PENGARUH KEPADATAN PENDUDUK TERHADAP JUMLAH KASUS

COVID-19: STUDI KASUS PROVINSI DI INDONESIA

Skripsi

Diajukan Kepada Fakultas Ekonomi dan Bisnis Islam Sebagai Salah Satu
Syarat Dalam Memperoleh Gelar Sarjana (SE)
Pada Jurusan Ekonomi Syariah

Oleh:

ATIKA NADYA YUSIANNISA

NIM. 1713060273

PRODI EKONOMI SYARIAH

FAKULTAS EKONOMI DAN BISNIS ISLAM
UNIVERSITAS ISLAM NEGERI (UIN)
IMAM BONJOL PADANG
1443H/2021M
 KATA PERSEMBAHAN

Dengan Rahmat Allah SWT, yang maha pengasih lagi maha penyayang Sembah
sujud serta syukur kepada Allah SWT telah memberiku kekuatan, memberiku ilmu
serta memperkenalkanku dengan cinta, atas karunia rahmatmu serta kemudahan
yang engkau berikan akhirnya skripsi ini dapat terselesaikan, sholawat dan salam
terlimpahkan kepada Nabi Muhammad SAW.

Aku persembahkan karya sederhana ini kepada orang yang sangat aku cintai dan
aku sayangi, Ayah (alm. Yulius) dan Ibu (Lucy Eka Savitri, S.Pd) sebagai tanda
bakti, hormat dan tanda rasa terimakasih yang tiada batas, Aku persembahkan
karya sederhana ini kepada ayah dan ibu yang telah memberikan kasih sayang
yang tiada mungkin dapat ku balas hanya selembar kertas yang bertuliskan kata-
kata cinta dan persembahan ini.

Terimakasih yang setulus-tulusnya atas untaian doa yang selalu terucap untuk
anakmu, untuk setiap tetesan keringat dan jerih payahmu, tanpa mengenal lelah
demi, keberhasilan dan kebahagiaan anakmu., Semua itu tidak bisa Aku gantikan
dan terbalas oleh apapun. Tetapi, semoga ini menjadi langkah awal untuk
membuat ayah ibu bahagia, karena Aku sadar, selama ini belum bisa berbuat
apa-apa, belum isa berbuat lebih, semoga ini bisa mengobati rasa kecewamu atas
jerih payahmu..

Terimakasih untuk orang tua keduaku (Yozarwardi Usama Putra) dan (Ida
Hartini) untuk doa yang tiada henti-hentinya, Alhamdulillah berkat doa dan
dukungan kalian, penulis dapat menyelesaikan skripsi ini dengan baik,
Terimakasih juga kepada keluarga besar.

Kepada dosen-dosenku terimakasih atas semua ilmu yang bapak/ibu berikan

kepadaku, didikan dan pengalaman yang sangat berarti yang diberikan kepada
penulis, jasamu yang tak ternilai harganya..

Terimakasih Bapak Dr. Davy Hendri, SE., M.Si sebagai pembimbing I dan Bapak
Aslan Deri Ichsandi., SH., MH sebagai pembimbing II, terimakasih sudah
membantuku dalam menyelesaikan skripsi ini..

Kepada teman-teman seperjunganku prodi Ekonomi Syariah BP 17, 3,5 tahun

kebersamaan kita bukanlah waktu yang sedikit, begitu banyak hal yang kita lalui
bersama, tanpa kalian aku tidak dapat termotivasi menyelesaikan skripsi ini...

Tak cukup berapa kertas untuk mengucapkan terimakasih kepada para pihak
yang sudah membantu dalam menyelsaikan studi ini.. tak dapat diuraikan dan

i
 ii

diuntaikan satu-persatu sekali lagi kuucapkan ribuan terimakasih kepada pihak-

pihak yang sudah dengan susah payah membantu menyelesaikan skripsi ini..

Akhir kataku ucapkan wasallam

By: Atika Nadya Yusiannisa

 PERNYATAAN KEORISINILAN

Saya yang menyatakan dengan sesungguhnya bahwa skripsi yang

berjudul “Pengaruh Kepadatan Penduduk Terhadap Jumlah Kasus Covid-

19: Studi Kasus Provinsi Di Indonesia” adalah benar hasil karya saya, bukan

merupakan tiruan atau duplikasi dari skripsi ataupun karya yang sudah dipublikasi

dan atau pernah digunakan untuk memperoleh gelar sarjana di Universitas Islam

Negeri Imam Bonjol Padang ataupun perguruan tinggi lainnya, kecuali bagian

sumber informasinya telah dicantumkan sebagaimana mestinya. Apabila

kemudian hari terbukti bahwa skripsi ini adalah plagiat atau tidak original, maka

saya bersedia untuk dibatalkan keabsahan skripsi ini dan gelar sarjana Saya.

Padang, 23 Februari 2021

Yang Menyatakan,

Atika Nadya Yusiannisa

NIM. 1713060273

iii
iv
v
 ABSTRAK

Judul skripsi ini adalah, “Pengaruh Kepadatan Penduduk Terhadap

Jumlah Kasus Covid-19: Studi Kasus Provinsi Di Indonesia”, disusun oleh

Atika Nadya Yusiannisa, NIM. 1713060273 Prodi Ekonomi Syaria’ah Fakultas

Ekonomi dan Bisnis Islam UIN Imam Bonjol Padang. Skripsi diangkat

berdasarkan fenomena yang terjadi saat ini yaitu pandemi covid-19. Dimana

penyebarannya sangat cepat dengan banyaknya interaksi antar sesama makhluk

hidup. Bagi wilayah yang padat penduduk sulit untuk merealisasikan physical

distancing, bahkan untuk memenuhi kebutuhan hidupnya masyarakat yang

berkerja dengan cara harus keluar rumah harus terpaksa keluar rumah. Sementara

masyarakat yang bisa melakukan pekerjaannya di dalam rumah lebih bisa

menerapkan physical distancing. Namun, ada juga yang terlena dan masih juga

memenuhi hobi mereka seperti nongkrong di cafe. Rumusan masalah pada

penelitian ini adalah bagaimana pengaruh kepadatan penduduk dapat

memengaruhi jumlah kasus covid-19 di Indonesia?. Penelitian ini merupakan

penelitian kuantitatif dengan sumber data dari website resmi Badan Pusat Statistik

(BPS) dan Satuan Gugus Tugas Covid-19 (SATGAS COVID-19). Analisis data

menggunakan regresi binomial negatif dengan bantuan lima variabel kontrol. Alat

olah data menggunakan software STATA SE versi 14.2. Hasil dari penelitian ini

diperoleh bahwa variabel kepadatan penduduk berpengaruh positif terhadap

variabel jumlah kasus covid-19 di Indonesia. Dari penelitian ini dapat

disimpulkan bahwa wilayah padat penduduk berpengaruh terhadap jumlah kasus

vi
 vii

covid-19 di Indonesia dan terdapat di kota-kota besar penyumbang jumlah kasus

terkonfirmasi covid-19 terbanyak di Indonesia.

Kata Kunci: Covid-19, Kepadatan Penduduk

 KATA PENGANTAR

Assalamu’alaikum Warahmatullahi Wabarakatuh

Puji dan syukur kita panjatkan kehadirat Tuhan Yang Maha Esa yang

selalu melimpahkan rahmat dan hidayah-Nya, sehingga memberikan kekuatan,

kemudahan, kelancaran dan kesabaran, kepada penulis untuk menyelesaikan

skripsi dengan judul “Pengaruh Kepadatan Penduduk Terhadap Jumlah

Kasus Covid-19: Studi Kasus Provinsi Di Indonesia” guna memenuhi

persyaratan untuk memperoleh gelar Sarjana Ekonomi di Fakultas Ekonomi dan

Bisnis Islam Universitas Islam Negeri Imam Bonjol Padang.

Shalawat beriring salam kepada ushwatun hasanah, suri tauladan yakni

nabi Muhammad SAW yang telah mengajarkan kita indahnya nilai–nilai tarbiyah

Islamiyah, dan membawa risalah kebenaran kepada umat manusia.

Penulis menyadari bahwa dalam menjalani studi hingga penyelesaian

skripsi ini, penulis banyak mendapat bantuan dan dorongan dari berbagai pihak.

Oleh karena itu dalam kesempatan ini penulis ingin mengucapkan terimakasih

khususnya kepada orang tua penulis yang memiliki peran yang sangat penting dan

tak terkira banyaknya pengorbanan yang selama ini diberikan, yang selalu

memberikan doa yang tulus ikhlas, motivasi, kasih sayang serta dukungan moril

dan materi kepada penulis untuk tetap semangat, penulis juga berterimakasih

kepada:

1. Rektor UIN Imam Bonjol Padang Bapak Prof. Dr. Eka Putra Wirman,

Lc.,M.A. beserta jajaran Wakil Rektor UIN Imam Bonjol Padang.

viii
 ix

2. Dekan Fakultas Ekonomi dan Bisnis Islam Bapak H. Ahmad Wira,

M.Ag, Ph.D beserta jajaran Wakil Dekan Fakultas Ekonomi dan Bisnis

Islam UIN Imam Bonjol Padang.

3. Ketua Prodi Ekonomi Syariah Bapak H. Hari Candra, M.A dan

sekretaris jurusan Bapak Almizan, SHI.,MA.

4. Dosen Penasehat Akademik (PA) Bapak Almizan, SHI.,MA, yang telah

memberikan ilmu, dukukungan dan arahannya selama masa perkuliahan

sehingga penulis bisa menyelesaikan penyusunan skripsi ini.

5. Bapak/Ibu dosen Fakultas Ekonomi dan Bisnis Islam, Bapak/Ibu pegawai

akademik mahasiswa (AKAMA) Fakultas Ekonomi dan Bisnis Islam,

dan Bapak/Ibu pegawai Perpustakaan UIN Imam Bonjol yang telah

memberi kesempatan kepada penulis untuk menggunakan buku-buku

sebagai bahan dalam menyelesaikan skripsi ini.

6. Bapak Dr. Davy Hendri, SE., M.Si selaku pembimbing I dan Bapak

Aslan Deri Ichsandi, SH., MH selaku pembimbing II yang telah

meluangkan waktu, dan memberikan bimbingan, arahan, dan sumbangan

pemikiran sehingga penulis bisa menyelesaikan penyusunan skripsi ini.

7. Bapak Roni Andespa, SE. MM dan Bapak Almizan, SHI.,MA, selaku

penguji yang telah memberikan kritik dan saran demi kesempurnaan

skripsi ini.

8. Semua pihak yang tidak dapat penulis sebutkan satu persatu yang telah

membantu dalam penyusunan skripsi ini. Atas segala doa, semangat,

bantuan dan dorongan penulis ucapkan terimakasih yang sebesar–

 x

besarnya, mohon maaf apabila terdapat banyak kesalahan dan dosa yang

disengaja maupun tidak disengaja. Semoga Allah SWT melimpahkan

Rahmat dan Karunia-Nya serta membalas kebaikan semua pihak.

Dalam penulisan skripsi ini penulis menyadari banyak ditemui

kekurangan bahkan jauh dari kesempurnaan, untuk itu penulis mengharapkan

kritikan yang membangun dari berbagai pihak dan semoga skripsi ini dapat

bermanfaat bagi pembaca. Aamiin Yaa Rabbal ‘Alamiin

Akhir kata, penulis berharap semoga penulisan skripsi ini dapat

bermanfaat untuk kepentingan penelitian dan ilmu pengetahuan dimasa yang

mendatang sesuai dengan fungsinya.

Padang, 19 Februari 2021

Penulis,

Atika Nadya Yusiannisa

NIM. 1713060273
 xi

DAFTAR ISI

COVER ....................................................................................................................
KATA PERSEMBAHAN ...................................................................................... i
PERNYATAAN KEORISINILAN ..................................................................... iii
PENGESAHAN TIM PENGUJI MUNAQASAH .............................................. v
ABSTRAK ............................................................................................................ vi
KATA PENGANTAR ........................................................................................ viii
DAFTAR TABEL .............................................................................................. xiii
DAFTAR GAMBAR, BAGAN DAN GRAFIK ............................................... xiv
BAB I PENDAHULUAN
A. Latar Belakang ............................................................................................. 1
B. Rumusan Masalah ........................................................................................ 6
C. Batasan Masalah........................................................................................... 6
D. Tujuan Penelitian dan Manfaat Penelitian ................................................... 6
E. Sistematika Penulisan .................................................................................. 7
BAB II LANDASAN TEORI
A. Covid-19: Kebijakan Pengendalian Penyebaran Covid-19 .......................... 9
B. Kepadatan Penduduk .................................................................................. 14
C. Hubungan Kepadatan Penduduk dengan Jumlah Kasus Covid-19 ............ 25
D. Penelitian yang Relevan ............................................................................. 26
E. Hipotesis Penelitian.................................................................................... 28
F. Kerangka Pemikiran ................................................................................... 28
BAB III METODOLOGI PENELITIAN
A. Tempat dan Waktu Penelitian .................................................................... 33
B. Variabel Penelitian ..................................................................................... 33
C. Sumber Data ............................................................................................... 33
D. Metode Penelitian....................................................................................... 34
E. Teknik Analisis Data .................................................................................. 34
F. Defenisi Variabel ....................................................................................... 35
 xii

BAB IV HASIL DAN PEMBAHASAN

A. Hasil Penelitian .......................................................................................... 37
B. Pembahasan Penelitian ................................................................................. 47
1. Pengaruh Kepadatan Penduduk terhadap Jumlah Kasus Covid-19 ........ 48
2. Pengaruh Populasi terhadap Jumlah Kasus Covid-19 ............................ 51
3. Pengaruh Hari terhadap Jumlah Kasus Covid-19................................... 54
4. Pengaruh Pendapatan Perkapita terhadap Jumlah Kasus Covid-19 ....... 58
5. Pengaruh Gini Ratio terhadap Jumlah Kasus Covid-19 ......................... 62
6. Pengaruh Interaksi Variabel Gini Ratio dan Durasi Penyebaran Covid-19
................................................................................................................ 65
BAB V KESIMPULAN69
A. Kesimpulan ................................................................................................ 69
B. Saran ........................................................................................................... 70
DAFTAR PUSTAKA .......................................................................................... xv
LAMPIRAN ....................................................................................................... xvii
 DAFTAR TABEL
Tabel 2.1 Perbandingan Pola Interaksi Masyarakat Sebelum dan Setelah Covid-19
............................................................................................................................... 13
Tabel 3.1 Penjelasan Variabel ............................................................................... 35
Tabel 4.1 Id Sampel Penelitian ............................................................................. 37
Tabel 4.2 Data Penelitian ...................................................................................... 39
Tabel 4.3 Analisis Deskriptif Variabel Penelitian................................................. 43
Tabel 4.4 Rangkuman Hasil Tabel Regresi Penelitian.......................................... 47
Tabel 4.5 Pengaruh Populasi terhadap Jumlah Kasus Covid-19 .......................... 51
Tabel 4.6 Pengaruh Hari terhadap Jumlah Kasus Covid-19 ................................. 55
Tabel 4.7 Pengaruh Pendapatan Perkapita terhadap Jumlah Kasus Covid-19 ...... 59
Tabel 4.8 Pengaruh Gini Ratio terhadap Jumlah Kasus Covid-19........................ 63

xiii
 DAFTAR GAMBAR, BAGAN DAN GRAFIK

Gambar 3.1 Kerangka Pemikiran Penelitian ......................................................... 29

Gambar 4.1 Jumlah Kasus Covid-19 menurut Provinsi di Indonesia ................... 42

Gambar 4.2 Pengaruh Kepadatan Penduduk terhadap Jumlah Kasus Covid-19 . 49

Grafik 4.1 Hubungan antara Kepadatan Penduduk dengan Jumlah Kasus Covid-19
............................................................................................................................... 50

Gambar 4.3 Hubungan antara Populasi dengan Jumlah Kasus Covid-19 ............. 54

Gambar 4.4 Hubungan antara Hari dengan Jumlah Kasus Covid-19 ................... 57

Grafik 4.4 Hubungan antara Pendapatan Perkapita dengan Jumlah Kasus Covid-
19 ........................................................................................................................... 61

Gambar 4.5 Hubungan antara Gini Ratio dengan Jumlah Kasus Covid-19 .......... 65

Grafik 4.5 Interaksi antara Gini Ratio dan Hari Sejak Pertama Kali Terkonfirmasi
Covid-19................................................................................................................ 68

xiv
 BAB I
PENDAHULUAN

A. Latar Belakang
Penyebaran virus covid-19 bisa terjadi melalui droplet saat seseorang

batuk, bersin, bernyanyi, berbicara, hingga bernapas. Saat melakukan hal-hal

tersebut, udara yang keluar dari hidung dan mulut mengeluarkan partikel kecil

atau aerosol dalam jarak dekat. Setelah mendapat kritikan dari ratusan ilmuwan

terkait penyebaran virus covid-19 melalui udara, akhirnya WHO pun

mengakuinya. Organisasi tersebut mengakui adanya bukti bahwa virus covid-

19 itu bisa menyebar melalui partikel-partikel kecil yang melayang di udara.

Selain itu, penyebaran virus covid-19 dapat melalui permukaan yang

terkontaminasi. Cara penularan virus covid-19 ini terjadi saat seseorang

menyentuh permukaan yang mungkin telah terkontaminasi virus dari orang

yang batuk atau bersin. Lalu virus itu berpindah ke hidung, mulut, atau mata

yang disentuh setelah menyentuh permukaan yang terkontaminasi tersebut.1

Kementrian Kesehatan Republik Indonesia juga menyatakan bahwa menjaga

jarak minimal 1 meter dengan orang lain untuk menghindari terkena droplet

dari orang yang bicara, batuk, atau bersin, serta menghindari kerumunan,

keramaian, dan berdesakan.

WHO dan keputusan Kemenkes mengatakan batas jarak aman dengan

orang lain setidaknya sejauh 1 meter. Hal ini untuk mencegah terkena cipratan

1
https://health.detik.com/berita-detikhealth/d-5122703/berbagai-cara-penyebaran-virus-
corona-covid-19-menurut-who-apa-saja, diakses pada pukul 21.01 tanggal 02 Desember 2020.

1
 2

cairan yang keluar dari mulut orang lain saat batuk, bersin, maupun berbicara.

Cairan yang keluar dari tubuh ini berpotensi membawa virus covid-19 dan

dapat menular jika ikut terhirup ke dalam saluran pernapasan. Namun hal ini

sulit untuk direalisasikan bagi wilayah yang padat penduduk. Alih-alih untuk

menjaga jarak mereka harus berdesakan tinggal di wilayah padat penduduk,

baik itu karena kurangnya perumahan yang layak di Indonesia ataupun

ketidakmampuan masyarakat untuk tinggal di perumahan yang layak.

Keadaan perumahan di Indonesia masih jauh daripada mencukupi,

baik dilihat dari jumlah maupun kualitas atau kondisi perumahannya yang

sebagian besar belum memenuhi persyaratan-persyaratan yang layak. Masalah

perumahan biasanya memang terdapat di daerah perkotaan ditandai oleh sangat

kurangnya jumlah rumah yang ada dibandingkan dengan banyaknya penduduk,

serta banyaknya rumah-rumah yang tidak memenuhi persyaratan-persyaratan

kehidupan dan pembangunan yang layak, seperti perkampungan-

perkampungan di pinggir kota dan gubuk-gubuk liar di dalam kota. Demikian

pula terdapat kesulitan-kesulitan mengenai tanah, fasilitas air minum, keadaan

penerangan, kesehatan lingkungan dan sebagainya.

Kepadatan hunian bukan merupakan hal yang bisa diabaikan.

Tingginya interaksi antar manusia di dalam hunian yang tidak layak akan

beresiko terhadap cepatnya penyebaran penyakit yang menular akibat interaksi

antar manusia seperti TBC atau covid-19. Masalah perumahan biasanya

memang terdapat di daerah perkotaan ditandai oleh sangat kurangnya jumlah

rumah yang ada dibandingkan dengan banyaknya penduduk, serta banyaknya

 3

rumah-rumah yang tidak memenuhi persyaratan-persyaratan kehidupan dan

pembangunan yang layak, seperti perkampungan-perkampungan di pinggir

kota dan gubuk-gubuk liar di dalam kota. Demikian pula terdapat kesulitan-

kesulitan mengenai tanah, fasilitas air minum, keadaan penerangan, kesehatan

lingkungan dan sebagainya.

Juru bicara pemerintah khusus penanganan covid-19 Achmad

Yurianto dalam artikel si kaya dan si miskin saat pandemi covid 19, pernah

mendapat reaksi keras dari warganet, karena pernyataannya yang meminta

orang kaya dan orang miskin saling menolong dalam menghadapi pandemi

covid-19 akibat virus covid-19. Pernyataan tersebut dianggap merendahkan

masyarakat ekonomi bawah. “Yang kaya melindungi yang miskin agar bisa

hidup dengan wajar dan yang miskin melindungi yang kaya agar tidak

menularkan penyakitnya, ini menjadi kerja sama yang penting,” begitu bunyi

pernyataan yang disampaikan dalam telekonferensi melalui akun YouTube

BNPB yang kemudian dipersoalkan dan viral di media sosial. Para netizen di

media sosial menganggap pernyataan tersebut mengandung diskriminasi

terhadap masyarakat yang tergolong miskin karena dituduh dapat menularkan

penyakit kepada orang yang kaya.2

Data Program Pangan Dunia (WFP) menyebutkan hal yang berbeda

dengan juru bicara pemerintah khusus penanganan covid-19 Achmad Yurianto.

Data tesebut menyebutkan bahwa covid-19 lebih banyak menginfeksi

masyarakat kelas menengah atas ketimbang kelas menengah ke bawah. WFP

2
https://jatengdaily.com/2020/si-kaya-dan-si-miskin-saat-pandemi-covid-19/, diakses pada
tanggal 19 Desember 2020, pukul 21.47 WIB.
 4

juga menghimpun data kasus covid-19 global. Data tersebut dikelompokkan

berdasarkan empat kelas masyarakat berdasarkan pendapatan.3

Dari debat teori diatas memunculkan dua efek antara hubungan

kepadatan penduduk dengan jumlah kasus covid-19 yaitu efek proteksi dan

efek penyesuaian. Pada masyarakat miskin efek penyesuaian dapat mengurangi

efek proteksi. Dari dua efek ini, penduduk pedesaan dengan pendapatan yang

lebih rendah, tidak cukup memungkinkan untuk menerapkan stay at home

karena mereka tidak memiliki fasilitas yang cukup untuk menerapkan stay at

home. Mereka harus pergi bekerja keluar setiap hari untuk memenuhi

kebutuhan pokok sehari-hari. Walaupun ada bantuan sosial yang di berikan

pemerintah, mereka akan tetap pergi keluar setelah bantuan sosial yang

diberikan pemerintah habis. Sebaliknya, pada masyarakat yang relatif kaya

efek penyesuaian bisa saling menguatkan. Dari dua hal ini, kemungkinan besar

daerah padat penduduk seperti perkotaan bisa lebih beresiko terinfeksi virus

covid-19. Sebaliknya kemungkinan besar daerah sepi penduduk seperti

pedesaan bisa relatif lebih minim resiko terinfeksi virus covid-19. Penduduk

perkotaan dengan pendapatan yang lebih tinggi, lebih memungkinkan untuk

tetap dirumah saja karena mereka memiliki fasilitas yang cukup untuk

menerapkan stay at home, sebagai bentuk dari efek proteksi. Tapi justru,

daerah perkotaan dengan segala kemudahan trasnportasi, beragamnya area

hiburan, justru mengundang potensi terinfeksi virus covid-19, ini sebagai

bentuk dari efek penyesuaian. Masyarakat yang terbiasa dengan segala

3
https://www.cnbcindonesia.com/news/20200411110257-4-151186/benarkah-orang-kaya-
lebih-banyak-tersengat-virus-corona, diakses pada tanggal 20 Desember 2020 pukul 08.59 WIB.
 5

kemudahan dari fasilitas yang tersedia di perkotaan, belum siap untuk

melakukan physical distancing.4

Ada banyak contoh kasus yang memperlihatkan bahwa kepadatan

penduduk mempengaruhi penyebaran virus covid-19. Diantaranya lagi studi

dari ahli epidemiologi Inggris menemukan kasus kematian di desa di Italia

dengan penduduk padat lebih tinggi ketimbang Roma. Studi ini juga menyebut

rumah di Italia lebih kecil dan diisi dengan banyak orang sekaligus. Dua hal ini

membuat penularan lebih cepat. Selain itu, angka kematian makin tinggi karena

tidak memiliki kesiapan unit perawatan kritis.5 Contoh lainnya yaitu Pulau

Jawa dengan kepadatan penduduk tinggi berbanding lurus dengan angka

terinfeksi virus covid-19. Selain itu, kesenjangan sosial dan kemiskinan juga

dapat meningkatkan kerentanan individu terhadap terinfeksi virus covid-19.

Oleh karena itu, perlu ada penelitian lebih lanjut variabel apa saja yang

menyumbang angka terinfeksi virus covid-19.

Ini bukan penelitian pertama yang mempelajari hubungan antara virus

covid-19 dan kepadatan penduduk, sebelumnya telah pernah diteliti oleh

Caitlin dan Martin (2020), Noory Okhtariza, Jeini Ester Nelwan, Rizki Adriadi

Ghiffari (2020), dan Dewi Novita Rani dkk. Penelitian ini sangat penting,

sehingga perlu penelitian lebih lanjut dan menyeluruh ke wilayah masing-

masing. Oleh karena itu, penulis mengangkat judul “Pengaruh Kepadatan

4
Caitlin S. Brown dan Martin Ravallion, “Inequality and The Coronavirus: Socieconomic
Covariates of Behaviora Responses and Viral Outcomes Across US Counties”, Jurnal NBER
Working Paper Series, Working Paper 27549, hlm. 3-9.
5
https://rujak.org/korelasi-kepadatan-penduduk-dan-penyebaran-covid-19/, diakses pada
tanggal 10 Desember 2020 pada pukul 19.24.
 6

Penduduk terhadap Jumlah Kasus Covid-19: Studi Kasus Provinsi di

Indonesia ”.

B. Rumusan Masalah

Berdasarkan uraian dan kenyataan diatas, penulis ingin mengetahui

lebih jauh bagaimana pengaruh kepadatan penduduk dapat memengaruhi

jumlah kasus covid-19 di Indonesia.

C. Batasan Masalah

Agar penulisan ini terfokus dan terarah maka penulis membatasi

permasalahan hanya pada data kepadatan penduduk di 34 provinsi di Indonesia

tahun 2020 dan jumlah kasus covid-19 pada tanggal 30 Desember 2020.

D. Tujuan Penelitian dan Manfaat Penelitian

1. Tujuan Penelitian

Berdasarkan rumusan masalah diatas maka tujuan dari penelitian

ini adalah untuk membuktikan dan menganalisis pengaruh kepadatan

penduduk terhadap jumlah kasus covid-19 di 34 provinsi di Indonesia.

2. Manfaat Penelitian

Manfaat dari hasil penelitian ini diharapkan dapat memberikan

manfaat diantaranya:

a. Bagi penulis, penelitian ini berguna dalam mengaplikasikan ilmu yang

diterima selama perkuliahan.

 7

b. Bagi akademisi, hasil penelitian ini diharapkan menjadi referensi bagi

pengembang ilmu pengetahuan dan penelitian-penelitian selanjutnya.

c. Bagi pembuat kebijakan, merupakan suatu informasi dan sebagai

bahan pertimbangan dalam menentukan kebijakan dalam mengatasi

masalah kepadatan penduduk di tengah wabah covid-19.

E. Sistematika Penulisan

Untuk memudahkan bagi pembaca dalam menganalisa dan

memahami hasil dari penelitian ini, maka dibuatlah satu sistematika penulisan

yang dibagi atas beberapa bab sebagai berikut:

Bab I : Pendahuluan

Bab ini membahas pendahuluan, yang berisikan latar belakang. Identifikasi

masalah, rumusan masalah, batasan masalah, tujuan penelitian, manfaat

penelitian, dan sistematika penulisan.

Bab II : Landasan Teori

Landasan Teori tentang kepadatan penduduk yang berpengaruh terhadap

tingkat terinfeksi covid-19 yang terdiri dari konsep kepadatan penduduk yaitu:

pengertian kepadatan penduduk, faktor-faktor yang mempengaruhi kepadatan

penduduk, hipotesis penelitian, penelitian yang relevan dan kerangka

pemikiran.
 8

Bab III : Metodologi Penelitian

Bab ini penulis akan membahas tempat penelitian, jenis dan pendekatan

penelitian, populasi dan sampel, sumber dan jenis data penelitian, teknik dan

instrumen pengumpulan data, variabel penelitian, defenis operasional

penelitian.

Bab IV : Hasil Penelitian

Merupakan pembahasan inti dari permasalahan dalam skripsi ini yang

berisikan hasil penelitian “Pengaruh Kepadatan Penduduk terhadap Jumlah

Kasus Covid-19”

Bab V : Penutup

Merupakan bab penutup yang mengemukakan kesimpulan yang diambil dari

hasil penelitian dan saran-saran. Ini merupakan akhir pembuatan skripsi yang

sudah merangkum permasalahan yang di angkat.

 BAB II
LANDASAN TEORI

A. Covid-19
Kebijakan Pengendalian Penyebaran Covid-19

Karakter virus covid-19 sangat berbeda dengan jenis penyakit

epidemik lainnya seperti kolera, pes, influenza, flu burung, dan lain-lain.

covid-19 ini sangat menyiksa manusia. Jika dia sudah menjangkiti orang,

bukan hanya orang/ warga/ pasien yang terinfeksi covid-19 yang diisolasi oleh

pemerintah, tetapi seluruh warga masyarakat akan turut diisolasi, baik warga

yang sakit maupun warga yang sehat. Tempat karantina di rumah sakit bagi

yang sudah terinfeksi, sementara yang sehat, akan dikarantina di rumah

masing-masing secara mandiri. Isolasi mandiri dilakukan untuk mencegah dan

menghindari penyebaran virus covid-19 meluas ke masyarakat. Namun,

pandemi covid-19 membuat hampir semua orang kalang-kabut

menghadapinya. Persoalan menjadi sangat serius karena yang dihadapi adalah

ketidakpastian baru. Pandemi covid-19 menjadi disrupsi sehingga kita perlu

mengenali, mengatasi, dan mencegahnya agar ketidakpastian ini segera

berakhir.

Untuk mencegah penyebaran dan penularan virus covid-19 menyebar

luas ke dalam masyarakat, pemerintah membuat serangkain kebijakan untuk

menanganinya. Kebijakan yang dibuat oleh pemerintah tersebut ada yang

tertulis, dan ada pula yang tidak tertulis. Kebijakan yang tertulis bentuknya

misalnya seperti Undang-Undang (UU), Peraturan Pemerintah Pengganti

9
 10

Undang-Undang (PERPU), Peraturan Pemerintah (PP), Peraturan Presiden

(PERPRES), Peraturan Menteri (PERMEN), Peraturan Daerah (PERDA),

Peraturan Bupati (PERBUP), Peraturan Walikota (PERWALI), dan lain-lain

termasuk di dalamnya adalah Surat Keputusan (SK), dan Surat yang berasal

dari pemerintah. Sedangkan kebijakan yang tidak tertulis bentuknya adalah

ajakan tidak tertulis yang berasal dari pemerintah, tokoh masyarakat, tokoh

adat, tokoh budaya, tokoh agama, yang berisi larangan dan himbauan terkait

dengan pencegahandan penanganan covid-19.

Contoh kebijakan tertulis seperti: KEPPRES No. 11/2020 tentang

Penetapan Kedaruratan Kesehatan Masyarakat covid-19 Virus Disease 2019

(covid-19), PERPU Nomor 1 Tahun 2O2O Tentang Kebijakan Keuangan

Negara dan Stabilitas Sistem Keuangan untuk Penanganan Pandemi covid-19

Virus Disease 2019 (covid-19) dan/atau dalam rangka Menghadapi Ancaman

yang Membahayakan Perekonomian Nasional dan/atau Stabilitas Sistem

Keuangan; PP Nomor 21 Tahun 2020 Tentang Pembatasan Sosial Berskala

Besar Dalam Rangka Percepatan Penanganan Corona Virus Disease 2019

(covid-19), Surat Edaran No. 57/2020 Tanggal 28 Mei 2020 Tentang

Perpanjangan Pelaksanaan Kerja dari Rumah/Work From Home (WFH) bagi

Aparatur Sipil Negara (ASN) hingga 4 Juni 2020; Keputusan Presiden

(KEPPRES) No. 12 Tahun 2020 tentang Penetapan Bencana Nonalam

Penyebaran Corona Virus Disease 2019 (covid-19) Sebagai Bencana

Nasional,dan lain-lain.
 11

Pasca penetapan covid-19 sebagai pandemi, reaksi masyarakat

beragam. Ada warga yang merasa takut, marah, panik, bingung, dan sedih.

Virus covid-19 membuat warga masyarakat mengalami trauma dan suasana

jiwa terancam dan ketakutan (threat and fear). (Abdullah, 2020)

mengidentifikasi ada empat jenis trauma yang disebabkan oleh coronavirus

yaitu: Pertama, trauma individual yang muncul dalam bentuk “social with

drawal” di mana seseorang yang dicurigai tertular coronavirus atau korban

pemutusan hubungan kerja cenderung mengisolasi diri dari kelompok dan

lingkungan sosial; Kedua, trauma individual yang bersifat “histeria”; Ketiga,

trauma psychologis yang bersifat “violence act”; dan Keempat, trauma

psikologis yang bersifat “collective attach” sebagai respons atas kepanikan

massal yang dialami komunitas.

Berbagai kebijakan pemerintah untuk mencegah penyebaran

penularan virus covid-19 agar tidak menyebar luas di dalam masyarakat, yang

telah diimplemetasi selama masa penularan wabah covid-19 adalah sebagai

berikut:

1. Kebijakan berdiam diridi rumah (Stay at Home);

2. Kebijakan Pembatasan Sosial (Social Distancing);

3. Kebijakan Pembatasan Fisik (Physical Distancing);

4. Kebijakan PenggunaanAlat Pelindung Diri (Masker);

5. Kebijakan MenjagaKebersihan Diri (Cuci Tangan);

6. Kebijakan Bekerja dan Belajardi rumah (Work/Study From Home);

7. Kebijakan Menunda semua kegiatan yang mengumpulkan orang banyak;

 12

8. Kebijakan Pembatasan Sosial Berskala Besar (PSBB); hingga terakhir,

9. Kebijakan pemberlakuan New Normal.

Selain kebijakan pencegahan penularan virus covid-19, Pemerintah

Indonesia juga telah mengimplementasikan berbagai kebijakan dalam upaya

melindungi masyarakat dengan tingkat kesejahteraan yang rendah utamanya

golongan Pemerlu Pelayanan Kesejahteraan Sosial (PPKS) dari dampak negatif

covid-19. Hingga 1 Mei 2020, total sebanyak 159 negara telah merencanakan,

memperkenalkan atau mengadaptasi 752 jenis perlindungan sosial dalam upaya

penanggulangan dampak negatif wabah covid-19. Sejak 20 Maret, telah terjadi

kenaikan tiga kali lipat dalam jumlah negara dan delapan kali lipat dalam jenis

perlindungan sosial (Syamsulhakim, 2020). Untuk Jaring Pengaman Sosial,

penanganan dampak covid-19 pemerintah telah menyiapkan anggaran 110

Triliun rupiah, yang terdiri dari: Program Keluarga Harapan (PKH), Program

Sembako, Kartu Prakerja, Subsidi listrik, insentif perumahan, Sembako

Jabodetabek, Bansos Tunai Non-Jabodetabek, dan Program JaringPengaman

Sosial lainnya (Karyono, 2020).

Harus diakui bahwa di tengah wabah covid-19 seperti sekarang,

bantuan sosial (social assistance) dan perlindungan sosial (social protection)

dari pemerintah sangat diperlukan karena hal tersebut bisa menjadi

penyambung napas jutaan orang yang terkena dampak, tidak hanya golongan

Pemerlu Pelayanan Kesejahteraan Sosial (PPKS) seperti: buruh bangunan,

buruh pabrik, buruh tani, nelayan, ojek, pedagang, karyawan, pekerja kontrak,

pekerja serabutan, petani, peternak, supir, wiraswasta, tetapi juga semua

 13

golongan kelas sosial (social class) dalam masyarakat. Sayangnya, pengelolaan

data yang buruk selama bertahun-tahun membuat program jaring pengaman

sosial (social-safety net program) yang diluncurkan Presiden Joko Widodo

compang-camping di lapangan. Fakta di lapangan telah mengamini bahwa

buruknya data pemerintah telah menyebabkan kegaduhan di kalangan

masyarakat, tidak hanya terjadi di tingkat pusat tetapi juga ditingkat daerah).

Kasat-kusut terkait bantuan sosial ini telah dilaporkan oleh Koran (TEMPO,

2020) bahwa Program Jaring Pengaman Sosial untuk meredam dampak covid-

19 acak-acakan, tumpang tindih,dan salah sasaran akibat data amburadul.

Tabel 2.1

Perbandingan Pola Interaksi Masyarakat Sebelum dan Setelah Covid-19

Pola Interaksi Masyarakat

Sebelum Pandemi Covid-19 Setelah Pandemi Covid-19

➢ Interaksi antar warga dilakukan ➢ Interaksi antar warga dilakukan

secara langsung (face to face) secara tidak langsung

menggunakan media teknologi

informasi

➢ Interaksi antar warga dilakukan ➢ Interaksi antar warga dilakukan

secara bebas dan terbuka di ruang secara tertutup dan terbatas (rumah)

publik

➢ Kegiatan sosial, bisnis, budaya ➢ Kegiatan sosial, bisnis, budaya,

pendidikan, keagamaan, dan pendidikan, keagamaan, dan

olahraga, dll dalam bentuk olahraga, dll dalam bentuk

 14

kerumunan (crowded) kerumunan (crowded) dilarang atau

diperbolehkan dan tidak dibatasi diperbolehkan dalam jumlah sedikit

jumlahnya

➢ Pengajar utama siswa adalah guru ➢ Pengajar siswa selain guru, juga

orang tua (utamanya ibu), dan

Google (internet)

➢ Sistem pembelajaran pendidikan ➢ Sistem pembelajaran pendidikan

secara tatap muka di dalam ruang secara online (daring)

kelas

➢ Mobilitas penduduk tinggi ➢ Mobilitas penduduk rendah

➢ Semua kegiatan dilakukan diluar ➢ Semua kegiatan dilakukan di dalam

rumah rumah (Work/Study Form Home )

➢ Penetrasi internet kurang ➢ Penetrasi internet sangat besar

Sumber: Darmin Tuwu, 2020

B. Kepadatan Penduduk

a. Kepadatan Penduduk Dalam Teori Kependudukan

1. Teori Malthusian

Thomas Robert Malthus adalah orang pertama yang

mengemukakan tentang penduduk. Dalam "Essay on Population", Malthus

beranggapan bahwa bahan makanan penting untuk kelangsungan hidup,

nafsu manusia tak dapat tumbuh dan tumbuh penduduk jauh lebih cepat dari
 15

bahan makanan. Teori Malthus menyebutkan bahwa pertumbuhan penduduk

mengikuti deret ukur sedangakan pertumbuhan populasi pangan mengikuti

deret hitung, pada kasus ini di mana terdapat permasalahan

permasalahannya jumlah penduduk di kota yang tidak diimbangi dengan

menyebutkan jika pangan pun berkurang, hal ini merupakan perimbangan

yang kurang menguntungkan kita kembali kepada teori Malthus.

Teori Malthus jelas menekankan tentang pentingnya keseimbangan

pertambahan jumlah penduduk menurut deret ukur terhadap persediaan

bahan makanan menurut deret hitung. Teori Malthus tersebut sebetulnya

sudah mempersoalkan daya dukung lingkungan dan daya tampung

lingkungan. Tanah sebagai suatu komponen lingkungan alam tidak mampu

menyediakan hasil pertanian untuk mencukupi kebutuhan jumlah penduduk

yang terus bertambah dan semakin banyak. Daya dukung tanah sebagai

komponen lingkungan menurun, karena beban manusia yang semakin

banyak. Jumlah penduduk harus seimbang dengan batas ambang

lingkungan, agar tidak menjadi beban lingkungan atau mengganggu daya

dukung dan daya lingkungan, dengan menampakkan bencana alam berupa

banjir, kekeringan, gagal panen, kelaparan, wabah penyakit, kematian.

Menurut pendapatnya, faktor pencegah ketidakseimbangan

penduduk dan manusia antara lain pemeriksaan preventif (penghentian

perkawinan, mengendalikan hawa nafsu dan pantangan kawin), pemeriksaan

kepemilikan (bencana alam, wabah penyakit, kejahatan dan peperangan).

 16

Robert Malthus ini mengemukakan beberapa pendapat tentang

kependudukan, yaitu sebagai berikut.

a. Penduduk (seperti juga tumbuhan dan binatang) yang tidak ada rapat

akan berkembang biak dengan sangat cepat dan memenuhi beberapa

bagian dari permukaan bumi.

b. Manusia untuk hidup memerlukan bahan makanan, sedangkan

pertumbuhan makanan jauh lebih lambat (deret hitung) dibandingkan

dengan laju pertumbuhan penduduk (deret ukur).

Menurut aliran ini pertumbuhan penduduk dapat dilakukan dengan

2 cara yaitu:

1. Cara pertama dengan pemeriksaan preventif (pengekangan diri), yang

terdiri dari, (a) pengendalian moral (pengekangan diri); (b)

mengekang nafsu seks; (c) tunda kawin; (d) kejahatan (kelahiran); (e)

pengguguran kandungan; (f) homoseksual.

2. Cara kedua, pemeriksaan positif (lewat proses kelahiran), yang terdiri

dari, (a) Vice or kejadian (pencabutan nyawa) yang terdiri dari bunuh

anak-anak, bunuh orang cacat dan bunuh orang tua; (b) kesengsaraan

(kemelaratan) dengan cara epidemi, bencana alam, peperangan, dan

kekurangan makanan.

Meskipun demikian teori tersebut mendapat berbagai kritik karena

Malthus tidak memperhitungkan hal-hal sebagai berikut ini:

a. Kemajuan bidang transportasi yang dapat menghubungkan satu daerah

dengan daerah lain sehingga distribusi makanan dapat berjalan.

 17

b. Kemajuan bidang teknologi, terutama bidang pertanian.

c. Usaha pembatasan kelahiran bagi pasangan yang sudah menikah.

d. Fertilitas akan menurun perbaikan ekonomi dan standar penduduk

dinaikkan.6

2. Teori Islam

Esensi kepadatan penduduk dikaitkan dengan banyaknya angka

kelahiran masyarakat atau natalitas yang mana telah diperintahkan dalam

hadis berikut ini:

-‫عن معقل بن يسار جاء رجل إلي رسول هللا – عليه الصالة والسالم‬

:َ‫ قَال‬،‫ أَفَأَت َ َز َّو ُج َها‬،ُ‫ َو ِإنَّ َها الَ ت َ ِلد‬،‫ب َو َج َما ٍل‬ َ ‫صبْتُ ا ْم َر أَةً ذَاتَ َح‬
ٍ ‫س‬ َ َ ‫ إني أ‬:‫فقال‬

‫ ت َ َز َّو ُج ْوا ا ْل َودُو َد ا ْل َولُو َد فَ ِإنِي‬:َ‫ فَقَال‬،َ‫ ث ُ َّم أَتَا ُه الثَّا ِلثَة‬،‫ ث ُ َّم أَتَا ُه الثَّانِ َيةَ فَنَ َها ُه‬.َ‫ال‬

‫ُمكَاثِ ٌر بِ ُك ُم ْاْل ُ َم َم‬

Artinya:

“Dari Ma’qal bin Yasar berkata, telah datang seorang laki-laki kepada

Rasulullah SAW kemudian berkata: “Sesungguhnya aku bertemu

perempuan yang memiliki garis keturunan dan kecantikan yang baik hanya

saja dia tidak bisa memiliki anak, apakah saya boleh menikahinya. Lalu

Nabi SAW mencegahnya, kemudian laki-laki itu datang untuk kedua kalinya

tetapi Nabi SAW tetap melarangnya, kemudian laki-laki tersebut tetap

mendatangi Nabi SAW ketiga kalinya, tetapi Nabi SAW tetap melarangnya.

6
Agustina Bidarti, Teori Kependudukan, (Bogor: Lindan Bestari, 2020), Hlm. 17.
 18

Kemudian beliau bersabda: nikahilah perempuan yang bisa memiliki

banyak anak dan penyayang. Sesungguhnya aku senang dengan jumlah

kalian yang banyak (dibanding umat yang lain)” (Abu Dawud, 1997, Juz 2,

374).

Populasi yang besar sebagai modal pertumbuhan ekonomi. Jumlah

penduduk yang besar memberi dampak ekonomi yang besar juga contohnya

saja China dan India. China sebagai negara dengan populasi terbesar dunia

telah menjadi kiblat ekonomi kedua setelah Amerika. Jumlah penduduk

yang besar telah memudahkan China untuk memproduksi barang dan

menjualkannya. Sementara di Indonesia, populasi yang besar menyebabkan

peningkatan konsumsi yang menggerakkan ekonomi. Peningkatan ekonomi

yang didorong peningkatan jumlah konsumsi menjadikan Indonesia sebagai

tempat tujuan investasi dan impor. Secara umum, para ahli menyatakan

bahwa populasi adalah salah satu unsur pokok perkembangan ekonomi.

Sejalan dengan yang disebutkan dengan Adam Smith tiga unsur sistem

produksi negara yaitu pertama sumber daya manusia, kedua sumber daya

alam, dan ketiga barang modal.

Dalam perspektif kependudukan, manusia dalam posisinya sebagai

khalifah harus mampu mengatur bumi agar menjadi tempat yang tetap layak

huni bagi seluruh isinya. Manusia juga dituntut untuk menatanya, menjaga

keseimbangan antara manusia dengan alam, kebutuhan hidupnya dengan

sumber daya alam yang tersedia. Seperti teori yang dikemukakan oleh

Malthus dalam Deliarnov mengamati manusia berkembang jauh lebih cepat

 19

dibandingkan dengan produksi hasil-hasil pertanian untuk memenuhi

kebutuhan manusia. Manusia berkembang sesuai deret ukur. Sementara itu

pertumbuhan produksi makanan hanya meningkat sesuai deret hitung.

Karena perkembangan jumlah manusia jauh lebih cepat dibandingkan

dengan pertumbuhan produksi hasil-hasil pertanian maka akan

menyebabkan penduduk kesulitan memenuhi kebutuhan hidup sehingga

akan berimbas pada kemiskinan yang meningkat.

Ibnu Khaldun mengkaitkan antara jumlah penduduk dan

pertumbuhan ekonomi. menurutnya, setiap kali jumlah penduduk meningkat

maka berdampak pula pada meningkatnya jumlah produksi dan apabila

masyarakat tidak mampu untuk memenuhinya maka akan berdampak pada

kemiskinan sebaliknya setiap kali jumlah penduduk menurun akan menurun

pula kuantitas produksi. Menurut Ibnu Khaldun “Tidakkah anda saksikan

bahwa ditempat-tempat yang kurang penduduknya kemiskinan adalah kecil

dan penghasilan tinggi sebab sedikitnya persaingan mencari kerja antar

manusia”.

Dengan demikian Ibnu Khaldun menghargai kerja dan dampak

ekonomisnya. Selain itu juga menekankan fungsi sosial dan moral kerja.

Sebab masyarakat desa, menurut Ibnu Khaldun, yang banyak bekerja

memenuhi kebutuhan-kebutuhan mereka mempunyai suatu keistimewaan,

yaitu moral mereka yang kuat. Sementara masyarakat kota yang hidup

dalam kemewahan, kemalasan, kesantaian, dan ketenggelaman dalam

berbagai kenikmatan hidup, moral mereka rusak. Dengan demikian kerja

 20

menurut Ibnu Khaldun merupakan katub pengaman moral, sebab

ketenggelaman dalam kemewahan tanpa kerja akan mengantarkan pada

penyelewengan.

Nabi SAW juga memerintahkan untuk meningkatkan kualitas

sumber daya manusia diantaranya yaitu:

1. Perintah Belajar

Salah satu dalil yang memerintahkan umat Islam untuk

mencari ilmu sebanyak-banyak yaitu hadis riwayat Anas bin Malik.

ُ ‫ص َدقَةُ ْب ُن َخا ِل ٍد َح َّدثَنَا‬

‫عثْ َما ُن ْب ُن أَبِي‬ َ ‫ع َّم ٍار َح َّدثَنَا‬
َ ‫َح َّدثَنَا ِهشَا ُم ْب ُن‬

ُ ‫س ِم ع َْن أ َ ِبي أ ُ َما َمةَ قَا َل قَا َل َر‬

‫سو ُل‬ َ ‫عَاتِكَةَ ع َْن‬
ِ ‫ع ِلي ِ ْب ِن يَ ِزي َد ع َْن ا ْلقَا‬

‫ضهُ أ َ ْن‬ َ َ‫علَ ْي ُك ْم ِب َهذَا ا ْل ِع ْل ِم قَ ْب َل أ َ ْن يُ ْقب‬

ُ ‫ض َوقَ ْب‬ َ ‫سلَّ َم‬
َ ‫علَ ْي ِه َو‬ َّ ‫صلَّى‬
َ ُ‫َّللا‬ َ ‫َّللا‬
ِ َّ

‫اْل ْب َها َم َه َكذَا ث ُ َّم قَا َل‬ َ ‫س‬

ِ ْ ‫طى َوالَّ ِتي ت َ ِلي‬ ْ ‫يُ ْرفَ َع َو َج َم َع َب ْينَ ِإ‬
ْ ‫ص َب َع ْي ِه ا ْل ُو‬
7
َ ‫َان فِي ْاْلَجْ ِر َو َال َخ ْي َر فِي‬
ِ َّ‫سائِ ِر الن‬
‫اس‬ ِ ‫ا ْلعَا ِل ُم َوا ْل ُمتَعَ ِل ُم ش َِريك‬
Artinya:

Telah menceritakan kepada kami Hisyam bin Ammar berkata, telah

menceritakan kepada kami Shadaqah bin Khalid berkata, telah

menceritakan kepada kami Utsman bin Abu 'Atikah dari Ali bin Yazid

dari Al Qasim dari Abu Umamah ia berkata; Rasulullah shallallahu

'alaihi wasallam bersabda: "Hendaknya kalian berpegang teguh

dengan ilmu ini sebelum dicabut, dan dicabutnya adalah dengan

7
https://tafsirq.com/hadits/ibnu-majah/224, diakses pada tanggal 19 Februari 2021 pukul
13.41 wib.
 21

diangkat -beliau menggabungkan antara dua jarinya; jari tengah dan

telunjuk seperti ini- kemudian bersabda: "Seorang alim dan penuntut

ilmu bersekutu dalam pahala, dan tidak ada kebaikan pada mayoritas

manusia."

2. Perintah Memiliki Kemampuan yang Bermanfaat

Salah satu bagian dari kualitas modal manusia adalah

memiliki suatu keahlian yang memberi manfaat kepada manusia yang

lain. Sesuai dengan hadis yang diriwayatkan oleh ath-Thabrani, Al-

Mu’jam al-Ausath, juz VII, hal. 58, dari Jabir bin Abdullah r.a. yaitu

ِ َّ‫الناس أَنفَعُ ُهم ِللن‬

‫اس‬ ِ ‫َخ ْي ُر‬

Artinya:

“Sebaik-baik manusia adalah yang paling bermanfaat bagi orang

lain.”8

3. Perintah untuk Menekuni Bidang Pekerjaan

Fokus dan terampil dalam bidang kerja yang ditekuni

merupakan salah satu kunci kesuksesan. Hal ini sesuai dengan

perintah Nabi SAW dalam hadis yang diriwayatkan oleh Aisyah r.a

yaitu

9
َ ُ‫ب إِذَا ع َِم َل أ َ َح ُد ُك ْم العَ َم َل أ َ ْن يُتْ ِقنَه‬
)‫(ر َواه الطبران‬ َّ َّ‫إِن‬
ُّ ‫اَّلل يُ ِح‬

8
https://muallimin.sch.id/2016/01/20/jadilah-orang-yang-bermanfaat/, diakses pada tanggal
19 Februari 2021 pukul 14.11 WIB..
 22

Artinya:

“Sesungguhnya Allah sangat mencintai orang yang jika melakukan

sesuatu pekerjaan, dilakukan secara Itqan (tepat, terarah, jelas dan

tuntas).”

Umat yang jumlahnya banyak namun tidak berkualitas, alih-alih

memberi rasa bangga, yang terjadi justru sebaliknya, merendahkan dan

melemahkan. Apa yang kita rasakan saat ini adalah bukti, jumlah umat

Islam yang banyak di negri ini, tidak membuat kita bangga sama sekali

sebagai umat Islam. Jumlah yang banyak tidak berkontribusi pada

pembangunan peradaban yang damai dan sejahtera. Namun harus dicatat,

justifikasi Islam bukan sekedar menahan laju pertumbuhan penduduk tetapi

meningkatkan kualitas hidup. Jika pemerintah menggalakkan berbagai

program pengendalian jumlah penduduk, maka pada saat yang sama

pemerintah harus menyiapkan sejumlah program untuk meningkatkan

kualitas hidup masyarakatnya.

Program-program pengendalian jumlah penduduk yang tidak

diiringi dengan kebijakan rekayasa kualitas, maka itu akan membuat kondisi

bangsa ini semakin parah. Jumlah penduduknya sedikit, sumber daya

manusianya juga rendah. Lalu apalagi yang ingin kita banggakan,

Kedudukan kita sebagai khalifah sejatinya harus membuat kita berfikir

untuk masa depan. Berfikir untuk generasi mendatang, kondisi lingkungan

yang bagaimanakah yang ingin kita persiapkan untuk generasi mendatang.

9
http://eprints.ums.ac.id/25848/3/BAB_I.pdf, diakses pada tanggal 17 Februari 2021 pukul
14.37 WIB.
 23

b. Efek yang Dimunculkan dari Kepadatan Penduduk terhadap Kasus Covid-19

1. Protection Effect

Efek proteksi merupakan efek perlindungan diri dengan adanya

kasus covid-19, dimana kemiskinan membatasi kemampuan untuk

menghindari terinfeksi virus covid-19 melalui penerapan social distancing.

Sebagai contoh pada pekerja bergaji rendah, banyak pekerja dengan gaji

rendah atau dibawah UMR yang pekerjaan mereka harus dilakukan diluar

rumah. Sehingga mereka sulit untuk menerapkan social distancing dimana

social distacing adalah salah satu upaya perlindungan diri agar terhindar

dari terinfeksi virus covid-19.10

2. Adjustment Cost Effect

Efek biaya penyesuaian merupakan efek yang berhubungan antara

pendapatan individu dengan adanya kasus covid-19. Efek biaya penyesuaian

diasumsikan bahwa seseorang tidak dapat dengan cepat dan sepenuhnya

menyesuaikan diri dengan tingkat interaksi sosial ekonomi yang lebih

rendah ketika epidemi melanda. Biaya marjinal penyesuaian sangat

bergantung pada karakteristik sosial ekonomi seperti: pendapatan, usia, dan

demografi.11

10
Caitlin, Ibid., hlm 4.
11
Loc.cit.
 24

c. Hubungan antara Protection Effect dengan Adjustment Cost Effect

Efek biaya penyesuaian dapat bekerja berlawanan arah dengan efek

perlindungan. Mengingat bahwa area yang lebih makmur atau perkotaan

dengan mobilisasi yang lebih lancar memiliki lebih banyak interaksi sosial

dan ekonomi, baik didalam daerah perkotaan itu sendiri ataupun dengan

wilayah lain yang memasuki daerah perkotaan. Pada masyarakat miskin

efek penyesuaian dapat mengurangi efek proteksi. Dari dua efek ini,

penduduk pedesaan dengan pendapatan yang lebih rendah, tidak cukup

memungkinkan untuk menerapkan stay at home karena mereka tidak

memiliki fasilitas yang cukup untuk menerapkan stay at home. Mereka

harus pergi bekerja keluar setiap hari untuk memenuhi kebutuhan pokok

sehari-hari. Walaupun ada bantuan sosial yang di berikan pemerintah,

mereka akan tetap pergi keluar setelah bantuan sosial yang diberikan

pemerintah habis. Sebaliknya, pada masyarakat yang relatif kaya efek

penyesuaian bisa saling menguatkan. Dari dua hal ini, kemungkinan besar

daerah padat penduduk seperti perkotaan bisa lebih beresiko terinfeksi virus

covid-19. Sebaliknya kemungkinan besar daerah sepi penduduk seperti

pedesaan bisa relatif lebih minim resiko terinfeksi virus covid-19. Penduduk

perkotaan dengan pendapatan yang lebih tinggi, lebih memungkinkan untuk

tetap dirumah saja karena mereka memiliki fasilitas yang cukup untuk

menerapkan stay at home, sebagai bentuk dari efek proteksi. Tapi justru,

daerah perkotaan dengan segala kemudahan trasnportasi, beragamnya area

 25

hiburan, justru mengundang potensi terinfeksi virus covid-19, ini sebagai

bentuk dari efek penyesuaian. Masyarakat yang terbiasa dengan segala

kemudahan dari fasilitas yang tersedia di perkotaan, belum siap untuk

melakukan physical distancing.12

C. Hubungan Kepadatan Penduduk dengan Jumlah Kasus Covid-19

Terdapat hubungan antara penyebaran wabah penyakit dengan

kepadatan penduduk disuatu wilayah. Hal ini sangat berpengaruh jika

pencegahan dalam wabah tersebut membutuhkan jaga jarak fisik (physical

distancing). Wilayah dengan kepadatan penduduk rendah menghalangi

penyebaran wabah tersebut sehingga minimnya angka kematian. Begitupun

sebaliknya wilayah dengan kepadatan penduduk tinggi mempercepat

penyebaran wabah penyakit sehingga tingginya angka kematian.

Namun hal ini bertentangan dengan dengan kondisi yang terjadi di

Indonesia yaitu kota Jakarta dimana wilayah dengan kepadatan penduduk

tinggi tidak berbanding lurus dengan penyebaran wabah covid19. Kondisi ini

bisa saja terjadi akibat minimnya test yang terjadi, terutama di kota yang

memiliki kepadatan tinggi seperti DKI Jakarta, Bandung, dan Surabaya.

Jika merujuk pada kenyataan memang kawasan perkotaan yang padat

penduduk tentu akan menyebabkan transmisi penyakit lebih cepat dengan

rantai penyebaran yang lebih kompak dan kompleks. Kawasan yang minim

penduduk memiliki keterjangkitan yang lebih rendah, tapi kawasan minim

12
Loc.cit.
 26

penduduk juga memiliki fasilitas kesehatan yang tidak memadai untuk

menghadapi wabah penyakit, apalagi covid-19 yang merupakan penyakit baru.

Penduduk yang tinggal di kawasan pinggiran memiliki tantangan

berupa akses yang jauh ke rumah sakit dengan fasilitas lengkap dan kapasitas

memadai. Kawasan perkotaan dapat dengan mudah menerapkan kebijakan

seperti pembatasan fisik (physical distancing) dan pelarangan kumpulan massa

untuk mengakali kepadatan penduduk; namun tidak demikian untuk kawasan

pinggiran. Kawasan pinggiran dapat mengalami kesulitan saat mengakali

disparitas fasilitas kesehatan yang dialaminya.

D. Penelitian yang Relevan

Dalam studi literatur ini, penulis mencantumkan beberapa penelitian

yang pernah dilakukan oleh beberapa pihak, sebagai bahan rujukan dalam

mengembangkan materi yang ada dalam penelitian yang dibuat oleh penulis.

Beberapa penelitian yang memiliki korelasi dengan penelitian ini adalah:

1. Caitlin S. Brown dan Martin Ravallion dengan judul penelitian,

“Inequality and The Coronavirus: Socioeconomic Covariates of

Behavioral Responses and Viral Outcomes Across US Countries”.

Penelitian ini bertujuan untuk melihat bagaimana ketidaksetaraan sosial

ekonomi berdampak pada penyebaran penyakit menular, dengan berbagai

kovariat atau variabel kontrol yang terlibat diantaranya kepadatan

penduduk, usia, gender/ jenis kelamin, tingkat kemiskinan, gini index,

pendapatan rata-rata, ras, jumlah kasus covid-19, fasilitas rumah sakit,

 27

serta penyakit menular lainya misal: asma, diabetes dan COPD (Chronic

Obstructive Pulmonary Disease) atau penyakit paru.

2. Rizki Adriadi Ghiffari dengan judul penelitian, “Dampak Populasi dan

Mobilitas Perkotaan Terhadap Penyebaran Pandemi Covid-19 di

Jakarta”. Penelitian ini bertujuan untuk menguji pengaruh faktor-faktor

populasi dan mobilitas penduduk terhadap tingkat penyebaran wabah

penyakit covid-19 di wilayah perkotaan Provinsi DKI Jakarta.

3. Noory Okhtariza dengan judul penelitian, “Kepadatan Penduduk dan

Kasus Positif COVID-19 di Jakarta”. Penelitian ini bertujuan untuk

menguji pengaruh kepadatan penduduk terhadap kasus positif covid-19

di Jakarta, yang mana pada penelitian ini belum menemukan hubungan

yang berarti antara kepadatan penduduk dan jumlah kasus positif.

4. Jeini Ester Nelwan dengan judul penelitian, “Kejadian Corona Virus

Disease 2019 berdasarkan Kepadatan Penduduk dan Ketinggian Tempat

per Wilayah Kecamatan”. Penelitian ini bertujuan untuk mengetahui

distribusi covid-19 berdasarkan kepadatan penduduk dan ketinggian

tempat per wilayah kecamatan di Kota Manado.

5. Dewi Novita Rani dkk. dengan judul penelitian, “Kerentanan Masyarakat

Kabupaten Karanganyar terhadap Coronavirus Disease-19 (Covid-19)”.

Penelitian ini bertujuan untuk mengetahui kerentanan masyarakat

Kabupaten Karanganyar terhadap Covid-19 dan untuk mengetahui

hubungan antara parameter kerentanan masyarakat dan jumlah kasus

Covid-19 di Karanganyar. Berdasarkan temuan peneliti pada penelitian

 28

ini, hubungan antara tingkat kerentanan wilayah dan jumlah kasus Covid-

19 tidak signifikan dikarenakan kondisi kepadatan penduduk, tingkat

pendidikan, serta akses informasi tentang Covid-19 di Kabupaten

Karanganyar tergolong tinggi.

E. Hipotesis Penelitian
Hipotesis adalah suatu keadaan yang sementara waktu dianggap benar

dan barangkali tanpa keyakinan, agar bisa ditarik suatu konsekuensi yang logis

dan dengan syarat ini kemudian diadakan pengujian (testing) tentang

kebenarannya dengan menggunakan data empiris (empirical data) hasil

penelitian. Adapun hipotesis yang akan di uji kebenarannya dalam penelitian

ini adalah :

➢ H0 : Kepadatan penduduk tidak berdampak terhadap jumlah kasus

covid-19 diseluruh Provinsi di Indonesia.

➢ H1 : Kepadatan penduduk berdampak terhadap jumlah kasus covid-19

di seluruh Provinsi di Indonesia.

F. Kerangka Pemikiran
Berdasarkan teori dan permasalahan yang ada maka penulis membuat

kerangka pemikiran dimana variabel independen adalah kepadatan penduduk di

seluruh provinsi di Indonesia. Sedangkan variabel dependen dalam penelitian

ini adalah jumlah kasus covid-19. Di bawah ini adalah kerangka mengenai

hubungan antar masing-masing variabel :

 29

Gambar 3.1

Kerangka Pemikiran Penelitian

Kepadatan Penduduk Kasus Covid-19

(X1) (Y)

Populasi = X2

Hari = X3

Pendapatan Perkapita = X4

Gini Ratio = X5
 BAB III
METODOLOGI PENELITIAN
A. Tempat dan Waktu Penelitian
Penelitian ini dilakukan pada provinsi di Indonesia. Dan waktu

penelitian dilakukan pada data tahun 2020.

B. Variabel Penelitian
Variabel dalam penelitian ini adalah sebagai berikut:

1. Variabel independen yaitu variabel yang menjadi penyebab perubahan

dari variabel dependen. Variabel independen dalam penelitian ini adalah

kepadatan penduduk, yang dilambangkan dengan (X).

2. Variabel dependen yaitu variabel yang dipengaruhi atau menjadi akibat

dari adanya variabel independen. Variabel dependen dalam penelitian ini

adalah jumlah kasus covid-19, yang dilambangkan dengan (Y).

3. Variabel kontrol merupakan variabel yang dikendalikan atau dibuat

konstan sehingga hubungan variabel independen terhadap dependen tidak

dipengaruhi oleh faktor luar yang tidak diteliti. Yang menjadi variabel

kontrol dalam penelitian ini adalah populasi, hari, pendapatan perkapita,

gini ratio, dan kematian karena covid-19.

C. Sumber Data
Sumber data yang digunakan dalam penelitian ini adalah berupa data

sekunder yang diperoleh dari website www.bps.go.id dan www.covid19.co.id.

adapun data yang diperoleh dari website tersebut yaitu:

33
 34

1. Data kepadatan penduduk sebanyak 34 provinsi di Indonesia pada tahun

2020 berasal dari data Badan Pusat Statistik (BPS) yang diakses melalui

website www.bps.go.id.

2. Data jumlah kasus covid-19 menurut provinsi di Indonesia pada tahun

2020, berasal dari data Satuan Gugus Tugas Penaganan covid-19 (Satgas

Covid-19) yang bisa diakses melalui website www.covid19.co.id.

D. Metode Penelitian
Penelitian ini adalah penelitian yang dilakukan dengan metode

kuantitatif. Penelitian ini menggunakan pendekatan kuantitatif karena variabel

bebas dan variabel terikat berupa angka atau bisa diangkakan, dan dianalisis

berdasarkan analisis statistik deskriptif.

E. Teknik Analisis Data

Penelitian ini menggunakan teknik analisis data regresi binomial

negatif, yaitu pemodelan variabel hitung dengan hasil hitung tersebar. Penulis

menggunakan teknik analisis data regresi binomial negatif dikarenakan

variabel dependen pada penelitian ini yaitu kasus covid-19 berupa kategori dan

hasil hitungnya tersebar. Model regresi binomial negatif ditunjukkan dalam

persamaan berikut ini:

Yi = ß0 + ß1 X1i + ß2lnX2i + ß3 lnX3i + ß4X4i + ß5X5i + ß6lnX6i + εi

 35

Keterangan:

i = Provinsi, (i =1,...,n)

Yi = Jumlah kasus covid-19 di provinsi i

X1i = Kepadatan penduduk di provinsi i

X2i = Populasi di provinsi i

X3i = Hari di provinsi i

X4i = Pendapatan Perkapita di provinsi i

X5i = Gini Ratio di provinsi i

X6i = Kematian Covid-19 di provinsi i

εi = Error di propinsi i

F. Defenisi Variabel
Tabel 3.1

Penjelasan Variabel

Variabel Penjelasan Indikator

Y Jumlah Kasus Covid-19 Kasus covid-19 dalam

satuan jiwa dari jumlah

kasus covid-19 provinsi

di Indonesia pada

tanggal 31 Januari 2021.

X1 Kepadatan Penduduk Kepadatan penduduk

menurut provinsi di

Indonesia dalam satuan

jiwa/km2 pada tahun

 36

2020.

X2 Populasi Populasi menurut

provinsi di Indonesia

dalam satuan jiwa pada

tahun 2020.

X3 Hari Durasi penyebaran virus

covid-19 menurut

provinsi di Indonesia

pada tahun 2020-awal

tahun 2021.

X4 Pendapatan Perkapita Pendapatan perkapita/

bulan menurut provinsi

di Indonesia pada tahun

2020.

X5 Gini Ratio Perkembangan gini ratio

menurut provinsi di

Indonesia pada tahun

2020.

X6 Kematian Covid-19 Kematian karena covid-

19 menurut provinsi di

Indonesia sampai dengan

Januari tahun 2021

 BAB IV
HASIL DAN PEMBAHASAN
A. Hasil Penelitian

1. Kondisi Data Penelitian

Data yang digunakan dalam penelitian ini adalah data kuantitatif

dan merupakan data sekunder. Data diperoleh dari website resmi Satuan

Gugus Tugas Covid-19 (SATGAS Covid-19) yang dapat diakses melalui

www.covid19.go.id, dan juga melalui website resmi Badan Pusat Statistik

(BPS) yang dapat diakses melalui www.bps.go.id. Dari hasil data yang

diperoleh, ada 34 populasi berupa provinsi di Indonesia. Dalam penelitian

ini penulis mengambil seluruh populasi menjadi sampel. 34 provinsi

tersebut dapat kita lihat pada tabel berikut ini:

Tabel 4.1

Id Sampel Penelitian

No Provinsi Id

1 Aceh 01

2 Sumatera Utara 02

3 Sumatera Barat 03

4 Riau 04

5 Jambi 05

6 Sumatera Selatan 06

37
 38

7 Bengkulu 07

8 Lampung 08

9 Kepulauan Bangka Belitung 09

10 Kepulauan Riau 10

11 DKI Jakarta 11

12 Jawa Barat 12

13 Jawa Tengah 13

14 DI Yogyakarta 14

15 Jawa Timur 15

16 Banten 16

17 Bali 17

18 Nusa Tenggara Barat 18

19 Nusa Tenggara Timur 19

20 Kalimantan Barat 20

21 Kalimantan Tengah 21

22 Kalimantan Selatan 22

23 Kalimantan Timur 23

24 Kalimantan Utara 24

25 Sulawesi Utara 25

26 Sulawesi Tengah 26

27 Sulawesi Selatan 27

28 Sulawesi Tenggara 28
 39

29 Gorontalo 29

30 Sulawesi Barat 30

31 Maluku 31

32 Maluku Utara 32

33 Papua Barat 33

34 Papua 34

Dalam penelitian ini yang menjadi variabel bebas (independen)

yaitu kepadatan penduduk/density (X1). Sedangkan yang menjadi variabel

terikat (dependen) yaitu jumlah kasus covid-19/kasus (Y). Dengan variabel

kontrolnya yaitu populasi (X2), hari (X3), Pendapatan Perkapita/bulan

(X4), gini ratio (X5), kematian covid-19 (X6), Dari penelitian ini, diperoleh

data sebagai berikut:

Tabel 4.2

Data Penelitian

PROVINS Y X1 X2 X3 X4 X5 X6
I Jiwa Jiwa/Km2 Jiwa Hari Rupiah Ratio Jiwa
Aceh 9163 91.0151 5274871 308 522.12 0.323 660
6
Sumater 20496 202.7831 1479936 317 502.90 0.316 76
a Utara 1 4
Sumater 26627 131.7327 5534472 308 544.31 0.305 354
a Barat 5
Riau 28577 73.47527 6394087 332 544.05 0.329 3533
7
Jambi 4388 70.88211 3548228 304 483.54 0.320 100
2
Sumater 13998 92.44685 8467432 306 439.04 0.339 41
a Selatan 1
 40

Bengkulu 4498 100.9406 2010670 303 527.03 0.334 71

1
Lampung 9466 260.1635 9007848 308 453.73 0.327 44
3
Kepulaua 4277 88.63083 1455678 304 721.45 0.262 241
n Bangka 5
Belitung
Kepulaua 7909 251.7233 2064564 304 614.72 0.339 210
n Riau 7
DKI 25641 15906.52 1056208 332 680.40 0.399 2104
Jakarta 6 8 1
Jawa 13452 1364.534 4827416 332 410.98 0.403 814
Barat 0 2 8
Jawa 12000 1113.27 3651603 316 395.40 0.362 464
Tengah 1 5 7
DI 20481 1170.936 3668719 318 463.47 0.434 404
Yogyakar 9
ta
Jawa 10908 850.6847 4066569 316 416.00 0.366 325
Timur 1 6 1
Banten 25263 1231.984 1190456 328 508.09 0.363 481
2 1
Bali 24880 746.948 4317404 305 429.83 0.369 21
4
Nusa 7237 286.4527 5320092 303 404.94 0.376 8
Tenggara 1
Barat
Nusa 4477 109.3139 5325566 294 403.00 0.354 11
Tenggara 5
Timur
Kalimant 3829 36.75582 5414390 305 471.20 0.317 45
an Barat 0
Kalimant 11639 17.38663 2669969 308 485.63 0.329 191
an 5
Tengah
Kalimant 17599 105.1404 4073584 304 497.26 0.332 44
an 2
Selatan
Kalimant 38727 29.17903 3766039 320 662.30 0.328 67
an Timur 2
Kalimant 6756 9.299528 701814 306 681.03 0.292 100
an Utara 5
Sulawesi 12966 188.7298 2621923 302 391.19 0.370 29
 41

Utara 7
Sulawesi 7043 48.28059 2985734 308 474.62 0.326 75
Tengah 7
Sulawesi 45919 194.2209 9073509 315 350.26 0.389 559
Selatan 4
Sulawesi 9299 68.95281 2624875 324 356.44 0.389 83
Tenggara 4
Gorontal 4173 104.084 1171681 303 368.99 0.408 124
o 0
Sulawesi 3330 84.54243 1419229 306 350.74 0.364 65
Barat 3
Maluku 6316 39.41088 1848923 312 555.19 0.318 9
7
Maluku 3392 40.11372 1282937 311 462.63 0.308 11
Utara 9
Papua 6616 11.01517 1134068 307 610.88 0.382 163
Barat 8
Papua 14939 13.48972 4303707 312 562.99 0.392 15
2

2. Deskripsi Data Penelitian

Penelitian ini menguji bagaimana pengaruh antara kepadatan

penduduk dengan jumlah kasus covid-19 di Indonesia. Analisis dalam

penelitian ini menggunakan data yang disajikan oleh Satuan Gugus Tugas

Covid-19 (SATGAS COVID-19) berupa data kasus terkonfirmasi covid-19

menurut provinsi di Indonesia, yang penulis ambil berupa akumulasi data

dari bulan Maret 2020 sampai dengan tanggal 31 Januari 2021. Selain data

terkonfirmasi covid-19, melalui website www.covid19.go.id penulis juga

mengambil data hari (durasi penyebaran covid-19) menurut provinsi, dan

data kematian karena covid-19. Selain data yang disajikan oleh Satuan

Gugus Tugas Covid-19 (SATGAS COVID-19), penulis juga memperoleh

data dari website Badan Pusat Statistik (BPS) berupa data kepadatan
 42

penduduk yang diambil melalui data populasi menurut provinsi dibagi

dengan luas wilayah menurut provinsi. Selain data kepadatan penduduk,

melalui website Badan Pusat Statistik (BPS) penulis juga mengambil data

garis kemikinan menurut provinsi perkapita perbulan dalam rupiah, dan data

gini ratio. Pada penelitian ini, yang menjadi variabel kontrol adalah populasi

penduduk menurut provinsi, durasi penyebaran covid-19 menurut provinsi,

pendapatan perkapita perbulan dalam rupiah menuut provinsi, gini ratio, dan

kematian karena covid-19. Secara umum penjelasan terhadap jumlah kasus

covid-19 menurut provinsi disajikan dalam gambar berikut:

Gambar 4.1

Jumlah Kasus Covid-19 menurut Provinsi di Indonesia

Jumlah Kasus Covid-19 Menurut Prov.

300000

250000

200000
Jumlah Kasus Covid-
150000 19

100000

50000

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33

Sumber: Olah data covid19.go.id

gambar di atas menjelaskan jumlah kasus covid-19 secara umum di

Indonesia sepanjang tahun 2020 - awal tahun 2021. gambar ini menujukkan
 43

bahwa penyebaran covid-19 berfluktuasi. Secara umum, jumlah kasus

covid-19 tinggi pada kota-kota besar yang ditandai dengan tingginya jumlah

kasus covid-19 di wilayah 11-17 yaitu Pulau Jawa. Kepadatan penduduk

akan menyebabkan penyebaran covid-19 semakin cepat karena lebih

banyaknya interaksi masyarakat di wilayah yang padat penduduk tersebut.

3. Analisis Statistik Deskriptif

Analisis data dimulai dengan mengolah data dengan menggunakan

Microsoft excel. Selanjutnya data yang telah diolah di Microsoft excel di

running menggunakan software STATA SE versi 14.2. Prosedur di mulai

dengan memasukkan variabel-variabel penelitian ke program STATA

tersebut dan menghasilkan ouput-output sesuai dengan analisis data yang

ditentukan. Selanjutnya, penulis memasukkan perintah/syntax “sum” pada

command STATA untuk memperoleh output ringkasan variabel. Berikut ini

adalah tabel data statistik secara umum dari seluruh data yang digunakan:

Tabel 4.3

Analisis Deskriptif Variabel Penelitian

Variable Obs. Mean Std. Dev Min Max

Jumlah Kasus 34 30126.41 51708.64 3330 256416

kepadatanp~k 34 739.2658 2708.863 9.299528 15906.52

populasi 34 7947174 1.13e+07 701814 4.83e+07

hari 34 311.2059 9.502087 294 332

 44

gariskemis~n 34 492.5439 100.0944 350.264 721.455

giniratio 34 0.3489412 0.0376297 0.262 0.434

kematianco~d 34 339.4706 684.9984 8 3533

Tabel di atas menjelaskan bahwa jumlah observasi yang digunakan

pada variabel jumlah kasus covid-19 adalah sebanyak 34 sampel. Rata-rata

jumlah kasus terkonfirmasi covid-19 sepanjang tahun 2020 - awal 2021 di

Indonesia adalah sebanyak 30126 jiwa. Penyebaran kumpulan data terhadap

rata-rata jumlah kasus covid-19 (standar deviasi) yaitu sebesar 51708.64.

Jumlah kasus terkonfirmasi covid-19 terendah yaitu pada wilayah Provinsi

Sulawesi Barat sebanyak 3330 jiwa. Sedangkan jumlah kasus terkonfirmasi

covid-19 tertinggi yaitu pada wilayah Provinsi DKI Jakarta sebanyak

256416 jiwa.

Jumlah observasi yang digunakan pada variabel kepadatan

penduduk adalah sebanyak 34 sampel. Rata-rata kepadatan penduduk pada

tahun 2020 di Indonesia adalah sebesar 739.2658 jiwa/km2. Penyebaran

kumpulan data terhadap rata-rata kepadatan penduduk (standar deviasi)

yaitu sebesar 2708.863 jiwa/km2. Kepadatan penduduk terendah yaitu pada

wilayah Provinsi Kalimantan Utara sebesar 9.299528 jiwa/km2. Sedangkan

kepadatan penduduk tertinggi yaitu pada wilayah Provinsi DKI Jakarta

sebanyak 15906.52 jiwa/km2.

Total data yang digunakan pada variabel populasi adalah sebanyak

34 sampel. Rata-rata populasi pada tahun 2020 di Indonesia adalah sebesar

 45

7947174 jiwa. Penyebaran kumpulan data terhadap rata-rata populasi

(standar deviasi) yaitu sebesar 1.13e+07 jiwa. Populasi terendah yaitu pada

wilayah Provinsi Kalimantan Utara sebesar 701814 jiwa. Sedangkan

populasi tertinggi yaitu pada wilayah Provinsi Jawa Barat sebanyak

4.83e+07 jiwa.

Jumlah observasi yang digunakan pada variabel hari adalah

sebanyak 34 sampel. Rata-rata durasi penyebaran covid-19 pada tahun 2020

– awal tahun 2021 di Indonesia adalah selama 311 hari. Penyebaran

kumpulan data terhadap rata-rata durasi penyebaran covid-19 (standar

deviasi) yaitu selama 9.502087 hari. Durasi penyebaran covid-19 tercepat

yaitu pada wilayah Provinsi Nusa Tenggara Timur selama 294 hari.

Sedangkan durasi penyebaran covid-19 terlama yaitu pada wilayah Provinsi

Riau, DKI Jakarta, dan Jawa Barat selama 332 hari.

Jumlah observasi yang digunakan pada variabel pendapatan

perkapita adalah sebanyak 34 sampel. Rata-rata pendapatan perkapita

perbulan pada tahun 2020 di Indonesia adalah sebesar RP.492.5439.

Penyebaran kumpulan data terhadap rata-rata pendapatan perkapita perbulan

(standar deviasi) yaitu sebesar RP.100.0944. Pendapatan perkapita perbulan

terendah yaitu pada wilayah Provinsi Sulawesi Selatan sebesar RP. 350.264.

Sedangkan pendapatan perkapita perbulan tertinggi yaitu pada wilayah

Provinsi Kepulauan Bangka Belitung sebesar RP.721.455.

Jumlah observasi yang digunakan pada variabel gini ratio adalah

sebanyak 34 sampel. Rata-rata gini ratio pada tahun 2020 di Indonesia

 46

adalah sebesar 0.3489412. Penyebaran kumpulan data terhadap rata-rata

gini ratio (standar deviasi) yaitu sebesar 0.0376297. Gini ratio terendah

yaitu pada wilayah Provinsi Kepulauan Bangka Belitung sebesar 0.262.

Sedangkan gini ratio tertinggi yaitu pada wilayah Provinsi DI Yogyakarta

sebesar 0.434.

Tabel di atas menjelaskan bahwa jumlah observasi yang digunakan

pada variabel kematian karena covid-19 adalah sebanyak 34 sampel. Rata-

rata kematian karena covid-19 sepanjang tahun 2020 - awal 2021 di

Indonesia adalah sebanyak 339.4706 jiwa. Penyebaran kumpulan data

terhadap rata-rata kematian karena covid-19 (standar deviasi) yaitu sebesar

684.9984. Kematian karena covid-19 terendah yaitu pada wilayah Provinsi

Nusa Tenggara Barat sebanyak 8 jiwa. Sedangkan kematian karena covid-

19 tertinggi yaitu pada wilayah Provinsi Riau sebanyak 3533 jiwa.

 47

B. Pembahasan Penelitian
Tabel 4.4
Rangkuman Hasil Tabel Regresi Penelitian

----------------------------------------------------------------------------------------------------------------------------
(1) (2) (3) (4) (5) (6) (7)
jumlahkasus jumlahkasus jumlahkasus jumlahkasus jumlahkasus jumlahkasus jumlahkasus
----------------------------------------------------------------------------------------------------------------------------
jumlahkasus
kepadatanp~k 0.000241* 0.000172*** 0.000122** 0.000121** 0.000102* 0.0000969* 0.000137**
(2.18) (4.21) (3.02) (2.96) (2.28) (2.02) (2.61)

populasi 6.14e-08*** 5.05e-08*** 5.06e-08*** 5.27e-08*** 5.36e-08*** 5.61e08***

(5.76) (5.06) (4.59) (4.72) (4.69) (5.09)

hari 0.0396** 0.0395** 0.0349* 0.0311 0.252

(2.99) (2.88) (2.47) (1.72) (1.81)

Pendapatan perkapita 0.0000219 0.000945 0.00106 0.00119

(0.02) (0.65) (0.72) (0.84)

giniratio 3.742 4.102 196.6

(0.97) (1.03) (1.64)

kematianco~d 0.0000693 0.0000109

(0.33) (0.05)

c.ginirati~i 0.0337679
(1.60)

_cons 9.878*** 9.118*** -3.113 -3.102 -3.449 -2.463 -71.18

(53.83) (66.98) (-0.76) (-0.75) (-0.85) (-0.50) (-1.64)
----------------------------------------------------------------------------------------------------------------------------
lnalpha
_cons -0.0865 -0.971*** -1.204*** -1.204*** -1.230*** -1.233*** -1.298***
(-0.40) (-4.24) (-5.20) (-5.20) (-5.31) (-5.32) (-5.59)
----------------------------------------------------------------------------------------------------------------------------
N 34 34 34 34 34 34 34
----------------------------------------------------------------------------------------------------------------------------
t statistics in parentheses
* p<0.05, ** p<0.01, *** p<0.001
 48

1. Pengaruh Kepadatan Penduduk terhadap Jumlah Kasus Covid-19

Analisis regresi variabel kepadatan penduduk pada jumlah kasus

covid-19 di Indonesia yang terletak pada kolom 1 baris 1 menyatakan

bahwa kepadatan penduduk berpengaruh positif dan signifikan terhadap

jumlah kasus covid-19. Dibuktikan dengan variabel kepadatan penduduk

signifikan ditandai *,**,*** (0.10), Koefisien regresi kepadatan penduduk

adalah 0.0002414.

Dari hasil tersebut kepadatan penduduk di provinsi akan

meningkatkan jumlah kasus covid-19, dengan kata lain permukiman padat

penduduk memiliki risiko ancaman kesehatan yang cukup tinggi hal ini

disebabkan oleh kondisi layanan infrastruktur dasar seperti air bersih dan

sanitasi yang tidak memadai, sehingga menyebabkan kondisi lingkungan

tersebut dapat dikategorikan tidak layak, permukiman yang tingkat

kepadatan penduduknya tinggi rentan menjadi pusat penyebaran wabah

virus covid-19 karena biasanya kawasan tersebut aksesibilitasnya sulit. Hal

ini selaras dengan grafik dibawah ini penyebaran virus covid-19 yang

menunjukkan bahwa peta persebaran covid-19 paling tinggi terjadi di daerah

yang padat penduduk.

 49

Gambar 4.2

Pengaruh Kepadatan Penduduk terhadap Jumlah Kasus Covid-19

Dari gambar di atas terlihat lebih jelas lagi memang tingkat infeksi

lebih tinggi di provinsi yang lebih padat, provinsi DKI Jakarta yang dengan

jumlah penduduk 15.906.520 jiwa terdeteksi infeksi 256416 jiwa, terihat

dari garis berwarna merah dan biru DKI Jakarta paling meningkat kasus

covid dan penduduknya dari provinsi lainnya. DKI Jakarta sebagai pusat

metropolitan, dimana banyak terdapat permukiman padat penduduk yang

menjadikan daerah DKI Jakarta sebagai zona merah dalam gambar diatas

virus Covid-19 di Indonesia. Hal ini di dukung oleh Ahli Epidemiologi

Universitas Indonesia (UI), Dr Pandu Riono mengatakan, risiko penyebaran

Covid-19 di kawasan padat penduduk jauh lebih tinggi dibandingkan

 50

dengan kawasan yang tidak memiliki kepadatan penduduk yang tinggi hal

ini dikarenakan masyarakat di dalamnya hampir tidak mungkin melakukan

physical distancing pada saat melakukan kegiatan mobilisasi dalam

kebutuhan sehari-hari karena saking padatnya kawasan tersebut. Kondisi ini

masih ditambah lagi dengan kurangnya kesadaran masyarakat untuk rajin

mencuci tangan karena minimnya sarana air bersih dan fasilitas sanitasi.

Disisi lain kepadatan penduduk yang sedikit terinfeksi sedikit juga

terjadi di provinsi Sulewesi Utara, terbukti provinsi ini paling sedikit

terinfeksinya sebesar 6756 kasus dengan penduduk yang sedikit juga

9.29953 per jiwa. Dapat disimpulkan provinsi yang sedikit kepadatan

penduduknya maka teinfeksi virus sedikit juga begitupun sebaliknya.

Berikut ini adalah grafik yang menununjukkan hubungan antara kepadatan

penduduk dengan jumlah kasus covid-19:

Grafik 4.1

Hubungan antara Kepadatan Penduduk dengan Jumlah Kasus Covid-

19

300 rb 20 rb

15 rb
200rb

10 rb

100 rb
5 rb

0 0
Jakarta
 51

2. Pengaruh Populasi terhadap Jumlah Kasus Covid-19

Analisis regresi variabel penduduk pada kasus covid di Indonesia

yang terletak pada kolom 2 baris 2 menyatakan bahwa penduduk

berpengaruh positif dan signifikan terhadap kasus covid. Dibuktikan

variabel populasi signifikan ditandai *,**,*** (0.10), Koefisien regresi

populasi adalah 6.14e-08. Penambahan variabel kontrol populasi tidak

merubah terhadap kasus covid atau masih berkorelasi. Dengan kata lain

pergerakan penduduk berpengaruh terhadap laju penularan covid-19. Dapat

dilihat dari tabel berikut :

Tabel 4.5

Pengaruh Populasi terhadap Jumlah Kasus Covid-19

Provinsi Jumlah Kasus Populasi

Aceh 9.163 5.274.871

Sumatera Utara 20.496 14.799.361

Sumatera Barat 26.627 5.534.472

Riau 28.577 6.394.087

Jambi 4.388 3.548.228

Sumatera Selatan 13.998 8.467.432

Bengkulu 4.498 2.010.670

Lampung 9.466 9.007.848

Kepulauan Bangka 4.277 1.455.678

Belitung
 52

Kepulauan Riau 7.909 2.064.564

DKI Jakarta 256.416 10.562.088

Jawa Barat 134.520 48.274.162

Jawa Tengah 120.001 36.516.035

DI Yogyakarta 20.481 3.668.719

Jawa Timur 109.081 40.665.696

Banten 25.263 11.904.562

Bali 24.880 4.317.404

Nusa Tenggara Barat 7.237 5.320.092

Nusa Tenggara Timur 4.477 5.325.566

Kalimantan Barat 3.829 5.414.390

Kalimantan Tengah 11.639 2.669.969

Kalimantan Selatan 17.599 4.073.584

Kalimantan Timur 38.727 3.766.039

Kalimantan Utara 6.756 701.814

Sulawesi Utara 12.966 2.621.923

Sulawesi Tengah 7.043 2.985.734

Sulawesi Selatan 45.919 9.073.509

Sulawesi Tenggara 9.299 2.624.875

Gorontalo 4.173 1.171.681

Sulawesi Barat 3.330 1.419.229

Maluku 6.316 1.848.923

 53

Maluku Utara 3.392 1.282.937

Papua Barat 6.616 1.134.068

Papua 14.939 4.303.707

Keterangan:

= Terendah

= Tertinggi

Dari tabel diatas populasi yang positif di Indonesia dan Jakarta

jaraknya sangat tinggi angkanya, karena Jakarta merupakan pusat

penyebaran virus covid-19 di Indonesia. Kondisi ini mengindikasikan

pertambahan jumlah penduduk positif covid-19 di Indonesia sangat

signifikan dan menyebar luas sampai ke seluruh provinsi, terutama Jawa

Timur, Jawa Barat, Jawa Tengah, dan Sulawesi Selatan.

Sebagai kota terbesar sekaligus ibu kota negara, Jakarta menempati

urutan pertama sebagai kota terpadat di Indonesia. Konsentrasi penduduk

yang tinggi, terutama di bagian pusat kota yang memiliki permukiman

informal yang padat, dapat menjadi episentrum penularan penyakit dan

mempercepat penyebaran patogen.13 Berikut gambar yang menjelaskan

hubungan antara populasi dengan jumlah kasus covid-19:

13
Carl Johan Neiderud, 2015, “How Urbanization Affects The Epidemiology of Emerging
Infectious Diseases”, Jurnal Infection Ecology and Epidemiology, Working Paper 27060, hlm. 3-9.
 54

Gambar 4.3

Hubungan antara Populasi dengan Jumlah Kasus Covid-19

Keterangan:
701.814 48.274.162
jiwa Jiwa

Jadi, semakin banyak populasi di suatu wilayah ditandai pada peta dengan

warna merah yang lebih menyala maka cenderung besar pula jumlah kasus

covid-19 di wilayah tersebut.

3. Pengaruh Hari terhadap Jumlah Kasus Covid-19

Analisis regresi variabel hari (durasi penyebaran virus covid-19)

pada kasus covid-19 di Indonesia yang terletak pada kolom 3 baris 3

menyatakan bahwa waktu berpengaruh positif dan signifikan terhadap

jumlah kasus covid-19. Dibuktikan hal ini variabel hari signifikan ditandai

*,**,*** (0.10), Koefisien regresi hari adalah 0.0396. Penambahan variabel

kontrol hari tidak merubah terhadap kasus covid atau masih berkorelasi.
 55

Tabel 4.6

Pengaruh Hari terhadap Jumlah Kasus Covid-19

Provinsi Jumlah Kasus Hari

Aceh 9.163 308

Sumatera Utara 20.496 317

Sumatera Barat 26.627 308

Riau 28.577 332

Jambi 4.388 304

Sumatera Selatan 13.998 306

Bengkulu 4.498 303

Lampung 9.466 308

Kepulauan Bangka 4.277 304

Belitung

Kepulauan Riau 7.909 304

DKI Jakarta 256.416 332

Jawa Barat 134.520 332

Jawa Tengah 120.001 316

DI Yogyakarta 20.481 318

Jawa Timur 109.081 316

Banten 25.263 328

Bali 24.880 305

Nusa Tenggara Barat 7.237 303

 56

Nusa Tenggara Timur 4.477 294

Kalimantan Barat 3.829 305

Kalimantan Tengah 11.639 308

Kalimantan Selatan 17.599 304

Kalimantan Timur 38.727 320

Kalimantan Utara 6.756 306

Sulawesi Utara 12.966 302

Sulawesi Tengah 7.043 308

Sulawesi Selatan 45.919 315

Sulawesi Tenggara 9.299 324

Gorontalo 4.173 303

Sulawesi Barat 3.330 306

Maluku 6.316 312

Maluku Utara 3.392 311

Papua Barat 6.616 307

Papua 14.939 312

Keterangan:

= Terendah

= Tertinggi

Dengan kata lain semakin cepat waktu terkonfirmasi kasus covid-

19 disuatu provinsi maka kasus covid-19 cenderung meningkat. Begitupun

 57

sebaliknya, semakin lama waktu terkonfrmasi kasus covid-19 terdeteksi

disuatu provinsi maka semakin sedikit kasus covid-19 terkonfirmasi.

Pergerakan awal waktu terkonfimasi awal berpengaruh terhadap laju

penularan covid-19. Infeksi kumulatif meningkat dengan hari sejak kasus

pertama terkonfirmasi dengan elastisitas sedikit di bawah satu. Berikut

gambar yang menjelaskan hubungan antara hari (sejak pertama kali kasus

covid-19 terkonfirmasi menurut provinsi) dengan jumlah kasus covid-19.

Gambar 4.4

Hubungan antara Hari dengan Jumlah Kasus Covid-19

294 332

Jadi, semakin awal diketahui hari tercatat kasus terkonfirmasi covid-19 di

suatu wilayah ditandai pada peta dengan warna merah yang lebih menyala

maka cenderung besar pula jumlah kasus covid-19 di wilayah tersebut.

 58

4. Pengaruh Pendapatan Perkapita terhadap Jumlah Kasus Covid-19

Analisis regresi variabel pendapatan perkapita pada kasus covid di

Indonesia yang terletak pada kolom 4 baris 4 menyatakan bahwa

kemiskinan berpengaruh positif dan tidak signifikan terhadap jumlah kasus

covid-19. Dibuktikan hal ini variabel tidak ada tanda signifikan yang

ditandai *,**,*** (0.10), Koefisien regresi kemiskinan adalah 0.0000219.

Penambahan variabel kontrol kemiskinan tidak merubah terhadap kasus

covid-19 atau masih berkorelasi. Dengan kata lain orang yang rata-rata

berpendapatan rendah maka mereka lebih mudah terinfeksi covid-19, karena

lebih banyak berinteraksi dengan dunia luar atau orang banyak yang telah

terpapar covid-19. Orang yang relatig miskin cenderung lebih banyak

berinteraksi (dalam pilihan penghasilan dan konsumsi mereka). Asumsi

lainnya untuk pemeriksaan kasus covid (rapid test) memiliki biaya yang

tinggi untuk pemeriksaan. Secara otomatis pendapatan yang diatas rata-rata

mampu melakukan pemeriksaan tersebut dan mudah tercatat kasus covidnya

dari pada orang yang berpendapatan rendah yang kurang mampu dalam

biaya pemeriksaan penyebaran virus covid-19, ditambah lagi kebanyakan

asumsi orang perdesaan bahwa kasus covid ini adalah gejala yang biasa saja

dan alat kesehatanpun tidak memadai mengkonfirmasi penyebaran virus ini

di daerah-daerah yang jauh dari jangkauan fasilitas kesehatan yang

mumpuni.

Penelitian yang dilakukan oleh berbosa tahun 2020 mayoritas yang

tertular covid-19 kebanyakan adalah kalangan orang kaya yang sering

 59

bepergian. Dari 475 kasus positif di Meksiko, 75 persen di antaranya adalah

imported case yang menunjukkan adanya jejak melakukan perjalanan ke

luar negeri. Mereka yang terinfeksi juga sempat berlibur ke tempat ski Italia

hingga Amerika Serikat.

Tabel 4.7

Pengaruh Pendapatan Perkapita terhadap Jumlah Kasus Covid-19

Provinsi Jumlah Kasus Kemiskinan

Aceh 9.163 522.126

Sumatera Utara 20.496 502.904

Sumatera Barat 26.627 544.315

Riau 28.577 544.057

Jambi 4.388 483.542

Sumatera Selatan 13.998 439.041

Bengkulu 4.498 527.031

Lampung 9.466 453.733

Kepulauan Bangka 4.277 721.455

Belitung

Kepulauan Riau 7.909 614.727

DKI Jakarta 256.416 680.401

Jawa Barat 134.520 410.988

Jawa Tengah 120.001 395.407

DI Yogyakarta 20.481 463.479

Jawa Timur 109.081 416.001

 60

Banten 25.263 508.091

Bali 24.880 429.834

Nusa Tenggara Barat 7.237 404.941

Nusa Tenggara Timur 4.477 403.005

Kalimantan Barat 3.829 471.200

Kalimantan Tengah 11.639 485.635

Kalimantan Selatan 17.599 497.262

Kalimantan Timur 38.727 662.302

Kalimantan Utara 6.756 681.035

Sulawesi Utara 12.966 391.197

Sulawesi Tengah 7.043 474.627

Sulawesi Selatan 45.919 350.264

Sulawesi Tenggara 9.299 356.444

Gorontalo 4.173 368.990

Sulawesi Barat 3.330 350.743

Maluku 6.316 555.197

Maluku Utara 3.392 462.639

Papua Barat 6.616 610.888

Papua 14.939 562.992

Keterangan:

= Terendah

= Tertinggi
 61

Berikut grafik yang menjelaskan hubungan antara pendapatan perkapita dengan jumlah kasus covid-19:

Grafik 4.4

Hubungan antara Pendapatan Perkapita dengan Jumlah Kasus Covid-19

Rp. /bln

Jiwa
Provinsi
Keterangan:
Pendapatan Jumlah Kasus
Perkapita Covid-19
 62

Jadi, semakin besar pendapatan perkapita di suatu provinsi maka cenderung

besar pula jumlah kasus covid-19 di wilayah tersebut. Dikarenakan wilayah

tersebut mempunyai fasilitas yang mumpuni serta memadai untuk

melakukan rapid test atau uji diri terkonfirmasi covid-19.

5. Pengaruh Gini Ratio terhadap Jumlah Kasus Covid-19

Analisis regresi variabel gini ratio pada tahun 2020 pada kasus

covid-19 di Indonesia yang terletak pada kolom 5 baris 5 menyatakan

bahwa gini ratio berpengaruh positif dan tidak signifikan terhadap kasus

covid. Dibuktikan hal ini variabel tidak ada tanda signifikan yang ditandai

*,**,*** (0.10), Koefisien regresi gini index adalah 3.742. Penambahan

variabel kontrol gini ratio tidak merubah terhadap jumlah kasus covid-19

atau masih berkorelasi. Dengan kata lain semakin tinggi ketimpangan

pendapatan di suatu provinsi tersebut maka tinggi pula tingkat penyebaran

infeksi kasus covid.

Pendapatan di bawah rata-rata akan cenderung mereka melakukan

kegiatan di luar untuk mencari nafkah dibandingkan orang yang

berpendapatan rendah. Walaupun ada bantuan sosial disalurkan tetapi

setelah bantuan habis dikonsumsi maka mereka akan keluar lagi untuk

memenuhi kebutuhan mereka dengan cara bekerja keluar rumah. Jadi

semakin tinggi ketimpangan di suatu provinsi tersebut maka masyarakat

 63

akan otomatis keluar mencari nafkah dan rentan dalam penyebaran infeksi

ini.

Tabel 4.8

Pengaruh Gini Ratio terhadap Jumlah Kasus Covid-19

Provinsi Jumlah Kasus Gini Ratio

Aceh 9.163 0.323

Sumatera Utara 20.496 0.316

Sumatera Barat 26.627 0.305

Riau 28.577 0.329

Jambi 4.388 0.320

Sumatera Selatan 13.998 0.339

Bengkulu 4.498 0.334

Lampung 9.466 0.327

Kepulauan Bangka 4.277 0.262

Belitung

Kepulauan Riau 7.909 0.339

DKI Jakarta 256.416 0.399

Jawa Barat 134.520 0.403

Jawa Tengah 120.001 0.362

DI Yogyakarta 20.481 0.434

Jawa Timur 109.081 0.366

Banten 25.263 0.363

 64

Bali 24.880 0.369

Nusa Tenggara Barat 7.237 0.376

Nusa Tenggara Timur 4.477 0.354

Kalimantan Barat 3.829 0.317

Kalimantan Tengah 11.639 0.329

Kalimantan Selatan 17.599 0.332

Kalimantan Timur 38.727 0.328

Kalimantan Utara 6.756 0.292

Sulawesi Utara 12.966 0.370

Sulawesi Tengah 7.043 0.326

Sulawesi Selatan 45.919 0.389

Sulawesi Tenggara 9.299 0.389

Gorontalo 4.173 0.408

Sulawesi Barat 3.330 0.364

Maluku 6.316 0.318

Maluku Utara 3.392 0.308

Papua Barat 6.616 0.382

Papua 14.939 0.392

Keterangan:

= Terendah

= Tertinggi
 65

Berikut gambar yang menunjukkan hubungan antara gini ratio

dengan jumlah kasus covid-19:

Gambar 4.5

Hubungan antara Gini Ratio dengan Jumlah Kasus Covid-19

Jadi, semakin besar poin gini ratio di suatu provinsi maka cenderung besar

pula jumlah kasus covid-19 di wilayah tersebut. Ditandai pada peta dengan

gradasi warna merah. Dan begitu sebaliknya, semakin kecil poin gini ratio

disuatu provinsi maka cenderung kecil pula jumlah kasus covid-19 di

wilayah tersebut. Ditandai pada peta dengan gradasi warna hijau.

6. Pengaruh Interaksi Variabel Gini Ratio dan Durasi Penyebaran

Covid-19
 66

Analisis regresi interaksi variabel waktu (durasi penyebaran virus

covid-19) dengan waktu konfirmasi pada kasus covid di Indonesia yang

terletak pada kolom 7 baris 7 menyatakan bahwa waktu berpengaruh

negatif dan signifikan terhadap kasus covid. Dibuktikan hal ini variabel

inteaksi signifikan ditandai *,**,*** (0.10), Koefisien regresi interaksi

adalah 0.0337679. Penambahan variabel interasksi ini tidak merubah

terhadap kasus covid atau masih berkorelasi.

Dengan kata lain interaksi negatif, terjadi di Provinsi yang

memiliki ketimpangan pendapatan yang tinggi maka penyebaran kasus

covid 19 akan semakin cepat penyebaran virus dengan waktu perprovinsi

terkonfirmasi. Akibatnya kondisi orang kurang mampu proteksi diri karena

kurangnya ketersediaan layanan kesehatan (supply) dan kurang merata

aksesnya kesehatannya (demand). Jadi kesimpulannya seiring dalam

interaksi waktu singkat (durasi penyebaran covid-19) dan provinsi

ketimpangan pendapatan yang tinggi akan meningkat penyebaran virus

covid-19 ini.

Penelitian ini didukung oleh pernyataan studi terbaru yang

diterbitkan dalam Journal Nature pada hari Senin oleh para peneliti di

Amerika Serikat dan Swiss, menyebutkan pengamatan bahwa respons sel

memori B tidak membusuk setelah 6,2 bulan, tetapi terus berkembang,

sehingga orang yang terinfeksi SARS-CoV-2 dapat meningkatkan respons

yang cepat dan efektif terhadap virus setelah terpapar ulang. Studi tersebut

mengamati lusinan pasien yang pulih dari covid dan mengamati bahwa
 67

sementara antibodi mereka mungkin berkurang seiring waktu, mereka

mempertahankan tingkat sel B memori tertentu, yang memainkan peran

penting dalam menangkis virus. Dengan hasil bahwa sistem kekebalan kita

memiliki potensi untuk 'mengingat' infeksi covid-19 setidaknya selama 6

bulan, yang pada gilirannya mencegah infeksi ulang.

Berikut grafik yang menunjukkan interaksi antara hari (sejak awal

kasus covid-19 tercatat) dengan gini ratio:

 68

Grafik 4.5
Interaksi antara Gini Ratio dan Hari Sejak Pertama Kali Terkonfirmasi Covid-19

Gini Hari
400
Ratio 0,5

0,4
G
300
i
n
H i
0,3
a
R
200r a
i t
i
0,2
o

100
0,1

0 0
Yogyakarta Bangka
Belitung
 BAB V
KESIMPULAN
A. Kesimpulan
Berdasarkan penelitian ini maka penulis dapat menarik kesimpulan

sebagai berikut:

Semakin padat penduduk disuatu wilayah maka semakin meningkat

jumlah kasus covid-19. Semakin banyak jumlah penduduk disuatu wilayah

maka semakin besar kemungkinan jumlah kasus covid-19 terkonfirmasi.

Semakin lama durasi penyebaran covid-19 maka semakin banyak jumlah kasus

covid-19 terkonfirmasi. Semakin tinggi rasio ketimpangan terjadi maka

semakin rendah jumlah kasus covid-19 terkonfirmasi.

Orang yang miskin atau orang yang kurang mampu untuk melindungi

diri mereka sendiri, mereka akan lebih memilih untuk mensejahterakan

ekonomi mereka atau lebih memilih untuk memenuhi kebutuhan makan

mereka dibandingkan dengan menjaga kesehatan mereka terlebih dahulu.

Sementara sebaliknya orang yang kaya atau orang yang lebih mampu untuk

melindungi diri mereka, mereka akan lebih memilih untuk memprioritaskan

kesehatan mereka karena kebutuhan konsumsi mereka telah terpenuhi sehingga

mereka lebih dapat memproteksi diri untuk menjauhi banyak interaksi dengan

dunia luar.

69
 70

B. Saran
Berdasarkan penelitian dan kesimpulan penelitian ini, maka dapat

diberikan saran sebagai berikut:

1. Dari hasil penelitian ini kepadatan penduduk berpengaruh positif dengan

jumlah kasus covid-19. Dalam hal ini, hendaknya masyarakat yang

tinggal di wilayah padat penduduk harus menerapkan 3M yaitu menjaga

jarak, memakai masker, dan mencuci tangan. Dan bagi wilayah yang

renggang penduduk juga jangan sampai lalai dengan kebiasaan bersih

walaupun bukan pada wilayah yang padat penduduk.

2. Bagi pemerintah dan lembaga terkait karena adanya kerentanan bagi

masyarakat miskin untuk terpapar virus covid-19 diharapkan untuk lebih

mengawal stimulus bantuan dana bagi orang miskin atau orang yang

kurang mampu baik itu stimulus bantuan dari sisi konsumsi ataupun dari

sisi perlindungan diri. Selain itu, dari sisi pengendalian penduduk, perlu

adanya sosialisasi terhadap antisipasi terjadinya baby boom oleh lembaga

terkait seperti Badan Koordinasi Keluarga Berencana Nasional

(BKKBN), dan dibarengi dengan adanya penggalakan program-program

pengembangan kualitas sumber daya manusia seperti yang telah

dilaksanakan oleh Balai Latihan Kerja (BLK) dan/ Skill Academy By

Ruang Guru. Sehingga terwujudlah sumber daya manusia yang

berkualitas seperti yang diperintahkan oleh nabi SAW.

3. Bagi peneliti selanjutnya, diharapkan dapat menambah variabel-variabel

lain yang belum ada dalam penelitian ini yang berpengaruh terhadap

jumlah kasus covid-19 di Indonesia.

 DAFTAR PUSTAKA

Bidarti. Agustina 2020, Teori Kependudukan, Bogor: Lindan Bestari.

Brown. Caitlin S. dan Martin Ravallion, “Inequality and The Coronavirus:

Socieconomic Covariates of Behaviora Responses and Viral Outcomes

Across US Counties”, Jurnal NBER Working Paper Series, Working

Paper 27549.

Handayani. Diah, April 2020. dkk, “Penyakit Virus Corona 2019”, Jurnal

Respirologi Indonesia. Vol. 40 No. 2.

https://health.detik.com/berita-detikhealth/d-5122703/berbagai-cara-penyebaran-

virus-corona-covid-19-menurut-who-apa-saja, diakses pada pukul 21.01

tanggal 02 Desember 2020.

https://jatengdaily.com/2020/si-kaya-dan-si-miskin-saat-pandemi-covid-19/,

diakses pada tanggal 19 Desember 2020, pukul 21.47 WIB.

https://rujak.org/korelasi-kepadatan-penduduk-dan-penyebaran-covid-19/, diakses

pada tanggal 10 Desember 2020 pada pukul 19.24.

https://www.cnbcindonesia.com/news/20200411110257-4-151186/benarkah-

orang-kaya-lebih-banyak-tersengat-virus-corona, diakses pada tanggal

20 Desember 2020 pukul 08.59 WIB.

Johan, Carl Neiderud, 2015, “How Urbanization Affects The Epidemiology of

Emerging Infectious Diseases”, Jurnal Infection Ecology and

Epidemiology, Working Paper 27060.

Kamus Besar Bahasa Indonesia (KBBI) Online. Diakses melalui

https://kbbi.kemdikbud.go.id/entri/mialgia, 23 Desember 2020.

xv
 xvi

Kemenkes, “Pertanyaan dan Jawaban Terkait COVID-19”, www.kemkes.go.id,

diakses pada tanggal 24 Desember 2020 pukul 20.13 WIB.

Kominfo, “Panduan Menanggulangi COVID-19 untuk Pribadi, Keluarga, dan

komunitas”,

https://covid19.patikab.go.id/v3/download/Fokus_Lindungi_Diri.pdf,

diakses pada tanggal 24 Desember 2020 pukul 19.51 WIB.

Merry Dame Cristy Pane, “Virus Corona”, www.alodokter.com, diakses pada

tanggal 24 Desember 2020 pukul 20.40 WIB.

Nova Ariani. Diah, Tinjauan Faktor-Literatur, http://lib.ui.ac.id/

file?file=digital/125639-S5863-Tinjauan%20faktor-Literatur.pdf, diakses

pada tanggal 23 Desember 2020 pukul 22.40 WIB.

Tim alodokter, Acute Respiratory Distress Syndrome, https://www.alodokter

.com/acute-respiratory-distress-syndrome, Diakses pada tanggal 23

Desember 2020 pukul 23.02 WIB.

Yuliana, Februari 2020, “Corona Virus Diseases (Covid-19); Sebuah Tinjauan

Literatur”, Jurnal Wellness and Healthy Magazine, Vol. 2, No. 1.

 LAMPIRAN
1. Running Data

. use "E:\munaqasah\DATA SKRIPSI.dta", clear

. sum jumlahkasus kepadatanpenduduk populasi hari gariskemiskinan giniratio kematiancovid

Variable | Obs Mean Std. Dev. Min Max

-------------+---------------------------------------------------------
jumlahkasus | 34 30126.41 51708.64 3330 256416
kepadatanp~k | 34 739.2658 2708.863 9.299528 15906.52
populasi | 34 7947174 1.13e+07 701814 4.83e+07
hari | 34 311.2059 9.502087 294 332
gariskemis~n | 34 492.5439 100.0944 350.264 721.455
-------------+---------------------------------------------------------
giniratio | 34 .3489412 .0376297 .262 .434
kematianco~d | 34 339.4706 684.9984 8 3533

. eststo : nbreg jumlahkasus kepadatanpenduduk

Fitting Poisson model:

Iteration 0: log likelihood = -3400611.9

Iteration 1: log likelihood = -1019373.1
Iteration 2: log likelihood = -458958.54

xvii
 xviii

Iteration 3: log likelihood = -447470.87

Iteration 4: log likelihood = -447467.97
Iteration 5: log likelihood = -447467.97

Fitting constant-only model:

Iteration 0: log likelihood = -384.64792

Iteration 1: log likelihood = -383.75099
Iteration 2: log likelihood = -383.75096

Fitting full model:

Iteration 0: log likelihood = -378.08314

Iteration 1: log likelihood = -376.99732
Iteration 2: log likelihood = -375.83807
Iteration 3: log likelihood = -375.83046
Iteration 4: log likelihood = -375.83046

Negative binomial regression Number of obs = 34

LR chi2(1) = 15.84
Dispersion = mean Prob > chi2 = 0.0001
Log likelihood = -375.83046 Pseudo R2 = 0.0206

-----------------------------------------------------------------------------------
jumlahkasus | Coef. Std. Err. z P>|z| [95% Conf. Interval]
 xix

------------------+----------------------------------------------------------------
kepadatanpenduduk | .0002414 .0001107 2.18 0.029 .0000244 .0004583
_cons | 9.877712 .183504 53.83 0.000 9.518051 10.23737
------------------+----------------------------------------------------------------
/lnalpha | -.0864738 .2151849 -.5082285 .3352809
------------------+----------------------------------------------------------------
alpha | .9171596 .1973589 .6015603 1.398333
-----------------------------------------------------------------------------------
LR test of alpha=0: chibar2(01) = 8.9e+05 Prob >= chibar2 = 0.000
(est1 stored)

. estimate store x1

. eststo : nbreg jumlahkasus kepadatanpenduduk populasi

Fitting Poisson model:

Iteration 0: log likelihood = -2110429.1

Iteration 1: log likelihood = -929986.48
Iteration 2: log likelihood = -333502.3
Iteration 3: log likelihood = -98859.727
Iteration 4: log likelihood = -97985.807
Iteration 5: log likelihood = -97985.384
Iteration 6: log likelihood = -97985.384
 xx

Fitting constant-only model:

Iteration 0: log likelihood = -384.64792

Iteration 1: log likelihood = -383.75099
Iteration 2: log likelihood = -383.75096

Fitting full model:

Iteration 0: log likelihood = -372.36272

Iteration 1: log likelihood = -363.52943
Iteration 2: log likelihood = -361.07877
Iteration 3: log likelihood = -357.94796
Iteration 4: log likelihood = -357.9448
Iteration 5: log likelihood = -357.9448

Negative binomial regression Number of obs = 34

LR chi2(2) = 51.61
Dispersion = mean Prob > chi2 = 0.0000
Log likelihood = -357.9448 Pseudo R2 = 0.0672

-----------------------------------------------------------------------------------
jumlahkasus | Coef. Std. Err. z P>|z| [95% Conf. Interval]
------------------+----------------------------------------------------------------
kepadatanpenduduk | .0001717 .0000408 4.21 0.000 .0000918 .0002517
populasi | 6.14e-08 1.07e-08 5.76 0.000 4.05e-08 8.23e-08
 xxi

_cons | 9.118124 .1361389 66.98 0.000 8.851297 9.384952

------------------+----------------------------------------------------------------
/lnalpha | -.9714658 .2289357 -1.420171 -.5227602
------------------+----------------------------------------------------------------
alpha | .3785278 .0866585 .2416726 .5928818
-----------------------------------------------------------------------------------
LR test of alpha=0: chibar2(01) = 2.0e+05 Prob >= chibar2 = 0.000
(est2 stored)

. estimate store x2

. eststo : nbreg jumlahkasus kepadatanpenduduk populasi hari

Fitting Poisson model:

Iteration 0: log likelihood = -2098658.7

Iteration 1: log likelihood = -953610.4
Iteration 2: log likelihood = -372693.18
Iteration 3: log likelihood = -94910.473
Iteration 4: log likelihood = -93108.622
Iteration 5: log likelihood = -93106.551
Iteration 6: log likelihood = -93106.551

Fitting constant-only model:

 xxii

Iteration 0: log likelihood = -384.64792

Iteration 1: log likelihood = -383.75099
Iteration 2: log likelihood = -383.75096

Fitting full model:

Iteration 0: log likelihood = -371.98235 (not concave)

Iteration 1: log likelihood = -360.24653
Iteration 2: log likelihood = -353.70189
Iteration 3: log likelihood = -353.55003
Iteration 4: log likelihood = -353.54885
Iteration 5: log likelihood = -353.54885

Negative binomial regression Number of obs = 34

LR chi2(3) = 60.40
Dispersion = mean Prob > chi2 = 0.0000
Log likelihood = -353.54885 Pseudo R2 = 0.0787

-----------------------------------------------------------------------------------
jumlahkasus | Coef. Std. Err. z P>|z| [95% Conf. Interval]
------------------+----------------------------------------------------------------
kepadatanpenduduk | .0001216 .0000402 3.02 0.003 .0000427 .0002005
populasi | 5.05e-08 9.99e-09 5.06 0.000 3.09e-08 7.01e-08
hari | .0395601 .0132216 2.99 0.003 .0136462 .065474
_cons | -3.113299 4.073746 -0.76 0.445 -11.09769 4.871096
 xxiii

------------------+----------------------------------------------------------------
/lnalpha | -1.204453 .2315017 -1.658188 -.7507184
------------------+----------------------------------------------------------------
alpha | .2998559 .0694171 .1904838 .4720273
-----------------------------------------------------------------------------------
LR test of alpha=0: chibar2(01) = 1.9e+05 Prob >= chibar2 = 0.000
(est3 stored)

. estimate store x3

. eststo : nbreg jumlahkasus kepadatanpenduduk populasi hari gariskemiskinan

Fitting Poisson model:

Iteration 0: log likelihood = -2101119.9

Iteration 1: log likelihood = -981917.35
Iteration 2: log likelihood = -374409.68
Iteration 3: log likelihood = -94753.345
Iteration 4: log likelihood = -93094.846
Iteration 5: log likelihood = -93093.07
Iteration 6: log likelihood = -93093.07

Fitting constant-only model:

Iteration 0: log likelihood = -384.64792

 xxiv

Iteration 1: log likelihood = -383.75099

Iteration 2: log likelihood = -383.75096

Fitting full model:

Iteration 0: log likelihood = -371.98452 (not concave)

Iteration 1: log likelihood = -360.50313
Iteration 2: log likelihood = -353.69792
Iteration 3: log likelihood = -353.54977
Iteration 4: log likelihood = -353.54865
Iteration 5: log likelihood = -353.54865

Negative binomial regression Number of obs = 34

LR chi2(4) = 60.40
Dispersion = mean Prob > chi2 = 0.0000
Log likelihood = -353.54865 Pseudo R2 = 0.0787

-----------------------------------------------------------------------------------
jumlahkasus | Coef. Std. Err. z P>|z| [95% Conf. Interval]
------------------+----------------------------------------------------------------
kepadatanpenduduk | .0001214 .0000411 2.96 0.003 .0000409 .0002019
populasi | 5.06e-08 1.10e-08 4.59 0.000 2.90e-08 7.22e-08
hari | .0394858 .0137224 2.88 0.004 .0125904 .0663812
gariskemiskinan | .0000219 .0010839 0.02 0.984 -.0021025 .0021463
_cons | -3.101574 4.114268 -0.75 0.451 -11.16539 4.962244
 xxv

------------------+----------------------------------------------------------------
/lnalpha | -1.204464 .2315018 -1.658199 -.7507291
------------------+----------------------------------------------------------------
alpha | .2998526 .0694164 .1904816 .4720223
-----------------------------------------------------------------------------------
LR test of alpha=0: chibar2(01) = 1.9e+05 Prob >= chibar2 = 0.000
(est4 stored)

. estimate store x4

. eststo : nbreg jumlahkasus kepadatanpenduduk populasi hari gariskemiskinan giniratio

Fitting Poisson model:

Iteration 0: log likelihood = -2090941.9

Iteration 1: log likelihood = -962671.91
Iteration 2: log likelihood = -370338.77
Iteration 3: log likelihood = -94807.592
Iteration 4: log likelihood = -93069.984
Iteration 5: log likelihood = -93067.964
Iteration 6: log likelihood = -93067.964

Fitting constant-only model:

Iteration 0: log likelihood = -384.64792

 xxvi

Iteration 1: log likelihood = -383.75099

Iteration 2: log likelihood = -383.75096

Fitting full model:

Iteration 0: log likelihood = -371.99252 (not concave)

Iteration 1: log likelihood = -360.67696
Iteration 2: log likelihood = -353.20878
Iteration 3: log likelihood = -353.07001
Iteration 4: log likelihood = -353.06888
Iteration 5: log likelihood = -353.06888

Negative binomial regression Number of obs = 34

LR chi2(5) = 61.36
Dispersion = mean Prob > chi2 = 0.0000
Log likelihood = -353.06888 Pseudo R2 = 0.0800

-----------------------------------------------------------------------------------
jumlahkasus | Coef. Std. Err. z P>|z| [95% Conf. Interval]
------------------+----------------------------------------------------------------
kepadatanpenduduk | .0001023 .000045 2.28 0.023 .0000142 .0001905
populasi | 5.27e-08 1.12e-08 4.72 0.000 3.08e-08 7.46e-08
hari | .0349213 .0141592 2.47 0.014 .0071698 .0626728
gariskemiskinan | .0009452 .0014441 0.65 0.513 -.0018851 .0037755
giniratio | 3.742078 3.858985 0.97 0.332 -3.821393 11.30555
 xxvii

_cons | -3.448621 4.044508 -0.85 0.394 -11.37571 4.478469

------------------+----------------------------------------------------------------
/lnalpha | -1.230195 .2317586 -1.684434 -.775957
------------------+----------------------------------------------------------------
alpha | .2922355 .0677281 .1855495 .4602631
-----------------------------------------------------------------------------------
LR test of alpha=0: chibar2(01) = 1.9e+05 Prob >= chibar2 = 0.000
(est5 stored)

. estimate store x5

. eststo : nbreg jumlahkasus kepadatanpenduduk populasi gariskemiskinan

c.giniratio##c.hari

Fitting Poisson model:

Iteration 0: log likelihood = -2093595

Iteration 1: log likelihood = -1425380.1
Iteration 2: log likelihood = -440040.68
Iteration 3: log likelihood = -81771.415
Iteration 4: log likelihood = -69373.832
Iteration 5: log likelihood = -69253.976
Iteration 6: log likelihood = -69253.923
Iteration 7: log likelihood = -69253.923
 xxviii

Fitting constant-only model:

Iteration 0: log likelihood = -384.64792

Iteration 1: log likelihood = -383.75099
Iteration 2: log likelihood = -383.75096

Fitting full model:

Iteration 0: log likelihood = -371.56459 (not concave)

Iteration 1: log likelihood = -359.42811
Iteration 2: log likelihood = -352.18953
Iteration 3: log likelihood = -351.81186
Iteration 4: log likelihood = -351.80522
Iteration 5: log likelihood = -351.80521

Negative binomial regression Number of obs = 34

LR chi2(6) = 63.89
Dispersion = mean Prob > chi2 = 0.0000
Log likelihood = -351.80521 Pseudo R2 = 0.0832

------------------------------------------------------------------------------------
jumlahkasus | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------------+----------------------------------------------------------------
kepadatanpenduduk | .0001362 .0000477 2.86 0.004 .0000427 .0002297
populasi | 5.62e-08 1.09e-08 5.14 0.000 3.48e-08 7.76e-08
 xxix

gariskemiskinan | .0011993 .0013991 0.86 0.391 -.0015429 .0039415

giniratio | 195.2219 116.9896 1.67 0.095 -34.07362 424.5173
hari | .2497588 .1324415 1.89 0.059 -.0098219 .5093395
|
c.giniratio#c.hari | -.6143059 .3749068 -1.64 0.101 -1.34911 .1204979
|
_cons | -70.53283 41.34448 -1.71 0.088 -151.5665 10.50085
-------------------+----------------------------------------------------------------
/lnalpha | -1.298253 .2324173 -1.753782 -.8427234
-------------------+----------------------------------------------------------------
alpha | .2730083 .0634519 .1731179 .4305364
------------------------------------------------------------------------------------
LR test of alpha=0: chibar2(01) = 1.4e+05 Prob >= chibar2 = 0.000
(est6 stored)

. estimate store x6

. esttab x1 x2 x3 x4 x5 x6 using "hasil olah data nadya.xls", se(%12.2f) b(%12.2f)

star(* 0.10 ** 0.05 *** 0.01) scalars(N F r2 r2_a l
> l) nogaps mtitles("x1" "x2" "x3" "x4" "x5" "x6") title("data nadya final")
(output written to hasil olah data nadya.xls)
2. Perolehan Data

xxx
 xxxi

CURICULUM VITAE

PRIBADI
Nama : Atika Nadya Yusiannisa
NIM : 1713060273
Tempat, Tgl Lahir : Padang, 23 Juni 1999
Jenis Kelamin : Perempuan
Agama : Islam
Status : Belum Menikah
Alamat Lengkap : Jalan Purus I No. 15, RT 004/RW
001, Kel. Purus, Kec. Padang Barat, Kota Padang, Provinsi
Sumatera Barat
Kewarganegaraan : WNI
Telephone / HP : 085263236338
E-mail : atikanadia23@gmail.com

ORANG TUA
Nama Ayah : Alm. Yulius
Pekerjaan :-
Nama Ibu : Lucy Eka Savitri
Pekerjaan : Guru TK
Alamat : Jalan Purus I No. 15, RT 004/RW
001, Kel. Purus, Kec. Padang Barat, Kota Padang, Provinsi
Sumatera Barat

PENDIDIKAN FORMAL
2003-2005 : TK Eka Sakti, Padang
2005 - 2011 : SDN 04 Purus, Padang
2011 - 2014 : MTSS Sumatera Thawalib Parabek
Bukittinggi
2014 - 2017 : MAS Sumatera Thawalib Parabek
Bukittinggi
2017 - 2021 : UIN Imam Bonjol Padang

PENGALAMAN ORGANISASI
Anggota magang kementrian luar negeri pada organisasi
KSEI Iqtishad Institute pada tahun 2017.

Staf ahli dirjen pelatihan dan seminar kementrian pendidikan

pada organisasi KSEI Iqtishad Institute pada tahun 2019.

Anggota bidang ekonomi kreatif pada organisasi Pemuda

Gerakan Ekonomi dan Budaya (GEBU) Minang Sumbar
pada tahun 2019.

Sekretaris Bidang Koperasi pada organisasi Ikatan

Mahasiswa Alumni Sumatera Thawalib Parabek
(IMASTHA) Padang pada tahun 2020-sekarang