Model Log Linier Tabel Kontingensi 3D
Model Log Linier Tabel Kontingensi 3D
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)
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
Berguling 422 71 493
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 n1 n1 738 717 680
e111 189.215
n 2 13792
n n1 n 2 738 717 699
e112 1 194.502
n 2 13792
n n2 n1 738 662 680
e121 1 174.701
n 2 13792
n n2 n 2 738 662 699
e122 1 179.582
n 2 13792
n2 n1 n1 641 717 680
e211 164.345
n 2 13792
n n1 n 2 641 717 699
e212 2 168.937
n 2 13792
n n2 n1 641 662 680
e221 2 151.739
n 2 13792
n n2 n 2 641 662 699
e222 2 155.978
n 2 13792
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
(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
Derajat bebas = db = IJK 1 ( I 1) ( J 1) ( K 1) 7 (1 1 1) 4
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
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
Likelihood Ratio Test: G 2 2 n ijk ln ijk
eijk
j 1 i 1 k 1
I J (nijk eijk )2
K
Pearson Chisquare:
i 1 j 1 k 1 eijk
1) Variabel Tipe Mobil dan Tipe Kecelakaan Conditionally Independent Terhadap Tipe
Keparahan (AB|CAC,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
n11 n11 215 199
e111 62.919
n 1 680
n n12 523 518
e112 1 2 387.574
n 2 699
n n21 215 481
e121 11 152.081
n 1 680
n n22 523 181
e122 1 2 135.426
n 2 699
5
n21 n11 465 199
e211 136.081
n 1 680
n n12 176 518
e212 2 2 130.426
n 2 699
n n21 465 481
e221 21 328.919
n 1 680
n n22 176 181
e222 2 2 45.574
n 2 699
Tabel 4. Hasil perhitungan eij
Tipe Keparahan
Tipe Tipe
Tidak Total
Mobil Kecelakaan Parah
Parah
Standar Tabrakan 62.919 387.574 450.493
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
2 nijk ln ijk
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
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
Hasil Perhitungan secara manual dan hasil SPSS menunjukkan hasil yang sama. Tabel 5
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
2) Variabel Tipe Mobil dan Tipe Keparahan Conditionally Independent Terhadap Tipe
Kecelakaan (AC|BAB, 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
Ekspektasi nij conditionally independent = eijk
n2 j
n11 n11 569 199
e111 157.923
n1 717
n n12 569 518
e112 11 411.077
n1 699
n n21 169 481
e121 12 122.793
n2 662
n n22 169 181
e122 12 46.207
n2 662
n21 n11 148 199
e211 41.077
n1 717
n n12 148 518
e212 21 106.923
n1 717
n n21 493 481
e221 22 358.207
n2 662
n n22 493 181
e222 22 134.793
n2 662
Tabel 6. Hasil perhitungan eij
Tipe Keparahan
Tipe Tipe
Tidak Total
Mobil Kecelakaan Parah
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
2 nijk ln ijk
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
(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
(156 157.923)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
Hasil Perhitungan secara manual dan hasil SPSS menunjukkan hasil yang sama. Tabel 7
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 (151.779
9
3) Variabel Tipe Kecelakaan dan Tipe Keparahan Conditionally Independent Terhadap Tipe
Mobil (BC|AAB,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)
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
2 nijk ln ijk
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
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
11
Hasil Perhitungan secara manual dan hasil SPSS menunjukkan hasil yang sama. Tabel 9
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
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
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 jk
Ekspektasi nij jointly independent = eijk
n
n1 n11 738 199
e111 106.499
n 1379
n n12 738 518
e112 1 277.218
n 1379
n n21 738 481
e121 1 257.417
n 1379
n n22 738 181
e122 1 96.866
n 1379
12
n2 n11 641 199
e211 92.501
n 1 1379
n n12 641 518
e212 2 240.782
n 2 1379
n n21 641 481
e221 2 223.583
n 1 1379
n n22 641 181
e222 2 84.134
n 2 1379
Tabel 10. Hasil perhitungan eij
Tipe Keparahan
Tipe Tipe
Tidak Total
Mobil Kecelakaan Parah
Parah
Standar Tabrakan 106.499 277.218 383.717
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
2 nijk ln ijk
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
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
Hasil Perhitungan secara manual dan hasil SPSS menunjukkan hasil yang sama. Tabel 11
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
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 n1 (738)(717) n2 n1 (641)(717)
e11 383.717 e21 333.283
n (1379) n (1379)
n1 n2 (738)(662) n2 n2 (641)(662)
e12 354.283 e22 307.717
n (1379) n (1379)
Tabel 13. Hasil perhitungan eij
(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
Derajat bebas = db = (I-1)(J-1) = (2-1)(2-1) = (1)(1) = 1
Hasil Perhitungan secara manual dan hasil SPSS menunjukkan hasil yang sama. Tabel 14
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
ln mˆ ij iA jB ijAB
Hubungan Antara Variabel Tipe Mobil dan Tipe Keparahan
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 keparahan marginally independent
16
ln mˆ ij
H1: Variabel tipe mobil dan tipe keparahan tidak marginally independent
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 n1 (738)(680) n2 n1 (641)(680)
e11 363.916 e21 316.084
n (1379) n (1379)
n1 n2 (738)(699) n2 n2 (641)(699)
e12 374.084 e22 324.916
n (1379) n (1379)
Tabel 16. Hasil perhitungan eij
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
Derajat bebas = db = (I-1)(J-1) = (2-1)(2-1) = (1)(1) = 1
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
Hasil Perhitungan secara manual dan hasil SPSS menunjukkan hasil yang sama. Tabel 17
menunjukkan bahwa hasil pengujian marginally independent dengan pendekatan Likelihood Ratio Test
dan Chi-square Pearson menghasilkan keputusan yang sama yaitu tolak H0 karena nilai statistik uji
18
(267.415 dan 258.627) > 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 keparahan tidak marginally independent yaitu terdapat
ˆ ij iA kC ikAC
hubungan antara tipe mobil dan tipe keparahan sehingga diperoleh model: ln m
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 n1 (717)(680) n2 n1 (662)(680)
e11 353.561 e21 326.439
n (1379) n (1379)
n1 n2 (717)(699) n2 n2 (662)(699)
e12 363.439 e22 335.561
n (1379) n (1379)
Tabel 19. Hasil perhitungan eij
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
(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
20
Hasil Perhitungan secara manual dan hasil SPSS menunjukkan hasil yang sama. Tabel 20
menunjukkan bahwa hasil pengujian marginally independent dengan pendekatan Likelihood Ratio Test
dan Chi-square Pearson menghasilkan keputusan yang sama yaitu tolak H0 karena nilai statistik uji
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
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
Sesuai asumsi bahwa
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
Sesuai asumsi bahwa
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 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
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)
ln(156) ln(413) ln(156) ln(413) ln(59) ln(110) ln(59) ln(110) ln(422) ln(71)
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)
ln(43) ln(105) ln(43) ln(105) ln(422) ln(71) ln(156) ln(413) ln(43) ln(105)
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)
ln(422) ln(71) ln(43) ln(105) ln(422) ln(71) ln(59) ln(110) ln(422) ln(71)
4.822
2 (2)(2) (2)(2)
0.523
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)
ln(156) ln(43) ln(156) ln(413) ln(43) ln(105) ln(156) ln(59) ln(43) ln(422)
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
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)
ln(110) ln(71) ln(59) ln(110) ln(422) ln(71) ln(413) ln(110) ln(105) ln(71)
4.822
2 (2)(2) (2)(2)
0.378
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)
ln(156) ln(59) ln(156) ln(413) ln(59) ln(110) ln(156) ln(59) ln(43) ln(422)
4.822
2 (2)(2) (2)(2)
0.311
I K
Sesuai asumsi bahwa
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
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)
ln(413) ln(110) ln(156) ln(413) ln(59) ln(110) ln(413) ln(110) ln(105) ln(71)
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)
ln(43) ln(422) ln(43) ln(105) ln(422) ln(71) ln(156) ln(59) ln(43) ln(422)
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)
ln(105) ln(71) ln(43) ln(105) ln(422) ln(71) ln(413) ln(110) ln(105) ln(71)
4.822
2 (2)(2) (2)(2)
0.311
I J K I J I K J K
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
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
Estimasi Standar Error Z p-value Keputusan
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.
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
33
ˆ ij )
( 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
2 nijk ln ijk
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)
1111111 7
p-value = P( G ) P( 871.461) 0.000
2 2 2
2) Ketika K=2
H0 : Order ke-2 atau lebih sama dengan nol
ˆ ij iA jB kC )
ˆ ij ln m
( 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 n1 n1 738 717 680
e111 189.215
n 2 13792
n n1 n 2 738 717 699
e112 1 194.502
n 2 13792
n n2 n1 738 662 680
e121 1 174.701
n 2 13792
n n2 n 2 738 662 699
e122 1 179.582
n 2 13792
n2 n1 n1 641 717 680
e211 164.345
n 2 13792
n n1 n 2 641 717 699
e212 2 168.937
n 2 13792
n n2 n1 641 662 680
e221 2 151.739
n 2 13792
n n2 n 2 641 662 699
e222 2 155.978
n 2 13792
Tabel 25. 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
35
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
Derajat bebas = db = IJK 1 ( I 1) ( J 1) ( K 1) 7 (1 1 1) 4
α=5%
Statistik Uji :
I J K n
Likelihood Ratio Test: G 2 2 n ijk ln ijk
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 m11 369,000 184,915
523 m1 2 369,000 553,085
465 m21 320,500 493,888
176 m2 2 320,500 147,112
199 m11 273,129 221,868
518 m12 443,871 494,989
569 m21 406,871 458,132
169 m22 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 m11 205,499 212,813
523 m1 2 532,501 525,187
465 m21 474,280 467,142
176 m2 2 166,720 173,858
199 m11 203,155 199,541
518 m12 513,829 517,457
569 m21 476,845 480,459
169 m22 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
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)
148 m21 148,448 148,089
493 m22 492,568 492,912
215 m11 214,631 214,957
523 m1 2 523,369 523,043
465 m21 465,362 465,042
176 m2 2 175,638 175,958
199 m11 199,036 198,994
518 m12 517,964 518,006
569 m21 480,964 481,006
169 m22 181,036 180,994
Nilai Iterasi
Variabel Iterasi Pertama Iterasi Kedua
38
2=Tidak Parah 96,664 102,044 99,746 100,007 101,239 100,936
Variabel
39
demikian, order ketiga tidak sama dengan nol atau terdapat efek order ketiga dalam model,
sehingga model log linear yang terbentuk adalah:
ˆ ij iA jB kC ijAB ikAC jkBC ijkABC
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
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
2) Ketika K=2
ˆ ij i A jB kC
H0 : Order ke-2 sama dengan nol ( ijAB 0 ) ln m
α=5%
40
Statistik Uji: G 2 G2 2 G32 871.461 – 9.285 791.756
3) Ketika K=3
ˆ ij iA jB kC ijAB ikAC jkBC
H0 : Order ke-3 sama dengan nol ( ijAB 0 ) ln m
α=5%
Statistik Uji:
Perhitungan Manual untuk K=3
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 m11 369,000 184,915
523 m1 2 369,000 553,085
465 m21 320,500 493,888
176 m2 2 320,500 147,112
199 m11 273,129 221,868
518 m12 443,871 494,989
41
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 m21 406,871 458,132
169 m22 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 m11 205,499 212,813
523 m1 2 532,501 525,187
465 m21 474,280 467,142
176 m2 2 166,720 173,858
199 m11 203,155 199,541
518 m12 513,829 517,457
569 m21 476,845 480,459
169 m22 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
148 m21 148,448 148,089
493 m22 492,568 492,912
215 m11 214,631 214,957
523 m1 2 523,369 523,043
465 m21 465,362 465,042
176 m2 2 175,638 175,958
199 m11 199,036 198,994
518 m12 517,964 518,006
569 m21 480,964 481,006
169 m22 181,036 180,994
42
Nilai Iterasi
Variabel Iterasi Pertama Iterasi Kedua
Variabel m eij
43
Tipe Tipe Tipe
Mobil Kecelakaan Keparahan
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
titik kritis 2,db 0.05,1
2
3.841
Berdasarkan hasil perhitungan manual dan SPSS diperoleh hasil yang sama sehingga
menghasilkan keputusan yang sama. Hasil perhitungan menunjukkan bahwa statistik uji G 2 (70.420) >
44
2) Variabel Tipe Kecelakaan
H0 : Tipe kecelakaan independen dalam setiap level tipe kecelakaan ( j =0)
B
H1 : Interaksi tipe mobil dan tipe kecelakaan dependen dalam setiap level tipe mobil dan tipe
kecelakaan ( ij ≠0)
AB
H1 : Interaksi tipe mobil dan tipe keparahan dependen dalam setiap level tipe mobil dan tipe
kecparahan ( ik ≠0)
AC
H1 : Interaksi tipe kecelakaan dan tipe keparahan dependen dalam setiap level tipe kecelakaan dan
tipe kecparahan ( jkBC ≠0)
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
2 nijk ln ijk
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
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
2 nijk ln ijk
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
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
2 nijk ln ijk
eijk
j 1 i 1 k 1
156 413 71
2 (156) ln (413) ln (71) ln
170 174.75 174.75
871.2
Partial Chi-Square = G12 – G22 = 871.461 – 871.2 = 0.261
Derajat bebas = db = K – 1 = 2 – 1 = 1
47
p-value = P( G ) P( 0.261) 0.609
2 2 2
48
p-value = P( G ) P( 236.544) 0.000
2 2 2
49
Mobil*Kecelakaa
Deleted Effect 1 70.420 1 .000
n*Keparahan
Mobil*Kecelakaa
1 Generating Classb .000 0 .
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
menghasilkan keputusan yang sama. Hasil perhitungan menunjukkan bahwa statistik uji hitung
2
50
Estimasi Standar Error Z p-value Keputusan
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:
ˆ ij iA jB kC ijAB ikAC jkBC ijkABC
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.
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.
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
Nilai koefisien interaksi 11 sebesar -0.311 yaitu bernilai negatif sehingga dapat diketahui
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.
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
terjadinya kecelakaan.
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.
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
Nilai koefisien interaksi 11 sebesar -0.378 yaitu bernilai negatif sehingga dapat diketahui
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.
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.
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.
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
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.
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
terjadinya kecelakaan.
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.
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.
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.
55
Nilai koefisien interaksi 212
ABC
sebesar -0.291 yaitu bernilai negatif sehingga dapat diketahui
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.
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.
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
terjadinya kecelakaan.
56
Output SPSS
1. Uji Independensi
Mutually Independen
Goodness-of-Fit Testsa,b
Value df Sig.
a. Model: Poisson
b. Design: Constant + Mobil + Kecelakaan + Keparahan
Cell Counts and Residualsa,b
a. Model: Poisson
b. Design: Constant + Mobil + Kecelakaan + Keparahan
Conditionally Independen
Goodness-of-Fit Testsa,b
Value df Sig.
a. Model: Poisson
b. Design: Constant + Mobil * Keparahan + Kecelakaan *
Keparahan
57
Cell Counts and Residualsa,b
a. Model: Poisson
b. Design: Constant + Mobil * Keparahan + Kecelakaan * Keparahan
Goodness-of-Fit Testsa,b
Value df Sig.
a. Model: Poisson
b. Design: Constant + Mobil * Keparahan + Mobil * Kecelakaan
58
Tidak
105 7.6% 40.637 2.9% 64.363 10.097 13.517 8.404
Parah
a. Model: Poisson
b. Design: Constant + Mobil * Keparahan + Mobil * Kecelakaan
Jointly Independen
Goodness-of-Fit Testsa,b
Value df Sig.
a. Model: Poisson
b. Design: Constant + Mobil + Kecelakaan *
Keparahan
Cell Counts and Residualsa,b
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
Goodness-of-Fit Testsa,b
Value df Sig.
a. Model: Poisson
b. Design: Constant + Mobil + Kecelakaan
Cell Counts and Residualsa,b
a. Model: Poisson
b. Design: Constant + Mobil + Kecelakaan
Value df Sig.
a. Model: Poisson
b. Design: Constant + Mobil + Keparahan
Cell Counts and Residualsa,b
60
a. Model: Poisson
b. Design: Constant + Mobil + Keparahan
Value df Sig.
a. Model: Poisson
b. Design: Constant + Kecelakaan + Keparahan
Cell Counts and Residualsa,b
-
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
Categories Kecelakaan 2
Keparahan 2
61
Max. Difference between
Observed and Fitted .000
Marginals
Convergence Criterion 178.084
Cell Counts and Residuals
Counta % Count %
a. For saturated models, .500 has been added to all observed cells.
Goodness-of-Fit Tests
Chi-Square df Sig.
62
Mobil 1 6.829 .009 1
Kecelakaan 1 2.194 .139 1
Keparahan 1 .262 .609 1
Parameter Estimates
Mobil*Kecelakaa
Generating Classb .000 0 .
n*Keparahan
0
Mobil*Kecelakaa
Deleted Effect 1 70.420 1 .000 2
n*Keparahan
Mobil*Kecelakaa
1 Generating Classb .000 0 .
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
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$Tipemobil,X.Y.Z=c(aperm(fitted(fitX.Y.Z))),XY.Z=c(aperm(fitt
ed(fitXY.Z))),XZ.YZ=c(aperm(fitted(fitXZ.YZ))),XY.XZ.YZ=c(aperm(fitted(fitXY.
XZ.YZ))),XYZ=c(aperm(fitted(fitXYZ))))
fittedvalue
# model (X, Y, Z)-> mutually independent
fitX.Y.Z<-update(fitXY.Z,.~.-Tipekeparahan:Tipekecelakaan)
fitX.Y.Z
# Fit Value
fittedvalue<-
data.frame(Tipekeparahan=data$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
# 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:
loglm(formula = count ~ Tipekeparahan + Tipekecelakaan + Tipemobil +
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:
loglm(formula = count ~ Tipekeparahan + Tipekecelakaan + Tipemobil +
Tipekeparahan:Tipekecelakaan, data = data, param = T, fit = T)
Statistics:
X^2 df P(> X^2)
Likelihood Ratio 574.3791 3 0
Pearson 525.4290 3 0
> # 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))))
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,
data = data, param = T, fit = T)
Statistics:
X^2 df P(> X^2)
Likelihood Ratio 862.1768 4 0
Pearson 996.3247 4 0
> # Fit Value
66
> fittedvalue<-
data.frame(Tipekeparahan=data$Tipekeparahan,Tipekecelakaan=data$Tipekecelakaa
n,Tipemobil=data$Tipemobil,X.Y.Z=c(aperm(fitted(fitX.Y.Z))),XY.Z=c(aperm(fitt
ed(fitXY.Z))),XZ.YZ=c(aperm(fitted(fitXZ.YZ))),XY.XZ.YZ=c(aperm(fitted(fitXY.
XZ.YZ))),XYZ=c(aperm(fitted(fitXYZ))))
> fittedvalue
Tipekeparahan Tipekecelakaan Tipemobil X.Y.Z XY.Z XZ.YZ
XY.XZ.YZ
1 Parah Tabrakan Standart 189.2151 106.49891 165.76558
125.73852
2 Tidak parah Tabrakan Standart 164.3454 92.50109 107.36349
73.26219
3 Parah Berguling Standart 174.7007 257.41697 49.23442
89.26285
4 Tidak parah Berguling Standart 151.7387 223.58303 357.63651
391.73652
5 Parah Tabrakan Kecil 194.5020 277.21827 403.23442
443.26148
6 Tidak parah Tabrakan Kecil 168.9374 240.78173 40.63651
74.73781
7 Parah Berguling Kecil 179.5821 96.86584 119.76558
79.73715
8 Tidak parah Berguling Kecil 155.9785 84.13416 135.36349
101.26348
XYZ
1 156
2 43
3 59
4 422
5 413
6 105
7 110
8 71
> # Goodness of fit
> gof<-
data.frame(X.Y.Z=c(summary(fitX.Y.Z)$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
Tipekeparahan Tabrakan Berguling
Parah 0.2905546 -0.2905546
Tidak parah -0.2905546 0.2905546
, , Tipemobil = Kecil
Tipekecelakaan
Tipekeparahan Tabrakan Berguling
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 n1 n1 309 281107
e111 39, 497 e n1 n2 n1 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 n2 2 n 2 309 204 2 234 62,701
(n ) (485) (n ) (485)
n n n 309 281144 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 n1 n1 176 281107 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 n2 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 281144 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
Gersik Malaysia 42.667
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
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)
n11 n11 84 36 n11 n21 84 71
e111 28, 262 e121 55,738
n1 107 n1 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 13 13 20,139 e123 13 23 95,861
n3 144 n3 144
74
n21 n11 142 36 n n 34 71
e211 18,192 e221 22 21 11,833
n1 281 n2 204
n n 142 220 n n 34 14
e212 21 12 111,174 e222 22 22 2,333
n1 281 n2 204
n n 142 25 n n 34 119
e213 21 13 12,633 e223 22 23 19,833
n1 281 n2 204
Tabel 5. Nilai Ekspektasi Berdasarkan Perhitungan Manual
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
Dari nilai ekspektasi yang telah didapat,maka dapat di hitung nilai Likelihood ratio dan Pearson
chi-square sebagai berikut:
- (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. Pearson chi-square
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. Pearson chi-square
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
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 2hitung = 222,653 > 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.
- (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:
Berdasarkan hasil perhitungan didapatkan nilai statistik uji G2hitung = 24,596 > 2(4, 0,05)=9,488
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.
2. Pearson chi-square
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
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 G2hitung = 24,596 > 2(4, 0,05)=9,488
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.
Hasil perhitungan yang diperoleh dari statistik uji likelihood ratio dan pearson residual secara
langsung diatas dapat disajikan dalam tabel berikut:
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
78
ni n j
eij
n
n1 n1 309 281 n2 n1 176 281
e11 179,029 e21 101,971
n 485 n 485
;
n1 n2 309 204 n n 176 204
e12 129,971 e22 2 2 74,029
n 485 n 485
Tabel 7. Nilai Ekspektasi Berdasarkan Perhitungan Manual
Marginally
Jenis Kelamin Asal Daerah
AB
Gersik 179.029
Perempuan
Malang 129.971
Gersik 101.971
Laki-laki
Malang 74.0289
Dari nilai ekspektasi yang telah didapat,maka dapat di hitung nilai Likelihood ratio dan Pearson
chi-square sebagai berikut:
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:
Berdasarkan hasil perhitungan didapatkan nilai statistik uji G2hitung = 62,063 > 2(1, 0,05)=3,841
atau p-value < α = 0,05 maka H0 ditolak, sehingga variabel A dan B tidak saling independen
2. Pearson chi-square
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 n1 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
Tabel 8. Nilai Ekspektasi Berdasarkan Perhitungan Manual
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
Dari nilai ekspektasi yang telah didapat,maka dapat di hitung nilai Likelihood ratio dan Pearson
chi-square sebagai berikut:
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. Pearson chi-square
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:
Berdasarkan hasil perhitungan didapatkan nilai statistik uji 2hitung = 57,499 > 2(2, 0,05) = 5,991
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 n1 204 107
81
e21 45, 006
n 485
n n 204 234
e22 2 2 98, 425
n 485
n1 n1 281107
e11 61,994
n 485
n n 281 234
e12 1 2 135,575 ;
n 485
n n 281144
e13 1 3 83, 431
n 485
Tabel 9. Nilai Ekspektasi Berdasarkan Perhitungan Manual
Marginally
Asal Daerah Asal Daerah
BC
Hongkong 61.993814
Gersik Malaysia 135.5753
Arab Sudi 83.43093
Hongkong 45.006186
Malang Malaysia 98.42474
Arab Sudi 60.56907
Dari nilai ekspektasi yang telah didapat,maka dapat di hitung nilai Likelihood ratio dan Pearson
chi-square sebagai berikut:
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
2. Pearson chi-square
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:
Berdasarkan hasil perhitungan didapatkan nilai statistik uji 2hitung = 248,191 > 2(2, 0,05) = 5,991
atau p-value < α = 0,05 maka H0 ditolak, sehingga variabel B dan C tidak saling independen
Hasil perhitungan yang diperoleh dari statistik uji likelihood ratio dan pearson residual secara
langsung diatas dapat disajikan dalam tabel berikut:
Tabel 10. Hasil Perhitungan uji marginally independent
Model P- Keputusan
Statistik Uji Hitung Df
value
AB Likelihood Ratio 62,063 1 0,000 Tolak H0
ˆ ij iA jB ijAB
ln m Pearson Chi-Square 58,636 1 0,000 Tolak H0
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 n11 309 36 n1 n21 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 n11 176 36 n2 n21 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
n1 n11 281 84 n2 n11 204 84
e111 48,668 e121 35,668
n 485 n 485
n n 281109 n n 204 109
e112 1 1 2 63,153 ; e122 2 1 2 45,847
n 485 n 485
n n 281116 n n 204 116
e113 1 13 67, 208 e123 2 13 48,791
n 485 n 485
n1 n21 281 23 n2 n21 204 23
e211 13,326 e221 9,674
n 485 n 485
n n 281125 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 23 16, 223 e223 2 23 11,777
n 485 n 485
-AB,C
n k nij
eijk
n
84
n1 n11 107 139 n1 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
n1 n21 107 142 n1 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
Tabel 11. Nilai Ekspektasi Berdasarkan Perhitungan Manual
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
Dari nilai ekspektasi yang telah didapat,maka dapat di hitung nilai Likelihood ratio dan Pearson
chi-square sebagai berikut:
-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:
Berdasarkan hasil perhitungan didapatkan nilai statistik uji G2hitung = 86,659 > 2(5, 0,05)=11,070
atau p-value < α = 0,05 maka H0 ditolak, sehingga variabel A jointly dependent dari B dan C
2. Pearson chi-square
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:
Berdasarkan hasil perhitungan didapatkan nilai statistik uji 2hitung = 79,806 > 2(5, 0,05)=11,070
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:
Berdasarkan hasil perhitungan didapatkan nilai statistik uji G2hitung = 269,895 > 2(5, 0,05)=11,070
atau p-value < α = 0,05 maka H0 ditolak, sehingga variabel B jointly dependent dari A dan C
86
2. Pearson chi-square
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
Daerah tolak H0 jika: 2hitung > 2(ijk-1)-[(i-1)+(jk-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:
Berdasarkan hasil perhitungan didapatkan nilai statistik uji 2hitung = 312,267 > 2(5, 0,05)=11,070
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:
Berdasarkan hasil perhitungan didapatkan nilai statistik uji G2hitung = 257,97 > 2(6, 0,05)=12,592
atau p-value < α = 0,05 maka H0 ditolak, sehingga variabel C jointly dependent dari A dan B
87
2. Pearson chi-square
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
Daerah tolak H0 jika: 2hitung > 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 (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
Hasil perhitungan yang diperoleh dari statistik uji likelihood ratio dan pearson residual secara
langsung diatas dapat disajikan dalam tabel berikut:
Tabel 12. Hasil Perhitungan uji jointly independent
Model P- Keputusan
Statistik Uji Hitung Df
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
output menggunakan SPSS dan R pada lampiran 1.
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 13 1 2 1 2 1 2 1 2 13 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 13 1 2 1 2 1 2 1 2 13 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 mˆijk
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
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
2. Pearson chi-squre
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
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
95
2. Pearson chi-squre
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
Berdasarkan hasil perhtungan pada tabel 15 telah sesuai dengan hasil output menggunakan SPSS
dan R pada lampiran 2.
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
Statistik Uji :
e111 e112 e113 e211 e212 e213 e1
39, 497 86,377 ... 49,198 30, 276
e1 46,833
6
e121 e122 e123 e221 e222 e223 e2
28,674 62,78 ... 35,717 21,980
e2 34
6
Sehingga nilai ekspektasi dapat dibentuk dalam tabel berikut.
Tabel 17 Hasil ekspektasi
Jenis Kelamin Asal Daerah TKI
Hongkong Malysia Arab saudi
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
Berdasarkan Tabel 17 maka nilai parial chi-squre dapat dihitung sebagai berikut:
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
Partial Chi-Square (2) = G12 – G42 = 471,764 – 459,491 = 12,272
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 e221e1
39, 497 86,377 22, 497 16,332
e1 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 e3
53,155 38,589 30, 276 21,980
e3 36
4
Sehingga nilai ekspektasi dapat dibentuk dalam tabel berikut.
Tabel 18. Hasil ekspektasi
Jenis Kelamin Asal Daerah TKI
Hongkong Malysia Arab saudi
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
Berdasarkan Tabel 18 maka nilai parial chi-squre dapat dihitung sebagai berikut:
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
Partial Chi-Square (2) = G12 – G52 = 471,764 – 420,353 = 51,411
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 :
Berdasarkan hasil perhitungan diperoleh nilai statistik uji 2 = 51,411 >2(2, 0,05) = 5,991 atau p-
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
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 diperoleh nilai statistik uji 2 = 12,672 >2(1, 0,05) = 3,841 atau p-
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
Daerah tolak H0 jika: 2hitung > 2((i-1)(j-1,α) atau p-value < α
dengan α = 5 %; df = (i-1)(k-1) = (2-1)(3-1)=2
dimana 2(2, 0,05) = 5,991
Kesimpulan :
100
Berdasarkan hasil perhitungan diperoleh nilai statistik uji 2 = 9,474 >2(2, 0,05) = 5,991 atau p-
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.
ˆ ijk iA jB kC ijAB ikAC jkBC ijkABC
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.
101
Berdasarkan hasil perhitungan didapatkan nilai statitik uji G2 hitung = 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
Hasil perhitungan yang diperoleh dari estimsi secara manual diatas dapat disajikan dalam tabel
berikut:
Tabel 20. Hasil Uji Eliminasi Backward
ln nˆ
i 1 j 1 k 1
ijk
IJK
J K I K I J
ln nˆijk
j 1 k 1
ln nˆijk 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 nˆijk ln nˆijk
K I K I I K
ln nˆijk j 1 k 1
ln nˆijk ln nˆijk 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 nˆijk
j 1
ln nˆijk
j 1 k 1
ln nˆ
i 1 j 1
ijk
AC
ik
J JK IJ
J J K I J
ln nˆijk ln nˆijk ln nˆ
K K I K
ln nˆijk j 1
ln nˆijk j 1 k 1
ln nˆijk i 1 j 1
ijk
ABC
ijk ln nˆijk 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 nˆijk
3 2 3
ln nˆijk j 1 k 1
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)
ln(21) ln(105) ln(13) ln(21) ln(105) ... ln(103) ln(63) ln(4) ... ln(16)
3,12 0, 22
3 6 6
2 3
ln nˆ
3 2 3
ln nˆijk j 1 k 1
ijk ln nˆ ijk
AB
21
k 1
3,12 i 1 k 1
3 (2)(3) (2)(3)
ln(15) ln(115) ln(12) ln(15) ln(115) ... ln(16) ln(21) ln(105) ... ln(12)
3,12 0, 22
3 6 6
2 3
ln nˆijk
3 2 3
ln nˆijk j 1 k 1
ln nˆ ijk
AB
22 k 1
3,12
i 1 k 1
3 (2)(3) (2)(3)
ln(8) ln(10) ln(16) ln(15) ln(115) ... ln(12) ln(63) ln(4) ... ln(16)
3,12 0, 22
3 6 6
2 2
ln nˆijk
2 2 3
ln nˆijk 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
ln nˆijk i 1 j 1
ijk ln nˆ ijk
BC
12 i 1
3,12
i 1 k 1
2 (2)(2) (2)(3)
ln(63) ln(8) ln(105) ln(4) ln(115) ln(10) ln(21) ln(105) ... ln(12)
3,12 1,185
2 4 6
2 2
ln nˆijk
2 2 3
ln nˆijk i 1 j 1
ln nˆ ijk
BC
13 i 1
3,12
i 1 k 1
2 (2)(2) (2)(3)
ln(63) ln(8) ln(13) ln(103) ln(12) ln(16) ln(21) ln(105) ... ln(12)
3,12 0,82
2 4 6
2 2
ln nˆ
2 2 3
ln nˆijk i 1 j 1
ijk ln nˆ ijk
BC
21 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(63) ln(4) ... ln(16)
3,12 0,35
2 4 6
104
2 3
ln nˆ
3 2 3
ln nˆ ijk
j 1 k 1
ijk ln nˆ ijk
11AC 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
2 2
ln nˆ
2 2 3
ln nˆijk i 1 j 1
ijk ln nˆ ijk
BC
22 i 1
3,12
i 1 k 1
2 (2)(2) (2)(3)
ln(4) ln(10) ln(13) ln(103) ln(12) ln(16) ln(63) ln(4) ... ln(16)
3,12 1,18
2 4 6
2 2
ln nˆijk
2 2 3
ln nˆijk i 1 j 1
ln nˆ ijk
BC
23 i 1
3,12
i 1 k 1
2 (2)(2) (2)(3)
ln(103) ln(16) ln(13) ln(103) ln(12) ln(16) ln(63) ln(4) ... ln(16)
3,12 0,82
2 4 6
2 2 3 2 2
ln nˆijk
j 1
ln nˆijk
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 nˆijk
j 1
ln nˆijk
j 1 k 1
ln nˆ
i 1 j 1
ijk
AC
12 3,12
2 (2)(3) (2)(2)
ln(105) ln(4) ln(21) ln(105) ... (ln103) ln(105) ln(4) ln(115) ln(10)
0,52
2 6 4
2 2 3 2 2
ln nˆijk
j 1
ln nˆijk
j 1 k 1
ln nˆ
i 1 j 1
ijk
AC
13 3,12
2 (2)(3) (2)(2)
ln(13) ln(103) ln(21) ln(105) ... (ln103) ln(13) ln(103) ln(12) ln(6)
0, 20
2 6 4
2 2 3 2 2
ln nˆijk
j 1
ln nˆijk
j 1 k 1
ln nˆ
i 1 j 1
ijk
AC
21 3,12
2 (2)(3) (2)(2)
ln(15) ln(8) ln(15) ln(8) ... (ln16) ln(21) ln(63) ln(15) ln(8)
0,32
2 6 4
105
2 2 3 2 2
ln nˆijk
j 1
ln nˆijk
j 1 k 1
ln nˆ
i 1 j 1
ijk
AC
22 3,12
2 (2)(3) (2)(2)
ln(115) ln(10) ln(15) ln(8) ... (ln16) ln(105) ln(4) ln(115) ln(10)
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)
ln(12) ln(16) ln(15) ln(115) ... (ln16) ln(13) ln(103) ln(12) ln(6)
0, 20
2 6 4
2 2 3 2 2
ln nˆ ln mˆ ln nˆ
2 3 2 3
ln nˆijk j 1
ijk ln nˆijk j 1 k 1
ijk ln nˆijk 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
ln nˆijk ln nˆijk ln nˆ
2 3 2 3
ln nˆijk j 1
ln nˆijk j 1 k 1
ln nˆijk i 1 j 1
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
ln(21) ln(105) ... ln(103) ln(21) ln(105) ... ln(12) ln(105) ln(4) ln(115) ln(10)
3,12
6 6 4
0, 42
2 2 3 2 2
ln nˆijk ln nˆijk ln nˆ
2 3 2 3
ln nˆijk j 1
ln nˆijk j 1 k 1
ln nˆijk i 1 j 1
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
ln nˆijk ln nˆijk ln nˆ
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
ln(15) ln(8) ... ln(16) 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
ln nˆ ln nˆ ln nˆ
2 3 2 3
ln nˆijk j 1
ijk ln nˆijk j 1 k 1
ijk ln nˆijk i 1 j 1
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
ln(15) ln(8) ... ln(16) ln(21) ln(105 ... ln(12) ln(105) ln(4) ln(115) ln(10)
3,12
6 6 4
0, 42
2 2 3 2 2
ln nˆijk ln nˆijk ln nˆ
2 3 2 3
ln nˆijk j 1
ln nˆijk j 1 k 1
ln nˆijk i 1 j 1
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
ln(15) ln(8) ... ln(16) ln(21) ln(105 ... ln(12) ln(13) ln(103) ln(12) ln(16)
3,12
6 6 4
0, 22
2 2 3 2 2
ln nˆijk ln nˆijk ln nˆ
2 3 2 3
ln nˆijk j 1
ln nˆijk j 1 k 1
ln nˆijk i 1 j 1
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
ln(21) ln(105) ... ln(103) ln(63) ln(4) ... ln(16) ln(21) ln(63) ln(15) ln(8)
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
ln(21) ln(105) ... ln(103) ln(63) ln(4) ... ln(16) ln(105) ln(4) ln(115) ln(10)
3,12
6 6 4
0, 42
2 2 3 2 2
ln nˆ ln nˆ ln nˆ
2 3 2 3
ln nˆijk j 1
ijk ln nˆijk j 1 k 1
ijk ln nˆijk i 1 j 1
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
ln(21) ln(105) ... ln(103) ln(63) ln(4) ... ln(16) ln(13) ln(103) ln(12) ln(16)
3,12
6 6 4
0, 22
2 2 3 2 2
ln nˆijk ln nˆijk ln nˆ
2 3 2 3
ln mˆ ijk j 1
ln nˆijk j 1 k 1
ln nˆijk i 1 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
ln(15) ln(115) ... ln(16) ln(63) ln(4) ... ln(16) ln(105) ln(4) ln(115) ln(10)
3,12
6 6 4
0, 42
2 2 3 2 2
ln nˆijk ln nˆijk ln nˆ
2 3 2 3
ln nˆijk j 1
ln nˆijk j 1 k 1
ln nˆijk i 1 j 1
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
ln(15) ln(115) ... ln(16) ln(63) ln(4) ... ln(16) ln(21) ln(63) ln(15) ln(8)
3,12
6 6 4
0, 20
108
2 2 3 2 2
ln nˆijk ln nˆijk ln nˆ
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
ln(15) ln(115) ... ln(16) ln(63) ln(4) ... ln(16) ln(13) ln(103) ln(12) ln(16)
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 kCr
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
2) Perhitungan standar error untuk k=2
SE 2C SE 12AC SE 22AC SE 12BC SE 22BC SE 112
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
maka SE 2C SE 12AC SE 22AC SE 12BC SE 22BC SE 112
ABC
SE 122ABC
SE 212
ABC
SE 222ABC 0,11
3) Perhitungan standar error untuk k=3
SE 3C SE 13AC SE 23AC SE 13BC SE 23BC SE 113
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
maka SE 3C SE 13AC SE 23AC SE 13BC SE 23BC SE 113
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 1, 241) 0,185 P( Z Z hitung ) P( Z 1, 241) 0,182
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
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
Jenis Kelamin Asal Daerah TKI
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
112
Estimasi Standar Error Z p-value Keputusan
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
113
a) Efek Interaksi 11
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.
b) Efek Interaksi 12
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.
d) Efek Interaksi 22
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.
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.
b) Efek Interaksi 12
AC
Nilai koefisien interaksi 12 sebesar -0.527 yaitu bernilai negatif sehingga dapat diketahui bahwa
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.
c) Efek Interaksi 21
AC
Nilai koefisien interaksi 21 sebesar -0.32 yaitu bernilai negatif sehingga dapat diketahui bahwa
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
memilih tempat TKI di Hongkong.
d) Efek Interaksi 22
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.
e) Efek Interaksi 23
AC
Nilai koefisien interaksi 23 sebesar -0.207 yaitu bernilai negatif sehingga dapat diketahui bahwa
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.
Nilai koefisien interaksi 11 sebesar -0.357 yaitu bernilai negatif sehingga dapat diketahui
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
memilih tempat TKI di Hongkong.
b) Efek Interaksi 12
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.
c) Efek Interaksi 13
BC
Nilai koefisien interaksi 13 sebesar -0.829 yaitu bernilai negatif sehingga dapat diketahui
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
Nilai koefisien interaksi 21 sebesar 0,356 yaitu bernilai positif sehingga dapat diketahui
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
memilih tempat TKI di Hongkong.
e) Efek Interaksi 22
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
f) Efek Interaksi 23
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
Nilai koefisien interaksi 112 sebesar 0,429 yaitu bernilai positif sehingga dapat diketahui
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.
b) Efek Interaksi 113
ABC
Nilai koefisien interaksi 113 sebesar -0,221 yaitu bernilai negatif sehingga dapat diketahui
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.
c) Efek Interaksi 122
ABC
Nilai koefisien interaksi 122 sebesar -0,429 yaitu bernilai negatif sehingga dapat diketahui
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.
d) Efek Interaksi 123
ABC
Nilai koefisien interaksi 123 sebesar 0,221 yaitu bernilai positif sehingga dapat diketahui
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.
e) Efek Interaksi 212
ABC
Nilai koefisien interaksi 212 sebesar -0,429 yaitu bernilai negatif sehingga dapat diketahui
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.
f) Efek Interaksi 213
ABC
Nilai koefisien interaksi 213 sebesar 0,221 yaitu bernilai positif sehingga dapat diketahui
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
Nilai koefisien interaksi 222 sebesar 0,429 yaitu bernilai positif sehingga dapat diketahui
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
Nilai koefisien interaksi 223 sebesar -0,221 yaitu bernilai negatif sehingga dapat diketahui
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.
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
Uji indenpendensi
Mutually
Goodness-of-Fit Testsa,b
Value df Sig.
a. Model: Poisson
b. Design: Constant + Jenis_kelamin + Daerah_Asal + TKI
118
Conditionally
- AC,BC
Goodness-of-Fit Testsa,b
Value df Sig.
a. Model: Poisson
b. Design: Constant + Jenis_kelamin * TKI + Daerah_Asal *
TKI
- AB,AC
Goodness-of-Fit Testsa,b
Value df Sig.
a. Model: Poisson
b. Design: Constant + Jenis_kelamin * Daerah_Asal +
Jenis_kelamin * TKI
- AB,BC
Goodness-of-Fit Testsa,b
Value df Sig.
a. Model: Poisson
b. Design: Constant + Jenis_kelamin * Daerah_Asal +
Daerah_Asal * TKI
119
Jointly
-BC,A
Goodness-of-Fit Testsa,b
Value df Sig.
a. Model: Poisson
b. Design: Constant + Jenis_kelamin + Daerah_Asal * TKI
-AC,B
Goodness-of-Fit Testsa,b
Value df Sig.
a. Model: Poisson
b. Design: Constant + Jenis_kelamin * TKI + Daerah_Asal
-AB,C
Goodness-of-Fit Testsa,b
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,
data = data, param = T, fit = T)
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)
Likelihood Ratio 27.79352 3 4.013128e-06
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)
Likelihood Ratio 250.2031 4 0
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)
Likelihood Ratio 24.59591 4 6.065288e-05
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)
Likelihood Ratio 312.2666 5 0
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)
Likelihood Ratio 309.0690 6 0
Pearson 257.6971 6 0
Marginally
-AB
Goodness-of-Fit Testsa,b
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)
Likelihood Ratio 62.06349 1 3.330669e-15
Pearson 58.63598 1 1.898481e-14
-AC
Goodness-of-Fit Testsa,b
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)
Likelihood Ratio 58.86587 2 1.649791e-13
Pearson 57.49930 2 3.267386e-13
-BC
Goodness-of-Fit Testsa,b
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)
Likelihood Ratio 284.4731 2 0
Pearson 248.1912 2 0
Lampiran 2
> 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
Step Summary
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
$JK
laki-laki perempuan
-0.2779238 0.2779238
$AD
gersik malang
0.2402123 -0.2402123
$TKI
Hongkong Malaysia Arab saudi
-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
$JK
laki-laki perempuan
-0.4414651 0.4414651
$AD
gersik malang
0.190554 -0.190554
$TKI
Hongkong Malaysia Arab saudi
-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