BAB I. PENDAHULUAN

1.1 Latar Belakang

Perikanan tangkap merupakan salah satu kegiatan yang memanfaatkan sumber daya perairan untuk menghasilkan produk perikanan. Dalam kegiatan tersebut, nelayan berperan sebagai pelaku yang melakukan penangkapan ikan, sedangkan produksi perikanan menggambarkan jumlah hasil tangkapan yang diperoleh. Jumlah nelayan dan produksi perikanan merupakan dua aspek yang dapat digunakan untuk menggambarkan kegiatan perikanan tangkap di suatu wilayah.

Setiap provinsi di Indonesia memiliki kondisi geografis, sumber daya perairan, dan aktivitas perikanan yang berbeda. Perbedaan tersebut dapat menyebabkan jumlah nelayan dan produksi perikanan tangkap yang beragam antarprovinsi. Oleh karena itu, analisis statistika diperlukan untuk mengetahui apakah jumlah nelayan memiliki hubungan dengan produksi perikanan tangkap di laut.

Penelitian ini menggunakan data sekunder tahun 2024 yang bersumber dari Kementerian Kelautan dan Perikanan (KKP) dan Badan Pusat Statistik (BPS). Analisis dilakukan dengan statistika deskriptif, visualisasi data, korelasi, dan regresi linear sederhana menggunakan perangkat lunak R.

1.2 Rumusan Masalah

Bagaimana gambaran jumlah nelayan dan produksi perikanan tangkap di laut menurut provinsi di Indonesia tahun 2024?
Apakah terdapat hubungan antara jumlah nelayan dengan produksi perikanan tangkap di laut?
Bagaimana model regresi linear sederhana yang menggambarkan hubungan jumlah nelayan dengan produksi perikanan tangkap di laut?

1.3 Tujuan Penelitian

Mendeskripsikan jumlah nelayan dan produksi perikanan tangkap di laut menurut provinsi di Indonesia tahun 2024.
Mengetahui arah dan keeratan hubungan antara jumlah nelayan dengan produksi perikanan tangkap di laut.
Membentuk dan menginterpretasikan model regresi linear sederhana antara jumlah nelayan dan produksi perikanan tangkap di laut.

1.4 Manfaat Penelitian

Menambah pemahaman mengenai penerapan statistika deskriptif, korelasi, dan regresi linear sederhana pada data perikanan.
Memberikan gambaran mengenai variasi jumlah nelayan dan produksi perikanan tangkap di laut antarprovinsi.
Menjadi sarana latihan pengolahan dan penyajian data menggunakan R Markdown.

BAB II. TINJAUAN PUSTAKA

2.1 Statistika Deskriptif

Statistika deskriptif merupakan metode untuk menggambarkan karakteristik data melalui ukuran numerik dan penyajian grafik. Ukuran yang digunakan dalam penelitian ini meliputi nilai minimum, maksimum, rata-rata, median, dan simpangan baku.

2.2 Korelasi

Korelasi digunakan untuk mengetahui arah dan keeratan hubungan antara dua variabel. Koefisien korelasi memiliki nilai antara -1 sampai 1. Nilai positif menunjukkan hubungan searah, sedangkan nilai negatif menunjukkan hubungan berlawanan arah. Pemilihan korelasi Pearson atau Spearman disesuaikan dengan karakteristik data dan pola hubungan yang diamati.

2.3 Regresi Linear Sederhana

Regresi linear sederhana digunakan untuk menggambarkan hubungan antara satu variabel bebas dan satu variabel respons. Bentuk umum model regresi linear sederhana adalah:

\[ Y_i = \beta_0 + \beta_1 X_i + \varepsilon_i \]

Keterangan:

\(Y_i\): produksi perikanan tangkap di laut pada provinsi ke-i.
\(X_i\): jumlah nelayan pada provinsi ke-i.
\(\beta_0\): konstanta.
\(\beta_1\): koefisien regresi.
\(\varepsilon_i\): galat atau residual.

2.4 Koefisien Determinasi

Koefisien determinasi (\(R^2\)) menunjukkan proporsi variasi variabel respons yang dapat dijelaskan oleh model regresi. Nilai \(R^2\) berada antara 0 dan 1. Nilai tersebut perlu ditafsirkan sebagai ukuran kecocokan model, bukan sebagai bukti hubungan sebab-akibat.

BAB III. METODE PENELITIAN

3.1 Jenis dan Sumber Data

Penelitian ini menggunakan data kuantitatif sekunder tahun 2024. Data jumlah nelayan perikanan tangkap di laut diperoleh dari Portal Data Kementerian Kelautan dan Perikanan (KKP), sedangkan data produksi perikanan tangkap subsektor perikanan laut diperoleh dari tabel statistik Badan Pusat Statistik (BPS). Kedua sumber menyajikan data tahun 2024. Data produksi pada tabel BPS dinyatakan dalam ton, sedangkan jumlah nelayan dinyatakan dalam orang.

3.2 Objek dan Unit Pengamatan

Unit pengamatan dalam penelitian ini adalah provinsi di Indonesia. Data dari kedua sumber akan dicocokkan berdasarkan nama provinsi. Hanya provinsi yang memiliki data untuk kedua variabel yang digunakan dalam analisis. Data KKP yang tersedia memuat 37 provinsi yang dapat dipasangkan dengan data produksi BPS. Papua Pegunungan tidak disertakan karena nilai jumlah nelayan pada tabel KKP yang digunakan tidak tersedia. Dengan demikian, jumlah pengamatan dalam analisis ini adalah 37 provinsi.

3.3 Variabel Penelitian

Variabel	Simbol	Definisi operasional	Satuan
Jumlah nelayan perikanan tangkap di laut	X	Jumlah nelayan perikanan tangkap di laut menurut provinsi pada tahun 2024	Orang
Produksi perikanan tangkap di laut	Y	Jumlah produksi perikanan tangkap subsektor perikanan laut menurut provinsi pada tahun 2024	Ton

3.4 Teknik Analisis Data

Tahapan analisis yang dilakukan meliputi:

Mengimpor dan memeriksa data dari sumber resmi.
Mencocokkan nama provinsi pada data X dan Y.
Menghitung statistik deskriptif.
Menyajikan histogram, boxplot, dan scatterplot.
Memeriksa pola hubungan dan memilih metode korelasi yang sesuai.
Membentuk model regresi linear sederhana.
Memeriksa residual dan menginterpretasikan hasil analisis.

BAB IV. HASIL DAN PEMBAHASAN

4.1 Memasukkan Data

Data yang digunakan telah disiapkan dalam file data_perikanan_2024.csv yang disertakan bersama dokumen R Markdown ini. Simpan kedua file tersebut di folder yang sama. File CSV berisi 37 provinsi dan tiga kolom, yaitu Provinsi, Jumlah_Nelayan, dan Produksi. Jumlah nelayan menggunakan satuan orang, sedangkan produksi menggunakan satuan ton. Papua Pegunungan tidak dimasukkan karena data jumlah nelayannya tidak tersedia pada tabel KKP yang digunakan.

data_perikanan <- read.csv(
  "data_perikanan_2024.csv",
  stringsAsFactors = FALSE,
  check.names = FALSE
)

# Memastikan nama kolom sesuai dengan format yang dibutuhkan
names(data_perikanan)

#> [1] "Provinsi"       "Jumlah_Nelayan" "Produksi"

head(data_perikanan)

#>                     Provinsi Jumlah_Nelayan Produksi
#> 1                       Aceh         103990   422025
#> 2                       Bali          77786   127612
#> 3                     Banten          42971    73739
#> 4                   Bengkulu          16955    85256
#> 5 Daerah Istimewa Yogyakarta           5271     6548
#> 6                DKI Jakarta          91632   201904

4.2 Pemeriksaan dan Pembersihan Data

Pemeriksaan dilakukan untuk mengetahui struktur data, jumlah pengamatan, data kosong, dan kemungkinan nama provinsi yang tercatat lebih dari satu kali.

str(data_perikanan)

#> 'data.frame':    37 obs. of  3 variables:
#>  $ Provinsi      : chr  "Aceh" "Bali" "Banten" "Bengkulu" ...
#>  $ Jumlah_Nelayan: int  103990 77786 42971 16955 5271 91632 33273 10269 91299 189029 ...
#>  $ Produksi      : int  422025 127612 73739 85256 6548 201904 129365 46417 268077 528259 ...

cat("Jumlah baris:", nrow(data_perikanan), "\n")

#> Jumlah baris: 37

cat("Jumlah data kosong:", sum(is.na(data_perikanan)), "\n")

#> Jumlah data kosong: 0

cat("Jumlah nama provinsi duplikat:", sum(duplicated(data_perikanan$Provinsi)), "\n")

#> Jumlah nama provinsi duplikat: 0

# Mengubah variabel numerik jika terbaca sebagai teks
# Pastikan pemisah ribuan/desimal pada CSV sudah benar sebelum menjalankan.
data_perikanan$Jumlah_Nelayan <- as.numeric(data_perikanan$Jumlah_Nelayan)
data_perikanan$Produksi <- as.numeric(data_perikanan$Produksi)

# Menggunakan hanya baris dengan data lengkap pada kedua variabel
 data_analisis <- na.omit(data_perikanan[, c("Provinsi", "Jumlah_Nelayan", "Produksi")])

cat("Jumlah pengamatan lengkap:", nrow(data_analisis), "\n")

#> Jumlah pengamatan lengkap: 37

4.3 Menampilkan Data Penelitian

knitr::kable(
  data_analisis,
  caption = "Data jumlah nelayan dan produksi perikanan tangkap di laut menurut provinsi tahun 2024"
)

Data jumlah nelayan dan produksi perikanan tangkap di laut menurut provinsi tahun 2024
Provinsi	Jumlah_Nelayan	Produksi
Aceh	103990	422025
Bali	77786	127612
Banten	42971	73739
Bengkulu	16955	85256
Daerah Istimewa Yogyakarta	5271	6548
DKI Jakarta	91632	201904
Gorontalo	33273	129365
Jambi	10269	46417
Jawa Barat	91299	268077
Jawa Tengah	189029	528259
Jawa Timur	217000	619053
Kalimantan Barat	62392	173849
Kalimantan Selatan	39495	169796
Kalimantan Tengah	52762	103774
Kalimantan Timur	64079	166268
Kalimantan Utara	27971	23510
Kepulauan Bangka Belitung	73836	236039
Kepulauan Riau	129225	339329
Lampung	31745	190325
Maluku	152725	399143
Maluku Utara	46150	318734
Nusa Tenggara Barat	89183	121438
Nusa Tenggara Timur	101181	30318
Papua	7681	152927
Papua Barat	11827	65336
Papua Barat Daya	12075	85168
Papua Selatan	10627	15371
Papua Tengah	1525	25247
Riau	41682	105459
Sulawesi Barat	31061	71527
Sulawesi Selatan	187282	466673
Sulawesi Tengah	260449	268243
Sulawesi Tenggara	148212	270452
Sulawesi Utara	113783	336186
Sumatera Barat	52614	220025
Sumatera Selatan	7118	86367
Sumatera Utara	183839	381129

4.4 Statistik Deskriptif

Statistik deskriptif digunakan untuk memberikan gambaran umum mengenai jumlah nelayan dan produksi perikanan tangkap di laut.

statistik_deskriptif <- data.frame(
  Statistik = c("Minimum", "Kuartil 1", "Median", "Rata-rata", "Kuartil 3", "Maksimum", "Simpangan baku"),
  Jumlah_Nelayan = c(
    min(data_analisis$Jumlah_Nelayan),
    unname(quantile(data_analisis$Jumlah_Nelayan, 0.25)),
    median(data_analisis$Jumlah_Nelayan),
    mean(data_analisis$Jumlah_Nelayan),
    unname(quantile(data_analisis$Jumlah_Nelayan, 0.75)),
    max(data_analisis$Jumlah_Nelayan),
    sd(data_analisis$Jumlah_Nelayan)
  ),
  Produksi = c(
    min(data_analisis$Produksi),
    unname(quantile(data_analisis$Produksi, 0.25)),
    median(data_analisis$Produksi),
    mean(data_analisis$Produksi),
    unname(quantile(data_analisis$Produksi, 0.75)),
    max(data_analisis$Produksi),
    sd(data_analisis$Produksi)
  )
)

knitr::kable(
  statistik_deskriptif,
  digits = 2,
  caption = "Statistik deskriptif jumlah nelayan dan produksi perikanan"
)

Statistik deskriptif jumlah nelayan dan produksi perikanan
Statistik	Jumlah_Nelayan	Produksi
Minimum	1525.00	6548.0
Kuartil 1	27971.00	85168.0
Median	52762.00	166268.0
Rata-rata	76216.05	198132.1
Kuartil 3	103990.00	270452.0
Maksimum	260449.00	619053.0
Simpangan baku	67163.12	154487.4

4.5 Visualisasi Data

4.5.1 Histogram

Histogram digunakan untuk melihat bentuk distribusi masing-masing variabel.

par(mfrow = c(1, 2))
hist(
  data_analisis$Jumlah_Nelayan,
  main = "Histogram Jumlah Nelayan",
  xlab = "Jumlah nelayan (orang)",
  ylab = "Frekuensi",
  col = "lightblue",
  border = "white"
)
hist(
  data_analisis$Produksi,
  main = "Histogram Produksi Perikanan",
  xlab = "Produksi (ton)",
  ylab = "Frekuensi",
  col = "lightgreen",
  border = "white"
)

par(mfrow = c(1, 1))

4.5.2 Boxplot

Boxplot digunakan untuk melihat median, kuartil, sebaran data, dan kemungkinan pencilan pada setiap variabel.

par(mfrow = c(1, 2))
boxplot(
  data_analisis$Jumlah_Nelayan,
  main = "Boxplot Jumlah Nelayan",
  ylab = "Orang",
  col = "lightblue"
)
boxplot(
  data_analisis$Produksi,
  main = "Boxplot Produksi Perikanan",
  ylab = "Ton",
  col = "lightgreen"
)

par(mfrow = c(1, 1))

4.5.3 Scatterplot

Scatterplot digunakan untuk mengamati arah, bentuk, dan kekuatan pola hubungan antara jumlah nelayan dan produksi perikanan.

plot(
  data_analisis$Jumlah_Nelayan,
  data_analisis$Produksi,
  main = "Hubungan Jumlah Nelayan dan Produksi Perikanan",
  xlab = "Jumlah nelayan (orang)",
  ylab = "Produksi (ton)",
  pch = 19,
  col = "blue"
)

4.6 Analisis Korelasi

Korelasi Spearman digunakan untuk mengukur arah dan keeratan hubungan monotonik antara jumlah nelayan dan produksi perikanan. Metode ini menggunakan peringkat data dan dapat digunakan ketika distribusi data tidak normal atau terdapat pencilan, dengan tetap memperhatikan pola hubungan yang diamati.

hasil_korelasi <- cor.test(
  data_analisis$Jumlah_Nelayan,
  data_analisis$Produksi,
  method = "spearman",
  exact = FALSE
)
hasil_korelasi

#> 
#>  Spearman's rank correlation rho
#> 
#> data:  data_analisis$Jumlah_Nelayan and data_analisis$Produksi
#> S = 1578, p-value = 9.82e-10
#> alternative hypothesis: true rho is not equal to 0
#> sample estimates:
#>       rho 
#> 0.8129445

Hipotesis pengujian:

\(H_0\): Tidak terdapat hubungan monotonik antara jumlah nelayan dan produksi perikanan tangkap di laut.
\(H_1\): Terdapat hubungan monotonik antara jumlah nelayan dan produksi perikanan tangkap di laut.

Keputusan dibuat dengan membandingkan p-value dengan taraf signifikansi 0,05. Jika p-value lebih kecil dari 0,05, maka \(H_0\) ditolak. Arah hubungan dilihat dari tanda koefisien korelasi Spearman.

4.7 Regresi Linear Sederhana

Regresi linear sederhana digunakan untuk menggambarkan hubungan jumlah nelayan sebagai variabel bebas (X) dengan produksi perikanan tangkap di laut sebagai variabel respons (Y).

model_regresi <- lm(
  Produksi ~ Jumlah_Nelayan,
  data = data_analisis
)

summary(model_regresi)

#> 
#> Call:
#> lm(formula = Produksi ~ Jumlah_Nelayan, data = data_analisis)
#> 
#> Residuals:
#>     Min      1Q  Median      3Q     Max 
#> -270869  -50949   -3195   59407  176248 
#> 
#> Coefficients:
#>                 Estimate Std. Error t value Pr(>|t|)    
#> (Intercept)    5.707e+04  2.331e+04   2.448   0.0195 *  
#> Jumlah_Nelayan 1.851e+00  2.309e-01   8.017 1.96e-09 ***
#> ---
#> Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> 
#> Residual standard error: 93030 on 35 degrees of freedom
#> Multiple R-squared:  0.6474, Adjusted R-squared:  0.6374 
#> F-statistic: 64.27 on 1 and 35 DF,  p-value: 1.957e-09

Persamaan model regresi ditampilkan berdasarkan hasil estimasi koefisien berikut.

koefisien <- coef(model_regresi)
cat(
  "Persamaan regresi: Y = ",
  round(koefisien[1], 4),
  " + ",
  round(koefisien[2], 4),
  "X",
  sep = ""
)

#> Persamaan regresi: Y = 57070.65 + 1.8508X

Interpretasi konstanta dan koefisien regresi dilakukan berdasarkan nilai estimasi yang dihasilkan R. Koefisien slope menunjukkan perubahan nilai prediksi produksi untuk setiap kenaikan satu orang nelayan, dalam rentang dan konteks data yang dianalisis. Interpretasi ini tidak berarti bahwa jumlah nelayan menyebabkan perubahan produksi.

4.8 Koefisien Determinasi

r_squared <- summary(model_regresi)$r.squared
adjusted_r_squared <- summary(model_regresi)$adj.r.squared

tabel_r2 <- data.frame(
  Ukuran = c("R-squared", "Adjusted R-squared"),
  Nilai = c(r_squared, adjusted_r_squared)
)

knitr::kable(
  tabel_r2,
  digits = 4,
  caption = "Koefisien determinasi model regresi"
)

Koefisien determinasi model regresi
Ukuran	Nilai
R-squared	0.6474
Adjusted R-squared	0.6374

Nilai R-squared menunjukkan proporsi variasi produksi perikanan yang dapat dijelaskan oleh model dengan jumlah nelayan sebagai prediktor. Sisanya berkaitan dengan variasi yang tidak dijelaskan oleh model.

4.9 Pemeriksaan Residual

Pemeriksaan residual dilakukan untuk menilai beberapa asumsi model regresi. Normalitas yang relevan bagi inferensi regresi adalah normalitas residual, bukan keharusan bahwa masing-masing variabel X dan Y berdistribusi normal.

par(mfrow = c(2, 2))
plot(model_regresi)

par(mfrow = c(1, 1))

Uji Shapiro-Wilk pada residual dapat digunakan sebagai salah satu pemeriksaan tambahan.

shapiro.test(residuals(model_regresi))

#> 
#>  Shapiro-Wilk normality test
#> 
#> data:  residuals(model_regresi)
#> W = 0.94897, p-value = 0.08943

Hasil grafik diagnostik dan uji residual perlu dipertimbangkan bersama-sama. Jika pola residual menunjukkan ketidaksesuaian asumsi, hal tersebut perlu disampaikan sebagai keterbatasan model.

BAB V. KESIMPULAN DAN SARAN

5.1 Kesimpulan

Kesimpulan ditulis setelah seluruh analisis dijalankan. Bagian ini perlu menjawab rumusan masalah berdasarkan hasil statistik deskriptif, korelasi Spearman, dan regresi linear sederhana. Kesimpulan harus menyebutkan arah serta kekuatan hubungan sesuai hasil yang diperoleh, bukan berdasarkan dugaan sebelum analisis.

5.2 Saran

Penelitian selanjutnya dapat mempertimbangkan data beberapa tahun dengan definisi dan cakupan wilayah yang konsisten agar perkembangan perikanan dapat dianalisis. Selain itu, faktor lain seperti jumlah kapal penangkap ikan, jenis alat tangkap, kondisi sumber daya perairan, dan teknologi penangkapan dapat dipertimbangkan sebagai variabel tambahan.

DAFTAR PUSTAKA

Badan Pusat Statistik. (2026). Produksi perikanan tangkap menurut provinsi subsektor perikanan laut (ton), 2024. https://www.bps.go.id/id/statistics-table/2/MTA1NCMy/produksi-perikanan-tangkap

Kementerian Kelautan dan Perikanan. (2024). Jumlah nelayan perikanan tangkap di laut menurut provinsi (orang). Portal Data KKP. https://portaldata.kkp.go.id/Portals/Data-Statistik/Nelayan/Tbl-Statis/d/65

Catatan sebelum Knit: Pastikan file data_perikanan_2024.csv dan file .Rmd berada di folder yang sama. Jangan mengganti nama kolom pada CSV karena sintaks R Markdown membaca nama kolom tersebut secara langsung. Data mencakup 37 provinsi yang tersedia pada kedua sumber. Nilai produksi mengikuti angka ton sebagaimana ditampilkan pada tabel BPS.

Analisis Hubungan Jumlah Nelayan dengan Produksi Perikanan Tangkap di Laut Menurut Provinsi di Indonesia Tahun 2024

SITI NURHAMIDA (NPM: F1F025014)

08 November 2026