ANALSS LOG LNEAR

1abel kontingensi
1abel kontingensi adalah bentuk khusus dari daftar baris kolom.
untuk tabel kontingensi tiga dimensi terdiri dari (l x 1 x K) sel,
dimana :
l sebagai kategori variabel 1,
1 sebagai kategori variabel 2 dan
K sebagai kategori variabel 3.
Analisis tabel kontingensi digunakan untuk menoari ada atau tidaknya
hubungan antara variabel yang satu dengan variabel yang lain.
Apabila diperoleh kesimpulan bahwa terdapat hubungan diantara
variabel maka digunakan analisis log linier sebagai analisis statistik
lanjutan untuk memperoleh model yang sesuai dari tabel kontingensi
dan untuk mengetahui sel-sel mana yang menyebabkan adanya
dependensi (hubungan) antar variabel-variabel tersebut.
Tabel 1.1 Tabel kontingensi tiga dimensi
Variabel 1 Variabel 2
Variabel 3
1 2 . K
1 1 X
111
X
112
. X
11k

. . . . .
J X
1j1
X
1j2
. X
1jk

2 1 X
211
X
212
. X
21k

. . . . .
J X
2j1
X
2j2
. X
2jk

. . . . . .
I 1 X
i11
X
i12
. X
i1k

. . . . .
J X
ij1
X
ij2
. X
ijk

Keterangan : X
ijk
banyaknya observasi pada kategori ke-i dari variabel 1, ke-j dari
variabel 2 dan ke-k dari variabel 3
Jika antara ketiga variabel tersebut saling independent, maka Irekuensi harapan
dari masing-masing sel adalah sebagai berikut :
2
+ + +
+ + + + + +
=
x
x x x
m
k f i
ifk
dimana : = =

= =
+ +

f
K
k
ifk i
x x
1 1
jumlah nilai observasi pada kategori ke-i dari variabel 1
= =

= =
+ +

i
K
k
ifk f
x x
1 1
jumlah nilai observasi pada kategori ke-j dari variabel 2
= =

= =
+ +

i
ifk k
x x
1 1
jumlah nilai observasi pada kategori ke-k dari variabel 3
= =

= = =
+ + +

f
ifk
K
k
x x
1 1 1
jumlah seluruh nilai observasi
iasumsikan semua
ifk
m ~ 0 dan
ifk
log
ifk
m . Tanda . (dot) pada subskrip
menunjukkan rata-rata yang berkaitan dengan indeksnya, sebagai contoh

=
i
ifk fk
) ( . . Berikut ini adalah model umum loglinear untuk tiga dimensi :

ifk

fk

ik

if

i ifk
m 2 2 2 2 2 2 2 3 + + + + + + + = log
Model umum loglinier tersebut dapat dianalogikan dalam bentuk :
) ( 123 ) ( 23 ) ( 13 ) ( 12 ) ( 3 ) ( 2 ) ( 1
log
ifk fk ik if k f i
ifk u u u u u u u u m + + + + + + + =
Nilai frekuensi harapan
a. Model
) ( 3 ) ( 2 ) ( 1
log
k f i
ifk u u u u m + + + = maka
2
+ + +
+ + + + + +
=
x
x x x
m
k f i
if k (1.1)
Pada model ini variabel 1, 2 dan 3 saling mutually independent atau tidak terdapat
interaksi antar variabel, baik dua Iaktor maupun tiga Iaktor.
b. Model
) ( 12 ) ( 3 ) ( 2 ) ( 1
log
if k f i
ifk u u u u u m + + + + = maka
+ + +
+ + +
=
x
x x
m
k if
ifk (1.2)
Model ini berarti variabel 1 dan 2 fointly independent terhadap variabel 3.
c. Model
) ( 13 ) ( 3 ) ( 2 ) ( 1
log
ik k f i
ifk u u u u u m + + + + = maka
+ + +
+ + +
=
x
x x
m
f k i
ifk (1.3)
Model ini berarti variabel 1 dan 3 fointly independent terhadap variabel 2.
d. Model
) ( 23 ) ( 3 ) ( 2 ) ( 1
log
f k k f i
ifk u u u u u m + + + + = maka
+ + +
+ + +
=
x
x x
m
i fk
if k (1.4)
Model ini berarti variabel 2 dan 3 fointly independent terhadap variabel 1.
e. Model
) ( 13 ) ( 12 ) ( 3 ) ( 2 ) ( 1
log
ik if k f i
ifk u u u u u u m + + + + + = maka
+ +
+ +
=
i
k i if
ifk
x
x x
m (1.5)
Model ini berarti variabel 2 dan 3 conditionally independent terhadap variabel 1.
I. Model
) ( 23 ) ( 12 ) ( 3 ) ( 2 ) ( 1
log
fk if k f i
ifk u u u u u u m + + + + + = maka
+ +
+ +
=
f
fk if
ifk
x
x x
m (1.6)
Model ini berarti variabel 1 dan 3 conditionally independent terhadap variabel 2.
g. Model
) ( 13 ) ( 23 ) ( 3 ) ( 2 ) ( 1
log
ik fk k f i
ifk u u u u u u m + + + + + = maka
k
k i fk
ifk
x
x x
m
+ +
+ +
= (1.7)
Model ini berarti variabel 1 dan 2 conditionally independent terhadap variabel 3.
h. Model
) ( 23 ) ( 13 ) ( 12 ) ( 3 ) ( 2 ) ( 1
log
fk ik if k f i
ifk u u u u u u u m + + + + + + =
m
ifk
diperoleh dengan metode IPF (terative Proportional Fitting) dengan prosedur
sebagai berikut :
1. Menetapkan nilai
) 0 (
ifk
m 1, untuk i 1.I, j 1...J, dan k 1.K.
2. $iklus pertama dalam proses iterasi mempunyai tiga langkah berikut :
a.

=
+
+
) 0 (
) 0 ( ) 1 (
if
if
ifk ifk
m
x
m m
b.

=
+
+
) 1 (
) 1 ( ) 2 (
k i
k i
ifk ifk
m
x
m m
c.

=
+
+
) 2 (
) 2 ( ) 3 (
fk
fk
ifk ifk
m
x
m m
3. $etelah langkah ketiga diatas dilanjutkan dengan siklus kedua yang diawali oleh

=
+
+
) 3 (
) 3 ( ) 4 (
if
if
ifk ifk
m
x
m m yang analog dengan langkah a dan demikian seterusnya.
4. Melanjutkan proses iterasi hingga mencapai konvergen, artinya selisih antara
) (i
ifk
m
dan
) 1 ( + i
ifk
m mendekati nol.
UJI INDEPENDENSI
uji ini dilakukan untuk mengetahui ada atau tidaknya hubungan diantara
ketiga variabel.
Namun, ada asumsi yang harus dipenuhi yaitu banyaknya sel yang
frekuensi harapannya <5 maksimal 20 dari jumlah sel keseluruhan.
ipotesis:

0
: variabel 1, 2 dan 3 independent

1
: variabel 1, 2 dan 3 dependent
o = 5
3tatistik uji:
ifk

f
ifk ifk
K
k
hitung
m
m x

= = =

=
1 1
2
1
2
) (
/


aerah kritis: hitung
2
/ ~
) , (
2
db -
/
dimana db (derajat bebas) diperoleh dari : IJK-(1(I-1)(J-1)(K-1)).
PENGUJIAN RESIDUAL
#esidual diperoleh dengan rumus : ifk
ifk ifk
m x e = . $edangkan adjusted residual
untuk model:
a.
) ( 3 ) ( 2 ) ( 1
log
k f i
ifk u u u u m + + + = adalah

. J
2 1
) 2 1 (
k f i k f k i f i ifk
ifk
ifk
p p p p p p p p p m
e
d
+ + + + + + + + + + + + + + + + + +
+
=
b.
) ( 12 ) ( 3 ) ( 2 ) ( 1
log
if k f i
ifk u u u u u m + + + + = adalah
. J
2 1
) 1 )( 1 (
k if ifk
ifk
p p m
e
+ + +


c.
) ( 13 ) ( 12 ) ( 3 ) ( 2 ) ( 1
log
ik if k f i
ifk u u u u u u m + + + + + = adalah
2 1
1 1

+ +
+
+ +
+
i
k i
i
if
ifk
ifk
x
x
x
x
m
e

imana
+ + +
+ +
+ +
+ + +
+ +
+ +
= =
n
n
p
n
n
p
f
f
i
i
, , dan seterusnya.
1ika model oukup baik, maka nilai dari adjusted
residual akan mendekati distribusi normal baku
yakni distribusi normal dengan = 0 dan o
2
= 1.
Apabila ditentukan o = 5 maka 5 dari nilai-
nilai adjusted residual yang masih diijinkan adalah
antara -1.96 sampai 1.96. 9
Uan jika ternyata ada yang keluar dari interval
tersebut, maka titik-titik tersebut perlu diperhatikan
lebih lanjut karena kemungkinan sel yang
bersangkutan adalah penyebab terjadinya
dependensi.
SELEKSI MODEL
uji k-way
&ji order ke-k atau lebih sama dengan nol
a. &ntuk k 3
H
0
: order ke-3 sama dengan nol
H
1
: order ke-3 tidak sama dengan nol
Model jika H
0
benar :
) ( 23 ) ( 13 ) ( 12 ) ( 3 ) ( 2 ) ( 1
log
fk ik if k f i
ifk u u u u u u u m + + + + + + =
db model 1(I-1)(J-1)(K-1) (I-1)(J-1)(I-1)(K-1)(J-1)(K-1)
ifk
m diperoleh dengan metode IPF yang telah dijelaskan pada subbab 1.3.
a. &ntuk k 2
H
0
: order ke-2 atau lebih sama dengan nol
H
1
: paling sedikit ada satu order ke-2 tidak sama dengan 0
Model jika H
0
benar :
) ( 3 ) ( 2 ) ( 1
log
k f i
ifk u u u u m + + + =
db model 1(I-1)(J-1)(K-1)
ifk
m diperoleh berdasarkan persamaan 1.1.
b. &ntuk k 1
H
0
: order ke-1 atau lebih sama dengan nol
H
1
: paling sedikit ada satu order ke-1 tidak sama dengan 0
Model jika H
0
benar : u mifk = log
db model 1
&ntuk setiap k menggunakan statistik uji

= = =
=

f
K
k
ifk
ifk
ifk
m
x
x
G
1 1 1
2
log 2 dan daerah kritis
berbentuk
2
G ) ; (
2
db - / , dimana db IJK-db model.
Uji asosiasi parsiaI
uji ini bertujuan untuk mengetahui ada atau tidaknya
ketergantungan diantara dua variabel dalam setiap kategori
variabel ketiga.
dapun prosedurnya adalah sebagai berikut :
a. EIek yang akan diuji : u
12

H
0
: Variabel 1 dan 2 independen dalam setiap level variabel 3 ( 0
12
= u )
H
1
: Variabel 1 dan 2 dependen dalam setiap level variabel 3 ( 0
12
u )
Model jika H
0
benar :
) ( 13 ) ( 23 ) ( 3 ) ( 2 ) ( 1
log
ik fk k f i
ifk u u u u u u m + + + + + =
$tatistik uji : hitung
2
/

= = =

f
K
k
ifk
ifk ifk
m
m x
1 1 1
2
) (

aerah kritis : ) ; (
2 2
db hitung - / / dengan db (I-1)(J-1)
b. EIek yang akan diuji : u
13

H
0
: Variabel 1 dan 3 independen dalam setiap level variabel 2 ( 0
13
= u )
H
1
: Variabel 1 dan 3 dependen dalam setiap level variabel 2 ( 0
13
u )

Model jika H
0
benar :
) ( 23 ) ( 12 ) ( 3 ) ( 2 ) ( 1
log
fk if k f i
ifk u u u u u u m + + + + + =
$tatistik uji : hitung
2
/

= = =

f
K
k ifk
ifk ifk
m
m x
1 1 1
2
) (

aerah kritis : ) ; (
2 2
db hitung - / / dengan db (I-1)(K-1)
c. EIek yang akan diuji : u
23

H
0
: Variabel 2 dan 3 independen dalam setiap level variabel 1 ( 0
23
= u )
H
1
: Variabel 2 dan 3 dependen dalam setiap level variabel 1 ( 0
23
u )
Model jika H
0
benar :
) ( 13 ) ( 12 ) ( 3 ) ( 2 ) ( 1
log
ik if k f i
ifk u u u u u u m + + + + + =
$tatistik uji : hitung
2
/

= = =

f
K
k ifk
ifk ifk
m
m x
1 1 1
2
) (

aerah kritis : ) ; (
2 2
db hitung - / / dengan db (J-1)(K-1)
EIiminasi backward
3eperti halnya uji k-way yang dilanjutkan dengan uji asosiasi parsial,
metode eliminasi baokward juga digunakan untuk menyeleksi model
hingga didapatkan model terbaik.
Penyeleksian model dimulai dari order tertinggi yakni model jenuh
(8,9:7,90/).
untuk setiap step penyeleksian, efek yang tidak bermakna akan
dikeluarkan dari model dan model tanpa efek yang dikeluarkan ini
akan menjadi model lengkap untuk step berikutnya.
Uemikian seterusnya hingga tidak ada lagi efek yang akan
dikeluarkan dan akhirnya diperoleh model akhir yang terbaik.
Berikut ini adalah prosedur dari eliminasi baokward :
Berikut ini adalah prosedur dari eliminasi baokward :
Anggap model terlengkap yaitu [XL] sebagai model terbaik, dalam hal ini
disebut sebagai model (0).
Keluarkan interaksi tiga faktor dari model, sehingga model menjadi model
(1), yaitu [X] [XL] [L].
Mengeluarkan interaksi dua faktor yang tidak bermakna (terima
0
) dari
model. Apabila terdapat lebih dari satu interaksi dua faktor yang tidak
bermakna, maka efek yang dikeluarkan terlebih dahulu adalah yang
memiliki nilai 0
2
terkeoil.
Bandingkan nilai dengan dengan daerah kritis :

2
1ika
0
ditolak, maka model (0) atau model lengkap adalah model terbaik.
Mengulangi langkah-langkah diatas hingga tidak ada lagi efek yang
dikeluarkan dari model.
Estimasi parameter
stimasi parameter digunakan untuk mengetahui sel mana
yang berpengaruh sehingga terjadi pola dependensi. Ualam
metode ini nilai yang dapat menggambarkan sel mana yang
berpengaruh dilihat dari L-value yang lebih besar dari 1.96
(menyatakan bahwa variabel tersebut "oenderung untuk") dan
nilai L_value yang lebih keoil dari -1.96 (menyatakan bahwa
variabel tersebut "oenderung untuk tidak").