Analisis Regresi Pengaruh Tingkat Kesuburan Terhadap Persentase Pekerja Wanita

Athalla Fakhrial Wattimena

17 Mei 2022

1 PENDAHULUAN

1.1 Latar Belakang

Wanita secara kasar menempati setengah dari populasi dunia. Namun, jika menyangkut jumlah tenaga kerja suatu negara, persentase pekerja perempuan lebih rendah daripada pekerja laki-laki. Rendahnya partisipasi ini dipengaruh oleh beberapa faktor. Keadaan ekonomi keluarga, faktor budaya dan norma, masih rendahnya tingkat pendidikan dan keterampilan wanita, dan pernikahan dini merupakan segelintir dari banyaknya faktor yang memengaruhi hal tersebut. Selain hal - hal tersebut, faktor lainnya yang memengaruhi adalah tingkat kesuburan wanita (fertility rate).

Tingkat kesuburan wanita merupakan hitungan untuk jumlah total kelahiran per wanita individu. Faktor utama penyebab tingginya kelahiran adalah faktor demografi dan nondemografi (Ijaiya, 2009). Termasuk kelompok non-demografi seperti misalnya tingkat pendidikan, keadaan ekonomi penduduk, urbanisasi, industrilisasi, sosial dan budaya.Hal ini seperti yang dideskripsikan diatas, secara tidak langsung akan memengaruhi partisipasi wanita dalam dunia kerja.

Oleh karena itu, laporan ini disusun untuk mengetahui pengaruh tingkat kesuburan terhadap persentase pekerja wanita.

1.2 Analisis Regresi

Analisis regresi merupakan suatu proses statistik untuk mengestimasi hubungan antara variabel-variabel, yakni berupa teknik-teknik memodelkan dan melakukan analisis beberapa variabel atas dasar bentuk hubungan antara satu variabel tak bebas dan satu atau lebih variabel bebas (prediktor) (Amstrong, 2012:689). Analisis regresi digunakan hampir pada semua bidang kehidupan, baik dalam bidang pertanian, ekonomi dan keuangan, industri dan ketenagakerjaan, sejarah, pemerintahan, ilmu lingkungan, dan sebagainya. Kegunaan analisis regresi di antaranya untuk mengetahui variabel-variabel kunci yang memiliki pengaruh terhadap suatu variabel bergantung, pemodelan, serta pendugaan (estimation) atau peramalan (forecasting) (Nawari, 2010:2).

Persamaan regresi dapat terdiri dari satu atau lebih variabel bebas dan satu variabel terikat. Persamaan yang terdiri dari satu variabel bebas dan satu variabel terikat disebut persamaan regresi sederhana, sedangkan yang terdiri dari satu variabel terikat dan beberapa variabel bebas disebut persamaan regresi berganda. Regresi dapat dipisahkan menjadi regresi linear dan regresi non linear (Retnawati, 2017:5)

1.3 Regresi Sederhana

Regresi linear sederhana adalah persamaan regresi yang menggambarkan hubungan antara satu variabel bebas (X) dan satu variabel tak bebas (Y), dimana hubungan keduanya dapat digambarkan sebagai suatu garis lurus. Hubungan kedua variabel tersebut dapat dituliskan dalam bentuk persamaan: \[ Y = \beta_0 + \beta_1 X_i + \epsilon_i \] Y merupakan variabel tak bebas, X merupakan variabel bebas, \(\beta_0\) merupakan intersep/perpotongan dengan sumbu tegak, \(\beta_1\) merupakan kemiringan/gradien, \(\epsilon_i\) merupakan error yang saling bebas dan menyebar normal. Namun dalam kenyataan, seringkali kita tidak dapat mengamati seluruh anggota populasi sehingga hanya mengambil sampel. Persamaan yang diperoleh adalah dugaan dari persamaan dan dapat dituliskan sebagai: \[ Y = b_0 + b_1 X_i \] dimana b0 adalah penduga untuk \(\beta_0\) dan b1 adalah penduga untuk \(\beta_1\). Penggunaan metode analisis regresi linear sederhana memerlukan uji asumsi klasik yang secara statistik harus dipenuhi

1.4 Uji Asumsi Klasik

1.4.1 Uji Normalitas

Uji normalitas berfungsi untuk menguji apakah dalam sebuah model regresi, variabel pengganggu memiliki distribusi normal (Ghozali, 2011:160). Model regresi yang baik adalah yang memiliki nilai residual yang terdistribusi secara normal. Cara untuk mendeteksinya adalah dengan melihat penyebaran data pada sumber diagonal pada grafik Normal PP Plot of regression standardized sebagai dasar pengambilan keputusannya. Jika menyebar sekitar garis dan mengikuti garis diagonal maka model regresi tersebut telah normal dan layak dipakai untuk memprediksi variabel bebas dan sebaliknya (Ghozali, 2016).

1.4.2 Uji Heteroskedastisitas

Menurut Ghozali (2011:139) uji heteroskedastisitas digunakan untuk menguji apakah dalam sebuah regresi terjadi ketidaksamaan varian dari residual dari suatu pengamatan ke pengamatan lain. Prasyarat yang harus terpenuhi dalam model regresi adalah tidak adanya gejala heteroskedastisitas.

1.4.3 Uji Multikolinearitas

Menurut Ghozali (2011: 105) uji multikolinearitas digunakan untuk mengetahui ada atau tidaknya korelasi antar variabel independen dalam model regresi. Model regresi yang baik adalah yang tidak mengandung multikolinearitas. Mendeteksi multikolinieritas dapat melihat nilai tolerance dan Varian Inflation Factor (VIF) sebagai tolak ukur (Ghozali, 2011: 106).

1.4.4 Uji Autokorelasi

Menurut Ghozali (2011: 110), uji autokolerasi bertujuan menguji apakah dalam model regresi linear ada kolerasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi autokolerasi maka dinamakan ada problem autokolerasi. Uji autokorelasi dapat dilakukan dengan pengujian Durbin Watson (DW).

1.5 Uji Hipotesis

Hipotesis berfungsi untuk memberi suatu pernyataan berupa dugaan tentang hubungan tentatif antara fenomena - fenomena dalam penelitian. Metode pengujian terhadap hipotesis yang diajukan dilakukan pengujian secara parsial.

1.5.1 Uji t

Uji t merupakan suatu nilai yang digunakan guna melihat tingkat signifikansi pada pengujian hipotesis dengan cara mencari nilai uji t melalui prosedur bootstrapping. Pada pengujian hipotesis dapat dikatakan signifikan ketika nilai uji t lebih besar dari 1,96, sedangkan jika nila uji t kurang dari 1,96 maka dianggap tidak signifikan (Ghozali, 2016).

Pengambilan keputusan dilakukan dengan melihat nilai signifikansi pada tabel Coefficients. Biasanya dasar pengujian hasil regresi dilakukan dengan tingkat kepercayaan sebesar 95% atau dengan taraf signifikannya sebesar 5% (α = 0,05). Menurut Ghozali (2016), kriteria dari uji statistik t ada dua. Pertama, jika nilai signifikansi uji t > 0,05 maka \(H_0\) diterima dan \(H_1\) ditolak, berarti tidak ada pengaruh antara variabel independen terhadap variaben dependen. Kedua, jika nilai signifikansi uji t < 0,05 maka \(H_0\) ditolak dan \(H_1\) diterima, berarti terdapat pengaruh antara variabel independen terhadap variabel dependen.

1.5.2 Uji F

Menurut Ghozali (2016), Uji F (Uji Simultan) digunakan untuk mengetahui ada atau tidaknya pengaruh secara bersama – sama atau simultan antara variabel independen terhadap variabel dependen. Pengujian statistik ANOVA merupakan bentuk pengujian hipotesis dimana dapat menarik kesimpulan berdasarkan data atau kelompok statistik yang disimpulkan. Pengambilan keputusan dilihat dari pengujian ini dilakukan dengan melihat nilai F yang terdapat di dalam tabel ANOVA, tingkat signifikansi yang digunakan yaitu sebesar 0,05. Adapun ketentuan dari uji F yang pertama adalah jika nilai signifikan F < 0,05 maka \(H_0\) ditolak dan \(H_1\) diterima, berarti semua variabel independen/bebas memiliki pengaruh secara signifikan terhadap variabel dependen/terikat. Ketentuan yang kedua adalah jika nilai signifikan F > 0,05 maka \(H_0\) diterima dan \(H_1\), berarti semua variabel independen/bebas tidak memiliki pengaruh secara signifikan terhadap variabel dependen/terikat.

1.6 Koefisien Determinasi

Pengujian koefisien determinasi ini dilakukan dengan maksud mengukur kemampuan model dalam menerangkan seberapa pengaruh variabel independen secara bersama–sama (simultan) mempengaruhi variabel dependen yang dapat diindikasikan oleh nilai adjusted R – Squared (Ghozali, 2016). Koefisien determinasi menunjukkan sejauh mana kontribusi variabel bebas dalam model regresi mampu menjelaskan variasi dari variabel terikatnya. Koefisien determinasi dapat dilihat melalui nilai R-square (\(R^2\)) pada tabel Model Summary. Menurut Ghozali (2016), nilai koefisien determinasi yang kecil memiliki arti bahwa kemampuan variabel – variabel independen dalam menjelaskan variabel dependen sangat terbatas, Sebaliknya jika nilai mendekati 1 (satu) dan menjauhi 0 (nol) memiliki arti bahwa variabel – variabel independen memiliki kemampuan memberikan semua informasi yang dibutuhkan untuk memprediksi variabel dependen (Ghozali, 2016).

Uji koefisien determinasi dilakukan untuk mengetahui seberapa besar variabel endogen secara simultan mampu menjelaskan variabel eksogen. Semakin tinggi nilai \(R^2\) berarti semakin baik model prediksi dari model penelitian yang diajukan. Uji koefisien determinasi (\(R^2\)) dilakukan untuk menentukan dan memprediksi seberapa besar atau penting kontribusi pengaruh yang diberikan oleh variabel independen secara bersama – sama terhadap variabel dependen. Nilai koefisien determinasi yaitu antara 0 dan 1. Jika nilai mendekati 1, artinya variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variabel dependen. Namun, jika nilai \(R^2\) semakin kecil, artinya kemampuan variabel – variabel independen dalam menjelaskan variabel dependen cukup terbatas (Ghozali, 2016).

1.7 Data

Data yang digunakan adalah data Female Employment vs Fertility Rate yang diambil dari Kaggle.com.

2 SOURCE CODE

2.1 Library yang Dibutuhkan

> # Library
> library(readxl) #untuk membaca data pada file excel
> library(lmtest) #untuk pemeriksaan asumsi
> library(car) #untuk pemeriksaan asumsi
> library(tseries) #unutk pemeriksaan asumsi normalitas
> library(corrplot) #untuk visualisasi matriks korelasi

2.2 Membangkitkan Data

> library(readxl)
> Dreg <- read_excel("~/UNIV BRAWIJAYA/Semester 4/Responsi + Praktikum/Komputasi Statistika/SLR2.xlsx")
> View(Dreg)

3 HASIL DAN PEMBAHASAN

3.1 Analisis Pendahuluan Bentuk Hubungan Antara Tingkat Kesuburan dengan Persentase Pekerja Wanita

3.1.1 Plot

> smoothScatter(Dreg$`fertility rate`, Dreg$`worker percent`,xlab = "Fertility Rate", ylab = "Worker Percentage", main = "Gambar 1. Smooth Scatter Plot")

Berdasarkan plot yang terbentuk, dapat dilihat bahwa pada Smooth Scatter Plot nilai - nilai pengamatan cenderung membentuk garis linier sehingga terdapat hubungan linier antar kedua variabel.

3.1.2 Perhitungan Korelasi

> cor(Dreg,method = "pearson")
               fertility rate worker percent
fertility rate      1.0000000     -0.9208822
worker percent     -0.9208822      1.0000000

Berdasarkan perhitungan nilai korelasi pearson, dapat disimpulkan bahwa nilai korelasi sebesar -0.9208822 yang menandakan bahwa hubungan antara variabel Tingkat Kesuburan (X) dan variabel Persentase Pekerja Wanita (Y) adalah kuat dengan arah negatif

3.2 Statistika Deskriptif

> summary(Dreg)
 fertility rate  worker percent 
 Min.   :2.060   Min.   :28.33  
 1st Qu.:2.250   1st Qu.:30.84  
 Median :2.600   Median :32.74  
 Mean   :2.711   Mean   :34.13  
 3rd Qu.:3.120   3rd Qu.:37.20  
 Max.   :3.710   Max.   :44.04  
> var(Dreg$`fertility rate`)
[1] 0.2772391
> var(Dreg$`worker percent`)
[1] 19.22498
> sd(Dreg$`fertility rate`)
[1] 0.526535
> sd(Dreg$`worker percent`)
[1] 4.38463

Pada variabel tingkat kesuburan (X), dapat terlihat bahwa nilai terendah sebesar 2.06 dan nilai tertinggi sebesar 3.71. Pada variabel X, didapatkan rata - rata sebesar 2.711 dengan median (nilai tengah) berada pada nilai 2.6. Sedangkan, pada variabel persentase pekerja wanita (Y), dapat terlihat bahwa nilai terendah 28.33 dan nilai tertinggi sebesar 44.04. Pada variabel Y, didapatkan rata - rata sebesar 34.13 dengan median (nilai tengah) berada pada nilai 32.74.

Ragam (variance) dari variabel X sendiri sebesar 0.2772391 dengan simpangan baku (Standard Deviation) sebesar 0.526535. Sedangkan, ragam dari variabel Y sebesar 19.22498 dengan simpangan baku sebesar 4.38463.

3.3 Pemeriksaan Asumsi

> regresi <- lm(Dreg$`worker percent`~Dreg$`fertility rate`,data = Dreg)
> print(regresi)

Call:
lm(formula = Dreg$`worker percent` ~ Dreg$`fertility rate`, data = Dreg)

Coefficients:
          (Intercept)  Dreg$`fertility rate`  
               54.919                 -7.668  
> summary(regresi)

Call:
lm(formula = Dreg$`worker percent` ~ Dreg$`fertility rate`, data = Dreg)

Residuals:
    Min      1Q  Median      3Q     Max 
-2.2405 -1.3289 -0.1978  0.9482  4.9185 

Coefficients:
                      Estimate Std. Error t value Pr(>|t|)    
(Intercept)            54.9186     1.9550   28.09  < 2e-16 ***
Dreg$`fertility rate`  -7.6685     0.7084  -10.82 4.75e-10 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1.75 on 21 degrees of freedom
Multiple R-squared:  0.848, Adjusted R-squared:  0.8408 
F-statistic: 117.2 on 1 and 21 DF,  p-value: 4.751e-10

Sebelum kita menggunakan model regresi yang sudah terbentuk dari data yang kita gunakan, terlebih dahulu kita melakukan pemeriksaan sisaan (Residual Diagnostics) yang merupakan langkah awal untuk memeriksa secara visual, apakah terdapat pelanggaran asumsi dari model regresi yang sudah terbentuk

> par(mfrow = c(2,2))
> plot(regresi)

Pada grafik Residuals vs Fitted, terlihat bahwa plot membentuk pola sehingga bisa dipertimbangkan untuk mengubah skala X. Pada grafik Normal Q-Q, terlihat bahwa titik-titik tersebut tersusun rapi mengikuti dengan bentuknya garis yang bersudut 45° antara sumbu x dan y sehingga dapat dikatakan bahwa tidak terlihat adanya pelanggaran normalitas.

Pada grafik Scale-Location, terlihat bahwa garis merah cenderung membentuk garis mendatar atau stabil meskipun terdapat sedikit lengkungan sehingga dapat dikatakan tidak ada masalah heteroskedastisitas. Pada grafik Residuals vs Leverage, terlihat bahwa titik 23 diberi warning sebagai amatan berpengaruh karena sedikit di atas jarak Cook.

Setelah kita melihat secara visual, kita berpindah ke uji asumsi yang melandasi analisis regresi, yaitu :

1. Asumsi Normalitas
2. Asumsi Homokedastisitas
3. Asumsi Non Autokorelasi
4. Asumsi Non Multikolinearitas

3.3.1 Asumsi Normalitas

Hipotesis

\(H_0\) : Galat pada model persentase pekerja wanita sebagai fungsi dari tingkat kesuburan menyebar secara normal

\(H_1\) : Galat pada model persentase pekerja wanita sebagai fungsi dari tingkat kesuburan menyebar secara tidak normal

> sisa <- residuals(regresi)
> library(tseries)
> jarque.bera.test(sisa)

    Jarque Bera Test

data:  sisa
X-squared = 4.5113, df = 2, p-value = 0.1048
> shapiro.test(sisa)

    Shapiro-Wilk normality test

data:  sisa
W = 0.93043, p-value = 0.1117

Pada hasil uji normalitas, terlihat bahwa baik Uji Jarqu Bera maupun Uji Shapiro Wilk, keduanya menghasilkan p-value yang lebih besar (>) daripada \(\alpha\) sebesar 5% sehingga diambil keputusan terima \(H_0\). Maka, dapat disimpulkan bahwa pada taraf nyata 5%,sudah cukup bukti untuk terima \(H_0\) atau dengan kata lain galat pada model persentase pekerja wanita sebagai fungsi dari tingkat kesuburan menyebar secara normal. Tidak terbukti ada pelanggaran asumsi normalitas galat.

3.3.2 Asumsi Homoskedastisitas

Hipotesis

\(H_0\) : Tidak terbukti ada pelanggaran asumsi homogenitas ragam galat pada model persentase pekerja wanita sebagai fungsi dari tingkat kesuburan

\(H_1\) : Terbukti ada pelanggaran asumsi homogenitas ragam galat pada model persentase pekerja wanita sebagai fungsi dari tingkat kesuburan

> library(lmtest)
> bptest(regresi)

    studentized Breusch-Pagan test

data:  regresi
BP = 2.4423, df = 1, p-value = 0.1181

Pada hasil uji homoskedastisitas yang menggunakan uji Breusch-Pagan, didapatkan p-value sebesar 0.1181 yang lebih besar (>) daripada \(\alpha\) sebesar 5% sehingga diambil keputusan terima \(H_0\). Maka, dapat disimpulkan bahwa pada taraf nyata 5%, sudah cukup bukti untuk terima \(H_0\) atau dengan kata lain tidak terbukti ada pelanggaran asumsi homogenitas ragam galat pada model persentase pekerja wanita sebagai fungsi dari tingkat kesuburan.

3.3.3 Asumsi Non Autokorelasi

Hipotesis

\(H_0\) : Tidak terdapat masalah autokorelasi \(H_1\) : Terdapat masalah autokorelasi

> library(lmtest)
> dwtest(regresi)

    Durbin-Watson test

data:  regresi
DW = 0.16715, p-value = 2.011e-13
alternative hypothesis: true autocorrelation is greater than 0

Pada hasil uji non autokorelasi yang menggunakan uji Durbin Watson, didapatkan p-value lebih kecil (<) daripada \(\alpha\) sebesar 5% sehingga diambil keputusan tolak \(H_0\). Karena tolak \(H_0\), maka terdapat pelanggaran asumsi atau terdapat masalah autokorelasi. Untuk menghilangkan autokorelasi antar galat, dapat dilakukan pengacakan urutan amatan.

> library(readxl)
> Dreg_1 <- read_excel("SLR2_1.xlsx")
> View(Dreg_1)
> regresi_1 <- lm(Dreg_1$`worker percent`~Dreg_1$`fertility rate`,data = Dreg_1)
> print(regresi_1)

Call:
lm(formula = Dreg_1$`worker percent` ~ Dreg_1$`fertility rate`, 
    data = Dreg_1)

Coefficients:
            (Intercept)  Dreg_1$`fertility rate`  
                 54.919                   -7.668  
> library(lmtest)
> dwtest(regresi_1)

    Durbin-Watson test

data:  regresi_1
DW = 1.8515, p-value = 0.314
alternative hypothesis: true autocorrelation is greater than 0

Pada hasil uji non autokorelasi yang menggunakan uji Durbin Watson dengan data yang urutan amatannya diacak, didapatkan p-value sebesar 0.314 lebih besar (>) daripada \(\alpha\) sebesar 5% sehingga diambil keputusan terima \(H_0\). Maka, dapat disimpulkan bahwa pada taraf nyata 5%, sudah cukup bukti untuk terima \(H_0\) atau dengan kata lain tidak ada masalah autokorelasi pada model tersebut.

3.3.4 Asumsi Multikolinearitas

Asumsi Multikolinieritas pada analisis regresi berganda karena uji multikoliniritas dilakukan untuk melihat ada atau tidak hubungan linier antar variabel prediktor (berlaku apabila variabel X lebih dari 1 karena dalam multikolinieritas menunjukkan hubungan beberapa variabel bebas (X)).

3.4 Uji Hipotesis

3.4.1 Uji t

Hipotesis \[ H_0 : \beta_i = 0 \] (Tidak terdapat pengaruh yang signifikan antara tingkat kesuburan terhadap persentase pekerja wanita) \[ H_1 : \beta_i \neq 0 \] (Terdapat pengaruh yang signifikan antara tingkat kesuburan terhadap persentase pekerja wanita)

> Model <- summary(regresi)
> Koef <- Model$coefficients
> Koef
                       Estimate Std. Error   t value     Pr(>|t|)
(Intercept)           54.918561  1.9550461  28.09067 3.842295e-18
Dreg$`fertility rate` -7.668488  0.7084079 -10.82496 4.750801e-10

Pada Uji t menghasilkan p-value yang lebih kecil (<) daripada \(\alpha\) sebesar 5%. Maka, dapat disimpulkan bahwa pada taraf nyata 5%, sudah cukup bukti untuk tolak \(H_0\) atau dengan kata lain terdapat pengaruh yang siginifikan antara tingkat kesuburan terhadap persentase pekerja wanitia.

3.4.2 ANOVA

Hipotesis \[ H_0 : \beta_i = 0 \] (tingkat kesuburan tidak memiliki pengaruh yang signifikan terhadap persentase pekerja wanita) \[ H_1 : \beta_i \neq 0 \] (tingkat kesuburan memiliki pengaruh yang signifikan terhadap persentase pekerja wanita)

> ANOVA <- aov(Dreg$`fertility rate`~Dreg$`worker percent`, data = Dreg)
> summary(ANOVA)
                      Df Sum Sq Mean Sq F value   Pr(>F)    
Dreg$`worker percent`  1  5.172   5.172   117.2 4.75e-10 ***
Residuals             21  0.927   0.044                     
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Pada tabel ANOVA, didapatkan hasil p-value uji F yang lebih kecil (<) daripada \(\alpha\) sebesar 5%. Maka, dapat disimpulkan bahwa pada taraf nyata 5%, sudah cukup untuk tolak \(H_0\) atau dengan kata lain variabel tingkat kesuburan memiliki pengaruh yang signifikan terhadap persentase pekerja wanita.

3.5 Koefisien Determinasi

> Model$r.squared
[1] 0.8480241

Nilai koefisien determinasi yang diperoleh adalah sebesar 0.8480241, artinya variabel Tingkat kesuburan mampu menjelaskan persentase pekerja wanita dengan kontribusi sebesar 85%% dan sisanya dijelaskan oleh variabel lain.

3.6 Pembentukan Model Regresi

> coef(regresi)
          (Intercept) Dreg$`fertility rate` 
            54.918561             -7.668488

\[ Worker Percent = 54.918561 - 7.668488FertilityRate \] Berdasarkan model yang terbentuk adalah :

  1. Ketika tidak terdapat pengaruh dari Fertility Rate atau tingkat kesuburan, estimasi workerpercent atau persentase pekerja wanita sebesar 54.918561.
  2. Setiap kenaikan satu satuan tingkat kesuburan akan menyebabkan nilai persentase pekerja wanita turun sebesar 7.668488

4 DAFTAR PUSTAKA

Amstrong,Scott J. 2012. Illusion in Regression Analysis. International Journal Forecasting, Vol. 28, 689-693.

Ghozali, Imam. 2011. Aplikasi Analisis Multivariate dengan Progam SPSS. Semarang: Badan Penerbit Universitas Diponegoro.

Ghozali, Imam. 2016. Aplikasi Analisis Multivariat Dengan Program IBM SPSS 23. Edisi 8. Semarang: Badan Penerbit Universitas Diponegoro.

Ijaiya, Gafar T, Usman A Raheem, Abdulwaheed O Olatinwo, Munir-Deen A Ijaiya, and Mukaila A Ijaiya. 2009. Estimating the Impact of Birth Controlon Fertility Ratein Sub-Saharan Africa. African Journal of Reproductive Health. Vol 13 No 4 December 2009. P: 137–145.

Nawari. 2010. Analisis Regresi dengan MS Excel 2007 dan SPSS 17. Jakarta: PT Elex Media Komputindo.

Retnawati, Heri. 2017. Pengantar Analisis Regresi dan Korelasi. Workshop Teknik Analisis Data, Fakultas Ekonomi dan Bisnis IAIN Batusangkar, 2017. Diakses dari http://staffnew.uny.ac.id/upload/132255129/pengabdian/4-materi-Pengantar%20Analisis%20Regresi-alhamdulillah.pdf.