Model Log Linier Tabel Kontingensi 3D

MODEL LOG LINIER
ANALISIS DATA KATEGORIK – S2
MODEL LOG LINIER TABEL KONTINGENSI TIGA DIMENSI
Dosen
Dr. Vita Ratnasari, M.Si
Disusun Oleh :
Gabriella H. Wenur (062117 5001 2007)
Annisa Ramadhan (062118 5001 0021)
Nazmi Soraya(062118 5001 0023)
Aisah (062118 5001 0026)
PROGRAM STUDI PASCA SARJANA

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA KOMPUTASI dan SAINS DATA
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
2019
1
MODEL LOG LINIER TABEL KONTINGENSI TIGA DIMENSI 2x2x2
Studi kasus mengenai kecelakaan mobil diambil dari buku “log-linear Models and Logistic
Regression” yang ditulis oleh Ronald Christensen (1990). Finberg (1980) dan Kihlberg, Narragon dan
Campbell (1964) melaporkan data keparahan luka pengemudi pada kecelakaan moobil dengan dua tipe
mobil, dan tipe kecelakaan. Variabel pertama (A) pada kasus ini adalah Tipe Mobil yaitu Standar (1), dan
Kecil (2), sedangkan variabel kedua (B) yaitu Tipe Kecelakaan terbagi atas Tabrakan (1), dan Berguling
(2) dan variabel ketiga (C) yaitu tipe keparahan pengemudi terdiri atas Parah (1), dan Tidak Parah (2).
Adapun tabel kontingensi tiga dimensi variabel tersebut ditunjukkan pada Tabel 1.
Tabel 1. Tabel Kontingensi Tiga Dimensi Ukuran 2 × 2 × 2
Tipe Keparahan Total
Tipe
Tipe Mobil Tidak
Kecelakaan Parah
Parah
Standar Tabrakan 156 413 569
Berguling 59 110 169
Kecil Tabrakan 43 105 148
Total 680 699 1379
1. Uji Independensi
a) Mutually Independent
Untuk menguji independensi berdasarkan Mutually Independent dapat dilakukan dengan uji
Likelihood Ratio Test dan Chi-square Pearson. Hipotesis dan statistik uji kedua pengujian tersebut
adalah:
Hipotesis: H0 : Variabel tipe mobil, tipe kecelakaan dan tipe keparahan saling mutually independent
ln mˆ ij  
H1: Variabel tipe mobil, tipe kecelakaan dan tipe keparahan tidak saling mutually independent
ln mˆ ij    iA   jB  kC
 = 0.05
Statistik Uji:
I J K n 
Likelihood Ratio Test: G 2  2  n ijk ln  ijk
 eijk 
j 1 i 1 k 1  
Perhitungan:
ni  n j  n k
Ekspektasi nij mutually independent = eijk  2
n
2
n1  n1  n1 738  717  680
e111    189.215
n  2 13792
n  n1  n 2 738  717  699
e112  1   194.502
n  2 13792
n  n2  n1 738  662  680
e121  1   174.701
n  2 13792
n  n2  n 2 738  662  699
e122  1   179.582
n  2 13792
n2  n1  n1 641  717  680
e211    164.345
n  2 13792
n  n1  n 2 641  717  699
e212  2   168.937
n  2 13792
n  n2  n1 641  662  680
e221  2   151.739
n  2 13792
n  n2  n 2 641  662  699
e222  2   155.978
n  2 13792
Tabel 2. Hasil perhitungan eij

Tipe Keparahan
Tipe Tipe
Tidak Total
Mobil Kecelakaan Parah
Parah
Standar Tabrakan 189.215 194.502 383.717
Berguling 174.701 179.582 354.283
Kecil Tabrakan 164.345 168.937 333.283
Berguling 151.739 155.978 307.717
Total 680 699 1379
I J K n 
G 2  2 nijk ln  ijk 
 eijk 
j 1 i 1 k 1  
2 2 2 n 
 2 nijk ln  ijk 
 eijk 
j 1 i 1 k 1  
  156   413   71  
 2 (156) ln    (413) ln    (71) ln  
  189.215   194.502   155.978  
 2  30.113  310.991   55.880
 862.177
3
Derajat bebas = db =  IJK 1   ( I 1)  ( J 1)  ( K 1)   7  (1  1  1)  4
p-value = P(   G )  P(   862.177)  2.6110

185
2 2 2
 0.000
titik kritis 2,db  0.05,4
2
 9.488
(nijk  eijk )2
I J K
Pearson Chisquare: 
i 1 j 1 k 1 eijk
Perhitungan:
I J K (nijk  eijk )2
 2  
i 1 j 1 k 1 eijk
2 2 2 (nijk  eijk )2
 
i 1 j 1 k 1 eijk
(n111  e111 )2 (n112  e112 )2 (n  e ) 2
   ...  222 222
e111 e112 e222
(156  189.215)2 (413  194.502)2 (71  155.978)2
   ... 
189.215 194.502 155.978
 5.831  245.454   46.297
 996.325
p-value = P(   G )  P(   996.325)  2.23 10

214
2 2 2
 0.000
2
 9.488
Tabel 3. Uji Independensi Tipe mobil dan Tipe kecelakaan Hasil SPSS
Uji Statistik Uji db p-value titik kritis Keputusan
Likelihood Ratio Test 862.177 4 0.000 9.488 Tolak H0
Chisquare Pearson 996.325 4 0.000 9.488 Tolak H0
Hasil Perhitungan secara manual dan hasil SPSS menunjukkan hasil yang sama. Tabel 3
menunjukkan bahwa hasil pengujian mutually independent pendekatan Likelihood Ratio Test dan Chi-
square Pearson menghasilkan keputusan yang sama yaitu tolak H0 karena nilai statistik uji (862.177 dan
996.325) > titik kritis 0.05,4

2
(9.488) dan p-value (0.000) < α (0.05). Dengan demikian, dapat diketahui
bahwa variabel tipe mobil, tipe kecelakaan dan tipe keparahan tidak saling mutually independent sehingga
terdapat hubungan antara tipe mobil, tipe kecelakaan dan tipe keparahan. Dengan demikian, diperoleh
ˆ ij    i   j  k
model: ln m
A B C
b) Conditionally Independent
4
Untuk menguji independensi berdasarkan Conditionally Independent dapat dilakukan dengan uji
Likelihood Ratio Test dan Chi-square Pearson. Hipotesis dan statistik uji kedua pengujian tersebut
adalah:
Hipotesis:
H0 : Variabel tipe mobil, tipe kecelakaan dan tipe keparahan saling conditionally independent
H1: Variabel tipe mobil, tipe kecelakaan dan tipe keparahan tidak saling conditionally independent
 = 0.05
Statistik Uji:
I J K n 
 eijk 
j 1 i 1 k 1  
I J (nijk  eijk )2
K
i 1 j 1 k 1 eijk
1) Variabel Tipe Mobil dan Tipe Kecelakaan Conditionally Independent Terhadap Tipe
Keparahan (AB|CAC,BC)
(AC,BC)
H0: Tidak ada hubungan antara tipe mobil dan tipe kecelakaan dengan syarat adanya
hubungan dengan tipe keparahan (Variabel A dan B conditionally independent
terhadap C)
ln mˆ ij  
H1: Ada hubungan antara tipe mobil dan tipe kecelakaan dengan syarat adanya hubungan
dengan tipe keparahan (Variabel A dan B conditionally independent terhadap C)
ln mˆ ij    iA   jB  kC  ikAC   jkBC
ni k n jk
Ekspektasi nij conditionally independent = eijk 
n k
n11  n11 215  199
e111    62.919
n 1 680
n  n12 523  518
e112  1 2   387.574
n  2 699
n  n21 215  481
e121  11   152.081
n 1 680
n  n22 523  181
e122  1 2   135.426
n  2 699
5
n21  n11 465  199
e211    136.081
n 1 680
n  n12 176  518
e212  2 2   130.426
n  2 699
n  n21 465  481
e221  21   328.919
n 1 680
n  n22 176  181
e222  2 2   45.574
n  2 699
Tipe Keparahan
Tipe Tipe
Tidak Total
Parah
Berguling 152.081 135.426 287.507
Kecil Tabrakan 136.081 130.426 266.507
Berguling 328.919 45.574 374.493
Total 680 699 1379
I J K n 
G 2  2 nijk ln  ijk 
 eijk 
j 1 i 1 k 1  
2 2 2 n 
 eijk 
j 1 i 1 k 1  
  156   413   71  
 2 (156) ln    (413) ln    (71) ln  
  62.919   387.574   45.574  
 2 141.649  26.243   31.478
 306.964
Derajat bebas = db =  IJK 1   ( IK 1)  ( JK  1)  (K  1)   7  (3  3  1)  2
p-value = P(   G )  P(   862.177)  2.2110

67
2 2 2
 0.000
2
 5.991
I (nijk  eijk )2
J K
i 1 j 1 k 1 eijk
Perhitungan:
6
I J K(nijk  eijk )2
  
2
i 1 j 1 k 1 eijk
2 2 2 (nijk  eijk )2
 
i 1 j 1 k 1 eijk
(n111  e111 )2 (n112  e112 )2 (n222  e222 ) 2
   ... 
e111 e112 e222
(156  62.919) 2 (413  387.574) 2 (71  374.493) 2
   ... 
62.919 387.574 374.493
 137.701  1.668   14.186
 310.265
Derajat bebas = db =  IJK 1   ( IK 1)  ( JK  1)  (K  1)   7  (3  3  1)  2
p-value = P(   G )  P(   310.265)  4.2310

68
2 2 2
 0.000
2
 5.991
Uji Statistik Uji Db p-value titik kritis Keputusan
menunjukkan bahwa hasil pengujian conditionally independent pendekatan Likelihood Ratio Test dan
Chi-square Pearson menghasilkan keputusan yang sama yaitu tolak H0 karena nilai statistik uji (306.964
dan 310.265) > titik kritis 0.05,2

2
(5.991) dan p-value (0.000) < α (0.05). Dengan demikian, dapat
diketahui bahwa variabel tipe mobil, tipe kecelakaan tidak saling conditionally independent terhadap tipe
keparahan sehingga terdapat hubungan antara tipe mobil, tipe kecelakaan dan tipe keparahan. Dengan
ˆ ij    i   j  k  ik   jk
demikian diperoleh model: ln m
A B C AC BC
2) Variabel Tipe Mobil dan Tipe Keparahan Conditionally Independent Terhadap Tipe
Kecelakaan (AC|BAB, BC)
(AB,BC)
H0: Tidak ada hubungan antara tipe mobil dan tipe keparahan dengan syarat adanya hubungan dengan
tipe kecelakaan (Variabel A dan C conditionally independent terhadap B)
ln mˆ ij  
H1: Ada hubungan antara tipe mobil dan tipe keparahan dengan syarat adanya hubungan dengan tipe
kecelakaan (Variabel A dan C conditionally independent terhadap B)
7
ln mˆ ij    iA   jB  kC  ijAB  ikBC
nij  n jk
n2 j 
n11  n11 569  199
e111    157.923
n1 717
n  n12 569  518
e112  11   411.077
n1 699
n  n21 169  481
e121  12   122.793
n2 662
n  n22 169  181
e122  12   46.207
n2 662
n21  n11 148  199
e211    41.077
n1 717
n  n12 148  518
e212  21   106.923
n1 717
n  n21 493  481
e221  22   358.207
n2 662
n  n22 493  181
e222  22   134.793
n2 662
Tipe Keparahan
Tipe Tipe
Tidak Total
Parah
Standar Tabrakan 157.923 411.077 569
Berguling 122.793 46.207 169
Kecil Tabrakan 41.077 106.923 148
Berguling 358.207 134.793 493
Total 680 699 1379
I J K n 
G 2  2 nijk ln  ijk 
 eijk 
j 1 i 1 k 1  
2 2 2 n 
 eijk 
j 1 i 1 k 1  
  156   413   71  
 2 (156) ln    (413) ln    (71) ln  
  157.923   411.077   134.793  
8
 2   1.911  1.927   45.515
 151.779
Derajat bebas = db =  IJK 1   ( IJ 1)  ( JK 1)  ( J  1)   7  (3  3  1)  2
p-value = P(   G )  P(   151.779)  1.110

33
2 2 2
 0.000
2
 5.991
(nijk  eijk )2
I J K
i 1 j 1 k 1 eijk
Perhitungan:
 2  
i 1 j 1 k 1 eijk
2 2 2 (nijk  eijk )2
 
i 1 j 1 k 1 eijk
(n111  e111 )2 (n112  e112 )2 (n  e ) 2
   ...  222 222
e111 e112 e222
(156  157.923)2 (413  411.077) 2 (71  134.793) 2
   ... 
157.923 411.077 134.793
 0.023  0.009   30.191
 162.923
Derajat bebas = db =  IJK 1   ( IJ 1)  ( JK 1)  ( J  1)   7  (3  3  1)  2
p-value = P(   G )  P(   162.923)  4.19 10

36
2 2 2
 0.000
2
 5.991

2
diketahui bahwa variabel tipe mobil dan tipe keparahan tidak conditionally independent terhadap tipe
ˆ ij    i   j  k  ij  ik
kecelakaan. Dengan demikian, diperoleh model: ln m
A B C AB BC
9
3) Variabel Tipe Kecelakaan dan Tipe Keparahan Conditionally Independent Terhadap Tipe
Mobil (BC|AAB,AC)
(AB,BC)
H0: Tidak ada hubungan antara tipe kecelakaan dan tipe keparahan dengan syarat adanya hubungan
dengan tipe mobil (Variabel B dan C conditionally independent terhadap A)
ln mˆ ij  
H1: Ada hubungan antara tipe kecelakaan dan tipe keparahan dengan syarat adanya hubungan dengan
tipe mobil (Variabel B dan C conditionally independent terhadap A)
ln mˆ ij    iA   jB  kC  ijAB  ikAC

ni k nij 
ni 
n11  n11 215  569
e111    165.766
n1 738
n  n11 523  569
e112  1 2   403.234
n1 738
n n 215  169
e121  11 12   49.234
n1 738
n  n12 523  169
e122  1 2   119.766
n1 738
n21  n21 465  148
e211    107.363
n2 641
n  n21 176  148
e212  2 2   40.637
n2 641
n  n22 465  493
e221  21   357.637
n2 641
n  n22 176  493
e222  2 2   135.363
n 2 641

Tipe Keparahan
Tipe Tipe
Tidak Total
Parah
Standar Tabrakan 165.766 403.234 569
Berguling 49.234 119.766 169
Kecil Tabrakan 107.363 40.637 148
Berguling 357.637 135.363 493
10
Total 680 699 1379
I J K n 
G 2  2 nijk ln  ijk 
 eijk 
j 1 i 1 k 1  
2 2 2 n 
 eijk 
j 1 i 1 k 1  
  156   413   71  
 2 (156) ln    (413) ln    (71) ln  
  165.766   403.234   135.363  
 172.162
Derajat bebas = db =  IJK 1   ( IK 1)  ( JK  1)  ( I  1)   7  (3  3  1)  2
p-value = P(   G )  P(   172.162)  0.000

2 2 2

2
 5.991
i 1 j 1 k 1 eijk
Perhitungan:
I J K(nijk  eijk )2
  
2
i 1 j 1 k 1 eijk
2 2 2 (nijk  eijk )2
 
i 1 j 1 k 1 eijk
(n111  e111 )2 (n112  e112 )2 (n222  e222 )2
   ... 
e111 e112 e222
(156  165.766)2 (413  403.234) 2 (71  135.363) 2
   ... 
165.766 403.234 135.363
 186.262
Derajat bebas = db =  IJK 1   ( IK 1)  ( JK  1)  ( I  1)   7  (3  3  1)  2
p-value = P(   G )  P(   186.262)  0.000

2 2 2

2
 5.991
11

2
diketahui bahwa variabel tipe kecelakaan dan tipe keparahan tidak saling conditionally independent
terhadap tipe mobil sehingga terdapat hubungan antara tipe mobil, tipe kecelakaan dan tipe keparahan.
ˆ ij    iA   jB  kC  ijAB  ikAC
Dengan demikian, diperoleh model: ln m
c) Jointly Independent
Untuk menguji independensi berdasarkan Jointly Independent dapat dilakukan dengan uji Likelihood
Ratio Test dan Chi-square Pearson. Hipotesis dan statistik uji kedua pengujian tersebut adalah:
Hipotesis:
H0 : Variabel tipe mobil, tipe kecelakaan dan tipe keparahan saling jointly independent
ln mˆ ij  
H1: Variabel tipe mobil, tipe kecelakaan dan tipe keparahan tidak saling jointly independent
ln mˆ ij    iA   jB  kC   jkBC

 = 0.05
Statistik Uji:
I J K n 
 eijk 
j 1 i 1 k 1  
Perhitungan:
ni  n jk
Ekspektasi nij jointly independent = eijk 
n
n1  n11 738  199
e111    106.499
n  1379
n  n12 738  518
e112  1   277.218
n  1379
n  n21 738  481
e121  1   257.417
n  1379
n  n22 738  181
e122  1   96.866
n  1379
12
n2  n11 641  199
e211    92.501
n 1 1379
n  n12 641  518
e212  2   240.782
n  2 1379
n  n21 641  481
e221  2   223.583
n 1 1379
n  n22 641  181
e222  2   84.134
n  2 1379
Tipe Keparahan
Tipe Tipe
Tidak Total
Parah
Berguling 257.417 96.866 354.283
Kecil Tabrakan 92.501 240.782 333.283
Berguling 223.583 84.134 307.717
Total 680 699 1379
I J K n 
G 2  2 nijk ln  ijk 
 eijk 
j 1 i 1 k 1  
2 2 2 n 
 eijk 
j 1 i 1 k 1  
  156   413   71  
 2 (156) ln    (413) ln    (71) ln  
  106.499   277.218   84.134  
 2 59.549  164.639   12.051
 574.379
Derajat bebas = db =  IJK 1   ( I 1)  ( JK 1)   7  (1  3)  3
p-value = P(   G )  P(   574.379)  3.6110

124
2 2 2
 0.000
titik kritis : 2,db  0.05,3
2
 7.815
I (nijk  eijk )2
J K
i 1 j 1 k 1 eijk
Perhitungan:
13
I J (nijk  eijk )2
K
  
2
i 1 j 1 k 1 eijk
2 2 2(nijk  eijk )2
 
i 1 j 1 k 1 eijk
(n111  e111 )2 (n112  e112 )2 (n222  e222 )2 s
   ... 
e111 e112 e222
(156  106.499)2 (413  277.218)2 (71  84.134) 2
   ... 
106.499 277.218 84.134
 23.008  66.506   2.050
 525.429
Derajat bebas = db =  IJK 1   ( I 1)  ( JK 1)   7  (1  3)  3
p-value = P(   G )  P(   525.429)  1.47110

113
2 2 2
 0.000
titik kritis : 2,db  0.05,3
2
 7.815
menunjukkan bahwa hasil pengujian jointly independent pendekatan Likelihood Ratio Test dan Chi-
square Pearson menghasilkan keputusan yang sama yaitu tolak H0 karena nilai statistik uji (574.379 dan
525.429) > titik kritis 0.05,3

2
(7.815) dan p-value (0.000) < α (0.05). Dengan demikian, dapat diketahui
bahwa variabel tipe mobil, tipe kecelakaan dan tipe keparahan tidak saling jointly independent sehingga
terdapat hubungan antara tipe mobil, tipe kecelakaan dan tipe keparahan. Dengan demikian, diperoleh
ˆ ij    iA   jB  kC   jkBC
model: ln m
d) Marginally Independent
Hubungan Antara Variabel Tipe Mobil dan Tipe Kecelakaan
Untuk menguji independensi dua variabel dapat dilakukan dengan uji likelihood ratio test dan uji
pearson chisquare. Hipotesis dan statistik uji kedua pengujian tersebut adalah:
Hipotesis: H0 : Variabel tipe mobil dan tipe kecelakaan marginally independent
ln mˆ ij  
H1: Variabel tipe mobil dan tipe kecelakaan tidak marginally independent
14
ln mˆ ij    iA   jB  ijAB
 = 0.05
Tabel kontingensi variabel tipe mobil dan tipe kecelakaan ditunjukkan pada Tabel 8.
Tabel 12. Tabel Kontingensi Variabel Tipe Mobil Dan Tipe Kecelakaan
Tipe Kecelakaan
Tipe Mobil Total
Tabrakan Berguling
Standar 569 169 738
Kecil 148 493 641
Total 717 662 1379
Statistik Uji:
J I n 
Likelihood Ratio Test: G  2 2
 n ij ln  ij
 eij 
j 1 i 1  
Perhitungan:
ni  n j
Ekspekstasi nij = eij 
n
n1 n1 (738)(717) n2 n1 (641)(717)
e11    383.717 e21    333.283
n (1379) n (1379)
n1 n2 (738)(662) n2 n2 (641)(662)
e12    354.283 e22    307.717
n (1379) n (1379)
Tipe Tipe Kecelakaan

Total
Mobil Tabrakan Berguling
Standar 383.717 354.283 738
Kecil 333.283 307.717 641
Total 717 662 1379
I J n 
G 2  2 nij ln  ij 
 eij 
j 1 i 1  
3 2 n 
 2 nij ln  ij 
 eij 
j 1 i 1  
  569   169   148   493  
 2 (569) ln    (169) ln    (148) ln    (493) ln  
  383.717   354.283   333.283   307.717  
 2  224.172  125.093 120.143  232.365
 422.599
15
Derajat bebas = db = (I-1)(J-1) = (2-1)(2-1) = (1)(1) = 1
p-value = P(   G )  P(   422.599)  6.63 10

94
2 2 2
 0.000
2
 3.841
(nij  eij )2
J I
Pearson Chisquare:    2
j 1 i 1 eij
Perhitungan:
J (nij  eij )2
I
  
2
j 1 i 1 eij
3 2 (nij  eij )2
 
j 1 i 1 eij
(569  383.717) 2 (169  354.283) 2 (148  333.283) 2 (493  307.717)2
   
383.717 354.283 333.283 307.717
 400.933
p-value = P(   hitung )  P(   400.933)  3.45 10  0.000

2 2 2 89

2
 3.841
Tabel 14. Uji Marginally Independent Tipe Mobil dan Tipe Kecelakaan Hasil SPSS
menunjukkan bahwa hasil marginally independent dua variabel dengan pendekatan Likelihood Ratio Test
dan Chi-square Pearson menghasilkan keputusan yang sama yaitu tolak H0 karena nilai statistik uji
(422.599 dan 400.933) > titik kritis 0.05,1

2
(3.841) dan p-value (0.000) < α (0.05). Dengan demikian,
dapat diketahui bahwa variabel tipe mobil dan tipe kecelakaan tidak marginally independent yaitu
terdapat hubungan antara tipe mobil dan tipe kecelakaan sehingga diperoleh model:
ln mˆ ij    iA   jB  ijAB
Hubungan Antara Variabel Tipe Mobil dan Tipe Keparahan
Hipotesis: H0 : Variabel tipe mobil dan tipe keparahan marginally independent
16
ln mˆ ij  
H1: Variabel tipe mobil dan tipe keparahan tidak marginally independent
ln mˆ ij    iA  kC  ikAC

 = 0.05
Tabel kontingensi variabel tipe mobil dan tipe keparahan ditunjukkan pada Tabel 15.
Tabel 15. Tabel Kontingensi Variabel Tipe Mobil Dan Tipe Keparahan
Tipe Keparahan
Tipe Mobil Tidak Total
Parah
Parah
Standar 215 523 738
Kecil 465 176 641
Total 680 699 1379
Statistik Uji:
I K
n 
Likelihood Ratio Test: G 2  2  n ik ln  ik 
i 1 k 1  eik 
Perhitungan:
ni  n j
Ekspekstasi nik = eik 
n
n1 n1 (738)(680) n2 n1 (641)(680)
e11    363.916 e21    316.084
n (1379) n (1379)
n1 n2 (738)(699) n2 n2 (641)(699)
e12    374.084 e22    324.916
n (1379) n (1379)
Tipe Tipe Keparahan

Total
Mobil Tabrakan Berguling
Standar 363.916 374.084 738
Kecil 316.084 324.916 641
Total 680 699 1379
17
I J n 
G 2  2 nij ln  ij 
 eij 
j 1 i 1  
2 2 n 
 2 nij ln  ij 
 eij 
j 1 i 1  
  215   523   465   176  
 2 (215) ln    (523) ln    (465) ln    (176) ln  
  363.916   374.084   316.084   324.916  
 2  113.151  175.258  179.503  107.902
 267.415
p-value = P(   G )  P(   267.415)  4.15 10

60
2 2 2
 0.000
2
 3.841
I K
(nik  eik )2
Pearson Chisquare:  2  
i 1 k 1 eik
Perhitungan:
J (nij  eij )2
I
  
2
j 1 i 1 eij
2 2 (nij  eij )2
 
j 1 i 1 eij
(215  363.916)2 (523  374.084) 2 (465  316.084) 2 (176  324.916)2
   
363.916 374.084 316.084 324.916
 258.627
Derajat bebas = db = (I-1)(K-1) = (2-1)(2-1) = (1)(1) = 1
p-value = P(   hitung )  P(   258.627)  3.42 10  0.000

2 2 2 58

2
 3.841
Tabel 17. Uji Marginally Independent Tipe Mobil dan Keparahan Hasil SPSS
menunjukkan bahwa hasil pengujian marginally independent dengan pendekatan Likelihood Ratio Test
18
(267.415 dan 258.627) > titik kritis 0.05,1
2
dapat diketahui bahwa variabel tipe mobil dan tipe keparahan tidak marginally independent yaitu terdapat
ˆ ij    iA  kC  ikAC
hubungan antara tipe mobil dan tipe keparahan sehingga diperoleh model: ln m
Hubungan Antara Variabel Tipe Kecelakaan dan Tipe Keparahan

Hipotesis: H0 : Variabel tipe kecelakaan dan tipe keparahan marginally independent
ln mˆ ij  
H1: Variabel tipe kecelakaan dan tipe keparahan tidak marginally independent

 = 0.05
Tabel kontingensi variabel tipe kecelakaan dan tipe keparahan ditunjukkan pada Tabel 18.
Tabel 18. Tabel Kontingensi Variabel Tipe Kecelakaan Dan Tipe Keparahan
Tipe Keparahan
Tipe Kecelakaan Tidak Total
Parah
Parah
Tabrakan 199 518 717
Total 680 699 1379
Statistik Uji:
J K n 
Likelihood Ratio Test: G 2  2  n jk ln  jk
 e jk 
j 1 k 1  
Perhitungan:
ni  n j
Ekspekstasi nij = eij 
n
n1 n1 (717)(680) n2 n1 (662)(680)
e11    353.561 e21    326.439
n (1379) n (1379)
n1 n2 (717)(699) n2 n2 (662)(699)
e12    363.439 e22    335.561
n (1379) n (1379)
Tipe Tipe Keparahan

Total
Kecelakaan Tabrakan Berguling
19
Standar 353.561 363.439 717
Kecil 326.439 335.561 662
Total 680 699 1379
I K n 
G 2  2 n jk ln  jk 
 eij 
j 1 k 1  
2 2 n 
 2 n jk ln  jk 
 e jk 
j 1 k 1  
  199   518   481   181  
 2 (199) ln    (518) ln    (481) ln    (181) ln  
  353.561   363.439   326.439   335.561  
 2  114.375  183.560  186.447 111.732 
 287.798
Derajat bebas = db = (J-1)(K-1) = (2-1)(2-1) = (1)(1) = 1
p-value = P(   G )  P(   287.798)  1.5 10

64
2 2 2
 0.000
2
 3.841
(n jk  e jk )2
J K
Pearson Chisquare:    2
j 1 k 1 e jk
Perhitungan:
J (n jk  e jk )2
K
  
2
j 1 k 1 e jk
2 2 (n jk  e jk )2
 
j 1 i 1 e jk
(199  353.561) 2 (518  363.439) 2 (481  326.439) 2 (181  335.561)2
   
353.561 363.439 326.439 335.561
 277.669
Derajat bebas = db = (J-1)(K-1) = (2-1)(2-1) = (1)(1) = 1
p-value = P(   hitung )  P(   277.669)  2.42 10

62
2 2 2
 0.000

2
 3.841
Tabel 20. Uji Marginally Independent Tipe Kecelakaan dan Keparahan Hasil SPSS
20
menunjukkan bahwa hasil pengujian marginally independent dengan pendekatan Likelihood Ratio Test
(287.798 dan 277.669) > titik kritis 0.05,1

2
dapat diketahui bahwa variabel tipe kecelakaan dan tipe keparahan tidak marginally independent yaitu
terdapat hubungan antara tipe kecelakaan dan tipe keparahan sehingga diperoleh model:
2. Estimasi Parameter Model log linier Tiga Dimensi

Diketahui model independensi loglinier tiga dimensi yaitu
log mˆ ij    iA   jB  kC

Adapun model lengkap (saturated model) log linier tiga dimensi adalah:
log mˆ ij    iA   jB  kC  ijAB  ikAC   jkBC  ijkABC

I J J I J I K
Asumsi:  iA  0,
i 1
  jB  0,
j 1
 kC  0,
j 1
 ijAB   ijAB 0,
i 1 j 1
 ikAC   ikAC 0
i 1 k 1
J K I J K

j 1
AC
jk    jkAC 0,
k 1

i 1
ABC
ijk  ijkABC  ijkABC 0
j 1 k 1
dengan:
 = efek rata-rata secara umum
iA = efek utama kategori ke-i pada variabel tipe mobil
 jB = efek utama kategori ke-j pada variabel tipe kecelakaan
kC = efek utama kategori ke-k pada variabel tipe keparahan
ijAB = efek interaksi kategori ke-i pada variabel tipe mobil dan kategori ke-j pada variabel tipe
kecelakaan
ikAC = efek interaksi kategori ke-i pada variabel tipe mobil dan kategori ke-k pada variabel tipe
keparahan
 jkBC = efek interaksi kategori ke-j pada variabel tipe kecelakaan dan kategori ke-k pada variabel tipe
keparahan
ijkABC = efek interaksi kategori ke-i pada variabel tipe mobil, kategori ke-j pada variabel tipe
kecelakaan dan kategori ke-k pada variabel tipe keparahan
21
I J K
 ln n
i 1 j 1 k 1
ij

IJK
J K I J K
 ln nij
j 1 k 1
 ln n
i 1 j 1 k 1
ij
i A

JK IJK
I J K
 ln n
I K
 ln nij i 1 j 1 k 1
ij
 
i
B i 1 k 1

IK IJK
I J I J K
 ln n  ln n
i 1 j 1
ij
i 1 j 1 k 1
ij
 
i
C

IJ IJK
J K I J K
 ln nij  ln n  ln n
K I K
 ln n ij
j 1 k 1
ij
i 1 j 1 k 1
ij
 AB
ij  k 1
  i 1 k 1

K JK IK IJK
J J K I J I J K
 ln nij
j 1
 ln nij
j 1 k 1
 ln nij
i 1 j 1
 ln n
i 1 j 1 k 1
ij
 AC
ik    
J JK IJ IJK
I J I J K
 ln n  ln n
I I K
 ln nij  ln nij i 1 j 1
ij
i 1 j 1 k 1
ij
 jkBC  i 1
 i 1 k 1
 
I IK IJ IJK
J J K I J I J K
 ln n  ln n  ln n  ln n  ln n  ln n
K I I K
 ln nij j 1
ij ij
j 1 k 1
ij ij
i 1 j 1
ij
i 1 j 1 k 1
ij
 ABC
ijk  ln nijk  k 1
  i 1
  i 1 k 1
 
K J I JK IK IJ IJK
Hipotesis:
H0: iA  0;  jB  0; kC  0; ijAB  0 ; ikAC  0;  jkBC  0; ijkABC  0
H1: iA  0;  jB  0; kC  0; ijAB  0 ; ikAC  0;  jkBC  0; ijkABC  0

Perhitungan:
Tabel 21. Hasil perhitungan ln nij
Tipe Keparahan
Tipe Tipe
Tidak Total
Parah
Berguling 4.078 4.700 8.778
Kecil Tabrakan 3.761 4.654 8.415
Berguling 6.045 4.263 10.308
22
Total 18.934 19.641 38.574
I J K
 ln n
i 1 j 1 k 1
ijk

IJK
ln(156)  ln(413)   ln(493)

(2)(2)(2)
38.574

8
 4.822
J K I J K J K
 ln nijk
j 1 k 1
 ln nijk
i 1 j 1 k 1
 ln n
j 1 k 1
ijk
i 
A
  
JK IJK JK
J K
 ln(n
j 1 k 1
1 jk )
 
1
A

JK
ln(156)  ln(413)  ln(59)  ln(110)
  4.822
(2)(2)
 0.141
I
Sesuai asumsi bahwa 
i 1
i
A
 0 sehingga perhitungan dapat dilakukan perhitungan:
1A  2A  0
2A  1A
2A  (0.141)   0.141
Pembuktian:
J K
 ln(n
j 1 k 1
2 jk )
 
2
A

JK
ln(43)  ln(105)  ln(422)  ln(71)
  4.822
(2)(2)
 0.141
I J K
 ln n
I K
 ln nijk i 1 j 1 k 1
ijk
 jB  i 1 k 1

IK IJK
I K
 ln n ijk
 i 1 k 1

IK
23
I K
 ln(n i1k )
 
1
B I 1 k 1

IK
ln(156)  ln(413)  ln(43)  ln(105)
  4.822
(2)(2)
 0.050
J
j 1
B
j  0 sehingga perhitungan dapat dilakukan perhitungan:
1B  2B  0
2B  (1B )
2B  (0.050)  0.050
Pembuktian:
I K
 ln(n i 2k )
 
B
2
I 1 k 1

IK
ln(59)  ln(110)  ln(422)  ln(71)
  4.822
(2)(2)
 0.050
I J I J K
 ln nijk
i 1 j 1
 ln n
i 1 j 1 k 1
ijk
 
C
k 
IJ IJK
I J
 ln n
i 1 j 1
ijk
 
IJ
I J
 ln n ij1
 
1
C I 1 J 1

IJ
ln(156)  ln(59)  ln(43)  ln(422)
  4.822
(2)(2)
 0.088
K
k 1
C
k  0 sehingga perhitungan dapat dilakukan perhitungan:
1C  2C  0
2C  (1C )
2C  ( 0.088)  0.088
Pembuktian:
24
I J
 ln(n ij 2 )
 
C
2
I 1 J 1

IJ
ln(413)  ln(110)  ln(105)  ln(71)
  4.822
(2)(2)
 0.088
K J K I K
 ln nijk  ln nijk  ln n ijk

 AB
ij  K 1
 J 1 K 1
 I 1 K 1

K JK IK
K J K I K
 ln n11k  ln n1 jk  ln n i1k
 AB
11  K 1
 J 1 K 1
  I 1 K 1
2 (2)(2) (2)(2)
ln(156)  ln(413) ln(156)  ln(413)  ln(59)  ln(110) ln(156)  ln(413)  ln(43)  ln(105)
    4.822
2 (2)(2) (2)(2)
 0.523
I J
Sesuai asumsi bahwa  ijAB   ijAB 0 sehingga perhitungan dapat dilakukan perhitungan:
i 1 j 1
I

i 1
AB
ij 0
11AB  12AB  0
12AB  (11AB )
12AB  (0.523)  0.523
J J

j 1
AB
ij 0  j 1
AB
ij 0
11AB  21AB  0 12AB  22AB  0

21AB  11AB   0.523 22AB  12AB  ( 0.523)  0.523
Pembuktian:
25
K J K I K
 ln n 12 k  ln n 1 jk  ln n i1k
 AB
12  K 1
  J 1 K 1
 I 1 K 1
2 2(2) 2(2)
    4.822
2 (2)(2) (2)(2)
 0.523
K J K I K
 ln n21k  ln n 2 jk  ln n i1k
 AB
21  K 1
 J 1 K 1
  I 1 K 1
2 (2)(2) (2)(2)
    4.822
2 (2)(2) (2)(2)
 0.523
K J K I K
 ln n22k  ln n2 jk  ln n i1k
 AB
22  K 1
 J 1 K 1
  I 1 K 1
2 (2)(2) (2)(2)
    4.822
2 (2)(2) (2)(2)
 0.523
I I J I K
 ln nijk  ln nijk  ln n ijk

 BC
jk  I 1
 I 1 J 1
 I 1 K 1

I IJ IK
I I J I K
 ln n i11  ln n ij1  ln n 1 jk
11BC  I 1
 I 1 J 1
  I 1 K 1
2 (2)(2) (2)(2)
    4.822
2 (2)(2) (2)(2)
 0.378
J K
Sesuai asumsi bahwa   jkBC    jkBC 0 sehingga perhitungan dapat dilakukan perhitungan:
j 1 k 1
J

j 1
BC
jk 0
11BC  21BC  0
21BC  (11BC )
21BC  (0.378)  0.378
26
K K
 1BCk  0
k 1

k 1
BC
2k 0
11BC  12BC  0 21BC  22BC  0

12BC  11AB  ( 0.378)  0.378 22BC  21AB  (0.378)   0.378
Pembuktian:
I I J I K
 ln ni12  ln nij 2  ln n i1k

 BC
12  I 1
 I 1 J 1
  I 1 K 1
2 (2)(2) (2)(2)
    4.822
2 2(2) (2)(2)
 0.378
I I J I K
 ln(n i 21 )  ln(n ij1 )  ln(n i 2k )

BC
21  I 1
  I 1 J 1
 I 1 K 1
2 (2)(2) (2)(2)
    4.822
2 (2)(2) (2)(2)
 0.378
I I J I K
 ln ni 22  ln nij 2  ln n i 2k
BC
22  I 1
 I 1 J 1
  I 1 K 1
2 (2)(2) (2)(2)
    4.822
2 (2)(2) (2)(2)
 0.378
J I J J K
 ln n ijk  ln n ijk  ln n ijk

 AC
ik  J 1
 I 1 J 1
 J 1 K 1

J IJ JK
J I J J K
 ln n1 j1  ln nij1  ln n 1 jk
 AC
11  J 1
 I 1 J 1
  J 1 K 1
2 (2)(2) (2)(2)
    4.822
2 (2)(2) (2)(2)
 0.311
I K
i 1
AC
ik    jkAC 0 sehingga perhitungan dapat dilakukan perhitungan:
k 1
27
I

i 1
AC
i1 0
11AC  21AC  0
21AC  (11AC )
21AC  (0.311)  0.311
K K

k 1
AC
1k 0  k 1
AC
2k 0
11AC  12AC  0 21AC  22AC  0

12AC  11AC  ( 0.311)  0.311 22AC  21AC  (0.311)   0.311
Pembuktian:
J I J J K
 ln n 1 j2  ln n ij 2  ln n 1 jk
 AC
12  J 1
  I 1 J 1
 J 1 K 1
2 (2)(2) (2)(2)
    4.822
2 (2)(2) (2)(2)
 0.311
J I J J K
 ln n 2 j1  ln n ij1  ln n 2 jk
21AC  J 1
 I 1 J 1
  J 1 K 1
2 (2)(2) (2)(2)
    4.822
2 (2)(2) (2)(2)
 0.311
J I J J K
 ln n2 j 2  ln nij 2  ln n 2 jk
 AC
22  J 1
 I 1 J 1
  J 1 K 1
2 (2)(2) (2)(2)
    4.822
2 (2)(2) (2)(2)
 0.311
I J K I J I K J K
 ln nijk  ln nijk  ln nijk  ln nijk  ln nijk  ln n ijk

 ABC
ijk  ln nijk  I 1
 J 1
 K 1
 I 1 J 1
 I 1 K 1
 J 1 K 1

I J K IJ IK JK
28
J I J J K
 ln n  ln n  ln n
I K I K
 ln ni11 j 1
1 j1  ln n11k i 1 j 1
ij1  ln ni1k j 1 k 1
1 jk
 ABC
111  ln n111  i 1
   
k 1
  i 1 k 1
2 2 2 (2)(2) (2)(2) (2)(2)
ln(156)  ln(43) ln(156)  ln(59) ln(156)  ln(413) ln(156)  ln(59)  ln(43)  ln(422)
 ln(156)    
2 2 2 4
ln(156)  ln(413)  ln(43)  ln(105) ln(156)  ln(413)  ln(59)  ln(110)
   4.822
4 4
 0.291
I J K
Sesuai asumsi bahwa  ijkABC  ijkABC  ijkABC 0
i 1 j 1 k 1
sehingga perhitungan dapat dilakukan
perhitungan:
J J
 1ABC 
K
j2  0 0  0
ABC ABC
1 j1 11k
j 1 j 1 k 1
112
ABC
 122
ABC
0 111
ABC
 121
ABC
0 111
ABC
 112
ABC
0
122
ABC
 (112
ABC
) 121
ABC
 (111
ABC
)   0.291 112
ABC
 (111
ABC
)   0.291
122
ABC
 ( 0.291)  0.291
I J K
 iABC
21  0  1ABC
j 1
j2  0  ABC
21k 0
i 1 k 1
121
ABC
 221
ABC
0 112
ABC
 122
ABC
0 211
ABC
 212
ABC
0
221
ABC
 (121
ABC
) 122
ABC
 (112
ABC
) 212
ABC
 (211
ABC
)
221
ABC
 ( 0.291)  0.291 211
ABC
 ( 0.291)  0.291 212
ABC
 (0.291)  0.291
J

j 1
ABC
2 j2 0
212
ABC
 222
ABC
0
222
ABC
 (212
ABC
)
222
ABC
 (0.291)  0.291
Perhitungan Standard Error Estimasi Parameter
Menurut Lawal (2003), perhitungan standard error dari estimasi parameter yaitu:
1
Misalkan ln nijk  hijk , maka var(hijk )  sehingga standard error dari estimasi parameter  dapat
nijk
dituliskan sebagai berikut.
2 2
I J K
a I J K I J K aijk
ˆ   aijk hijk sehingga var(ˆ)   ijk dan s.e(ˆ)  
i 1 j 1 k 1 i 1 j 1 k 1 nijk i 1 j 1 k 1 nijk
29
Karena pada kasus ini tabel kontingensi tiga dimensi simetris yaitu berukuran I=J=K yaitu 2×2×2, maka
menurut Lawal (2003) pada buku Categorical Data Analysis With SAS mempunyai nilai pembobot (aijk )
1 1
sama yaitu  sehingga diperoleh rumus:
IJK 8
2
1 I J K
1
s.e(ˆ)   
8
 n
i 1 j 1 k 1 ijk
Standard error untuk 1A

1  I J K 1 
s.e(ˆ1A )  var(ˆ1A )   
( IJK )2  i 1 j 1 k 1 nijk 
1  1 1 1 1
 156  413  59  
(8)2 71
 0.036
Standard error untuk 1B
1  I J K 1 
s.e(ˆ1B )  var(ˆ1B )   
( IJK )2  i 1 j 1 k 1 nijk 
1  1 1 1 1
 2 
   
(8) 156 413 59 71
 0.036
Standard error untuk 1C
1  I J K 1 
s.e(ˆ1C )  var(ˆ1C )   
( IJK )2  i 1 j 1 k 1 nijk 
1  1 1 1 1
 2 
   
(8) 156 413 59 71
 0.036
Standard error untuk 11
AB
1  I J K 1 
s.e(ˆ11AB )  var(ˆ11AB )   
( IJK )2  i 1 j 1 k 1 nijk 
1  1 1 1 1
 2 
   
(8) 156 413 59 71
 0.036
Standard error untuk 11AC
30
1  I J K 1 
s.e(ˆ11AC )  var(ˆ11AC )   
( IJK )2  i 1 j 1 k 1 nijk 
1  1 1 1 1
 2 
   
(8) 156 413 59 71 
 0.036
Standard error untuk 11BC
1  I J K 1 
s.e(ˆ11BC )  var(ˆ11BC )   
( IJK )2  i 1 j 1 k 1 nijk 
1  1 1 1 1
 2 
   
(8) 156 413 59 71
 0.036
Standard error untuk 111
ABC
1  I J K 1 
s.e(ˆ111 )  var(ˆ111 )  
ABC ABC
( IJK )2  i 1 j 1 k 1 nijk 
1  1 1 1 1
 2 
   
(8) 156 413 59 71 
 0.036
Perhitungan Statistik Uji Parsial Z
ˆ
Z
 
s.e ˆ
Perhitungan p-value Uji Parsial
p  value  P(Z  Z hitung )
Dengan menggunakan Microsoft excel hasil perhitungan ditunjukkan pada Tabel 22.
Tabel 22. Estimasi Parameter secara Manual
Estimasi Standar Error Z p-value Keputusan
µ 4.822
1A 0.141 0.036 3.891 0.000 Tolak H0
2A -0.141 0.036 -3.891 0.000 Tolak H0
1B 0.050 0.036 1.389 0.165 Gagal Tolak H0
2B -0.050 0.036 -1.389 0.165 Gagal Tolak H0
1C -0.088 0.036 -2.438 0.015 Tolak H0
2C 0.088 0.036 2.438 0.015 Tolak H0
 AB
11 0.523 0.036 14.440 0.000 Tolak H0
31
 AB
12 -0.523 0.036 -14.440 0.000 Tolak H0
 AB
21 -0.523 0.036 -14.440 0.000 Tolak H0
 AB
22 0.523 0.036 14.440 0.000 Tolak H0
 AC
11 -0.311 0.036 -8.572 0.000 Tolak H0
 AC
12 0.311 0.036 8.572 0.000 Tolak H0
 AC
21 0.311 0.036 8.572 0.000 Tolak H0
 AC
22 -0.311 0.036 -8.572 0.000 Tolak H0
 BC
11 -0.378 0.036 -10.433 0.000 Tolak H0
 BC
12 0.378 0.036 10.433 0.000 Tolak H0
 BC
21 0.378 0.036 10.433 0.000 Tolak H0
 BC
22 -0.378 0.036 -10.433 0.000 Tolak H0
111
ABC
0.291 0.036 8.015 0.000 Tolak H0
112
ABC
-0.291 0.036 -8.015 0.000 Tolak H0
121
ABC
-0.291 0.036 -8.015 0.000 Tolak H0
122
ABC
0.291 0.036 8.015 0.000 Tolak H0
211
ABC
0.291 0.036 8.015 0.000 Tolak H0
212
ABC
-0.291 0.036 -8.015 0.000 Tolak H0
221
ABC
0.291 0.036 8.015 0.000 Tolak H0
222
ABC
-0.291 0.036 -8.015 0.000 Tolak H0
32
Tabel 23. Estimasi Parameter hasil SPSS
Effect Parameter Estimate Std. Error Z Sig.
Mobil*Kecelakaan*Keparahan 1 .289 .036 7.994 .000

Mobil*Kecelakaan 1 .521 .036 14.436 .000
Mobil*Keparahan 1 -.310 .036 -8.587 .000
Kecelakaan*Keparahan 1 -.377 .036 -10.435 .000
Mobil 1 .140 .036 3.881 .000
Kecelakaan 1 .050 .036 1.392 .164
Keparahan 1 -.088 .036 -2.423 .015
Hasil Perhitungan secara manual dan hasil SPSS menunjukkan hasil yang sama, hanya berbeda pada
pembulatan angka. Berdasarkan hasil estimasi parameter diketahui bahwa sebagian besar parameter
memiliki pengaruh yang signifikan terhadap model, hanya parameter 1B (efek utama tipe kecelakaan
tabrakan), dan 2B (efek utama tipe kecelakaan berguling). Hal tersebut diketahui berdasarkan nilai
statistik uji Z > titik kritis Z0.025 (1.96) dan p-value < α (0.05) maka tolak H0 (efek variabel berpengaruh
signifikan dalam model), sedangkan nilai statistik uji Z < titik kritis Z0.025 (1.96) dan p-value > α (0.05)
maka gagal tolak H0 (efek variabel tidak berpengaruh signifikan dalam model).
3. Uji K-Ways and Higher Order
Hasil pengujian K-Ways and Higher Order dengan SPSS ditunjukkan pada Tabel 24 berikut.
Tabel 24. Hasil Perhitungan SPSS
K df Likelihood Ratio Pearson

Chi-Square Sig. Chi-Square Sig.
1 7 871.461 .000 979.144 .000
K-way and Higher Order
2 4 862.177 .000 996.325 .000
Effectsa
3 1 70.420 .000 69.677 .000
1 3 9.285 .026 -17.181 1.000
K-way Effectsb 2 3 791.756 .000 926.647 .000
3 1 70.420 .000 69.677 .000
a. Uji K-Way Higher

Uji K-Way Higher digunakan untuk menguji signifikansi dari orde kedua dan orde pertama atau
lebih. Hipotesis dan hasil pengujiannya adalah sebagai berikut.
1) Ketika K=1 atau lebih
H0 : Order ke-1 atau lebih sama dengan nol
33
ˆ ij   )
( ln m
H1 : Order ke-1 atau lebih tidak sama dengan nol

ˆ ij    iA   jB  kC  ijAB  ikAC   jkBC  ijkABC )
( ln m
α = 0.05
Statistik Uji :
n..
eijk 
jumlah sel
n 1379
e111  e112  e121  e122  e211  e212  e221  e222    172.375
jumlah sel 8
I J K n 
G 2  2 nijk ln  ijk 
 eijk 
j 1 i 1 k 1  
2 2 2 n 
 eijk 
j 1 i 1 k 1  
  156   413   71  
 2 (156) ln    (413) ln    (71) ln  
  172.375   172.375   172.375  
 871.461
Derajat bebas
db  ( I  1)  ( J  1)  ( K  1)  ( I  1)( J  1)  ( I  1)( K  1)  ( J  1)( K  1)  ( I  1)( J  1)( K  1)
 1111111  7
p-value = P(   G )  P(   871.461)  0.000
2 2 2

2
 14.067
Berdasarkan hasil perhitungan manual dan SPSS diperoleh hasil yang sama sehingga
menghasilkan keputusan yang sama. Hasil perhitungan menunjukkan bahwa statistik uji G2
(871.461) > titik kritis 0.05,4

2
(14.067) dan p-value (0.0000) < α (0.05) maka tolak H0. Dengan
demikian, order kesatu atau lebih tidak sama dengan nol atau terdapat efek order pertama, kedua
dan ketiga dalam model, sehingga model log linear yang terbentuk adalah:
ˆ ij    iA   jB  kC  ijAB  ikAC   jkBC  ijkABC
ln m
2) Ketika K=2
H0 : Order ke-2 atau lebih sama dengan nol
ˆ ij    iA   jB  kC )
ˆ ij  ln m
( ln m
H1 : Order ke-2 atau lebih tidak sama dengan nol

( ln m
34
α=5%
Statistik Uji :
I J K  nijk 
Likelihood Ratio Test: G 2  2  n ijk ln  
j 1 i 1 k 1  eijk 
Perhitungan:
ni  n j  n k
eijk  2
n
n1  n1  n1 738  717  680
e111    189.215
n  2 13792
n  n1  n 2 738  717  699
e112  1   194.502
n  2 13792
n  n2  n1 738  662  680
e121  1   174.701
n  2 13792
n  n2  n 2 738  662  699
e122  1   179.582
n  2 13792
n2  n1  n1 641  717  680
e211    164.345
n  2 13792
n  n1  n 2 641  717  699
e212  2   168.937
n  2 13792
n  n2  n1 641  662  680
e221  2   151.739
n  2 13792
n  n2  n 2 641  662  699
e222  2   155.978
n  2 13792
Tipe Keparahan
Tipe Tipe
Tidak Total
Parah
Berguling 174.701 179.582 354.283
Kecil Tabrakan 164.345 168.937 333.283
Berguling 151.739 155.978 307.717
Total 680 699 1379
35
I J K n 
G 2  2 nijk ln  ijk 
 eijk 
j 1 i 1 k 1  
2 2 2 n 
 eijk 
j 1 i 1 k 1  
  156   413   71  
 2 (156) ln    (413) ln    (71) ln  
  189.215   194.502   155.978  
 2  30.113  310.991   55.880
 862.177
p-value = P(   G )  P(   862.177)  2.6110

185
2 2 2
 0.000
2
 9.488
(862.177) > titik kritis 0.05,4

2
demikian, order kedua atau lebih tidak sama dengan nol atau terdapat efek order kedua dan
ketiga dalam model, sehingga model log linear yang terbentuk adalah:
ln m
3) Ketika K=3
H0 : Order ke-3 sama dengan nol
ˆ ij    iA   jB  kC  ijAB  ikAC   jkBC )
( ln m
H1 : Order ke-3 tidak sama dengan nol

( ln m
α=5%
Statistik Uji :
I J K n 
 eijk 
j 1 i 1 k 1  
Perhitungan:
Statistik Uji:
Perhitungan Manual untuk K=3
36
Iterasi MLE
Nilai Awal Untuk Tiap Iterasi

Nilai ˆ ijk Iterasi Pertama
Nilai m Nilai mijk Iterasi Kedua
mˆ ijk      
nijk m (0) m (1) m ( 2) m ( 3) m ( 4) m ( 5)
569 m̂11 2 591,353

169 m12 2 143,172

148 m21 2 125,647

493 m22 2 518,828

215 m11 369,000 184,915

523 m1 2 369,000 553,085

465 m21 320,500 493,888

176 m2 2 320,500 147,112

199 m11 273,129 221,868

518 m12 443,871 494,989

569 m21 406,871 458,132

169 m22 255,129 204,011

Nilai ˆ ijk Iterasi Ketiga
Nilai m Nilai mijk Iterasi Keempat
mˆ ijk
nijk m (4) m (5) m (6) m (7) m (8) m (9)
569 m̂11 569,255 567,588

169 m12 168,013 170,287

148 m21 147,745 149,412

493 m22 493,987 491,713

215 m11 205,499 212,813

523 m1 2 532,501 525,187

465 m21 474,280 467,142

176 m2 2 166,720 173,858

199 m11 203,155 199,541

518 m12 513,829 517,457

569 m21 476,845 480,459

169 m22 185,171 181,543

Nilai ˆ ijk Iterasi Kelima
Nilai m Nilai mijk Iterasi Keenam
mˆ ijk
nijk m (10) m (11) m (12) m (13) m (14) m (15)
569 m̂11 568,552 568,911

169 m12 169,432 169,088
37

mˆ ijk
nijk m (10) m (11) m (12) m (13) m (14) m (15)

148 m21 148,448 148,089

493 m22 492,568 492,912

215 m11 214,631 214,957

523 m1 2 523,369 523,043

465 m21 465,362 465,042

176 m2 2 175,638 175,958

199 m11 199,036 198,994

518 m12 517,964 518,006

569 m21 480,964 481,006

169 m22 181,036 180,994
Nilai Iterasi
Variabel Iterasi Pertama Iterasi Kedua
Tipe Tipe Tipe      

Mobil Kecelakaan Keparahan m (1) m ( 2) m ( 3) m ( 4) m ( 5) m (6)
1=Standart 1=Tertabrak 1=Parah 284,500 165,766 120,776 116,210 135,117 121,191

2=Tidak Parah 284,500 403,234 470,577 452,790 428,160 448,065
2=Berguling 1=Parah 84,500 49,234 58,205 68,705 79,883 83,870
2=Tidak Parah 84,500 119,766 84,967 100,295 94,840 84,142
2=Kecil 1=Tertabrak 1=Parah 74,000 107,363 78,224 92,140 86,751 77,809
2=Tidak Parah 74,000 40,637 47,423 55,860 66,829 69,935
2=Berguling 1=Parah 246,500 357,637 422,795 401,748 378,249 397,130
2=Tidak Parah 246,500 135,363 96,033 91,252 109,171 96,858
Variabel Iterasi Ketiga Iterasi Keempat
Tipe Tipe Tipe

Mobil Kecelakaan Keparahan m (7) m (8) m (9) m (10) m (11) m (12)

2=Tidak Parah 447,864 439,873 443,444 444,547 442,696 443,160
2=Berguling 1=Parah 84,363 88,263 89,033 88,360 89,268 89,368
2=Tidak Parah 84,637 83,127 81,254 80,640 80,304 80,064
2=Tidak Parah 70,056 73,956 74,556 73,852 74,761 74,840
2=Berguling 1=Parah 396,336 388,581 391,967 392,993 391,192 391,632
38
2=Tidak Parah 96,664 102,044 99,746 100,007 101,239 100,936
Variabel Iterasi kelima Iterasi Keenam
Tipe Tipe Tipe


2=Tidak Parah 443,510 443,197 443,227 443,296 443,260 443,255
2=Berguling 1=Parah 89,140 89,294 89,300 89,254 89,272 89,270
2=Tidak Parah 79,860 79,803 79,788 79,746 79,740 79,742
2=Tidak Parah 74,614 74,767 74,773 74,728 74,746 74,745
2=Berguling 1=Parah 391,976 391,671 391,700 391,770 391,734 391,730
2=Tidak Parah 101,024 101,233 101,212 101,230 101,254 101,258
Variabel
Tipe Tipe Tipe m  eij

Mobil Kecelakaan Keparahan
1=Standart 1=Tertabrak 1=Parah 125,732

2=Tidak Parah 443,255
2=Berguling 1=Parah 89,270
2=Kecil 1=Tertabrak 1=Parah 73,268
Likelihood Ratio Test:

2 2 2 nijk
G62  2 nijk ln
i 1 j 1 k 1 eijk
 156 422 71 
 2  Derajat  = ( I(422)ln
(156)lnbebas = db  1)( J  1)( K 1)(71)ln
 (2  1)(2 1)(2  1)  1
 125.732 391.730 101.258 
 70.016
p-value = P(   G )  P(   70.420)  4.79 10  0.000
2 2 2 17

2
 3.841
(70.420) > titik kritis 0.05,1

2
39
demikian, order ketiga tidak sama dengan nol atau terdapat efek order ketiga dalam model,
sehingga model log linear yang terbentuk adalah:
ln m
b. Uji K-ways Effects
Uji K-Way Effects digunakan untuk menguji signifikansi dari orde ketiga, orde kedua dan
orde pertama. Adapun hipotesis dan hasil pengujiannya yaitu:
1) Ketika K=1
ˆ ij   
H0 : Order ke-1 sama dengan nol ( iA   Bj  0 ) ln m
H1 : Order ke-1 tidak sama dengan nol ( iA  0 atau  Bj  0 ) ln m

ˆ ij    i A   jB  kC 
α=5%
Statistik Uji:
G2= G12 - G02 , dimana: G12 : model saturated dan G02 : model mean effect
Berdasarkan hasil perhitungan sebelumnya diperoleh nilai:
G12= 871.461
G02 = 862.177
maka
G2= G12 - G02 = 871.461 – 862.177 = 9.285
Derajat bebas = db = (I-1)+(J-1)+(K-1) = (2-1)+(2-1)+(2-1) = 3
p-value = P(   G )  P(   9.285)  0.026

2 2 2

2
 7.8147
Berdasarkan hasil perhitungan manual dan SPSS diperoleh hasil yang sama sehinga
(9.285) > titik kritis 0.05,3

2
demikian, order kesatu tidak sama dengan nol atau terdapat efek order pertama dalam model,
ˆ ij    i A   jB  kC 
sehingga model log linear yang terbentuk adalah: ln m
2) Ketika K=2
ˆ ij    i A   jB  kC 
H0 : Order ke-2 sama dengan nol ( ijAB  0 ) ln m
H1 : Order ke-2 tidak sama dengan nol ( ij  0 )

AB
ˆ ij    iA   jB  kC  ijAB  ikAC   jkBC 

ln m
α=5%
40
Statistik Uji: G 2  G2 2  G32  871.461 – 9.285  791.756
Derajat bebas = db = (I-1)(J-1)+ (I-1) (K-1) +( (J-1) (K-1) = 1+1+1=3
p-value = P(   G )  P(   791.756)  0.000

2 2 2

2
 7.8147
Berdasarkan hasil perhitungan manual dan SPSS diperoleh hasil yang sama sehinga
(791.756) > titik kritis 0.05,3

2
demikian, order kedua tidak sama dengan nol atau terdapat efek order kedua dalam model,
sehingga model log linear yang terbentuk adalah:
ln m
3) Ketika K=3
H0 : Order ke-3 sama dengan nol ( ijAB  0 ) ln m
H1 : Order ke-3 tidak sama dengan nol ( ij  0 )

AB
ˆ ij    iA   jB  kC  ijAB  ikAC   jkBC  ijkABC 

ln m
α=5%
Statistik Uji:
Perhitungan Manual untuk K=3
Iterasi MLE
Nilai Awal Untuk Tiap Iterasi

mˆ ijk      
nijk m (0) m (1) m ( 2) m ( 3) m ( 4) m ( 5)
569 m̂11 2 591,353

169 m12 2 143,172

148 m21 2 125,647

493 m22 2 518,828

215 m11 369,000 184,915

523 m1 2 369,000 553,085

465 m21 320,500 493,888

176 m2 2 320,500 147,112

199 m11 273,129 221,868

518 m12 443,871 494,989
41

mˆ ijk      
nijk m (0) m (1) m ( 2) m ( 3) m ( 4) m ( 5)

569 m21 406,871 458,132

169 m22 255,129 204,011

Nilai ˆ ijk Iterasi Ketiga
Nilai m Nilai mijk Iterasi Keempat
mˆ ijk
nijk m (4) m (5) m (6) m (7) m (8) m (9)
569 m̂11 569,255 567,588

169 m12 168,013 170,287

148 m21 147,745 149,412

493 m22 493,987 491,713

215 m11 205,499 212,813

523 m1 2 532,501 525,187

465 m21 474,280 467,142

176 m2 2 166,720 173,858

199 m11 203,155 199,541

518 m12 513,829 517,457

569 m21 476,845 480,459

169 m22 185,171 181,543

mˆ ijk
nijk m (10) m (11) m (12) m (13) m (14) m (15)
569 m̂11 568,552 568,911

169 m12 169,432 169,088

148 m21 148,448 148,089

493 m22 492,568 492,912

215 m11 214,631 214,957

523 m1 2 523,369 523,043

465 m21 465,362 465,042

176 m2 2 175,638 175,958

199 m11 199,036 198,994

518 m12 517,964 518,006

569 m21 480,964 481,006

169 m22 181,036 180,994
42
Nilai Iterasi
Variabel Iterasi Pertama Iterasi Kedua
Tipe Tipe Tipe      

Mobil Kecelakaan Keparahan m (1) m ( 2) m ( 3) m ( 4) m ( 5) m (6)

2=Tidak Parah 284,500 403,234 470,577 452,790 428,160 448,065
2=Berguling 1=Parah 84,500 49,234 58,205 68,705 79,883 83,870
2=Tidak Parah 84,500 119,766 84,967 100,295 94,840 84,142
2=Tidak Parah 74,000 40,637 47,423 55,860 66,829 69,935
2=Berguling 1=Parah 246,500 357,637 422,795 401,748 378,249 397,130
2=Tidak Parah 246,500 135,363 96,033 91,252 109,171 96,858
Variabel Iterasi Ketiga Iterasi Keempat
Tipe Tipe Tipe


2=Tidak Parah 447,864 439,873 443,444 444,547 442,696 443,160
2=Berguling 1=Parah 84,363 88,263 89,033 88,360 89,268 89,368
2=Tidak Parah 84,637 83,127 81,254 80,640 80,304 80,064
2=Tidak Parah 70,056 73,956 74,556 73,852 74,761 74,840
2=Berguling 1=Parah 396,336 388,581 391,967 392,993 391,192 391,632
2=Tidak Parah 96,664 102,044 99,746 100,007 101,239 100,936
Variabel Iterasi kelima Iterasi Keenam
Tipe Tipe Tipe


2=Tidak Parah 443,510 443,197 443,227 443,296 443,260 443,255
2=Berguling 1=Parah 89,140 89,294 89,300 89,254 89,272 89,270
2=Tidak Parah 79,860 79,803 79,788 79,746 79,740 79,742
2=Tidak Parah 74,614 74,767 74,773 74,728 74,746 74,745
2=Berguling 1=Parah 391,976 391,671 391,700 391,770 391,734 391,730
2=Tidak Parah 101,024 101,233 101,212 101,230 101,254 101,258
Variabel m  eij
43
Tipe Tipe Tipe
Mobil Kecelakaan Keparahan
1=Standart 1=Tertabrak 1=Parah 125,732

2=Kecil 1=Tertabrak 1=Parah 73,268
Sehingga
Likelihood Ratio Test:
2 2 2 nijk
G62  2 nijk ln
i 1 j 1 k 1 eijk
 156 422 71 
 2   (156)ln   (422)ln  (71)ln
 125.732 391.730 101.258 
Derajat bebas = db = ( I  1)( J  1)( K  1)  (2  1)(2  1)(2  1)  1
 70.016
p-value = P(   G )  P(   70.420)  4.79 10
17
2 2 2
 0.000
2
 3.841
menghasilkan keputusan yang sama. Hasil perhitungan menunjukkan bahwa statistik uji G 2 (70.420) >
titik kritis 0.05,1

2
(3.841) dan p-value (0.005) < α (0.05) maka tolak H0. Dengan demikian, order ketiga
tidak sama dengan nol atau terdapat efek order ketiga dalam model, sehingga model log linear yang
terbentuk adalah:
ln m
4. Seleksi Model Menggunakan Uji Asosiasi Parsial

Uji asosiasi parsial adalah suatu uji yang digunakan untuk melihat dependensi dari masing-
masing variabel dan dependensi dari interaksi anta variabel-variabelnya. Hasil pengujian asosiasi
parsial dengan SPSS ditunjukkan pada Tabel berikut dan hipotesisnya yaitu:
1) Variabel Tipe Mobil
H0 : Tipe mobil independen dalam setiap level tipe mobil ( i =0)
A
H1 : Tipe mobil dependen dalam setiap level tipe mobil ( i ≠0)

A
44
2) Variabel Tipe Kecelakaan
H0 : Tipe kecelakaan independen dalam setiap level tipe kecelakaan (  j =0)
B
H1 : Tipe kecelakaan dependen dalam setiap level tipe kecelakaan (  j ≠0)

B
3) Variabel Tipe Keparahan

H0 : Tipe kecelakaan independen dalam setiap level tipe keparahan (  j =0)
B
H1 : Tipe kecelakaan dependen dalam setiap level tipe keparahan (  j ≠0)

B
4) Interaksi variabel Tipe Mobil dan Tipe Kecelakaan

H0 : Interaksi tipe mobil dan tipe kecelakaan independen dalam setiap level tipe mobil dan tipe
kecelakaan ( ij =0)
AB
H1 : Interaksi tipe mobil dan tipe kecelakaan dependen dalam setiap level tipe mobil dan tipe
kecelakaan ( ij ≠0)
AB
5) Interaksi variabel Tipe Mobil dan Tipe Keparahan

H0 : Interaksi tipe mobil dan tipe keparahan independen dalam setiap level tipe mobil dan tipe
keparahan ( ik =0)
AC
H1 : Interaksi tipe mobil dan tipe keparahan dependen dalam setiap level tipe mobil dan tipe
kecparahan ( ik ≠0)
AC
6) Interaksi variabel Tipe Kecelakaan dan Tipe Keparahan

H0 : Interaksi tipe kecelakaan dan tipe keparahan independen dalam setiap level tipe kecelakaan
dan tipe keparahan (  jk =0)
BC
H1 : Interaksi tipe kecelakaan dan tipe keparahan dependen dalam setiap level tipe kecelakaan dan
tipe kecparahan (  jkBC ≠0)
Tabel 26 . Hasil Asosiasi Parial dengan SPSS

Effect df Partial Chi-Square Sig.
Mobil*Kecelakaan 1 236.544 .000
Mobil*Keparahan 1 81.359 .000
Kecelakaan*Keparahan 1 101.742 .000
Mobil 1 6.829 .009
Kecelakaan 1 2.194 .139
Keparahan 1 .262 .609
Statistik uji:
45
1) Variabel Tipe mobil
Nilai ekspektasi diperoleh dengan : e111  e112  e121  e122  e1 dan e211  e212  e221  e222  e2
sehingga diperoleh:
156  413  59  110
e1   184.5
4
43  105  422  71
e2   160.25
4
I J K n 
G 2  2 nijk ln  ijk 
 eijk 
j 1 i 1 k 1  
2 2 2 n 
 eijk 
j 1 i 1 k 1  
  156   413   71  
 2 (156) ln    (413) ln    (71) ln  
  184.5   184.5   160.25  
 864.633
Partial Chi-Square = G12 – G22 = 871.461 – 864.633 = 6.829
Derajat bebas = db = I – 1 = 2 – 1 = 1
p-value = P(   G )  P(   6.829)  0.009

2 2 2

2
 3.841
menghasilkan keputusan yang sama. Hasil perhitungan menunjukkan bahwa statistik uji G2 (6.829) >

2
(3.841) dan p-value (0.009) < α (0.05) maka tolak H0. Dengan demikian, variabel
tipe mobil memiliki efek parsial yang signifikan pada model.
2) Variabel Tipe kecelakaan
Nilai ekspektasi diperoleh dengan e111  e112  e211  e212  e1 dan e121  e122  e221  e222  e2
sehingga diperoleh:
156  413  43  105
e1   179.25
4
59  110  422  71
e2   165.5
4
46
I J K n 
G 2  2 nijk ln  ijk 
 eijk 
j 1 i 1 k 1  
2 2 2 n 
 eijk 
j 1 i 1 k 1  
  156   413   71  
 2 (156) ln    (413) ln    (71) ln  
  179.25   179.25   165.5  
 869.267
Partial Chi-Square = G12 – G22 = 871.461 – 869.267= 2.194
Derajat bebas = db = J – 1 = 2 – 1 = 1
p-value = P(   G )  P(   2.194)  0.139

2 2 2

2
 3.841
menghasilkan keputusan yang sama. Hasil perhitungan menunjukkan bahwa statistik uji G2 (2.194) <

2
(3.841) dan p-value (0.139) > α (0.05) maka gagal tolak H0. Dengan demikian,
variabel tipe kecelakaan memiliki efek parsial yang tidak signifikan pada model.
3) Variabel Tipe Keparahan
Nilai ekspektasi diperoleh dengan e111  e121  e211  e221  e1 dan e112  e122  e212  e222  e2
sehingga diperoleh:
156  59  43  422
e1   170
4
413  110  105  71
e2   174.75
4
I J K n 
G 2  2 nijk ln  ijk 
 eijk 
j 1 i 1 k 1  
2 2 2 n 
 eijk 
j 1 i 1 k 1  
  156   413   71  
 2 (156) ln    (413) ln    (71) ln  
  170   174.75   174.75  
 871.2
Derajat bebas = db = K – 1 = 2 – 1 = 1
47
p-value = P(   G )  P(   0.261)  0.609
2 2 2

2
 3.841
menghasilkan keputusan yang sama. Hasil perhitungan menunjukkan bahwa statistik uji G2 (0.261) <

2
(3.841) dan p-value (0.609) > α (0.05) maka gagal tolak H0. Dengan demikian,
variabel tipe keparahan memiliki efek parsial yang tidak signifikan pada model.
4) Variabel Interaksi Tipe mobil dan Tipe Kecelakaan
Statistik Uji:
I J K n 
G 2  2 nijk ln  ijk 
 eijk
j 1 i 1 k 1  
2 2 2 n 
 2 nijk ln  ijk 
 eijk
j 1 i 1 k 1  
 625.633
Derajat bebas = db = (I – 1)(J – 1) = (1)(1) = 1
p-value = P(   G )  P(   236.544)  0.000

2 2 2

2
 3.841
menghasilkan keputusan yang sama. Hasil perhitungan menunjukkan bahwa statistik uji G2 (236.544)
> titik kritis 0.05,2

2
(3.841) dan p-value (0.000) < α (0.05) maka tolak H0. Dengan demikian, interaksi
tipe mobil dan tipe kecelakaan memiliki efek parsial yang signifikan pada model.
5) Variabel Interaksi Tipe mobil dan Tipe Keparahan
Statistik Uji:
I J K n 
G 2  2 nijk ln  ijk 
 eijk
j 1 i 1 k 1  
2 2 2 n 
 2 nijk ln  ijk 
 eijk
j 1 i 1 k 1  
 780.818
Derajat bebas = db = (I – 1)(K – 1) = (1)(1) = 1
48
p-value = P(   G )  P(   236.544)  0.000
2 2 2

2
 3.841
menghasilkan keputusan yang sama. Hasil perhitungan menunjukkan bahwa statistik uji G2 (81.359) >

2
tipe mobil dan tipe keparahan memiliki efek parsial yang signifikan pada model.
6) Variabel Interaksi Tipe Kecelakaan dan Tipe Keparahan
Statistik Uji:
I J K n 
G 2  2 nijk ln  ijk 
 eijk
j 1 i 1 k 1  
2 2 2 n 
 2 nijk ln  ijk 
 eijk
j 1 i 1 k 1  
 760.435
Derajat bebas = db = (J – 1)(K – 1) = (1)(1) = 1
p-value = P(   G )  P(   101.742)  0.000

2 2 2

2
 3.841
menghasilkan keputusan yang sama. Hasil perhitungan menunjukkan bahwa statistik uji G2 (101.742)
> titik kritis 0.05,2

2
tipe kecelakaan dan tipe keparahan memiliki efek parsial yang signifikan pada model.
5. Pemilihan Model Terbaik Menggunakan Eliminasi Backward
Eliminasi Backward digunakan untuk memilih model terbaik, hasil perhitungan dengan SPSS
ditunjukkan pada Tabel berikut dengan hipotesisnya adalah:
ˆ ij    iA   jB  kC  ijAB  ikAC   jkBC )
H0 : Model 1 merupakan model terbaik ( ln m

Tabel 27. Hasil Eliminasi Backward dengan SPSS

Stepa Effects Chi-Squarec df Sig.
Mobil*Kecelakaa
0 Generating Classb .000 0 .
n*Keparahan
49
Mobil*Kecelakaa
Deleted Effect 1 70.420 1 .000
n*Keparahan
Mobil*Kecelakaa
n*Keparahan
Statistik Uji:
I J K  nijk 
Likelihood Ratio Test: G 2  2  n ijk ln  
j 1 i 1 k 1  eijk 
Perhitungan:
I J K n 
G 2  2 nijk ln  ijk 
 eijk
j 1 i 1 k 1  
2 2 2 n 
 2 nijk ln  ijk 
 eijk
j 1 i 1 k 1  
 70.420
Derajat bebas = db = ( I  1)( J  1)( K  1)  (2  1)(2  1)(2  1)  1
p-value = P(   G )  P(   70.420)  4.79 10

17
2 2 2
 0.000
2
 3.841
menghasilkan keputusan yang sama. Hasil perhitungan menunjukkan bahwa statistik uji hitung
2
(70.420) > titik kritis 0.05,1

2
demikian, model 0 merupakan model terbaik, sehingga model log linear terbaik yang terbentuk
berdasarkan eliminasi backward adalah: ln m
6. Kecenderungan Per Sel

Kecenderungan per sel bertujuan untuk mengetahui sel mana yang menyebabkan dependensi pada
variabel tipe mobil, tipe kecelakaan, dan tipe keparahan. Selain itu juga untuk mengetahui bagaimana
kecenderungan variabel satu dengan varaibel lainnya. Hasil perhitungan estimasi parameter sudah
dilakukan pada tahap sebelumnya sehingga diperoleh estimasi parameter sebagai berikut.
Tabel 28. Estimasi Parameter
µ 4.822
1A 0.141 0.036 3.891 0.000 Tolak H0
2A -0.141 0.036 -3.891 0.000 Tolak H0
1B 0.050 0.036 1.389 0.165 Gagal Tolak H0
50
 2
B
-0.050 0.036 -1.389 0.165 Gagal Tolak H0
 1
C
-0.088 0.036 -2.438 0.015 Tolak H0
 2
C
0.088 0.036 2.438 0.015 Tolak H0
 AB
11 0.523 0.036 14.440 0.000 Tolak H0
 AB
12 -0.523 0.036 -14.440 0.000 Tolak H0
 AB
21 -0.523 0.036 -14.440 0.000 Tolak H0
 AB
22 0.523 0.036 14.440 0.000 Tolak H0
 AC
11 -0.311 0.036 -8.572 0.000 Tolak H0
 AC
12 0.311 0.036 8.572 0.000 Tolak H0
 AC
21 0.311 0.036 8.572 0.000 Tolak H0
 AC
22 -0.311 0.036 -8.572 0.000 Tolak H0
 BC
11 -0.378 0.036 -10.433 0.000 Tolak H0
 BC
12 0.378 0.036 10.433 0.000 Tolak H0
 BC
21 0.378 0.036 10.433 0.000 Tolak H0
 BC
22 -0.378 0.036 -10.433 0.000 Tolak H0
 ABC
111 0.291 0.036 8.015 0.000 Tolak H0
112
ABC
-0.291 0.036 -8.015 0.000 Tolak H0
121
ABC
-0.291 0.036 -8.015 0.000 Tolak H0
122
ABC
0.291 0.036 8.015 0.000 Tolak H0
211
ABC
0.291 0.036 8.015 0.000 Tolak H0
212
ABC
-0.291 0.036 -8.015 0.000 Tolak H0
221
ABC
0.291 0.036 8.015 0.000 Tolak H0
222
ABC
-0.291 0.036 -8.015 0.000 Tolak H0
Hasil Perhitungan secara manual dan hasil SPSS menunjukkan hasil yang sama, hanya berbeda pada
pembulatan angka. Berdasarkan hasil estimasi parameter diketahui bahwa sebagian besar parameter
memiliki pengaruh yang signifikan terhadap model, hanya parameter 1B (efek utama tipe kecelakaan
tabrakan), dan 2B (efek utama tipe kecelakaan berguling). Hal tersebut diketahui berdasarkan nilai
statistik uji Z > titik kritis Z0.025 (1.96) dan p-value < α (0.05) maka tolak H0 (efek variabel berpengaruh
signifikan dalam model), sedangkan nilai statistik uji Z < titik kritis Z0.025 (1.96) dan p-value > α (0.05)
maka gagal tolak H0 (efek variabel tidak berpengaruh signifikan dalam model). Terdapat hal yang
menarik pada parameter 1B (efek utama tipe kecelakaan tabrakan), dan 2B (efek utama tipe kecelakaan
51
berguling) tidak memiliki efek yang signifikan pada model, namun ketika pengaruh interaksi variabel tipe
kecelakaan dengan variabel lainnya terdapat pengaruh yang signifikan terhadap model sehingga
diperlukan pengujian kecenderungan sel untuk mengetahui sel-sel mana yang memiliki kecenderungan
mempengaruhi sel lainnya.
Berdasarkan pengujian sebelumnya maka model yang terbentuk adalah model log linier seperti berikut:
ln m
Interpretasi Kecenderungan Sel Model Log Linier
Interpretasi model dilakukan hanya pada estimasi parameter yang memberikan efek yang signifikan
sehingga parameter 2B (efek tipe kecelakaan siang hari), 13AB (efek interaksi tipe mobil ringan pada tipe
kecelakaan malam hari), dan 23AB (efek interaksi tipe mobil berat pada tipe kecelakaan malam hari) tidak
ada kecenderungan sel.
 Efek utama variabel tipe mobil
a) Efek 1A
Nilai koefisien 1A sebesar 0.141 yaitu bernilai positif sehingga dapat diketahui bahwa sel
tipe mobil standar memiliki kecenderungan pada sel variabel tipe kecelakaan dan variabel
keparahan.
b) Efek 2
A
Nilai koefisien 1A sebesar -0.141 yaitu bernilai negatif sehingga dapat diketahui bahwa sel
tipe mobil kecil tidak memiliki kecenderungan pada sel variabel tipe kecelakaan dan variabel
keparahan.
 Efek utama variabel tipe keparahan
a) Efek 1C
Nilai koefisien 1 sebesar -0.088 yaitu bernilai negatif sehingga dapat diketahui bahwa sel
C
tipe keparahan “parah” tidak memiliki kecenderungan pada sel variabel tipe mobil dan tipe
kecelakaan.
b) Efek 2
C
Nilai koefisien 2C sebesar 0.088 yaitu bernilai positif sehingga dapat diketahui bahwa sel
tipe keparahan “tidak parah” memiliki kecenderungan pada sel variabel tipe mobil dan tipe
kecelakaan.
 Efek interaksi variabel tipe mobil dan tipe kecelakaan
52
a) Efek Interaksi 11
AB
Nilai koefisien interaksi 11 sebesar 0.523 yaitu bernilai positif sehingga dapat diketahui
AB
bahwa sel tipe mobil standar memiliki kecenderungan pada sel tipe kecelakaan tabrakan.
Dengan demikian, mobil standar cenderung untuk terjadi kecelakaan tipe tabrakan.
b) Efek Interaksi 12AB

Nilai koefisien interaksi 12 sebesar -0.523 yaitu bernilai negatif sehingga dapat diketahui
AB
bahwa sel tipe mobil standar tidak memiliki kecenderungan pada sel tipe kecelakaan
berguling. Dengan demikian, mobil standar tidak cenderung untuk terjadi kecelakaan tipe
berguling.
c) Efek Interaksi 21AB
Nilai koefisien interaksi 21AB sebesar -0.523 yaitu bernilai negatif sehingga dapat diketahui
bahwa sel tipe mobil kecil tidak memiliki kecenderungan pada sel tipe kecelakaan tabrakan.
Dengan demikian, mobil kecil tidak cenderung untuk terjadi kecelakaan tipe tabrakan.
d) Efek Interaksi 22AB

AB
bahwa sel tipe mobil kecil memiliki kecenderungan pada sel tipe kecelakaan berguling.
Dengan demikian, mobil kecil cenderung untuk terjadi kecelakaan tipe berguling.
 Efek interaksi variabel tipe mobil dan tipe keparahan

AC
AC
bahwa sel tipe mobil standar tidak memiliki kecenderungan pada sel tipe keparahan “parah”.
Dengan demikian, mobil standar tidak cenderung untuk terjadinya luka yang parah ketika
terjadinya kecelakaan.
b) Efek Interaksi 12

AC
Nilai koefisien interaksi 12AC sebesar 0.311 yaitu bernilai positif sehingga dapat diketahui
bahwa sel tipe mobil standar memiliki kecenderungan pada sel tipe keparahan “tidak parah”.
Dengan demikian, mobil standar cenderung untuk terjadinya luka yang tidak parah ketika
c) Efek Interaksi 21
AC
53
Nilai koefisien interaksi 21
AC
sebesar 0.311 yaitu bernilai positif sehingga dapat diketahui
bahwa sel tipe mobil kecil memiliki kecenderungan pada sel tipe keparahan “parah”. Dengan
demikian, mobil kecil cenderung untuk terjadinya luka yang parah ketika terjadinya
kecelakaan.
d) Efek Interaksi 22

AC
Nilai koefisien interaksi 22AC sebesar -0.311 yaitu bernilai negatif sehingga dapat diketahui
bahwa sel tipe mobil kecil tidak memiliki kecenderungan pada sel tipe keparahan “tidak
parah”. Dengan demikian, mobil kecil tidak cenderung untuk terjadinya luka yang tidak
parah ketika terjadinya kecelakaan.
 Efek interaksi variabel tipe kecelakaan dan tipe keparahan

BC
BC
bahwa sel tipe kecelakaan tabrakan tidak memiliki kecenderungan pada sel tipe keparahan
“parah”. Dengan demikian, tipe kecelakaan tabrakan tidak cenderung untuk terjadinya luka
yang parah ketika terjadinya kecelakaan.
b) Efek Interaksi 12BC

BC
bahwa sel tipe kecelakaan tabrakan memiliki kecenderungan pada sel tipe keparahan “tidak
parah”. Dengan demikian, tipe kecelakaan tabrakan cenderung untuk terjadinya luka yang
tidak parah ketika terjadinya kecelakaan.
c) Efek Interaksi 21BC

BC
bahwa sel tipe kecelakaan berguling memiliki kecenderungan pada sel tipe keparahan
“parah”. Dengan demikian, tipe kecelakaan berguling cenderung untuk terjadinya luka yang
parah ketika terjadinya kecelakaan.
d) Efek Interaksi 22BC

BC
bahwa sel tipe kecelakaan berguling tidak memiliki kecenderungan pada sel tipe keparahan
“tidak parah”. Dengan demikian, tipe kecelakaan berguling tidak cenderung untuk terjadinya
luka yang tidak parah ketika terjadinya kecelakaan.
54
 Efek interaksi variabel tipe mobil, tipe kecelakaan dan tipe keparahan

ABC

ABC
bahwa sel tipe mobil standar, sel tipe kecelakaan tabrakan dan sel tipe keparahan “parah”
memiliki kecenderungan. Dengan demikian, tipe mobil standar dengan tipe kecelakaan
tabrakan cenderung untuk terjadinya luka yang parah ketika terjadinya kecelakaan.

ABC

ABC
sebesar -0.291 yaitu bernilai negatif sehingga dapat diketahui
bahwa sel tipe mobil standar, sel tipe kecelakaan tabrakan dan sel tipe keparahan “tidak
parah” tidak memiliki kecenderungan. Dengan demikian, tipe mobil standar dengan tipe
kecelakaan tabrakan tidak cenderung untuk terjadinya luka yang tidak parah ketika

ABC

ABC
bahwa sel tipe mobil standar, sel tipe kecelakaan berguling dan sel tipe keparahan “parah”
tidak memiliki kecenderungan. Dengan demikian, tipe mobil standar dengan tipe kecelakaan
berguling tidak cenderung untuk terjadinya luka yang parah ketika terjadinya kecelakaan.

ABC

ABC
bahwa sel tipe mobil standar, sel tipe kecelakaan berguling dan sel tipe keparahan “tidak
parah” memiliki kecenderungan. Dengan demikian, tipe mobil standar dengan tipe
kecelakaan berguling cenderung untuk terjadinya luka yang tidak parah ketika terjadinya
kecelakaan.
e) Efek Interaksi 211

ABC

ABC
bahwa sel tipe mobil kecil, sel tipe kecelakaan tabrakan dan sel tipe keparahan “parah”
memiliki kecenderungan. Dengan demikian, tipe mobil kecil dengan tipe kecelakaan
tabrakan cenderung untuk terjadinya luka yang parah ketika terjadinya kecelakaan.
f) Efek Interaksi 212

ABC
55
ABC
bahwa sel tipe mobil kecil, sel tipe kecelakaan tabrakan dan sel tipe keparahan “tidak parah”
tidak memiliki kecenderungan. Dengan demikian, tipe mobil kecil dengan tipe kecelakaan
tabrakan tidak cenderung untuk terjadinya luka yang tidak parah ketika terjadinya
kecelakaan.
g) Efek Interaksi 221

ABC

ABC
bahwa sel tipe mobil kecil, sel tipe kecelakaan berguling dan sel tipe keparahan “parah”
memiliki kecenderungan. Dengan demikian, tipe mobil kecil dengan tipe kecelakaan
berguling cenderung untuk terjadinya luka yang parah ketika terjadinya kecelakaan.
h) Efek Interaksi 222

ABC

ABC
bahwa sel tipe mobil kecil, sel tipe kecelakaan berguling dan sel tipe keparahan “tidak
parah” tidak memiliki kecenderungan. Dengan demikian, tipe mobil kecil dengan tipe
kecelakaan berguling tidak cenderung untuk terjadinya luka yang tidak parah ketika
56
Output SPSS
1. Uji Independensi
Mutually Independen
Goodness-of-Fit Testsa,b
Value df Sig.
Likelihood Ratio 862.177 4 .000

Pearson Chi-Square 996.325 4 .000
a. Model: Poisson
b. Design: Constant + Mobil + Kecelakaan + Keparahan
Cell Counts and Residualsa,b
Mobil Kecelakaan Keparahan Observed Expected Residual Standardized Adjusted Deviance
Count % Count % Residual Residual
Parah 156 11.3% 189.215 13.7% -33.215 -2.415 -3.500 -2.491

Tabrakan Tidak
413 29.9% 194.502 14.1% 218.498 15.667 22.877 13.601
Parah
Standa
-
r Parah 59 4.3% 174.701 12.7% -8.754 -12.431 -10.164
115.701
Berguling
Tidak
110 8.0% 179.582 13.0% -69.582 -5.192 -7.426 -5.597
Parah
-
Parah 43 3.1% 164.345 11.9% -9.466 -13.240 -11.286
121.345
Tabrakan
Tidak
105 7.6% 168.937 12.3% -63.937 -4.919 -6.928 -5.292
Kecil Parah
Parah 422 30.6% 151.739 11.0% 270.261 21.940 30.109 17.965

Berguling Tidak
71 5.1% 155.978 11.3% -84.978 -6.804 -9.399 -7.629
Parah
a. Model: Poisson
b. Design: Constant + Mobil + Kecelakaan + Keparahan
Conditionally Independen
Value df Sig.

a. Model: Poisson
b. Design: Constant + Mobil * Keparahan + Kecelakaan *
Keparahan
57
Parah 156 11.3% 62.919 4.6% 93.081 11.735 16.871 9.856

Tabrakan Tidak
413 29.9% 387.574 28.1% 25.426 1.292 5.051 1.278
Standa Parah
r Parah 59 4.3% 152.081 11.0% -93.081 -7.548 -16.869 -8.627
Berguling Tidak
110 8.0% 135.426 9.8% -25.426 -2.185 -5.050 -2.259
Parah
Parah 43 3.1% 136.081 9.9% -93.081 -7.979 -16.869 -9.332
Tabrakan Tidak
105 7.6% 130.426 9.5% -25.426 -2.226 -5.050 -2.305
Parah
Kecil
Parah 422 30.6% 328.919 23.9% 93.081 5.132 16.870 4.915
Berguling Tidak
71 5.1% 45.574 3.3% 25.426 3.766 5.056 3.479
Parah
a. Model: Poisson
b. Design: Constant + Mobil * Keparahan + Kecelakaan * Keparahan
Value df Sig.

a. Model: Poisson
b. Design: Constant + Mobil * Keparahan + Mobil * Kecelakaan
Parah 156 11.3% 165.766 12.0% -9.766 -.758 -1.883 -.766

Tabrakan Tidak
413 29.9% 403.234 29.2% 9.766 .486 1.883 .484
Standa Parah
r Parah 59 4.3% 49.234 3.6% 9.766 1.392 1.883 1.349
Berguling Tidak
110 8.0% 119.766 8.7% -9.766 -.892 -1.883 -.905
Parah
Kecil Tabrakan Parah 43 3.1% 107.363 7.8% -64.363 -6.212 -13.517 -7.074
58
Tidak
105 7.6% 40.637 2.9% 64.363 10.097 13.517 8.404
Parah
Parah 422 30.6% 357.637 25.9% 64.363 3.403 13.517 3.308

Berguling Tidak
71 5.1% 135.363 9.8% -64.363 -5.532 -13.517 -6.091
Parah
a. Model: Poisson
b. Design: Constant + Mobil * Keparahan + Mobil * Kecelakaan
Jointly Independen
Value df Sig.

Pearson Chi-
525.429 3 .000
Square
a. Model: Poisson
b. Design: Constant + Mobil + Kecelakaan *
Keparahan
Mobil Kecelakaa Keparahan Observed Expected Residua Standardize Adjuste Devianc

n Count % Count % l d Residual d e
Residua
l
106.49
Parah 156 11.3% 7.7% 49.501 4.797 7.605 4.483
9
Tabrakan
Tidak 277.21 20.1
413 29.9% 135.782 8.155 15.138 7.597
Standa Parah 8 %
r 257.41 18.7 -
Parah 59 4.3% -12.367 -22.478 -14.933
7 % 198.417
Berguling
Tidak
110 8.0% 96.866 7.0% 13.134 1.334 2.100 1.306
Parah
Parah 43 3.1% 92.501 6.7% -49.501 -5.147 -7.606 -5.755
Tabrakan Tidak 240.78 17.5 -
105 7.6% -8.750 -15.138 -9.863
Parah 2 % 135.782
Kecil 223.58 16.2
Parah 422 30.6% 198.417 13.270 22.478 11.802
3 %
Berguling
Tidak
71 5.1% 84.134 6.1% -13.134 -1.432 -2.100 -1.472
Parah
a. Model: Poisson
59
b. Design: Constant + Mobil + Kecelakaan * Keparahan
Marginally Independen
1. Tipe Mobil dan Tipe Kecelakaan
Value df Sig.

Pearson Chi-
400.933 1 .000
Square
a. Model: Poisson
b. Design: Constant + Mobil + Kecelakaan
Mobil Kecelakaan Observed Expected Residual Standardized Adjusted Deviance
Tabrakan 569 41.3% 383.717 27.8% 185.283 9.459 20.023 8.819

Standar
Berguling 169 12.3% 354.283 25.7% -185.283 -9.844 -20.023 -10.972
Tabrakan 148 10.7% 333.283 24.2% -185.283 -10.149 -20.023 -11.414
Kecil
Berguling 493 35.8% 307.717 22.3% 185.283 10.562 20.023 9.704
a. Model: Poisson
b. Design: Constant + Mobil + Kecelakaan
2. Tipe Mobil dan Keparahan

Value df Sig.

a. Model: Poisson
b. Design: Constant + Mobil + Keparahan
Mobil Keparahan Observed Expected Residual Standardized Adjusted Deviance
Parah 215 15.6% 363.916 26.4% -148.916 -7.806 -16.082 -8.458

Standar Tidak
523 37.9% 374.084 27.1% 148.916 7.699 16.082 7.258
Parah
Parah 465 33.7% 316.084 22.9% 148.916 8.376 16.082 7.821
Kecil Tidak
176 12.8% 324.916 23.6% -148.916 -8.261 -16.082 -9.057
Parah
60
a. Model: Poisson
b. Design: Constant + Mobil + Keparahan
3. Tipe Kecelakaan dan Keparahan

Value df Sig.

a. Model: Poisson
b. Design: Constant + Kecelakaan + Keparahan
Kecelakaa Keparaha Observed Expected Residual Standardize Adjusted Deviance

n n Count % Count % d Residual Residual
-
Parah 199 14.4% 353.561 25.6% -8.220 -16.641 -8.965
154.561
Tabrakan
Tidak
518 37.6% 363.440 26.4% 154.560 8.107 16.640 7.616
Parah
Parah 481 34.9% 326.440 23.7% 154.560 8.555 16.642 7.986
Berguling Tidak -
181 13.1% 335.561 24.3% -8.437 -16.642 -9.255
Parah 154.561
a. Model: Poisson
b. Design: Constant + Kecelakaan + Keparahan
Model Saturated
Data Information
Valid 8
Out of Rangea 0
Cases
Missing 0
Weighted Valid 1379

Mobil 2
Categories Kecelakaan 2
Keparahan 2
a. Cases rejected because of out of range

factor values.
Convergence Information
Generating Class Mobil*Kecelakaan*Keparahan

Number of Iterations 1
61
Max. Difference between
Observed and Fitted .000
Marginals
Convergence Criterion 178.084
Cell Counts and Residuals
Mobil Kecelakaan Keparahan Observed Expected Residuals Std. Residuals
Counta % Count %
Parah 156.500 11.3% 156.500 11.3% .000 .000

Tabrakan
Tidak Parah 413.500 30.0% 413.500 30.0% .000 .000
Standar
Parah 59.500 4.3% 59.500 4.3% .000 .000
Berguling
Tidak Parah 110.500 8.0% 110.500 8.0% .000 .000
Parah 43.500 3.2% 43.500 3.2% .000 .000
Tabrakan
Tidak Parah 105.500 7.7% 105.500 7.7% .000 .000
Kecil
Parah 422.500 30.6% 422.500 30.6% .000 .000
Berguling
Tidak Parah 71.500 5.2% 71.500 5.2% .000 .000
a. For saturated models, .500 has been added to all observed cells.
Goodness-of-Fit Tests
Chi-Square df Sig.
Likelihood Ratio .000 0 .

Pearson .000 0 .
K-Way and Higher-Order Effects
K df Likelihood Ratio Pearson Number of
Chi-Square Sig. Chi-Square Sig. Iterations
1 7 871.461 .000 979.144 .000 0

K-way and Higher Order
2 4 862.177 .000 996.325 .000 1
Effectsa
3 1 70.420 .000 69.677 .000 2
1 3 9.285 .026 -17.181 1.000 0
K-way Effectsb 2 3 791.756 .000 926.647 .000 0
3 1 70.420 .000 69.677 .000 0
a. Tests that k-way and higher order effects are zero.

b. Tests that k-way effects are zero.
Partial Associations
Effect df Partial Chi- Sig. Number of

Square Iterations
Mobil*Kecelakaan 1 236.544 .000 2

Mobil*Keparahan 1 81.359 .000 2
Kecelakaan*Keparahan 1 101.742 .000 2
62
Mobil 1 6.829 .009 1
Kecelakaan 1 2.194 .139 1
Keparahan 1 .262 .609 1
Parameter Estimates
Effect Parameter Estimate Std. Z Sig. 95% Confidence Interval

Error Lower Upper
Bound Bound
Mobil*Kecelakaan*Keparahan 1 .289 .036 7.994 .000 .218 .360

Mobil*Kecelakaan 1 .521 .036 14.436 .000 .451 .592
Mobil*Keparahan 1 -.310 .036 -8.587 .000 -.381 -.239
Kecelakaan*Keparahan 1 -.377 .036 -10.435 .000 -.448 -.306
Mobil 1 .140 .036 3.881 .000 .069 .211
Kecelakaan 1 .050 .036 1.392 .164 -.021 .121
Keparahan 1 -.088 .036 -2.423 .015 -.158 -.017
Step Summary
Stepa Effects Chi-Squarec df Sig. Number of

Iterations
Mobil*Kecelakaa
Generating Classb .000 0 .
n*Keparahan
0
Mobil*Kecelakaa
Deleted Effect 1 70.420 1 .000 2
n*Keparahan
Mobil*Kecelakaa
n*Keparahan
a. At each step, the effect with the largest significance level for the Likelihood Ratio Change is deleted, provided the
significance level is larger than .050.
b. Statistics are displayed for the best model at each step after step 0.
c. For 'Deleted Effect', this is the change in the Chi-Square after the effect is deleted from the model.
Convergence Informationa
Generating Class Mobil*Kecelakaan*Keparahan

Number of Iterations 0
Max. Difference between
Observed and Fitted .000
Marginals
Convergence Criterion 178.084
a. Statistics for the final model after Backward Elimination.
63
Pemodelan Log Linier dengan R
data<-data.frame(expand.grid(Tipekeparahan=factor(c("Parah","Tidak
parah"),levels=c("Parah","Tidak
parah")),Tipekecelakaan=factor(c("Tabrakan","Berguling"),levels=c("Tabrakan",
"Berguling")),Tipemobil=factor(c("Standart","Kecil"),levels=c("Standart","Kec
il"))),count=c(156,413,59,110,43,105,422,71))
data
library(MASS)
#X adalah Tipekeparahan, Y adalah Tipekecelakaan, Z adalah Tipemobil
# model (XYZ) -> saturated
fitXYZ<-loglm(count~Tipekeparahan*Tipekecelakaan*Tipemobil, data=data,
param=T, fit=T)
fitXYZ
# model (XY, XZ, YZ) -> homogenous association
fitXY.XZ.YZ<-update(fitXYZ,.~.-Tipekeparahan:Tipekecelakaan:Tipemobil)
fitXY.XZ.YZ
# model (XZ, YZ) -> (conditional association)
fitXZ.YZ<-update(fitXY.XZ.YZ,.~.-Tipekeparahan:Tipekecelakaan)
fitXZ.YZ
# model (XY,Z) -> (jointly independent)
fitXY.Z<-update(fitXY.XZ.YZ,.~.-Tipekeparahan:Tipemobil-
Tipekecelakaan:Tipemobil)
fitXY.Z
# Fit Value
fittedvalue<-
data.frame(Tipekeparahan=data$Tipekeparahan,Tipekecelakaan=data$Tipekecelakaa
n,Tipemobil=data$Tipemobil,X.Y.Z=c(aperm(fitted(fitX.Y.Z))),XY.Z=c(aperm(fitt
ed(fitXY.Z))),XZ.YZ=c(aperm(fitted(fitXZ.YZ))),XY.XZ.YZ=c(aperm(fitted(fitXY.
XZ.YZ))),XYZ=c(aperm(fitted(fitXYZ))))
fittedvalue
# model (X, Y, Z)-> mutually independent
fitX.Y.Z<-update(fitXY.Z,.~.-Tipekeparahan:Tipekecelakaan)
fitX.Y.Z
# Fit Value
fittedvalue<-
fittedvalue
# Goodness of fit
gof<-
data.frame(X.Y.Z=c(summary(fitX.Y.Z)$test),XY.Z=c(summary(fitXY.Z)$test),XZ.Y
Z=c(summary(fitXZ.YZ)$test),XY.XZ.YZ=c(summary(fitXY.XZ.YZ)$test),XYZ=c(summa
ry(fitXYZ)$test))
gof
gof<-gof[-3,]
gof
rownames(gof)<-c("G^2","X^2","df","P-value G^2","P-value X^2")
64
round(t(gof),2)
# Penaksiran parameter
modelsaturated<-loglm(count~.^3, data = data, family = poisson)
coef(modelsaturated)
library(vcdExtra)
kway<-
vcdExtra::Kway(count~Tipekecelakaan+Tipekeparahan+Tipemobil,data=data,family=
poisson)
LRstats(kway)
OUTPUT
> data<-data.frame(expand.grid(Tipekeparahan=factor(c("Parah","Tidak
parah"),levels=c("Parah","Tidak
parah")),Tipekecelakaan=factor(c("Tabrakan","Berguling"),levels=c("Tabrakan",
"Berguling")),Tipemobil=factor(c("Standart","Kecil"),levels=c("Standart","Kec
il"))),count=c(156,413,59,110,43,105,422,71))
> data
Tipekeparahan Tipekecelakaan Tipemobil count
1 Parah Tabrakan Standart 156
2 Tidak parah Tabrakan Standart 413
3 Parah Berguling Standart 59
4 Tidak parah Berguling Standart 110
5 Parah Tabrakan Kecil 43
6 Tidak parah Tabrakan Kecil 105
7 Parah Berguling Kecil 422
8 Tidak parah Berguling Kecil 71
> library(MASS)
> #X adalah Tipekeparahan, Y adalah Tipekecelakaan, Z adalah Tipemobil
> # model (XYZ) -> saturated
> fitXYZ<-loglm(count~Tipekeparahan*Tipekecelakaan*Tipemobil, data=data,
param=T, fit=T)
> fitXYZ
Call:
loglm(formula = count ~ Tipekeparahan * Tipekecelakaan * Tipemobil,
data = data, param = T, fit = T)
Statistics:
X^2 df P(> X^2)
Likelihood Ratio 0 0 1
Pearson 0 0 1
> # model (XY, XZ, YZ) -> homogenous association
> fitXY.XZ.YZ<-update(fitXYZ,.~.-Tipekeparahan:Tipekecelakaan:Tipemobil)
> fitXY.XZ.YZ
Call:
loglm(formula = count ~ Tipekeparahan + Tipekecelakaan + Tipemobil +
Tipekeparahan:Tipekecelakaan + Tipekeparahan:Tipemobil +
Tipekecelakaan:Tipemobil, data = data, param = T, fit = T)
Statistics:
X^2 df P(> X^2)
65
Likelihood Ratio 68.76154 1 1.110223e-16
Pearson 67.23107 1 2.220446e-16
> # model (XZ, YZ) -> (conditional association)
> fitXZ.YZ<-update(fitXY.XZ.YZ,.~.-Tipekeparahan:Tipekecelakaan)
> fitXZ.YZ
Call:
Tipekeparahan:Tipemobil + Tipekecelakaan:Tipemobil, data = data,
param = T, fit = T)
Statistics:
X^2 df P(> X^2)
Likelihood Ratio 172.1623 2 0
Pearson 186.2621 2 0
> # model (XY,Z) -> (jointly independent)
> fitXY.Z<-update(fitXY.XZ.YZ,.~.-Tipekeparahan:Tipemobil-
Tipekecelakaan:Tipemobil)
> fitXY.Z
Call:
Tipekeparahan:Tipekecelakaan, data = data, param = T, fit = T)
Statistics:
X^2 df P(> X^2)
Pearson 525.4290 3 0
> # Fit Value
> fittedvalue<-
Error in data.frame(Tipekeparahan = data$Tipekeparahan, Tipekecelakaan =
data$Tipekecelakaan, :
arguments imply differing number of rows: 8, 12
> fittedvalue
Error: object 'fittedvalue' not found
> # model (X, Y, Z)-> mutually independent
> fitX.Y.Z<-update(fitXY.Z,.~.-Tipekeparahan:Tipekecelakaan)
> fitX.Y.Z
Call:
loglm(formula = count ~ Tipekeparahan + Tipekecelakaan + Tipemobil,
Statistics:
X^2 df P(> X^2)
Pearson 996.3247 4 0
> # Fit Value
66
> fittedvalue<-
> fittedvalue
Tipekeparahan Tipekecelakaan Tipemobil X.Y.Z XY.Z XZ.YZ
XY.XZ.YZ
1 Parah Tabrakan Standart 189.2151 106.49891 165.76558
125.73852
2 Tidak parah Tabrakan Standart 164.3454 92.50109 107.36349
73.26219
3 Parah Berguling Standart 174.7007 257.41697 49.23442
89.26285
4 Tidak parah Berguling Standart 151.7387 223.58303 357.63651
391.73652
5 Parah Tabrakan Kecil 194.5020 277.21827 403.23442
443.26148
6 Tidak parah Tabrakan Kecil 168.9374 240.78173 40.63651
74.73781
7 Parah Berguling Kecil 179.5821 96.86584 119.76558
79.73715
8 Tidak parah Berguling Kecil 155.9785 84.13416 135.36349
101.26348
XYZ
1 156
2 43
3 59
4 422
5 413
6 105
7 110
8 71
> # Goodness of fit
> gof<-
data.frame(X.Y.Z=c(summary(fitX.Y.Z)$test),XY.Z=c(summary(fitXY.Z)$test),XZ.Y
Z=c(summary(fitXZ.YZ)$test),XY.XZ.YZ=c(summary(fitXY.XZ.YZ)$test),XYZ=c(summa
ry(fitXYZ)$test))
> gof
X.Y.Z XY.Z XZ.YZ XY.XZ.YZ XYZ
1 862.1768 574.3791 172.1623 6.876154e+01 0
2 996.3247 525.4290 186.2621 6.723107e+01 0
3 4.0000 3.0000 2.0000 1.000000e+00 0
4 4.0000 3.0000 2.0000 1.000000e+00 0
5 0.0000 0.0000 0.0000 1.110223e-16 1
6 0.0000 0.0000 0.0000 2.220446e-16 1
> gof<-gof[-3,]
> gof
X.Y.Z XY.Z XZ.YZ XY.XZ.YZ XYZ
67
1 862.1768 574.3791 172.1623 6.876154e+01 0
2 996.3247 525.4290 186.2621 6.723107e+01 0
4 4.0000 3.0000 2.0000 1.000000e+00 0
5 0.0000 0.0000 0.0000 1.110223e-16 1
6 0.0000 0.0000 0.0000 2.220446e-16 1
> rownames(gof)<-c("G^2","X^2","df","P-value G^2","P-value X^2")
> round(t(gof),2)
G^2 X^2 df P-value G^2 P-value X^2
X.Y.Z 862.18 996.32 4 0 0
XY.Z 574.38 525.43 3 0 0
XZ.YZ 172.16 186.26 2 0 0
XY.XZ.YZ 68.76 67.23 1 0 0
XYZ 0.00 0.00 0 1 1
> # Penaksiran parameter
> modelsaturated<-loglm(count~.^3, data = data, family = poisson)
> coef(modelsaturated)
$`(Intercept)`
[1] 4.821771
$Tipekeparahan
Parah Tidak parah
-0.08837116 0.08837116
$Tipekecelakaan
Tabrakan Berguling
0.05034513 -0.05034513
$Tipemobil
Standart Kecil
0.1410595 -0.1410595
$Tipekeparahan.Tipekecelakaan
Tipekecelakaan
Tipekeparahan Tabrakan Berguling
Parah -0.3782168 0.3782168
Tidak parah 0.3782168 -0.3782168
$Tipekeparahan.Tipemobil
Tipemobil
Tipekeparahan Standart Kecil
Parah -0.3107625 0.3107625
Tidak parah 0.3107625 -0.3107625
$Tipekecelakaan.Tipemobil
Tipemobil
Tipekecelakaan Standart Kecil
Tabrakan 0.5234763 -0.5234763
Berguling -0.5234763 0.5234763
68
$Tipekeparahan.Tipekecelakaan.Tipemobil
, , Tipemobil = Standart
Tipekecelakaan
Parah 0.2905546 -0.2905546
Tidak parah -0.2905546 0.2905546
, , Tipemobil = Kecil
Tipekecelakaan
Parah -0.2905546 0.2905546
Tidak parah 0.2905546 -0.2905546
> library(vcdExtra)
> kway<-
vcdExtra::Kway(count~Tipekecelakaan+Tipekeparahan+Tipemobil,data=data,family=
poisson)
> LRstats(kway)
Likelihood summary table:
AIC BIC LR Chisq Df Pr(>Chisq)
kway.0 926.75 926.83 871.46 7 <2e-16 ***
kway.1 923.47 923.79 862.18 4 <2e-16 ***
kway.2 136.05 136.61 68.76 1 <2e-16 ***
kway.3 69.29 69.93 0.00 0 1
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
69
ANALISIS DAN PEMBAHASAN TABEL KONTINGENSI 2x2x3
Pada tugas ini model log linier diterapkan pada data dengan tiga variabel dimana tiap variabel
terdapat dua kategori atau tiga kategori. Setiap perhitungan pada analisis log linier akan dihitung
secara langsung dan dengan bantuan aplikasi SPSS dan R.
1. Aplikasi Tabel Kontingensi 2x2x3
Penelitian ini menganalisis faktor yang mempengaruhi pemilihan negara tujuan para TKI di
Jawa Timur. Data yang didapatkan adalah data sekunder hasil survey akses keuangan rumah
tangga untuk keluarga pekerja migran yang dilakukan oleh BPS bekerja sama dengan Depnaker
pada tahun 2009, dengan Variabel yang digunakan sebagai berikut:
Tabel 1. Variabel
Variabel Deskripsi Label Kategori
TKI (C) Hongkong 1
Malaysia 2 Nominal
Arab Saudi 3
asal daerah(B) Gresik 1
Nominal
malang 2
jenis kelamin (A) Perempuan 1
Nominal
Laki-laki 2
Berikut adalah tabel kontingesi tiga dimensi 2x2x3 dari kasus diatas,
Tabel 2. Tabel Kontingensi 2x2x3
Tenaga Kerja Indonesia
Jenis Kelamin Asal Daerah Total
Hongkong Malaysia Arab Sudi
Gersik 21 105 13 139
Perempuan
Malang 63 4 103 170
Gersik 15 115 12 142
Laki-Laki
Malang 8 10 16 34
Total 107 234 144 485
Berdasarkan Tabel 2, dapat diketahui bahwa laki-laki asal gersik sebanyak 115 orang yang
berminat TKI ke Malaysia. Hanya ada 4 orang perempuan asal malang berminat TKI di
Malaysia. Secara umum sebanyak 234 orang memilih tempat TKI di Malaysia dengan peminat
hongkong sebanyak 107 dan Arab Saudi 144. Berdasarkan jenis kelamin jumlah TKI perempuan
sebanyak 309 dan TKI laki-laki 176. Sedangakan berdasarkan asal daerah peminat asal daerah
gersik terdapat 281 orang peminat dan asal daerah malang 204 peminat. Hal ini menyatakan
bahwa peminat perempuan lebih banyak dibandingkan laki laki, peminat asal daerah gersik lebih
banyak dibandigkan malang, dan peminat tempat TKI di Malaysia lebih bayak dibandingkan
hongkong dan arab Saudi.
70
1.1 Uji Independensi
Sebelum melakukan analisis log linier diperlukan pengujian independensi antara jenis
kelamin, daerah asal, dan pemilihan tempat TKI.
a) Mutually Independent
Hipotesis :
H0: Tidak ada hubungan antara ketiga variabel (jenis kelamin, daerah asal, dan pemilihan
tempat TKI) atau variabel A, B, C saling mutually independent
ln mˆ ijk  
H1: Ada hubungan antara ketiga variabel (jenis kelamin, daerah asal, dan pemilihan tempat
TKI) atau variabel A, B, C saling mutually dependent
ˆ ijk    iA   jB  kC
ln m
Statistik Uji:
n n n
eijk  i   j  2  k
(n )
n1  n1  n1 309  281107
e111    39, 497 e  n1  n2  n1  309  204 107  28,674
(n )2 (485) 2 121
(n )2 (485)2
n n n 309  281 234
e112  1 1 2  2  2
 86,377 ;e122  n1  n2 2 n 2  309  204 2 234  62,701
(n ) (485) (n ) (485)
n n n 309  281144 n n n 309  204 144
e113  1 1 2 3   53,155 e123  1 2 2 3   38,589
(n ) (485) 2
(n ) (485)2
n2  n1  n1 176  281107 n n n 176  204 107
e211    22, 497 e221  2 2 2 1   16,332
(n ) 2
(485) 2
(n ) (485)2
n n n 176  281 234 n2  n2  n 2 176  204  234
e212  2 1 2  2   49,198 e222    35,717
(n ) (485) 2 (n )2 (485)2
n n n 176  281144 n n n 176  204 144
e213  2 1 2 3   30, 276 e223  2 2 2 3   21,980
(n ) (485)2 (n ) (485)2
Tabel 3. Nilai Ekspektasi Berdasarkan Perhitungan Manual
Jenis Kelamin Asal Daerah TKI Mutually
Hongkong 23.894
Gersik Malaysia 78.748
Arab Saudi 40.047
Perempuan
Hongkong 22.156
Malang Malaysia 73.021
Arab Sudi 37.134
Hongkong 12.946
Laki-laki
Arab Saudi 21.698
Malang Hongkong 12.004
71
Malaysia 39.564
Arab Sudi 20.120
Dari nilai ekspektasi yang telah didapat,maka dapat di hitung nilai Likelihood ratio dan Pearson
chi-square sebagai berikut:
1. Likelihood ratio
2 2 3 n 
G 2  2 nijk ln  ijk 
 eijk 
i 1 j 1 k 1  
  21   105   10   16  
=2 21ln    105ln    ...  10ln    16ln  
  39, 497   86,377   35, 717   21,980  
=2  13, 266  20,500  ...  (12, 730)  (5, 080) 
=371,132
P(G2  G2hitung ) = 0,000
Daerah tolak H0 jika: G2hitung > 2(ijk-1)-[(i-1)+(j-1)+(k-1)],α) atau p-value < α
dengan α = 5 %; df = (ijk-1)-[(i-1)+(j-1)+(k-1)]
=(2.2.3-1)-[(2-1)+(2-1)+(3-1)]=7
dimana  (7, 0,05) = 14,067
2
Kesimpulan:
Berdasarkan hasil perhitungan didapatkan nilai statistik uji G2hitung = 371,132 > 2(7, 0,05)=14,067
atau p-value < α = 0,05 maka H0 ditolak, sehingga ada hubungan antara ketiga variabel (jenis
kelamin, daerah asal, dan pemilihan tempat TKI) atau variabel A, B, C saling mutually
dependent.
ln m ˆ ijk    iA   jB  kC
2. Pearson chi-square
2
2 2 3  n e 
    ijk ijk 
2
i 1 j 1 k 1  eijk 
(21  39, 497)2 (105  86,377) 2 (10  35,717) 2 (16  21,979)2
=   ...  
39, 497 86,377 35,717 21,979
=8,662+4,015+...+18,567+1,627
=372,509
P( 2   2hitung ) = 0,000
Daerah tolak H0 jika: 2hitung > 2(ijk-1)-[(i-1)+(j-1)+(k-1)],α) atau p-value < α
dengan α = 5 %; df = (ijk-1)-[(i-1)+(j-1)+(k-1)]
=(2.2.3-1)-[(2-1)+(2-1)+(3-1)]=7
dimana  (7, 0,05) = 14,067
2
Kesimpulan:
72
Berdasarkan hasil perhitungan didapatkan nilai statitik uji 2hitung = 372,509 > 2(7, 0,05)=14,067
atau p-value < α = 0,05 maka H0 ditolak, sehingga ada hubungan antara ketiga variabel (jenis
kelamin, daerah asal, dan pemilihan tempat TKI) atau variabel A, B, C saling mutually
dependent.
ˆ ijk    iA   jB  kC
ln m
Hasil perhitungan yang diperoleh dari statistik uji likelihood ratio dan pearson residual secara
langsung diatas dapat disajikan dalam tabel berikut:
Tabel 4. Hasil Perhitungan uji Mutually independent
Statistik Uji Hitung Df P-value Keputusan
Likelihood Ratio 371,132 7 0,000 Tolak H0
Pearson Chi-Square 372,509 7 0,000 Tolak H0
Berdasarkan hasil perhtungan uji mutually indepedent pada tabel 4 telah sesuai dengan hasil
output menggunakan SPSS dan R pada lampiran 1.
b) Conditionally Independent
Hipotesis :
- (AC,BC)
H0: Tidak ada hubungan antara jenis kelamin dan daerah asal terhadap pemilihan tempat
ˆ ijk  
TKI atau Variabel A dan B conditionally independent terhadap C ln m
H1: Ada hubungan antara jenis kelamin dan daerah asal terhadap pemilihan tempat TKI
atau Variabel A dan B conditionally dependent terhadap C
ln mˆ ijk    iA   jB  kC  ikAC   jkBC
- (AB,AC)
H0: Tidak ada hubungan antara daerah asal dan pemilihan tempat TKI terhadap jenis
ˆ ijk  
kelamin atau Variabel B dan C conditionally independent terhadap A ln m
H1: Ada hubungan antara daerah asal dan pemilihan tempat TKI terhadap jenis kelamin
atau Variabel B dan C conditionally dependent terhadap A
ln mˆ ijk    iA   jB  kC  ijAB  ikAC
- (AB,BC)
H0: Tidak ada hubungan antara jenis kelamin dan pemilihan tempat TKI terhadap daerah
ˆ ijk  
asal atau Variabel A dan C conditionally independent terhadap B ln m
H1: Ada hubungan antara jenis kelamin dan pemilihan tempat TKI terhadap daerah asal
atau Variabel A dan C conditionally dependent terhadap B
ln mˆ ijk    iA   jB  kC  ijAB   jkBC
Statistik Uji:
ni  k n jk
eijk 
n k
73
- (AC,BC)
n11  n11 84  36 n11  n21 84  71
e111    28, 262 e121    55,738
n1 107 n1 107
n n 109  220 n n 109 14
e112  1 2 12   102, 479 ; e122  1 2 22   6,521
n 2 234 n 2 234
n n 116  25 n n 116 119
e113  13 13   20,139 e123  13 23   95,861
n3 144 n3 144
n21  n11 23  36 n21  n21 23  71

e211    7,738 e221    15, 262
n1 107 n1 107
n n 125  220 n n 125 14
e212  2 2 12   117,521 ; e222  2 2 22   7, 479
n 2 234 n 2 234
n n 28  25 n n 28 119
e213  23 13   4,861 e223  23 23   23,139
n3 144 n3 144
- (AB,AC)
n11  n11 139  84 n12  n11 170  84
e111    37,786 e121    46, 214
n1 309 n1 309
n n 139 109 n n 170 109
e112  11 12   49,032 e122  12 12   59,968
n1 309 n 309
n n 139 119 n n 170 119
e113  11 13   52,181 e123  12 13   63,819
n1 309 n1 309
n21  n21 142  23 n22  n21 34  23

e211    18,557 e221    4, 443
n 2 176 n 2 176
n n 142 125 n n 34 125
e212  21 2 2   100,852 e222  22 2 2   24,148
n 2 176 n 2 176
n n 142  28 n n 34  28
e213  21 23   22,591 e223  22 23   5, 409
n 2 176 n 2 176
- (AB,BC)
n11  n11 139  36 n12  n21 170  71
e111    17,808 e121    59,167
n1 281 n2 204
n n 139  220 n n 170 14
e112  11 12   108,825 e122  12 22   11,667
n1 281 n2 204
n n 139  25 n n 170 119
e113  11 13   12,367 e123  12 23   99,167
n1 281 n2 204
74
n21  n11 142  36 n n 34  71
e211    18,192 e221  22 21   11,833
n1 281 n2 204
n n 142  220 n n 34 14
e212  21 12   111,174 e222  22 22   2,333
n1 281 n2 204
n n 142  25 n n 34 119
e213  21 13   12,633 e223  22 23   19,833
n1 281 n2 204
TKI Conditionally
Jenis Kelamin Asal Daerah
AC, BC AB,AC AB,BC
Hongkong 28.262 37.786 17.808
Gersik Malaysia 102.479 49.032 108.821
Arab Saudi 20.139 52.181 12.367
Perempuan
Hongkong 55.738 46.213 59.167
Malang Malaysia 6.521 59.968 11.667
Arab Sudi 95.861 63.819 99.167
Hongkong 7.738 18.557 18.192
Gersik Malaysia 117.521 100.852 111.174
Arab Saudi 4.861 22,591 12.633
Laki-laki
Hongkong 15.262 4,443 11.833
Malang Malaysia 7.479 24,148 2.333
Arab Sudi 23.139 5,409 19.833
- (AC,BC)
1. Likelihood ratio
2 2 3 n 
GA2  2 nijk ln  ijk 
 eijk 
i 1 j 1 k 1  
  21   105   10   16  
=2 21ln    105ln    ...  10ln    16ln  
  28, 262   102, 479   7, 479   23,139  
=2  6, 237  2,552  ...  2,905  (5,903)
=27,794
P(G2  G2hitung ) = 0,000
Daerah tolak H0 jika: G A 2 > 2(ijk-1)-[(ik-1)+(jk-1)-(k-1)],α) atau p-value < α
dengan α = 5 %; df = (ijk-1)-[(ik-1)+(jk-1)-(k-1)]
=(2.2.3-1)-[(2.3-1)+(2.3-1)-(3-1)]=3
dimana  (3, 0,05) = 7,815
2
Kesimpulan:
75
Berdasarkan hasil perhitungan didapatkan nilai statistik uji G A 2 hitung = 27,794 > 2(3, 0,05)=7,815
atau p-value < α = 0,05 maka H0 ditolak, sehingga ada hubungan antara jenis kelamin dan daerah
asal terhadap pemilihan tempat TKI atau variabel A dan C conditionally dependen terhadap B.
2
2 2 3  n e 
    ijk ijk 
2
i 1 j 1 k 1  eijk 
(21  28, 262) 2 (105 102, 479) 2 (10  7, 479) 2 (16  23,139)2
=   ...  
28, 262 102, 479 7, 479 23,139
=1,866+0,062+...+0,850+2,202
=30,771
P( 2   2hitung ) = 0,000
Daerah tolak H0 jika: 2hitung > 2(ijk-1)-[(ik-1)+(jk-1)-(k-1)],α) atau p-value < α
dengan α = 5 %; df = (ijk-1)-[(ik-1)+(jk-1)-(k-1)]
=(2.2.3-1)-[(2.3-1)+(2.3-1)-(3-1)]=3
dimana  (3, 0,05) = 7,815
2
Kesimpulan:
Berdasarkan hasil perhitungan didapatkan nilai statistik uji 2hitung = 30,771 > 2(3, 0,05)=7,815
atau p-value < α = 0,05 maka H0 ditolak, sehingga ada hubungan antara jenis kelamin dan daerah
asal terhadap pemilihan tempat TKI atau variabel A dan B conditionally dependent terhadap C.
- (AB,AC)
1. Likelihood ratio
2 2 3 n 
GB 2  2 nijk ln  ijk 
 eijk 
i 1 j 1 k 1  
  21   105   10   16  
=2 21ln    105ln    ...  10ln    16ln  
  37,786   49,032   24,148   5, 409  
=250,203
P(G2  G2hitung ) = 0,000
Daerah tolak H0 jika: GB 2 > 2(ijk-1)-[(ij-1)+(ik-1)-(i-1)],α) atau p-value < α
dengan α = 5 %; df = (ijk-1)-[(ij-1)+(ik-1)-(i-1)]
=(2.2.3-1)-[(2.2-1)+(2.3-1)-(2-1)]=4
dimana  (4, 0,05) = 9,488
2
Kesimpulan:
Berdasarkan hasil perhitungan didapatkan nilai statistik uji GB 2 = 250,203 > 2(4, 0,05)=9,488 atau
p-value < α = 0,05 maka H0 ditolak, sehingga ada hubungan antara daerah asal dan pemilihan
tempat TKI terhadap jenis kelamin atau variabel B dan C conditionally dependent terhadap A.
76
2
2 2 3  n e 
    ijk ijk 
2
i 1 j 1 k 1  eijk 
(21  37,786)2 (105  49,032)2 (10  24,148)2 (16  5, 409)2
=   ...  
37,786 49,032 24,148 5, 409
=222,653
P( 2   2hitung ) = 0,000
Daerah tolak H0 jika: G2hitung > 2(ijk-1)-[(ij-1)+(ik-1)-(i-1)],α) atau p-value < α
=(2.2.3-1)-[(2.2-1)+(2.3-1)-(2-1)]=4
dimana  (4, 0,05) = 9,488
2
Kesimpulan:
atau p-value < α = 0,05 maka H0 ditolak, sehingga ada hubungan antara daerah asal dan
pemilihan tempat TKI terhadap jenis kelamin atau variabel B dan C conditionally dependent
terhadap A.
- (AB,BC)
1. Likelihood ratio
2 2 3 n 
GC 2  2 nijk ln  ijk 
 eijk 
i 1 j 1 k 1  
  21   105   10   16  
=2 21ln    105ln    ...  10ln    16ln  
  17,808   108,826   2,333   19,833  
=24,596
P(G2  G2hitung ) = 0,000
Daerah tolak H0 jika: G2hitung > 2(ijk-1)-[(ij-1)+(jk-1)-(j-1)],α) atau p-value < α
dengan α = 5 %; df = (ijk-1)-[(ij-1)+(jk-1)-(j-1)]
=(2.2.3-1)-[(2.2-1)+(2.3-1)-(2-1)]=4
dimana  (4, 0,05) = 9,488
2
Kesimpulan:
atau p-value < α = 0,05 maka H0 ditolak, sehingga ada hubungan antara jenis kelamin dan
pemilihan tempat TKI terhadap asal daerah atau variabel A dan C conditionally dependent
terhadap B.
77
2
2 2 3  n e 
 2    ijk ijk 
i 1 j 1 k 1  eijk 
(21  17,808)2 (105  108,826)2 (10  2,333)2 (16  19,833)2
=   ...  
17,808 108,826 2,333 19,833
=34,070
P( 2   2hitung ) = 0,000
Daerah tolak H0 jika: G2hitung > 2(ijk-1)-[(ij-1)+(ik-1)-(i-1)],α) atau p-value < α
=(2.2.3-1)-[(2.2-1)+(2.3-1)-(2-1)]=4
dimana  (4, 0,05) = 9,488
2
Kesimpulan:
atau p-value < α = 0,05 maka H0 ditolak, sehingga ada hubungan antara jenis kelamin dan
pemilihan tempat TKI terhadap asal daerah atau variabel A dan C conditionally dependent
terhadap B.
Tabel 6. Hasil Perhitungan uji conditionally independent
Model P- Keputusan
Statistik Uji Hitung Df
value
AC,BC Likelihood Ratio 27,794 3 0,000 Tolak H0
ˆ ijk    iA   jB  kC  ikAC   jkBC
ln m Pearson Chi-Square 30,771 3 0,000 Tolak H0
AB,AC Likelihood Ratio 250,203 4 0,000 Tolak H0

ˆ ijk    iA   jB  kC  ijAB  ikAC
AB,BC Likelihood Ratio 24,596 4 0,000 Tolak H0

ˆ ijk    iA   jB  kC  ijAB   jkBC
Berdasarkan hasil perhitungan uji conditionally indepedent pada tabel 6 telah sesuai dengan hasil
c) Marginally independent
-AB
Hipotesis:
ˆ ij  
Ho : variabel A dan B saling independen ln m
ˆ ij    iA   jB  ijAB
H1 : variabel A dan B tidak saling independen ln m
Statistik uji:
78
ni   n j
eij 
n
n1  n1 309  281 n2  n1 176  281
e11    179,029 e21    101,971
n 485 n 485
;
n1  n2 309  204 n n 176  204
e12    129,971 e22  2 2   74,029
n 485 n 485
Marginally
Jenis Kelamin Asal Daerah
AB
Gersik 179.029
Perempuan
Malang 129.971
Gersik 101.971
Laki-laki
Malang 74.0289
1. Likelihood ratio
2 2 n 
G 2  2 nij ln  ij 
 eij 
i 1 j 1  
  139   170   142   34  
=2 139ln    170ln    142ln    34ln  
  179, 029   129,971   101,971   74, 029  
=2  35,177  45, 643  47, 021  (26, 455) 
=62,063
P(G2  G2hitung ) = 0,000
Daerah tolak H0 jika: G2hitung > 2((i-1)(j-1,α) atau p-value < α
dengan α = 5 %; df = (i-1)(j-1) = (2-1)(2-1)=1
dimana 2((2-1)(2-1),0.05) = 2(1, 0,05) = 3,841
Kesimpulan:
atau p-value < α = 0,05 maka H0 ditolak, sehingga variabel A dan B tidak saling independen
79
2
2 2  n e 
 2    ij ij 
i 1 i 1  eij 
(139  179,029)2 (170  129,971)2 (142  101,971)2 (34  74,029)2
=   
179,029 129,971 101,971 74,029
=8,950+12,328+15,713+21,644
=58,636
P( 2   2hitung ) = 0,000
Daerah tolak H0 jika: 2hitung > 2((i-1)(j-1,α) atau p-value < α
dengan α = 5 %; df = (i-1)(j-1) = (2-1)(2-1)=1
dimana 2((2-1)(2-1),0.05) = 2(1, 0,05) = 3,841
Kesimpulan:
Berdasarkan hasil perhitungan didapatkan nilai statistik uji 2hitung = 58,636 > 2(1, 0,05) = 3,841
atau p-value < α = 0,05 maka H0 ditolak, sehingga variabel A dan B tidak saling independen
-AC
Hipotesis:
Ho : variabel A dan C saling independen ln m ˆ ij  
ˆ ij    iA  kC  ikAC
H1 : variabel A dan C tidak saling independen ln m
Statistik uji:
ni   n j
eij 
n
n1  n1 309 107 n n 176 107
e11    68,171 e21  2 1   38,829
n 485 n 485
n n 309  234 n n 176  234
e12  1 2   149,085 ; e22  2 2   84,916
n 485 n 485
n n 309 144 n n 176 144
e13  1 3   91,744 e23  2 3   52, 256
n 485 n 485
Marginally
Jenis Kelamin TKI
AC
Hongkong 68.171
Perempuan Malaysia 149.08
Arab Sudi 91.744
Hongkong 38.829
Laki-laki Malaysia 84.915
Arab Sudi 52.256
80
1. Likelihood ratio
2 3
n 
G 2  2 nik ln  ik 
i 1 k 1  eik 
  84   109   125   28  
=2 84ln    109ln    ...  125ln    28ln  
  68,171   149,085   84,915   52, 256  
=2 17,539  (34,135)  ...  48,332  ( 17, 470) 
=58,866
P(G2  G2hitung ) = 0,000
Daerah tolak H0 jika: G2hitung > 2((i-1)(k-1,α) atau p-value < α
dengan α = 5 %; df = (i-1)(k-1) = (2-1)(3-1)=2
dimana 2((2-1)(3-1),0.05) = 2(2, 0,05) = 5,991
Kesimpulan:
Berdasarkan hasil perhitungan didapatkan nilai statistik uji G2hitung = 58,866 > 2(2, 0,05) = 5,991
atau p-value < α = 0,05 maka H0 ditolak, sehingga variabel A dan C tidak saling independen
2
2
 n e 
3
    ik ik 
2
i 1 k 1  eik 
(84  68,171)2 (109  149,085)2 (125  84,9155)2 (28  52, 256)2
=   ...  
68,171 149,085 84,9155 52, 256
=3,675+10,778+...+18,922+11,259
=57,499
P( 2   2hitung ) = 0,000
Daerah tolak H0 jika: 2hitung > 2((i-1)(k-1,α) atau p-value < α
dengan α = 5 %; df = (i-1)(j-1) = (2-1)(3-1)=1
dimana 2((2-1)(3-1),0.05) = 2(2, 0,05) = 5,991
Kesimpulan:
atau p-value < α = 0,05 maka H0 ditolak, sehingga variabel A dan C tidak saling independen
-BC
Hipotesis:
H0 : variabel B dan C saling independen ln m ˆ ij  
ˆ ij     jB  kC   jkBC
H1 : variabel B dan C tidak saling independen ln m
Statistik uji:
ni   n j
eij 
n
n2  n1 204 107
81
e21    45, 006
n 485
n n 204  234
e22  2 2   98, 425
n 485
n1  n1 281107
e11    61,994
n 485
n n 281 234
e12  1 2   135,575 ;
n 485
n n 281144
e13  1 3   83, 431
n 485
Marginally
Asal Daerah Asal Daerah
BC
Hongkong 61.993814
Arab Sudi 83.43093
Hongkong 45.006186
Malang Malaysia 98.42474
Arab Sudi 60.56907
1. Likelihood ratio
2 3 n 
G 2  2 n jk ln  jk 
 e jk 
j 1 k 1  
  36   220   14   119  
=2 36ln    220ln    ...  14ln    119ln  
  61,994   135,575   98, 425   60,569  
=2  19,567  106,52  ...  (27,3033)  (80,365) 
=284,473
P(G2  G2hitung ) = 0,000
Daerah tolak H0 jika: G2hitung > 2((i-1)(k-1,α) atau p-value < α
dengan α = 5 %; df = (i-1)(k-1) = (2-1)(3-1)=2
dimana 2((2-1)(3-1),0.05) = 2(2, 0,05) = 5,991
Kesimpulan:
Berdasarkan hasil perhitungan didapatkan nilai statistik uji G2hitung = 284,473> 2(2, 0,05) = 5,991
atau p-value < α = 0,05 maka H0 ditolak, sehingga variabel B dan C tidak saling independen
82
2
2 3  n e 
 2    jk jk 
j 1 k 1  e jk 
(36  61,994)2 (220  135,575)2 (14  98, 425)2 (119  60,569)2
=   ...  
61,994 135,575 98, 425 60,569
=10,899+52,573+...+72,416+56,368
=248,191
P( 2   2hitung ) = 0,000
Daerah tolak H0 jika: 2hitung > 2((i-1)(k-1,α) atau p-value < α
dengan α = 5 %; df = (i-1)(j-1) = (2-1)(3-1)=2
dimana 2((2-1)(3-1),0.05) = 2(2, 0,05) = 5,991
Kesimpulan:
atau p-value < α = 0,05 maka H0 ditolak, sehingga variabel B dan C tidak saling independen
Tabel 10. Hasil Perhitungan uji marginally independent
Model P- Keputusan
value
AB Likelihood Ratio 62,063 1 0,000 Tolak H0
ˆ ij    iA   jB  ijAB
AC Likelihood Ratio 58,866 2 0,000 Tolak H0

ˆ ij    iA  kC  ikAC
BC Likelihood Ratio 284,473 2 0,000 Tolak H0

ˆ ij     jB  kC   jkBC
Berdasarkan hasil perhtungan uji marginally indepedent pada tabel 10 telah sesuai dengan hasil
d) Jointly independent
Hipotesis:
-BC,A
ˆ ijk  
Ho : variabel A jointly independent dari B dan C ln m
ˆ ijk    iA   jB  kC   jkBC
H1 : variabel A jointly dependent dari B dan C ln m
-AC,B
ˆ ijk  
Ho : variabel B jointly independent dari A dan C ln m
ˆ ijk    iA   jB  kC  ikAC
H1 : variabel B jointly dependent dari A dan C ln m
83
-AB,C
ˆ ijk  
Ho : variabel C jointly independent dari A dan B ln m
ˆ ijk    iA   jB  kC  ijAB
H1 : variabel C jointly dependent dari A dan B ln m
Statistik uji:
-BC,A
ni   n jk
eijk 
n
n1  n11 309  36 n1  n21 309  71
e111    22,936 e121    45, 235
n 485 n 485
n n 309  220 n n 309 14
e112  1 12   140,165 ; e122  1 22   8,919
n 485 n 485
n n 309  25 n n 309 119
e113  1 13   15,928 e123  1 23   75,816
n 485 n 485
n2  n11 176  36 n2  n21 176  71
e211    13,064 e221    25,765
n 485 n 485
n n 176  220 n n 176 14
e212  2 12   79,835 ; e222  2 22   5,080
n 485 n 485
n n 176  25 n n 176 119
e213  2 13   9,072 e223  2 23   43,183
n 485 n 485
-AC,B
n j   ni  k
eijk 
n
n1  n11 281 84 n2  n11 204  84
e111    48,668 e121    35,668
n 485 n 485
n n 281109 n n 204 109
e112  1 1 2   63,153 ; e122  2 1 2   45,847
n 485 n 485
n n 281116 n n 204 116
e113  1 13   67, 208 e123  2 13   48,791
n 485 n 485
n1  n21 281 23 n2  n21 204  23
e211    13,326 e221    9,674
n 485 n 485
n n 281125 n n 204 125
e212  1 2 2   72, 423 ; e222  2 2 2   52,577
n 485 n 485
n n 281 28 n n 204  28
e213  1 23   16, 223 e223  2 23   11,777
n 485 n 485
-AB,C
n k  nij 
eijk 
n
84
n1  n11 107 139 n1  n12 107 170
e111    30,666 e121    37,505
n 485 n 485
n n 234 139 n n 234 170
e112   2 11   67,064 ; e122   2 12   82,021
n 485 n 485
n n 144 139 n n 144 170
e113  3 11   41, 270 e123  3 12   50, 474
n 485 n 485
n1  n21 107 142 n1  n22 107  34
e211    31,328 e221    7,501
n 485 n 485
n n 234 142 n n 234  34
e212   2 21   68,511 ; e222   2 22   16, 404
n 485 n 485
n n 144 142 n n 144  34
e213  3 21   42,161 e223  3 22   10,095
n 485 n 485
Asal TKI Jointly
Jenis Kelamin
Daerah BC,A AC,B AB,C
Hongkong 22.94 48,67 30,67
Gersik Malaysia 140.165 63,153 67,06
Arab Saudi 15.928 67,21 41,27
Perempuan
Hongkong 45.235 35,22 37,51
Malang Malaysia 8.919 45,85 82,01
Arab Sudi 75.816 48,79 50,47
Hongkong 13.064 13,33 31,32
Gersik Malaysia 79.835 72,42 68,51
Arab Saudi 9.072 16,22 42,16
Laki-laki
Hongkong 25.765 9,67 7,50
Malang Malaysia 5.080 52,58 16,40
Arab Sudi 43.184 11,78 10,09
-BC,A
1. Likelihood ratio
2 2 3 n 
G 2  2 nijk ln  ijk 
 eijk 
i 1 j 1 k 1  
  21   105   10   16  
=2 21ln    105ln    ...  10ln    16ln  
  45, 235   8,919   5,080   43,183  
=2  1,852  (30,330)  ...  6,772  (15,886) 
=86,659
P(G2  G2hitung ) = 0,000
Daerah tolak H0 jika: G2hitung > 2(ijk-1)-[(i-1)+(jk-1)],α) atau p-value < α
dengan α = 5 %; df = (ijk-1)-[(i-1)+(jk-1)]
85
=(2.2.3-1)-[(2-1)+(2.3-1)]=5
dimana  (5, 0,05) = 11,070
2
Kesimpulan:
atau p-value < α = 0,05 maka H0 ditolak, sehingga variabel A jointly dependent dari B dan C
2
2 2 3  n e 
    ijk ijk 
2
i 1 j 1 k 1  eijk 
(21  45, 235)2 (105  8,919)2 (10  5,080)2 (16  43,183)2
=   ...  
45, 235 8,919 5,080 43,183
=0,163+8,822+...+4,764+17,111
=79,806
P( 2   2hitung ) = 0,000
Daerah tolak H0 jika: 2hitung > 2(ijk-1)-[(i-1)+(jk-1)],α) atau p-value < α
dengan α = 5 %; df = (ijk-1)-[(i-1)+(jk-1)]
=(2.2.3-1)-[(2-1)+(2.3-1)]=5
dimana  (5, 0,05) = 11,070
2
Kesimpulan:
atau p-value < α = 0,05 maka H0 ditolak, sehingga variabel A jointly dependent dari B dan C
-AC,B
1. Likelihood ratio
2 2 3 n 
G 2  2 nijk ln  ijk 
 eijk 
i 1 j 1 k 1  
  21   105   10   16  
=2 21ln    105ln    ...  10ln    16ln  
  48,668   63,152   52,577   11,777  
=15,729  27,729  ...  34, 479  1,514
=269,895
P(G2  G2hitung ) = 0,000
Daerah tolak H0 jika: G2hitung > 2(ijk-1)-[(j-1)+(ik-1)],α) atau p-value < α
dengan α = 5 %; df = (ijk-1)-[(j-1)+(ik-1)]
=(2.2.3-1)-[(2-1)+(2.3-1)]=5
dimana  (5, 0,05) = 11,070
2
Kesimpulan:
atau p-value < α = 0,05 maka H0 ditolak, sehingga variabel B jointly dependent dari A dan C
86
2
2 2  n e 
3
    ijk ijk 
2
i 1 j 1 k 1  eijk 
(21  48,668)2 (105  63,153)2 (10  52,577) 2 (16  11,777)2
=   ...  
48,668 63,153 52,577 11,777
=(-35,301)+106,765+...+(33,194)+9,805
=312,267
P( 2   2hitung ) = 0,000
dengan α = 5 %; df = (ijk-1)-[(j-1)+(ik-1)]
=(2.2.3-1)-[(2-1)+(2.3-1)]=5
dimana  (5, 0,05) = 11,070
2
Kesimpulan:
atau p-value < α = 0,05 maka H0 ditolak, sehingga variabel B jointly dependent dari A dan C
-AB,C
1. Likelihood ratio
2 2 n  3
G  2 nijk ln  ijk 
2
 eijk 
i 1 j 1 k 1  
  21   105   10   16  
=2 21ln    105ln    ...  10ln    16ln  
  30,665   67,064   16, 404   10,095  
=3,047  21, 459  ...  2,500  3, 454
=257,697
P(G2  G2hitung ) = 0,000
Daerah tolak H0 jika: G2hitung > 2(ijk-1)-[(i-1)+(jk-1)],α) atau p-value < α
dengan α = 5 %; df = (ijk-1)-[(k-1)+(ij-1)]
=(2.2.3-1)-[(3-1)+(2.2-1)]=6
dimana  (6, 0,05) = 12,592
2
Kesimpulan:
atau p-value < α = 0,05 maka H0 ditolak, sehingga variabel C jointly dependent dari A dan B
87
2
2 2 3  n e 
    ijk ijk 
2
i 1 j 1 k 1  eijk 
(21  30,666)2 (105  67,064)2 (10  16, 404) 2 (16  10,095)2
=   ...  
30,666 67,064 16, 404 10,095
=-15,903+2,500+...+(-9,899)+14,738
=309,069
P( 2   2hitung ) = 0,000
dengan α = 5 %; df = (ijk-1)-[(k-1)+(ij-1)]
=(2.2.3-1)-[(3-1)+(2.2-1)]=6
dimana  (5, 0,05) = 12,592
2
Kesimpulan:
Berdasarkan hasil perhitungan didapatkan nilai statistik uji 2hitung = 309,069 > 2(6, 0,05)= 12,592
atau p-value < α = 0,05 maka H0 ditolak, sehingga variabel C jointly dependent dari A dan B
Tabel 12. Hasil Perhitungan uji jointly independent
Model P- Keputusan
value
BC,A Likelihood Ratio 86,659 5 0,000 Tolak H0
ln mˆ ijk    iA   jB  kC   jkBC Pearson Chi- Tolak H0
79,806 5 0,000
Square
AC,B Likelihood Ratio Tolak H0
312,267 5 0,000
ln mˆ ijk    i   j  k  ik
A B C AC
Pearson Chi- Tolak H0
269,895 5 0,000
Square
AB,C Likelihood Ratio Tolak H0
309,069 6 0,000
ln mˆ ijk    i   j  k  ij
A B C AB
Pearson Chi- Tolak H0
257,697 6 0,000
Square
Berdasarkan hasil perhtungan uji jointly indepedent pada tabel 12 telah sesuai dengan hasil
1.2 Uji K-Way

1.2.1 K-way and Higher order Effect
 Untuk K=1 atau lebih
Hipotesis:
88
H0 : efek order ke-1 atau lebih sama dengan nol ( ln mˆ ij   )
H1 : efek order ke-1 atau lebih tidak sama dengan nol  ln m
ˆ ij    iA   jB  kC 
Statistik Uji:
1. Likelihood ratio
n.. 485
dengan: e111  e112  e113  e121  ...  e223    40, 416
jumlah sel 12
2 2  nijk 
3
G  2 nijk ln 
 eijk 
2
1
i 1 j 1 k 1  
  21   105   13   16  
=2  21ln    105ln    13ln    ...  16ln  
  40, 416   40, 416   40, 416   40, 416  
=2  13,749  100, 245  (14,745)  ...  (14,826) 
=471,764
P(G2  G2hitung ) = 0,000
Daerah tolak H0 jika: G 2 > 2((ijk)-1),α) atau p-value < α
dengan: α = 5 % df  (ijk )  1  12  1  11
dimana 2((ijk)-1),α) = 2(11, 0,05) = 19,675
Kesimpulan:
Berdasarkan hasil perhitungan didapatkan nilai statistik uji G12 hitung = 19,675 > 2(11, 0,05)=19,675
atau p-value < α = 0,05 maka H0 ditolak, sehingga efek order ke-1 atau lebih tidak sama dengan
nol, model log linear yang terbentuk adalah sebagai berikut.
ln mˆ ijk    iA   jB  kC
2. Pearson Chi-squre
n  eijk 
2
2 2 3
12  
ijk
i 1 j 1 k 1 eijk
(21  40, 416)2 (105  40, 416)2 (16  40, 416)2
=   ... 
40, 416 40, 416 40, 416
=9,328+103,200+...+14,750
=510,703
P( 2  12hitung ) = 0,000
Daerah tolak H0 jika: 12 > 2((ijk)-1, α) atau p-value < α
dengan: α = 5 %; df  (ijk )  1  12  1  11
dimana 2((ijk)-1, α) = 2(11, 0,05) = 19,675
Kesimpulan:
89
Berdasarkan hasil perhitungan didapatkan nilai statistik uji 12 hitung = 510,703 > 2(11,
0,05)=19,6757,815 atau p-value < α = 0,05 maka H0 ditolak, sehingga efek order ke-1 atau lebih
tidak sama dengan nol, model log linear yang terbentuk adalah sebagai berikut.
ˆ ijk    iA   jB  kC
ln m
 Untuk K=2
Hipotesis:
ˆ ijk    iA   jB  kC )
H0 : efek order ke-2 atau lebih sama dengan nol ( ln m
H1 : efek order ke-2 atau lebih tidak sama dengan nol
 ln mˆ ijk    iA   jB  kC  ijAB  ikAC   jkBC 
Statistik Uji:
1. Likelihood ratio
ni  n j  n k
dengan: eijk  2
n
2 2 3 n 
G2 2  2 nijk ln  ijk 
 eijk 
i 1 j 1 k 1  
  21   105   13   16  
=2  21ln    105ln    13ln    ...  16ln  
  39, 497   86,376   53,155   21,979  
=2  13, 265  20,500  (18,307)  ...  (5,080)
=371,132
P(G2  G2hitung ) = 0,000
Daerah tolak H0 jika: G 2 > 2((i-1)+(j-1)+ (k-1)+(i-1)(j-1)+(i-1)(k-1)+(j-1)(k-1)-(i-1)(j-1)(k-1),α) atau p-value < α
dengan: α = 5 %
df   i  1   j  1   i  1 j  1   i  1 k  1   j  1 k  1   i  1 j  1 k  1
  2  1   2  1   3  1   2  1 2  1   2  13  1   2  1 2  1   2  1 2  13  1
7
dengan 2(7, 0,05) = 14,067
Kesimpulan:
Berdasarkan hasil perhitungan didapatkan nilai statistik uji G2 2 hitung = 371,132 > 2(7,
0,05)=14,067atau p-value < α = 0,05 maka H0 ditolak, sehingga efek order ke-2 tidak sama
dengan nol, model log linear yang terbentuk adalah sebagai berikut.
ˆ ijk    iA   jB  kC  ijAB  ikAC   jkBC
ln m
90
2. Pearson chi-squre
2
2 2 3  n e 
 2    ijk ijk 
2
i 1 j 1 k 1  eijk 
(21  39, 497)2 (105  86,376)2 (13  53,155)2 (16  21,979)2
=    ... 
39, 497 105  86,376 53,155 21,979
=8,662+4,015+30,334+...+1,626
=372,509
P( 2  12hitung ) = 0,000
Daerah tolak H0 jika:  2 2 > 2((i-1)+(j-1)+(i-1)(j-1),α) atau p-value < α
dengan: α = 5%
df   i  1   j  1   i  1 j  1   i  1 k  1   j  1 k  1   i  1 j  1 k  1
  2  1   2  1   3  1   2  1 2  1   2  13  1   2  1 2  1   2  1 2  13  1
7
dimana 2(7, 0,05) = 14,067
Kesimpulan:
Berdasarkan hasil perhitungan didapatkan nilai statistik uji  2 2 hitung = 372,509 > 2(7, 0,05)=14,067
atau p-value < α = 0,05 maka H0 ditolak, sehingga efek order ke-2 tidak sama dengan nol, model
log linear yang terbentuk adalah sebagai berikut.
ln mˆ ijk    iA   jB  kC  ijAB  ikAC   jkBC
 Untuk K=3
Hipotesis:
H0 : Efek order ke-3 sama dengan nol
( ln mˆ ijk    iA   jB  kC  ijAB  ikAC   jkBC )
H1 :Efek order ke-3 atau lebih tidak sama dengan nol
 ln mîjk
ˆ ijk    iA   jB  kC  ijAB  ikAC   jkBC  ijkABC 
 ln m
Statistik Uji :
Menurut Christensen (1997) bahwa tidak ada rumus yang simpel untuk menunjukkan
bagaimana nilai eijk diperoleh maka diperlukan optimasi numerik dengan menggunakan Iterative
Proportional Fitting (IPF). Iterative Proportional Fitting Alogritma Iterative Proportional
Fitting (IPF) merupakan suatu pendekatan untuk mendapatkan nilai ekspektasi dari model (AB,
AC, BC). Adapun IPF ini dikembangkan oleh Deming dan Stephen (1940). Langkah-langkahnya
sebagai berikut (Agresti,2002).
(0)
1. Dimulai dengan menentukan nilai awal 𝜇𝑖
(0)
2. Mengalikan 𝜇𝑖 dengan nilai dari salah satu tabel nilai marginal
3. Kemudian proses optimasi dilanjutkan hingga perbedaan maksimal antara statistik cukup
dengan fitted value mendekati nol
91
Langkah awal algoritma IPF adalah sebagai berikut.
(1) (0) 𝑛𝑖𝑗+ (2) (1) 𝑛𝑖+𝑘 (3) (2) 𝑛+𝑗𝑘
𝜇𝑖𝑗𝑘 = 𝜇𝑖𝑗𝑘 (0) , 𝜇𝑖𝑗𝑘 = 𝜇𝑖𝑗𝑘 (1) , 𝜇𝑖𝑗𝑘 = 𝜇𝑖𝑗𝑘 (2)
𝜇𝑖𝑗+ 𝜇𝑖+𝑘 𝜇+𝑗𝑘
Berdasarkan ilustrasi di atas maka perhitungan dapat dilihat pada lampiran 5 dan disajikan pada
tabel berikut:
Tabel 13 Hasil Iterative Proportional Fitting untuk model AB+AC+BC
Iterasi eijk
e111 e112 e113 e121 e122 e123

Nilai Awal 1 1 1 1 1 1
iterasi 1 24,636 75,036 17,773 65,119 10,158 110,225
iterasi 2 25,948 100,394 18,059 58,806 8,549 98,695
iterasi 3 24,992 100,257 17,182 59,612 100,257 17,182
iterasi 4 24,563 99,958 16,752 60,127 9,547 99,898
iterasi 5 24,382 99,829 16,565 60,348 9,683 100,117
iterasi 6 24,305 99,776 16,485 60,442 9,740 100,209
iterasi 7 24,273 99,754 16,451 60,481 9,763 100,247
Iterasi eijk
e211 e212 e213 e221 e222 e223
Nilai Awal 1 1 1 1 1 1
iterasi 1 11,364 144,964 7,227 5,881 3,842 8,775
iterasi 2 10,052 119,606 6,941 12,194 5,452 20,305
iterasi 3 11,008 119,743 7,818 11,388 4,778 19,616
iterasi 4 11,437 120,042 8,248 10,873 4,453 19,102
iterasi 5 11,619 120,171 8,435 10,652 4,317 18,883
iterasi 6 11,695 120,224 8,515 10,559 4,261 18,791
iterasi 7 11,727 120,246 8,549 10,519 4,237 18,753
Dari hasil yang ditunjukkan pada tabel 13 terlihat bahwa nilai yang dihasilkan sudah cukup
konvergen pada iterasi ketujuh. Sehingga nilai eijk yang diperoleh dari hasil iterasi dapat
digunakan untuk menghitung nilai K-way dan Higher order untuk K=3, perhitungan secara
manual ditunjukkan sebagai berikut.
1. Likelihood Ratio
I J K  nijk 
G32  2  n
i 1 j 1 k 1
ijk ln 
 eijk




  21   105   13   16  
 2  21ln    105  99,754   13  16, 451   ....  16  8,753  
  24, 273       
=15,121
P(G2  G2hitung ) = 0,001
92
Daerah tolak H0 jika: G2 > 2((i-1)(j-1)(k-1),α) atau p-value < α
hitung
dengan: α = 5 % dan df = (i-1)(j-1)(k-1) = (1)(1)(2) = 2
dimana 2((2-1)(2-1)(3-1),0.05) = 2(2, 0,05) = 5,991
Kesimpulan:
Berdasarkan hasil perhitungan didapatkan nilai statitik uji G32 = 15,121 > 2(2, 0,05)=5,991 atau p-
value < α = 0,05 maka H0 ditolak, sehingga efek order ke-3 atau lebih tidak sama dengan nol
model log linear yang terbentuk adalah sebagai berikut.
ˆ ijk    iA   jB  kC  ijAB  ikAC   jkBC  ijkABC
ln m
n  eijk 
2
2 2 3
32  
ijk
i 1 j 1 k 1 eijk

 21  24, 273 105  99,754  13  16, 451
2

2

2
 ... 
16  18,753
2
24, 273 99,754 16, 451 18,753

 16, 406
P( 2  02hitung ) = 0,000
Daerah tolak H0 jika: 02 hitung > 2((i-1)(j-1)(k-1),α) atau p-value < α
dimana 2((2-1)(2-1)(3-1),0.05) = 2(2, 0,05) = 5,991
Kesimpulan:
Berdasarkan hasil perhitungan didapatkan nilai statitik uji 02 hitung = 16,406 > 2(2, 0,05) =
5,991atau p-value < α = 0,05 maka H0 ditolak, sehingga efek order ke-3 atau lebih tidak sama
ln m
Tabel 14. Hasil Perhitungan Uji K-Way and Higher order Effects
Likelihood Ratio 1 471,764 11 0,000 Tolak H0
Pearson Chi-Square 510,703 0,000 Tolak H0
93
Berdasarkan hasil perhtungan pada tabel 14 telah sesuai dengan hasil output menggunakan SPSS
dan R pada lampiran 2.
1.2.2 K-Way Effects
 Untuk K=1
Hipotesis:
H0 : Efek order ke-1 sama dengan nol  ln mˆ    ij
H1 : Efek order ke-1 tidak sama dengan nol  ln m

ˆ    ij i
A
  jB  kC 
Statistik Uji :
1) Likelihood ratio: G2= G12  G22 = 471,764 – 371,132 = 100,632
P(G2  G2hitung ) = 0,000

2) Pearson residual:  2  12  22 = 510,703 – 372,509 = 138,194
P( 2   2hitung ) = 0,000

Daerah tolak H0 jika: G2hitung > 2(db1-db2,α) atau p-value < α
2hitung > 2(db1-db2,α) atau p-value < α
dengan: α = 5 %; df =(db1-db2= 11-7 = 4
dimana 2(4, 0,05) = 9,488
Kesimpulan :
Berdasarkan hasil perhitungan diatas didapatkan nilai statistik uji likelihood ratio G2 =100,632 >
2(4, 0,05) = 9,488 dan statistik pearson chi-squre 2 =21,728> 2(4, 0,05) = 9,488 atau p-value < α
maka H0 ditolak, sehingga efek order ke-1 tidak sama dengan atau model log linear yang
terbentuk adalah sebagai berikut.
 ln mîjk
   i A   jB  kC 
 Untuk K=2
Hipotesis:
H0 : Efek order ke-2 sama dengan 0  ln mijk    i A   jB  kC 
H1 : Efek order ke-2 tdak sama dengan 0
 ln mijk    iA   jB  kC  ijAB  ikAC   jkBC 
Statistik Uji :
1) Likelihood ratio: G2= G22  G32 = 371,132 –15,043= 356,089
P(G2  G2hitung ) = 0,000

2) Pearson residual:  2   22  32 = 372,509 – 16,345= 356,164
P( 2   2hitung ) = 0,000

Daerah tolak H0 jika: G2hitung > 2(db2-db3,α) atau p-value < α
94
2hitung > 2(db2-db3,α) atau p-value < α
dengan: α = 5 %; df =db2-db3= 7-2 = 5
dimana 2(5, 0,05) = 11,070
Kesimpulan:
Berdasarkan hasil perhitungan diatas didapatkan nilai statistik uji likelihood ratio G2 =356,089 >
2(5, 0,05) = 11,070 dan statistik pearson 2 = 356,164 > 2(5, 0,05) = 11,070atau p-value < α maka
H0 ditolak, sehingga efek order ke-2 tidak sama dengan 0 atau model log linear yang terbentuk
adalah sebagai berikut.
 ln m ijk    iA   jB  kC  ijAB  ikAC   jkBC 
 Untuk K=3
Hipotesis:
H0 : Efek order ke-3 sama dengan 0  ln mijk    iA   jB  kC  ijAC  ikAB   jkBC 
H1 : Efek order ke-3 tidaksama dengan 0
 ln m ijk    iA   jB  kC  ijAC  ikAB   jkBC  ijkABC 
Statistik Uji :
Dengan menggunakan Iterative Proportional Fitting (IPF) didapatkan nilai eijk . Berdasarkan
tabel 13 perhitungan secara manual ditunjukkan sebagai berikut:
1. Likelihood Ratio
I J K  nijk 
G2  2  n
i 1 j 1 k 1
ijk ln 
 eijk




  21   105   13   16  
 2 21ln    105    13    ....  16  
  24, 273   99,754   16, 451   8,753  
=15,121
P(G2  G02hitung ) = 0,001
Daerah tolak H0 jika: G02 hitung > 2((i-1)(j-1)(k-1),α) atau p-value < α
dimana 2((2-1)(2-1)(3-1),0.05) = 2(2, 0,05) = 5,991
Kesimpulan:
Berdasarkan hasil perhitungan didapatkan nilai statitik uji G02 hitung = 15,121 > 2(2, 0,05)=5,991
nol model log linear yang terbentuk adalah sebagai berikut.
ln m
95
n  eijk 
2
2 2 3
 2  
ijk
i 1 j 1 k 1 eijk

 21  24, 273 105  99, 754  13  16, 451
2

2

2
 ... 
16  18, 753
2
24, 273 99, 754 16, 451 18, 753

 16, 406
P( 2  02hitung ) = 0,000
Daerah tolak H0 jika: 02 hitung > 2((i-1)(j-1)(k-1),α) atau p-value < α
dimana 2((2-1)(2-1)(3-1),0.05) = 2(2, 0,05) = 5,991
Kesimpulan:
Berdasarkan hasil perhitungan didapatkan nilai statitik uji 02 hitung = 16,406 > 2(2, 0,05) =
5,991atau p-value < α = 0,05 maka H0 ditolak, sehingga efek order ke-3 atau lebih tidak sama
ln m
Tabel 15. Hasil Perhitungan Uji K-Way Effects
Berdasarkan hasil perhtungan pada tabel 15 telah sesuai dengan hasil output menggunakan SPSS
dan R pada lampiran 2.
1.3 Uji Asosiasi Parsial

Uji asosiasi parsial digunakan untuk melihat dependensi dari masing-masing variabel dan
dependensi dari interaksi antar variabel-variabelnya.
Dimana:
96
ni   n j   n k
eijk 
(n )2
e111 39,497 e112 86,377 e113 53,155
e121 28,674 e122 62,708 e123 38,589
e211 22,497 e212 49,198 e213 30,276
e221 16,332 e222 35,717 e223 21,980
Berdasarkan tabel diatas maka hasil pengujian hipotesis sebagai berikut:
1.3.1 Variabel Jenis Kelamin
Hipotesis:
H0 : Jenis kelamin independen dalam model ( iA =0)
H1 : Jenis kelamin dependen dalam model ( iA ≠0)
Statistik Uji :
Nilai ekspektasi diperoleh dengan :
e111  e112  e113  e121  e122  e123  e1
39, 497  86,377  ...  62,708  38,589
e1   51,5
6
e211  e212  e213  e221  e222  e223  e2
22, 497  49,198  ...  35,717  21,980
e2   29,33
6
Sehingga nilai ekspektasi dapat dibentuk dalam tabel berikut.
Tabel 16. Hasil Ekspektasi
Jenis Kelamin Asal Daerah TKI
Hongkong Malysia Arab saudi
Perempuan Gersik 51,5 51,5 51,5
Malang 51,5 51,5 51,5
Laki-laki Gersik 29,33 29,33 29,33
Malang 29,33 29,33 29,33
Berdasarkan Tabel 16 maka nilai parial chi-squre dapat dihitung sebagai berikut:
2 2 3  nijk 
G32  2  n
i 1 j 1 k 1
ijk ln 
 eijk




  21   105   103   15   115 
 2 21ln    105ln  51,5   ...  103ln  51,5   15ln  29,33  115ln  29,33 
  51,5         
 12   16  
12ln     16ln  29,33  
 29,33   
 434,82
Partial Chi-Square (2) = G12 – G32 = 471,764 – 434,822 = 36,941
Daerah tolak H0 jika: 2hitung > 2((i-1),α) atau p-value < α
dengan α = 5 %; df= (i-1) = (2-1)=1
dimana = 2(1, 0,05) = 3,841
97
Kesimpulan :
Berdasarkan hasil perhitungan diperoleh nilai statistik uji 2 = 36,941 > 2(1, 0,05) = 3,841 atau p-
value < α maka H0 ditolak. Sehingga kesimpulannya adalah Jenis kelamin dependen dalam
model atau signifikan dalam model.
1.3.2 Variabel Daerah Asal
Hipotesis:
H0 : Daerah asal independen dalam model (  j =0)
B
H1 : Daerah asal dependen dalam model (  j ≠0)

B
Statistik Uji :
e111  e112  e113  e211  e212  e213  e1
39, 497  86,377  ...  49,198  30, 276
e1   46,833
6
e121  e122  e123  e221  e222  e223  e2 
28,674  62,78  ...  35,717  21,980
e2   34
6
Tabel 17 Hasil ekspektasi
Perempuan Gersik 46,833 46,833 46,833
Malang 34 34 34
Laki-laki Gersik 46,833 46,833 46,833
Malang 34 34 34
2 2 3  nijk 
G42  2  n
i 1 j 1 k 1
ijk ln 
 eijk




  21   105   12   63   16  
 2 21ln    105ln    ...  12ln    63ln     16ln   
  46,833   46,833   46,833   34   34  
 459, 487
Daerah tolak H0 jika: 2hitung > 2((j-1),α) atau p-value < α
dengan α = 5 %; df= (j-1) = (2-1)=1
dimana = 2(1, 0,05) = 3,841
Kesimpulan :
Berdasarkan hasil perhitungan diperoleh nilai statistik uji 2 = 12,272 >2(1, 0,05) = 3,841 atau p-
value < α maka H0 ditolak. Sehingga kesimpulannya adalah daerah asal dependen dalam model
atau signifikan dalam model.
98
1.3.3 Variabel Tempat Peminat TKI
Hipotesis:
H0 : Tempat Peminat TKI independen dalam model ( kC =0)
H1 : Tempat Peminat TKI dependen dalam model ( kC ≠0)
Statistik Uji :
e111  e121  e211  e221e1
39, 497  86,377  22, 497  16,332
e1   16,332
4
e112  e122  e212  e222  e 2
86,377  62, 708  49,198  35, 717
e 2   58,5
4
e113  e123  e213  e223  e3
53,155  38,589  30, 276  21,980
e3   36
4
Tabel 18. Hasil ekspektasi
Perempuan Gersik 26,75 58,5 36
Malang 26,75 58,5 36
Laki-laki Gersik 26,75 58,5 36
Malang 26,75 58,5 36
2 2 3  nijk 
G52  2  n
i 1 j 1 k 1
ijk ln 
 eijk




  21   8   105   10   13   16  
 2 21ln    ...  8ln    105ln    ...  10ln    13ln     16ln   
  26,75   26,75   58,5   58,5   36   36  
 420,353
Daerah tolak H0 jika: 2hitung > 2((k-1),α) atau p-value < α
dengan α = 5 %; df= (k-1) = (3-1)=2
dimana = 2(2, 0,05) = 5,991
Kesimpulan :
value < α maka H0 ditolak. Sehingga kesimpulannya adalah tempat peminat TKI dependen
dalam model atau signifikan dalam model.
1.3.4 Jenis kelamin dan Asal daerah
Hipotesis:
H0 : Jenis kelamin dan Asal daerah independen dalam model
99
H1 : Jenis kelamin dan Asal daerah dependen dalam model
Statistik Uji:
(2) = GA2  G32  27,793  15,121  12,672
P( 2   2hitung ) = 0,000
dengan α = 5 %; df = (i-1)(j-1) = (2-1)(2-1)=1
dimana 2((2-1)(2-1),0.05) = 2(1, 0,05) = 3,841
Kesimpulan :
value < α maka H0 ditolak. Sehingga kesimpulannya adalah Jenis kelamin dan Asal daerah
dependen dalam model atau signifikan dalam model.
1.3.5 Asal Daerah dan tempat pemilihan TKI
Hipotesis
H0 : Asal Daerah dan tempat pemilihan TKI independen dalam model
H1 : Asal Daerah dan tempat pemilihan TKI dependen dalam model
Statistik Uji:
(  2 ) = GB 2  G02  250, 203  15,121  235,081
P( 2   2hitung ) = 0,000
Daerah tolak H0 jika: 2hitung > 2((j-1)(j-1,α) atau p-value < α
dengan α = 5 %; df = (j-1)(k-1) = (2-1)(3-1)=2
dimana 2(2, 0,05) = 5,991
Kesimpulan :
Berdasarkan hasil perhitungan diperoleh nilai statistik uji 2 = 235,081 > 2(2, 0,05) = 5,991 atau p-
value < α maka H0 ditolak. Sehingga kesimpulannya adalah Asal Daerah dan tempat pemilihan
TKI dependen dalam model atau signifikan dalam model.
1.3.6 Jenis kelamin dan tempat pemilihan TKI
Hipotesis:
H0 : Jenis kelamin dan tempat pemilihan TKI independen dalam model
H1 : Jenis kelamin dan tempat pemilihan TKI dependen dalam model
Statistik Uji:
(  2 ) = GC 2  G32  24,596  15,121  9, 474
P( 2   2hitung )
= 0,008
dengan α = 5 %; df = (i-1)(k-1) = (2-1)(3-1)=2
dimana 2(2, 0,05) = 5,991
Kesimpulan :
100
value < α maka H0 ditolak. Sehingga kesimpulannya adalah Jenis kelamin dan tempat pemilihan
TKI dependen dalam model atau signifikan dalam model.
Hasil pengujian asosiasi parsial dari variabel jenis kelamin dan asal daerah terhadap tempat
pemiihan TKI dengan menggunakan bantuan SPSS adalah sebagai berikut.
Tabel 19. Hasil Uji Asosiasi Parsial
Effect df Partial Chi- P-value Keputusan
Square
Jenis Kelamin 1 36,944 0,000 Tolak H0
Asal Daerah 1 12,227 0,000 Tolak H0
TKI 2 51,411 0,000 Tolak H0
Jenis Kelamin* Asal Daerah 1 12,750 0,000 Tolak H0
Jenis Kelamin* TKI 2 9,553 0,008 Tolak H0
Asal Daerah* TKI 2 235,160 0,000 Tolak H0
Dari uji K-way dan uji asosiasi parsial, diketahui bahwa terdapat interaksi/hubungan antara
variabel jenis kelamin, asal daerah dan TKI. Sehingga model log linier yang menunjukkan
hubungan antara variabel jenis kelamin, asal daerah dan TKI dipilih adalah sebagai berikut.
ln m
Interpretasi dari model adalah adanya hubungan antara variabel pilihan presiden dengan variabel
pandangan politik, dimana pengaruh efek utama variabel pilihan presiden dan pandangan politik
juga masuk ke dalam model.
1.4 Pemilihan Model Terbaik Menggunakan Eliminasi Backward

Hipotesis pemilihan model terbaik menggunakan eliminasi backward adalah sebagai berkut:
ˆ ijk    iA   jB  kC )
ˆ ijk    iA   jB  kC  ijAB  ikAC   jkBC  ijkABC )
Statistik Uji :
Dengan menggunakan Iterative Proportional Fitting (IPF) didapatkan nilai eijk . Berdasarkan
tabel 13 maka:
I J K  nijk 
G2  2  n
i 1 j 1 k 1
ijk ln 
 eijk




  21   105   13   16  
 2  21ln    105    13    ....  16  
  24, 273   99,754   16, 451   8,753  
=15,121
P(G2  G2hitung ) = 0,001
Daerah tolak H0 jika: G2 > 2((i-1)(j-1)(k-1),α) atau p-value < α
hitung
dimana 2((2-1)(2-1)(3-1),0.05) = 2(2, 0,05) = 5,991
Kesimpulan:
101
Berdasarkan hasil perhitungan didapatkan nilai statitik uji G2 hitung = 15,121 > 2(2, 0,05)=5,991
nol model log linear yang terbentuk adalah sebagai berikut.
ln m
Hasil perhitungan yang diperoleh dari estimsi secara manual diatas dapat disajikan dalam tabel
berikut:
Tabel 20. Hasil Uji Eliminasi Backward
Stepa Effects Chi-Square df P-value
Generating Classb JK*asal*TKI 0,000 0

0
Deleted Effect 1 JK*asal*TKI 15,043 2 0,000
1 Generating Classb JK*asal*TKI 0,000 0

Berdasarkan hasil perhitungan uji indepedensi pada tabel 20 telah sesuai dengan hasil output
menggunakan SPSS pada lampiran 3.
1.5 Kecenderungan Per Sel

Kecenderungan per sel bertujuan untuk mengetahui sel yang menyebabkan dependensi
pada variabel jenis kelamin, dan daerah asal terhadap tempat pemilihan TKI.
1. Estimasi dihtung secara manual dengan menggunkan rumus sebagai berkut:
I J K
 ln nˆ
i 1 j 1 k 1
ijk

IJK
J K I K I J
 ln nîjk
j 1 k 1
 ln nîjk  ln nˆ
i 1 j 1
ijk
 
A
i  ;   B
j
i 1 k 1
 ;   C
k 
JK IK IJ
J K I J
 ln nîjk  ln nîjk
K I K I I K
 ln nîjk j 1 k 1
 ln nîjk  ln nîjk i 1 j 1
 ln nˆ ijk
AB
ij  k 1
  i 1 k 1
; BC
jk  i 1
  i 1 k 1

K JK IK I IJ IK
J J K I J
 ln nîjk
j 1
 ln nîjk
j 1 k 1
 ln nˆ
i 1 j 1
ijk
AC
ik    
J JK IJ
J J K I J
 ln nîjk  ln nîjk  ln nˆ
K K I K
 ln nîjk j 1
 ln nîjk i 1 j 1
ijk
ABC
ijk  ln nîjk  k 1
  k 1
  i 1 k 1
 
K J K JK IK IJ
102
I J K I J K
dengan asumsi:  iA   Bj   Ck   ijAB   ijAB  ...   ijkABC  0
i 1 j 1 k 1 i 1 j 1 k 1
estimasi parameter:
2 2 3
 ln nˆ
i 1 j 1 k 1
ijk
ln(21)  ln(105)  ln(13)  ...  (ln16)
   3,12
(2)(2)(3) 12
2 3
 ln nˆ
j 1 k 1
ijk
ln(21)  (ln(63)  ln(105)  ln(14)  ln(13)  ln(103)
 
A
1  3,12   0, 277
(2)(3) 6
2 3
 ln nˆ
j 1 k 1
ijk
ln(15)  (ln(115)  ln(12)  ln(8)  ln(10)  ln(16)
 
A
2  3,12   0, 277
(2)(3) 6
2 3
 ln nˆ ijk
ln(21)  (ln(105)  ln(13)  ln(15)  ln(115)  ln(12)
 
B
1
i 1 k 1
 3,12   0, 23
(2)(3) 6
2 3
 ln nˆ ijk
ln(63)  (ln(4)  ln(103)  ln(8)  ln(10)  ln(16)
2B  i 1 k 1
 3,12   0, 23
(2)(3) 6
2 2
 ln nˆ
i 1 j 1
ijk
ln(21)  (ln(63)  ln(15)  ln(8)
 
C
1  3,12   0,13
(2)(2) 4
2 2
 ln nˆ
i 1 j 1
ijk
ln(105)  ln(4)  ln(115)  ln(10)
 
C
2  3,12   0,15
(2)(2) 4
2 2
 ln nˆ
i 1 j 1
ijk
ln(13)  ln(103)  ln(12)  ln(16)
C3   3,12   0,014
(2)(2) 4
2 3
 ln nîjk
3 2 3
 ln nˆ ijk
AB
11  k 1
  3,12  i 1 k 1
3 (2)(3) (2)(3)
ln(21)  ln(105)  ln(13) ln(21)  ln(105)  ...  ln(103) ln(21)  ln(105)  ...  ln(12)
    3,12  0, 22
3 6 6
103
2 3
 ln nˆ
3 2 3
 ln nˆ ijk
j 1 k 1
ijk  ln nˆ ijk
12AB  k 1
 
 3,12 i 1 k 1
3 (2)(3) (2)(3)
    3,12  0, 22
3 6 6
2 3
 ln nˆ
3 2 3
 AB
21  
k 1
  3,12 i 1 k 1
3 (2)(3) (2)(3)
    3,12  0, 22
3 6 6
2 3
 ln nîjk
3 2 3
 ln nˆ ijk
 AB
22  k 1
 
 3,12
i 1 k 1
3 (2)(3) (2)(3)
    3,12  0, 22
3 6 6
2 2
 ln nîjk
2 2 3
 ln nîjk i 1 j 1
 ln nˆ ijk
BC
11  i 1
 
 3,12
i 1 k 1
2 (2)(2) (2)(3)
ln(63)  ln(8) ln(21)  ln(63)  ln(15)  ln(8) ln(21)  ln(105)  ...  ln(12)
    3,12  0,35
2 4 6
2 2
 ln nˆ
2 2 3
BC
12  i 1
   3,12
i 1 k 1
2 (2)(2) (2)(3)
    3,12  1,185
2 4 6
2 2
 ln nîjk
2 2 3
 ln nˆ ijk
BC
13  i 1
 
 3,12
i 1 k 1
2 (2)(2) (2)(3)
    3,12  0,82
2 4 6
2 2
 ln nˆ
2 2 3
 BC
21  i 1
 
 3,12
i 1 k 1
2 (2)(2) (2)(3)
    3,12  0,35
2 4 6
104
2 3
 ln nˆ
3 2 3
 ln nˆ ijk
j 1 k 1
11AC  k 1
 
 3,12 i 1 k 1
3 (2)(3) (2)(3)
    3,12  0, 22
3 6 6
2 2
 ln nˆ
2 2 3
 BC
22  i 1
   3,12
i 1 k 1
2 (2)(2) (2)(3)
    3,12  1,18
2 4 6
2 2
 ln nîjk
2 2 3
 ln nˆ ijk
 BC
23  i 1
 
 3,12
i 1 k 1
2 (2)(2) (2)(3)
    3,12  0,82
2 4 6
2 2 3 2 2
 ln nîjk
j 1
 ln nîjk
j 1 k 1
 ln nˆ
i 1 j 1
ijk
AC
11    3,12
2 (2)(3) (2)(2)
ln(21)  ln(63) ln(21)  ln(105)  ...  (ln103) ln(21)  ln(63)  ln(15)  ln(8)
    0,32
2 6 4
2 2 3 2 2
 ln nîjk
j 1
 ln nîjk
j 1 k 1
 ln nˆ
i 1 j 1
ijk
AC
12     3,12
2 (2)(3) (2)(2)
    0,52
2 6 4
2 2 3 2 2
 ln nîjk
j 1
 ln nîjk
j 1 k 1
 ln nˆ
i 1 j 1
ijk
AC
13     3,12
2 (2)(3) (2)(2)
    0, 20
2 6 4
2 2 3 2 2
 ln nîjk
j 1
 ln nîjk
j 1 k 1
 ln nˆ
i 1 j 1
ijk
 AC
21     3,12
2 (2)(3) (2)(2)
    0,32
2 6 4
105
2 2 3 2 2
 ln nîjk
j 1
 ln nîjk
j 1 k 1
 ln nˆ
i 1 j 1
ijk
 AC
22     3,12
2 (2)(3) (2)(2)
    0,52
2 6 4
2 2 3 2 2
 ln nˆ
j 1
ijk  ln nˆ
j 1 k 1
ijk  ln nˆ
i 1 j 1
ijk
23
AC
   3,12
2 (2)(3) (2)(2)
    0, 20
2 6 4
2 2 3 2 2
 ln nˆ  ln mˆ  ln nˆ
2 3 2 3
ijk  ln nîjk j 1 k 1
ijk  ln nîjk i 1 j 1
ijk
ABC
111  ln nˆ111  i 1
    k 1
  3,12 i 1 k 1
2 2 3 (2)(3) (2)(3) (2)(2)
ln(21)  ln(15) ln(21)  ln(63) ln(21)  ln(105)  ln(13)
 ln(21)    
2 2 3
ln(21)  ln(105)  ...  ln(103) ln(21)  ln(105)  ...  ln(12) ln(21)  ln(63)  ln(15)  ln(8)
   3,12
6 6 4
 0, 20
2 2 3 2 2
2 3 2 3
ijk
ABC
112  ln nˆ112  i 1
  k 1
  3,12  i 1 k 1

2 2 3 (2)(3) (2)(3) (2)(2)
ln(105)  ln(115) ln(105)  ln(4) ln(21)  ln(105)  ln(13)
 ln(105)    
2 2 3
   3,12
6 6 4
 0, 42
2 2 3 2 2
2 3 2 3
ijk
ABC
113  ln nˆ113  i 1
  k 1
  3,12  i 1 k 1

2 2 3 (2)(3) (2)(3) (2)(2)
ln(13)  ln(12) ln(13)  ln(103) ln(63)  ln(4)  ln(103)
 ln(13)    
2 2 3
ln(21)  ln(105)  ...  ln(103) ln(21)  ln(105  ...  ln(12) ln(13)  ln(103)  ln(12)  ln(16)
   3,12
6 6 4
 0, 22
106
2 2 3 2 2
2 3 2 3
 ln nˆ ijk
j 1
 ln nˆ ijk
j 1 k 1
 ln nˆ ijk
i 1 j 1
ijk
 ABC
211  ln nˆ211  i 1
   k 1
   3,12
i 1 k 1
2 2 3 (2)(3) (2)(3) (2)(2)
ln(21)  ln(15) ln(15)  ln(8) ln(15)  ln(115)  ln(12)
 ln(15)    
2 2 3
   3,12
6 6 4
 0, 20
2 2 3 2 2
 ln nˆ  ln nˆ  ln nˆ
2 3 2 3
ijk
 ABC
212  ln nˆ212  i 1
   k 1
   3,12
i 1 k 1
2 2 3 (2)(3) (2)(3) (2)(2)
ln(105)  ln(115) ln(115)  ln(10) ln(15)  ln(115)  ln(12)
 ln(115)    
2 2 3
   3,12
6 6 4
 0, 42
2 2 3 2 2
2 3 2 3
ijk
 ABC
213  ln nˆ213  i 1
  k 1
   3,12
i 1 k 1

2 2 3 (2)(3) (2)(3) (2)(2)
ln(13)  ln(12) ln(12)  ln(16) ln(15)  ln(115)  ln(12)
 ln(12)    
2 2 3
   3,12
6 6 4
 0, 22
2 2 3 2 2
2 3 2 3
ijk

ABC
121  ln nˆ121  i 1
  k 1
   3,12
i 1 k 1

2 2 3 (2)(3) (2)(3) (2)(2)
ln(63)  ln(8) ln(21)  ln(63) ln(63)  ln(4)  ln(103)
 ln(63)    
2 2 3
   3,12
6 6 4
 0, 20
107
2 2 3 2 2
 ln mˆ ijk  ln mˆ ijk  ln mˆ
2 3 2 3
 ln mˆ ijk
j 1
 ln mˆ ijk
j 1 k 1
 ln mˆ ijk
i 1 j 1
ijk

ABC
122  ln mˆ 122  i 1
    k 1
  3,12 i 1 k 1
2 2 3 (2)(3) (2)(3) (2)(2)
ln(4)  ln(10) ln(105)  ln(4) ln(63)  ln(4)  ln(103)
 ln(4)    
2 2 3
   3,12
6 6 4
 0, 42
2 2 3 2 2
 ln nˆ  ln nˆ  ln nˆ
2 3 2 3
ijk

ABC
123  ln nˆ123  i 1
   
k 1
  3,12 i 1 k 1
2 2 3 (2)(3) (2)(3) (2)(2)
ln(103)  ln(16) ln(13)  ln(103) ln(63)  ln(4)  ln(103)
 ln(103)    
2 2 3
   3,12
6 6 4
 0, 22
2 2 3 2 2
2 3 2 3
 ln mˆ ijk j 1
ijk
 ABC
222  ln nˆ222  i 1
  k 1
  3,12  i 1 k 1

2 2 3 (2)(3) (2)(3) (2)(2)
ln(4)  ln(10) ln(115)  ln(10) ln(8)  ln(10)  ln(16)
 ln(10)    
2 2 3
   3,12
6 6 4
 0, 42
2 2 3 2 2
2 3 2 3
ijk
 ABC
221  ln nˆ221  i 1
  k 1
  3,12  i 1 k 1

2 2 3 (2)(3) (2)(3) (2)(2)
ln(4)  ln(10) ln(15)  ln(8) ln(8)  ln(10)  ln(16)
 ln(8)    
2 2 3
   3,12
6 6 4
 0, 20
108
2 2 3 2 2
2 3 2 3
 ln nˆ ijk
j 1
 ln nˆ ijk
j 1 k 1
 ln nˆ ijk
i 1 j 1
ijk
 ABC
223  ln nˆ223  i 1
   k 1
 i 1 k 1
 3,12
2 2 3 (2)(3) (2)(3) (2)(2)
ln(4)  ln(10) ln(12)  ln(16) ln(8)  ln(10)  ln(16)
 ln(16)    
2 2 3
   3,12
6 6 4
 0, 22
2. Perhitungan manual standar error untuk setiap estimasi adalah sebagai berikut:
SE  iA   SE   jB   SE  ijAB 
SE  1A   SE  2A   SE  1B   SE  2B   SE  11AB   SE  12AB   SE  21AB   SE  22AB 
I J K
1 1

12
 n
i 1 j 1 k 1 ijk
1 1 1 1 1
    ... 
12 n111 n112 n113 n223
 0,07
maka SE  1A   SE  2A   SE  1B   SE  2B   SE  11AB   SE  12AB  
SE  21AB   SE  22AB   0, 07
Perhitungan standar error untuk estimasi yang mengandung variabel TKI adalah sebagai berikut.
SE  kC   SE  ikAC   SE   jkBC   SE  ijkABC 
 I J 1  I J K 1
SE  kCr  
1
4     
12  i 1 j 1 nijk  i 1 j 1 k  r nijk
1) Perhitungan standar error untuk k=1
SE  1C   SE  11AC   SE  21AC   SE  11BC   SE  21BC   SE  111
ABC
  SE  211ABC  
SE  211
ABC
  SE  221ABC 
 2 2 1  2 2 3 1
SE  1C  
1
4     
12  i 1 j 1 nij1  i 1 j 1 k 1 nijk
1 4 4 4 4 1 1
      ... 
12 n111 n121 n211 n221 n112 n223
 0,10
109
maka SE  1C   SE  11AC   SE  21AC   SE  11BC   SE  21BC   SE  111
ABC
  SE  211ABC  
SE  211
ABC
  SE  221ABC   0,10
ABC
  SE  122ABC  
SE  212
ABC
  SE  222ABC 
 2 2 1  2 2 3 1
SE  2C  
1
4     
12  i 1 j 1 nij1  i 1 j 1 k  2 nijk
1 4 4 4 4 1 1
      ... 
12 n1112 n122 n212 n222 n111 n223
 0,11
ABC
  SE  122ABC  
SE  212
ABC
  SE  222ABC   0,11
ABC
  SE  123ABC  
SE  213
ABC
  SE  223ABC 
 2 2 1  2 2 3 1
SE  3C  
1
4     
12  i 1 j 1 nij 3  i 1 j 1 k 3 nijk
1 4 4 4 4 1 1
      ... 
12 n113 n123 n213 n223 n111 n223
 0,103
ABC
  SE  123ABC  
SE  213
ABC
  SE  223ABC   0,103
Perhitungan nilai Z dan P-value adalah sebagai berikut.
ijkABC
Z
SE (ijkABC )
P-value = P( Z  Z hitung )
110
ˆ1A 0, 27 ˆ2A 0, 27
Z   3, 60 Z   3, 60
ˆ
SE (1 ) 0, 07
A ˆ
SE (2 ) 0, 07
A
P(Z  Z hitung )  P(Z  3, 60)  0, 000 P( Z  Z hitung )  P( Z  3, 60)  0, 000

ˆ1B 0, 23 ˆ2B 0, 23
Z   3,10 Z   3,10
SE (ˆ1B ) 0, 07 ˆ
SE (2 ) 0, 07
B
P(Z  Z hitung )  P(Z  3,10)  0, 003 P( Z  Z hitung )  P( Z  3,10)  0, 003

ˆ1C 0,13 ˆ2C 0,14
Z   1, 241 Z   1, 24
ˆ
SE (1 ) 0,10
C ˆ
SE (2 ) 0,11
C
P(Z  Z hitung )  P(Z  1, 241)  0,185 P( Z  Z hitung )  P( Z  1, 241)  0,182
ˆ3C 0, 01 ˆ11AC 0, 32

Z   1, 24 Z   3, 01
SE (ˆ3C ) 0,10 SE (ˆ11 ) 0,10
AC
P( Z  Z hitung )  P( Z  1, 241)  0, 395 P( Z  Z hitung )  P( Z  3, 01)  0, 004

ˆ11AB 0, 22 ˆ12AC 0, 52
Z   2, 90 Z   4, 52
ˆ
SE (11 ) 0, 07
AB ˆ
SE (12 )
AC 0,11
P( Z  Z hitung )  P( Z  2, 90)  0, 005 P( Z  Z hitung )  P( Z  4, 52)  0, 000
ˆ12AB 0, 22 ˆ21
AC
0, 32
Z   2, 90 Z   3, 01
SE (ˆ12AB ) 0, 07 SE (ˆ21
AC
) 0,10
P( Z  Z hitung )  P( Z  2, 90)  0, 005 P( Z  Z hitung )  P( Z  3, 01)  0, 004
ˆ21
AB
0, 22 ˆ22
AC
0, 52
Z   2, 90 Z   4, 52
ˆ
SE (21 ) 0, 07
AB ˆ
SE (22 ) 0,11
AC
P( Z  Z hitung )  P( Z  2, 90)  0, 005 P( Z  Z hitung )  P( Z  4, 52)  0, 000

ˆ22
AB
0, 22 ˆ13AC 0, 20
Z   2, 90 Z   1, 99
ˆ
SE (22 ) 0, 07
AB
SE (ˆ AC )
13
0,10
ˆ23
AC
0, 20 ˆ112
ABC
0, 42
Z   1, 99 Z   3, 67
SE (ˆ23
AC
) 0,10 ˆ
SE (112 ) 0,11
AC

ˆ13BC 0, 82 ˆ122
ABC
0, 42
Z   7, 98 Z   3, 67
SE (ˆ13BC ) 0,10 ˆ
SE (122 )
ABC 0,11
P( Z  Z hitung )  P( Z  7, 98)  0, 000 P( Z  Z hitung )  P( Z  0, 42)  0, 000
ˆ23
BC
0, 82 ˆ212
ABC
0, 42
Z   7, 98 Z   3, 67
SE (ˆ23
BC
) 0,10 SE (ˆ212 )
ABC 0,11
P( Z  Z hitung )  P( Z  7, 98)  0, 000 P( Z  Z hitung )  P( Z  0, 42)  0, 000
ˆ111
ABC
0, 20 ˆ222
ABC
0, 42
Z   1, 96 Z   3, 67
ˆ
SE (111 ) 0,10
ABC ˆ
SE (222 ) 0,11
ABC
111
ˆ113
ABC
0, 22 ˆ213
ABC
0, 22
Z   2,12 Z   2,12
SE (ˆ AC )
113
0,10 SE (ˆ ABC )
213
0,10
P( Z  Z hitung )  P(Z  2,12)  0, 041 P( Z  Z hitung )  P(Z  2,12)  0, 041
ˆ123
ABC
0, 22 ˆ223
ABC
0, 22
Z   2,12 Z   2,12
SE (ˆ13BC ) 0,10 SE (ˆ223
ABC
) 0,10
P( Z  Z hitung )  P(Z  2,12)  0, 041 P( Z  Z hitung )  P(Z  2,12)  0, 041
Hasil perhitungan yang diperoleh dari estimsi secara manul diatas dapat disajikan dalam tabel
berikut:
Tabel 21. Hasil Kecenderungan Per sel
Hongkong Malaysia Arab saudi
Perempuan Gersik -0,2083 0,4292 -0,2208
Malang 0,2083 -0,4292 0,2208
Laki-laki Gersik 0,2083 -0,4292 0,2208
Malang -0,2083 0,4292 -0,2208
Tabel 22. Hasil Estimasi Parameter

µ 3,124 - - - -
1A 0,277 0,077 3,599 0,000 Tolak H0
2A -0,277 0,077 -3,599 0,000 Tolak H0
1B 0,237 0,077 3,102 0,003 Tolak H0
2B -0,237 0,077 -3,102 0,003 Tolak H0
1C -0,132 0,106 -1,241 0,184 Gagal Tolak H0
2C 0,145 0,116 1,243 0,182 Gagal Tolak H0
3C -0,014 0,103 -0,136 0,395 Gagal Tolak H0
11AB -0,224 0.077 -2,908 0.005 Tolak H0
12AB 0,224 0.077 2,908 0.005 Tolak H0
21AB 0,224 0.077 2,908 0.005 Tolak H0
22AB -0,224 0.077 -2,908 0.005 Tolak H0
11AC 0.32 0.106 3,015 0.004 Tolak H0
12AC -0,527 0.116 -4,521 0.000 Tolak H0
13AC 0,207 0,103 1,997 0,054 Gagal Tolak H0
21AC -0.32 0.106 -3,015 0.004 Tolak H0
22AC 0,527 0.116 4,521 0.000 Tolak H0
23AC -0,207 0,103 -1,997 0,054 Gagal Tolak H0
112
 BC
11 -0.357 0.106 -3,361 0.054 Tolak H0
 BC
12 1,185 0,116 10.163 0.000 Tolak H0
 BC
13 -0,829 0,106 1,963 0,000 Tolak H0
 BC
21 0.357 0.106 3,361 0.054 Gagal Tolak H0
 BC
22 -0.378 0.036 -10.433 0.000 Tolak H0
 BC
23 -1,185 0,116 -10.163 0.000 Tolak H0
111
ABC
-0.208 0.106 -1,963 0.058 Gagal Tolak H0
112
ABC
0,429 0.116 3,678 0.000 Tolak H0
113
ABC
-0.221 0.103 -2,126 0.041 Gagal Tolak H0
121
ABC
0.208 0.106 1,963 0.058 Gagal Tolak H0
122
ABC
-0,429 0.116 -3,678 0.000 Tolak H0
123
ABC
0,221 0.103 2,126 0.058 Gagal Tolak H0
221
ABC
-0.208 0.106 -1,963 0.058 Gagal Tolak H0
222
ABC
0,429 0.116 3,678 0.000 Tolak H0
223
ABC
-0,221 0.103 -2,126 0.058 Gagal Tolak H0
Berdasarkan tabel 22 Hasil Perhitungan yang dilakukan secara manual hampir sama dengan hasil
output R dan SPSS. Berdasarkan hasil estimasi parameter dengan taraf signifikansi sebesar 0,05 diketahui
bahwa sebagian besar parameter memiliki pengaruh yang signifikan terhadap model, adapun parameter
yang tidak signifikan yaitu 1 (efek utama TKI Hongkong), 2 (efek utama TKI Malaysia), 3 (efek
C C C
utama TKI Arab Saudi), 111

ABC
(efek interaksi perempuan asal Gersik yang ingin menjadi TKI di
Hongkong), 211
ABC
(efek interaksi laki-laki asal Gersik yang ingin menjadi TKI di Hongkong), 121
ABC
(efek
interaksi perempuan asal Gersik yang ingin menjadi TKI di Hongkong), 221
ABC
(efek interaksi laki-laki
yang berasal dari Malang yang ingin menjadi TKI di Hongkong), 13AC (efek interaksi perempuan yang
ingin menjadi TKI di Arab Saudi). Hal tersebut diketahui berdasarkan nilai statistik uji Z > titik kritis
Z0.025 (1.96) dan p-value < α (0.05) maka tolak H0 (efek variabel berpengaruh signifikan dalam model),
sedangkan nilai statistik uji Z < titik kritis Z0.025 (1.96) dan p-value > α (0.05) maka gagal tolak H0 (efek
variabel tidak berpengaruh signifikan dalam model).
Berdasarkan pengujian sebelumnya maka model yang terbentuk adalah model log linier seperti berikut:
ln mˆ ij    iA   jB  kC  ijAB  ikAC   jkBC  ijkABC
Interpretasi Kecenderungan Sel Model Log Linier
Interpretasi model dilakukan hanya pada estimasi parameter yang memberikan efek yang signifikan
sehingga parameter 13AC , 111
ABC
, 121
ABC
, 211
ABC
dan 221
ABC
1C 2C 3C tidak diinterpretasikan.
 Efek interaksi variabel jenis kelamin daerah asal
113
AB
Nilai koefisien interaksi 11 sebesar -0,224 yaitu bernilai negatif sehingga dapat diketahui bahwa
AB
sel jenis kelamin tidak memiliki kecenderungan pada sel asal daerah. Dengan demikian, orang
yang berjenis kelamin perempuan tidak cenderung berasal dari Gersik.
AB
Nilai koefisien interaksi 12 sebesar 0,224 yaitu bernilai positif sehingga dapat diketahui bahwa
AB
sel sel jenis kelamin memiliki kecenderungan pada sel asal daerah. Dengan demikian, orang yang
berjenis kelamin perempuan cenderung berasal dari Malang.
c) Efek Interaksi
21AB
Nilai koefisien interaksi 21AB sebesar 0,224 yaitu bernilai positif sehingga dapat diketahui bahwa
sel jenis kelamin memiliki kecenderungan pada sel asal daerah. Dengan demikian, orang yang
berjenis kelamin laki-laki cenderung berasal dari Gersik.
AB
Nilai koefisien interaksi 22 sebesar -0,224 yaitu bernilai negatif sehingga dapat diketahui bahwa
AB
sel jenis kelamin tidak memiliki kecenderungan pada sel asal daerah. Dengan demikian, orang
yang berjenis kelamin laki-laki tidak cenderung berasal dari Malang.
 Efek interaksi variabel jenis kelamin dan tempat pemilihan TKI

AC
Nilai koefisien interaksi 11 sebesar -0.357 yaitu bernilai negatif sehingga dapat diketahui bahwa
AC
sel jenis kelamin perempuan tidak memiliki kecenderungan pada sel tempat pemilihan TKI di
“Hongkong”. Dengan demikian, orang yang berjenis kelamin perempuan tidak cenderung untuk
memilih tempat TKI di Hongkong.
AC
AC
sel jenis kelamin perempuan tidak memiliki kecenderungan pada sel tempat pemilihan TKI di
“Malaysia”. Dengan demikian, orang yang berjenis kelamin perempuan tidak cenderung untuk
memilih tempat TKI di Malaysia.
AC
AC
sel jenis kelamin laki-laki tidak memiliki kecenderungan pada sel tempat pemilihan TKI di
“Hongkong”. Dengan demikian, orang yang berjenis kelamin laki-laki tidak cenderung untuk
AC
114
Nilai koefisien interaksi 22 sebesar 0527 yaitu bernilai positif sehingga dapat diketahui bahwa
AC
sel jenis kelamin laki-laki memiliki kecenderungan pada sel tempat pemilihan TKI di “Malaysia”.
Dengan demikian, orang yang berjenis kelamin laki-laki cenderung untuk memilih tempat TKI di
Malaysia.
AC
AC
sel jenis kelamin laki-laki tidak memiliki kecenderungan pada sel tempat pemilihan TKI di “Arab
Saudi”. Dengan demikian, orang yang berjenis kelamin laki-laki tidak cenderung untuk memilih
tempat TKI di Arab Saudi.
 Efek interaksi variabel daerah asal dan tempat pemilihan TKI

BC
BC
bahwa sel daerah asal gersik tidak memiliki kecenderungan pada sel tempat pemilihan TKI di
“Hongkong”. Dengan demikian, orang yang berasal dari daerah gersik tidak cenderung untuk
BC
Nilai koefisien interaksi 12 sebesar 1,185 yaitu bernilai positif sehingga dapat diketahui
BC
bahwa sel daerah asal gersik memiliki kecenderungan pada sel ttempat pemilhan TKI di
“Malaysia”. Dengan demikian, orang yang berasal dari daerah gersik cenderung untuk memilih
tempat TKI di Malaysia.
BC
BC
bahwa sel daerah asal gersik tidak memiliki kecenderungan pada sel tempat pemilihan TKI di
“Arab Saudi”. Dengan demikian, orang yang berasal dari daerah gersik tidak cenderung untuk
memilih tempat TKI di Arab Saudi.
d) Efek Interaksi
21BC
BC
bahwa sel daerah asal malang memiliki kecenderungan pada sel tempat pemilhan TKI di
“Hongkong”. Dengan demikian, orang yang berasal dari daerah malang cenderung untuk
BC
Nilai koefisien interaksi 22 sebesar -1,186 yaitu bernilai negatif sehingga dapat diketahui
BC
bahwa sel daerah asal malang memiliki kecenderungan pada sel tempat pemilhan TKI di
“Malaysia”. Dengan demikian, orang yang berasal dari daerah malang cenderung untuk memilih
tempat TKI di Malaysia.
115
BC
Nilai koefisien interaksi 23 sebesar 0,829 yaitu bernilai positif sehingga dapat diketahui bahwa
BC
sel daerah asal malang memiliki kecenderungan pada sel tempat pemilhan TKI di “Arab Saudi”.
Dengan demikian, orang yang berasal dari daerah malang cenderung untuk memilih tempat TKI
di Arab Saudi.
 Efek interaksi variabel jenis kelamin, asal daerah dan tempat pemilihan TKI

ABC
ABC
bahwa sel jenis kelamin perempuan, sel daerah asal gersik dan sel tempat pemilihan TKI di
“Malaysia” memiliki kecenderungan. Dengan demikian, perempuan yang berasal dari daerah
gersik cenderung untuk memilih tempat TKI di Malaysia.
ABC
ABC
bahwa sel jenis kelamin perempuan, sel daerah asal gersik dan sel tempat pemilihan TKI di
“Arab Saudi” tidak memiliki kecenderungan. Dengan demikian, perempuan yang berasal dari
daerah gersik tidak cenderung untuk memilih tempat TKI di Arab Saudi.
ABC
ABC
bahwa sel jenis kelamin perempuan, sel daerah asal malang dan sel tempat pemilihan TKI di
“Malaysia” tidak memiliki kecenderungan. Dengan demikian, perempuan yang berasal dari
daerah malang tidak cenderung untuk memilih tempat TKI di Malaysia.
ABC
ABC
bahwa sel jenis kelamin perempuan, sel daerah asal malang dan sel tempat pemilihan TKI di
“Arab Saudi” memiliki kecenderungan. Dengan demikian, perempuan yang berasal dari daerah
malang cenderung untuk memilih tempat TKI di Arab Saudi.
ABC
ABC
bahwa sel jenis kelamin laki-laki, sel daerah asal gersik dan sel tempat pemilihan TKI di
“Malaysia” tidak memiliki kecenderungan. Dengan demikian, laki-laki yang berasal dari daerah
gersik tidak cenderung untuk memilih tempat TKI di Malaysia.
ABC
ABC
bahwa sel jenis kelamin laki-laki, sel daerah asal gersik dan sel tempat pemilihan TKId “Arab
116
Saudi” memiliki kecenderungan. Dengan demikian, laki-laki yang berasal dari daerah gersik
cenderung untuk memilih tempat TKI di Arab Saudi.
g) Efek Interaksi 222
ABC
ABC
bahwa sel jenis kelamin laki-laki, sel daerah asal malang dan sel tempat pemilihan TKI di
“Malaysia” memiliki kecenderungan. Dengan demikian, laki-laki yang berasal dari daerah
malang cenderung untuk memilih tempat TKI di Malaysia.
h) Efek Interaksi 223
ABC
ABC
bahwa sel jenis kelamin laki-laki, sel daerah asal malang dan sel tempat pemilihan TKI di “Arab
Saudi” tidak memiliki kecenderungan. Dengan demikian, laki-laki yang berasal dari daerah
malang tidak cenderung untuk memilih tempat TKI di Arab Sudi.
 Efek utama variabel jenis kelamin
a) Efek 1
A
Nilai koefisien 1 sebesar 0.277 yaitu bernilai positif sehingga dapat diketahui bahwa sel jenis
A
kelamin perempuan memiliki kecenderungan pada sel variabel asal daerah dan pemilihan
tempat TKI
b) Efek
2A
Nilai koefisien 2 sebesar -0.277 yaitu bernilai negatif sehingga dapat diketahui bahwa sel jenis
A
kelamin laki-laki tidak memiliki kecenderungan pada sel variabel asal daerah dan pemilihan
tempat TKI
 Efek utama Asal Daerah
a) Efek 1
B
Nilai koefisien 1 sebesar 0,237 yaitu bernilai positif sehingga dapat diketahui bahwa sel asal
B
daerah memiliki kecenderungan pada sel variabel jenis kelamin dan pemilihan tempat TKI.
b) Efek
2B
Nilai koefisien 2 sebesar -0,237 yaitu bernilai negatif sehingga dapat diketahui bahwa sel asal
B
daerah gersik tidak memiliki kecenderungan pada sel variabel jenis kelamin dan pemilihan
tempat TKI.
117
Lampiran 1
Daerah_Asal * TKI * Jenis_kelamin Crosstabulation

Count
Jenis_kelamin TKI Total
Hongkong Malaysia Arab Saudi
Gersik 21 105 13 139

Daerah_Asal
Perempuan Malang 63 4 103 170
Total 84 109 116 309

Gersik 15 115 12 142
Daerah_Asal
Laki-laki Malang 8 10 16 34
Total 23 125 28 176
Gersik 36 220 25 281
Daerah_Asal
Total Malang 71 14 119 204
Total 107 234 144 485
Uji indenpendensi
Mutually
Value df Sig.
Likelihood Ratio 371,132 7 ,000

Pearson Chi-Square 372,509 7 ,000
a. Model: Poisson
b. Design: Constant + Jenis_kelamin + Daerah_Asal + TKI
118
Conditionally
- AC,BC
Value df Sig.

a. Model: Poisson
b. Design: Constant + Jenis_kelamin * TKI + Daerah_Asal *
TKI
- AB,AC
Value df Sig.

a. Model: Poisson
b. Design: Constant + Jenis_kelamin * Daerah_Asal +
Jenis_kelamin * TKI
- AB,BC
Value df Sig.

a. Model: Poisson
b. Design: Constant + Jenis_kelamin * Daerah_Asal +
Daerah_Asal * TKI
119
Jointly
-BC,A
Value df Sig.

a. Model: Poisson
b. Design: Constant + Jenis_kelamin + Daerah_Asal * TKI
-AC,B
Value df Sig.

a. Model: Poisson
b. Design: Constant + Jenis_kelamin * TKI + Daerah_Asal
-AB,C
Value df Sig.

a. Model: Poisson
b. Design: Constant + Jenis_kelamin * Daerah_Asal + TKI
> library(MASS)
> fitABC<-loglm(count~JK*AD*TKI, data=data, param=T, fit=T)
> fitABC
Call:
loglm(formula = count ~ JK * AD * TKI, data = data, param = T,
fit = T)
Statistics:
X^2 df P(> X^2)
Likelihood Ratio 0 0 1
Pearson 0 0 1
120
> #MUTUALLY
> fitA.B.C<-update(fitABC,.~.-JK:AD:TKI)
> fitA.B.C
Call:
loglm(formula = count ~ JK + AD + TKI + JK:AD + JK:TKI + AD:TKI,
Statistics:
X^2 df P(> X^2)
Likelihood Ratio 15.04249 2 0.0005414573
Pearson 16.36430 2 0.0002795996
> #CONDITIONALY
> fitAC.BC<-update(fitAC.BC,.~.-JK:AD)
> fitAC.BC
Call:
loglm(formula = count ~ JK + AD + TKI + JK:TKI + AD:TKI, data = data,
param = T, fit = T)
Statistics:
X^2 df P(> X^2)
Pearson 30.77128 3 9.497231e-07
> fitAB.AC<-update(fitAB.AC,.~.-AD:TKI)
> fitAB.AC
Call:
loglm(formula = count ~ JK + AD + TKI + JK:AD + JK:TKI, data = data,
param = T, fit = T)
Statistics:
X^2 df P(> X^2)
Pearson 222.6526 4 0
> fitAB.BC<-update(fitAB.AC.BC,.~.-JK:TKI)
> fitAB.BC
Call:
loglm(formula = count ~ JK + AD + TKI + JK:AD + AD:TKI, data = data,
param = T, fit = T)
Statistics:
X^2 df P(> X^2)
Pearson 34.07047 4 7.207969e-07
121
> #Joinlly
> fitBC.A<-update(fitAB.AC.BC,.~.-JK:AD-TKI:JK)
> fitBC.A
Call:
loglm(formula = count ~ JK + AD + TKI + AD:TKI, data = data,
param = T, fit = T)
Statistics:
X^2 df P(> X^2)
Likelihood Ratio 86.65940 5 0.000000e+00
Pearson 79.80592 5 8.881784e-16
> fitAC.B<-update(fitAB.AC.BC,.~.-AD:JK-TKI:AD)
> fitAC.B
Call:
loglm(formula = count ~ JK + AD + TKI + JK:TKI, data = data,
param = T, fit = T)
Statistics:
X^2 df P(> X^2)
Pearson 269.8947 5 0
> fitAB.C<-update(fitAB.AC.BC,.~.-TKI:JK-AD:TKI)
> fitAB.C
Call:
loglm(formula = count ~ JK + AD + TKI + JK:AD, data = data, param = T,
fit = T)
Statistics:
X^2 df P(> X^2)
Pearson 257.6971 6 0
Marginally
-AB
Value df Sig.

a. Model: Poisson
b. Design: Constant + Jenis_kelamin + Daerah_Asal
122
> a<-array(data=c(139,142,170,34),dim=c(2,2), dimnames=list("JK"=c("perempuan",
"laki-laki"),"AD"=c("gersik","malang")))
>a
AD
JK gersik malang
perempuan 139 170
laki-laki 142 34
> fitloglin<-loglm(Freq~JK+AD,data=a,family=poisson)
> fitloglin
Call:
loglm(formula = Freq ~ JK + AD, data = a, family = poisson)
Statistics:
X^2 df P(> X^2)
Pearson 58.63598 1 1.898481e-14
-AC
Value df Sig.

a. Model: Poisson
b. Design: Constant + Jenis_kelamin + TKI
123
a<-
array(data=c(84,23,109,125,116,28),dim=c(2,3),
+
dimnames=list("JK"=c("perempuan","laki-laki"),
+
"TKI"=c("Hongkong","Malaysia","Arab Sudi")))
>a
TKI
JK Hongkong Malaysia Arab Sudi
perempuan 84 109 116
laki-laki 23 125 28
> fitloglin<-
loglm(Freq~JK+TKI,JK*TKI,data=a,family=pois
son)
> fitloglin
Call:
loglm(formula = Freq ~ JK + TKI, data = a, subset
= JK * TKI,
family = poisson)
Statistics:
X^2 df P(> X^2)
Pearson 57.49930 2 3.267386e-13
-BC
Value df Sig.

a. Model: Poisson
b. Design: Constant + TKI + Daerah_Asal
124
a<-array(data=c(36,71,220,14,25,119),dim=c(2,3),
+ dimnames=list("AD"=c("gersik","malang"),
+ "TKI"=c("Hongkong","Malaysia","Arab Sudi")))
>a
TKI
AD Hongkong Malaysia Arab Sudi
gersik 36 220 25
malang 71 14 119
> fitloglin<-loglm(Freq~AD+TKI,AD*TKI,data=a,family=poisson)
> fitloglin
Call:
loglm(formula = Freq ~ AD + TKI, data = a, subset = AD * TKI,
family = poisson)
Statistics:
X^2 df P(> X^2)
Pearson 248.1912 2 0
Lampiran 2
K-Way and Higher-Order Effects
K df Likelihood Ratio Pearson Number of
Chi-Square Sig. Chi-Square Sig. Iterations
1 11 471,764 ,000 510,703 ,000 0

K-way and Higher
2 7 371,132 ,000 372,509 ,000 2
Order Effectsa
3 2 15,043 ,001 16,345 ,000 7
1 4 100,632 ,000 138,194 ,000 0
K-way Effectsb 2 5 356,089 ,000 356,164 ,000 0
3 2 15,043 ,001 16,345 ,000 0
a. Tests that k-way and higher order effects are zero.

b. Tests that k-way effects are zero.
> data<-data.frame(expand.grid(JK=factor(c("perempuan","laki-
laki"),levels=rev(c("perempuan","laki-laki"))),
+AD=factor(c("gersik","malang"),levels=c("gersik","malang")),TKI=factor(c("Hongkong",
"Malaysia","Arab saudi"),
+ levels=c("Hongkong","Malaysia","Arab
saudi"))),count=c(21,15,63,8,105,115,4,10,13,12,103,16))
125
> library(vcdExtra)
> kway<-vcdExtra::Kway(count~JK+AD+TKI,data=data,family=poisson)
> LRstats(kway)
Likelihood summary table:
AIC BIC LR Chisq Df Pr(>Chisq)
kway.0 533.48 533.97 471.76 11 < 2.2e-16 ***
kway.1 440.85 443.27 371.13 7 < 2.2e-16 ***
kway.2 94.76 99.61 15.04 2 0.0005415 ***
kway.3 83.72 89.54 0.00 0 1.0000000
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Lampiran 3
Partial Associations
Effect df Partial Chi- Sig. Number of

Square Iterations
Jenis_kelamin*Daerah_Asal 1 12,750 ,000 2

Jenis_kelamin*TKI 2 9,553 ,008 2
Daerah_Asal*TKI 2 235,160 ,000 2
Jenis_kelamin 1 36,944 ,000 2
Daerah_Asal 1 12,277 ,000 2
TKI 2 51,411 ,000 2
Step Summary
Stepa Effects Chi-Squarec df Sig. Number of

Iterations
Jenis_kelamin*
Generating Classb Daerah_Asal*T ,000 0 .
KI
0
Jenis_kelamin*
Deleted Effect 1 Daerah_Asal*T 15,043 2 ,001 7
KI
Jenis_kelamin*
1 Generating Classb Daerah_Asal*T ,000 0 .
KI
a. At each step, the effect with the largest significance level for the Likelihood Ratio Change is deleted, provided the
significance level is larger than ,050.
126
b. Statistics are displayed for the best model at each step after step 0.
c. For 'Deleted Effect', this is the change in the Chi-Square after the effect is deleted from the model.
Lampiran 4
Parameter Estimates
Effect Para Estimate Std. Error Z Sig. 95% Confidence Interval

meter Lower Bound Upper Bound
Jenis_kelamin*Daerah_Asal* 1 -,197 ,103 -1,907 ,056 -,400 ,005

TKI 2 ,413 ,112 3,683 ,000 ,193 ,633
Jenis_kelamin*Daerah_Asal 1 -,224 ,075 -2,995 ,003 -,370 -,077
1 ,308 ,103 2,985 ,003 ,106 ,511
Jenis_kelamin*TKI
2 -,511 ,112 -4,553 ,000 -,730 -,291
1 -,350 ,103 -3,389 ,001 -,553 -,148
Daerah_Asal*TKI
2 1,158 ,112 10,330 ,000 ,939 1,378
Jenis_kelamin 1 ,276 ,075 3,695 ,000 ,130 ,423
Daerah_Asal 1 ,230 ,075 3,073 ,002 ,083 ,376
1 -,136 ,103 -1,318 ,187 -,339 ,066
TKI
2 ,155 ,112 1,379 ,168 -,065 ,374
> modellengkap<-loglm(count~.^3, data = data, family = poisson)

> coef(modellengkap)
$`(Intercept)`
[1] 3.126675
$JK
laki-laki perempuan
-0.2779238 0.2779238
$AD
gersik malang
0.2402123 -0.2402123
$TKI
-0.13288732 0.14526844 -0.01238112
127
$JK.AD
AD
JK gersik malang
laki-laki 0.2236666 -0.2236666
perempuan -0.2236666 0.2236666
$JK.TKI
TKI
JK Hongkong Malaysia Arab saudi
laki-laki -0.3221175 0.5297395 -0.2076219
perempuan 0.3221175 -0.5297395 0.2076219
$AD.TKI
TKI
AD Hongkong Malaysia Arab saudi
gersik -0.3577132 1.187291 -0.8295777
malang 0.3577132 -1.187291 0.8295777
$JK.AD.TKI
, , TKI = Hongkong
AD
JK gersik malang
laki-laki 0.2081386 -0.2081386
perempuan -0.2081386 0.2081386
, , TKI = Malaysia
AD
JK gersik malang
laki-laki -0.4299964 0.4299964
perempuan 0.4299964 -0.4299964
128
, , TKI = Arab saudi
AD
JK gersik malang
laki-laki 0.2218578 -0.2218578
perempuan -0.2218578 0.2218578
> modelterbaik <- loglm(count~.^2, data = data, family = poisson)

> coef(modelterbaik)
$`(Intercept)`
[1] 3.147419
$JK
laki-laki perempuan
-0.4414651 0.4414651
$AD
gersik malang
0.190554 -0.190554
$TKI
-0.11065074 0.12842640 -0.01777567
$JK.AD
AD
JK gersik malang
laki-laki 0.2645316 -0.2645316
perempuan -0.2645316 0.2645316
$JK.TKI
TKI
129
JK Hongkong Malaysia Arab saudi
laki-laki -0.1549909 0.2757798 -0.1207888
perempuan 0.1549909 -0.2757798 0.1207888
$AD.TKI
TKI
AD Hongkong Malaysia Arab saudi
gersik -0.3910549 1.229203 -0.8381485
malang 0.3910549 -1.229203 0.8381485
Lampiran 5
ITERASI eijk(expected)
111 112 113 121 122 123 211 212 213 221 222 223
nilai awal 1 1 1 1 1 1 1 1 1 1 1 1
24,6 17,7 65,1 110,2 11,3 144,9 7,2 3,8
iterasi 1 4 75,04 7 2 10,16 3 6 6 3 5,88 4 8,78
25,9 100,3 18,0 58,8 10,0 119,6 6,9 12,1 5,4 20,3
iterasi 2 5 9 6 1 8,55 98,69 5 1 4 9 5 1
24,9 100,2 17,1 59,6 100,2 11,0 119,7 7,8 11,3 4,7 19,6
iterasi 3 9 6 8 1 6 17,18 1 4 2 9 8 2
24,5 16,7 60,1 11,4 120,0 8,2 10,8 4,4 19,1
iterasi 4 6 99,96 5 3 9,55 99,90 4 4 5 7 5 0
24,3 16,5 60,3 100,1 11,6 120,1 8,4 10,6 4,3 18,8
iterasi 5 8 99,83 7 5 9,68 2 2 7 4 5 2 8
24,3 16,4 60,4 100,2 11,7 120,2 8,5 10,5 4,2 18,7
iterasi 6 1 99,78 9 4 9,74 1 0 2 1 6 6 9
24,2 16,4 60,4 100,2 11,7 120,2 8,5 10,5 4,2 18,7
iterasi 7 7 99,75 5 8 9,76 5 3 5 5 2 4 5
24,2 16,4 60,5 100,2 11,7 120,2 8,5 10,5 4,2 18,7
iterasi 8 6 99,74 4 0 9,77 6 4 6 6 0 3 4
24,2 16,4 60,5 100,2 11,7 120,2 8,5 10,5 4,2 18,7
iterasi 9 5 99,74 3 0 9,78 7 5 6 7 0 2 3
24,2 16,4 60,5 100,2 11,7 120,2 8,5 10,4 4,2 18,7
iterasi 10 5 99,74 3 1 9,78 7 5 6 7 9 2 3
24,2 16,4 60,5 100,2 11,7 120,2 8,5 10,4 4,2 18,7
iterasi 11 5 99,74 3 1 9,78 7 5 6 7 9 2 3
24,2 16,4 60,5 100,2 11,7 120,2 8,5 10,4 4,2 18,7
iterasi 12 5 99,74 3 1 9,78 8 5 6 7 9 2 2
24,2 16,4 60,5 100,2 11,7 120,2 8,5 10,4 4,2 18,7
iterasi 13 5 99,74 3 1 9,78 8 5 6 7 9 2 2
130
Hasil revisi:
1. Membuat iterasi untuk mencari nilai ekspektasi dan menghitung k-way k=3,
asosiasi, dan estimasi backward
2. Merevisi model
131

Model Log Linier Tabel Kontingensi 3D

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Model Log Linier Tabel Kontingensi 3D

Diunggah oleh

Hak Cipta:

Format Tersedia

MODEL LOG LINIER

ANALISIS DATA KATEGORIK – S2

MODEL LOG LINIER TABEL KONTINGENSI TIGA DIMENSI

PROGRAM STUDI PASCA SARJANA

Tabel 2. Hasil perhitungan eij

p-value = P(   G )  P(   862.177)  2.6110

p-value = P(   G )  P(   996.325)  2.23 10

996.325) > titik kritis 0.05,4

p-value = P(   G )  P(   862.177)  2.2110

p-value = P(   G )  P(   310.265)  4.2310

dan 310.265) > titik kritis 0.05,2

p-value = P(   G )  P(   151.779)  1.110

p-value = P(   G )  P(   162.923)  4.19 10

dan 162.923) > titik kritis 0.05,2

ln mˆ ij    iA   jB  kC  ijAB  ikAC

Tabel 8. Hasil perhitungan eij

p-value = P(   G )  P(   172.162)  0.000

titik kritis 2,db  0.05,2

p-value = P(   G )  P(   186.262)  0.000

titik kritis 2,db  0.05,2

dan 310.265) > titik kritis 0.05,2

ln mˆ ij    iA   jB  kC   jkBC

p-value = P(   G )  P(   574.379)  3.6110

p-value = P(   G )  P(   525.429)  1.47110

525.429) > titik kritis 0.05,3

Tipe Tipe Kecelakaan

p-value = P(   G )  P(   422.599)  6.63 10

p-value = P(   hitung )  P(   400.933)  3.45 10  0.000

titik kritis 2,db  0.05,1

(422.599 dan 400.933) > titik kritis 0.05,1

ln mˆ ij    iA  kC  ikAC

Tipe Tipe Keparahan

p-value = P(   G )  P(   267.415)  4.15 10

p-value = P(   hitung )  P(   258.627)  3.42 10  0.000

titik kritis 2,db  0.05,1

Hubungan Antara Variabel Tipe Kecelakaan dan Tipe Keparahan

ln mˆ ij    iA  kC  ikAC

Tipe Tipe Keparahan

p-value = P(   G )  P(   287.798)  1.5 10

p-value = P(   hitung )  P(   277.669)  2.42 10

titik kritis 2,db  0.05,1

(287.798 dan 277.669) > titik kritis 0.05,1

ln mˆ ij    iA  kC  ikAC

2. Estimasi Parameter Model log linier Tiga Dimensi

log mˆ ij    iA   jB  kC

log mˆ ij    iA   jB  kC  ijAB  ikAC   jkBC  ijkABC

H1: iA  0;  jB  0; kC  0; ijAB  0 ; ikAC  0;  jkBC  0; ijkABC  0

 ln nijk  ln nijk  ln n ijk

11AB  21AB  0 12AB  22AB  0

 ln nijk  ln nijk  ln n ijk

11BC  12BC  0 21BC  22BC  0

 ln ni12  ln nij 2  ln n i1k

 ln(n i 21 )  ln(n ij1 )  ln(n i 2k )

 ln n ijk  ln n ijk  ln n ijk

11AC  12AC  0 21AC  22AC  0

 ln nijk  ln nijk  ln nijk  ln nijk  ln nijk  ln n ijk

Standard error untuk 1A

Mobil*Kecelakaan*Keparahan 1 .289 .036 7.994 .000

K df Likelihood Ratio Pearson

a. Uji K-Way Higher

H1 : Order ke-1 atau lebih tidak sama dengan nol

titik kritis 2,db  0.05,7

MobilKecelakaanKeparahan 1 .289 .036 7.994 .000