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

1

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 Mahasiswa dengan email : Botoy@ymail.com

2 Staf Pengajar pada Program Studi Matematika, Universitas Pakuan Bogor

2 Latar Belakang

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 laki- laki 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.

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.

Manfaat Penelitian

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 𝑦_𝑖 = 𝑏₀+ 𝑏₁𝑥_1𝑖+ 𝑏₂𝑥_2𝑖+ 𝜀_𝑖

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 Kolmogorov- Smirnov. 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.

3 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 :

2 1

2 2 1

) (

ˆ ) ( JKT

JKR

y y

y y

R _n

i i n

i

















Keterangan :

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











 



 















 



 







 







 



































2

1 1

2 2

1 1

2

1 1

1

n

i i n

i i n

i i n

i i

n

i i n

i i n

i i i

Y Y

n X X

n

Y X

Y X n r

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



1 ²

 

^{2 2}



2 1

1 1

y 1

) ( )

X ( X n

Y) ( ) X ( - Y X

= n r

Y Y

n  















2 ²

 

^{2 2}



2 2

2 2

y 2

) ( )

X ( X n

Y) ( ) X ( - Y X

= n r

Y Y

n  













 

2 ²



2 2 2 1 2

1

2 1 2 1 12

) ( )

X ( X n

) X ( ) X ( - X X

= n r

X X

n  













2 12

12 2 1 2 2 2 1

12 1

= 2

Ry r

r r r r

r_{y y y y}







Keterangan:

R_y1 =Koefisien korelasi variabel Y terhadapX₁ Ry2 =Koefisien korelasi variabel Y terhadapX2 R12 = Koefisien korelasi variabel X1 dan X2 R_y12 = Koefisien korelasi ganda

n = Banyaknya sampel

Regresi dengan Variabel Dummy

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

𝑌_𝑖 = 𝛼₀+ 𝛼₁𝐷_𝑖 + 𝛽𝑋_𝑖 + 𝜀_𝑖

Dengan mengasumsikan bahwa 𝐸(𝜀_𝑖) = 0, maka diperoleh nilai ekspetasi dan variabel respon untuk masing-masing 𝐷_𝑖 adalah:

𝐸(𝑌_𝑖|𝑋_𝑖, 𝐷_𝑖 = 0) = 𝛼₀+ 𝛽𝑋_𝑖 𝐸(𝑌𝑖|𝑋_𝑖, 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 𝛼_𝑖 = 𝛽₂ = 0 secara simultan dapat dilakukan dengan teknik ANOVA.

Analisis Ragam (ANOVA)

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:

4 Tabel 1. Analisis Ragam Regresi

RKG RKR hitung

F

galat db

JKG dbreg

JKR JKG JKR

n

i yi

yi n i

i y y

















 





 





Hitung Kuadrat Rataan

RKG

Regresi Kuadrat

Rataan RKR

Total Kuadrat Jumlah

JKT

)2 1

ˆ ( Galat

Kuadrat Jumlah

JKG

)2 1

(ˆ Regresi

Kuadrat Jumlah

JKR

: Keterangan

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 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.

METODOLOGI PENELITIAN 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.

Diagram Alur Tahap Penelitian

Gambar 1. Tahapan Penelitian

Sumber Ragam

Derajat Bebas

Jumlah Kuadrat

Rataan

Kuadrat F_hitung F_tabel

Regresi k - 1 JKR RKR RKR/

RKG

F_{α (dbr,}

dbg)

Galat n – k JKG RKG

Total n – 1 JKT

Tidak

Ya Mulai

Pengumupulan Data

Penguji an Penyusunan

Model

Pendugaan Parameter

Analisis Ragam

Pengambilan Keputusan

Selesai

5 Pengumpulan Data

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

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, … . 𝑥_𝑘. Maka dapat dibentuk dalam suatu persamaan:

𝑌_𝑖= 𝛽₀+ 𝛽₁𝑋_𝑖1+ 𝛽₂𝑋_𝑖2+ 𝛽₃𝑋_𝑖3+ … + 𝛽_𝑘𝑋_𝑖𝑘

Regresi linier dalam suatu persamaan adalah sebagai berikut:

𝑌̂_𝑖= 𝑦_𝑖= 𝛽₀+ 𝛽₁𝑋_𝑖1+ 𝛽₂𝑋_𝑖2+ 𝛽₃𝑋_𝑖3+ … + 𝛽_𝑘𝑋_𝑖𝑘+ 𝜀_𝑖

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:

𝑌_𝑖 = 𝛼₀+ 𝛼₁𝐷_𝑖+ 𝛽𝑋_𝑖+ 𝜀_𝑖

Pengujian Asumsi

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.

Pendugaan Parameter

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

Hipotesis analisis ragam serta kriteria keputusannya yaitu :

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

atau X3 atau X1, X2 dan X3 yang mempengaruhi)

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.

Pengambilan Keputusan

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

HASIL DAN PEMBAHASAN Pengumpulan Data

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.

Penyusunan Model

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:

6 Ŷ = 145,067 – 25,042 X1 – 13,487 X2

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.

Pengujian Asumsi Klasik Regresi Linier 1. Uji Normalitas

Berdasarkan perhitungan menggunakan software SPSS 17.0 dapat dilihat sebagai berikut :

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 Heteroskeditas menggunakan SPPS 17.0.

Tabel 4. Uji Keragaman Variansi

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).

3.

Uji Autokorelasi

Berikut output uji Heteroskeditas menggunakan SPPS 17.0.

Tabel 5. Model Sisaan

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 Heteroskeditas menggunakan SPPS 17.0.

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

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.

7 Analisis Korelasi

Pendugaan parameter regresi yang digunakan yaitu menggunakan korelasi ganda.

Dengan rumus perhitungan sebagai berikut :

   

  

  

  

-0,531 0,53068

-

=

5339,02

= -

5339,02

= -

193,12 5339,02

= -

5433561 -

5957678 13271,04

- 13464,16

268531,2 -

263192,18

=

(115,2) - 2) (38)(354,3

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

= (38)

Y Y n ) X X

n

Y) ( ) X ( - Y X

= n r

2 2 1 2 1

1 1 y1























68959 , 10060

101217475 524117

) 2331 ( ) 156781 )(

38 (

) ( (

2 2

2

   

  

  

  

-0,393 0,393076

-

=

5339,02

= -

5644

= -

352 5644

= -

5433561 -

5957678 484

- 836

51282 - 45638

=

(22) - (38)(22)

(2331) (22) - (1201)

= (38)

Y Y n ) X X

n

Y) ( ) X ( - Y X

= n r

2 2 2 2 2

2 2

y2























67956 , 13582

184489184 524117

) 2331 ( ) 156781 )(

38 (

) ( (

2 2 2

  

  

  

  

0,144 0,14359

=

37,44

=

37,44

=

193,12 37,44

=

484 - 836 13271,04 -

13464,16

2534,4 - 2571,84

=

(115,2) - 2) (38)(354,3

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

= (38)

X X

n ) X X

n

) X ( ) X ( - X X

= n r

2 2 1 2 1

2 1 2 1 12























72637 , 260

24 , 67978

352

) 22 ( ) 22 )(

38 (

) ( (

2 2 2 2 2

0,62 5 0,61990134

=

=

=

=

=

r

r r r r

= r

Ry₁₂ ^{y y y y}





























384277677 ,

0

979264 , 0

376309296 ,

0

020736 , 0 1

) 030050352 ,

0 ( 2 154449 , 0 281961 , 0

) 144 , 0 ( 1

) 144 , 0 )(

393 , 0 )(

531 , 0 ( 2 ) 393 , 0 ( ) 531 , 0 (

1 2

2 2 2

2 12

12 2 1 2 2 2 1

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.

Koefisien Determinasi

Nilai koefisien determinasi sebagai berikut :

%

100%

x

x 45) (0,6199013

100%

x R R

2 y

43 , 38

% 4277677 ,

38

) 384277677 ,

0 (

% 100

2 12 . 2











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.

Analisis Ragam (ANOVA)

Berikut perhitungan dalam analisis ragam yaitu :

34211 , 38 61

110 ...

54

1  78   



 n n i Yi Y

8 JKR = Jumlah Kuadrat Regresi

JKT = Jumlah Kuadrat Total

6 , 13792

8 , 8289 8

, 5502









JKR JKG

JKG = Jumlah Kuadrat Galat

RKR = Rataan Kuadrat Regresi

4 , 2751 2

8 , 5502





 dbreg

JKR

RKG = Rataan Kuadrat Galat

85 , 236

35 8 , 8289







galat db

JKG

617 , 11 616635 ,

85 11 , 236

4 ,

2751  



 RKG RKR hitung

F

Berdasarkan hasil perhitungan tersebut, dinyatakan dalam bentuk tabel analisis ragam (ANOVA) yaitu :

Tabel 7. Hasil Perhitungan Analisis Ragam Regresi

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.

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 F_tabel = 3,2674 ternyata F_hitung > F_tabel yaitu 11,617 < 3,2674 maka keputusannya yaitu Tolak H0 artinya IPK dan jenis kelamin mempengaruhi lama masa studi.

KESIMPULAN DAN SARAN 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 F_tabel, 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 :

Ŷ = 145,067 – 25,042 X1 – 13,487 X2

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

9 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.

Saran

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.

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-women- claims-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. Basic Econometrics.4^thed.New York:

McGraw-Hill Companies,Inc

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

Marwanto, E. 2011. Beberapa Penyebab Mahasiswa Lama Di Kampus.

(http://www.ekomarwanto.com/201 1/06/beberapa-penyebab-

mahasiswa-lama.html). Artikel.

[Selasa, 26 maret 2013].

Meighan, Roland. 1981. Sociology Of Educating. New York:Holt Education.

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..

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.