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).
library(readxl)
library(dplyr)
library(tidyr)
library(CCA)
library(CCP)
library(ggplot2)
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")
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"
)
# 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)
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).
Sebelum masuk ke pemodelan multivariat, dilakukan eksplorasi sebaran nilai dan hubungan korelasi linear awal antar gugus variabel.
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 = ","))
| 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.
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
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")
| 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).
matcor_hasil <- matcor(X, Y)
round(matcor_hasil$XYcor, 3) # Matriks korelasi antara IDM dan Harga Pangan
## IKS IKE IKL Beras Bawang_Merah Cabai_Rawit Daging_Ayam
## IKS 1.000 0.967 0.819 -0.763 -0.874 -0.703 -0.723
## IKE 0.967 1.000 0.858 -0.710 -0.836 -0.689 -0.734
## IKL 0.819 0.858 1.000 -0.470 -0.608 -0.441 -0.450
## Beras -0.763 -0.710 -0.470 1.000 0.877 0.874 0.835
## Bawang_Merah -0.874 -0.836 -0.608 0.877 1.000 0.881 0.754
## Cabai_Rawit -0.703 -0.689 -0.441 0.874 0.881 1.000 0.778
## Daging_Ayam -0.723 -0.734 -0.450 0.835 0.754 0.778 1.000
## Telur_Ayam -0.830 -0.830 -0.574 0.736 0.798 0.664 0.824
## Minyak_Goreng -0.898 -0.822 -0.643 0.844 0.871 0.708 0.764
## Telur_Ayam Minyak_Goreng
## IKS -0.830 -0.898
## IKE -0.830 -0.822
## IKL -0.574 -0.643
## Beras 0.736 0.844
## Bawang_Merah 0.798 0.871
## Cabai_Rawit 0.664 0.708
## Daging_Ayam 0.824 0.764
## Telur_Ayam 1.000 0.849
## Minyak_Goreng 0.849 1.000
# Buat data frame
cor_df <- as.data.frame(round(matcor_hasil$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
Untuk mengukur kekuatan hubungan simultan antara gugus variabel kemandirian desa (\(X\)) dan gugus harga komoditas pangan (\(Y\)), dilakukan Analisis Korelasi Kanonik (Canonical Correlation Analysis).
hasil_cca <- cc(X, Y)
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 \(R_{c3} = 0,2458\).
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.
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 \(V_1\).
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.
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.
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.
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)
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: