Struktur Pendapatan Perikanan Tangkap Keluarga Nelayan dan Implikasinya... (Rikrik Rahadian, et al)

Struktur Pendapatan Perikanan Tangkap Keluarga Nelayan dan Implikasinya ..................................... (Rikrik Rahadian, et al)

STRUKTUR PENDAPATAN PERIKANAN TANGKAP KELUARGA NELAYAN DAN IMPLIKASINYA: Analisis Data Panel Kelautan dan Perikanan Nasional Structure of Capture Fisheries Income Family Fisherman and Implications: Panel Data Analysis of The National Marine and Fishery *

Rikrik Rahadian, Maulana Firdaus dan Andrian Ramadhan Pusat Penelitian Sosial Ekonomi Kelautan dan Perikanan Gedung Balitbang KP I Lt. 4 Jalan Pasir Putih Nomor 1 Ancol Timur, Jakarta Utara, Indonesia Telp: (021) 64711583 Fax: 64700924 1

Diterima tanggal: 17 September 2016 Diterima setelah perbaikan: 20 Oktober 2016 Disetujui terbit: 8 Desember 2016 *

email: [email protected] ABSTRAK

Kemiskinan merupakan sebuah kata yang sangat melekat dengan keluarga Nelayan, sehingga banyak usaha telah dilakukan oleh pemerintah untuk menanganinya, umumnya melalui pemberian bantuan serta pemberdayaan usaha keluarga nelayan. Penelitian ini dilakukan untuk melihat kondisi struktur pendapatan perikanan keluarga Nelayan selama ini melalui analisis ketergantungan pendapatan perikanan keluarga Nelayan terhadap tingkat usaha penangkapan. Analisis dilakukan dengan menggunakan analisis data Panel, dengan dua variabel berupa data rata-rata pendapatan keluarga Nelayan dan rata-rata pengeluaran BBM di enam lokasi tipologi penangkapan pada penelitian PANELKANAS – Bitung, Sampang, Sambas, Sibolga, OKI dan Purwakarta – sepanjang periode 20102013. Hasil analisis data sepanjang periode pengamatan menunjukkan beberapa fenomena berikut ini: (1). Peningkatan usaha penangkapan berpengaruh signifikan meningkatkan Pendapatan Perikanan Keluarga sebesar 15% dari nilai usaha yang dilakukan; (2). Terjadi rata-rata pendapatan perikanan non-penangkapan yang positif di semua lokasi penelitian; dan (3). Terdapat kesenjangan nilai rata-rata pendapatan perikanan non-perikanan antar lokasi penelitian. Berdasarkan hasil yang diperoleh, maka untuk membantu keluarga nelayan meningkatkan kesejahteraannya akan diperlukan kebijakan yang dapat mendorong peningkatan usaha penangkapan dan diversifikasi usaha perikanan. Kata Kunci: tingkat usaha penangkapan, perikanan tangkap, pendapatan perikanan keluarga nelayan, analisis data panel

ABSTRACT Poverty is a word closely associated with fisher’s households, thus far numerous government efforts – such as grants and empowerment programs – have been conducted to tackle this problem. This paper is aimed at scrutinizing the income structure of fisher’s households by analyzing the dependency of their income to their Catch Effort. The panel data analysis conducted based on the average Household’s Fisheries Income and its average Gasoline Expenditure data of six PANELKANAS’ Captured Fisheries locations – Bitung, Sampang, Sambas, Sibolga, Ogan Komering Ilir (OKI) and Purwakarta – which were observed through out the 2010-2013 periods. Results showed several phenomena, such as: (1). Catch effort is a significant factor positively affecting the household’s fisheries income, as much as 15% of the total effort value; (2). There has been a positive average non-captured fisheries income in every location observed; and (3). There have been disparities of the average non-captured fisheries income among different locations. With such results, poverty alleviation of fisher’s households would still require both catch-effort enhancing as well as livelihood diversifying policies. Keywords: catching effort level, capture fisheries, fisheries household income, panel data analysis

Korespodensi Penulis: Pusat Penelitian Sosial Ekonomi Kelautan dan Perikanan Gedung Balitbang KP I Lt. 4 Jalan Pasir Putih Nomor 1 Ancol Timur, Jakarta Utara, Indonesia Telp: (021) 64711583 Fax: 64700924

237

J. Sosek KP Vol. 11 No. 2 Desember 2016: 237-249

PENDAHULUAN Latar Belakang Sudah menjadi misi dari Kementerian Kelautan dan Perikanan (KKP) sebagai institusi pengelola sektor Kelautan dan Perikanan (KP) untuk meningkatkan kesejahteraan para pelaku di sektornya, terutama nelayan yang notabene merupakan pelaku sektor KP dengan tingkat kesejahteraan paling rendah. Oleh sebab itu, pada masa pemerintahan Kabinet Gotong Royong sebelumnya (2009-2014), untuk menunjukkan tekad pemerintah yang kuat dalam mengentaskan kemiskinan dan meningkatkan kesejahteraan nelayan, maka KKP telah menjadikan peningkatan pendapatan nelayan sebagai salah satu indikator dari keberhasilannya dalam melakukan pembangunan di sektor KP (KKP, 2012). Adapun indikator dari terjadinya peningkatan kesejahteraan nelayan tersebut adalah Pendapatan Bulanan Nelayan dan Nilai Tukar Nelayan (NTN) (Kementerian Kelautan dan Perikanan (KKP, 2014). Sayangnya, pada masa peralihan pemerintahan dari Kabinet Gotong Royong menuju Kabinet Kerja di medio kedua 2014 yang lalu, data NTN yang dipublikasikan oleh Badan Pusat Statistik (BPS) pada tahun 2014, cenderung mengindikasikan adanya penurunan kesejahteraan. Sepanjang periode 2009 hingga 2013 yang lalu telah terjadi kecenderungan penurunan nilai rata-rata angka NTN, dari sebesar 105,69 pada tahun 2009 menjadi 104,98 pada tahun 2013 (BPS, 2014a). Bahkan data Nilai Tukar Nelayan dan Pembudidaya (NTNP) terkini, yang dipublikasikan BPS pada tanggal 1 Desember 2014 lalu, menunjukkan terjadinya trend penurunan nilai bulanan yang lebih tinggi dibanding periode-periode sebelumnya, dari senilai 103,61 pada Oktober 2014, menjadi 102,06 pada November 2014 (BPS, 2014b). Meskipun banyak pihak meragukan ketepatan NTN dan NTNP sebagai indikator kesejahteraan Nelayan, akan tetapi oleh karena hingga saat ini, disamping angka pendapatan nelayan, belum ada indikator lain yang dapat dipergunakan, maka NTN dan NTNP masih tetap secara resmi dianggap sebagai indikator kesejahteraan nelayan. Besarnya perhatian terhadap peningkatan kesejahteraan nelayan ini dilatar belakangi oleh identiknya nelayan dengan kemiskinan. Banyak faktor penyebab dari kemiskinan nelayan, mulai dari kebijakan terdahulu yang terlalu terkonsentrasi terhadap kebijakan “darat”, sistem budaya yang 238

berlaku di kalangan nelayan, hingga ke faktor kendala internal dari nelayan sendiri yang ditenggarai banyak pihak sebagai penyebab kecenderungan terjadinya kantung-kantung kemiskinan di wilayah pesisir dan pantai Indonesia. Umumnya berbagai penelitian terkait kemiskinan nelayan yang telah dilakukan sebelumnya menuding dua kendala internal yang dialami oleh nelayan – berupa rendahnya kepemilikan nelayan atas aset produksi, serta rendahnya kemampuan sumber daya manusia nelayan dalam pemanfaatan sumberdaya alam yang tersedia – sebagai penyebab dari kronisnya kemiskinan di kalangan nelayan (Kusnadi, 2003; Natalia dan Alie, 2014; Mussawir, 2009). Hingga saat ini, kebijakan yang relatif populer di kalangan para pembuat kebijakan baik di tingkat pusat maupun daerah untuk meningkatkan kesejahteraan dari keluarga nelayan di Indonesia adalah melalui dua macam program-program bantuan sarana dan prasarana operasional, dan program pemberdayaan nelayan – yang diharapkan akan memfasilitasi terjadinya diversifikasi kegiatan usaha perikanan yang dilakukan oleh keluarga nelayan (Matdoan, 2009; Muda et al., 2006; Winoto, 2006; Natalia dan Alie, 2014; Mussawir, 2009). Akan tetapi seperti yang umumnya terjadi pada program pemerintah, sering terjadi ketidaktepatan sasaran dari program yang dilakukan, sehingga dampak dari kebijakan dirasa kurang efektif. Selain itu, muncul juga kesulitan untuk melakukan penilaian atas keberhasilan program yang telah dilakukan. Salah satu kendala utama yang mengakibatkan kurang efektifnya dampak dari kebijakan dan sulitnya dilakukan penilaian keberhasilan adalah kurangnya ketersediaan informasi hasil kajian terkait kemiskinan nelayan yang meliputi banyak lokasi pada waktu pengamatan yang bersamaan. Memang selama ini tidak sedikit penelitian yang sudah dilakukan untuk mengkaji kasus penyebab kemiskinan di kalangan nelayan khususnya di Indonesia (Mussawir, 2009; Matdoan, 2009; Agunggunanto, 2011; Firdaus et al., 2013; Natalia & Alie, 2014). Akan tetapi umumnya penelitian-penelitian tersebut dilakukan pada kasus kemiskinan nelayan spesifik di satu lokasi dan satu waktu tertentu saja, sehingga sangat menyulitkan bagi pengambil keputusan untuk melakukan sintesa berbagai informasi yang telah dihasilkan untuk membantu baik dalam proses perencanaan maupun proses evaluasi dampak dari kebijakan yang telah digulirkannya.


Sejak tahun 2006 sampai dengan saat ini, Balai Besar Penelitian Sosial Ekonomi Kelautan (BBPSEKP) dan Perikanan yang sekarang menjadi Pusat Penelitian Sosial Ekonomi Kelautan dan Perikanan (PPSEKP) telah melakukan penelitian PANELKANAS (Panel Kelautan dan Perikanan Nasional), yaitu sebuah penelitian yang bersifat panel dalam mengumpulkan data dan informasi sektor kelautan dan perikanan pada level rumah tangga. Penelitian PANELKANAS dirancang untuk memantau dan memahami berbagai perubahan jangka panjang profil rumah tangga di daerah pedesaan dengan tipe agro-ekosistem yang berbeda dan mencakup berbagai aspek ekonomi dan sosial, terutama yang berkaitan dengan isu-isu strategis pembangunan kelautan dan perikanan yang berkembang. Penelitian ini dilakukan salah satunya untuk menjawab tantangan kurangnya ketersediaan informasi pada level mikro masyarakat kelautan dan perikanan. Tujuan Penelitian Penelitian ini dilakukan untuk memperoleh informasi terkait diversifikasi usaha perikanan yang dilakukan keluarga nelayan sebagai sumber pendapatan perikanan keluarganya melalui kajian mengenai kecenderungan ketergantungan keluarga nelayan terhadap usaha penangkapan ikan. Diperkirakan kegiatan pembangunan di sektor KP selama ini telah berhasil meningkatkan kemampuan keluarga nelayan untuk memanfaatkan sumber daya KP yang tersedia melalui diversifikasi usaha perikanan non-penangkapan yang akan terlihat pada besaran kontribusi positif dalam struktur penerimaan perikanan keluarganya, dan besarnya penggunaan BBM untuk usaha penangkapan memiliki pengaruh yang positif terhadap penerimaan perikanan keluarga. Selain itu, penelitian ini juga diharapkan dapat memberikan rekomendasi kebijakan bagi usaha pengentasan kemiskinan keluarga nelayan berdasarkan hasil analisis yang telah dilakukan. METODOLOGI Waktu dan Lokasi Penelitian Penelitian ini merupakan bagian dari penelitian PANELKANAS yang dilakukan oleh Pusat Penelitian Sosial Ekonomi Kelautan dan Perikanan (PPSEKP). Bidang kajian pada penelitian tersebut dapat dibagi menurut empat kelompok tipologi sebagai berikut : (1) Perikanan Tangkap Laut (PTL); (2) Perikanan Tangkap Perairan Umum

Daratan (PTPUD); (3) Perikanan Budidaya (PB), dan; (4) Produk kelautan (tambak garam). Adapun penelitian ini hanya difokuskan pada bidang kajian bertipologi perikanan tangkap, baik PTL maupun PTPUD, dengan periode pengamatan sepanjang empat tahun, dari tahun 2010 hingga 2013. Sepanjang periode pengamatan tersebut, pada tipologi perikanan tangkap tersedia data dari enam lokasi, yaitu: Bitung, Sampang, Sambas, Sibolga, OKI dan Purwakarta. Data dan Metode Pengumpulan Penelitian ini dilakukan dengan memanfaatkan data sekunder yang telah dihasilkan oleh kegiatan penelitian PANELKANAS. Data yang dipergunakan tersebut bersifat panel– dengan kata lain memuat dimensi lokasi dan waktu – yang merupakan hasil dari survei monitoring tahunan. Data bersifat kuantitatif, berupa nilai rata-rata pendapatan keluarga yang berasal dari usaha di sektor perikanan sebagai proxy bagi pendapatan perikanan keluarga, dan data nilai rata-rata pengeluaran Bahan Bakar Minyak (BBM) sebagai proxy dari tingkat usaha penangkapan yang dilakukan. Lampiran 1 menampilkan tabel data panel yang dipergunakan untuk melakukan analisis pada penelitian ini. Belum banyaknya ditemui kajian kemiskinan nelayan yang menggunakan data panel sebagai bahan analisis, pada dasarnya disebabkan karena kekurangtersediaannya data. Hal tersebut telah disadari oleh Pusat Penelitian Sosial Ekonomi Kelautan dan Perikanan (PPSEKP) sejak lama. Oleh karena itu, untuk mengisi kekosongan data tersebut, pada tahun 2006, PPSEKP – pada saat itu masih bernama Balai Besar Riset Sosial Ekonomi KP (BBRSEKP) – telah menginisiasi kegiatan pengumpulan data panel sosial ekonomi masyarakat KP Indonesia melalui kegiatan PANELKANAS yang hingga saat ini masih terus dilangsungkan. Data yang dikumpulkan oleh kegiatan PANELKANAS ini meliputi berbagai data sosial ekonomi dari beberapa lokasi yang mewakili empat tipologi kegiatan perikanan. Adapun pengumpulan data dilakukan melalui survei secara berkala terhadap responden rumah tangga KP – sebagai unit pelaku terkecil dalam kegiatan usaha di sektor KP – yang meliputi empat tema, yaitu: Usaha, Konsumsi, Pendapatan rumah tangga dan Kelembagaan. Dengan cukup lengkapnya spektrum tipologi, kelompok responden yang

239


mewakili unit terkecil dari pelaku di sektor KP, (Heryansyah, 2013). Jarak tempuh melaut tersebut PPK= f(PPT, PPNT)……………………………………..(1) serta tema dari data yang dikumpulkan, maka data tentunya akan berhubungan dengan nilai bahan PPK= f(PPT, PPNT)……………………………………..(1) PANELKANAS dirasa sangat tepat dipergunakan bakar minyak yang dipergunakan (BBM). Semakin nelayan telah m Beberapa penelitian terkait pendapatan penangkapan untuk mengkaji dampak dari kebijakan pengentasan jauh jarak tempuh melaut, maka cenderung akan bahwa salahpenangkapan satu faktor yang signifikan mempengaruhi PPT adalah jarak t Beberapa penelitian terkait nelayan telah mengidentifikasi kemiskinan, khususnya kemiskinan padapendapatan meningkatkan nilai BBM yang dipergunakan. Oleh Hasil penelitian untuk kasus di Kabupaten Langkat menunjukkan bahwa bahwa salah satu faktor yang signifikankarena mempengaruhi PPT penelitian adalah jarak melaut. rumahtangga nelayan. itu, dalam ini,tempuh untuk variabel melaut memiliki positif yang signifikan terhadap PPT (Sujarno, 2 bebas PPT,pengaruh akan didekati dengan menggunakan Hasil penelitian untuk kasus di Kabupaten Langkat menunjukkan bahwa jarak tempuh Model Analisis penggunaan BBM pertahun. samanilai jugarata-rata dikuatkan oleh penelitian lebih kini yang serupa untuk kasus di K melaut memiliki pengaruh positif yang signifikan terhadap PPT (Sujarno, 2008). Hal yang

Secara umum, keluarga dapat Timur, dimana tempuh melaut secara signifikan samapendapatan juga dikuatkan oleh penelitian lebih kini yang serupa untuk kasus di Kabupaten Aceh berpengaruh terh PPT=jarak f (BBM) .................................……..(2) didefinisikan sebagai jumlah penghasilan, baik tangkapan nelayan (Heryansyah, 2013). Jarak tempuh melaut tersebut Timur, dimana jarak tempuh melaut secara signifikan berpengaruh terhadap produksi Dengan mensubstitusikan fungsi (2) ke berupa uang maupun barang, dari seluruh anggota berhubungan dengan nilai bahan bakar minyak yang tangkapan nelayan (Heryansyah, Jarak tempuh tersebut tentunya akandipergunakan (BBM). dalam fungsi (1), melaut maka diperoleh fungsi sebagai rumah tangga yang digunakan untuk memenuhi 2013). jarakberikut: tempuh melaut, maka cenderung meningkatkan nilai BBM yang berhubungan dengan nilai bahan minyak yang dipergunakan (BBM).akan Semakin jauh kebutuhan, dan dapat berasal dari kegiatan usahabakar Oleh akan karena itu, dalam penelitian variabel bebas PPT, akan d sendiri, bekerja jarak dan/atau tempuhpenyewaan melaut, makabarang cenderung meningkatkan nilai BBM ini, yanguntuk dipergunakan. PPK= f (BBM, PPNT) …….................…..(3) modal (Gilarso, 2008). Pada itu, keluarga nelayan, menggunakan nilai rata-rata penggunaan BBM pertahun. Oleh karena dalam penelitian ini, untuk variabel bebas PPT, akan didekati dengan pendapatan keluarga dapat diperoleh dari kegiatan Analisis yang dilakukan pada penelitian ini menggunakan nilai rata-rata penggunaan BBM pertahun. PPT= f(BBM)……………………………………..(2) yang terkait dengan usaha di sektor perikanan akan menggunakan sebuah model ekonometrika dan kegiatan yang tidak terkait dengan sektor PPT= f(BBM)……………………………………..(2) dengan pendapatan fungsi perikanan keluarga pertahun mensubstitusikan (2) ke dalam fungsi (1), maka diperoleh perikanan (non-perikanan). Secara lebih spesifik, Dengan sebagai variabel terikat dan tingkat penangkapan berikut: pendapatan keluarga nelayan dari usaha perikanan Dengan mensubstitusikan fungsi (2) kepertahun dalam fungsi (1), variabel maka diperoleh sebagai bebas. fungsi Selain sebagai itu, untuk dapat berasal dari berikut: usaha penangkapan dan usaha menggambarkan adanya perbedaan pendapatan PPK= f(BBM, PPNT)……………………………………..(3) non-penangkapan. perikanan non-perikanan keluarga yang terjadi

PPK= f(BBM, PPNT)……………………………………..(3) di Analisis masing-masing lokasi, maka model yang dilakukan pada pada penelitian ini yang akan menggunakan Pendapatan Perikanan Keluarga (PPK) dibangun juga dimasukkan enam dummy yang ekonometrika pendapatan perikanan keluarga pertahun sebagai varia dari usaha penangkapanAnalisis (Pendapatan Perikanan yang dilakukan pada penelitiandengan ini akan menggunakan sebuah model mewakili keenam lokasi yang diamati. Sebenarnya Tangkap/PPT) dapat berasal dari penjualan hasil tingkat penangkapan pertahun sebagai variabel bebas. Selain itu, untuk m ekonometrika dengan pendapatan perikanan keluarga sebagai variabel analisis yangpertahun dilakukan akan lebihterikat baikdanjika tangkapan, balas jasa sebagai Anak Buah Kapal adanya perbedaan non-perikanan tingkat penangkapan pertahun sebagai mengasumsikan variabel bebas.pendapatan Selain itu, perikanan untuk menggambarkan terdapat perbedaan antar waktu,keluarga yang ter dan imbalan atas kepemilikan kapital bagi usaha masing lokasi, maka pada model yang dibangun juga dimasukkan enam akan tetapi karena data yang tersedia bersifat adanyakapal perbedaan pendapatan perikanan non-perikanan keluarga yang terjadi di masingpenangkapan (modal, dan alat tangkap). unbalanced maka tidak memungkinkan model keenamjuga lokasidimasukkan yang diamati. Sebenarnya analisis yang dilakukan a Sedangkan pendapatan keluarga dari mewakili masing perikanan lokasi, maka pada model yang dibangun enam dummy yang untuk mengakomodir asumsi tersebut. Hal ini terjadi usaha non penangkapan jika Sebenarnya mengasumsikan terdapat antar lebih waktu, akan tetapi karena data mewakili (Pendapatan keenam lokasi Perikanan yang diamati. analisis yangperbedaan dilakukan akan baik sebagai akibat dari tidak lengkapnya ketersediaan Non-tangkap/PPNT) diperoleh dari usaha yang bersifat unbalanced maka tidak memungkinkan model untuk mengako jika mengasumsikan terdapat perbedaandata antar beberapa waktu, akan lokasi tetapi karena yang tersedia (OKI,data Purwakarta dan tidak berkaitan langsung dengan kegiatan tersebut. Hal ini terjadi sebagai akibatawal dari (Lampiran tidakasumsi lengkapnya ketersediaan bersifat unbalanced maka tidak memungkinkan model untuk mengakomodir Sambas) untuk beberapa tahun 1). penangkapan seperti pemasaran hasil tangkapan, Bentuk persamaan ekonometrika dari yang lokasi (OKI, Purwakarta dan Sambas) untuk beberapa tahun awal (Lampi tersebut. ini terjadi sebagai akibat dari tidak lengkapnya ketersediaan data model beberapa pengolahan, perbaikan alat,Hal kapal dan mesin serta akan dikembangkan dapat dilihat sebagai berikut: persamaan ekonometrika dariawal model yang akan dapat dilihat s berbagai kegiatanlokasi penunjang lainnya. Sehingga (OKI, Purwakarta dan Sambas) untuk beberapa tahun (Lampiran 1).dikembangkan Bentuk berdasarkan definisi tersebut, besarnya PPK persamaan ekonometrika dari model yang akan sebagai �� dilihat � �� berikut: �� dikembangkan �� dapat � �� merupakan fungsi dari pendapatan perikanan tangkap dan pendapatan non-tangkap, � �� .....(4) ��perikanan � �� Dimana: dengan bentuk seperti berikut: PPK : Pendapatan Perikanan Keluarga (Rp./th); Dimana:

BBMDimana/ : UsahaWhere: Penangkapan berupa Nilai Pengeluaran BBM (Rp/th); PPK : Pendapatan Perikanan Keluarga PPK= f (PPT, PPNT) …............................(1) SIB (Rp./th); : dummy lokasi Sibolga; PPK = Pendapatan Perikanan Keluarga (Rp./ BBM : Usaha Penangkapan berupa Nilai Pengeluaran BBM (Rp/th); SBS : dummy lokasi Sambas; th)/ Family Fishing SIB : dummy lokasi Sibolga; Beberapa penelitian terkait pendapatan PUR : dummy lokasi Purwakarta; Income (Rp./th) SBStelah : dummy lokasi Sambas; =..Usaha Penangkapan berupa Nilai : dummy lokasi OKI; penangkapan nelayan mengidentifikasi bahwa OKI BBM PUR : dummy lokasi Purwakarta; BIT Pengeluaran BBM (Rp/th)/ Fishing : dummy lokasi Bitung; salah satu faktor yang mempengaruhi OKIsignifikan : dummy lokasi OKI; PPT Enterprises in the form of fuel expenditure adalah jarak tempuh Hasillokasi penelitian BITmelaut. : dummy Bitung;untuk Value (USD / year) kasus di Kabupaten Langkat menunjukkan bahwa SIB = Dummy lokasi Sibolga/ Dummy location jarak tempuh melaut memiliki pengaruh positif Sibolga yang signifikan terhadap PPT (Sujarno, 2008). Hal SBS = Dummy lokasi Sambas/ Dummy Sambas yang sama juga dikuatkan oleh penelitian lebih kini locations yang serupa untuk kasus di Kabupaten Aceh Timur, PUR =..Dummy lokasi Purwakarta/Dummy dimana jarak tempuh melaut secara signifikan Purwakarta locations berpengaruh terhadap produksi tangkapan nelayan OKI = Dummy lokasi OKI/Dummy OKI location

240

~ Dimana x �

NT

�� x i �1 t �1

it

; dan

xit � xit � x

Struktur Pendapatan Perikanan data Tangkap Keluarga Nelayan danmengakibatkan Implikasinya ..................................... (Rikrik et al) menjadi panel umumnya derajat kebebasan (df) Rahadian, dari model

me

sehingga hasil estimasi yang dihasilkan akan menjadi lebih efisien. Oleh karena itu: BIT

=..Dummy lokasi Bitung/Dummy Bitung location SAM =..Dummy lokasi Sampang/ Dummy Sampang locations Bitung/ dummy Bitung location = Error Term; Sampang/ dummy Sampang locations …7 = Koefisien-koefisien parameter/ The coefficients parameter SAM Sampang; SAM : :dummy dummylokasi lokasi Sampang;

lokasi lokasi erm; : dummy lokasi Sampang; en-koefisien parameter/ The coefficients parameter �� : :Error Term; Error Term;

: Error Term; Metode Analisis Data ��… : :Koefisien-koefisien …77parameter. Koefisien-koefisienparameter. parameter. : Koefisien-koefisien

s Data

Untuk

mengetahui

kecenderungan

��

var �ˆ �

var�uit � N

T

�� ~x i�1 t �1

2 it

Keterangan/Remaks y : Variabel Terikat/Bound variabel X : Variabel terikat/Regresor variable α : Intersep

u

: Parameter kemiringan/Tilt parameter

Metode Data MetodeAnalisis Analisis Data u : Error Term e Analisis Dataketergantungan keluarga Nelayan Tangkap mengetahui kecenderungan ketergantungan keluarga Nelayan Tangkap i : Dimension cross-section terhadapUntuk usaha penangkapan dalam memperoleh ketergantungan mengetahui kecenderungan keluarga Nelayan Untuk mengetahui kecenderungan ketergantungan keluarga Nelayan Tangkap Tangkap Untuk mengetahui kecenderungan ketergantungan keluarga Nelayan Tangkap

t keluarga : Dimension time-series pendapatan perikanan keluarga seperti yang menjadi penangkapan dalam memperoleh pendapatan perikanan seperti terhadap terhadap usaha usaha penangkapan penangkapan dalam dalam memperoleh memperoleh pendapatan pendapatan perikanan perikanan keluarga keluarga seperti seperti

N : Total cross-section ap usaha penangkapan dalam ini, memperoleh perikanan keluarga seperti tujuan penelitian maka data pendapatan panel yang telah T : Total time-series ujuan penelitian ini,menjadi maka data panel yang telah diperoleh dapat dianalisis diperoleh dapat dianalisis dengan menggunakan yang tujuan penelitian ini, maka data panel yang telah diperoleh yang menjadi tujuan penelitian ini, maka data panel yang telah diperoleh dapat dapat dianalisis dianalisis menjadi tujuan penelitian ini, maka data panel yang telah diperoleh dapat dianalisis

tiga metode analisis data panel standar (Gujarati, nakan tiga metode analisis datadata panel standar (Gujarati, 2003), yaitu:(Gujarati, (1). dengan menggunakan tiga metode analisis data panel standar 2003), dengan menggunakan tigapanel metode analisis dataMetode panel standar (Gujarati, 2003), yaitu: yaitu: (1). (1). FEM menggunakan tiga metode analisis standar (Gujarati, 2003), yaitu: (1). 2003), yaitu: (1). Metode Common Effect Model

Metode Effect Model (CEM); (2). Metode Fixed Effect Model Metode Common Effect Model (CEM); (2). Metode Fixed dan Effect Model (FEM); (FEM); dan (3). (3). (CEM); (2).Common Metode Effect Model (FEM); dan onCommon Effect Model (CEM); (2). Fixed Metode Fixed Effect Model (FEM); dan (3). Asumsi yang dipergunakan padadan model CEM Effect Model (CEM); (2). Metode Fixed Effect Model (FEM); (3). (3). Metode Random Effect Model (REM). Pada

tentunya sangat tidak memenuhi kondisi di realitas.

Metode Random Effect Model (REM). Pada bagian berikut didi bawah Metode Random Effect Model berikut (REM). Pada bagian berikut bawah ini ini akan akan dijelaskan dijelaskan Metode Metode FEM FEM m Random Effect Model (REM). Pada bagian di bawah ini dijelaskan Effect Model (REM). Pada di bawah ini akan akan dijelaskan Metode Metode FEM FEM bagian berikut di bawah ini bagian akanberikut dijelaskan secara Pada kenyataannya akan terjadi perbedaan pada secara secararingkas ringkasmasing-masing masing-masingmodel modelanalisis analisisdata datapanel paneltersebut. tersebut.

Asumsi Asumsi yang yang dipergunakan dipergunakan pada pada model model CEM CEM tentunya tentunya sangat sangat tidak tidak meme mem ringkas masing-masing model analisis data panel Metode FEM memperbaiki ringkas masing-masing analisis data panel tersebut. Asumsi Asumsi yang yangmasing-masing dipergunakan dipergunakan individu. pada pada model model CEM CEM tentunya tentunya sangat sangat tidak tidak me m masing-masing modelmodel analisis data panel tersebut.

tersebut.

kekurangan dari metode CEM dengan menerima kondisi kondisi didi realitas. realitas. Pada Pada kenyataannya kenyataannya akan akan terjadi terjadi perbedaan perbedaan pada pada masing-ma masing-m kondisi kondisi di di realitas. realitas. Pada Pada kenyataannya kenyataannya akan akan terjadi terjadi perbedaan perbedaan pada pada masing masing Metode CEM asumsi adanya perbedaan perilaku data antara Metode CEM individu. individu.Metode MetodeFEM FEMmemperbaiki memperbaikikekurangan kekurangandari darimetode metodeCEM CEMdengan denganmenerima menerimaas a e CEM Metode CEM individu. individu.Metode MetodeFEM FEMmasing-masing memperbaiki memperbaikikekurangan kekurangan dari metode metode CEM CEM dengan denganmenerima menerim individu dari dan antar waktu. Pendekatan CEM ini merupakan pendekatan paling sederhana dalam mengestimasi Pendekatan CEM ini merupakan pendekatan paling sederhana dalam mengestimasi adanya adanya perbedaan perbedaan perilaku perilaku data data antara antara masing-masing masing-masing individu individu dan dan antar antar ww Pendekatan CEM ini merupakan pendekatan paling sederhana dalam mengestimasi Perbedaan perilaku data tersebut digambarkan adanya adanya perbedaan perbedaandalam perilaku perilaku data data antara antara masing-masing masing-masing individu individu dan dan antar antar Pendekatan CEM ini merupakan pendekatan tan CEM ini merupakan pendekatan paling sederhana mengestimasi Perbedaan Perbedaan perilaku perilaku data data tersebut tersebut digambarkan digambarkan melalui melalui adanya adanya perbedaan perbedaan baik baik inter inte data dan dilakukan dengan menggunakan metode Ordinary Least Square (OLS). data panel, panel, dan dilakukan dengan menggunakan metode Ordinary Least Square (OLS). melalui adanya perbedaan baik intercept bagi anel, dan dilakukan menggunakan metode Ordinary Least Square (OLS). paling dengan sederhana dalam mengestimasi data Perbedaan Perbedaan perilaku perilaku data data tersebut tersebut digambarkan digambarkan melalui melalui adanya adanya perbedaan perbedaan baik baik i masing-masing individu melalui ditambahkannya bagi bagi masing-masing masing-masing individu individu melalui melalui ditambahkannya ditambahkannya variabel variabel dummy dummy ke ke dalam dalam mm dilakukan dengan menggunakan metode Ordinary Least Square (OLS). panel, dan dilakukan dengan menggunakan Pada model ini diasumsikan bahwa perilaku data baik antar individu maupun antar waktu Pada model ini diasumsikan bahwa perilaku data baik antar individu maupun antar waktu model ini diasumsikan bahwa perilaku data baik antar individu maupun antar waktu bagi bagi masing-masing masing-masing individu individu melalui melalui ditambahkannya ditambahkannya variabel variabel dummy dummy ke dalam dalam variabel dummy ke dalam model untuk menangkap untuk untuk menangkap menangkap adanya adanya masalah masalah heterogenitas heterogenitas baik baik antar antar individu individu (Cross (Crosske section section efe metode Ordinary Least Square (OLS). Pada adalah sama, sehingga berbagai parameter hasil estimasi, baik intercept maupun slope, adalah sama, sehingga berbagai parameter hasil estimasi, baik intercept maupun slope, diasumsikan bahwa perilaku data baik antar individu maupun antar waktu adanya masalah heterogenitas baik antar individu sama, sehingga berbagai parameter hasilperilaku estimasi, baik intercept maupun slope, untuk untuk menangkap menangkap adanya adanya masalah masalah heterogenitas heterogenitas baik baik antar antar individu individu (Cross (Cross section sectio model ini diasumsikan bahwa data baik maupun maupunantar antarwaktu waktu(time (timeeffect). effect).Oleh Olehkarena karenaitu, itu,persamaan persamaanawal awalCEM CEMakan akandimodif dimod (Cross section effect) maupun antar waktu (time akan berlaku terhadap seluruh individu. Bentuk persamaan dari model CEM adalah sebagai akan berlaku terhadap seluruh individu. Bentuk persamaan dari model CEM adalah sebagai antar individu maupun antar waktu adalah sama, ehingga berbagai parameter hasil estimasi, baik intercept maupun slope, maupun maupun antar antar waktu waktuCEM (time (timeadalah effect). effect). Oleh karena karena itu,persamaan persamaan awal awal CEM CEMakan akandim dim erlaku terhadap seluruh individu. Bentuk persamaan dari model sebagai seperti seperti berikut: berikut: effect). Oleh Oleh karena itu, itu, persamaan awal CEM sehingga berbagai parameter hasil estimasi, baik berikut: berikut: akanadalah dimodifikasi seperti berikut: seperti berikut: berikut: hadap seluruh individu. Bentuk persamaan dari model CEM sebagai ' ' intercept maupun slope, akan seperti berlaku terhadap yyit it��oioi��1 d1 d1it1it��2 d2 d2it2it�� N Ndd2 Nt it it 2 Nt��XXit it��uu

seluruh individu. Bentuk persamaan dari model yyit it �� i i �� XXit'yity'�� u�uit it �� dd �� dd �� ' ��NNdd2 2NtNt ��XXit' it' �� uuitit y it � �berikut: itit oioi 1 1 1it 1it 2 2 2 it 2 it CEM adalah sebagai i � X it � � u it atau atau dan

y it � � i � X it' � � u it

' ' atau atau yyit it��oioi��1 d1 d1it1it��2 d2 d2 it2 it� �� N Ndd2 Nt i i��vv it it 2 Nt��XXit it��

' ' kata ��i ihasil model akan berlaku untuk semua individu, hasilestimasi estimasi modeltersebut tersebut akan dianggap berlaku untuk semua individu, dengan kata ��oioi �� NNdd2dengan l estimasi model tersebut akan dianggap berlakuMetode untukdianggap semua dengan it � 1 1dd1it 1it �� 2kata 2dd2 2itit �� 2NtNt ��XXitit�� i i ��vvitit Metode REM REM yyitindividu, Keterangan/Remaks

estimasi modelberlaku tersebut untuk akan dianggap α i hasil i model tersebut akan dianggap semua individu, dengan kata

Dengan Dengan memasukkan memasukkan variabeldummy dummy kedalam modelseperti sepertiyang yangdilakukan dilakukanp berlaku semua individu, dengan kata lain d1atas … dNadalah: :variabel Dummy individukedalam 1 – N model ��i iuntuk ��. .Rumus bagi model lain Rumus bagipengestimasian pengestimasian modeldidi atas adalah: lain � � . Rumus bagi Metode Metode REM REM pengestimasian model di atas adalah: model di maka α = α . Rumus bagi pengestimasian metode metode FEM, FEM, maka terjadi terjadi penurunan penurunan nilai nilai df, df, sehingga sehingga hasil hasil estimasi estimasi berku berk

i mus bagi pengestimasian model di atas adalah:

atas adalah:

Dengan Dengan memasukkan memasukkan variabel variabel dummy dummy kedalam kedalam model model seperti seperti yang yang dilakuka dilakuk efisiensinya. efisiensinya. Kekurangan Kekurangantersebut tersebut diatasi diatasi oleh oleh model modelREM REM dengan dengan mengasumsikan mengasumsikan

11 NN TT ~~ ~~ Metode REM 1 metode metode FEM, FEM, maka terjadi terjadi penurunan penurunan nilai nilai df, df, sehingga sehingga hasil hasil estimasi estimasi be bd xxitityantara ~ ~ yitmaka dengan regressor regressor (X (Xit). Metode REM REM ini initidak tidak ada ada korelasi korelasi antara efek efek individu individu (µ(µi)i)dengan � � � � it it).Metode xit y it � Dengan memasukkan variabel dummy NT NT T ~ 1 ˆ N NT � i t 1 1 � � i t 1 1 � � ~ ~ ~ ~ ~ ~ ~ ; ;dan dan �ˆ�ˆ � �� model yy �� diatasi xx biasa, � �OLS ~y �NN� TT~ efisiensinya. efisiensinya. Kekurangan tersebut tersebut diatasi oleh olehnamun model modeldengan REM REM dengan dengan mengasumsik mengasumsik diestimasi dengan dengan menggunakan menggunakan OLS biasa, namun dengan menggunakan menggunakan Genera Gener ; dan kedalam seperti yang dilakukan pada metode � �i �1 ti��11Nxt �it1Ty it �~ �diestimasi xKekurangan 1 1 2 2 ~ ~ 1 NT ~ ~ ~ 2 ˆ x ~ x FEM, maka terjadi penurunan df, Least Least (GLS). Bentuk Bentuk persamaan persamaan metode metode REM REMnilai ini iniadalah adalah sebagai sebagaiberikut: berikut: dengan regressor regressor (X (X Metode Metode REM REM ini ini tida tid ada korelasi antara efek efek individu individu (µ (µi)i) dengan � �Square � itit(GLS). �� it). it).sehingga �NT ykorelasi �� Square xantara � � xit; dan �ada NT i �i 1�1 t �t 1�1 N NT T 1 hasil estimasi berkurang efisiensinya. Kekurangan N

T

� �

� � NT

~ xit

i �1 t �12

diestimasi diestimasi dengan dengan menggunakan menggunakan OLS OLS biasa, biasa, namun namun dengan dengan menggunakan menggunakan Gen Gen ' yyit it��0 0��tersebut �i �i ��XXit' it� �i i�diatasi �uuit it oleh model REM dengan Least LeastSquare Square(GLS). (GLS).Bentuk Bentukpersamaan persamaan metode metode REM ini iniadalah adalah sebagai berikut: N T mengasumsikan tidak adaREM korelasi antarasebagai efek berikut: 11 NN TT ~ ~ ~ ~ ~ ~ 1 ~ ~ dimana ; dan x � x � x x � x � x ~ x � x x � x ' ' Dimana ; dan Dimana ; dan it it it it it it xit � x ��i i��u(μ xit ; dan xit � ��0 0��XXit it��individu �� uit iti�)�dengan regressor (Xit). Metode REM ini a x� NT NT ' i �i 1�1 t �t 1�1 N T NT � � yyitit �� 0 0 ��i i�tidak ��XXit' itdapat ��i i ��uuitdiestimasi i �1 t �1 ~ ~ dengan menggunakan OLS it NT ). i�1 t �1data xit ; dan panel xumumnya it � x it � xmengakibatkan derajat ' ' biasa, namun dengan Generalized data panel umumnya mengakibatkan derajat kebebasan (df) dari model menjadi data panel umumnya mengakibatkan derajat kebebasan (df) dari model menjadimeningkat, meningkat, ��0model �� it it 0��XXit it anel umumnya mengakibatkan derajat kebebasan dari menjadi meningkat, menggunakan kebebasan (df) dari model menjadi (df) meningkat, '' Least (GLS). Bentuk persamaan metode ��i i ��lebih ��0 0model �� XXitit�� menjadi uSquare uitit��meningkat, mnya mengakibatkan derajat kebebasan (df) dari sehingga hasil estimasi yang dihasilkan akanOleh sehingga hasil yang akan menjadi sehingga hasilestimasi estimasi yangdihasilkan dihasilkan akan menjadi lebih efisien.Oleh Olehkarena karenaitu: itu: ga hasil estimasi yang dihasilkan akan menjadi lebih efisien. karena itu:efisien. REM ini adalah sebagai berikut: dimana: dimana: menjadi lebih efisien. Oleh karena itu: stimasi yang dihasilkan akan menjadi lebih efisien. itu: ��0 0 ��Oleh XX' '��var ��karena ��it�u it �� it itˆ�ˆ��it�iiti�var �uuit it�u itit var u � � var var�� NN TT var �ˆ � N T it 241 ~~22 2 dimana: var u ~xdimana: Uji UjiModel ModelTerbaik Terbaik xxitit i �1

t �1

��

� �

��

var �ˆ �

��

��

�� it � T

�i�1 �t �1 ~xit N

i�1 t �1 2

��

it

�� i�i1�1 t �t1�1

Pengujian modelmana manayang yangterbaik terbaikdari dariketiga ketigamodel modeldidiatas atasmerupakan merupakanseb se ��itit � �Pengujian ��i i ��uuitit model

efisiensinya. Kekurangan tersebut diatasi oleh model REM dengan mengasumsikan tidak (X REM ini Generalized tidak dapat ada korelasi antara efek individu (µ memilih model regressor terbaik yang dipergunakan menganalisis data panel. i) dengan it). Metode diestimasi dengan menggunakan OLS biasa, namun dengan menggunakan Least Square (GLS). Bentuk persamaan metode REM ini adalah sebagai berikut: ada korelasi antara efek individu (µi) dengan regressor (Xit). Metode REM ini tidak dapat diestimasi dengan OLS biasa, menggunakan Uji Signifikansi Fixed (Chow Test) Least Square (GLS).menggunakan Bentuk persamaan metodenamun REMEffect inidengan adalah sebagai berikut:Generalized J. Sosek KP Vol. 11 No. 2 Desember 2016: 237-249 ' diestimasi dengan menggunakan OLS biasa, namun dengan menggunakan Generalized � � X it �persamaan y it � �(GLS). � 0 � � iBentuk i � u it Least Square metode REM iniEffect adalah sebagai berikut: Uji signifikansi Fixed ini digunakan untuk memilih model mana yang lebih baik ' Least Square metode REM ini adalah sebagai berikut: y it (GLS). � �� 0 �Bentuk � i � � Xpersamaan it � i � u it antara CEM dengan FEM. Uji ini dilakukan untuk melihat apakah terjadi penurunan residual ' ' � ��Xi it��ui it��u it sum of squarejumlah (RSS) ketika dilakukan penambahan variabel dummy. Untuk memutuskan hal y�it ��0�� 0X�it � i � periode waktu, dan k adalah jumlah y it � �� 0 � � i '� � X it' � i � u it tersebut maka dilakukan pengujian dengan uji F-statistic. Adapaun uji F-statistic-nya adalah � � 0 � X it � � �� i � u it � parameter dalam model fixed effect. ' sebagai berikut: ��0 0��XXit' it�� iti � u it � � � 0 � X it' � �' �� i � u it � Hipotesis nul-nya adalah bahwa intersep ( RSS1 � RSS 2 ) / n � 1 � � 0 � X it � � � it F � sama. kedua model adalah Nilai ' dimana: � k ) F-statistik hitung ( RSS 2 ) /(nT �dimana: � 0 � X it � � � it ' akan mengikuti distribusi F dengan derajat bebas � � 0 � X it � � � it dimana RSS1 dan RSS2 merupakan residual sum of squares model tanpa peubah dummy dimana: (degree of freedom/ dof) sebanyak (n-1) atau dan model fixed effect dengan peubah dummy. (n-1) atau m merupakan jumlah restriksi atau dimana: � it � � i � u it m untuk numerator dan sebanyak (nT-k) untuk pembatasan di dalam model tanpa peubah dummy, sedangkan n merupakan jumlah dimana: � it � � i � u it Keterangan/Remaks: denumerator. Jika nilai F statistik lebih besar dari pengamatan, T merupakan jumlah periode waktu, dan K adalah jumlah parameter dalam Uji Model � it �Terbaik � i � u it nilai F table pada signifikansi tertentu, hipotesis nul model fixed effect. � it+�u� Terbaik i � u it ε it =εµit Uji +µuModel i= iit ditolak,model yang berarti asumsi koefisien intersep it Pengujian model mana yang terbaik akan dari ketiga di atas merupakan sebuah Uji Model Terbaik Hipotesis nul-nya adalah bahwa intersep kedua model adalah sama. Nilai F-statistik dan slope adalah sama tidak berlaku, sehingga α 0 =.Rata-rata dari memastikan seluruh Pengujian modeluntuk mana yang terbaik dari ketiga model di atas merupakan sebuah prosesTerbaik yang intersep penting bahwa setiap parameter dalam model telah Uji Model dengan derajatdengan bebas (degree freedom/ dof) sebanyak teknik distribusi regresi Fdata panel FEMof lebih baik pengamatan/The average intercepthitung of allakan mengikuti Pengujian model mana yang(n-1) terbaik dari ketiga model di atas merupakan sebuah atau m untuk numerator dan sebanyak (nT-k) untuk denumerator. Jika nilai F statistik proses yang penting untuk memastikan bahwa setiap parameter dalam model telah diestimasi dengan tepat. Terlebih lagi model yang terpilih tersebut akan berfungsi untuk dari model regresi data panel dengan CEM. observations Pengujian model mana yang terbaik dari ketiga model di atas merupakan sebuah lebih besarbahwa dari nilai setiap F table pada signifikansi dalam tertentu, hipotesis nul akan ditolak, yang proses yang penting untuk memastikan parameter model telah diestimasi dengan tepat.individu Terlebih lagi model yang terpilih tersebut akan berfungsi untuk menempatkan analisis yang dilakukan ke dalam konteksnya, sehingga akan menjadi µi =.Efek random spesifik ke-i/rataproses yang penting untuk memastikan setiap parameter model Hausman berartibahwa asumsiUji koefisien intersep dan slopedalam adalah sama tidaktelah berlaku, sehingga teknik diestimasi dengan tepat.individu/Individual Terlebih lagi model yang terpilih tersebut akan berfungsi untuk .rata masing-masing menempatkan analisis yang dilakukan ke panel dalam konteksnya, sehingga akan menjadi regresi data dengan FEM lebih baik dari model regresi data panel dengan CEM. diestimasi dengan tepat. Terlebih lagi model yang terpilih tersebut akan berfungsi untuk Uji ini dilakukan untuk melihat mana model .specific random effects all i dilakukan / Average ke dalam konteksnya, sehingga akan menjadi menempatkan analisis yang Uji Hausman terbaik di antara FEM dengan REM. Uji ini dilakukan individual analisis yang dilakukan ke dalam konteksnya, sehingga akan menjadi menempatkan Uji ini apabila dilakukan untuk melihat manatest model terbaik di antara FEM dengan REM. Uji ternyata chow mengindikasikan bahwa ini dilakukan apabila ternyatabaik chow daripada test mengindikasikan baik daripada FEM lebih CEM. bahwa UntukFEM itu lebih maka Uji Model Terbaik CEM. Untuk itu maka digunakanlah Langrange-Multiplier (LM-Test). Nilai Statistik LM digunakanlah uji uji Langrange-Multiplier (LM-Test). Pengujian model mana yang terbaikdihitung dari berdasarkan rumus: Nilai Statistik LM dihitung berdasarkan rumus: ketiga model di atas merupakan sebuah proses 2 2 yang penting untuk memastikan bahwa setiap � n � T � �2 � � � n � � � �� eit � � (T eit ) 2 � � � parameter dalam model telah diestimasi dengan nT � i �1 � t �1 � nT � i �1 � 1� � � 1� LM � � tepat. Terlebih lagi model yang terpilih tersebut 2(T � 1) � n T � 2(T � 1) � n T � � e e � � � it � � it �� 1 1 1 1 � � � � i t i t akan berfungsi untuk menempatkan analisis �� yang dilakukan ke dalam konteksnya, sehingga Keterangan/Remaks: akan menjadi kerangka bagi tujuan analisis serta n = Jumlah Individu/ Individu Total; interpretasi dari hasil estimasi (Borenstein et al., T = Periode waktu/ Time period 2010). Di bawah berikut akan dijelaskan secara tujuan analisis serta interpretasi dari hasil estimasi (Borensteine et al., = 2010). Residual Metode OLS/ Residual Method singkat dua uji yang umumnya dipergunakan OLS ut akan dijelaskan secara singkat dua uji yang yang dipergunakan umumnya dipergunakan untuk untuk memilih model terbaik menganalisis data panel. Uji ini berdasarkan distribusi chi-squares, terbaik yang dipergunakan menganalisis data panel.

X2 dengan derajat kebebasan (degree of freedom/ dof) sebesar jumlah variabel bebas yang ada di i Fixed Effect (Chow Test) dalam model. Jika nilai LM statistik lebih besar dari Uji signifikansi Fixed Effect ini digunakan nilai lebih kritis statistik chi-squares maka kita menolak untuk memilih model mana lebih model baik antara kansi Fixed Effect ini digunakan untukyang memilih mana yang baik hipotesis nul (Metode FEM lebih baik daripada CEM dengan FEM. Uji ini dilakukan untuk melihat ngan FEM. Uji ini dilakukan untuk melihat apakah terjadi penurunan residual REM). Artinya, metode estimasi yang terbaik untuk apakah terjadi penurunan residual sum of square (RSS) ketika(RSS) dilakukan penambahan dummy. Untuk memutuskan haldata data panel adalah metoda REM. model regresi ketika dilakukan variabel penambahan variabel dummy. Untuk memutuskan hal tersebut maka dilakukan pengujian dengan uji F-statistic. Adapaun uji F-statistic-nya adalah dilakukan pengujian dengan uji F-statistic. Adapaun HASIL DAN PEMBAHASAN : uji F-statistic-nya adalah sebagai berikut: Pemilihan Model Uji Signifikansi Fixed Effect (Chow Test)

F�

( RSS1 � RSS 2 ) / n � 1 ( RSS 2 ) /(nT � k )

Pada bagian berikut akan disampaikan hasil analisis yang dilakukan untuk melihat model mana yang paling tepat untuk dipergunakan dan RSS2 merupakan residual sum merupakan of squaresresidual model tanpa dimana RSS1 dan RSS2 sum peubah dummy menganalisis data PANELKANAS dari ketiga of squares tanpa peubah dan model d effect dengan peubahmodel dummy. (n-1) ataudummy m merupakan jumlahmetode restriksianalisis atau yang telah ditetapkan. Lampiran fixed effect dengan peubah dummy. (n-1) atau m 2 menunjukkan hasil analisis menggunakan i dalam model tanpa peubah dummy, sedangkan n merupakan jumlah merupakan jumlah restriksi atau pembatasan di Chow-test untuk menilai metode CEM atau FEM merupakandalam jumlahmodel periode waktu, dandummy, K adalah jumlah parameter dalam tanpa peubah sedangkan yang lebih baik dipergunakan untuk menganalisis n merupakan jumlah pengamatan, T merupakan ect. data PANELKANAS. Hasil analisis menunjukkan

242 bahwa intersep kedua model adalah sama. Nilai F-statistik s nul-nya adalah

engikuti distribusi F dengan derajat bebas (degree of freedom/ dof) sebanyak

metoda REM. HASIL HASIL DAN DANPEMBAHASAN PEMBAHASAN HASIL DAN PEMBAHASAN

SAN


Pemilihan PemilihanModel Model Pemilihan Model Pada Pada bagian bagian berikut berikut akan akan disampaikan disampaikan hasil hasil analisis analisis yang yang dilakukan dilakukan untuk untuk melihat melihat Pada bagian berikut akan disampaikan hasil analisis yang dilakukan untuk melihat kan disampaikan hasil baik analisis yang dilakukan untuk melihat bahwa nilai Prob. F dan Chi-square bernilai Secara statistik, model yang dibangun dapat model model mana mana yang yang paling paling tepat tepat untuk untuk dipergunakan dipergunakan menganalisis menganalisis data data PANELKANAS PANELKANAS dari dari kut akan model disampaikan hasil analisis yang dilakukan untuk melihat mana yang paling tepat untuk dipergunakan menganalisis data PANELKANAS dari kecil (0), sehingga dapat disimpulkan bahwa model dikatakan cukup baik. Meskipun kemampuan model at untuk dipergunakan menganalisis data PANELKANAS dari ketiga ketiga metode metode analisis analisis yang yang telah telah ditetapkan. ditetapkan. Lampiran Lampiran 2 2 menunjukkan menunjukkan hasil hasil analisis analisis FEM lebihanalisis baik dibandingkan model CEM untuk menjelaskan hasil variasi pada Pendapatan g tepat untuk dipergunakan menganalisis data PANELKANAS dari dalam ketiga metode yang telah ditetapkan. Lampiran 2 menunjukkan analisis telah ditetapkan. Lampiran 2 menunjukkan hasil analisis dipergunakan menganalisis data. Perikanan Keluarga dapat dikatakan menggunakan menggunakan Chow-test Chow-test untuk untuk menilai menilai metode metode CEM CEM atau atau FEM FEM yang yang lebih lebih baik baikcukup rendah, yang telah ditetapkan. Chow-test Lampiran 2 menunjukkan hasil analisis atau FEM yang lebih baik menggunakan menilailebih metode ditunjukkan oleh nilai Adjusted R-squared ntuk menilai metode CEM atau untuk FEM yang baik CEMseperti dipergunakan dipergunakan untuk untuk menganalisis menganalisis data datayang PANELKANAS. PANELKANAS. Hasil Hasil analisis analisis menunjukkan menunjukkan bahwa bahwa Oleh karena hasil Chow-Test menunjukkan st untuk dipergunakan menilai metode CEM atau FEM lebih baik yanganalisis rendah (38%), namun variabel untuk menganalisis data PANELKANAS. Hasil menunjukkan bahwapenduga tingkat lisis data PANELKANAS. Hasil analisis menunjukkan bahwa bahwa metode FEM lebih baik dibandingkan baik baiknilai nilaiProb. Prob.FFdan danChi-square Chi-squarebernilai bernilaikecil kecil(0), (0),sehingga sehinggadapat dapat disimpulkan disimpulkanyang bahwa bahwa model model (BBM) dapat penangkapan dilakukan nganalisisbaik datanilai PANELKANAS. Hasil analisis menunjukkan bahwa usaha F dan Chi-square bernilai kecil (0), sehingga dapat disimpulkan bahwa model untuk menganalisis data, maka selanjutnya are bernilai kecilCEM (0),Prob. sehingga dapat disimpulkan bahwa model dinilai berpengaruh secara signifikan terhadap FEM FEMlebih lebih baik baik dibandingkan dibandingkan model model CEM CEM untuk untuk dipergunakan dipergunakan menganalisis menganalisis data. data. kita harus menguji metode mana yang lebih baik i-square bernilai kecil (0),dibandingkan sehingga dapat disimpulkan bahwa model Pendapatan FEM lebih baik model CEM untuk dipergunakan menganalisis data. Perikanan Keluarga, yang ditunjukkan model CEM untuk dipergunakan menganalisis data. untuk dipergunakan menganalisis data di antara dengan rendahnya angka Prob. gkan model CEM untuk Oleh Oleh dipergunakan karena karena hasil hasilmenganalisis Chow-Test Chow-Test data. menunjukkan menunjukkan bahwa bahwa metode metode FEM FEM lebih lebih baik baikBBM sebesar metode FEM danhasil REM.Chow-Test Lampiran 3 menunjukkan Oleh karena menunjukkan bahwa metode FEM lebih baik 0,0001. Selain itu, berbagai variabel penjelas Chow-Test menunjukkan bahwa metode FEM lebih baik dibandingkan dibandingkan CEM CEMuntuk untuk menganalisis menganalisis data, data, maka maka selanjutnya kita kita harus harus menguji menguji metode metode hasil Hausman test yang telah dilakukan. Dariselanjutnya Intersep (C), BBMmenguji serta berbagai asil Chow-Test menunjukkan bahwa metode FEM lebih baik CEM untuk menganalisis data, maka selanjutnya kita harus metodeintersep dummy nganalisisdibandingkan data, hasil makaanalisis selanjutnya kita harus menguji metode tersebut, dapat dilihat nilai Prob. secara mana mana yang yang lebih lebih baik baik untuk untuk dipergunakan dipergunakan menganalisis menganalisismasing-masing data data didi antara antara lokasi metode metode- FEM FEM dan danbersama-sama k menganalisis data, maka selanjutnya kita harus0.126, menguji metode data di antara metode FEM dan bagi effect sebesar nilai manamenganalisis yangRandom lebih baik untuk dipergunakan menganalisis dipergunakan data diadalah antara metode FEM danini dapat dikatakan berpengaruh signifikan secara REM. REM.Lampiran Lampiran 3menunjukkan menunjukkan hasil hasilHausman Hausman test testyang yangtelah telahdilakukan. dilakukan.Dari Darihasil hasilanalisis analisis besar33dari pada alpha 0,05, sehingga dapat ntuk dipergunakan menganalisis data di hasil antara metode test FEM dantelah statistik terhadapDari variabel Perikanan REM. lebih Lampiran menunjukkan Hausman yang dilakukan. hasil Pendapatan analisis an hasil Hausman test yang telah dilakukan. Dari hasil analisis disimpulkan bahwa model REM adalah model tersebut, tersebut, dapat dapat dilihat dilihat nilai nilai Prob. Prob. bagi bagi Random Random effect effect adalah adalah sebesar sebesar 0.126, 0.126, nilai nilai ini ini lebih lebih Keluarga, seperti ditunjukan oleh nilai Prob. njukkan hasil Hausman test yang telah dilakukan. Dari hasil analisis dapat dilihat nilai Prob. bagi Random effect adalah sebesar 0.126, nilai ini lebih yang lebihadalah baik untuk dipergunakan menganalisis ob. bagi tersebut, Random effect sebesar 0.126, nilai ini lebih Statistic) yang hampir mendekati besar besardari dari pada pada alpha alpha 0,05, 0,05, sehingga sehingga dapat dapat disimpulkan disimpulkan(F bahwa bahwa model model REM REM adalah adalah model model0. lai Prob. besar bagi Random effect adalah sebesar nilai ini lebihbahwa model REM adalah model data. Oleh karena itu,sehingga analisis0.126, ketergantungan dari pada alpha 0,05, dapat disimpulkan ehingga dapat disimpulkan bahwa model REM adalah model yang yangpendapatan lebih lebih baik baikperikanan untuk untuk dipergunakan dipergunakan menganalisis menganalisis data. data. Oleh Oleh karena karena itu, itu, analisis analisis keluarga terhadap Kontribusi ,05, sehingga dapat modelnelayan REM adalah modeldata. lebihdisimpulkan baik data. untukbahwa dipergunakan menganalisis Oleh Usaha karenaPenangkapan itu, analisisTerhadap PPK ergunakanyang menganalisis Oleh karena itu, analisis usaha penangkapan ini perikanan akan dilakukan dengan ketergantungan ketergantungan pendapatan pendapatan perikanan keluarga keluarga nelayan nelayan terhadap terhadap usaha usaha penangkapan penangkapan ini ini dipergunakan menganalisis data.REM. Oleh karena itu, nelayan analisis terhadap Dariusaha angkapenangkapan parameter β2iniyang dihasilkan ketergantungan pendapatan perikanan keluarga menggunakan metode perikanan keluarga nelayan terhadap usaha penangkapan ini akan akandilakukan dilakukandengan denganmenggunakan menggunakanmetode metodeREM. REM. atan perikanan keluarga dengan nelayan menggunakan terhadap usaha penangkapan ini pada model yang dibangun, dapat disimpulkan akan dilakukan metode REM. gunakan metode REM. bahwa peningkatan catch effort berpengaruh positif Output Penggunaan Metode REM menggunakan metode REM. terhadap pendapatan perikanan keluarga nelayan. Output Output Penggunaan Penggunaan Metode MetodeREM REM Hasil olahan data panel dengan menggunakan Output Penggunaan Metode REM REM Hasil estimasi parameter rata-rata kontribusi usaha metode REM yang dilakukan dapat diamati secara metode etode REM Hasil Hasil olahan olahan data data panel panel dengan dengan menggunakan menggunakan metode REM REM yang yang dilakukan dilakukan dapat dapat penangkapan terhadap Pendapatan Perikanan Hasil olahan data panelyang menggunakan REM yang dilakukan dapat terperinci pada Lampiran 4.dengan Dengan hasil dapat seperti metode el dengan menggunakan metode REM dilakukan nelayan, oleh nilai diamati diamati secara secara terperinci terperinci pada pada Lampiran Lampiran 4. 4. Dengan DenganKeluarga hasil hasil seperti seperti itu, itu,yang maka makaditunjukkan model model itu, maka terperinci model ketergantungan pendapatan a panel dengan menggunakan metode REMLampiran yang dilakukan dapat koefisien diamati secara pada 4. Dengan hasil seperti itu, maka model variabel BBM (β ), adalah sebesar ada Lampiran 4. Dengan hasil seperti itu, maka model 2 perikanan rumah tanggaperikanan nelayan terhadap usaha nelayan ketergantungan ketergantungan pendapatan pendapatan perikanan rumah rumahtangga tangga nelayan terhadap terhadap usaha usahapenangkapan penangkapan bahwa jika 0,15. Angka tersebut mengindikasikan nci pada ketergantungan Lampiran 4. Dengan hasil seperti itu, maka model pendapatan perikanan rumah tangga terhadap usaha penangkapan erikanan rumahpenangkapan tangga nelayan terhadap usaha penangkapan yang dibangun adalah seperti berikutnelayan sebuah keluarga nelayan dalam satu tahun tertentu yang yangdibangun dibangunadalah adalahseperti sepertiberikut berikutdidibawah bawahini: ini: tan perikanan rumah tangga usaha penangkapan diini: bawah ini: nelayan dibangun adalah sepertiterhadap berikut di bawah ini: melakukan usaha penangkapan yang digambarkan berikut di yang bawah eperti berikut di �� bawah ini: �� . ��.��. ��.�� ,�,�� .�.��. ��.�� .�.��. ��.�� .�.��. ��. �� BBM sebesar, dengan adanya Pengeluaran �� . ��. �� , �� . ��. �� . ��. �� . ��. ��maka �� akan berkontribusi � �� . ��. �� . ��. �� . ��. �� misalnya, Rp. 100 juta, ��. ��.�� .�.��. ��.�� .�.��. ��.�� , �� . ��. �� . ��. �� . ��. �� .�� . ��. �� . ��. ��terhadap �� PPK sebesar Rp. 15 juta pertahun. � �. ��. �� . ��.�� . ��. �� . ��. ��

Tabel 1. Rata-rata Pendapatan Perikanan Keluarga Nelayan di Enam Lokasi Penelitian PANELKANAS, 2010-2013. Table 1. Average Fisheries Revenue of Fisher’s Houshold in Six Areas of PANELKANAS Research, 2010-2013. Lokasi / Location (a) Bitung OKI Purwakarta Sampang Sambas Sibolga

Intersep (C) / Intercept (Rp./Th) (b)

11,927,821

Intersep Dummy/ Dummy’s Intercept (Rp./Th) (c) 7,730,930 (1,977,364) (8,023,106) 193,669 (3,020,197) 5,096,069

Rata-rata Total Pendapatan Usaha Perikanan Non Penangkapan / Average of Annual Total Non-Capture Fisheries Revenue (Rp. /tahun) (b+c) 19,658,751 9,950,457 3,904,715 12,121,490 8,907,624 17,023,890

Sumber: Olahan Data PANELKANAS, PPSEKP, 2010-2013/Source: Processed Data PANELKANAS, PPSEKP, 2010-2013

243


Kontribusi Pendapatan Perikanan Penangkapan Terhadap PPK

Non-

Model juga menunjukkan bahwa keluarga Nelayan di keenam lokasi penelitian ternyata memiliki rata-rata pendapatan perikanan dari usaha non-penangkapan dengan besaran yang positif. Bagian Random Effect (Cross) pada Lampiran 4 menunjukkan besarnya perbedaan koefisien intersep dummy antar lokasi, yang apabila masingmasingnya dijumlahkan dengan nilai koefisien intersep C, maka akan diperoleh nilai rata-rata pendapatan usaha non-penangkapan pertahun di masing-masing lokasi. Besaran angka C+Intercept Dummy tersebut merupakan indikator dari nilai rata-rata pendapatan perikanan keluarga pada masing-masing lokasi apabila keluarga nelayan sama sekali tidak melakukan usaha penangkapan dalam setahun. Tabel 1 menyajikan nilai rata-rata pendapatan usaha non-penangkapan keluarga nelayan pertahun di keenam lokasi penelitian. Hasil perhitungan yang ditunjukkan tersebut menggambarkan sudah terdapatnya diversifikasi usaha perikanan di masing-masing lokasi dengan tingkat pendapatan yang berbeda di masing-masing lokasi. Meskipun angka Intersep Dummy untuk masing-masing lokasi cukup beragam, bahkan terjadi angka yang negatif untuk beberapa lokasi (OKI, Purwakarta dan Sambas), akan tetapi angka total yang dihasilkan bernilai positif untuk kesemua lokasi. Secara individu, Bitung merupakan lokasi yang memiliki rata-rata pendapatan perikanan nonpenangkapan tertinggi dengan nilai Rp. 19,7 Juta pertahun. Sibolga menduduki urutan kedua dengan nilai rata-rata sebesar Rp. 17 Juta pertahun, disusul oleh Sampang sebesar Rp. 12 Juta pertahun. Selanjutnya OKI berada pada urutan keempat dengan nilai rata-rata Rp. 9,95 Juta pertahun, diikuti Sambas senilai Rp. 8,9 Juta pertahun. Adapun lokasi dengan rata-rata Pendapatan Perikanan NonPerikanan relatif paling rendah adalah Purwakarta dengan nilai hanya sebesar Rp. 3,9 Juta pertahun. KESIMPULAN DAN IMPLIKASI KEBIJAKAN Kesimpulan Kegiatan pembangunan KP yang selama ini dilakukan telah menumbuhkan diversifikasi usaha perikanan keluarga Nelayan yang ditunjukkan dengan tercapainya nilai positif pada variabel pendapatan perikanan non-tangkap. Meskipun demikian, ternyata terdapat perbedaan besaran rata-rata pendapatan tersebut di masing-masing 244

lokasi pengamatan. Pendapatan Perikanan NonPenangkapan yang relatif tinggi tercapai di Sibolga, Bitung dan Sampang; pendapatan cukup tinggi terjadi di OKI dan Sambas; sedangkan pendapatan yang rendah terjadi di Purwakarta. Tingkat usaha penangkapan yang dilakukan oleh nelayan, secara signifikan berdampak positif terhadap meningkatnya rata-rata nilai pendapatan perikanan keluarga nelayan di lokasi penelitian. Secara rata-rata, peningkatan usaha penangkapan yang dilakukan akan berkontribusi terhadap Pendapatan Perikanan Keluarga sebesar 15% dari nilai BBM yang dipergunakan. Semakin tinggi nilai usaha penangkapan yang dilakukan akan semakin tinggi pula rata-rata pendapatan perikanan keluarga Nelayan yang diperoleh. Implikasi Kebijakan Peningkatan kesejahteraan Nelayan melalui usaha meningkatkan pendapatan keluarga dari usaha perikanan melalui program-program yang mendorong peningkatan catch effort masih dapat dilakukan. Kebijakan ini dapat digulirkan melalui program-program yang memberikan kemudahan akses bagi keluarga Nelayan terhadap alat serta input usaha penangkapan semisal perahu, mesin, alat tangkap, umpan dan/atau BBM. Umumnya program-program seperti ini dapat diwujudkan dalam bentuk kemudahan persyaratan kredit, pinjaman lunak atau kemudahan pembiayaan, yang diperuntukkan bagi pemenuhan kebutuhan investasi atau operasional usaha penangkapan Pada jangka panjang, kebijakan peningkatan catch effort seperti yang disarankan sebelumnya berkemungkinan untuk tidak dapat terus dilakukan, mengingat adanya kondisi diminishing margin yang pasti terjadi akibat keterbatasan sumberdaya. Pada kondisi seperti itu, pengaruh positif dari tingkat usaha penangkapan terhadap pendapatan perikanan keluarga akan semakin berkurang – bahkan bisa saja menjadi negatif. Untuk mengantisipasi terjadinya kondisi seperti demikian, maka perlu adanya diversifikasi usaha perikanan bagi keluarga nelayan. Hal tersebut diharapkan akan mengurangi kebergantungan keluarga nelayan terhadap usaha penangkapan serta pada akhirnya tekanan terhadap sumberdaya perikanan tangkap. Untuk mendorong terjadinya diversifikasi usaha, maka diperlukan kebijakan yang mendorong terjadinya peningkatan kemampuan SDM keluarga Nelayan dalam memanfaatkan SDA kelautan alternatif di sekitarnya. Adapun kebijakan


tersebut dapat diwujudkan dalam bentuk berbagai pelatihan keterampilan seperti perbaikan perahu, mesin dan alat tangkap, pelatihan pengolahan hasil tangkapan dan SDA kelautan lain, serta tata cara pemasarannya. Untuk ketepatan dari sasaran kebijakan, maka proritas lokasi program harus ditujukan ke lokasi-lokasi yang memiliki nilai rata-rata pendapatan perikanan non-perikanan yang tergolong rendah seperti Purwakarta. UCAPAN TERIMA KASIH

Firdaus, M., T. Apriliani dan R. A. Wijaya. 2013. Pengeluarn Rumah Tangga Nelayan dan Kaitannya dengan Kemiskinan: Kasus di Desa Ketapang Barat, Kabupaten Sampang, Jawa Timur. Jurnal Sosek KP, Volume 8, No. 1, 49-60. Gilarso, T. 2008. Pengantar Ekonomi Mikro Edisi 5. Gujarati, D. N. 2003. Basic Econometric. New York: McGraw-Hill. Kementerian Kelautan dan Perikanan [KKP]. 2014. Keputusan Menteri Kelautan dan Perikanan Indonesia Nomor 1/KEPMEN-KP/2014. Jakarta: KKP.

Kegiatan PANELKANAS merupakan salah satu kegiatan penelitian unggulan dibidang sosial ekonomi kelautan dan perikanan yang mendapatkan pembiayaan penuh dari negara (APBN). Untuk itu diucapkan terimakasih kepada Dr. Tukul Rameyo Adi yang telah memberikan kesempatan kepada kami untuk melakukan kegiatan penelitian. Terimakasih juga ditujukan kepada Dr. Achmad Fauzi, Dr. Tajerin serta narasumber kegiatan lainnya yang telah menjadi tempat sandaran bertanya selama proses penelitian berlangsung

Kementerian Kelautan dan Perikanan [KKP]. 2012. Rencana Strategis Kementerian Kelautan dan Perikanan. Jakarta, Indonesia.

DAFTAR PUSTAKA

Mussawir. 2009. Analisis Masalah Kemiskinan Nelayan Tradisional di Desa Padang Panjang Kecamatan Susoh Kabupaten Aceh Barat Daya Propinsi Nangroe Aceh Darussalam. Medan: Sekolah Pasca Sarjana Universitas Sumatera Utara, Tesis.

Agunggunanto, E. Y. 2011. Analisis Kemiskinan dan Pendapatan Keluarga Nelayan Kasus di Kecamatan Wedung Kabupaten Demak, Jawa Tengah, Indonesia. Jurnal Dinamika Ekonomi Pembangunan, Juli 2011, Volume 1, Nomor 1, 50-58. Borenstein, M., L. V. Hedges, J. P. Higgins and H. R. Rothstein. 2010. A Basic Introduction to Fixed-Effect and Random-Effect Models for Meta-Analysis. Research Synthesis Methods, 97-111. Badan Pusat Statistik (BPS). 2014. Perkembangan Nilai Tukar Petani, Harga Produsen Gabah, dan Upah Buruh. Berita Resmi Statistik, hal. 3. Badan Pusat Statistik (BPS). 2014. Statistik Indonesia. Jakarta: Badan Pusat Statistik.

Kusnadi. 2003. Akar Kemiskinan Nelayan. Jakarta: PT. LKIS. Matdoan, A. 2009. Analisis Strategi Kebijakan Penanggulangan Kemiskinan Pada Masyarakat Nelayan di Wilayah Pesisir Kabupaten Maluku Tenggara. Bogor: Tesis, tidak dipublikasikan, Institut Pertanian Bogor. Muda, M. S., W. A. Amir dan N. W. Omar. 2006. Analisis Kesejahteraan Hidup Nelayan Pesisir. Jurnal Kemanusiaan.

Natalia, M., dan M. M. Alie. 2014. Kajian Kemiskinan Pesisir di Kota Semarang (Studi Kasus: Kampung Nelayan Tambak Lorok). Jurnal Teknik PWK Volume 3 Nomor 1, 50-59. Sujarno. 2008. Analisis Faktor-faktor yang Mempengaruhi Pendapatan Nelayan di Kabupaten Langkat, Medan. Thesis, USU. Winoto, G. 2006. Pola Kemiskinan di Pemukiman Nelayan Kelurahan Dompak Kota Tanjungpinang. Semarang: Program Pasca Sarjana Universitas Diponegoro, Tesis.Pertanian Bogor.

245

246

19092938

16829000

33983631

25200000

25716433

23441348

2008

2009

2010

2011

2012

2013

47375000

24375000

54789063

52649274

4983909

5526571

4938274

bbm_BIT

13356403

12861236

12359648

11877622

13501935

13501935

13501935

prof_SAM

5970000

5625000

6120000

7600272

4612500

5737500

4429600

bbm_SAM

34371173

27348259

25722579

26287650

13501935

13501935

13501935

prof_SIB

Keterangan/ Information: _BIT = Lokasi Bitung/ Bitung Location _SAM = Lokasi Sampang/ Sampang Location _SIB = Lokasi Sibolga/ Sibolga Location _SBS = Lokasi Sambas/ Sambas Location _PUR = Lokasi Purwakarta/ Purwakarta Location _OKI = Lokasi OKI/ OKI Location

Sumber: PANELKANAS 2013, BBPSEKP/ Source: PANELKANAS 2013, BBPSEKP

27085353

prof_BIT

2007

Tahun

94723959

85420500

16080595

1782337

5369816

5369816

5369816

bbm_SIB

13014564

14075373

13544969

prof_SBS

40144853

10037928

55001368

bbm_SBS

1384851

1733259

1876097

6583183

prof_PUR

973000

1518000

1134783

1550000

bbm_PUR

8411074

8454900

14029059

7720037

prof_OKI

0

0

0

0

bbm_OKI

Lampiran 1. Tabel Data Panel Pendapatan Perikanan Keluarga Nelayan (Prof) dan Pengeluaran BBM (bbm) di lokasi bertipologi perikanan tangkap PANELKANAS. Appendix 1. Income Panel Data of Fishing Income of Fishers Family (Prof) and The Expenditure of Fuel (petrol) in The Location of Capture Fisheries Typology of PANELKANAS.



Lampiran 2. Hasil Uji F-test Untuk Membandingkan Kesesuaian Model Antara FEM dan CEM. Appendix 2. The Results of Test F-test for Comparing Models Between Conformity FEM and CEM. Redundant Fixed Effects Tests Pool: FEMCROSPT Test cross-section fixed effects Effects Test

Statistic

d.f.

Prob.

Cross-section F

12.164601

(5,25)

0.0000

Cross-section Chi-square

39.469161

5

0.0000

Cross-section fixed effects test equation: Dependent Variable: PROF? Method: Panel Least Squares Date: 12/06/14 Time: 23:14 Sample: 2007 2013 Included observations: 7 Cross-sections included: 6 Total pool (unbalanced) observations: 32 Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

11957636

1431011.

8.356076

0.0000

BBM?

0.223044

0.046512

4.795395

0.0000

R-squared

0.433918 Mean dependent var

15855383

Adjusted R-squared

0.415048 S.D. dependent var

8711115.

S.E. of regression

6662448. Akaike info criterion

34.32233

Sum squared resid

1.33E+15 Schwarz criterion

34.41394

Log likelihood

-547.1573 Hannan-Quinn criter.

34.35270

F-statistic

22.99581 Durbin-Watson stat

0.883402

Prob(F-statistic)

0.000041

Sumber: Olahan Data PANELKANAS, PPSEKP, 2010-2013/ Source: Processed Data PANELKANAS, PPSEKP, 2010-2013

247


Lampiran 3. Hasil Uji Hausman Test Untuk Membandingkan Kesesuaian Model Antara FEM dan REM Appendix 3.The Results of Hausman Test Conformance Test For Comparing Models Between FEM and REM. Correlated Random Effects - Hausman Test Pool: REMCROSS Test cross-section random effects Test Summary

Chi-Sq. Statistic

Chi-Sq. d.f.

Prob.

2.339181

1

0.1262

Fixed

Random

Var(Diff.)

Prob.

0.138844

0.149497

0.000049

0.1262

Cross-section random Cross-section random effects test comparisons: Variable BBM?

Cross-section random effects test equation: Dependent Variable: PROF? Method: Panel Least Squares Date: 12/06/14 Time: 23:16 Sample: 2007 2013 Included observations: 7 Cross-sections included: 6 Total pool (unbalanced) observations: 32 Variable

Coefficient

Std. Error

t-Statistic

Prob.

C BBM?

13429047 0.138844

902124.3 0.032820

14.88603 4.230462

0.0000 0.0003

Effects Specification Cross-section fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.835102 Mean dependent var 0.795526 S.D. dependent var 3939060. Akaike info criterion 3.88E+14 Schwarz criterion -527.4228 Hannan-Quinn criter. 21.10144 Durbin-Watson stat 0.000000

15855383 8711115. 33.40142 33.72205 33.50770 2.342932


248


Lampiran 4. Hasil Analisis Ketergantungan Pendapatan Keluarga Nelayan Terhadap Usaha Perikanan Tangkap. Appendix 4. Results Revenue Dependency Analysis Fishers Against Family Business Fisheries. Dependent Variable: PROF? Method: Pooled EGLS (Cross-section random effects) Date: 12/06/14 Time: 22:12 Sample: 2007 2013 Included observations: 7 Cross-sections included: 6 Total pool (unbalanced) observations: 32 Swamy and Arora estimator of component variances Variable

Coefficient

Std. Error

t-Statistic

Prob.

C BBM? Random Effects (Cross) _BIT--C _OKI--C _PUR--C _SAM--C _SBS--C _SIB--C

11927821 0.149497

2265900. 0.032072

5.264055 4.661212

0.0000 0.0001

S.D.

Rho

5084583. 3939060.

0.6249 0.3751

7730930. -1977364. -8023106. 193669.8 -3020197. 5096069. Effects Specification

Cross-section random Idiosyncratic random Weighted Statistics R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic)

0.403132 Mean dependent var 0.383236 S.D. dependent var 4078933. Sum squared resid 20.26235 Durbin-Watson stat 0.000095

4742969. 5027064. 4.99E+14 1.866723

Unweighted Statistics R-squared Sum squared resid

0.363212 Mean dependent var 1.50E+15 Durbin-Watson stat

15855383 0.622000


249

Struktur Pendapatan Perikanan Tangkap Keluarga Nelayan dan Implikasinya... (Rikrik Rahadian, et al)

Recommend Documents