ANALISIS ARUS MIGRASI DENGAN MODEL LOGLINEAR

DAN ITERATIVE PROPORTIONAL FITTING

CARWIDAH

DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012
 ABSTRAK

CARWIDAH. Analisis Arus Migrasi dengan Model Loglinear dan Iterative Proportional
Fitting. Dibimbing oleh HADI SUMARNO dan SISWANDI.

Migrasi merupakan salah satu komponen demografi yang mempengaruhi dinamika penduduk
atau populasi di suatu wilayah. Data arus migrasi dapat disajikan dalam sebuah tabel kontingensi.
Karya ilmiah ini membahas penggunaan model loglinear untuk menggambarkan struktur spasial
migrasi. Analisis struktur spasial migrasi memerlukan data arus migrasi dari suatu daerah asal ke
daerah tujuan. Jika data migrasi yang diperoleh lengkap, parameter-parameter model dapat
diperoleh secara langsung. Sedangkan, jika data tidak lengkap, parameter dapat diperoleh dengan
langkah-langkah berikut. Pertama, menentukan data lengkap sebagai nilai standar. Kedua,
menganalisis data dengan model loglinear yang sesuai. Terakhir, memprediksi nilai yang tidak
lengkap menggunakan iterative proportional fitting.
Studi kasus dilakukan pada data arus migrasi dari empat wilayah. Prediksi dari arus migrasi
tidak lengkap menggunakan iterative proportional fitting menunjukkan hasil yang mendekati data
sebenarnya. Hasil analisis model loglinear multiplikatif dengan cornered effect menunjukkan
bahwa wilayah pertama adalah wilayah yang memiliki rasio odds yang paling besar sedangkan
parameter model loglinear multiplikatif dengan mean effect menunjukkan bahwa wilayah ketiga
adalah wilayah yang paling penting sebagai origin dan destination.

Kata kunci: arus migrasi, model loglinear, iterative proportional fitting.

ii
 ABSTRACT

CARWIDAH. Analysis of Migration Flow Using Loglinear Model and Iterative Proportional
Fitting. Supervised by HADI SUMARNO and SISWANDI.

Migration is one of demographic components that affect the population dynamics in a region.
Data of migration flow can be presented in a contingency table. This paper discusses the
application of loglinear model to describe the spatial structure of migration. The analysis of spatial
structure of migration requires data on migration flows from a region of origin to its destinations.
If the migration data are complete, then the parameters can be obtained directly. But, on the other
hand, if the data are incomplete, then the parameters will have to be obtained by following steps.
Firstly, assign the complete data as the standard value. Secondly, analyze data with the
corresponding loglinear model. Finally, predict the incomplete values using iterative proportional
fitting.
A case study is conducted on migration flow data of four regions. Prediction of incomplete
migration flows using iterative proportional fitting shows that the result is close to the actual data.
Parameters of multiplicative loglinear model with cornered effect indicate that the first region is
the region that has the greatest odds ratio. Whereas, parameters of multiplicative loglinear model
with mean effect indicate that the third region is the most important region as origin and
destination.

Keywords: migration flow, loglinear model, iterative proportional fitting.

iii
ANALISIS ARUS MIGRASI DENGAN MODEL LOGLINEAR
DAN ITERATIVE PROPORTIONAL FITTING

CARWIDAH

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Sains pada
Departemen Matematika

DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012

iv
Judul : Analisis Migrasi dengan Model Loglinear dan Iterative Proportional
Fitting
Nama : Carwidah
NRP : G54051078

Menyetujui:

Pembimbing I, Pembimbing II,

Dr. Ir. Hadi Sumarno, MS. Drs. Siswandi, M.Si.

NIP. 19590926 198501 1 001 NIP. 19640629 199103 1 001

Mengetahui:
Ketua Departemen,

Dr. Berlian Setiawaty, MS.

NIP. 19650505 198903 2 004

Tanggal Lulus:

v
 RIWAYAT HIDUP

Penulis dilahirkan di Indramayu pada tanggal 3 Juni 1986 sebagai anak kedua dari pasangan
bapak Tasidi dan ibu Awerih.
Pada tahun 1999 penulis menyelesaikan pendidikan dasar di SDN Cangkingan 2 kemudian
melanjutkan studi di SLTPN 3 Sliyeg hingga tahun 2002. Pada tahun 2005 penulis lulus dari SMU
Negeri 1 Sliyeg Kabupaten Indramayu dan pada tahun yang sama lulus seleksi masuk IPB melalui
jalur Undangan Seleksi Masuk IPB (USMI) di Departemen Matematika Fakultas Matematika dan
Ilmu Pengetahuan Alam.
Selama menjadi mahasiswa, penulis aktif menjadi pengurus organisasi kemahasiswaan antara
lain ketua divisi Sosial dan Komunikasi IKADA Bogor (himpunan mahasiswa Indramayu) pada
periode tahun 2006/2007, ketua divisi Keasramaan IKADA Bogor periode tahun 2007/2008,
anggota Badan Pengawas Organisasi IKADA Bogor periode tahun 2008/2009, ketua departemen
Sosial Informasi dan Komunikasi Gumatika IPB (himpunan profesi mahasiswa Matematika IPB)
periode tahun 2007/2008, dan sebagai manajemen Leadership and Entreprenership School
Kementrian PSDM BEM KM IPB periode tahun 2008/2009.

vi
 KATA PENGANTAR

Alhamdulillaahi Rabbil ‘Aalamiin, segala puji dan syukur penulis panjatkan kepada Allah
SWT atas segala rahmat dan karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan.
Shalawat dan salam semoga selalu tercurah kepada Nabi Muhammad SAW beserta keluarga,
sahabat dan ummatnya hingga akhir jaman.
Karya ilmiah ini berjudul “Analisis Arus Migrasi dengan Model Loglinear dan Iterative
Proportional Fitting” yang disusun sebagai syarat untuk memperoleh gelar Sarjana Sains pada
Departemen Matematika. Penyusunan karya ilmiah ini juga tidak lepas dari bantuan berbagai
pihak. Untuk itu penulis mengucapkan terima kasih yang sebesar-besarnya kepada:
1. Dr. Ir. Hadi Sumarno, MS. selaku dosen pembimbing I atas waktu, bimbingan, kesabaran,
saran, dan bantuan yang diberikan kepada penulis selama penulisan skripsi ini.
2. Drs. Siswandi, M.Si. selaku dosen pembimbing II atas waktu, saran, dan bantuan yang
diberikan kepada penulis selama penulisan skripsi ini.
3. Dr. Ir. Endar Hasafah Nugrahani, M.S. selaku dosen penguji atas semua saran yang
diberikan kepada penulis.
4. Dr. Ir. Siswadi, M.Sc. atas saran yang diberikan kepada penulis.
5. Seluruh dosen Departemen Matematika atas semua ilmu dan nasihat yang bermanfaat
sehingga membantu penulis dalam menyelesaikan karya ilmiah ini.
6. Pa Yono, Bu Susi, Bu Ade, Mas Bono, Mas Deni, Mas Heri dan seluruh staf Departemen
Matematika FMIPA IPB yang telah membantu penulis selama belajar di Departemen
Matematika FMIPA IPB.
7. Keluargaku tercinta: Mimi dan bapak, kakakku dan adik-adikku serta seluruh keluarga
atas segala doa, dukungan, serta kasih sayang yang telah diberikan kepada penulis.
8. Septiwi Nur Hidayati, Faisal Hardi dan Lukmanul Hakim atas kesediaannya sebagai
pembahas seminar tugas akhir penulis.
9. Teman-teman: Kak Feby, Farid, Hadi, Octo dan Erwan atas doa, dukungan, saran, dan
semangat yang diberikan kepada penulis.
10. Teman-teman Math 42: Warno, Ridwan, Iput, Ilie, Mocco, Djawa, Eko, Ayep, Fachrie,
Sapto, Yudi, Handanu, Bayu, Ardy, Dendy, Mira, Zil, Eyyi, Bude Tie2, Lela, Lina, Oby,
Vera, Jane, Ida, Niken, Vita, Hikmah, Okta, Tasya, Ryu, Rima, Achi, Hapsari, Lisda,
Gita, Riken, Ocoy, Nyoman, Ayu, Agnes, Herry, Yuni, Erlin, Acuy, Sima, Pipit atas doa,
bantuan, saran, semangat, dan dukungannya.
11. Adik-adik 43: Desi, Lina, Ratna Subro, Irsyad, Kiki, Slamet, Copi, Kiki, Kabil, Vera,
Supri, Tami, Nanu, Wira, Suci, Nia atas doa, semangat dan dukungannya.
12. Adik-adik 44: Lili, Yanti, Imam atas doa dan dukungannya
13. Adik-adik 45: Heru, Irma, Vikri, Kunedi, dan Ade atas doa dan dukungannya.
14. Semua pihak yang tidak dapat disebut satu persatu yang telah memberikan dukungan
kepada penulis sehingga karya ilmiah ini dapat diselesaikan.
Semoga karya ilmiah ini dapat bermanfaat bagi dunia ilmu pengetahuan dan menjadi inspirasi
bagi penelitian-penelitian selanjutnya.

Bogor, Maret 2012

Carwidah

vii
 DAFTAR ISI

Halaman

DAFTAR TABEL ........................................................................................................................... ix

DAFTAR LAMPIRAN ................................................................................................................... ix

I PENDAHULUAN ....................................................................................................................... 1
1.1 Latar Belakang ...................................................................................................................... 1
1.2 Tujuan ................................................................................................................................... 1

II LANDASAN TEORI .................................................................................................................. 1

2.1 Populasi, Ruang Contoh, dan Kejadian ................................................................................ 1
2.2 Peubah Acak dan Sebaran Poisson ....................................................................................... 1
2.3 Hipotesis Statistik ................................................................................................................. 1
2.4 Tabel Kontingensi ................................................................................................................. 2
2.5 Migrasi dan Migran .............................................................................................................. 3

III MODEL LOGLINEAR............................................................................................................... 3

3.1 Notasi .................................................................................................................................... 3
3.2 Model Loglinear ................................................................................................................... 3
3.3 Fitting Model Loglinear ........................................................................................................ 4
3.4 Parameter Model Loglinear .................................................................................................. 4
3.5 Algoritma Iterative Proportional Fitting .............................................................................. 4

IV APLIKASI MODEL UNTUK DATA MIGRASI ...................................................................... 5

4.1 Ilustrasi Data Migrasi Lengkap dan Data Migrasi tidak Lengkap ........................................ 5
4.2 Analisis Model Migrasi untuk Data Lengkap ....................................................................... 5
4.3 Analisis Model Migrasi untuk Data tidak Lengkap .............................................................. 8

V SIMPULAN DAN SARAN ....................................................................................................... 11

5.1 Simpulan .............................................................................................................................. 11
5.2 Saran .................................................................................................................................... 11

DAFTAR PUSTAKA ..................................................................................................................... 11

LAMPIRAN.................................................................................................................................... 12

viii
 DAFTAR TABEL

Halaman

1 Tabel kontingensi 2x2 .................................................................................................................. 2

2 Tabel kontingensi I x J ................................................................................................................. 2
3 Contoh data lengkap ..................................................................................................................... 5
4 Contoh data tidak lengkap ............................................................................................................ 5
5 Arus migrasi penduduk antarkota................................................................................................. 6
6 Parameter model loglinear dengan cornered effect ...................................................................... 6
7 Parameter model loglinear dengan mean effect ............................................................................ 7
8 Arus migrasi penduduk selama 2 periode observasi .................................................................... 9
9 Prediksi arus migrasi menggunakan Tabel 8 periode I................................................................. 9
10 Rasio arus migrasi prediksi dan arus migrasi teramati ................................................................. 9
11 Parameter prediksi migrasi dengan cornered effect ................................................................... 10
12 Parameter prediksi migrasi dengan mean effect ......................................................................... 10

DAFTAR LAMPIRAN

Halaman

1 Tabel arus migrasi ...................................................................................................................... 13

2 Backward elimination process untuk parameter mean effect ..................................................... 14
3 Backward elimination process untuk parameter cornered effect................................................ 18

ix
 I PENDAHULUAN
1.1 Latar Belakang
Migrasi merupakan salah satu komponen
utama yang mempengaruhi dinamika
penduduk atau populasi di suatu wilayah.
Tidak seperti kelahiran (fertilitas) dan
kematian (mortalitas) yang hanya
mempengaruhi populasi satu wilayah, migrasi
mempengaruhi populasi dua wilayah yaitu
pengurangan populasi wilayah asal migrasi
(origin) dan penambahan populasi wilayah
tujuan migrasi (destination).
Salah satu permasalahan yang timbul
dalam analisis migrasi adalah ketersediaan
data. Data migrasi dapat hilang atau tidak
cukup untuk dilakukan analisis. Beberapa
model telah dikembangkan untuk mengatasi
masalah tersebut, salah satunya adalah model
loglinear. Model loglinear tidak hanya sebagai
alat yang efisien untuk menganalisis struktur
data kategorik, tetapi juga sebuah metode
sangat berguna untuk analisis struktur spasial
dengan data tidak lengkap (Willekens 1983).
Hubungan antarpeubah kategorik atau
struktur spasial migrasi digambarkan oleh
parameter model loglinear. Parameter-
II LANDASAN TEORI
2.1 Populasi, Ruang Contoh, dan Kejadian
Definisi Populasi
Keseluruhan pengamatan yang menjadi
perhatian baik terhingga maupun takhingga
disebut populasi. Sedangkan contoh adalah
himpunan bagian dari suatu populasi.
(Walpole 1995)
Definisi Ruang Contoh dan Kejadian
Himpunan semua kemungkinan hasil suatu
percobaan disebut ruang contoh,
dilambangkan dengan huruf S. Sedangkan
kejadian adalah himpunan bagian dari ruang
contoh.
(Walpole 1995)
2.2 Peubah Acak dan Sebaran Poisson
Definisi Peubah Acak
Misalkan S adalah ruang contoh dari suatu
percobaan. Suatu nilai yang berupa bilangan
nyata dari fungsi disebut peubah
acak dari percobaan jika, untuk setiap selang
merupakan suatu kejadian.
(Ghahramani 2005)
parameter model bergantung pada
kelengkapan data. Jika data lengkap,
parameter untuk setiap pengamatan dapat
diperoleh. Jika data tidak lengkap, maka
parameter-parameternya tidak dapat diperoleh
secara langsung. Salah satu cara terbaik
adalah memperoleh parameter dari data atau
informasi lain yang relevan misalnya data
yang sebanding atau data histori. Prediksi data
migrasi sekarang berdasarkan pada data
sebelumnya dapat ditentukan salah satunya
dengan metode Iterative Proportional Fitting
(IPF). Setelah data lengkap (dalam hal ini data
hasil prediksi), analisis lebih lanjut tentang
data arus migrasi dapat dilakukan.
1.2 Tujuan
Tujuan penulisan karya ilmiah ini meliputi:
1. mempelajari model loglinear
2. menganalisis struktur spasial tabel
migrasi menggunakan model loglinear
3. memprediksi arus migrasi dengan
Iterative Proportional Fitting (IPF)
Definisi Sebaran
Jika X adalah peubah acak, maka fungsi F
terdefinisi pada oleh
disebut fungsi sebaran dari X.
(Ghahramani 2005)
Definisi Peubah Acak Diskret
X disebut peubah acak diskret jika semua
himpunan dari kemungkinan nilainya
merupakan himpunan tercacah.
(Ghahramani 2005)
Definisi Peubah Acak Poisson
Suatu peubah acak diskret dengan
kemungkinan nilai 0, 1, 2, … disebut Poisson
dengan parameter , jika
, untuk i= 0, 1, 2, 3, …
(Ghahramani 2005)
2.3 Hipotesis Statistik
Hipotesis statistik adalah pernyataan atau
dugaan mengenai satu atau lebih populasi.
Hipotesis yang dirumuskan dengan harapan
akan ditolak disebut sebagai hipotesis nol,
dilambangkan dengan Penolakan
 2

mengakibatkan penerimaan suatu hipotesis (disebut total marjinal) secara berturut-turut

alternatif, yang dilambangkan dengan . adalah:
Hipotesis nol suatu parameter harus
menyatakan suatu nilai dari parameter
tersebut, sedangkan hipotesis alternatifnya
merupakan kemungkinan nilai lainnya. Jadi
bila menyatakan hipotesis nol
maka hipotesis alternatifnya adalah
(Walpole 1995)
Jumlah semua elemen tersebut adalah
2.4 Tabel Kontingensi
Penyusunan data hasil suatu pengamatan
dapat diklasifikasikan menurut dua kriteria
yaitu dalam baris dan kolom; kolom
menyatakan kriteria klasifikasi yang satu Tabel 2. Tabel kontingensi I x J
sedangkan baris menyatakan kriteria yang B
lain. Suatu tabel yang menyajikan data Total
frekuensi dalam r baris dan c kolom disebut 1 2 .. J ..
tabel kontingensi . (dibaca “r silang c”). 1 .. ..
Total baris dan total kolom dalam tabel 2 .. ..
kontingensi disebut frekuensi marjinal atau
total marjinal (Walpole 1995). A .. .. .. .. .. .. ..
Bentuk paling sederhana dari tabel I .. ..
kontingensi adalah tabel 2x2, yang terdiri dari .. .. .. .. .. .. ..
dua kategori, dengan elemen-elemennya Total .. .. N
menggambarkan observasi atau frekuensi
kejadian.
dengan
Suatu pengamatan dengan ukuran contoh
N dapat direpresentasikan dalam Tabel 1, = jumlah pengamatan dalam baris ke-i
dengan dua ketegori peubah A dan B. = jumlah pengamatan dalam kolom ke-j
Diasumsikan bahwa merupakan realisasi Tabel 2 merupakan tabel kontingensi I x J
peubah acak bebas Poisson yang menyatakan yang memuat sel frekuensi .
pengamatan dalam baris ke-i dan kolom ke-j. Analisis tabel kontingensi merupakan
Subskrip “+” menyatakan penjumlahan pada teknik penyusunan data yang digunakan untuk
nilai indeksnya, misalnya untuk melihat hubungan antara beberapa peubah
indeks i. kategorik dalam satu tabel.
Uji Chi-Square digunakan untuk
Tabel 1. Tabel kontingensi 2x2 mengetahui adanya hubungan antarpeubah
B yang diukur tersebut signifikan atau tidak
Total signifikan (antarpeubah saling bebas atau
1 2
tidak saling bebas) . Analisis tabel kontingensi
1 dimulai dengan asumsi mengenai hubungan
A
2 antarpeubah yang diamati bebas atau tidak
N bebas, yang selanjutnya akan diuji. Jika semua
Total
elemen sel dalam tabel kontingensi
diasumsikan bebas yang berarti bahwa tidak
Tabel kontingensi 2x2 dapat digeneralisasi
ada pengaruh interaksi antarpeubah, maka
menjadi suatu tabel I x J yaitu I baris untuk
peluang terjadinya suatu peristiwa
kategori A dan J kolom untuk kategori B,
direpresentasikan dalam bentuk total marjinal.
elemen sel , dengan indeks i = 1, …, I; dan
(Brouwer dan Nijkamp 1983)
j =1, …, J. Total baris dan total kolom,
 3

2.5 Migrasi dan Migran mencakup dua dimensi yaitu dimensi waktu
Migrasi adalah perubahan tempat tinggal dan dimensi ruang atau wilayah (spasial).
yang relatif permanen melintasi batas Orang yang bermigrasi disebut migran.
administratif. Definisi dan ukuran migrasi (Willekens 1999)

III MODEL LOGLINEAR

3.1 Notasi harapan dari tabel kontingensi dapat

Notasi yang digunakan dalam tulisan ini dirumuskan sebagai model loglinear aditif
adalah sebagai berikut: (additive loglinear model) berikut ini:
O Origin; wilayah asal migran (3.1)
D Destination; wilayah tujuan migrasi
i=1,…, I ; j=1,…, J.
Frekuensi sel ij dalam tabel kontingensi;
dengan
Migran dari wilayah i ke wilayah j
Frekuensi harapan dari
Penduga frekuensi harapan ;
Prediksi migran dari wilayah i ke j
; jumlah frekuesi sel dari baris
ke-i dalam tabel kontingensi
; jumlah frekuesi sel dari kolom
ke-j dalam tabel kontingensi Model loglinear jenuh (saturated loglinear
Logaritma dari mean seluruh sel model) merupakan model loglinear yang
frekuensi,
memuat semua parameter yang mungkin.
Kenaikan atau penurunan berkaitan
Model loglinear jenuh untuk tabel kontingensi
dengan origin ke-i
Kenaikan atau penurunan berkaitan dua-arah dirumuskan:
dengan destination ke-j (3.2)
Kenaikan atau penurunan berkaitan dengan
dengan interaksi origin ke-i dan
destination ke-j
Mean seluruh sel frekuensi; sel frekuensi
merupakan pengaruh rata-rata seluruh
kategori acuan.
Pengaruh origin i; peubah (overall mean effect) atau suatu nilai
Pengaruh destination j; konstan, dan secara berurutan
Pengaruh interaksi antara origin i dan menyatakan pengaruh dari peubah O dan D,
destination j sedangkan menyatakan pengaruh
interaksi antara peubah O dan peubah D.
3.2 Model Loglinear
Selanjutnya, parameter λ diasumsikan
Model loglinear merupakan model yang
memenuhi:
digunakan untuk menggambarkan hubungan
antara dua peubah atau lebih. Model loglinear
menjelaskan suatu struktur multiplikatif sel
frekuensi harapan dari sebuah tabel
kontingensi. Frekuensi harapan merupakan
hasil kali dari parameter-parameter model. i=1,…, I ; j=1,…, J.
(Bergsma 1997) Model (3.2) merupakan model umum untuk
Diasumsikan bahwa setiap sel frekuensi tabel kontingensi dua-arah. Model (3.1)
(count) dalam tabel kontingensi adalah merupakan kasus khusus dari model loglinear
realisasi dari sebaran acak Poisson dengan jenuh (3.2) yang pengaruh interaksinya sama
rataan (mean) , dan tidak ada pengaruh dengan nol ( ).
interaksi antarpeubah (peubahnya saling
bebas). Selanjutnya logaritma frekuensi

3.3 Fitting Model Loglinear
Secara umum, ada dua model loglinear
yang dapat ditinjau dari sebuah tabel
kontingensi :
- Model minimum dengan kemungkinan
parameter terkecilnya adalah pengaruh
mean seluruh sel (overall mean effect).
- Model yang memuat seluruh
kemungkinan parameter (saturated
loglinear model), nilai dari sel frekuensi
harapan didefinisikan sama dengan
frekuensi teramati.
Fitting model loglinear untuk
menyesuaikan sel frekuensi harapan dengan
frekuensi teramati pada beberapa hipotesis
menggunakan statistik uji Chi-Square:
(nij  nij* ) 2
 2   (3.3)
i j nij*
Derajat bebas (degree of freedom)
didefinisikan sebagai perbedaan antara
banyaknya elemen sel dan parameter yang
akan disesuaikan. Untuk kasus peubah yang
saling bebas (mutual independence) derajat
bebasnya adalah df = (I – 1)(J – 1). Sedangkan
untuk kasus peubahnya tidak saling bebas,
derajat bebasnya adalah nol (df = 0).
Misalkan, diberikan hipotesis:
H₀: Peubah saling bebas
H₁: Peubah tidak saling bebas
Jika nilai hasil perhitungan lebih besar dari
nilai kritis ( pada taraf nyata α ,
tolak hipotesis-nol, jika selainnya, terima
hipotesis-nol. Jadi, dapat disimpulkan bahwa
hubungan antarpeubahnya tidak saling bebas
atau ada keterkaitan antara peubah yang satu
dengan peubah lainnya.
3.4 Parameter Model Loglinear
Parameter model digunakan untuk
menggambarkan struktur spasial dari tabel
arus migrasi. Model loglinear menguraikan
logaritma sel count atau sel frekuensi dari
tabel kontingensi kedalam bentuk pengaruh
total, pengaruh setiap kategori, dan pengaruh
interaksi antarkategori, dimana setiap
pengaruh-pengaruh tersebut dinyatakan oleh
sebuah parameter. Karena banyaknya
parameter yang diperoleh dengan metode ini
lebih besar dari banyaknya amatan bebas,
parameter model harus dibatasi
(dinormalisasi) dengan skema coding. Dua
4
skema coding yang umum digunakan untuk
menginterpretasikan parameter-parameter
model adalah cornered refference coding
(cornered effect) dan geometric mean coding
(mean effect).
Parameter cornered effect diinterpre-
tasikan sebagai odds dan rasio odds dengan
mengacu pada salah satu sel frekuensi dalam
tabel kontingensi. Odds didefinisikan sebagai
frekuensi dari satu kejadian dibagi dengan
frekuensi dari kejadian lainnya. Sedangkan
rasio odds adalah perbandingan dari dua odds.
Untuk tabel kontingensi dua-arah I x J,
banyaknya parameter yang diperoleh adalah (I
- 1) pengaruh kategori I, (J - 1) pengaruh
kategori J, dan (I - 1) x (J - 1) pengaruh
interaksi antara kategori I dan J.
Sedangkan parameter mean effect
diinterpretasikan dengan mengacu pada mean
dari seluruh sel dalam tabel. Untuk tabel
kontingensi dua-arah I x J, banyaknya
parameter yang diperoleh adalah I mean
kategori I, J mean kategori J, dan I x J mean
interaksi antara kategori I dan J.
(Raymer 2004)
3.5 Algoritma Iterative Proportional Fitting
Algoritma Iterative Proportional Fitting
(IPF) diperkenalkan oleh Deming dan Stephan
dalam fitting model loglinear untuk tabel
kontingensi. Algoritma IPF juga dapat
digunakan untuk menyesuaikan matriks dua
dimensi (tabel kontingensi dua arah) sampai
jumlah baris dan jumlah kolomnya sama
dengan nilai marjinal yang didefinisikan awal.
Didefinisikan s adalah banyaknya iterasi,
menyatakan sel frekuensi dari tabel awal
(tabel prior), dan secara berturut-
turut menyatakan total marjinal (total baris
dan total kolom) dari tabel frekuensi marjinal,
serta menyatakan penduga frekuensi
harapan .
Algoritma IPF:
Langkah 0: menentukan hampiran awal
Langkah 1:
Langkah 2:

Langkah 3: kembali ke langkah 1 dan
proses berhenti pada iterasi ke-m jika
penduga ke-m memenuhi
dan . (Bergsma 1997)
Dengan kata lain perbedaan setiap
penduga sel frekuensi harapan dengan sel
IV APLIKASI MODEL UNTUK DATA MIGRASI
4.1 Ilustrasi Data Migrasi Lengkap dan
Data Migrasi tidak Lengkap
Misalkan terjadi migrasi penduduk antara
wilayah A dan wilayah B. Hasil pengamatan
di wilayah A dan B pada waktu tertentu
menunjukkan bahwa 2 orang berpindah dari
wilayah A ke wilayah B, 1 orang berpindah
dari wilayah B ke wilayah A, 5 orang tetap
berada di wilayah A (tidak bermigrasi), dan 7
orang tetap berada di wilayah B, yang
disajikan dalam Tabel 3. Data yang diperoleh
merupakan data migran lengkap sehingga
analisis migrasi antara wilayah A dan B dapat
dilakukan secara langsung.
Tabel 3. Contoh data lengkap
Wilayah tujuan
Wilayah
Total
asal A B
A 5 2 7
B 1 7 8
Total 6 9 15
Tabel 4. Contoh data tidak lengkap
Wilayah Wilayah tujuan
Total
asal A B
A 18
B 20
Total 16 22 38
Sedangkan bila diperoleh data yaitu 18
orang berasal dari wilayah A, 20 orang berasal
dari wilayah B, 16 orang menuju wilayah A
dan 22 orang menuju wilayah B, yang
disajikan dalam Tabel 4, data tersebut
merupakan data migran tidak lengkap. Karena
arus migrasi antara A dan B tidak diketahui,
maka untuk menganalisis migrasi
antarwilayah tersebut diperlukan pendugaan
arus migrasi antara wilayah A dan B.
5
frekuensi sebelumnya cukup kecil
(misalkan ε = 0,001), sehingga
< ε.
4.2 Analisis Model Migrasi untuk Data
Lengkap
Data yang digunakan dalam tulisan ini
diperoleh dari Rogers et.al. 2003 (Lampiran
1). Misalkan migrasi terjadi pada empat kota
yaitu kota 1, kota 2, kota 3, dan kota 4
digambarkan dalam sebuah tabel kontingensi
dua arah (origin-destination) seperti disajikan
dalam Tabel 5.
Analisis hubungan antara wilayah asal
migran (origin) dan wilayah tujuan migrasi
(destination) dilakukan dengan hipotesis
sebagai berikut:
H 0 : Tidak ada hubungan antara wilayah
asal migran dan wilayah tujuan
migrasi ( )
H1 : Ada hubungan antara wilayah asal
migran dan wilayah tujuan migrasi
( )
Hipotesis-nol tersebut berarti bahwa tidak
ada pengaruh interaksi antara origin dan
destination, sehingga dapat dirumuskan
seperti persamaan (3.1) dengan kategori O
sebagai origin, D sebagai destination dan
menyatakan frekuensi harapan sel ij, yaitu:
Analisis model loglinear dari tabel 5,
dilakukan dengan backward elimination
proses (Friel 2005) yang dijelaskan pada
Lampiran 2 dan Lampiran 3. Pada selang
kepercayaan 95% (nilai α=0,05) dan derajat
bebas df diperoleh
nilai =16,92, sedangkan hasil
pengolahan data menunjukkan nilai
=543382,55.
Jika hipotesis nol diterima, dapat
disimpulkan bahwa tidak ada hubungan antara
origin dan destination. Setelah dilakukan
pengujian, diperoleh nilai hasil perhitungan
lebih besar dibanding nilai tabel
sehingga hipotesis-nol
ditolak. Frekuensi harapan yang dihasilkan
 6

Tabel 5. Arus migrasi penduduk antarkota

Wilayah Asal Wilayah Tujuan (Destination)
Total
(Origin)
1 2 3 4
1 43.123 462 1.800 753 46.138
2 350 51.136 1.845 1.269 54.600
3 695 1.082 67.095 1.141 70.013
4 287 677 1.120 37.902 39.986
Total 44.455 53.357 71.860 41.065 210.737

juga berbeda secara signifikan dengan

frekuensi teramati. Jadi dapat disimpulkan
bahwa wilayah asal migran (origin) dan
wilayah tujuan migrasi (destination) memiliki
hubungan secara signifikan (tidak saling
bebas). Selanjutnya, hubungan antarwilayah
tersebut digambarkan dengan adanya interaksi
antara origin dan destination.
Struktur Spasial Migrasi
Struktur spasial migrasi merupakan
susunan interaksi antarwilayah terjadinya
migrasi. Sel-sel dalam tabel pada diagonal
utama (sel i = j) merepresentasikan orang
yang tetap tinggal di wilayah tersebut (stayer)
atau migran kembali (return migrant).
Sedangkan sel-sel selain diagonal utama (sel i
≠ j) merepresentasikan orang yang bermigrasi
dari wilayah asal (origin) i ke wilayah tujuan
migrasi (destination) j.
Struktur spasial dari suatu tabel migrasi
dapat digambarkan oleh parameter-parameter
model loglinear. Model loglinear jenuh untuk
menggambarkan tabel migrasi dirumuskan
sebagai:
(4.1)
Dengan mengeksponensialkan model (4.1)
diperoleh model loglinear dalam bentuk
multiplikatif sebagai berikut:
(4.2)
dengan
, ,
,
Dalam tulisan ini, akan digunakan dua
metode interpretasi parameter model loglinear
multiplikatif.
a. Cornered effect
Metode interpretasi parameter pertama
adalah cornered effect, yang memerlukan
salah satu kategori untuk dijadikan sebagai
kategori acuan. Interpretasi ini dijelaskan
dengan odds dan rasio odds. Misalkan kota 4
dijadikan sebagai acuan. Pengaruh arus
migrasi dari origin, destination dan
interaksinya dinyatakan secara relatif terhadap
pengaruh yang dimiliki kota 4, dengan i = 1,
2, 3, dan j = 1, 2, 3. τ adalah angka migrasi
dari kota 4 ke kota 4 atau stayer (orang yang
tetap tinggal di suatu wilayah) di kota 4 yaitu
37.902.
Banyaknya parameter yang diperoleh
untuk tabel kontingensi dua-arah yang
berukuran 4 x 4 tersebut, adalah 3 pengaruh
origin, 3 pengaruh destination, 9 pengaruh
interaksi antara origin dan destination.

Tabel 6. Parameter model loglinear dengan cornered effect

Wilayah Asal Wilayah Tujuan (Destination)
(Origin)
1 2 3 4
1 = 7.563,0021 = 34,3495 = 80,8950 = 0,0199
2 = 36,4239 = 2.255,9974 = 49,2016 = 0,0335
3 = 80,4414 = 53,0903 = 1.989,9796 = 0,0301
4 = 0,0076 = 0,0179 = 0,0295 = 37.902
 7

Parameter-parameter model loglinear dari arus
migrasi pada Tabel 5 disajikan dalam Tabel 6.
Tabel 6 diperoleh dengan mengubah
parameter model aditif kedalam bentuk
eksponen (Lampiran 3).
Pengaruh utama sebuah origin ( ) adalah
kecenderungan orang yang tinggal di kota i
pindah ke kota 4 relatif terhadap orang yang
tetap tinggal di kota 4, . wilayah 3 dapat ditulis seperti berikut:
Misalnya adalah kecenderungan orang
yang tinggal di kota 1 pindah ke kota 4 relatif
terhadap orang yang tetap tinggal di kota 4,
yaitu 753/37.902 0,0199.
Pengaruh utama sebuah destination
adalah kecenderungan orang keluar dari kota
4 pindah ke kota j relatif terhadap orang yang
tetap tinggal di kota 4,
Misalnya adalah kecenderungan orang
keluar dari kota 4 pindah ke kota 2 relatif
terhadap orang yang tetap tinggal di kota 4,
yaitu 677/37.902 0,0179.
Parameter interaksi ( ) diperoleh dari
frekuensi sel ij dibagi hasil perkalian semua
parameter lainnya, yaitu
Pengaruh interaksi adalah rasio dari dua
odds, yaitu kecenderungan orang yang keluar
dari kota i lebih memilih kota j daripada kota
4, dibagi kecenderungan orang yang keluar
dari kota 4 lebih memilih pindah ke kota j
daripada kota 4:
Misalnya, rasio odd adalah
kecenderungan orang yang keluar dari kota 1
lebih memilih pindah ke kota 2 daripada kota
4, dibagi kecenderungan orang yang keluar
dari kota 4 lebih memilih pindah ke kota 2
daripada kota 4 yaitu
(462/753) / (677/37.902) = 34,3499.
Parameter-parameter pada Tabel 6
menggambarkan arus migrasi teramati (Tabel
5). Misalnya, migrasi dari wilayah 1 ke
=
= (37.902)(0,0199)(0,0295)(80,8950)
= 1.800
Berdasarkan rasio odds-nya, dapat
dikatakan bahwa kecenderungan migrasi
intraregional (migrasi yang terjadi pada satu
wilayah itu sendiri) yang paling besar terjadi
adalah pada kota 1 ke kota 1 (stayer kota 1).
b. Mean effect
Metode interpretasi parameter selanjutnya
adalah mean effect yang dinyatakan dalam
bentuk rasio mean (Tabel 7), dengan mean
total adalah 2.281,067 (Lampiran 2).
Banyaknya parameter yang diperoleh untuk
tabel kontingensi dua-arah yang berukuran 4 x
4 tersebut adalah 4 mean origin, 4 mean
destination, dan 16 mean interaksi antara
origin dan destination.
Parameter-parameter pada Tabel 7 dapat
menggambarkan arus migrasi sebenarnya
(Tabel 5). Misalnya, migrasi dari wilayah 1 ke
wilayah 3 dapat ditulis seperti berikut:
=
= (2.281,067)(0,999)(1,742)(0,453)
= 1.800
Parameter model loglinear dapat
diinterpretasikan sebagai ukuran pentingnya
pengaruh origin i relatif terhadap destination j
(Rogers et.al. 2002).

Tabel 7. Parameter model loglinear dengan mean effect

Wilayah Asal Wilayah Tujuan (Destination)

Total
(Origin)
1 2 3 4
1 = 32,759 = 0,227 = 0,453 = 0,297 = 0,999
2 = 0,238 = 22,478 = 0,416 = 0,449 = 1,115
3 = 0,437 = 0,439 = 13,979 = 0,373 = 1,208
4 = 0,293 = 0,447 = 0,379 = 20,122 = 0,743

Total = 0,577 = 0,894 = 1,742 = 1,112 = 2.281,067


menunjukkan relatif pentingnya
wilayah i sebagai sumber migran atau wilayah
asal migran (origin). Semakin besar nilai
parameter, semakin penting kota i sebagai
origin. Sebagai contoh, parameter kota 1
(0,999) dan kota 4 (0,743) lebih sedikit
daripada kota 2 (1,115) dan kota 3 (1,208).
Jadi, kota 3 adalah kota yang paling penting
sebagai origin.
menunjukkan tingkat pentingnya
wilayah j sebagai destination, yang diukur
dari frekuensi diakhir interval. Semakin besar
nilai parameter, semakin penting kota j
sebagai destination. Sebagai contoh, diakhir
periode observasi, kota 1 adalah kota yang
paling kurang penting sebagai destination
(0,577 < 0,894 < 0,1742 < 1,112). Walaupun
jumlah total orang yang berada di kota 1
(44.455) lebih besar dari kota 4 (41.065) tetapi
parameternya lebih kecil daripada kota 4
(0,577<1,112).
Secara keseluruhan, kota 3 merupakan
kota yang paling penting dari awal sampai
akhir periode observasi (sebagai origin dan
destination) karena parameternya paling besar
dibanding kota lainnya. Selain itu, kota 3
memiliki angka diagonal (stayer) paling besar
dan juga angka diluar diagonal (migran)
paling besar dibanding kota yang lainnya.
Semua parameter dalam Tabel 7
merepresentasikan stuktur spasial migrasi dari
Tabel 5. Pengaruh baris dan kolom adalah
rasio dari mean geometri, sehingga pengaruh
baris (origin) dan kolom (destination) masing-
masing kota dapat dibandingkan.
Kota 1 lebih penting sebagai wilayah
tujuan migrasi daripada sebagai wilayah asal
migrasi (0,577 < 0,999), kota 2 lebih penting
sebagai wilayah tujuan migrasi daripada
sebagai wilayah asal migrasi (0,894 < 1,115),
Kota 3 lebih penting sebagai wilayah tujuan
migrasi daripada sebagai wilayah asal migrasi
(1,742 < 1,208), sedangkan kota 4 lebih
penting sebagai wilayah asal daripada sebagai
wilayah tujuan migrasi (1,112 > 0,743). Tabel
7 diperoleh dengan mengubah parameter
model aditif kedalam bentuk eksponen
(Lampiran 2).
8
Dari kedua metode interpretasi parameter
tersebut, mean effect lebih mudah dalam
interpretasinya dibandingkan dengan cornered
effect.
4.3 Analisis Model Migrasi untuk Data
tidak Lengkap
Menurut Willekens (1999), ada beberapa
cara yang dilakukan untuk mengatasi masalah
ketidaklengkapan data migrasi antara lain:
1. mengumpulkan informasi yang hilang
2. mengggunakan data atau informasi
pendukung pada populasi yang sebanding
3. menggunakan data tidak lengkap tetapi
meminimalisir penyimpangan yang
disebabkan informasi yang hilang
4. menduga atau memprediksi informasi
yang hilang berdasarkan data sebelumnya
Adapun yang dibahas dalam tulisan ini
adalah cara yang keempat, yaitu menduga atau
memprediksi arus migrasi berdasarkan data
arus migrasi sebelumnya, dengan langkah-
langkah sebagai berikut:
1. menentukan data lengkap sebagai standar
untuk dijadikan nilai awal,
2. menentukan model loglinear yang cocok
dengan data lengkap, dan
3. menduga nilai yang tidak lengkap
menggunakan iterative proportional fitting
berdasarkan data standar.
4. menginterpretasikan paramater model
dengan cornered effect dan mean effect
Misalkan diberikan data arus migrasi tidak
lengkap yang hanya diketahui total arus
migasi. Arus migrasi dapat diprediksi
menggunakan informasi tambahan yang
sesuai, tabel arus migrasi sebelumnya atau
data dari populasi yang sebanding (memiliki
pola dan karakteristik yang sama).
Misalkan didefinisikan sebagai
frekuensi sel tabel migrasi sebelumnya. Tabel
arus migrasi periode sekarang dapat diprediksi
berdasarkan informasi mengenai total jumlah
orang yang tinggal di wilayah i dan wilayah j
pada awal dan akhir periode observasi (secara
berturut-turut dinotasikan sebagai dan
), data histori atau data prior untuk arus
migrasi pada wilayah asal dan wilayah tujuan
(dinotasikan oleh ). Selanjutnya arus
migrasi prediksi dapat diperoleh dengan
metode IPF .
Data migrasi penduduk yang terjadi pada
empat kota selama dua periode observasi
disajikan dalam Tabel 8.
 9

Tabel 8. Arus migrasi penduduk selama 2 periode observasi

Wilayah Asal
Wilayah Tujuan (Destination)
(Origin) Total
1 2 3 4
a. Periode I
1 43.123 462 1.800 753 46.138
(sebagai standar)
2 350 51.136 1.845 1.269 54.600
3 695 1.082 67.095 1.141 70.013
4 287 677 1.120 37.902 39.986
Total 44.455 44.455 71.860 41.065 210.737
b. Periode II
1 47.084
(akan diprediksi)
2 55.735
3 71.272
4 42.019
Total 46.059 54.214 73.168 42.669 216.110

Jika diberikan tabel migrasi yang hanya
berisi marjinal total (total baris dan total
kolom) dan diasumsikan bahwa arus migrasi
dari empat kota tersebut tidak tersedia seperti
disajikan pada Tabel 8 periode II. Analisis
struktur spasial migrasi tidak dapat dilakukan
secara langsung karena arus migrasi masing-
masing kota tidak diketahui. Untuk
menganalisis migrasi yang terjadi pada empat
kota tersebut, diperlukan arus migrasi prediksi
untuk masing-masing kota.
Diasumsikan bahwa pola migrasi atau
karakteristik migrasi dari kota 1, kota 2, kota
3, dan kota 4 untuk periode I dan periode II
pada Tabel 8 adalah sama. Arus migrasi untuk
periode I pada Tabel 8 dapat digunakan
sebagai nilai awal (data standar) dalam
memprediksi arus migrasi yang terjadi untuk
Tabel 8 periode II. Dengan menggunakan
algoritma IPF, diperoleh arus migrasi prediksi
seperti yang disajikan dalam Tabel 9.

Tabel 9. Prediksi arus migrasi menggunakan Tabel 8 periode I

Wilayah Asal Wilayah Tujuan (Destination)
Total
(Origin) 1 2 3 4
1 44.445 393 1.614 632 47.084
2 431 52.055 1.977 1.272 55.735
3 814 1.047 68.324 1.087 71.272
4 369 719 1.253 39.678 42.019
Total 46.059 54.214 73.168 42.669 216.110

Tabel 10. Rasio arus migrasi prediksi dan arus migrasi teramati
Wilayah Asal Wilayah Tujuan (Destination)
Total
(Origin) 1 2 3 4
1 0,9911 1,0369 1,1637 1,3362 1,0000
2 1,3221 0,9951 1,0118 1,1119 1,0000
3 1,2504 1,2246 0,9939 1,0615 1,0000
4 1,5570 1,0747 1,1548 0,9913 1,0000
Total 1,0000 1,0000 1,0000 1,0000 1,0000
 10

Hasil perbandingan data arus migrasi
prediksi dengan arus migrasi teramati, pada
Lampiran 1, menunjukkan bahwa rasio antara
arus migrasi prediksi dan arus migrasi
observasi memiliki nilai mendekati 1 seperti
disajikan pada Tabel 10. Jadi, dapat dikatakan
bahwa arus migrasi prediksi sesuai dengan
arus migrasi teramati. Rasio marjinal sama
dengan satu merepresentasikan bahwa arus
migrasi prediksi menggunakan total marjinal
yang sama dengan Tabel observasi pada
Lampiran 1.
Adapun proses selanjutnya adalah
menggambarkan struktur spasial migrasi
antarwilayah dari tabel migrasi prediksi
(Tabel 10) dengan menggunakan cara yang
sama seperti pembahasan dalam sebelumnya.
Parameter arus migrasi prediksi ditunjukkan
oleh Tabel 11 dan Tabel 12.

Tabel 11. Parameter prediksi migrasi dengan cornered effect

Wilayah Asal Wilayah Tujuan (Destination)

(Origin)
1 2 3 4
1 = 7.561,8706 = 34,3160 = 80,8696 = 0,0159
2 = 36,4346 = 2.258,3759 = 49,2174 = 0,0321
3 = 80,5227 = 53,1543 = 1.990,4095 = 0,0274
4 = 0,0093 = 0,0181 = 0,0316 = 39.678

Tabel 12. Parameter prediksi migrasi dengan mean effect

Wilayah Asal Wilayah Tujuan (Destination)

Total
(Origin)
1 2 3 4
1 = 32,762 = 0,226 = 0,453 = 0,297 = 0,876
2 = 0,238 = 22,489 = 0,416 = 0,449 = 1,168
3 = 0,437 = 0,440 = 13,975 = 0,373 = 1,203
4 = 0,293 = 0,447 = 0,379 = 20,125 = 0,812

Total = 0,660 = 0,845 = 1,733 = 1,035 = 2.345,545


V SIMPULAN DAN SARAN
5.1 Simpulan
Analisis data migrasi lengkap
menggunakan data hipotetik dari arus migrasi
4 wilayah dihasilkan bahwa model yang
cocok digunakan untuk menggambarkan
interaksi origin dan destination tersebut
mengikuti model loglinear jenuh (saturated
loglinear model).
Analisis data migrasi tidak lengkap dapat
dilakukan dengan langkah-langkah berikut:
Pertama, menentukan data migrasi lengkap
yang digunakan sebagai standar nilai awal.
Kedua, memprediksi arus migrasi tidak
lengkap dengan IPF. Ketiga menggambarkan
hubungan antara origin dan destination
dengan parameter cornered effect dan mean
effect.
Dengan menggunakan data migrasi dari 4
wilayah diperoleh hasil sebagai berikut:
1. Hasil pengujian hipotesis menunjukkan
bahwa model kedua (model loglinear
tanpa interaksi) ditolak. Jadi, dapat
disimpulkan bahwa origin dan destination
memiliki interaksi, yang direpresentasikan
oleh parameter model loglinear.
DAFTAR PUSTAKA
Bergsma WP. 1997. Marginal Models for
Categorical Data. Tilburg: University
Press.
Brouwer F, Nijkamp P. 1983. Log-linear
Models and Goodness-of-Fit Statistics for
Categorical Data in Contingency Table
Analysis: An Application to Dutch
Migration Data. Research Memorandum.
1983:003.
Friel CM. 2005. Hierarchical Loglinear
Analysis: A statistical technique for the
analysis of frequency data in multiway
cross-tabulation tables. http://www.shsu.
edu/icc_cmf/cj_789/loglinearAnalysis.doc.
[27 Feb 2011]
Ghahramani S. 2005. Fundamentals of
Probability with Stochastic Processes. 3rd
edition. New Jersey: Pearson Education,
Inc.
Raymer J. 2004. The Estimation of Place-to
Place Migration Flow Using an
Alternative Log-Linear Parameter coding
Scheme. S3RI Working Papers M04/12.
11
2. Berdasarkan model loglinear jenuh dan
dengan menggunakan IPF diperoleh hasil
prediksi data tidak lengkap yang
mendekati nilai sebenarnya.
3. Parameter model loglinear multiplikatif
yang diperoleh dengan cornered effect
menunjukkan bahwa wilayah 1 adalah
wilayah yang memiliki rasio odds yang
paling besar. Sedangkan parameter model
loglinear multiplikatif yang diperoleh
dengan mean effect menunjukkan bahwa
wilayah 3 adalah wilayah yang paling
penting, baik sebagai origin maupun
sebagai destination.
5.2 Saran
Studi lebih lanjut mengenai model
loglinear yang dapat diperluas untuk
menganalisis tabel kontingensi tiga arah.
Misalkan tabel migrasi penduduk yang
menyajikan data pengamatan (observasi) yang
terdiri atas tiga peubah yang melibatkan
wilayah asal migran (origin), wilayah tujuan
migrasi (destination) dan umur migran.
Rogers A, Willekens F, Little J, Raymer J.
2002. Describing migration spatial
structure. Papers Reg. Sci. 81: 29-48.
Rogers A, Willekens F, Raymer J. 2003.
Imposing age and spatial structure on
inadequate migration-flow datasets. The
Professional Geographer, 55(1):56-69.
Walpole RE. 1995. Pengantar Statistik. Edisi
ke-3. Bambang Sumantri, Penerjemah.
Jakarta: PT Gramedia Pustaka.
Terjemahan dari: Introduction to Statistics.
Willekens FJ. 1983. Specification and
calibration of spatial interaction models. A
contingency table perspective and an
application to intra-urban migration in
Rotterdam. Tijdschrift voor Economische
en Social Geografie. 74(4):239-252.
Willekens FJ. 1999. Modeling approaches to
the indirect estimation of migration flows:
from entropy to EM. Mathematical
Population Studies. 7(3) 239-278.
 12

LAMPIRAN
 13

Lampiran 1. Tabel arus migrasi

[

Arus migrasi interregional U.S. (dalam ribuan): 1975-1980, 1980-1985, 1985-1990

Wilayah Asal Wilayah Tujuan (Destination)
Periode Total
(Origin) Northeast Midwest South West
1975-1980 Northeast 43.123 462 1.800 753 46.138
Midwest 350 51.136 1.845 1.269 54.600
South 695 1.082 67.095 1.141 70.013
West 287 677 1.120 37.902 39.986
Total 44.455 53.357 71.860 41.065 210.737

1980-1985 Northeast 44.845 379 1.387 473 47.084

Midwest 326 52.311 1.954 1.144 55.735
South 651 855 68.742 1.024 71.272
West 237 669 1.085 40.028 42.019
Total 46.059 54.214 73.168 42.669 216.110

Sumber: Rogers et. al. 2003

 14

Lampiran 2. Backward elimination process untuk parameter mean effect

Langkah-langkah menentukan model loglinear (Friel 2005)

Tabel Migrasi
Wilayah Asal Wilayah Tujuan (Destination)
Total
(Origin) 1 2 3 4
1 43.123 462 1.800 753 46.138
2 350 51.136 1.845 1.269 54.600
3 695 1.082 67.095 1.141 70.013
4 287 677 1.120 37.902 39.986
Total 44.455 53.357 71.860 41.065 210.737

Langkah 1
Ubah frekuensi teramati ke dalam bentuk logaritma natural
Wilayah Asal Wilayah Tujuan (Destination)
(Origin)
1 2 3 4
1 10,672 6,136 7,496 6,624

2 5,858 10,842 7,520 7,146

3 6,544 6,987 11,114 7,040

4 5,659 6,518 7,021 10,543

Langkah 2 Menentukan parameter berdasarkan metode interpretasi yang digunakan

A. Mean effect (menghitung rataan)
- Total baris adalah mean dari logaritma sel dalam satu baris
- Total kolom adalah mean dari logaritma sel dalam satu kolom
Total keseluruhan adalah mean dari logaritma seluruh sel

Wilayah Asal Wilayah Tujuan (Destination)

Total
(Origin)
1 2 3 4
1 10,672 6,136 7,496 6,624 7,732

2 5,858 10,842 7,520 7,146 7,842

3 6,544 6,987 11,114 7,040 7,921

4 5,659 6,518 7,021 10,543 7,435

Total 7,183 7,621 8,288 7,838 7,732

Langkah 3: Menentukan model loglinear jenuh

Model loglinear aditif:
Model multiplikatif:
 15

Langkah 4: Pendugaan parameter

Hitung semua kemungkinan pengaruh yang muncul dari origin dan destination
a. Parameter mean effect (aditif):

Wilayah Asal Wilayah Tujuan (Destination)

(Origin) 1 2 3 4 Total
1 3,489 -1,484 -0,791 -1,213 -0,001
2 -1,435 3,113 -0,877 -0,801 0,109
3 -0,828 -0,823 2,638 -0,987 0,189
4 -1,227 -0,806 -0,969 3,002 -0,297

Total -0,549 -0,112 0,555 0,106 7,732

b. Parameter mean effect (multiplikatif):

Wilayah Asal Wilayah Tujuan (Destination)

(Origin) 1 2 3 4 Total
1 32,759 0,227 0,453 0,297 0,999

2 0,238 22,478 0,416 0,449 1,115

3 0,437 0,439 13,979 0,373 1,208

4 0,293 0,447 0,379 20,122 0,743

Total 0,577 0,894 1,742 1,112 2.281,067

Tabel 4b juga dapat diperoleh dengan mengubah parameter pada Tabel 4a ke bentuk eksponen

Langkah 5:
Hitung logaritma dari frekuensi harapan setiap sel

Wilayah Asal Wilayah Tujuan (Destination)

(Origin) 1 2 3 4
1 10,672 6,136 7,496 6,624

2 5,858 10,842 7,520 7,146

3 6,544 6,987 11,114 7,040

4 5,659 6,518 7,021 10,543

Langkah 6
Ubah logaritma sel frekuensi pada langkah 5 ke bentuk frekuensi harapan.
nij*  ln (nij )

Wilayah Asal Wilayah Tujuan (Destination)

(Origin) 1 2 3 4
1 43.123 462 1.800 753

2 350 51.136 1.845 1.269

3 695 1.082 67.095 1.141

4 287 677 1.120 37.902

 16

Dari Tabel b pada langkah 4 diperoleh frekuensi harapan yang sama.

nˆij   iO Dj  ijOD

Wilayah Asal Wilayah Tujuan (Destination)

(Origin) 1 2 3 4
1 43.123 462 1.800 753

2 350 51.136 1.845 1.269

3 695 1.082 67.095 1.141

4 287 677 1.120 37.902

Langkah 7 : Bandingkan frekuensi harapan dan frekuensi teramati

Model loglinear lengkap fit data secara akurat menghasilkan sel frekuensi harapan yang sama
dengan frekuensi teramati
Wilayah Asal Wilayah Tujuan (Destination)
(Origin) 1 2 3 4 Total
43.123 462 1.800 753
1 46.138
(43.123) (462) (1.800) (753)
350 51.136 1.845 1.269
2 54.600
(350) (51.136) (1.845) (1.269)
695 1.082 67.095 1.141
3 70.013
(695) (1.082) (67.095) (1.141)
287 677 1.120 37.902
4 39.986
(287) (677) (1.120) (37.902)

Total 44.455 53.357 71.860 41.065 210.737

Langkah 8
Menentukan apakah origin berpengaruh signifikan terhadap destination.
Model loglinear jenuh:
ln (nij )    iO   jD  ijOD
dengan nij = frekuensi sel observasi (O)

Hilangkan ij dari model loglinear jenuh (sama dengan memberikan nilai ij 0)
OD OD
1)
sehingga persamaan menjadi:
ln (nij* )    iO   jD
*
dengan nij =frekuensi sel harapan (E)
*
2) Menduga frekuensi harapan dengan model tersebut ( nij )
 17

Dengan cara yang sama seperti pada langkah 4, 5 dan 6, diperoleh tabel frekuensi harapan
sebagai berikut:
Asal Wilayah Wilayah Tujuan (Destination)
(Origin) 1 2 3 4 Total
1 1316 2038 3972 2534 9860
2 1469 2275 4433 2828 11005
3 1591 2463 4800 3062 11915
4 979 1515 2953 1884 7330
Total 5355 8291 16158 10307 40111

Karena marjinal (jumlah baris dan kolom) tabel hasil prediksi tidak sama dengan tabel
observasi, maka perlu dilakukan iterasi supaya marjinalnya sama, yaitu dengan IPF.

Dengan menggunakan IPF diperoleh tabel prediksi sebagai berikut:

Wilayah Asal Wilayah Tujuan (Destination)
(Origin) 1 2 3 4 Total
1 9.733 11.682 15.733 8.991 46.138
2 11.518 13.824 18.618 10.640 54.600
3 14.769 17.727 23.874 13.643 70.013
4 8.435 10.124 13.635 7.792 39.986
Total 44.455 53.357 71.860 41.065 21.0737

Langkah 9: Bandingkan frekuensi teramati dan frekuensi harapan

Wilayah asal Wilayah Tujuan (Destination)
(Origin) 1 2 3 4 Total
43.123 462 1.800 753
1 46.138
(9.733) (11.682) (15.733) (8.991)
350 51.136 1.845 1.269
2 54.600
(11.518) (13.824) (18.618) (10.640)
695 1.082 67.095 1.141
3 70.013
(14.769) (17.727) (23.874) (13.643)
287 677 1.120 37.902
4 39.986
(8.435) (10.124) (13.635) (7.792)

Total 44.455 53.357 71.860 41.065 210.737

Nilai dalam tanda kurung menunjukkan frekuensi harapan

Langkah 10
Hitung rasio loglikelihood dan Chi-square dari tabel frekuensi teramati dan frekuensi harapan
 nij  ( nij  nij* ) 2
G 2  2 nij ln  *  = 462677,7  2   = 543382,55
n nij*
i j  ij  i j
 18

Lampiran 3. Backward elimination process untuk parameter cornered effect

Tabel Migrasi
Wilayah Asal Wilayah Tujuan (Destination)
Total
(Origin) 1 2 3 4
1 43.123 462 1.800 753 46.138
2 350 51.136 1.845 1.269 54.600
3 695 1.082 67.095 1.141 70.013
4 287 677 1.120 37.902 39.986
Total 44.455 53.357 71.860 41.065 210.737

Langkah 1
Ubah frekuensi teramati ke dalam bentuk logaritma natural
Wilayah Asal Wilayah Tujuan (Destination)
(Origin)
1 2 3 4
1 10,672 6,136 7,496 6,624
2 5,858 10,842 7,520 7,146
3 6,544 6,987 11,114 7,040
4 5,659 6,518 7,021 10,543

Langkah 2 Menentukan parameter berdasarkan metode interpretasi yang digunakan

Cornered effect (menghitung pengaruh salah satu peubah)
Total keseluruhan adalah logaritma dari stayer dari kota 4 ( =10,543)

Wilayah Asal Wilayah Tujuan (Destination)

(Origin)
1 2 3 4
1 10,672 6,136 7,496 6,624
2 5,858 10,842 7,520 7,146
3 6,544 6,987 11,114 7,040
4 5,659 6,518 7,021 10,543

Langkah 3: Menentukan model loglinear jenuh

Model loglinear aditif:

Model multiplikatif:
 19

Langkah 4: Pendugaan parameter

Hitung semua kemungkinan pengaruh yang muncul dari origin dan destination
a. Parameter cornered effect (aditif):

Wilayah Asal Wilayah Tujuan (Destination)

(Origin) 1 2 3 4
1 8.931 3.537 4.393 -3.919
2 3.595 7.721 3.896 -3.397
3 4.388 3.972 7.596 -3.503
4 -4.883 -4.025 -3.522 10.543

b. Parameter cornered effect (multiplikatif):

Wilayah Asal Wilayah Tujuan (Destination)

(Origin) 1 2 3 4
1 7563.0021 34.3495 80.8950 0.0199
2 36.4239 2255.9974 49.2016 0.0335
3 80.4414 53.0903 1989.9796 0.0301
4 0.0076 0.0179 0.0295 37902
Tabel 4b juga dapat diperoleh dengan mengubah parameter pada Tabel 4a ke bentuk eksponen

Langkah 5:
Hitung logaritma dari frekuensi harapan setiap sel

Wilayah Asal Wilayah Tujuan (Destination)

(Origin) 1 2 3 4
1 10,672 6,136 7,496 6,624

2 5,858 10,842 7,520 7,146

3 6,544 6,987 11,114 7,040

4 5,659 6,518 7,021 10,543

Langkah 6
Ubah logaritma sel frekuensi pada langkah 5 ke bentuk frekuensi harapan.
nij*  ln (nij )

Wilayah Asal Wilayah Tujuan (Destination)

(Origin) 1 2 3 4
1 43.123 462 1.800 753

2 350 51.136 1.845 1.269

3 695 1.082 67.095 1.141

4 287 677 1.120 37.902

 20

Dari Tabel b pada langkah 4 diperoleh frekuensi harapan yang sama.

nˆij   iO Dj  ijOD

Wilayah Asal Wilayah Tujuan (Destination)

(Origin) 1 2 3 4
1 43.123 462 1.800 753

2 350 51.136 1.845 1.269

3 695 1.082 67.095 1.141

4 287 677 1.120 37.902

Langkah 7 : Bandingkan frekuensi harapan dan frekuensi teramati

Model loglinear lengkap fit data secara akurat menghasilkan sel frekuensi harapan yang sama
dengan frekuensi teramati
Wilayah Asal Wilayah Tujuan (Destination)
(Origin) 1 2 3 4 Total
43.123 462 1.800 753
1 46.138
(43.123) (462) (1.800) (753)
350 51.136 1.845 1.269
2 54.600
(350) (51.136) (1.845) (1.269)
695 1.082 67.095 1.141
3 70.013
(695) (1.082) (67.095) (1.141)
287 677 1.120 37.902
4 39.986
(287) (677) (1.120) (37.902)

Total 44.455 53.357 71.860 41.065 210.737

Langkah 8
1) Menentukan apakah origin berpengaruh signifikan terhadap destination.
Model loglinear jenuh:
ln (nij )    iO   jD  ijOD
dengan nij = frekuensi teramati

Hilangkan ij dari model loglinear jenuh (sama dengan memberikan nilai ij 0)
OD OD
2)
sehingga persamaan menjadi:
ln (nij* )    iO   jD
*
dengan nij =frekuensi harapan
*
3) Menduga frekuensi harapan dengan model tersebut ( nij )
 21

Dengan cara yang sama seperti pada langkah 4, 5 dan 6, diperoleh tabel frekuensi harapan
sebagai berikut:
Asal Wilayah Wilayah Tujuan (Destination)
(Origin) 1 2 3 4 Total
1 1316 2038 3972 2534 9860
2 1469 2275 4433 2828 11005
3 1591 2463 4800 3062 11915
4 979 1515 2953 1884 7330
Total 5355 8291 16158 10307 40111

Karena marjinal (jumlah baris dan kolom) tabel hasil prediksi tidak sama dengan tabel
observasi, maka perlu dilakukan iterasi supaya marjinalnya sama.
Dengan menggunakan IPF diperoleh tabel prediksi sebagai berikut:
Wilayah Asal Wilayah Tujuan (Destination)
(Origin) 1 2 3 4 Total
1 9.733 11.682 15.733 8.991 46.138
2 11.518 13.824 18.618 10.640 54.600
3 14.769 17.727 23.874 13.643 70.013
4 8.435 10.124 13.635 7.792 39.986
Total 44.455 53.357 71.860 41.065 21.0737

Langkah 9: Bandingkan frekuensi teramati dan frekuensi harapan

Wilayah asal Wilayah Tujuan (Destination)
(Origin) 1 2 3 4 Total
43.123 462 1.800 753
1 46.138
(9.733) (11.682) (15.733) (8.991)
350 51.136 1.845 1.269
2 54.600
(11.518) (13.824) (18.618) (10.640)
695 1.082 67.095 1.141
3 70.013
(14.769) (17.727) (23.874) (13.643)
287 677 1.120 37.902
4 39.986
(8.435) (10.124) (13.635) (7.792)

Total 44.455 53.357 71.860 41.065 210.737

Nilai dalam tanda kurung menunjukkan frekuensi harapan

Langkah 10
Hitung rasio loglikelihood dan Chi-square dari tabel frekuensi teramati dan frekuensi harapan
 nij  ( nij  nij* ) 2
G 2  2 nij ln  *  = 462677,7  2   = 543382,5
n nij*
i j  ij  i j
 22

ANALISIS ARUS MIGRASI DENGAN MODEL LOGLINEAR

DAN ITERATIVE PROPORTIONAL FITTING

CARWIDAH

DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012