1.2 Rumusan Masalah
Yang menjadi masalah dalam penelitian ini adalah bagaimana pengaruh stok beras, luas panen padi, produktivitas lahan, jumlah konsumsi beras dan harga
beras terhadap ketahanan pangan di Provinsi Sumatera Utara.
1.3 Batasan Masalah
Penelitian ini dibatasi dalam beberapa hal, yaitu: 1. Penelitian ini difokuskan pada ketahanan pangan beras.
2. Periode data yang digunakan dalam penelitian ini adalah data dari tahun 2007 sampai dengan tahun 2011.
3. Data yang diolah adalah data historis dari 25 kabupaten kota di Sumatera Utara yang sudah terbentuk hingga tahun 2007. Data dari kabupaten kota
yang mengalami pemekaran setelah tahun 2007, diakumulasikan ke kabupaten induk.
4. Penelitian ini menggunakan rasio ketersediaan beras sebagai variabel terikat. Sedangkan variabel bebas yang digunakan adalah stok beras, luas panen padi,
produktivitas lahan, jumlah konsumsi beras dan harga beras.
1.4 Tujuan Penelitian
Tujuan dari penelitian ini ialah untuk menganalisis dan mengukur pengaruh stok beras, luas panen padi, produktivitas lahan, jumlah konsumsi beras dan harga
beras terhadap ketahanan pangan di Provinsi Sumatera Utara.
8QLYHUVLWDV6 XPDWHUD8WDUD
1.5 Manfaat Penelitian
Manfaat dari penelitian ini ialah: 1. Diharapkan penelitian ini dapat dijadikan pertimbangan bagi pemerintah
daerah dalam rangka perencanaan dan pengambilan kebijakan dibidang pertanian dan ketahanan pangan.
2. Dapat berguna sebagai referensi bagi kalangan akademis dan pemerintah daerah serta pihak-pihak terkait dalam perencanaan strategi menghadapi
permasalahan ketahanan pangan dimasa yang akan datang.
1.6 Tinjauan Pustaka
Data panel biasa disebut data longitudinal atau data runtun waktu silang coss- sectional time series, dimana banyak kasus diamati pada dua periode waktu atau
lebih yang diindikasikan dengan penggunaan data time series. Data panel dapat menjelaskan dua macam informasi yaitu, informasi cross-section pada perbedaan
antar subjek dan informasi time series yang merefleksikan perubahan pada subjek waktu. Ketika kedua informasi tersebut tersedia, maka analisis data panel dapat
digunakan Nachrowi 2006.
Data time series adalah data yang dikumpulkan dari satu individu untuk beberapa waktu, sedangkan data cross section adalah data yang dikumpulkan dari
berbagai individu dalam satu waktu tertentu. Data panel adalah kombinasi data time series dan cross-section. Data panel merupakan kumpulan data cross-section
yang diamati secara simultan serentak dari waktu ke waktu time series. Dengan kata lain, data panel merupakan data dari beberapa individu yang diamati dalam
kurun waktu tertentu Baltagi 2005.
Model regresi linier yang digunakan untuk data cross section dan time series adalah Nachrowi 2006 :
Model dengan data cross section
8QLYHUVLWDV6 XPDWHUD8WDUD
N : banyaknya data cross section Model dengan data time series
T : banyaknya data time series
Mengingat data panel merupakan gabungan dari data cross section dan data time series, maka modelnya dituliskan dengan:
Dengan: N
= banyaknya observasi T
= banyak waktu N x T = banyaknya data panel
Ada tiga metode untuk mengestimasi model regresi data panel yaitu: 1. Common Effect Model CEM adalah metode regresi yang mengestimasi data
panel dengan metode Ordinary Least Square OLS. Metode ini tidak memperhatikan dimensi individu maupun waktu sehingga diasumsikan bahwa
perilaku antar individu sama dalam berbagai kurun waktu. Model ini hanya mengkombinasikan data time series dan cross section dalam bentuk pool,
mengestimasinya dengan menggunakan pendekatan kuadrat terkecil pooled least square
2. Fixed Effect Model FEM adalah metode regresi yang mengestimasi data panel dengan menambahkan variabel dummy. Model ini mengasumsikan
bahwa terdapat efek yang berbeda antar individu. Perbedaan itu dapat diakomodasi melalui perbedaan pada intersepnya. Oleh karena itu dalam
model fixed effect, setiap individu merupakan parameter yang tidak diketahui dan akan diestimasi dengan menggunakan teknik variabel dummy.
8QLYHUVLWDV6 XPDWHUD8WDUD
3. Random Effect Model REM adalah metode regresi yang mengestimasi data panel dengan menghitung error dari model regresi dengan metode Generalized
Least Square GLS. Berbeda dengan fixed effect model, efek spesifikasi dari masing-masing individu diperlakukan sebagai bagian dari komponen error
yang bersifat acak dan tidak berkorelasi dengan variabel penjelas yang teramati. Model ini sering disebut juga dengan Error Component Model
ECM.
1.7 Metodologi Penelitian