PENGARUH KEMAMPUAN AKADEMIK DAN JENIS KELAMIN TERHADAP LAMANYA MASA STUDI MAHASISWA MENGGUNAKAN METODE ANALISIS REGRESI LINIER BERGANDA

PENGARUH KEMAMPUAN AKADEMIK DAN JENIS KELAMIN TERHADAP LAMANYA MASA STUDI MAHASISWA MENGGUNAKAN METODE ANALISIS REGRESI LINIER BERGANDA. Wachyudin Dunda1, Kurniati2, dan Ani Andriyati2. Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Pakuan Bogor

ABSTRAK Masa studi mahasiswa strata satu secara normal adalah 48 bulan (4 tahun). Banyak hal yang menjadi faktor penyebab mahasiswa mengalami keterlambatan dalam menyelesaikan masa studi tepat waktu, sehingga membutuhkan masa studi yang lebih lama dari waktu normal. Faktor-faktor yang menyebabkan masa studi mahasiswa lebih lama adalah mengalami kesulitan dalam menyelesaikan tugas akhir, sibuk mengikuti organisasi atau bekerja (Marwanto, 2011).Analisis regresi berganda bertujuan untuk meramalkan nilai y, jika semua nilai variabel bebas x diketahui. Persamaan regresi linier berganda dibentuk dengan menggunakan metode kuadrat terkecil (Least Square Method). Analisa regresi linier berganda bertujuan untuk mengetahui besarnya pengaruh setiap variabel bebas yang terdapat dalam persamaan. (Supranto, 2004).Perbedaan prestasi akademik mahasiswa di Program Studi Matematika FMIPA UNPAK antara mahasiswa laki-laki dan perempuan. Perbedaan prestasi mahasiswa laki-laki dan perempuan dapat diketahui melalui pencapaian IPK (Indeks Prestasi Kumulatif), mahasiswa lulusan tahun 2005-2008. Oleh karena itu perlu dilakukan penelitian mengenai pengaruh kemampuan akademik dan jenis kelamin terhadap lama masa studi. Penelitian ini menggunakan Metode Regresi Linier Berganda dalam menganalisis pengaruh kemampuan akademik dan jenis kelamin terhadap lama studi mahasiswa.Hasil dari perhiutngan dengan menggunakan metode Analisis Regresi Linier Berganda diperoleh model persamaan regresi Ŷ = 145,067 – 25,042 X1 – 13,487 X2 , bahwa lama masa studi tidak dipengaruhi oleh nilai IPK dan jenis kelamin. .

Kata kunci : Analisis Regresi Linier Berganda, Analisis Ragam, Analisis Korelasi.

1 2

Mahasiswa dengan email : [email protected] Staf Pengajar pada Program Studi Matematika, Universitas Pakuan Bogor

1

Latar Belakang

Manfaat Penelitian

Lama masa studi mahasiswa yang melebihi batas normal dapat menimbulkan pengaruh negatif, terutama opini masyarakat terhadap program studi, sehingga mengurangi ketertarikan masyarakat untuk mengikuti program studi tersebut. Perbedaan prestasi mahasiswa lakilaki dan perempuan dapat diketahui melalui pencapaian IPK (Indeks Prestasi Kumulatif), mahasiswa lulusan tahun 2005-2008, memiliki rata-rata IPK 3,03 yang terdiri dari IPK mahasiswa laki-laki 2,97 dan IPK mahasiswa perempuan 3,08. Data ini menunjukkan bahwa prestasi perempuan lebih baik dibandingkan laki-laki. Berdasarkan fakta-fakta tersebut, dapat diduga bahwa kemampuan akademik dan jenis kelamin mahasiswa di program studi matematika FMIPA UNPAK berpengaruh terhadap lama masa studi. Oleh karena itu perlu dilakukan penelitian mengenai pengaruh kemampuan akademik dan jenis kelamin terhadap lama masa studi. Penelitian ini menggunakan Metode Regresi Linier Berganda dalam menganalisis pengaruh kemampuan akademik dan jenis kelamin terhadap lama studi mahasiswa.

Manfaat penelitian ini adalah sebagai salah satu bahan pertimbangan dalam pengambilan keputusan pada Program Studi Matematika UNPAK Bogor, agar lebih memperhatikan faktor-faktor penyebab lama masa studi mahasiswa sehingga dapat dicari pemecahannya. Manfaat lain yang dari penelitian ini yaitu untuk menambah pengetahuan peneliti tentang penerapan Metode Analisis Regresi Berganda. TINJAUAN PUSTAKA Analisis Regresi Linier Berganda Analisis regresi merupakan salah satu teknik analisis data dalam statistika yang seringkali digunakan untuk mengkaji hubungan antara beberapa variabel dan meramal suatu variabel. Persamaan regresi 𝑦𝑖 = 𝑏0 + 𝑏1 𝑥1𝑖 + 𝑏2 𝑥2𝑖 + 𝜀𝑖

Asumsi Klasik Regresi Linier Ada empat uji asumsi klasik yang sering digunakan, yaitu: 1. Uji Normalitas Pengujian asumsi galat yang berdistribusi normal. Pengujian kenormalan pada galat dilakukan dengan uji KolmogorovSmirnov. Asumsi normalitas terpenuhi ketika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 > 𝛼. 2. Uji Heteroskeditas Uji Heteroskeditas adalah pengujian asumsi ragam pada galat bersifat tidak konstan. 3. Uji Autokorelasi pengujian asumsi galat yang memiliki korelasi pada periode ke-t dengan periode sebelumnya (t-1). 4. Uji Multikolinieritas Pengujian untuk mengetahui ada tidaknya korelasi yang signifikan antara variabel-variabel prediktor atau variabel independen.

Tujuan Penelitian Tujuan penelitian ini adalah untuk menganalisis pengaruh kemampuan akademik dan jenis kelamin terhadap lama masa studi mahasiswa di program studi matematika FMIPA UNPAK. Ruang Lingkup Ruang lingkup yang akan dibahas dalam laporan ini meliputi data kemampuan akademik, jenis kelamin dan lama masa studi dari jumlah lulusan tahun 2005 sampai tahun 2008 Mahasiswa Matematika Fakultas MIPA Universitas Pakuan Bogor.

2

Keterangan: Ry1 =Koefisien korelasi variabel Y terhadapX1 Ry2 =Koefisien korelasi variabel Y terhadapX2 R12 = Koefisien korelasi variabel X1 dan X2 Ry12 = Koefisien korelasi ganda n = Banyaknya sampel

Koefisien Determinasi Koefisien Determinasi atau (R2) merupakan ukuran goodness of fit yang menjelaskan apakah garis regresi linear sesuai data observasi. Rumus untuk mencari nilai koefisien determinasi adalah sebagai berikut :

Regresi dengan Variabel Dummy

n

R2 

 ( yˆ y )

JKR  JKT

2

i 1 n

 ( y y )

Dalam sebuah model regresi semua variabel prediktor merupakan variabel dummy atau gabungan dari variabel kuantitatif dan dummy, dapat dituliskan dalam persamaan regresi sebagai berikut:

2

i

i 1

Keterangan : R2 = Koefisien determinasi JKR = Jumlah Kuadrat Regresi JKT = Jumlah Kuadrat Total

𝑌𝑖 = 𝛼0 + 𝛼1 𝐷𝑖 + 𝛽𝑋𝑖 + 𝜀𝑖 Dengan mengasumsikan bahwa 𝐸(𝜀𝑖 ) = 0, maka diperoleh nilai ekspetasi dan variabel respon untuk masing-masing 𝐷𝑖 adalah:

Analisis Korelasi korelasi adalah suatu ukuran derajat bervariasinya kedua variabel secara bersama– sama atau ukuran keeratan hubungan antara kedua variabel tersebut. Koefisien korelasi Pearson didefinisikan sebagai berikut: n  n  n  n X iYi    X i   Yi  i 1  i 1  i 1  r 2 2  n  n   n 2  n   2 n X i    X i   n Yi    Yi    i 1    i 1  i 1    i 1

𝐸(𝑌𝑖 |𝑋𝑖 , 𝐷𝑖 = 0) = 𝛼0 + 𝛽𝑋𝑖 𝐸(𝑌𝑖 |𝑋𝑖 , 𝐷𝑖 = 1) = (𝛼0 + 𝛼1 ) + 𝛽𝑋𝑖

Jadi jika koefisien intercept 𝛼1 tidak signifikan secara statistik, maka hipotesis bahwa kedua regresi tersebut mempunyai intercept yang sama gagal ditolak. Jika koefisien kemiringan 𝛽2 tidak signifikan secara statistik, maka hipotesis bahwa kedua regresi tersebut mempunyai kemiringan yang sama gagal ditolak, sedangkan pengujian hipotesis 𝛼𝑖 = 𝛽2 = 0 secara simultan dapat dilakukan dengan teknik ANOVA.

Sedangkan untuk menghitung korelasi di antara dua peubah bebas menggunakan rumus korelasi ganda: ry1 =

n X1Y - (X1 ) (Y)

n X

2

1

ry2 =

r12 =



n X 2 Y - (X 2 ) (Y)

n X

2 2



 (X 2 ) 2 nY 2  (Y ) 2

Analisis Ragam (ANOVA)

n X

2



 (X1 ) 2 nX 2  (X 2 ) 2 2

Berdasarkan hasil perhitungan sebelumnya, diperoleh model persamaan regresi dan nilai-nilai penduga parameternya, kemudian dicari keberartian model persamaan regresi tersebut menggunakan analisis ragam. Sebelum melakukan analisis ragam, terlebih dahulu mencari nilai-nilai jumlah kuadratnya. Berikut analisis ragam dalam bentuk tabel:



n X1X 2 - (X1 ) (X 2 ) 1



ry1  ry 2  2ry1ry 2 r12 2

Ry12 =



 (X1 ) 2 nY 2  (Y ) 2

2

1  r12

2

3

Tabel 1. Analisis Ragam Regresi Sumber

Derajat

Jumlah

Rataan

Ragam

Bebas

Kuadrat

Kuadrat

k-1

JKR

RKR

Regresi Galat

n–k

JKG

Total

n–1

JKT

METODOLOGI PENELITIAN

Fhitung

Ftabel

RKR/

Fα (dbr,

RKG

dbg)

Data yang digunakan pada penelitian ini adalah data sekunder yang bersifat kualitatif dan kuantitatif dari Program Studi Matematika FMIPA UNPAK pada mahasiswa lulusan tahun 2005 – 2008.

RKG

Diagram Alur Tahap Penelitian

Keterangan :

Mulai

n JKR  Jumlah Kuadrat Regresi   ( yˆ  y ) 2 i i 1 n JKG  Jumlah Kuadrat Galat   ( y  yˆ ) 2 i i i 1 JKT  Jumlah Kuadrat Total  JKR  JKG JKR RKR  Rataan Kuadrat Regresi  db reg JKG RKG  Rataan Kuadrat Hitung  db galat RKR F  hitung RKG

Pengumupulan Data Penyusunan Model Tidak Penguji an Ya Pendugaan Parameter

Model tersebut diuji keberartian regresi menggunakan beberapa hipotesis. Hipotesis yang diuji adalah sebagai berikut : H0 = Variabel bebas tidak mempengaruhi variabel tidak bebas H1 = Paling sedikit ada satu variabel bebas mempengaruhi variabel tidak bebas

Analisis Ragam

Jika Fhitung > Fα (dbr, dbg) maka H0 ditolak dan H1 diterima, yang berarti memiliki asumsi bahwa variabel bebas memiliki pengaruh terhadap variabel tidak bebasnya. Jika Fhitung < Fα (dbr, dbg) maka H0 diterima atau belum cukup bukti untuk menolak H0.

Pengambilan Keputusan

Selesai

Gambar 1. Tahapan Penelitian

4

Hipotesis analisis ragam keputusannya yaitu :

Pengumpulan Data Pengumpulan data yang diperoleh dari Program Studi Matematika FMIPA Universitas Pakuan.

serta

kriteria

𝐻0 : 𝛽1 = 𝛽2 = 𝛽3 = 0 (X1, X2 dan X3 tidak mempengaruhi Y) 𝐻1 : 𝛽𝑗 = 0 (Paling tidak ada satu, X1 atau X2 atau X3 atau X1, X2 dan X3 yang mempengaruhi)

Penyusunan Model Penyusunan model dengan menggunakan metode analisis regresi linier berganda bertujuan untuk mengetahui besarnya pengaruh setiap variabel bebas yang terdapat dalam persamaan. Secara umum, variablel terikat Y mempunyai hubungan dengan variabel bebas, 𝑥1 , 𝑥2 , … . 𝑥𝑘 . Maka dapat dibentuk dalam suatu persamaan:

H0 diterima jika FHitung ≤ Ftabel (dbgalat; dbregresi) H0 ditolak jika FHitung ≥ Ftabel(dbgalat;dbregresi) Analisis Ragam Suatu cara yang dapat digunakan untuk menguji ragam populasi, dan digunakan untuk menganalisis atas menguraikan seluruh (total) varians atau bagian-bagian yang bermakna.

𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖1 + 𝛽2 𝑋𝑖2 + 𝛽3 𝑋𝑖3 + … + 𝛽𝑘 𝑋𝑖𝑘

Regresi linier dalam suatu persamaan adalah sebagai berikut:

Pengambilan Keputusan

𝑌̂𝑖 = 𝑦𝑖 = 𝛽0 + 𝛽1 𝑋𝑖1 + 𝛽2 𝑋𝑖2 + 𝛽3 𝑋𝑖3 + … + 𝛽𝑘 𝑋𝑖𝑘 + 𝜀𝑖

Dalam model regresi variabel dummy dapat digunakan semudah variabel kuantitatif, dapat juga semua prediktor merupakan variabel dummy, atau gabungan dari variabel kuantitatif dan dummy, persamaannya sebagai berikut:

Pengambil keputusan setelah didapat hasil dari analisis ragam (ANOVA), mendapat hasil penelitian.

HASIL DAN PEMBAHASAN

𝑌𝑖 = 𝛼0 + 𝛼1 𝐷𝑖 + 𝛽𝑋𝑖 + 𝜀𝑖

Pengumpulan Data

Pengujian Asumsi

Data yang digunakan pada penelitian ini adalah data sekunder yang diperoleh dari Program Studi Matematika FMIPA di Universitas Pakuan yang berjumlah 38 lulusan selama periode 2005 hingga 2008 dapat dilihat pada lampiran 1, mencakup kemampuan akademis, jenis kelamin dan lamanya masa studi mahasiswa.

Melakukan pengujian asumsi-asumsi statistik yang memperngaruhi analisis regresi linier berganda yang berbasis Ordinary Least Square (OLS). Apabila pengujian asumsi tidak memenuhi syarat kembali kepenyusunan modelnya dan apabila pengujian asumsi memenuhi syarat dilanjutkan dengan melakukan pendugaan parameter.

Penyusunan Model Pendugaan Parameter

Dengan demikian persamaan regresi lamanya masa studi mahasiswa yang dipengaruhi oleh Indeks Prestasi Kumulatif (IPK) dan Jenis Kelamin antara tahun 2005 sampai dengan 2008 dapat ditentukan dengan persamaan, yaitu:

Pengambilan kesimpulan dari populasi dengan cara memilih ukuran-ukuran deskriptif yang bersifat numerik.

5

Ŷ = 145,067 – 25,042 X1 – 13,487 X2

Berdasarkan Tabel 4. (dengan α = 0,05) di atas menunjukkan bahwa terdapat pola tertentu bila dilihat pada nilai signifikan dari Based on Mean sebesar 0,005 berarti 0,005 < α yang artinya Tolak H0 atau dapat dikatakan bahwa terjadi Heteroskeditas (asumsi ragam pada galat tidak homogen).

Jadi, setiap kenaikan IPK sebesar satu satuan akan menyebabkan turunnya lama masa studi mahasiswa sebesar 25,042 dan untuk setiap kenaikan jenis kelamin sebesar satu satuan akan menurunkan lama masa studi pula sebesar 13,487 satu satuan.

3. Pengujian Asumsi Klasik Regresi Linier 1.

Uji Autokorelasi

Berikut output uji menggunakan SPPS 17.0.

Heteroskeditas

Uji Normalitas Tabel 5. Model Sisaan

Berdasarkan perhitungan menggunakan software SPSS 17.0 dapat dilihat sebagai berikut :

Pada Tabel 5. di atas, menunjukkan nilai Durbin Watson hitung sebesar 1,623 terletak di daerah no autocorrelation karena mendekati angka 2. Sehingga dapat disimpulkan bahwa model tersebut terbebas dari asumsi klasik autokorelasi.

4.

Uji Multikolinieritas

Berikut output uji menggunakan SPPS 17.0.

Heteroskeditas

Tabel 6. Koefisien Regresi Lama Studi dengan IPK dan jenis kelamin

Berdasarkan Gambar 2. menunjukkan bahwa titik-titik pada grafik mendekati atau berhimpit dengan sumbu diagonal atau dapat dikatakan bahwa nilai galat pada model penelitian berdistribusi normal.

2. Uji Heteroskeditas Berikut output uji menggunakan SPPS 17.0.

Heteroskeditas Pada Tabel 6. bahwa nilai VIF dari ke 2 variabel independen adalah memiliki VIP tidak lebih dari 10 dan nilai Tolerance tidak kurang dari 0,1. Maka dapat dinyatakan model regresi linier berganda terbebas dari uji Multikolinieritas.

Tabel 4. Uji Keragaman Variansi

6

Analisis Korelasi Ry 12 =

Pendugaan parameter regresi yang digunakan yaitu menggunakan korelasi ganda. Dengan rumus perhitungan sebagai berikut : r y1 = =

n X

n X 1Y - ( X 1 ) ( Y)



 (X 1 ) 2 nY 2  (Y ) 2

2 1



(38) (6926,11) - (115,2) (2331)

(38)(354,32) - (115,2) (38)(156781)  (2331)  2

=

193,12524117 - 5339,02

=

n X 2 Y - ( X 2 ) ( Y) 2



 (  X 2 ) 2 n Y 2  (  Y ) 2



R 2  R y2.12 x 100%

2

45638 - 51282

=

352524117

 (0,619901345)2 x 100%  (0,384277677) x 100%  38,4277677 %  38,43 %

- 5644

- 5644

Berdasarkan perhitungan tersebut bahwa variasi variabel dari variabel tidak bebas (Y) adalah sebesar 0,3843 atau 38,43% mampu dijelaskan oleh variabel-variabel bebas yang ada di dalam model, sedangkan sisanya 61,57 % dijelaskan oleh faktor lain.

184489184 - 5339,02 = 13582,67956 = - 0,393076  -0,393

n X 1 X 2 - ( X 1 ) ( X 2 )

n X

2 1



 (X 1 ) 2 nX 2 2  (X 2 ) 2

= =



(38) (67,68) - (115,2) (22)

Analisis Ragam (ANOVA)

(38)(354,32) - (115,2) (38)(22)  (22)  2

=

0,376309296 0,979264

Nilai koefisien determinasi sebagai berikut :

(38)(22) - (22) (38)(156781)  (2331)  836 - 4845957678 - 5433561

=

=

(38) (1201) - (22) (2331)

=

r12 =

0,281961  0,154449  2(0,030050352) 1  0,020736

Koefisien Determinasi

2

=

=

Berdasarkan hasil perhitungan, koefisien korelasi antara nilai IPK, jenis kelamin dengan lama masa studi yaitu 0,62 menyatakan nilai tersebut mendekati 1, maka ada hubungan kuat antara IPK, dan jenis kelamin terhadap lama masa studi.

101217475 - 5339,02 = 10060,68959 = - 0,53068  -0,531

2

1  (0,144) 2

= 0,619901345  0,62

- 5339,02

n X

(0,531) 2  (0,393) 2  2(0,531)(0,393)(0,144)

= 0,384277677

263192,18 - 268531,2

13464,16 - 13271,045957678 - 5433561

r y2 =

1  r12 2

2

=

=

=

r y1 2  r y 2 2  2r y1 r y 2 r12

2

Berikut ragam yaitu :

2571,84 - 2534,4

13464,16 - 13271,04836 - 484 37,44

perhitungan

dalam

analisis

n  Yi 78  54  ....... 110 Y  i 1   61,34211 n 38

193,12352 37,44 67978,24

37,44 260,72637 = 0,14359  0,144 =

7

Hipotesis yang diuji adalah sebagai berikut : H0 = IPK dan jenis kelamin tidak mempengaruhi lama masa studi. H1 = IPK dan jenis kelamin mempengaruhi lama masa studi.

JKR = Jumlah Kuadrat Regresi

Keputusan : Berdasarkan perhitungan dengan menggunakan ketentuan tingkat kesalahan 𝛼 = 0,05 dengan db regresi = k-1 = 2 dan db galat = n-k = 35, sehingga didapat nilai dari Ftabel = 3,2674 ternyata Fhitung > Ftabel yaitu 11,617 < 3,2674 maka keputusannya yaitu Tolak H0 artinya IPK dan jenis kelamin mempengaruhi lama masa studi.

JKT = Jumlah Kuadrat Total  JKR  JKG  5502,8  8289,8  13792,6 JKG = Jumlah Kuadrat Galat

KESIMPULAN DAN SARAN RKR = Rataan Kuadrat Regresi JKR  dbreg 5502,8  2  2751,4

Kesimpulan Hasil dari perhitungan menggunakan ANOVA menunjukkan bahwa lamanya masa studi mahasiswa laki-laki dan perempuan memiliki perbedaan yang signifikan, terdapat perbedaan masa studi berdasarkan IPK dan perbedaan IPK dengan jenis kelamin, yaitu berdasarkan perhitungan pada nilai Fhitung yang lebih besar dari Ftabel, yang artinya terdapat perbedaan lama masa studi antara mahasiswa laki-laki dengan perempuan. Dapat dinyatakan bahwa perempuan lebih cepat lulus dari pada laki-laki dan perempuan mempunyai nilai akademik yang lebih baik dari pada laki-laki atau dapat dikatakan bahwa yang memiliki nilai baik berarti cepat lulus. Sehingga model regresi yang diperoleh yaitu :

RKG = Rataan Kuadrat Galat 

JKG dbgalat

8289,8 35  236,85 

RKR 2751,4 Fhitung    11,616635  11,617 RKG 236,85 Berdasarkan hasil perhitungan tersebut, dinyatakan dalam bentuk tabel analisis ragam (ANOVA) yaitu :

Ŷ = 145,067 – 25,042 X1 – 13,487 X2

Tabel 7. Hasil Perhitungan Analisis Ragam Regresi

Penjelasan dari persamaan regresi di atas, bahwa lama masa studi tidak dipengaruhi oleh nilai IPK dan jenis kelamin. Untuk nilai b1 sebesar 25,042 dan b2 sebesar 13,487 merupakan koefisien regresi yang menunjukkan besarnya perubahan lama masa studi mahasiswa untuk setiap kenaikan pada IPK dan jenis kelamin. Jadi, setiap kenaikan 8

IPK sebesar satu satuan akan menyebabkan turunnya lama masa studi mahasiswa sebesar 25,042 dan untuk setiap kenaikan jenis kelamin sebesar satu satuan akan menurunkan lama masa studi pula sebesar 13,487 satu satuan.

Marwanto, E. 2011. Beberapa Penyebab Mahasiswa Lama Di Kampus. (http://www.ekomarwanto.com/201 1/06/beberapa-penyebabmahasiswa-lama.html). Artikel. [Selasa, 26 maret 2013].

Saran

Meighan, Roland. Educating. Education.

Meningkatkan kemampuan akademis pada mahasiswa dengan memberikan model pembelajaran yang tepat serta intensifitas pada mata kuliah dikelas dan memberikan jam tambahan mata kuliah pada mahasiswa, hal ini akan meningkatkan mutu dan kualitas kemampuan akademis yang dapat mengurangi lamanya masa studi, sehingga mahasiswa matematika MIPA Universitas Pakuan akan lulus dengan predikat yang memuaskan dan tepat waktu.

Nugiyantoro, Gunawan. dan Marzuki, 2002. Statistik Terapan Untuk Penelitian Ilmu-Ilmu Sosial, Yogyakarta: Gajah Mada University Press. Steel, Robert GD, dan Torrie, James H. 1991.Prinsip dan Prosedure Statistika. Jakarta: Gramedia Pustaka Utama Supranto, J. 2004. Analisis Multivariat Arti dan Interpretasi.Jakarta :Rineka Cipta..

DAFTAR PUSTAKA Clerkin, Ben and Fiona Macrae. 2006. Men Are More Intelligent Than Women, ClaimsNew Study. Situs http://www.dailymail.co.uk/news/art icle-405056/Men-intelligent-womenclaims-new-study.html, diakses tanggal 10April 2013 Drapper, N and Smith, H. (1992). Analisis Regresi Terapan.Edisi Kedua. Terjemahan Oleh Bambang Sumantri. Jakarta: Gramedia Pustaka Utama. Gujarati,

N.D .2003. th Econometrics.4 ed.New McGraw-Hill Companies,Inc

1981. Sociology Of New York:Holt

Suyanto,

Isbodroini. (2000). “Ideologi Patriarkhi yang Tercermin dalam Berbagai Struktur Masyarakat”, dalam Benih Bertumbuh: Kumpulan Karangan untuk Prof. Tapi Omas Ihromi, Bemmelen dkk. (Ed.), Jakarta: Yayasan Obor Indonesia

Walpole, RE. 1993. Pengantar Statistika Edisi 3. Jakarta: Gramedia.

Basic York:

Haralambos and Holborn. 2004. Sociology: Themes and Perspectives Sixth Edition. London: Harper Collins Publisher, Kutner, M.H., C.J. Nachtsheim.,and J. Neter. 2004. Applied Linear RegressionModels. 4th ed. New York: McGraw-Hill Companies, Inc

9