2021 Matematika Bidang Penelitian 133 Vol. 02, No. 02 (2021), pp. 133-143
ANALISIS PENGARUH JUMLAH PASIEN COVID-19 TERHADAP CASE FATALITY RATE COVID-19 DI KOTA SURABAYA MENGGUNAKAN
METODE REGRESI LINEAR
Silvia Kartika Sari1 , Aris Fanani2 , Nurissaidah Ulinnuha3 , Harun Al Rosyid4
1UIN Sunan Ampel Surabaya, [email protected]
2 UIN Sunan Ampel Surabaya, [email protected]
3 UIN Sunan Ampel Surabaya, [email protected]
4Dinas Komunikasi dan Informatika Provinsi Jawa Timur, [email protected]
Abstrak. Indonesia sedang ditimpa musibah yaitu maraknya kasus gangguan akut yang lebih dikenal dengan COVID-19 dan masih menjadi berita utama di sebagian besar media massa dunia tahun 2020 ini. Karena itu, diperlukan adanya pemahaman lebih lanjut mengenai penderita COVID-19, salah satunya adalah pasien positif COVID-19 dan mengenai tingkat kematian kasus (Case Fatality Rate) pada kasus COVID-19 ini. Penelitian ini bertujuan untuk mengetahui seberapa besar pengaruh jumlah pasien positif COVID-19 terhadap Case Fatality Rate COVID-19 di Kota Surabaya menggunakan Regresi Linear Sederhana. Data yang digunakan dalam penelitian ini yaitu data sekunder yang diperoleh melalui portal website yang dikelola yaitu infocovid19.jatimprov.go.id. Hasil penelitian menunjukkan bahwa variabel jumlah pasien positif COVID-19 secara simultan maupun parsial sangat berpengaruh dalam Case Fatality Rate (CFR) COVID-19 dengan setiap peningkatan sebesar 1 orang pada jumlah pasien positif COVID-19 maka akan menaikkan nilai Case Fatality Rate (CFR) sebesar 5,604 × 10−6, didapatkan nilai R-square sebesar 55% Case Fatality Rate COVID- 19 dipengaruhi oleh jumlah pasien positif COVID-19.
Kata kunci: COVID-19, Case Fatality Rate, Regresi Linear Sederhana
Abstract. Indonesia is in the midst of a disaster, namely the outbreak of cases of acute disorder better known as COVID-19 and is still making headlines in most of the world's mass media in 2020. Therefore, further understanding is needed regarding COVID-19 sufferers, one of which is positive COVID-19 patients and regarding the case fatality rate (Case Fatality Rate) in this COVID-19 case. This study aims to determine how much influence the number of positive COVID-19 patients has on the COVID-19 Case Fatality Rate in the City of Surabaya using Simple Linear Regression. The data used in this study is secondary data obtained through a managed website portal, namely infocovid19.jatimprov.go.id. The results show that the variable number of positive COVID-19 patients simultaneously or partially is very influential in the COVID-19 Case Fatality Rate (CFR) with every increase of 1 person in the number of positive COVID-19 patients, it will increase the Case Fatality Rate (CFR) value of 5,604 × 10−6, the R-square value of 55% Case Fatality Rate COVID-19 is influenced by the number of positive COVID-19 patients.
Keywords: COVID-19, Case Fatality Rate, Simple Linear Regression
1. Pendahuluan
Indonesia sedang ditimpa musibah yaitu merebaknya kasus gangguan akut yang lebih dikenal dengan virus Corona atau COVID-19 dan masih menjadi berita utama di sebagian besar media massa dunia tahun 2020 ini. COVID-19 ini merupakan virus yang sangat berbahaya terbukti dengan pernyataan WHO yang menyatakan bahwa virus ini merupakan pandemi global setelah jumlah infeksi di seluruh dunia mencapai lebih dari 121.000 kasus [1]. Virus corona merupakan sebuah virus yang menyebabkan infeksi saluran pernapasan atas seperti flu. Adapun beberapa jenis virus corona dapat menyebabkan penyakit yang lebih serius seperti pneumonia, Middle East Respiratory Syndrome (MERS-CoV), dan Severe Acute Respiratory Syndrome (SARS-CoV) [2]. Pada tanggal 11 Februari 2020, World Health Organization (WHO) memberi nama virus corona yang baru tersebut Severe Acute Respiratory Syndrome Coronavirus-2 (SARS-CoV-2) dan nama penyakitnya adalah Coronavirus disease 2019 (COVID-19) [3].
Penyakit ini telah menimbulkan satu bentuk etika di masyarakat untuk menjalani kehidupan yang tidak merugikan pihak lain [4]. Kerugian besar telah ditimbulkan oleh pandemi ini termasuk kematian pada manusia. Pemberdayaan warga negara sangat penting dalam mengurangi dampak pandemi, termasuk kemampuan untuk beradaptasi dengan guncangan, kepanikan, dan tekanan untuk dengan cepat menanggapi lingkungan yang tidak stabil [5]. Karena itu, diperlukan adanya pemahaman lebih lanjut mengenai penderita COVID-19, salah satunya adalah pasien positif COVID-19 dan mengenai tingkat kematian kasus Case Fatality Rate pada kasus COVID-19 ini.
Penelitian dalam kasus ini, akan dilakukan analisis dengan menggunakan metode regresi linear sederhana. Analisis regresi merupakan hubungan antara satu variabel dependen dengan satu atau lebih variabel independen. Apabila terdapat satu variabel independen yang menjelaskan hubungan variabel dependen maka analisis regresi tersebut dinamakan analisis regresi linear sederhana. Analisis regresi bertujuan untuk menganalisis atau memprediksi nilai dari variabel dependen apabila diketahui nilai independen [6].
Adapun beberapa penelitian terkait penyebaran penyakit yang pernah dilakukan sebelumnya yang mendukung penelitian ini dan melibatkan analisis regresi linear. Diantaranya, penelitian tentang memprediksi COVID-19 menggunakan regresi linier berganda menghasilkan nilai R-square sebesar 0,992 atau 99,2 persen [7]. Selanjutnya, penelitian tentang prediksi kasus aktif COVID-19 di India menggunakan model regresi linier sederhana dan berganda yang menunjukkan perbandingan model regresi linier sederhana dan berganda cenderung mengindikasikan kombinasi variabel prediktor mempengaruhi nilai respons dengan nilai R-square sebesar 0,99 dan 1 [8]. Adapun penelitian tentang prediksi kasus aktif kumulatif COVID-19 di indonesia menggunakan model regresi linier berganda didapatkan hasil nilai R-square sebesar 0,78 atau 78 persen [9].
Berdasarkan penelitian terdahulu, peneliti tertarik untuk mengambil variabel pasien positif COVID-19 yang memiliki penambahan cukup signifikan untuk di analisis faktor terhadap variabel Case Fatality Rate COVID-19 di Kota Surabaya dengan menggunakan metode dari penelitian sebelumnya yaitu dengan metode regresi linear sederhana. Penelitian ini bertujuan untuk mengetahui seberapa besar pengaruh secara parsial maupun seberapa besar nilai proporsi pasien positif COVID-19 terhadap Case Fatality Rate COVID-19 di Kota Surabaya agar dapat membantu dalam aspek penanganan COVID-19 yang semakin meningkat ataupun aspek lainnya.
2. Kajian Teori
2.1 Pasien Positif COVID-19
Kasus konfirmasi seseorang yang dinyatakan positif terinfeksi virus COVID-19 yang dibuktikan dengan pemeriksaan laboratorium PT-PCR [10]. Kasus konformasi dibagi menjadi 2, yakni kasus konfirmasi dengan gejala (simptomatik) dan kasus konfirmasi tanpa gejala (asimptomatik) [11].
2.2 Case Fatality Rate COVID-19
Menurut PBB dan WHO, kematian atau mortalitas adalah hilangnya semua tanda-tanda kehidupan secara permanen yang biasa terjadi saat setiap setelah kelahiran hidup [12].
Menurut Para Ahli, Case Fatality Rate merupakan suatu angka yang dinyatakan ke dalam persentase yang berisikan data orang mengalami kematian akibat suatu penyakit tertentu. Pada dasarnya Case Fatality Rate digunakan untuk pengukuran penyakit menular, digunakan untuk mengetahui penyakit-penyakit dengan tingkat kematian yang tinggi [13].
𝐶𝐹𝑅 = 𝐽𝑢𝑚𝑙𝑎ℎ 𝐾𝑒𝑚𝑎𝑡𝑖𝑎𝑛 𝑘𝑎𝑟𝑒𝑛𝑎 𝑃𝑒𝑛𝑦𝑎𝑘𝑖𝑡 𝐶𝑂𝑉𝐼𝐷 − 19
𝐽𝑢𝑚𝑙𝑎ℎ 𝑆𝑒𝑙𝑢𝑟𝑢ℎ 𝑃𝑒𝑛𝑑𝑒𝑟𝑖𝑡𝑎 𝑃𝑒𝑛𝑦𝑎𝑘𝑖𝑡 𝐶𝑂𝑉𝐼𝐷 − 19× 100% (1) 2.3 Regresi Linear Sederhana
Analisis regresi adalah suatu metode statistik yang mengamati hubungan antara variabel terikat Y dan serangkaian variabel bebas X1,...,Xp [17]. Tujuan dari metode ini adalah untuk memprediksi nilai Y untuk nilai X yang diberikan. Model regresi linier sederhana adalah model regresi yang paling sederhana yang hanya memiliki satu variabel bebas X. Analisis regresi memiliki beberapa kegunaan, salah satunya untuk melakukan prediksi terhadap variabel terikat Y [15]. Persamaan untuk model regresi linear sederhana adalah sebagai berikut.
𝑌 = 𝑎 + 𝑏𝑋 (2)
Y adalah variabel terikat yang diramalkan, X adalah variabel bebas, a adalah intercept, yaitu nilai Y pada saat X=0, dan b adalah slope, yaitu perubahan rata-rata Y terhadap perubahan satu unit X. Koefisien a dan b adalah koefisien regresi dimana nilai a dan b dapat dicari menggunakan persamaan berikut.
𝑏 =𝑛(∑𝑛𝑖=0𝑋𝑖𝑌𝑖) − (∑𝑛𝑖=0𝑋𝑖)(∑𝑛𝑖=0𝑌𝑖)
𝑛(∑𝑛𝑖=0𝑋𝑖2) − (∑𝑛𝑖=0𝑋𝑖)2 (3) 𝑎 =∑𝑛𝑖=0𝑌𝑖− 𝑏(∑𝑛𝑖=0𝑋𝑖)
𝑛
(4)
Nilai a adalah slope, b adalah intercept dan n adalah banyaknya data yang digunakan dalam perhitungan.
Sebelum melakukan analisis regresi linear sederhana akan dilakukan dengan melakukan pengujian asumsi klasik [16]. Uji asumsi klasik dilakukan menggunakan data-data yang menjadi variabel penelitian sehingga memastikan data tersebut memenuhi lolos dalam syarat kelayakan model regresi linear sederhana. Pemenuhan syarat kelayakan bertujuan untuk memastikan bahwa model regresi yang didapatkan : jumlah sampel yang digunakan harus sama, jumlah variabel bebas (X) adalah 1 (satu) atau tunggal, nilai residual harus berdistribusi normal, tidak terdapat adanya masalah autokorelasi (untuk data time series), tidak multikolinieritas, tidak adanya data yang heteroskedastisitas, dan juga data yang linear [17]. Setelah terpenuhi dan lolos dalam syarat kelayakan model regresi linear sederhana bisa untuk dilakukan model regresi linear tersebut dan dapat melakukan uji hipotesis yang di dalam nya terdapat uji parsial (uji T) dan koefisien determinasi (uji 𝑅2) [18].
2.3.1 Uji Asumsi Klasik 1. Uji Normalitas
Uji normalitas bertujuan untuk mengetahui apakah data yang digunakan dalam penelitian ini berdistribusi normal atau tidak, dilakukan melalui uji statistik Kolmogorov-Smirnov Test. Jika nilai signifikansi lebih besar dari tingkat toleransi kesalahan, yaitu P-value > 0,05 maka berdistribusi normal [17].
2. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk mengetahui apakah variabel independen terdapat korelasi.
Jika nilai (VIF < 10,00) dan nilai (Tolerance > 0,10) maka tidak terjadi gejala multikolinearitas [17].
3. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk mengetahui apakah model regresi yang digunakan antara satu pengamatan dengan pengamatan yang lainnya tidak terjadi ketidaksamaan varians dari residualnya, dilakukan melalui uji statistik Glejser. Jika perbandingan nilai signifikansi lebih besar dari tingkat toleransi kesalahan, yaitu P-value > 0,05 maka tidak terjadi heteroskedastisitas [17].
4. Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui apakah model regresi linear yang digunakan terdapat korelasi antara kesalahan residual pada periode t terhadap kesalahan residual pada periode tertentu, dilakukan melalui uji Durbin Watson. Jika besaran interval Durbin Watson yang dapat dikatakan tidak mengalami masalah uji autokorelasi yaitu antara 𝑑𝑈 < 𝐷𝑊 < 4 − 𝑑𝑈 [17].
5. Uji Linearitas
Uji linearitas digunakan untuk mengetahui apakah variabel-variabel yang digunakan dalam penelitian secara signifikan memiliki hubungan linear atau tidak. Jika perbandingan nilai Deviation from Linearity Sig. lebih besar dari tingkat toleransi kesalahan, yaitu nilai Deviation from Linearity Sig. > 0,05 dan nilai Fhitung< nilai Ftabel maka memiliki hubungan linear dan lulus uji linearitas. Dalam pengujian linearitas terdapat juga rumus lain untuk perhitungannya yaitu [17] :
𝐹ℎ𝑖𝑡𝑢𝑛𝑔=𝑅2(𝑁 − 𝑚 − 1) 𝑚(1 − 𝑅2)
(5) Keterangan :
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = Harga garis korelasi
N = Cacah kaus
m = Cacah predictor
R = Koefisien korelasi antara kriterium dengan prediktor 2.3.2 Uji Hipotesis dan Koefisien Determinasi
1. Uji Simultan atau Uji F
Uji simultan atau uji F digunakan untuk mengetahui apakah variabel independen secara simultan atau (bersama-sama) terhadap variabel dependen. Variabel independen secara simultan berpengaruh terhadap variabel dependen dapat diketahui dengan cara membandingkan nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 dan 𝐹𝑡𝑎𝑏𝑒𝑙 [17].
Melakukan perumusan hipotesis :
H0 : Jumlah pasien positif COVID-19 (X) tidak berpengaruh terhadap Case Fatality Rate COVID- 19 (Y).
H1 : Jumlah pasien positif COVID-19 (X) berpengaruh terhadap Case Fatality Rate COVID-19 (Y).
Perhitungan nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 didapatkan rumus sebagai berikut : 𝐹 =
𝑅2 (𝑛 − 1) (1 − 𝑅2)
(𝑛 − 𝑘) Keterangan :
𝑅2 = koefisien determinasi 𝑛 = jumlah data
𝑘 = jumlah variabel independen
(6)
Perhitungan nilai 𝐹𝑡𝑎𝑏𝑒𝑙 dilakukan dengan sebagai berikut :
𝑁1= 𝑘 − 1 dan 𝑁2 = 𝑛 − 𝑘 (7)
Dengan:
𝑛 = banyak data penelitian 𝑘 = banyak variabel penelitian
Jika perbandingan nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔> 𝐹𝑡𝑎𝑏𝑒𝑙 dan perbandingan nilai P-value dengan tingkat kesalahan sebesar 5% atau 0,05 adalah P-value < 0,05 maka H0 ditolak. Sehingga variabel independen secara simultan berpengaruh terhadap variabel dependen.
2. Uji Parsial atau Uji T
Uji parsial atau uji T digunakan untuk mengetahui apakah variabel independen memberikan pengaruh terhadap variabel dependen secara parsial. Variabel independen memberikan pengaruh terhadap variabel dependen dapat diketahui dengan cara membandingkan nilai 𝑇ℎ𝑖𝑡𝑢𝑛𝑔 dengan nilai 𝑇𝑡𝑎𝑏𝑒𝑙 pada variabel independen [17].
Melakukan perumusan hipotesis :
H0 : Jumlah pasien positif COVID-19 (X) tidak berpengaruh terhadap Case Fatality Rate COVID- 19 (Y).
H1 : Jumlah pasien positif COVID-19 (X) berpengaruh terhadap Case Fatality Rate COVID-19 (Y).
Perhitungan nilai 𝑇ℎ𝑖𝑡𝑢𝑛𝑔 didapatkan rumus sebagai berikut : 𝑡 = 𝑋1− 𝑋2
𝑆√1 𝑛1+ 1
𝑛2 Keterangan :
𝑋1 = nilai rata-rata pada kumpulan data pertama 𝑋2 = nilai rata-rata dari kumpulan data kedua 𝑛1= jumlah data pada kumpulan data pertama 𝑛2= jumlah data pada sekumpulan data kedua 𝑆 = standar deviasi atau variansi
(8)
Perhitungan nilai 𝑇𝑡𝑎𝑏𝑒𝑙 dilakukan dengan sebagai berikut :
𝑑𝑓 = 𝑛 − 𝑘 (9)
Dengan :
𝑛 = banyaknya data penelitian 𝑘 = banyaknya variabel penelitian
Jika perbandingan 𝑇ℎ𝑖𝑡𝑢𝑛𝑔> 𝑇𝑡𝑎𝑏𝑒𝑙 dan perbandingan nilai signifikansi dengan tingkat kesalahan sebesar 5% atau 0,05 adalah P-value < 0,05 maka H0 ditolak sehingga variabel independen secara parsial berpengaruh signifikan terhadap variabel dependen.
3. Koefisien Determinasi (𝑅2)
Koefisien determinasi (𝑅2) digunakan untuk mengukur proporsi pengaruh variabel independen terhadap variabel dependen. Nilai 𝑅2 berkisar antara 0 sampai 1. Nilai 𝑅2= 0 menunjukan bahwa tidak ada total varian yang diterangkan oleh variabel independen dari persamaan regresi sedangkan apabila nilai 𝑅2= 1 menunjukkan bahwa ada total varian yang diterangkan oleh variabel independen dari persamaan regresi tersebut.
3. Metode Penelitian
Penelitian ini dilakukan di Kota Surabaya dengan mengambil data dari Dinas Komunikasi dan Informatika Provinsi Jawa Timur melalui portal website yang dikelola yaitu infocovid19.jatimprov.go.id.
Waktu dilaksanakannya penelitian ini adalah pada bulan November 2020. Jenis dan sumber data penelitian ini adalah data sekunder, data yang terdiri dari data jumlah pasien positif COVID-19 dan data Case Fatality Rate COVID-19 di Kota Surabaya yang dilakukan dengan harian untuk pengambilan data tersebut pada 01 Juni 2020 hingga 31 Oktober 2020.
Teknik pengumpulan data menggunakan teknik dokumentasi (pengumpulan data) dan teknik komputerisasi. Pada teknik komputerisasi digunakan pada tahap pengolahan dan analisis data dengan menggunakan program komputer SPSS Statistics 23. Pada Tabel 1. adalah sampel data akan diujikan dengan metode regresi linear sederhana
Tabel 1 : Sampel Data Jumlah Pasien Positif dan Case Fatality Rate COVID-19
Tanggal Pasien Positif Case Fatality Rate
01/06/2020 2147 0,090
02/06/2020 2195 0,090
⋮ ⋮ ⋮
30/10/2020 103 0,070
31/10/2020 99 0,070
Sumber : infocovid19.jatimprov.go.id
Teknik analisis yang digunakan dalam penelitian ini adalah analisis deskriptif, uji asumsi klasik yang meliputi uji normalitas, uji autokorelasi, uji multikolinieritas, uji heteroskedastisitas, dan uji linieritas, analisis regresi linear sederhana, dan uji hipotesis yang meliputi uji parsial (uji T) dan koefisien determinasi (uji 𝑅2) [19]. Menggunakan program aplikasi SPSS Statistics 23 untuk pengolahan dan analisis data. Adapun tahapan-tahapan dalam menganalisis data tersebut, antara lain :
1. Melakukan input data dan melakukan analisis deskriptif statistik
Analisis deskriptif bersifat penjelasan statistik dengan memberikan gambaran data tentang jumlah data, minimum, maksimum, mean, dan standar deviasi [20].
2. Melakukan uji asumsi klasik a. Uji Normalitas
b. Uji Multikolinearitas c. Uji Heteroskedastisitas d. Uji Autokorelasi e. Uji Linearitas
3. Membentuk model persamaan regresi linear sederhana
4. Dilakukan uji hipotesis dan uji koefisien regresi linear sederhana a. Uji Simultan atau Uji F
b. Uji Parsial atau Uji T
c. Uji Koefisien Determinasi (uji 𝑅2)
5. Di tahap terakhir ini adalah menarik kesimpulan dari analisis hasil yang di uji kan semua pada tahap sebelumnya.
4. Hasil Penelitian dan Pembahasan 4.1 Hasil Uji Statistik Deskriptif
Berikut adalah penjelasan terkait jumlah pasien positif COVID-19 terhadap Case Fatality Rate (CFR) COVID-19 di Kota Surabaya dari 01 Juni 2020 hingga 31 Oktober 2020 dapat dilihat pada tabel dibawah ini :
Tabel 2 : Hasil Uji Statistik Deskriptif
Model N Minimum Maximum Mean Std. Deviation Pasien Positif
(X) 153 99 3122 1781,450 996,509
CFR (Y) 153 0,070 0,090 0,079 0,007
Tabel 2. menunjukkan jumlah pengamatan sebanyak 153, dari pengamatan tersebut menunjukan bahwa selama periode penelitian variabel independen pasien positif COVID-19 (X) memiliki pasien positif terendah sebesar 99 orang dan tertinggi pasien positif COVID-19 (X) adalah sebesar 3122 orang.
Nilai mean sebesar 1781,450 artinya selama periode penelitian variabel ini memiliki rata-rata 1781,450 orang. Sedangkan standard deviation variabel pasien positif COVID-19 (X) adalah 996,509 artinya selama periode penelitian ukuran penyebaran data dari rata-rata tersebut sebesar 996,509 orang.
Dari pengamatan tersebut menunjukan bahwa selama periode penelitian variabel dependen case fatality rate (CFR) COVID-19 (Y) memiliki nilai minimum 0,070 dan nilai maksimum sebesar 0,090 menunjukan bahwa dalam periode penelitian ini nilai tertinggi case fatality rate (CFR) COVID-19 (Y) adalah sebesar 0,09. Nilai mean sebesar 0,079 artinya selama periode penelitian variabel ini memiliki rata-rata 0,079. Sedangkan standar deviation variabel case fatality rate (CFR) COVID-19 (Y) adalah 0,007 artinya selama periode penelitian ukuran penyebaran data dari rata-rata tersebut sebesar 0,007.
4.2 Analisis Regresi Linear Sederhana 4.2.1 Asumsi Residual
1. Uji Normalitas
Berdasarkan hasil pengolahan data menggunakan uji normalitas Kolmogorov-Smirnov, didapatkan bahwa nilai test statistic Kolmogorov-Smirnov adalah 0,063 dan nilai P-value sebesar 0,200.
Sehingga nilai P-value lebih besar dari tingkat toleransi kesalahan, yaitu 0,200 > 0,05. Hasil tersebut menunjukkan bahwa residual dalam penelitian ini berdistribusi normal, sehingga pengujian regresi dengan model linier sederhana dapat dilakukan.
2. Uji Multikolinearitas
Berdasarkan hasil pengelolaan data, didapatkan bahwa nilai variance inflation factor (VIF) pada variabel independen yaitu pasien positif COVID-19 (X), memiliki nilai kurang dari 10 (VIF < 10,00) yaitu 1,000 < 10,00. Sementara, nilai Tolerance pada variabel independen yaitu pasien positif COVID- 19 (X), memiliki nilai lebih besar dari 0,10 (Tolerance > 0,10) yaitu 1,000 > 0,10. Maka mengacu pada dasar pengambilan keputusan dalam uji multikolinearitas dapat disimpulkan bahwa tidak terjadi gejala multikolinearitas atau variabel independen tidak terjadi korelasi dalam model regresi.
3. Uji Heteroskedastisitas
Berdasarkan hasil pengolahan data menggunakan uji Glejser, dengan variabel CFR COVID-19 (Y) berperan sebagai variabel dependen, didapatkan bahwa nilai P-value sebesar 0,099 untuk variabel pasien positif COVID-19 (X), dengan tingkat toleransi kesalahan (∝) sebesar 5% atau 0,05. Sehingga perbandingan nilai P-value lebih besar dari tingkat toleransi kesalahan, yaitu 0,099 > 0,05. Kesimpulan dari hasil tersebut yaitu data yang digunakan dalam penelitian ini tidak terjadi ketidaksamaan varians dari residual atau tidak terjadi heteroskedastisitas.
4. Uji Autokorelasi
Berdasarkan hasil pengolahan data menggunakan metode Durbin Watson, didapatkan bahwa nilai Durbin Watson sebesar 2,114. Besaran interval Durbin Watson yang dapat dikatakan tidak mengalami masalah uji autokorelasi yaitu antara 𝑑𝑈 < 𝐷𝑊 < 4 − 𝑑𝑈. Selanjutnya nilai akan kita
bandingkan dengan nilai tabel Durbin Watson pada signifikansi 5% dengan rumus (𝑘; 𝑁). Adapun jumlah variabel independen 1 atau “k”=1, sementara jumlah sampel atau “N”=153, maka (𝑘; 𝑁) = (1; 153).
Kemudian dilihat pada distribusi nilai tabel Durbin Watson, nilai dL sebesar 1,7226, nilai dU sebesar 1,7488, dan nilai 4 − 𝑑𝑈 = 2,2512. Dari hasil perhitungan nilai Durbin Watson tersebut berada di interval 1,7488 < 2,114 < 2,2512. Kesimpulan dari hasil tersebut yaitu data yang digunakan dalam penelitian ini tidak terdapat kesalahan residual antara periode waktu penelitian dan lulus dari uji autokorelasi.
5. Uji Linearitas
Berdasarkan hasil pengelolaan data didapatkan bahwa nilai P-value yang diperoleh dari nilai Deviation from Linearity Sig. sebesar 0,959, dengan tingkat toleransi kesalahan (∝) sebesar 5% atau 0,05.
Sehingga perbandingan nilai Deviation from Linearity Sig. lebih besar dari tingkat toleransi kesalahan, yaitu 0,959 > 0,05. Selanjutnya berdasarkan nilai F dari output diatas diperoleh nilai F hitung sebesar 0,664. Nilai F tabel dilihat pada distribusi nilai F tabel pada signifikansi 5% yaitu df (Deviation from Linearity; Within Groups)=(99; 52) sebesar 1,52. Sehingga diperoleh nilai F hitung < nilai F tabel yaitu 0,664 < 1,52. Kesimpulan dari hasil dua cara yakni melihat nilai signifikansi dan nilai F maka data yang digunakan dalam penelitian ini secara signifikan antara variabel pasien positif COVID-19 (X) dengan variabel CFR COVID-19 (Y) memiliki hubungan linear dan lulus uji linearitas.
4.2.2 Estimasi dan Uji Signifikansi Parameter 1. Model Regresi Linear Sederhana
Data yang telah memenuhi lolos dalam syarat kelayakan model regresi dengan semua uji asumsi klasik maka selanjutnya akan dilakukan uji regresi linear sederhana. Berdasarkan hasil perhitungan uji regresi linear sederhana, diketahui bahwa hubungan antara variabel dependen dan variabel independen dapat dirumuskan dalam persamaan sebagai berikut :
Ŷ = 𝑎 + 𝑏𝑋
Ŷ = 0,069 + 5,604 × 10−6𝑋
Dari hasil persamaan regresi linear sederhana diatas dapat dibuat interpretasi sebagai berikut, nilai konstanta dalam penelitian ini adalah sebesar 0,069. Hal ini menyatakan bahwa, jika nilai jumlah pasien positif COVID-19 (X) adalah bernilai nol (0), maka nilai Case Fatality Rate (CFR) COVID-19 (Y) adalah sebesar 0,069. Nilai koefisien variabel jumlah pasien positif COVID-19 (X) dalam penelitian ini adalah sebesar 5,604 × 10−6. Hal ini menyatakan bahwa, jika setiap peningkatan sebesar 1 orang pada jumlah pasien positif COVID-19 maka akan menaikkan nilai Case Fatality Rate (CFR) sebesar 5,604 × 10−6.
2. Uji Simultan (Uji F)
Melakukan perumusan hipotesis :
H0 : Jumlah pasien positif COVID-19 (X) tidak berpengaruh terhadap Case Fatality Rate COVID-19 (Y).
H1 : Jumlah pasien positif COVID-19 (X) berpengaruh terhadap Case Fatality Rate COVID-19 (Y).
Perhitungan nilai 𝐹𝑡𝑎𝑏𝑒𝑙 dilakukan dengan sebagai berikut : 𝑁1= 𝑘 − 1 = 2 − 1 = 1 𝑁2 = 𝑛 − 𝑘 = 153 − 2 = 151
Dengan:
𝑛 = banyak data penelitian 𝑘 = banyak variabel penelitian
Dengan menggunakan nilai signifikansi sebesar 5% atau 0,05, maka didapatkan nilai 𝐹𝑡𝑎𝑏𝑒𝑙 yaitu sebesar 3,90. Berdasarkan hasil uji simultan atau uji F, didapatkan hasil nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 sebesar 184,408.
Jika dibandingkan dengan nilai 𝐹𝑡𝑎𝑏𝑒𝑙 sebesar 3,90 maka didapatkan hasil 184,408>3,90 atau 𝐹ℎ𝑖𝑡𝑢𝑛𝑔>
𝐹𝑡𝑎𝑏𝑒𝑙. Sedangkan perbandingan nilai P-value dengan tingkat kesalahan sebesar 5% atau 0,05 adalah 0,000<0,05. Dari hasil tersebut didapatkan kesimpulan bahwa H0 ditolak sehingga dapat disimpulkan bahwa jumlah pasien positif COVID-19 secara simultan berpengaruh terhadap Case Fatality Rate (CFR) COVID-19.
3. Uji Parsial (Uji T)
Melakukan perumusan hipotesis :
H0 : Jumlah pasien positif COVID-19 (X) tidak berpengaruh terhadap Case Fatality Rate COVID-19 (Y).
H1 : Jumlah pasien positif COVID-19 (X) berpengaruh terhadap Case Fatality Rate COVID-19 (Y).
Perhitungan nilai 𝑇𝑡𝑎𝑏𝑒𝑙 dalam penelitian ini dilakukan dengan sebagai berikut : 𝑑𝑓 = 𝑛 − 𝑘 = 153 − 2 = 151
Dengan :
𝑛 = banyaknya data penelitian 𝑘 = banyaknya variabel penelitian
Dengan menggunakan nilai signifikansi sebesar 5% atau 0,05 maka didapatkan nilai 𝑇𝑡𝑎𝑏𝑒𝑙 yaitu sebesar 1,65501. Berdasarkan hasil uji parsial atau uji T, didapatkan hasil nilai 𝑇ℎ𝑖𝑡𝑢𝑛𝑔 dari variabel independen, pada variabel jumlah pasien positif COVID-19 (X) berdasarkan hasil pengujian uji T didapatkan hasil nilai 𝑇ℎ𝑖𝑡𝑢𝑛𝑔 untuk jumlah pasien positif COVID-19 sebesar 13,580 dengan nilai P-value sebesar 0,000. Jika dibandingkan dengan nilai 𝑇𝑡𝑎𝑏𝑒𝑙 sebesar 1,65501 maka didapatkan hasil 13,580>1,65501 atau 𝑇ℎ𝑖𝑡𝑢𝑛𝑔> 𝑇𝑡𝑎𝑏𝑒𝑙. Sedangkan perbandingan nilai P-value dengan tingkat kesalahan sebesar 5% atau 0,05 adalah 0,000<0,05. Dari hasil tersebut didapatkan kesimpulan bahwa H0 ditolak sehingga dapat disimpulkan bahwa jumlah pasien positif COVID-19 secara parsial berpengaruh signifikan terhadap Case Fatality Rate (CFR) COVID-19.
4.2.3 Uji Koefisien Determinasi (Uji 𝑅2)
Berdasarkan hasil koefisien determinasi, didapatkan hasil nilai R-Square sebesar 0,550. Hasil nilai tersebut menunjukan bahwa proporsi pengaruh variabel jumlah pasien positif COVID-19 dapat memberikan pengaruh terhadap Case Fatality Rate (CFR) COVID-19 sebesar 0,550 atau 55% sedangkan 45% sisanya menunjukan bahwa Case Fatality Rate (CFR) COVID-19 dijelaskan oleh variabel-variabel lain selain variabel jumlah pasien positif covid-19.
Dalam penelitian ini peneliti menggunakan 1 (satu) variabel atau faktor yang diuji, sementara dalam Case Fatality Rate (CFR) di Kota Surabaya terdapat beberapa faktor lain yang mempengaruhi suatu nilai tersebut. Untuk penelitian selanjutnya, metode analisis regresi linear sederhana bisa digabungkan dengan metode analisis yang lain untuk mengetahui perbandingan hasil hipotesis yang didapatkan dari analisis variabel tersebut apakah memiliki nilai kesamaan yaitu seperti memakai metode rantai markov [21], metode trend analisis [22] maupun lainnya.
5. Simpulan
Berdasarkan hasil analisis regresi linear didapatkan variabel jumlah pasien positif COVID-19 secara simultan maupun parsial sangat berpengaruh dalam Case Fatality Rate (CFR) COVID-19 dengan
setiap peningkatan sebesar 1 orang pada jumlah pasien positif COVID-19 maka akan menaikkan nilai Case Fatality Rate (CFR) sebesar 5,604 × 10−6. Didapatkan nilai R-square sebesar 55% Case Fatality Rate COVID-19 dipengaruhi oleh jumlah pasien positif COVID-19, sedangkan 45% sisanya dijelaskan oleh variabel lain yang tidak terdapat dalam model.
Acknowledgements∗. Terima kasih kepada Dinas Komunikasi dan Informatika (Diskominfo) Provinsi Jawa Timur yang sudah memberikan kesempatan untuk lebih mengenal dunia pekerjaan dan ilmu yang bermanfaat sehingga peneliti dapat menyusun jurnal ini. Terima kasih kepada dosen pembimbing, dosen lapangan serta semua pihak yang telah membantu dalam menyusun jurnal ini. Peneliti berharap jurnal ini dapat bermanfaat.
DAFTARPUSTAKA
[1] S. M. Ilpaj and N. Nurwati, “Analisis Pengaruh Tingkat Kematian Akibat Covid-19 Terhadap Kesehatan Mental Masyarakat Di Indonesia,” Focus J. Pekerj. Sos., vol. 3, no. 1, p. 16, 2020.
[2] Harini, Sri, “Identification COVID-19 Cases in Indonesia with The Double Exponential Smoothing Method” Jurnal Matematika MANTIK, Vol. 6, Issue 1, pp. 66-75, 2020.
[3] Yuliana, “Corona virus diseases (Covid-19); Sebuah tinjauan literatur,” Wellness and Healthy Magazine, vol. 2, no. February, pp. 124–137, 2020.
[4] J. Fong and A. Devanand, “Health ethics in COVID-19: no better time for solidarity,” Singapore Med. J., no. May, pp. 1–3, 2020.
[5] M. A. Berawi et al., “Tackling the COVID-19 pandemic: Managing the cause, spread, and impact,”
Int. J. Technol., vol. 11, no. 2, pp. 209–214, 2020.
[6] H. Y. Jayanti, “Peramalan pendapatan reksa dana dalam setahun menggunakan metode regresi linier sederhana,” J. Teknol. Inf. Dan Komun., vol. VIII, no. 2, 2018.
[7] Suganya, R., “COVID-19 Forecasting using Multivariate Linear Regression,” 1–17, 2020.
[8] Rath, S., Tripathy, A., & Tripathy, A. R, “Prediction of new active cases of coronavirus disease (COVID-19) pandemic using multiple linear regression model,” Diabetes and Metabolic Syndrome:
Clinical Research and Reviews, 14(5), 1467–1474, 2020.
[9] Putri, Elen R.S., et al, “prediksi kasus aktif kumulatif covid-19 di indonesia menggunakan model regresi linier berganda,” Transformasi (Jurnal Pendidikan Matematika dan Matematika), vol. 5, no.
2, p. 567-577, 2021.
[10] Fajar, M. dan Wahyudi, “Modeling of COVID-19 Epidemic Growth Curve in Indonesia,” Jurnal Matematika MANTIK, Vol. 7, No. 1, pp. 67-73, 2021.
[11] R. Abudi, Y. Mokodompis, and A. N. Magulili, “Stigma Terhadap Orang Positif Covid19,” Jambura J. Heal. Sci. Res., vol. 2, no. 2, pp. 77–84, 2020.
[12] T. Sipahutar and T. Eryando, “COVID-19 case fatality rate and detection ability in Indonesia,”
Kesmas, vol. 15, no. 2, pp. 14–17, 2020.
[13] D. N. Fisman, A. L. Greer, and A. R. Tuite, “Age Is Just a Number: A Critically Important Number for COVID-19 Case Fatality,” Ann. Intern. Med., vol. 173, no. 9, pp. 762–763, 2020.
[14] F. Ginting, E. Buulolo, and E. R. Siagian, “Implementasi Algoritma Regresi Linear Sederhana Dalam Memprediksi Besaran Pendapatan Daerah (Studi Kasus: Dinas Pendapatan Kab. Deli Serdang),” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 3, no. 1, pp. 274–279, 2019.
[15] A. Hijriani, K. Muludi, and E. A. Andini, “Penyajian Hasil Prediksi Pemakaian Air Bersih Pdam Informasi Geofrafis,” J. Inform., vol. 11, no. 2, pp. 37–42, 2016.
[16] P. Studi, M. Fakultas, U. Islam, and I. Yogyakarta, ”Pengaruh Labelisasi Halal Terhadap Minat Beli Konsumen”, vol. 1. 2016.
[17] S. Hadi, “Aplikasi dan Interpretasi Regresi OLS,” Apl. dan Interpret., pp. 1–25, 2017.
[18] I. Khairani, “Pengaruh Earning Per Share (EPS) dan Deviden Per Share terhadap Harga Saham Perusahaan Pertambangan yang Terdaftar di Bursa Efek Indonesia (BEI) Tahun 2011-2013,” J.
Manaj. dan Keuang. Unsam, vol. 5, no. 2, pp. 566–572, 2016.
[19] S. Ningsih and H. H. Dukalang, “Penerapan Metode Suksesif Interval pada Analsis Regresi Linier Berganda,” Jambura J. Math., vol. 1, no. 1, pp. 43–53, 2019.
[20] R. Firdhania and F. Muslihatinningsih, “Faktor-Faktor yang Mempengaruhi Tingkat Pengangguran di Kabupaten Jember Factors Affecting of Unemployment Rate in Jember Regency,” e-Journal Ekon. Bisnis dan Akunt., vol. IV, no. 1, pp. 117–121, 2017.
[21] K. Aritonang et al., “Analisis Pertambahan Pasien COVID-19 di Indonesia Menggunakan Metode Rantai Markov,” J. Rekayasa Sist. Ind., vol. 9, no. 2, pp. 69–76, 2020.
[22] R. Wardani., “Trend Analisis Peningkatan Jumlah Kunjungan Pasien ditinjau dari Marketing Mix,”
Jurnal IKESMA., vol. 13, no. 1, pp. 315–322, 2016.
