Regresi Logistik
Regresi Logistik
Disusun Oleh:
Almira Ivah Edina (06211850010013)
Fausania Hibatullah (06211850010015)
Rossy Noviyana (06211850010018)
Nimas Ayu Prabawani (06211850010025)
Dosen:
Dr. Vita Ratnasari, S.Si, M.Si
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
Pendidikan Tinggi 798 2981
Single
Pendidikan Rendah 278 2727
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
Pendidikan Tinggi 145.3853 2192.125
Single
Pendidikan Rendah 276.5568 4169.933
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
i j k , dimana
- 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
i j k , dimana
- 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
i j k , dimana
α=5%
Daerah Kritis:
G 2 hitung
2(2, 0,05)
G 2 hitung
5.991465
Berikut merupakan output yang diperoleh pada paket program SPSS dan software R.
Tabel 4. Hasil Conditionally Independent
Value Df Sig.
XZ, YZ
Likelihood Ratio 1324.326 2 .000
XY, XZ
XY, YZ
4
Dengan menggunakan cara manual, statistik uji chi-square dapat diperoleh sebagai
berikut.
n ni k n jk
G 2 2 nijk ln ijk e
eijk ijk
n k
i j k , dimana
e
Berdasarkan perhitungan ijk diperoleh tabel kontingensi disajikan dalam Tabel 5
sebagai berikut.
eij
Tabel 5. Tabel Kontingensi Nilai Ekspektasi ( ) Conditionally Independent (XZ, YZ)
Status Status Kegiatan
Tingkat Pendidikan
Perkawinan Pengangguran Bekerja
Pendidikan Tinggi 442.6786 6572.041
Kawin
Pendidikan Rendah 211.3214 13804.96
Pendidikan Tinggi 728.3214 1840.959
Single
Pendidikan Rendah 347.6786 3867.041
eij
Tabel 6. Tabel Kontingensi Nilai Ekspektasi ( ) Conditionally Independent (XY, XZ)
Status Status Kegiatan
Tingkat Pendidikan
Perkawinan Pengangguran Bekerja
Pendidikan Tinggi 180.518 5624.482
Kawin
Pendidikan Rendah 473.482 14752.518
Pendidikan Tinggi 599.381 3179.619
Single
Pendidikan Rendah 476.619 2528.381
eij
Tabel 7. Tabel Kontingensi Nilai Ekspektasi ( ) Conditionally Independent (XY, YZ)
Status Status Kegiatan
Tingkat Pendidikan
Perkawinan Pengangguran Bekerja
Pendidikan Tinggi 709.271 5095.729
Kawin
Pendidikan Rendah 466.863 14759.139
Pendidikan Tinggi 461.729 3317.271
Single
Pendidikan Rendah 92.140 2912.861
2
Sehingga nilai untuk G didapatkan sebagai berikut
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
P-value=P( 2 Ghitung
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)
atau nilai P-value kurang dari taraf signifikasi 0,05 yang berarti Variabel
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)
atau nilai P-value kurang dari taraf signifikasi 0,05 yang berarti Variabel
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
Berikut merupakan output yang diperoleh pada paket program SPSS dan software R.
Tabel 9. Hasil Marginally Independent antara Status Perkawinan dan Tingkat Pendidikan
Value Df Sig.
Likelihood Ratio 1729.370 1 .000
Dengan menggunakan cara manual, statistik uji chi-square dapat diperoleh sebagai
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
Sehingga nilai untuk G didapatkan sebagai berikut
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
P-value=P( 2 Ghitung
2
)
0.000
Keputusan: Tolak H0
7
Kesimpulan: H0 ditolak karena nilai statistik uji G2 lebih besar dari 2(1, 0,05) atau nilai
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
Status Status Kegiatan
Total
Perkawinan Pengangguran Bekerja
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
Berikut merupakan output yang diperoleh pada paket program SPSS dan software R.
Tabel 12. Hasil Marginally Independent antara Status Perkawinan dan Status Kegiatan
Value Df Sig.
Likelihood Ratio 1199.000 1 .000
Dengan menggunakan cara manual, statistik uji chi-square dapat diperoleh sebagai
berikut.
n n n
G 2 2 nik ln ik eik i k
i k eik , dimana n
8
Status Status Kegiatan
Perkawinan Pengangguran Bekerja
Kawin 1308.0579 19722.94
Single 421.9421 6362.058
2
Sehingga nilai untuk G didapatkan sebagai berikut
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
P-value=P( 2 Ghitung
2
)
0.000
Keputusan: Tolak H0
Kesimpulan: H0 ditolak karena nilai statistik uji G2 lebih besar dari 2(1, 0,05) atau nilai
P-value kurang dari taraf signifikasi 0,05 yang berarti Variabel status
perkawinan dan status kegiatan marginally dependent. Sehingga, model
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
Berikut merupakan output yang diperoleh pada paket program SPSS dan software R.
Tabel 15. Hasil Marginally Independent antara Tingkat Pendidikan dan Status Kegiatan
Value Df Sig.
Likelihood Ratio 847.327 1 .000
Dengan menggunakan cara manual, statistik uji chi-square dapat diperoleh sebagai
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
Sehingga nilai untuk G didapatkan sebagai berikut
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
P-value=P( 2 Ghitung
2
)
0.000
Keputusan: Tolak H0
Kesimpulan: H0 ditolak karena nilai statistik uji G2 lebih besar dari 2(1, 0,05) atau nilai
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
eijk n
i j k , dimana
Daerah Kritis:
G 2 hitung
2(2, 0,05)
G 2 hitung
7.81472
Berikut merupakan output yang diperoleh pada paket program SPSS dan software R.
Tabel 17. Hasil Jointly Independent
Value Df Sig.
Likelihood Ratio 2523.325 3 .000
Dengan menggunakan cara manual, statistik uji chi-square dapat diperoleh sebagai
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
Status Status Kegiatan
Tingkat Pendidikan
Perkawinan Pengangguran Bekerja
Pendidikan Tinggi 885.3964 6361.093
Kawin
Pendidikan Rendah 422.6615 13361.85
Single Pendidikan Tinggi 285.6036 2051.907
11
Pendidikan Rendah 136.3385 4310.151
2
Sehingga nilai untuk G didapatkan sebagai berikut
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
P-value=P( 2 Ghitung
2
)
0.000
Keputusan: Tolak H0
Kesimpulan: 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 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
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
P-value=P( 2 Ghitung
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.
2. Untuk K=2
α=5%
Statistik Uji:
n n n n
G 2 2 nijk ln ijk eijk i j k
eijk n
i j k , dimana
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
P-value=P( 2 Ghitung
2
)
0.000
Keputusan: Tolak H0
Kesimpulan: Berdasarkan Tabel 3 diketahui nilai G2 order K=2 lebih besar dari nilai 2(4,
0,05) dengan nilai p-value dari adalah 0.000 yang berarti tolak H 0. Sehingga
kesimpulannya adalah order ke-2 tidak sama dengan nol atau terdapat efek
order kedua dalam model, sehingga model log linear yang terbentuk adalah
sebagai berikut.
ln eijk iX Yj kZ ijXY ikXZ YZ
jk ijk
XYZ
n n.. 27815
G 2 2 nijk ln ijk eijk 3476.875
eijk jumlah sel 8
i j k , dimana
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
P-value=P( 2 Ghitung
2
)
0.000
Keputusan: Tolak H0
Kesimpulan: Berdasarkan Tabel 3 diketahui nilai G2 order K=1 lebih besar dari nilai 2(7,
0,05) dengan nilai p-value dari adalah 0.000 yang berarti tolak H 0. Sehingga
kesimpulannya adalah order ke-1 tidak sama dengan nol atau terdapat efek
order pertama dalam model, sehingga model log linear yang terbentuk
adalah sebagai berikut.
ln eijk iX Yj kZ ijXY ikXZ YZ
jk ijk
XYZ
15
1. Untuk K=1
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
P-value=P( 2 Ghitung
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
α=5%
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
P-value=P( 2 Ghitung
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
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 ( )
Status Status Kegiatan
Tingkat Pendidikan
Perkawinan Pengangguran Bekerja
Pendidikan Tinggi 345.8521 5459.148
Kawin
Pendidikan Rendah 308.1479 14917.85
Pendidikan Tinggi 825.1479 2953.852
Single
Pendidikan Rendah 250.8521 2754.148
2
Sehingga nilai untuk G didapatkan sebagai berikut
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
P-value=P( 2 Ghitung
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
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
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 e1 2396
e121 e122 e221 e222 e2 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 e1 432.5
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.
Sehingga nilai untuk didapatkan sebagai berikut
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.
Sehingga nilai untuk didapatkan sebagai berikut
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
ln n
i 1 j 1 k 1
ijk
IJK
57.9928
2 2 2
7.2491
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
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
ln nijk ln nijk
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 22
= 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
(ln n211 ln n212 ) (ln n211 ln n212 ln n221 ln n222 ) (ln n111 ln n112 ln n211 ln n212 )
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
(ln n221 ln n222 ) (ln n211 ln n212 ln n221 ln n222 ) (ln n121 ln n122 ln n221 ln n222 )
2 2 2 2 2
= 0.2341
J J K I J
ln nijk ln nijk
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
(ln n111 ln n121 ) (ln n111 ln n112 ln n121 ln n122 ) (ln n111 ln n121 ln n211 ln n221 )
2 2 2 2 2
= 0.38138
J J K I J
ln n ijk ln nijk
j 1 k 1
ln n
i 1 j 1
ijk
XZ
12 J 1
J JK IJ
(ln n112 ln n122 ) (ln n111 ln n112 ln n121 ln n122 ) (ln n112 ln n122 ln n212 ln n222 )
2 2 2 2 2
= 0.38138
J J K I J
ln nijk ln nijk
j 1 k 1
ln n
i 1 j 1
ijk
XZ
21 J 1
J JK IJ
(ln n211 ln n221 ) (ln n211 ln n212 ln n221 ln n222 ) (ln n111 ln n121 ln n211 ln n221 )
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
(ln n212 ln n222 ) (ln n211 ln n212 ln n221 ln n222 ) (ln n112 ln n122 ln n212 ln n222 )
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
(ln n111 ln n211 ) (ln n111 ln n112 ln n211 ln n212 ) (ln n111 ln n121 ln n211 ln n221 )
I IK IJ
= 0.2826
I I K I J
ln nijk ln nijk ln n
i 1 j 1
ijk
YZ
12 i 1
i 1 k 1
I IK IJ
(ln n112 ln n212 ) (ln n111 ln n112 ln n211 ln n212 ) (ln n112 ln n122 ln n212 ln n222 )
I IK IJ
= 0.28259
I I K I J
ln nijk ln nijk ln n
i 1 j 1
ijk
YZ
21 i 1
i 1 k 1
I IK IJ
(ln n121 ln n221 ) (ln n121 ln n122 ln n221 ln n222 ) (ln n111 ln n121 ln n211 ln n221 )
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
(ln n122 ln n222 ) (ln n121 ln n122 ln n221 ln n222 ) (ln n112 ln n122 ln n212 ln n222 )
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
ln n ijk ln nijk
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
ln n ijk ln nijk
j 1
ln n ijk ln nijk
j 1 k 1
ln n ijk ln n
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
ln n ijk ln nijk
j 1
ln n ijk ln nijk
j 1 k 1
ln n ijk ln n
i 1 j 1
ijk
XYZ
112 ln n112 k 1
i 1
i 1 k 1
K J I JK IK IJ
(ln n111 ln n112 ) (ln n112 ln n122 ) (ln n112 ln n212 )
ln n112
2 2 2
(ln n111 ln n112 ln n121 ln n122 ) (ln n111 ln n112 ln n211 ln n212 )
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
ln n ijk ln nijk
j 1
ln n ijk ln nijk
j 1 k 1
ln n ijk ln n
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 ln n122 ) (ln n111 ln n121 ) (ln n121 ln n221 )
ln n121
2 2 2
(ln n111 ln n112 ln n121 ln n122 ) (ln n121 ln n122 ln n221 ln n222 )
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
ln n ijk ln nijk
j 1
ln n ijk ln nijk
j 1 k 1
ln n ijk ln n
i 1 j 1
ijk
XYZ
122 ln n122 k 1
i 1
i 1 k 1
K J I JK IK IJ
(ln n121 ln n122 ) (ln n112 ln n122 ) (ln n122 ln n222 )
ln n122
2 2 2
(ln n111 ln n112 ln n121 ln n122 ) (ln n121 ln n122 ln n221 ln n222 )
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.
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
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
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
Standard error untuk
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
Standard error untuk
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
Standard error untuk
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
Standard error untuk
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
34
ln eijk jk ijk
iX Yj kZ ijXY ikXZ YZ XYZ
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
iX Yj kZ ijXY ikXZ YZ XYZ
nilai estimasi parameter untuk 1 0.052 dan 2 0.052 yang berarti bahwa variabel
Y Y
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
Status Status Kegiatan
Tingkat Pendidikan
Perkawinan Pengangguran Bekerja
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
Pengujian Variabel Manual SPSS Software R
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
Pengujian Variabel Manual SPSS Software R
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
Pengujian Variabel Manual SPSS Software R
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).
40
2 = Koran II (Berita Metropolis)
Disenangi
3 = Koran III (Berita Olahraga)
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
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.
Daerah kritis :
hitung
2
2( IJK 1)[( I 1) ( J 1) ( K 1)],
hitung
2
((2
2
33 1) [(2 1) (31) (3 1)];0,05)
hitung
2
(12;0,05
2
)
hitung
2
21, 0642
ni..n. j.n..k
eijk
a. Menghitung nilai n2
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
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
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
331) [(231) (331) (31)];0,05)
hitung
2
(6;0,05)
2
hitung
2
12,592
44
ni.k n. jk
eijk
a. Menghitung nilai n2k
eijk
Tabel 4. Tabel Kontingensi Nilai Ekspektasi ( ) antara Jenis Kelamin, Usia, dan Berita yang disenangi
Berita yang Disenangi
Jenis Kelamin Usia Koran 1 Koran 2 Koran 3
(Berita Umum) (Berita Metropolis) (Berita Olahraga)
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
45
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 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
Berdasarkan hasil perhitungan didapatkan nilai χ2 sebesar 41,93. Nilai statistik uji ini lebih
besar dari χ2(6;0,05) (12,592). 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 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) (31)];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
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
Berdasarkan hasil perhitungan didapatkan nilai χ2 sebesar 30,55. Nilai statistik uji ini lebih
besar dari χ2(2;0,05) (3,481). Oleh karena itu, dapat dikatakan bahwa keputusan yang diambil adalah
tolak H0.
f. Kesimpulan
Karena didapatkan hasil tolak H0, maka dapat disimpulkan bahwa yang berarti
bahwa jenis kelamin dan usia saling dependent (berhubungan).
Daerah kritis :
hitung
2
2( IK 1)[( I 1) ( K 1)],
hitung
2
((2
2
3 1) [(2 1) (31)];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
(Berita Umum) (Berita Metropolis) (Berita Olahraga)
Laki-laki 83 65 81 229
Perempuan 28 29 14 71
Total 111 94 95 300
ni.n.k
eik
b. Menghitung nilai n
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
Berdasarkan hasil perhitungan didapatkan nilai χ2 sebesar 7,03. Nilai statistik uji ini lebih
besar dari χ2(2;0,05) (3,481). 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 dan berita yang disenangi saling dependent (berhubungan).
j 1 k 1 e jk
Daerah kritis :
hitung
2
2( JK 1)[( J 1) ( K 1)],
hitung
2
((3
2
31) [(31) (31)];0,05)
hitung
2
(24;0,05)
hitung
2
9, 448
ni.n.k
eik
d. Menghitung nilai n
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 111111 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
Berita yang Disenangi
Usia Koran 1 Koran 2 Koran 3
(Berita Umum) (Berita Metropolis) (Berita Olahraga)
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
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
Karena didapatkan hasil tolak H0, maka dapat disimpulkan bahwa yang berarti
bahwa usia dan berita yang disenangi saling dependent (berhubungan). Sehingga, model
ln e jk Yj kZ YZ
jk
yang mungkin terbentuk adalah
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)(331);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
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
Sehingga didapatkan nilai ekspektasi IxJxK sebagai berikut,
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
eijk
Setelah mendapatkan , maka didapatkan tabel kontingensi dari nilai ekspektasi sebagai berikut,
eijk
Tabel 12. Tabel Kontingensi Nilai Ekspektasi ( ) antara Jenis Kelamin, Usia dan Berita yang Disenangi
Berita yang Disenangi
Jenis Kelamin Usia Koran 1 Koran 2 Koran 3
(Berita Umum) (Berita Metropolis) (Berita Olahraga)
53
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 (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
Berdasarkan hasil perhitungan didapatkan nilai χ2 sebesar 49,62. Nilai statistik uji ini lebih
besar dari χ2(8;0,05) (15,507). 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 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
)
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
55
26.56 33.88
50.43 51.02
32.68 32.01
27.96 27.93
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,
ln eijk i X Yj kZ ijXY ikXZ YZ
jk
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
ln eijk iX Yj kZ ijXY ikXZ YZ
jk
b. Untuk K = 2
nij
G 2 2 nij ln
eij
Statistik uji :
ni..n. j. n..k
eijk
Dimana, n2
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
59
c. Untuk K = 1 atau lebih
ln e ijk jk ijk
iX Yj kZ ijXY ikXZ YZ XYZ
n n..
G 2 2 nij ln ij eij
eij jumlah sel
Statistik uji : dengan
Sehingga didapatkan,
n.. 300
eijk 16, 67
jumlah sel 18
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
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
H0 : Efek order ke-1 = 0
ln eijk
b. Untuk K = 2
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
ln eijk i X Yj kZ ijXY ikXZ YZ
atau dengan model sebagai berikut jk
c. Untuk K = 3
61
Statistik uji : G G3 7, 082
2 2
dengan e211 e212 e213 e221 e222 e223 e231 e232 e233 e2.. 7,89
Sehingga didapatkan,
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
Statistik uji : G12 – G52
e111 e112 e113 e211 e212 e213 e.1. 15, 67
e121 e122 e123 e221 e222 e223 e.2. 15,83
63
Sehingga didapatkan,
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
Partial Chi-Square = G12 – G62 = 151,67 – 149,88 = 1,790
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
31) [(2 1) (31)];0,05)
hitung
2
(22;0,05)
hitung
2
3, 481
64
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
b. Menghitung nilai n
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
Berdasarkan hasil perhitungan didapatkan nilai χ2 sebesar 30,55. Nilai statistik uji ini lebih
besar dari χ2(2;0,05) (3,481). 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 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
31) [(2 1) (31)];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
Berita yang Disenangi
Jenis Kelamin Koran 1 Koran 2 Koran 3
Total
(Berita Umum) (Berita Metropolis) (Berita Olahraga)
Laki-laki 83 65 81 229
Perempuan 28 29 14 71
Total 111 94 95 300
ni.n.k
eik
c. Menghitung nilai n
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
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
Berdasarkan hasil perhitungan didapatkan nilai χ2 sebesar 7,03. Nilai statistik uji ini lebih
besar dari χ2(2;0,05) (3,481). Oleh karena itu, dapat dikatakan bahwa keputusan yang diambil adalah
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
31) [(31) (31)];0,05)
hitung
2
(24;0,05)
hitung
2
9, 448
68
Koran 1 Koran 2 Koran 3
(Berita Umum) (Berita Metropolis) (Berita Olahraga)
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
d. Keputusan
Berdasarkan hasil perhitungan didapatkan nilai χ2 sebesar 10,01. 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
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
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
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
23
ln n121 ln n122 ln n123 ln n221 ln n222 ln n223
2, 385
6
0, 027
I K
ln n i 3k
Y
3 2,385
i 1 k 1
23
ln n131 ln n132 ln n133 ln n231 ln n232 ln n233
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
23
ln n111 ln n121 ln n131 ln n211 ln n221 ln n231
2,385
6
0,198
I J
ln n
i 1 j 1
ij 2
Z
2 2,385
23
ln n112 ln n122 ln n132 ln n212 ln n222 ln n232
2,385
6
0,126
71
I J
ln n
i 1 j 1
ij 3
3Z 2,385
23
ln n113 ln n123 ln n133 ln n213 ln n223 ln n233
2,385
6
0,324
ijXY
v. Menghitung nilai parameter pengaruh gabungan faktor X dan Y ( )
K J K I K
ln nijk ln nijk
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
ln n111 ln n112 ln n113 ln n211 ln n212 ln n213
2,385
6
0, 49
K J K I K
ln n12k ln n
j 1 k 1
1 jk ln n i2k
XY
12 k 1
2,385
i 1 k 1
3 3 3 2 3
ln n121 ln n122 n123 ln n111 ln n112 ln n113 ln n121 ... ln n133
3 9
ln n121 ln n122 ln n123 ln n221 ln n222 ln n223
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 23
ln n131 ln n132 n133 ln n111 ln n112 ln n113 ln n121 ... ln n133
3 9
ln n131 ln n132 ln n133 ln n231 ln n232 ln n233
2,385
6
0, 24
72
K J K I K
ln n21k ln n
j 1 k 1
2 jk ln n i1k
XY
21 k 1
2,385 i 1 k 1
3 3 3 23
ln n211 ln n212 n213 ln n211 ln n212 ln n213 ln n221 ... ln n233
3 9
ln n111 ln n112 ln n113 ln n211 ln n212 ln n213
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 23
ln n221 ln n222 n223 ln n211 ln n212 ln n213 ln n221 ... ln n233
3 9
ln n121 ln n122 ln n123 ln n221 ln n222 ln n223
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 23
ln n231 ln n232 n233 ln n211 ln n212 ln n213 ln n221 ... ln n233
3 9
ln n131 ln n132 ln n133 ln n231 ln n232 ln n233
2,385
6
0, 24
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 23
ln n111 ln n121 ln n131 ln n111 ln n112 ln n113 ln n121 ... ln n133
3 9
ln n111 ln n121 ln n131 ln n211 ln n221 ln n231
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 23
ln n112 ln n122 ln n132 ln n111 ln n112 ln n113 ln n121 ... ln n133
3 9
ln n112 ln n122 ln n132 ln n212 ln n222 ln n232
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 23
ln n113 ln n123 ln n133 ln n111 ln n112 ln n113 ln n121 ... ln n133
3 9
ln n113 ln n123 ln n133 ln n213 ln n223 ln n233
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
ln n211 ln n121 ln n231 ln n211 ln n212 ln n213 ln n221 ... ln n233
3 9
ln n111 ln n121 ln n131 ln n211 ln n221 ln n231
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 23
ln n212 ln n122 ln n232 ln n211 ln n212 ln n213 ln n221 ... ln n233
3 9
ln n112 ln n122 ln n132 ln n212 ln n222 ln n232
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 23
ln n213 ln n123 ln n233 ln n211 ln n212 ln n213 ln n221 ... ln n233
3 9
ln n113 ln n123 ln n133 ln n213 ln n223 ln n233
2,385
6
0,32
YZ
vii. Menghitung nilai parameter pengaruh gabungan faktor Y dan Z ( jk
)
I I K I J
ln nijk ln nijk ln n
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 23
ln n111 ln n211 ln n111 ln n112 ln n113 ln n211 ln n212 ln n213
2 6
ln n111 ln n121 ln n131 ln n211 ln n221 ln n231
2,385
6
0,38
I I K I J
ln ni12 ln ni1k ln n
i 1 j 1
ij 2
YZ
12 i 1
i 1 k 1
2,385
2 23 23
ln n112 ln n212 ln n111 ln n112 ln n113 ln n211 ln n212 ln n213
2 6
ln n112 ln n122 ln n132 ln n212 ln n222 ln n232
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 23 23
ln n113 ln n213 ln n111 ln n112 ln n113 ln n211 ln n212 ln n213
2 6
ln n113 ln n123 ln n133 ln n213 ln n223 ln n233
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 23 23
ln n121 ln n221 ln n121 ln n122 ln n123 ln n221 ln n222 ln n223
2 6
ln n111 ln n121 ln n131 ln n211 ln n221 ln n231
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 23
ln n121 ln n221 ln n121 ln n122 ln n123 ln n221 ln n222 ln n223
2 6
ln n112 ln n122 ln n132 ln n212 ln n222 ln n232
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 23 23
ln n123 ln n223 ln n121 ln n122 ln n123 ln n221 ln n222 ln n223
2 6
ln n113 ln n123 ln n133 ln n213 ln n223 ln n233
2,385
6
0,39
I I K I J
ln ni31 ln ni3k ln n
i 1 j 1
ij1
YZ
31 i 1
i 1 k 1
2,385
2 23 23
ln n131 ln n231 ln n131 ln n132 ln n133 ln n231 ln n232 ln n233
2 6
ln n111 ln n121 ln n131 ln n211 ln n221 ln n231
2,385
6
0,17
76
I I K I J
ln ni32 ln ni3k ln n
i 1 j 1
ij 2
YZ
32 i 1
i 1 k 1
2,385
2 23 23
ln n132 ln n232 ln n131 ln n132 ln n133 ln n231 ln n232 ln n233
2 6
ln n112 ln n122 ln n132 ln n212 ln n222 ln n232
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 23 23
ln n131 ln n231 ln n131 ln n132 ln n133 ln n231 ln n232 ln n233
2 6
ln n113 ln n123 ln n133 ln n213 ln n223 ln n233
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
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.
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
ln eijk iX Yj kZ ijXY ikXZ YZ
terbaik adalah jk
79
Karena nilai 2 (12,851) lebih dari 9,488 maka tolak H0. Sehingga keputusannya
adalah model 1 adalah model terbaik pada iterasi kedua. Jadi keputusan akhir, model
ln eijk iX Yj kZ ijXY ikXZ YZ
terbaik adalah jk
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
Pearson Chi-Square 28,180 10 0,002
Likelihood Ratio 29,933 10 0,001
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
Pearson Chi-Square 41,927 6 0,000
Likelihood Ratio 43,194 6 0,000
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
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
Likelihood Ratio Pearson
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 :
ln eijk i X Yj kZ ijXY ikXZ YZ
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*
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
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
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 :
ln eijk iX Yj kZ ijXY ikXZ YZ
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
91
0
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 :
ln eijk iX Yj kZ ijXY ikXZ YZ
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,
dan Berita yang Disenangi dengan R
Model Df Likelihood Ratio Test Chi-Square
G2 P-value G2 2 P-value
2
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,
dan Berita yang Disenangi dengan R
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
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
Goodness-of-Fit Testsa,b
Value df Sig.
a. Model: Poisson
b. Design: Constant + SP + TP * SK
Conditionally Independent
Goodness-of-Fit Testsa,b
Value df Sig.
96
a. Model: Poisson
b. Design: Constant + SP * SK + TP * SK
Goodness-of-Fit Testsa,b
Value df Sig.
a. Model: Poisson
b. Design: Constant + SP * TP + SP * SK
Goodness-of-Fit Testsa,b
Value df Sig.
a. Model: Poisson
b. Design: Constant + SP * TP + TP * SK
Marginally Independent
Goodness-of-Fit Testsa,b
Value df Sig.
a. Model: Poisson
b. Design: Constant + SP + TP
Goodness-of-Fit Testsa,b
Value df Sig.
97
Likelihood Ratio 1199.000 1 .000
a. Model: Poisson
b. Design: Constant + SP + SK
Goodness-of-Fit Testsa,b
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
Lampiran 3. Uji Asosiasi Parsial antara variabel Status Perkawinan, Tingkat Pendidikan, dan
Status Kegiatan dengan SPSS
98
Partial Associations
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
Status Kegiatan dengan SPSS
Parameter Estimates
Effect Parameter Estimate Std. Error Z Sig. Lower Bound Upper Bound
Lampiran 5. Backward Elimination antara variabel Status Perkawinan, Tingkat Pendidikan, dan
Status Kegiatan dengan SPSS
Step Summary
Number of
a c
Step Effects Chi-Square df Sig. Iterations
99
0 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
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)
Likelihood Ratio 1199.000 1 0
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
Pendidikan Tinggi 1171 8413
Pendidikan Rendah 559 17672
> 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)
Likelihood Ratio 847.3273 1 0
Pearson 902.0664 1 0
Statistics:
X^2 df P(> X^2)
Likelihood Ratio 1324.326 2 0
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)
Likelihood Ratio 2523.325 3 0
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)
Likelihood Ratio 3370.652 4 0
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
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
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
pekerjaan tinggi rendah
bekerja -0.0412328 0.0412328
pengangguran 0.0412328 -0.0412328
, , status = single
pendidikan
pekerjaan tinggi rendah
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
Tabel Kontingensi 2x3x3
Lampiran 7. Uji Independensi Mutually Independent Antara Jenis Kelamin, Usia dan Jenis
Berita yang Disenangi dengan SPSS
Goodness-of-Fit Testsa,b
Value df Sig.
a. Model: Poisson
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
Lampiran 9. Uji Asosiasi Parsial Antara Jenis Kelamin, Usia dan Jenis Berita yang Disenangi
dengan SPSS
Partial Associations
107
Lampiran 10. Hasil Estimasi Parameter Model Saturated Antara Jenis Kelamin, Usia dan Jenis
Berita yang Disenangi dengan SPSS
Parameter Estimates
Effect Parameter Estimate Std. Error Z Sig. Lower Bound Upper Bound
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
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
2 koran 2 25-37 laki-laki 15
3 koran 3 25-37 laki-laki 29
4 koran 1 38-50 laki-laki 25
5 koran 2 38-50 laki-laki 23
6 koran 3 38-50 laki-laki 27
7 koran 1 >50 laki-laki 48
8 koran 2 >50 laki-laki 27
9 koran 3 >50 laki-laki 25
109
10 koran 1 25-37 perempuan 15
11 koran 2 25-37 perempuan 15
12 koran 3 25-37 perempuan 10
13 koran 1 38-50 perempuan 10
Lampiran 12. Script dan Output Pemodelan Loglinear 3 Dimensi Antara Jenis Kelamin, Usia
dan Jenis Berita yang Disenangi dengan R (Lanjutan)
14 koran 2 38-50 perempuan 9
15 koran 3 38-50 perempuan 1
16 koran 1 >50 perempuan 3
17 koran 2 >50 perempuan 5
18 koran 3 >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
Lampiran 12. Script dan Output Pemodelan Loglinear 3 Dimensi Antara Jenis Kelamin, Usia
dan Jenis Berita yang Disenangi dengan R (Lanjutan)
> # 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
X.Y.Z XY.Z XZ.YZ XY.XZ.YZ XYZ
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,]
Lampiran 12. Script dan Output Pemodelan Loglinear 3 Dimensi Antara Jenis Kelamin, Usia
dan Jenis Berita yang Disenangi dengan R (Lanjutan)
> gof
X.Y.Z XY.Z XZ.YZ XY.XZ.YZ XYZ
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
Lampiran 12. Script dan Output Pemodelan Loglinear 3 Dimensi Antara Jenis Kelamin, Usia
dan Jenis Berita yang Disenangi dengan R (Lanjutan)
$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
$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