LOG LINEAR 2 DIMENSI

1.1

Teori Log Linear 2 Dimensi

Model log linier adalah suatu model untuk memperoleh model statistika

yang menyatakan hubungan antara variabel dengan data yang bersifat kualitatif
(skala nominal atau ordinal). Dengan menggunakan pendekatan log linier bisa
diketahui model matematikanya secara pasti serta level atau kelas mana yang
cenderung menimbulkan adanya hubungan atau dependensi.
Pada tabel kontingensi dua dimensi terdiri dari dua faktor, yaitu faktor I
sebagai faktor baris dan faktor J sebagai faktor kolom. Jika kedua faktor ini
independen, maka peluang pengamatan ij= i+ . +j, dimana : i = 1, 2, . . ., I dan
j = 1, 2, . . ., J

dimana frekuensi nilai harapannya adalah sebagai berikut.

= ++
= ++++

(3)

Jika persamaan (3) dinyatakan dalam bentuk logaritma, maka didapatkan :

= log ++ + log + + log +
(4)

Bila dijumlahkan untuk semua i (baris) maka.

= log ++ + + + log +

i 1

Dan bila dijumlahkan untuk semua j (kolom), maka model menjadi :

= log ++ + log + + log +

j 1

Sehingga bila dijumlahkan untuk semua i dan j, didapat :

= log ++ + log + + =1

Selanjutnya jika dimisalkan :

= n++ +

i 1

log i

ix log i

i 1

xj log j

J
j 1

log i
1

J
j 1

log j
1

log j
1

Maka persamaan (4) menjadi sebagai berikut.

= + +

(5)

Model (5) inilah yang disebut dengan model Log Linier Independen pada
tabel kontingensi dua dimensi (Agresti,1990). Dalam model tersebut
menunjukkan efek rata-rata secara umum, menunjukkan efek utama kategori
ke-i variabel X, menunjukkan efek utama kategori ke-j variabel Y.
Dimana juga berlaku

i 1

ix j 1 yj 0
J

Jika ada dependensi antara kedua variabel, dengan nilai mij > 0 dan dimisalkan
= log
+ = j 1

nij

+j = i 1

nij

= ++ = i 1 j 1
I

nij
IJ

Serta jika ditetapkan ix = + ++

xj = +j ++

ijxy = + + + ++

Maka modelnya menjadi sebagai berikut.

x
xy
= + ix + j + ij

(6)

Model (6) disebut dengan model jenuh. Selanjutnya dicari nilai dari
derajat bebasnya (df). Derajat bebas adalah banyaknya sel dikurangi dengan
banyaknya parameter yang diestimasi. Untuk model independen (5), merupakan
kasus khusus dari model jenuh (6) dimana = 0. Jumlah parameter yang
diestimasi = I + (I-1) + (J-1). Sehingga untuk model independen, mempunyai
derajat bebas
df

a.

= (IJ 1) [(I 1) + (J 1)]

= IJ 1 J + 1
= (I 1) (J 1)

Uji Goodness of Fit

Uji Goodness of Fit adalah uji untuk membandingkan atau menentukan ada
atau tidaknya jarak antara observasi dan model. Untuk menguji hipotesis pada tiap
model digunakan uji Person Chi-Square (2) atau Likelihood Ratio Test (G2)
adalah sebagai berikut.
Uji Person Chi Square (2)
2hit =

ijk

eijk

eijk

Uji Likelihood Ratio Test (G2) yaitu

G2 = -2 log ~ 2(1)
n

ij

= 2 nij ln

i
j
e
ij

= 2 nij ln nij

ni . ln ni . n. j ln n. j n.. ln n..
i

(Wulandari, Salamah, & Susilaningrum, 2009).

b.

Uji K-Way
Uji K-Way digunakan untuk mengetahui apakah ada efek order antara 2

variabel yang saling berhubungan. Pengujian ini mempunyai 2 jenis pengujian

adalah sebagai berikut.
1. Pengujian interaksi pada derajat K atau lebih sama dengan nol . Uji ini
didasarkan pada hipotesis bahwa efek order ke-K dan yang lebih tinggi sama
dengan nol, sehingga pada model log linear hipotesisnya adalah sebagai
berikut.
Untuk K = 2
H0 : Efek order ke-2 = 0
H1 : Efek order ke-2 0
Untuk K = 1
H0 : Efek order ke-1 dan yang lebih tinggi = 0
H1 : Efek order ke-1 dan yang lebih tinggi 0
2.

Pengujian interaksi pada derajat K sama dengan nol. Uji ini didasarkan pada
hipotesis efek order ke-K sama dengan nol, sehingga pada model log linear
hipotesisnya adalah sebagai berikut.
Untuk K = 1
H0 : Efek order ke-1 = 0

H1 : Efek order ke-1 0

Untuk K = 2
H0 : Efek order ke-2 = 0
H1 : Efek order ke-2 0
Kriteria penolakan G2 > 2(db;) maka tolah H0.
c.

Uji Asosiasi Parsial

Pengujian ini mempunyai tujuan untuk menguji semua parameter yang

mungkin dari suatu model lengkap baik untuk satu variabel yang bebas maupun
untuk hubungan ketergantungan beberapa variabel yang merupakan parsial dari
suatu model lengkap. Hipotesisnya ialah sebagai berikut.
Hipotesis :
1. H0 : Efek interaksi antara variabel 1 dan variabel 2 = 0
H1 : Efek interaksi antara variabel 1 dan variabel 2 0
2. H0 : Efek variabel 1= 0
H1 : Efek variabel 1 0
3. H0 : Efek variabel 2 = 0
H1 : Efek variabel 2 0
2

Statistik Uji :

i 1 j 1

(Oij Eij ) 2
Eij

Daerah Kritis : Tolak H0 jika, 2 hitung 2 ( db , )

d. Backward Elimination
Metode ini pada dasarnya menyelesaikan model dengan menggunakan prinsip
hierarki, yaitu dengan melihat model terlengkap sampai dengan model yang
sederhana. Berikut ialah beberapa kemungkinan model yang terbentuk.

Model
vij iA Bj ijAB

vij iA Bj

Tabel 2.1 Model Backward Elimination

Hipotesis
Statistik Uji
H0: Peluang A dan B bebas
n
G 2 2 nij ln ij
eij
H1: Peluang A dan B tidak

bebas
H0: Peluang A dan B bebas

H1: Peluang A dan B tidak

bebas
H0: Peluang B sama

vij iA

H1: Peluang B tidak sama

H0: Peluang A sama

vij Bj

H1: Peluang A tidak sama

H0: Peluang A sama

vij

H1: Peluang A tidak sama

dimana
eij

ni n j
n

nij = Nilai Observasi/pengamatan baris ke-i kolom ke-j

eij = Nilai Ekspektasi baris ke-i kolom ke-j
I = Banyak baris
J = Banyak kolom
Daerah Kritis :
Tolak H0 jika G 2 2 ( db , )
(Wulandari, Salamah, & Susilaningrum, 2009).
1.2

Komputasi Log Linear 2 Dimensi

Langkah-langkah tahapan menggunakan SPSS log linear 2 dimensi
1. Memasukkan data kemudian memberi bobot

2. Analiyze log linear model selection

1.3

Interpretasi Log Linear 2 Dimensi

Hubungan kegiatan anak di jalan dengan keterlibatan konflik dengan aparat

pemerintah. Model log linier untuk hubungan antara kedua variabel tersebut
adalah :
Log mij ix yj ijxy

Uji Goodness of Fit

Hipotesis:
H0 : tidak ada hubungan antara variabel kegiatan dan keterlibatan
H1 : ada hubungan antara variabel kegiatan dan keterlibatan
Taraf signifikan : 0,05
Tabel 1.1 Goodness of Fit

Likelihood Ratio

Nilai
df P-Value
12.184 3 0.007

Pearson Chi-Square 11.384 3

0.010

Daerah Kritis : Tolak H0 jika chi-square hitung > Chi-square tabel,

dimana chi-square tabel= 7.815
Keputusan: Tolak H0 karena 12,184>7,815
Kesimpulan: ada hubungan antara variabel kegiatan dan keterlibatan

Uji K-Way

Pada pengujian efek order ke-K atau lebih sama dengan nol dijabarkan sebagai
berikut.
Hipotesis:
Untuk K = 1
H0 : Efek order ke-1atau lebih = 0
H1 : Efek order ke-1atau lebih 0
Diperoleh statistik uji G2hit = 46,715 > 2(7,5%) = 14,067 atau dapat dilihat pada
nilai Pvalue yang kurang dari nilai = 5% yaitu 0,000. Sehingga H 1 didukung oleh
data, artinya efek interaksi order kedua terdapat dalam model.
Untuk K = 2
H0 : Efek order ke-2 = 0
H1 : Efek order ke-2 0
Diperoleh statistik uji G2hit = 12,184 > 2(3,5%) = 7,815 atau dapat dilihat pada
nilai Pvalue yang kurang dari nilai = 5% yaitu 0,007 Sehingga H1 didukung oleh
data, artinya efek interaksi order kedua terdapat dalam model.
Pada pengujian efek order ke-K sama dengan nol dijabarkan sebagai berikut.
Hipotesis:
Untuk K = 1
H0 : Efek order ke-1 = 0
H1 : Efek order ke-1 0
Diperoleh statistik uji G2hit = 34,531 > 2(4,5%) = 9,488 atau dapat dilihat pada
nilai Pvalue yang kurang dari nilai = 5% yaitu 0,000. Sehingga H 1 didukung oleh
data, artinya efek interaksi order kedua terdapat dalam model.
Untuk K = 2
H0 : Efek order ke-2 = 0
H1 : Efek order ke-2 0
Diperoleh statistik uji G2hit = 12,184 > 2(3,5%) = 7,815 atau dapat dilihat pada
nilai Pvalue yang kurang dari nilai = 5% yaitu 0,007. Sehingga H1 didukung oleh
data, artinya efek interaksi order kedua terdapat dalam model.
Output tabel yang dihasilkan sebagai berikut.
Tabel 1.2 K-Way Higer-Order

K-way and Higher

Order Effects
K-way Effects

df

1
2
1
2

7
3
4
3

Likelihood Ratio
Pearson
Number of
Chi-Square P-value. Chi-Square P-Value. Iterations
46.715
0.000
46.795
0.000
0
12.184
0.007
11.384
0.010
2
34.531
0.000
35.411
0.000
0
12.184
0.007
11.384
0.010
0

Uji Asosiasi Parsial

Tabel 1.3 Asosiasi Parsial

Variabel

df

Partial Chi-Square

P-value

KEGIATAN

30.343

0.000

Number of
Iterations
2

KETERLIBATAN
1
4.188
0.041
2
Hasil uji asosiasi parsial, dengan hipotesis sebagai berikut.
H0 : Efek variabel kegiatan= 0
H1 : Efek variabel kegiatan 0
Diperoleh nilai Partial Chi-Square > 2(3,5%) yaitu 30,343 > 7,815 atau
Pvalue < 0,05 maka tolak H0
Kesimpulan yang dapat diambil adalah ada efek variabel kegiatan.
H0 : Efek keterlibatan = 0
H1 : Efek keterlibatan 0
Diperoleh nilai Partial Chi-Square > 2(1,5%) yaitu 4,188 > 3,841 atau
Pvalue < 0,05 maka tolak H0
Kesimpula yang dapat diambil adalah ada efek variabel keterlibatan.
Seleksi Model
Tahap

Effects

Chi-Square df

P-value

Number of
Iterations

Deleted
1 KEGIATAN*KETERLIBATAN
12.184
3
0.007
2
Effect
Generating
KEGIATAN*KETERLIBATAN
.000
0
.
Class
Seleksi model dengan menggunakan metode Backward Elimination
dimulai dari model umum atau semua kemungkinan dimasukkan. Untuk memilih
model terbaik menggunakan hipotesis sebagai berikut.
H0 : Model 1 adalah model terbaik
H1 : Model 0 adalah model terbaik
Daerah Kritis : Tolak H0 jika G2 > 2(df,)
Keputusan dan kesimpulan : Model 0 adalah model terbaik karena G2 > 2(df,)
Model 0 lengkap sebagai model lengkap
Adanya hubungan antara variabel kegiatan dengan keterlibatan dimana
pengaruh efek utama variabel kegiatan dan variabel keterlibatan juga masuk
dalam model. = 2,52556
Tabel 1.5 Tabel Estimasi Parameter

Effect

KEGIATAN*KETERLIBATA
N
KEGIATAN
KETERLIBATAN

Parameter Estimate

1
2
3
1
2
3
1

0.478
-0.023
0.168
0.166
0.764
-0.143
-0.255

Std.
Error
0.172
0.150
0.188
0.172
0.150
0.188
0.115

95%
Confidence
Interval
Z
P-value
Lower Upper
Bound Bound
2.774 0.006 0.140 0.815
-0.151 0.880 -0.316 0.271
0.897 0.369 -0.199 0.536
0.964 0.335 -0.172 0.504
5.105 0.000 0.471 1.058
-0.765 0.444 -0.511 0.224
-2.219 0.027 -0.481 -0.030

Interpretasi dari model adalah adanya hubungan antara variabel kegiatan

anak di jalan dengan variabel keterlibatan konflik dengan aparat pemerintah.
Keterlibatan konflik dengan aparat
Kegiatan anak di jalan

pemerintah

Ya
Tidak
Koefisien
0.478
-0.478
Asongan
Z-value
2.774
-2.774
Koefisien
-0.023
0.023
Pengamen
Z-value
-0.151
0.151
Koefisien
0.168
-0.168
Pemulung
Z-value
0.897
-0.897
Koefisien
-0.623
0.623
Bermain
Z-value
-3.520
3.520
diketahui bahwa anak jalanan yang memiliki kegiatan sebagai penjual
asongan cenderung memiliki keterlibatan konflik dengan dengan aparat
pemerintah. Kemudian anak jalanan yang memiliki kegiatan di jalan bermain
cenderung tidak memiliki keterlibatan konflik dengan aparat.
1.4

Perhitungan Manual
Berikut perhitungan ekspetasi secara manual pada data hubungan kegiatan

anak di jalan dengan keterlibatan konflik dengan aparat pemerintah.

e11
e12

31 52

127

31 75

e 21
e 22

127

12.693

e31

18.307

e32

23.748

e41

34.252

e42

58 52

127

58 75

127

22 52

127 2

22 75

127 2

16 52

127 2

16 75

127 2

9.008
12.992
6.551
9.449

Uji Goodness of Fit

Berikut perhitungan uji goodness of fit secara manual pada data hubungan

kegiatan anak di jalan dengan keterlibatan konflik dengan aparat pemerintah.

2

ij

eij
eij

19 12.693 2

12.693
11.384
2

12 18.307 2
18.307

...

2 6.551 2
6.551

14 9.449 2
9.449

 nij

G 2 2 nij ln

i
j
eij
19
12
2
14

G 2 2 19 ln
12 ln
2 ln
14 ln
12.693
18.307
6.551
9.449

G 2 12.184

Uji K-Way
Berikut perhitungan uji K-Way secara manual pada data hubungan kegiatan

anak di jalan dengan keterlibatan konflik dengan aparat pemerintah.

K=2

2

ij

eij

eij

19 12.693 2

12.693
2 11.384

12 18.307 2
18.307

...

2 6.551 2
6.551

14 9.449 2
9.449

K=2
nij

G 2 2 nij ln

i
j
eij
19
12
2
14

G 2 2 19 ln
12 ln
2 ln
14 ln
12.693
18.307
6.551
9.449

G 2 12.184