Ketimpangan Sosial Ekonomi di Indonesia: Apakah Disebabkan Oleh Tingkat Pengangguran, Kemiskinan, Pengeluaran Masyarakat, dan Lama Pendidikan?
Ketimpangan sosial ekonomi adalah kondisi ketika terdapat ketidakseimbangan status sosial, ekonomi, demografi, atau budaya di tengah-tengah masyarakat. William Ogburn menjelaskan definisi ketimpangan sosial sebagai perubahan sosial yang melibatkan unsur-unsur dalam masyarakat yang saling berhubumgan antara satu dengan yang lain. Adanya ketimpangan sosial ekonomi menimbulkan jurang antara masyarakat yang memiliki status sosial ekonomi yang tinggi dengan status sosial ekonomi yang rendah.
Secara garis besar, faktor penyebab ketimpangan sosial ekonomi dibagi menjadi dua, antara lain faktor internal dan faktor eksternal. Faktor internal adalah faktor yang berasal dari diri sendiri, seperti rendahnya kualitas diri seseorang karena tingkat pendidikan atau keterampilan yang rendah. Sementara itu, faktor eksternal adalah faktor yang berasal dari luar diri seseorang. Biasanya, faktor ini disebabkan oleh birokrasi atau kebijakan pemerintah yang berdampak pada akses yang terbatas bagi masyarakat untuk mengembangkan diri, seperti kebijakan Pemberlakuan Pembatasan Kegiatan Masyarakat (PPKM) sebagai respon pemerintah untuk menekan peningkatan kasus Covid-19 beberapa waktu lalu di Indonesia. Hal ini menimbulkan dampak kesenjangan sosial ekonomi, terutama bagi masyarakat yang berada dalam status sosial menengah ke bawah yang cukup sulit untuk memenuhi kebutuhan hidup mereka.
Berdasarkan faktor-faktor tersebut, tulisan ini akan menganalisis apakah faktor yang sudah dijelaskan berpengaruh signifikan terhadap ketimpangan sosial ekonomi dalam lingkup masyarakat. Faktor-faktor yang diambil untuk penelitian ini termasuk ke dalam faktor internal, yaitu tingkat pengangguran, tingkat kemiskinan, tingkat pengeluaran masyarakat, dan lama pendidikan.
Variabel Penelitian
Penelitian ini memiliki empat variabel bebas (independent) dan satu variabel terikat (dependent). Variabel terikat dalam penelitian ini adalah tingkat ketimpangan sosial ekonomi (IG) pada 34 provinsi di Indonesia. Adapun rincian variabelnya adalah sebagai berikut:
PT : Tingkat pengangguran
Miskin : Tingkat kemiskinan
Pengeluaran : Pengeluaran masyarakat
Sekolah : Lama pendidikan
Jenis dan Sumber Data
Sumber data yang digunakan dalam penelitian ini adalah data sekunder. Data sekunder merupakan jenis data yang diperoleh dan dikumpulkan secara tidak langsung melainkan dari pihak lain. Data sekunder yang digunakan dalam penelitian ini antara lain data Rasio Gini, Tingkat Pengangguran Terbuka, Persentase Penduduk Miskin, Persentase Pengeluaran Makanan, dan Rata-Rata Lama Sekolah menurut provinsi tahun 2019 sampai 2021 yang bersumber dari publikasi oleh Badan Pusat Statistik.
Metode dan Tahapan Analisis
Metode yang digunakan dalam penelitian ini adalah metode regresi data panel. Regresi data panel adalah metode regresi dengan struktur data berupa data panel, yaitu data gabungan antara data silang (cross section) dan runtun waktu (time series). Objek data silang biasanya terdiri atas beberapa atau banyak objek, seperti wilayah, perusahaan, atau emiten dalam periode waktu tertentu. Pada penelitian ini memiliki objek data silang berupa 34 provinsi Indonesia dengan data runtun waktu tahun 2019 sampai 2021.
Adapun tahapan yang dilakukan untuk melakukan penelitian ini dengan metode regresi data panel adalah sebagai berikut:
1. Menentukan data panel yang akan digunakan.
2. Melakukan Uji Chow untuk mengetahui model data yang cocok antara Model Common Effect atau Model Fixed Effect.
a. Jika H0 diterima, maka Model Common Effect (langsung lakukan uji model).
b. Jika H0 ditolak, maka Model Fixed Effect (lanjutkan langkah 3).
3. Melakukan Uji Hausman untuk mengetahui model data yang cocok antara Model Fixed Effect dan Model Random Effect.
a. Jika H0 diterima, maka Model Random Effect (lanjutkan langkah 4).
b. Jika H0 ditolak, maka Model Fixed Effect (lanjutkan langkah 5).
4. Melakukan Uji Breusch-Pagan untuk mengetahui apakah terdapat efek dua arah, waktu, maupun individu atau tidak ada ketiganya.
5. Melakukan uji model terhadap model yang terpilih.
a. Uji Normalitas untuk menilai apakah sebaran data atau nilai residual berdistribusi normal atau tidak.
b. Uji Autokorelasi untuk mengetahui apakah data yang diteliti terdapat korelasi variabel yang ada dalam model prediksi dengan perubahan waktu.
c. Uji Heteroskedastisitas untuk menilai ada atau tidaknya ketidaksamaan varian dari residual untuk semua analisis pada model.
d. Uji Multikolinearitas untuk memastikan apakah terdapat interkorelasi atau kolinearitas antar variabel bebas pada model regresi.
6. Membuat model regresi terbaik.
Analisis Kasus dengan Regresi Data Panel
Tingkat ketimpangan sosial yang merupakan variabel terikat dari penelitian ini dan ditunjukkan oleh data rasio gini memiliki nilai rata-rata sebesar 35.05%, dengan nilai minimum sebesar 24.7% dan nilai maksimum sebesar 43.9%. Dilihat dari angka tersebut, tingkat ketimpangan sosial pada 34 provinsi di Indonesia masih berada di bawah 50% sehingga masih cukup terkendali.
Ada empat variabel bebas dalam penelitian ini. Tingkat pengangguran memiliki nilai rata-rata sebesar 5.413% dari total angkatan kerja dengan nilai minimum sebesar 1.57% di wilayah Bali pada tahun 2019 dan nilai maksimum sebesar 10.95% di wilayah DKI Jakarta pada tahun 2020. Tingkat kemiskinan memiliki nilai minimum sebesar 0.4% dan nilai maksimum sebesar 7.17% dengan nilai rata-rata 1.92%. Tingkat pengeluaran masyarakat memiliki nilai maksimum 51.03% dan nilai minimum 38.65% dengan rata-rata 45.63%. Variabel bebas terakhir yaitu lama pendidikan memiliki nilai rata-rata 8.636% dengan nilai maksimum 11.17% dan nilai minimum 6.65%. Rincian data selengkapnya dapat dilihat pada Tabel 3.1.
Pemilihan Model Regresi
Langkah pertama adalah dengan melakukan Uji Chow. Pengujian ini dilakukan untuk menentukan model apa yang cocok dengan data panel yang akan dianalisis antara model common effect dan model fixed effect. Dalam melakukan Uji Chow berlaku hipotesis sebagai berikut:
H0 : Model Common Effect
H1 : Model Fixed Effect
Taraf Signifikansi α = 5% atau 0.05
H0 ditolak jika p-value lebih kecil daripada taraf signifikansi
Setelah dilakukan Uji Chow dapat diperoleh hasilnya disajikan dalam tabel di bawah ini:
Berdasarkan hasil uji yang diperoleh, terlihat bahwa p-value (< 2.2e-16) lebih kecil dari taraf signifikansi α (5% atau 0.05) sehingga H0 ditolak dan model fixed effect lebih baik digunakan pada data ini dibandingkan model common effect. Oleh karena itu, data harus diuji kembali dengan Uji Hausman.
Uji Hausman dilakukan untuk menentukan model apa yang cocok dengan data panel yang dianalisis antara model fixed effect dan model random effect. Dalam melakukan Uji Hausman berlaku hipotesis sebagai berikut:
H0 : Model Random Effect
H1 : Model Fixed Effect
Taraf Signifikansi α = 5% atau 0.05
H0 ditolak jika p-value lebih kecil daripada taraf signifikansi
Setelah dilakukan Uji Hausman dapat diperoleh hasilnya disajikan dalam tabel di bawah ini:
Berdasarkan hasil uji yang diperoleh, terlihat bahwa p-value (0.07847) lebih besar dari taraf signifikansi α (5% atau 0.05) sehingga gagal menolak H0 dan model random effect lebih baik digunakan pada data ini dibandingkan model fixed effect. Selanjutnya, data harus diuji kembali dengan Uji Breusch-Pagan.
Uji Breusch-Pagan dilakukan untuk mengetahui apakah model random effect terdapat efek dua arah, waktu, maupun individu (cross section) atau tidak ada ketiganya. Dalam melakukan Uji Breusch-Pagan berlaku hipotesis sebagai berikut:
H0 : Tidak terdapat efek
H1 : Terdapat efek (dua arah, waktu, maupun individu)
Taraf Signifikansi α = 5% atau 0.05
H0 ditolak jika p-value lebih kecil daripada taraf signifikansi
Setelah dilakukan Uji Breusch-Pagan dapat diperoleh hasilnya berdasarkan efek yang ada dan disajikan dalam tabel.
a. Efek Dua Arah
Berikut adalah hasil Uji Breusch-Pagan untuk mengetahui efek dua arah menggunakan Lagrange Multiplier Test:
Berdasarkan hasil uji yang diperoleh, terlihat bahwa p-value (< 2.2e-16) lebih kecil dari taraf signifikansi α (5% atau 0.05) sehingga H0 ditolak. Maka dari itu, model random effect pada data ini memiliki efek dua arah.
b. Efek Individu (Cross Section)
Berikut adalah hasil Uji Breusch-Pagan untuk mengetahui efek individu (cross section) menggunakan Lagrange Multiplier Test:
Berdasarkan hasil uji yang diperoleh, terlihat bahwa p-value (< 2.2e-16) lebih kecil dari taraf signifikansi α (5% atau 0.05) sehingga H0 ditolak. Maka dari itu, model random effect pada data ini memiliki efek individu.
c. Efek Waktu
Berikut adalah hasil Uji Breusch-Pagan untuk mengetahui efek waktu menggunakan Lagrange Multiplier Test:
Berdasarkan hasil uji yang diperoleh, terlihat bahwa p-value (0,4468) lebih kecil dari taraf signifikansi α (5% atau 0.05) sehingga gagal menolak H0. Maka dari itu, model random effect pada data ini tidak memiliki efek waktu.
Oleh karena model ini berbentuk random effect, maka nilai yang dihasilkan akan berbeda dari setiap individu (cross section). Berikut disajikan tabel besarnya pengaruh dari masing-masing provinsi.
Pengujian Asumsi Regresi Data Panel
Pengujian pertama dalam langkah ini adalah dengan melakukan uji dilakukan yang bertujuan untuk menilai apakah sebaran data atau nilai residual berdistribusi normal atau tidak. Ketika sebaran data atau nilai residual terdistribusi normal, maka data akan memiliki model regresi yang baik. Dalam penelitian ini dilakukan uji normalitas dengan nilai Jarque-Bera, dengan hipotesis sebagai berikut:
H0 : Tidak terdistribusi normal
H1 : Terdistribusi normal
Taraf Signifikansi α = 5% atau 0.05
H0 ditolak jika p-value lebih kecil daripada taraf signifikansi
Setelah dilakukan uji normalitas dapat diperoleh hasil uji yang disajikan dalam tabel di bawah ini:
Berdasarkan hasil uji yang diperoleh, terlihat bahwa p-value (0.8695) lebih besar dari taraf signifikansi α (5% atau 0.05) sehingga gagal menolak H0 dan model penelitian ini terdistribusi normal.
Pengujian yang kedua adalah uji autokorelasi dengan tujuan untuk mengetahui apakah data yang diteliti terdapat korelasi variabel yang ada dalam model prediksi dengan perubahan waktu. Nilai disturbance berpasangan secara autokorelasi jika terdapat autokorelasi pada sebuah model prediksi. Adanya autokorelasi akan menyebabkan parameter yang diprediksi menjadi tidak signifikan. Pada penelitian ini, uji autokorelasi dilakukan dengan menggunakan nilai Wooldridge, dengan hipotesis sebagai berikut:
H0 : Tidak terdapat autokorelasi atau korelasi serial
H1 : Terdapat autokorelasi atau korelasi serial
Taraf Signifikansi α = 5% atau 0.05
H0 ditolak jika p-value lebih kecil daripada taraf signifikansi
Setelah dilakukan uji autokorelasi dapat diperoleh hasil uji yang disajikan dalam tabel di bawah ini:
Berdasarkan hasil uji yang diperoleh, terlihat bahwa p-value (0,08929) lebih besar dari taraf signifikansi α (5% atau 0.05) sehingga gagal menolak H0 dan model penelitian ini memiliki autokorelasi atau korelasi serial pada model prediksinya.
Pengujian ketiga adalah uji heterokedastisitas yang dilakukan untuk menilai ada atau tidaknya ketidaksamaan varian dari residual untuk semua analisis pada model. Heterokedastisitas sendiri adalah keadaan saat ketidaksamaan varian dari error untuk semua analisis setiap variabel bebas pada model regresi. Model regresi dinyatakan tidak valid sebagai alat analisis jika hipotesis heteroskedastisitas ditolak. Hipotesis pada uji heteroskedastisitas adalah sebagai berikut:
H0 : Homoskedastisitas
H1 : Heteroskedastisitas
Taraf Signifikansi α = 5% atau 0.05
H0 ditolak jika p-value lebih kecil daripada taraf signifikansi
Setelah dilakukan uji heteroskedastisitas dapat diperoleh hasilnya yang disajikan dalam tabel di bawah ini:
Berdasarkan hasil uji yang diperoleh, terlihat bahwa p-value (0.679) lebih besar dari taraf signifikansi α (5% atau 0.05) sehingga gagal menolak H0 dan model penelitian ini terdapat heteroskedastisitas.
Pengujian yang terakhir pada langkah ini adalah melakukan uji multikolinearitas yang bertujuan untuk memastikan apakah terdapat interkorelasi atau kolinearitas antar variabel bebas pada model regresi. Interkorelasi adalah hubungan yang kuat antara satu variabel bebas dengan variabel bebas yang lain dalam satu model regresi. Model terdapat unsur multikolinearitas jika terdapat korelasi antar variabel bebasnya, dan semakin besar korelasinya maka akan semakin besar multikolinearitas yang terjadi. Penelitian ini memiliki empat variabel bebas, antara lain: PT, Miskin, Pengeluaran, dan Sekolah. Berikut disajikan tabel hasil uji multikolinearitas.
Berdasarkan hasil uji yang disajikan pada tabel dapat dilihat bahwa nilai korelasi antar variabel bebasnya sangat rendah karena nilainya berada di bawah 0.6. Sehingga dapat disimpulkan bahwa model yang dihasilkan tidak memiliki unsur multikolinearitas.
Pembuatan Model Regresi Terbaik
Berdasarkan hasil dari Uji Hausman dan Uji Breusch-Pagan yang sudah dilakukan sebelumnya, model yang akan diestimasi adalah model random effect dengan efek individu (cross section). Untuk menentukan model regresi terbaik maka harus dilakukan uji signifikansi atau uji overall pada model. Adapun hipotesis pada uji signifikansi atau overall adalah sebagai berikut:
H0 : Variabel bebas tidak berpengaruh signifikan
H1 : Variabel bebas berpengaruh signifikan
Taraf Signifikansi α = 5% atau 0.05
H0 ditolak jika p-value lebih kecil daripada taraf signifikansi
Setelah dilakukan uji signifikansi atau uji overall, dapat diperoleh hasil uji dari masing-masing variabel yang disajikan pada tabel berikut:
Berdasarkan hasil uji signifikansi di atas dapat dilihat bahwa nilai p-value pada variabel tingkat pengangguran, tingkat kemiskinan, dan pengeluaran masyarakat lebih kecil dari taraf signifikansi α (5% atau 0.05). Oleh karena itu, variabel bebas tersebut secara simultan berpengaruh signifikan terhadap tingkat ketimpangan sosial. Nilai adjusted r-squared pada model ini sebesar 0.15718 yang artinya variabel-variabel bebas yang ada, yaitu variabel tingkat pengangguran, tingkat kemiskinan, pengeluaran masyarakat, dan lama pendidikan mampu menjelaskan variabel terikatnya yaitu tingkat ketimpangan sosial ekonomi sebesar 15.718%. Sementara sisanya sebesar 84.282 dijelaskan oleh faktor-faktor lain yang tidak disebutkan di dalam model. Dari hasil tersebut diperoleh model regresi sebagai berikut:
IG = 59.67671 + (0.31204)PT + (0.73161)Miskin — (0.43277)Pengeluaran + Pi
Keterangan:
IG : Tingkat ketimpangan sosial
PT : Tingkat pengangguran
Miskin : Tingkat kemiskinan
Pengeluaran : Pengeluaran masyarakat
Pi : Pengaruh masing-masing provinsi
Interpretasi model tersebut adalah sebagai berikut:
1. Setiap kenaikan satu satuan tingkat pengangguran (PT) menyebabkan tingkat ketimpangan sosial ekonomi (IG) meningkat sebesar 0.31204 dengan variabel lain dianggap konstan.
2. Setiap kenaikan satu satuan tingkat kemiskinan (Miskin) menyebabkan tingkat ketimpangan sosial ekonomi (IG) meningkat sebesar 0.73161 dengan variabel lain dianggap konstan.
3. Setiap kenaikan satu satuan pengeluaran masyarakat (Pengeluaran) menyebabkan tingkat ketimpangan sosial ekonomi (IG) menurun sebesar 0.43277 dengan variabel lain dianggap konstan.
Seperti yang dijelaskan sebelumnya bahwa dikarenakan model ini berbentuk random effect, maka nilai yang dihasilkan akan berbeda dari setiap individu (cross section). Oleh karena itu, model akan disesuaikan dengan pengaruh dari masing-masing provinsi.
Kesimpulan
Ada beberapa faktor yang dapat mempengaruhi tingkat ketimpangan sosial ekonomi, yang meliputi faktor internal dan faktor eksternal. Faktor internal berasal dari diri sendiri, seperti rendahnya tingkat pendidikan dan keterampilan diri sehingga tidak dapat bersaing dengan sumber daya manusia lainnya yang lebih unggul. Penyebab tersebut dapat meningkatkan kemiskinan dan pengangguran. Sementara faktor eksternal berasal dari luar diri sendiri, biasanya disebabkan karena kebijakan pemerintah yang membatasi ruang gerak beberapa masyarakat sehingga sulit untuk mengembangkan diri mereka.
Hasil penelitian yang sudah dilakukan menunjukkan bahwa tingkat kemiskinan, tingkat pengangguran, dan pengeluaran masyarakat memiliki pengaruh yang signifikan terhadap tingkat ketimpangan sosial ekonomi. Hal ini sejalan dengan teori tentang faktor-faktor penyebab ketimpangan sosial, ketika kemiskinan meningkat maka akan menambah jurang pemisah antara golongan orang kaya dan orang miskin sehingga menimbulkan kesenjangan dan perbedaan status sosial di antara dua golongan masyarakat tersebut, begitu pula dengan pengangguran. Kemudian, tingkat pengeluaran masyarakat yang tinggi akan menurunkan ketimpangan sosial ekonomi karena masyarakat semakin mampu untuk memenuhi kebutuhan hidupnya, dan membuat kesejahteraan mereka semakin meningkat pula.
Tidak seperti tiga variabel bebas yang sudah disebutkan, lamanya pendidikan seseorang justru tidak berpengaruh signifikan terhadap tingkat ketimpangan sosial ekonomi masyarakat. Lamanya pendidikan tidak berpengaruh terhadap tingkat ketimpangan sosial karena seseorang yang menempuh pendidikan yang panjang belum tentu memiliki keterampilan yang mumpuni dalam menghadapi persaingan sumber daya manusia. Semua itu kembali lagi kepada masyarakat itu sendiri.
Saran
Adapun saran yang peneliti berikan berdasarkan hasil penelitian ini adalah masyarakat hendaknya bisa mencegah terjadinya kemiskinan dan pengangguran mulai dari diri mereka sendiri. Beberapa hal yang bisa dilakukan adalah dengan selalu berusaha mengembangkan potensi dan keterampilan diri sehingga masyarakat dapat mampu bersaing dengan masyarakat lainnya dalam hal keterampilan yang berefek pada peningkatan status sosial dan ekonomi.
Selain itu, pemerintah dapat membuat program untuk menekan angka kemiskinan dan pengangguran serta membuat kebijakan untuk meningkatkan tingkat pengeluaran masyarakat yang akan meningkatkan angka konsumsi. Ketika angka konsumsi meningkat, tingkat ketimpangan sosial dapat ditekan dan berpengaruh terhadap peningkatan pertumbuhan ekonomi negara.
Daftar Pustaka
Abror, R. (2022, Februari 23). Sosiologi Kelas 12: Pengertian dan Bentuk-Bentuk Ketimpangan Sosial. Pahamify | Taklukkan UTBK. Diakses pada Mei 20, 2022, dari https://pahamify.com/blog/pahami-materi/materi-ips/pengertian-dan-bentuk-bentuk-ketimpangan-sosial/
Badan Pusat Statistik. (2014, September 8). Persentase Rata‑Rata Pengeluaran per Kapita Sebulan Untuk Makanan dan Bukan Makanan di Daerah Perkotaan Menurut Provinsi, 2007–2021. Diakses pada Mei 17, 2022, dari https://www.bps.go.id/statictable/2014/09/08/940/persentase-rata-rata-pengeluaran-per-kapita-sebulan-untuk-makanan-dan-bukan-makanan-di-daerah-perkotaan-menurut-provinsi-2007-2021.html
Badan Pusat Statistik. (2021a). Gini Ratio Menurut Provinsi dan Daerah 2018–2019. Diakses pada Mei 17, 2022, dari https://www.bps.go.id/indicator/23/98/2/gini-rasio.html
Badan Pusat Statistik. (2021b). [Metode Baru] Rata-rata Lama Sekolah (Tahun), 2020–2021. Diakses pada Mei 17, 2022, dari https://www.bps.go.id/indicator/26/415/1/-metode-baru-rata-rata-lama-sekolah.html
Badan Pusat Statistik. (2021c). Persentase Penduduk Miskin (P0) Menurut Provinsi dan Daerah 2020–2021. Diakses pada Mei 17, 2022, dari https://www.bps.go.id/indicator/23/192/1/persentase-penduduk-miskin-menurut-provinsi.html
Badan Pusat Statistik. (2022). Tingkat Pengangguran Terbuka Menurut Provinsi (Persen), 2021–2022. Diakses pada Mei 17, 2022, dari https://www.bps.go.id/indicator/6/543/1/tingkat-pengangguran-terbuka-menurut-provinsi.html
Caraka, R. E. (2022). REGRESI DATA PANEL. Universitas Indonesia.
Clarissa, A. D. (2021, Maret 13). RPubs — Analisis Data Panel. RPubs by RStudio. Diakses pada Mei 17, 2022, dari https://rpubs.com/annebel/analisisdatapanel
Fajri, D. L. (2022, Maret 18). Faktor Penyebab dan Upaya Mengatasi Ketimpangan Sosial. Katadata. Diakses pada Mei 20, 2022, dari https://katadata.co.id/agung/berita/623449123f0df/faktor-penyebab-dan-upaya-mengatasi-ketimpangan-sosial
Hidayat, A. (2017a, September 14). Pengertian dan Penjelasan Uji Autokorelasi Durbin Watson. Uji Statistik. Diakses pada Mei 21, 2022, dari https://www.statistikian.com/2017/01/uji-autokorelasi-durbin-watson-spss.html
Hidayat, A. (2017b, Desember 26). Penjelasan Metode Analisis Regresi Data Panel. Uji Statistik. Diakses pada Mei 21, 2022, dari https://www.statistikian.com/2014/11/regresi-data-panel.html
Hidayat, A. (2020, Januari 1). Uji Heteroskedastisitas dengan Uji Glejser. Uji Statistik. Diakses pada Mei 21, 2022, dari https://www.statistikian.com/2013/01/uji-heteroskedastisitas.html
Hidayat, A. (2021a, Januari 26). Tutorial Uji Multikolinearitas Dan Cara Baca Multikolinearitas. Uji Statistik. Diakses pada Mei 21, 2022, dari https://www.statistikian.com/2016/11/uji-multikolinearitas.html
Hidayat, A. (2021b, Agustus 16). Uji Normalitas dan Metode Perhitungan (Penjelasan Lengkap). Uji Statistik. Diakses pada Mei 21, 2022, dari https://www.statistikian.com/2013/01/uji-normalitas.html
Zenius. (2022, Februari 9). Masalah Ketimpangan Sosial di Masyarakat. Zenius Blog — Tempatmu Menjelajahi Dunia Ilmu Pengetahuan. Diakses pada Mei 20, 2022, dari https://www.zenius.net/blog/ketimpangan-sosial#Dampak_Kesenjangan_Sosial
Sumber Data
Penulis: Rayhan Muhammad Naufal (1906389132)
Dosen Pengampu: Rezzy Eko Caraka
#UASEkonometrika2022 #FEBUI #BisnisIslam #BisnisIslamUI #UniversitasIndonesia
