Click here to load reader
Upload
elok-dewi-tanjung-sari
View
143
Download
3
Embed Size (px)
Citation preview
I. PENDAHULUAN
Regresi linear merupakan suatu metode analisis statistik yang mempelajari pola hubungan antara dua
atau lebih variabel. Pada kenyataan sehari-hari sering dijumpai sebuah kejadian dipengaruhi oleh lebih
dari satu variabel, oleh karenanya dikembangkanlah analisis regresi linier berganda dengan model :
Y = β0 + β1X1+ β2X2+...+ βPXP+ε
Adanya metode analisis regresi ini sangat menguntungkan bagi banyak pihak, baik di bidang sains, sosial,
industri maupun bisnis.
Salah satu pemanfaatan dari metode analisis regresi di bidang sosial adalah untuk mengetahui
hubungan antara faktor-faktor tertentu terhadap pengangguran. Faktor-faktor yang berpengaruh terhadap
pengangguran di antaranya adalah Upah Minimum Riil, Investasi, dan PDRB.
Dengan metode analisis regresi, ingin diketahui hubungan antara faktor-faktor di atas terhadap
pengangguran di Propinsi Jawa Timur pada tahun 1990-2005. variabel independen yang digunakan yaitu
Upah Minimum Riil, Investasi, PDRB, dan periode sebagai variabel kualitatif yang dibedakan menjadi
dua kelompok yaitu sebelum dan sesudah krisis ekonomi.
II. TINJAUAN PUSTAKAII.1 Tinjauan Variabel
Investasi adalah permintaan barang dan jasa untuk menciptakan atau menambah kapasitas
produsi/pendapatan di masa yang akan datang ( Dornbusch, Fisher, dan Startz. 2004 ). Kegiatan
ekonomi suatu daerah secara umum dapat digambarkan melalui kemampuan daerah tersebut
menghasilkan barang dan jasa yang diperlukan bagi kebutuhan hidup masyarakat yang diindikasikan
dengan (PDRB).
PDRB merupakan salah satu indikator penting untuk mengetahui kondisi ekonomi suatu wilayah
dalam suatu periode tertentu. PDRB didefinisikan sebagai jumlah nilai tambah yang dihasilkan oleh
seluruh unit usaha dalam suatu wilayah, atau merupakan jumlah nilai barang dan jasa akhir yang
dihasilkan oleh seluruh unit ekonomi. Penyajian PDRB dihitung berdasarkan harga berlaku dan harga
konstan.
Menurut KONVENSI ILO No. 131/1970 UU NO 13/2003 Tentang Ketenagakerjaan Bab I
(Ketentuan Umum) Pasal 1 menyatakan bahwa Definisi Upah yaitu Upah adalah hak P/B yang
diterima & dinyatakan dalam bentuk uang sebagai imbalan dari pengusaha atau pemberi kerja kepada
P/B yang ditetapkan & dibayarkan menurut suatu perjanjian kerja, kesepakatan, atau peraturan
perundang-undangan, termasuk tunjangan bagi P/B dan keluarganya atas suatu pekerjaan dan atau
jasa yang telah atau akan dilakukan.
Pengangguran atau tuna karya adalah istilah untuk orang yang tidak bekerja sama sekali, sedang
mencari kerja, bekerja kurang dari dua hari selama seminggu, atau seseorang yang sedang berusaha
mendapatkan pekerjaan yang layak. Pengangguran umumnya disebabkan karena jumlah angkatan
kerja atau para pencari kerja tidak sebanding dengan jumlah lapangan kerja yang ada yang mampu
menyerapnya. Pengangguran seringkali menjadi masalah dalam perekonomian karena dengan adanya
pengangguran, produktivitas dan pendapatan masyarakat akan berkurang sehingga dapat
menyebabkan timbulnya kemiskinan dan masalah-masalah sosial lainnya.
Secara teoritis masalah pengangguran akan dapat diatasi dengan memaksimalkan investasi yang
produktif di berbagai sektor sosial dan ekonomi.
2.2 Tinjauan Statistik
2.2.1. Analisis Regresi
Analisis regresi merupakan sebuah alat statistik yang memberikan penjelasan tentang pola
hubungan (model) antara dua variabel atau lebih. Dalam analisis regresi, dikenal dua jenis variabel
yaitu :
Variabel Respon disebut juga variabel dependent yaitu variabel yang keberadaannya diperngaruhi
oleh variabel lainnya dan dinotasikan dengan Y.
Variabel Prediktor disebut juga variabel independent yaitu variabel yang bebas (tidak dipengaruhi
oleh variabel lainnya) dan dinotasikan dengan X.
2.2.2. Analisis Regresi Linier Berganda (Multiple Linier Regression)
Analisis regresi linier berganda memberikan kemudahan bagi pengguna untuk memasukkan lebih
dari satu variabel prediktor hingga p-variabel prediktor dimana banyaknya p kurang dari jumlah
observasi (n). Sehingga model regresi dapat ditunjukkan sebagai berikut :
Y = β0 + β1X1+ β2X2+...+ βPXP+ε
Karena model diduga dari sampel, maka secara umum ditunjukkan sebagai berikut :
Y = b0 + b1X1+ b2X2+...+ bPXP
Salah satu prosedur pendugaan model untuk regresi linier berganda adalah dengan prosedur Least
Square (kuadrat terkecil). Konsep dari metode least square adalah menduga koefisien regresi (β)
dengan meminimumkan kesalahan (error). Sehingga dugaan bagi β (atau dinotasikan dengan b) dapat
dirumuskan sebagai berikut (Draper and Smith, 1992) :
b = (X ' X )−I X 'Y
Dimana :
X : Matriks 1 digabung dengan p-variabel prediktor sebagai kolom dengan n buah
observasi sebagai baris
Y : Variabel respon yang dibentuk dalam vektor kolom dengan n buah observasi
2.2.3 Analisis Regresi Linier Berganda dengan Variabel Independen Kualitatif
Metode analisis regresi linier berganda tidak hanya dapat digunakan untuk variabel kuantitatif,
tetapi juga dapat digunakan untuk variabel kualitatif seperti jenis kelamin, wilayah tempat tinggal,
jenis usaha, dan sebagainya. Variabel kualitatif ini dibedakan atas beberapa kategori dan dibentuk
menjadi dummy variabel dan setiap kategori diberi nilai 0,1,2,...,m. Namun, pada umumnya dummy
variabel itu bersifat dikotomi yaitu 0 dan 1.
Misal jumlah seluruh variabel independen p, kemudian dummy variabel sebanyak 1, sehingga
variabel independen kuantitatif berjumlah p-1. Jika dummy variabel bernilai 0 maka persamaan
regresinya yaitu :
Y = b0 + b1X1+ b2X2+...+ bP-1XP-1
Sedangkan, jika dummy variabel bernilai 1 maka persamaan regresinya yaitu :
Y = (b0 + bp)+ b1X1+ b2X2+...+ bP-1XP-1
2.2.4 Uji Model Regresi
Uji model regresi sebaiknya dilakukan dengan dua macam, yaitu :
1. Uji serentak
Uji serentak merupakan uji terhadap nilai-nilai koefisien regresi (b) secara bersama-sama dengan
hipotesa sebagai berikut
H0 : β1 = β2 = ... = βp = 0
H1 : Minimal ada 1 β yang tidak sama dengan nol.
Statistik uji yang dipakai untuk melakukan uji serentak ini adalah statistik uji F
2. Uji individu
Jika hasil pada uji serentak menunjukkan bahwa H0 ditolak, maka perlu dilakukan uji individu
dengan hipotesa :
H0 : βi = 0
H1 : βi ≠ 0
Untuk pengujian ini digunakan statistik uji t
2.2.5 Uji Asumsi
Model regresi linier berganda (Multiple regression) dapat disebut sebagai model yang baik jika
model tersebut memenuhi kriteria BLUE (Best Linear Unbiased Estimator). BLUE dapat dicapai bila
memenuhi asumsi klasik. Beberapa uji asumsi yang harus dilakukan terhadap suatu model regresi
tersebut, yaitu:
• Uji Normalitas
Uji ini dapat dilakukan secara visual dengan memplotkan nilai residual terhadap expected
residual, yang biasa disebut dengan Normal Probability Plot.
Plot antara residual dan expected value digunakan untuk menguji asumsi normalitas. Jika plot-
plot tersebar mendekati garis lurus maka asumsi kenormalan terpenuhi. Sedangkan jika dengan
uji statistik untuk melihat kenormalan, bisa dengan menggunakan uji kurtosis dan skewness,
Anderson Darlin, Kolmogorov Smirnov, Jacque Berlin, dan sebagainya.
• Uji Linieritas
Uji ini dapat dilakukan secara visual dengan memplotkan nilai residual terhadap fitted value.
Jika menyebar di sekitar nol maka asumsi kelinieritasan terpenuhi.
• Uji Heteroskedastisitas
Untuk melihat secara visual terlihat dari plot antara residual terhadap Y .
• Uji Multikolinieritas
Adanya korelasi yang tinggi antar variabel prediktor dinamakan multikolinieritas. Untuk melihat
adanya multikolinieritas dapat digunakan VIF (Variance Inflation Factor). Bila nilai VIF >10,
maka di indikasikan bahwa model tersebut memiliki gejala multikolinieritas.
• Uji Autokorelasi
Untuk menguji adanya autukorelasi pada model regresi yang kita punya bisa dilakukan dengan
cara Uji Durbin Watson(DW test). Uji ini hanya digunakan untuk autokorelasi tingkat satu ( first
order autocorrelation) dan mensyaratkan adanya intercept dalam model regresi dan tidak ada
variabel lagi diantara variabel penjelas. Hipotesis yang diuji adalah:
Ho : p=0
Ha : p≠0
Ketentuan:
Bila nilai DW berada diantara du sampai dengan 4-du maka koefisien autokorelasi sama
dengan nol. Artinya tidak ada autokorelasi
Bila nilai DW lebih kecil dari du , koefisien autokorelasi lebih besar daripada nol.
Artinya ada autokorelasi positif
Bila nilai DW berada diantara dL dan du maka tidak dapat disimpulkan
Bila nilai DW lebih besar daripada 4-du, koefisien autokorelasi lebih besar daripada nol.
Artinya ada autokorelasi negatif
Bila nilai DW terletak diantara 4-du dan 4-dL maka tidak dapat disimpulkan
• Outlier
Outlier (pencilan) merupakan pengamatan yang tidak lazim (aneh) dalam variabel prediktor (X)
atau variabel respon (Y). Keanehan pada variabel X disebut leverage dan dapat diuji dengan h ii
yang merupakan jumlah kuadrat kolom pertama dari matriks H dimana H adalah matriks
idempoten dan simetris berukuran (n x n) sebagai berikut :
H = X(X’X)-1X’
hii = Xi’(X’X)-1Xi
p =∑ hii
h=p/n
Dengan α= 5%, jika nilai hii >2 h maka data tersebut mengandung outlier.
III. Metodologi Penelitian
Variabel-variabel yang digunakan yaitu :
• Y : Pengangguran
• X1 : Upah minimum riil
• X2 : Investasi
• X3 : PDRB
• X4 : Dummy variabel 0 = sebelum krisis ekonomi
1 = setelah krisis ekonomi
Dengan data yang diperoleh sebagai berikut.
Tabel 1. Pengangguran, Upah Minimum Riil, PDRB, dan Investasi Propinsi Jawa Timur
Tahun 1990-2005
Tahun Pengangguran(ribu orang)
Upah Minimum Riil (rupiah)
PDRB(milyar rupiah)
Investasi(milyar rupiah)
1990 333,1 1964,87 134925 12057,31991 333,6 1801,2 144483,9 12305,11992 353,4 2552,22 154661 10463,71993 383,8 2317,24 165353,3 56435,21994 536,8 3064,16 188100,1 59940,51995 549,8 3439,86 193493,7 67809,31996 580,5 3034,89 209850,4 77494,81997 559,9 3176,88 218566,4 71800,51998 720,2 2257,66 194062,7 36789,71999 883,5 2225,56 196417,5 44066,32000 845,6 2719,32 202830 49727,32001 1176,9 2452,35 210448,6 49261,12002 1168,5 2440,24 218452,4 48258,12003 1642,9 2559,79 228884,5 47956,72004 1447,3 2740,7 242228,9 508082005 1646,1 2747,71 256374,7 46843,5
Sumber: Badan Pusat Statistik
IV. ANALISIS DATA DAN PEMBAHASAN4.1 Plot Hubungan antara Pengangguran dengan Masing-masing Variabel Independen
Pada plot antara Y dan X1 dapat dilihat bahwa variabel upah minimum riil tidak memiliki hubungan linier dengan pengangguran
4002000-200-400
X1
400
300
200
100
0
-100
-200
-300
peng
angg
uran
Dependent Variable: pengangguran
Partial Regression Plot
40,00020,0000-20,000-40,000
X3
400
200
0
-200
-400
peng
angg
uran
Dependent Variable: pengangguran
Partial Regression Plot
30,00020,00010,0000-10,000-20,000-30,000
X2
400
300
200
100
0
-100
-200
-300
peng
angg
uran
Dependent Variable: pengangguran
Partial Regression Plot
Coefficientsa
-1203,120 381,228 -3,156 ,009
-,147 ,187 -,141 -,785 ,449 ,255 3,927
-,006 ,004 -,284 -1,755 ,107 ,314 3,184
,013 ,003 ,986 4,406 ,001 ,165 6,072
152,802 166,010 ,171 ,920 ,377 ,238 4,207
(Constant)
X1
X2
X3
X4
Model1
B Std. Error
UnstandardizedCoefficients
Beta
StandardizedCoefficients
t Sig. Tolerance VIF
Collinearity Statistics
Dependent Variable: penganggurana.
Pada plot antara Y dan X2 dapat dilihat bahwa variabel investasi tidak memiliki hubungan linier dengan pengangguran
Pada plot antara Y dan X3 dapat dilihat bahwa PDRB memiliki hubungan linier dengan pengangguran
4.2 Pengujian Model
Persamaan regresi yang terbentuk :
Y=−1203,120−0,147 X1−0,006 X2+0,013 X3+152,802 X 4
Saat X 4=0, maka persamaan regresi yang terbentuk yaitu:
Y=−1203,120−0,147 X1−0,006 X2+0,013 X3
Saat X 4=1, maka persamaan regresi yang terbentuk yaitu:
Y=−1050,318−0,147 X1−0,006 X2+0,013 X3
Uji kesesuaian model
H0 : β=0
H1 : β≠0
α : 5%
ANOVAb
7377973 4 1844493,332 15,731 ,000a
1289771 11 117251,937
8667745 15
Regression
Residual
Total
Model1
Sum ofSquares df Mean Square F Sig.
Predictors: (Constant), X4, X2, X1, X3a.
Dependent Variable: Yb.
Keputusan : Tolak H0
Kesimpulan : Model regresi cukup sesuai
Uji Parameter
H0 : β0=0
H1 : β0≠0
α : 5%
Menurut tabel diatas sebagai berikut.
Keputusan : Tolak H0
Kesimpulan : β0 tidak dapat di interpretasikan.
H0 : β1=0
H1 : β1≠0
α : 5%
Menurut tabel diatas sebagai berikut.
Keputusan : Tidak tolak H0
Kesimpulan : Dengan tingkat kepercayaan 95% dapat disimpulkan bahwa Upah Minimum
Riil tidak berpengaruh secara signifikan terhadap pengangguran saat Investasi
dan PDRB konstan, baik sebelum dan sesudah krisis.
H0 : β2=0
H1 : β2≠0
α : 5%
Menurut tabel diatas sebagai berikut.
Keputusan : Tidak tolak H0
Kesimpulan : Dengan tingkat kepercayaan 95% dapat disimpulkan bahwa Investasi tidak
berpengaruh secara signifikan terhadap pengangguran saat Upah Minimum Riil
dan PDRB konstan, baik sebelum dan sesudah krisis.
H0 : β3=0
H1 : β3≠0
α : 5%
Keputusan : Tolak H0
Kesimpulan : Dengan tingkat kepercayaan 95% dapat disimpulkan bahwa PDRB
berpengaruh secara signifikan terhadap pengangguran saat Upah Minimum Riil
dan Investasi konstan, baik sebelum dan sesudah krisis.
H0 : β4=0
H1 : β4≠0
α : 5%
Keputusan : Tidak tolak H0
Kesimpulan : Dengan tingkat kepercayaan 95% dapat disimpulkan bahwa tidak ada
perbedaan dari persamaan regresi antara sebelum dan sesudah krisis.
Karena tidak terdapat perbedaan antara sebelum dan sesudah krisis, maka persamaan antara kedua regresi
sama yaitu :
Y=−1203,120−0,147 X1−0,006 X2+0,013 X3+152,802 X 4
4.3 Pengujian Asumsi
Model regresi linier berganda (Multiple regression) dapat disebut sebagai model yang baik jika
model tersebut memenuhi kriteria BLUE (Best Linear Unbiased Estimator). BLUE dapat dicapai bila
memenuhi asumsi klasik. Beberapa uji asumsi yang harus dilakukan terhadap suatu model regresi
tersebut, yaitu:
Uji Normalitas
Uji Linieritas
Uji heteroskedastisitas
Uji Multikolinieritas
Uji Autokorelasi
Descriptive Statistics
16 -245,226 330,17021 ,0000000 138,6261 ,414 ,564 1,248 1,091
16
Unstandardized Residual
Valid N (listwise)
Statistic Statistic Statistic Statistic Statistic Statistic Std. Error Statistic Std. Error
N Minimum Maximum Mean Std.Deviation
Skewness Kurtosis
Outlier
A. Uji Normalitas
Uji ini dapat dilakukan secara visual dengan memplotkan nilai residual terhadap expected
residual, yang biasa disebut dengan Normal Probability Plot.
1.00.80.60.40.20.0
Observed Cum Prob
1.0
0.8
0.6
0.4
0.2
0.0
Expe
cted
Cum
Pro
bDependent Variable: pengangguran
Normal P-P Plot of Regression Standardized Residual
Plot antara residual dan expected value digunakan untuk menguji asumsi normalitas. Jika plot-
plot tersebar mendekati garis lurus maka asumsi kenormalan terpenuhi. Dari gambar diatas, maka dapat
disimpulkan asumsi kenormalan terpenuhi. Sedangkan jika dengan uji statistik untuk melihat kenormalan,
bisa dengan menggunakan uji kurtosis dan skewness. Hasilnya adalah sebagai berikut.
Rasio skewness = 0,414/0,564 memperoleh hasil 0,7340. Rasio kurtosis = 1,248/1,091 memperoleh hasil
1,1439. karena rasio skewness dan rasio kurtosis berada di antara -2 dan +2 maka dapat disimpulkan
bahwa distribusi data tersebut adalah normal.
B. Uji Linieritas
Apabila plot-plot menyebar di sekitar nol berarti asumsi dari linieritas terpenuhi, sekaligus
asumsi homoskedastisitas juga terpenuhi. Dari gambar di atas dapat disimpulkan bahwa asumsi linearitas
terpenuhi.
C. Uji Homoskedastisitas
Untuk melihat secara visual terlihat dari plot antara residual terhadap Y . Sedangkan apabila dengan
menggunakan SPSS, hasil yang diperoleh sebagai berikut.
Coefficientsa
154,954 240,520 ,644 ,533
,019 ,118 ,092 ,157 ,878 ,255 3,927
,001 ,002 ,255 ,485 ,637 ,314 3,184
-,001 ,002 -,346 -,475 ,644 ,165 6,072
52,491 104,737 ,304 ,501 ,626 ,238 4,207
(Constant)
X1
X2
X3
X4
Model1
B Std. Error
UnstandardizedCoefficients
Beta
StandardizedCoefficients
t Sig. Tolerance VIF
Collinearity Statistics
Dependent Variable: abresida.
H0 : σ21= σ2
2= σ23= σ2
4
H1 : σ21≠ σ2
2 ≠ σ23 ≠σ2
4
α : 5%
Keputusan : Tidak tolak H0
Kesimpulan : Dengan tingkat kepercayaan 95%, Nilai t statistik dari seluruh variabel independen
tidak ada yang signifikan secara statistik, sehingga dapat disimpulkan bahwa model ini
tidak mengalami masalah heteroskedastisitas. dengan kata lain asumsi
homoskedastisitas terpenuhi.
D. Uji Multikolinieritas
Salah satu cara untuk menguji multikolinieritas yaitu dengan melihat nilai dari VIF (Variance
Inflation Factor). Bila nilai VIF >10, maka di indikasikan bahwa model tersebut memiliki gejala
multikolinieritas. Hasilnya adalah sebagai berikut.
Coefficientsa
-1203,120 381,228 -3,156 ,009
-,147 ,187 -,141 -,785 ,449 ,255 3,927
-,006 ,004 -,284 -1,755 ,107 ,314 3,184
,013 ,003 ,986 4,406 ,001 ,165 6,072
152,802 166,010 ,171 ,920 ,377 ,238 4,207
(Constant)
X1
X2
X3
X4
Model1
B Std. Error
UnstandardizedCoefficients
Beta
StandardizedCoefficients
t Sig. Tolerance VIF
Collinearity Statistics
Dependent Variable: penganggurana.
Berdasarkan hasil tersebut dapat dilihat bahwa nilai VIF <10, sehingga dapat disimpulkan bahwa model
regresi ini tidak memiliki masalah multikolinieritas.
E. Uji Autokorelasi
Untuk menguji adanya autukorelasi pada model regresi yang kita punya bisa dilakukan dengan cara
Uji Durbin Watson(DW test). Uji ini hanya digunakan untuk autokorelasi tingkat satu ( first order
autocorrelation) dan mensyaratkan adanya intercept dalam model regresi dan tidak ada variabel lagi
diantara variabel penjelas. Hipotesis yang diuji adalah:
Ho : p=0
Ha : p≠0
Ketentuan:
Bila nilai DW berada diantara du sampai dengan 4-du maka koefisien autokorelasi sama
dengan nol. Artinya tidak ada autokorelasi
Bila nilai DW lebih kecil dari du , koefisien autokorelasi lebih besar daripada nol. Artinya ada
autokorelasi positif
Bila nilai DW berada diantara dL dan du maka tidak dapat disimpulkan
Bila nilai DW lebih besar daripada 4-du, koefisien autokorelasi lebih besar daripada nol.
Artinya ada autokorelasi negatif
Bila nilai DW terletak diantara 4-du dan 4-dL maka tidak dapat disimpulkan
Model Summaryb
,923a ,851 ,797 342,42045 1,734Model1
R R SquareAdjustedR Square
Std. Error ofthe Estimate
Durbin-Watson
Predictors: (Constant), Dummy, Investasi, UMP_riil, PDRBa.
Dependent Variable: W_riilb.
Dari tabel Durbin-Watson dengan banyaknya observasi sebanyak 16 dan variabel bebas sebanyak 4, maka diperoleh nilai dL sebesar 0,86 dan du sebesar 1,73. Nilai DW sebesar 1,734 berada di antara du dan 4-du.
Keputusan : Tidak Tolak H0
Kesimpulan : Dengan tingkat kepercayaan 95% maka dapat disimpulkan bahwa pada model tersebut tidak terdapat autokorelasi.
V. KESIMPULAN
Dari data-data Upah Minimum Riil, Investasi, PDRB, Pengangguran dan juga variabel kulitatif
terbentuk persamaan regresinya sebagai berikut.
Y=−1203,120−0,147 X1−0,006 X2+0,013 X3+152,802 X 4
Model tersebut merupakan fitted model setelah dilakukan pengujian goodness of fit dari model
tersebut. Dari model tersebut juga dilakukan beberapa pengujian asumsi-asumsi baik secara
visualisasi maupun secara statistik. Pengujian asumsi yang dilakukan menghasilkan bahwa model
tersebut berdistribusi normal, terdapat linieritas pada model, bersifat homoskedastisitas, tidak
mengandung multikolinieritas dan autokorelasi.
Dengan kata lain bahwa model tersebut baik dan terbebas dari berbagai penyakit dalam
persamaan regresinya.
Variabel-variabel independen dalam analisis ini yang berpengaruh secara signifikan terhadap
pengangguran yaitu Upah Minimum Riil dan juga PDRB dengan variabel kualitatif berupa periode,
yakni sebelum dan sesudah krisis ekonomi 1998. Sehingga untuk pemodelan lebih lanjut, persamaan
regresi yang dipakai adalah :
Y=−1203,120−0,147 X1+0,013 X3
DAFTAR PUSTAKA
Linda, Novita. 2007. Analisis Pengaruh Investasi Dan Tenaga Kerja Terhadap PDRB Di Sumatera Utara. Sumatera Utara: USU
Neter, Jhon. 1989. Applied Linear Regression Models. Boston: University of Georgia
Setyadharma, Andryan. 2010. Uji asumsi klasik dengan SPSS 16.0. Semarang: Universitas Negeri Semarang
http://mardalli.wordpress.com/2009/12/29/63/
http://id.wikipedia.org/wiki/Pengangguran
http://www.tanahdatar.go.id/index.php?option=com_content&view=article&id=347&Itemid=124