ANALISIS DATA KUALITATIF

MODUL IV
LOG LINEAR 3 DIMENSI

Oleh :
1. Fitri Ayu Kusumawati 1313 201 045
2. Yuanita Damayanti 1313 201 047
3. Puspita Kartikasari 1313 201 048

Dosen :
Dr. Vita Ratnasari, S.Si., M.Si.

Jurusan Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember Surabaya
2013
I. TINJAUAN PUSTAKA
1.1 Log Linier 3 Dimensi
Log linier 3 dimensi digunakan untuk menggambarkan ada tidaknya hubungan antara
dua atau lebih variabel dan sekaligus untuk mengetahui sel-sel mana yang menyebabkan
dependensi.
Tabel 1.1 Organisasi Data

Var 1 Var 2 Var 3 (X3)

(X1) (X2) 1 2 ... k
1 n111 n112 ... n11k
1 ... ... .... ... ....
J n1ik
1
2 ...
J
... ...
1
i ...
J nijk

Keterangan : nijk = banyaknya observasi pada baris ke-i, kolom ke-j, dan layer ke-k.
Dengan model [ CITATION Wul09 \l 1057 ] :
V ijk =λ+λ A +λ B+ λ C + λ +λ +λ +λ
i j k ij AB jkBC ik AC ijk ABC (1.1)
Jika antara ketiga variabel tersebut saling independent, maka taksiran nilai harapan dari
masing-masing sel adalah sebagai berikut :
ni. . n. j. n. . k
e ij=
n 2
... (1.2)
J K
ni. .=∑ ∑ nijk =
dimana : j=1 k=1 jumlah nilai observasi pada baris ke-i
I K
n. j.=∑ ∑ nijk =
i=1 k =1 jumlah nilai observasi pada kolom ke-j
J I
n. . k =∑ ∑ nijk =
j=1 i=1 jumlah nilai observasi pada lyer ke-k
I J K
n .. .=∑ ∑ ∑ nijk =
i=1 j=1 k =1 jumlah seluruh nilai observasi
Bila kedua ruas persamaan (1.2) dinyatakan dalam bentuk logaritma didapatkan :

log
e ijk = log ni.. + log n. j. + log n..k - 2 log n... (1.3)

Page | 1
yang analog dengan : log e ijk= λ+ λiA + λBj + λ Ck + λijAB + λ ikAC + λ BC ABC
jk + λ ijk

Arti dari model tersebut adalah variabel 1, 2 dan 3 ada dalam model, tapi tidak ada
interaksi antara ketiganya (ketiga variabel independen). Dimana :
λ= grand mean dari logaritma jumlah nilai harapannya atau rata-rata dari seluruh logarima
nilai harapannya.
I J K
^λ= 1 ∑ ∑ ∑ log e
ijk
IJK i=1 j=1 k=1 (1.4)
A
λ+ λ i = main effect variabel 1 atau pengaruh dari variabel 1 terhadap model.
J K
1
λ+λ iA = ∑ ∑ log e ijk
JK j=1 k =1 (1.5)
B
λ+ λ j = main effect variabel 2 atau pengaruh dari variabel 2 terhadap model.
I K
1
λ+ λ Bj = ∑ ∑ log eijk
IK i=1 k =1 (1.6)
λ+λ Ck = main effect variabel 3 atau pengaruh dari variabel 3 terhadap model
I J
1
λ+λ Ck = ∑ ∑ log eijk
IJ i=1 j=1 (1.7)
u1(i) u2( j ) u3(k)
dan dan menunjukkan deviasi penyimpangan dari u sehingga

I J K
∑ λ iA= ∑ λ Bj = ∑ λCk =0
i =1 j=1 k=1

Jika terdapat interaksi pada ketiga variabel, maka model menjadi

A B C AB AC BC ABC
log e ijk= λ+ λi + λ j +λ k + λij + λ ik +λ jk + λ ijk (1.8)
dimana :
I J I K J K I J K
∑∑ λ ijAB=∑ ∑ λ ikAC= ∑ ∑ λ BC ABC
jk = ∑ ∑ ∑ λijk =0
i=1 j=1 i=1 k =1 j=1 k=1 i=1 j=1 k =1

dengan :

Page | 2
 Tabel 1.2 Resume Derajat bebas untuk Log Linear 3 Dimensi
Bentuk Db
λ 1
A
λi I-1
B J-1
λj
C
λk K-1
AB (I-1)(J-1)
λij
AC
λik (I-1)(K-1)
λ BC
jk
(J-1)(K-1)
ABC (I-1)(J-1)(K-1)
λijk
Total IJK

1.2 Uji Independensi

Uji Independen adalah uji yang digunakan untuk melihat variabel yang diteliti bebas
artinya tidak memiliki hubungan satu sama lain.Untuk melihat apakah variabel independen
atau tidak yaitu dengan diuji korelasi. Uji korelasi digunakan untuk menguji hubungan antara
dua variabel yang tidak menunjukkan hubungan fungsional (berhubungan bukan berarti
disebabkan)[ CITATION Dan89 \l 1057 ]. Uji hipotesis pada uji korelasi adalah sebagai berikut.
Hipotesis :
H0 : Tidak terdapat hubungan yang signifikan antar kedua variabel
H1 : Terdapat hubungan yang signifikan antar kedua variabel
Statistik uji :
I J K 2
(n −e )
X 2hit =
∑∑ ∑ ijke ijk
i=1 j=1 k=1 ijk (1.9)

Nilai X2 diatas kemudian dibandingkan dengan nilai X2 pada tabel. Dengan daerah
kritisnya Tolak H0 jika X2hitung > X2tabel[ CITATION Wul09 \l 1057 ].

1.3 Pemilihan Model Terbaik

Pemilihan model terbaik dapat dilakukan dengan 3 cara yaitu.
1.3.1 Uji K-Way

Page | 3
1. Pengujian interaksi pada derajat K atau lebih sama dengan nol (Test that K-Way and
higher order effect are zero) uji ini didasarkan pada hipotesis bahwa efek order ke-K dan
yang lain tinggi sama dengan nol. Pada model log liniear hipotesisnya sebagai berikut.
 Untuk K=3
A B C AB AC BC
H0 : Efek order ke-3 = 0 ( log e ijk= λ+ λi + λ j + λ k + λij + λ ik + λ jk )
A B C AB AC BC ABC
H1 : Efek order ke-3 ≠ 0 ( log e ijk = λ+ λi + λ j + λ k + λij + λ ik + λ jk + λ ijk )
 Untuk K = 2
A B C
H0 : Efek order ke-2 = 0 ( log e ijk = λ+λ i + λ j + λ k )

A B C AB AC BC ABC
H1 : Efek order ke-2 ≠ 0 ( log e ijk = λ+ λi + λ j + λ k + λij + λ ik + λ jk + λ ijk )
 Untuk K = 1

H0 : Efek order ke-1 dan yang lebih tinggi = 0 (

log e ijk= λ )
H1 : Efek order ke-2 dan yang lebih tinggi ≠ 0
A B C AB AC BC ABC
( log e ijk= λ+λi + λ j +λ k + λij +λ ik +λ jk +λ ijk )
2. Pengujian interaksi pada derajat K sama dengan nol (Test that K-Way and higher order
effect are zero) uji ini didasarkan pada hipotesis bahwa efek order ke-K sama dengan nol.
Pada model log liniear hipotesisnya sebagai berikut.
 Untuk K = 1
A B C
H0 : Efek order ke-1 = 0 ( λi =λ j =λ k =0 )
A B
H1 : Efek order ke-1 ≠ 0 ( λi ≠0 atau λ j ≠0 atau λCk ≠0 )
 Untuk K = 2
AB AC BC
H0 : Efek order ke-2 = 0 ( λij =λ ik =λ jk =0 )
AB AC BC
H1 : Efek order ke-2 ≠ 0 ( λij ≠0 atau λik ≠0 atau λ jk ≠0 )

 Untuk K = 3
ABC
H0 : Efek order ke-3 = 0 ( λijk =0 )
ABC
H1 : Efek order ke-3 ≠ 0 ( λijk ≠0 )
2
Kriteria penolakan G2 > χ (db: α ) maka tolak H0 [ CITATION Wul09 \l 1057 ].
1.3.2 Uji Asosiasi Parsial
Pengujian ini mempunyai tujuan untuk menguji semua parameter yang mungkin dari
suatu model lengkap baik satu variabel yang bebas maupun untuk hubungan ketergantungan

Page | 4
beberapa variabel yang merupakan parsial dari suatu model lengkap. Hipotesisnya sebagai
berikut :
AB
1. H0 : X1 dan X2 independen dalam setiap level X3 ( λij =0 )
AB
H1 : X1 dan X2 dependen dalan setiap level X3 ( λij ≠0 )

Maka jika Terima H0 logeijk = λ+ λ iA + λ Bj + λCk + λ BC AC

jk + λik

AC
2. H0 : X1 dan X3 independen dalam setiap level X2 ( λik =0 )
AC
H1 : X1 dan X3 dependen dalan setiap level X2 ( λik ≠0 )
A B C AB BC
Maka jika Terima H0 logeijk = λ+ λ i +λ j + λk +λij + λ jk
BC
3. H0 : X2 dan X3 independen dalam setiap level X1 ( λ jk =0 )
BC
λ
H1 : X2 dan X3 dependen dalan setiap level X1 ( jk ≠0 )
A B C AB AC
Maka jika Terima H0 logeijk = λ+ λ i + λ j + λk + λij + λik
A
4. H0 : X1 independen dalam setiap level ( λi =0 )
A
H1 : X1 dependen dalan setiap level ( λi ≠0 )

Maka jika Terima H0 logeijk = λ+λ Bj +λCk

B
5. H0 : X1 independen dalam setiap level ( λ j =0 )
B
H1 : X1 dependen dalan setiap level ( λ j ≠0 )

Maka jika Terima H0 logeijk = λ+ λ iA + λCk

C
6. H0 : X1 independen dalam setiap level ( λ k =0 )
C
H1 : X1 dependen dalan setiap level ( λ k ≠0 )

Maka jika Terima H0 logeijk = λ+λ iA +λ Bj

2
Kriteria penolakan χ 2 > χ (db: α ) maka tolak H0 [ CITATION Wul09 \l 1057 ].

1.3.3 Eliminasi Backward

Metode Backward Elemination pada dasarknya menyeleksi model dengan
menggunakan prinsip hierarki, yaitu dengan melihat model terlengkap sampai dengan model
yang sederhana. Langkah-langkah yang dilakukan adalah
1. Anggap model (0) yaitu model XYZ sebagai model terbaik.

Page | 5
 2. Keluarkan efek interaksi tiga faktor sehingga modelnya menjadi (XY, YZ, XZ) yang
disebut model (1).
3. Bandingkan model (0) dengan model (1) dengan hipotesis sebagai berikut.
A B C AB AC BC
H0 : Model (1) = model terbaik ( log e ijk= λ+λi + λ j +λ k + λij +λ ik +λ jk )
A B C AB AC BC ABC
H1 : Model (0) = model terbaik ( log e ijk= λ+λi + λ j +λ k + λij +λ ik +λ jk +λ ijk )
Statistik uji yang digunakan adalah Likelihood Ratio Test (G2).
4. Jika H0 ditolak, maka dinyatakan bahwa model (0) adalah model terbaik. Tetapi jika
gagal tolak H0, maka bandingkan model (1) tersebut dengan model (0). Kemudian
salah satu interaksi dua faktor dikeluarkan dari model.
5. Untuk menentukan interaksi mana yang dikeluarkan terlebih dahulu maka dipilih nilai
G2 terkecil.
6. Jika H0 diterima maka Model (1) yang terbentuk, sehingga dibuat Model (2) dengan
hipotesis sebagai berikut.
A B C AC BC
a. H0 : Model (2) = model terbaik ( log e ijk = λ+λi + λ j +λ k + λik +λ jk )
A B C AB AC BC
H1 : Model (1) = model terbaik ( log e ijk = λ+ λ i + λ j + λ k + λ ij + λ ik + λ jk )

A B C AB BC
b. H0 : Model (2) = model terbaik ( log e ijk= λ+λi + λ j +λ k + λij +λ jk )
A B C AB AC BC
H1 : Model (1) = model terbaik ( log e ijk= λ+ λi + λ j + λ k + λij + λ ik + λ jk )
A B C AB AC
c. H0 : Model (2) = model terbaik ( log e ijk= λ+λi + λ j +λ k + λij +λ ik )
A B C AB AC BC
H1 : Model (1) = model terbaik ( log e ijk = λ+ λi + λ j + λ k + λij + λ ik + λ jk )
[ CITATION Wul09 \l 1057 ]

II. APLIKASI DAN LANGKAH ANALISIS

2.1 Studi Kasus
Data yang digunakan adalah data karakteristik pelanggan koran Jawa Pos di daerah
Ketintang Surabaya yang dikutip dari tugas akhir Herman Fauzi 1392030039. Pada studi
kasus ini, ingin diketahui independensi, interaksi serta hubungan ketergantungan antara jenis
kelamin, usia dan berita yang disenangi oleh pelanggan dengan menggunakan log linear 3
dimensi dimana ketiga variabel tersebut dikategorikan sebagai berikut.
Tabel 2.1 Kategori Variabel
Variabel Kategori
Jenis kelamin 1 = Laki-laki
2 = Perempuan
Usia 1 = 25-37 tahun
Page | 6
 2 = 38-50 tahun
3 = > 50 tahun
Berita yang disenangi 1 = Berita umum
2 = Berita metropolis
3 = Berita olahraga
Berikut ini merupakan tabel kontingensi dari data karakteristik pelanggan koran Jawa Pos.
Tabel 2.2 Kontingensi Karakteristik Pelanggan Koran Jawa Pos
Berita yang disenangi
Jenis
Usia Koran I Koran 2 Koran 3
Kelamin
(Berita Umum) (Berita Metropolis) (Berita Olahraga)
25-37 tahun 10 15 29
Laki-Laki 38-50 tahun 25 23 27
> 50 tahun 48 27 25
25-37 tahun 15 15 10
Perempua
38-50 tahun 10 9 1
n
> 50 tahun 3 5 3

2.2 Langkah Analisis

Langkah-langkah yang digunakan dalam menganalisis ketiga variabel karakteristik
pelanggan koran dengan menggunakan software SPSS adalah sebagai berikut.
1. Melakukan Weight Case
 Data > Weight Case

 Pilih Weight case by

Page | 7
  Isi Frequency Variable dengan frekuensi.

2. Melakukan uji independensi

 Analyze > Loglinier > General

Page | 8
 Masukkan variabel Jeniskelamin, Usia, dan Berita ke Factor(s), pilih Model

 Pada model, pilih custom. Masukkan variabel Jeniskelamin, Usia, dan Berita ke
terms in model dengan pilihan type main effect

Page | 9
3. Menguji Interaksi k-suku atau lebih adalah nol
 Analyze > Loglinier > Model Selection

 Masukkan variabel Jeniskelamin, Usia, dan Berita ke Factor(s) kemudian melakukan

Define range, Jeniskelamin 1-2, Usia 1-3, dan Berita 1-3.

Page | 10
 Pilih Enter in single step, kemudian pilih Model

 Pada Model, pilih Saturated > Continue

Page | 11
  Pilih Option, kemudian klik Parameter estimates dan Association table.
Continue > OK

III. ANALISIS DAN PEMBAHASAN

3.1 Uji Independensi
H0: Tidak ada hubungan antara ketiga variabel (jenis kelamin,usia, dan berita yang
disenangi).
H1: Ada hubungan antara ketiga variabel (jenis kelamin,usia, dan berita yang disenangi).
α=5%
Daerah Kritis : 2hitung > 2((i-1)(j-1)+(i-1)(k-1)+(j-1)(k-1)-(i-1)(j-1)(k-1),α)
2hitung > 2((2-1)(3-1)+(2-1)(3-1)+(3-1)(3-1)-(2-1)(3-1)(3-1),α)
2hitung > 2(12, 0,05)
2hitung > 21,0642 atau G2 > 21,0642
Statistik Uji:

Page | 12
 Tabel 3.1 Frekuensi Harapan Data Berdasarkan Output SPSS
Observed Expected
Jeniskelamin Usia Berita
Count % Count %
Umum 10 3.3% 26.549 8.8%
25-27
Metropolis 15 5.0% 22.483 7.5%
tahun
Olahraga 29 9.7% 22.722 7.6%
Umum 25 8.3% 26.831 8.9%
38-50
Laki-laki Metropolis 23 7.7% 22.722 7.6%
tahun
Olahraga 27 9.0% 22.964 7.7%
Umum 48 16.0% 31.350 10.5%
>50 tahun Metropolis 27 9.0% 26.549 8.8%
Olahraga 25 8.3% 26.831 8.9%
Umum 15 5.0% 8.231 2.7%
25-27
Metropolis 15 5.0% 6.971 2.3%
tahun
Olahraga 10 3.3% 7.045 2.3%
Umum 10 3.3% 8.319 2.8%
38-50
Perempuan Metropolis 9 3.0% 7.045 2.3%
tahun
Olahraga 1 .3% 7.120 2.4%
Umum 3 1.0% 9.720 3.2%
>50 tahun Metropolis 5 1.7% 8.231 2.7%
Olahraga 3 1.0% 8.319 2.8%

Selain menggunakan output SPSS, nilai ekspektasi dapat dihitung menggunakan

rumus:
.×n ..k ¿
e ijk=ni. .×n. j ¿
n2...
n1 ..×n .1 .×n. . 1 229×94×111
e 111= = =26 , 55
n .. .2 3002
n 1. . x n .1 . x n.. 2 229 x 94 x 94
e 112 = = =22 , 48
n .. .2 300 2
n1. . x n.1 . x n. .3 229 x 94 x 95
e 113 = = =22, 72
n .. .2 3002
n1. . x n. 2. x n. . 1 229 x 95 x 111
e 121= = =26 , 83
n . ..2 3002
n1. . x n2. x n. . 2 229 x 95 x 94
e 122= = =22 , 72
n . ..2 300 2
n1. . x n. 2. x n. . 3 229 x 95 x 95
e 123= = =22 ,96
n . ..2 3002
n1. . x n. .3 . x n. .1 229 x 111 x 111
e 131= = =31 ,35
n .. .2 3002
n1. . x n. 3. x n. . 2 229 x 111 x 94
e 132= = =26 , 55
n . ..2 3002
Page | 13
 n1. . x n. 3. x n. . 3 229 x 111 x 95
e 133= = =26 , 83
n . ..2 300 2
n 2. . x n.1 . x n. .1 71 x 94 x 111
e 211= 2
= =8 , 23
n .. . 3002
n2. . x n. 1. x n. . 2 71 x 94 x 94
e 212= = =6 , 97
n . ..2 3002
n2 .. x n. 1. x n. . 3 71 x 94 x 95
e 213= = =7 , 04
n . ..2 300 2
n2. . x n. 2. x n. . 1 71 x 95 x 111
e 221= = =8 ,32
n . ..2 3002
n2. . x n. 2. x n. . 2 71 x 95 x 94
e 222= = =7 , 04
n . ..2 3002
n2 .. x n. 2. x n. . 3 71 x 95 x 95
e 223= = =7 ,12
n. .. 2 300 2
n2. . x n. 3. x n. . 1 71 x 111 x 111
e 231= = =9 , 72
n . ..2 3002
n2. . x n. 3. x n. . 2 71 x 111 x 94
e 232= = =8 , 23
n . ..2 3002
n2 .. x n. 3 . x n .. 3 71 x 111 x 95
e 233= = =8 , 32
n. .. 2 300 2
Tabel 3.2 Nilai Ekspektasi Berdasarkan Perhitungan Manual
Berita yang disenangi
Jenis
Usia Koran I Koran 2 (Berita Koran 3 (Berita
Kelamin
(Berita Umum) Metropolis) 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
Nilai ekspektasi berdasarkan perhitungan manual pada Tabel 3.2 sama dengan
nilai pada kolom Expected-Count pada Tabel 3.1. Kemudian setelah mendapatkan nilai
ekspektasi maka dilakukan perhitungan uji Chi-Square atau perhitungan uji Nisbah
Kemungkinan G2 .
Tabel 3.3 Nilai Uji Likelihood Ratio G2 dan Nilai Uji Pearson Chi-Square
  Value Df Sig.
Likelihood Ratio 60.527 12 0.000
Pearson Chi-Square 55.866 12 0.000

Tabel 3.4 Perhitungan Menggunakan Excel

Page | 14
 kode
nijk eijk nijk-eijk (nijk-eijk)2 (nijk-eijk)/eijk nijk/eijk nijk ln (nijk/eijk)
level
111 10 26,55 -16,55 273,86 10,32 0,38 -9,76
112 15 22,48 -7,48 55,99 2,49 0,67 -6,07
113 29 22,72 6,28 39,41 1,73 1,28 7,08
121 25 26,83 -1,83 3,35 0,12 0,93 -1,77
122 23 22,72 0,28 0,08 0,00 1,01 0,28
123 27 22,96 4,04 16,29 0,71 1,18 4,37
131 48 31,35 16,65 277,22 8,84 1,53 20,45
132 27 26,55 0,45 0,20 0,01 1,02 0,46
133 25 26,83 -1,83 3,35 0,12 0,93 -1,77
211 15 8,23 6,77 45,82 5,57 1,82 9,00
212 15 6,97 8,03 64,47 9,25 2,15 11,50
213 10 7,04 2,96 8,73 1,24 1,42 3,50
221 10 8,32 1,68 2,83 0,34 1,20 1,84
222 9 7,04 1,96 3,82 0,54 1,28 2,20
223 1 7,12 -6,12 37,45 5,26 0,14 -1,96
231 3 9,72 -6,72 45,16 4,65 0,31 -3,53
232 5 8,23 -3,23 10,44 1,27 0,61 -2,49
233 3 8,32 -5,32 28,29 3,40 0,36 -3,06
TOTAL 55,86 30,26
2 3 3
∑ ∑ ∑ (nijk −e ijk )2
I =1 j=1 k =1
χ 2= =55 , 86
e ijk
2 3 3 nijk
G2 =2 ∑ ∑ ∑ (nijk −eijk )2 n ijk ln
I =1 j=1 k=1 eijk
¿2×30 , 26
¿60 ,52
Kesimpulan: Karena 2hitung yaitu 55,86 dan G2 = 60,52 yang lebih dari 21,0642
maka tolak H0, sehingga ada hubungan antara ketiga variabel (jenis kelamin,usia, dan
jenis berita yang disenangi).

3.2 Analisis Log Linear

Analisis log linear pada kasus ini, terdapat tiga kategori yaitu:
1. Kategori A yaitu Jenis Kelamin
1: Laki – laki
2: Perempuan
2. Kategori B yaitu Umur
1: 25 – 37 tahun
2: 38 – 50 tahun
3: > 50 tahun
3. Kategori C yaitu Jenis Berita
Page | 15
 1: Koran 1 (Berita Umum)
2: Koran 2 (Berita Metropolis)
3: Koran 3 (Berita Olahraga)
Secara umum, model log linear dari kasus ini adalah :
A B C AB AC BC ABC
log e ijk= λ+ λi + λ j + λ k + λij + λ ik + λ jk +λ ijk
dengan keterangan:
i : level variabel A
j : level variabel B
k : level variabel C

3.3 Seleksi Model dengan metode K-Way

Tabel 3.5 K-Way and Higher-Order Effects
Likelihood Ratio Pearson Number
  K Df Chi- of
Chi-Square Sig. Sig. Iterations
Square

K-way and 1 17 151.670 0.000 148.920 0.000 0

Higher Order
Effectsa 2 12 60.527 0.000 55.866 0.000 2
3 4 7.082 0.132 7.470 0.113 4
1 5 91.143 0.000 93.054 0.000 0
K-way Effectsb 2 8 53.445 0.000 48.396 0.000 0
3 4 7.082 0.132 7.470 0.113 0

1. Test untuk interaksi K-suku atau lebih adalah nol

Test ini berdasarkan pada hipotesis bahwa efek order ke-K atau lebih sama dengan nol.
Test ini dimulai dari order tertinggi hingga order terendah.
1. Untuk k = 3
A B C AB AC BC
H0 : order ke-3 sama dengan nol ( log e ijk= λ+λi + λ j +λ k + λij +λ ik +λ jk )
H1 : order ke-3 tidak sama dengan nol
A B C AB AC BC ABC
( log e ijk = λ+ λ i + λ j + λ k + λ ij + λ ik + λ jk + λ ijk )
α=5%
Daerah Kritis : 2hitung > 2((i-1)(j-1)(k-1),α)
2hitung > 2((2-1)(3-1)(3-1),α)
2hitung > 2(4, 0,05)
2hitung > 9,4877 atau G2 > 9,4877
Statistik Uji :

Page | 16
 2 = 7,470
G2 = 7,082
Kesimpulan :
Karena nilai 2 yaitu 7,470 dan nilai G2 7,082 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
A B C AB AC BC ABC
model log linearnya adalah log e ijk= λ+λi + λ j +λ k + λij +λ ik +λ jk +λ ijk
2. Untuk k = 2
A B C
H0 : order ke-2 sama dengan nol ( log e ijk= λ+λi + λ j + λ k )
H1 : order ke-2 tidak sama dengan nol
A B C AB AC BC ABC
( log e ijk= λ+ λi + λ j +λ k + λij +λ ik + λ jk +λ ijk )
α=5%
Daerah Kritis : 2hitung > 2((i-1)(j-1)+(i-1)(k-1)+(j-1)(k-1)-(i-1)(j-1)(k-1),α)
2hitung > 2((2-1)(3-1)+(2-1)(3-1)+(3-1)(3-1)-(2-1)(3-1)(3-1),α)
2hitung > 2(12, 0,05)
2hitung > 21,0642 atau G2 > 21,0642
Statistik Uji :
Nilai ekspektasi (e) untuk masing-masing level ditampilkan pada Tabel 3.2, dan
perhitungannya pada Tabel 3.4.
Sehingga statistik uji yang didapatkan adalah
2 3 3
∑ ∑ ∑ (nijk −e ijk )2
χ 2 = I =1 j=1 k =1
=55 , 86
e ijk
2 3 3 nijk
G2 =2 ∑ ∑ ∑ (nijk −eijk )2 n ijk ln
I =1 j=1 k=1 eijk
¿2×30 , 26
¿60 ,52
Kesimpulan :
Karena nilai 2 yaitu 55,86 dan nilai G2 60,52 lebih dari 21,0642 maka 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

log e ijk=μ+ λiA + λ Bj + λCk + λ ijAB + λikAC + λ BC

ABC
model log linearnya adalah jk + λijk

Page | 17
3. Untuk k = 1

H0 : order ke-1 sama dengan nol (

log e ijk= λ )
H1 : order ke-1 tidak sama dengan nol
A B C AB AC BC ABC
( log e ijk= λ+ λi + λ j + λ k + λij +λ ik + λ jk + λ ijk )
α=5%
Daerah Kritis : 2hitung > 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)
2hitung > 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)
2hitung > 2(17, 0,05)
2hitung > 27,587 atau G2 > 27,587
Statistik Uji :
n . .. 300
e ijk= = =16 , 67
18 18
Tabel 3.6 Nilai Ekspektasi Berdasarkan Perhitungan Manual pada Order K = 1
Berita yang disenangi
Jenis
Usia Koran I Koran 2 (Berita Koran 3 (Berita
Kelamin
(Berita Umum) Metropolis) Olahraga)
25-37 tahun 16,67 16,67 16,67
Laki-Laki 38-50 tahun 16,67 16,67 16,67
> 50 tahun 16,67 16,67 16,67
25-37 tahun 16,67 16,67 16,67
Perempuan 38-50 tahun 16,67 16,67 16,67
> 50 tahun 16,67 16,67 16,67

Tabel 3.7. Perhitungan Menggunakan Excel

kode
eijk nijk nijk-eijk (nijk-eijk) 2/eijk nijk/eijk nijk x ln nijk/eijk
level
111 16.67 10 -6.67 2.67 0.6 -5.109
112 16.67 15 -1.67 0.17 0.9 -1.580
113 16.67 29 12.33 9.127 1.74 16.063
121 16.67 25 8.33 4.167 1.5 10.137
122 16.67 23 6.33 2.407 1.38 7.408
123 16.67 27 10.33 6.407 1.62 13.025
131 16.67 48 31.33 58.907 2.88 50.774
132 16.67 27 10.33 6.407 1.62 13.025
133 16.67 25 8.33 4.167 1.5 10.137
211 16.67 15 -1.66 0.167 0.9 -1.580
212 16.67 15 -1.66 0.167 0.9 -1.580
213 16.67 10 -6.66 2.667 0.6 -5.108
221 16.67 10 -6.66 2.667 0.6 -5.108
222 16.67 9 -7.66 3.527 0.54 -5.545
223 16.67 1 -15.67 14.727 0.06 -2.813
231 16.67 3 -13.67 11.207 0.18 -5.144

Page | 18
 232 16.67 5 -11.67 8.167 0.3 -6.019
233 16.67 3 -13.67 11.207 0.18 -5.144
TOTAL  148.92   75,835
2 3 3
∑ ∑ ∑ (nijk −e ijk )2
χ = I =1
2 j=1 k =1
=148 , 92
e ijk
2 3 3 nijk
G =2 ∑ ∑ ∑ (nijk −eijk )2 n ijk ln
2

I =1 j=1 k=1 eijk

¿2×75 , 835
¿151, 670
Kesimpulan :
Karena nilai 2 yaitu 148,92 dan nilai G2 151,670 lebih dari 27,587 maka tolak H0.
Kesimpulan ini juga didapatkan dari nilai P-Value pada uji Chi-Square 0,00 yang
kurang dari alpha 0,05. Sehingga keputusannya adalah order ke-2 tidak sama dengan nol
A B C AB AC BC ABC
atau model log linearnya adalah log e ijk = λ+λi + λ j +λ k + λij +λ ik +λ jk +λ ijk

2. Test untuk interaksi K-suku adalah nol

Test ini didasarkan pada hipotesa bahwa efek order ke-K sama dengan nol.
1. Untuk k = 1
A B C
H0 : efek order ke-1 sama dengan nol ( λi =λ j =λ k =0 )
A B
H1 : efek order ke-1 tidak sama dengan nol ( λi ≠0 atau λ j ≠0 atau λCk ≠0 )
α=5%
Daerah Kritis : 2hitung > 2(db1-db2,α)
2hitung > 2(17-12,α)
2hitung > 2(5, 0,05)
2hitung > 11,0705 atau G2 > 11,0705
Statistik Uji :
G2 = G12 - G22
= 151,670 – 60,527
= 91,143
Kesimpulan :
Karena nilai G2 91,143 lebih dari 11,0705 maka 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-1 tidak sama dengan nol.

Page | 19
2. Untuk k = 2
AB AC BC
H0 : efek order ke-2 sama dengan nol ( λij =λ ik =λ jk =0 )
AB AC BC
H1 : efek order ke-2 tidak sama dengan nol ( λij ≠0 atau λik ≠0 atau λ jk ≠0 )

α=5%
Daerah Kritis : 2hitung > 2(db2-db1,α)
2hitung > 2(12-4,α)
2hitung > 2(8, 0,05)
2hitung > 15,507 atau G2 > 15,507
Statistik Uji :
G2 = G22 – G32
= 60,527 – 7,082
= 53,445
Kesimpulan :
Karena nilai G2 adalah sebesar 53,445 lebih dari 15,507 maka 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.
3. Untuk k = 3
ABC
H0 : efek order ke-3 sama dengan nol ( λijk =0 )
ABC
H1 : efek order ke-3 tidak sama dengan nol ( λijk ≠0 )
α=5%
Daerah Kritis : 2hitung > 2(db3,α)
2hitung > 2(4,α)
2hitung > 9,488 atau G2 > 9,488
Statistik Uji :
G2 = G32
= 7,082
Kesimpulan :
Karena nilai G2 7,082 kurang dari 9,488 maka gagal tolak H0. Kesimpulan ini juga
didapatkan dari nilai P-Value pada uji Likelihood Ration 0,132 yang lebih dari alpha
0,05. Sehingga keputusannya adalah order ke-3 sama dengan nol.

Page | 20
3. Test Asosiasi Parsial
Test ini bertujuan untuk menguji hubungan ketergantungan antara dua variabel
dalam setiap level variabel lainnya.
Tabel 3.8 Partial Association
Partial Number
Effect df Chi- Sig. of
Square Iterations
Jeniskelamin*Usia 2 36.113 0.000 2
Jeniskelamin*Berit
2 12.851 0.002 2
a
Usia*Berita 4 15.520 0.004 2
Jeniskelamin 1 87.564 0.000 2
Usia 2 1.790 0.409 2
Berita 2 1.790 0.409 2

1. Untuk variabel jenis kelamin dan usia

AB
H0 : Jenis kelamin dan Usia independent dalam setiap level Koran ( λij =0)
AB
H1 : Jenis kelamin dan Usia dependent dalam setiap level Koran ( λij ≠0)
α=5%
Daerah Kritis : 2hitung > 2((i-1)(j-1),α)
2hitung > 2((2-1)(3-1),α)
2hitung > 2(2, 0,05)
2hitung > 5,991 atau G2 > 5,991
Statistik Uji :
Tabel 3.9 Tabulasi Silang Jenis Kelamin dan Usia
Jenis kelamin 25-37 tahun 38.50 tahun >50 tahun Total
Laki-laki 54 75 100 229
Perempuan 40 20 11 71
total 94 95 111 300

ni.×n. j
e ij=
n ..
n1 .×n. 1 229×94
e 11= = =71 ,7533
n.. 300
n 1. x n. 2 229 x 95
e 12= = =72 , 5167
n .. 300
n1. x n. 3 229 x 111
e 13 = = =84 , 73
n.. 300
n2. x n. 1 71 x 94
e 21= = =22 ,2467
n.. 300
Page | 21
 n2. x n. 2 71 x 95
e 22= = =22 , 4833
n.. 300
n2. x n. 3 71 x 111
e 23= = =26 ,27
n.. 300
Tabel 3.10 eij jenis kelamin dan umur
Jenis kelamin 25-37 tahun 38.51 tahun >50 tahun
Laki-laki 71,7533 72,5167 84,73
Perempuan 22,2467 22,4833 26,27
2 3 2
( nij −e ij )
Nilai uji χ 2=∑ ∑
i=1 j =1 eij

χ 2=4.392549+0.085039+2.751952+14.16748+0.274283+8.876014
¿ 30,54731
db= (i-1)(j-1)=(2-1)(3-1)=2
χ 2(2: 0.05)=5,991
Tolak Ho, Jenis kelamin dan Usia dependent dalam setiap level Koran.
2. Untuk variabel jenis kelamin dan koran
AC
H0 : Jenis kelamin dan koran independent dalam setiap level umur ( λik =0)
AC
H1 : Jenis kelamin dan Koran dependent dalam setiap level umur ( λik ≠0)
α=5%
Daerah Kritis : 2hitung > 2((i-1)(k-1),α)
2hitung > 2((2-1)(3-1),α)
2hitung > 2(2, 0,05)
2hitung > 5,991 atau G2 > 5,991
Statistik Uji :
Tabel 3.11 Jenis Kelamin dan Berita
Jenis kelamin Koran 1 Koran 2 Koran 3 Total
Laki-laki 83 65 81 229
Perempuan 28 29 14 71
total 111 94 95 300

ni .×n. k
e ik=
n. .
n1 .×n. 1 229 x 111
e 11= = =84 , 73
n.. 300
n 1. x n. 2 229 x 94
e 12= = =71, 7533
n .. 300
n1. . x n. 3 229 x 95
e 13= = =72 , 5167
n .. 300
Page | 22
 n2. x n. 1 71 x 111
e 21= = =26 ,27
n.. 300
n2. . x n. 2 71 x 94
e 22= = =22 , 2467
n .. 300
n2. x n. 3 71 x 95
e 23= = =22 , 4833
n.. 300
Tabel 3.12. eik Jenis Kelamin dan berita
Jenis kelamin Koran 1 Koran 2 Koran 3
Laki-laki 84,73 71,7533 72,5167
Perempuan 26,27 22,2467 22,4833
2 3 2
2 ( nik −e ik )
Nilai uji χ =∑ ∑
i=1 k=1 eik

χ 2=0,035323+ 0,635609+0,992411+0,113928 +2,05006+3,200881=7,028213

db= (i-1)(j-1)=(2-1)(3-1)=2
χ 2(2: 0.05)=5,991
Tolak Ho. Jenis kelamin dan Umur dependent dalam setiap level Koran
3. Untuk variabel umur dan koran
AB
H0 : Umur dan koran independent dalam setiap level jenis kelamin ( λ jk =0)
AB
H1 : Umur dan Koran dependent dalam setiap level jenis kelamin ( λ jk ≠0)
α=5%
Daerah Kritis : 2hitung > 2((k-1)(j-1),α)
2hitung > 2((3-1)(3-1),α)
2hitung > 2(4, 0,05)
2hitung > 9,488 atau G2 > 9,488
Statistik Uji :
Tabel 3.13 Tabulasi Silang Usia dan Berita
Umur Koran 1 Koran 2 Koran 3 Total
25-37 tahun 25 30 39 94
38-50 tahun 35 32 28 95
>50 tahun 51 32 28 111
total 111 94 95 300
n j.×n. k
e jk =
n..
n1 .×n. 1 94×111
e 11= = =34 , 78
n.. 300
n 1. x n. .2 94 x 94
e 12= = =29 , 4533
n .. 300

Page | 23
 n1. x n. . 3 94 x 95
e 13= = =29 ,7667
n .. 300
n2. x n. 1 95 x 111
e 21= = =35 , 15
n.. 300
n2. x n. 2 95 x 94
e 22= = =29 , 7667
n.. 300
n2. x n. . 3 95 x 95
e 23= = =30 ,0833
n. . .2 300
n 3. x n. 1 111 x 111
e 31= = =41, 07
n .. 300
n .3 . x n. 2 111 x 94
e 32= = =34 , 78
n .. 300
n3. x n. 3 111 x 95
e 33= = =35 , 15
n.. 300
Tabel 3.14. ejk Usia dan Berita
Umur Koran 1 Koran 2 Koran 3
25-37 tahun 34,78 29,4533 29,7667
38-50 tahun 35,15 29,7667 30,0833
>50 tahun 41,07 34,78 35,15
2 3 2
2 ( n jk −e jk )
Nilai uji χ =∑ ∑
j=1 k=1 e jk

χ 2=2,750098+ 0,010148+2,864067+0,000064+ 0,167557+0,144271+2,400898+0,222208+1,45441

db= (j-1)(k-1)=(3-1)(3-1)=4
χ 2(4 : 0.05)=9,488
Tolak Ho. Umur dan koran dependent dalam setiap level Koran.
4. Untuk variabel Jenis kelamin
A
H0 : Jenis kelamin independent dalam model ( λi =0)
A
H1 : Jenis kelamin dependent dalam model ( λi ≠0)
α=5%
Daerah Kritis : 2hitung > 2((i-1),α)
2hitung > 2((2-1),α)
2hitung > 2(1, 0,05)
2hitung > 3,841 atau G2 > 3,841
Statistik Uji :
Nilai uji χ 2=87.564

Page | 24
 db= (i-1)=(2-1)=1
χ 2(1: 0.05)=3,841
Tolak Ho, Jenis kelamin dependent dalam Model.
5. Untuk variabel Usia
B
H0 : Usia independent dalam model ( λ j =0)
B
H1 : Usia dependent dalam model ( λ j ≠0)
α=5%
Daerah Kritis : 2hitung > 2((j-1),α)
2hitung > 2((3-1),α)
2hitung > 2(2, 0,05)
2hitung > 5,991 atau G2 > 5,991
Statistik Uji :
Nilai uji χ 2=1,790
db= (j-1)=(3-1)=2
χ 2(1: 0.05)=5,991
Gagal tolak Ho, Usia independent dalam Model.
6. Untuk variabel Berita
C
H0 : Berita independent dalam model ( λ k =0)
C
H1 : Berita dependent dalam model ( λ k ≠0)
α=5%
Daerah Kritis : 2hitung > 2((k-1),α)
2hitung > 2((3-1),α)
2hitung > 2(2, 0,05)
2hitung > 5,991 atau G2 > 5,991
Statistik Uji :
Nilai uji χ 2=1,790
db= (k-1)=(3-1)=2
χ 2(1: 0.05)=5,991
Gagal tolak Ho, berita independent dalam Model.
Untuk mengetahui kecenderungan per cell, maka digunakan tabel assosiasi parsial sebagai
berikut.

Page | 25
 Tabel 3.15 Tabel Assosiasi Parsial

95% Confidence
Std. Interval
Effect Parameter Estimate Z Sig.
Error Lower Upper
Bound Bound
1 -.180 .144 -1.250 .211 -.463 .102
Jeniskelamin*Usia*Berit 2 .116 .138 .844 .399 -.154 .386
a 3 -.218 .159 -1.371 .170 -.531 .094
4 -.107 .157 -.681 .496 -.416 .201
1 -.535 .104 -5.147 .000(a) -.739 -.332
Jeniskelamin*Usia
2 .141 .127 1.111 .267 -.108 .389
1 -.122 .112 -1.087 .277 -.341 .098
Jeniskelamin*Berita
2 -.224 .107 -2.081 .037(b) -.434 -.013
1 -.271 .144 -1.878 .060 -.554 .012
2 -.092 .138 -.664 .506 -.362 .179
Usia*Berita
3 .243 .159 1.527 .127 -.069 .555
4 .137 .157 .871 .384 -.171 .445
Jeniskelamin 1 .643 .083 7.708 .000 .479 .806
1 .181 .104 1.739 .082 -.023 .385
Usia
2 -.084 .127 -.665 .506 -.333 .164
1 .099 .112 .883 .377 -.121 .318
Berita
2 .114 .107 1.063 .288 -.096 .325

Berdasarkan tabel 3.15 menunjukkan bahwa terdapat dua cell yang memiliki
kecenderungan, sel-sel tersebut adalah sebagai berikut.
(a) : Jenis kelamin kategori pertama (laki-laki) memiliki kecenderungan berusia
dengan kategori pertama (38-50 tahun) dalam pengamatan.
(b) : Jenis kelamin kategori pertama (laki-laki) memiliki kecenderungan untuk
memilih jenis berita kategori kedua (metropolis).

4. ELIMINASI BACKWARD
Metode Backward Elimination, pada dasarnya menyelesaikan model dengan
menggunakan prinsip hierarki, yaitu dengan melihat model terlengkap sampai dengan
model yang sederhana atau dimulai dari model umum (semua kemungkinan
dimasukkan).
Untuk memilih model terbaik, maka dibandingkan antara model 0 dengan model
1 dengan hipotesis sebagai berikut :
H0 : Model 1 adalah model terbaik
H1 : Model 0 adalah model terbaik

Page | 26
 A B C AB AC BC ABC
Model 0  log e ijk= λ+ λi + λ j + λ k + λij + λ ik + λ jk + λ ijk
A B C AB AC BC
Model 1  log e ijk = λ+ λi + λ j + λ k + λij + λ ik + λ jk (interaksi antara tiga
variabel dihilangkan)
Daerah Kritis : 2hitung > 2(db1-db0,α)
2hitung > 2(12-4,α)
2hitung > 2(8, 0,05)
2hitung > 15,507 atau G2 > 15,507
Tabel 3.15 Step Summary

Number
Chi-
Stepa Effects df Sig. of
Squarec
Iterations
Generating
JENIS*UMUR*KORAN .000 0 .  
Classb
0
Deleted
1 JENIS*UMUR*KORAN 7.082 8 0.528 4
Effect
JENIS*UMUR,
Generating
JENIS*KORAN, 7.082 8 0.528  
Classb
UMUR*KORAN
1
1 JENIS*UMUR 36.113 4 0.000 2
Deleted
2 JENIS*KORAN 12.851 4 0.012 2
Effect
3 UMUR*KORAN 15.520 4 0.004 2
JENIS*UMUR,
Generating
2 JENIS*KORAN, 7.082 8 0.528  
Classb
UMUR*KORAN

Statistik Uji :
G2 = G12 – G02
= 7,082 – 0
= 7,082
Kesimpulan :
Karena nilai G2 7,082 kurang dari 15,507 maka gagal tolak H0. Kesimpulan ini juga
didapatkan dari nilai P-Value 0,528 yang lebih dari alpha 0,05. Sehingga keputusannya
adalah model 1 adalah model terbaik untuk iterasi pertama.
Untuk selanjutnya, dilakukan iterasi kedua yang terdiri dari tiga pengujian, pengujian
tersebut adalah sebagai berikut.
A B C AC BC
a. H0 : Model (2) = model terbaik ( log e ijk= λ+λi + λ j +λ k + λik +λ jk )
A B C AB AC BC
H1 : Model (1) = model terbaik ( log e ijk= λ+ λi + λ j + λ k + λij + λ ik + λ jk )

Page | 27
  = 0,05
Daerah Kritis : 2hitung > 2(db2-db1,α)
2hitung > 2(12-8,α)
2hitung > 2(4, 0,05)
2hitung > 9,488 atau G2 > 9,488
Statistik Uji :
G2 = 36,113
Kesimpulan :
Karena nilai G2 36,113 lebih dari 9,488 maka tolak H 0. Sehingga keputusannya
adalah model 1 adalah model terbaik pada iterasi kedua. Jadi keputusan akhir,
A B C AB AC BC
model terbaik adalah log e ijk= λ+λi + λ j +λ k + λij +λ ik +λ jk
A B C AB BC
b. H0 : Model (2) = model terbaik ( log e ijk= λ+λi + λ j +λ k + λij +λ jk )
A B C AB AC BC
H1 : Model (1) = model terbaik ( log e ijk= λ+ λi + λ j + λ k + λij + λ ik + λ jk )
 = 0,05
Daerah Kritis : 2hitung > 2(db2-db1,α)
2hitung > 2(12-8,α)
2hitung > 2(4, 0,05)
2hitung > 9,488 atau G2 > 9,488
Statistik Uji :
G2 = 12,851
Kesimpulan :
Karena nilai G2 12,851 lebih dari 9,488 maka tolak H 0. Sehingga keputusannya
adalah model 1 adalah model terbaik pada iterasi kedua. Jadi keputusan akhir,
A B C AB AC BC
model terbaik adalah log e ijk= λ+λi + λ j +λ k + λij +λ ik +λ jk
A B C AB AC
c. H0 : Model (2) = model terbaik ( log e ijk = λ+λ i + λ j +λ k + λ ij +λ ik )
A B C AB AC BC
H1 : Model (1) = model terbaik ( log e ijk = λ+ λi + λ j + λ k + λij + λ ik + λ jk )
 = 0,05
Daerah Kritis : 2hitung > 2(db2-db1,α)
2hitung > 2(12-8,α)
2hitung > 2(4, 0,05)
2hitung > 9,488 atau G2 > 9,488
Page | 28
Statistik Uji :
G2 = 15,520
Kesimpulan :
Karena nilai G2 15,520 lebih dari 9,488 maka tolak H0. Sehingga keputusannya
adalah model 1 adalah model terbaik pada iterasi kedua. Jadi keputusan akhir,

model terbaik adalah log e ijk= λ+ λiA + λBj + λ Ck + λijAB + λ ikAC + λ BC

jk

Page | 29