PROSIDING Seminar Nasional Statistika | 12 - Statday

PROSIDING
Seminar Nasional Statistika | 12 November 2011
ISSN : 2087-5290.
Vol 2, November 2011
(R.12)
MODEL TOBIT SPASIAL UNTUK MENGIDENTIFIKASI
FAKTOR-FAKTOR YANG BERPENGARUH TERHADAP
TINGKAT PENGANGGURAN TERBUKA (TPT) PEREMPUAN
Defi Yusti Faidah1, Ismaini Zain2 dan Purhadi3
1Mahasiswa S2 Jurusan Statistika FMIPA-ITS
2,3Dosen Jurusan Statistika FMIPA-ITS
[email protected], [email protected]
[email protected]
Abstrak
Salah satu tujuan Millenium Development Goals yaitu mendorong kesetaraan gender dan
pemberdayaan perempuan. Akan tetapi pada kenyataannya, kesempatan perempuan untuk
memperoleh lapangan pekerjaan masih kalah jika dibandingkan dengan laki-laki. Hal ini
terlihat dari masih tingginya Tingkat Pengangguran Terbuka (TPT) perempuan. Ditinjau dari
aspek spasial, TPT perempuan berkaitan dengan kewilayahan. Data TPT perempuan di
masing-masing kabupaten/kota di Pulau Jawa memiliki varians yang cukup bervariasi,
namun sebagian lainnya memiliki nilai yang hampir sama. Data semacam ini disebut dengan
data tersensor. Pendekatan yang dapat digunakan untuk mengatasi data tersensor dan
melibatkan aspek spasial adalah metode regresi tobit spasial. Berdasarkan model yang telah
diperoleh, faktor-faktor yang berpengaruh terhadap TPT perempuan adalah persentase
penduduk yang tinggal di perkotaan, seks rasio, dan tingkat ekonomi.
Kata Kunci : Analisis Spasial, Data Tersensor, Tobit Spasial, TPT Perempuan
1.
PENDAHULUAN
Pengangguran merupakan masalah ketenagakerjaan yang dihadapi negara-negara
berkembang seperti Indonesia. Masih tingginya jumlah pengangguran perempuan
merupakan masalah yang cukup serius mengingat salah satu tujuan Millenium Development
Goals adalah mendorong kesetaraan gender dan pemberdayaan perempuan. Akan tetapi pada
kenyataannya, kesempatan perempuan untuk memperoleh lapangan pekerjaan masih kalah
jika dibandingkan dengan laki-laki. Hal ini terlihat dari masih tingginya Tingkat
Pengangguran Terbuka (TPT) perempuan di Pulau Jawa. Data TPT perempuan di masingmasing kabupaten/kota di Pulau Jawa memiliki varians yang cukup bervariasi, namun
sebagian lainnya memiliki nilai yang hampir sama. Data semacam ini disebut dengan data
tersensor. Menurut Greene (2008), analisis statistik yang digunakan adalah regresi tobit.
Selain itu diduga terdapat dependensi antar wilayah sehingga diperlukan analisis yang
melibatkan aspek spasial dalam pemodelan TPT perempuan.
Fischer & Getis (2010) mengatakan bahwa kajian pemodelan data tersensor yang
melibatkan wilayah sebaiknya menggunakan analisis spasial. Metode yang paling sesuai
Jurusan Statistika-FMIPA-Unpad 2011
189
PROSIDING
Seminar Nasional Statistika | 12 November 2011
ISSN : 2087-5290.
Vol 2, November 2011
adalah metode regresi tobit spasial. Selanjutnya, Myoung-jae Lee (2010) juga menyatakan
bahwa pendekatan tobit spasial lebih disarankan bagi analisis yang melibatkan data
tersensor dan wilayah. Penelitian tentang regresi tobit spasial pernah dilakukan oleh
Langyintuo & Merkuria (2008) yang diaplikasikan pada penggunaan varietas jagung
unggulan oleh petani di Mozambique. Kaliba dkk., (2002) menggunakan pendekatan tobit
spasial untuk menganalisis data pertanian di Tanzania.
Kajian pada penelitian ini adalah menganalisis faktor-fakor yang mempengaruhi TPT
perempuan di pulau Jawa dengan menggunakan model regresi tobit dan tobit spasial.
Diharapkan penggunaan model tobit spasial ini, mampu menghasilkan model TPT
perempuan yang spesifik di setiap daerah sehingga semakin informatif dan aplikatif sehingga
dapat diketahui faktor-faktor yang berpengaruh terhadap TPT perempuan di Pulau Jawa.
2.
TINJAUAN PUSTAKA
Tinjauan pustaka yang digunakan dalam penelitian ini antara lain model regresi
tobit, regresi spasial, regresi tobit spasial dan konsep pengangguran.
Regresi Tobit
Regresi tobit (Truncated Regression) atau biasa disebut regresi tersensor merupakan
analisis regresi yang digunakan untuk menggambarkan hubungan antara variabel dependen
(Y) dan variabel independen (X) dimana variabel dependen tersebut berskala campuran.
Istilah tobit pertama kali dikemukakan oleh James Tobin pada 1958 yang digunakan untuk
menganalisis pengeluaran para rumah tangga di Amerika Serikat untuk membeli mobil
(Tobin, 1958). Pemodelan regresi tobit diawali dengan memperhatikan model sebagai
berikut (Greene , 2008) :
y i*  x Ti β   i
(1)
*
i
dengan y adalah variabel laten dependen yang diobservasi untuk nilai yang lebih
T
besar dari c dan tersensor untuk nilai lainnya, x i adalah vektor variabel bebas

x Ti  1 X 1i
β   0
 X pi

,
adalah
β
vektor
parameter
koefisien,
dengan


T
1   k  , dan  i adalah error yang diasumsikan berdistribusi N 0,  2 .
Nilai observasi y i , i  1,2,..., n diperoleh dari persamaan (1) sehingga untuk persamaan data
tersensor adalah
*
untuk yi  c
c
yi 
*
i
T
i
(2)
y  x β   i untuk lainnya
Jurusan Statistika-FMIPA-Unpad 2011
190
PROSIDING
Seminar Nasional Statistika | 12 November 2011
yi* berdistribusi normal dengan mean xTi β dan varians
ISSN : 2087-5290.
Vol 2, November 2011
, dengan mengikuti distribusi
normal maka diperoleh nilai probabilitas data tersensor dan tidak tersensor sesuai dengan
persamaan (3). Nilai  adalah cumulative distribution function (cdf) dari distribusi normal
standar.

Pr yi  c | xi   Pr xTi β   i  c | xi

 Pr  i  c  xTi β | xi



c  x Ti β 
 Pr i 
x i 




T
 c  xi β 

 





(3)

c|x 
Pr yi  c | xi   Pr xTi β   i  c | xi

 1  Pr xTi β   i
i
T
i
c  x β

 1  

  
 xT β  c 

  i




Model Regresi Spasial
Menurut LeSage (1999) dan Anselin (1988), model umum Spatial Autoregressive
Models (model spasial autoregressive) dinyatakan pada persamaan (4) dan (5).
y  W1y  Xβ  u
(4)
u  W2u  ε
(5)
dengan
ε ~ N(0, 2 I)
Dimana y adalah vektor variabel dependen (n x 1), X matrik variabel independen (n x
(k+1)), βvektor parameter koefisien regresi ((k+1) x 1),  parameter koefisien spasial lag
variabel dependen,  parameter koefisien spasial lag pada error, udan ε error (n x 1),
dan
W2 matrik pembobot (n x n),
W1
I matrik identitas, berukuran n x n, n banyaknya amatan
atau lokasi (i=1,2,3,...,n), dan k banyaknya variabel independen (k=1,2,3,...,n).
Jurusan Statistika-FMIPA-Unpad 2011
191
PROSIDING
Seminar Nasional Statistika | 12 November 2011
ISSN : 2087-5290.
Vol 2, November 2011
Model Regresi Tobit Spasial
Model regresi tobit spasial merupakan gabungan antara model regresi tobit dan model
spasial. Menurut Lesage & Pace (2009) regresi tobit tidak dapat digunakan ketika data
tersensor pada variabel dependen terdapat dependensi antar wilayah. Pendekatan regresi
tobit spasial ini digunakan untuk mengatasi data tersensor pada variabel dependen yang
melibatkan aspek wilayah (Fisher& Getis, 2010). Bentuk umum model regresi tobit spasial
merupakan hasil rekontruksi persamaan (2) dengan persamaan (4).
c untuk y i*  c
(6)
yi 
yi*  W1y  Xβ  W2u  ε untuk lainnya
Berdasarkan persamaan (5) jika W2 = 0 atau λ = 0 maka akan mengikuti model SAR.
Apabila W1 = 0 atau ρ = 0 maka akan menjadi model SEM dan ketika W1 , W2  0 ,   0 , atau
  0 maka disebut model SARMA.
Konsep Pengangguran
Indikator yang biasa digunakan untuk mengukur pengangguran adalah Tingkat
Pengangguran Terbuka (TPT). Tingkat Pengangguran Terbuka (TPT) adalah perbandingan
antara jumlah penganggur dengan jumlah angkatan kerja danbiasanya dinyatakan dalam
persen. Ukuran ini dapat digunakan untuk mengindikasikan seberapa besar penawaran
kerja yang tidak dapat terserap dalam pasar kerja di sebuah negara atau wilayah (BPS,
2009).
3.
METODE PENELITIAN
Pada bagian ini dibahas sumber data, variabel penelitian beserta metode analisis yang
digunakan.
Sumber Data
Data yang digunakan adalah data sekunder yang yang diperoleh dari Badan Pusat
Statistik (BPS) yaitu data Survei Sosial Ekonomi Nasional (Susenas) dan Survei Angkatan
Kerja Nasional (Sakernas) tahun 2010. Pada penelitian ini yang dijadikan unit observasi
adalah 118 kabupaten/kota di Pulau Jawa.
Jurusan Statistika-FMIPA-Unpad 2011
192
PROSIDING
Seminar Nasional Statistika | 12 November 2011
ISSN : 2087-5290.
Vol 2, November 2011
Variabel Penelitian
Variabel respon dalam penelitian ini adalah TPT perempuan dimana nilai c yang
digunakan adalah 7,14. Hal ini karena pada umumnya nilai TPT perempuan Indonesia pada
tahun 2010 mencapai 7,14. Terdapat sembilan variabel prediktor yang digunakan yaitu
persentase penduduk yang tinggal di daerah perkotaan (X1), angka pertumbuhan penduduk
(X2), seks rasio (X3), persentase penduduk yang berpendidikan di atas SLTP (X4), rata-rata
lama sekolah (X5), persentase penduduk yang mampu membaca dan menulis (X6), tingkat
pertumbuhan ekonomi (X7), rata-rata pendapatan perkapita (X8) dan partisipasi angkatan
kerja (X9).
Metode Analisis
Langkah awal untuk memodelkan TPT perempuan adalah membentuk model regresi
tobit. Untuk mengetahui adanya pengaruh spasial dilakukan pengujian dengan menggunakan
Lagrange Multiplier (LM). Menetapkan matriks pembobot spasial area yaitu Queen Contiguity.
Memodelkan variabel dependen dan variabel independen dengan menggunakan matriks
penimbang spasial. Mengestimasi parameter dengan menggunakan Maximum Likelihood
Estimator. Membandingkan model regresi tobit dengan regresi tobit spasial.
4. HASIL DAN PEMBAHASAN
Pada bagian ini diuraikan tentang persebarn TPT perempuan dan fakor-faktor yang
mempengaruhinya dengan menggunakan model regresi tobit dan tobit spasial.
Deskripsi TPT Perempuan
Pulau Jawa adalah salah pulau di Indonesia dengan penduduk 136 juta, pulau ini
merupakan pulau berpenduduk terpadat. Secara administratif terbagi menjadi empat
provinsi, yaitu Jawa Barat, Jawa Tengah, Jawa Timur, dan Banten; serta dua wilayah khusus,
yaitu DKI Jakarta dan DI Yogyakarta. Persebaran TPT perempuan di Pulau Jawa menurut
kabupaten/kota disajikan pada Gambar I. Degradasi warna menunjukkan besaran nilai dari
TPT perempuan, semakin gelap warnanya maka TPT perempuan semakin tinggi, sebaliknya
semakin terang warnanya semakin rendah nilai TPT daerah tersebut. Pada umumnya TPT
perempuan di Provinsi Jawa Timur cenderung lebih rendah jika dibandingkan dengan
provinsi lain di Pulau Jawa. Akan tetapi terdapat sekelompok Kabupaten/Kota yang memiliki
angka TPT perempuan yang relatif tinggi yaitu disekitar Kota Surabaya.
Jurusan Statistika-FMIPA-Unpad 2011
193
PROSIDING
Seminar Nasional Statistika | 12 November 2011
ISSN : 2087-5290.
Vol 2, November 2011
Gambar 1 Persentase TPT Perempuan Menurut Kabupaten/Kota 2010
Kabupaten/kota di Pulau Jawa yang memiliki TPT perempuan yang cukup tinggi adalah
Kota Tangerang (20,07 persen), Tangerang (20,85 persen), Kota Sukabumi (21,38 persen),
Kota Bogor (21,80 persen), Serang (23,48 persen), Kota Serang (25,16 persen) dan Kota
Cilegon (28,88 persen). Selain itu, berdasarkan Gambar I dapat diketahui bahwa daerahdaerah yang berdekatan cenderung mempunyai TPT yang relatif sama, sehingga tampak
terjadi pengelompokan-pengelompokan wilayah berdasarkan nilainya. Oleh karena TPT
perempuan merupakan data tersensor maka untuk melakukan permodelan dengan pola-pola
tersebut adalah melalui permodelan tobit spasial dengan pendekatan area dan dibandingkan
dengan model regresi tobit.
Pemodelan Regresi Tobit
Hasil estimasi pemodelan regresi tobit dengan menggunakan regresi tobit disajikan
pada Tabel 1. Untuk mengetahui apakah kesembilan variabel prediktor tersebut berpengaruh
atau tidak dilakukan pengujian terhadap masing-masing parameter. Hipotesis yang
digunakan adalah
H0 :
 k  0 , k  1,2, ,9
H1 :
k  0
H0 ditolak apabila t hitung  t atau menggunakan P-value   yang berarti bahwa
2
k
bepengaruh pada model. Berdasarkan hasil yang diperoleh dari Tabel 1 diperoleh dua
variabel prediktor yang berpengaruh secara signifikan terhadap TPT perempuan yaitu
persentase penduduk yang tinggal di perkotaan (X1) dan seks rasio (X3). Hal ini karena nilai
P-value dari kedua variabel tersebut kurang dari   0.05 Koefisien determinasi (R2) yang
Jurusan Statistika-FMIPA-Unpad 2011
194
PROSIDING
Seminar Nasional Statistika | 12 November 2011
ISSN : 2087-5290.
Vol 2, November 2011
dihasilkan adalah 60.53 persen. Hal ini mengindikasikan bahwa model regresi tobit mampu
menjelaskan variasi dari TPT perempuan sebesar 60.53 persen, sedangkan sisanya (39.47
persen) dijelaskan oleh variabel lain diluar model.
Tabel 2. Estimasi Parameter Model Regresi Tobit
Variabel
Estimasi
t
P-Value
constant
-21.53423
X1
0.06847
X2
-0.13274
X3
0.33128
X4
0.00739
X5
-0.34582
X6
-0.07620
X7
-0.35669
X8
-0.00002
X9
0.01194
Ket : *) signifikan pada α = 5%
-1.59851
3.54033
-0.34571
2.45051
0.05339
-0.22373
-0.57722
-1.01550
-1.67418
0.16124
0.10993
0.00040*
0.72956
0.01427*
0.95743
0.82296
0.56379
0.30987
0.09410
0.87190
Identifikasi Efek Spasial
Identifikasi efek spasial dilakukan dengan melihat apakah ada dependensi spasial. Hal
ini penting dilakukan untuk menentukan model spasial manakah yang akan digunakan untuk
memodelkan TPT perempuan. Untuk mengetahui ada atau tidaknya efek spasial dilakukan
pengujian dengan menggunakan statistik Lagrange Multiplier test (Anselin, 1988). Hasil
perhitungan yang diperoleh disajikan pada Tabel 2.
Tabel 2. Uji Dependensi Spasial
Uji Spasial Dependent
Lagrange Multiplier (Lag)
Lagrange Multiplier (Error)
Lagrange Multiplier
(SARMA)
Nilai
8.93345
96
10.2547
352
10.8270
610
PValue
0.0027
999
0.0013
633
0.0044
559
Kesimpulan
Tolak H0
Tolak H0
Tolak H0
Uji Lagrange Multiplier-Lag bertujuan untuk identifikasi adanya dependensi lag atau
spasial autoregressive antar observasi. Hipotesis yang digunakan adalah sebagai berikut:
H0 :   0 (tidak adanya dependensi spasial autoregressive dalam model)
H1 :   0 (ada dependensi spasial autoregressive dalam model)
Jurusan Statistika-FMIPA-Unpad 2011
195
PROSIDING
Seminar Nasional Statistika | 12 November 2011
ISSN : 2087-5290.
Vol 2, November 2011
2
H0 ditolak jika nilai LM   ( ,1) atau P value < α dan dilanjutkan pada model Spatial
Lag Model (Spatial Autoregressive Model). Tabel 2 menunjukkan bahwa p-value LM-lag
kurang dari   0.05 sehingga dapat disimpulkan tolak H0. Hal ini berarti terjadi dependensi
spatial lag.
Uji Langrange Multiplayer (Error) digunakan untuk menguji adanya efek spasial pada
error. Hipotesis yang digunakan adalah sebagai berikut:
H0 :   0 (tidak ada dependensi error spasial)
H1 :   0 (ada dependensi error spasial)
Berdasarkan Tabel.2 dapat diketahui bahwa P-Value dari LM error kurang dari
  0.05 sehingga dapat disimpulkan tolak H0 yang berarti bahwa terdapat dependensi
spasial error. Karena terdapat dependensi spasial lag dan dependensi error spasial maka
model spasial yang dikombinasikan dengan model regresi tobit adalah SARMA.
Model Regresi Tobit Spasial
Berdasarkan uji pengaruh spasial, terdapat dependensi spasial lag dan error spasial
pada data TPT perempuan. Oleh karena itu digunakan regresi tobit spasial dengan model
SARMA. Hasil estimasi parameter model regresi tobit spasial disajikan pada Tabel 3.
Tabel 3. Estimasi Parameter Model Regresi Tobit Spasial
Variabel
Estimasi
t
P-Value
constant
-112.05502
X1
0.13325
X2
-0.82502
X3
1.22918
X4
-0.00063
X5
-0.56353
X6
0.11496
X7
-1.45593
X8
-0.00003
X9
-0.11969
Rho
0.58200
lambda
-0.07660
Ket : *) signifikan pada α = 5%
-4.39099
3.29545
-1.09963
5.20959
-0.00210
-0.17984
0.50993
-2.21262
-1.03223
-0.91631
4.37769
-0.32285
0.00003*
0.00133*
0.27394
0.00000*
0.99833
0.85762
0.61114
0.02903*
0.30427
0.36155
0.00001*
0.74681
Berdasarkan Tabel 3 dapat diketahui bahwa untuk variabel yang berpengaruh secara
signifikan terhadap TPT perempuan adalah adalah persentase penduduk yang tinggal di
Jurusan Statistika-FMIPA-Unpad 2011
196
PROSIDING
Seminar Nasional Statistika | 12 November 2011
ISSN : 2087-5290.
Vol 2, November 2011
perkotaan (X1), seks rasio (X3), dan pertumbuhan ekonomi (X7). Hal ini karena P-value dari
ketiga variabel tersebut kurang dari   0.05 Selain itu, estimasi parameter koefisien lag
variabel dependen (  ) signifikan dalam model karena memiliki P-value yang kurang dari
  0.05 . Akan tetapi untuk estimasi parameter koefisien spasial lag pada error (  )
Hasil estimasi untuk variabel persentase penduduk yang tinggal di perkotaan (X1),
bertanda positif. Hal ini berarti semakin tinggi persentase penduduk yang tinggal di
perkotaan maka akan berdampak pada peningkatan angka TPT perempuan. Rata-rata
persentase penduduk yang tinggal di perkotaan untuk kelompok yang memiliki TPT
perempuan di bawah 7,14 adalah 43,66 persen. Sementara untuk kelompok yang memiliki
TPT perempuan diatas 7,14 adalah 71,38 persen. Hal ini berarti bahwa TPT perempuan di
daerah perkotaan cenderung lebih tinggi. Berbagai macam fasilitas yang ditawarkan di
daerah perkotaan menyebabkan tingginya migrasi desa ke kota yang berpengaruh nyata
terhadap penurunan jumlah angkatan kerja pedesaan. Sebagai akibatnya terjadinya
kelangkaan angkatan kerja di pedesaan dan melimpahnya angkatan kerja di perkotaan
sehingga menyebabkan tingginya TPT di perkotaan.
Koefisien variabel seks rasio bertanda positif yang berarti semakin tinggi seks rasio
maka akan meningkatkan TPT perempuan. Rata-rata seks rasio untuk kelompok
kabupaten/kota yang memiliki TPT perempuan dibawah 7,14 adalah 97,67 persen.
Sedangkan untuk kelompok yang memiliki TPT perempuan diatas 7,14 adalah 101,25 persen.
Hal ini berarti kelompok yang memiliki TPT perempuan diatas 7,14 cenderung jumlah
penduduk yang berjenis kelamin laki-laki lebih banyak daripada perempuan.
Sementara itu hasil estimasi untuk koefisien persentase pertumbuhan ekonomi
bertanda negarif yang berarti bahwa semakin tinggi pertumbuhan ekonomi kabupaten/kota
akan berdampak pada penurunan TPT perempuan. Rata-rata pertumbuhan ekonomi untuk
kabupaten/kota yang memiliki TPT perempuan di bawah 7,14 adalah 5,11 persen. Sementara
untuk kabupaten/kota yang memiliki TPT perempuan diatas 7,14 adalah 4,97 persen.
Koefisien
determinasi (R2)
yang
dihasilkan adalah
99.29 persen. Hal ini
mengindikasikan bahwa model regresi tobit mampu menjelaskan variasi dari TPT
perempuan sebesar 99.29 persen, sedangkan sisanya (0.71persen) dijelaskan oleh variabel
lain diluar model. Model regresi tobit spasial memiliki nilai koefisien determinasi (R 2) lebih
tinggi jika dibandingkan dengan model regresi tobit.
Jurusan Statistika-FMIPA-Unpad 2011
197
PROSIDING
Seminar Nasional Statistika | 12 November 2011
5.
ISSN : 2087-5290.
Vol 2, November 2011
KESIMPULAN
Berdasarkan hasil pembahasan yang telah dilakukan maka diperoleh faktor-faktor yang
berpengaruh terhadap TPT perempuan dengan menggunakan pendekatan model regresi
tobit adalah persentase penduduk yang tinggal di perkotaan (X1) dan seks rasio (X3).
Sementara dengan pendekatan model tobit spasial faktor-faktor yang berpengaruh terhadapa
TPT perempuan adalah persentase penduduk yang tinggal di perkotaan (X1), seks rasio (X3),
dan pertumbuhan ekonomi (X7). Nilai koefisien determinasi (R2) model regresi tobit spasial
lebih tinggi jika dibandingkan dengan model tobit yaitu mencapai 99,29 persen.
6.
DAFTAR PUSTAKA
Anselin, L. (1988), Spatial Econometrics: Methods and Models, Dordrecht: Kluwer Academic.
BPS., 2009. Profil Ketenagakerjaan Provinsi Papua Barat. BPS, Papua Barat.
BPS., 2010. Booklet Agustus 2010. BPS, Jakarta.
Depnakertrans. (2004), Rencana Tenaga Kerja Nasional Tahun 2005, Jakarta:
Depnakertrans.
Fischer, M.M., & Getis, A. (2010), Handbook of Applied Spatial Analysis: Software Tools,
Methods, and Application, New York: Springer.
Greene, W.H. (2008), Econometrics Analysis, 6th edition. New Jersey: Prentice Hall.
Kaliba, A.R. (2002). Dissertation: Participatory Evaluation of Community Based Water and
Sanitation Programes: The Case of Central Tanzania. Mahattan: Kansas State University.
Langyintuo, A.S., & Merkuria, M. (2008). Assesing the Influence of Neighborhood Effects on
the Adoption of Improved Agricultural Technologies in Developing Agriculture. AfJARE,
2(2). 151-169.
LeSage, J., & Pace, R.K. (2009), Introduction to Spatial Econometrics, New York: CRC Press.
Myoung-jae Lee. (2010), Micro-Econometrics: Methods of Moments and Limited Dependent
Variables, 2th edition, New York: Springer.
Tobin, J. (1958), Estimation of Relationships for Limited Dependent Variables. Econometrica,
26(1), 24-36.
Todaro, M. (2000), Pembangunan Ekonomi, Jakarta: Bumi Aksara.
Jurusan Statistika-FMIPA-Unpad 2011
198