SKRIPSI
Oleh
GALIH SITARESMI HAPSARI
NIM. 06305141024
Alhamdulillah
Skripsi ini aku persembahkan untuk:
Keluargaku tercinta bapak, ibu dan kakak2ku, Sahabat-sahabatku
yang selalu membantu, mengingatkanku, serta memberikan banyak inspirasi
dan semangat bagiku.
5
Dan semua orang yang telah memberikan warna dalam hidupku, terimakasih
atas ilmu, nasehat serta pengalaman uang diberikan.
6
KATA PENGANTAR
Puji syukur penulis panjatkan kehadirat Tuhan yang Maha Esa, yang telah
menyelesaikan skripsi dengan judul Model Log Linear Untuk Tabel Kontingensi
Sleman Tahun 2008 Menurut Umur, Pendidikan dan Jenis Kelamin) ini guna
menyelesaikan studi.
3. Ibu Atmini Dhoruri, MS, selaku Ketua Program Studi Matematika FMIPA
kelancaran studi.
skripsi ini.
5. Seluruh dosen Jurusan Pendidikan Matematika FMIPA Universitas Negeri
7. Semua pihak yang telah membantu sehingga skripsi ini bisa terselesaikan.
banyak kekurangan baik isi maupun susunannya. Oleh karena itu, penulis
mengharapkan kritik dan saran yang membangun dari berbagai pihak demi
perbaikan skripsi ini. Semoga skripsi ini dapat bermanfaat bagi para pembaca.
Penulis
vii
MODEL LOG LINEAR UNTUK
TABEL KONTINGENSI TAK SEMPURNA BERDIMENSI TIGA
(Studi Kasus Jumlah Penduduk Kabupaten Sleman
Tahun 2008 Menurut Umur, Pendidikan dan Jenis Kelamin)
Oleh:
Galih Sitaresmi Hapsari
06305141024
ABSTRAK
88
DAFTAR ISI
BAB I PENDAHULUAN
9
E. Tabel Kontingensi ................................................................................. 11
A. Kesimpulan ........................................................................................... 49
B. Saran ...................................................................................................... 51
LAMPIRAN ................................................................................................. 53
DAFTAR TABEL
Tabel Hlm.
1 Kontingensi I x J ........................................................................ 12
2 Probabilitas 2 Dimensi................................................................ 12
3 Kontingensi 2 x 2 ....................................................................... 16
5 Derajat bebas............................................................................... 33
11 Pemilihan Model......................................................................... 44
13 Analisis Residual......................................................................... 46
DAFTAR GAMBAR
Gambar Hlm.
xii
DAFTAR LAMPIRAN
Lamp Hlm.
xiii
BAB I
PENDAHULUAN
Data yang memuat beberapa kategori ini disebut data kategorik. Data
Data yang akan dianalisis dalam skripsi ini berbentuk data kategorik,
Model Log Linear merupakan salah satu cara menganalisis data kategorik
mencakup asosiasi dua variabel, asosiasi tiga variabel atau lebih. Pola
hubungan antar variabel dapat dilihat dari interaksi antar variabel itu sendiri.
1
Analisis Log Linear tidak membedakan antara variabel penjelas dan variabel
respons.
Tabel kontingensi dan Model Log Linear dapat diterapkan pada kasus-
antar variabel berskala kualitatif dan dengan analisis Log Linear dapat
ada juga tabel kontingensi yang tidak sempurna. Suatu tabel dikatakan tabel
tak sempurna, jika dan hanya jika tabel tersebut mempunyai sebuah sel
kosong atau lebih untuk populasi yang ditinjau. Misalnya data jumlah
tertentu ada sel yang kosong dikarenakan tidak ada yang memenuhi kategori
pendidikan tinggi, selnya akan kosong karena tidak ada kelompok umur
B. Rumusan Masalah
berdimensi tiga?
C. Tujuan Penulisan
Tugas akhir ini disusun sebagai salah satu syarat memperoleh derajat
Secara rinci, berdasarkan latar belakang dan sesuai dengan metode yang
digunakan untuk analisis, maka penulisan tugas akhir ini mempunyai tujuan
sebagai berikut:
2. Sebagai informasi dan masukan bagi peneliti lain yang berminat pada
A. Klasifikasi Data
berikut:
a. Data Primer
sebagainya.
b. Data Sekunder
dan sebagainya.
Data cross section adalah data yang terkumpul pada suatu waktu
b. Data Kuantitatif
empat yaitu data nominal, data ordinal, data interval dan data rasio.
a. Data Nominal
b. Data Ordinal
Data ordinal adalah data yang berasal dari objek atau kategori
harus sama.
Data interval adalah data yang berasal dari objek atau kategori
antara tiap kategori adalah sama. Pada data ini tidak terdapat
d. Data Rasio
Data rasio adalah data yang menghimpun semua ciri dari data
nominal, data ordinal dan data interval. Pada data ini terdapat
B. Variabel Kategorik
dimiliki. Nilai dari kategori sering disebut sub kategori atau disebut juga
tingkat dari variabel kategorik. Data yang diperoleh dari hasil berbagai
macam subjek terhadap satu atau lebih variabel kategorik disebut data
yaitu variabel kategorik dimana jarak antara dua level dapat dibedakan
tingkat kecerdasan / IQ dengan kategori < 120, 121 130 dan >130.
C. Distribusi Poisson
hasil percobaan yang terjadi dalam suatu interval waktu tertentu atau di
Keterangan:
: rata-rata terjadinya suatu peristiwa
dengan sel. Sebagai asumsi distribusi frekuensi pengamatan dalam tiap sel
1. Poisson
merupakan
bilangan bulat non negatif.
2. Multinomial
Model karena
ditentukan.
independen, pengambilan
Karena nilai sampel
n salah
sudah multinomial,
ditentukan
satu ukuran
maka { }sampel
akan mempengaruhi nilaisudah
tidak lagi
yang lain.
3. Product Multinomial
adalah
untuk frekuensi
tabel kontingensi.
variabel pengamatan
baris Dengan pada baris
demikian
dan + merupakan ke-i dan kolom
+ merupakan
total marjinal ke-j pada
totalvariabel
untuk marjinal
kolom.
D. Tabel Kontingensi
a. Tabel kontingensi I x J
Total +1 +2 +
Keterangan:
: frekuensi pengamatan pada baris ke-i dan kolom ke-j
+ : total marjinal pada variabel baris
+ : total marjinal pada variabel kolom
Total +1 +2 + 1
Keterangan:
: probabilitas hasil pengamatan pada baris ke-i dan kolom
ke-j
+ : probabilitas pengamatan kategori Ai
+
+
+ : probabilitas pengamatan kategori Bj
=1
+ =
+
+
+ =
1+ =
+
+
+ =
Karena dengan
multinomial frekuensiukuran
pengamatan
sampeldiasumsikan berdistribusi
n dan probabilitas ,
+ = .
= .
+ . +
+
(2.3)
Dengan n adalah total frekuensi pengamatan. Persamaan
= .
= .
+ .
+
+
+ dapat digunakan apabila
probabilitas populasi tidak diketahui. Probabilitas dapat ditaksir
= . + . +
+ +
=
( + ) +
=
(2.5)
ordinal.
yaitu:
Kriteria keputusan:
H0 ditolak pada taraf signifikansi , jika 2
2 dengan derajat bebas (I-1) (J-1).
Kesimpulan
0
=
Kriteria keputusan:
2 dengan derajat bebas (I-1) (J-1).
Kesimpulan
Perbedaan antara uji independensi dan uji homogenitas adalah
b. Tabel Kontingensi 2 x 2
Keterangan:
a : frekuensi pengamatan pada baris ke-1 dan kolom ke-1
b : frekuensi pengamatan pada baris ke-1 dan kolom ke-2
c : frekuensi pengamatan pada baris ke-2 dan kolom ke-1
d : frekuensi pengamatan pada baris ke-2 dan kolom ke-2
1+ : total marjinal pada variabel baris ke-
1
2+ : total marjinal pada variabel baris ke-
2
+1 : total marjinal pada variabel kolom ke-
1
+2 : total marjinal pada variabel kolom ke-
2
n : total frekuensi pengamatan
1 + . +
Taraf signifikansi : = 0,05
Statistik
uji:
( +
( + )( + )( )(2 +) ) (2.7)
2 =
Kriteria keputusan:
H0 ditolak pada taraf signifikansi , jika 2 2
Kesimpulan
Bukti: 2
( + )( + )
( + )( + )
2
2 =
( + )( + ( + )( +
) )
( + )( + ) 2 ( + )( + ) 2
( + )( +
( + )( + ) )
+
2
2
( + )( + ) ( + )( + )2
= +
( + )( + ) ( +
+ )( + )
2 2
( + )( + ) ( + )( + )
+
( + )( + ) ( + )( + )
diperoleh
( ) ( )
2 = 2 + 2 +
( + )( + ) ( + )( + )
( )2 ( )2
( + )( + ) + ( + )( +
)))
( )2 [()(
+ +
+)( )()(
+ + +) + )] ( +
+ +
2 =
Hipotesis:
++ ++ . +
+ + . +
++
++ .
+
+
+
++. +
++
Kriteria keputusan:
H0 ditolak pada taraf signifikansi , jika 2 2
Kesimpulan
b. Uji homogenitas / kesamaan proporsi
Hipotesis:
0 1+ = 1 ; 2+ = 2 ; ;
+ = ; = 1, ,
1 1+ 1 ; 2+ 2 ; ;
Kriteria keputusan:
H0 ditolak pada taraf signifikansi , jika 2 2
Kesimpulan
Keterangan:
: frekuensi pengamatan sel ke- ijk
= . ++ . + + . ++
(2.10)
dengan
++
++ = ; ++ = =1
=1 (2.11)
+ + = + + ; + + = =1
=1 (2.12)
++
++ = ; ++ = =1 =1 (2.13)
( ++ ) + + ( +
=
+ )
2
(
mempunyai probabilitas ( (
). Dalam model bebas tidak
memuat
interaksi antara dua variabel atau lebih. Selanjutnya menurut
+ .
+
+
+
dalam skala logaritma diperoleh:
log
= log
+log
+ + +
+
Dari persamaan (2.3) yang telah dijelaskan di sub bab
sebelumnya
=
+ .
+
+
+
+ = . + dan + = . +
+ +
sehingga =
( + ) +
=
+
+ log (2.14)
Keterangan:
: frekuensi harapan dalam sel-ij
: parameter rata-rata keseluruhan
: parameter pengaruh tingkat i faktor A
: parameter pengaruh tingkat j faktor B
=1 log
=1
= ( 16)
2
.
=1 log
(2.17)
=1
=1
log
=
log
=1
=1
(2.18)
dengan syarat:
= 0 =
0
=1
derajat bebasnya I + J -1
Sehingga model log = + + disebut sebagai
Keterangan:
: frekuensi harapan dalam sel-ij
: parameter rata-rata keseluruhan
: parameter pengaruh tingkat i faktor A
: parameter pengaruh tingkat j faktor B
: parameter pengaruh faktor interaksi sel - ij
log
=1 =1
=
=1
log = 1
=
log
=1
=1
log log
=1 =1 log =1
= log + (2.19)
=1
dengan syarat:
= = = =0
=1 =1
=1 =1
+
+ =
++ . +
+ + . +
++
(2.20)
dalam bentuk logaritma diperoleh persamaan
log =
log
+++ . +
+ + .
+
++ + (2.21)
++ =
++
+ =
. ++ +
++ = . ++
+ + ++
maka
= ++
++ . + + . ++
=++ + +3 ++
= ( ) 2 ( )
( ++ ) + + ( ++ )
sehingga log = log (2.22)
2
log (2.23
)
dimana
=1 =1 =1
=
log
=1 =1
=
=1 =1 log
=
log
= =1 =1
dengan syarat:
= = = 0
=1 =1
=1
dimana
: frekuensi harapan dalam sel-ij
log
=
=1
=1 (2.28)
log
=1 =1
=
(2.29)
=1 log =1
=1 log =1
= =1 log (2.30)
=1log =1
log =1
=1 =log
1
= (2.31)
log
log log
=1 =1
=1
= log
=1
log
= 1 log
= 1 =1 =1 1=log
+
+ +
(2.33)
dengan syarat:
= =
= = = =
= 0
=1 =1
=1 =1 =1 =
=1 =1
1
BAB III
PEMBAHASAN
untuk melakukan analisis varians dengan variabel tak bebas atau respons
adalah logaritma dari frekuensi yang diharapkan dalam tiap-tiap sel tabel
sel-(i,j,k) darimempunyai
diperhatikan tabel silang berdimensi
variabel tiga,
respons maka
. model Log Linear yang
Pada analisis data kategorik, untuk mencari model yang paling sesuai
terlebih dahulu harus diketahui statistik cukup dan statistik cukup minimal.
Definisi 3.1
Diasumsikan sebuah sampel
untuk klasifikasi silang
dari
variabel-variabel A, B dan C. Diasumsikan variabel A, B dan C
adalah
!
(3.1)
dengan
: frekuensi harapan
: hasil kali seluruh frekuensi sel dalam tabel
: frekuensi pengamatan pada baris ke-i, kolom ke-j
dan
layer ke-k
(
(
(
) = log
(3.2)
Model log linear untuk tabel 3 dimensi secara umum dapat
log +
= + + +
+ +
= + + + + + + +
(3.3)
() = log
= + + + + + + +
+ + + + + + +
= () + +
+ +
+ +
sehingga diperoleh
() = + ++ + + + + ++ +
+ + + +
+ +
+ + + + + + + (3.4)
dan seterusnya
+ ++, +
+ +,
+
+
++ dan seterusnya adalah statistik cukup
.
(AB,C) + , {++
(AC,B) { + }, +
(BC,A) , { +
+ +
(AC,BC) , +
{ + }
(AB,AC) { +
+ ,
(AB,AC,BC) + , {}
+ }, +
(ABC)
Keterangan:
Model (A,B,C) yaitu model yang ketiga faktornya tidak ada
interaksi.
Model (AB,C) yaitu model yang hanya terdapat satu
interaksi
(interaksi antar faktor A dan faktor B).
Begitu juga dengan model-model yang lainnya.
b. Persamaan Likelihood
+ + + +
+
+
+ + + + + + +
=
Jika = 0 maka
= 0
=
++ =
(3.5)
frekuensi pengamatan.
4) Derivatif terhadap
diperoleh
++ = ++ dengan k = 1,2,3,...,K (3.8)
5) Derivatif terhadap diperoleh
+ = + dengan i = 1,2,3,...,I ; j = 1,2,3,...,J (3.9)
6) Derivatif terhadap diperoleh
+ = + dengan i = 1,2,3,...,I ; k = 1,2,3,...,K (3.10)
7) Derivatif terhadap diperoleh
+
+
+ = + +
+ dengan j = 1,2,3,...,J ; k = 1,2,3,...,K (3.11)
dengan data
sampel dalam statistik cukup minimalnya, sehingga merupakan
++
Perhitungan(3.12)
persamaan estimasi frekuensi
dengan = 0.harapan untuk sel kosong menggunakan
menunjukkan bahwa sel yang digunakan hanya sel yang terisi saja
(Bishop, 2007), Apabila 2 2 dengan taraf signifikansi =
0,05 maka model Log Linear yang digunakan sesuai dengan keadaan
sebenarnya.
Selain statistik chi square, dapat juga menggunakan statistik rasio
(3.14)
Derajat bebas dalam uji Goodness of Fit ini adalah selisih antara jumlah sel
yang bebas dengan model yang ditentukan. Perhitungan derajat bebas pada
tabel kontingensi tak sempurna yaitu derajat bebas pada tabel kontingensi
Jika dihitung secara manual, maka derajat bebas pada tabel sempurna dapat
4. Pemilihan model
Model dalam hal ini dipilih menurut nilai statistik rasio Likelihood dan
statistik rasio Likelihood paling besar dan derajat bebasnya juga yang paling
ada dua model atau lebih yang mempunyai derajat sama, maka dipilih salah
satu saja yaitu model yang mempunyai nilai statistik rasio Likelihood paling
kecil.
1 . Diberikan
bersusun
Karena 2dua modelsederhana 1 2 maka
parametrikdari 2 kasus
denganmodel 2 khusus dari
dengan 1lebih
, 1 dan 2 derajat bebas 1 sesatan dan 1 lebih dikatakan
kecil dari
2 maka
(
( 2 ( (1 )( 2 ( 2 )
(3.15)
(
Secara teoretis, 2 ( (
1 ) tidak akan pernah melampaui
( 2 (2 ) diasumsikan
(
( 2 (2 ) = 2 (( (
1 ) + 2
(((
1 + 2 ) (3.16)
( 1( , 2 (2 )
mendekati distribusi chi square dengan derajat bebas 2 . Oleh sebab itu,
(|
diperoleh 2 (2 | (|
1 ) mendekati distribusi chi
2 1 .
6. Analisis Residual
yang umum tentang bagaimana sebuah model sesuai dengan data. Untuk
lebih jauhnya, dapat dilihat pada analisis residu yang dilakukan dalam
(
Residu adalah frekuensi pengamatan ( (
) dikurangi dengan frekuensi
persamaan diperoleh:
=
, i=1,2,...,n
(3.17)
Tujuan daripada analisis residual ini adalah untuk mengukur sisa
variabilitas data pengamatan yang tidak dapat dijelaskan baik oleh masing-
di sekitar nol dengan penyimpangan tidak terlalu besar dari titik nol dan
menurut umur, pendidikan dan jenis kelamin dari keluarga dengan tingkat
Keterangan:
Kategori anak-anak umur 7-12 tahun
Kategori muda umur 13-15 tahun
Kategori remaja umur 16-18 tahun
Kategori dewasa umur 19-24 tahun
Berdasarkan tabel 6 diatas, nampak bahwa ada 12 sel kosong. Hal ini dikarenakan
{
{ {
++},
1 (A,B,C)
2 (AB,C)
{
3 (AC,B)
,
+
+ }
,
+
+ +
+
+
4 (BC,A)
{ ++}
={42093,36750,23999,24051,21706,11190,45461,33025}
5 (AB,BC)
{
6 (AC,BC)
,
+
+ }
+
+
7 (AB,AC)
8 (AB,AC,BC)
+,
{
{ {
9 (ABC)
kemudian didiferensialkan.
Lanjutan tabel 9
41
1 778,177 7.291,294 4.805,612 737,827
1
2 603,823 2.138,816 4.195,621 644,173
1 1.691,493 4.443,599 2.739,883 1.500,375
2
2 1.312,507 1.303,477 2.745,819 1.503,625
3
1 14.410,349 6.126,042 3.914,221 16.751,910
3
2 11.181,653 1.797,001 3.384,651 8.840,083
1 0,000 0,000 0,000 0,000
4
2 2.002,961 8.875,612 10.195,189 2.002,538
1 1 0,000 0,000 0,000 0,000
2 0,000 0,000 0,000 0,000
2 1 0,000 0,000 0,000 0,000
2 0,000 0,000 0,000 0,000
4
1 501,008 7,775,908 8.756,946 501,010
3
2 0,000 0,000 0,000 0,000
1 43.066,070 38,406,156 45.418,250 45.461,000
4
2 33.416,941 31,204,230 22.808,803 31.022,461
Lanjutan tabel 9
42
2 9.079,428 1.996,454 1.758,264 1.503,000
1 5.647,396 21.704,627 20.185,053 20.201,000
2
2 5.942,021 17,246,373 18.765,998 18.750,000
1 12.006,679 3.790,829 5.083,775 4.801,000
3
2 7.304,543 3.012,171 1721,625 2.002,000
1 0,000 0,000 0,000 0,000
4
2 0,000 0,000 0,000 0,000
1 6.332,239 825,429 655,564 500,000
1
2 4.829,239 556,682 727,008 882,000
1 3.610,276 1.794,203 1.150,499 1.001,000
2
2 3.160,699 1.210,039 1.855,114 2.003,000
3
1 7.675,650 15.285,368 16.120,578 16.404,000
3
2 3.885,457 10.308,693 9.468,375 9.188,000
1 0,000 0,000 0,000 0,000
4
2 2.222,233 2.000,585 2.006,970 2.003,00
1 0,000 0,000 0,000 0,000
1
2 0,000 0,000 0,000 0,000
1 0,000 0,000 0,000 0,000
2
2 0,000 0,000 0,000 0,000
4
1 2.023,672 501,002 501,646 501,000
3
2 0,000 0,000 0,000 0,000
1 45.461,000 45.461,000 45.461,000 45.461,000
4
2 30.802,766 31.022,000 31.018,031 31.022,000
43
Tabel 10 Tabel Statistik Rasio Likelihood dan Pearson
No Model Log Db
Linier
1 (A,B,C) 12 172.348,027 184.932,041
2 (AB,C) 3 3.526,864
2 3.495,529
5. Pemilihan model
Dari kesembilan model yang terlihat pada Tabel 10, apabila ada
dua model atau lebih yang mempunyai derajat bebas sama, dipilih satu
saja yang mempunyai nilai statistik rasio Likelihood yang paling kecil,
Dari beberapa
Model (AB,C) model
dipilih di atas, model
karena maka tersebut
model terbaik yaitu nilai
mempunyai model 2(AB,C).
paling
kecil.
7. Analisis Residual
Model yang terbaik untuk data yaitu model dengan simbol (AB,C),
sehingga dilakukan analisis lebih lanjut yaitu analisis residual. Tujuan dari
46
Perempuan 0 ,000 ,000
Laki-laki 501 501,008 -,008
SMA
Perempuan 0 ,000 ,000
Laki-laki 45461 43066,070 2394,930
PT
Perempuan 31022 33416,941 -2394,941
Kabupaten Sleman. Residual yang diperoleh tidak ada yang sama. Nilai
besar dari pada frekuensi pengamatan maka nilai residual negatif. Pada
nilai residual positif yang lebih banyak dari nilai residual negatif. Jika
bawah ini:
47
Gambar 1 Scatterplot Nilai Residual Berdasarkan Nilai Estimasi Frekuensi
Harapan
scatterplot nilai estimasi frekuensi harapan vs nilai residual
3000
2000
1000
C2
-1000
-2000
-3000 1000 2000 3000 40000
0 0 0 0
C1
simbol (AB,C) adalah model terbaik untuk mewakili data dengan kasus
yaitu bahwa faktor umur (A) berhubungan dengan faktor pendidikan (B).
A. Kesimpulan
( (
2 ).
d. Memilih
memenuhimodel
dipilihyang memenuhi.
menurut ( 2 ) dan
Dalam memilih
rasio likelihood modelderajat
yang
bebasnya. Urutan pertama dipilih model yang mempunyai rasio
Apabila ada dua model atau lebih yang mempunyai derajat sama,
maka dipilih salah satu saja yaitu model yang mempunyai rasio
(Likelihood ( 2 )
paling kecil.
e. Membandingkan model dengan partisi chi square. Rasio Likelihood
diamati.
Pada penerapan model Log Linear ini, faktor umur dianggap variabel
bahwa model yang terpilih yaitu model (AB,C), model Log Linearnya
yaitu log = + + . Hal ini berarti yang faktor
+ +
Log Linear dalam tabel kontingensi tak sempurna berdimensi tiga. Hal
menyarankan untuk:
Bishop, Y., Fienberg, S.E. & Holland, P.W. 2007. Discrete Multivariate Analysis.
New York: The MIT Press.
BPS. 2008. Survei Sosial Ekonomi Nasional Kabupaten Sleman. Yogyakarta: BPS
Press.
Stevens, James. 2002. Applied Multivariate Statistics for The Social Sciences.
London: Lawrence Erlbaum Associates Publishers.
Wiley, John, and Sons. 1978. The Analysis of Cross Tabulated Data. New York:
Graham J.G. Upton.
Lampiran 1
B
AB
D P A T
A 72952 6095 0 0
M (
4509 (
38951 (
6803 0(
A
R (
1382 (
3004 (
25592 (
2003
T (0 (0 (501
(76483
( ( ( (
C C
AC BC
L P L P
41384 37663 42093 36750
A D
( ( ( (
28008
1+1 ) 22255
1+2 ) 23999
+11 ) 24051
+12 )
M P
( ( ( (
A B
17905
2+1 ) 14076
2+2 ) 21706
+21 ) 11190
+22 )
R A
( ( ( (
45962
3+1 ) 31022
3+2 ) 45461
+31 ) 33025
+32 )
T T
( ( ( (
L 133259
C
P (105016
(
Lampiran 3
1 , , log = + + +
( )
2 , + + +
log = +
( )
3 , + + +
log = +
( )
4 , + + +
log = +
( )
5 , + + + +
log = +
( )
6 , + + + +
log = +
( )
7 , + + + +
log = +
( )
8 , , + + + + +
log = +
( )
9 + + + + + +
log = +
( )
Lampiran 4
Syntaks Program
*General Tables.
TABLES
/FORMAT BLANK MISSING('.')
/GBASE=CASES
/TABLE=A>B>C BY (STATISTICS)
/STATISTICS
count(C(F5.0)) /
TITLE 'Tabel Kontingensi Menurut UMUR, DIK dan JK'.
COMPUTE CW=1.
IF (A=1&B=3&C=1) CW=0.
IF (A=1&B=4&C=1) CW=0.
IF (A=1&B=3&C=2) CW=0.
IF (A=1&B=4&C=2) CW=0.
IF (A=2&B=4&C=1) CW=0.
IF (A=2&B=4&C=2) CW=0.
IF (A=3&B=4&C=1) CW=0.
IF (A=4&B=1&C=1) CW=0.
IF (A=4&B=2&C=1) CW=0.
IF (A=4&B=1&C=2) CW=0.
IF (A=4&B=2&C=2) CW=0.
IF (A=4&B=3&C=2) CW=0.
EXECUTE.
HILOGLINEAR
A(1,4) B(1,4) C(1,2)
/CWEIGHT=CW
/CRITERIA ITERATION(20) DELTA(.0)
/PRINT=FREQ RESID ASSOCIATION ESTIM
/DESIGN A,B,C.
4.3 Syntaks Program untuk Model (AB,C)
HILOGLINEAR
A(1,4) B(1,4) C(1,2)
/CWEIGHT=CW
/CRITERIA ITERATION(20) DELTA(.0)
/PRINT=FREQ RESID ASSOCIATION ESTIM
/DESIGN A*B,C.
HILOGLINEAR
A(1,4) B(1,4) C(1,2)
/CWEIGHT=CW
/CRITERIA ITERATION(20) DELTA(.0)
/PRINT=FREQ RESID ASSOCIATION ESTIM
/DESIGN A*C,B.
HILOGLINEAR
A(1,4) B(1,4) C(1,2)
/CWEIGHT=CW
/CRITERIA ITERATION(20) DELTA(.0)
/PRINT=FREQ RESID ASSOCIATION ESTIM
/DESIGN B*C,A.
HILOGLINEAR
A(1,4) B(1,4) C(1,2)
/CWEIGHT=CW
/CRITERIA ITERATION(20) DELTA(.0)
/PRINT=FREQ RESID ASSOCIATION ESTIM
/DESIGN A*B,B*C.
HILOGLINEAR
A(1,4) B(1,4) C(1,2)
/CWEIGHT=CW
/CRITERIA ITERATION(20) DELTA(.0)
/PRINT=FREQ RESID ASSOCIATION ESTIM
/DESIGN A*B,A*C.
HILOGLINEAR
A(1,4) B(1,4) C(1,2)
/CWEIGHT=CW
/CRITERIA ITERATION(20) DELTA(.0)
/PRINT=FREQ RESID ASSOCIATION ESTIM
/DESIGN A*B,A*C,B*C.
HILOGLINEAR
A(1,4) B(1,4) C(1,2)
/CWEIGHT=CW
/CRITERIA ITERATION(20) DELTA(.0)
/PRINT=FREQ RESID ASSOCIATION ESTIM
/DESIGN A*B*C.
Lampiran 5
Output Program
Observed Expected
Std.
A B C Count % Count % Residuals Residuals
anak-anak SD laki-laki 38587.000 16.2% 27880.619 11.7% 10706.381 64.120
perempuan 34365.000 14.4% 21184.852 8.9% 13180.148 90.554
SMP laki-laki 2797.000 1.2% 16991.533 7.1% -14194.533 -108.894
perempuan 3298.000 1.4% 12910.870 5.4% -9612.870 -84.601
SMA laki-laki .000 .0% .000 .0% .000 .000
perempuan .000 .0% .000 .0% .000 .000
PT laki-laki .000 .0% .000 .0% .000 .000
perempuan .000 .0% .000 .0% .000 .000
Muda SD laki-laki 3006.000 1.3% 11977.680 5.0% -8971.680 -81.976
perempuan 1503.000 .6% 9101.139 3.8% -7598.139 -79.645
SMP laki-laki 20201.000 8.5% 7299.663 3.1% 12901.337 151.002
perempuan 18750.000 7.9% 5546.589 2.3% 13203.411 177.285
SMA laki-laki 4801.000 2.0% 9265.442 3.9% -4464.442 -46.380
perempuan 2002.000 .8% 7040.265 3.0% -5038.265 -60.046
PT laki-laki .000 .0% .000 .0% .000 .000
perempuan .000 .0% .000 .0% .000 .000
Remaja SD laki-laki 500.000 .2% 4943.015 2.1% -4443.015 -63.195
perempuan 882.000 .4% 3755.909 1.6% -2873.909 -46.894
SMP laki-laki 1001.000 .4% 3012.466 1.3% -2011.466 -36.648
perempuan 2003.000 .8% 2288.996 1.0% -285.996 -5.978
SMA laki-laki 16404.000 6.9% 3823.714 1.6% 12580.286 203.445
perempuan 9188.000 3.9% 2905.416 1.2% 6282.584 116.556
PT laki-laki .000 .0% .000 .0% .000 .000
perempuan 2003.000 .8% 11254.188 4.7% -9251.188 -87.205
Tua SD laki-laki .000 .0% .000 .0% .000 .000
perempuan .000 .0% .000 .0% .000 .000
SMP laki-laki .000 .0% .000 .0% .000 .000
perempuan .000 .0% .000 .0% .000 .000
SMA laki-laki 501.000 .2% 9862.452 4.1% -9361.452 -94.265
perempuan .000 .0% .000 .0% .000 .000
PT laki-laki 45461.000 19.1% 38202.426 16.0% 7258.574 37.137
perempuan 31022.000 13.0% 29027.775 12.2% 1994.225 11.705
60
5.3 Output Program untuk Model (AB,C)
Observed Expected
Std.
A B C Count % Count % Residuals Residuals
61
perempuan 18750.000 7.9% 17018.467 7.1% 1731.533 13.273
remaja SD laki-laki
tua SD laki-laki
62
5.4 Output Program untuk Model (AC,B)
63
muda SD laki-laki 3006.000 1.3% 11405.452 4.8% -8399.452 -78.649
64
5.5 Output Program untuk Model (BC,A)
65
Perempuan .000 .0% .000 .0% .000 .000
remaja SD laki-laki
500.000 .2% 4805.612 2.0% -4305.612 -62.110
tua SD laki-laki
.000 .0% .000 .0% .000 .000
66
5.6 Output Program untuk Model (AB,BC)
Observed Expected
Std.
A B C Count % Count % Residuals Residuals
67
remaja SD laki-laki
500.000 .2% 737.827 .3% -237.827 -8.756
tua SD laki-laki
.000 .0% .000 .0% .000 .000
68
5.7 Output Program untuk Model (AC,BC)
Observed Expected
Std.
A B C Count % Count % Residuals Residuals
69
perempuan 18750.000 7.9% 5942.021 2.5% 12807.979 166.155
remaja SD laki-laki
tua SD laki-laki
70
5.8 Ouput Program untuk Model (AB,AC)
Observed Expected
71
perempuan 1503.000 .6% 1996.454 .8% -493.454 -11.044
remaja SD laki-laki
500.000 .2% 825.429 .3% -325.429 -11.327
tua SD laki-laki
.000 .0% .000 .0% .000 .000
72
5.9 Output Program untuk Model (AB,AC,BC)
Observed Expected
Std.
A B C Count % Count % Residuals Residuals
73
perempuan .000 .0% .000 .0% .000 .000
remaja SD laki-laki
500.000 .2% 655.564 .3% -155.564 -6.076
tua SD laki-laki
.000 .0% .000 .0% .000 .000
74
5.10 Output Program untuk Model (ABC)
Observed Expected
a
A B C Count % Count % Residuals Std. Residuals
75
SMA laki-laki 4801.000 2.0% 4801.000 2.0% .000 .000
Remaja SD laki-laki
500.000 .2% 500.000 .2% .000 .000
Tua SD laki-laki
.000 .0% .000 .0% .000 .000
a. For saturated models, ,000 has been added to all observed cells.
76
77
Lampiran 6
Df 0.995 0.99 0.975 0.95 0.90 0.10 0.05 0.025 0.01 0.005
1 --- --- 0.001 0.004 0.016 2.706 3.841 5.024 6.635 7.879
2 0.010 0.020 0.051 0.103 0.211 4.605 5.991 7.378 9.210 10.597
3 0.072 0.115 0.216 0.352 0.584 6.251 7.815 9.348 11.345 12.838
4 0.207 0.297 0.484 0.711 1.064 7.779 9.488 11.143 13.277 14.860
5 0.412 0.554 0.831 1.145 1.610 9.236 11.070 12.833 15.086 16.750
6 0.676 0.872 1.237 1.635 2.204 10.645 12.592 14.449 16.812 18.548
7 0.989 1.239 1.690 2.167 2.833 12.017 14.067 16.013 18.475 20.278
8 1.344 1.646 2.180 2.733 3.490 13.362 15.507 17.535 20.090 21.955
9 1.735 2.088 2.700 3.325 4.168 14.684 16.919 19.023 21.666 23.589
10 2.156 2.558 3.247 3.940 4.865 15.987 18.307 20.483 23.209 25.188
11 2.603 3.053 3.816 4.575 5.578 17.275 19.675 21.920 24.725 26.757
12 3.074 3.571 4.404 5.226 6.304 18.549 21.026 23.337 26.217 28.300
13 3.565 4.107 5.009 5.892 7.042 19.812 22.362 24.736 27.688 29.819
14 4.075 4.660 5.629 6.571 7.790 21.064 23.685 26.119 29.141 31.319
15 4.601 5.229 6.262 7.261 8.547 22.307 24.996 27.488 30.578 32.801
16 5.142 5.812 6.908 7.962 9.312 23.542 26.296 28.845 32.000 34.267
17 5.697 6.408 7.564 8.672 10.085 24.769 27.587 30.191 33.409 35.718
18 6.265 7.015 8.231 9.390 10.865 25.989 28.869 31.526 34.805 37.156
19 6.844 7.633 8.907 10.117 11.651 27.204 30.144 32.852 36.191 38.582
20 7.434 8.260 9.591 10.851 12.443 28.412 31.410 34.170 37.566 39.997
21 8.034 8.897 10.283 11.591 13.240 29.615 32.671 35.479 38.932 41.401
22 8.643 9.542 10.982 12.338 14.041 30.813 33.924 36.781 40.289 42.796
23 9.260 10.196 11.689 13.091 14.848 32.007 35.172 38.076 41.638 44.181
24 9.886 10.856 12.401 13.848 15.659 33.196 36.415 39.364 42.980 45.559
25 10.520 11.524 13.120 14.611 16.473 34.382 37.652 40.646 44.314 46.928
26 11.160 12.198 13.844 15.379 17.292 35.563 38.885 41.923 45.642 48.290
27 11.808 12.879 14.573 16.151 18.114 36.741 40.113 43.195 46.963 49.645
28 12.461 13.565 15.308 16.928 18.939 37.916 41.337 44.461 48.278 50.993
29 13.121 14.256 16.047 17.708 19.768 39.087 42.557 45.722 49.588 52.336
30 13.787 14.953 16.791 18.493 20.599 40.256 43.773 46.979 50.892 53.672
40 20.707 22.164 24.433 26.509 29.051 51.805 55.758 59.342 63.691 66.766
50 27.991 29.707 32.357 34.764 37.689 63.167 67.505 71.420 76.154 79.490
60 35.534 37.485 40.482 43.188 46.459 74.397 79.082 83.298 88.379 91.952
70 43.275 45.442 48.758 51.739 55.329 85.527 90.531 95.023 100.425 104.215
80 51.172 53.540 57.153 60.391 64.278 96.578 101.879 106.629 112.329 116.321
90 59.196 61.754 65.647 69.126 73.291 107.565 113.145 118.136 124.116 128.299
100 67.328 70.065 74.222 77.929 82.358 118.498 124.342 129.561 135.807 140.169
78