3 METODOLOGI PENELITIAN

Transkripsi

1 3 METODOLOGI PENELITIAN 3.1 Lokasi dan Waktu Penelitian Wilayah studi untuk kegiatan penelitian adalah Laut Arafura di daerah operasi penangkapan udang, posisi berada di antara antara Bujur Timur (B.T.) dan B.T. di perairan teritorial dan ZEE (zona ekonomi eksklusif) Indonesia (Gambar 8). Lokasi pendaratan kapal-kapal pukat udang pada wilayah studi sebagai basis pengumpulan data adalah Tual, Benjina, Agats, Dolak. Penelitian dilaksanakan selama satu tahun, mulai bulan Mei 2003 sampai dengan April 2004 terhadap 39 kapal pukat udang sebagai sampel. Gambar 8. Wilayah studi pengelolaan perikanan udang di Laut Arafura

2 3.2 Kerangka Pendekatan Analisis Berikut ini akan dijelaskan terlebih dahulu mengenai alur pikir kerangka pendekatan analisis dari penelitian ini dalam usaha mencapai tujuan penelitian seperti yang telah dijelaskan pada Bab 1. Proses metodologi analisis model pengelolaan udang di Laut Arafura, dimulai dengan pengumpulan data yang berkaitan dengan industri perikanan tangkap udang (meliputi data primer dan data statistika/data sekunder), dan data penelitian sebelumnya (data tertier) (lihat Gambar 9). Data industri tersebut meliputi data urut waktu (series) berupa data produksi aktual dan effort dari tahun 1986 sampai dengan 2003, data cross section berupa data input dan output penangkapan kapal-kapal pukat udang tahun 2003, sedangkan data tertier merupakan data hasil penelitian Fauzi (2001). Data primer yang merupakan data 39 kapal pukat udang pada tahun 2003, digunakan untuk melihat keragaan industri, atau analisis efisiensi dengan menggunakan metode Data Envelopement Analysis (DEA). Hasil DEA ini adalah efisiensi dan potential improvement yang menggambarkan bagaimana kondisi kapasitas perikanan udang di perairan Laut Arafura. Data sekunder yang merupakan data statistik (data series) diperoleh dari beberapa lembaga dan instansi seperti Departemen Kelautan dan Perikanan, Badan Riset Kelautan dan Perikanan, data produksi dari Pemerintah Daerah Propinsi Irian Jaya, dan lainlain, digunakan untuk analisis efeisiensi dan bioekonomi. 42

3 Data Industri Data Penelitian Sebelumnya (tertier) Primer (Cross section) Sekunder (Statistik) Parameter biofisik dan ekonomi Keragaan Industri (Efisiensi) Produksi Analisis OLS Upaya Analisis DEA Yield-Effort Optimasi bioekonomi Statik & Dinamik Alternatif Skenario Pengelolaan Efisiensi Potential (Improvement) Kuota Seasonal Alternatif Kebijakan Pengelolaan Perikanan Udang Gambar 9. Kerangka pendekatan analisis kebijakan pengelolaan perikanan udang di Laut Arafura Dengan menggunakan analisis statistik Ordinary Least Square (OLS) maka akan diperoleh angka-angka parameter yield-effort, untuk selanjutnya digunakan dalam analisis bio-ekonomi dan optimisasi statik Gordon-Schaefer, serta optimisasi dinamik Clark-Munro. Data penelitian sebelumnya yang diambil dari data Fauzi (2001) ditambah data series dari statistik, dimanfaatkan untuk menghasilkan parameter parameter biofisik dan ekonomi untuk perikanan udang di kawasan Laut Arafura meliputi q, K dan r. Selanjutnya parameter 43

4 tersebut digunakan dalam model untuk analisis yield-effort dan optimisasi bioekonomi statik dan dinamis. Hasil analisis bioekonomi dan hasil analisis kapasitas perikanan udang, digunakan sebagai basis dalam merumuskan alternatif skenario pengelolaan perikanan udang di Laut Arafura, yang terdiri dari pengurangan jumlah kapal, sistem pengelolaan seasonal (berbasiskan musim) dan sistem kuota. 3.3 Analisis Bioekonomi Statik Gordon-Schaefer Analisis bioekonomi statik dalam penelitian ini menggunakan model Gordon Schaefer untuk mencari tingkat optimal pengelolaan. Persamaan yang digunakan adalah rumus produksi lestari yang dihitung dengan menggunakan fungsi logistik (2.6). Parameter q, K dan r merupakan parameter biofisik berturut-turut adalah kemampuan daya tangkap, kapasitas daya dukung dan pertumbuhan intrinsik yang diperoleh melalui teknik Ordinary Least Square dan Algoritma Fox (Fauzi, 2001). Persamaan (2.6) dapat ditulis secara sederhana menjadi : 2 = (3.1) h α E β E dimana α = qk dan 2 q k / r β =. Dalam analisis seperti ini akan terjadi suatu kondisi yang disebut sebagai curse of dimensionality, yaitu kondisi dimana ada tiga paramter yang dicari nilainya dengan hanya dua koefisien yang diketahui. Oleh karena itu maka salah satu koefisien yakni q harus diketahui terlebih dahulu. Koefisien q ini dihitung melalui teknik Algoritma Fox (Fauzi, 2001) yang biasa digunakan untuk memecahkan model Schaefer di atas. Algoritma ini berbentuk: 44

5 qt = ln zut + / zut+ 1 + /( z)...(3.2) β β dimana z = ( α / β ) E, U adalah catch per unit effort. Oleh karena α, β, sudah diketahui dari hasil OLS, E dan U didapat dari rata-rata geometrik dari data series, maka selanjutnya nilai q, K dan r dapat dicari. Hasil pendugaan parameter ini kemudian digunakan untuk menghitung produksi lestari Gordon-Schaefer, dan menghasilkan kurva produksi aktual dan produksi lestari yang digunakan untuk perbandingan fluktuasi keduanya. Untuk menganalisis bioeconomic model perikanan udang di Laut Arafura, diperlukan variabel-variabel produksi penangkapan, effort (hari melaut) biaya dan pendapatan secara agregat. Untuk mengukur pengelolaan yang optimal secara ekonomi (MEY = maximum economic yield ) maka digunakan fungsi rente ekonomi lestari dalam bentuk: π qe r t st = p qket 1 cet...(3.3) Dimana π st adalah rente sustainable, p adalah harga dan c adalah biaya per satuan input. Sementara untuk Input optimal dapat ditentukan melalui persamaan berikut ini: 2 π st 2 pq K = pqk Et c = 0 Et r...(3.4) * r E = ( pqk c) 2 2 pq K 45

6 Untuk perhitungan pembatasan kuota penangkapan, digunakan data effort dan produksi aktual tahun 1986 sampai dengan tahun Dalam skenario kuota maka jumlah effort yang ditujukan untuk pengelolaan perikanan menjadi: E q Q =,...(3.5) N x q dimana Q adalah kuota yang besarnya ditetapkan berdasarkan pengurangan prosentase produksi aktual (dalam konteks ini jika kuota 5% berarti Q = 0.95 x produksi aktual), N adalah jumlah armada dan q adalah koefisien daya tangkap sebagaimana ditentukan di atas. Manfaat ekonomi yang diperoleh dari pengelolaan perikanan menjadi: π = pqxe ce...(3.6) q q 3.4 Analisis Optimisasi Dinamik Clark-Munro Analisis optimisasi dinamik Clark Munro digunakan untuk mengetahui tingkat pengelolaan dinamis dari perikanan udang di laut Arafura. Menurut Clark (1976; 1985), dalam model dinamik, nilai optimal untuk biomas (x*) dan panen optimal (h*) mengikuti persamaan (2.18) dan (2.19). Formula yang digunakan dalam analisis bioekonomi tersebut selanjutnya di run dengan algoritma MAPLE 9 dan menghasilkan kurva yield-effort untuk pengelolaan dinamis. Kurva hasil perhitungan tersebut dapat dijadikan acuan untuk mengetahui kondisi perikanan udang saat ini, apakah dalam kondisi overfishing dan membandingkan titik mana yang menghasilkan rente ekonomi optimal. 46

7 3.5 Analisis Efisiensi/ kapasitas Perikanan Selanjutnya untuk analisis efisiensi/kapasitas perikanan tangkap udang, digunakan data effort dalam fishing days dan produksi aktual dalam ton. Data ini dioleh dengan menggunakan metode Data Envelopement Analysis seperti telah diuraikan pada Bab sebelumnya. Dalam perhitungan DEA tersebut, variabel inputnya hanya satu yaitu effort dan variable outputnya juga satu yaitu produksi aktual. Tipe DEA yang dipilih adalah CCR-I dengan orientasi pada input yang dikendalikan. Perhitungan DEA menghasilkan skor efisiensi tahunan selama 18 tahun, dimana tahun merupakan DMU. Hasil tersebut selanjutnya dapat digunakan untuk membandingkan efisiensi tiap tahun, dimana efisiensi tertinggi akan dijadikan acuan. Fluktuasi angka efisiensi tiap tahun menggambarkan kondisi perikanan udang secara umum apakah dalam kondisi overcapacity atau inefisiensi. Seperti metode yang digunakan Anna (2003), Jika output dari variabel x untuk tahun ke t dengan jenis output j dimisalkan sebagai x dan variable input y tj tahun ke t dimisalkan y, maka efisiensi relatif dari variable x terhadap variabel y t dapat ditulis sebagai: æx ö tj ç * (3.7) çè y ø t Sehingga untuk meningkatkan efisiensi dari varibel x dapat dilakukan dengan tj melakukan maksimalisasi efisiensi yakni: 47

8 max x tj dengan kendala: x = / tj å aw x bw y....(3.8) tj tj tj t 0 x 1 w tj tj ³ 0 dimana: a = b = w tj koefisien output data koefisien input dat a = fakt or pembobot Hasil DEA ini digambarkan dalam bentuk grafik fluktuasi yang menunjukan perbandingan kondisi efisensi penangkapan dari tahun ke tahun. Analisis selanjutnya adalah memanfaatkan data 39 kapal sampel tahun 2003 untuk menghitung efisiensi tiap kapal dengan DEA menggunakan multiple input variable dan multiple output variable. Variabel input terdiri dari biaya, effort (upaya) dalam satuan hari melaut (fishing days), ukuran kapal (GT) dan umur kapal. Variabel output terdiri dari hasil tangkapan (yang dibagi dalam tiga kelompok yaitu udang windu, udang putih dan udang lain), serta variabel pendapatan. Data-data tersebut dimasukan ke dalam rumus DEA sebagaimana formula (2.27). Menurut Cooper et al. (2004), sebagaimana dalam statistik atau metodologi yang berorientasi kepada data empiris, DEA juga ada masalah dengan derajat kebebasan (degrees of freedom = d.o.f.). Dalam DEA, angka d.o.f. akan bertambah dengan bertambahnya DMU dan akan berkurang dengan bertambahnya input dan output. Acuan yang digunakan (rule of thumb) adalah { } n max m s,3( m + s), dimana n = jumlah DMU, m = jumlah input dan s = 48

9 jumlah output. DEA biasa disebut juga sebagai Frontier Analysis suatu teknik mathematical programming, yang merupakan pendekatan non-parametrik. DEA dapat digunakan untuk mengukur relatif efisiensi pada kasus entitas yang memiliki multiple inputs atau multiple outputs (Cooper et al., 2004). Perhitungan DEA tersebut yang dijalankan dengan software DEA Solver, menghasilkan angka efisiensi relatif 39 kapal (kapal sebagai DMU) dan proyeksi perbaikan angka efisiensi. Hasil angka efisiensi ke 39 kapal menggambarkan kondisi perikanan udang tahun 2003, apakah dalam kondisi overcapacity atau overcapitalization dan inefisiensi. 3.6 Seasonal Closure Model Analisis seasonal closure model atau penutupan musim penangkapan dilakukan dengan menghitung rata-rata tangkapan bulanan kapal-kapal pukat udang anggota HPPI (Himpunan Pengusaha Pukat Udang Indonesia), yang kemudian dicocokan dengan model difference equation dan model siklikal. Model difference equation merupakan persamaan linier, dapat digunakan untuk mengetahui apakah kecenderungan musim penangkapan mengikuti pola keseimbangan yang linier. Rumus yang digunakan untuk model tersebut adalah dapat ditulis dalam persamaan: ht + 1 = aht + b. Solusi persamaan tersebut akan menghasilkan: a b = (1 a) +,...(3.9) 1 a * t ht a ht 49

10 dimana 1 b a adalah nilai keseimbangan karena pada saat h b h =. Berdasarkan data rata-rata hasil tangkapan bulanan mulai 1 a t lim t t Januari sampai dengan Desember, koefisien a dan b dapat diduga dengan teknik OLS (Ordinary Least Square). Menurut Purwanto (1997) suatu usaha tambak udang dapat ditentukan bulan panen yang paling optimal dalam satu tahun berdasarkan perolehan pendapatan tertinggi, karena sifatnya yang siklikal. Musim penangkapan udang di L. Arafura dapat pula diduga dengan model siklikal tersebut dengan persamaan: ht = a + bsin(2 π Mt /12)..(3.10) Mt = 1,..,12 (Januari=1,, Desember=12), a dan b dapat diperoleh dari regresi ruas kiri dan ruas kanan persamaan tersebut. Dengan membandingkan kedua model yaitu linier dan siklikal, dapat ditentukan yang paling cocok dan selanjutnya dijadikan pertimbangan pengambilan keputusan waktu penutupan jika diperlukan. Dampak dari penutupan tersebut akan diperhitungkan dalam salah satu skenario pengelolaan, dilihat dari efisiensi dan pengurangan effortnya. 3.7 Teknik Pengumpulan dan Analisis Data Data yang dikumpulkan pada dasarnya dibagi menjadi data sekunder dan data primer meliputi: (1) Data sekunder yang merupakan data kuantitatif diperoleh dari data mutakhir tentang stok SDI udang di Laut Arafura, diperoleh dari sumber statistik Direktorat Jenderal Perikanan Tangkap, data hasil tangkapan berdasarkan hasil penelitian Fauzi (2001), dan data hasil penelitian yang lalu. 50

11 (2) Data primer diperoleh dari hasil penelitian di lapangan dan sumber dari beberapa perusahaan dan anggota HPPI (Himpunan Perusahaan Pukat Udang Indonesia). Data yang diperlukan dari sumber data dan lokasi penelitian dikumpulkan melalui dua cara, yaitu: (1) permintaan langsung dengan surat resmi kepada otoritas sumber data, (2) melalui sampling data langsung di lapangan. Untuk mengukur kapasitas penangkapan udang digunakan data tangkapan total dari th 1986 s/d 2003, merupakan gabungan data hasil penelitian Fauzi (2001) dan data statistik Direktorat Jenderal Perikanan Tangkap. Untuk mengukur efisiensi kapal pukat udang dalam rangka membandingkan kelompok GT dan umur digunakan sampling data terkini tahun 2003 pada 46 kapal dari total populasi 355 kapal pukat udang yang berukuran di atas 30 GT dan izinnya dari pusat. Dari 46 kapal dipilih 39 kapal yang datanya lengkap untuk menghitung efisiensi dengan DEA. Sampling data untuk 46 kapal dilakukan secara purposive (penunjukan langsung) dengan cara memilih kapal-kapal yang memiliki keragaman GT dan umur mewakili populasi. Jumlah tersebut dianggap cukup karena lebih dari 10% total populasi. Data 46 kapal selanjutnya dipilih yang memenuhi kelengkapan data (eligible), diperoleh 39 kapal yang memenuhi kelengkapan data sesuai kebutuhan. Analisis data dilakukan dengan pendekatan permodelan untuk mengetahui faktor-faktor bioekonomi yang menyebabkan terjadinya overcapacity dan overfishing. Analisis ini memerlukan data urut waktu yang intensif, maka data sekunder dan tertier dari hasil penelitian Fauzi (2001) dan data dari Direktorat Jenderal Perikanan Tangkap dijadikan sebagai basis untuk menganalisis kondisi perikanan di wilayah studi. Data yang diperoleh kemudian diverifikasi dan 51

12 dikalibrasi untuk selanjutnya dianalisis dengan berbagai perangkat lunak seperti DEA-Solver, Frontier Analyst, Minitab, Exell dan MAPLE 9. Data yang diperoleh dari hasil penelitian baik data primer maupun sekunder diolah dengan menggunakan rumus-rumus dan model-model seperti diuraikan sebelumnya untuk kepentingan analisis bioekonomik, analisis efisiensi dan analisis kecenderungan. Pengelompokan data untuk keperluan analisis dapat dilihat pada Tabel 3. Analisis data dimulai dengan pengolahan data series tahun 1986 sampai dengan 2003 difitkan kedalam model bioekonomi. Tabel 3. Data dan penggunaannya Jenis Data Untuk analisis Model Hasil Data series produksi dan effort th Data cross sectional 39 kapal P.U. tahun 2003 Rata-rata tangkapan bulanan kapal P.U. HPPI. 1. Produksi aktual VS Produksi lestari 2. Mengukur Efisiensi 3. Penerapan kuota produksi penangkapan 4. Optimisasi dinamik Pengukuran kapasitas dan efisiensi Kecenderungan musim penangkapan bulanan 1. a. Algoritma Fox b.gordon-schaefer c. Algoritma Maple 2. DEA, CCR-I 3. Gordon-Schaefer dengan pengurangan produksi penangkapan 4. Clark-Munro DEA, CCR-I 1.Difference equation linier. 2. Sinusoida siklikal a. K, q, r b.grafik fluktuasi Produksi aktual VS lestari. c.kurva Yield-Effort 2. Skor efisiensi, tahun sebagai DMU 3. Fluktuasi produksi lestari dengan kuota dan perhitungan rente ekonomi 4. Produksi dan stok,effort optimal Skor efisiensi relatif 39 kapal dan proyeksi perbaikan efisiensi 1. Grafik trend linier 2. Grafik siklikal sinusoida 52

13 3.8 Asumsi Dasar Model-model bioekonomi baik statik maupun dinamik serta model DEA untuk pengukuran kapsitas penangkapan dalam penelitian ini dapat diterapkan dalam pengelolaan ke depan jika dipenuhi beberapa asumsi dasar sebagai berikut: (1) Kegiatan illegal fishing di daerah operasi kapal-kapal pukat udang tidak berpengaruh signifikan terhadap produktivitas. (2) Variasi dalam distribusi spasial stok sumber daya udang di Laut Arafura diabaikan, terutama dalam perhitungan produksi penangkapan. (3) Kondisi lingkungan Laut Arafura relatif stabil dalam jangka sedang dan tidak mengakibatkan perubahan K (carrying capacity) dan r (pertumbuhan instrinsik). (4) Parameter-parameter ekonomi menyangkut harga dan biaya diasumsikan tidak berubah selama periode analisis. (5) Interaksi antar spesies seperti predator-prey tidak diperhitungkan dalam model ini (votka-voltera effect). 53