Motorization A ffects and Density Lowers Indonesian Environmental Quality

Andreas Butarbutar¹⁾, Ririt Iriani Sri Setiawati²⁾

Program Studi Ekonomi Pembangunan, Universitas Pembangunan Nasional “Veteran” Jawa Timur, Indonesia

22011010135@student.upnjatim.ac.id

Program Studi Ekonomi Pembangunan, Universitas Pembangunan Nasional “Veteran” Jawa Timur, Indonesia

ririt.iriani.ep@upnjatim.ac.id (*)

Abstrak. Penelitian ini bertujuan untuk mengkaji dampak tekanan demografi dan mobilitas transportasi terhadap kualitas lingkungan hidup di Indonesia. Variabel yang digunakan meliputi jumlah kendaraan bermotor sebagai indikator mobilitas transportasi dan kepadatan penduduk sebagai indikator tekanan demografi, dengan Indeks Kualitas Lingkungan Hidup (IKLH) sebagai variabel dependen. Penelitian ini menggunakan data panel yang mencakup 34 provinsi di Indonesia selama periode 2018–2022, yang diperoleh dari Badan Pusat Statistik dan Kementerian Lingkungan Hidup dan Kehutanan. Analisis dilakukan menggunakan metode regresi data panel dengan pendekatan Fixed Effect Model (FEM) yang dipilih berdasarkan hasil uji Chow dan uji Hausman. Hasil penelitian menunjukkan bahwa jumlah kendaraan bermotor berpengaruh positif dan signifikan terhadap IKLH (β = 0,0000065; p = 0,0000), sedangkan kepadatan penduduk berpengaruh negatif dan signifikan terhadap IKLH (β = -0,0223; p = 0,0430). Temuan positif pada jumlah kendaraan bermotor mengindikasikan adanya pengaruh tidak langsung melalui peningkatan kapasitas fiskal daerah, khususnya dari penerimaan pajak kendaraan bermotor yang dapat mendukung pembiayaan program pengelolaan lingkungan. Di sisi lain, tingginya kepadatan penduduk berpotensi meningkatkan tekanan terhadap daya dukung lingkungan sehingga menurunkan kualitas lingkungan hidup. Hasil penelitian ini menunjukkan bahwa hubungan antara mobilitas transportasi, tekanan demografi, dan kualitas lingkungan bersifat kompleks, sehingga diperlukan kebijakan yang mampu menyeimbangkan pertumbuhan mobilitas, pengendalian kepadatan penduduk, dan upaya pelestarian lingkungan secara berkelanjutan .

Kata Kunci ; JKB, Kepadatan Penduduk, Kualitas Lingkungan Hidup

Pendahuluan

Krisis ekologis dan perubahan iklim kini menjadi ancaman nyata bagi keberlanjutan ekosistem maupun stabilitas kehidupan global. Laporan United Nations Environment Programme 1 memberikan peringatan keras bahwa pola pembangunan yang hanya mengejar pertumbuhan ekonomi lewat eksploitasi alam telah memaksa bumi bekerja melampaui batas kemampuannya. Situasi ini menuntut transisi yang mendesak menuju konsep agenda Sustainable Development Goals (SDGs), di mana kemajuan ekonomi harus berjalan selaras dengan kesejahteraan sosial dan daya dukung lingkungan2. Dalam praktiknya, akar kerusakan lingkungan saat ini tidak lagi sekadar didominasi oleh limbah industri berskala besar, melainkan telah bergeser pada akumulasi aktivitas harian manusia, terutama akibat lonjakan populasi dan masifnya mobilitas transportasi 3

Sebagai negara kepulauan dengan kekayaan hayati yang melimpah, Indonesia nyatanya tidak luput dari ancaman degradasi lingkungan4. Rapuhnya kondisi ekologis nasional terlihat jelas dari pergerakan IKLH selama kurun waktu 2018–20225 Perkembangan Indeks Kualitas Lingkungan Hidup (IKLH) Indonesia selama periode penelitian disajikan pada Gambar 1.

Gambar 1. Indeks Kualitas Lingkungan Hidup

Sumber: BPS (diolah peneliti)

Fakta ini sejalan dengan temuan6, yang menyoroti bahwa skor Environmental Performance Index (EPI) Indonesia masih tertinggal jauh di bawah rata-rata negara ASEAN lainnya. Perbandingan nilai Environmental Performance Index (EPI) Indonesia dengan beberapa negara ASEAN dapat dilihat pada Gambar 2.

Gambar 2. Skor Environmental Perfomance Index negara-negara di Asean

Sumber: Yale Center for Environmental Law & Policy 2022 (diolah peneliti)

Masalah lingkungan ini juga terbukti saling tumpang tindih secara spasial antarprovinsi di Indonesia7. Penurunan kualitas tersebut berjalan beriringan dengan lonjakan polusi secara fisik. Merujuk pada data GlobalCarbon Budget (2025), emisi karbon nasional melonjak tajam dari 665,05 Juta Ton saat tahun 2019 menjadi 758,02 Juta Ton di tahun 2022. Tren peningkatan emisi karbon nasional selama periode penelitian ditunjukkan pada Gambar 3.

Gambar 3 . Grafik Lonjakan Emisi Karbon Sumber: Global Carbon Budget (2025) via Our World in Data

Peningkatan drastis ini diyakini merupakan imbas langsung dari dua faktor utama: konsentrasi penduduk yang memicu alih fungsi lahan serta tingginya angka penggunaan kendaraan bermotor. Salah satu tekanan terbesar bagi lingkungan di Indonesia bermuara pada tingginya angka kepadatan penduduk yang distribusinya sangat timpang. Penumpukan populasi urban pada suatu wilayah administrasi yang sempit secara otomatis akan memaksa daya dukung ruang (carrying capacity) bekerja di luar batas wajarnya8. Fenomena ini memicu konversi ruang terbuka hijau menjadi kawasan permukiman secara sporadis, mempercepat eksploitasi air tanah, serta melipatgandakan volume sampah rumah tangga. Argumentasi ini sejalan dengan analisis 9 dan 10 yang membuktikan bahwa kepadatan penduduk merupakan agen utama perusak kualitas lingkungan. Kepadatan tidak bisa lagi dipandang sebatas angka demografi statistik, melainkan sebuah tekanan fisik nyata yang secara persisten menurunkan kualitas air dan lahan di berbagai wilayah 11.

Tekanan ruang tersebut diperberat oleh tingginya mobilitas masyarakat yang masih sangat bertumpu pada penggunaan kendaraan bermotor pribadi. Catatan Badan Pusat Statistik 12 menunjukkan adanya tren kenaikan jumlah kendaraan dan kepadatan penduduk secara konsisten di seluruh provinsi dalam lima tahun terakhir. Perkembangan jumlah kendaraan bermotor dan kepadatan penduduk di Indonesia selama periode penelitian ditampilkan pada Gambar 4.

Gambar 4. Tren Pertumbuhan JKB dan Kepadatan Penduduk

Sumber BPS (diolah peneliti)

Ketergantungan pada modal transportasi berbahan bakar fosil ini berkontribusi langsung pada tingginya konsentrasi polutan berbahaya di udara, seperti karbon monoksida (CO) dan nitrogen oksida (NOx). Fenomena ini mencerminkan kegagalan pasar berupa eksternalitas negatif, di mana para pengguna kendaraan secara tidak langsung membebankan biaya kerusakan udara kepada masyarakat luas. Berbagai studi terdahulu, seperti kajian 13 serta 14, telah mempertegas bahwa masifnya mobilitas darat merupakan variabel kunci penyebab anjloknya skor IKLH.

Meskipun berbagai penelitian sebelumnya telah mengkaji determinan kualitas lingkungan hidup di Indonesia, sebagian besar masih berfokus pada variabel makroekonomi seperti pertumbuhan ekonomi dan industrialisasi yang berpotensi menimbulkan bias dalam mengukur dampak langsung aktivitas manusia terhadap lingkungan. Selain itu, kajian yang secara spesifik mengisolasi tekanan demografi dan mobilitas transportasi sebagai faktor utama masih relatif terbatas. Berdasarkan kondisi tersebut, penelitian ini bertugas dalam mengisi celah penelitian dengan menelaah pengaruh jumlah kendaraan bermotor dan kepadatan penduduk terhadap kualitas lingkungan hidup menggunakan pendekatan data panel. Berdasarkan kerangka tersebut, hipotesis yang diajukan pada penelitian ini adalah:

H1: Jumlah kendaraan bermotor berpengaruh pada kualitas lingkungan hidup.

H2: Kepadatan penduduk berpengaruh pada kualitas lingkungan hidup.

Melalui penelitian ini, kontribusi empiris diharapkan dapat diberikan untuk memahami dinamika tekanan aktivitas manusia terhadap lingkungan serta menjadi dasar dalam perumusan kebijakan pembangunan berkelanjutan di Indonesia.

Metode

Penelitian kuantitatif ini menggunakan desain asosiatif kausalitas untuk menguji hubungan sebab-akibat antarvariabel melalui metode regresi linier berganda data panel. Objek penelitian mencakup seluruh wilayah administratif di Indonesia yang direpresentasikan oleh 34 provinsi dengan periode pengamatan selama lima tahun (2018–2022). Penggabungan data cross-section dan time-series ini menghasilkan struktur data panel seimbang (balanced panel) dengan total 170 observasi, yang dinilai representatif untuk menangkap ragam karakteristik ekonomi dan ekologis antar wilayah. Penelitian ini memanfaatkan data sekunder yang didapat melalui dokumen publikasi resmi Kementerian Lingkungan Hidup dan Kehutanan (KLHK) untuk variabel dependen (IKLH), serta Badan Pusat Statistik (BPS) untuk variabel independen (Jumlah Kendaraan Bermotor dan Kepadatan penduduk).

Variabel terikat pada penelitian ini adalah Indeks Kualitas Lingkungan Hidup (IKLH), yang mencerminkan kondisi kualitas lingkungan secara komprehensif. Sementara itu, variabel independen terdiri dari jumlah kendaraan bermotor sebagai proksi mobilitas transportasi dan kepadatan penduduk sebagai indikator tekanan demografi. Masing-masing definisi operasional variabel yang ada dapat dijelaskan sebagai berikut:

1. IKLH diukur dalam skala indeks (0–100);
2. Jumlah kendaraan bermotor diukur dalam satuan unit;
3. Kepadatan penduduk diukur dalam jiwa per kilometer persegi.

Model empiris pada penelitian ini dinyatakan sebagai berikut:

IKLHit =

di mana i menunjukkan provinsi dan t menunjukkan waktu (tahun), β0 merupakan konstanta, sedangkan β1 dan β2 menunjukkan koefisien regresi, sementara ε merepresentasikan error term. Pendekatan melalui regresi data panel digunakan dalam menganalisis data. Selanjutnya, penentuan model yang paling sesuai dilakukan dengan uji Chow untuk membandingkan Common Effect Model (CEM) dengan Fixed Effect Model (FEM), serta uji Hausman yang digunakan untuk memilih model paling konsisten diantara Fixed Effect Model (FEM) dan Random Effect Model (REM). Model yang terpilih kemudian digunakan sebagai dasar dalam pengujian hipotesis.

Validitas model diuji melalui serangkaian pengujian asumsi klasik dengan fokus pada pengujian multikolinearitas serta heteroskedastisitas. Uji multikolinearitas dilakukan dengan melihat nilai korelasi antarvariabel independen, sedangkan uji heteroskedastisitas dilakukan menggunakan pendekatan regresi residual absolut. Selain itu, nilai Durbin-Watson digunakan sebagai indikator awal untuk mendeteksi potensi autokorelasi dalam model.

Pengujian hipotesis dilakukan melalui uji statistik, yaitu uji t yang dipakai untuk menguji pengaruh masing-masing variabel independen secara parsial terhadap variabel dependen, serta uji F yang diterapkan guna mengetahui pengaruh seluruh variabel independen secara simultan. Dalam penelitian ini, angka signifikansi yang digunakan ditetapkan sebesar 5% (0,05).

Hasil dan Pembahasan

Hasil

Uji Chow adalah metode yang dipakai untuk memilih model yang paling tepat antara Common Effect Model (CEM) dengan Fixed Effect Model (FEM). Hasil uji chow disajikan pada tabel 1 sebagai berikut:

Tabel 1. Hasil Uji Chow

Sumber: Olah data

Hasil pengujian pemilihan model panel dengan menggunakan uji Chow menyatakan bahwasanya Fixed Effect Model (FEM) merupakan model yang tepat. Nilai probabilitas chi-square sebesar 0,0000 yang berada di bawah tingkat signifikansi 5% (0,05) menunjukkan bahwa H0 ditolak dan Ha diterima.

Uji Hausman merupakan metode yang digunakan untuk menentukan model yang paling tepat antara Fixed Effect Model (FEM) dan Random Effect Model (REM). Hasil uji hausman dapat dilihat pada tabel 2 sebagai berikut:

Tabel 2. Hasil Uji Hausman

Sumber: Olah data

Hasil analisis model panel melalui uji Hausman menyatakan bahwasanya Fixed Effect Model (FEM) ditetapkan sebagai model yang paling konsisten untuk diterapkan dalam penelitian ini. Hal tersebut didukung oleh nilai probabilitas chi-square sebesar 0,0000 yang terletak jauh di bawah tingkat signifikansi 5% (0,05), sehingga H0 ditolak dan Ha diterima. Dengan begitu, Fixed Effect Model dinilai sebagai pendekatan yang paling tepat sekaligus konsisten dalam menjelaskan hubungan antarvariabel pada penelitian ini.

Setelah dilakukan evaluasi terhadap spesifikasi model, Fixed Effect Model (FEM) dipandang menjadi metode yang paling konsisten untuk dipakai, yang selanjutnya diikuti oleh pengujian asumsi klasik. Dalam konteks regresi data panel, tidak seluruh asumsi klasik yang umumnya diterapkan pada metode OLS digunakan; pengujian hanya difokuskan pada multikolinearitas dan heteroskedastisitas15.

Uji multikolinearitas diterapkan untuk mengetahui adanya hubungan antarvariabel independen dalam model regresi. Selain itu, dalam proses estimasi, pendekatan Ordinary Least Squares (OLS) diterapkan pada model Common Effect dan Fixed Effect sementara model Random Effect diestimasi melalui metode Generalized Least Squares (GLS). .Berdasarkan prosedur metodologis tersebut, rangkuman hasil pengujian asumsi multikolinearitas dan spesifikasi model estimasi dapat dilihat pada 3 sebagai berikut:

Tabel 3 Hasil Uji Multikolinearitas

Sumber: Olah data

Berdasarkan hasil uji multikolinearitas, tidak ditemukan indikasi terjadinya multikolinearitas dalam model. Hal ini tercermin dari nilai koefisien korelasi antarvariabel independen yang seluruhnya berada di bawah batas 0,8.

Uji heteroskedastisitas diterapkan untuk mengidentifikasi apakah terdapat perbedaan varians residual antara satu observasi dengan observasi lainnya. Mengingat penelitian ini memakai data lintas ruang (cross-section) 34 provinsi di Indonesia dengan disparitas skala ekonomi dan demografi yang sangat tinggi, potensi terjadinya heteroskedastisitas pada data sangatlah besar 16. Untuk mendeteksi ada tidaknya gejala heteroskedastisitas dalam model estimasi, dilakukan pengujian statistik yang hasilnya disajikan pada 4 sebagai berikut:

Tabel 4 Hasil Uji Heterokedastisitas

Sumber: Olah data

Berdasarkan hasil pengujian statistik, Model regresi pada penelitian ini dinyatakan tidak mengalami masalah heteroskedastisitas dengan angka prob > 0,05. Kondisi ini menunjukkan bahwa seluruh informasi dalam variabel Jumlah Kendaraan Bermotor (JKB) dan Kepadatan Penduduk telah terdistribusi secara efisien dalam model tanpa menyebabkan bias pada nilai standar error. Dengan terpenuhinya asumsi non-heteroskedastisitas ini, maka model estimasi telah sesuai dengan ketentuan Best Linear Unbiased Estimator (BLUE), sehingga hasil uji signifikansi parsial (uji t) dan simultan (uji F) yang dihasilkan bersifat valid dan dapat diandalkan untuk pengambilan keputusan akademis. Berdasarkan hasil rangkaian pengujian pemilihan model, ditetapkan bahwa Fixed Effect Model (FEM) merupakan metode yang paling tepat untuk mengestimasi data panel dalam penelitian ini. Hasil estimasi pengaruh variabel Jumlah Kendaraan Bermotor dan Kepadatan Penduduk terhadap kualitas lingkungan dengan pendekatan FEM disajikan pada Tabel 5berikut:

Tabel 5 Model Fixed Effect Model (FEM)

Sumber: Olah data

Berdasarkan hasil pengolahan data menggunakan Fixed Effect Model (FEM) penelitian ini telah merumuskan model regresi linier berganda yang merepresentasikan hubungan antarvariabel secara sistematis. Model ini dipilih karena kemampuannya dalam mengakomodasi heterogenitas karakteristik unik di setiap provinsi selama periode 2018–2022. Adapun spesifikasi model yang diperoleh adalah sebagai berikut:

IKLH = 60,536 + 0,0000065 JKB - 0,0223 KEPADATAN PENDUDUK + ε

Berdasarkan serangkaian uji spesifikasi model yang telah dilakukan, yakni Uji Chow dan Uji Hausman, penelitian ini menetapkan Fixed Effect Model (FEM) sebagai metode estimasi yang paling tepat dibandingkan Common Effect maupun Random Effect. Pemilihan FEM mengindikasikan adanya perbedaan karakteristik antarprovinsi (intercept) yang bersifat unik namun tetap stabil dari waktu ke waktu. Dalam konteks kualitas lingkungan, penggunaan FEM mampu menangkap faktor-faktor spesifik di tiap wilayah seperti kebijakan lingkungan daerah atau kondisi geografis yang tidak tertangkap oleh variabel independen dalam model.

Hasil estimasi menunjukkan bahwa tingkat kecocokan model tergolong sangat kuat, terlihat dari nilai R-squared sebesar 0,876 atau 87,6%. Hal ini bermakna bahwa variasi naik-turunnya Indeks Kualitas Lingkungan Hidup (IKLH) di 34 provinsi Indonesia dapat dijelaskan secara sangat baik oleh variabel Jumlah Kendaraan Bermotor (JKB) dan Kepadatan Penduduk. Selain itu, nilai F-statistic sebesar 27,27 probabilitas sebesar 0,0000 mengonfirmasi bahwa secara simultan, tekanan dari sektor transportasi dan beban demografi berpengaruh signifikan terhadap kualitas lingkungan hidup.

Keunggulan penggunaan model FEM dalam penelitian ini juga terlihat pada kemampuannya menjaga stabilitas estimator sehingga model terbebas dari masalah asumsi klasik. Dengan nilai Durbin-Watson sebesar 1,97, model ini dinyatakan hampir tidak memiliki masalah autokorelasi karena nilainya mendekati angka ideal yaitu 2. Hal ini mempertegas bahwa hasil penelitian ini berpotensi menjadi referensi awal dalam perumusan kebijakan, dengan mempertimbangkan keterbatasan model.

Uji Hipotesis

1. Hasil Uji t

Pengujian secara parsial dilakukan untuk mengetahui sejauh mana kontribusi setiap variabel independen dalam menjelaskan variasi variabel dependen. Adapun hasil uji t dalam penelitian ini disajikan pada Tabel 6 sebagai berikut:

Tabel 6. Hasil Uji t

Sumber: Olah data

Hubungan antara variabel independen dan variabel dependen dapat diuraikan sebagai berikut:

1. Berdasarkan hasil uji t pada variabel JKB (X1), diperoleh nilai t hitung sebesar 8,765009 yang melebihi nilai t tabel sebesar 1,974185, serta tingkat signifikansi sebesar 0,0000 yang berada di bawah 0,05. Dengan begitu, H0 ditolak dan Ha diterima, sehingga variabel JKB terbukti memiliki pengaruh yang signifikan terhadap IKLH di Indonesia.
2. Berdasarkan hasil uji t pada variabel kepadatan penduduk (X2), diperoleh nilai t hitung sebesar 2,043482 yang melebihi t tabel sebesar 1,974185, serta nilai signifikansi sebesar 0,0430 yang berada di bawah 0,05. Oleh karena itu, H0 ditolak dan Ha diterima, sehingga variabel kepadatan penduduk terbukti berpengaruh signifikan terhadap IKLH di Indonesia.

Uji F digunakan untuk memastikan bahwa model regresi yang diestimasi memiliki tingkat kecocokan (goodness of fit) yang baik. Ringkasan hasil uji signifikansi simultan dapat dilihat pada Tabel 7 di bawah ini:

Tabel 7. Hasil uji F

Sumber: Olah data

Pada hasil uji F, nilai F hitung sebesar 27,27022 yang melebihi nilai F tabel sebesar 3,05012, serta nilai signifikansi sebesar 0,000000 yang berada di bawah 0,05. Dengan demikian, H0 ditolak dan Ha diterima, sehingga variabel JKB dan kepadatan penduduk secara simultan menunjukkan hubungan pengaruh terhadap IKLH di Indonesia.

1. Hasil Uji F
2. Uji Koefisien Determinasi (R²)

Koefisien determinasi digunakan untuk mengukur seberapa jauh kemampuan model dalam menjelaskan variasi variabel dependen. Hasil perhitungan nilai R-squared dan Adjusted R-squared untuk model penelitian ini disajikan pada Tabel 8 berikut:

Tabel 8. Hasil Uji koefisien determinasi

Sumber: Olah data

Nilai Adjusted R-squared diperoleh sebesar 0,844734 atau 84,4734%. Dari hasil yang diperoleh, variabel independen yang terdiri atas JKB dan kepadatan penduduk mampu menjelaskan variasi IKLH di Indonesia sebesar 84,4734%. Sementara itu, sisanya sebesar 15,5266% dijelaskan oleh faktor lain di luar variabel yang digunakan dalam model penelitian ini.

Pembahasan

Berdasarkan hasil estimasi model regresi data panel menggunakan Fixed Effect Model (FEM), diperoleh bahwa secara simultan variabel jumlah kendaraan bermotor (JKB) dan kepadatan penduduk berpengaruh signifikan terhadap Indeks Kualitas Lingkungan Hidup (IKLH). Hal ini ditunjukkan oleh nilai probabilitas F-statistik sebesar 0,0000 yang berada di bawah tingkat signifikansi 5%. Selain itu, nilai Adjusted R-squared sebesar 0,8447 mengindikasikan bahwa sebesar 84,47% variasi IKLH antarprovinsi di Indonesia dapat dijelaskan oleh kedua variabel tersebut, sedangkan sisanya berasal dari pengaruh variabel lain yang tidak diteliti.

Secara parsial, variabel jumlah kendaraan bermotor (JKB) menunjukkan hubungan yang positif serta signifikan terhadap IKLH dengan nilai koefisien sebesar 0,0000065 dan probabilitas 0,0000. Hasil ini menunjukkan bahwa secara empiris jumlah kendaraan bermotor memiliki hubungan positif dan signifikan dengan IKLH selama periode penelitian. Namun, hubungan tersebut tidak dapat diartikan bahwa peningkatan jumlah kendaraan bermotor secara langsung menyebabkan peningkatan kualitas lingkungan hidup. Temuan ini secara konseptual tampak bertentangan dengan teori lingkungan yang menyatakan bahwa peningkatan kendaraan bermotor akan memperburuk kualitas lingkungan melalui peningkatan emisi gas buang.

Meskipun demikian, hasil penelitian ini bukan merupakan temuan yang sepenuhnya berbeda akan penelitian sebelumnya. Penelitian yang dilakukan oleh 17 juga menemukan bahwa jumlah kendaraan bermotor berpengaruh positif akan Indeks Kualitas Lingkungan Hidup di Indonesia. Kesamaan hasil tersebut mengindikasikan bahwa hubungan antara jumlah kendaraan bermotor dan kualitas lingkungan hidup bersifat kompleks dan tidak selalu menunjukkan hubungan negatif secara langsung. Namun demikian, fenomena tersebut dapat dijelaskan melalui beberapa pendekatan yang lebih komprehensif. Temuan ini juga tidak serta-merta menunjukkan bahwa peningkatan jumlah kendaraan bermotor secara langsung memperbaiki kualitas lingkungan hidup, melainkan mengindikasikan adanya faktor-faktor lain yang turut memengaruhi hubungan tersebut. Pertama, jumlah kendaraan bermotor dapat berfungsi sebagai indikator tidak langsung dari tingkat aktivitas ekonomi dan kapasitas fiskal suatu daerah. Provinsi dengan jumlah kendaraan yang tinggi umumnya memiliki tingkat pendapatan masyarakat yang lebih baik serta penerimaan daerah yang lebih besar, khususnya dari pajak kendaraan bermotor18. Peningkatan kapasitas fiskal ini memungkinkan pemerintah daerah untuk mengalokasikan anggaran yang lebih besar pada sektor lingkungan, seperti pembangunan infrastruktur sanitasi, pengelolaan limbah, serta penyediaan ruang terbuka hijau, sehingga secara agregat dapat mendorong peningkatan nilai IKLH.

Kedua, IKLH merupakan indeks komposit yang tidak hanya mencerminkan kualitas udara, tetapi juga mencakup kualitas air dan kualitas tutupan lahan. Dengan demikian, meskipun peningkatan jumlah kendaraan bermotor berpotensi menurunkan kualitas udara, dampak tersebut dapat terkompensasi oleh perbaikan pada dimensi lingkungan lainnya. Hal ini menyebabkan hubungan antara jumlah kendaraan bermotor dan IKLH tidak selalu bersifat negatif secara langsung. Ketiga, adanya heterogenitas karakteristik antarprovinsi di Indonesia turut memengaruhi hasil estimasi. Beberapa wilayah dengan tingkat urbanisasi tinggi cenderung memiliki kebijakan pengelolaan lingkungan yang lebih baik, seperti penerapan standar emisi, peningkatan efisiensi transportasi, serta penguatan regulasi lingkungan. Kondisi ini memungkinkan dampak negatif dari peningkatan kendaraan bermotor dapat diminimalkan, sehingga hubungan yang teramati menjadi positif. Lebih jauh, hasil penelitian ini juga dapat dikaitkan dengan konsep Environmental Kuznets Curve (EKC)19, yang menjelaskan bahwa pada tahap tertentu, peningkatan aktivitas ekonomi dapat diikuti oleh perbaikan kualitas lingkungan akibat meningkatnya kesadaran lingkungan dan kapasitas pengelolaan yang lebih baik.

Di sisi lain, variabel kepadatan penduduk menunjukkan pengaruh negatif dan signifikan terhadap IKLH dengan koefisien sebesar -0,0223 dan probabilitas sebesar 0,0430. Hal ini mengindikasikan bahwa setiap peningkatan kepadatan penduduk akan memberikan tekanan terhadap kualitas lingkungan hidup. Secara empiris, peningkatan kepadatan penduduk cenderung meningkatkan volume limbah domestik, mempercepat konversi lahan, serta meningkatkan tekanan terhadap sumber daya alam, yang pada akhirnya menurunkan kualitas lingkungan hidup. Hasil ini sejalan dengan teori dan temuan empiris sebelumnya yang menyatakan bahwa tekanan demografi merupakan salah satu faktor utama yang memengaruhi degradasi lingkungan, terutama di wilayah dengan kapasitas daya dukung yang terbatas. Kepadatan penduduk yang tinggi juga meningkatkan intensitas aktivitas ekonomi informal dan penggunaan lahan yang tidak terkontrol, sehingga memperburuk kondisi ekologis secara keseluruhan.

Hasil penelitian secara keseluruhan mengungkapkan bahwa kualitas lingkungan hidup di Indonesia dipengaruhi oleh interaksi yang kompleks antara mobilitas transportasi dan tekanan demografi. Mobilitas transportasi yang tercermin dari jumlah kendaraan bermotor tidak selalu berdampak negatif secara langsung, melainkan dapat berkorelasi dengan kapasitas ekonomi dan fiskal yang mendukung perbaikan lingkungan. Sebaliknya, tekanan demografi yang tercermin dari kepadatan penduduk cenderung memberikan dampak langsung yang negatif terhadap daya dukung lingkungan.

Kesimpulan

Penelitian ini menganalisis pengaruh JKB dan kepadatan penduduk terhadap kualitas lingkungan hidup di Indonesia dengan memakai data panel 34 provinsi periode 2018–2022 dengan pendekatan Fixed Effect Model (FEM). Hasil menyatakan bahwasanya jumlah kendaraan bermotor dan kepadatan penduduk berpengaruh signifikan terhadap Indeks Kualitas Lingkungan Hidup (IKLH), dengan arah pengaruh positif pada kendaraan bermotor dan negatif pada kepadatan penduduk. Temuan ini mengindikasikan bahwa hubungan antara mobilitas transportasi dan kualitas lingkungan tidak selalu linear, sementara tekanan demografi secara konsisten menurunkan daya dukung lingkungan. Secara implikatif, diperlukan kebijakan yang menyeimbangkan pertumbuhan mobilitas dengan penguatan pengelolaan lingkungan serta pengendalian kepadatan penduduk, dengan tetap mempertimbangkan keterbatasan penelitian yang belum memasukkan variabel lain di luar model.Bottom of Form

Referensi

[2]P. P. Walsh, A. Banerjee, and E. Murphy, “The UN 2030 Agenda for Sustainable Development,” in Sustainable Development Goals Series, 2022, pp. 1–12. doi: https://doi.org/10.1007/978-3-031-07461-5_1.

[3]R. Aldilla, R. Restiatun, and A. Afrizal, “Faktor – Faktor yang Mempengaruhi Indeks Kualitas Lingkungan Hidup (IKLH) di Indonesia,” J. Ilmu Lingkung., vol. 22, no. 6, pp. 1494–1503, 2024, doi: https://doi.org/10.14710/jil.22.6.1494-1503.

[4]W. Darajati et al., Indonesia Biodiversity Strategy and Action Plan 2015-2020. Jakarta, Indonesia: BAPPENAS, 2014.

[5]Direktorat Jenderal Pengendalian Pencemaran dan Kerusakan Lingkungan, “Indeks Kualitas Lingkungan Hidup Indonesia Tahun 2024,” Jakarta, Indonesia, 2024.

[6]S. U. A. Luhung and A. F. Yuniasih, “Factors Affecting the Environmental Quality Index in Indonesia, 2017-2021,” in Seminar Nasional Official Statistics, 2023, pp. 787–796. doi: https://doi.org/10.34123/semnasoffstat.v2023i1.1850.

[7]D. T. Saputri and A. A. Pratama, “Spatial Panel Data Approach on Environmental Quality in Indonesia,” in Proceedings of The International Conference on Data Science and Official Statistics, 2022, pp. 471–481. doi: https://doi.org/10.34123/icdsos.v2021i1.135.

[8]L. A. Qodri and S. Tri Wahyudi, “Nexus between Issue of Environmental Pollution and the Urban Population: Evidence of Economic Growth in Indonesia,” J. Econ. Res. Soc. Sci., vol. 5, no. 2, p. Layouting, 2021, doi: https://doi.org/10.18196/jerss.v5i2.12453.

[9]W. Perwithosuci, M. Anas, N. Hidayah, R. N. Putri, and H. Z. Hadibasyir, “Environmental quality, economic growth and population density: A panel study in Indonesia,” Optim. J. Ekon. dan Pembang., vol. 15, no. 1, pp. 154–163, 2025, doi: https://doi.org/10.12928/optimum.v15i1.12559.

[10]M. A. Patra Yuda and I. Idris, “Analisis Kepadatan Penduduk, Pertumbuhan Ekonomi dan Anggaran Lingkungan terhadap Kualitas Lingkungan Hidup di Indonesia,” J. Kaji. Ekon. dan Pembang., vol. 4, no. 2, p. 53, 2022, doi: https://doi.org/10.24036/jkep.v4i2.13362.

[11]A. Yani, R. Restiatun, and N. Nuratika, “Indeks Kualitas Lingkungan Hidup Dan Determinannya: Studi Kasus Di Indonesia,” J. Ekon. Pembang., vol. 12, no. 3, pp. 178–186, 2023, doi: https://doi.org/10.23960/jep.v12i3.2132.

[12]Badan Pusat Statistik, “STATISTIK LINGKUNGAN HIDUP INDONESIA 2022,” Jakarta, Indonesia, 2022. [Online]. Available: https://www.bps.go.id

[13]M. I. Ilham, “Economic Development and Environmental Degradation in Indonesia: Panel Data Analysis,” J. Ekon. Stud. Pembang., vol. 22, no. 2, p. Layouting, 2021, doi: https://doi.org/10.18196/jesp.v22i2.7629.

[14]N. J. Hafidhah, Y. Sukmawaty, and Y. Rahkmawati, “Pemodelan Regresi Spasial Berbasis Area Pada Indeks Kualitas Lingkungan Hidup ( IKLH ) di Provinsi Kalimantan Selatan,” J. Wil. DAN Lingkung., vol. 13, pp. 41–60, 2025, doi: https://doi.org/10.14710/jwl.13.3.41-60.

[15]A. R. Noormalitasari and A. Setyadharma, “Determinants of Environment Quality Index In Indonesia,” Effic. Indones. J. Dev. Econ., vol. 4, no. 2, pp. 1174–1187, 2021, doi: https://doi.org/10.15294/efficient.v4i2.45107.

[16]R. B. Napitupulu et al., Business research techniques and data analysis using SPSS, STATA, and Eviews. Medan, Indonesia: USU Press, 2021.

[17]T. A. Basuki and I. Yuliadi, Electronic Data Processing (SPSS 15 dan EViews 7), vol. 1. Yogyakarta, Indonesia: Danisa Media, 2014. [Online]. Available: http://repository.umy.ac.id/handle/123456789/2054

[18]F. Ekonomi, D. Bisnis, and U. Lampung, “Al-Zayn: Jurnal Ilmu Sosial & Hukum,” Al-Zayn J. Ilmu Sos. Huk., pp. 2705–2716, 2026, doi: https://doi.org/10.61104/alz.v4i2.4714.

[19]H. A. Zahro, “Determinan Indeks Kualitas Lingkungan Hidup : Studi Kasus Delapan Provinsi di Indonesia,” J. Econ. Manag. Sci. (JEMS)., pp. 678–687, 2025, doi: https://doi.org/10.37034/jems.v7i4.206.

[20]M. Z. Mazwan and A. Tain, “Analisis Environmental Kuznets Curve (Menyeimbangkan Industri Hijau dan Degradasi Lingkungan di Indonesia),” J. Ilm. Membangun Desa dan Pertan., vol. 9, no. 6, pp. 561–572, 2024, doi: https://doi.org/10.37149/jimdp.v9i6.1627.