Determinan Nilai Tukar Nelayan Di Indonesia Dengan Pendekatan Geographically Weighted Panel Regression (GWPR)

Miko Novri Amandra, Widyastutik Widyastutik, Nimmi Zulbainarni

Abstract


Salah satu pendekatan dalam mengukur kesejahteraan nelayan adalah nilai tukar nelayan (NTN). NTN publikasi Badan Pusat Statistik (BPS) hanya mengukur daya beli nelayan sehingga perlu direformulasi dan dikoreksi berdasarkan pertumbuhan produksi dan tenaga kerja. Penelitian ini bertujuan untuk menganalisis pola spasial dan dependensi spasial serta menganalisis determinan NTN level nasional dan level provinsi. Analisis yang digunakan adalah indeks moran, diagram pencar moran, dan Geographically Weighted Panel Regression (GWPR). Data yang digunakan merupakan data dari 33 provinsi tahun 2015 hingga 2019. Hasil analisis menunjukkan bahwa NTN provinsi hasil reformulasi memiliki dependesi spasial dengan pola mengelompok. Provinsi yang berada di Kuadran III diagram pencar moran menjadi fokus pemerintah dalam pengambilan kebijakan. GWPR menunjukkan nilai produksi perikanan tangkap. Bantuan pemerintah dan tenaga kerja perikanan tangkap merupakan determinan NTN di semua provinsi. Kebijakan yang dapat dilakukan pemerintah, baik pusat maupun daerah adalah dengan mendorong program yang dapat meningkatkan produksi, ekspor, dan konsumsi perikanan tangkap. Tim Pengendalian Inflasi Pusat (TPIP) dan Tim Pengendalian Inflasi Daerah (TPID) harus memaksimalkan fungsinya terhadap pengendalian inflasi barang konsumsi di perdesaan. Pemerintah tetap mempertahankan kebijakan BBM bersubsidi bagi nelayan kecil, menjaga stabilitas harga ikan pada level nelayan dengan penguatan (Sistem Logistik Ikan Nasional) SLIN, mempercepat implementasi Sistem Resi Gudang (SRG) produk perikanan, dan meningkatkan infrastruktur yang mendukung pembangunan cold storage, terutama ketersediaan listrik. PT Perikanan Indonesia perlu memperluas cakupan wilayah bisnis dan meningkatkan perannya sebagai lembaga pengelola perikanan nasional.

Title: Determinants of Fishers of Trade in Indonesia Using a Geographically Weighted Panel Regression (GWPR) Approach 

One approach in measuring fishers welfare is fishers of trade (FoT). The FoT published by Indonesian Central Bureau of Statistics (CBS) only measures the purchasing power of fishers. Therefore, it needs to be reformulated and corrected by growth in production and labor. This study aims to analyze spatial patterns and spatial dependencies as well as to analyze the determinants of FoT at the national and provincial levels. The analysis used is moran index, moran scatter plot, and Geographically Weighted Panel Regression (GWPR). Data used is data from 33 provinces from 2015 to 2019. The results of the analysis show that the FoT of the reformulated province has spatial dependencies with a clustered pattern. Provinces that are in Quadrant III of the scatter plots are the focus of the government in making policies. GWPR shows the value of capture fisheries production. Government assistance and labor of capture fisheries are the determinants of FoT in all provinces. Policies that can be carried out by the central and local governments are to encourage programs that can increase production, exports, and consumption of capture fisheries. Central inflation Control Team (CICT) and Local Inflastion Control Team (LICT) must maximize their function in controlling consumer goods inflation in rural areas. The government still maintains the policy of subsidized fuel for small fishers. The government must maintain the stability of fish prices at the fishers level by strengthening National Fish Logistic System (NFLS), accelerating the implementation of Warehouse Receipt System (WRS) fisheries products, improving infrastructure that supports cold storage development, especially the availability of electricity. PT Perikanan Indonesia needs to expand the scope of its business area and increase its role as a logistics agency for fisheries.



Keywords


GWPR; Kesejahteraan; Nelayan; NTN; Spasial

Full Text:

PDF

References


Amandra, M. N., Wicaksono, B. R., Choiriyah, E., & Wulandari, P. (2021). Indikator Ekonomi Subsektor Perikanan Tangkap Indonesia di Masa Pandemi Covid-19 Tahun 2020. In L. K. Sari, C. Sumarni, & E. Nurmawati (Eds.), Seminar Nasional Official Statistics 2021 “ Official Statistics dan Sains Data Mendukung Percepatan Pemulihan Sosial Ekonomi Masyarakat ”; 2021 September 25; Jakarta Timur, Indonesia (pp. 19–25). Politeknik Statistika STIS. https://doi.org/https://doi.org/10.34123/semnasoffstat.v2021i1

Anna, Z. (2019). Pemanfaatan Model Bio-Ekonomi Dalam Pengelolaan Sumber Daya Perikanan Yang Berkelanjutan. Unpad Press. http://sdgcenter.unpad.ac.id/pemanfaatan-model-bio-ekonomi-dalam-pengelolaan-sumber-daya-perikanan-yang-berkelanjutan/

Anselin, L. (1988). Spatial Econometrics Methods (Vol. 53, Issue 9). Kluwer Academic Publishers.

Arbia, G., Basile, R., & Piras, G. (2005). Using spatial panel data in modelling regional growth and convergence.

https://doi.org/http://dx.doi.org/10.2139/ssrn.936321

Arthatiani, F. Y. (2018). Analisis Pola Konsumsi Dan Permintaan Ikan Menurut Karakteristik Rumah Tangga Di Indonesia [Tesis]. Bogor: Institut Pertanian Bogor.

Badan Pusat Statistik. (2016). Struktur Ongkos Rumah Tangga Usaha Penangkapan Ikan 2014. BPS RI.

Badan Pusat Statistik. (2020). Indikator Pertanian 2019. BPS RI.

Badan Pusat Statistik. (2021). Statistik Nilai Tukar Petani 2020. BPS RI.

Bafadal, A. (2014). Pengaruh Kinerja Ekonomi Makro Terhadap Nilai Tukar Petani. QE Jurnal, 3(3), 162–179. https://doi.org/https://doi.org/10.24114/qej.v3i3.17451

Benoit, K. (2011). Linear Regression Models with Logarithmic Transformations. https://webcache.googleusercontent.com/search?q=cache:Yv2VFU_TmeEJ:https://kenbenoit.net/assets/courses/ME104/logmodels2.pdf+&cd=2&hl=id&ct=clnk&gl=id&client=firefox-b-d

Brunsdon, C., Fortheringham, A. S., & Charlton, M. (1999). Some Notes Parametric Significance Test For Geographycally Weighted Regression. Journal Of Regional Science, 39(3), 497–24.

Fauzi, A. (2017). Ekonomi Perikanan : Teori Kebijakan dan Pengelolaan (3rd ed.). PT. Gramedia.

Fortheringham, A. S., Brunsdon, C., & Charlton, M. (2002). Geographically Weighted Regression. John Wiley and Sons.

Gujarati. (2006). Basic Econometrics, 4th Ed. In Science. Gary Burke.

Handayani, D. (2014). Pengaruh Perubahan Harga Bahan Bakar Minyak (BBM) Terhadap Nilai Tukar Petani (NTP) Provinsi Bengkulu [Tesis]. Bengkulu : Universitas Bengkulu.

Kementerian Kelautan dan Perikanan. (2021). Produksi Perikanan Tangkap. https://statistik.kkp.go.id/home.php?m=total&i=2#panel-footer

Lee, J., & Wong, D. W. S. (2001). Statistical Analysis With Arcview GIS. John Wiley and Sons.

Mankiw, N. G. (2008). Principles of Microeconomics, 5th Ed. South-Western Cengage Learning.

Rachmat, M. (2013). Nilai Tukar Petani : Konsep, Pengukuran Dan Relevansinya Sebagai Indikator Kesejahteraan Petani. Forum Penelitian Agro Ekonomi, 31(2), 111–122. https://doi.org/http://dx.doi.org/10.21082/fae.v31n2.2013.111-122

Ramadhanu, R. (2021). Analisis Faktor-Faktor yang Mempengaruhi Nilai Tukar Petani di Provinsi Sumatera Utara [Tesis] [Medan: Universitas Sumatera Utara]. http://repositori.usu.ac.id/handle/123456789/32286

Ratnasari, E., & Rijanta, R. (2020). Dimensi Spasial Hubungan Antara Ekspor Pertanian dengan Nilai Tukar Petani dan Nilai Tukar Usaha Pertanian Sebagai Indikator Kesejahteraan Petani di Indonesia. Jurnal Bumi Indonesia, 9(3). http://lib.geo.ugm.ac.id/ojs/index.php/jbi/article/view/1179

Ratri, L. D. (2018). Dampak Kebijakan Moneter Terhadap Kesejahteraan Petani [Skripsi]. Bogor: Institut Pertanian Bogor.

Riyadh, M. I. (2015). Analisis Niai Tukar Petani Komoditas Tanaman Pangan Di Sumatera Utara. Ekonomi Dan Kebijakan Publik, 6(1), 17–32. https://doi.org/10.22212/jekp.v6i1.161

Samsudin, R. M. (2021). Pengaruh Jumlah Nelayan Dan Jumlah Kapal Terhadap Produksi Perikanan Di Provinsi Bengkulu. AKUATEK, 2(1), 45–50. https://doi.org/0.24198/akuatek.v2i1.33571

Siregar, H. (2004). Change in Farmer Term of Trade and Agriculture Net Barter Term of Trade: An Empirical Analysis. Manajemen Dan Agribisnis, 1(1), 1–19.

Wati, D. C., & Utami, H. (2020). Model Geographically Weighted Panel Regression (GWPR) Dengan Fungsi Kernel Fixed Gaussian Pada Indeks Pembangunan Manusia Di Jawa Timur. Jurnal Matematika Thales, 2(1). https://doi.org/10.22146/JMT.49230

Wicaksono, B. R., & Fahmi, M. (2021). Factors to Improve Fishery Household Welfare: Empirical Analysis of Indonesia. Economics and Finance in Indonesia, 67(1), 97–114. https://doi.org/http://dx.doi.org/10.47291/efi.v67i1.874

Yu, D. (2010). Exploring spatiotemporally varying regressed relationships: The geographically weighted panel regression analysis. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 38(2).

Zhukov, Y. M. (2010). Applied Spatial Statistics in R. https://scholar.harvard.edu/zhukov/classes/applied-spatial-statistics-r

Zulham, A., Saptanto, S., Yulisti, M., & Lindawati. (2011). Dinamika Nilai Tukar : Intervensi Kebijakan Dalam Rangka Peningkatan Kesejahteraan Nelayan Dan Pembudidaya Ikan. J. Sosek KP, 6(1), 39–50. https://doi.org/http://dx.doi.org/10.15578/jsekp.v6i1.5752




DOI: http://dx.doi.org/10.15578/jsekp.v17i2.10940

Indexed by:

 

-------------------------------------------------------------------------------------

Published by

Research Center for Marine and Fisheries Socio-Economic 
in collaboration with
Indonesian Marine and Fisheries Socio-Economics Research Network

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.