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.
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.
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:
Mengetahui:
Ketua Departemen,
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.
Carwidah
vii
DAFTAR ISI
Halaman
I PENDAHULUAN ....................................................................................................................... 1
1.1 Latar Belakang ...................................................................................................................... 1
1.2 Tujuan ................................................................................................................................... 1
viii
DAFTAR TABEL
Halaman
DAFTAR LAMPIRAN
Halaman
ix
I PENDAHULUAN
II LANDASAN TEORI
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)
3.3 Fitting Model Loglinear skema coding yang umum digunakan untuk
Secara umum, ada dua model loglinear menginterpretasikan parameter-parameter
yang dapat ditinjau dari sebuah tabel model adalah cornered refference coding
kontingensi : (cornered effect) dan geometric mean coding
- Model minimum dengan kemungkinan (mean effect).
parameter terkecilnya adalah pengaruh Parameter cornered effect diinterpre-
mean seluruh sel (overall mean effect). tasikan sebagai odds dan rasio odds dengan
- Model yang memuat seluruh
mengacu pada salah satu sel frekuensi dalam
kemungkinan parameter (saturated
loglinear model), nilai dari sel frekuensi tabel kontingensi. Odds didefinisikan sebagai
harapan didefinisikan sama dengan frekuensi dari satu kejadian dibagi dengan
frekuensi teramati. frekuensi dari kejadian lainnya. Sedangkan
Fitting model loglinear untuk rasio odds adalah perbandingan dari dua odds.
menyesuaikan sel frekuensi harapan dengan Untuk tabel kontingensi dua-arah I x J,
frekuensi teramati pada beberapa hipotesis banyaknya parameter yang diperoleh adalah (I
menggunakan statistik uji Chi-Square: - 1) pengaruh kategori I, (J - 1) pengaruh
(nij nij* ) 2 kategori J, dan (I - 1) x (J - 1) pengaruh
2 (3.3) interaksi antara kategori I dan J.
i j nij*
Sedangkan parameter mean effect
Derajat bebas (degree of freedom)
diinterpretasikan dengan mengacu pada mean
didefinisikan sebagai perbedaan antara
dari seluruh sel dalam tabel. Untuk tabel
banyaknya elemen sel dan parameter yang
kontingensi dua-arah I x J, banyaknya
akan disesuaikan. Untuk kasus peubah yang
parameter yang diperoleh adalah I mean
saling bebas (mutual independence) derajat
kategori I, J mean kategori J, dan I x J mean
bebasnya adalah df = (I – 1)(J – 1). Sedangkan
interaksi antara kategori I dan J.
untuk kasus peubahnya tidak saling bebas,
(Raymer 2004)
derajat bebasnya adalah nol (df = 0).
Misalkan, diberikan hipotesis: 3.5 Algoritma Iterative Proportional Fitting
H₀: Peubah saling bebas Algoritma Iterative Proportional Fitting
H₁: Peubah tidak saling bebas (IPF) diperkenalkan oleh Deming dan Stephan
Jika nilai hasil perhitungan lebih besar dari dalam fitting model loglinear untuk tabel
nilai kritis ( pada taraf nyata α , kontingensi. Algoritma IPF juga dapat
tolak hipotesis-nol, jika selainnya, terima digunakan untuk menyesuaikan matriks dua
hipotesis-nol. Jadi, dapat disimpulkan bahwa dimensi (tabel kontingensi dua arah) sampai
hubungan antarpeubahnya tidak saling bebas jumlah baris dan jumlah kolomnya sama
atau ada keterkaitan antara peubah yang satu dengan nilai marjinal yang didefinisikan awal.
dengan peubah lainnya. Didefinisikan s adalah banyaknya iterasi,
menyatakan sel frekuensi dari tabel awal
3.4 Parameter Model Loglinear
(tabel prior), dan secara berturut-
Parameter model digunakan untuk
menggambarkan struktur spasial dari tabel turut menyatakan total marjinal (total baris
arus migrasi. Model loglinear menguraikan dan total kolom) dari tabel frekuensi marjinal,
logaritma sel count atau sel frekuensi dari serta menyatakan penduga frekuensi
tabel kontingensi kedalam bentuk pengaruh harapan .
total, pengaruh setiap kategori, dan pengaruh Algoritma IPF:
interaksi antarkategori, dimana setiap Langkah 0: menentukan hampiran awal
pengaruh-pengaruh tersebut dinyatakan oleh
sebuah parameter. Karena banyaknya
parameter yang diperoleh dengan metode ini Langkah 1:
lebih besar dari banyaknya amatan bebas,
parameter model harus dibatasi Langkah 2:
(dinormalisasi) dengan skema coding. Dua
5
4.1 Ilustrasi Data Migrasi Lengkap dan 4.2 Analisis Model Migrasi untuk Data
Data Migrasi tidak Lengkap Lengkap
Misalkan terjadi migrasi penduduk antara Data yang digunakan dalam tulisan ini
wilayah A dan wilayah B. Hasil pengamatan diperoleh dari Rogers et.al. 2003 (Lampiran
di wilayah A dan B pada waktu tertentu 1). Misalkan migrasi terjadi pada empat kota
yaitu kota 1, kota 2, kota 3, dan kota 4
menunjukkan bahwa 2 orang berpindah dari
digambarkan dalam sebuah tabel kontingensi
wilayah A ke wilayah B, 1 orang berpindah dua arah (origin-destination) seperti disajikan
dari wilayah B ke wilayah A, 5 orang tetap dalam Tabel 5.
berada di wilayah A (tidak bermigrasi), dan 7 Analisis hubungan antara wilayah asal
orang tetap berada di wilayah B, yang migran (origin) dan wilayah tujuan migrasi
disajikan dalam Tabel 3. Data yang diperoleh (destination) dilakukan dengan hipotesis
merupakan data migran lengkap sehingga sebagai berikut:
analisis migrasi antara wilayah A dan B dapat H 0 : Tidak ada hubungan antara wilayah
dilakukan secara langsung. asal migran dan wilayah tujuan
migrasi ( )
Tabel 3. Contoh data lengkap H1 : Ada hubungan antara wilayah asal
Wilayah tujuan migran dan wilayah tujuan migrasi
Wilayah
Total ( )
asal A B Hipotesis-nol tersebut berarti bahwa tidak
A 5 2 7 ada pengaruh interaksi antara origin dan
B 1 7 8 destination, sehingga dapat dirumuskan
Total 6 9 15 seperti persamaan (3.1) dengan kategori O
sebagai origin, D sebagai destination dan
Tabel 4. Contoh data tidak lengkap menyatakan frekuensi harapan sel ij, yaitu:
Wilayah Wilayah tujuan
Total Analisis model loglinear dari tabel 5,
asal A B
dilakukan dengan backward elimination
A 18
proses (Friel 2005) yang dijelaskan pada
B 20
Lampiran 2 dan Lampiran 3. Pada selang
Total 16 22 38
kepercayaan 95% (nilai α=0,05) dan derajat
bebas df diperoleh
Sedangkan bila diperoleh data yaitu 18
nilai =16,92, sedangkan hasil
orang berasal dari wilayah A, 20 orang berasal
dari wilayah B, 16 orang menuju wilayah A pengolahan data menunjukkan nilai
dan 22 orang menuju wilayah B, yang =543382,55.
disajikan dalam Tabel 4, data tersebut Jika hipotesis nol diterima, dapat
disimpulkan bahwa tidak ada hubungan antara
merupakan data migran tidak lengkap. Karena
origin dan destination. Setelah dilakukan
arus migrasi antara A dan B tidak diketahui, pengujian, diperoleh nilai hasil perhitungan
maka untuk menganalisis migrasi lebih besar dibanding nilai tabel
antarwilayah tersebut diperlukan pendugaan sehingga hipotesis-nol
arus migrasi antara wilayah A dan B. ditolak. Frekuensi harapan yang dihasilkan
6
Parameter-parameter model loglinear dari arus dari kota 4 lebih memilih pindah ke kota 2
migrasi pada Tabel 5 disajikan dalam Tabel 6. daripada kota 4 yaitu
Tabel 6 diperoleh dengan mengubah
parameter model aditif kedalam bentuk
eksponen (Lampiran 3). (462/753) / (677/37.902) = 34,3499.
Pengaruh utama sebuah origin ( ) adalah Parameter-parameter pada Tabel 6
kecenderungan orang yang tinggal di kota i menggambarkan arus migrasi teramati (Tabel
pindah ke kota 4 relatif terhadap orang yang 5). Misalnya, migrasi dari wilayah 1 ke
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 = (37.902)(0,0199)(0,0295)(80,8950)
terhadap orang yang tetap tinggal di kota 4, = 1.800
yaitu 753/37.902 0,0199. Berdasarkan rasio odds-nya, dapat
Pengaruh utama sebuah destination dikatakan bahwa kecenderungan migrasi
adalah kecenderungan orang keluar dari kota intraregional (migrasi yang terjadi pada satu
4 pindah ke kota j relatif terhadap orang yang wilayah itu sendiri) yang paling besar terjadi
tetap tinggal di kota 4, adalah pada kota 1 ke kota 1 (stayer kota 1).
Misalnya adalah kecenderungan orang
keluar dari kota 4 pindah ke kota 2 relatif b. Mean effect
Metode interpretasi parameter selanjutnya
terhadap orang yang tetap tinggal di kota 4,
adalah mean effect yang dinyatakan dalam
yaitu 677/37.902 0,0179.
bentuk rasio mean (Tabel 7), dengan mean
Parameter interaksi ( ) diperoleh dari
total adalah 2.281,067 (Lampiran 2).
frekuensi sel ij dibagi hasil perkalian semua Banyaknya parameter yang diperoleh untuk
parameter lainnya, yaitu tabel kontingensi dua-arah yang berukuran 4 x
4 tersebut adalah 4 mean origin, 4 mean
destination, dan 16 mean interaksi antara
Pengaruh interaksi adalah rasio dari dua origin dan destination.
odds, yaitu kecenderungan orang yang keluar Parameter-parameter pada Tabel 7 dapat
dari kota i lebih memilih kota j daripada kota menggambarkan arus migrasi sebenarnya
4, dibagi kecenderungan orang yang keluar (Tabel 5). Misalnya, migrasi dari wilayah 1 ke
dari kota 4 lebih memilih pindah ke kota j wilayah 3 dapat ditulis seperti berikut:
daripada kota 4: =
= (2.281,067)(0,999)(1,742)(0,453)
= 1.800
Misalnya, rasio odd adalah
Parameter model loglinear dapat
kecenderungan orang yang keluar dari kota 1
diinterpretasikan sebagai ukuran pentingnya
lebih memilih pindah ke kota 2 daripada kota
pengaruh origin i relatif terhadap destination j
4, dibagi kecenderungan orang yang keluar
(Rogers et.al. 2002).
Jika diberikan tabel migrasi yang hanya Diasumsikan bahwa pola migrasi atau
berisi marjinal total (total baris dan total karakteristik migrasi dari kota 1, kota 2, kota
kolom) dan diasumsikan bahwa arus migrasi 3, dan kota 4 untuk periode I dan periode II
dari empat kota tersebut tidak tersedia seperti pada Tabel 8 adalah sama. Arus migrasi untuk
disajikan pada Tabel 8 periode II. Analisis periode I pada Tabel 8 dapat digunakan
struktur spasial migrasi tidak dapat dilakukan sebagai nilai awal (data standar) dalam
secara langsung karena arus migrasi masing- memprediksi arus migrasi yang terjadi untuk
masing kota tidak diketahui. Untuk Tabel 8 periode II. Dengan menggunakan
menganalisis migrasi yang terjadi pada empat algoritma IPF, diperoleh arus migrasi prediksi
kota tersebut, diperlukan arus migrasi prediksi seperti yang disajikan dalam Tabel 9.
untuk masing-masing kota.
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 yang sama dengan Tabel observasi pada
prediksi dengan arus migrasi teramati, pada Lampiran 1.
Lampiran 1, menunjukkan bahwa rasio antara Adapun proses selanjutnya adalah
arus migrasi prediksi dan arus migrasi menggambarkan struktur spasial migrasi
observasi memiliki nilai mendekati 1 seperti antarwilayah dari tabel migrasi prediksi
disajikan pada Tabel 10. Jadi, dapat dikatakan (Tabel 10) dengan menggunakan cara yang
bahwa arus migrasi prediksi sesuai dengan sama seperti pembahasan dalam sebelumnya.
arus migrasi teramati. Rasio marjinal sama Parameter arus migrasi prediksi ditunjukkan
dengan satu merepresentasikan bahwa arus oleh Tabel 11 dan Tabel 12.
migrasi prediksi menggunakan total marjinal
DAFTAR PUSTAKA
Bergsma WP. 1997. Marginal Models for Rogers A, Willekens F, Little J, Raymer J.
Categorical Data. Tilburg: University 2002. Describing migration spatial
Press. structure. Papers Reg. Sci. 81: 29-48.
Brouwer F, Nijkamp P. 1983. Log-linear Rogers A, Willekens F, Raymer J. 2003.
Models and Goodness-of-Fit Statistics for Imposing age and spatial structure on
Categorical Data in Contingency Table inadequate migration-flow datasets. The
Analysis: An Application to Dutch Professional Geographer, 55(1):56-69.
Migration Data. Research Memorandum. Walpole RE. 1995. Pengantar Statistik. Edisi
1983:003. ke-3. Bambang Sumantri, Penerjemah.
Friel CM. 2005. Hierarchical Loglinear Jakarta: PT Gramedia Pustaka.
Analysis: A statistical technique for the Terjemahan dari: Introduction to Statistics.
analysis of frequency data in multiway Willekens FJ. 1983. Specification and
cross-tabulation tables. http://www.shsu. calibration of spatial interaction models. A
edu/icc_cmf/cj_789/loglinearAnalysis.doc. contingency table perspective and an
[27 Feb 2011] application to intra-urban migration in
Ghahramani S. 2005. Fundamentals of Rotterdam. Tijdschrift voor Economische
Probability with Stochastic Processes. 3rd en Social Geografie. 74(4):239-252.
edition. New Jersey: Pearson Education, Willekens FJ. 1999. Modeling approaches to
Inc. the indirect estimation of migration flows:
Raymer J. 2004. The Estimation of Place-to from entropy to EM. Mathematical
Place Migration Flow Using an Population Studies. 7(3) 239-278.
Alternative Log-Linear Parameter coding
Scheme. S3RI Working Papers M04/12.
12
LAMPIRAN
13
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
Langkah 5:
Hitung logaritma dari frekuensi harapan setiap sel
Langkah 6
Ubah logaritma sel frekuensi pada langkah 5 ke bentuk frekuensi harapan.
nij* ln (nij )
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.
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
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
Model multiplikatif:
19
Langkah 5:
Hitung logaritma dari frekuensi harapan setiap sel
Langkah 6
Ubah logaritma sel frekuensi pada langkah 5 ke bentuk frekuensi harapan.
nij* ln (nij )
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 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
CARWIDAH
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012