1 Latar Belakang

Partisipasi perempuan dalam angkatan kerja terus meningkat dan memunculkan beragam persepsi di masyarakat. Di Amerika Serikat, pergeseran pandangan ini cukup dramatis — pada 1986, sekitar 52% orang Amerika percaya anak prasekolah akan menderita jika ibunya bekerja. Pada 2016, angka itu turun menjadi 28%.

Namun, perubahan ini tidak merata. Muncul fenomena stalled gender revolution — masa stagnansi pada pertengahan 1990-an hingga awal 2000-an di mana sikap masyarakat sempat berbalik ke arah konservatif, sebelum kembali liberal setelah 2010. Dua faktor yang konsisten memengaruhi perbedaan ini adalah:

  • Jenis kelamin — laki-laki secara historis lebih tradisional
  • Tingkat pendidikan — pendidikan tinggi dikaitkan dengan sikap lebih egaliter

Pertanyaan: Apakah pola ini masih bertahan di tahun 2024?


2 Data dan Variabel

2.1 Sumber Data

Data berasal dari General Social Survey (GSS) 2024, survei sosial nasional yang telah berjalan sejak 1972 di Amerika Serikat. Setelah seleksi variabel dan penghapusan observasi yang tidak lengkap, diperoleh 2.157 responden.

2.2 Variabel Penelitian

Variabel Penelitian
Variabel Peran Kategori
fechld Respon (Ordinal) Strongly Disagree, Disagree, Agree, Strongly Agree
degree Prediktor Less than HS, High School, Associate/Junior College, Bachelor’s, Graduate
sex Prediktor Female (ref), Male

Variabel fechld menangkap respons terhadap pernyataan: “Seorang ibu yang bekerja dapat membangun hubungan yang sama hangat dan amannya dengan anaknya seperti ibu yang tidak bekerja.”

2.3 Statistik Deskriptif

2.3.1 Distribusi Persepsi terhadap Ibu Bekerja

Distribusi Variabel Respon (fechld)
Persepsi terhadap Ibu Bekerja n Proporsi
Strongly Disagree 106 4.9%
Disagree 425 19.7%
Agree 932 43.2%
Strongly Agree 694 32.2%
Total 2157 100%

75.4% responden bersikap positif (Agree + Strongly Agree) terhadap ibu bekerja — mencerminkan pergeseran signifikan dibanding dekade sebelumnya.

2.3.2 Distribusi Variabel Prediktor

Distribusi Variabel Prediktor
Variabel Kategori n Proporsi
Tingkat Pendidikan Less than High School 185 8.6%
High School 994 46.1%
Associate/Junior College 187 8.7%
Bachelor’s 476 22.1%
Graduate 315 14.6%
Jenis Kelamin Female (Referensi) 1204 55.8%
Male 953 44.2%

3 Metode Analisis

3.1 Regresi Logistik Ordinal — Cumulative Logit

Karena variabel respon bersifat ordinal (berjenjang), metode yang digunakan adalah regresi logistik ordinal dengan model cumulative logit:

\[\log\frac{P(Y \leq j)}{P(Y > j)} = \alpha_j + \beta_1 X_1 + \beta_2 X_2, \quad j = 1, 2, \ldots, J-1\]

Model ini berasumsi bahwa pengaruh prediktor konstan di setiap batas kategori (proportional odds assumption). Parameter diestimasi dengan Maximum Likelihood Estimation (MLE).

Interpretasi menggunakan Odds Ratio:

\[OR_k = e^{\beta_k}\]

  • OR > 1 → kenaikan prediktor meningkatkan peluang berada di kategori lebih tinggi
  • OR < 1 → kenaikan prediktor menurunkan peluang berada di kategori lebih tinggi

3.2 Tahapan Analisis

  1. Uji multikolinearitas (VIF)
  2. Estimasi model proportional odds awal
  3. Uji asumsi proportional odds (Brant Test)
  4. Jika asumsi dilanggar → gunakan Partial Proportional Odds Model (PPOM)
  5. Perbandingan model (AIC)
  6. Uji kelayakan model (Goodness-of-Fit)

4 Hasil

4.1 Uji Multikolinearitas

Hasil Uji Multikolinearitas
Variabel Prediktor VIF
degree (Tingkat Pendidikan) 1.000198
sex (Jenis Kelamin) 1.000198

Kedua variabel memiliki VIF ≈ 1 (jauh di bawah batas 10) → tidak ada masalah multikolinearitas. Kedua prediktor dapat digunakan bersamaan tanpa gangguan estimasi.

4.2 Estimasi Model Awal (Proportional Odds)

Estimasi Parameter Model Proportional Odds
Parameter Koefisien Std. Error t-value p-value
degree 0.2351 0.0321 7.327 2.35 × 10⁻¹³
sex (Male) -0.4973 0.0809 -6.142 8.17 × 10⁻¹⁰
Threshold: SD&#124;D -2.5749 0.1381 -18.647 1.33 × 10⁻⁷⁷
Threshold: D&#124;A -0.7051 0.1093 -6.449 1.13 × 10⁻¹⁰
Threshold: A&#124;SA 1.2278 0.1117 10.997 3.97 × 10⁻²⁸

Kedua prediktor signifikan secara statistik (p < 0.001). Namun sebelum interpretasi lebih lanjut, perlu diperiksa apakah asumsi proportional odds terpenuhi.

4.3 Uji Asumsi Proportional Odds (Brant Test)

Hasil Uji Brant (Proportional Odds Assumption)
Komponen Uji Chi-Square df p-value
Omnibus (seluruh model) 10.71 4 0.03
degree 1.44 2 0.49 ✓
sex (Male) 9.17 2 0.01

Kesimpulan:

  • Secara omnibus: p = 0.03 < 0.05 → asumsi tidak terpenuhi
  • degree: p = 0.49 → asumsi terpenuhi
  • sex: p = 0.01 → asumsi tidak terpenuhi

Karena asumsi dilanggar khusus pada variabel sex, model perlu dimodifikasi. Jika seluruh variabel diperlakukan bebas (multinomial logit), informasi urutan kategori respon akan hilang. Solusi yang tepat: Partial Proportional Odds Model (PPOM).

4.4 Partial Proportional Odds Model (PPOM)

PPOM memungkinkan:

  • Variabel yang memenuhi asumsi (degree) → koefisien konstan di semua batas kategori
  • Variabel yang melanggar asumsi (sex) → koefisien bebas di tiap batas kategori
Hasil Estimasi Partial Proportional Odds Model
Parameter Koefisien Std. Error p-value Signifikan?
Intercept
Intercept (SD&#124;D) -2.470 0.257 < 0.001
Intercept (D&#124;A) -0.605 0.133 < 0.001
Intercept (A&#124;SA) 1.161 0.125 < 0.001
degree (konstan)
degree (SD&#124;D) -0.170 0.083 0.040
degree (D&#124;A) -0.258 0.042 < 0.001
degree (A&#124;SA) -0.225 0.037 < 0.001
sex Male (bebas per batas)
sex Male (SD&#124;D) -0.047 0.201 0.817
sex Male (D&#124;A) 0.433 0.101 < 0.001
sex Male (A&#124;SA) 0.591 0.096 < 0.001

Perhatikan bahwa pengaruh sex pada batas SD|D tidak signifikan (p = 0.817), namun signifikan pada dua batas berikutnya. Ini mengonfirmasi perlunya PPOM — efek gender tidak seragam di seluruh kategori.

4.5 Perbandingan Model

Perbandingan Model
Model Log-Likelihood Jml. Parameter AIC
Proportional Odds (POM) -2531.986 2 5073.972
Partial Proportional Odds (PPOM) -2527.463 4 5068.926

PPOM memiliki AIC lebih rendah (5068.93 vs 5073.97) → PPOM lebih baik meski menggunakan lebih banyak parameter. Model ini dipilih sebagai model akhir.

4.6 Uji Signifikansi Simultan (Likelihood Ratio Test)

Hasil Likelihood Ratio Test
df p-value
93.6704 5 < 2.2 × 10⁻¹⁶

p-value < 0.05 → setidaknya satu prediktor berpengaruh signifikan secara bersama-sama. Model dengan degree dan sex jauh lebih baik dari model tanpa prediktor.

4.7 Odds Ratio

Odds Ratio dan Interval Kepercayaan 95%
Variabel OR CI 95% (Bawah) CI 95% (Atas) Interpretasi
degree (Tingkat Pendidikan) 1.265 1.188 1.347 Naik 1 jenjang pendidikan → 26.5% lebih mungkin mendukung ibu bekerja
sex Male (Jenis Kelamin: Laki-laki) 0.608 0.519 0.713 Laki-laki 39.2% lebih kecil kemungkinannya mendukung vs. perempuan

4.8 Uji Kelayakan Model (Goodness-of-Fit)

Hasil Lipsitz Goodness-of-Fit Test
Statistik Uji df p-value
LR Deviance = 9.4768 9 0.3945

p-value = 0.3945 > 0.05 → model fit terhadap data. Tidak ada perbedaan signifikan antara prediksi model dan data observasi.


5 Kesimpulan

Penelitian ini menganalisis persepsi 2.157 responden AS tahun 2024 terhadap ibu bekerja menggunakan Partial Proportional Odds Model. Berikut ringkasan temuan:

Ringkasan Kesimpulan
No Temuan Utama
1 Tidak ada multikolinearitas antara degree dan sex (VIF ≈ 1)
2 Asumsi proportional odds dilanggar pada variabel sex → PPOM diterapkan
3 Model PPOM lebih baik dari POM standar berdasarkan AIC (5068.93 < 5073.97)
4 Tingkat pendidikan berpengaruh positif signifikan: OR = 1.265 — makin tinggi pendidikan, makin mendukung ibu bekerja
5 Laki-laki cenderung kurang mendukung dibanding perempuan: OR = 0.608
6 Model layak digunakan: Lipsitz GoF p = 0.395 > 0.05

Kesimpulan: Mayoritas masyarakat AS 2024 mendukung ibu bekerja (75.4%), namun kesenjangan berdasarkan jenis kelamin dan pendidikan masih nyata — menandakan revolusi gender belum sepenuhnya tuntas.


6 Referensi

  • Cortés, P., Koşar, G., Pan, J., & Zafar, B. (2022). Should mothers work? How perceptions of the social norm affect individual attitudes toward work in the U.S. NBER Working Paper Series, No. 30606. National Bureau of Economic Research.
  • Allred, C. A. (2018). Attitudes on women’s roles in the home: 1986-2016. Family Profiles, FP-18-10. Bowling Green, OH: National Center for Family & Marriage Research.
  • Shu, X., & Meagher, K. D. (2025). Mind the gap: Gender, racial, and educational differences in American gender attitudes from 1977 to 2018. Sex Roles, 91:14.
  • Budge, J., & Charles, M. (2020). Trends in support for stay-at-home mothering. Council on Contemporary Families.
  • Meagher, K. D., & Shu, X. (2019). Trends in U.S. gender attitudes, 1977 to 2018: Gender and educational disparities. Socius: Sociological Research for a Dynamic World, 5, 1–3.
  • A. Agresti. An Introduction to Categorical Data Analysis, 2nd ed. Hoboken, NJ: John Wiley & Sons, 2007.
  • D. N. Gujarati and D. C. Porter. Basic Econometrics, 5th ed. New York, NY, USA: McGraw-Hill, 2009.
  • S. R. Lipsitz, G. M. Fitzmaurice, and G. Molenberghs, Goodness-of-fit tests for ordinal response regression models, Journal of the Royal Statistical Society: Series C (Applied Statistics), 1996, vol. 45, no. 2, pp. 175–190.
  • D. W. Hosmer, S. Lemeshow, and R. X. Sturdivant. Applied Logistic Regression, 3rd ed. Hoboken, NJ: John Wiley & Sons, 2013.
  • Liu, A., He, H., Tu, X. M., & Tang, W. (2023). On testing proportional odds assumptions for proportional odds models. General Psychiatry, 36(3).