Kenapa riset pangan kita sering menghabiskan lebih banyak waktu di cleaning data daripada di analisisnya?
Sebagai peneliti pangan Indonesia, hampir semua kita pernah mengalami hal ini. Punya ide bagus untuk sebuah paper, mulai kumpulkan datanya, dan tiga sampai empat bulan kemudian data-nya belum juga siap dianalisis. Analisis final biasanya hanya menghabiskan dua sampai tiga minggu; sisanya habis di harmonisasi, dedup, dan sinkronisasi sumber-sumber.
Diagnosis singkat
Persoalannya bukan karena datanya tidak ada. Data pangan Indonesia berlimpah, sebagian besar publik.
Persoalannya adalah infrastruktur untuk membaca data itu secara sistematis belum kita bangun sebagai investasi lintas paper. Jadi tiap peneliti mulai dari nol setiap kali.
Harga produsen vs konsumen tujuh komoditas Jawa Timur, 2018-2026
Konteks singkat
Panel mingguan harga produsen & konsumen pada 7 komoditas Jawa Timur, ditarik dari SISKAPERBAPO Disperindag. Garis putus-putus vertikal MBG menandai peluncuran program 6 Januari 2025.
Temuan: premi harga produsen komoditas target (broiler, telur, beras) naik +7,25 pp di atas prediksi model pra-program. Non-target tanpa premi analog.
Submitted 7 Agustus 2026 · Agricultural Economics (Wiley IAAE, Scopus Q1)
Sensus geolokasi 3.299 dapur SPPG per kabupaten
Kenapa perlu peta seperti ini
Intensitas program MBG bukan seragam. Dapur SPPG terkonsentrasi di beberapa kabupaten. Untuk mengukur efek program dengan jujur, dosis intervensi per wilayah harus diamati, bukan diasumsikan.
Sumber data unik: Google Places API snapshot Agustus 2026, N=3.299 SPPG × 38 kota/kabupaten Jawa Timur. Kabupaten Jember tercatat sebagai salah satu dengan intensitas tertinggi.
Ini contoh alternative data: platform komersial (Google Places) dipanen sebagai sensus operasional publik.
Counterfactual: bagaimana harga protein bergerak seandainya tanpa MBG
Baseline vs aktual
Garis merah putus-putus = proyeksi harga jika tanpa MBG (inflasi alamiah). Garis biru = harga riil pasca-MBG. Area hijau = dividen stabilisasi.
Pesan slide: counterfactual bukan asumsi, tapi hasil model SARIMA yang di-train pada window pra-program 2021-2024. Data yang berbicara.
Basis nasional: 5,28 juta observasi harian PIHPS BI. Submitted · Food Policy (Elsevier Q1, IF 7.0)
Peta exposure ENSO × sentra komoditas strategis Jawa Timur
Iklim bertemu ekonomi lokal
Choropleth = intensitas exposure ENSO per kabupaten (dari NASA POWER curah hujan). Marker = sentra produksi 5 komoditas strategic tier.
Yang menarik: exposure ENSO paling kuat justru tidak selalu jatuh di sentra produksi. Sumenep, Banyuwangi, dan Lumajang menonjol pada exposure, sementara Kota Malang menonjol pada sentra.
Data: 17,9 juta observasi harian SISKAPERBAPO × NOAA ONI × NASA POWER × BPS. Submitted EJAVEC 2026
Menguji asimetri harga di 244 pasar tradisional bernama, harian 2018–2026
Skala & metode
924 regresi error-correction asimetris, tiap pasangan pasar × komoditas, di 244 pasar tradisional bernama lintas 69 kota, rata-rata 1.700 observasi harian per pasar.
Verdict: tidak ada asimetri di farmgate. Pooled gap +0.0005 (p=0.97). Dua ordo lebih kecil dari 10–20 pp yang dilaporkan literatur APT sebagai fakta pasar modern.
Basis data: SISKAPERBAPO + PIHPS harian. Submitted 2 September 2026 · American Journal of Agricultural Economics (AAEA Wiley, Scopus Q1)
Tiga paper HAMPARAN sedang di-review di tiga jurnal berbeda
Submitted 21 June 2026
Status: Under Review
Submitted 9 August 2026
Status: Under Review
Submitted 2 September 2026
Status: Under Review
Screenshot langsung dari Editorial Manager (Elsevier), Wiley Author Portal, dan Editorial Express (AAEA). Status per 8 September 2026, satu hari sebelum sesi ini.
Landscape sumber data yang dipakai HAMPARAN
Sebagian besar sumber ini publik atau semi-publik. Yang membedakan bukan akses ke data, tapi disiplin mengolahnya secara sistematis.
Stack yang tidak diajarkan di kelas metodologi
Pesan: Excel, STATA, SPSS, EViews adalah alat analisis. Yang paling menentukan kualitas riset justru empat layer di atasnya: cold storage, warehouse, ops DB, pipeline. Ini yang jarang diajarkan.
HAMPARAN Business Intelligence (HBI): prinsip & fungsi
Sama seperti praktik riset publik tadi — hanya beda konteks data
Empat langkah yang bapak/ibu lihat di Bagian 1 dan 2 dikopi persis: kumpulkan dari sumber tercerai-berai, harmoniskan skema dan unit, simpan ke warehouse, lalu query untuk menjawab pertanyaan spesifik.
Bedanya cuma satu: data yang diolah adalah data proprietary milik perusahaan — ERP, POS, spreadsheet lintas departemen, catatan mitra, sensor operasional — bukan data publik Indonesia.
Firewall wajib: klien HBI tidak pernah menjadi subjek riset publik HAMPARAN Institute.
Bantu perusahaan menengah bangun infrastruktur data & layer intelijen di atasnya
Tiga tahap akses: Diagnostic Sprint (4-6 minggu memetakan data yang ada), Foundation Build (2-3 bulan membangun warehouse + dashboard eksekutif), Retainer Advisory (maintain + iterate + inject riset baru).
Menjawab pertanyaan yang biasanya tim internal tidak sempat: multi-echelon inventory, vehicle routing petani mitra, demand forecast dengan sinyal iklim, portfolio pruning varietas, farmer-varietas matching, working capital cycle.
Layer strategic-analytic yang komplementer, bukan menggantikan tim operasional harian.
Info tambahan — HBI adalah kelanjutan natural dari praktik riset yang bapak/ibu lihat sepanjang sesi ini, sekarang diarahkan untuk perusahaan.
Data infrastructure bukan biaya,
tapi kondisi enabling.
Tanpa itu, riset lambat, bisnis ngira-ngira, negara meraba-raba korporatnya sendiri.
Dengan itu, ketiganya bisa saling menyokong.
Founder & Principal Researcher