Regresi Logistik

131Equation Chapter 1 Section 3
ANALISIS DATA KUALITATIF

Model Log Linear
Pemodelan Log Linear Tiga Dimensi

(Studi Kasus : Analisis Pembuktian Pengangguran Perempuan di Kabupaten
Kepahiang Merupakan Pengagguran Sukarela dan Analisis Karakteristik Pelanggan
Koran Jawa Pos di Daerah Ketintang Surabaya)
Disusun Oleh:
Almira Ivah Edina (06211850010013)
Fausania Hibatullah (06211850010015)
Rossy Noviyana (06211850010018)
Nimas Ayu Prabawani (06211850010025)
Dosen:
Dr. Vita Ratnasari, S.Si, M.Si
PROGRAM STUDI PASCASARJANA

DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA KOMPUTASI DAN SAINS DATA
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2019
1
MODEL LOG LINIER 2x2x2
1. Studi Kasus
Suatu penelitian untuk membuktikan apakah pengangguran perempuan di Kabupaten
Kepahiang merupakan pengangguran sukarela dengan variabel-variabel yang diteliti yaitu
status perkawinan, tingkat pendidikan, dan status kegiatan. Objek dalam penelitian adalah
perempuan berusia 15 tahun ke atas pada Kabupaten Kepahiang sebanyak 27815 orang
dengan rincian sebagaimaan disajikan pada Tabel 1.
Tabel 1. Hasil Variabel Penelitian
Status Tingkat Status Kegiatan
Perkawinan Pendidikan Pengangguran Bekerja
Pendidikan Tinggi 373 5432
Kawin
Pendidikan Rendah 281 14945
Single
Tabel 1 merupakan tabel kontingensi tiga arah dengan menggunakan data sekunder
yang didapat dari Jurnal Yosep Oktavianus Sitohang tahun 2017. Variabel yang
digunakan yaitu tingkat pendidikan, status kegiatan, dan status perkawinan. Dapat di
ketahui informasi dari tabel, sebanyak 373 perempuan dengan usia di atas 15 tahun yang
sudah menikah dan memiliki tingkat pendidikan yang tinggi menjadi pengangguran.
Sebanyak 5432 lainnya memiliki pekerjaan. Sedangkan 281 perempuan dengan tingkat
pendidikan rendah menjadi pengangguran dan 14945 lainnya memiliki pekerjaan. Untuk
perempuan yang berusia di atas 15 tahun yang belum menikah dengan pendidikan tinggi
sebanyak 798 menjadi pengangguran dan 2981 lainnya memiliki pekerjaan. Untuk
perempuan yang memiliki tingkat Pendidikan yang rendah sebanyak 278 menjadi
pengangguran dan 2727 lainnya memiliki kegiatan pekerjaan.
2. Pembahasan:
Uji Independensi:
 Mutually Independent
H0: Variabel tingkat pendidikan, status kegiatan, dan status perkawinan yang dipilih
saling mutually independent
H1: Variabel tingkat pendidikan, status kegiatan, dan status perkawinan yang dipilih
saling mutually dependent
α=5%
1
Statistik Uji:
n  n n n
G 2  2 nijk ln  ijk  eijk  i   j   k
 eijk n 
i j k   , dimana
Daerah Kritis:
G 2 hitung 
2(4, 0,05)
G 2 hitung 
9.487729
Berikut merupakan output yang diperoleh pada paket program SPSS dan software R.
Tabel 2. Hasil Mutually Independent
Value Df Sig.
Likelihood Ratio 3370.652 4 .000
4702.199 4 .000
Pearson Chi-Square
Dengan menggunakan cara manual, statistik uji chi-square dapat diperoleh sebagai
berikut.
n  n n n
G 2  2 nijk ln  ijk  eijk  i   j   k
 
i j k  eijk  , dimana n 
e
Berdasarkan perhitungan nilai ekpektasi ( ij ) diperoleh tabel kontingensi disajikan
dalam Tabel 3 sebagai berikut.
eij
Tabel 3. Tabel Kontingensi Nilai Ekspektasi ( ) Mutually Independent
Status Status Kegiatan
Tingkat Pendidikan
Perkawinan Pengangguran Bekerja
Pendidikan Tinggi 450.7074 6795.782
Kawin
Pendidikan Rendah 857.3505 12927.16
Single
2
Sehingga nilai untuk G didapatkan sebagai berikut
2
n 
G 2  2 nijk ln  ijk 
 eijk 
i j k  
  373   5432   281   14945  
373ln  450.7074   5432 ln  6795.782   281ln  857.3505   14945ln  12927.16  
       
 2
  798   2981   278   2727  
 798ln    2981ln    278ln    2727 ln  
  145.3853   2192.125   347.6786   3867.041  
 3370.652
P-value
P-value=P( 2  Ghitung
2
)
 0.000
Keputusan: Tolak H0
Kesimpulan: H0 ditolak karena nilai statistik uji G2 lebih besar dari 2(4, 0,05) atau nilai
P-value kurang dari taraf signifikasi 0,05 yang berarti Variabel tingkat
pendidikan, status kegiatan, dan status perkawinan yang dipilih saling
mutually dependent sehingga model yang mungkin terbentuk adalah
ln eijk    iX   Yj  kZ  ijXY  ikXZ   YZ
jk  ijk
XYZ
 Conditionally Independen
- Status Perkawinan dan Tingkat Pendidikan Bebas Bersyarat Terhadap
Status Kegiatan (XZ, YZ)
H0: Variabel status perkawinan dan tingkat pendidikan conditionally independent
terhadap status kegiatan
H1: Variabel status perkawinan dan tingkat pendidikan conditionally dependent
terhadap status kegiatan
Statistik Uji:
n  n n
G 2  2 nijk ln  ijk  eijk  i  k  jk
 eijk n  k
- Tingkat Pendidikan dan Status Kegiatan Bebas Bersyarat Terhadap Status
Perkawinan (XY, XZ)
H0: Variabel tingkat pendidikan dan status kegiatan conditionally independent
terhadap status perkawinan
H1: Variabel tingkat pendidikan dan status kegiatan conditionally dependent
terhadap status perkawinan
3
Statistik Uji:
n  n n
G 2  2 nijk ln  ijk  eijk  ij  i  k
 eijk n  k
- Status Perkawinan dan Status Kegiatan Bebas Bersyarat Terhadap Tingkat
Pendidikan (XY, YZ)
H0: Variabel status perkawinan dan status kegiatan conditionally independent
terhadap tingkat pendidikan
H1: Variabel status perkawinan dan status kegiatan conditionally dependent
terhadap tingkat pendidikan
Statistik Uji:
n  n n
G 2  2 nijk ln  ijk  eijk  ij   jk
 eijk n  k
α=5%
Daerah Kritis:
G 2 hitung 
2(2, 0,05)
G 2 hitung 
5.991465
Tabel 4. Hasil Conditionally Independent
Value Df Sig.
XZ, YZ
Pearson Chi-Square 1388.564 2 .000
XY, XZ
XY, YZ
4
berikut.
n  ni  k n jk
G 2  2 nijk ln  ijk  e 
 eijk  ijk
n  k
e
Berdasarkan perhitungan ijk diperoleh tabel kontingensi disajikan dalam Tabel 5
sebagai berikut.
eij
Tabel 5. Tabel Kontingensi Nilai Ekspektasi ( ) Conditionally Independent (XZ, YZ)
Tingkat Pendidikan
Kawin
Single
eij
Tabel 6. Tabel Kontingensi Nilai Ekspektasi ( ) Conditionally Independent (XY, XZ)
Tingkat Pendidikan
Kawin
Single
eij
Tabel 7. Tabel Kontingensi Nilai Ekspektasi ( ) Conditionally Independent (XY, YZ)
Tingkat Pendidikan
Kawin
Single
2
5
n 
G 2  2 nijk ln  ijk 
 eijk 
i j k  
  373   5432   281   14945  
373ln  442.6786   5432 ln  6572.041   281ln  211.3214   14945ln  13804.96  
       
 2
  798   2981   278   2727  
 798ln    2981ln    278ln    2727 ln  
  728.3214   1840.959   347.6786   3867.041  
 1324.326
P-value
2
)
 0.000
Keputusan: Tolak H0
Kesimpulan:
 (XZ, YZ) H0 ditolak karena nilai statistik uji G2 lebih besar dari 2(2, 0,05)
atau nilai P-value kurang dari taraf signifikasi 0,05 yang berarti Variabel
status perkawinan dan tingkat pendidikan dan status kegiatan
conditionally dependent terhadap status kegiatan.
 (XY, XZ) H0 ditolak karena nilai statistik uji G2 lebih besar dari 2(2, 0,05)
tingkat pendidikan dan status kegiatan conditionally dependent terhadap
status perkawinan.
 (XY, YZ) H0 ditolak karena nilai statistik uji G2 lebih besar dari 2(2, 0,05)
status perkawinan dan status kegiatan conditionally dependent terhadap
tingkat pendidikan
 Marginally Independen
1. Untuk variabel Status Perkawinan dan Tingkat Pendidikan
H0: Variabel status perkawinan dan tingkat pendidikan saling marginally independent
H1: Variabel status perkawinan dan tingkat pendidikan marginally dependent
α=5%
Tabel 8. Tabel Kontingensi antara Status Perkawinan dan Tingkat Pendidikan
Status Tingkat Pendidikan
Total
Perkawinan Pendidikan Tinggi Pendidikan Rendah
Kawin 5805 15226 21031
Single 3779 3005 6784
Total 9584 18231 27815
Statistik Uji:
6
n  n n
G 2  2 nij ln  ij  eij  i   j
 eij n
i j   , dimana
Daerah Kritis:
G 2 hitung 
2(1, 0,05)
G 2 hitung 
3.841459
Tabel 9. Hasil Marginally Independent antara Status Perkawinan dan Tingkat Pendidikan
Value Df Sig.
berikut.
n  ni  n j
G 2  2 nij ln  ij  e 
 eij  ij
n
i j   , dimana
e
Berdasarkan perhitungan ij diperoleh tabel kontingensi disajikan dalam Tabel 7
sebagai berikut.
eij
Tabel 10. Tabel Kontingensi Nilai Ekspektasi ( ) antara Status Perkawinan dan Tingkat Pendidikan
Status Tingkat Pendidikan
Perkawinan Pendidikan Tinggi Pendidikan Rendah
Kawin 7246.489 13784.51
Single 2337.511 4446.489
2
n 
G 2  2 nij ln  ij 
e 
i j  ij 
  5805   15226   3779   3005  
 2 5805ln    15226 ln    3779 ln    3005ln  
  7246.489   13784.51   2337.511   4446.489  
 1729.371
P-value
2
)
 0.000
Keputusan: Tolak H0
7
P-value kurang dari taraf signifikasi 0,05 yang berarti variabel tingkat
pendidikan dan status kegiatan marginally dependent. Sehingga, model
ln eij    iX   Yj  ijXY
yang mungkin terbentuk adalah
2. Untuk variabel Status Perkawinan dan Status Kegiatan
H0: Variabel status perkawinan dan status kegiatan marginally independent
H1: Variabel status perkawinan dan status kegiatan marginally dependent
α=5%
Tabel 11. Tabel Kontingensi antara Status Perkawinan dan Status Kegiatan
Total
Kawin 654 20377 21031
Single 1076 5708 6784
Total 1730 26085 27815
Statistik Uji:
n  n n
G 2  2 nik ln  ik  eik  i   k
i k  eik  , dimana n
Daerah Kritis:
G 2 hitung 
2(1, 0,05)
G 2 hitung 
3.841459
Tabel 12. Hasil Marginally Independent antara Status Perkawinan dan Status Kegiatan
Value Df Sig.
berikut.
n  n n
G 2  2 nik ln  ik  eik  i   k
i k  eik  , dimana n
Berdasarkan perhitungan eik diperoleh tabel kontingensi disajikan dalam Tabel 10

sebagai berikut.
eij
Tabel 13. Tabel Kontingensi Nilai Ekspektasi ( ) antara Status Perkawinan dan Status Kegiatan
8
Kawin 1308.0579 19722.94
Single 421.9421 6362.058
2
n 
G 2  2 n jk ln  jk 
e 
j k  jk 
  654   20377   1076   5708  
 2 654 ln    20377 ln    1076 ln    5708ln  
  1308.0579   19722.94   421.9421   6362.058  
 1199
P-value
2
)
 0.000
Keputusan: Tolak H0
P-value kurang dari taraf signifikasi 0,05 yang berarti Variabel status
perkawinan dan status kegiatan marginally dependent. Sehingga, model

ln eik    iX  kZ  ikXZ
3. Untuk variabel Tingkat Pendidikan dan Status Kegiatan

H0: Variabel tingkat Pendidikan dan status kegiatan saling marginally independent
H1: Variabel tingkat Pendidikan dan status kegiatan marginally dependent
α=5%
Tabel 14. Tabel Kontingensi antara Tingkat Pendidikan dan Status Kegiatan
Status Kegiatan
Tingkat Pendidikan Total
Pengangguran Bekerja
Pendidikan tinggi 1171 8413 21031
Pendidikan rendah 559 17672 6784
Total 1730 26085 27815
Statistik Uji:
n  n n
G 2  2 n jk ln  jk  e jk  j   k
 e jk n
j k   , dimana
Daerah Kritis:
9
G 2 hitung 
2(1, 0,05)
G 2 hitung 
3.841459
Tabel 15. Hasil Marginally Independent antara Tingkat Pendidikan dan Status Kegiatan
Value Df Sig.
berikut.
n  n n
G 2  2 n jk ln  jk  e jk  j   k
 
j k  e jk  , dimana n
e
Berdasarkan perhitungan jk diperoleh tabel kontingensi disajikan dalam Tabel 13
sebagai berikut.
eij
Tabel 16. Tabel Kontingensi Nilai Ekspektasi ( ) antara Tingkat Pendidikan dan Status Kegiatan
Status Kegiatan
Tingkat Pendidikan
Pengangguran Bekerja
Pendidikan tinggi 596.0928 8987.907
Pendidikan rendah 1133.9072 17097.09
2
n 
G 2  2 nik ln  ik 
i k  eik 
  1171   8413   559   17672  
 2 1171ln    8413ln    559 ln    17672 ln  
  596.0928   8987.907   1133.9072   17097.09  
 847.3273
P-value
2
)
 0.000
Keputusan: Tolak H0
P-value kurang dari taraf signifikasi 0,05 yang berarti variabel tingkat
pendidikan dan status kegiatan marginally dependent. Sehingga, model
ln e jk     Yj  kZ   YZ
yang mungkin terbentuk adalah jk
10
 Jointly Independent (Status Perkawinan jointly independent dari Tingkat
Pendidikan dan Status Kegiatan)
H0: Variabel status perkawinan jointly independent dari Tingkat Pendidikan dan
status kegiatan
H1: Variabel status perkawinan jointly dependent dari Tingkat Pendidikan dan status
kegiatan
α=5%
Statistik Uji:
n  n n
G 2  2 nijk ln  ijk  eijk  i   jk
Daerah Kritis:
G 2 hitung 
2(2, 0,05)
G 2 hitung 
7.81472
Tabel 17. Hasil Jointly Independent
Value Df Sig.
berikut.
n  n n
G 2  2 nijk ln  ijk  eijk  i   jk
 
i j k  eijk  , dimana n 
e
Berdasarkan perhitungan ijk diperoleh tabel kontingensi disajikan dalam Tabel 15
sebagai berikut.
eij
Tabel 18. Tabel Kontingensi Nilai Ekspektasi ( ) Jointly Independent
Tingkat Pendidikan
Kawin
Single Pendidikan Tinggi 285.6036 2051.907
11
2
n 
G 2  2 nijk ln  ijk 
 eijk 
i j k  
  373   5432   281   14945  
373ln  885.3964   5432 ln  6361.093   281ln  422.6615   14945ln  13361.85  
       
 2
  798   2981   278   2727  
 798ln    2981ln    278ln    2727 ln  
  285.6036   2051.907   136.3385   4310.151  
 2523.325
P-value
2
)
 0.000
Keputusan: Tolak H0
P-value kurang dari taraf signifikasi 0,05 yang berarti Variabel status
perkawinan jointly dependent dari tingkat pendidikan dan status
kegiatan.
 Seleksi Model Menggunakan Uji K-Way
a. Uji K-Way Higher
Uji K-Way Higher digunakan untuk menguji signifikansi dari orde K atau lebih.
Hipotesis dan hasil pengujian yang diperoleh pada paket program SPSS dan software R
sebagai berikut.
Tabel 19. Hasil Uji K-Way and Higher Order Effects
Likelihood Ratio Pearson
K Df Chi-
Chi-Square Sig. Sig.
Square
K-way and 1 7 39359.155 0 49873.9 0
Higher Order 2 4 3370.652 0 4702.2 0
Effectsa 3 1 8.99 0.003 9.059 0.003
1. Untuk K=3

H0: Efek Order ke-3 = 0 ( jk
)
ln eijk    i   j  k  ij  ik   jk  ijkXYZ
X Y Z XY XZ YZ
H1: Efek order ke-3 ≠ 0 ( )
α=5%
Statistik Uji:
12
n 
G 2  2 nijk ln  ijk 
 eijk
i j k  
= 8.99
G 2 hitung 
Daerah Kritis: 2((i-1)(j-1) (k-1),α)
G 2 hitung 
2((2-1)(2-1) (2-1),0.05)
G 2 hitung 
2(1, 0,05)
G 2 hitung 
3.841
P-value
2
)
 0.003
Keputusan : Tolak H0
Kesimpulan:Berdasarkan Tabel 3 diketahui nilai G2 order K=3 lebih besar dari nilai 2(1,
0,05) dengan nilai p-value dari adalah 0.000 yang berarti tolak H 0. Sehingga
kesimpulannya adalah order ke-3 tidak sama dengan nol atau terdapat efek
order ketiga dalam model, sehingga model log linear yang terbentuk
adalah sebagai berikut.

jk  ijk
XYZ
2. Untuk K=2
H0 : Efek order ke-2 = 0

 ln e ijk    iX   Yj  kZ 
H1 : Efek order ke-2 ≠ 0

 ln e ijk jk  ijk 
   iX   Yj  kZ  ijXY  ikXZ   YZ XYZ
α=5%
Statistik Uji:
n  n n n
G 2  2 nijk ln  ijk  eijk  i   j   k
Menggunakan Tabel kontingensi Nilai Ekspektasi (Tabel 3), diperoleh statistik uji
berikut.
13
n 
G 2  2 nijk ln  ijk 
 eijk 
i j k  
  373   5432   281   14945  
373ln  450.7074   5432 ln  6795.782   281ln  857.3505   14945ln  12927.16  
       
 2
  798   2981   278   2727  
 798ln    2981ln    278ln    2727 ln  
  145.3853   2192.125   347.6786   3867.041  
 3370.652
G 2 hitung 
Daerah Kritis: 2((i-1)(j-1)+(i-1)(k-1)+(j-1)(k-1)-(i-1)(j-1)(k-1),α)
G 2 hitung 
2((2-1)(2-1)+(2-1)(2-1)+(2-1)(2-1)-(2-1)(2-1)(2-1),α)
G 2 hitung 
2(4, 0,05)
G 2 hitung 
9.487729037
P-value
2
)
 0.000
Keputusan: Tolak H0
Kesimpulan: Berdasarkan Tabel 3 diketahui nilai G2 order K=2 lebih besar dari nilai 2(4,
order kedua dalam model, sehingga model log linear yang terbentuk adalah
sebagai berikut.
jk  ijk
XYZ
3. Untuk K=1 atau lebih
H0 : Efek order ke-1 atau lebih = 0

 ln
ijk e  
H1 : Efek order ke-1 dan yang lebih tinggi ≠ 0
 ln eijk    iX   Yj  kZ  ijXY  ikXZ   YZjk  ijkXYZ 
α=5%
Statistik Uji:
n  n.. 27815
G 2  2 nijk ln  ijk  eijk    3476.875
 eijk jumlah sel 8
14
n 
G 2  2 nijk ln  ijk 
 eijk 
i j k  
  373   5432   281   14945  
373ln  3476.875   5432 ln  3476.875   281ln  3476.875   14945ln  3476.875  
       
 2
  798   2981   278   2727  
 798ln    2981ln    278ln    2727 ln  
  3476.875   3476.875   3476.875   3476.875  
 39359.15
G 2 hitung 
Daerah Kritis: 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)
G 2 hitung 
2((2-1)+(2-1)+(2-1)+(2-1)(2-1)+(2-1)(2-1)+(2-1)(2-1)-(2-1)(2-1)(2-1),α)
G 2 hitung 
2(7, 0,05)
G 2 hitung 
14.06714045
P-value
2
)
 0.000
Keputusan: Tolak H0
Kesimpulan: Berdasarkan Tabel 3 diketahui nilai G2 order K=1 lebih besar dari nilai 2(7,
order pertama dalam model, sehingga model log linear yang terbentuk
adalah sebagai berikut.
jk  ijk
XYZ
b. Uji K-Way Effects

Uji K-Way Effects digunakan untuk menguji signifikansi dari orde ketiga, orde
kedua dan orde pertama. Hipotesis dan hasil pengujian yang diperoleh menggunakan
paket program SPSS dan software R adalah sebagai berikut.
Tabel 20. Hasil Uji K-Way Effects
K Df
Chi-Square Sig. Chi-Square Sig.
K-way 1 3 35988.5 0 45171.74 0

Effectsb 2 3 3361.663 0 4693.14 0
3 1 8.99 0.003 9.059 0.003
15
1. Untuk K=1

 ln eijk   

 ln eijk    iX   Yj  kZ 
α=5%
Statistik Uji : G2= G22 – G12 = 39359.15-3370.652 = 35988.502
G 2 hitung 
Daerah Kritis: 2(db1-db2,α)
G 2 hitung 
2(7-4,0.05)
G 2 hitung 
2(3;0,05)
G 2 hitung 
7.814727903
P-value
2
)
 0.000
Keputusan: Tolak H0
Kesimpulan: Berdasarkan Tabel 17 diketahui bahwa nilai p-value dari order K=1 adalah
0.000 yang berarti tolak H0. Sehingga kesimpulannya yaitu efek orde
kesatu tidak sama dengan nol atau terdapat efek interaksi order kesatu
dalam model, sehingga model log linear yang terbentuk adalah sebagai
berikut.
 ln e
ijk    iX   Yj  kZ 
2. Untuk K=2

 ln e ijk
   i X   jY  kZ 

 ln e ijk jk 
   iX   Yj  kZ  ijXY  ikXZ   YZ
α=5%
Statistik Uji: G2= G12 – G02 =3370.652–8.99=3361.662
G 2 hitung 
Daerah Kritis: 2(db2-db1,α)
G 2 hitung 
2(4-1,α)
G 2 hitung 
2(3;0,05)
16
G 2 hitung 
7.814727903
P-value
2
)
 0.000
Keputusan: Tolak H0
Kesimpulan: Berdasarkan Tabel 17 diketahui bahwa nilai p-value dari order K=2 adalah
0.000 yang berarti tolak H0. Sehingga kesimpulannya efek orde kedua
tidak sama dengan nol atau terdapat efek orde kedua dalam model,
sehingga model log linear yang terbentuk adalah sebagai berikut.
 ln eijk    iX   Yj  kZ  ijXY  ikXZ   YZjk 
3. Untuk K=3

 ln e ijk jk 

α=5%
Tabel 21.Nilai Awal Untuk Tiap Iterasi
Nilai Nilai
mˆ ijk
Iterasi Pertama Nilai
mijk Iterasi Ketujuh
mˆ ijk
nijk ( 0) ( 1) ( 2) 
m (19)

m(20)

m(21)
m m m
5805 m̂11 1 5805
15226 m12+ 1 15226
3779 m21+ 1 3779
3005 m22+ 1 3005
654 m1+1 21031 654.0004
20377 m1+2 21031 20377
1076 m2+1 6784 1076
5708 m2+2 6784 5708
1171 m+11 779.8993 1171
8413 m+12 8804.101 8413
559 m+21 950.1007 558.9999
17672 m+22 17280.9 17672
17
Tabel 22.Nilai Iterasi
Nilai
Variabel Iterasi Pertama Iterasi Ketujuh
m
Tingkat Status ( 1) ( 2) ( 3)   
SP
Pendidikan Pekerjaan m m m m (19) m(20) m (21)
180.517 271.043 345.852 345.852
Pengangguran
Pendidikan 5805 8 1 345.8523 1 1 345.8521
tinggi 5624.48 5374.62 5459.14 5459.14
Bekerja
Kawi 5805 2 8 5459.148 8 8 5459.148
n 473.482 278.577 308.147 308.147
Pengangguran
Pendidikan 15226 2 4 308.1481 9 9 308.1479
Rendah 14752.5 14917.8 14917.8
Bekerja
15226 2 15086.4 14917.85 5 5 14917.85
599.381 899.956 825.147
Pengangguran
Pendidikan 3779 5 9 825.1476 825.148 9 825.1479
tinggi 3179.61 3038.37 2953.85 2953.85
Bekerja
3779 9 2 2953.852 2 2 2953.852
Single
476.618 280.422 250.852
Pengangguran
Pendidikan 3005 5 6 250.8519 250.852 1 250.8521
Rendah 2528.38 2585.60 2754.14 2754.14
Bekerja
3005 1 4 2754.148 8 8 2754.148
Tabel Iterasi secara lengkap disajkan pada lampiran 7. Berdasarkan iterasi tersebut,
diperoleh nilai ekspektasi yang konvergen pada iterasi ke-tujuh dan tertera pada Tabel 23.
eij
Tabel 23. Tabel Kontingensi Nilai Ekspektasi ( )
Tingkat Pendidikan
Kawin
Single
2
n 
G 2  2 nijk ln  ijk 
e 
i j k  ijk 
  373   5432   281   14945  
373ln  345.8521   5432 ln  5459.148   281ln  308.1479   14945ln  14917.85  
        
 2
  798   2981   278   2727  
 798ln    2981ln    278ln    2727 ln  
  825.1479   2953.852   250.8521   2754.148  
 8.990918
P-value
18
2
)
 0.002713
Keputusan: Tolak H0
Kesimpulan: Berdasarkan Tabel 17 diketahui bahwa nilai p-value dari order K=3
adalah 0.002713 yang berarti tolak H0. Sehingga kesimpulannya efek
orde ketiga tidak sama dengan nol atau terdapat efek orde ketiga dalam
model, sehingga model log linear yang terbentuk adalah sebagai berikut.
 ln eijk    iX   Yj  kZ  ijXY  ikXZ   YZjk  ijkXYZ 
 Seleksi Model Menggunakan Uji Asosiasi Parsial
Uji asosiasi parsial adalah suatu uji yang digunakan untuk melihat dependensi dari
masing-masing variabel dan dependensi dari interaksi anta variabel-variabelnya. Hasil
pengujian asosiasi parsial dari variabel status perkawinan, tingkat pendidikan , status
kegiatan dan interaksi-interaksinya menggunakan paket program SPSS dan software R
adalah sebagai berikut
Tabel 24. Hasil Uji Asosiasi Parsial
Partial
Effect Df Sig.
Chi-Square
SP*TP 1 1315.34 0.000
SP*SK 1 784.964 0.000
TP*SK 1 433.292 0.000
SP 1 7655.61 0.000
TP 1 2733.2 0.000
SK 1 25599.7 0.000
1. Variabel Status Perkawinan

H0: Status perkawinan independent dalam model
H1: Status perkawinan dependent dalam model
α=5%
Statistik Uji:
e111  e112  e121  e122  e1  5257.75
e211  e212  e221  e222  e2  1696
 2 hitung 
Daerah Kritis: 2((i-1),α)
 2 hitung 
2((2-1),0.05)
 2 hitung 
2(1;0,05)
19
 2 hitung 
3.841
eij
Tabel 25. Nilai Ekspektasi ( ) Status Perkawinan
Stat Status Kegiatan
us Tingkat Pengan B
Perkaw Pendidikan gguran ekerj
inan a
5
Pendidikan 5257.7 257.
Kaw Tinggi 5 75
in 5
Pendidikan 5257.7 257.
Rendah 5 75
Pendidikan 1
Sing Tinggi 1696 696
le Pendidikan 1
Rendah 1696 696
 nijk 
G 2  2 nijk ln 
 e 
i j k  ijk 
  373   5432   281   14945  
373ln  5257.75   5432 ln  5257.75   281ln  5257.75   14945ln  5257.75  
       
 2
  798   2981   278   2727  
 798ln    2981ln    278ln    2727 ln   
  1696   1696   1696   1696  
 31703.5466
χ = G12 - G22 = 39359.15 – 31703.5466 = 7655.608
2
Keputusan: Tolak H0
Kesimpulan: Berdasarkan Tabel 21 diketahui bahwa nilai p-value dari variabel status
perkawinan sebesar 0.000 yang berarti tolak H0. Sehingga kesimpulannya
yaitu Status perkawinan dependent dalam model, artinya variabel status
perkawinan signifikan pada setiap levelnya.
2. Variabel Tingkat Pendidikan
H0: Tingkat Pendidikan independent dalam model
H1: Tingkat Pendidikan dependent dalam model
α=5%
Statistik Uji:
e111  e112  e211  e212  e1  2396
e121  e122  e221  e222  e2  4557.75
20
 2 hitung 
Daerah Kritis: 2((j-1),α)
 2 hitung 
2((2-1),0.05)
 2 hitung 
2(1;0,05)
 2 hitung 
3.841
eij
Tabel 26. Nilai Ekspektasi ( ) Tingkat Pendidikan
Status Kegiatan
Status
Tingkat Pendidikan Pengangg Beker
Perkawinan
uran ja
Pendidikan
Tinggi 2396 2396
Kawin
Pendidikan
Rendah 4557.75 4557.75
Pendidikan
Tinggi 2396 2396
Single
Pendidikan
Rendah 4557.75 4557.75
 nijk 
G 2  2 nijk ln 
 e 
i j k  ijk 
  373   5432   281   14945  
373ln  2396   5432 ln  2396   281ln  4557.75   14945 ln  4557.75  
       
 2
  798   2981   278   2727  
 798 ln    2981ln    278ln    2727 ln  
  2396   2396   4557.75   4557.7 5  
 36625.9501
χ2 = G12 - G22 = 39359.15 – 36625.9501 = 2733.204
Keputusan: Tolak H0
Kesimpulan: Berdasarkan Tabel 21 diketahui bahwa nilai p-value dari variabel tingkat
pendidikan sebesar 0.000 yang berarti tolak H0. Sehingga kesimpulannya
yaitu Tingkat Pendidikan dependent dalam model, artinya variabel tingkat
pendidikan signifikan pada setiap levelnya.
3. Variabel Status Kegiatan
H0: Status Kegiatan independent dalam model
H1: Status Kegiatan dependent dalam model
α=5%
Statistik Uji: χ2 = G12 - G22
21
e111  e121  e211  e221  e1  432.5
di mana e112  e122  e212  e222  e2   6521.25

 2 hitung  2
Daerah Kritis:  ((k-1),α)
 hitung  2
2
 ((k-1),0.05)
 2 hitung 
2(1;0,05)
 2 hitung 
3.841
eij
Tabel 27. Nilai Ekspektasi ( ) Status Kegiatan
Tingkat Pendidikan
Kawin
Single
n 
G 2  2 nijk ln  ijk 
 eijk 
i j k  
  373   5432   281   14945  
373ln  432.5   5432 ln  6521.25   281ln  432.5   14945ln  6521.25  
       
 2
  798   2981   278   2727  
 798ln    2981ln    278ln    2727 ln  
  432.5   6521.25   432.5   6521.25  
 13759.4647
χ2 = G12 - G22 = 39359.15 – 13759.4647 = 25599.69
Keputusan: Tolak H0
Kesimpulan: Berdasarkan Tabel 21 diketahui bahwa nilai p-value dari variabel status
kegiatan sebesar 0.000 yang berarti tolak H0. Sehingga kesimpulannya yaitu
status kegiatan dependent dalam model, artinya variabel status kegiatan
signifikan pada setiap levelnya.
4. Variabel Status perkawinan dan tingkat pendidikan
H0: Status perkawinan dan tingkat pendidikan independent dalam model
H1: Status perkawinan dan tingkat pendidikan dependent dalam model
α=5%
2 2 (nij  eij ) 2 ni  n j
 2   eij 
i 1 j 1 eij n
Statistik Uji: , dimana
Daerah Kritis:
22
 hitung
2
  2( IJ 1)[( I 1) ( J 1)], 
 hitung
2
  ((2
2
 2 1) [(2 1)  (2 1)];0,05)
 hitung
2
  (1;0,05)
2
 hitung
2
 3.842
eij
Berdasarkan perhitungan diperoleh tabel kontingensi disajikan dalam Tabel 7.
Sehingga nilai untuk  didapatkan sebagai berikut
2
2 2 (n  e ) 2
   ij ij
2
i 1 j 1 eij
(5808  7246.489) 2 (15226  13784.51) 2 (3779  2337.511) 2 (3005  4446.489) 2
   
7246.489 13784.51 2337.511 4446.489
=1793.73
Keputusan: Tolak H0
Kesimpulan: Berdasarkan Tabel 21 diketahui bahwa nilai p-value dari interaksi variabel
Status perkawinan dan tingkat pendidikan sebesar 0.000 yang berarti tolak
H0. Sehingga kesimpulannya yaitu Status perkawinan dan tingkat
pendidikan dependent dalam model, artinya interaksi variabel status
perkawinan dan tingkat pendidikan signifikan pada setiap levelnya.
5. Variabel Status perkawinan dan status kegiatan
H0: Status perkawinan dan status kegiatan independent dalam model
H1: Status perkawinan dan status kegiatan dependent dalam model
α=5%
2 2
(nik  eik ) 2 n n
 2   eik  i   k
Statistik Uji: i 1 k 1 eik , dimana n
Daerah Kritis:
 hitung
2
  2( IK 1)[( I 1)  (K 1)], 
 hitung
2
  ((2
2
 2 1) [(2 1)  (2 1)];0,05)
 hitung
2
  (1;0,05)
2
 hitung
2
 3.842
Berdasarkan perhitungan eik diperoleh tabel kontingensi disajikan dalam Tabel 10.
2
23
2 2
(nik  eik ) 2
 2  
i 1 k 1 eik
(1171  1308.0579) 2 (8413  19722.94) 2 (559  421.9421) 2 (17672  6362.058) 2
   
1308.0579 19722.94 421.9421 6362.058
=1429.838
Keputusan: Tolak H0
Kesimpulan: Berdasarkan Tabel 21 diketahui bahwa nilai p-value dari variabel Status
perkawinan dan dan status kegiatan sebesar 0.000 yang berarti tolak H 0.
Sehingga kesimpulannya yaitu Status perkawinan dan status kegiatan
dependent dalam model, artinya interaksi variabel status perkawinan dan
status kegiatan signifikan pada setiap levelnya.
6. Variabel Tingkat pendidikan dan status kegiatan
H0: tingkat pendidikan dan status kegiatan independent dalam model
H1: tingkat pendidikan dan status kegiatan dependent dalam model
α=5%
2 2 ( n jk  e jk ) 2 n j  n k
  
2
e jk 
j 1 k 1 e jk n
Statistik Uji: , dimana
Daerah Kritis:
 hitung
2
  2(J K 1)[(J 1)  (K 1)], 
 hitung
2
  ((2
2
 2 1) [(2 1)  (2 1)];0,05)
 hitung
2
  (1;0,05)
2
 hitung
2
 3.842
e jk
Berdasarkan perhitungan diperoleh tabel kontingensi disajikan dalam Tabel 13.
2
2 2 (n  e ) 2
   jk jk
2
j 1 k 1 e jk
(654  596.0928) 2 (20377  8987.907) 2 (1076  1133.9072)2 (5708  17097.09) 2
   
596.0928 8987.907 1133.9072 17097.09
=902.0664
Keputusan: Tolak H0
Kesimpulan: Berdasarkan Tabel 21 diketahui bahwa nilai p-value dari variabel tingkat
pendidikan dan status kegiatan sebesar 0.000 yang berarti tolak H 0.
Sehingga kesimpulannya yaitu tingkat pendidikan dan status kegiatan
24
dependent dalam model, artinya interaksi variabel tingkat pendidikan dan
status kegiatan signifikan pada setiap levelnya.
c. Estimasi Parameter
Model log linear merupakan suatu model untuk memperoleh model statistika yang
menyatakan hubungan antara variabel dengan data yang bersifat kualitatif (nominal atau
ordinal). Model log linear berguna untuk melihat pengaruh variabel dan interaksi variabel
untuk dua dimensi atau lebih.
Berikut adalah persamaan model log linear tiga dimensi yang dependen :
ln eij    iX   Yj  kZ  ijXY  ikXZ   YZ
jk  ijk
XYZ
Langkah menghitung nilai estimasi parameter adalah sebagai berikut,

i. Menghitung nilai ln dari nijk pada tabel kontingensi
Tabel 28. Hasil ln pada Variabel Penelitian
Status Tingkat Pendidikan Status Kegiatan Total
Pernikahan Pengangguran Bekerja
Kawin Pendidikan Tinggi 5.921578 8.600063 14.52164
Pendidikan Rendah 5.638355 9.612132 15.25049
Single Pendidikan Tinggi 6.682109 8.000014 14.68212
Pendidikan Rendah 5.627621 7.910957 13.53858
Total 23.86966 34.12317 57.99283
ii. Menghitung nilai parameter rata-rata keseluruhan (  )

Perhitungan nilai parameter rata-rata keseluruhan menggunakan rumus sebagai
berikut,
I J K
 ln n
i 1 j 1 k 1
ijk

IJK
57.9928

2 2 2
 7.2491
iii. Menghitung nilai parameter pengaruh tingkat i faktor X (

iX )
25
J K
 ln n
j 1 k 1
ijk
i 
X

JK
J K
 ln n
j 1 k 1
111
 
1
X

JK
(ln n111  ln n112  ln n121  ln n122 )
= 
JK
(5.9216  8.6000  5.6384  9.6121)
=  7.2491
2 2
= 0.1939
1X  2X  0
2X  0  0.1939
=  0.1939
 Yj
iv. Menghitung nilai parameter pengaruh tingkat j faktor Y ( )
I K
 ln n ijk
 
Y
j
i 1 k 1

IK
I K
 ln n 111
 
Y
1
i 1 k 1

IK
(ln n111  ln n112  ln n211  ln n212 )
= 
IK
(5.9216  8.6000  6.6821  8.0000)
=  7.2491
2 2
= 0.0518
1Y  2Y  0
2Y  0  0.0518
=  0.0518
v. Menghitung nilai parameter pengaruh tingkat j faktor Z (

kZ )
26
I J
 ln n
i 1 j 1
ijk
 Z
k 
IJ
I J
 ln n
i 1 j 1
ijk
 1
Z

IJ
(ln n111  ln n121  ln n211  ln n221 )
= 
IJ
(5.9216  5.6384  6.6821  5.6276)
=  7.2491
2 2
=  1.2817
1Z  2Z  0
2Z  0  (1.2817)
= 1.2817
ijXY
vi. Menghitung nilai parameter pengaruh interaksi faktor X dan Y ( )
K J K I K
 ln n ijk  ln n
j 1 k 1
ijk  ln n ijk
ijXY  k 1
  i 1 k 1

K JK IK
K J K I K
 ln nijk  ln nijk
j 1 k 1
 ln n ijk
 XY
11  k 1
   i 1 k 1
K JK IK
(ln n111  ln n112 ) (ln n111  ln n112  ln n121  ln n122 ) (ln n111  ln n112  ln n211  ln n212
   
2 2 2 2 2
(5.9216  8.6000) (5.9215  8.6000  5.6384  9.6121) (5.9216  8.6000  6.6821  8.0000)
    7.2491
2 2 2 2 2
=  0.2341
K J K I K
j 1 k 1
 ln n ijk
 XY
12  k 1
   i 1 k 1
K JK IK
(ln n121  ln n122 ) (ln n111  ln n112  ln n121  ln n122 ) (ln n121  ln n122  ln n221  ln n222 )
   
2 2 2 22
= 0.2341
27
K J K I K
 ln nijk  ln n
j 1 k 1
ijk  ln n ijk
XY
21  k 1
  
i 1 k 1
K JK IK
   
2 2 2 2 2
= 0.2341
K J K I K
 ln n ijk  ln n
j 1 k 1
ijk  ln n ijk
XY
22  k 1
  
i 1 k 1
K JK IK
   
2 2 2 2 2
=  0.2341
vii. Menghitung nilai parameter pengaruh gabungan factor X dan Z (

ikXZ )
J J K I J
j 1 k 1
 ln n
i 1 j 1
ijk
XZ
ik  J 1
  
J JK IJ
J J K I J
 ln n ijk  ln nijk
j 1 k 1
 ln n
i 1 j 1
ijk
XZ
11  J 1
  
J JK IJ
   
2 2 2 2 2
= 0.38138
J J K I J
j 1 k 1
 ln n
i 1 j 1
ijk
XZ
12  J 1
  
J JK IJ
   
2 2 2 2 2
=  0.38138
J J K I J
j 1 k 1
 ln n
i 1 j 1
ijk
XZ
21  J 1
  
J JK IJ
   
2 2 2 2 2
=  0.38138
28
J J K I J
 ln nijk  ln n
j 1 k 1
ijk  ln n
i 1 j 1
ijk
XZ
22  J 1
  
J JK IJ
   
2 2 2 2 2
= 0.38138
 YZ
viii. Menghitung nilai parameter pengaruh gabungan factor Y dan Z ( jk
)
I I K I J
 ln n ijk  ln n ijk  ln n
i 1 j 1
ijk
 YZ
jk  i 1
 i 1 k 1
 
I IK IJ
I I K I J
 ln nijk  ln nijk  ln n
i 1 j 1
ijk
 YZ
11  i 1
 i 1 k 1
 
I IK IJ
   
I IK IJ
= 0.2826
I I K I J
i 1 j 1
ijk
 YZ
12  i 1
 i 1 k 1
 
I IK IJ
   
I IK IJ
=  0.28259
I I K I J
i 1 j 1
ijk
 YZ
21  i 1
 
i 1 k 1

I IK IJ
   
I IK IJ
=  0.28259
I I K I J
 ln n ijk  ln n ijk  ln n
i 1 j 1
ijk
 YZ
22  i 1
 
i 1 k 1

I IK IJ
   
I IK IJ
= 0.28259
29
 YZ
ix. Menghitung nilai parameter pengaruh gabungan factor X, Y dan Z ( jk
)
30
K J I J K I K I J
 ln n ijk  ln nijk
j 1
j 1 k 1
 ln n ijk  ln n
i 1 j 1
ijk
XYZ
ijk  ln nijk  k 1
  i 1
  i 1 k 1
 
K J I JK IK IJ
K J I J K I K I J
j 1
j 1 k 1
i 1 j 1
ijk
XYZ
111  ln n111  k 1
  i 1
  i 1 k 1
 
K J I JK IK IJ
(ln n111  ln n112 ) (ln n111  ln n121 ) (ln n111  ln n211 )
 ln n111    
2 2 2
(ln n111  ln n112  ln n121  ln n122 ) (ln n111  ln n112  ln n211  ln n212 )
 
2 2 2 2
(ln n111  ln n121  ln n211  ln n221 )

2 2
= 0.041233
K J I J K I K I J
j 1
j 1 k 1
i 1 j 1
ijk
XYZ
112  ln n112  k 1
  i 1
  i 1 k 1
 
K J I JK IK IJ
 ln n112    
2 2 2
 
2 2 2 2
(ln n112  ln n122  ln n212  ln n222 )

2 2
=  0.041233
K J I J K I K I J
j 1
j 1 k 1
i 1 j 1
ijk
XYZ
121  ln n121  k 1
  i 1
  i 1 k 1
 
K J I JK IK IJ
 ln n121    
2 2 2
 
2 2 2 2
(ln n111  ln n121  ln n211  ln n221 )

2 2
=  0.041233
K J I J K I K I J
j 1
j 1 k 1
i 1 j 1
ijk
XYZ
122  ln n122  k 1
  i 1
  i 1 k 1
 
K J I JK IK IJ
 ln n122    
2 2 2
 
2 2 2 2
(ln n112  ln n122  ln n212  ln n222 )

2 2
= 0.041233 31
Parameter model log linear yang telah diestimasi kemudian akan diuji signifikansinya
dengan uji Z untuk mengetahui variabel dan sel-sel yang menyebabkan terjadinya dependensi
antara status perkawinan, tingkat pendidikan, dan status kegiatan. Berikut merupakan
perhitungan Standar Error pada masing-masing estimasi parameter dan hasil estimasi
parameter berdasarkan paket program SPSS tertera pada Tabel 29.
Standard error untuk

1X
1  I J K 1 
 ˆ X )  var(
s.e( 1
 ˆ X ) 
1   
( IJK ) 2  i 1 j 1 k 1 nijk 
1  1 1 1 1 
  373  5432  281    2727 
(8) 2
 0.014

1Y
1  I J K 1 
 ˆY )  var(
s.e( 1
 ˆY ) 
1   
( IJK ) 2  i 1 j 1 k 1 nijk 
1  1 1 1 1 
 2 
  
(8)  373 5432 281 2727 
 0.014

1Z
1  I J K 1 
 ˆ Z )  var(
s.e( 1
 ˆ Z ) 
1   
( IJK ) 2  i 1 j 1 k 1 nijk 
1  1 1 1 1 
  373  5432  281    2727 
(8) 2
 0.014
1XY
1  I J K 1 
 ˆ XY )  var(
s.e( 1
 ˆ XY ) 
1   
( IJK ) 2  i 1 j 1 k 1 nijk 
1  1 1 1 1 
 2 
   
(8)  373 5432 281 2727 
 0.014
32
1XZ
1  I J K 1 
 ˆ XZ )  var(
s.e( 1
 ˆ XZ ) 
1   
( IJK ) 2  i 1 j 1 k 1 nijk 
1  1 1 1 1 
  373  5432  281    2727 
(8)2
 0.014
1YZ
1  I J K 1 
 ˆYZ )  var(
s.e( 1
 ˆYZ ) 
1   
( IJK ) 2  i 1 j 1 k 1 nijk 
1  1 1 1 1 
 2 
   
(8)  373 5432 281 2727 
 0.014
1XYZ
1  I J K 1 
 ˆ XYZ )  var(
s.e( 1
 ˆ XYZ ) 
1   
( IJK ) 2  i 1 j 1 k 1 nijk 
1  1 1 1 1 
 2 
   
(8)  373 5432 281 2727 
 0.014
Statistik Uji Z
ˆj
Z
se(ˆ )j
0.194
Z  3.014
0.014
0.052 0.381
Z  3.767 Z  27.814
0.014 0.014
1.281 0.282
Z  93.445 Z  20.6
0.014 0.014
0.234 0.041
Z  17.067 Z  3.014
0.014 0.014
33
Z  Ztabel
Daerah Kritis: Tolak H0 jika hitung
Tolak H0 jika P-value < α = 0.05
p  value  0.000
p  value  0.000 p  value  0.000
p  value  0.000 p  value  0.000
p  value  0.000 p  value  0.003
Tabel 29. Uji Signifikansi Parameter Antara Antara Status Perkawinan, Tingkat Pendidikan, dan Status Kegiatan
menggunakan paket program SPSS
Parameter Estimasi Std error Z hitung p-value

1X 0.194 0.014 14.152 0.000
1Y 0.052 0.014 3.767 0.000
1Z -1.281 0.014 -93.455 0.000
1
XY
-0.234 0.014 -17.067 0.000
1XZ -0.381 0.014 -27.814 0.000
1YZ 0.282 0.014 20.600 0.000
1XYZ 0.041 0.014 3.014 0.000
d. Pemilihan Model Terbaik Menggunakan Eliminasi Backward

Seleksi model log linier dilakukan dengan metode backward elimination. Metode
backward elimination pada dasarnya menyeleksi model dengan menggunakan prinsip
hierarki, yaitu dengan melihat model terlengkap sampai dengan model yang sederhana. Untuk
memilih model terbaik, maka dibandingkan antara model 0 dengan model 1. Pemilihan model
terbaik menggunakan eliminasi backward disajikan pada Tabel 26 sebagai berikut.
Tabel 30. Hasil Uji Eliminasi Backward
Chi-
Stepa Effects df Sig.
Squarec
Generating Classb SP*TP*SK 0 0 .
0 Deleted
1 SP*TP*SK 8.99 1 0.003
Effect
1 Generating Classb SP*TP*SK 0 0 .
H : Model 1 merupakan model terbaik

0
 ln e ijk
   i X   jY  kZ 
H1: Model 0 merupakan model terbaik
34
 ln eijk jk  ijk 
α=5%
Daerah Kritis: Tolak H0 jika 2hitung atau G2 hitung > 2tabel
Tolak H0 jika P-value < α = 0.05
Statistik Uji: P-value = 0.003 < α = 0.05
 2 hitung
= 8.99 2(1;0,05) = 3.841
Keputusan: Tolak H0
Kesimpulan: Berdasarkan Tabel 26 diketahui bahwa nilai p-value dari iterasi kedua
eliminasi backward adalah 0.000 yang berarti tolak H0. Sehingga
kesimpulannya adalah model 0 merupakan model terbaik, sehingga model
log linear terbaik yang terbentuk berdasarkan eliminasi backward adalah
sebagai berikut.
 ln e
ijk jk  ijk 
e. Kecenderungan Tiap Sel

Pengujian ini bertujuan untuk mengetahui sel manakah yang berperan dalam
dependensi antara variabel status perkawinan, tingkat pendidikan, dan status kegiatan.
Berikut merupakan perhitungan memperoleh standar error, Z tabel dan P-value.
 X ,  Yj , kZ , ijXY , ikXZ ,  YZ
jk , ijk
XYZ
0
H0: i
H1: min   0
α=5%
Berdasarkan nilai signifikansi pada Tabel 29 dapat diperoleh kesimpulan bahwa
variabel yang menjadi sumber dependensi dalam model yaitu variabel status
perkawinan, tingkat Pendidikan, status kegiatan. Nilai estimasi parameter untuk
1 X  0.194 dan 2 X  0.194 yang berarti bahwa variabel Status perkawinan
mempunyai pola kecenderungan berbeda atau perempuan dengan usia di atas 15 tahun
dengan status menikah lebih banyak daripada yang belum menikah (single). Selanjutnya
nilai estimasi parameter untuk 1  0.052 dan 2  0.052 yang berarti bahwa variabel
Y Y
tingkat pendidikan mempunyai pola kecenderungan yang berbeda atau perempuan

dengan usia di atas 15 tahun dengan tingkat pendidikan tinggi lebih banyak daripada
yang rendah. Begitu pula nilai estimasi parameter untuk 1  1.281 dan 2  1.281
Z Z
yang berarti bahwa variabel Status kegiatan mempunyai pola kecenderungan yang
berbeda atau perempuan dengan usia di atas 15 tahun dengan status kegiatan telah
bekerja lebih banyak daripada yang pengangguran.
35
Agar mengetahui kecenderungan seluruh sel maka menghitung estimasi parameter
untuk interaksi Status Perkawinan*Tingkat Pendidikan*Status Kegiatan pada seluruh
sel, diperoleh tabel sebagai berikut.
Tabel 31. Tabel Estimasi Parameter interaksi SP*TP*SK
Tingkat Pendidikan
Pendidikan Tinggi 0.014 -0.014
Kawin
Pendidikan Rendah -0.014 0.014
Pendidikan Tinggi -0.041 0.041
Single
Pendidikan Rendah 0.041 -0.041
Nilai estimasi untuk sel 111 terhadap sel 112 berarti bahwa perempuan dengan usia
di atas 15 tahun yang sudah menikah dan memiliki tingkat pendidikan yang tinggi
cenderung menjadi pengangguran. Nilai estimasi untuk sel 121 terhadap sel 122 berarti
bahwa perempuan dengan usia di atas 15 tahun yang sudah menikah dan memiliki
tingkat pendidikan yang rendah cenderung bekerja. Nilai estimasi untuk sel 211
terhadap sel 212 berarti bahwa perempuan dengan usia di atas 15 tahun yang belum
menikah (single) dan memiliki tingkat pendidikan yang tinggi cenderung bekerja. Nilai
estimasi untuk sel 221 terhadap sel 222 berarti bahwa perempuan dengan usia di atas 15
tahun yang belum menikah (single) dan memiliki tingkat pendidikan yang rendah
cenderung menjadi pengangguran.
3. Perbandingan
Berdasarkan perhitungan menggunakan tiga cara sebelumnya, diperoleh hasil sebagai
berikut.
Tabel 32. Hasil Perbandingan Pehitungan Manual, paket program SPSS, dan Software R
Pengujian Variabel Manual SPSS Software R
Uji 4702.19
4702.1991 4702.199
independens Chi-square 9
i 0.00 0.00 0.00
Mutually SP*TP*SK
3370.65
3370.6524 3370.652
G square 2
0.00 0.00 0.00
1388.56
1388.5644 1388.564
Chi-square 4
Conditionall (SP*SK) 0.00 0.00 0.00
y (TP*SK) 1324.32
1324.3256 1324.326
G square 6
0.00 0.00 0.00
Marginally SP*TP Chi-square 1793.7299 1793.73 1794.548
36
0.00 0.00 0.00
1729.3711 1729.37 1730.155
G square
0.00 0.00 0.00
1429.83
1429.8381 1429.838
Chi-square 8
SP*SK 0.00 0.00 0.00
1198.9996 1199 1199
G square
0.00 0.00 0.00
902.0664 902.066 902.0664
Chi-square
0.00 0.00 0.00
TP*SK
847.3273 847.327 847.3273
G square
0.00 0.00 0.00
2735.95
2735.9580 2735.958
Chi-square 8
0.00 0.00 0.00
Jointly SP(TP*SK)
2523.32
2523.3251 2523.325
G square 5
0.00 0.00 0.00
49873.9
Chi-square - -
0.00
K=1 39359.1
39359.15 39359
G square 6
0.00 0.00 0.00
4702.2
Chi-square - -
0.00
Uji K-way and Higher
K=2 3370.65
3370.652 3371
G square 2
0.00 0.00 0.00
9.059
Chi-square - -
0.003
K=3
8.99 8.99 9
G square
0.00 0.003 0.00
Uji K-way Effect 45171.7
Chi-square 4 -
K=1 0.00
35988.502 35988.5
G square -
0.00 0.00
K=2 4693.14
Chi-square -
0.00
G square 3361.662 3361.66 -
3
37
0.00 0.00
9.059
Chi-square -
0.003
K=3
8.99 8.99
G square -
0.00 0.003
Estimasi parameter Lambda 1 X 0.1939 0.194 0.1939283
Lambda 2 X -0.1939 -0.194 -0.1939283
Lambda 1 Y 0.0518 0.052 0.05183732
Lambda 2 Y 0.0518 -0.052 -0.05183732
Lambda 1 Z -1.2817 -1.281 -1.281688
Lambda 2 Z 1.2817 1.281 1.281688
Lambda 11
-0.23405 -0.234 -0.2340487
XY
Lambda 12
0.234049 0.234 0.2340487
XY
Lambda 21
0.234049 0.234 0.2340487
XY
Lambda 22
-0.23405 -0.234 -0.2340487
XY
Lambda 11
-0.38138 -0.381 -0.3813775
XZ
Lambda 12
0.38138 0.381 0.3813775
XZ
Lambda 21
0.38138 0.381 0.3813775
XZ
Lambda 22
-0.38138 -0.381 -0.3813775
XZ
Lambda 11
0.28259 0.282 0.2825905
YZ
Lambda 12
-0.28259 -0.282 -0.2825905
YZ
Lambda 21
-0.28259 -0.282 -0.2825905
YZ
Lambda 22
0.28259 0.282 0.2825905
YZ
Lambda 111
0.04123 0.041 0.0412328
XYZ
Lambda 112
-0.04123 -0.041 -0.0412328
XYZ
Lambda 121
-0.04123 -0.041 -0.0412328
XYZ
Lambda 122 0.04123 0.041 0.0412328
XYZ
38
Lambda 211
-0.04123 -0.041 -0.0412328
XYZ
Lambda 221
0.04123 0.041 0.0412328
XYZ
Lambda 212
-0.04123 -0.041 -0.0412328
XYZ
Lambda 222
0.04123 0.041 0.0412328
XYZ
Berdasarkan perhitungan pada Tabel 29 dengan ketiga cara, yaitu perhitungan secara
manual, menggunakan SPSS, dan menggunakan software R menghasilkan nilai yang hampir
sama. Perhitungan manual dengan perhitungan menggunakan software R lebih mirip jika
dibandingkan dengan paket program SPSS, hal tersebut bisa disebabkan oleh perbedaan
banyaknya iterasi pada paket program SPSS.
39
Tabel Kontingensi 2x3x3
I. PENDAHULUAN
Jawa Pos adalah surat kabar harian yang berpusat di Surabaya, Jawa Timur. Jawa
Pos merupakan harian terbesar di Jawa Timur, dan merupakan salah satu harian dengan
keuntungan terbesar di Indonesia. Pada koran Jawa Pos terdapat beberapa bagian yaitu,
bagian utama, bagian metropolis, dan bagian olahraga. Bagian utama koran Jawa Pos
berisi berita-berita utama, politik, ekonomi/bisnis, Jawa Timur, nasional, internasional,
dan rubrik-rubrik tematik lainnya. Bagian metropolis berisi berita Kota Surabaya dan
sekitarnya (Sidoarjo dan Gresik), dan rubrik-rubrik "ringan" lainnya serta rubrik
mingguan. Sedangkan bagian olahraga erisi berita-berita olahraga, terutama ulasan
mengenai sepak bola dan balap (Formula 1, MotoGP), Zetizen (halaman untuk remaja,
salah satunya berisi polling harian), Jawa Pos For Her dan di sini juga terdapat iklan baris
yang disebut Iklan Jitu. Setiap bagian memiliki daya Tarik tersendiri untuk berbagai
kalangan usia. Oleh karena itu, pada penelitian ini akan dilakukan pemodelan log linear
untuk memperoleh model statistika yang menyatakan hubungan antara jenis kelamin,
usia, dan berita yang disenangi (ketiga variabel bersifat katagorik).
II. METODOLOGI PENELITIAN

II.1 Sumber Data
Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari
data Tugas Herman Fauzi tahin 1997 yang berjudul “Analisis Statistika Terhadap
Karakteristik Pelanggan Koran Jawa Pos di Daerah Ketintang Surabaya”.
2.2 Variabel Penelitian
Terdapat dua variabel yang digunakan dalam penelitian ini, kedua variabel bersifat
kategorik dengan jumlah kategori yang berbeda. Variabel dari penelitian ini ditampilkan pada
Tabel 1.
Tabel 1. Variabel Penelitian
Simbol Variabel Skala Data Kategori
1 = Laki-laki
X Jenis Kelamin Nominal
2 = Perempuan
1 = 25-37 tahun
Y Usia Nominal 2 = 38-50 tahun
3 = > 50 tahun
Z Berita yang Nominal 1 = Koran I (Berita Umum)
40
2 = Koran II (Berita Metropolis)
Disenangi
3 = Koran III (Berita Olahraga)
2.3 Langkah Analisis

Langkah analisis yang dilakukan dalam penelitian ini adalah sebagai berikut.
1. Menginput data yang akan digunakan
2. Menguji independensi yang bertujuan untuk mengetahui hubungan antara variabel respon
dengan variabel prediktor dengan uji  menggunakan perhitungan manual, SPSS, dan R
2
3. Menerapkan model log linear tiga deimensi pada data menggunakan perhitungan manual,
SPSS, dan R
4. Merekapitulasi hasil
5. Menarik kesimpulan
III. ANALISIS DAN PEMBAHASAN

3.1 Menggunakan Perhitungan Manual
3.1.1 Uji Independensi antara Variabel Perilaku Merokok dengan Tingkat Pendidikan
Uji independensi digunakan untuk mengetahui hubungan antara dua variabel. Sebelum
melakukan uji independensi, akan dibuat tabel kontingensi antara jenis kelamin, usia, dan berita
yang disenangi sebagai berikut.
Tabel 2. Tabel Kontingensi antara Jenis Kelamin, Usia, dan Berita yang Disenangi
Berita yang Disenangi
Jenis
Usia Koran I (Berita Koran 2 (Berita Koran 3 (Berita
Kelamin Total
Umum) Metropolis) Olahraga)
25-37 tahun 10 15 29 54
Laki-Laki 38-50 tahun 25 23 27 75
> 50 tahun 48 27 25 100
25-37 tahun 15 15 10 40
Perempuan 38-50 tahun 10 9 1 20
> 50 tahun 3 5 3 11
Total 111 94 95 300
Tabel 2 merupakan tabel kontingensi antara jenis kelamin, usia, dan berita yang
disenangi. Berdasarkan tabel tersebut dapat diketahui bahwa terdapat 111 orang
menyukai berita umum, 94 orang menyukai berita metropolis, dan 95 orang menyukai
41
berita olahraga. Diketahui pula bahwa dari 111 orang yang menyukai berita umum, 83
orang merupakan laki-laki dan 28 lainnya merupakan perempuan.
Langkah uji independensi menggunakan perhitungan manual,

1. Mutually Independent
Hipotesis :
H0 : Variabel jenis kelamin, usia, dan berita yang disenangi saling mutually independent
H1 : Variabel jenis kelamin, usia, dan berita yang disenangi saling mutually dependent
Statistik Uji :
I J K (nijk  eijk ) 2
 2  
i 1 j 1 k 1 eijk
Daerah kritis :
 hitung
2
  2( IJK 1)[( I 1) ( J 1)  ( K 1)], 
 hitung
2
  ((2
2
33 1) [(2 1)  (31)  (3 1)];0,05)
 hitung
2
  (12;0,05
2
)
 hitung
2
 21, 0642
ni..n. j.n..k
eijk 
a. Menghitung nilai n2
Sehingga didapatkan nilai ekspektasi IxJxK sebagai berikut,
42
n1..  n.1.  n..1 229  94  111 n xn xn 71 x 94x 111
e111  2
 2
 26,55 e211  2.. .1.2 ..1   8, 23
n... 300 n... 3002
n xn xn 229 x 94 x 94 n xn xn 71 x 94 x 94
e112  1.. .1.2 ..2  2
 22, 48 e212  2.. .1.2 ..2   6,97
n... 300 n... 3002
n xn xn 229x 94 x 95 n xn xn 71 x 94 x 95
e113  1.. .1.2 ..3  2
 22, 72 e213  2.. .1.2 ..3   7, 04
n... 300 n... 3002
n xn xn 229 x 95 x 111 n xn xn 71 x 95 x 111
e121  1.. .2.2 ..1  2
 26,83 e221  2.. .2.2 ..1   8,32
n... 300 n... 3002
n xn xn 229 x 95 x 94 n xn xn 71 x 95 x 94
e122  1.. 2.2 ..2  2
 22, 72 e222  2.. .2.2 ..2   7, 04
n... 300 n... 3002
n1.. x n.2. x n..3 229 x 95 x 95 n2.. x n.2. x n..3 71 x 95 x 95

e123    22,96 e223    7,12
n...2 300 2 n...2 3002
n xn xn 229 x 111 x 111 n xn xn 71 x 111 x 111
e131  1.. ..3.2 ..1   31,35 e231  2.. .3.2 ..1   9, 72
n... 3002 n... 300 2
n xn xn 229 x 111 x 94 n xn xn 71 x111 x 94
e132  1.. .3.2 ..2   26,55 e232  2.. .3.2 ..2   8, 23
n... 300 2 n... 300 2
n xn xn 229 x 111 x 95 n xn xn 71 x 111 x 95
e133  1.. .3.2 ..3   26,83 e233  2.. .3.2 ..3   8,32
n... 3002 n... 3002
eijk
Setelah mendapatkan , maka didapatkan tabel kontingensi dari nilai ekspektasi sebagai berikut,
eijk
Tabel 3. Tabel Kontingensi Nilai Ekspektasi ( ) antara Perilaku Merokok dan Tingkat Pendidikan
Berita yang disenangi
Jenis Kelamin Usia Koran I Koran 2 Koran 3
(Berita Umum) (Berita Metropolis) (Berita Olahraga)
25-37 tahun 26,55 22,48 22,72
Laki-Laki 38-50 tahun 26,83 22,72 22,96
> 50 tahun 31,35 26,55 26,83
25-37 tahun 8,23 6,97 7,04
Perempuan 38-50 tahun 8,32 7,04 7,12
> 50 tahun 9,72 8,23 8,32
a. Menghitung nilai statistik uji
43
eijk
Langkah selanjutnya setelah mendapatkan nilai ekspektasi ( ) adalah menghitung nilai
statistik ujinya. Berikut ini adalah perhitungan manual statistik uji independensi antara perilaku
merokok dan tingkat pendidikan.
2 3 3 (nijk  eijk ) 2
 2  
i 1 j 1 k 1 eijk
(n111  e111 )2 (n112  mˆ 112 )2 ( n233  mˆ 233 )2
   ... 
e111 mˆ 112 mˆ 233
(10  26,55) 2 (15  22, 48) 2 (3  8, 32) 2
   ... 
26, 55 22, 48 8,32
 10,31  2, 49  ...  3, 4
 55,86
d. Keputusan
Berdasarkan hasil perhitungan didapatkan nilai χ2 sebesar 55,86. Nilai statistik uji ini lebih
besar dari χ2(12;0,05) (21,0642). Oleh karena itu, dapat dikatakan bahwa keputusan yang diambil
adalah tolak H0.
e. Kesimpulan
Karena didapatkan hasil tolak H0, maka dapat disimpulkan bahwa yang berarti
bahwa jenis kelamin, usia, dan berita yang disenangi saling mutually dependent.
2. Conditionally Independent
Jika jenis kelamin dan usia bebas bersyarat terhadap berita yang disenangi.
Hipotesis :
H0 : Variabel jenis kelamin dan usia conditionally independent terhadap berita yang disenangi
H1 : Variabel jenis kelamin dan usia conditionally dependent terhadap berita yang disenangi
Statistik Uji :
I J K (nijk  eijk ) 2
  
2
i 1 j 1 k 1 eijk
Daerah kritis :
 hitung
2
  2( IJK 1)[( IK 1) ( JK 1) ( K 1)], 
 hitung
2
  ((2
2
331) [(231)  (331)  (31)];0,05)
 hitung
2
  (6;0,05)
2
 hitung
2
 12,592
44
ni.k n. jk
eijk 
a. Menghitung nilai n2k

n1.1  n.11 83  25 n2.1  n.11 28  25
e111    18, 69 e211    6,31
n 1 111 n 1 111
n1.2  n.12 65  30 n2.2  n.12 29  30
e112    20, 74 e212    9, 26
n 2 94 n 2 94
n1.3  n.13 81  39 n2.3  n.13 14  39
e113    33, 25 e213    5, 75
n 3 95 n 3 95
n1.1  n.21 83  35 n2.1  n.21 28  35
e121    26,17 e221    8,83
n 1 111 n 1 111
n1.2  n.22 65  32 n2.2  n.22 29  32
e122    22,13 e222    9,87
n 2 94 n 2 94
n1.3  n.23 81  28 n2.3  n.23 14  28
e123    23,87 e223    4,13
n 3 95 n 3 95
n1.1  n.31 83  51 n2.1  n.31 28  51
e131    38,14 e231    12,86
n 1 111 n 1 111
n1.2  n.32 65  32 n2.2  n.32 19  32

e132    22,13 e232    9,87
n 2 94 n 2 94
n1.3  n.33 81  28 n2.3  n.33 14  28
e133    23,87 e233    4,13
n 3 95 n 3 95
eijk
eijk
Tabel 4. Tabel Kontingensi Nilai Ekspektasi ( ) antara Jenis Kelamin, Usia, dan Berita yang disenangi
Jenis Kelamin Usia Koran 1 Koran 2 Koran 3
25-37 tahun 18,69 20,74 33,25
Laki-Laki 38-50 tahun 26,17 22,13 23,87
> 50 tahun 38,14 22,13 23,87
25-37 tahun 6,31 9,26 5,75
Perempuan 38-50 tahun 8,83 9,87 4,13
> 50 tahun 12,86 9,87 4,13
b. Menghitung nilai statistik uji
45
eijk
2 3 3 (nijk  eijk ) 2
 2  
i 1 j 1 k 1 eijk
(n111  e111 )2 (n112  mˆ 112 )2 ( n233  mˆ 233 )2
   ... 
e111 mˆ 112 mˆ 233
(10  18, 69) 2 (15  20, 74) 2 (3  4,13) 2
   ... 
18, 69 20, 74 4,13
 4, 04  1,59  ...  0,31
 41,93
d. Keputusan
adalah tolak H0.
e. Kesimpulan
bahwa jenis kelamin dan usia conditionally dependent terhadap berita yang disenangi.
3. Marginally Independent
Untuk variabel jenis kelamin dan usia
Hipotesis :
H0 : Variabel jenis kelamin dan usia saling independent
H1 : Variabel jenis kelamin dan usia saling dependent
Statistik Uji :
2 3 (nij  eij )2
  
2
i 1 j 1 eij
Daerah kritis :
 hitung
2
 2( IJ 1)[( I 1) ( J 1)], 
 hitung
2
  ((2
2
3 1) [(2 1)  (31)];0,05)
 hitung
2
  (22;0,05)
 hitung
2
 3, 481
46
b. Tabel kontingensi antara variabel jenis kelamin dan usia
Tabel 5. Tabel Kontingensi antara Jenis Kelamin dan Usia
Usia
Jenis Kelamin
25-37 tahun 38-50 tahun > 50 tahun
Laki-laki 54 75 100
Perempuan 40 20 11
Total 94 95 111
ni. n. j
eij 
c. Menghitung nilai n
Sehingga didapatkan nilai ekspektasi IxJ sebagai berikut,

n1.n.1 229  94 nn 229  95 nn 229  111
e11    71, 75 e12  1. .2   5,52 e13  1. .3   84,3
n 300 n 300 n 300
n n 71 94 n n 71 95 n n 71111
e21  2. .1   22, 25 e22  2. .2   22, 48 e23  2. .3   26, 27
n 300 n 300 n 300
eij
eij
Tabel 6. Tabel Kontingensi Nilai Ekspektasi ( ) antara Jenis Kelamin dan Usia
Usia
Jenis Kelamin
Laki-laki 71,75 72,52 84,73
Perempuan 22,25 22,48 26,27
Total 71,75 72,52 84,73
d. Menghitung nilai statistik uji

eij
Langkah selanjutnya setelah mendapatkan nilai ekspektasi ( ) adalah menghitung nilai statistik
ujinya. Berikut ini adalah perhitungan manual statistik uji independensi antara jenis kelamin dan
usia.
47
2 3 (nij  eij ) 2
 2  
i 1 j 1 eij
(n11  e11 ) ( n21  e21 )2 ( n12  e12 ) 2 (n22  e22 ) 2 (n13  e13 ) 2 (n32  e23 )2
2
     
e11 e21 e12 e22 e13 e23
(54  71, 75) 2 (40  22, 25) 2 (75  72,52) 2 (20  22, 48) 2 (100  84, 73)2 (11  26, 27) 2
     
71, 75 22, 25 72,52 22, 48 84, 73 26, 27
 4,39  14,17  0, 09  0, 27  2,75  8,88
 30,55
e. Keputusan
besar dari χ2(2;0,05) (3,481). Oleh karena itu, dapat dikatakan bahwa keputusan yang diambil adalah
tolak H0.
f. Kesimpulan
bahwa jenis kelamin dan usia saling dependent (berhubungan).
Untuk variabel jenis kelamin dan berita yang disenangi

Hipotesis :
H0 : Variabel jenis kelamin dan berita yang disenangi saling independent
H1 : Variabel jenis kelamin dan berita yang disenangi saling dependent
Statistik Uji :
2 3
(nik  eik ) 2
 2  
i 1 k 1 eik
Daerah kritis :
 hitung
2
 2( IK 1)[( I 1) ( K 1)], 
 hitung
2
  ((2
2
3 1) [(2 1)  (31)];0,05)
 hitung
2
  (22;0,05)
 hitung
2
 3, 481
a. Tabel kontingensi antara variabel jenis kelamin dan berita yang disenangi
Tabel 7. Tabel Kontingensi antara Jenis Kelamin dan Berita yang Disenangi
Jenis Kelamin Berita yang Disenangi
48
Koran 1 Koran 2 Koran 3
Total
Laki-laki 83 65 81 229
Perempuan 28 29 14 71
Total 111 94 95 300
ni.n.k
eik 
b. Menghitung nilai n
Sehingga didapatkan nilai ekspektasi IxK sebagai berikut,

n1.n.1 229 111 n2.n.2 71 94
e11    84, 73 e22    22, 25
n 300 n 300
n n 71 111 nn 229  95
e21  2. .1   26, 27 e13  1. .3   72,52
n 300 n 300
nn 229  94 n n 71 95
e12  1. .2   71, 75 e23  2. .3   22, 48
n 300 n 300
eik , maka didapatkan tabel kontingensi dari nilai ekspektasi sebagai berikut,
Setelah mendapatkan
eik ) antara Jenis Kelamin dan Berita yang Disenangi
Tabel 8. Tabel Kontingensi Nilai Ekspektasi (
Jenis Kelamin Koran 1 Koran 2 Koran 3
Laki-laki 84,73 71,75 72,52
Perempuan 26,27 22,25 22,48
Langkah selanjutnya setelah mendapatkan nilai ekspektasi ( eik ) adalah menghitung nilai statistik
ujinya. Berikut ini adalah perhitungan manual statistik uji independensi antara jenis kelamin dan
berita yang disenangi.
2 3
(nik  eik ) 2
 2  
i 1 k 1 eik
( n11  e11 ) 2 ( n21  e21 ) 2 (n12  e12 ) 2 (n22  e22 ) 2 (n13  e13 )2 (n32  e23 ) 2
     
e11 e21 e12 e22 e13 e23
(83  84, 73) 2 (28  26, 27) 2 (65  71, 75) 2 (29  22,52) 2 (81  72,52) 2 (14  22, 48) 2
     
84, 73 26, 27 71, 75 22, 25 72,52 22, 48
 0, 04  0,11  0, 64  2, 05  0,99  3, 20
 7, 03
d. Keputusan
49
tolak H0.
e. Kesimpulan
bahwa jenis kelamin dan berita yang disenangi saling dependent (berhubungan).
Untuk variabel usia dan berita yang disenangi

Hipotesis :
H0 : Variabel usia dan berita yang disenangi saling independent
H1 : Variabel jenis kelamin dan berita yang disenangi saling dependent
Statistik Uji :
3 3 (n jk  e jk ) 2
  
2
j 1 k 1 e jk
Daerah kritis :
 hitung
2
  2( JK 1)[( J 1)  ( K 1)], 
 hitung
2
  ((3
2
31) [(31)  (31)];0,05)
 hitung
2
  (24;0,05)
 hitung
2
 9, 448
c. Tabel kontingensi antara variabel usia dan berita yang disenangi

Tabel 9. Tabel Kontingensi antara Usia dan Berita yang Disenangi
Usia Koran 1 Koran 2 Koran 3 Total
25-37 tahun 25 30 39 94
38-50 tahun 35 32 28 95
> 50 tahun 51 32 28 111
Total 111 94 95 300
ni.n.k
eik 
d. Menghitung nilai n
Sehingga didapatkan nilai ekspektasi JxK sebagai berikut,
50
n1. n.1 94 111 nn 94  94 nn 94  95
e11    34,8 e12  1. .2   29, 45 e13  1. .3   29, 77
n 300 n 300 n 300
n n 95 111 n n 95  94 n n 95  95
e21  2. .1   95 e22  2. .2   29, 77 e23  2. .3   30, 08
n 300 n 300 n 300
n n 111111 n n 111 94 n n 111 95
e31  3. .1   18,87 e32  3. .2   34, 78 e33  3. .3   35,15
n 300 n 300 n 300 Setelah
e jk
mendapatkan , maka didapatkan tabel kontingensi dari nilai ekspektasi sebagai berikut,
e jk
Tabel 10. Tabel Kontingensi Nilai Ekspektasi ( ) antara Usia dan Berita yang Disenangi
Usia Koran 1 Koran 2 Koran 3
25-37 tahun 34,78 29,45 29,77
38-50 tahun 95,00 29,77 30,08
> 50 tahun 18,87 34,78 35,15

e jk
statistik ujinya. Berikut ini adalah perhitungan manual statistik uji independensi antara usia dan
berita yang disenangi.
3 3 (n jk  e jk )2
 2  
j 1 k 1 e jk
(n11  e11 ) 2 (n21  e21 ) 2 (n  e )2
   ...  33 33
e11 e21 e33
(25  34, 78) 2 (35  35,15) 2 (28  35,15) 2
   ... 
34, 78 35,15 35,15
 2,75  0,00004  ...  1, 45
 10, 01
d. Keputusan
Berdasarkan hasil perhitungan didapatkan nilai χ2 sebesar 100,22. Nilai statistik uji ini
lebih besar dari χ2(4;0,05) (9,448). Oleh karena itu, dapat dikatakan bahwa keputusan yang diambil
adalah tolak H0.
e. Kesimpulan
51
bahwa usia dan berita yang disenangi saling dependent (berhubungan). Sehingga, model
ln e jk     Yj  kZ   YZ
jk
g. Jointly Independent
Variabel jenis kelamin jointly independent dari variabel usia dan berita yang disenangi
Hipotesis :
H0 : Variabel jenis kelamin jointly independent dari variabel usia dan berita yang senangi
H1 : Variabel jenis kelamin jointly dependent dari variabel usia dan berita yang senangi
Statistik Uji :
2 3 3 (nijk  eijk ) 2
  
2
i 1 j 1 k 1 eijk
Daerah kritis :
 hitung
2
  2( I 1)( JK 1), 
 hitung
2
  ((2
2
1)(331);0,05)
 hitung
2
  (8;0,
2
05 )
 hit
2
ung  15,507
e. Tabel kontingensi antara variabel jenis kelamin, usia, dan berita yang disenangi
Tabel 11. Tabel Kontingensi antara Jenis Kelamin, Usia, dan Berita yang Disenangi
Jenis
Usia Koran I (Berita Koran 2 (Berita Koran 3 (Berita
Kelamin Total
Umum) Metropolis) Olahraga)
25-37 tahun 10 15 29 54
Laki-Laki 38-50 tahun 25 23 27 75
> 50 tahun 48 27 25 100
25-37 tahun 15 15 10 40
Perempuan 38-50 tahun 10 9 1 20
> 50 tahun 3 5 3 11
Total 111 94 95 300
ni ..n. jk
eijk 
f. Menghitung nilai n
52
n1..  n.11 229  25 n2..  n.11 71  25
e111    19, 08 e211    5,92
n  300 n  300
n1..  n.12 229  30 n2..  n.12 71  30
e112    22, 90 e212    7,10
n  300 n  300
n1..  n.13 229  39 n2..  n.13 71  39
e113    29, 70 e213    9, 23
n  300 n  300
n1..  n.21 229  35 n2..  n.21 71  35

e121    26, 72 e221    8, 28
n  111 n  300
n1..  n.22 229  32 n2..  n.22 71  32
e122    24, 43 e222    7,57
n  94 n  300
n1..  n.23 229  28 n2..  n.23 71  28
e123    21,3 e223    6, 63
n  300 n  300
n1..  n.31 229  51 n2..  n.31 71  51
e131    38,93 e231    12, 07
n  300 n  300
n1..  n.32 299  32 n2..  n.32 71  32
e132    24, 43 e232    7,57
n  300 n  300
n1..  n.33 299  28 n2..  n.33 71  28
e133    21,37 e233    6, 63
n  300 n  300
eijk
eijk
Tabel 12. Tabel Kontingensi Nilai Ekspektasi ( ) antara Jenis Kelamin, Usia dan Berita yang Disenangi
Jenis Kelamin Usia Koran 1 Koran 2 Koran 3
25-37 tahun 19,08 22,90 29,77

Laki-Laki 38-50 tahun 26,72 24,43 21,37
> 50 tahun 38,93 24,43 21,37
25-37 tahun 5,92 7,10 9,23
Perempuan 38-50 tahun 8,28 7,57 6,63
> 50 tahun 12,07 7,57 6,63
53
eijk
2 3 3 (nijk  eijk )2
 2  
i 1 j 1 k 1 eijk
(n111  e111 ) 2 (n121  e121 ) 2 (n233  e233 ) 2
   ... 
e111 e12 e233
(10  19, 08) 2 (15  22,90) 2 (3  13,15) 2
   ... 
19, 08 19, 08 13,15
 4,32  2, 73  ...  1,98
 49, 62
d. Keputusan
adalah tolak H0.
e. Kesimpulan
bahwa variabel jenis kelamin jointly dependent dari variabel usia dan berita yang senangi.
h. Homogeneus Assosiasion
Analisis selanjutnya adalah menguji apakah variabel jenis kelamin, usia dan jenis
berita yang disenangi memenuhi homogenous association. Pengujian homogenous
association dilakukan dengan menggunakan metode Likelihood Ratio Test.
ln eijk    i X   Yj  kZ  ijXY  ikXZ   YZ
H0 : Efek order ke-3 = 0 ( jk
)

jk  ijk
XYZ
H1 : Efek order ke-3 ≠ 0 ( )
n 
G 2  2 nijk ln  ijk 
e
Statistik uji :  ijk 
eijk e
Nilai diperoleh dengan menggunakan iterasi. Iterasi dilakukan hingga nilai ijk konvergen.
e
Pada kasus ini diperoleh ijk konvergen sebanyak 5 iterasi dengan hasil sebagai berikut.
54
Tabel 13. Nilai Awal Iterasi
nijk eijk(0) eijk(1) eijk(2) eijk(3) eijk(4) eijk(5) eijk(6) eijk(7) eijk(8) eijk(9)
11+ 3.00 55.97 55.03 54.20
12+ 3.00 74.63 74.68 72.31
13+ 3.00 99.56 99.76 99.96
21+ 3.00 38.03 38.97 39.80
22+ 3.00 20.37 20.32 19.78
23+ 3.00 11.44 11.24 11.04
1+1 76.33 86.37 83.43
1+2 76.33 65.00 65.12
1+3 76.33 77.63 80.45
2+1 23.67 24.70 27.63
2+2 23.67 29.20 28.99
2+3 23.67 17.10 14.38
+11 35.35 26.14 25.22
+12 31.67 30.18 30.14
+13 26.99 37.60 38.65
+21 35.07 34.96 34.95
+22 29.46 31.89 31.92
+23 30.47 28.47 31.43
+31 40.58 49.91 50.83
+32 32.88 33.13 32.17
+33 37.54 31.31 28.37
Tabel 13. Nilai Awal Iterasi (Lanjutan)

eijk(10) eijk(11) eijk(12) eijk(13) eijk(14) eijk(15)
53.97 53.98
75.22 70.59
100.02 100.01
40.03 40.02
19.78 19.52
10.98 10.99
84.03 82.95
65.91 65.06
79.05 80.99
28.06 28.07
29.09 28.96
13.85 13.96
24.85 24.97
29.80 30.00
39.76 39.04
35.72 35.01
32.61 32.02
55
26.56 33.88
50.43 51.02
32.68 32.01
27.96 27.93
Tabel 14. Nilai Iterasi

Iterasi Pertama Iterasi Kedua Iterasi Ketiga
eijk e1 e2 e3 e1 e2 e3 e1 e2 e3
111 18.00 19.57 13.84 13.36 12.84 12.28 12.05 11.99 11.88
112 18.00 15.33 14.52 14.01 14.01 13.93 13.67 13.64 13.58
113 18.00 19.10 27.60 26.63 27.79 28.82 28.28 28.48 28.74
121 25.00 27.18 27.13 27.26 26.20 26.23 26.34 26.21 26.24
122 25.00 21.29 23.13 23.24 23.24 23.32 23.42 23.37 23.43
123 25.00 26.53 24.38 24.50 25.56 25.14 25.24 25.41 22.64
131 33.33 36.24 45.55 45.75 43.97 44.93 45.04 44.81 44.96
132 33.33 28.38 27.63 27.75 28.95 27.97 28.03 28.23 28.07
133 33.33 35.37 26.38 26.50 30.04 26.86 26.93 27.29 26.93
211 13.33 15.77 11.16 11.73 13.30 12.72 13.06 13.23 13.12
212 13.33 16.34 15.48 16.28 16.17 16.07 16.50 16.50 16.42
213 13.33 7.89 11.40 11.99 9.81 10.18 10.45 10.17 10.26
221 6.67 7.89 7.87 7.73 8.76 8.77 8.63 8.75 8.76
222 6.67 8.17 8.87 8.71 8.65 8.68 8.55 8.55 8.57
223 6.67 3.94 3.62 3.56 2.91 2.86 2.82 2.75 2.45
231 3.67 4.34 5.45 5.24 5.94 6.07 5.94 6.02 6.04
232 3.67 4.49 4.37 4.20 4.18 4.03 3.95 3.95 3.93
233 3.67 2.17 1.62 1.56 1.27 1.14 1.11 1.08 1.07
Tabel 14. Nilai Iterasi (Lanjutan)

Iterasi Keempat Iterasi Kelima
e1 e2 e3 e1 e2 e3 nijk ln(nijk/eijk)
11.84 11.69 11.77 11.77 11.78 11.79 -1.64
13.53 13.34 13.43 13.44 13.43 13.42 1.66
28.63 29.34 28.78 28.79 28.79 28.77 0.21
27.22 26.88 26.34 26.26 26.28 26.27 -1.25
24.30 23.96 23.52 23.45 23.43 23.42 -0.42
23.48 24.06 25.37 25.29 25.29 20.90 1.76
44.98 44.42 44.93 44.91 44.94 44.93 3.16
28.08 28.78 28.18 28.17 28.17 28.17 -1.15
26.94 26.88 26.92 26.91 26.84 26.91 -1.78
13.18 13.15 13.23 13.23 13.19 13.21 1.93
16.50 16.46 16.57 16.56 16.58 16.58 -1.50
10.31 10.42 10.22 10.22 10.24 10.23 -0.24
8.86 8.84 8.66 8.76 8.74 8.73 1.35
8.67 8.64 8.48 8.58 8.59 8.58 0.42
2.47 2.50 2.63 2.66 2.67 2.21 -0.98
56
6.02 6.01 6.07 6.09 6.07 6.07 -2.12
3.91 3.90 3.82 3.83 3.83 3.83 1.33
1.07 1.08 1.08 1.08 1.09 1.09 3.05
eijk
Berdasarkan hasil perhitungan di atas, diperoleh nilai statistik uji likelihood ratio sebagai
berikut,
n 
G 2  2 nijk ln  ijk 
 eijk 
 
 2  ( 1,64  1,66  0, 21  1, 25  ...  3, 05)
 7,081
Daerah Kritis : G2 > 2((i-1)(j-1)(k-1),α)
G2 > 2((2-1)(3-1)(3-1),α)
G2 > 2(4, 0,05)
G2 > 9,4877
Keputusan :
Keputusan yang diambil adalah H0 gagal ditolak karena G2 (7,081) kurang dari 9,4877. Sehingga
dapat diperoleh kesimpulan bahwa variabel jenis kelamin, usia dan jenis berita yang disenangi
memenuhi homogenous association, dengan model sebagai berikut,
jk
3.1.2 Uji K-Way

Pada pengujian ini terdapat dua langkah pemodelan, yaitu K-Way and Higher
Effects dan K-way effects.
1. K-Way and Higher Effects
Pengujian interaksi pada derajat K atau lebih tinggi sama dengan nol. Pengujian ini
didasarkanpada hipotesis bahwa efek order ke-K dan yang lebih tinggi sama dengan nol.
Hipotesis :
a. Untuk K = 3
H0 : Efek order ke-3 = 0 ( jk
)

jk  ijk
XYZ
H1 : Efek order ke-3 ≠ 0 ( )
n 
G 2  2 nijk ln  ijk 
e
Statistik uji :  ijk 
57
eijk eijk
Nilai diperoleh dengan menggunakan iterasi. Iterasi dilakukan hingga nilai
eijk
konvergen. Pada kasus ini diperoleh konvergen sebanyak 5 iterasi dengan hasil seperti
eijk
pada Tabel 13 dan Tabel 14. Berdasarkan hasil perhitungan pada Tabel 13 dan tabel 14,
diperoleh nilai statistik uji dengan metode likelihood ratio sebagai berikut,
 nijk 
G 2  2 nijk ln 
 e 
 ijk 
 2  ( 1, 64  1, 66  0, 21  1, 25  ...  3, 05)
 7, 081
Daerah Kritis : G2 > 2((i-1)(j-1)(k-1),α)
G2 > 2((2-1)(3-1)(3-1),α)
G2 > 2(4, 0,05)
G2 > 9,4877
Kesimpulan :
Karena nilai G2 (7,081) kurang dari 9,4877 maka gagal tolak H 0. Kesimpulan ini juga didapatkan
dari nilai P-Value pada uji Chi-Square 0,113 yang lebih besar dari alpha 0,05. Sehingga
keputusannya adalah order ke-3 sama dengan nol atau model
jk
b. Untuk K = 2

 ln e ijk    iX   Yj  kZ 

 ln e
ijk jk  ijk 
 nij 
G 2  2 nij ln  
 eij
Statistik uji :  
ni..n. j. n..k
eijk 
Dimana, n2
Sehingga didapatkan,
58
n1..  n.1.  n..1 229  94  111 n xn xn 71 x 94x 111
e111  2
 2
 26,55 e211  2.. .1.2 ..1   8, 23
n... 300 n... 3002
n xn xn 229 x 94 x 94 n xn xn 71 x 94 x 94
e112  1.. .1.2 ..2  2
 22, 48 e212  2.. .1.2 ..2   6,97
n... 300 n... 3002
n xn xn 229x 94 x 95 n xn xn 71 x 94 x 95
e113  1.. .1.2 ..3  2
 22, 72 e213  2.. .1.2 ..3   7, 04
n... 300 n... 3002
n xn xn 229 x 95 x 111 n xn xn 71 x 95 x 111
e121  1.. .2.2 ..1  2
 26,83 e221  2.. .2.2 ..1   8,32
n... 300 n... 3002
n xn xn 229 x 95 x 94 n xn xn 71 x 95 x 94
e122  1.. 2.2 ..2  2
 22, 72 e222  2.. .2.2 ..2   7, 04
n... 300 n... 3002
n1.. x n.2. x n..3 229 x 95 x 95 n2.. x n.2. x n..3 71 x 95 x 95

e123    22,96 e223    7,12
n...2 300 2 n...2 3002
n xn xn 229 x 111 x 111 n xn xn 71 x 111 x 111
e131  1.. ..3.2 ..1   31,35 e231  2.. .3.2 ..1   9, 72
n... 3002 n... 300 2
n xn xn 229 x 111 x 94 n xn xn 71 x111 x 94
e132  1.. .3.2 ..2   26,55 e232  2.. .3.2 ..2   8, 23
n... 300 2 n... 300 2
n xn xn 229 x 111 x 95 n xn xn 71 x 111 x 95
e133  1.. .3.2 ..3   26,83 e233  2.. .3.2 ..3   8,32
n... 3002 n... 3002
Maka didapatkan nilai statistik uji,
 n  n   n 
G 2  2  n111 ln  111   n121 ln  121   ...  n233 ln  233  
  e111   e121   e233  
  10   15   3 
 2 10 ln    15ln    ...  3ln  
  26,55   22, 48   8,32  
 2  9, 76  6, 07  ...  3, 06 
 60,53
Daerah Kritis : G2> 2((i-1)(j-1)+(i-1)(k-1)+(j-1)(k-1)-(i-1)(j-1)(k-1),α)
G2 > 2(12, 0,05)
G2> 21,0642
Keputusan : Karena nilai G2 (60,53) > χ2(12;0,05) (21,0642), maka terjadi tolak H0. Kesimpulan
ini juga didapatkan dari nilai P-Value pada uji Chi-Square 0 yang kurang dari alpha 0,05. Sehingga
keputusannya adalah order ke-2 tidak sama dengan nol atau didapatkan model sebagai berikut

jk  ijk
XYZ
59
c. Untuk K = 1 atau lebih
H0 : Efek order ke-1 atau lebih = 0

 ln e ijk  
H1 : Efek order ke-1 dan yang lebih tinggi ≠ 0
n  n..
G 2  2 nij ln  ij  eij 
 eij jumlah sel
Statistik uji :   dengan
n.. 300
eijk    16, 67
jumlah sel 18
Maka didapatkan nilai statistik uji,
 n  n   n 
G 2  2  n111 ln  111   n121 ln  121   ...  n233 ln  233 
  e111   e121   e233 
  10   15   3 
 2 10 ln    15 ln    ...  3ln  
  16, 67   16, 67   16, 67  
 2  5,109  1,590  ...  5,144
 151, 670
Daerah Kritis : G2 > 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)
G2 > 2((2-1)+(3-1)+(3-1)+(2-1)(3-1)+(2-1)(3-1)+(3-1)(3-1)-(2-1)(3-1)(3-1),α)
G2 > 2(17, 0,05)
G2 > 27,587
Keputusan : Karena nilai G2 (151,670) > χ2(17;0,05) (27,587), maka terjadi tolak H0.
Kesimpulan ini juga didapatkan dari nilai P-Value pada uji Chi-Square 0 yang kurang dari
alpha 0,05. Sehingga keputusannya adalah order ke-2 tidak sama dengan nol atau

jk  ijk
XYZ
didapatkan model sebagai berikut
2. K-Way Effects
Pengujian interaksi pada derajat K sama dengan nol. Pengujian ini didasarkan pada
hipotesis efek order ke-K sama dengan nol. Berikut ini adalah hipotesis yang digunakan.
a. Untuk K = 1
60
 ln eijk   
 ln e ijk    iX   Yj  kZ 
Statistik uji : G  G1  G2  151, 670 – 60,527  91,143

2 2 2
Daerah Kritis : G2> 2(db1-db2,α)

G2> 2(17-12,α)
G2> 2(5, 0,05)
G2 > 11,0705
Keputusan : Karena nilai G2 (91,143) > χ2(5;0,05) (11,0705), maka terjadi tolak H0 yang artinya
efek order ke-1 ≠ 0 atau terdapat efek order kedua dalam model, sehingga model log linear
yang terbentuk adalah sebagai berikut.
ln eijk    iX   Yj  kZ
b. Untuk K = 2

 ln e ijk
   i X   jY  kZ 

 ln e ijk jk 
Statistik uji : G  G2  G3  60, 527 – 7, 082  53, 445

2 2 2
Daerah Kritis : G2 > 2(db2-db1,α)

G2 > 2(12-4,α)
G2 > 2(8, 0,05)
G2 > 15,507
Keputusan : Karena nilai G2 ( 53, 445 ) > χ2(8;0,05) (15,507), maka terjadi tolak H0.
Kesimpulan ini juga didapatkan dari nilai P-Value pada uji Likelihood Ration 0 yang
kurang dari alpha 0,05. Sehingga keputusannya adalah order ke-2 tidak sama dengan nol
atau dengan model sebagai berikut jk
c. Untuk K = 3

 ln e ijk jk 

61
Statistik uji : G  G3  7, 082
2 2
Daerah Kritis : G2 > 2(db3,α)

G2 > 2(4, 0,05)
G2 > 9,488
Keputusan : Karena nilai G2(7,802)> χ2(4;0,05) (9,488), maka terjadi gagal tolak H0.
Kesimpulan ini juga didapatkan dari nilai P-Value pada uji Likelihood Ration 0,132 yang
lebih dari alpha 0,05. Sehingga keputusannya adalah order ke-3 sama dengan nol atau
dengan model sebagai berikut jk
3.1.3 Seleksi Model Menggunakan Uji Asosiasi Parsial

Pengujian ini mempunyai tujuan untuk menguji semua parameter yang mungkin dari suatu
model lengkap baik untuk satu variabel yang bebas maupun untuk hubungan ketergantungan
beberapa variabel yang merupakan parsial dari suatu model lengkap.
1. Variabel Jenis Kelamin
Hipotesis :
H0 : Jenis kelamin independen dalam model
H1 : Jenis kelamin dependen dalam model
Statistik uji : G12 – G42
e111  e112  e113  e121  e122  e123  e131  e132  e133  e1..  25, 44
dengan e211  e212  e213  e221  e222  e223  e231  e232  e233  e2..  7,89
 n  n   n 
G 2  2  n111 ln  111   n21 ln  121   ...  n233 ln  233  
  e111   e121   e233  
  110   25   3 
 2 10 ln    25ln    ...  3ln  
  25, 44   25, 44   7,89  
 2  9,34  0, 44  ...  2,90 
 64,11
Partial Chi-Square = G12 – G42 = 151,67 – 64,11 = 87,56
Daerah Kritis : Tolak H0, jika G2 > 2((i-1),α)
Derajat Bebas : X = (i-1) = (2-1)=1
Keputusan : Karena nilai G2 (87,564) > χ2(1;0,05) (3,841), maka terjadi tolak H0 yang berarti
jenis kelamin dependen dalam model atau efek variabel jenis kelamin signifikan dalam
model.
62
2. Variabel Usia
Hipotesis :
H0 : Usia independen dalam model
H1 : Usia dependen dalam model
e111  e112  e113  e211  e212  e213  e.1.  15, 67
e121  e122  e123  e221  e222  e223  e.2.  15,83
dengan e131  e132  e133  e231  e232  e233  e.3.  18,50

 n  n   n 
G 2  2  n111 ln  111   n21 ln  121   ...  n233 ln  233  
  e111   e121   e233  
  10   25   3 
 2 10 ln    25ln    ...  3ln  
  15, 67   15,83   18,50  
 2  4, 49  11, 42  ...  5, 46
 149,88
Daerah Kritis : Tolak H0, jika G2 > 2((i-1),α)
Derajat Bebas : Y = (j-1) = (3-1)=2
Keputusan : Karena nilai G2 (1,790) > χ2(2;0,05) (5,991), maka terjadi gagal tolak H0 yang
berarti usia independen dalam model atau efek variabel usia tidak signifikan dalam model.
3. Variabel Berita yang Disenangi
Hipotesis :
H0 : Berita yang disenangi independen dalam model
H1 : Berita yang disenangi dependen dalam model
e111  e121  e131  e211  e221  e231  e..1  18,50
e112  e122  e132  e212  e222  e232  e..2  15,67
dengan e113  e123  e133  e213  e223  e233  e..3  15,83
63
 n  n   n 
G 2  2  n111 ln  111   n21 ln  121   ...  n233 ln  233  
  e111   e121   e233  
  10   25   3 
 2 10 ln    25ln    ...  3ln  
  18,50   18,50   15,83  
 2  6,15  7,53  ...  4,99
 149,88
Daerah Kritis : Tolak H0, jika χ2hitung > 2((i-1),α)
Derajat Bebas : Z = (k-1) = (3-1)=2
Keputusan : Karena nilai G2 (1,790) > χ2(2;0,05) (5,991), maka terjadi gagal tolak H0 yang
berarti berita yang disenangi independen dalam model atau efek variabel berita yang
disenangi tidak signifikan dalam model.
4. Variabel Jenis Kelamin dan Usia
Hipotesis :
H0 : Jenis kelamin dan usia independen dalam setiap level koran
H1 : Jenis kelamin dan usia dependen dalam setiap level koran
Statistik Uji :
2 3 (nij  eij )2
  
2
i 1 j 1 eij
Daerah kritis :
 hitung
2
 2( IJ 1) [( I 1)  ( J 1)], 
 hitung
2
  ((2
2
31) [(2 1)  (31)];0,05)
 hitung
2
  (22;0,05)
 hitung
2
 3, 481
a. Tabel kontingensi antara variabel jenis kelamin dan usia

Tabel 15. Tabel Kontingensi antara Jenis Kelamin dan Usia
64
Usia
Jenis Kelamin
Laki-laki 54 75 100
Perempuan 40 20 11
Total 94 95 111
ni. n. j
eij 
b. Menghitung nilai n
Sehingga didapatkan nilai ekspektasi IxJ sebagai berikut,

n1.n.1 229  94 nn 229  95 nn 229  111
e11    71, 75 e12  1. .2   5,52 e13  1. .3   84,3
n 300 n 300 n 300
n n 71 94 n n 71 95 n n 71111
e21  2. .1   22, 25 e22  2. .2   22, 48 e23  2. .3   26, 27
n 300 n 300 n 300
eij
eij
Tabel 16. Tabel Kontingensi Nilai Ekspektasi ( ) antara Jenis Kelamin dan Usia
Usia
Jenis Kelamin
Laki-laki 71,75 72,52 84,73
Perempuan 22,25 22,48 26,27
Total 71,75 72,52 84,73
c. Menghitung nilai statistik uji

eij
statistik ujinya. Berikut ini adalah perhitungan manual statistik uji yang dilakukan.
2 3 (nij  eij ) 2
  
2
i 1 j 1 eij
(n11  e11 ) ( n21  e21 )2 ( n12  e12 ) 2 (n22  e22 ) 2 (n13  e13 ) 2 (n32  e23 )2
2
     
e11 e21 e12 e22 e13 e23
(54  71, 75) 2 (40  22, 25) 2 (75  72,52) 2 (20  22, 48) 2 (100  84, 73)2 (11  26, 27) 2
     
71, 75 22, 25 72,52 22, 48 84, 73 26, 27
 4,39  14,17  0, 09  0, 27  2,75  8,88
 30,55
d. Keputusan
65
adalah tolak H0.
e. Kesimpulan
Karena didapatkan hasil tolak H0, maka dapat disimpulkan bahwa yang berarti jenis
kelamin dan usia dependen dalam setiap level koran.
5. Variabel Jenis Kelamin dan Berita yang Disenangi
Hipotesis :
H0 : Jenis kelamin dan berita yang disenangi independen dalam setiap level usia
H1 : Jenis kelamin dan berita yang disenangi dependen dalam setiap level usia
Statistik Uji :
2 3 (nij  eij )2
 2  
i 1 j 1 eij
Daerah kritis :
 hitung
2
 2( IK 1)[( I 1) ( K 1)], 
 hitung
2
  ((2
2
31) [(2 1)  (31)];0,05)
 hitung
2
  (22;0,05)
 hitung
2
 3, 481
b. Tabel kontingensi antara variabel jenis kelamin dan berita yang disenangi
Tabel 17. Tabel Kontingensi antara Jenis Kelamin dan Berita yang Disenangi
Total
Laki-laki 83 65 81 229
Perempuan 28 29 14 71
Total 111 94 95 300
ni.n.k
eik 
c. Menghitung nilai n
Sehingga didapatkan nilai ekspektasi IxK sebagai berikut,
66
n1.n.1 229 111 n2.n.2 71 94
e11    84, 73 e22    22, 25
n 300 n 300
n n 71 111 nn 229  95
e21  2. .1   26, 27 e13  1. .3   72,52
n 300 n 300
nn 229  94 n n 71 95
e12  1. .2   71, 75 e23  2. .3   22, 48
n 300 n 300
eik , maka didapatkan tabel kontingensi dari nilai ekspektasi sebagai berikut,
Setelah mendapatkan
eik ) antara Jenis Kelamin dan Berita yang Disenangi

Tabel 18. Tabel Kontingensi Nilai Ekspektasi (
Laki-laki 84,73 71,75 72,52
Perempuan 26,27 22,25 22,48
Langkah selanjutnya setelah mendapatkan nilai ekspektasi ( eik ) adalah menghitung nilai statistik
ujinya. Berikut ini adalah perhitungan manual statistik uji yang dilakukan.
2 3
(nik  eik ) 2
 2  
i 1 k 1 eik
( n11  e11 ) 2 ( n21  e21 ) 2 (n12  e12 ) 2 (n22  e22 ) 2 (n13  e13 )2 (n32  e23 ) 2
     
e11 e21 e12 e22 e13 e23
(83  84, 73) 2 (28  26, 27) 2 (65  71, 75) 2 (29  22,52) 2 (81  72,52) 2 (14  22, 48) 2
     
84, 73 26, 27 71, 75 22, 25 72,52 22, 48
 0, 04  0,11  0, 64  2, 05  0,99  3, 20
 7, 03
d. Keputusan
tolak H0.
e. Kesimpulan
Karena didapatkan hasil tolak H0, maka dapat disimpulkan bahwa jenis kelamin dan berita
yang disenangi dependen dalam setiap level usia
67
6. Variabel Usia dan Berita yang Disenangi
Hipotesis :
H0 : Usia dan berita yang disenangi independen dalam setiap level jenis kelamin
H1 : Usia dan berita yang disenangi dependen dalam setiap level jenis kelamin
Statistik Uji :
3 3 (n jk  e jk ) 2
  
2
j 1 k 1 e jk
Daerah kritis :
 hitung
2
  2( JK 1)[( J 1)  ( K 1)], 
 hitung
2
  ((3
2
31) [(31)  (31)];0,05)
 hitung
2
  (24;0,05)
 hitung
2
 9, 448
g. Tabel kontingensi antara variabel usia dan berita yang disenangi

Tabel 19. Tabel Kontingensi antara Usia dan Berita yang Disenangi
Usia Koran 1 Koran 2 Koran 3 Total
25-37 tahun 25 30 39 94
38-50 tahun 35 32 28 95
> 50 tahun 51 32 28 111
Total 111 94 95 300
ni.n.k
eik 
h. Menghitung nilai n
Sehingga didapatkan nilai ekspektasi JxK sebagai berikut,

n1. n.1 94 111 nn 94  94 nn 94  95
e11    34,8 e12  1. .2   29, 45 e13  1. .3   29, 77
n 300 n 300 n 300
n n 95 111 n n 95  94 n n 95  95
e21  2. .1   95 e22  2. .2   29, 77 e23  2. .3   30, 08
n 300 n 300 n 300
n n 111111 n n 111 94 n n 111 95
e31  3. .1   18,87 e32  3. .2   34, 78 e33  3. .3   35,15
n 300 n 300 n 300
e jk
e jk
Tabel 20. Tabel Kontingensi Nilai Ekspektasi ( ) antara Usia dan Berita yang Disenangi
Usia Berita yang Disenangi
68
Koran 1 Koran 2 Koran 3
25-37 tahun 34,78 29,45 29,77
38-50 tahun 95,00 29,77 30,08
> 50 tahun 18,87 34,78 35,15

e jk
statistik ujinya. Berikut ini adalah perhitungan manual statistik uji yang dilakukan.
3 3 (n jk  e jk ) 2
 2  
j 1 k 1 e jk
( n11  e11 ) 2 ( n21  e21 ) 2 (n  e )2
   ...  33 33
e11 e21 e33
(25  34, 78) 2 (35  35,15) 2 (28  35,15) 2
   ... 
34, 78 35,15 35,15
 2, 75  0, 00004  ...  1, 45
 10, 01
d. Keputusan
adalah tolak H0.
e. Kesimpulan
Karena didapatkan hasil tolak H0, maka dapat disimpulkan bahwa yang berarti bahwa usia
dan berita yang disenangi dependen dalam setiap level jenis kelamin
3.1.4 Model Log Linear antara Variabel Jenis Kelamin, Usia, dan Berita yang Disenangi
Model log linear merupakan suatu model untuk memperoleh model statistika yang
menyatakan hubungan antara variabel dengan data yang bersifat kualitatif (nominal atau ordinal).
Model log linear berguna untuk melihat pengaruh variabel dan interaksi variabel untuk dua
dimensi atau lebih.
Berikut adalah persamaan model log linear tiga dimensi yang dependen :
ln eij    iX   Yj  kZ  ijXY  ikXZ   YZ
jk  ijk
XYZ
a. Hasil Estimasi Parameter

Langkah menghitung nilai estimasi parameter adalah sebagai berikut,
i. Menghitung nilai parameter rata-rata keseluruhan (  )
69
Perhitungan nilai parameter rata-rata keseluruhan menggunakan rumus sebagai
berikut,
I J K
 ln n
i 1 j 1 k 1
ijk

IJK
I J K
 ln  i  ln 
j 1
 j  ln  k
 ln n  i 1
  k 1
I J J
ln(10)  ln(15)  ...  ln(3)

2  3 3
 2,385
ii. Menghitung nilai parameter pengaruh tingkat i faktor X ( i )

X
J K
 ln
j 1 k 1
nijk
i 
X

JK
J K
 ln n
j 1 k 1
1 jk
 
1
X
 2,385
3 3
ln n111  ln n112  ln n113  ln n121  ...  ln n133
  2,385
9
 0, 605
J K
 ln n
j 1 k 1
2 jk
 
2
X
 2,385
3 3
ln n211  ln n212  ln n213  ln n221  ...  ln n233
  2,385
9
 0, 605
 Yj
iii. Menghitung nilai parameter pengaruh tingkat j faktor Y ( )
I K
 ln n ijk
 
Y
j
i 1 k 1

IK
70
I K
 ln n i1k
  Y
1  2,385
i 1 k 1
2 3
ln n111  ln n112  ln n113  ln n211  ln n212  ln n213
  2, 385
6
 0, 297
I K
 ln n i 2k
  Y
2
i 1 k 1
 2, 385
23
  2, 385
6
 0, 027
I K
 ln n i 3k
  Y
3  2,385
i 1 k 1
23
  2, 385
6
 0, 270
iv. Menghitung nilai parameter pengaruh tingkat k faktor Z ( k )
Z
I J
 ln
i 1 j 1
nijk
 
Z
k 
IJ
I J
 ln n
i 1 j 1
ij1
  1
Z
 2,385
23
  2,385
6
 0,198
I J
 ln n
i 1 j 1
ij 2
  Z
2  2,385
23
  2,385
6
 0,126
71
I J
 ln n
i 1 j 1
ij 3
3Z   2,385
23
  2,385
6
 0,324
ijXY
v. Menghitung nilai parameter pengaruh gabungan faktor X dan Y ( )
K J K I K
j 1 k 1
 ln n ijk
 XY
ij  k 1
  i 1 k 1

K JK IK
K J K I K
 ln n11k  ln n
j 1 k 1
1 jk  ln n i1k
 XY
11  k 1
   2,385
i 1 k 1
3 3 3 2 3
ln n111  ln n112  n113 ln n111  ln n112  ln n113  ln n121  ...  ln n133
 
3 9
  2,385
6
 0, 49
K J K I K
j 1 k 1
 XY
12  k 1
   2,385
i 1 k 1
3 3 3 2 3
 
3 9
  2,385
6
 0, 25
K J K I K
 ln n 13 k  ln n1 jk
j 1 k 1
 ln n i 3k
13XY  k 1
   2,385
i 1 k 1
3 3 3 23
 
3 9
  2,385
6
 0, 24
72
K J K I K
j 1 k 1
XY
21  k 1
 
 2,385 i 1 k 1
3 3 3 23
 
3 9
  2,385
6
 0, 49
K J K I K
 ln n 22 k  ln n
j 1 k 1
2 jk  ln n i 2k
XY
22  k 1
   2,385 i 1 k 1
3 3 3 23
 
3 9
  2,385
6
 0, 25
K J K I K
 ln n23k  ln n2 jk
j 1 k 1
 ln n i 3k
XY
23  k 1
 
 2,385 i 1 k 1
3 3 3 23
 
3 9
  2,385
6
 0, 24
Menghitung nilai parameter pengaruh gabungan faktor X dan Z ( ik )

XZ
vi.
J J K I J
 ln nijk
j 1
 ln nijk
j 1 k 1
 ln n
i 1 j 1
ijk
XZ
ik    
J JK IJ
J J K I J
 ln n1 j1
j 1
 ln n1 jk
j 1 k 1
 ln n
i 1 j 1
ij1
XZ
11     2,385
3 3 3 23
ln n111  ln n121  ln n131 ln n111  ln n112  ln n113  ln n121  ...  ln n133
 
3 9
  2,385
6
 0, 06
73
J J K I J
 ln n1 j 2
j 1
 ln n1 jk
j 1 k 1
 ln n
i 1 j 1
ij 2
XZ
12     2,385
3 3 3 23
 
3 9
  2,385
6
 0, 27
J J K I J
 ln n
j 1
1 j3  ln n
j 1 k 1
1 jk  ln n
i 1 j 1
ij 3
XZ
13     2,385
3 3 3 23
 
3 9
  2,385
6
 0,32
J J K I J
 ln n
j 1
2 j1  ln n
j 1 k 1
2 jk  ln n
i 1 j 1
ij1
XZ
21     2,385
3 3 3 2 3
 
3 9
  2,385
6
 0, 06
J J K I J
 ln n2 j 2
j 1
 ln n2 jk
j 1 k 1
 ln n
i 1 j 1
ij 2
 XZ
22     2,385
3 3 3 23
 
3 9
  2,385
6
 0, 27
74
J J K I J
 ln n2 j 3
j 1
 ln n2 jk
j 1 k 1
 ln n
i 1 j 1
ij 3
 XZ
23     2,385
3 3 3 23
 
3 9
  2,385
6
 0,32
 YZ
vii. Menghitung nilai parameter pengaruh gabungan faktor Y dan Z ( jk
)
I I K I J
i 1 j 1
ijk
 YZ
jk  i 1
 i 1 k 1
 
I IK IJ
I I K I J
 ln ni11  ln ni1k  ln n
i 1 j 1
ij1
YZ
11  i 1
 i 1 k 1

 2,385
2 2 3 23
ln n111  ln n211 ln n111  ln n112  ln n113  ln n211  ln n212  ln n213
 
2 6
  2,385
6
 0,38
I I K I J
i 1 j 1
ij 2
YZ
12  i 1
 
i 1 k 1
 2,385
2 23 23
 
2 6
  2,385
6
 0,10
I I K I J
 ln n i13  ln n i1k  ln n
i 1 j 1
ij 3
YZ
13  i 1
 
i 1 k 1
 2,385
2 23 23
 
2 6
  2,385
6
 0, 48
75
I I K I J
 ln ni 21  ln ni 2 k  ln n
i 1 j 1
ij1

YZ
21  i 1
 
i 1 k 1
 2,385
2 23 23
 
2 6
  2,385
6
 0, 20
I I K I J
 ln n i 22  ln n i 2k  ln n
i 1 j 1
ij 2

YZ
22  i 1
 
i 1 k 1
 2,385
2 2 3 23
 
2 6
  2,385
6
 0,18
I I K I J
 ln ni 23  ln ni 2k  ln n
i 1 j 1
ij 3

YZ
23  i 1
 i 1 k 1
  2,385
2 23 23
 
2 6
  2,385
6
 0,39
I I K I J
i 1 j 1
ij1

YZ
31  i 1
 
i 1 k 1
 2,385
2 23 23
 
2 6
  2,385
6
 0,17
76
I I K I J
i 1 j 1
ij 2
YZ
32  i 1
 
i 1 k 1
 2,385
2 23 23
 
2 6
  2,385
6
 0, 08
I I K I J
 ln n i 33  ln n i 3k  ln n
i 1 j 1
ij 3
YZ
33  i 1
 
i 1 k 1
 2,385
2 23 23
 
2 6
  2,385
6
 0.09
ijkXYZ
viii. Menghitung nilai parameter pengaruh gabungan faktor X, Y dan Z ( )
K J I J K I K I J
 ln eijk  ln e
j 1
ijk  ln eijk  ln e  ln e
j 1 k 1
ijk ijk  ln e
i 1 j 1
ijk
 XYZ
ijk  ln eijk  k 1
  i 1
 i 1 k 1
 
K J I JK IK IJ
111
XYZ
 0, 26 211
XYZ
 0, 26
112
XYZ
 0,16 212
XYZ
 0,16
113
XYZ
 0,10 213
XYZ
 0,10
121
XYZ
 0,34 221
XYZ
 0,34
122
XYZ
 0,12 222
XYZ
 0,12
123
XYZ
 0, 47 223
XYZ
 0, 47
131
XYZ
 0, 60 231
XYZ
 0, 60
132
XYZ
 0, 03 232
XYZ
 0,03
133
XYZ
 0,57 233
XYZ
 0,57
Parameter model log linear yang telah diestimasi kemudian akan diuji
signifikansinya dengan uji Z untuk mengetahui sel-sel yang menyebabkan terjadinya
dependensi. Pengujian signifikansi parameter akan dilakukan dengan software SPSS dan
akan dijelaskan pada sub-bab 3.2.4.
77
b. Pemilihan Model Terbaik Menggunakan Eliminasi Backward
Seleksi model log linier dilakukan dengan metode backward elimination. Metode
backward elimination pada dasarnya menyeleksi model dengan menggunakan prinsip
hierarki, yaitu dengan melihat model terlengkap sampai dengan model yang sederhana.
Untuk memilih model terbaik, maka dibandingkan antara model 0 dengan model 1
dengan hipotesis sebagai berikut,
Hipotesis :
H0 : Model 1 merupakan model terbaik
ln eij    iX   Yj  kZ  ijXY  ikXZ   YZ
( jk
)
H1 : Model 0 merupakan model terbaik
ln eij    iX   Yj  kZ  ijXY  ikXZ   YZ

jk  ijk
XYZ
( )
Berikut ini adalah hasi uji eliminasi backward yang didapatkan,
Tabel 21. Hasil Uji Eliminasi Backward
Chi-
Step Effects Square df P-value
0 Generating Class berita*usia*jenis kelamin 0,000 0 .
Deleted 1 berita *usia*jenis 7,081 4 0,132
Effect kelamin
Tabel 21. Hasil Uji Eliminasi Backward (Lanjutan)
Step Effects Chi-Square df P-value

1 Generating Class berita*usia, berita*jenis 7,081 4 0,132
kelamin, usia*jenis kelamin
Deleted 1 berita * usia 15,521 4 0,004

Effect 2 berita *jenis kelamin 12,851 2 0,002
3 usia *jenis kelamin 36,113 2 0,000
2 Generating Classb berita*umur, berita*jenis 7,081 4 0,132
kelamin, umur*jenis
kelamin
Daerah Kritis : G2> 2(db1-db0,α)

G2> 2(12-4,α)
G2> 2(8, 0,05)
G2> 15,507
Statistik Uji :
G2 = G12 – G02
= 7,081 – 0
= 7,081
78
Kesimpulan :
Berdasarkan tabel 19 diketahui bahwa G2 (7,082) kurang dari 15,507 dan p-value dari iterasi
pertama eliminasi backward adalah 0,528 yang berarti gagal tolak H0. Sehingga kesimpulannya
adalah model 1 merupakan model terbaik, sehingga model linear terbaik.
Langkah selanjutnya adalah dengan melakukan iterasi kedua yang terdiri dari tiga pengujian,
pengujian tersebut adalah sebagai berikut.
ln eijk    iX   Yj  kZ  ijXY  ikXZ

a. H0 : Model 2 adalah model terbaik ( )
ln eijk    iX   Yj  kZ  ijXY  ikXZ   YZ
H1 : Model 1 adalah model terbaik ( jk
)
Daerah Kritis : 2hitung > 2(db2-db1,α)

2hitung > 2(12-8,α)
2hitung > 2(4, 0,05)
2hitung > 9,488
Statistik Uji :
2 = 36,113
Kesimpulan :
Karena nilai 2 (15,520) lebih dari 9,488 maka tolak H 0. Sehingga keputusannya
adalah model 1 adalah model terbaik pada iterasi kedua. Jadi keputusan akhir, model
terbaik adalah jk
ln eijk    iX   Yj  kZ  ijXY   YZ

b. H0 : Model 2 adalah model terbaik ( jk
)
jk )
H1 : Model 1 adalah model terbaik (
Daerah Kritis : 2hitung > 2(db2-db1,α)
2hitung > 2(12-8,α)
2hitung > 2(4, 0,05)
2hitung > 9,488 atau G2 > 9,488
Statistik Uji :
2 = 12,851
Kesimpulan :
79
Karena nilai 2 (12,851) lebih dari 9,488 maka tolak H0. Sehingga keputusannya
terbaik adalah jk
ln eijk    iX   Yj  kZ  ikXZ   YZ

c. H0 : Model 2 adalah model terbaik ( jk
)
ln e      
X Y Z XY
  XZ   YZ )
H1 : Model 1 adalah model terbaik ( ijk i ik j k
jk ij
Daerah Kritis :  hitung >  (db2-db1,α)

2 2
2hitung > 2(12-8,α)

2hitung > 2(4, 0,05)
2hitung > 9,488
Statistik Uji :
2 = 36,113
Kesimpulan :
Karena nilai 2 (36,113) lebih dari 9,488 maka tolak H0. Sehingga keputusannya
jk )
terbaik adalah
3.2 Menggunakan SPSS dan R
Setelah dilakukan pemodelan log linear tiga dimensi dengan perhitungan manual,
langkah selanjutnya adalah pemodelan log linear antara jenis kelamin, usia dan berita
yang disenangi dengan menggunakan software SPSS dan R. Analisis pertama yang harus
dilakukan sebelum melakukan pemodelan log linear adalah uji independensi antara jenis
kelamin, usia dan berita yang disenangi. Asumsi yang harus dipenuhi dalam pemodelan
log linear adalah dependensi antar variabel karena salah satu tujuan dari analisis log
linear tiga dimensi adalah untuk mengetahui sel-sel manakah yang menyebabkan
terjadinya dependensi antar variabel.
3.2.1 Uji Independensi Antara Jenis Kelamin, Usia dan Berita yang Disenangi
Tipe asosiasi yang akan dibahas dalam pengujian independensi antara jenis
kelamin, usia dan berita yang disenangi adalah mutually independent, jointly
independent, conditionally independent dan homogenous association. Pengujian
independensi antara jenis kelamin, usia dan berita yang disenangi dilakukan dengan uji
Pearson-Chisquare dan Likelihood Ratio Test. Pengujian dilakukan dengan
menggunakan software SPSS dan R. Pengujian mutually independent akan dilakukan
dengan software SPSS dan R, sedangkan pengujian jointly independent, conditionally
independent dan homogenous association akan dilakukan dengan software R. Analisis
80
yang pertama dilakukan adalah pengujian mutually independent pada variabel jenis
kelamin, usia dan berita yang disenangi. Hasil uji mutually independent dengan kedua
software menghasilkan nilai statistik uji yang sama, hasil output dari software SPSS dan
R dapat dilihat pada Lampiran 7 dan 12. Hasil pengujian mutually independent antara
jenis kelamin, usia dan berita yang disenangi disajikan pada Tabel 20.
Tabel 22. Uji Mutually Independent Antara Jenis Kelamin, Usia dan Berita yang Disenangi (X,Y,Z)
dengan SPSS dan R
Chi- df P-
square value
Pearson Chi-Square 55,866 12 0,000
Likelihood Ratio 60,527 12 0,000
Test
Hipotesis, statistik uji dan daerah penolakan dari pengujian independensi dengan
Pearson Chi-Square telah dijelaskan sebelumnya pada perhitungan secara manual. Tabel
22 menginformasikan bahwa nilai statisik uji Chi-square dari uji mutually independent
antara jenis kelamin, usia dan berita yang disenangi adalah sebesar 55,866 dengan p-
value sebesar 0,000. Sehingga, keputusan yang diambil adalah H0 ditolak karena p-value
yang dihasilkan bernilai lebih kecil dari taraf signifikan yang digunakan (5%). Metode
Pearson-Chisquare dan Likelihood Ratio Test menghasilkan kesimpulan yang sama
bahwa variabel jenis kelamin, usia dan berita yang disenangi saling mutually dependent.
Analisis selanjutnya adalah pengujian jointly independent, dalam penelitian ini
asosiasi jointly independent yang akan diuji adalah berita yang disenangi (Z) terhadap
jenis kelamin (X) dan usia (Y) atau dapat dituliskan dengan (XY,Z). Pengujian dilakukan
dengan software R dengan metode Pearson-Chisquare dan Likelihood Ratio Test. Hasil
output dari software R dapat dilihat pada Lampiran 12.
Hasil pengujian jointly independent antara berita yang disenangi (Z) terhadap jenis
kelamin (X) dan usia (Y) disajikan pada Tabel 21.
Tabel 23. Uji Jointly Independent antara Berita yang Disenangi
terhadap Jenis Kelamin dan Usia (XY,Z) dengan R
Chi- df P-
square value
Test
Tabel 23 menginformasikan bahwa nilai statisik uji Chi-square dari uji jointly
independent antara berita yang disenangi (Z) terhadap jenis kelamin (X) dan usia (Y)
81
adalah sebesar 28,180 dengan p-value sebesar 0,002. Sehingga, keputusan yang diambil
adalah H0 ditolak karena p-value yang dihasilkan bernilai lebih kecil dari taraf signifikan
yang digunakan (5%). Metode Pearson-Chisquare dan Likelihood Ratio Test
menghasilkan kesimpulan yang sama bahwa variabel berita yang disenangi (Z) jointly
dependent terhadap jenis kelamin (X) dan usia (Y).
Analisis selanjutnya adalah pengujian conditionally independent, dalam penelitian
ini asosiasi conditionally independent yang akan diuji adalah jenis kelamin (X) dan usia
(Y) terhadap berita yang disenangi (Z) atau dapat dituliskan dengan (XZ,YZ). Pengujian
dilakukan dengan software R dengan metode Pearson-Chisquare dan Likelihood Ratio
Test. Hasil output dari software R dapat dilihat pada Lampiran 12. Hasil pengujian
conditionally independent antara jenis kelamin (X) dan usia (Y) terhadap berita yang
disenangi (Z) disajikan pada Tabel 24.
Tabel 24. Uji Conditionally Independent Antara Jenis Kelamin dan Usia,
terhadap Berita yang Disenangi (XZ,YZ) dengan R
Chi- df P-
square value
Test
Tabel 24 menginformasikan bahwa nilai statisik uji Chi-square dari uji
conditionally independent antara jenis kelamin (X) dan usia (Y) terhadap berita yang
disenangi (Z) adalah sebesar 41,927 dengan p-value sebesar 0,000. Sehingga, keputusan
yang diambil adalah H0 ditolak karena p-value yang dihasilkan bernilai lebih kecil dari
taraf signifikan yang digunakan (5%). Metode Pearson-Chisquare dan Likelihood Ratio
Test menghasilkan kesimpulan yang sama bahwa variabel jenis kelamin (X) dan usia (Y)
conditionally dependent terhadap berita yang disenangi (Z).
Analisis selanjutnya adalah menguji apakah variabel jenis kelamin, usia dan jenis
berita yang disenangi memenuhi homogenous association. Pengujian homogenous
association dilakukan dengan software R menggunakan metode Pearson-Chisquare dan
Likelihood Ratio Test. Hipotesis awal dari pengujian ini adalah bahwa variabel jenis
82
kelamin, usia dan jenis berita yang disenangi memenuhi model

jk
atau dapat dituliskan dengan (XY,XZ,YZ).
Hasil output dari software R dapat dilihat pada Lampiran 12. Hasil pengujian
homogenous association antara jenis kelamin, usia dan jenis berita yang disenangi
disajikan pada Tabel 25.
Tabel 25. Uji Homogenous Association Antara Jenis Kelamin, Usia
dan Jenis Berita yang Disenangi (XY, XZ,YZ) dengan R
Chi- df P-
square value
Test
Tabel 25 menginformasikan bahwa nilai statisik uji menggunakan metode
Likelihood Ratio test dari uji homogenous association antara variabel jenis kelamin, usia
dan jenis berita yang disenangi adalah sebesar 7,081 dengan p-value sebesar 0,112.
Sehingga, keputusan yang diambil adalah H0 gagal ditolak karena p-value yang dihasilkan
bernilai lebih besar dari taraf signifikan yang digunakan (5%). Metode Pearson-
Chisquare dan Likelihood Ratio Test menghasilkan kesimpulan yang sama bahwa
variabel jenis kelamin, usia dan jenis berita yang disenangi memenuhi homogenous
association, dengan model sebagai berikut,
jk
3.2.2 Uji K-Way Antara Jenis Kelamin, Usia dan Berita yang Disenangi
Terdapat dependensi antara jenis kelamin, usia dan jenis berita yang disenangi,
sehingga analisis selanjutnya adalah uji k-way effects dan uji k-way and higher-order
effects untuk mengetahui signifikansi dari setiap order. Terdapat 3 order dalam model log
linear 3 dimensi, yaitu order ke-1, 2 dan 3. Hasil pengujian k-way effects dan uji k-way
and higher-order effects antara jenis kelamin, usia dan jenis berita dilakukan dengan
software SPSS dan ditampilkan pada Lampiran 8 dan disajikan pada Tabel 26 sebagai
berikut :
Tabel 26. Uji K-way Antara Jenis Kelamin, Usia dan Jenis Berita yang Disenangi dengan SPSS
83
K df Chi-Square P-value Chi-Square P-value
K-way and Higher 1 17 151,670 0,000 148,920 0,000
Order Effects 2 12 60,527 0,000 55,866 0,000
3 4 7,081 0,132 7,490 0,112
K-way Effects 1 5 91,143 0,000 93,054 0,000
2 8 53,445 0,000 48,376 0,000
3 4 7,081 0,132 7,490 0,112
Hipotesis, statistik uji dan daerah penolakan dari uji k-way sama seperti yang telah
dijelaskan pada perhitungan manual. Pengujian k-way effects dan uji k-way and higher-order
effects dengan likelihood ratio dan pearson pada Tabel 26 menginformasikan bahwa efek order
ke-1 dan 2 atau lebih signifikan karena p-value yang dihasilkan bernilai kurang dari taraf
signifikan yang digunakan (5%), selain itu pada uji k-way effects juga dapat diketahui bahwa
efek order ke-1dan 2 signifikan yang menjelaskan bahwa main effects dari variabel jenis
kelamin, usia dan jenis berita yang disenangi serta interaksi masing-masing dua variabel tersebut
signifikan. Akan tetapi, interaksi ketiga variabel tersebut secara bersamaan tidak signifikan,
karena hasil uji k-way pada order ke-3 tidak signifikan. Sehingga berdasarkan uji k-way,
didapatkan model yang sesuai untuk jenis kelamin, usia dan jenis berita yang disenangi adalah
sebagai berikut :
jk
3.2.3 Uji Asosiasi Parsial Antara Antara Jenis Kelamin, Usia dan Berita yang Disenangi
Uji K-way effects pada analisis sebelumnya menunjukkan bahwa efek order pertama dan
kedua signifikan, sehingga analisis selanjutnya adalah uji asosiasi parsial untuk mengetahui
signifikansi dari setiap variabel pada setiap levelnya. Uji asosiasi parsial dilakukan dengan uji
Partial Chi-Square menggunakan software SPSS. Hipotesis, statistik uji dan daerah penolakan
dari uji asosiasi parsial telah dijelaskan sebelumnya pada perhitungan manual.
Pengujian dengan software SPSS pada variabel jenis kelamin, usia dan jenis berita yang
disenangi ditampilkan pada lampiran 9 dan hasilnya disajikan pada Tabel 25.
Tabel 27. Uji Asosiasi Parsial Antara Jenis Kelamin, Usia dan Jenis Berita yang Disenangi dengan SPSS
84
Effect df Partial Chi-Square P-value
Jenis berita*usia 4 15,521 0,004*
Jenis berita*jenis kelamin 2 12,851 0,002*
Usia*jenis kelamin 2 36,113 0,000*
Jenis berita 2 1,790 0,409
Usia 2 1,790 0,409
Jenis kelamin 1 87,564 0,000*
Hasil pengujian asosiasi parsial pada Tabel 27 menghasilkan nilai statistik uji partial chi-
square pada variabel jenis berita dan usia sebesar 1,790 dengan p-value sebesar 0,409,
sedangkan statistik uji partial chi-square pada variabel jenis kelamin adalah sebesar 87,564
dengan p-value sebesar 0,000. Hal tersebut menunjukkan bahwa variabel jenis kelamin
signifikan pada setiap levelnya, sedangkan variabel jenis berita dan usia tidak signifikan. Hasil
pengujian asosiasi parsial untuk interaksi dari masing-masing dua variabel menghasilkan nilai
statistik uji untuk interaksi antara variabel jenis berita dan usia sebesar 15,521 dengan p-value
sebesar 0,004, statistik uji untuk interaksi antara variabel jenis berita dan jenis kelamin adalah
sebesar 12,851 dengan p-value sebesar 0,002, selain itu statistik uji untuk interaksi antara
variabel jenis berita dan jenis kelamin adalah sebesar 36,113 dengan p-value sebesar 0,000.
Sehingga dapat disimpulkan bahwa interaksi antara jenis berita dan usia, jenis berita dan jenis
kelamin serta usia dan jenis kelamin signifikan pada setiap levelnya.
3.2.4 Hasil Estimasi Parameter Antara Antara Jenis Kelamin, Usia dan Berita yang
Disenangi
Hasil estimasi parameter model log linear antara jenis kelamin, usia dan jenis berita yang
disenangi juga dilakukan dengan software R dan SPSS. Software SPSS dan R menghasilkan nilai
estimasi parameter model log linear yang hampir sama yang ditampilkan pada lampiran 10 dan
12. Estimasi parameter dengan software R dan SPSS untuk model saturated pada variabel jenis
kelamin, usia dan jenis berita yang disenangi (XYZ) disajikan pada Tabel 26.
85
Tabel 28. Estimasi Parameter Antara Jenis Kelamin, Usia dan Jenis Berita yang Disenangi dengan SPSS dan R
Variabel R SPSS
Jenis Kelamin 1 X  0, 688 1 X  0, 643
2 X  0, 688 2 X  0, 643
Usia 1Y  0, 214 1Y  0,181
2Y  0,111 2Y  0, 084
3Y  0,103 3Y  0, 097
Jenis Berita 1Z  0,115 1Z  0, 099
2 Z  0,140 2 Z  0,114
3 Z  0, 255 3 Z  0, 213
Jenis Kelamin*Usia 11 XY  0,578 11 XY  0,535
12 XY  0,170 12 XY  0,141
13 XY  0, 408 13 XY  0, 394
21 XY  0,578 21 XY  0,535
22 XY  0,170 22 XY  0,141
23 XY  0, 408 23 XY  0,394
Jenis Kelamin*Jenis 11 XZ  0,392 11 XZ  0,346
Berita
12 XZ  0, 251 12 XZ  0, 224
13 XZ  0,141 13 XZ  0,122
21 XZ  0,392 21 XZ  0,346
22 XZ  0, 251 22 XZ  0, 224
23 XZ  0,141 23 XZ  0,122
86
Tabel 28. Estimasi Parameter Antara Jenis Kelamin, Usia dan Jenis Berita yang Disenangi
dengan SPSS dan R (Lanjutan)
Variabel R SPSS
Usia*Jenis Berita  YZ
 0, 292  YZ
 0, 271
11 11
12YZ  0,115 12YZ  0, 092

13YZ  0, 407 13YZ  0,363
21YZ  0, 288 21YZ  0, 243
22YZ  0,168 22YZ  0,137
23YZ  0, 455 23YZ  0,380
31YZ  0, 005 31YZ  0, 028
32YZ  0, 053 32YZ  0, 045
33YZ  0, 048 33YZ  0, 017
Jenis Kelamin*Usia*Jenis Berita 111 XYZ  0,172 111 XYZ  0,180

112 XYZ  0,141 112 XYZ  0,116
113 XYZ  0, 031 113 XYZ  0, 064
121 XYZ  0, 259 121 XYZ  0, 218
122 XYZ  0,138 122 XYZ  0,107
123 XYZ  0,398 123 XYZ  0,325
131 XYZ  0, 431 131 XYZ  0,398
132 XYZ  0, 003 132 XYZ  0, 009
133 XYZ  0, 428 133 XYZ  0,389
211 XYZ  0,172 211 XYZ  0,180
212 XYZ  0,141 212 XYZ  0,116
213 XYZ  0, 031 213 XYZ  0, 064
221 XYZ  0, 259 221 XYZ  0, 218
222 XYZ  0,138 222 XYZ  0,107
223 XYZ  0, 398 223 XYZ  0, 325
231 XYZ  0, 431 231 XYZ  0,398
232 XYZ  0, 003 232 XYZ  0, 009
233 XYZ  0, 428 233 XYZ  0,389
87
Analisis selanjutnya adalah pengujian signifikansi parameter dengan uji Z untuk
mengetahui variabel dan sel yang menyebabkan terjadinya dependensi antara jenis kelamin, usia
dan jenis berita yang disenangi.
Pengujian signifikansi parameter dilakukan dengan software SPSS dan hasilnya disajikan
pada Tabel 29.
Tabel 29. Uji Signifikansi Parameter Antara Antara Jenis Kelamin, Usia
dan Jenis Berita yang Disenangi dengan SPSS
Effect Paramete Estimate Std. Z P-value

r Error
Jenis berita*Usia*Jenis kelamin 1 -0,180 0,144 -1,250 0,211
2 -0,218 0,159 -1,371 0,170
3 0,116 0,138 0,844 0,399
4 -0,107 0,157 -0,681 0,496
Jenis berita*Usia 1 -0,271 0,144 -1,878 0,060
2 0,243 0,159 1,527 0,127
3 -0,092 0,138 -0,664 0,506
4 0,137 0,157 0,871 0,384
Jenis berita*jenis kelamin 1 -0,122 0,112 -1,087 0,277
2 -0,224 0,107 -2,081 0,037
Usia*Jenis kelamin 1 -0,535 0,104 -5,147 0,000*
2 0,141 0,127 1,111 0,267
Jenis berita 1 0,099 0,112 0,883 0,377
2 0,114 0,107 1,063 0,288
Usia 1 0,181 0,104 1,739 0,082
2 -0,084 0,127 -0,665 0,506
Jenis kelamin 1 0,643 0,083 7.708 0,000*
Tabel 29 menginformasikan bahwa tidak terdapat pola kecenderungan pada variabel jenis
berita dan usia karena parameter dari kedua variabel tersebut tidak signifikan. Variabel yang
menyebabkan terjadinya dependensi antara jenis kelamin, usia dan jenis berita yang disenangi
adalah variabel jenis kelamin dan interaksi antara variabel usia dan jenis kelamin. Hal tersebut
diketahui melalui hasil pengujian yang menunjukkan bahwa variabel jenis kelamin dan interaksi
antara variabel usia dan jenis kelamin signifikan pada setiap levelnya karena menghasilkan p-
value yang bernilai lebih kecil dari taraf signifikan yang digunakan (5%). Nilai estimasi
parameter untuk 1  0, 643 dan 2  0, 643 yang berarti bahwa variabel jenis kelamin
X X
88
mempunyai pola kecenderungan yang berbeda. Sedangkan nilai estimasi untuk 11  0, 535
XY
dan 21  0,535 yang berarti bahwa responden perempuan cenderung berusia 25-37 tahun.
XY
3.2.5 Pemilihan Model Log Linear Terbaik Antara Antara Jenis Kelamin, Usia dan Berita
yang Disenangi
Pemilihan model log linear terbaik dilakukan dengan prosedur backward elimination, fitted
value dan goodness of fit. Prosedur backward elimination dilakukan dengan software SPSS dan
hasilnya disajikan pada Tabel 28.
Tabel 30. Backward Elimination Antara Jenis Kelamin, Usia dan Jenis Berita yang Disenangi dengan SPSS
Chi-
Step Effects Square df P-value
0 Generating Class berita*usia*jenis kelamin 0,000 0 .
Deleted 1 berita *usia*jenis 7,081 4 0,132
Effect kelamin
1 Generating Class berita*usia, berita*jenis 7,081 4 0,132
kelamin, usia*jenis
kelamin
Deleted 1 berita * usia 15,521 4 0,004
Effect 2 berita *jenis kelamin 12,851 2 0,002
3 usia *jenis kelamin 36,113 2 0,000
2 Generating Classb berita*umur, berita*jenis 7,081 4 0,132
kelamin, umur*jenis
kelamin
Hipotesis, statistik uji dan daerah penolakan dari pemilihan model terbaik dengan prosedur
backward elimination telah dijelaskan pada sub-bab perhitungan manual. Tabel 30
menginformasikan bahwa p-value yang di hasilkan dari prosedur ini pada step ke-1 adalah
sebesar 0,004, 0,002 dan 0,000, sehingga didapatkan keputusan bahwa H 0 ditolak karena p-value
bernilai lebih kecil daripada taraf signifikan yang digunakan (5%) dan didapatkan kesimpulan
bahwa model terbaik berdasarkan prosedur backward elimination adalah model 1 (model dengan
interaksi dari 2 variabel atau homogenous association) atau dapat dituliskan sebagai berikut :
jk , i  1, 2, j  1, 2, 3, k  1, 2, 3
Selain dengan metode backward elimination, prosedur pemilihan model log linear terbaik
juga dapat didasarkan pada fitted value dari masing-masing kemungkinan model. Analisis fitted
value dilakukan dengan software R.
89
90
Hasil analisis fitted value pada variabel jenis kelamin, usia dan jenis berita yang disenangi
untuk menentukan model terbaik disajikan pada Tabel 31.
Tabel 31. Fitted Value Variabel Jenis Kelamin, Usia,
dan Berita yang Disenangi dengan R
Berit Usia Jenis X,Y,Z XY,Z XZ,YZ XY,XZ,YZ XYZ

a kelamin
1 1 1 22,721 17,10 33,252 28,763 29

0
2 1 1 7,044 12,66 5,747 10,220 10

6
3 1 1 22,963 23,75 23,873 25,330 27

0
1 2 1 7,119 6,333 4,126 2,673 1
2 2 1 26,831 31,66 23,873 26,900 25

6
3 2 1 8,318 3,483 4,126 1,108 3
1 3 1 22,482 16,92 20,744 13,501 15

0
2 3 1 6,970 12,53 9,255 16,502 15

3
3 3 1 22,721 23,50 22,127 23,474 23

0
1 1 2 7,044 6,266 9,872 8,523 9
2 1 2 26,548 31,33 22,127 28,025 27

3
3 1 2 8,231 3,446 9,872 3,974 5
1 2 2 26,548 19,98 18,693 11,735 10

0
2 2 2 8,231 14,80 6,306 13,277 15

0
3 2 2 26,831 27,75 26,171 26,194 25
91
0
1 3 2 8,318 7,400 8,828 8,803 10
2 3 2 31,350 37,00 38,135 45,074 48

0
3 3 2 9,719 4,070 12,864 5,916 3
Tabel 31 menunjukkan bahwa model yang menghasilkan nilai fitted value yang paling
mendekati observasi sesungguhnya adalah model (XY,XZ,YZ) atau model homogenous
association. Sehingga, model terbaik dengan metode fitted value sama dengan metode backward
elimination, yaitu sebagai berikut :
jk , i  1, 2, j  1, 2, 3, k  1, 2, 3
Selain dengan metode backward elimination dan fitted value, prosedur pemilihan model
log linear terbaik juga dapat didasarkan pada goodness of fit dari masing-masing kemungkinan
model. Analisis goodness of fit dilakukan dengan software R.
92
Hasil analisis goodness of fit pada variabel jenis kelamin, usia dan jenis berita yang
disenangi untuk menentukan model terbaik disajikan pada Tabel 32.
Tabel 32. Goodness of fit dari Masing-Masing Model untuk Variabel Jenis Kelamin, Usia,
Model Df Likelihood Ratio Test Chi-Square
G2 P-value G2 2 P-value 
2
(X,Y,Z) 12 60,53 0,00 55,87 0,00

(XY,Z) 10 29,93 0,00 28,18 0,00
(XZ,YZ) 6 43,19 0,00 41,93 0,00
(XY,XZ,YZ 4 7,08 0,13 7,49 0,11
)
(XYZ) 0 0,00 1,00 0,00 1,00
Hipotesis awal dari pengujian goodness of fit adalah bahwa model telah sesuai,
hasil pengujian goodness of fit menunjukkan bahwa model yang sesuai adalah model
(XY,XZ,YZ) atau model homogenous association karena menghasilkan p-value yang
lebih besar dari taraf signifikan yang digunakan (5%) baik dengan metode likelihood
ratio test ataupun dengan chi-square. Sehingga dari metode goodness of fit, dihasilkan
kesimpulan yang sama dengan metode backward elimination dan fitted value, yaitu
bahwa model terbaik dari variabel jenis kelamin, usia dan jenis berita yang disenangi
adalah sebagai berikut :
jk , i  1, 2, j  1, 2, 3, k  1, 2, 3
Setelah dipilih model terbaik, analisis selanjutnya adalah mengestimasi parameter model
terbaik dengan software R. Estimasi parameter model terbaik (homogenous association) dengan
software R ditampilkan pada Tabel 33.
Tabel 33. Estimasi Parameter Model Terbaik Antara Jenis Kelamin, Usia,
Variabel Estimasi Parameter
Jenis Kelamin 1 X  0, 679
2 X  0, 679
Usia 1Y  0, 202
2Y  0, 004
3Y  0, 206
93
Jenis Berita 1Z  0,191
2 Z  0, 081
3 Z  0, 272
Tabel 33. Estimasi Parameter Model Terbaik Antara Jenis Kelamin, Usia,
dan Jenis Berita yang Disenangi dengan R (Lanjutan)
Variabel Estimasi Parameter
Jenis Kelamin*Usia 11 XY  0,561
12 XY  0, 046
13 XY  0,516
21 XY  0, 561
22 XY  0, 046
23 XY  0,516
Jenis Kelamin*Jenis 11 XZ  0,399
Berita
12 XZ  0, 219
13 XZ  0,180
21 XZ  0,399
22 XZ  0, 219
23 XZ  0,180
Usia*Jenis Berita 11YZ  0,356
12YZ  0, 068
13YZ  0, 424
21YZ  0, 037
22YZ  0, 075
23YZ  0,112
31YZ  0,319
32YZ  0, 007
33YZ  0,312
IV. KESIMPULAN
94
Analisis pemodelan log linear dua dimensi antara variabel jenis kelamin, usia dan
jenis berita yang disenangi dengan perhitungan manual, software SPSS dan R
menghasilkan estimasi parameter dan kesimpulan yang sama bahwa model log linear
terbaik antara variabel jenis kelamin, usia dan jenis berita yang disenangi adalah model
homogenous association atau

jk , i  1, 2, j  1, 2, 3, k  1, 2, 3
.
Hal tersebut dikarenakan pengujian k-way menunjukkan bahwa efek order pertama
dan kedua signifikan, sedangkan order ketiga tidak signifikan. Selain itu, pengujian
signifikansi parameter juga menghasilkan kesimpulan bahwa variabel jenis kelamin dan
interaksi antara usia dan jenis kelamin menyebabkan dependensi antara jenis kelamin,
usia dan jenis berita yang disenangi. Hal tersebut berarti bahwa jenis kelamin yang
berbeda memiliki pola kecenderungan yang berbeda pada setiap levelnya, selain itu
interaksi yang signifikan menunjukkan bahwa responden perempuan cenderung berusia
25-37 tahun.
95
LAMPIRAN
Lampiran 1. Uji Independensi antara varaibel Status Perkawinan, Tingkat Pendidikan dan
Status Kegiatan dengan SPSS
 Mutually Independent
Goodness-of-Fit Testsa,b
Value df Sig.
a. Model: Poisson
b. Design: Constant + SP + TP + SK
 Jointly Independent
Value df Sig.
a. Model: Poisson
b. Design: Constant + SP + TP * SK
 Conditionally Independent
Value df Sig.
96
a. Model: Poisson
b. Design: Constant + SP * SK + TP * SK
Value df Sig.
a. Model: Poisson
b. Design: Constant + SP * TP + SP * SK
Value df Sig.
a. Model: Poisson
b. Design: Constant + SP * TP + TP * SK
 Marginally Independent
Value df Sig.
a. Model: Poisson
b. Design: Constant + SP + TP
Value df Sig.
97
a. Model: Poisson
b. Design: Constant + SP + SK
Value df Sig.
a. Model: Poisson
b. Design: Constant + SK + TP
Lampiran 2. Uji K-Way antara Variabel Status Perkawinan, Tingkat Pendidikan, dan Status
Kegiatan dengan SPSS
K-Way and Higher-Order Effects

Number of
K df Chi-Square Sig. Chi-Square Sig. Iterations
K-way and Higher Order 1 7 39359.155 .000 49873.935 .000 0

a
Effects
2 4 3370.652 .000 4702.199 .000 2
3 1 8.990 .003 9.059 .003 3
K-way Effectsb 1 3 35988.502 .000 45171.736 .000 0
2 3 3361.663 .000 4693.140 .000 0
3 1 8.990 .003 9.059 .003 0
a. Tests that k-way and higher order effects are zero.
b. Tests that k-way effects are zero.
Lampiran 3. Uji Asosiasi Parsial antara variabel Status Perkawinan, Tingkat Pendidikan, dan
98
Partial Associations
Partial Chi- Number of

Effect df Square Sig. Iterations
SP*TP 1 1315.336 .000 2
SP*SK 1 784.964 .000 2
TP*SK 1 433.292 .000 2
SP 1 7655.608 .000 2
TP 1 2733.204 .000 2
SK 1 25599.690 .000 2
Lampiran 4. Hasil Estimasi Parameter variabel Status Perkawinan, Tingkat Pendidikan, dan
Parameter Estimates
95% Confidence Interval
Effect Parameter Estimate Std. Error Z Sig. Lower Bound Upper Bound
SP*TP*SK 1 .041 .014 3.014 .003 .014 .068
SP*TP 1 -.234 .014 -17.067 .000 -.261 -.207
SP*SK 1 -.381 .014 -27.814 .000 -.408 -.354
TP*SK 1 .282 .014 20.600 .000 .256 .309
SP 1 .194 .014 14.152 .000 .167 .221
TP 1 .052 .014 3.767 .000 .025 .079
SK 1 -1.281 .014 -93.455 .000 -1.308 -1.254
Lampiran 5. Backward Elimination antara variabel Status Perkawinan, Tingkat Pendidikan, dan
Step Summary
Number of
a c
Step Effects Chi-Square df Sig. Iterations
99
0 Generating Classb SP*TP*SK .000 0 .
Deleted Effect 1 SP*TP*SK 8.990 1 .003 3
1 Generating Classb SP*TP*SK .000 0 .
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.
Lampiran 7. Iterasi
iterasi pertama iterasi kedua

mijk m(1) m(2) m(3) m(4) m(5) m(6)
111 5805 180.5178 271.0431 278.6923 328.553 340.0975
112 5805 5624.482 5374.628 5526.308 5499.521 5470.753
121 15226 473.4822 278.5774 276.0577 325.447 303.8416
122 15226 14752.52 15086.4 14949.94 14877.48 14914.82
211 3779 599.3815 899.9569 863.5483 802.698 830.9025
212 3779 3179.619 3038.372 2915.452 2957.718 2942.247
221 3005 476.6185 280.4226 294.0203 273.302 255.1584
222 3005 2528.381 2585.604 2710.98 2750.282 2757.184
iterasi ketiga iterasi keempat

mijk m(7) m(8) m(9) m(10) m(11) m(12)
111 339.755 345.1684 345.7162 345.5966 345.8878 345.8741
112 5465.245 5462.495 5461.293 5459.403 5459.256 5459.312
121 303.9882 308.8316 307.8099 307.8528 308.1122 308.1378
122 14922.01 14914.5 14916.07 14918.15 14917.74 14917.67
211 832.191 823.9762 825.2838 825.7228 825.1586 825.1259
212 2946.809 2952.358 2951.707 2953.277 2953.658 2953.688
221 254.5365 252.0238 251.1901 251.0129 250.8414 250.8622
222 2750.464 2755.642 2755.931 2753.987 2754.342 2754.329
iterasi kelima iterasi keenam

mijk m(13) m(14) m(15) m(16) m(17) m(18)
111 345.863 345.8605 345.8554 345.855 345.8528 345.8523
112 5459.137 5459.138 5459.152 5459.145 5459.146 5459.147
121 308.1417 308.1395 308.149 308.1491 308.1472 308.1481
122 14917.86 14917.86 14917.84 14917.85 14917.85 14917.85
211 825.1665 825.1567 825.1446 825.1463 825.1488 825.1477
100
212 2953.833 2953.84 2953.848 2953.854 2953.852 2953.853
221 250.8463 250.8433 250.851 250.8504 250.8512 250.8519
222 2754.154 2754.16 2754.157 2754.15 2754.148 2754.148
iterasi ketujuh
mijk m(19) m(20) m(21)
345.852
111 3 345.8521 345.8521
5459.14
112 8 5459.148 5459.148
308.148
121 1 308.1479 308.1479
14917.8
122 5 14917.85 14917.85
825.147
211 6 825.148 825.1479
2953.85
212 2 2953.852 2953.852
250.851
221 9 250.852 250.8521
2754.14
222 8 2754.148 2754.148
Lampiran 8. Script dan Output Pemodelan Loglinear 3 Dimensi pada variabel Status
Perkawinan, Tingkat Pendidikan, dan Status Kegiatan dengan software R
> data<-
data.frame(expand.grid(pekerjaan=factor(c("pengangguran","bekerja"),levels=re
v(c("pengangguran","bekerja"))),pendidikan=factor(c("tinggi","rendah"),levels
=c("tinggi","rendah")),status=factor(c("kawin","single"),levels=c("kawin","si
ngle"))),count=c(373,5432,281,14945,798,2981,278,2727))
> data
pekerjaan pendidikan status count
1 pengangguran tinggi kawin 373
2 bekerja tinggi kawin 5432
3 pengangguran rendah kawin 281
4 bekerja rendah kawin 14945
5 pengangguran tinggi single 798
6 bekerja tinggi single 2981
7 pengangguran rendah single 278
8 bekerja rendah single 2727
>
> ## fit model
> library(MASS)
> #X adalah status, Y adalah pendidikan, Z adalah pekerjaan
> # model (XYZ) -> saturated
> fitXYZ<-loglm(count~status*pendidikan*pekerjaan, data=data, param=T, fit=T)
> fitXYZ
Call:
loglm(formula = count ~ status * pendidikan * pekerjaan, data = data,
101
param = T, fit = T)
Statistics:
X^2 df P(> X^2)
Likelihood Ratio 0 0 1
Pearson 0 0 1
> #marginal independent
>
> #Status Perkawinan*Tingkat pendidikan
> data<-array(data=c(5805,15226,3779,3004),dim=c(2,2),dimnames=list("Status
Perkawinan"=c("Kawin","Single"),"Tingkat Pendidikan"=c("Pendidikan
Tinggi","Pendidikan Rendah")))
> data
Tingkat Pendidikan
Status Perkawinan Pendidikan Tinggi Pendidikan Rendah
Kawin 5805 3779
Single 15226 3004
> fitloglin<-
loglm(Freq~Status.Perkawinan+Tingkat.Pendidikan,data=data.df,family=poisson)
Error in eval(predvars, data, env) : object 'Status.Perkawinan' not found
> fitloglin
Call:
loglm(formula = Freq ~ Tingkat.Pendidikan + Status.Kegiatan,
data = data.df, family = poisson)
Statistics:
X^2 df P(> X^2)
Likelihood Ratio 847.3273 1 0
Pearson 902.0664 1 0
>
> #Status Perkawinan*Status Kegiatan
> data<-array(data=c(654,1076,20377,5708),dim=c(2,2),dimnames=list("Status
Perkawinan"=c("Kawin","Single"),"Status
Kegiatan"=c("Pengangguran","Bekerja")))
> data
Status Kegiatan
Status Perkawinan Pengangguran Bekerja
Kawin 654 20377
Single 1076 5708
> data.df<-as.data.frame(as.table(data))
> data.df
Status.Perkawinan Status.Kegiatan Freq
1 Kawin Pengangguran 654
2 Single Pengangguran 1076
3 Kawin Bekerja 20377
4 Single Bekerja 5708
> fitloglin<-
loglm(Freq~Status.Perkawinan+Status.Kegiatan,data=data.df,family=poisson)
> fitloglin
Call:
loglm(formula = Freq ~ Status.Perkawinan + Status.Kegiatan, data = data.df,
family = poisson)
Statistics:
X^2 df P(> X^2)
Pearson 1429.838 1 0
102
>
> #Tingkat Pendidikan*Status Kegiatan
> data<-array(data=c(1171,559,8413,17672),dim=c(2,2),dimnames=list("Tingkat
Pendidikan"=c("Pendidikan Tinggi","Pendidikan Rendah"),"Status
Kegiatan"=c("Pengangguran","Bekerja")))
> data
Status Kegiatan
Tingkat Pendidikan Pengangguran Bekerja
> data.df<-as.data.frame(as.table(data))
> data.df
Tingkat.Pendidikan Status.Kegiatan Freq
1 Pendidikan Tinggi Pengangguran 1171
2 Pendidikan Rendah Pengangguran 559
3 Pendidikan Tinggi Bekerja 8413
4 Pendidikan Rendah Bekerja 17672
> fitloglin<-
loglm(Freq~Tingkat.Pendidikan+Status.Kegiatan,data=data.df,family=poisson)
> fitloglin
Call:
loglm(formula = Freq ~ Tingkat.Pendidikan + Status.Kegiatan,
data = data.df, family = poisson)
Statistics:
X^2 df P(> X^2)
Pearson 902.0664 1 0
> # model (XZ, YZ) -> (conditional association)

> fitXZ.YZ<-update(fitXY.XZ.YZ,.~.-status:pendidikan)
> fitXZ.YZ
Call:
loglm(formula = count ~ status + pendidikan + pekerjaan + status:pekerjaan +
pendidikan:pekerjaan, data = data, param = T, fit = T)
Statistics:
X^2 df P(> X^2)
Pearson 1388.564 2 0
> # model (X,YZ) -> (jointly independent)
> fitX.YZ<-update(fitXY.XZ.YZ,.~.-pendidikan:status-pekerjaan:status)
> fitX.YZ
Call:
loglm(formula = count ~ status + pendidikan + pekerjaan +
pendidikan:pekerjaan,
data = data, param = T, fit = T)
Statistics:
X^2 df P(> X^2)
Pearson 2735.958 3 0
> # model (X, Y, Z)-> mutually independent
> fitX.Y.Z<-update(fitXY.Z,.~.-status:pendidikan)
> fitX.Y.Z
Call:
loglm(formula = count ~ status + pendidikan + pekerjaan, data = data,
103
param = T, fit = T)
Statistics:
X^2 df P(> X^2)
Pearson 4702.199 4 0
>
> # Fit Value
> fittedvalue<-
data.frame(status=data$status,pendidikan=data$pendidikan,pekerjaan=data$peker
jaan,X.Y.Z=c(aperm(fitted(fitX.Y.Z))),XY.Z=c(aperm(fitted(fitXY.Z))),XZ.YZ=c(
aperm(fitted(fitXZ.YZ))),XY.XZ.YZ=c(aperm(fitted(fitXY.XZ.YZ))),XYZ=c(aperm(f
itted(fitXYZ))))
> fittedvalue
status pendidikan pekerjaan X.Y.Z XY.Z XZ.YZ XY.XZ.YZ
XYZ
1 kawin tinggi pengangguran 6795.7820 5443.9484 6572.0414 5459.1473
5432
2 kawin tinggi bekerja 450.7074 361.0516 442.6786 345.8523
373
3 kawin rendah pengangguran 12927.1601 14278.9937 13804.9586 14917.8523
14945
4 kawin rendah bekerja 857.3505 947.0063 211.3214 308.1481
281
5 single tinggi pengangguran 2192.1252 3543.9588 1840.9586 2953.8527
2981
6 single tinggi bekerja 145.3853 235.0412 728.3214 825.1477
798
7 single rendah pengangguran 4169.9327 2818.0990 3867.0414 2754.1477
2727
8 single rendah bekerja 276.5568 186.9010 347.6786 250.8519
278
>
> # Goodness of fit
> gof<-data.frame(X.Y.Z=c(summary(fitX.Y.Z)$test),XY.Z=c(summary(fitXY.Z)
$test),XZ.YZ=c(summary(fitXZ.YZ)$test),XY.XZ.YZ=c(summary(fitXY.XZ.YZ)
$test),XYZ=c(summary(fitXYZ)$test))
> gof
X.Y.Z XY.Z XZ.YZ XY.XZ.YZ XYZ
1 3370.652 1641.281 1324.326 8.984973030 0
2 4702.199 1985.017 1388.564 9.055457186 0
3 4.000 3.000 2.000 1.000000000 0
4 4.000 3.000 2.000 1.000000000 0
5 0.000 0.000 0.000 0.002722088 1
6 0.000 0.000 0.000 0.002619119 1
> gof<-gof[-3,]
> gof
1 3370.652 1641.281 1324.326 8.984973030 0
2 4702.199 1985.017 1388.564 9.055457186 0
4 4.000 3.000 2.000 1.000000000 0
5 0.000 0.000 0.000 0.002722088 1
6 0.000 0.000 0.000 0.002619119 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 3370.65 4702.20 4 0 0
104
XY.Z 1641.28 1985.02 3 0 0
XZ.YZ 1324.33 1388.56 2 0 0
XY.XZ.YZ 8.98 9.06 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] 7.249104
$pekerjaan
bekerja pengangguran
1.281688 -1.281688
$pendidikan
tinggi rendah
0.05183732 -0.05183732
$status
kawin single
0.1939283 -0.1939283
$pekerjaan.pendidikan
pendidikan
pekerjaan tinggi rendah
bekerja -0.2825905 0.2825905
pengangguran 0.2825905 -0.2825905
$pekerjaan.status
status
pekerjaan kawin single
bekerja 0.3813775 -0.3813775
pengangguran -0.3813775 0.3813775
$pendidikan.status
status
pendidikan kawin single
tinggi -0.2340487 0.2340487
rendah 0.2340487 -0.2340487
$pekerjaan.pendidikan.status
, , status = kawin
pendidikan
bekerja -0.0412328 0.0412328
pengangguran 0.0412328 -0.0412328
, , status = single
pendidikan
bekerja 0.0412328 -0.0412328
pengangguran -0.0412328 0.0412328
> library(vcdExtra)
105
> kway<-
vcdExtra::Kway(count~status+pendidikan+pekerjaan,data=data,family=poisson)
> LRstats(kway)
Likelihood summary table:
AIC BIC LR Chisq Df Pr(>Chisq)
kway.0 39434 39434 39359 7 < 2.2e-16 ***
kway.1 3451 3452 3371 4 < 2.2e-16 ***
kway.2 96 96 9 1 0.002722 **
kway.3 89 89 0 0 1.000000
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
106
Lampiran 7. Uji Independensi Mutually Independent Antara Jenis Kelamin, Usia dan Jenis
Berita yang Disenangi dengan SPSS
Value df Sig.
a. Model: Poisson
b. Design: Constant + koran + umur + jeniskelamin
Lampiran 8. Uji K-Way Antara Jenis Kelamin, Usia dan Jenis Berita yang Disenangi dengan
SPSS
K-Way and Higher-Order Effects
Number of
Likelihood Ratio Pearson Iterations
K df Chi-Square Sig. Chi-Square Sig.

K-way and Higher Order 1 17 151.670 .000 148.920 .000 0
Effectsa 2 12 60.527 .000 55.866 .000 2
3 4 7.081 .132 7.490 .112 5
b
K-way Effects 1 5 91.143 .000 93.054 .000 0
2 8 53.445 .000 48.376 .000 0
3 4 7.081 .132 7.490 .112 0
a. Tests that k-way and higher order effects are zero.
b. Tests that k-way effects are zero.
Lampiran 9. Uji Asosiasi Parsial Antara Jenis Kelamin, Usia dan Jenis Berita yang Disenangi
dengan SPSS
Partial Associations
Partial Chi- Number of

Effect df Square Sig. Iterations
koran*umur 4 15.521 .004 2
koran*jeniskelamin 2 12.851 .002 2
umur*jeniskelamin 2 36.113 .000 2
koran 2 1.790 .409 2
umur 2 1.790 .409 2
jeniskelamin 1 87.564 .000 2
107
Lampiran 10. Hasil Estimasi Parameter Model Saturated Antara Jenis Kelamin, Usia dan Jenis
Berita yang Disenangi dengan SPSS
Parameter Estimates
95% Confidence Interval
Effect Parameter Estimate Std. Error Z Sig. Lower Bound Upper Bound
koran*umur*jeniskelamin 1 -.180 .144 -1.250 .211 -.463 .102
2 -.218 .159 -1.371 .170 -.531 .094
3 .116 .138 .844 .399 -.154 .386
4 -.107 .157 -.681 .496 -.416 .201
koran*umur 1 -.271 .144 -1.878 .060 -.554 .012
2 .243 .159 1.527 .127 -.069 .555
3 -.092 .138 -.664 .506 -.362 .179
4 .137 .157 .871 .384 -.171 .445
koran*jeniskelamin 1 -.122 .112 -1.087 .277 -.341 .098
2 -.224 .107 -2.081 .037 -.434 -.013
umur*jeniskelamin 1 -.535 .104 -5.147 .000 -.739 -.332
2 .141 .127 1.111 .267 -.108 .389
koran 1 .099 .112 .883 .377 -.121 .318
2 .114 .107 1.063 .288 -.096 .325
umur 1 .181 .104 1.739 .082 -.023 .385
2 -.084 .127 -.665 .506 -.333 .164
jeniskelamin 1 .643 .083 7.708 .000 .479 .806
108
Lampiran 11. Backward Elimination Antara Jenis Kelamin, Usia dan Jenis Berita yang
Disenangi dengan SPSS
Step Summary
Number of
a c
Step Effects Chi-Square df Sig. Iterations
0 Generating Classb koran*umur*jeniskelami .000 0 .

n
Deleted Effect 1 koran*umur*jeniskelami 7.081 4 .132 5

n
1 Generating Classb koran*umur, 7.081 4 .132

koran*jeniskelamin,
umur*jeniskelamin
Deleted 1 koran*umur 15.521 4 .004 2

Effect 2 koran*jeniskelamin 12.851 2 .002 2
3 umur*jeniskelamin 36.113 2 .000 2
2 Generating Classb koran*umur, 7.081 4 .132

koran*jeniskelamin,
umur*jeniskelamin
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.
Lampiran 12. Script dan Output Pemodelan Loglinear 3 Dimensi Antara Jenis Kelamin, Usia
dan Jenis Berita yang Disenangi dengan R
> data<-data.frame(expand.grid(koran=factor(c("koran 1","koran 2","koran
3"),levels=rev(c("koran 1","koran 2","koran 3"))),umur=factor(c("25-37","38-
50",">50"),levels=c("25-37","38-50",">50")),jeniskelamin=factor(c("laki-
laki","perempuan"),levels=c("laki-
laki","perempuan"))),count=c(10,15,29,25,23,27,48,27,25,15,15,10,10,9,1,3,5,3
))
> data
koran umur jeniskelamin count
1 koran 1 25-37 laki-laki 10
7 koran 1 >50 laki-laki 48
109
10 koran 1 25-37 perempuan 15
16 koran 1 >50 perempuan 3
>
> ## fit model
> library(MASS)
> #X adalah jenis kelamin, Y adalah umur, Z adalah koran
> # model (XYZ) -> saturated
> fitXYZ<-loglm(count~koran*umur*jeniskelamin, data=data, param=T, fit=T)
> fitXYZ
Call:
loglm(formula = count ~ koran * umur * jeniskelamin, 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,.~.-koran:umur:jeniskelamin)
> fitXY.XZ.YZ
Call:
loglm(formula = count ~ koran + umur + jeniskelamin + koran:umur +
koran:jeniskelamin + umur:jeniskelamin, data = data, param = T,
fit = T)
Statistics:
X^2 df P(> X^2)
Likelihood Ratio 7.081414 4 0.1316479
Pearson 7.489853 4 0.1121576
> # model (XZ, YZ) -> (conditional association)
> fitXZ.YZ<-update(fitXY.XZ.YZ,.~.-jeniskelamin:umur)
> fitXZ.YZ
Call:
loglm(formula = count ~ koran + umur + jeniskelamin + koran:umur +
koran:jeniskelamin, data = data, param = T, fit = T)
Statistics:
X^2 df P(> X^2)
Likelihood Ratio 43.19429 6 1.067593e-07
Pearson 41.92667 6 1.901100e-07
> # model (XY,Z) -> (conditional association)
> fitXY.Z<-update(fitXY.XZ.YZ,.~.-jeniskelamin:koran-umur:koran)
> fitXY.Z
Call:
loglm(formula = count ~ koran + umur + jeniskelamin + umur:jeniskelamin,
data = data, param = T, fit = T)
110
Statistics:
X^2 df P(> X^2)
Likelihood Ratio 29.93342 10 0.0008783853
Pearson 28.18006 10 0.0016891950
> # model (X, Y, Z)-> mutually independent
> fitX.Y.Z<-update(fitXY.Z,.~.-jeniskelamin:umur)
> fitX.Y.Z
Call:
loglm(formula = count ~ koran + umur + jeniskelamin, data = data,
param = T, fit = T)
Statistics:
X^2 df P(> X^2)
Likelihood Ratio 60.52683 12 1.809214e-08
Pearson 55.86595 12 1.265283e-07
>
> # Fit Value
> fittedvalue<-
data.frame(koran=data$koran,umur=data$umur,jeniskelamin=data$jeniskelamin,X.Y
.Z=c(aperm(fitted(fitX.Y.Z))),XY.Z=c(aperm(fitted(fitXY.Z))),XZ.YZ=c(aperm(fi
tted(fitXZ.YZ))),XY.XZ.YZ=c(aperm(fitted(fitXY.XZ.YZ))),XYZ=c(aperm(fitted(fi
tXYZ))))
> fittedvalue
koran umur jeniskelamin X.Y.Z XY.Z XZ.YZ XY.XZ.YZ XYZ
1 koran 1 25-37 laki-laki 22.721889 17.100000 33.252632 28.763236 29
2 koran 2 25-37 laki-laki 7.044778 12.666667 5.747368 10.220081 10
3 koran 3 25-37 laki-laki 22.963611 23.750000 23.873684 25.330686 27
4 koran 1 38-50 laki-laki 7.119722 6.333333 4.126316 2.673547 1
5 koran 2 38-50 laki-laki 26.831167 31.666667 23.873684 26.900689 25
6 koran 3 38-50 laki-laki 8.318833 3.483333 4.126316 1.108977 3
7 koran 1 >50 laki-laki 22.482711 16.920000 20.744681 13.501151 15
8 koran 2 >50 laki-laki 6.970622 12.533333 9.255319 16.502667 15
9 koran 3 >50 laki-laki 22.721889 23.500000 22.127660 23.474477 23
10 koran 1 25-37 perempuan 7.044778 6.266667 9.872340 8.523217 9
11 koran 2 25-37 perempuan 26.548733 31.333333 22.127660 28.025284 27
12 koran 3 25-37 perempuan 8.231267 3.446667 9.872340 3.974438 5
13 koran 1 38-50 perempuan 26.548733 19.980000 18.693694 11.735613 10
14 koran 2 38-50 perempuan 8.231267 14.800000 6.306306 13.277252 15
15 koran 3 38-50 perempuan 26.831167 27.750000 26.171171 26.194837 25
16 koran 1 >50 perempuan 8.318833 7.400000 8.828829 8.803237 10
17 koran 2 >50 perempuan 31.350100 37.000000 38.135135 45.074027 48
18 koran 3 >50 perempuan 9.719900 4.070000 12.864865 5.916585 3
>
> # Goodness of fit
> gof<-data.frame(X.Y.Z=c(summary(fitX.Y.Z)$test),XY.Z=c(summary(fitXY.Z)
$test),XZ.YZ=c(summary(fitXZ.YZ)$test),XY.XZ.YZ=c(summary(fitXY.XZ.YZ)
$test),XYZ=c(summary(fitXYZ)$test))
> gof
1 6.052683e+01 2.993342e+01 4.319429e+01 7.0814139 0
2 5.586595e+01 2.818006e+01 4.192667e+01 7.4898533 0
3 1.200000e+01 1.000000e+01 6.000000e+00 4.0000000 0
4 1.200000e+01 1.000000e+01 6.000000e+00 4.0000000 0
5 1.809214e-08 8.783853e-04 1.067593e-07 0.1316479 1
111
6 1.265283e-07 1.689195e-03 1.901100e-07 0.1121576 1
> gof<-gof[-3,]
> gof
1 6.052683e+01 2.993342e+01 4.319429e+01 7.0814139 0
2 5.586595e+01 2.818006e+01 4.192667e+01 7.4898533 0
4 1.200000e+01 1.000000e+01 6.000000e+00 4.0000000 0
5 1.809214e-08 8.783853e-04 1.067593e-07 0.1316479 1
6 1.265283e-07 1.689195e-03 1.901100e-07 0.1121576 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 60.53 55.87 12 0.00 0.00
XY.Z 29.93 28.18 10 0.00 0.00
XZ.YZ 43.19 41.93 6 0.00 0.00
XY.XZ.YZ 7.08 7.49 4 0.13 0.11
XYZ 0.00 0.00 0 1.00 1.00
>
> # Penaksiran parameter
> modellengkap<-loglm(count~.^3, data = data, family = poisson)
> coef(modellengkap)
$`(Intercept)`
[1] 2.468845
$koran
koran 3 koran 2 koran 1
-0.2549773 0.1401707 0.1148066
$umur
25-37 38-50 >50
0.2139245 -0.1105089 -0.1034156
$jeniskelamin
laki-laki perempuan
0.6882719 -0.6882719
$koran.umur
umur
koran 25-37 38-50 >50
koran 3 0.4071483 -0.4554403 0.048292007
koran 2 -0.1148899 0.1678526 -0.052962672
koran 1 -0.2922584 0.2875877 0.004670665
$koran.jeniskelamin
jeniskelamin
koran laki-laki perempuan
koran 3 0.3918633 -0.3918633
koran 2 -0.2508271 0.2508271
koran 1 -0.1410362 0.1410362
$umur.jeniskelamin
jeniskelamin
112
umur laki-laki perempuan
25-37 -0.5783976 0.5783976
38-50 0.1701276 -0.1701276
>50 0.4082700 -0.4082700
$koran.umur.jeniskelamin
, , jeniskelamin = laki-laki
umur
koran 25-37 38-50 >50
koran 3 0.0306178 0.3976556 -0.428273397
koran 2 0.1409529 -0.1384376 -0.002515264
koran 1 -0.1715707 -0.2592180 0.430788661
, , jeniskelamin = perempuan
umur
koran 25-37 38-50 >50
koran 3 -0.0306178 -0.3976556 0.428273397
koran 2 -0.1409529 0.1384376 0.002515264
koran 1 0.1715707 0.2592180 -0.430788661
> modelterbaik <- loglm(count~.^2, data = data, family = poisson)

> coef(modelterbaik)
$`(Intercept)`
[1] 2.488216
$koran
koran 3 koran 2 koran 1
-0.27247186 0.08144986 0.19102200
$umur
25-37 38-50 >50
0.201522337 0.004252689 -0.205775026
$jeniskelamin
laki-laki perempuan
0.679735 -0.679735
$koran.umur
umur
koran 25-37 38-50 >50
koran 3 0.4244599 -0.11228550 -0.31217435
koran 2 -0.0680397 0.07543527 -0.00739557
koran 1 -0.3564201 0.03685023 0.31956992
$koran.jeniskelamin
jeniskelamin
koran laki-laki perempuan
koran 3 0.3989430 -0.3989430
koran 2 -0.2188022 0.2188022
koran 1 -0.1801408 0.1801408
$umur.jeniskelamin
jeniskelamin
113
umur laki-laki perempuan
25-37 -0.5613063 0.5613063
38-50 0.0456272 -0.0456272
>50 0.5156791 -0.5156791
114

Regresi Logistik

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Regresi Logistik

Diunggah oleh

Hak Cipta:

Format Tersedia

131Equation Chapter 1 Section 3

ANALISIS DATA KUALITATIF

Pemodelan Log Linear Tiga Dimensi

PROGRAM STUDI PASCASARJANA

Pearson Chi-Square 1388.564 2 .000

Likelihood Ratio 442.282 2 .000

Pearson Chi-Square 469.182 2 .000

Likelihood Ratio 793.949 2 .000

Pearson Chi-Square 923.711 2 .000

Pearson Chi-Square 1793.730 1 .000

Pearson Chi-Square 1429.838 1 .000

Berdasarkan perhitungan eik diperoleh tabel kontingensi disajikan dalam Tabel 10

yang mungkin terbentuk adalah

3. Untuk variabel Tingkat Pendidikan dan Status Kegiatan

Pearson Chi-Square 902.066 1 .000

Pearson Chi-Square 2735.958 3 .000

ln eijk    iX   Yj  kZ  ijXY  ikXZ   YZ

ln eijk    iX   Yj  kZ  ijXY  ikXZ   YZ

H0 : Efek order ke-2 = 0

H1 : Efek order ke-2 ≠ 0

3. Untuk K=1 atau lebih

H0 : Efek order ke-1 atau lebih = 0

b. Uji K-Way Effects

K-way 1 3 35988.5 0 45171.74 0

H0 : Efek order ke-1 = 0

H1 : Efek order ke-1 ≠ 0

H0 : Efek order ke-2 = 0

H1 : Efek order ke-2 ≠ 0

Statistik Uji: G2= G12 – G02 =3370.652–8.99=3361.662

H0 : Efek order ke-3 = 0

H1 : Efek order ke-3 ≠ 0

 Seleksi Model Menggunakan Uji Asosiasi Parsial

1. Variabel Status Perkawinan

di mana e112  e122  e212  e222  e2   6521.25

Langkah menghitung nilai estimasi parameter adalah sebagai berikut,

ii. Menghitung nilai parameter rata-rata keseluruhan (  )

iii. Menghitung nilai parameter pengaruh tingkat i faktor X (

v. Menghitung nilai parameter pengaruh tingkat j faktor Z (

vii. Menghitung nilai parameter pengaruh gabungan factor X dan Z (

Standard error untuk

Standard error untuk

Standard error untuk

Parameter Estimasi Std error Z hitung p-value

d. Pemilihan Model Terbaik Menggunakan Eliminasi Backward

H : Model 1 merupakan model terbaik

e. Kecenderungan Tiap Sel

tingkat pendidikan mempunyai pola kecenderungan yang berbeda atau perempuan

II. METODOLOGI PENELITIAN

2.3 Langkah Analisis

III. ANALISIS DAN PEMBAHASAN

Langkah uji independensi menggunakan perhitungan manual,

Sehingga didapatkan nilai ekspektasi IxJxK sebagai berikut,

n1.. x n.2. x n..3 229 x 95 x 95 n2.. x n.2. x n..3 71 x 95 x 95

a. Menghitung nilai statistik uji

Sehingga didapatkan nilai ekspektasi IxJxK sebagai berikut,

n1.2  n.32 65  32 n2.2  n.32 19  32

b. Menghitung nilai statistik uji

Sehingga didapatkan nilai ekspektasi IxJ sebagai berikut,

d. Menghitung nilai statistik uji

Untuk variabel jenis kelamin dan berita yang disenangi

Sehingga didapatkan nilai ekspektasi IxK sebagai berikut,

a. Menghitung nilai statistik uji

Jenis beritajenis kelamin 2 12,851 0,002

Usiajenis kelamin 2 36,113 0,000

Jenis KelaminUsiaJenis Berita 111 XYZ  0,172 111 XYZ  0,180