1 PENDAHULUAN
1.1 Latar Belakang
Infeksi COVID-19 merupakan sebuah penyakit yang disebabkan oleh virus corona yang pertama kali muncul di Wuhan, China, pada akhir 2019. Pada awal kemunculannya, penyakit ini sangat berbahaya karena menyebabkan gangguan pernafasan sehingga menyebar dengan cepat keseluruh dunia termasuk ke Indonesia. COVID-19 berdampak pada banyak sektor. Sektor pertama yang paling terasa yaitu sektor ekonomi, tetapi kemudian juga mempengaruhi sektor pendidikan. Bahkan, PBB menyatakan bahwa pendidikan adalah salah satu sektor yang terkena dampak signifikan dari COVID-19. Akibatnya, Pemerintah Indonesia merespons dengan mengimplementasikan pembelajaran daring melalui Surat Edaran Kemendikbud Nomor 4 Tahun 2020 dan Surat Edaran Sekjen Nomor 15 Tahun 2020 sehingga pembelajaran daring dimulai serentak di seluruh Indonesia pada Maret 2020. Untuk mengukur keefektifan pembelajaran daring, penelitian ini menggunakan metode regresi logistik biner yang membantu menjelaskan hubungan antara variabel respon dan prediktor.
2 TINJAUAN PUSTAKA
2.1 Statistika Deskriptif
Statistika deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan penyajian suatu data sehingga memberikan informasi yang berguna(Walpole, 1995). Statistika Deskriptif adalah suatu metode untuk mengatur, menampilkan, dan menjelaskan data dengan menggunakan tabel, grafik, dan ringkasan.Statistika deskriptif memiliki peran sangat penting dalam rangka penggambaran data, penataan data,penyaringan data dalam rangka menyiapkan data yang valid dan reliabel serta mencari informasi yang terkandung dalam data dalam bentuk yang menarik dan informatif.Metode ini tidak melibatkan inferensi statistik atau generalisasi terhadap populasi yang lebih besar sehingga hanya fokus pada analisis dan interpretasi data yang ada. Statistik deskriptif sering digunakan untuk ringkasan data, seperti menghitung nilai rata-rata, median, variasi, dan persentil, serta membuat diagram, grafik, atau tabel untuk memvisualisasikan data.
2.2 Regresi Logistik
Regresi logistik biner merupakan sebuah metode yang berfungsi untuk menemukan hubungan antara variabel respons (y) dengan variabel prediktor (x). Variabel respon y mempunyai dua kemungkinan hasil, yaitu “sukses” dan “gagal”.Regresi logistik biner menjadi suatu pilihan yang tepat untuk memodelkan probabilitas kejadian dengan variabel respon yang memiliki dua kategori.Regresi logistik tidak secara langsung memodelkan hubungan antara variabel dependen (Y) dan variabel independent (X) karena perlu melalui transformasi variabel dependen menjadi variabel logit yang merupakan logaritma natural dari rasio odds.
2.3 Pengujian Parameter
2.3.1 Uji Serentak
Pengujian ini memiliki tujuan untuk mendeteksi pengaruh antara semua variabel bebas secara bersama-sama terhadap variabel terikat. Uji serentak dilakukan untuk mengetahui siginifikansi koefisien \(\beta\) terhadap variabel terikat secara serentak atau keseluruhan. Uji yang digunakan yaitu Likelihood Ratio Test atau sering disebut sebagai uji \(G\).
\(H_0\):\(𝛽_1\)=\(𝛽_2\)=…=\(𝛽_p\)(tidak terdapat variabel prediktor yang mempengaruhi variabel respon)
\(H_1\):\(𝛽_p\)≠0 (terdapat setidaknya satu variabel prediktor yang mempengaruhi variabel respon) \[ G^{2}= -2(lnL_0 - ln L_1) \] \(L_0\) = Likelihood tanpa variabel prediktor
\(L_1\) = Likelihood dengan variabel prediktor
keputusannya akan tolak \(H_0\) jika \(G^{2}\) > \(X^{2}\) atau \(p-value\) < \(\alpha\)
2.3.2 Uji Parsial
Dalam analisis regresi logistik biner, uji parsial dilakukan untuk mengetahui apakah setiap variabel prediktor memiliki pengaruh yang signifikan terhadap variabel respon, setelah mengkontrol variabel lainnya.Uji parsial sangat penting karena memungkinkan peneliti untuk memahami bagaimana setiap variabel prediktor berinteraksi dan mempengaruhi variabel respon.
\(H_0\):\(𝛽_j\)=0
\(H_1\):\(𝛽_j\)≠0,\(j=1,2,..,p\) \[ W^{2}=( \frac{\beta_j}{SE(\beta_j)})^2 \] keputusannya akan tolak \(H_0\) jika \(W^{2}\) > \(Z\) atau \(p-value\) < \(\alpha\)
3 SOURCE CODE
3.1 Library
3.2 Menginput Data dan Membentuk Data Frame
>
> datacovid19 <- read_excel("C:/Users/hp/Downloads/datacovid19.xlsx",
+ col_types = c("numeric", "numeric", "numeric", "numeric", "numeric","numeric", "numeric"))
> View(datacovid19)
> X1 <- as.factor(datacovid19$X1)
> X2 <- as.factor(datacovid19$X2)
> X3 <- as.factor(datacovid19$X3)
> X4 <- as.factor(datacovid19$X4)
> X5 <- as.factor(datacovid19$X5)
> X6 <- as.factor(datacovid19$X6)
> Y <- as.factor(datacovid19$Y)
> mydata <- data.frame(X1,X2,X3,X4,X5,X6,Y)
> str(mydata)
'data.frame': 400 obs. of 7 variables:
$ X1: Factor w/ 27 levels "9","10","11",..: 1 2 24 20 11 14 21 23 4 16 ...
$ X2: Factor w/ 10 levels "6","7","8","9",..: 5 2 10 8 7 5 6 7 5 7 ...
$ X3: Factor w/ 10 levels "6","7","8","9",..: 4 4 10 10 7 6 9 9 6 5 ...
$ X4: Factor w/ 13 levels "8","9","10","11",..: 4 4 12 12 5 8 11 10 4 10 ...
$ X5: Factor w/ 13 levels "3","4","5","6",..: 6 6 13 13 5 12 13 11 6 13 ...
$ X6: Factor w/ 10 levels "6","7","8","9",..: 4 3 9 8 5 5 7 8 5 7 ...
$ Y : Factor w/ 2 levels "0","1": 1 1 2 2 1 2 2 2 1 2 ...- Variabel Respon: Y = Keefektifan sistem pembelajaran daring pada masa pandemi COVID-19 dengan skala data nominal dimana: 0 = Kurang Efektif, 1 = Efektif.
- Variabel Prediktor: 𝑋1 = Penggunaan Strategi Pembelajaran, 𝑋2 = Kecermatan Penguasaan Perilaku, 𝑋3 = Kurikulum Pembelajaran, 𝑋4 = Motivasi Belajar Mahasiswa, 𝑋5 = Literasi terhadap Teknologi, 𝑋6 = Evaluasi Pembelajaran
3.3 Pie Chart Keefektifan Sistem Pembelajaran Daring
> daringcovid <- table(mydata$Y)
> daringcovid
> kategori <- c("Kurang Efektif = ","Efektif = ")
> persentase <- round(daringcovid/sum(daringcovid)*100)
> kategori <- paste(kategori, persentase)
> kategori <- paste(kategori,'%', sep = '')
> piechard <-pie3D(daringcovid, labels = kategori, col = c('green','red'), main="Keefektifan Sistem Pembelajaran Daring")3.4 Histogram Keefektifan Pembelajaran pada Masa Pandemi Covid-19 berdasarkan Penggunaan Strategi Pembelajaran
3.5 Histogram Keefektifan Pembelajaran pada Masa Pandemi Covid-19 berdasarkan Kecermatan Penguasaan Perilaku
3.6 Histogram Keefektifan Pembelajaran pada Masa Pandemi Covid-19 berdasarkan Kurikulum Pembelajaran
3.7 Histogram Keefektifan Pembelajaran pada Masa Pandemi Covid-19 berdasarkan Motivasi Belajar Mahasiswa
3.8 Histogram Keefektifan Pembelajaran pada Masa Pandemi Covid-19 berdasarkan Literasi terhadap Teknologi
3.9 Histogram Keefektifan Pembelajaran pada Masa Pandemi Covid-19 berdasarkan Evaluasi Pembelajaran
3.10 Pengujian Signifikansi Parameter Secara Serentak
> modellog1 <- glm(datacovid19$Y~datacovid19$X1+datacovid19$X2+datacovid19$X3+datacovid19$X4+datacovid19$X5+datacovid19$X6, data=datacovid19, family=binomial)
> summary(modellog1)
>
> modellog2 <- glm(datacovid19$Y~NULL, data=datacovid19, family=binomial)
> summary(modellog2)
> modellog2$deviance-modellog1$deviance
> (-2*logLik(modellog2))-(-2*logLik(modellog1))
> lrtest(modellog3,modellog1)4 HASIL DAN PEMBAHASAN
4.1 Statistika Deskriptif
4.1.1 Pie Chart Keefektifan Sistem Pembelajaran Daring
> daringcovid <- table(mydata$Y)
> daringcovid
0 1
47 353
> kategori <- c("Kurang Efektif = "," Efektif = ")
> persentase <- round(daringcovid/sum(daringcovid)*100)
> kategori <- paste(kategori, persentase)
> kategori <- paste(kategori,'%', sep = '')
> piechard <-pie3D(daringcovid, labels = kategori, col = c('green','red'), main="Keefektifan Sistem Pembelajaran Daring")
Berdasarkan pie chart diatas, menunjukkan bahwa mayoritas keefektifan
sistem pembelajaran pada masa pandemi COVID-19 berlangsung efektif (𝑌 =
1) dengan presentase sebanyak 88% atau 353 mahasiswa sedangkan
pembelajaran berlangsung kurang efektif (𝑌 = 0) memiliki presentase
sebesar 12% atau 47 mahasiswa.
4.1.2 Histogram Keefektifan Pembelajaran pada Masa Pandemi Covid-19 berdasarkan Penggunaan Strategi Pembelajaran
> counts <- table(mydata$Y,mydata$X1)
> barplot(counts, main="Keefektifan Pembelajaran pada Masa Pandemi Covid-19
+ berdasarkan Penggunaan Strategi Pembelajaran", xlab=" ", col=c("grey", "black"), legend=rownames(counts), beside=TRUE)
Dari histogram diatas, dapat diketahui bahwa efektifnya pembelajaran
pada masa pandemi covid-19 lebih tinggi jika dibandingkan dengan kurang
efektifnya pembelajaran pada masa pandemi covid-19 dilihat dari
penggunaan strategi pembelajaran.
4.1.3 Histogram Keefektifan Pembelajaran pada Masa Pandemi Covid-19 berdasarkan Kecermatan Penguasaan Perilaku
> counts <- table(mydata$Y,mydata$X2)
> barplot(counts, main="Keefektifan Pembelajaran pada Masa Pandemi Covid-19
+ berdasarkan Kecermatan Penguasaan Perilaku", xlab=" ", col=c("grey", "black"), legend=rownames(counts), beside=TRUE)
Dari histogram diatas, dapat diketahui bahwa efektifnya pembelajaran
pada masa pandemi covid-19 lebih tinggi jika dibandingkan dengan kurang
efektifnya pembelajaran pada masa pandemi covid-19 dilihat dari
Kecermatan penguasaan perilaku.
4.1.4 Histogram Keefektifan Pembelajaran pada Masa Pandemi Covid-19 berdasarkan Kurikulum Pembelajaran
> counts <- table(mydata$Y,mydata$X3)
> barplot(counts, main="Keefektifan Pembelajaran pada Masa Pandemi Covid-19
+ berdasarkan Kurikulum Pembelajaran", xlab=" ", col=c("grey", "black"), legend=rownames(counts), beside=TRUE)
Dari histogram diatas, dapat diketahui bahwa efektifnya pembelajaran
pada masa pandemi covid-19 lebih tinggi jika dibandingkan dengan kurang
efektifnya pembelajaran pada masa pandemi covid-19 dilihat dari
kurikulum pembelajaran.
4.1.5 Histogram Keefektifan Pembelajaran pada Masa Pandemi Covid-19 berdasarkan Motivasi Belajar Mahasiswa
> counts <- table(mydata$Y,mydata$X4)
> barplot(counts, main="Keefektifan Pembelajaran pada Masa Pandemi Covid-19
+ berdasarkan Motivasi Belajar Mahasiswa", xlab=" ", col=c("grey", "black"), legend=rownames(counts), beside=TRUE)
Dari histogram diatas, dapat diketahui bahwa efektifnya pembelajaran
pada masa pandemi covid-19 lebih tinggi jika dibandingkan dengan kurang
efektifnya pembelajaran pada masa pandemi covid-19 dilihat dari motivasi
belajar mahasiswa.
4.1.6 Histogram Keefektifan Pembelajaran pada Masa Pandemi Covid-19 berdasarkan Literasi terhadap Teknologi
> counts <- table(mydata$Y,mydata$X5)
> barplot(counts, main="Keefektifan Pembelajaran pada Masa Pandemi Covid-19
+ berdasarkan Literasi terhadap Teknologi", xlab=" ", col=c("grey", "black"), legend=rownames(counts), beside=TRUE)
Dari histogram diatas, dapat diketahui bahwa efektifnya pembelajaran
pada masa pandemi covid-19 lebih tinggi jika dibandingkan dengan kurang
efektifnya pembelajaran pada masa pandemi covid-19 dilihat dari literasi
terhadap teknologi.
4.1.7 Histogram Keefektifan Pembelajaran pada Masa Pandemi Covid-19 berdasarkan Evaluasi Pembelajaran
> counts <- table(mydata$Y,mydata$X6)
> barplot(counts, main="Keefektifan Pembelajaran pada Masa Pandemi Covid-19
+ berdasarkan Evaluasi Pembelajaran", xlab=" ", col=c("grey", "black"), legend=rownames(counts), beside=TRUE)
Dari histogram diatas, dapat diketahui bahwa efektifnya pembelajaran
pada masa pandemi covid-19 lebih tinggi jika dibandingkan dengan kurang
efektifnya pembelajaran pada masa pandemi covid-19 dilihat dari evaluasi
pembelajaran.
4.2 Pengujian Signifikansi Parameter Secara Serentak
\(H_0\):\(𝛽_1\)=\(𝛽_2\)=…=\(𝛽_p\)
\(H_1\):\(𝛽_p\)≠0
> modellog1 <- glm(datacovid19$Y~datacovid19$X1+datacovid19$X2+datacovid19$X3+datacovid19$X4+datacovid19$X5+datacovid19$X6, data=datacovid19, family=binomial)
> summary(modellog1)
Call:
glm(formula = datacovid19$Y ~ datacovid19$X1 + datacovid19$X2 +
datacovid19$X3 + datacovid19$X4 + datacovid19$X5 + datacovid19$X6,
family = binomial, data = datacovid19)
Deviance Residuals:
Min 1Q Median 3Q Max
-3.2787 0.0277 0.0903 0.2699 2.1350
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -11.53025 2.06839 -5.575 2.48e-08 ***
datacovid19$X1 0.43468 0.06919 6.282 3.34e-10 ***
datacovid19$X2 0.16874 0.15293 1.103 0.2699
datacovid19$X3 0.34475 0.14358 2.401 0.0163 *
datacovid19$X4 -0.16178 0.12071 -1.340 0.1802
datacovid19$X5 0.22024 0.09276 2.374 0.0176 *
datacovid19$X6 -0.09640 0.18113 -0.532 0.5946
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 289.53 on 399 degrees of freedom
Residual deviance: 140.85 on 393 degrees of freedom
AIC: 154.85
Number of Fisher Scoring iterations: 7
>
> modellog2 <- glm(datacovid19$Y~NULL, data=datacovid19, family=binomial)
> summary(modellog2)
Call:
glm(formula = datacovid19$Y ~ NULL, family = binomial, data = datacovid19)
Deviance Residuals:
Min 1Q Median 3Q Max
-2.069 0.500 0.500 0.500 0.500
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 2.0163 0.1553 12.99 <2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 289.53 on 399 degrees of freedom
Residual deviance: 289.53 on 399 degrees of freedom
AIC: 291.53
Number of Fisher Scoring iterations: 4
> modellog2$deviance-modellog1$deviance
[1] 148.6843
> (-2*logLik(modellog2))-(-2*logLik(modellog1))
'log Lik.' 148.6843 (df=1)
> lrtest(modellog3,modellog1)
Error in lrtest(modellog3, modellog1): object 'modellog3' not foundKarena niali \(0,00\) < \(0,05\) atau \(p-value\) < \(0,05\) maka tolak \(H_0\). Artinya, terdapat setidaknya satu variabel prediktor yang mempengaruhi variabel respon.
4.3 Pengujian Signifikansi Parameter Secara Parsial
\(H_0\):\(𝛽_j\)=0
\(H_1\):\(𝛽_j\)≠0,\(j=1,2,..,p\)
> modellog1 <- glm(datacovid19$Y~datacovid19$X1+datacovid19$X2+datacovid19$X3+datacovid19$X4+datacovid19$X5+datacovid19$X6, data=datacovid19, family=binomial)
> summary(modellog1)
Call:
glm(formula = datacovid19$Y ~ datacovid19$X1 + datacovid19$X2 +
datacovid19$X3 + datacovid19$X4 + datacovid19$X5 + datacovid19$X6,
family = binomial, data = datacovid19)
Deviance Residuals:
Min 1Q Median 3Q Max
-3.2787 0.0277 0.0903 0.2699 2.1350
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -11.53025 2.06839 -5.575 2.48e-08 ***
datacovid19$X1 0.43468 0.06919 6.282 3.34e-10 ***
datacovid19$X2 0.16874 0.15293 1.103 0.2699
datacovid19$X3 0.34475 0.14358 2.401 0.0163 *
datacovid19$X4 -0.16178 0.12071 -1.340 0.1802
datacovid19$X5 0.22024 0.09276 2.374 0.0176 *
datacovid19$X6 -0.09640 0.18113 -0.532 0.5946
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 289.53 on 399 degrees of freedom
Residual deviance: 140.85 on 393 degrees of freedom
AIC: 154.85
Number of Fisher Scoring iterations: 7Berdasarkan hasil tersebut, variabel \(𝑋2\),\(𝑋4\),dan \(𝑋6\) memiliki nilai \(p-value\) > \(𝛼\)\((0,05)\) sehingga keputusammya terima \(H_0\). Artinya, variabel \(𝑋2\),\(𝑋4\),dan \(𝑋6\) tidak berpengaruh signifikan terhadap model yang ditunjukkan. Sedangkan variabel \(𝑋1\),\(𝑋3\) dan \(𝑋5\) memilikinilai \(p-value\) < \(𝛼\)\((0,05)\) sehingga keputusammya tolak \(H_0\). Artinya, variabel \(𝑋1\),\(𝑋3\) dan \(𝑋5\) berpengaruh signifikan terhadap model yang ditunjukkan.
Selanjutnya dilakukan pengujian secara parsial pada variabel yang berpengaruh signifikan terhadap model.
> modellog3 <- glm(datacovid19$Y~datacovid19$X1+datacovid19$X3+datacovid19$X5, data=datacovid19, family=binomial)
> summary(modellog3)
Call:
glm(formula = datacovid19$Y ~ datacovid19$X1 + datacovid19$X3 +
datacovid19$X5, family = binomial, data = datacovid19)
Deviance Residuals:
Min 1Q Median 3Q Max
-3.14781 0.02886 0.09471 0.27741 2.07167
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -11.39207 1.91202 -5.958 2.55e-09 ***
datacovid19$X1 0.41277 0.06561 6.291 3.15e-10 ***
datacovid19$X3 0.25916 0.11796 2.197 0.0280 *
datacovid19$X5 0.19577 0.08860 2.210 0.0271 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 289.53 on 399 degrees of freedom
Residual deviance: 143.56 on 396 degrees of freedom
AIC: 151.56
Number of Fisher Scoring iterations: 7Sehingga model regresi logistik biner yang dapat dibentuk adalah: \(Y= -11.3920 + 0.4128X1+0.2592X3+ 0.1958X5\).
Persamaan probabilitas keefektifan sistem pembelajaran daring kurang efektif dan efektif adalah sebagai berikut: \(𝑃(𝑌 = 0) = Φ(-11.3920 + 0.4128X1+0.2592X3+ 0.1958X5)\)
\(𝑃(𝑌 = 1) = 1 − Φ(-11.3920 + 0.4128X1+0.2592X3+ 0.1958X5)\).
Ketika penggunaan strategi pembelajaran meningkat satu satuan, maka nilai keefektifan sistem pembelajaran daring meningkat sebesar 0.4128, asumsi semua variabel lainnya tetap konstan.
Ketika kurikulum pembelajaran meningkat satu satuan, maka nilai keefektifan sistem pembelajaran daring meningkat sebesar 0.259, asumsi semua variabel lainnya tetap konstan.
Ketika literasi terhadap teknologi meningkat satu satuan, maka nilai keefektifan sistem pembelajaran daring meningkat sebesar 0.19588, asumsi semua variabel lainnya tetap konstan.
4.4 Klasifikasi Model
> yp_topi <- fitted(modellog1)
> datacovid19$yp_topi <- yp_topi
> datacovid19
# A tibble: 400 × 8
Y X1 X2 X3 X4 X5 X6 yp_topi
<dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 0 9 10 9 11 8 9 0.0238
2 0 10 7 9 11 8 8 0.0244
3 1 32 15 15 19 15 14 1.00
4 1 28 13 15 19 15 13 0.999
5 0 19 12 12 12 7 10 0.822
6 1 22 10 11 15 14 10 0.961
7 1 29 11 14 18 15 12 0.999
8 1 31 12 14 17 13 13 1.00
9 0 12 10 11 11 8 10 0.140
10 1 24 12 10 17 15 12 0.977
# ℹ 390 more rows
>
> class <- table(datacovid19$Y,datacovid19$yp_topi > 0.5)
> class
FALSE TRUE
0 26 21
1 11 342Dari 47 amatan dengan \(Y\)=\(0\),hanya 21 yang diklasifikasikan benar
dari353 amatan dengan \(Y\)=\(1\), sebanyak 342 data diklasifikasikan benar tingkat akurasi model sebesar \[ \frac{26 + 342}{400(100\%) }= 92\% \]
5 KESIMPULAN
Berdasarkan hasil penelitian,didaptkan model regresi logistik biner sebagai berikut. \(𝑃(𝑌 = 0) = Φ(-11.3920 + 0.4128X1+0.2592X3+ 0.1958X5)\) \(𝑃(𝑌 = 1) = 1 − Φ(-11.3920 + 0.4128X1+0.2592X3+ 0.1958X5)\)
Model regresi di atas menunjukkan bahwa penggunaan strategi pembelajaran, kurikulum pembelajaran, dan literasi terhadap teknologi merupakan faktor-faktor yangberpengaruh secara signifikan terhadap keefektifan sistem pembelajaran pada masa pandemi COVID-19
6 DAFTAR PUSTAKA
Agresti, A. (2003). Categorical Data Analysis (Vol. 482). John Wiley & Sons.
David W. Hosmer dan Stanley L.(2000). Applied Logistic Regression.New York: John Wiley & Sons.
Fadhillah, Husnul. (2021). Metode Regresi Probit Biner pada Faktor Faktor yang Mempengaruhi Keefektifan Pembelajaran pada Masa Pandemi COVID-19 di Fakultas Sains dan Teknologi UIN Sumatera Utara Medan (thesis). Medan.
Walpole, Ronald E.(1995).Pengantar Statistika. Jakarta:PT.Gramedia Pustaka Utama.