Tugas Kelompok

Analisis Data Kategorik

UJI GOODESS OF FIT DAN ESTIMASI PARAMETER MODEL

LOG LINIER

OLEH:

KELOMPOK 4

SURYA CAHYADI SYAM H12116002

DEWI RAHMA ENTE H12116006
ROSDIANA H12116010
DEWI SANTIKA UPA H12116024
RAYHANNA AULIYA AMIN H12116302

PROGRAM STUDI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HASANUDDIN
2018
 UJI GOODESS OF FIT DAN ESTIMASI PARAMETER MODEL
LOG LINIER
A. MODEL LOG LINEAR
Model Log Linear merupakan suatu model khusus yang dipergunakan untuk
melakukan analisis data kategorik berskala nominal. Model Log Linear pada dasarnya
merupakan model linier univariat yang dipergunakan untuk melakukan analisis varians
dengan variabel tak bebas atau respons adalah logaritma dari frekuensi yang diharapkan
dalam tiap-tiap sel tabel silang yang diperhatikan. Jika m_ijk menyatakan frekuensi
ekspektasi dalam sel-(i,j,k) dari tabel silang berdimensi tiga, maka model Log Linear
yang diperhatikan mempunyai variabel respons log⁡(m_ijk )
Analisis Log Linear dapat digunakan untuk menganalisis pola hubungan antar
sekelompok variabel kategori yang mencakup asosiasi dua variabel, asosiasi tiga variabel
atau lebih. Pola hubungan antar variabel dapat dilihat dari interaksi antar variabel itu
sendiri. Analisis Log Linear tidak membedakan antara variabel penjelas dan variabel
respons.
Pada analisis data kategorik, untuk mencari model yang paling sesuai terlebih dahulu
harus diketahui statistik cukup dan statistik cukup minimal. Misalkan
𝑋1, 𝑋2, 𝑋3, . . . , 𝑋𝑛 sampel random dari fungsi probabilitas 𝑓(𝑥; 𝜃). Statistik 𝑊 =
ℎ (𝑋1, 𝑋2, 𝑋3, . . . , 𝑋𝑛) dikatakan cukup (sufficient) untuk 𝜃 apabila semua 𝜃 dan semua hasil
yang mungkin, fungsi probabilitas 𝑋1, 𝑋2, 𝑋3, . . . , 𝑋𝑛 jika diketahui w tidak tergantung pada
𝜃, baik dalam fungsi itu sendiri atau dalam wilayah fungsi itu. (Soejoeti, 1990).
Menurut Bain dan Engelhardt (1991:337), suatu himpunan statistik dikatakan
sebagai himpunan statistik cukup minimal jika anggota-anggotanya adalah statistik
cukup gabungan untuk parameter dan jika statistik-statistik tersebut merupakan fungsi
dari himpunan statistik cukup gabungan yang lain.
Adapun model dari log linier yaitu :
1. Tabel 2 Dimensi
2. Tabel 3 Dimensi

2
B. ESTIMASI FREKUENSI HARAPAN
Estimasi frekuensi harapan merupakan perkiraan yang terjadi dari nilai masing-
masing kategori pada setiap variabelnya. Misal diasumsikan sebuah model (AC, BC)
dengan A dan B adalah variabel bebas dan C adalah variabel terikat memenuhi:
𝑝𝑖+𝑘 𝑝+𝑗𝑘
𝑝𝑖𝑗𝑘 = 𝑝++𝑘
, untuk semua i, j dan k

Menurut Bishop (2007), untuk sampel berdistribusi Poisson digunakan rumus yang
berkaitan dengan frekuensi harapan
𝑚𝑖+𝑘 𝑚+𝑗𝑘
𝑚𝑖𝑗𝑘 = 𝛿𝑖𝑗𝑘
𝑚++𝑘
dari persamaan tersebut kemudian diperoleh estimasi m_ijk yaitu
𝑛𝑖+𝑘 𝑛+𝑗𝑘
𝑚̂ 𝑖𝑗𝑘 = 𝛿𝑖𝑗𝑘
𝑛++𝑘
Keterangan :
1,𝑢𝑛𝑡𝑢𝑘 𝑠𝑒𝑙 𝑦𝑎𝑛𝑔 𝑡𝑒𝑟𝑖𝑠𝑖
𝛿𝑖𝑗𝑘 = {0,𝑢𝑛𝑡𝑢𝑘 𝑠𝑒𝑙 𝑘𝑜𝑠𝑜𝑛𝑔

C. UJI GOODESS OF FIT PADA MODEL LOG LINEAR

Setelah didapatkan estimasi parameter model, langkah selanjutnya adalah melakukan uji
goodness of fit. Uji Goodness of Fit dapat menggunakan dua statistik uji yaitu statistik Chi-
Square atau Likelihood Rasio Square. Adapun Menurut Suryanto (1988:274), setelah
diperoleh estimasi frekuensi harapan, perlu membandingkan frekuensi-frekuensi hasil
pengamatan dengan estimasi frekuensi harapan untuk mengetahui apakah model log linear
yang digunakan cocok dengan keadaan sebenarnya.
Rumusan hipotesisnya adalah sebagai berikut:
𝐻0 : model Log Linear yang digunakan cocok dengan keadaan sebenarnya
𝐻1 : model Log Linear yang digunakan tidak cocok dengan keadaan sebenarnya
Untuk menguji hipotesis bahwa estimasi frekuensi harapan populasi memenuhi model
yang diberikan dengan menggunakan statistik chi square
 Untuk 2 Dimensi
2
2
(𝑛𝑖𝑗 − 𝑚𝑖𝑗 )
∗
𝜒 =Σ
𝑚𝑖𝑗
Ket :
𝑛𝑖𝑗 ∶ 𝑂𝑏𝑠𝑒𝑟𝑣𝑎𝑠𝑖 𝑝𝑎𝑑𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑖 𝑑𝑎𝑛 𝑗
𝑚𝑖𝑗 ∶ 𝑁𝑖𝑙𝑎𝑖 𝐻𝑎𝑟𝑎𝑝𝑎𝑛 𝑝𝑎𝑑𝑎 𝑠𝑒𝑙 𝑖 𝑑𝑎𝑛 𝑗

3
  Untuk 3 Dimensi
2
2
(𝑛𝑖𝑗𝑘 − 𝑚𝑖𝑗𝑘 )
∗
𝜒 =Σ
𝑚𝑖𝑗𝑘

keterangan ∶
𝑛𝑖𝑗𝑘 ∶ 𝑂𝑏𝑠𝑒𝑟𝑣𝑎𝑠𝑖 𝑝𝑎𝑑𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑖, 𝑗 𝑑𝑎𝑛 𝑘
𝑚𝑖𝑗𝑘 ∶ 𝑁𝑖𝑙𝑎𝑖 𝐻𝑎𝑟𝑎𝑝𝑎𝑛 𝑝𝑎𝑑𝑎 𝑠𝑒𝑙 𝑖 , 𝑗 𝑑𝑎𝑛 𝑘
Σ ∗ menunjukkan bahwa sel yang digunakan hanya sel yang terisi saja (Bishop, 2007),
2 2
Apabila 𝜒ℎ𝑖𝑡𝑢𝑛𝑔 ≥ 𝜒𝑡𝑎𝑏𝑒𝑙 dengan taraf signifikansi 𝛼=0,05 maka gagal tolak 𝐻0 yang berarti
model Log Linear yang digunakan sesuai dengan keadaan sebenarnya.
Selain statistik chi square, dapat juga menggunakan statistik rasio Likelihood dengan
rumus sebagai berikut:
 Untuk 2 Dimensi
(𝑛𝑖𝑗 )
𝐺 2 = 2Σ ∗ 𝑛𝑖𝑗 log
𝑚𝑖𝑗
 Untuk 3 Dimensi
(𝑛𝑖𝑗𝑘 )
𝐺 2 = 2Σ ∗ 𝑛𝑖𝑗𝑘 log
𝑚𝑖𝑗𝑘
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 sempurna dikurangi banyaknya sel
kosong.
Jika dihitung secara manual, maka derajat bebas pada tabel sempurna dapat dihitung
sebagai berikut:
Tabel 5 Tabel Derajat Bebas
Model Log Linear Derajat bebas
(A,B,C) IJK – I – J – K + 2
(AB,C) (IJ - 1) (K - 1)
(AC,B) (IK - 1) (J - 1)
(BC,A) (JK - 1) (I - 1)
(AB,BC) J (I - 1) (K - 1)
(AC,BC) K (I - 1) (J - 1)
(AB,AC) I (J -1) (K - 1)
(AB,AC,BC) (I - 1) (J - 1) (K - 1)
(ABC) 0

4
D. ESTIMASI PARAMETER MODEL LOG LINEAR

1. Tabel 2 Dimensi
1.1 Model Bebas (Independen)
Diketahui probabilitas dari sel kategori 2 dimensi yang saling bebas sehingga
𝑝𝑖𝑗 = 𝑝𝑖+ . 𝑝+𝑗
dalam bentuk logaritma diperoleh persamaan
log (𝑝𝑖𝑗 ) = log(𝑝𝑖+ . 𝑝+𝑗 )
dan jika diketahui 𝑚𝑖𝑗 = 𝑛. 𝑝𝑖𝑗
𝑚𝑖+ = 𝑛 . 𝑝𝑖+
𝑚𝑖𝑗 = 𝑛 . 𝑝𝑖+ . 𝑝+𝑗
𝑚𝑖+ = 𝑛 . 𝑝𝑖+ 𝑑𝑎𝑛 𝑚+𝑗 = 𝑛. 𝑝+𝑗
maka
𝑚𝑖𝑗 𝑚𝑖+ 𝑚+𝑗
=( )( )
𝑛 𝑛 𝑛
(𝑚𝑖+ )(𝑚+𝑗 )
𝑚𝑖𝑗 =
𝑛

sehingga

log(𝑚𝑖𝑗 ) = log 𝑚𝑖+ + log 𝑚+𝑗 − log 𝑛

dan bila variabel baris dilambangkan dengan A, variabel kolom dengan B. Maka model bebasnya
dapat disajikan dalam persamaan berikut ini:

log(𝑚𝑖𝑗 ) = μ + 𝜆𝑖𝐴 + 𝜆𝑗𝐵

Keterangan :
𝑚𝑖𝑗 =frekuensi harapan dalam sel-ij
μ = parameter rata-rata keseluruhan
𝜆𝑖𝐴 =parameter pengaruh tingkat i faktor A
𝜆𝑗𝐵 = parameter pengaruh tingkat j faktor B
Untuk mencari nilai parameter dari μ, 𝜆𝑖𝐴 , 𝜆𝐵𝑖 , 𝑑𝑎𝑛 𝜆𝐶𝑖
∑𝐼𝑖=1 ∑𝐽𝑗=1 log(𝑚𝑖𝑗 )
μ=
𝐼𝐽

5
 ∑𝐽𝑗=1 log(𝑚𝑖𝑗 )
𝜆𝑖𝐴 = −μ
𝐽
∑𝐼𝐼=1 log(𝑚𝑖𝑗𝑘 )
𝜆𝑗𝐵 = −μ
𝐼
Dengan syarat
𝐼 𝐽
∑ 𝜆𝑖𝐴 = ∑ 𝜆𝐵𝑖 = 0
𝑖=1 𝑗=1

1.2 Model Lengkap (saturated)

Apabila terdapat interaksi pada setiap variabelnya, maka Model Log Linear lengkapnya
adalah
log(𝑚𝑖𝑗 ) = μ + 𝜆𝑖𝐴 + 𝜆𝑗𝐵 + 𝜆𝑖𝑗
𝐴𝐵

keterangan :
𝑚𝑖𝑗 =frekuensi harapan dalam sel-ij
μ = parameter rata-rata keseluruhan
𝜆𝑖𝐴 =parameter pengaruh tingkat i faktor A
𝜆𝐵𝑖 = parameter pengaruh tingkat j faktor B
𝐴𝐵
𝜆𝑖𝑗 =parameter pengaruh faktor interaksi sel – ij

dimana,
∑𝐼𝑖=1 ∑𝐽𝑗=1 log(𝑚𝑖𝑗 )
μ=
𝐼𝐽
∑𝐽𝑗=1 log(𝑚𝑖𝑗 )
𝜆𝑖𝐴 = −μ
𝐽
∑𝐼𝐼=1 log(𝑚𝑖𝑗 )
𝜆𝐵𝑖 = −μ
𝐼
∑𝐽𝑗=1 𝑚𝑖𝑗 ∑𝐼𝐼=1 𝑚𝑖𝑗 ∑𝐼𝑖=1 ∑𝐽𝑗=1 𝑚𝑖𝑗
𝐴𝐵
𝜆𝑖𝑗 = log 𝑚𝑖𝑗 − − + − μ
𝐽 𝐼 𝐼𝐽
Dengan syarat
𝐼 𝐽 𝐼 𝐽
∑ 𝜆𝑖𝐴 = ∑ 𝜆𝐵𝑖 == ∑ 𝐴𝐵
𝜆𝑖𝑗 =∑ 𝐴𝐵
𝜆𝑖𝑗 =0
𝑖=1 𝑗=1 𝑖=1 𝑗=1

6
2. Tabel 3 Dimensi
Model log linear merupakan salah satu cara menganalisis data kategorik jika variabel
yang diperhatikan dalam suatu data kategorik tersebut berbentuk variabel kategorik. Ada dua
model log linear untuk tabel kontingensi yaitu model bebas dan model lengkap.

2.1 Model Bebas (Independen)

Diketahui probabilitas dari sel kategori 3 dimensi yang saling bebas sehingga
𝑝𝑖𝑗𝑘 = 𝑝𝑖++ . 𝑝+𝑗+ . 𝑝++𝑘
dalam bentuk logaritma diperoleh persamaan
log (𝑝𝑖𝑗𝑘 ) = log(𝑝𝑖++ . 𝑝+𝑗+ . 𝑝++𝑘 )
dan jika diketahui 𝑚𝑖𝑗𝑘 = 𝑛. 𝑝𝑖𝑗𝑘
𝑚𝑖++ = 𝑛 . 𝑝𝑖++
𝑚+𝑗+ = 𝑛 . 𝑝+𝑗+
𝑚++𝑘 = 𝑛 . 𝑝++𝑘
maka
𝑚𝑖𝑗𝑘 𝑚𝑖++ 𝑚+𝑗+ 𝑚++𝑘
=( )( )( )
𝑛 𝑛 𝑛 𝑛
(𝑚𝑖++ )(𝑚+𝑗+ )(𝑚++𝑘 )
𝑚𝑖𝑗𝑘 =
𝑛2

sehingga
(𝑚𝑖++ )(𝑚+𝑗+ )(𝑚++𝑘 )
log(𝑚𝑖𝑗𝑘 ) = log [ ]
𝑛2
log(𝑚𝑖𝑗𝑘 ) = log 𝑚𝑖++ + log 𝑚+𝑗+ + log 𝑚++𝑘 − 2 log 𝑛

dan bila variabel baris dilambangkan dengan A, variabel kolom dengan B dan variabel layer
dengan C, maka

log(𝑚𝑖𝑗𝑘 ) = μ + 𝜆𝑖𝐴 + 𝜆𝐵𝑖 + 𝜆𝐶𝑖

Keterangan :
𝑚𝑖𝑗𝑘 =frekuensi harapan dalam sel-ij
μ = parameter rata-rata keseluruhan
𝜆𝑖𝐴 =parameter pengaruh tingkat i faktor A
𝜆𝐵𝑖 = parameter pengaruh tingkat j faktor B

7
𝜆𝐶𝑖 =parameter pengaruh tingkat k faktor C
Untuk mencari nilai parameter dari μ, 𝜆𝑖𝐴 , 𝜆𝐵𝑖 , 𝑑𝑎𝑛 𝜆𝐶𝑖
∑𝐼𝑖=1 ∑𝐽𝑗=1 ∑𝐾
𝑘=1 log(𝑚𝑖𝑗𝑘 )
μ=
𝐼𝐽𝐾
∑𝐽𝑗=1 ∑𝐾
𝑘=1 log(𝑚𝑖𝑗𝑘 )
𝜆𝑖𝐴 = −μ
𝐽𝐾
∑𝐼𝐼=1 ∑𝐾
𝑘=1 log(𝑚𝑖𝑗𝑘 )
𝜆𝐵𝑖 = −μ
𝐼𝐾
∑𝐼𝑖=1 ∑𝐽𝑗=1 log(𝑚𝑖𝑗𝑘 )
𝜆𝐶𝑖 = −μ
𝐼𝐽
Dengan syarat
𝐼 𝐽 𝐾
∑ 𝜆𝑖𝐴 = ∑ 𝜆𝐵𝑖 =∑ 𝜆𝐶𝑖 = 0
𝑖=1 𝑗=1 𝑘=1

2.2 Model Lengkap (saturated)

Apabila terdapat interaksi pada setiap variabelnya, maka Model Log Linear lengkapnya
adalah
𝐴𝐶 𝐵𝐶 𝐴𝐵𝐶
log(𝑚𝑖𝑗𝑘 ) = μ + 𝜆𝑖𝐴 + 𝜆𝑗𝐵 + 𝜆𝐶𝑘 + 𝜆𝑖𝑗
𝐴𝐵
+ 𝜆𝑖𝑘 + 𝜆𝑗𝑘 + 𝜆𝑖𝑗𝑘
keterangan :
𝑚𝑖𝑗𝑘 =frekuensi harapan dalam sel-ij
μ = parameter rata-rata keseluruhan
𝜆𝑖𝐴 =parameter pengaruh tingkat i faktor A
𝜆𝐵𝑖 = parameter pengaruh tingkat j faktor B
𝜆𝐶𝑖 =parameter pengaruh tingkat k faktor C
𝜆𝑖𝐴𝐵 =parameter pengaruh faktor interaksi sel – ij
𝜆𝑖𝐴𝐶 =parameter pengaruh faktor interaksi sel – ik
𝜆𝐵𝐶
𝑖 =parameter pengaruh faktor interaksi sel – jk

𝜆𝑖𝐴𝐵𝐶 = parameter pengaruh faktor interaksi sel – ijk

dimana,
∑𝐼𝑖=1 ∑𝐽𝑗=1 ∑𝐾
𝑘=1 log(𝑚𝑖𝑗𝑘 )
μ=
𝐼𝐽𝐾
∑𝐽𝑗=1 ∑𝐾
𝑘=1 log(𝑚𝑖𝑗𝑘 )
𝜆𝑖𝐴 = −μ
𝐽𝐾

8
 ∑𝐼𝐼=1 ∑𝐾
𝑘=1 log(𝑚𝑖𝑗𝑘 )
𝜆𝐵𝑖 = −μ
𝐼𝐾
∑𝐼𝑖=1 ∑𝐽𝑗=1 log(𝑚𝑖𝑗𝑘 )
𝜆𝐶𝑖 = −μ
𝐼𝐽
∑𝐾
𝑘=1 log(𝑚𝑖𝑗𝑘 )
∑𝐽𝑗=1 ∑𝐾
𝑘=1 log(𝑚𝑖𝑗𝑘 ) ∑𝐼𝐼=1 ∑𝐾
𝑘=1 log(𝑚𝑖𝑗𝑘 )
𝐴𝐵
𝜆𝑖𝑗 = − − − μ
𝐾 𝐽𝐾 𝐼𝐾
∑𝐽𝑗=1 log(𝑚𝑖𝑗𝑘 ) ∑𝐽𝑗=1 ∑𝐾
𝑘=1 log(𝑚𝑖𝑗𝑘 ) ∑𝐼𝑖=1 ∑𝐽𝑗=1 log(𝑚𝑖𝑗𝑘 )
𝜆𝐵𝐶
𝑖 = − − −μ
𝐽 𝐽𝐾 𝐼𝐽
∑𝐼𝑖=1 log(𝑚𝑖𝑗𝑘 ) ∑𝐼𝐼=1 ∑𝐾
𝑘=1 log(𝑚𝑖𝑗𝑘 )
∑𝐼𝑖=1 ∑𝐽𝑗=1 log(𝑚𝑖𝑗𝑘 )
𝜆𝑖𝐴𝐶 = − − −μ
𝐼 𝐼𝐾 𝐼𝐽
𝐽
∑𝐼𝑖=1 log(𝑚𝑖𝑗𝑘 ) ∑𝑗=1 log(𝑚𝑖𝑗𝑘 ) ∑𝐾
𝑘=1 log(𝑚𝑖𝑗𝑘 )
𝜆𝑖𝐴𝐵𝐶 = log(𝑚𝑖𝑗𝑘 ) − − −
𝐼 𝐽 𝐾
∑𝐼𝑖=1 ∑𝐽𝑗=1 log(𝑚𝑖𝑗𝑘 ) ∑𝐼𝐼=1 ∑𝐾
𝑘=1 log(𝑚𝑖𝑗𝑘 )
∑𝐽𝑗=1 ∑𝐾
𝑘=1 log(𝑚𝑖𝑗𝑘 )
+ + +
𝐼𝐽 𝐼𝐾 𝐽𝐾
Dengan syarat
𝐼 𝑗 𝐾
𝐼 𝐽 𝐾 𝐼 𝐽
∑ 𝜆𝑖𝐴 =∑ 𝜆𝐵𝑖 = ∑ 𝜆𝐶𝑖 =∑ 𝐴𝐵
𝜆𝑖𝑗 =∑ 𝐴𝐶
𝜆𝑖𝑗 = ⋯ = ∑ ∑ ∑ 𝜆𝐶𝑖 = 0
𝑖=1 𝑗=1 𝑘=1 𝑖=1 𝑗=1
𝑖=1 𝑗=1 𝑘=1

9
Contoh 1:
Tentukan estimasi parameter log linier dan berikan kesimpulan dari data 964 orang yang
terdiri dari dua kategori, yaitu diagnosa penyakit diabetes dan kebiasaan minum kopi yang
termuat pada tabel berikut:
Penyelesaian :

Kebiasaan
Diagnosa
No Tidak Minum Total
Diabetes Tipe 2 Minum Kopi
Kopi
1 Normal 148 334 482
2 DM Tipe 2 242 240 482
Jumlah 390 574 964
Model log linier :

𝑣𝑖𝑗 = 𝜇 + 𝜆𝑖𝐴 + 𝜆𝑗𝐵 + 𝜆𝑖𝑗

𝐴𝐵
(𝑖 = 1,2; 𝑗 = 1,2)

Keterangan :
𝑣𝑖𝑗 = Logaritma natural (ln) dari peluang sel (i,j)
𝜇 = Rataan Umum
𝜆𝑖𝐴 = Kontribusi Diagnosa Diabetes tipe 2
𝜆𝑗𝐵 = Kontribusi kebiasaan
𝐴𝐵
𝜆𝑖𝑗 = interaksi (menunjukkan bebas tidaknya A dan B dalam membentuk 𝑃𝑖𝑗 )

ln 𝑛𝑖𝑗 :

Kebiasaan
Diagnosa Diabetes
No Tidak Minum
Tipe 2 Minum Kopi
Kopi
1 Normal 4.99 5.81
2 DM Tipe 2 5.49 5.48

Sehingga:
 Estimasi Parameter
𝑣11 +𝑣12 −𝑣21 −𝑣22 4.99+5.81−5.49−5.48
𝜆̂1𝐴 = = = −0.04 → 𝜆̂2𝐴 = 0.04
4 4
𝑣11 −𝑣12 +𝑣21 −𝑣22 4.99−5.81+5.49−5.48
𝜆̂1𝐵 = = = −0.20 → 𝜆̂𝐵2 = 0.20
4 4

10
 𝑣11 −𝑣12 −𝑣21 +𝑣22 4.99−5.81−5.49+5.48
𝜆̂11
𝐴𝐵
= = = −0.21 → 𝜆̂12
𝐴𝐵
= 0.21; 𝜆̂21
𝐴𝐵
= 0.21; 𝜆̂22
𝐴𝐵
=
4 4
−0.21
𝜇̂ = 5.44

 𝑉̂11 = 𝜇̂ + 𝜆̂1𝐴 + 𝜆̂1𝐵 + 𝜆̂11

𝐴𝐵

4.99 = 5.44 − 0.04 − 0.20 − 0.21 ← 𝒋𝒆𝒏𝒖𝒉

 𝑉̂21 = 𝜇̂ + 𝜆̂2𝐴 + 𝜆̂1𝐵 + 𝜆̂21
𝐴𝐵

 5.49 = 5.44 + 0.04 − 0.20 + 0.21

𝐴𝐵
Jika diinginkan menilai bebas/tidaknya A dan B, maka ujilah 𝜆𝑖𝑗

Hipotesis :
𝐻0 : A dan B bebas (𝑃𝑖𝑗 = 𝑃𝑖. 𝑃.𝑗 , ∀𝑖𝑗 )

Kalau 𝐻0 benar maka :

(1) 𝑣𝑖𝑗 = 𝜇 + 𝜆𝑖𝐴 + 𝜆𝑗𝐵 (𝑖 = 1,2; 𝑗 = 1,2)
𝑛𝑖. 𝑛.𝑗
(2) Freskuensi harapan sel (I,j) adalah 𝑒𝑖𝑗 = (𝑃𝑖. 𝑃.𝑗 ) ∗ 𝑓 = 𝑛..

sehingga apabila 𝐻0 benar maka isi sel (I,j) :

Kebiasaan
Diagnosa
No Tidak Minum
Diabetes Tipe 2 Minum Kopi
Kopi
1 Normal 195 287
2 DM Tipe 2 195 287
ln 𝑒𝑖𝑗 :

Kebiasaan
Diagnosa
No Tidak Minum
Diabetes Tipe 2 Minum Kopi
Kopi
1 Normal 5.27 5.66
2 DM Tipe 2 5.27 5.66

 Estimasi Parameter
𝑣11 +𝑣12 −𝑣21 −𝑣22 5.27+5.66−5.27−5.66
𝜆̂1𝐴 = = = 00 → 𝜆̂2𝐴 = 0
4 4
𝑣11 −𝑣12 +𝑣21 −𝑣22 5.27−5.66+5.27−5.66
𝜆̂1𝐵 = = = −0.19 → 𝜆̂𝐵2 = 0.19
4 4

𝜇̂ = 5.46

11
Evaluasi 𝜆̂𝑖𝑗
𝐴𝐵
dilakukan dengan cara membandingkan model 𝑣𝑖𝑗 = 𝜇 + 𝜆𝑖𝐴 + 𝜆𝑗𝐵 + 𝜆𝑖𝑗
𝐴𝐵

dengan model 𝑣𝑖𝑗 = 𝜇 + 𝜆𝑖𝐴 + 𝜆𝑗𝐵

Dengan kriteria pembanding nisbah kemungkinan (likelihood ratio).

𝑛𝑖𝑗
𝐺 2 = 2 ∑ 𝑛𝑖𝑗 ln ( )
𝑒𝑖𝑗
= 2[148(4.99 − 5.27) + 334(5.81 − 5.66) + 242(5.49 − 5.27)
+ 240(5.48 − 5.66)] = 37.4
2
𝑋(1)0.05 = 3.841

𝐻0 : A dan B ditolak karena penghapusan 𝜆̂𝑖𝑗

𝐴𝐵
dalam model 𝑣𝑖𝑗 = 𝜇 + 𝜆𝑖𝐴 + 𝜆𝑗𝐵 + 𝜆𝑖𝑗
𝐴𝐵

signifikan menurunkan kecocokan model sehingga, Kebiasaan mengkonsumsi kopi atau

tidak berkaitan dengan diagnose diabetes tipe 2

Contoh 2:
Tentukan estimasi parameter log linier dan berikan kesimpulan dari data BPS Kabupaten
Sleman yang diperoleh pada table, dimana memuat data 238.275 orang dan diklasifikasikan
berdasarkan tiga kategori yaitu pendidikan, jenis kelamin dan umur sebagai berikut:

Tabel 1. Data Jumlah Penduduk

Pendidikan
Umur (Tahun) Jenis Kelamin Jumlah
tertinggi
Laki-laki 38587
SD
Perempuan 34365
Anak-anak
Laki-laki 2797
SMP
Perempuan 3298
Laki-laki 3006
SD
Perempuan 1503
Muda
Laki-laki 20201
SMP
Perempuan 18750
Sumber : Susenas BPS Kabupaten Sleman Tahun 2008

Keterangan:
Kategori anak-anak umur 7-12 tahun
Kategori muda umur 13-15 tahun

12
Kategori
 Variabel 1: 1 (Anak-Anak)
2 (Muda)
 Variabel 2: 1 (SD)
2 (SMP)
 Variabel 3: 1 (Laki-laki)
2 (Perempuan)

i j k frekuensi ln frek
1 1 1 38587 10.5607
1 1 2 34365 10.4448
1 2 1 2797 7.9363
1 2 2 3298 8.10107
2 1 1 3006 8.00837
2 1 2 1503 7.31522
2 2 1 20201 9.91349
2 2 2 18750 9.83895
 Estimasi parameter
∑2𝑗=1 ∑2𝑘=1 ln 𝑚1𝑗𝑘 ∑2𝑖=1 ∑2𝑗=1 ∑2𝑘=1 ln 𝑚𝑖𝑗𝑘
𝜆1𝐴 = − = 9.260 – 9.014 = 0.2458
𝑗𝑘 𝑖𝑗𝑘

∑2𝑗=1 ∑2𝑘=1 ln 𝑚2𝑗𝑘 ∑2𝑖=1 ∑2𝑗=1 ∑2𝑘=1 ln 𝑚𝑖𝑗𝑘

𝜆2𝐴 = − = 8.769 – 9.014 = -0.2458
𝑗𝑘 𝑖𝑗𝑘

∑2𝑖=1 ∑2𝑘=1 ln 𝑚𝑖1𝑘 ∑2𝑖=1 ∑2𝑗=1 ∑2𝑘=1 ln 𝑚𝑖𝑗𝑘

𝜆1𝐵 = − = 9.082 – 9.014 = 0.0674
𝑖𝑘 𝑖𝑗𝑘

∑2𝑖=1 ∑2𝑘=1 ln 𝑚𝑖2𝑘 ∑2𝑖=1 ∑2𝑗=1 ∑2𝑘=1 ln 𝑚𝑖𝑗𝑘

𝜆𝐵2 = − = 8.974 – 9.014 = -0.0674
𝑖𝑘 𝑖𝑗𝑘

∑2𝑖=1 ∑2𝑗=1 ln 𝑚𝑖𝑗1 ∑2𝑖=1 ∑2𝑗=1 ∑2𝑘=1 ln 𝑚𝑖𝑗𝑘

𝜆1𝐶 = − = 9.104 – 9.014 = 0.0898
𝑖𝑗 𝑖𝑗𝑘

∑2𝑖=1 ∑2𝑗=1 ln 𝑚𝑖𝑗2 ∑2𝑖=1 ∑2𝑗=1 ∑2𝑘=1 ln 𝑚𝑖𝑗𝑘

𝜆𝐵2 = − = 8.974 – 9.014 = -0.0898
𝑖𝑗 𝑖𝑗𝑘

∑2𝑘=1 ln 𝑚11𝑘 + ∑2𝑘=1 ln 𝑚22𝑘 ∑2𝑖=1 ∑2𝑗=1 ∑2𝑘=1 ln 𝑚𝑖𝑗𝑘

𝐴𝐵
𝜆11 = 𝑖𝑗
− 𝑖𝑗𝑘
= 10.189– 9.014 = 1.1746

∑2𝑘=1 ln 𝑚12𝑘 + ∑2𝑘=1 ln 𝑚21𝑘 ∑2𝑖=1 ∑2𝑗=1 ∑2𝑘=1 ln 𝑚𝑖𝑗𝑘

𝐴𝐵
𝜆22 = − = 7.840– 9.014 = -1.1746
𝑖𝑗 𝑖𝑗𝑘

𝐵𝐶 ∑2𝑖=1 ln 𝑚𝑖11 + ∑2𝑖=1 ln 𝑚𝑖22 ∑2𝑖=1 ∑2𝑗=1 ∑2𝑘=1 ln 𝑚𝑖𝑗𝑘

𝜆11 = − = 9.127– 9.014 = 0.112
𝑗𝑘 𝑖𝑗𝑘

∑2𝑖=1 ln 𝑚𝑖12 + ∑2𝑖=1 ln 𝑚𝑖21 ∑2𝑖=1 ∑2𝑗=1 ∑2𝑘=1 ln 𝑚𝑖𝑗𝑘

𝜆𝐵𝐶
22 = − = 8.902-9.014 = -0.112
𝑗𝑘 𝑖𝑗𝑘

𝐴𝐶 ∑2𝑗=1 ln 𝑚1𝑗1 + ∑2𝑗=1 ln 𝑚1𝑗1 ∑2𝑖=1 ∑2𝑗=1 ∑2𝑘=1 ln 𝑚𝑖𝑗𝑘

𝜆11 = − = 8.912– 9.014 = -0.1020
𝑖𝑘 𝑖𝑗𝑘

𝐴𝐶 ∑2𝑗=1 ln 𝑚1𝑗2 + ∑2𝑗=1 ln 𝑚2𝑗1 ∑2𝑖=1 ∑2𝑗=1 ∑2𝑘=1 ln 𝑚𝑖𝑗𝑘

𝜆11 = − = 9.116– 9.014 = 0.1020
𝑖𝑘 𝑖𝑗𝑘

13
 𝐴𝐵𝐶 ln 𝑚111 + ln 𝑚122 + ln 𝑚212 + ln 𝑚221 ∑2𝑖=1 ∑2𝑗=1 ∑2𝑘=1 ln 𝑚𝑖𝑗𝑘
𝜆111 = − = 8.972– 9.014 = -0.442
𝑖𝑘 𝑖𝑗𝑘

 Estimasi parameter
 K-way and Higher Order Effect
1. Untuk k = 3
H0 : Efek order ke-3 = 0 (log (eijk) = λ + λi A + λj B + λkC + λij AB + λik AC + λ jkBC)
H1 : Efek order ke-3 ≠ 0 (log (eijk) = λ +λi A + λj B + λkC + λij AB + λik AC + λ jkBC + λ
ABC
ijk )

Denganmenggunakaniterasi Newton Rhapsondicapaikondisi steady state padaiterasi

ke-4 dengan nilai ekspektasi:

iterasi e111 e112 e121 e122 e211 e212 e221 e222

1 36476 36476 3047.5 3047.5 2254.5 2254.5 19475.5 19475.5
2 38193 34759 3190.96 2904.04 2407.74 2101.26 20799.3 18151.7
3 39126.4 33823.3 3058.98 3040.89 2466.58 2044.7 19939 19007.1
4 39127.6 33824.4 3056.54 3038.46 2465.33 2043.67 19941.5 19009.5

𝑚
𝐺 2 = 2 ∑2𝑖=1 ∑2𝑗=1 ∑2𝑘=1 𝑚𝑖𝑗𝑘 ln ( 𝑒 𝑖𝑗𝑘 ) = 335.66
𝑖𝑗𝑘

(𝑚𝑖𝑗𝑘 −𝑒𝑖𝑗𝑘 )2
𝜒 2 = ∑2𝑖=1 ∑2𝑗=1 ∑2𝑘=1 = 328.845
𝑒𝑖𝑗𝑘
P-value = 0.000 (baikdenganmetode likelihood maupunpearson)
α = 0.05

P-value < α (0.000 < 0.05) Tolak H0

Kesimpulan: Efek order ke-3 ≠ 0 (log (eijk) = λ +λi A + λj B + λkC + λij AB + λik AC + λ
jk
BC
+ λ ijkABC)

2. Untuk k = 2
H0 : Efek order ke-3 = 0 (log (eijk) = λ + λi A + λj B + λkC)
H1 : Efek order ke-3 ≠ 0 (log (eijk) = λ +λi A + λj B + λkC + λij AB + λik AC + λ jkBC + λ
ABC
ijk )

𝑚𝑖++ 𝑚+1+ 𝑚++𝑖

Denganmenggunakanrumusekspektasi𝑒𝑖𝑗𝑘 = diperolehnilai
(𝑚+++ )2
ekspektasi:

e111 e112 e121 e122 e211 e212 e221 e222

26352.3 23629 15324.694 13741 14488.5 12991.2 8425.51 7554.8
𝑚
𝐺 2 = 2 ∑2𝑖=1 ∑2𝑗=1 ∑2𝑘=1 𝑚𝑖𝑗𝑘 ln ( 𝑒 𝑖𝑗𝑘 ) = 89726.43
𝑖𝑗𝑘

(𝑚𝑖𝑗𝑘 −𝑒𝑖𝑗𝑘 )2
𝜒 2 = ∑2𝑖=1 ∑2𝑗=1 ∑2𝑘=1 = 81042.47
𝑒𝑖𝑗𝑘

14
 P-value = 0.000 (baikdenganmetode likelihood maupunpearson)
α = 0.05

P-value < α (0.000 < 0.05) Tolak H0

Kesimpulan: Efek order ke-3 ≠ 0 (log (eijk) = λ +λi A + λj B + λkC + λij AB + λik AC + λ
jk
BC
+ λ ijkABC)

3. Untuk k = 1
H0 : Efek order ke-3 = 0 (log (eijk) = λ)
H1 : Efek order ke-3 ≠ 0 (log (eijk) = λ +λi A + λj B + λkC + λij AB + λik AC + λ jkBC + λ
ABC
ijk )

∑2𝑖=1 ∑2𝑗=1 ∑2𝑘=1 𝑚𝑖𝑗𝑘

Denganrumusekspektasi𝑒 = = 15313.38
𝑖𝑗𝑘
𝑚
𝐺 2 = 2 ∑2𝑖=1 ∑2𝑗=1 ∑2𝑘=1 𝑚𝑖𝑗𝑘 ln ( 𝑒 𝑖𝑗𝑘 ) = 109258.4
𝑖𝑗𝑘

(𝑚𝑖𝑗𝑘 −𝑒𝑖𝑗𝑘 )2
𝜒 2 = ∑2𝑖=1 ∑2𝑗=1 ∑2𝑘=1 = 103409.7
𝑒𝑖𝑗𝑘

P-value = 0.000 (baikdenganmetode likelihood maupunpearson)

α = 0.05

P-value < α (0.000 < 0.05) Tolak H0

Kesimpulan: Efek order ke-3 ≠ 0 (log (eijk) = λ +λi A + λj B + λkC + λij AB + λik AC + λ
jk
BC
+ λ ijkABC)

15