengalami rawan pangan (Y=1), dan Kelompok kabupaten tahan pangan atau tidak terindikasi mengalami rawan pangan (Y=0). Sementara jumlah variabel prediktor yang digunakan adalah sebanyak 17 variabel (m = 17) sebagaimana tertulis di definisi operasional variabel pada bab sebelumnya. Karena menggunakan respon biner, maka model MARS untuk klasifikasi dapat dinyatakan sebagai berikut [Otok (2008) dalam Wahyuningrum (2009)]:
= = + ∙ ln − − Logit
0
1
=1
=1
,
(12)
di mana: Y
= 1 untuk kabupaten rawan pangan dan 0 untuk kabupaten tahan pangan
M
= jumlah variabel prediktor sebanyak 17
x
=(
, , … 1
2
3
17 ).
34
Dalam bentuk matriks menjadi:
Logit
=
Pada prinsipnya, pengklasifikasian ini dilakukan untuk melihat seberapa besar ketepatan dalam mengelompokkan sekumpulan data untuk digolongkan dengan tepat pada kelompoknya. Estimasi koefisien model MARS dengan respon biner menggunakan penalized log likelihood yang asimtotik ke distribusi normal. Sehingga software MARS 2.0 menggunakan least square sebagai pendekatan estimasi.
B. Tingkat Kesalahan Klasifikasi dengan APER
APER ( Apparent Error Rate) adalah ukuran evaluasi yang digunakan untuk melihat peluang kesalahan klasifikasi yang dihasilkan oleh suatu fungsi klasifikasi. Nilai APER ini menunjukkan proporsi observasi yang salah diklasifikasikan oleh fungsi klasifikasi. Dalam penelitian ini digunakan binary response sehingga penentuan kesalah klasifikasi dapat dihitung dari tabel
Klasifikasi berikut:
Hasil Observasi (actual class) Tidak Terindikasi Rawan Pangan (0) Terindikasi Rawan Pangan (1)
Hasil Prediksi (Predicted class) Tidak Terindikasi Rawan Terindikasi Rawan Pangan (0) Pangan (1) n11
n12
n21
n22
35
Dimana: n11 = Jumlah data kabupaten tidak terindikasi rawan pangan (0) dari hasil observasi yang tepat diklasifikasikan pada predicted kabupaten tidak rawan pangan (0). n12 = Jumlah data kabupaten tidak terindikasi rawan pangan (0) dari hasil observasi yang salah diklasifikasikan pada predicted kabupaten rawan pangan (1). n21 = Jumlah data kabupaten terindikasi rawan pangan (1) dari hasil observasi yang salah diklasifikasikan pada predicted kabupaten tidak terindikasi rawan pangan (0). n22 = Jumlah data kabupaten terindikasi rawan pangan (1) dari hasil observasi yang tepat diklasifikasikan pada predicted kabupaten terindikasi rawan pangan (1). Sedangkan untuk perhitungan besarnya nilai APER adalah sebagai berikut: APER (%) =
+ + + + 11
12
21
12
21
22
× 100%
(13)
C. Konsistensi Klasifikasi dengan Statistik Press’s Q
Statistik uji Press’s Q adalah statistik uji yang digunakan untuk mengetahui kestabilan dalam ketepatan pengelompokkan (sampai sejauh mana kelompokkelompok tersebut dapat dipisahkan dengan menggunakan variabel-variabel yang ada). Uji statistik Press’s Q diformulasikan sebagai berikut:
Press ' s Q =
−( ) (−1)
2
(14)
dimana:
36
N
= Jumlah Total sampel;
n
= Jumlah individu yang tepat diklasifikasikan;
K
= Jumlah kelompok
Ukuran ini membandingkan jumlah ketepatan klasifikasi dengan total sampel dan jumlah kelompok. Nilainya dibandingkan dengan sebuah nilai kritis (tabel chi-square dengan derajat bebas 1). Jika nilainya melebihi nilai kritis, maka matrik klasifikasi dapat dianggap konsisten secara statistik (Hair et.al, 2006).
D. Tahapan Pengklasifikasian dalam MARS
Nash dan David (2001) menyatakan bahwa ada tiga hal yang perlu diperhatikan dalam MARS. Pemilihan model dan klasifikasi terbaik dilakukan secara trial and error kombinasi ketiga hal tersebut yaitu antara maximum basis function (Max BF), Maximum interaction (MI), dan Minimum Object under knot
(MO), di mana tahapannya adalah sebagai berikut: 1.
Membuat matriks plot antara variabel respon skor ketahanan pangan kabupaten dengan masing-masing variabel prediktor sebagai langkah awal pendekteksian pola hubungan antar variabel tersebut.
2.
Menentukan maksimum fungsi basis (Max BF), yaitu 2 sampai 4 kali jumlah variabel prediktor yang digunakan sebanyak 34, 51, dan 68.
3.
Menentukan jumlah maksimum interaksi antar variabel (MI), yaitu 1 sampai 3 dengan asumsi interaksi lebih dari 3 akan menghasilkan model yang kompleks.
4.
Menentukan jumlah observasi minimum setiap knot (MO), yaitu sebesar 0,1,2 dan 10 karena di atas jumlah itu akan menghasilkan
37
GCV yang semakin besar (Santoso, 2009). MO juga yang menentukan fleksibilitas dari model, semakin besar MO maka akan semakin berkurang fleksibilitas model dan akurasinya. Belum ada landasan atau batasan yang tetap untuk penentuan jumlah knot yang optimum. Oleh karena itu, pemilihan model terbaik semata-mata hanya dengan meminimumkan nilai GCV. 5.
Menentukan model terbaik dari kombinasi nilai BF, MI, dan MO yang mungkin dengan kriteria nilai GCV dan MSE minimum kemudian menginterpretasikannya pada masing-masing fungsi basis
6.
Menginterpretasikan variabel-variabel yang berperan penting dalam penentuan status tingkat ketahanan pangan suatu daerah dari variabel dengan kontribusi terbesar sampai terkecil.
7.
Menghitung nilai kesalahan klasifikasi dengan menggunakan APER serta menghitung kestabilan klasifikasi dengan statistik uji Press’s Q
38
BAB IV HASIL DAN PEMBAHASAN
4.1
Gambaran Umum Kelompok Kabupaten Rawan Pangan dan Tahan Pangan Tahun 2007
Pemetaan yang dilakukan oleh Dewan Ketahanan Pangan pada tahun 2007 menghasilkan 100 kabupaten terindikasi rawan pangan dari 348 kabupaten yang diobservasi. Perlu dicatat bahwa tidak semua kabupaten terdata pada pemetaan ini dikarenakan keterbatasan data berkenaan dengan kabupaten yang baru terbentuk. Pada penelitian ini ada dua kabupaten yang tidak tersedia datanya sehingga tidak diikutkan dalam pengolahan.
29% Rawan Pangan 71%
Tahan Pangan
Gambar 4. Persentase Kabupaten Rawan Pangan dan Tidak Rawan Pangan di Indonesia Menurut Pemetaan Kerawanan Pangan DKP tahun 2007.
Banyak
kemungkinan
yang
dapat
mempengaruhi
kondisi
tersebut
diantaranya dari aspek ketersediaannya, aspek akses pangan, dan aspek penyerapan pangan. Tiga aspek ini yang digunakan DKP dalam memetakan kabupaten rawan pangan dan tidak rawan pangan. Eksplorasi pada variabel yang mewakili ketiga aspek tersebut akan memberikan gambaran umum kondisi
kabupaten rawan pangan dan tidak rawan pangan.
Kabupaten Rawan Pangan
Tabel 2 menjelaskan aspek ketersediaan pangan dan akses pangan pada kelompok kabupaten rawan pangan. Aspek ketersediaan pangan berfungsi menjamin pasokan pangan untuk memenuhi kebutuhan seluruh penduduk, dari segi kuantitas, kualitas, keragaman dan keamanannya. Penggunaan ukuran rasio ketersediaan pangan serelia per kapita yang berasal dari produksi domestik adalah mengingat jumlah penduduk yang besar dan ekonomi yang lemah membuat bangsa Indonesia telah sepakat untuk memenuhi sebesar mungkin kebutuhan pangannya dari produksi domestik (Anonim, 2005). Pada kelompok kabupaten rawan pangan rata-rata rasio ketersediaan pangan serelia per kapita adalah sebesar 557,93 gram per hari. Dengan median sebesar 477,31 gram, dapat diperkirakan bahwa lebih banyak kabupaten yang berada dibawah rata-rata kelompok ini daripada kabupaten yang ketersediaan pangan serelianya di atas rata-rata. Range dari nilai terbesar ke nilai terendah sama dengan nilai terbesar yaitu sebesar 3239,74 gram yang berarti ada kabupaten yang tidak memproduksi pangan serelia (ketersediaannya 0).
40
Tabel 2. Statistik Deskriptif Aspek Ketersediaan Pangan dan Akses Pangan pada Kelompok Kabupaten Terindikasi Rawan Pangan Tahun 2007 Standar
Variabel
Mean
(1)
(2)
(3)
(4)
(5)
(6)
Ketersediaan Pangan Serelia (gram)
557,93
477,31
3239,74
3239,74
527,29
Penduduk miskin (%)
28,22
28,57
53,34
45,58
11,91
41,13
36,07
100,00
97,30
23,95
25,61
20,97
95,75
95,75
21,49
Rumah tangga tanpa listrik (%) Desa tanpa akses jalan (%)
Median Maximum Range
Deviasi
Sumber: DKP diolah Aspek akses pangan terdiri dari aspek ekonomi, fisik, dan sosial. Aspek ekonomi diwakili oleh variabel persentase penduduk miskin. Nilai tengahnya untuk kelompok kabupaten rawan pangan cukup besar mencapai 28 persen dengan standar deviasi 11,91. Nilai maksimum sebesar 53,34 persen dan range sebesar 45,58 persen menunjukkan bahwa nilai minimum persentase penduduk miskin untuk kelompok ini adalah 7,76 persen. Ternyata kabupaten dengan persentase penduduk miskin kecil dapat mengalami rawan pangan dikarenakan pengaruh dari variabel lain. Yang menarik lainnya adalah persentase rumah tangga tanpa akses lstrik dengan nilai maksimum 100 persen dan range 97,30. Ini berarti ada kabupaten yang tidak terjangkau listrik sama sekali pada kabupaten yang terindikasi rawan pangan. Persentase desa tanpa akses jalan bernilai maksimum pada 95,75 persen dan range yang sama. Ini berarti ada kabupaten yang sudah memiliki akses jalan menyeluruh tetapi masih berstatus kabupaten terindikasi rawan pangan. Dari sini dapat kita lihat bahwa ada kesenjangan yang sangat besar pada variabel akses listrik dan akses jalan dengan range yang sangat lebar padahal masih berada dalam satu kelompok status kabupaten terindikasi
41
rawan pangan. Tabel 3. Statistik Deskriptif Aspek Penyerapan Pangan pada Kelompok Kabupaten Terindikasi Rawan Pangan Tahun 2007
Standar
Variabel
Mean
Median
Maximum
Range
(1)
(2)
(3)
(4)
(5)
(6)
18,99
15,76
85,64
85,16
15,49
51,04
48,95
98,85
94,40
24,71
13,57
11,73
49,40
49,40
9,62
Wanita Buta Huruf (%) Rumah Tangga tanpa akses air bersih (%)
Deviasi
Rumah tangga dengan jarak > 5km terhadap fasilitas kesehatan (%)
Sumber: DKP (diolah) Aspek penyerapan pangan direpresentasikan oleh variabel pengetahuan rumah tangga/individu, sanitasi dan ketersediaan air, fasilitas dan layanan kesehatan, serta penyuluhan gisi dan pemeliharaan balita. Variabel wanita buta huruf memiliki range yang lebar dengan nilai tengah yang kecil. Ini menunjukkan bahwa variabel wanita buta huruf banyak terkumpul pada persentase rendah. Bahkan ada kabupaten yang bernilai nol. Nilai-nilai tertinggi, bahkan menjadi pencilan, didominasi oleh Propinsi Papua seperti kabupaten Yahukimo, Tolikara, Jayawijaya, Paniai dan Asmat. Sementara pada variabel persentase rumah tangga tanpa akses air bersih memiliki range lebar tetapi cukup merata dengan nilai tengah mendekati 50 persen dan tidak ada pencilan. Rata-rata persentase rumah tangga dengan jarak lebih dari 5 km dari puskesmas cukup rendah dengan variasi yang kecil. Tetapi terdapat pencilan yang sangat mencolok, yaitu pada Kabupaten Kepulauan Mentawai yang mendekati 50 persen.
42
Tabel 4. Statistik Deskriptif Indikator Outcome pada Kelompok Kabupaten Terindikasi Rawan Pangan Tahun 2007
Standar
Variabel
Mean
(1)
(2)
(3)
(4)
(5)
(6)
27.14
26.70
40.80
26.70
6.42
65.69
66.17
70.84
11.68
2.61
Balita bergizi buruk dan kurang baik (%) Angka Harapan Hidup (Tahun)
Median Maximum Range
Deviasi
Sumber: DKP (diolah) Outcome yang diharapkan dari kondisi ketahanan pangan adalah kecukupan
nutrisi dan angka harapan hidup yang tinggi. Persentase balita bergizi buruk dan kurang baik cukup besar dengan nilai maksimum sebesar 40,8 persen dan minimumnya 14,1 persen. Nilainya cukup merata dengan variasi yang kecil dan tidak terdapat nilai pencilan. Angka harapan hidup tertinggi adalah 70,84 tahun dan terendah hanya 59,16 tahun. Propinsi Nusa Tenggara Barat cukup rentan mengalami kerawanan pangan karena dua kabupaten yang memiliki angka harapan hidup terendah bahkan menjadi outlier pada kelompok kabupaten rawan pangan adalah Lombok Timur dan Lombok Barat. Hal ini hendaknya mendapat perhatian yang lebih oleh pemerintah daerah setempat.
43
Tabel 5. Statistik Deskriptif Variabel Potensi Daerah pada Kelompok Kabupaten Terindikasi Rawan Pangan Tahun 2007
Variabel
Mean
Median
Maximum
Range
(1)
(2)
(3)
(4)
(5)
Banyak desa pertanian (%) Desa Menurut keberadaan fasilitas pendidikan (%) Desa Menurut keberadaan fasilitas kesehatan (%) Desa yang menerima bantuan kemiskinan (%)
Standar Deviasi (6)
95,63
97,15
100,00
38,46
9,53
30,04
26,32
96,64
94,52
18,50
34,84
32,50
74,47
70,22
16,55
67,67
78,57
100,00 100,00
31,82
24,97
20,56
85,71
85,71
23,40
10,76
9,30
47,58
47,58
8,79
27,82
28,26
95,71
95,71
16,71
14,17
8,93
95,97
95,97
17,23
Desa menurut keberadaan industri pengolahan makanan (%) Desa menurut keberadaan program pelatihan keterampilan (%) Desa yang mendapat bantuan di bidang pertanian (%) Desa menurut keberadaan pasar hasil pertanian (%)
Sumber: BPS (diolah) Secara umum, variabel potensi daerah untuk kelompok kabupaten rawan pangan memiliki nilai tengah yang rendah dan range yang panjang kecuali variabel desa pertanian dan desa yang mendapat bantuan untuk pengentasan kemiskinan. Variabel potensi daerah dari data Statistik Potensi Desa sebenarnya mencerminkan keterjangkauan akses fasilitas pendidikan, kesehatan, dan akses pangan dengan desa sebagai objek observasinya. Nilai tengah yang tinggi dan range pendek pada variabel desa pertanian menunjukkan bahwa mayoritas kabupaten yang terindikasi rawan pangan memiliki mayoritas penduduk yang bekerja disektor pertanian. Tetapi variabel
44
pemasaran hasil pertanian justru menunjukkan hasil yang bertolak belakang. Nilai tengah yang kecil dan range yang lebar mengindikasikan bahwa kabupaten yang terindikasi rawan pangan minim akses pemasaran hasil pertanian walaupun mayoritas penduduk bekerja di sektor pertanian.
Kabupaten Tidak Rawan Pangan
Ketersediaan pangan serelia pada kelompok kabupaten tidak rawan pangan memiliki rata-rata yang cukup tinggi jika dibandingkan dengan kabupaten yang terindikasi rawan pangan. Namun sebagaimana kelompok kabupaten yang terindikasi rawan pangan, pada kelompok ini juga terdapat beberapa pencilan di Kabupaten Pohuwato, Boalemo, Tapin dan Boolang Mongondow. Kabupatenkabupaten di Gorontalo dan Sulawesi Utara ini memiliki rasio produksi pangan serelia per kapita yang sangat besar.
Tabel 6. Statistik Deskriptif Aspek Ketersediaan Pangan dan Akses Pangan pada Kelompok Kabupaten Tidak Terindikasi Rawan Pangan Tahun 2007
Variabel
Mean
(1)
(2)
Ketersediaan Pangan Serelia (gram)
Median Maximum Range (3)
(4)
(5)
(6)
819,79
663,56
Penduduk miskin (%)
18,02
17,51
38,18
33,94
7,19
Rumah tangga tanpa listrik (%)
13,03
9,91
58,41
58,28
11,77
6,06
3,16
54,92
54,92
7,60
Desa tanpa akses jalan (%)
8585,44 8584,15
Standar Deviasi
771,90
Sumber: DKP (diolah) Aspek akses pangan menunjukkan keadaan yang lebih baik dengan persentase penduduk miskin, rumah tangga tanpa akses listrik, dan desa tanpa akses jalan memiliki rata-rata yang relatif lebih rendah jika dibandingkan dengan 45
keadaan kabupaten terindikasi rawan pangan. Namun demikian terdapat beberapa outlier pada setiap variabel. Kabupaten dengan persentase penduduk miskin
terbesar adalah Kabupaten Kaur di Propinsi Bengkulu. Tiga nilai terbesar untuk persentase rumah tangga tanpa akses listrik dimiliki oleh Kabupaten Ngada, Way Kanan dan Ogan Komering Ulu Selatan. Sementara persentase desa tanpa akses jalan terbesar terdapat pada Kabupaten Indragiri Ilir, Kepulauan Sula, Banyuasin, Bengkalis, Halmahera Utara, dan Barito Selatan. Aspek penyerapan pangan seperti disajikan dalam Tabel 7 pun menunjukkan kondisi yang lebih baik daripada kelompok kabupaten rawan pangan. Selain memiliki rata-rata dan nilai tengah yang lebih baik, variabelvariabel dari aspek ini juga memiliki standar deviasi dan range yang lebih kecil daripada kelompok kabupaten terindikasi rawan pangan.
Tabel 7. Statistik Deskriptif Aspek Penyerapan Pangan pada Kelompok Kabupaten Tidak Terindikasi Rawan Pangan Tahun 2007
Variabel
Mean
(1)
(2)
Wanita Buta Huruf (%) Rumah Tangga tanpa akses air bersih (%)
Median Maximum Range (3)
(4)
(5)
Standar Deviasi (6)
12,51
10,89
38,33
37,15
7,11
29,93
27,52
96,87
95,22
17,88
5,61
4,00
45,00
45,00
5,61
Rumah tangga dengan jarak > 5km terhadap fasilitas kesehatan (%)
Sumber: DKP (diolah) Kabupaten Karangasem, Bondowoso, Gunung Kidul, dan Jeneponto merupakan pencilan dengan persentase wanita buta huruf yang sangat besar dibanding kabupaten lain dalam kelompok tahan pangan. Cukup menarik bahwa
46
ada dua kabupaten di Pulau Jawa yang tingkat buta hurufnya masih cukup besar. Kabupaten Indragiri Ilir lagi-lagi menjadi pencilan dalam kelompok tahan pangan untuk persentase rumah tangga tanpa akes air bersih. Sementara pencilan untuk persentase rumah tangga berjarak lebih dari 5 km terhadap fasilitas kesehatan didapat oleh Kabupaten Muara Enim, Bone, Toba Samosir, Boalemo, Maluku Tengah, dan Aceh Besar. Variabel gizi balita dan angka harapan hidup sebagai indikator outcome menunjukkan kondisi yang sedikit lebih baik daripada kondisi kabupaten yang terindikasi rawan pangan. Rata-rata variabel gizi balita memang lebih kecil, tetapi nilai maksimumnya lebih besar daripada kelompok kabupaten terindikasi rawan pangan. Beberapa nilai pencilan berada pada Kabupaten Aceh Tenggara, Mamuju Utara, Tapanuli Utara, Aceh Barat Daya dan Banjar. Sementara variabel angka harapan hidup tidak menunjukkan perbedaan yang signifikan antara kedua kelompok dengan nilai pencilan pada Kabupaten Sumbawa Barat dan Sumbawa. Sebagaimana pencilan di kelompok kabupaten rawan pangan, dua kabupaten ini juga berada di Propoinsi Nusa Tenggara Barat.
Tabel 8. Statistik Deskriptif Indikator Outcome pada Kelompok Kabupaten Tidak Terindikasi Rawan Pangan Tahun 2007 Standar Deviasi
Variabel
Mean
(1)
(2)
(3)
18,87
17,70
48,80
42,00
6,35
68,23
68,22
74,32
13,92
2,57
Balita bergizi buruk dan kurang baik (%) Angka Harapan Hidup (Tahun)
Median Maximum Range (4)
(5)
(6)
Sumber: DKP (diolah) Tabel 9. Statistik Deskriptif Variabel Potensi Daerah pada Kelompok Kabupaten 47
Tidak Terindikasi Rawan Pangan Tahun 2007
Variabel
Mean
(1)
(2)
Median Maximum Range (3)
(4)
(5)
Standar Deviasi (6)
Banyak desa pertanian (%)
90,53
94,48
100,00
68,32
15,10
Desa Menurut keberadaan
42,05
40,33
100,00
90,97
16,26
39,22
33,49
94,74
92,02
21,43
93,38
96,23
100,00
70,86
8,98
54,10
54,65
100,00
99,06
26,33
16,70
13,70
70,21
70,21
11,95
35,57
33,65
92,86
92,86
16,77
39,53
35,16
100,00
96,84
23,99
fasilitas pendidikan (%) Desa Menurut keberadaan fasilitas kesehatan (%) Desa yang menerima bantuan kemiskinan (%) Desa menurut keberadaan industri pengolahan makanan (%) Desa menurut keberadaan program pelatihan keterampilan (%) Desa yang mendapat bantuan di bidang pertanian (%) Desa menurut keberadaan pasar hasil pertanian (%)
Sumber: BPS (diolah) Variabel potensi daerah kabupaten yang tidak terindikasi rawan pangan tidak berbeda dengan kondisi variabel-variabel yang lain. Rata-rata potensi daerah kabupaten tidak rawan pangan lebih baik daripada kabupaten yang terindikasi rawan pangan. Tetapi range yang panjang mengindikasikan adanya kabupaten yang memiliki nilai di bawah rata-rata kelompok dan mendekati nilai kelompok kabupaten rawan pangan. Hal ini akan lebih jelas tergambar pada plot antara semua variabel prediktor dengan indeks komposit hasil pe rhitungan.
Eksplorasi variabel prediktor di atas, mengindikasikan bahwa tidak ada
48
variabel prediktor yang memberikan status mutlak pada kabupaten. Dalam artian bahwa tidak ada variabel prediktor pada kabupaten tahan pangan yang mutlak berada pada kondisi lebih baik daripada kelompok kabupaten rawan pangan. Bahkan beberapa variabel tidak menunjukkan perbedaan yang nyata antar kelompok kabupaten terindikasi rawan pangan dan kabupaten tidak rawan pangan. Untuk melihat lebih jelas gambaran pola hubungan antara variabel prediktor dan tingkat ketahanan pangan kabupaten serta perbandingan antara dua kelompok kebupaten, dilakukan scatter plot dan box plot seperti Lampiran 1 dan 2. Secara umum, Box Plot menunjukkan kelompok kabupaten tahan pangan berada dalam kondisi yang lebih baik daripada kabupaten rawan pangan. Hal ini tampak dari nilai tengah masing-masing variabel prediktor yang berada dalam kondisi lebih baik. Tetapi range yang panjang mengindikasikan bahwa ada kabupaten yang masih berada dalam kondisi tidak terlalu berbeda dengan kabupaten rawan pangan. Hal ini terutama terjadi pada nilai- nilai outlier . Dari sini dapat dilihat bahwa tidak ada variabel prediktor yang mutlak membedakan antara kelompok kabupaten tahan pangan dan rawan pangan. Scatter Plot tersebut menunjukkan bahwa masing-masing variabel
prediktor mempunyai pola yang berbeda dan serta tanpa pola yang jelas. Misalnya variabel gizi balita (X5), persentase balita bergizi kurang baik dan buruk rendah tidak menjamin kabupaten itu berada pada kelompok kabupaten tahan pangan dan sebaliknya, persentase balita bergizi kurang baik dan buruk tinggi namun relatif lebih tahan pangan daripada kabupaten lainnya. Selain itu, banyak juga nilai-nilai ekstrim yang terdapat pada beberapa variabel seperti pada variabel ketersediaan pangan serelia (X 1), variabel akses jalan (X 4), dan variabel wanita buta huruf (X6).
49
Apabila dilakukan penyortiran pencilan maka akan banyak informasi dari observasi (kabupaten) yang hilang. Oleh karena itu, regresi nonparametrik yang tidak memberikan syarat tertentu t entang bentuk fungsi antara variabel respon dan prediktor dapat digunakan sebagai metode alternatif.
4.2
Determinan Ketahanan Pangan Kabupaten dengan Pendekatan MARS
Pendekatan MARS memberikan relative variable importance yang memuat variabel-variabel yang berperan penting dalam penentuan status kabupaten tahan atau rawan pangan. Hasil ini didapat dari model terbaik yang memberikan nilai GCV minimum dan merupakan kombinasi dari maksimum basis fungsi 68, maksimum interaksi sebanyak 2, dan minimum observasi antar knot sebanyak 2. Dari 9 variabel prediktor yang digunakan oleh DKP dalam menentukan status ketahanan pangan suatu daerah, semuanya berperan penting dalam model sehingga dapat dikatakan bahwa indikator yang digunakan oleh DKP sudah tepat. Dengan metode MARS, variabel-variabel ini kemudian diurutkan berdasarkan tingkat kepentingannya dalam model bersama-sama dengan variabel potensi daerah. Ada 5 variabel dari 8 variabel potensi daerah yang berkontribusi dalam model. Variabel-variabel itu adalah persentase desa menurut keberadaan pasar hasil pertanian (X17), persentase desa yang mendapat bantuan kemiskinan (X 13), persentase desa menurut keberadaan fasilitas kesehatan (X 12), persentase desa yang mayoritas penduduknya bekerja disektor pertanian (X 10) dan persentase desa menurut keberadaan fasilitas pendidikan dasar 9 tahun (X 11). Sementara
50
persentase desa menurut keberadaan industri pengolahan makanan, keberadaan pelatihan keterampilan, dan penerimaan bantuan pertanian tidak berperan penting dalam model.
Tabel 10. Tingkat Kepentingan Variabel Prediktor Variabel
Definisi Variabel
Tingkat Kepentingan
- GCV
(1)
(2)
(3)
(4)
Angka Harapan Hidup Balita bergizi buruk dan kurang baik Desa menurut keberadaan pasar hasil pertanian
100,000 77,999
0,091 0,073
71,273
0,069
Rumah tangga tanpa akses listrik Rumah tangga yang berjarak > 5Km dari fasilitas kesehatan Rumah tangga tanpa akses air bersih Desa menurut penerimaan bantuan kemiskinan Ketersediaan pangan serelia per kapita Wanita buta huruf Penduduk miskin Desa tanpa akses jalan
68,130
0,067
62,613
0,063
60,667
0,062
55,318
0,059
51,344 47,305 42,733 35,847
0,057 0,056 0,054 0,051
32,449
0,050
27,440
0,049
18,940
0,047
0,000
0,045
0,000
0,045
0,000
0,045
X9 X5 X17 X3 X8 X7 X13 X1 X6 X2 X4 X12
Desa menurut keberadaan fasilitas kesehatan Desa berpenduduk mayoritas bekerja di sektor pertanian Desa menurut keberadaan fasilitas pendidikan dasar 9 tahun Desa menurut keberadaan industri pengolahan makanan
X10 X11 X14
Desa menurut keberadaan pelatihan keterampilan Desa menurut penerimaan bantuan pertanian
X15 X16
Sumber: Output MARS 2.0 diolah
Tingkat kepentingan variabel prediktor dalam model MARS ditaksir dari perubahan
nilai
GCV
karena
berpindahnya
variabel-variabel
yang
51
dipertimbangkan tersebut dari model. Nilai minus GCV menunjukkan penurunan nilai GCV karena masuknya variabel yang bersesuaian ke dalam model. Klarifikasi variabel-variabel yang digunakan oleh DKP sesuai dengan urutan kepentingan dalam model dapat diuraikan sebagai berikut: 1.
X9 (Angka Harapan Hidup) merupakan indikator yang pertama kali mendapat perhatian dalam mengidentifikasikan ketahanan pangan suatu daerah dengan besarnya tingkat kepentingan dalam model sebesar 100 persen. Tingkat ketahanan pangan suatu daerah secara umum sangat mempengaruhi tingkat harapan hidup masyarakatnya. Sebaliknya, angka harapan hidup dapat mencerminkan tingkat ketahanan pangan suatu daerah khususnya bila dibandingkan dengan daerah lain.
2.
X5 (Persentase balita bergizi kurang baik dan gizi buruk) merupakan indikator kedua yang dapat mengidentifikasi ketahanan pangan suatu daerah dengan tingkat kepentingan 78 persen. Tidak terpenuhinya kebutuhan pangan baik dari jumlah maupun mutu, oleh rumah tangga atau individu akan berdampak serius pada anggota rumah tangga berusia balita yang masih sangat rentan.
3.
X3 (persentase rumah tangga tanpa listrik) dengan tingkat kepentingan dalam model sebesar 68,13 persen merupakan salah satu indikator yang mempengaruhi tingkat ketahanan pangan suatu daerah. Selain mencerminkan tingkat daya beli rumah tangga, ketiadaan akses listrik mencerminkan akses terhadap berbagai informasi, dan penghidupan yang layak.
52
4.
X8 (persentase rumah tangga dengan akses terhadap fasilitas kesehatan sulit) memiliki tingkat kepentingan 62,613 persen menjadi salah satu faktor yang mempengaruhi tingkat ketahanan pangan suatu daerah.
Terbatasnya
akses
terhadap
fasilitas
kesehatan
akan
menghalangi akses terhadap informasi tentang gizi, makanan sehat, dan pengobatan. Hal ini mutlak diperlukan untuk kehidupan yang sehat dan layak. 5.
X7 (persentase rumah tangga tanpa akses air bersih) juga mempengaruhi tingkat ketahanan pangan suatu daerah dengan tingkat kepentingan sebesar 60,667 persen. Kebutuhan akan air bersih untuk kehidupan sehari-hari terutama kebutuhan air minum sangat vital dalam mewujudkan penghidupan yang sehat. Ketiadaan akses air bersih baik untuk minum, memasak, maupun MCK mencerminkan kualitas kehidupan masyarakat di daerah tersebut.
6.
X1 (ketersediaan pangan serelia per kapita) menjadi faktor ke delapan yang berperan dalam penentuan ketahanan pangan suatu daerah dengan tingkat kepentingan dalam model sebesar 51,344 persen. Tersedianya bahan pangan dari produksi daerah itu sendiri tentu akan mempermudah masyarakatnya untuk memperoleh bahan pangan dari jumlah maupun harganya karena tidak perlu tergantung pada bahan pangan
dari
daerah
lain.
Walau
pun
begitu,
faktor
ketersediaan/produksi ternyata tidak berpengaruh paling besar terhadap
ketahanan
sebelumnya
dengan
pangan
suatu
daerah.
tingkat
kepentingan
Variabel-variabel
lebih
besar
lebih
53
mencerminkan aspek penyerapan pangan dan akses pangan. 7.
X6 (persentase wanita buta huruf) memberikan tingkat kepentingan sebesar 47,305 persen dalam model. Tingkat pendidikan wanita merupakan ukuran untuk mengetahui tingkat kemampuan masyarakat untuk menyerap pangan yang baik dan berkualitas. Hal ini berkaitan dengan tanggung jawab wanita dalam masyarakat umumnya sebagai pengatur urusan rumah tangga dan mengasuh anak. Apabila kemampuan
wanita
menyerap/mengolah
bahan
pangan
dan
pengetahuan tentang makanan bergizi dan sehat rendah, maka kecukupan gizi rumah tangga khususnya masyarakat pada umumnya akan terpengaruh juga. 8.
X2 (persentase penduduk miskin) sebagai salah satu faktor dari aspek akses pangan memberikan tingkat kepentingan sebesar 42,733 persen dalam model. Kemiskinan mempengaruhi daya beli masyarakat atau kemampuan masyarakat untuk memenuhi kebutuhan dasar yang layak, termasuk bahan pangan yang berkualitas.
9.
X4 (persentase desa tanpa akses jalan) dengan tingkat kepentingan sebesar 35,847 persen. Keberadaan akses jalan yang memadai untuk kendaraan roda empat berperan sebagai sarana distribusi bahan pangan maupun fasilitas-fasilitas penunjang lainnya. Saat distribusi terganggu, akan mempengaruhi ketersediaan pangan bagi masyarakat desa khususnya yang bergantung pada produksi pangan dari daerah lain.
54
Variabel-variabel dari aspek potensi daerah yang diduga turut menentukan status ketahanan pangan daerah juga dapat diurutkan berdasarkan tingkat kepentingan dalam model dengan penjelasan sebagai berikut: 1.
X17 (persentase desa menurut keberadaan kios pemasaran hasil pertanian) memiliki tingkat kepentingan dalam model sebesar 71,273 persen. Adanya pasar untuk pemasaran hasil pertanian akan mempermudah distribusi hasil-hasil pertanian (khususnya bahan pangan) ke desa sehingga membuka akses masyarakat desa tersebut terhadap bahan pangan yang bermutu baik dari jumlah, mutu, dan kesinambungan.
2.
X13 (persentase desa yang mendapat bantuan kemiskinan) dengan tingkat kepentingan 55,318 persen. Keberadaan bantuan dari pihak luar desa untuk menanggulangi masalah kemiskinan akan membantu tersedianya infrastruktur ataupun peningkatan kualitas manusia sehingga mengangkat daya beli/akses masyarakat terhadap kebutuhan dasar yang berkualitas.
3.
X12 (persentase desa yang menurut keberadaan fasilitas kesehatan) dengan tingkat kepentingan sebesar 32,449 persen.
Keberadaan
fasilitas kesehatan berperan dalam menyalurkan informasi kecukupan gizi untuk mencapai kehidupan yang berkualitas. Peran ini terutama dibutuhkan dalam pengasuhan balita yang masih rentan dengan kekurangan gizi. Keberadaannya di setiap desa penting untuk menjamin keterjangkauan aksesnya bagi masyarakat. 4.
X10 (persentase desa yang mayoritas penduduknya bekerja di sektor
55
pertanian) dengan tingkat kepentingan sebesar 27,44 persen. Harapan dari desa yang mayoritas penduduknya bekerja di sektor pertanian adalah terpenuhinya ketersediaan pangan bagi masyarakat desa itu sendiri. Perannya tidak terlalu besar dalam model karena sesuai dengan pembahasan sebelumnya bahwa aspek ketersediaan pangan bukanlah aspek yang menjadi penentu utama ketahanan pangan daerah. 5.
X11 (persentase desa menurut keberadaan fasilitas pendidikan dasar 9 tahun) dengan tingkat kepentingan sebesar 18,94 persen. Tingkat kepentingan yang kecil mungkin disebabkan karena faktor tingkat pendidikan masyarakat telah terwakili pada variabel sebelumnya (persentase wanita buta huruf). Kemungkinan lain adalah karena lembaga pendidikan hanya mengajarkan pengetahuan formal yang tidak berhubungan dengan ketahanan pangan.
6.
Variabel-variabel yang tidak berperan penting dalam model adalah X14 (persentase desa menurut keberadaan industri makanan), X15 (persentase desa yang mendapat bantuan peningkatan keterampilan), dan X16 (persentase desa yang mendapat bantuan pertanian dari p ihak luar desa). Hal ini dapat terjadi karena variabel-variabel ini memang tidak berpengaruh secara langsung pada status ketahanan pangan suatu daerah.
Dari hasil di atas, tiga aspek ketahanan pangan (aspek ketersediaan, aspek
56
akses pangan, dan aspek penyerapan pangan) ditambah aspek potensi daerah telah terwakili oleh variabel-variabel yang berperan penting dalam model. Langkah selanjutnya adalah melihat pengaruh masing-masing variabel yang diwakili oleh basis fungsi yang signifikan dalam model.
4.3
Interpretasi Koefisien Basis Fungsi pada Model MARS
Penelitian
ini
menggunakan
17
variabel
prediktor
yang
diduga
mempengaruhi tingkat ketahanan pangan suatu daerah sehingga banyaknya fungsi basis yang akan digunakan dalam pemodelan MARS adalah 34, 51 dan 68 dengan MI sebesar 1 atau 2, dan MO yang digunakan 0, 1, 2 dan 10. Sebenarnya MARS mampu mengakomodir jumlah interaksi lebih dari 3, namun pada penelitian ini jumlah interaksi yang diijinkan hanya sampai 2 interaksi saja untuk menjaga keberartian dan kemudahan interpretasi tetapi dengan keakuratan yang hampir sama. Interaksi yang semakin besar akan meningkatkan keakuratan model namun bersamaan menambah kompleksitas model. Besar MO dibatasi sampai 10 saja karena MO yang semakin besar akan mengurangi fleksibilitas model serta akan menghasilkan nilai GCV yang semakin besar. Sampai penelitian ini ditulis belum ada batasan yang tetap tentang besar MO yang optimal dan mencegah model yang overfitting .
Berdasarkan kriteria model terbaik dalam MARS, maka model yang terpilih adalah model dengan kombinasi BF=68, MI=2, dan MO=1. Model ini menghasilkan GCV dan MSE minimum yaitu sebesar 0,045 dan 0,023, di mana jumlah variabel prediktor yang signifikan berpengaruh sebanyak 14 dari 17 variabel prediktor yang digunakan. Hasil kombinasi antara BF, MI, dan MO
57
dalam proses pemilihan model terbaik dapat dilihat pada Lampiran 3. Sementara model yang dihasilkan dapat dilihat pada Lampiran 4 Output MARS 2.0. Model yang didapat terdiri dari 46 fungsi basis dengan 10 fungsi basis tanpa interaksi dan 36 fungsi basis dengan interaksi. Interaksi yang diijinkan hanya antar dua variabel untuk menjaga kemudahan dan keberartian interpretasi seperti telah dijelaskan sebelumnya. sebelumnya. Adanya efek interaksi ini dapat diketahui dari interpretasi dekomposisi ANOVA model MARS. Tabel dekomposisi ANOVA model MARS beserta koefisien basis fungsinya disajikan pada Lampiran 5. Interpretasi dari beberapa koefisien-koefisien fungsi basis pada model MARS di atas adalah sebagai berikut: -
BF2 = max (0, 66,370 – 3) dengan koefisien - 0,016: Setiap perubahan BF2 sebesar satu satuan, akan menurunkan resiko daerah mengalami rawan pangan sebesar 0,016 kali. Perubahan resiko ini terjadi pada kabupaten kabupaten dengan penurunan persentase rumah tangga tanpa akses listr ik kurang dari 66,37 persen. Lebih lanjut dapat dikatakan penurunan persentase rumah tangga tanpa akses listrik akan menurunkan resiko daerah mengalami rawan pangan.
-
BF3 = max (0, X9 – 63,956) – 63,956) dengan koefisien - 0,074: Setiap perubahan satu satuan BF3 terjadi di kabupaten yang angka harapan hidupnya lebih dari 63,956 tahun akan menurunkan resiko daerah mengalami rawan pangan sebesar 0,074.
-
BF4 = max (0, 63,956 – X9) dengan koefisien 0,283: Setiap kenaikan nilai BF4 terjadi pada kabupaten yang angka harapan hidupnya kurang dari 63,956 tahun akan menaikkan resiko daerah mengalami rawan
58
pangan sebesar 0,283. Lebih lanjut dapat dikatakan menurunnya angka harapan hidup akan menaikkan resiko daerah mengalami rawan pangan. -
BF5 = max (0, X4 – 9,920) * BF2 dengan koefisien 0,0026: Setiap kenaikan satu satuan BF5 terjadi pada kabupaten yang persentase desa tanpa akses jalan lebih dari 9,92 persen dan persentase rumah tangga tanpa akses listrik kurang dari 66,37 persen akan menaikkan resiko daerah mengalami rawan pangan sebesar 0,0026. Kenaikan persentase desa tanpa akses jalan dan menurunnya persentase rumah tangga tanpa akses listrik secar bersama-sama akan menaikkan resiko daerah mengalami rawan pangan.
-
BF8 = max (0, 30,400 – X8) dengan koefisien - 0,009: Setiap perubahan satu satuan BF8 akan menurunkan resiko daerah mengalami rawan pangan sebesar 0,009 pada kabupaten yang persentase rumah tangga kesulitan akses terhadap fasilitas kesehatan kurang dari 30,4persen. Penurunan persentase rumah tangga yang berjarak lebih dari 5 km terhadap fasilitas kesehatan akan menurunkan resiko daerah mengalami rawan pangan.
-
BF9 = max (0, X2 – 14,380) dengan koefisien - 0,007: Setiap perubahan satu satuan BF9 akan mengurangi resiko daerah mengalami rawan pangan sebesar 0,007 pada kabupaten yang persentase penduduk miskinnya lebih dari 14,38 persen. Pengurangan persentase penduduk miskin akan mengurangi resiko daerah mengalami rawan pangan.
-
BF11 = max (0, X7 – 46,320) * BF10 dengan koefisien 0,003: Setiap perubahan satu satuan BF11 akan menambah resiko daerah mengalami
59
rawan pangan sebesar 0,003 pada kabupaten yang persentase rumah tangga tanpa air bersih di atas 46,32 persen dan persentase penduduk miskin kurang dari 14,38 persen. Penambahan persentase rumah tangga tanpa air bersih dan pengurangan persentase penduduk miskin secara bersama-sama akan menambah resiko daerah mengalami rawan pangan. -
BF15 = max (0, X5 – 19,200) * BF14 dengan koefisien - 0,01: Setiap perubahan satu satuan BF15 akan mengurangi resiko daerah mengalami rawan pangan sebesar 0,01 pada kabupaten yang persentase balita bergizi buruk lebih dari 19,2 persen dan persentase desa yang ada pasar hasil pertanian kurang dari 27,5 persen. Peningkatan persentase balita bergizi tidak baik dan pengurangan persentase desa menurut keberadaan pasar hasil pertanian akan mengurangi resiko daerah mengalami rawan pangan.
-
BF18 = max (0, 27,990 – X3) * BF3 dengan koefisien 0,001: Setiap perubahan satu satuan BF18 akan menambah resiko daerah mengalami rawan pangan sebesar 0,001 pada kabupaten yang persentase rumah tangga tanpa akses listrik kurang dari 27,99 persen dan angka harapan hidup di atas 63,956 tahun. Penurunan persentase rumah tangga tanpa listrik dan peningkatan angka harapan hidup secara bersama-sama akan menambah resiko daerah mengalami rawan pangan.
-
BF20 = max (0, 16,110 – X3) * BF4 dengan koefisien - 0,025: Setiap perubahan satu satuan BF20 akan mengurangi resiko daerah mengalami rawan pangan sebesar 0,025 pada kabupaten yang persentase rumah tangga tanpa akses listrik kurang dari 16,11persen dan angka harapan hidup kurang dari 63,956 tahun.
60
-
BF21 = max (0, X6 – 34,160) * BF14 dengan koefisien - 0,008: Setiap perubahan satu satuan BF21 akan mengurangi resiko daerah mengalami rawan pangan sebesar 0,008 pada kabupaten yang persentase wanita buta huruf di atas 34,16 persen dan persentase desa yang memiliki pasar hasil pertanian kurang dari 27,99 persen. Peningkatan persentase wanita buta huruf dan pengurangan persentase desa menurut keberadaan pasar hasil pertanian
secara
bersama-sama
akan
mengurangi
resiko
daerah
mengalami rawan pangan -
BF23 = max (0, X13 – 68,807) dengan koefisien - 0,031: Setiap perubahan satu satuan BF23 akan mengurangi resiko daerah mengalami rawan pangan sebesar 0,031 pada kabupaten dengan persentase desa yang mendapat bantuan pengentasan kemiskinan kurang dari 68,807 persen. Peningkatan persentase desa yang mendapat bantuan kemiskinan akan mengurangi resiko daerah mengalami rawan pangan.
-
BF25 = max (0, X1 – 315,378) dengan koefisien - 0,0016: Setiap perubahan satu satuan BF25 akan mengurangi resiko daerah mengalami rawan pangan sebesar 0,0016 pada kabupaten yang rasio ketersediaan pangan serelia per kapita lebih dari 315,378 gram. Peningkatan rassio ketersediaan pangan serelia akan mengurangi resiko daerah mengalami rawan pangan.
-
BF27 = max (0, X11 – 14,679) * BF26 dengan koefisien - 0,0003. Setiap perubahan satu satuan BF27 akan mengurangi resiko daerah mengalami rawan pangan sebesar 0,0003 pada kabupaten dengan persentase desa yang memiliki fasilitas pendidikan 9 tahun lebih dari 14,679 persen dan
61
rasio ketersediaan pangan serelia per kapita kurang dari 315,378 gram. Peningkatan persentase desa yang memiliki fasilitas pendidikan 9 tahun dan pengurangan rasio ketersediaan pangan serelia per kapita akan mengurangi resiko daerah mengalami rawan pangan. -
BF31 = max (0, X5 – 25,100) * BF23 dengan koefisien 0,002: Setiap perubahan satu satuan BF31 akan menambah resiko daerah mengalami rawan pangan sebesar 0,002 pada kabupaten yang persentase balita bergizi buruk di atas 25,1 persen dan persentase desa yang mendapat bantuan pengentasan kemiskinan di atas 68,8 persen. Peningkatan persentase balita bergizi tidak baik dan persentase desa yang mendapat bantuan pengentasan kemiskinan secara bersama-sama akan menambah resiko daerah mengalami rawan pangan.
-
BF36 = max (0, 90,756 – X10) * BF4 dengan koefisien 0,005: Setiap perubahan satu satuan BF36 akan menambah resiko daerah mengalami rawan pangan sebesar 0,005 pada kabupaten yang persentase desa pertaniannya kurang dari 90,756 persen dan angka harapan hidupnya kurang dari 63,956 tahun. Penurunan persentase desa pertanian dan angka harapan hidup secara bersama-sama akan menambah resiko daerah mengalami rawan pangan.
-
BF40 = max (0, 66,132 – X9) * BF14 dengan koefisien 0,005: Setiap perubahan satu satuan BF40 akan menambah resiko daerah mengalami rawan pangan sebesar 0,005 pada kabupaten yang angka harapan hidupnya kurang dari 66,132 tahun dan persentase desa yang memiliki pasar kurang dari 27,5 persen. Penurunan angka harapan hidup dan
62
persentase desa yang memiliki pasar secara bersama-sama akan menambah resiko daerah mengalami rawan pangan. -
BF46 = max (0, 26,500 – X5) dengan koefisien - 0,04: Setiap perubahan satu satuan BF46 akan mengurangi resiko daerah mengalami rawan pangan sebesar 0,04 pada kabupaten dengan persentase balita bergizi buruk yang kurang dari 26,5 persen. Penurunan persentase balita bergizi tidak baik akan mengurangi resiko daerah mengalami rawan pangan.
-
BF50 = max (0, 4,07 – X6) * BF45 dengan koefisien 0,033: Setiap perubahan satu satuan BF50 akan menambah resiko daerah mengalami rawan pangan sebesar 0,033 pada kabupaten yang persentase wanita buta huruf kurang dari 4,07 persen dan persentase balita bergizi buruk lebih dari 26,5 persen. Penurunan persentase wanita buta huruf dan peningkatan persentase balita bergizi tidak baik secara bersama-sama akan menambah resiko daerah mengalami rawan pangan.
-
BF51 = max (0, X8 – 24,800) * BF45 dengan koefisien - 0,01: Setiap perubahan satu satuan BF51 akan mengurangi resiko daerah mengalami rawan pangan sebesar 0,01 pada kabupaten yang persentase rumah tangga berjarak lebih dari 5 km terhadap fasilitas kesehatan melebihi 24,8 persen dan persentase balita bergizi tidak baik lebih dari 26,5 persen. Peningkatan persentase rumah tangga berjarak lebih dari 5 km terhadap fasilitas kesehatan dan persentase balita bergizi tidak baik secara bersama-sama akan mengurangi resiko daerah mengalami rawan pangan.
-
BF59 = max (0, X5 – 37,900) * BF3 dengan koefisien 0,053: Setiap perubahan satu satuan BF59 akan menambah resiko daerah mengalami
63
rawan pangan sebesar 0,053 pada kabupaten yang persentase balita bergizi kurang baik dan gizi buruk lebih dari 37,9 persen dan angka harapan hidupnya lebih dari 63,956 tahun. Peningkatan persentase balita bergizi tidak baik dan peningkatan angka harapan hidup secara bersamasama akan menambah resiko daerah mengalami rawan pangan.
Evaluasi Model Klasifikasi
Model klasifikasi perlu dievaluasi untuk mengetahui seberapa besar peluang melakukan kesalahan dalam mengelompokkan observasi (kabupaten) menurut tingkat ketahanan pangannya. Hal ini dapat dilakukan dengan menghitung nilai APER seperti pada Persamaan 13. Nilai APER menyatakan proporsi sampel yang salah diklasifikasikan oleh model klasifikasi. Nilai APER yang diperoleh dari tabel klasifikasi adalah sebesar 0,87 persen. Hal ini menunjukkan bahwa model MARS yang dihasilkan sangat baik dalam mengelompokkan kabupaten menurut status ketahanan pangannya.
Tabel 11. Tabel Klasifikasi Model MARS Observasi
Hasil Prediksi ( Predicted Class) Actual Total
( Actual class)
Tahan Pangan (0)
Rawan Pangan (1)
Tahan Pangan (0)
246
1
247
Rawan Pangan (1)
2
97
99
Sumber: Output MARS 2.0 Evaluasi selanjutnya adalah menguji kestabilan pengklasifikasian model dengan statistik uji Press’s Q. Nilai statistik uji Press’s Q yang didapat dengan Persamaan 14 adalah sebesar 334,104 kemudian dibandingkan dengan nilai Chi-
64
square derajat bebas 1 (
besar
daripada
nilai
2 (1,0,05)
= 3,841). Nilai Press’s Q yang didapat jauh lebih
2 (1,0,05)
sehingga
dapat
dikatakan
keakuratan
pengklasifikasian kabupaten menurut ketahanan pangan menggunakan model MARS sudah konsisten secara statistik.
65
BAB V KESIMPULAN DAN SARAN
5.1
Kesimpulan
Berdasarkan hasil analisis dan pembahasan, dapat disimpulkan beberapa hal sebagai berikut: 1.
Sebagian besar kabupaten di Indonesia pada tahun 2007 sudah mencapai kategori tahan pangan namun masih ada 100 kabupaten yang terindikasi mengalami rawan pangan.
2.
Secara umum, rata-rata kelompok kabupaten tidak rawan pangan berada dalam kondisi yang lebih baik daripada kelompok kabupaten rawan pangan. Tetapi terdapat kesenjangan yang cukup nyata antar kabupaten dalam satu kelompok yang sama. Kesenjangan ini mengindikasikan ketidakmerataan pembangunan antar kabupaten di Indonesia.
3.
Variabel-variabel yang digunakan DKP seluruhnya sudah menjadi determinan
status
ketahanan
kabupaten.
Berdasarkan
tingkat
kepentingannya, variabel dari aspek penyerapan pangan seperti angka harapan hidup dan gizi balita lebih berperan jika dibandingkan dengan aspek akses dan ketersediaan pangan. Sejalan dengan beberapa penelitian sebelumnya yang menggunakan pendekatan outcome dalam mengukur ketahanan pangan. 4.
Urutan variabel berdasarkan tingkat kepentingannya adalah sebagai berikut: 1) Angka harapan hidup, 2) Persentase balita bergizi kurang baik dan buruk, 3) persentase rumah tangga tanpa listrik, 4) persentase rumah tangga
berjarak > 5km terhadap fasilitas kesehatan, 5) persentase rumah tangga tanpa akses air bersih, 6) rasio ketersediaan pangan serelia per kapita, 7) persentase wanita buta huruf, 8) persentase penduduk miskin, dan 9) persentase desa tanpa akses jalan. 5.
Aspek potensi daerah yang berperan terhadap ketahanan pangan daerah berturut-turut menurut tingkat kepentingannya adalah keberadaan pasar hasil pertanian, penerimaan bantuan kemiskinan, persentase desa yang memiliki fasilitas puskesmas pembantu, persentase desa yang berpenduduk bekerja di sektor pertanian, dan persentase desa yang memiliki fasilitas pendidikan dasar 9 tahun.
6.
Variabel akses listrik, angka harapan hidup, akses terhadap fasilitas kesehatan, persentase penduduk miskin, penerimaan bantuan kemiskinan, rasio ketersediaan pangan serelia per kapita, dan gizi balita memberikan pengaruh secara individu terhadap resiko kerawanan pangan daerah. Selain variabel tersebut di atas, memberikan pengaruh secara berinteraksi dengan variabel lain.
5.2
Saran
Saran yang dapat penulis ajukan adalah: 1.
Prioritas program pengentasan kerawanan pangan hendaknya diberikan pada aspek akses pangan seperti keberadaan pasar di setiap desa untuk memperlancar distribusi pangan, perluasan jangkauan listrik, penempatan fasilitas kesehatan di desa-desa, serta aspek penyerapan pangan seperti pembangunan instalasi air bersih untuk mencapai pelosok daerah.
67
2.
Prioritas berikutnya dapat diberikan pada program pemenuhan produksi pangan dengan menjaga dan memperluas keberadaan lahan pertanian bahan pangan agar pertumbuhan produksi pangan tetap dapat mengiringi pertumbuhan penduduk. Hal lain terkait ketersediaan pangan adalah pengembangan pemanfaatan pangan lokal dan diversifikasi.
3.
Pembangunan fasilitas pendukung meliputi akses jalan ke seluruh desa, fasilitas kesehatan dan pendidikan serta pelaksanaan program-program berbasis
perdesaan
hendaknya
mendapat
perhatian
serius
untuk
memeratakan kesempatan mencapai ketahanan pangan. 4.
Kajian
berikutnya
perlu
memisahkan
antara
faktor-faktor
yang
memengaruhi ketahanan pangan dan faktor-faktor yang menjadi outcome dari ketahanan pangan itu sendiri.
68
DAFTAR PUSTAKA
Anonim.
2001.
TM
MARS
User
Guide.
Salford
Systems,
Inc.
(www.salfordsystems.com) Ariani, Mewa, et al. 2006. Analisis Wilayah Rawan Pangan dan Rawan Gizi Kronis Serta Alternatif Penanggulangannya. Jakarta. Badan Penelitian dan
Pengembangan Pertanian, Departemen Pertanian BPS. 2008. Statistik Potensi Desa 2008 (Seluruh Propinsi) . Jakarta: Badan Pusat Statistik Chen, Zehua. 1993. Fitting Multivariate Regression Functions by Interaction Spline Models . Journal of the Royal Statistical Society. Series B
(Methodological), Vol. 55, No. 2. (1993), pp. 473-491. Coates, Jennifer, et al. 2007. Household Food Insecurity Access Scale (HFIAS) for Measuring of Food Access: Indicator Guide. Washington: Food and
Nutrition Technical Assistance Project (FANTA) Friedman, J. H. 1991. Multivariate Adaptive Regression Splines. The Annals of Statistics, 19:1-141 Hair et.al. 2006. Multivariate Data Analysis Fifth Edition. New Jersey : Prentice Hall International, Inc. Hanani,
Nuhfil.
2009.
Pengertian
Ketahanan
Pangan .
http://nuhfil.lecture.ub.ac.id/files/2009/03/2-pengertian-ketahanan-pangan2.pdf diakses pada 15 April 2010 Hasyim, Maylita. 2010. Pemodelan Angka Kejadian Penyakit Infeksi Tuberkulosis Paru (TB Paru) di Kabupaten Sorong Selatan (Provinsi Papua Barat) Dengan Pendekatan Multivariate Adaptive Regression Spline (MARS)
[skripsi]. Surabaya: Institut Teknologi Sepuluh November
Hidayat, Syarif. 2008. Pemodelan Desa tertinggal di Jawa Barat Tahun 2005 dengan Pendekatan MARS [Tesis]. Surabaya: Institut Teknologi Sepuluh
November Jalaludin, Moh. 2009. Pemodelan Partisipasi Anak Dalam Kegiatan Ekonomi Di Sumatera Barat Menggunakan Regresi Logistik Dan Mars [Tesis].
Surabaya : Institut Teknologi Sepuluh Nopember. Kartasasmita, Ginandjar. 2005. Ketahanan Pangan dan Ketahanan Bangsa . Keynote Speech pada Seminar: “Pengembangan Ketahanan Pangan
Berbasis Kearifan Lokal” Bandung, 26 November 2005 . Malonda, Iwan Fortuna. 2007. Peta Kerawanan Pangan Indonesia. Workshop Bakosurtanal 30-31 Agustus 2007 JCC Jakarta Nainggolan, Kaman. Program Akselerasi Pemantapan Ketahanan Pangan Berbasis
.
http://pse.litbang.deptan.go.id/ind/pdffiles/Pros_Kaman_06.pdf
diakses
pada 15 Juli 2010 pukul 16.30 Nash, M. S. dan David F.B. 2001. Parametric and Non Parametric Logistic regression for Prediction of Precense/ Absence of an Amphibian. Las
Vegas, Nevada. Ratnaningrum, Adi. 2009. Penentuan Tingkat Ketimpangan Pendapatan di Indonesia dengan Pendekatan Multivariate Adaptive Regression Spline
[Tesis]. Surabaya: Institut Teknologi Sepuluh November Rauf, A. Wahid dan Martina Sri Lestari. 2009. Pemanfaatan Komoditas Pangan Lokal Sebagai Sumber Pangan Alternatif di Papua. Jayapura: Balai
Pengkajian Teknologi Pertanian Papua. Rosario, Jennifer del dan Malonzo. 2007. Modul tentang Kedaulatan Pangan Panduan Pelatihan untuk Kedaulatan Pangan . Malaysia: PAN AP
70
Santoso,
Noviyanto.
Berdasarkan
2009. Tingkat
Klasifikasi
Kabupaten/kota
Pengangguran
Terbuka
di
Jawa
Dengan
Timur
Pendekatan
Multivariate Adaptive Regression Spline (MARS) [Skripsi]. Surabaya :
Institut Teknologi Sepuluh Nopember. Sumaryanto. 2009. Diversifikasi Sebagai Salah Satu Pilar Ketahanan Pangan. Makalah dipresentasikan dalam Seminar Memperingati Hari Pangan Sedunia. Jakarta, 1 Oktober 2009. Sekolah Tinggi Ilmu Statistik [STIS]. 2009. Pedoman Penyusunan Skripsi Jurusan Statistik. Ed. Ke-2. Jakarta : BPS. Shumiye, Alem. 2007. Determinants of Food Insecurity in Rural Households in Tehuludere Woreda, South Wello Zone of The Amhara Region [Tesis].
Ethiopia : Addis Ababa University. Tambunan, Tulus. 2008. Ketahanan Pangan di Indonesia, Mengidentifikasi Beberapa Penyebab. Jakarta: Universitas TriSakti Wahyuningrum, Siti. 2009. Pendekatan MARS untuk Ketepatan Klasifikasi Desa/Kelurahan Miskin di Kalimantan Timur Tahun 2005 [tesis].
Surabaya: Institut Teknologi Sepuluh November
71
Lampiran 1 Output BoxPlot
72
73
74
75
76
77
78
79
80
Lampiran 2 Plot Data Antara Variabel Respon dan Variabel Prediktor
81
82
83
Lampiran 3 Hasil Kombinasi Beberapa BF, MI dan MO dalam Pemilihan Model MARS
BF
MI
MO
MSE
GCV
VAR
(1)
(2)
(3)
(4)
(5)
(6)
0,055 0,053 0,054 0,056 0,042 0,038 0,038 0,040 0,056 0,051 0,051 0,055 0,035 0,030 0,034 0,033 0,056 0,047 0,052 0,055 0,034 0,025 0,023 0,026
0,067 0,067 0,067 0,066 0,055 0,052 0,052 0,054 0,068 0,067 0,066 0,066 0,052 0,047 0,050 0,051 0,069 0,067 0,067 0,067 0,052 0,045 0,045 0,048
10 12 12 10 11 12 12 11 10 12 13 10 14 15 14 12 10 11 12 10 13 15 14 13
34 1 0 34 1 1 34 1 2 34 1 10 34 2 0 34 2 1 34 2 2 34 2 10 51 1 0 51 1 1 51 1 2 51 1 10 51 2 0 51 2 1 51 2 2 51 2 10 68 1 0 68 1 1 68 1 2 68 1 10 68 2 0 68 2 1 68* 2 2 68 2 10 *Merupakan model terbaik Sumber: Output MARS 2.0 diolah
84
Lampiran 4 Output MARS 2.0 VARIABLES IN RECT FILE ARE: X1 X2 X6 X7 X11 X12 X16 X17
X3 X8 X13 X18
X4 X9 X14 STATUS
X5 X10 X15 INDEKS
C:\running final persentase.SAV[spsswin]: 346 RECORDS.
MARS VERSION 2.0.0.19 READING DATA, UP TO 998171 RECORDS. RECORDS READ: 346 RECORDS KEPT IN LEARNING SAMPLE: 346
LEARNING SAMPLE STATISTICS ========================== VARIABLE MEAN SD N SUM ---------------------------------------------------------------STATUS 0.286 0.453 346.000 99.000 X1 744.863 719.641 346.000 257722.466 X2 20.936 9.924 346.000 7243.850 X3 21.069 20.581 346.000 7289.990 X4 11.652 15.834 346.000 4031.740 X5 21.232 7.379 346.000 7346.300 X6 14.362 10.623 346.000 4969.080 X7 35.974 22.200 346.000 12447.030 X8 7.886 7.858 346.000 2728.550 X9 67.501 2.822 346.000 23355.425 X10 91.991 13.917 346.000 31828.789 X11 38.611 17.759 346.000 13359.324 X12 37.965 20.227 346.000 13136.054 X13 86.021 21.918 346.000 29763.264 X14 45.767 28.696 346.000 15835.520 X15 14.997 11.446 346.000 5188.954 X16 33.354 17.089 346.000 11540.531 X17 32.275 25.031 346.000 11166.979
Ordinal Response min Q25 Q50 Q75 max -----------------------------------------------------------------------STATUS 0.000 0.000 0.000 1.000 1.000 Ordinal Predictor Variables: 17 min Q25 Q50 Q75 max -----------------------------------------------------------------------X1 0.000 334.614 624.536 971.657 8585.440 X2 4.240 13.440 19.430 27.470 53.340 X3 0.130 4.720 16.230 30.260 100.000 X4 0.000 0.970 6.100 15.000 95.750 X5 6.800 15.400 20.100 26.200 48.800 X6 0.480 7.530 12.060 18.500 85.640 X7 1.650 18.500 32.150 49.200 98.850 X8 0.000 2.000 5.900 11.500 49.400 X9 59.164 65.891 67.608 69.310 74.317 X10 29.535 90.385 95.238 97.744 210.294
85
X11 X12 X13 X14 X15 X16 X17
2.124 2.721 0.000 0.000 0.000 0.000 0.000
26.442 21.725 84.362 20.968 7.087 20.207 11.842
36.453 32.783 94.309 44.762 11.413 31.579 25.954
48.555 50.725 98.254 68.452 20.544 43.725 48.485
100.000 94.737 124.571 100.000 70.213 95.714 115.789
Forward Stepwise Knot Placement =============================== BasFn(s) GCV IndBsFns EfPrms Variable Knot Parent BsF -------------------------------------------------------------------------0 0.205 0.0 1.0 2 1 0.128 2.0 6.0 X3 66.370 4 3 0.110 4.0 11.0 X9 63.956 6 5 0.094 6.0 16.0 X4 9.920 X3 2 8 7 0.086 8.0 21.0 X8 30.400 0 9 0.080 10.0 26.0 X2 14.380 12 11 0.078 12.0 31.0 X7 46.320 X2 0 14 13 0.075 14.0 36.0 X17 27.500 16 15 0.071 16.0 41.0 X5 19.200 X17 14 18 17 0.069 18.0 46.0 X3 27.990 X9 3 20 19 0.067 20.0 51.0 X3 16.110 X9 4 22 21 0.066 22.0 56.0 X6 34.160 X17 14 24 23 0.065 24.0 61.0 X13 68.807 26 25 0.063 26.0 66.0 X1 315.378 28 27 0.061 28.0 71.0 X11 14.679 X1 26 30 29 0.060 30.0 76.0 X7 73.480 X1 25 32 31 0.060 32.0 81.0 X5 25.100 X13 23 34 33 0.060 34.0 86.0 X13 63.158 X3 2 36 35 0.060 36.0 91.0 X10 90.756 X9 4 38 37 0.059 38.0 96.0 X12 26.190 X13 24 40 39 0.059 40.0 101.0 X9 66.132 X17 14 42 41 0.060 42.0 106.0 X8 16.400 X17 13 44 43 0.060 44.0 111.0 X1 315.378 X9 3 46 45 0.061 46.0 116.0 X5 26.500 48 47 0.061 48.0 121.0 X17 49.697 X5 45 50 49 0.062 50.0 126.0 X6 4.070 X5 45 52 51 0.063 52.0 131.0 X8 24.800 X5 45 54 53 0.062 53.0 135.0 X5 13.700 X17 14 56 55 0.063 55.0 140.0 X12 14.350 X17 14 58 57 0.063 57.0 145.0 X1 890.405 X13 24 60 59 0.064 59.0 150.0 X5 37.900 X9 3 62 61 0.064 61.0 155.0 X10 98.964 X1 26 64 63 0.065 63.0 160.0 X5 35.200 X3 2 66 65 0.065 65.0 165.0 X3 16.920 X5 45 68 67 0.066 67.0 170.0 X13 79.907 X1 25
Final Model (After Backward Stepwise Elimination) ================================================= Basis Fun Coefficient Variable Parent Knot ----------------------------------------------------------------------0 1.311 2 -0.016 X3 66.370 3 -0.074 X9 63.956 4 0.283 X9 63.956 5 .256332E-03 X4 X3 9.920 8 -0.009 X8 30.400 9 0.007 X2 14.380 11 0.003 X7 X2 46.320
86
15 16 18 19 20 21 22 23 24 25 26 27 28 29 31 32 33 34 36 37 38 40 41 43 46 48 50 51 52 53 56 57 58 59 60 61 63 66 68
-0.010 0.003 0.001 -0.010 -0.025 -.751701E-03 -0.001 -0.031 -0.050 -.162170E-03 0.001 -.311505E-04 -.182374E-03 .391962E-04 0.002 0.001 .402768E-03 .437535E-03 0.005 .440887E-03 0.002 0.005 0.003 .249326E-04 -0.040 0.002 0.033 -0.010 -0.003 0.007 -0.003 -.200368E-03 .371859E-04 0.053 0.002 0.001 -0.002 -0.005 .324919E-04
X5 X5 X3 X3 X3 X6 X6 X13 X13 X1 X1 X11 X11 X7 X5 X5 X13 X13 X10 X12 X12 X9 X8 X1 X5 X17 X6 X8 X8 X5 X12 X1 X1 X5 X5 X10 X5 X3 X13
X17 X17 X9 X9 X9 X17 X17
X1 X1 X1 X13 X13 X3 X3 X9 X13 X13 X17 X17 X9 X5 X5 X5 X5 X17 X17 X13 X13 X9 X9 X1 X3 X5 X1
19.200 19.200 27.990 16.110 16.110 34.160 34.160 68.807 68.807 315.378 315.378 14.679 14.679 73.480 25.100 25.100 63.158 63.158 90.756 26.190 26.190 66.132 16.400 315.378 26.500 49.697 4.070 24.800 24.800 13.700 14.350 890.405 890.405 37.900 37.900 98.964 35.200 16.920 79.907
Piecewise Linear GCV = 0.045, #efprms = 117.030
ANOVA Decomposition on 46 Basis F unctions ========================================= fun std. dev. -gcv #bsfns #efprms variable ------------------------------------------------------1 0.292 0.053 1 2.522 X3 2 0.321 0.079 2 5.045 X9 3 0.062 0.048 1 2.522 X8 4 0.063 0.048 1 2.522 X2 5 0.559 0.059 2 5.045 X13 6 0.173 0.051 2 5.045 X1 7 0.218 0.050 1 2.522 X5 8 0.081 0.051 1 2.522 X3 9 0.076 0.053 1 2.522 X2 10 0.295 0.062 4 10.090 X5 11 0.172 0.055 3 7.567 X3 12 0.225 0.057 2 5.045 X6 13 0.086 0.047 2 5.045 X1 14 0.052 0.049 1 2.522 X1 15 0.201 0.058 2 5.045 X5 16 0.302 0.049 2 5.045 X3 17 0.045 0.048 1 2.522 X9
X4 X7 X17 X9 X17 X11 X7 X13 X13 X10
87
18 19 20 21 22 23 24 25 26 27 28
0.243 0.075 0.036 0.081 0.034 0.207 0.065 0.391 0.194 0.041 0.138
0.051 0.048 0.046 0.047 0.046 0.055 0.047 0.047 0.050 0.047 0.048
2 1 1 1 1 2 1 3 2 1 2
5.045 2.522 2.522 2.522 2.522 5.045 2.522 7.567 5.045 2.522 5.045
X12 X9 X8 X1 X5 X5 X12 X1 X5 X1 X3
X13 X17 X17 X9 X6 X8 X17 X13 X9 X10 X5
Piecewise Cubic Fit on 46 Basis Functions, GCV = 0.074
Relative Variable Importance ============================ Variable Importance -gcv ------------------------------------------9 X9 100.000 0.091 5 X5 77.999 0.073 17 X17 71.273 0.069 3 X3 68.130 0.067 8 X8 62.613 0.063 7 X7 60.667 0.062 13 X13 55.318 0.059 1 X1 51.344 0.057 6 X6 47.305 0.056 2 X2 42.733 0.054 4 X4 35.847 0.051 12 X12 32.449 0.050 10 X10 27.440 0.049 11 X11 18.940 0.047 14 X14 0.000 0.045 15 X15 0.000 0.045 16 X16 0.000 0.045
ORDINARY LEAST SQUARES RESULTS ============================== N: 346.000 R-SQUARED: 0.903 MEAN DEP VAR: 0.286 ADJ R-SQUARED: 0.888 UNCENTERED R-SQUARED = R-0 SQUARED: 0.931 PARAMETER ESTIMATE S.E. T-RATIO P-VALUE -------------------------------------------------------------------------Constant | 1.311 0.086 15.157 .999201E-15 Basis Function 2 | -0.016 0.002 -7.738 .156430E-12 Basis Function 3 | -0.074 0.013 -5.773 .194506E-07 Basis Function 4 | 0.283 0.022 12.748 .999201E-15 Basis Function 5 | .256331E-03 .376365E-04 6.811 .533602E-10 Basis Function 8 | -0.009 0.002 -5.289 .238428E-06 Basis Function 9 | 0.007 0.001 5.047 .780277E-06 Basis Function 11 | 0.003 .333359E-03 7.670 .244027E-12 Basis Function 15 | -0.010 .910364E-03 -10.603 .999201E-15 Basis Function 16 | 0.003 .583556E-03 4.409 .145098E-04 Basis Function 18 | 0.001 .358112E-03 3.305 0.001 Basis Function 19 | -0.010 0.002 -5.963 .698144E-08 Basis Function 20 | -0.025 0.003 -7.795 .107803E-12 Basis Function 21 | -.751728E-03 .223605E-03 -3.362 .874871E-03 Basis Function 22 | -0.001 .108590E-03 -9.574 .999201E-15 Basis Function 23 | -0.031 0.004 -8.622 .999201E-15 Basis Function 24 | -0.050 0.007 -7.169 .596179E-11
88
Basis Function 25 | -.162173E-03 .299945E-04 -5.407 .131463E-06 Basis Function 26 | 0.001 .246191E-03 4.683 .430366E-05 Basis Function 27 | -.311502E-04 .731246E-05 -4.260 .274319E-04 Basis Function 28 | -.182382E-03 .547331E-04 -3.332 .969848E-03 Basis Function 29 | .391962E-04 .722642E-05 5.424 .120412E-06 Basis Function 31 | 0.002 .277238E-03 9.006 .999201E-15 Basis Function 32 | 0.001 .232930E-03 5.491 .854092E-07 Basis Function 33 | .402771E-03 .781066E-04 5.157 .458153E-06 Basis Function 34 | .437536E-03 .759811E-04 5.758 .210532E-07 Basis Function 36 | 0.005 0.001 4.830 .218110E-05 Basis Function 37 | .440896E-03 .779273E-04 5.658 .358880E-07 Basis Function 38 | 0.002 .278112E-03 6.647 .142020E-09 Basis Function 40 | 0.005 0.001 5.281 .247682E-06 Basis Function 41 | 0.003 .730993E-03 3.747 .214415E-03 Basis Function 43 | .249330E-04 .653426E-05 3.816 .164999E-03 Basis Function 46 | -0.040 0.006 -6.366 .726790E-09 Basis Function 48 | 0.002 .353550E-03 5.769 .198923E-07 Basis Function 50 | 0.033 0.009 3.700 .256124E-03 Basis Function 51 | -0.010 0.001 -8.394 .188738E-14 Basis Function 52 | -0.003 .470566E-03 -7.133 .744338E-11 Basis Function 53 | 0.007 .631595E-03 11.459 .999201E-15 Basis Function 56 | -0.003 .636136E-03 -4.459 .116475E-04 Basis Function 57 | -.200373E-03 .420586E-04 -4.764 .296298E-05 Basis Function 58 | .371880E-04 .851864E-05 4.365 .174970E-04 Basis Function 59 | 0.053 0.009 6.104 .320001E-08 Basis Function 60 | 0.002 .625324E-03 3.166 0.002 Basis Function 61 | 0.001 .349031E-03 3.885 .125792E-03 Basis Function 63 | -0.002 .580385E-03 -3.764 .201246E-03 Basis Function 66 | -0.005 0.001 -4.258 .276130E-04 Basis Function 68 | .324933E-04 .843081E-05 3.854 .142190E-03 ------------------------------------------------------------------------F-STATISTIC = 60.380 S.E. OF REGRESSION = 0.152 P-VALUE = .999201E-15 RESIDUAL SUM OF SQUARES = 6.869 [MDF,NDF] = [ 46, 299 ] REGRESSION SUM OF SQUARES = 63.805 ------------------------------------------------------------------------The Following Graphics Are Piecewise Linear srf srf srf srf srf srf srf srf srf srf srf srf srf srf srf srf srf srf srf srf srf
1: 2: 3: 4: 5: 6: 7: 8: 9: 10: 11: 12: 13: 14: 15: 16: 17: 18: 19: 20: 21:
x( x( x( x( x( x( x( x( x( x( x( x( x( x( x( x( x( x( x( x( x(
3), 2), 5), 3), 6), 1), 1), 5), 3), 9), 12), 9), 8), 1), 5), 5), 12), 1), 5), 1), 3),
x( x( x( x( x( x( x( x( x( x( x( x( x( x( x( x( x( x( x( x( x(
4). 7). 17). 9). 17). 11). 7). 13). 13). 10). 13). 17). 17). 9). 6). 8). 17). 13). 9). 10). 5).
max max max max max max max max max max max max max max max max max max max max max
= = = = = = = = = = = = = = = = = = = = =
0.98708 0.54993 1.8931 1.6856 0.72270 1.2285 1.9888 4.1375 3.2843 2.3786 3.2678 1.8089 1.4221 2.0011 0.69054 1.6891 0.36480 17.517 2.7051 1.2285 2.6745
0 curves and 21 surfaces.
Basis Functions
89
=============== BF2 = max(0, 66.370 - X3 ); BF3 = max(0, X9 - 63.956); BF4 = max(0, 63.956 - X9 ); BF5 = max(0, X4 - 9.920) * BF2; BF8 = max(0, 30.400 - X8 ); BF9 = max(0, X2 - 14.380); BF10 = max(0, 14.380 - X2 ); BF11 = max(0, X7 - 46.320) * BF10; BF13 = max(0, X17 - 27.500); BF14 = max(0, 27.500 - X17 ); BF15 = max(0, X5 - 19.200) * BF14; BF16 = max(0, 19.200 - X5 ) * B F14; BF18 = max(0, 27.990 - X3 ) * B F3; BF19 = max(0, X3 - 16.110) * BF4; BF20 = max(0, 16.110 - X3 ) * B F4; BF21 = max(0, X6 - 34.160) * BF14; BF22 = max(0, 34.160 - X6 ) * B F14; BF23 = max(0, X13 - 68.807); BF24 = max(0, 68.807 - X13 ); BF25 = max(0, X1 - 315.378); BF26 = max(0, 315.378 - X1 ); BF27 = max(0, X11 - 14.679) * BF26; BF28 = max(0, 14.679 - X11 ) * BF26; BF29 = max(0, X7 - 73.480) * BF25; BF31 = max(0, X5 - 25.100) * BF23; BF32 = max(0, 25.100 - X5 ) * B F23; BF33 = max(0, X13 - 63.158) * BF2; BF34 = max(0, 63.158 - X13 ) * BF2; BF36 = max(0, 90.756 - X10 ) * BF4; BF37 = max(0, X12 - 26.190) * BF24; BF38 = max(0, 26.190 - X12 ) * BF24; BF40 = max(0, 66.132 - X9 ) * B F14; BF41 = max(0, X8 - 16.400) * BF13; BF43 = max(0, X1 - 315.378) * BF3; BF45 = max(0, X5 - 26.500); BF46 = max(0, 26.500 - X5 ); BF48 = max(0, 49.697 - X17 ) * BF45; BF50 = max(0, 4.070 - X6 ) * BF45; BF51 = max(0, X8 - 24.800) * BF45; BF52 = max(0, 24.800 - X8 ) * B F45; BF53 = max(0, X5 - 13.700) * BF14; BF56 = max(0, 14.350 - X12 ) * BF14; BF57 = max(0, X1 - 890.405) * BF24; BF58 = max(0, 890.405 - X1 ) * BF24; BF59 = max(0, X5 - 37.900) * BF3; BF60 = max(0, 37.900 - X5 ) * B F3; BF61 = max(0, X10 - 98.964) * BF26; BF63 = max(0, X5 - 35.200) * BF2; BF66 = max(0, 16.920 - X3 ) * B F45; BF68 = max(0, 79.907 - X13 ) * BF25; Y = 1.311 + + + + + + + -
0.016 * BF2 - 0.074 * BF3 + 0.283 * BF4 + .256332E-03 * BF5 0.009 * BF8 + 0.007 * BF9 + 0.003 * BF11 - 0.010 * BF15 0.003 * BF16 + 0.001 * BF18 - 0.010 * BF19 0.025 * BF20 - .751701E-03 * BF21 - 0.001 * BF22 0.031 * BF23 - 0.050 * BF24 - .162170E-03 * BF25 0.001 * BF26 - .311505E-04 * BF27 - .182374E-03 * BF28 .391962E-04 * BF29 + 0.002 * BF31 + 0.001 * BF32 .402768E-03 * BF33 + .437535E-03 * BF34 + 0.005 * BF36 .440887E-03 * BF37 + 0.002 * BF38 + 0.005 * BF40 0.003 * BF41 + .249326E-04 * BF43 - 0.040 * BF46 0.002 * BF48 + 0.033 * BF50 - 0.010 * BF51 0.003 * BF52 + 0.007 * BF53 - 0.003 * BF56
90
- .200368E-03 * BF57 + .371859E-04 * BF58 + 0.053 * BF59 + 0.002 * BF60 + 0.001 * BF61 - 0.002 * BF63 - 0.005 * BF66 + .324919E-04 * BF68; model STATUS = BF2 BF3 BF4 BF5 BF8 BF22 BF23 BF24 BF25 BF36 BF37 BF38 BF40 BF56 BF57 BF58 BF59
BF9 BF11 BF15 BF16 BF18 BF19 BF20 BF21 BF26 BF27 BF28 BF29 BF31 BF32 BF33 F34 BF41 BF43 BF46 BF48 BF50 BF51 BF52 BF53 BF60 BF61 BF63 BF66 BF68;
==================================== LEARNING SAMPLE CLASSIFICATION TABLE ==================================== Actual Predicted Class Actual Class 0 1 Total --------------------------------------------------0 246.000 1.000 247.000 1 2.000 97.000 99.000 --------------------------------------------------Pred. Tot. 248.000 98.000 346.000 Correct 0.996 0.980 Success Ind. 0.282 0.694 Tot. Correct 0.991 Sensitivity: 0.996 Specificity: 0.980 False Reference: 0.008 False Response: 0.010 Reference = Class 0, Response = Class 1 -----------------------------------------------------------
91
Lampiran 5 Ringkasan Model dan Dekomposisi ANOVA Basis Fungsi
Koefisien
Variabel
Variabel
Basis Fungsi
Koefisien
Variabel
Variabel
(1)
(2)
(3)
(4)
(5)
(6)
(7)
(8)
2
-0,016
X3
-
33
0,004
X13
X3
3
-0,074
X9
-
34
0,004
X13
X3
4
0,283
X9
-
36
0,005
X10
X9
5
0,002
X4
X3
37
0,004
X12
X13
8
-0,009
X8
-
38
0,002
X12
X13
9
0,007
X2
-
40
0,005
X9
X17
11
0,003
X7
X2
41
0,003
X8
X17
15
-0,010
X5
X17
43
0,0002
X1
X9
16
0,003
X5
X17
46
-0,040
X5
-
18
0,001
X3
X9
48
0,002
X17
X5
19
-0,010
X3
X9
50
0,033
X6
X5
20
-0,025
X3
X9
51
-0,010
X8
X5
21
-0,008
X6
X17
52
-0,003
X8
X5
22
-0,001
X6
X17
53
0,007
X5
X17
23
-0,031
X13
-
56
-0,003
X12
X17
24
-0,050
X13
-
57
-0,002
X1
X13
25
-0,002
X1
-
58
0,004
X1
X13
26
0,001
X1
-
59
0,053
X5
X9
27
-0,003
X11
X1
60
0,002
X5
X9
28
-0,002
X11
X1
61
0,001
X10
X1
29
0,004
X7
X1
63
-0,002
X5
X3
31
0,002
X5
X13
66
-0,005
X3
X5
32
0,001
X5
X13
68
0,003
X13
X1
92
