1 Pendahuluan

Penelitian ini bertujuan menganalisis hubungan multivariat antara tingkat kemandirian desa yang diukur melalui Indeks Desa Membangun (IDM) tahun 2024 dengan tingkat keterjangkauan harga komoditas pangan pokok tahun 2024 pada 37 provinsi di Indonesia (seluruh provinsi yang memiliki wilayah administrasi desa).

1.1 Mempersiapkan Package yang akan digunakan

library(readxl)
library(dplyr)
library(tidyr)
library(CCA)
library(CCP)
library(ggplot2)

1.2 Baca file Excel

file_data <- "C:/Users/Nailah Rifdah Aqila/Downloads/DATA LATIHAN TPG IDM DAN HARGA PANGAN 2024.xlsx"
df_idm    <- read_excel(file_data, sheet = "IDM 2024")
df_pangan <- read_excel(file_data, sheet = "HARGA PANGAN")

1.3 Agregasi IDM 2024 ke tingkat Provinsi (37 Provinsi)

idm_prov <- df_idm %>%
  mutate(IKS_2024 = suppressWarnings(as.numeric(IKS_2024))) %>%
  group_by(KODE_PROV, NAMA_PROVINSI) %>%
  summarise(
    IKS = mean(IKS_2024, na.rm = TRUE),
    IKE = mean(IKE_2024, na.rm = TRUE),
    IKL = mean(IKL_2024, na.rm = TRUE),
    .groups = "drop"
  )

1.4 Bersihkan Harga Pangan 2024 & Pivot ke tingkat Provinsi

# Dikali 1000 karena format Google Sheets menyimpan ribuan sebagai desimal (14.447 -> 14447)
pangan_prov <- df_pangan %>%
  mutate(Harga_Rp = suppressWarnings(as.numeric(Harga)) * 1000) %>%
  group_by(`Kode Provinsi`, Komoditas) %>%
  summarise(Rata_Harga = mean(Harga_Rp, na.rm = TRUE), .groups = "drop") %>%
  pivot_wider(names_from = Komoditas, values_from = Rata_Harga)

1.5 Gabungkan IDM 2024 & Harga Pangan berdasarkan Kode Provinsi

data_gabungan <- inner_join(idm_prov, pangan_prov, by = c("KODE_PROV" = "Kode Provinsi"))
print(paste("Jumlah Provinsi Terhubung:", nrow(data_gabungan)))
## [1] "Jumlah Provinsi Terhubung: 37"

Proses pembersihan dan penggabungan data berhasil menghubungkan 37 provinsi secara utuh tanpa ada wilayah yang tereliminasi (DKI Jakarta tidak masuk ke dalam analisis karena tidak memiliki wilayah administrasi desa dalam pendataan IDM). Data tingkat desa pada IDM diagregasi menjadi nilai rata-rata provinsi untuk tiga dimensi utama: Indeks Ketahanan Sosial (IKS), Indeks Ketahanan Ekonomi (IKE), dan Indeks Ketahanan Lingkungan (IKL).

2 Eksplorasi Data

Sebelum masuk ke pemodelan multivariat, dilakukan eksplorasi sebaran nilai dan hubungan korelasi linear awal antar gugus variabel.

2.1 Tabel Statistika Deskriptif (Skala Asli Sebelum Standardisasi Z-Score)

ringkasan_data <- data_gabungan %>%
  dplyr::select(
    IKS, IKE, IKL,
    `Beras Medium`, `Bawang Merah`, `Cabai Rawit Merah`,
    `Daging Ayam Ras`, `Telur Ayam Ras`, `Minyak Goreng Kemasan`
  ) %>%
  pivot_longer(everything(), names_to = "Variabel", values_to = "Nilai") %>%
  group_by(Variabel) %>%
  summarise(
    `Rata-rata` = round(mean(Nilai, na.rm = TRUE), 2),
    `Simpangan Baku` = round(sd(Nilai, na.rm = TRUE), 2),
    Minimum = round(min(Nilai, na.rm = TRUE), 2),
    Maksimum = round(max(Nilai, na.rm = TRUE), 2),
    .groups = "drop"
  )

knitr::kable(ringkasan_data, caption = "Statistika Deskriptif Sebelum Standardisasi Z-Score", format.args = list(big.mark = ".", decimal.mark = ","))
Statistika Deskriptif Sebelum Standardisasi Z-Score
Variabel Rata-rata Simpangan Baku Minimum Maksimum
Bawang Merah 40.359,48 10.094,69 29.879,17 73.809,50
Beras Medium 14.162,38 1.372,66 12.547,67 19.166,08
Cabai Rawit Merah 58.675,50 16.676,89 36.669,75 105.696,00
Daging Ayam Ras 39.477,56 6.849,05 28.301,92 60.230,50
IKE 0,60 0,14 0,26 0,81
IKL 0,75 0,08 0,58 0,93
IKS 0,76 0,10 0,44 0,88
Minyak Goreng Kemasan 19.212,93 3.657,55 15.959,33 34.079,67
Telur Ayam Ras 32.340,41 6.764,15 26.012,58 55.194,00

Tabel di atas menunjukkan variasi yang cukup lebar antarprovinsi baik pada dimensi ketahanan desa maupun harga komoditas pangan pokok sebelum dilakukan standardisasi skala.

2.2 Memilih Gugus Variabel X (Dimensi IDM) & Gugus Variabel Y (6 Komoditas Pangan Pokok)

X <- data_gabungan %>%
  dplyr::select(IKS, IKE, IKL) %>%
  scale() # Standardisasi

Y <- data_gabungan %>%
  dplyr::select(
    Beras = `Beras Medium`,
    Bawang_Merah = `Bawang Merah`,
    Cabai_Rawit = `Cabai Rawit Merah`,
    Daging_Ayam = `Daging Ayam Ras`,
    Telur_Ayam = `Telur Ayam Ras`,
    Minyak_Goreng = `Minyak Goreng Kemasan`
  ) %>%
  scale() # Standardisasi

2.3 Tabel Statistika Deskriptif setelah di standarisasi Z-Score

ringkasan_std <- cbind(X, Y) %>%
  as.data.frame() %>%
  pivot_longer(everything(), names_to = "Variabel", values_to = "Z_Score") %>%
  group_by(Variabel) %>%
  summarise(
    `Rata-rata` = round(mean(Z_Score), 2),
    `Simpangan Baku` = round(sd(Z_Score), 2),
    `Min (Z)` = round(min(Z_Score), 2),
    `Max (Z)` = round(max(Z_Score), 2),
    .groups = "drop"
  )

knitr::kable(ringkasan_std, caption = "Statistika Deskriptif Setelah Standardisasi Z-Score")
Statistika Deskriptif Setelah Standardisasi Z-Score
Variabel Rata-rata Simpangan Baku Min (Z) Max (Z)
Bawang_Merah 0 1 -1.04 3.31
Beras 0 1 -1.18 3.65
Cabai_Rawit 0 1 -1.32 2.82
Daging_Ayam 0 1 -1.63 3.03
IKE 0 1 -2.40 1.49
IKL 0 1 -2.08 2.06
IKS 0 1 -3.14 1.17
Minyak_Goreng 0 1 -0.89 4.06
Telur_Ayam 0 1 -0.94 3.38

Setelah dilakukan transformasi Z-score (scale()), seluruh variabel baik pada gugus ketahanan desa (\(X\)) maupun harga pangan (\(Y\)) kini berada pada skala yang setara dengan rata-rata sebesar \(0\) dan simpangan baku sebesar \(1\). Hal ini memastikan bahwa pemodelan korelasi kanonik bebas dari bias perbedaan satuan (indeks \(0\text{–}1\) vs puluhan ribu rupiah), sekaligus memperlihatkan adanya beberapa provinsi ekstrem (outlier) dengan skor harga pangan jauh di atas rata-rata nasional (hingga \(Z = 4,06\) pada Minyak Goreng) serta skor ketahanan sosial jauh di bawah rata-rata nasional (\(Z = -3,14\) pada IKS).

2.4 Eksplorasi Korelasi Antar Gugus

matcor_hasil <- matcor(X, Y)
round(matcor_hasil$XYcor, 3) # Matriks korelasi antara IDM dan Harga Pangan
##                  IKS    IKE    IKL  Beras Bawang_Merah Cabai_Rawit Daging_Ayam
## IKS            1.000  0.967  0.819 -0.763       -0.874      -0.703      -0.723
## IKE            0.967  1.000  0.858 -0.710       -0.836      -0.689      -0.734
## IKL            0.819  0.858  1.000 -0.470       -0.608      -0.441      -0.450
## Beras         -0.763 -0.710 -0.470  1.000        0.877       0.874       0.835
## Bawang_Merah  -0.874 -0.836 -0.608  0.877        1.000       0.881       0.754
## Cabai_Rawit   -0.703 -0.689 -0.441  0.874        0.881       1.000       0.778
## Daging_Ayam   -0.723 -0.734 -0.450  0.835        0.754       0.778       1.000
## Telur_Ayam    -0.830 -0.830 -0.574  0.736        0.798       0.664       0.824
## Minyak_Goreng -0.898 -0.822 -0.643  0.844        0.871       0.708       0.764
##               Telur_Ayam Minyak_Goreng
## IKS               -0.830        -0.898
## IKE               -0.830        -0.822
## IKL               -0.574        -0.643
## Beras              0.736         0.844
## Bawang_Merah       0.798         0.871
## Cabai_Rawit        0.664         0.708
## Daging_Ayam        0.824         0.764
## Telur_Ayam         1.000         0.849
## Minyak_Goreng      0.849         1.000
  1. Kebutuhan Standardisasi: Variabel pada gugus \(X\) memiliki skala indeks antara \(0\) hingga \(1\), sedangkan gugus \(Y\) bersatuan rupiah (puluhan ribu). Oleh karena itu, seluruh variabel distandardisasi menggunakan Z-score (scale()) agar tidak terjadi bias skala.
  2. Pola Korelasi Awal: Seluruh dimensi IDM (IKS, IKE, IKL) menunjukkan korelasi negatif yang kuat terhadap harga seluruh komoditas pangan pokok. Korelasi terkuat terlihat antara IKS dengan harga Minyak Goreng (\(r = -0,898\)) dan Bawang Merah (\(r = -0,874\)), yang mengindikasikan bahwa provinsi dengan ketahanan sosial dan ekonomi desa yang rendah cenderung menghadapi harga pangan yang jauh lebih mahal.

2.5 Visualisasi Heatmap Matriks Korelasi Antar Gugus

# Buat data frame
cor_df <- as.data.frame(round(matcor_hasil$XYcor, 2)) %>%
  mutate(Var1 = rownames(.)) %>%
  pivot_longer(-Var1, names_to = "Var2", values_to = "Korelasi") %>%
  mutate(
    Var1 = factor(Var1, levels = colnames(matcor_hasil$XYcor)),
    Var2 = factor(Var2, levels = rev(colnames(matcor_hasil$XYcor)))
  )

# Buat grafik heatmap-nya
ggplot(cor_df, aes(x = Var1, y = Var2, fill = Korelasi)) +
  geom_tile(color = "white", linewidth = 1) +
  geom_text(
    aes(
      label = sprintf("%.2f", Korelasi),
      color = abs(Korelasi) > 0.55
    ),
    size = 3.2, fontface = "bold", show.legend = FALSE
  ) +
  scale_color_manual(values = c("black", "white")) +
  scale_fill_gradientn(
    colors = c("#99000D", "#EF3B2C", "#FFFFFF", "#2171B5", "#08306B"),
    values = scales::rescale(c(-1, -0.5, 0, 0.5, 1)),
    limits = c(-1, 1),
    name = "Korelasi (r)"
  ) +
  labs(
    title = "Heatmap Matriks Korelasi IDM dan Harga Pangan (2024)",
    subtitle = "Korelasi Internal (Dalam Gugus) dan Korelasi Silang (Antar Gugus)",
    x = NULL, y = NULL
  ) +
  theme_minimal() +
  theme(
    axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1, face = "bold"),
    axis.text.y = element_text(face = "bold"),
    panel.grid = element_blank()
  )

Heatmap di atas mempertegas dua pola korelasi utama terlihat diblok berwarna biru tua menunjukkan korelasi positif yang sangat erat di dalam sesama dimensi IDM maupun di dalam sesama harga pangan, sedangkan blok berwarna merah menunjukkan korelasi negatif yang kuat antara tingkat kemandirian desa dengan harga seluruh komoditas pangan pokok

3 Analisis Korelasi Kanonik (CCA) dan Uji Signifikansi

Untuk mengukur kekuatan hubungan simultan antara gugus variabel kemandirian desa (\(X\)) dan gugus harga komoditas pangan (\(Y\)), dilakukan Analisis Korelasi Kanonik (Canonical Correlation Analysis).

3.1 Analisis Korelasi Kanonik (CCA)

hasil_cca <- cc(X, Y)

3.2 Nilai Korelasi Kanonik (Rc) untuk 3 Fungsi Kanonik

hasil_cca$cor
## [1] 0.9423006 0.7153058 0.2458471

Analisis menghasilkan 3 pasangan fungsi kanonik dengan nilai korelasi kanonik berturut-turut sebesar \(R_{c1} = 0,9423\), \(R_{c2} = 0,7153\), dan \(R_{c3} = 0,2458\).

3.3 Uji Signifikansi Wilks’ Lambda (Melihat fungsi kanonik mana yang signifikan)

p.asym(hasil_cca$cor, N = nrow(X), p = ncol(X), q = ncol(Y), tstat = "Wilks")
## Wilks' Lambda, using F-approximation (Rao's F):
##                stat    approx df1      df2      p.value
## 1 to 3:  0.05141998 8.2138521  18 79.68124 9.106826e-12
## 2 to 3:  0.45882207 2.7626037  10 58.00000 7.400612e-03
## 3 to 3:  0.93955919 0.4824668   4 30.00000 7.483840e-01

Berdasarkan uji signifikansi Wilks’ Lambda, Fungsi Kanonik 1 (\(p = 9,11 \times 10^{-12} < 0,05\)) dan Fungsi Kanonik 2 (\(p = 0,0074 < 0,05\)) signifikan secara statistik pada taraf nyata 5%, sedangkan Fungsi Kanonik 3 (\(p = 0,7484\)) tidak signifikan.

3.4 Koefisien (Bobot) Kanonik Standar untuk membentuk kombinasi linear U1 dan V1

round(hasil_cca$xcoef[, 1], 3)
##    IKS    IKE    IKL 
##  1.176  0.083 -0.334
round(hasil_cca$ycoef[, 1], 3)
##         Beras  Bawang_Merah   Cabai_Rawit   Daging_Ayam    Telur_Ayam 
##         0.158        -0.550         0.075        -0.100        -0.159 
## Minyak_Goreng 
##        -0.462

Berdasarkan bobot kanonik terstandardisasi (canonical weights) di atas, persamaan kombinasi linear untuk pasangan fungsi kanonik pertama (\(U_1\) dan \(V_1\)) dapat dirumuskan sebagai berikut:

\[U_1 = 1,176\,Z_{\text{IKS}} + 0,083\,Z_{\text{IKE}} - 0,334\,Z_{\text{IKL}}\]

\[V_1 = 0,158\,Z_{\text{Beras}} - 0,550\,Z_{\text{Bawang}} + 0,075\,Z_{\text{Cabai}} - 0,100\,Z_{\text{Ayam}} - 0,159\,Z_{\text{Telur}} - 0,462\,Z_{\text{Minyak}}\]

Secara parsial, bobot kanonik menunjukkan bahwa Indeks Ketahanan Sosial (IKS) memberikan kontribusi bobot positif terbesar dalam pembentukan skor kanonik \(U_1\) (\(1,176\)), sementara pada gugus harga pangan, Bawang Merah (\(-0,550\)) dan Minyak Goreng (\(-0,462\)) memberikan bobot negatif terbesar terhadap pembentukan skor kanonik \(V_1\).

3.5 Canonical Loadings (Korelasi variabel asli dengan variabel kanoniknya)

loadings_cca <- comput(X, Y, hasil_cca)
round(loadings_cca$corr.X.xscores, 3) # Loadings Gugus X (IDM)
##      [,1]   [,2]   [,3]
## IKS 0.983  0.049 -0.176
## IKE 0.935 -0.157 -0.319
## IKL 0.701  0.134 -0.701
round(loadings_cca$corr.Y.yscores, 3) # Loadings Gugus Y (Harga Pangan)
##                 [,1]   [,2]   [,3]
## Beras         -0.849  0.024 -0.516
## Bawang_Merah  -0.950  0.051 -0.080
## Cabai_Rawit   -0.782  0.223 -0.313
## Daging_Ayam   -0.808  0.391 -0.268
## Telur_Ayam    -0.906  0.274  0.010
## Minyak_Goreng -0.965 -0.195 -0.077

Fungsi Kanonik 1 mampu menjelaskan \(88,79\%\) (\(R_{c1}^2 = 0,8879\)) keragaman bersama antara ketahanan desa dan stabilitas harga pangan nasional. Meskipun Fungsi Kanonik 2 juga signifikan (\(R_{c2} = 0,7153\), menjelaskan \(51,17\%\) sisa keragaman), nilai muatan kanoniknya relatif kecil pada seluruh variabel (\(\vert{}r\vert{} < 0,40\)), sehingga interpretasi lebih lanjut difokuskan pada Fungsi Kanonik 1 yang jauh lebih dominan.

3.6 Menghitung Redundancy Index (Proporsi keragaman Y yang dijelaskan oleh U)

pv_Y <- colMeans(loadings_cca$corr.Y.yscores^2) # Proportion of variance Y
rd_Y <- pv_Y * (hasil_cca$cor^2)                 # Redundancy Index Y given X
round(rd_Y, 4)
## [1] 0.6866 0.0271 0.0045

Indeks Redundansi (Redundancy Index) Variabel kanonik pertama dari kemandirian desa (\(U_1\)) secara nyata mampu menjelaskan sebesar \(68,66\%\) (\(R_d = 0,6866\)) dari total keragaman harga 6 komoditas pangan pokok (\(Y\)), sedangkan fungsi kanonik kedua hanya menjelaskan sebesar \(2,71\%\) (\(R_d = 0,0271\)). Hal ini menegaskan tingginya daya jelas model pada fungsi pertama secara substantif.

3.7 Visualisasi Canonical Loadings Fungsi 1

df_loadings <- data.frame(
  Variabel = c(rownames(loadings_cca$corr.X.xscores), rownames(loadings_cca$corr.Y.yscores)),
  Loading  = c(loadings_cca$corr.X.xscores[, 1], loadings_cca$corr.Y.yscores[, 1]),
  Gugus    = c(rep("IDM (Gugus X)", 3), rep("Harga Pangan (Gugus Y)", 6))
)

ggplot(df_loadings, aes(x = reorder(Variabel, Loading), y = Loading, fill = Gugus)) +
  geom_col(width = 0.6) +
  coord_flip() +
  scale_fill_manual(values = c("#1F4E78", "#C0392B")) +
  labs(
    title = "Muatan Kanonik (Canonical Loadings) Fungsi 1",
    subtitle = "Kontribusi Masing-Masing Variabel terhadap Skor Kanonik U1 dan V1",
    x = NULL,
    y = "Nilai Muatan Kanonik (Loading)"
  ) +
  theme_minimal()

Grafik batang di atas memperlihatkan kontribusi setiap variabel secara visual kelompok IDM (batang merah) mengarah kuat ke kanan (positif), dipimpin oleh IKS dan IKE, sedangkan seluruh kelompok Harga Pangan (batang biru) mengarah kuat ke kiri (negatif), dipimpin oleh Minyak Goreng, Bawang Merah, dan Telur Ayam.

4 Analisis Muatan Kanonik (Canonical Loadings) dan Pemetaan Wilayah

Tahap analisis lanjutan mengidentifikasi variabel mana yang paling dominan membentuk hubungan kanonik melalui nilai canonical loadings, serta memetakan posisi 37 provinsi pada ruang skor kanonik pertama (\(U_1\) dan \(V_1\)).

# 9. Visualisasi Plot Korelasi Kanonik Pertama (U1 vs V1)
df_plot <- data.frame(
  Provinsi = data_gabungan$NAMA_PROVINSI,
  U1 = loadings_cca$xscores[, 1],
  V1 = loadings_cca$yscores[, 1]
)

ggplot(df_plot, aes(x = U1, y = V1, label = Provinsi)) +
  geom_point(color = "#1F4E78", size = 3) +
  geom_smooth(method = "lm", se = FALSE, color = "#E74C3C", linetype = "dashed") +
  geom_text(size = 2.8, vjust = -0.6, check_overlap = TRUE) +
  labs(
    title = "Plot Korelasi Kanonik Pertama (Rc = 0.942)",
    subtitle = "Hubungan Ketahanan Desa (IDM) vs Harga Pangan Pokok\n37 Provinsi di Indonesia (2024)",
    x = "Skor Kanonik Indeks Desa Membangun (U1)",
    y = "Skor Kanonik Harga Komoditas Pangan (V1)"
  ) +
  theme_minimal()  +
  xlim(-3.8, 1.5)

  1. Variabel Paling Dominan (Fungsi 1): Pada gugus IDM, IKS (\(0,983\)) dan IKE (\(0,935\)) merupakan pembentuk utama skor kanonik \(U_1\). Pada gugus Harga Pangan, seluruh komoditas memiliki muatan negatif tinggi terhadap \(V_1\), dipimpin oleh Minyak Goreng (\(-0,965\)), Bawang Merah (\(-0,950\)), dan Telur Ayam (\(-0,906\)).
  2. Disparitas Spasial Antar Wilayah: Grafik scatter plot \(U_1\) vs \(V_1\) memperlihatkan pemisahan regional yang sangat tegas:
  • Kuadran Kiri Bawah (Kemandirian Desa Rendah & Harga Pangan Tinggi): Ditempati oleh wilayah Timur Indonesia, khususnya Papua Pegunungan, Papua Tengah, Papua Selatan, Papua Barat, Papua Barat Daya, Maluku Utara, dan Maluku. Tingginya biaya logistik dan rendahnya infrastruktur sosial-ekonomi desa mendorong tingginya harga pangan pokok.
  • Kuadran Kanan Atas (Kemandirian Desa Tinggi & Harga Pangan Terjangkau): Ditempati oleh provinsi-provinsi di Sumatra, Jawa, Bali, dan Kalimantan yang memiliki konektivitas logistik dan kemandirian desa jauh lebih mapan.

5 Kesimpulan

Terdapat hubungan multivariat yang sangat kuat dan signifikan (\(R_{c1} = 0,9423\); \(p < 0,001\)) antara tingkat kemandirian desa dan keterjangkauan harga komoditas pangan pokok di Indonesia tahun 2024, di mana fungsi kanonik pertama dari kemandirian desa (\(U_1\)) mampu menjelaskan sebesar \(68,66\%\) (\(R_d = 0,6866\)) total keragaman harga pangan nasional. Peningkatan ketahanan sosial (IKS) dan ketahanan ekonomi desa (IKE) berbanding lurus dengan stabilitas dan keterjangkauan harga kebutuhan pokok masyarakat, terutama dalam menekan disparitas harga antara kawasan Indonesia Timur dengan kawasan Barat/Tengah.

Berdasarkan temuan empiris tersebut, beberapa langkah kebijakan strategis yang dapat direkomendasikan meliputi:

  1. Akselerasi Infrastruktur Sosial dan Ekonomi Desa di Wilayah Tertinggal: Memprioritaskan penguatan indikator pembentuk IKS (akses layanan dasar, kesehatan, dan pendidikan) serta IKE (lembaga ekonomi desa, akses kredit, dan konektivitas pasar) secara terpadu pada klaster provinsi di kuadran kiri bawah, khususnya Papua Pegunungan, Papua Tengah, Papua Selatan, Papua Barat, Maluku Utara, dan Maluku, untuk memutus ketergantungan pasokan pangan dari luar pulau.
  2. Intervensi Subsidi Logistik dan Stabilisasi Pasokan Komoditas Sensitif: Memfokuskan program subsidi biaya angkut (seperti Tol Laut dan jembatan udara) serta operasi pasar murah pada komoditas dengan muatan kanonik tertinggi—yakni Minyak Goreng Kemasan (\(r = -0,965\)), Bawang Merah (\(r = -0,950\)), dan Telur Ayam Ras (\(r = -0,906\))—guna meredam lonjakan harga akibat tingginya biaya distribusi antarwilayah.
  3. Penguatan Kemandirian Pangan Lokal Berbasis BUMDes: Mendorong Badan Usaha Milik Desa (BUMDes) dan klaster pertanian lokal di kawasan Timur Indonesia untuk mengembangkan rantai pasok pangan mandiri (seperti budidaya hortikultura dan peternakan ayam petelur skala desa) sehingga stabilitas harga pangan tidak semata bergantung pada pasokan dari Pulau Jawa atau Sulawesi.