MODEL LOG LINEAR UNTUK

TABEL KONTINGENSI TAK SEMPURNA BERDIMENSI TIGA

(Studi Kasus Jumlah Penduduk Kabupaten Sleman Tahun 2008
Menurut Umur, Pendidikan dan Jenis Kelamin)

SKRIPSI

Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam

Universitas Negeri Yogyakarta
untuk memenuhi sebagian persyaratan guna memperoleh gelar Sarjana Sains

Oleh
GALIH SITARESMI HAPSARI
NIM. 06305141024

PROGRAM STUDI MATEMATIKA

JURUSAN PENDIDIKAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI YOGYAKARTA
2011

ii

iii

iv

MOTTO & PERSEMBAHAN

Sesungguhnya sesudah kesulitan itu ada kemudahan.
Maka apabila kamu telah selesai (dari suatu urusan),
Kerjakanlah dengan sungguh-sungguh (urusan yang lain),
Dan hanya kepada Tuhanmulah hendaknya kamu berharap.
(Q.S. Alam Nasyrah: 6-8)

Pahlawan bukanlah orang yang berani menetakkan pedangnya

ke pundak lawan, tetapi pahlawan sebenarnya ialah
orang yang sanggup menguasai dirinya dikala ia marah.
(Nabi Muhammad SAW)
Kebanyakan dari kita tidak mensyukuri apa yang sudah kita miliki,
tetapi kita selalu menyesali apa yang belum kita capai.
(Schopenhauer)
Kebanggaan kita yang terbesar adalah bukan tidak pernah gagal,
Tetapi bangkit kembali setiap kali kita jatuh.
(Confusius)
Sukses adalah sebuah perjalanan, bukan tujuan akhir.
(Ben Sweetland)

Alhamdulillah
Skripsi ini aku persembahkan untuk:
Keluargaku tercinta bapak, ibu dan kakak2ku, Sahabat-sahabatku
yang selalu membantu, mengingatkanku, serta memberikan banyak inspirasi
dan semangat bagiku.
Dan semua orang yang telah memberikan warna dalam hidupku, terimakasih
atas ilmu, nasehat serta pengalaman uang diberikan.
v

KATA PENGANTAR

Puji syukur penulis panjatkan kehadirat Tuhan yang Maha Esa, yang telah
memberikan

segala

rahmat

dan

karunia-Nya

sehingga

penulis

dapat

menyelesaikan skripsi dengan judul Model Log Linear Untuk Tabel Kontingensi
Tak Sempurna Berdimensi Tiga (Studi Kasus Jumlah Penduduk Kabupaten
Sleman Tahun 2008 Menurut Umur, Pendidikan dan Jenis Kelamin) ini guna
memenuhi persyaratan untuk memperoleh gelar Sarjana Sains pada Fakultas
Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta.
Penulis mengucapkan terima kasih kepada:
1. Bapak Dr. Ariswan, sebagai Dekan FMIPA Universitas Negeri
Yogyakarta

yang

telah

memberikan

kesempatan

penulis

dalam

menyelesaikan studi.
2. Bapak Dr. Hartono, selaku Ketua Jurusan Pendidikan Matematika FMIPA
Universitas Negeri Yogyakarta yang telah memberikan kemudahan
pengurusan administrasi selama penyusunan skripsi ini.
3. Ibu Atmini Dhoruri, MS, selaku Ketua Program Studi Matematika FMIPA
Universitas Negeri Yogyakarta yang telah memberikan dukungan untuk
kelancaran studi.
4. Ibu Dr. Heri Retnowati, selaku pembimbing yang telah memberikan
banyak bimbingan, saran, bantuan serta masukan selama penyusunan
skripsi ini.

vi

5. Seluruh dosen Jurusan Pendidikan Matematika FMIPA Universitas Negeri

Yogyakarta yang telah memberikan ilmu kepada penulis.
6. Teman-teman Matematika Subsidi 2006, untuk semua kritik dan
pendapatnya kepada penulis.
7. Semua pihak yang telah membantu sehingga skripsi ini bisa terselesaikan.
Penulis menyadari bahwa dalam penyusunan skripsi ini masih terdapat
banyak kekurangan baik isi maupun susunannya. Oleh karena itu, penulis
mengharapkan kritik dan saran yang membangun dari berbagai pihak demi
perbaikan skripsi ini. Semoga skripsi ini dapat bermanfaat bagi para pembaca.

Yogyakarta, Februari 2011

Penulis

Galih Sitaresmi Hapsari

06305141024

vii

MODEL LOG LINEAR UNTUK

TABEL KONTINGENSI TAK SEMPURNA BERDIMENSI TIGA
(Studi Kasus Jumlah Penduduk Kabupaten Sleman
Tahun 2008 Menurut Umur, Pendidikan dan Jenis Kelamin)
Oleh:
Galih Sitaresmi Hapsari
06305141024
ABSTRAK
Model Log Linear merupakan suatu model khusus yang dipergunakan
untuk melakukan analisis data kategorik berskala nominal. Model log linear pada
dasarnya merupakan model linier univariat yang dipergunakan untuk melakukan
analisis varians dengan variabel bebas atau respons adalah logaritma dari
frekuensi yang diharapkan dalam tiap-tiap sel tabel silang yang diperhatikan.
Tabel silang (tabel kontingensi) biasanya berbentuk sempurna, tetapi ada juga
yang berbentuk tak sempurna. Disebut tabel kontingensi tak sempurna karena
tabel tersebut mempunyai sebuah sel kosong atau lebih. Tujuan dari penulisan
skripsi ini adalah untuk mendeskripsikan analisis model Log Linear untuk tabel
kontingensi tak sempurna berdimensi tiga, serta penerapannya pada data jumlah
penduduk Kabupaten Sleman tahun 2008 menurut umur, pendidikan dan jenis
kelamin.
Analisis data menggunakan model Log Linear terlebih dahulu harus
membentuk beberapa model yang terkait. Setelah pembentukan model maka
selanjutnya tiap-tiap model dihitung statistik cukup minimal dan estimasi
persamaan Likelihoodnya. Apabila estimasi frekuensi harapan sudah dihitung
maka langkah selanjutnya menghitung statistik rasio Likelihood dan statistik
Pearson. Kedua nilai statistik tersebut berguna untuk uji independensi dan uji
homogenitas. Selanjutnya pemilihan model yang memenuhi dengan kriteria
apabila ada dua model atau lebih mempunyai derajat bebas yang sama maka
dipilih model yang mempunyai nilai statistik rasio Likelihood yang paling kecil,
kemudian dilakukan partisi chi square dengan cara mengurangkan nilai statistik
rasio Likelihood model pertama dan kedua sampai model terakhir secara analog,
begitu juga dengan derajat bebasnya. Model terbaik dipilih yang mempunyai nilai
statistik rasio Likelihood yang paling kecil.
Hasil analisis data menggunakan data jumlah penduduk Kabupaten
Sleman tahun 2008 menurut umur, pendidikan dan jenis kelamin diperoleh bahwa
model terbaik yaitu model (AB,C). Variabel A merupakan faktor umur, variabel B
merupakan faktor pendidikan dan variabel C merupakan faktor jenis kelamin.
Model (AB,C) dikatakan model terbaik karena model tersebut mempunyai nilai
statistik rasio Likelihood yang paling kecil. Hal ini berarti faktor umur dan
pendidikan saling berhubungan terhadap jumlah penduduk Kabupaten Sleman.

viii

DAFTAR ISI
HALAMAN JUDUL .................................................................................... i
HALAMAN PERSETUJUAN ..................................................................... ii
HALAMAN PENGESAHAN ...................................................................... iii
HALAMAN PERNYATAAN .....................................................................

iv

HALAMAN MOTTO DAN PERSEMBAHAN .......................................... v

KATA PENGANTAR .................................................................................

vi

ABSTRAK ...................................................................................................

viii

DAFTAR ISI ................................................................................................ ix

DAFTAR TABEL ........................................................................................ xi
DAFTAR GAMBAR ...................................................................................

xii

DAFTAR LAMPIRAN ................................................................................ xiii

BAB I PENDAHULUAN
A. Latar Belakang ......................................................................................

B. Rumusan Masalah .................................................................................

C. Tujuan Penulisan ................................................................................... 3

D. Manfaat Penulisan ................................................................................. 4
BAB II KAJIAN PUSTAKA
A. Klasifikasi Data ..................................................................................... 5
B. Variabel Kategorik ................................................................................ 8
C. Distribusi Poisson .................................................................................

D. Model Pengambilan Sampel .................................................................

10

ix

E. Tabel Kontingensi .................................................................................

11

F. Model Log Linear .................................................................................

20

BAB III PEMBAHASAN

A. Analisis Model Log Linear ...................................................................

26

B. Penerapan Model Log Linear ................................................................ 35

BAB IV KESIMPULAN DAN SARAN
A. Kesimpulan ...........................................................................................

49

B. Saran ...................................................................................................... 51
DAFTAR PUSTAKA ..................................................................................

52

LAMPIRAN ................................................................................................. 53

DAFTAR TABEL

Tabel

Hlm.

Kontingensi I x J ........................................................................

12

Probabilitas 2 Dimensi................................................................

12

Kontingensi 2 x 2 .......................................................................

16

Statistik Cukup Minimal.............................................................

29

Derajat bebas............................................................................... 33

Data Jumlah Penduduk................................................................ 36

Statistik Cukup Minimal.............................................................

38

Estimasi Persamaan Likelihood..................................................

39

Estimasi Frekuensi Harapan........................................................ 40

10

Statistik Rasio Likelihood dan Pearson......................................

44

11

Pemilihan Model.........................................................................

44

12

Partisi chi square......................................................................... 45

13

Analisis Residual......................................................................... 46

xi

DAFTAR GAMBAR
Gambar
1

Hlm.
Scatterplot Nilai Estimasi Frekuensi Harapan vs Nilai
Residual ....... ...........................................................................

xii

48

DAFTAR LAMPIRAN

Lamp

Hlm.

Data Jumlah Penduduk Kabupaten Sleman Tahun 2008............

Tabel-tabel Pinggir Data.............................................................. 54

Model-model Log Linear untuk Tabel Kontingensi 3 Dimensi..

Syntaks Program ......................................................................... 56

Output Program ..........................................................................

Tabel chi square / 2 ................................................................... 78

xiii

53

55

59

BAB I
PENDAHULUAN

A.

Latar Belakang Masalah

Dalam

kehidupan

sehari-hari,

sering

dijumpai

data

yang

dikelompokkan ke dalam suatu kategori tertentu. Misalkan saja di bidang

kesehatan, pendidikan, ekonomi dan lain-lain. Bidang-bidang tersebut dapat
diklasifikasikan ke dalam kategori rendah, sedang, tinggi dan sebagainya.
Data yang memuat beberapa kategori ini disebut data kategorik. Data
kategorik merupakan data suatu pengamatan yang mengandung variabelvariabel yang berkategori sekaligus merupakan data yang berupa frekuensi
pengamatan. Data kategorik lebih mudah dianalisis jika data tersebut
disajikan dalam bentuk tabel kontingensi.
Tabel kontingensi merupakan suatu tabel yang memperlihatkan
tingkat dari masing-masing variabel kategorik berdasarkan frekuensi
pengamatannya. Variabel kategorik merupakan variabel diskrit yang skala
pengukurannya terdiri dari kumpulan kategori.
Data yang akan dianalisis dalam skripsi ini berbentuk data kategorik,
sehingga metode yang digunakan yaitu pendekatan Model Log Linear.
Model Log Linear merupakan salah satu cara menganalisis data kategorik
jika variabel yang diperhatikan dalam suatu data kategorik tersebut
berbentuk variabel kategorik. Analisis Log Linear dapat digunakan untuk
menganalisis pola hubungan antar sekelompok variabel kategori yang
mencakup asosiasi dua variabel, asosiasi tiga variabel atau lebih. Pola
hubungan antar variabel dapat dilihat dari interaksi antar variabel itu sendiri.
1

Analisis Log Linear tidak membedakan antara variabel penjelas dan variabel
respons.
Tabel kontingensi dan Model Log Linear dapat diterapkan pada kasuskasus data kualitatif. Dengan tabel kontingensi dapat diketahui hubungan
antar variabel berskala kualitatif dan dengan analisis Log Linear dapat
diketahui pengaruh dari setiap kategori suatu variabel terhadap variabel
lainnya.

Dengan pendekatan Log Linear, diperhatikan penjumlahan sel

pada sebuah tabel kontingensi dalam bentuk gabungan diantara variabelvariabel tersebut. Oleh karena itu, diperlukan uji-uji untuk mengetahui
kekuatan dari hubungan antar variabel itu.
Tabel kontingensi pada umumnya berbentuk tabel sempurna, namun
ada juga tabel kontingensi yang tidak sempurna. Suatu tabel dikatakan tabel
tak sempurna, jika dan hanya jika tabel tersebut mempunyai sebuah sel
kosong atau lebih untuk populasi yang ditinjau. Misalnya data jumlah
penduduk menurut umur, pendidikan dan jenis kelamin, dalam kategori
tertentu ada sel yang kosong dikarenakan tidak ada yang memenuhi kategori
tersebut. Sebagai contoh kelompok umur anak-anak dalam kategori
pendidikan tinggi, selnya akan kosong karena tidak ada kelompok umur
anak-anak yang sudah memperoleh pendidikan tinggi. Oleh karena itu,
penulis tertarik menganalisis tentang Model Log Linear dalam tabel
kontingensi tak sempurna serta penerapannya dalam data jumlah penduduk
Kabupaten Sleman menurut umur, pendidikan dan jenis kelamin. Analisis

tersebut dilakukan untuk mengetahui faktor-faktor yang saling berhubungan

antara ketiga faktor yang diamati.

B.

Rumusan Masalah
Dari uraian latar belakang diperoleh rumusan masalah yang diangkat
dalam penulisan skripsi ini adalah:
1.

Bagaimana Model Log Linear untuk tabel kontingensi tak sempurna

berdimensi tiga?

2.

Bagaimana penerapan Model Log Linear untuk tabel tak sempurna

pada data jumlah penduduk Kabupaten Sleman menurut umur,
pendidikan dan jenis kelamin?

C.

Tujuan Penulisan
Tugas akhir ini disusun sebagai salah satu syarat memperoleh derajat
Sarjana S1 Program Studi Matematika FMIPA UNY.
Secara rinci, berdasarkan latar belakang dan sesuai dengan metode yang
digunakan untuk analisis, maka penulisan tugas akhir ini mempunyai tujuan
sebagai berikut:
1.

Mendeskripsikan analisis Model Log Linear untuk tabel kontingensi

tak sempurna berdimensi tiga.

2.

Menerapkan Model Log Linear untuk tabel kontingensi tak sempurna

berdimensi tiga pada data jumlah penduduk Kabupaten Sleman tahun
2008 menurut umur, pendidikan dan jenis kelamin.

D.

Manfaat Penulisan
Manfaat yang diperoleh dari penulisan ini adalah sebagai berikut:
1.

Sebagai tambahan pengetahuan tentang penerapan model Log Linear

3 dimensi dalam kehidupan sehari-hari.

2.

Sebagai informasi dan masukan bagi peneliti lain yang berminat pada
permasalahan yang sama.

BAB II
KAJIAN PUSTAKA
A.

Klasifikasi Data
Menurut Hasan (2004:19) suatu data dapat diklasifikasikan menjadi
empat macam yaitu berdasarkan sumber pengambilan, waktu pengumpulan,
sifat data dan tingkat pengukuran. Klasifikasi data

diuraikan sebagai

berikut:
1.

Berdasarkan Sumber Pengambilannya

Berdasarkan sumber pengambilannya, data dibedakan menjadi dua
yaitu data primer dan data sekunder.
a.

Data Primer
Data primer adalah data yang diperoleh atau dikumpulkan
langsung di lapangan oleh orang yang melakukan penelitian atau
yang bersangkutan yang memerlukannya. Data primer disebut
juga data asli atau data baru.
Contoh: data kuesioner, data survei, data observasi dan
sebagainya.

b.

Data Sekunder
Data sekunder adalah data yang diperoleh atau dikumpulkan
oleh orang yang melakukan penelitian dari sumber-sumber yang
telah ada. Data ini biasanya diperoleh dari perpustakaan atau
dari laporan-laporan penelitian terdahulu.

Contoh: data yang sudah tersedia di tempat-tempat tertentu

seperti perpustakaan, BPS (Badan Pusat Statistik), kantor-kantor
dan sebagainya.

2.

Berdasarkan Waktu Pengumpulannya

Berdasarkan waktu pengumpulannya, data dibedakan menjadi dua
yaitu data berkala dan data cross section.
a.

Data Berkala (Times Series)

Data berkala (Times Series) adalah data yang terkumpul dari
waktu ke waktu untuk memberikan gambaran perkembangan
suatu kegiatan atau keadaan.
Contoh: data perkembangan harga sembilan macam bahan
pokok selama 10 bulan terakhir yang dikumpulkan setiap bulan.

b.

Data Cross Section

Data cross section adalah data yang terkumpul pada suatu waktu
tertentu untuk memberikan gambaran perkembangan suatu
kegiatan atau keadaan pada waktu itu.
Contoh: data sensus penduduk tahun 1990.

3.

Berdasarkan Sifat Data

Berdasarkan sifatnya, data dibedakan menjadi dua yaitu data kualitatif
dan data kuantitatif.

a.

Data Kualitatif
Data kualitatif adalah data yang tidak berbentuk bilangan.
Contoh: jenis kelamin, agama, warna.

b.

Data Kuantitatif
Data kuantitatif adalah data yang berbentuk bilangan.
Contoh: tinggi, panjang, umur.

4.

Berdasarkan Tingkat Pengukurannya

Berdasarkan tingkat pengukurannya (skala), data dibedakan menjadi
empat yaitu data nominal, data ordinal, data interval dan data rasio.
a.

Data Nominal
Data nominal adalah data yang berasal dari pengelompokan
peristiwa berdasarkan kategori tertentu yang perbedaannya
hanyalah menunjukkan perbedaan kualitatif.
Contoh: jenis kelamin manusia misal 1 disimbolkan untuk pria
dan 0 untuk wanita.

b.

Data Ordinal
Data ordinal adalah data yang berasal dari objek atau kategori
yang disusun menurut besarnya, dari tingkat terendah ke tingkat
tertinggi atau sebaliknya, dengan jarak atau rentang yang tidak
harus sama.
Contoh: mengubah nilai ujian ke nilai prestasi yaitu nilai dari
80-100 adalah A, nilai dari 65-79 adalah B dan seterusnya.

c.

Data Interval
Data interval adalah data yang berasal dari objek atau kategori
yang diurutkan berdasarkan suatu atribut tertentu, dimana jarak
antara tiap kategori adalah sama. Pada data ini tidak terdapat
angka nol absolut.

d.

Data Rasio
Data rasio adalah data yang menghimpun semua ciri dari data
nominal, data ordinal dan data interval. Pada data ini terdapat
angka nol absolut.

B.

Variabel Kategorik
Suatu variabel dikatakan variabel kategorik jika variabel tersebut
mempunyai skala pengukuran yang terdiri dari sekumpulan kategori
tertentu. Variabel kategorik merupakan variabel diskrit yang memiliki
nilai dikotomi maupun politomi berdasarkan banyaknya kategori yang
dimiliki. Nilai dari kategori sering disebut sub kategori atau disebut juga
tingkat dari variabel kategorik. Data yang diperoleh dari hasil berbagai
macam subjek terhadap satu atau lebih variabel kategorik disebut data
kategorik. Data kategorik merupakan data hasil klasifikasi semua individu
sampel ke dalam satu atau lebih variabel kategorik secara bersamaan.
Dengan

demikian,

data

kategorik

dari

hasil

suatu

pengamatan

mengandung variabel-variabel yang berkategori, sekaligus merupakan data

yang berupa frekuensi pengamatan.

Berdasarkan

skala

pengukurannya,

variabel

kategorik

dapat

dibedakan menjadi tiga yaitu variabel nominal, variabel ordinal dan

variabel interval. Variabel nominal yaitu variabel kategorik yang setiap
tingkatannya tidak mempunyai urutan. Misalnya

jenis kelamin, ras,

agama, golongan darah dan sebagainya. Variabel ordinal yaitu variabel

kategorik dimana setiap tingkatannya mempunyai urutan. Misalnya tingkat
pendidikan dengan tingkatannya : rendah, sedang, tinggi. Variabel interval
yaitu variabel kategorik dimana jarak antara dua level dapat dibedakan
serta perbedaan jarak tersebut dapat diketahui secara numerik. Misal
tingkat kecerdasan / IQ dengan kategori < 120, 121 130 dan >130.

C.

Distribusi Poisson
Menurut Hasan (2002:64) distribusi Poisson disebut juga distribusi
peristiwa yang jarang terjadi, ditemukan oleh S.D. Poisson (1781-1841),
seorang ahli matematika bangsa Prancis. Distribusi Poisson termasuk
distribusi teoretis yang memakai variabel random diskrit. Distribusi Poisson
adalah distribusi nilai-nilai bagi suatu variabel random X, yaitu banyaknya
hasil percobaan yang terjadi dalam suatu interval waktu tertentu atau di
suatu daerah.

Rumus probabilitas suatu peristiwa yang berdistribusi

Poisson sebagai berikut:

( = ) =

(2.1)

Keterangan:
: rata-rata terjadinya suatu peristiwa
: bilangan irasional = 2,71828
9

D.

Model Pengambilan Sampel

Pembuatan suatu tabel kontingensi dari pengamatan suatu populasi,
diambil sejumlah sampel secara random. Kemudian hasil pengamatan
diklasifikasikan pada setiap kombinasi tingkat yang ada pada tabel
kontingensi yang tersusun dari variabel-variabel tersebut yang disebut
dengan sel. Sebagai asumsi distribusi frekuensi pengamatan dalam tiap sel
tabel kontingensi, maka digunakan suatu model pengambilan sampel.
Adapun model pengambilan sampel yang digunakan dapat berupa:
1.

Poisson
Pengambilan sampel dengan model Poisson dilakukan dengan
mengamati sampel pada jangka waktu tertentu. Pengambilan sampel
dengan model Poisson menggunakan asumsi bahwa setiap

merupakan variabel random independen, dimana merupakan

bilangan bulat non negatif.

2.

Multinomial
Model pengambilan sampel multinomial, ukuran sampel sudah
ditentukan. Karena n sudah ditentukan maka { } tidak lagi
independen, karena nilai salah satu akan mempengaruhi nilai

yang lain.
3.

Product Multinomial
Pada model ini yang ditentukan adalah total marjinalnya. Dalam
setiap kategori pada variabel baris mengandung sampel random saling
bebas yang diklasifikasikan pada variabel kolomnya. Misalnya
10

adalah frekuensi pengamatan pada baris ke-i dan kolom ke-j pada
tabel kontingensi. Dengan demikian + merupakan total marjinal
untuk variabel baris dan + merupakan total marjinal untuk variabel
kolom.

Pada skripsi ini digunakan model pengambilan sampel multinomial,

karena ukuran sampelnya sudah ditentukan.

D.

Tabel Kontingensi
1.

Tabel kontingensi dua dimensi

a.

Tabel kontingensi I x J
Secara umum, tabel kontingensi dua dimensi dapat
disajikan dalam bentuk tabel I x J. Tabel I x J terdapat dua
variabel yaitu variabel A dan variabel B. Dalam tabel ini
mempunyai I baris yang menyatakan kategori dari variabel A
dan J kolom yang menyatakan kategori dari variabel B. Terdapat
IJ sel dalam tabel yang berisi frekuensi pengamatan yang terjadi
dari kombinasi kedua kategori variabel sehingga diperoleh data
berkategori dalam bentuk kontingensi 2 dimensi berukuran I x J.
Tabel kontingensi I x J dapat disajikan seperti dalam Tabel 1.

11

Tabel 1 Tabel Kontingensi I x J

Variabel 2

Total

(B)

A1
Variabel 1

A2

(A)

AI

B1

B2

11

12

21

22

+1

Total

+2

BJ
1

1+

2+

Keterangan:
: frekuensi pengamatan pada baris ke-i dan kolom ke-j
+ : total marjinal pada variabel baris
+ : total marjinal pada variabel kolom

: total frekuensi pengamatan

Tabel 2 Tabel Probabilitas 2 Dimensi

Variabel 2

Total

(B)

A1
Variabel 1

A2

(A)

AI
Total

B1

B2

11

12

21

22

+1

+2

BJ
1

1+

2+

Keterangan:
: probabilitas hasil pengamatan pada baris ke-i dan kolom
ke-j
+ : probabilitas pengamatan kategori Ai
+ : probabilitas pengamatan kategori Bj

12

Secara

umum

dua

variabel

dikatakan

independen

= + . +

jika
(2.2)

Dalam tabel frekuensi pengamatan, adalah frekuensi

pengamatan pada baris ke-i dan kolom ke-j, serta + dan +

masing-masing adalah total marjinal baris ke-i dan kolom ke-j

dalam tabel. Begitu juga halnya dengan probabilitasnya , +
dan + dimana,

= 1

+ =

1+ =

+ =

+ =

Karena frekuensi pengamatan diasumsikan berdistribusi

multinomial dengan ukuran sampel n dan probabilitas ,

sehingga jika kedua variabel saling bebas (independen) maka
frekuensi harapan adalah

= . = . + . +

(2.3)

Dengan n adalah total frekuensi pengamatan. Persamaan

= . = . + . +

dapat

digunakan

apabila

probabilitas populasi tidak diketahui. Probabilitas dapat ditaksir

dari frekuensi pengamatan sehingga diperoleh persamaan:
+ =

dan + =

(2.4)

Sehingga jika dua variabel saling bebas / independen, maka

frekuensi harapan dalam sel ke-ij
=

13

 = . + . +
=
=

+ +

( + ) +

(2.5)

1) Uji independensi / kebebasan

Uji independensi digunakan untuk melihat ada tidaknya
hubungan antara dua variabel atau lebih. Pengujian ini
hampir sama dengan korelasi, akan tetapi pada uji
independensi dengan menggunakan metode chi square,
variabel-variabel yang dianalisis haruslah berupa variabel
yang bersifat kategorik atau berskala pengukuran nominal /
ordinal.
Hipotesis untuk uji independensi menurut (Fauzy : 2008)
yaitu:

0 = + . +

1 + . +

Statistik uji:

Taraf signifikansi : = 0,05

2 = =1 =1

(2.6)

Kriteria keputusan:

2
H0 ditolak pada taraf signifikansi , jika

2 dengan derajat bebas (I-1) (J-1).

14

2
H0 diterima pada taraf signifikansi , jika

2 dengan derajat bebas (I-1) (J-1).

Kesimpulan

2) Uji homogenitas / kesamaan proporsi

Uji homogenitas merupakan uji untuk kesamaan
proporsi dilakukan dengan model dua sampel yang terpisah.
Hipotesis untuk uji homogenitas yaitu:

0 =

Taraf signifikansi : = 0,05

Statistik uji:

= =1 =1
2

Kriteria keputusan:

2
H0 ditolak pada taraf signifikansi , jika

2 dengan derajat bebas (I-1) (J-1).

2
H0 diterima pada taraf signifikansi , jika

2 dengan derajat bebas (I-1) (J-1).

Kesimpulan

Perbedaan antara uji independensi dan uji homogenitas adalah

terletak pada bagaimana data diperoleh. Uji independensi

15

didasarkan pada 1 sampel, sedangkan pada uji homogenitas

didasarkan pada 2 sampel terpisah.

b.

Tabel Kontingensi 2 x 2
Tabel kontingensi 2 x 2 merupakan kasus khusus dari tabel
kontingensi I x J yang digunakan untuk membandingkan dua
variabel yang masing-masing dikotomus (terdiri dari 2 kategori).
Tabel 3 Tabel Kontingensi 2 x 2

Variabel 2 (B)

Variabel 1
(A)
Total

1
a

+ = +1

+ = +2

Total
+ = 1+
+ = 2+
n

Keterangan:
a
: frekuensi pengamatan pada baris ke-1 dan kolom ke-1
b
: frekuensi pengamatan pada baris ke-1 dan kolom ke-2
c
: frekuensi pengamatan pada baris ke-2 dan kolom ke-1
d
: frekuensi pengamatan pada baris ke-2 dan kolom ke-2
1+ : total marjinal pada variabel baris ke-1
2+ : total marjinal pada variabel baris ke-2
+1 : total marjinal pada variabel kolom ke-1
+2 : total marjinal pada variabel kolom ke-2
n
: total frekuensi pengamatan
Hipotesis untuk uji independensi menurut (Fauzy : 2008) yaitu:

0 = + . +

1 + . +

Statistik uji:

Taraf signifikansi : = 0,05

16

( )2

2 = (+)(+)(+)(+)

(2.7)

Kriteria keputusan:

2
H0 ditolak pada taraf signifikansi , jika
2

dengan derajat bebas 1.

2
H0 diterima pada taraf signifikansi , jika
2

dengan derajat bebas 1.

Kesimpulan

Statistik uji pada uji homogenitas diperoleh dari:

2

Bukti:

=1 =1

( + )( + ) 2
( + )( + ) 2

2 =
+
+
( + )( + )
( + )( + )

2
( + )( + )
( + )( + ) 2

+
( + )( + )
( + )( + )

( + )( + )
( + )( + )
=
+
+
( + )( + )
( + )( + )
2

diperoleh

( + )( + )
( + )( + )
+
( + )( + )
( + )( + )

2 =

( )2
( )2
+
+
( + )( + ) ( + )( + )

( )2
( )2
+
( + )( + ) ( + )( + )

17

( )2 [( + + + )( + + + )]
=
( + )( + )( + )( + )

Sehingga 2 Pearson menjadi

2 =

( )2
( + )( + )( + )( + )

Seperti terlihat pada persamaan (2.7).

2.

Tabel kontingensi tiga dimensi

Uji independensi dan uji homogenitas juga berlaku untuk tabel
kontingensi tiga dimensi.
a.

Uji independensi / kebebasan

Hipotesis:

0 = ++ . + + . ++

1 ++ . + + . ++

Statistik uji:

Taraf signifikansi : = 0,05

2 = =1 =1
=1

(2.8)

Kriteria keputusan:

2
H0 ditolak pada taraf signifikansi , jika
2

dengan derajat bebas (I-1) (J-1) (K-1).

2
H0 diterima pada taraf signifikansi , jika
2

dengan derajat bebas (I-1) (J-1) (K-1).

Kesimpulan

18

b.

Uji homogenitas / kesamaan proporsi

Hipotesis:

0 1+ = 1 ; 2+ = 2 ; ; + = ; = 1, ,
1 1+ 1 ; 2+ 2 ; ; +

Taraf signifikansi : = 0,05

Statistik uji:

=1 =1 =1

Kriteria keputusan:

2
H0 ditolak pada taraf signifikansi , jika
2

dengan derajat bebas (I-1) (J-1) (K-1).

2
2
H0 diterima pada taraf signifikansi , jika

dengan derajat bebas (I-1) (J-1) (K-1).

Kesimpulan

Keterangan:
: frekuensi pengamatan sel ke- ijk
: frekuensi harapan sel ke- ijk

Frekuensi harapan dalam tabel kontingensi 3 dimensi dihitung

menggunakan rumus =
Bukti:

dengan

( ++ ) + + ( ++ )
2

= . ++ . + + . ++

19

(2.9)

(2.10)

 ++ =

+ + =

++ =

++

+ +

++

; ++ = =1 =1

; + + = =1 =1

; ++ = =1 =1

(2.11)
(2.12)
(2.13)

Persamaan (2.11), (2.12), (2.13) disubstitusi ke persamaan

(2.10) sehingga diperoleh
=
=
E.

( ++ ) + + ( ++ )
3
( ++ ) + + ( ++ )
2

Model Log Linear

1.

Model Log Linear untuk tabel 2 dimensi

a.

Model bebas (independen)

Diberikan sebuah sampel multinomial berukuran n yang
disusun dalam tabel kontingensi dan setiap sel kategorinya
mempunyai probabilitas ( ). Dalam model bebas tidak memuat
interaksi antara dua variabel atau lebih. Selanjutnya menurut

Simonoff (2003) dapat diperoleh distribusi bersama 2 kategori

respons yang bebas secara statistik jika:
= + . +

dalam skala logaritma diperoleh:

log = log + + log +

Dari persamaan (2.3) yang telah dijelaskan di sub bab

sebelumnya
20

 = .

= . + . +

+ = . + dan + = . +
+

sehingga =
=

( + ) +

dalam skala logaritma diperoleh

log = log + + log + log

(2.14)

Diketahui A adalah variabel 1 (variabel baris) dan B merupakan

variabel 2 (variabel kolom). Model bebasnya dapat disajikan
dalam persamaan (2.15)
log = + +

(2.15)

Keterangan:
: frekuensi harapan dalam sel-ij
: parameter rata-rata keseluruhan
: parameter pengaruh tingkat i faktor A
: parameter pengaruh tingkat j faktor B
=

=
=

=1 =1 log

=1 log

=1 log

dengan syarat:

=1

(2.16)

=1 =1 log

=1 =1 log

= 0 = 0
=1

21

(2.17)
(2.18)

derajat bebasnya I + J -1
Sehingga

model

log = + + disebut sebagai

Model Log Linear Independen.

b.

Model Lengkap (saturated)

Secara umum, Model Log Linear menyatakan logaritma
frekuensi harapan sel pada tabel kontingensi sebagai fungsi
linier

dari

tersebut

parameter-parameter

menyatakan

dan

karakteristik

parameter-parameter

dari

variabel-variabel

kategorik serta interaksi antar variabel-variabel tersebut satu

sama lain. Sehingga apabila ada interaksi dalam setiap variabelvariabelnya dengan semua > 0, diperoleh model logaritma:
log = + + +

(2.19)

Keterangan:
: frekuensi harapan dalam sel-ij
: parameter rata-rata keseluruhan
: parameter pengaruh tingkat i faktor A
: parameter pengaruh tingkat j faktor B
: parameter pengaruh faktor interaksi sel - ij
=

=1 =1 log

=
=

=1 log

=1 log

= log

=1 =1 log

=1 =1 log

=1 log

22

=1 log

=1 =1 log

(2.19)

dengan syarat:

=1

=1

=1

=1

= = = = 0

dengan derajat bebas IJ.

2.

Model Log Linear Untuk Tabel 3 Dimensi

a.

Model bebas (independen)

Diketahui probabilitas dari sel kategori 3 dimensi yang
saling bebas sehingga
= ++ . + + . ++

(2.20)

log = log++ . + + . ++

(2.21)

dalam bentuk logaritma diperoleh persamaan

dan jika diketahui = .

++ = . ++

+ + = . + +
maka

++ = . ++

++

+ +

++

++ . + + . ++
3
( ++ ) + + ( ++ )
2

sehingga log = log

( ++ ) + + ( ++ )
2

(2.22)

log = log ++ + log + + + log ++ 2 log (2.23)

23

dan bila variabel baris dilambangkan dengan A, variabel kolom

dengan B dan variabel layer dengan C, maka

dimana

log = + + +

(2.24)

: frekuensi harapan dalam sel-ij

: parameter rata-rata keseluruhan
: parameter pengaruh tingkat i faktor A
: parameter pengaruh tingkat j faktor B
: parameter pengaruh tingkat k faktor C
=

=1 =1
=1 log

=1
=1 log

=1
=1 log

=1 =1 log

dengan syarat:

=1

b.

=1

= = 0
=1

Model Lengkap (saturated)

Apabila terdapat interaksi pada setiap variabelnya, maka
Model Log Linear lengkapnya adalah

log = + + + + +
+
+
(2.25)

dimana
: frekuensi harapan dalam sel-ij
: parameter rata-rata keseluruhan
24

: parameter pengaruh tingkat i faktor A

: parameter pengaruh tingkat j faktor B
: parameter pengaruh tingkat k faktor C
: parameter pengaruh faktor interaksi sel ij

: parameter pengaruh faktor interaksi sel ik

: parameter pengaruh faktor interaksi sel jk

: parameter pengaruh faktor interaksi sel - ijk

=1 =1
=1 log

=1
=1 log

=1
=1 log

=1 =1 log

=1 log

=1 log

=1 log

= log
+

=1

=1

=1

(2.28)
(2.29)

=1
=1 log

=1
=1 log

=1 log

(2.27)

=1 =1 log

=1
=1 log

dengan syarat:

=1

25

=1
=1 log

=1 =1 log

=1

=1 =1 log

=1 log

=1
=1 log

(2.26)

(2.30)

(2.31)

(2.32)

=1 log

=1
=1 log

(2.33)

= =
=0
=1 =1 =1

BAB III
PEMBAHASAN

A.

Analisis Model Log Linear

Model Log Linear merupakan suatu model khusus yang dipergunakan
untuk melakukan analisis data kategorik berskala nominal. Model Log
Linear pada dasarnya merupakan model linier univariat yang dipergunakan
untuk melakukan analisis varians dengan variabel tak bebas atau respons
adalah logaritma dari frekuensi yang diharapkan dalam tiap-tiap sel tabel
silang yang diperhatikan. Jika menyatakan frekuensi ekspektasi dalam
sel-(i,j,k) dari tabel silang berdimensi tiga, maka model Log Linear yang
diperhatikan mempunyai variabel respons .

Pada analisis data kategorik, untuk mencari model yang paling sesuai

terlebih dahulu harus diketahui statistik cukup dan statistik cukup minimal.
Definisi 3.1
Misalkan X 1 , X 2 , X 3 ,..., X n sampel random dari fungsi probabilitas f(x;).
Statistik W = h (X 1 , X 2 , X 3 ,..., X n ) dikatakan cukup (sufficient) untuk

apabila semua dan semua hasil yang mungkin, fungsi probabilitas X 1 , X 2 ,

X 3 ,..., X n jika diketahui w tidak tergantung pada , baik dalam fungsi itu

sendiri atau dalam wilayah fungsi itu. (Soejoeti, 1990)

Menurut Bain dan Engelhardt (1991:337), suatu himpunan statistik

dikatakan sebagai himpunan statistik cukup minimal jika anggotaanggotanya adalah statistik cukup gabungan untuk parameter dan jika

26

statistik-statistik tersebut merupakan fungsi dari himpunan statistik cukup

gabungan yang lain.

Langkah-langkah mencari model yang sesuai:

1.

Kecukupan dan Likelihood

a.

Statistik Cukup Minimal

Diasumsikan sebuah sampel untuk klasifikasi silang dari

variabel-variabel A, B dan C. Diasumsikan variabel A, B dan C

adalah variabel random Poisson dengan nilai harapan .

Fungsi kepadatan probabilitas Poisson bersama dari

adalah

dengan

(3.1)

: frekuensi harapan
: hasil kali seluruh frekuensi sel dalam tabel
: frekuensi pengamatan pada baris ke-i, kolom ke-j dan
layer ke-k

Dalam bentuk logaritma, persamaan (3.1) dapat ditulis

() = log

(3.2)

Model log linear untuk tabel 3 dimensi secara umum dapat

disajikan dalam persamaan (2.25) yaitu

log = + + + + +
+
+

27

= + + + + +
+
+

(3.3)

Dari persamaan (2.25) dan persamaan (3.3) diperoleh bentuk Log

Likelihood dengan cara sebagai berikut
() = log

= + + + +
+ + +

+ + + +
+ + +

= () + +

+
+ + +

sehingga diperoleh

() = + ++ + + + + ++ +

+
+ + +

+
+

+ + + + +
+
+
(3.4)

dengan adalah parameter dalam model.

Persamaan (3.4) menyatakan bahwa persamaan tersebut

merupakan

keluarga

eksponensial

sehingga

koefisien

dari

parameternya merupakan statistik cukup.

Dalam persamaan (3.4), ++ , + +, ++ dan seterusnya

merupakan koefisien dari masing-masing parameter maka ++, + +,

++ dan seterusnya adalah statistik cukup.
28

Contoh model beserta statistik cukup minimalnya:

Tabel 4 Tabel Statistik Cukup Minimal

MODEL

Statistik cukup minimal

(A,B,C)

{++}, + +, {++ }
+, {++ }

(AB,C)

{+ }, + +

(AC,B)

+ , {++}

(BC,A)

+, +

(AB, BC)

{+ }, +

(AC,BC)

+, {+ }

(AB,AC)

+, {+ }, +

(AB,AC,BC)

(ABC)

Keterangan:
Model (A,B,C) yaitu model yang ketiga faktornya tidak ada
interaksi.
Model (AB,C) yaitu model yang hanya terdapat satu interaksi
(interaksi antar faktor A dan faktor B).
Begitu juga dengan model-model yang lainnya.

b.

Persamaan Likelihood
Estimasi maksimum Likelihood diperoleh dari derivatif persamaan
Log Likelihood yang telah dijelaskan pada sub bab sebelumnya,
seperti terlihat pada persamaan (3.4) yaitu
() = + ++ + + + + ++ +

+ + +
+

+
+

29

+ + + + +
+
+

Derivatif

terhadap

parameter-parameternya

diperoleh

estimasi

maksimum Likelihood berikut:

1)

Derivatif terhadap diperoleh

++ = n (frekuensi harapan total = frekuensi pengamatan total)

bukti:

= exp + + + + +
+
+

Jika = 0 maka

= 0

++ =

(3.5)

++ = berarti total estimasi frekuensi harapan sama dengan total

frekuensi pengamatan.

Secara analog, dapat diperoleh derivatif terhadap parameter parameter lainnya, hasilnya adalah sebagai berikut:
2)

3)

Derivatif terhadap diperoleh

++ = ++ dengan i = 1,2,3,...,I

Derivatif terhadap diperoleh

30

(3.6)

(3.7)

4)

+ + = + + dengan j = 1,2,3,...,J
Derivatif terhadap diperoleh

(3.8)

5)

++ = ++ dengan k = 1,2,3,...,K
Derivatif terhadap diperoleh

(3.9)

6)

+ = + dengan i = 1,2,3,...,I ; j = 1,2,3,...,J

Derivatif terhadap
diperoleh

(3.10)

7)

+ = + dengan i = 1,2,3,...,I ; k = 1,2,3,...,K

Derivatif terhadap
diperoleh

+ = + dengan j = 1,2,3,...,J ; k = 1,2,3,...,K

(3.11)

Penyelesaian tunggal untuk

pada model sesuai dengan data

sampel dalam statistik cukup minimalnya, sehingga merupakan

penyelesaian maksimum Likelihoodnya.

2.

Estimasi frekuensi harapan

Misal diasumsikan sebuah model (AC, BC) dengan A dan B adalah
variabel bebas dan C adalah variabel terikat memenuhi:
=

+ +
++

, untuk semua i, j dan k

Menurut Bishop (2007), untuk sampel berdistribusi Poisson digunakan

rumus yang berkaitan dengan frekuensi harapan
=

+ +
++

dari persamaan (3.8), (3.10) dan (3.11) maka diperoleh estimasi

31

+ +
++

Keterangan: = {1,untuk
0,untuk

(3.12)
sel yang terisi
sel kosong

Perhitungan estimasi frekuensi harapan untuk sel kosong menggunakan

persamaan (3.12) dengan = 0.
3.

Uji Goodness of Fit

Menurut Suryanto (1988:274), setelah diperoleh estimasi frekuensi
harapan, perlu membandingkan frekuensi-frekuensi hasil pengamatan
dengan estimasi frekuensi harapan untuk mengetahui apakah model log
linear yang digunakan cocok dengan keadaan sebenarnya.
Rumusan hipotesisnya adalah sebagai berikut:
0 : model Log Linear yang digunakan cocok dengan keadaan sebenarnya

1 : model Log Linear yang digunakan tidak cocok dengan keadaan

sebenarnya

Untuk menguji hipotesis bahwa estimasi frekuensi harapan populasi

memenuhi model yang diberikan dengan menggunakan statistik chi square.
2 =

(3.13)

menunjukkan bahwa sel yang digunakan hanya sel yang terisi saja

2
2
(Bishop, 2007), Apabila

dengan taraf signifikansi =

0,05 maka model Log Linear yang digunakan sesuai dengan keadaan
sebenarnya.

32

Selain statistik chi square, dapat juga menggunakan statistik rasio

Likelihood dengan rumus sebagai berikut:

2 = 2 log

(3.14)

Derajat bebas dalam uji Goodness of Fit ini adalah selisih antara jumlah sel
yang bebas dengan model yang ditentukan. Perhitungan derajat bebas pada
tabel kontingensi tak sempurna yaitu derajat bebas pada tabel kontingensi
sempurna dikurangi banyaknya sel kosong.
Jika dihitung secara manual, maka derajat bebas pada tabel sempurna dapat
dihitung sebagai berikut:
Tabel 5 Tabel Derajat Bebas

Model Log Linear

(A,B,C)
(AB,C)
(AC,B)
(BC,A)
(AB,BC)
(AC,BC)
(AB,AC)
(AB,AC,BC)
(ABC)

4.

Derajat bebas
IJK I J K + 2
(IJ - 1) (K - 1)
(IK - 1) (J - 1)
(JK - 1) (I - 1)
J (I - 1) (K - 1)
K (I - 1) (J - 1)
I (J -1) (K - 1)
(I - 1) (J - 1) (K - 1)
0

Pemilihan model
Model dalam hal ini dipilih menurut nilai statistik rasio Likelihood dan
derajat bebasnya. Urutan pertama dipilih model yang mempunyai nilai
statistik rasio Likelihood paling besar dan derajat bebasnya juga yang paling
besar. Langkah selanjutnya analog dengan langkah sebelumnya. Apabila
ada dua model atau lebih yang mempunyai derajat sama, maka dipilih salah

33

satu saja yaitu model yang mempunyai nilai statistik rasio Likelihood paling
kecil.

5.

Partisi chi square untuk Membandingkan Model

Diberikan dua model parametrik 1 2 dengan 2 kasus khusus

dari 1 . Karena 2 lebih sederhana dari 1 maka model 2 dikatakan

bersusun dengan 1 , 1 dan 2 derajat bebas sesatan dan 1 lebih kecil dari

2 maka

2 (1 ) 2 (2 )

(3.15)

Secara teoretis, 2 (1 ) tidak akan pernah melampaui 2 (2 ) diasumsikan

model 1 ditentukan, pendekatan rasio Likelihood untuk menguji apakah

2 diperoleh dapat dihitung dengan uji statistik
2 (2 ) = 2 (1 ) + 2 (1 + 2 )

(3.16)

2 (1 ) mendekati distribusi chi square dengan derajat bebas 1 , 2 (2 )

mendekati distribusi chi square dengan derajat bebas 2 . Oleh sebab itu,
diperoleh 2 (2 |1 ) mendekati distribusi chi square dengan derajat bebas

2 1 .

6.

Analisis Residual
Pada dasarnya, uji Goodness of fit hanya memberikan kesimpulan
yang umum tentang bagaimana sebuah model sesuai dengan data. Untuk

34

lebih jauhnya, dapat dilihat pada analisis residu yang dilakukan dalam
memilih sebuah model.
Residu adalah frekuensi pengamatan ( ) dikurangi dengan frekuensi

harapan (
) dalam bentuk persamaan diperoleh:
=
, i=1,2,...,n

(3.17)

Tujuan daripada analisis residual ini adalah untuk mengukur sisa

variabilitas data pengamatan yang tidak dapat dijelaskan baik oleh masingmasing variabelnya maupun interaksi antar variabelnya. Analisis residual
juga sering digunakan pada pendeteksian dan penaksiran derajat perbedaan
antara model yang diasumsikan dengan data hasil pengamatan.
Plot yang sederhana antara nilai residual

versus nilai estimasi

frekuensi harapan sangat bermanfaat dalam mendeteksi apakah model telah

sesuai dengan spesifikasi ataukah ada penyimpangan terhadap asumsi. Plot
residual yang ideal adalah yang menggambarkan titik-titik yang menyebar
di sekitar nol dengan penyimpangan tidak terlalu besar dari titik nol dan
tidak memberikan suatu kecenderungan pola tertentu / berpola acak.

B.

Penerapan Model Log Linear

Penerapan Model Log Linear pada tabel tak sempurna dengan
menggunakan data jumlah penduduk Kabupaten Sleman tahun 2009
menurut umur, pendidikan dan jenis kelamin dari keluarga dengan tingkat
ekonomi menengah. Pertama-tama diberikan nilai statistik cukup minimal
dan persamaan Likelihood untuk masing-masing model. Analisis data

35

menggunakan program komputer yaitu SPSS 16.0 for Windows antara lain
perhitungan nilai estimasi frekuensi harapan, statistik rasio Likelihood dan
uji goodness of fit.
Berdasarkan dari data BPS Kabupaten Sleman diperoleh tabel yang
memuat data 238.275 orang yang diklasifikasikan berdasarkan tiga kategori
yaitu pendidikan, jenis kelamin dan umur sebagai berikut:
Tabel 6 Tabel Data Jumlah Penduduk

Umur
(tahun)

Pendidikan
tertinggi yang

Jenis Kelamin

Jumlah

Laki-laki

38587

Perempuan

34365

Laki-laki

2797

Perempuan

3298

Laki-laki

Perempuan

Laki-laki

Perempuan

Laki-laki

3006

Perempuan

1503

Laki-laki

20201

Perempuan

18750

Laki-laki

4801

Perempuan

2002

Laki-laki

Perempuan

Laki-laki

500

Perempuan

882

pernah diduduki
SD

SMP
Anak-anak
SMA

PT

SD

SMP
Muda
SMA

PT

SD

36

Remaja

SMP

SMA

PT

SD

SMP
Dewasa
SMA

PT

Laki-laki

1001

Perempuan

2003

Laki-laki

16404

Perempuan

9188

Laki-laki

Perempuan

2003

Laki-laki

Perempuan

Laki-laki

Perempuan

Laki-laki

501

Perempuan

Laki-laki

45461

Perempuan

31022

Sumber: Susenas BPS Kabupaten Sleman Tahun 2008

Keterangan:
Kategori anak-anak umur 7-12 tahun
Kategori muda umur 13-15 tahun
Kategori remaja umur 16-18 tahun
Kategori dewasa umur 19-24 tahun
Berdasarkan tabel 6 diatas, nampak bahwa ada 12 sel kosong. Hal ini dikarenakan
tidak adanya penduduk yang berada pada kategori tersebut.
1.

Statistik cukup minimal dan persamaan Likelihood

a.

Statistik cukup minimal

Seperti telah diterangkan pada bab sebelumnya, statistik cukup
minimal untuk model-model Log Linear adalah merupakan koefisien
dari masing-masing variabelnya. Karena model yang berdistribusi
Poisson merupakan keluarga eksponensial, maka statistik cukupnya
adalah statistik cukup minimal.
37

Koefisien dari masing-masing parameternya diperoleh dari

pengumpulan batas marjinal dari masing-masing variabelnya.
Diperoleh statistik cukup minimal dari masing-masing model sebagai
berikut: (lihat lampiran halaman 54)
Tabel 7 Tabel Statistik Cukup Minimal

No

Model Log

Statistik Cukup Minimal

Linear

(A,B,C)

{++}, + +, {++ }

={79047,50263,31981,76984}
{78843,48050,32896,78486}
{133259,105016}

(AB,C)

+, {++ }

={72952,6095,0,0,4509,38951,6803,0,1382,3004,25592,
2003,0,0,501,76483}
{133259,105016}

(AC,B)

{+ }, + +

={41384,37663,28008,22255,17905,14076,45962,31022}
{78843,48050,32896,78486}

(BC,A)

+ , {++}

={42093,36750,23999,24051,21706,11190,45461,33025}
{79047,50263,31981,76984}

(AB,BC)

+, +

={72952,6095,0,0,4509,38951,6803,0,1382,3004,25592,
2003,0,0,501,76483}
{42093,36750,23999,24051,21706,11190,45461,33025}

(AC,BC)

{+ }, +

={41384,37663,28008,22255,17905,14076,45962,31022}
{42093,36750,23999,24051,21706,11190,45461,33025}

38

+, {+ }

={72952,6095,0,0,4509,38951,6803,0,1382,3004,25592,

(AB,AC)

2003,0,0,501,76483}
{41384,37663,28008,22255,17905,14076,45962,31022}
+, {+ }, +

={72952,6095,0,0,4509,38951,6803,0,1382,3004,25592,
8

2003,0,0,501,76483}

(AB,AC,BC)

{41384,37663,28008,22255,17905,14076,45962,31022}
{42093,36750,23999,24051,21706,11190,45461,33025}

(ABC)

={38587,34365,2797,3298,3006,1503,20201,18750,4801,
2002,500,882,1001,2003,16404,9188,2003,501,45461,31022}

2.

Estimasi Persamaan Likelihood

Estimasi persamaan Likelihood diperoleh dari fungsi densitas yang
kemudian didiferensialkan.
Diperoleh hasil estimasi persamaan Likelihood sebagai berikut:
Tabel 8 Tabel Estimasi Persamaan Likelihood

11+ = 72952

12+ = 6095

13+ = 0

14+ = 0

21+ = 4509

22+ = 38951

23+ = 6803

24+ = 0

41+ = 0

42+ = 0

43+ = 501

44+ = 76483

31+ = 1382

1+1 = 41384

2+1 = 28008

3+1 = 17905

4+1 = 45962

1++ = 79047

2++ = 50263

3++ = 31981

32+ = 3004

1+2 = 37663

2+2 = 22255

3+2 = 14076

4+2 = 31022

+1+ = 78843

+2+ = 48050

+3+ = 32896
39

33+ = 25592

+11 = 42093

+21 = 23999

+31 = 21706

+41 = 45461

34+ = 2003

+12 = 36750

+22 = 24051

+32 = 11190

+42 = 33025

++1 = 133259
+4+ = 78486

++2 = 105016

4++ = 76984

3.

Estimasi frekuensi harapan

Diperoleh nilai estimasi frekuensi harapan untuk masing-masing model
sebagai berikut: (lihat lampiran 5 halaman 60-76)
Tabel 9 Tabel Estimasi frekuensi harapan

Umur (A)

Tingkat

Jenis Kelamin

Pendidikan (B)

(C)

SD (1)

SMP (2)
Anak-anak
(1)
SMA (3)

PT (4)

SD

SMP
Muda
(2)
SMA

PT

SD

Remaja

SMP

(3)
SMA
PT

40

Model (A,B,C)

Laki-laki (1)

27.880,619

Perempuan (2)

21.184,852

Laki-laki

16.991,533

Perempuan

12.910,870

Laki-laki

0,000

Perempuan

0,000

Laki-laki

0,000

Perempuan

0,000

Laki-laki

11.977,680

Perempuan

9.101,139

Laki-laki

7.299,663

Perempuan

5.546,589

Laki-laki

9.265,442

Perempuan

7.040,265

Laki-laki

0,000

Perempuan

0,000

Laki-laki

4.943,015

Perempuan

3.755,909

Laki-laki

3.012,466

Perempuan

2.288,996

Laki-laki

3.823,714

Perempuan

2.905,416

Laki-laki

0,000

SD

SMP
Dewasa
(4)
SMA

PT

Perempuan

11.254,188

Laki-laki

0,000

Perempuan

0,000

Laki-laki

0,000

Perempuan

0,000

Laki-laki

9.862,452

Perempuan

0,000

Laki-laki

38.202,426

Perempuan

29.027,775

Lanjutan tabel 9
A

2
1
3

2
2
3

Model

Model

Model

Model

(AB,C)

(AC,B)

(BC,A)

(AB,BC)

41.077,828

25.624,357

26.221,506

38.947,891

31.874,180

23.320,373

22.893,123

34.004,109

3.431,974

15.616,483

14.949,985

3.044,202

2.663,027

14.212,344

14.982,381

3.050,798

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

2.538,929

11.405,452

11.087,237

2.407,282

1.970,072

9.062,707

9.679,899

2.101,718

21.932,537

6.950,926

6.321,306

19.454,424

17.018,467

5.523,166

6.334,999

19.496,576

3.830,635

9.582,694

9.030,673

4.453,081

2.972,366

7.614,356

7.808,878

2.349,917

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

41

2
3
3

4
1

2
4
3

778,177

7.291,294

4.805,612

737,827

603,823

2.138,816

4.195,621

644,173

1.691,493

4.443,599

2.739,883

1.500,375

1.312,507

1.303,477

2.745,819

1.503,625

14.410,349

6.126,042

3.914,221

16.751,910

11.181,653

1.797,001

3.384,651

8.840,083

0,000

0,000

0,000

0,000

8.875,612
0,000

10.195,189

2.002,538

2.002,961
0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

501,008

7,775,908

8.756,946

501,010

0,000

0,000

0,000

0,000

43.066,070

38,406,156

45.418,250

45.461,000

33.416,941

31,204,230

22.808,803

31.022,461

Lanjutan tabel 9
A

2
1
3

4
2

Model

Model

Model

Model

(AC,BC)

(AB,AC)

(AB,AC,BC)

(ABC)

25.855,523 38,193,043

38,687,625

38.587,000

22.841,016 34,758,957

34,264,730

34.365,000

14.741,328

3,190,956

2,663,446

2.797,000

14.948,279

2,904,044

3,429,886

3.298,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

9.905,238

2.512,546

2,749,811

3.006,000

42

2
3
3

2
4
3

4.

9.079,428

1.996,454

1.758,264

1.503,000

5.647,396

21.704,627

20.185,053

20.201,000

5.942,021

17,246,373

18.765,998

18.750,000

12.006,679

3.790,829

5.083,775

4.801,000

7.304,543

3.012,171

1721,625

2.002,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

6.332,239

825,429

655,564

500,000

4.829,239

556,682

727,008

882,000

3.610,276

1.794,203

1.150,499

1.001,000

3.160,699

1.210,039

1.855,114

2.003,000

7.675,650

15.285,368

16.120,578

16.404,000

3.885,457

10.308,693

9.468,375

9.188,000

0,000

0,000

0,000

0,000

2.222,233

2.000,585

2.006,970

2.003,00

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

0,000

2.023,672

501,002

501,646

501,000

0,000

0,000

0,000

0,000

45.461,000 45.461,000

45.461,000

45.461,000

30.802,766 31.022,000

31.018,031

31.022,000

Uji Goodness of fit

Dari hasil analisis data diperoleh nilai statistik rasio Likelihood
( 2 ), derajat bebas (db) dan statistik Pearson ( 2 ) untuk masing-masing
model sebagai berikut:

43

Tabel 10 Tabel Statistik Rasio Likelihood dan Pearson

No

Model Log

Db

Linier

5.

(A,B,C)

12

172.348,027

184.932,041

(AB,C)

3.526,864

3.495,529

(AC,B)

165.572,282

177.815,114

(BC,A)

167.892,048

179.380,963

(AB,BC)

1.037,319

1.020,118

(AC,BC)

137.159,280

144.494,399

(AB,AC)

2.570,222

2.565,136

(AB,AC,BC)

250,173

249,134

(ABC)

0,000

0,000

Pemilihan model
Dari kesembilan model yang terlihat pada Tabel 10, apabila ada
dua model atau lebih yang mempunyai derajat bebas sama, dipilih satu
saja yang mempunyai nilai statistik rasio Likelihood yang paling kecil,
sehingga model-model yang memenuhi adalah sebagai berikut:
Tabel 11 Tabel Pemilihan model

Db

(A,B,C)

207.288,226

12

(BC,A)

206.139,520

(AC,BC)

205.759,693

(AB,C)

3.216,089

(ABC)

Model

44

6.

Partisi chi square untuk membandingkan model

Dalam pembahasan ini akan dibandingkan model-model bersarang
dengan selisih rasio Likelihood dan derajat bebasnya sebagai berikut:
Tabel 12 Tabel Partisi chi square

Selisih

Db

Selisih

(A,B,C)

207288,226

1148,706

12

(BC,A)

206139,520

379,827

(AC,BC)

205759,693

202543,604

(AB,C)

3216,089

3216,089

(ABC)

No

Model

Keterangan

Model 2 lebih baik

dari model 1
Model 3 lebih baik
dari model 2
Model 4 lebih baik
dari model 3

Dari beberapa model di atas, maka model terbaik yaitu model (AB,C).
Model (AB,C) dipilih karena model tersebut mempunyai nilai 2 paling

kecil.
7.

Analisis Residual
Model yang terbaik untuk data yaitu model dengan simbol (AB,C),
sehingga dilakukan analisis lebih lanjut yaitu analisis residual. Tujuan dari
analisis residual adalah untuk mengukur sisa variabilitas data pengamatan.
Residual adalah frekuensi pengamatan

dikurangi dengan frekuensi

harapan. Residual yang diperoleh ditulis pada Tabel 13 sebagai berikut:

45

Tabel 13

Umur

Anak-

38587

41077,828

-2490,828

Perempuan

34365

31874,180

2490,820

Laki-laki

2797

3431,974

-634,974

Perempuan

3298

2663,027

634,973

Laki-laki

,000

,000

Perempuan

,000

,000

Laki-laki

,000

,000

Perempuan

,000

,000

Laki-laki

3006

2538,929

467,071

Perempuan

1503

1970,072

-467,072

Laki-laki

20201

21932,537

-1731,537

Perempuan

18750

17018,467

1731,533

Laki-laki

4801

3830,635

970,365

Perempuan

2002

2972,366

-970,366

Laki-laki

,000

,000

Perempuan

,000

,000

Laki-laki

500

778,177

-278,177

Perempuan

882

603,823

278,177

Laki-laki

1001

1691,493

-690,493

Perempuan

2003

1312,507

690,493

Laki-laki

16404

14410,349

1993,651

Perempuan

9188

11181,653

-1993,653

Laki-laki

,000

,000

Perempuan

2003

2002,961

,039

Laki-laki

,000

,000

Perempuan

,000

,000

Laki-laki

,000

,000

Kelamin

SMP

PT

SD

SMP

SMA

PT

SD

SMP

SMA

PT

Dewasa

Laki-laki

Pendidikan

SMA

Remaja

Jenis

anak

Muda

Tingkat

SD

SD
SMP

Tabel Residual

46

SMA

PT

Perempuan

Laki-laki

501

Perempuan

Laki-laki
Perempuan

,000

,000

501,008

-,008

,000

,000

45461

43066,070

2394,930

31022

33416,941

-2394,941

Tabel 13 merupakan tabel nilai residual dari masing-masing

kategori disetiap variabel pada data dengan kasus jumlah penduduk
Kabupaten Sleman. Residual yang diperoleh tidak ada yang sama. Nilai
residual positif mempunyai arti bahwa frekuensi pengamatan lebih besar
dari pada frekuensi harapan. Sebaliknya, jika frekuensi harapan lebih
besar dari pada frekuensi pengamatan maka nilai residual negatif. Pada
data dengan kasus jumlah penduduk Kabupaten Sleman menghasilkan
nilai residual positif yang lebih banyak dari nilai residual negatif. Jika
nilai residual di plotkan dengan nilai estimasi frekuensi harapan dengan
menggunakan program minitab maka akan menghasilkan Gambar 1 di
bawah ini:

47

Gambar 1 Scatterplot Nilai Residual Berdasarkan Nilai Estimasi Frekuensi

Harapan
scatterplot nilai estimasi frekuensi harapan vs nilai residual
3000
2000

C2

1000
0
-1000
-2000
-3000
0

10000

20000
C1

30000

40000

C1: nilai estimasi frekuensi harapan

C2: nilai residual

Berdasarkan Gambar 1 diatas menunjukkan bahwa nilai

residualnya relatif kecil (mendekati nilai nol), sehingga model dengan
simbol (AB,C) adalah model terbaik untuk mewakili data dengan kasus
jumlah penduduk Kabupaten Sleman. Jadi kesimpulan dari model terbaik
yaitu bahwa faktor umur (A) berhubungan dengan faktor pendidikan (B).
Kesimpulan dari model terbaik mempunyai makna bahwa
semakin tinggi tingkat pendidikan seseorang maka semakin banyak pula
umur orang tersebut.

48

BAB IV
KESIMPULAN DAN SARAN

A.

Kesimpulan
Berdasarkan

pembahasan

mengenai

model

Log

Linear

dan

penerapannya untuk mengetahui model terbaik dan faktor-faktor yang saling

berhubungan antara ketiga faktor yang diamati, maka dapat diambil
kesimpulan sebagai berikut:
1.

Langkah-langkah analisis model Log Linear:

a.

Menghitung statistik cukup minimal dan estimasi persamaan

Likelihood. Perhitungan statistik cukup minimal lebih mudah
menggunakan tabel-tabel pinggir dari data sesuai model-model
yang telah terbentuk. Begitu juga dengan perhitungan estimasi
persamaan Likelihood diperoleh dari tabel-tabel pinggir data.

b.

Menghitung estimasi frekuensi harapan.

c.

Melakukan uji goodness of fit dengan menghitung statistik rasio

d.

Likelihood ( 2 ) dan statistik Pearson ( 2 ).

Memilih model yang memenuhi. Dalam memilih model yang

memenuhi dipilih menurut rasio likelihood ( 2 ) dan derajat

bebasnya. Urutan pertama dipilih model yang mempunyai rasio

Likelihood paling besar dan derajat bebasnya juga yang paling
besar. Langkah selanjutnya analog dengan langkah sebelumnya.
Apabila ada dua model atau lebih yang mempunyai derajat sama,

49

maka dipilih salah satu saja yaitu model yang mempunyai rasio

e.

Likelihood ( 2 ) paling kecil.

Membandingkan model dengan partisi chi square. Rasio Likelihood

( 2 ) model pertama dengan kedua dikurangi, begitu seterusnya

sampai model terakhir. Derajat bebas model pertama dan kedua

juga dikurangi, begitu seterusnya sampai model terakhir. Pemilihan
model terbaik yaitu model yang mempunyai rasio Likelihood relatif
kecil diantara beberapa model yang memenuhi.
f.

Langkah terakhir yaitu analisis residual dari model terbaik. Analisis

residual yaitu perhitungan frekuensi harapan dikurangi dengan
estimasi frekuensi harapan.

2.

Penerapan model Log Linear dalam skripsi ini adalah menganalisis

faktor-faktor yang saling berhubungan antara ketiga faktor yang
diamati.
Pada penerapan model Log Linear ini, faktor umur dianggap variabel
A, pendidikan dianggap variabel B dan jenis kelamin dianggap variabel
C. Model Log Linear digunakan karena variabel-variabel yang
dianalisis

merupakan

variabel

kategorik.

Hasil

analisis

data

menggunakan data jumlah penduduk Kabupaten Sleman tahun 2008

bahwa model yang terpilih yaitu model (AB,C), model Log Linearnya
yaitu log = + + + + . Hal ini berarti yang faktor

umur (A) dan faktor pendidikan (B) saling berhubungan.

50

B.

Saran
Dalam penulisan skripsi ini, penulis hanya melakukan analisis model
Log Linear dalam tabel kontingensi tak sempurna berdimensi tiga. Hal
tersebut disebabkan karena keterbatasan pengetahuan penulis. Bagi
pembaca yang berminat dengan permasalahan yang sama, penulis
menyarankan untuk:
1.

Membahas mengenai model Log Linear untuk tabel kontingensi tak

sempurna dengan dimensi yang lebih tinggi.

2.

Membahas mengenai model Log Linear secara detail lagi serta

penerapannya di berbagai bidang.

51

DAFTAR PUSTAKA

Aditya, Dodiet. 2009. Variabel Penelitian dan Definisi Operasional.

<[Link] [Link]/2009/01/[Link]>. Diakses 2 September 2010.
Agresti, Alan. 1990. Categorical Data Analysis. New York: John Wiley & Sons.
Agung, I Gusti Ngurah. 2001. Statistika: Analisis Hubungan Kausal Berdasarkan
Data Kategorik. Jakarta: PT Raja Grafindo Persada.
___________________. 2004. Statistika: Penerapan Metode Analisis untuk
Tabulasi Sempurna & Tak Sempurna dengan SPSS. Jakarta: PT Raja
Grafindo Persada.
Akhmad, Fauzy. 2008. Statistik Industri. Jakarta: Erlangga.
Bain, L.J & Engelhardt, E. 1992. Introduction to Probabilty and Mathematical
Statistics. California: Duxbury Press.

Bishop, Y., Fienberg, S.E. & Holland, P.W. 2007. Discrete Multivariate Analysis.
New York: The MIT Press.
BPS. 2008. Survei Sosial Ekonomi Nasional Kabupaten Sleman. Yogyakarta: BPS
Press.
Hasan, Iqbal. 2002. Pokok-pokok Materi Statistik 2 (Statistik Inferensif). Jakarta:
Bumi Aksara.
__________. 2004. Analisis Data Penelitian dengan Statistik. Jakarta: Bumi
Aksara.
Simonoff, Jeffrey.S. 2003. Analyzing Categorical Data. New York: Springer.
Soejoeti, Z.1990. Statistik. Yogyakarta: FMIPA UGM.
Stevens, James. 2002. Applied Multivariate Statistics for The Social Sciences.
London: Lawrence Erlbaum Associates Publishers.
Suryanto. 1988. Metode Statistika Multivariat. Jakarta: Depdikbud.
Wiley, John, and Sons. 1978. The Analysis of Cross Tabulated Data. New York:
Graham J.G. Upton.

52

Lampiran 1
DATA JUMLAH PENDUDUK KABUPATEN SLEMAN TAHUN 2008
MENURUT UMUR, TINGKAT PENDIDIKAN DAN JENIS KELAMIN
DARI KELUARGA DENGAN TINGKAT EKONOMI MENENGAH

Umur
(tahun)

Tingkat pendidikan
tertinggi yang

Jenis Kelamin
Laki-laki

Perempuan

SD

38587

34365

Anak-anak

SMP

2797

3298

(7-12)

SMA

PT

SD

3006

1503

Muda

SMP

20201

18750

(13-15)

SMA

4801

2002

PT

SD

500

882

Remaja

SMP

1001

2003

(16-18)

SMA

16404

9188

PT

2003

SD

Dewasa

SMP

(19-24)

SMA

501

PT

45461

31022

pernah diduduki

Sumber: Susenas BPS Kabupaten Sleman Tahun 2008

53

Lampiran 2
Tabel-tabel pinggir dari data:
(A: Umur, B: Pendidikan, C: Jenis Kelamin, A: anak-anak, M: muda, R: remaja,
T: tua, D: SD, P: SMP, A: SMA, T: PT, L: laki-laki, P: perempuan)
B

AB

D
A

1382 (
31+)

3004

(
41+)

A
0

(
32+)

25592 (
33+)

38951 (
22+)
0

M
A
R
T

A
M

41384

37663

(
1+1 )

28008

(
1+2 )

(
2+1 )

17905

(
2+2 )

(
3+1 )

45962

(
3+2 )

(
4+1 )

(
4+2 )

6803

(
42+)

501

D
P
B

14076

31022

79047 (
1++ )

50263 (
2++ )

133259

105016

76984 (
4++ )

P
A
T

(
++1 )
(
++2 )

54

(
13+)

(
14+)

(
23+)

(
24+)

(
43+)

76483 (
44+)

2003 (
34+)

BC

22255

31981 (
3++ )

(
12+)

6095

AC

72952 (
11+)

4509 (
21+)

42093

36750

(
+11 )

23999

(
+12 )

(
+21 )

21706

(
+22 )

(
+31 )

45461

(
+32 )

(
+41 )

(
+42 )

24051
11190
33025

78843 (
+1+ )
48050 (
2++ )
32896 (
3++ )
78486 (
4++ )

Lampiran 3
Model-model Log Linear untuk tabel kontingensi 3 dimensi:
No

Simbol

(, , )

log = + + +

(, )

log = + + + +

2
3
4
5
6
7
8
9

(, )
(, )

(, )
(, )

(, )

Model Log Linear

log = + + + +

log = + + + +

log = + + + + +

log = + + + +
+

log = + + + + +

+
(, , ) log = + + + + +

()

log = + + + + +
+
+

55

Lampiran 4

Syntaks Program

4.1

Syntaks Program Pembentukan Tabel Kontingensi Tak Sempurna

*General Tables.
TABLES
/FORMAT BLANK MISSING('.')
/GBASE=CASES
/TABLE=A>B>C BY (STATISTICS)
/STATISTICS
count(C(F5.0)) /
TITLE 'Tabel Kontingensi Menurut UMUR, DIK dan JK'.
COMPUTE CW=1.
IF (A=1&B=3&C=1) CW=0.
IF (A=1&B=4&C=1) CW=0.
IF (A=1&B=3&C=2) CW=0.
IF (A=1&B=4&C=2) CW=0.
IF (A=2&B=4&C=1) CW=0.
IF (A=2&B=4&C=2) CW=0.
IF (A=3&B=4&C=1) CW=0.
IF (A=4&B=1&C=1) CW=0.
IF (A=4&B=2&C=1) CW=0.
IF (A=4&B=1&C=2) CW=0.
IF (A=4&B=2&C=2) CW=0.
IF (A=4&B=3&C=2) CW=0.
EXECUTE.

4.2

Syntaks Program untuk Model (A,B,C)

HILOGLINEAR
A(1,4) B(1,4) C(1,2)
/CWEIGHT=CW
/CRITERIA ITERATION(20) DELTA(.0)
/PRINT=FREQ RESID ASSOCIATION ESTIM
/DESIGN A,B,C.

56

4.3

Syntaks Program untuk Model (AB,C)

HILOGLINEAR
A(1,4) B(1,4) C(1,2)
/CWEIGHT=CW
/CRITERIA ITERATION(20) DELTA(.0)
/PRINT=FREQ RESID ASSOCIATION ESTIM
/DESIGN A*B,C.

4.4

Syntaks Program untuk Model (AC,B)

HILOGLINEAR
A(1,4) B(1,4) C(1,2)
/CWEIGHT=CW
/CRITERIA ITERATION(20) DELTA(.0)
/PRINT=FREQ RESID ASSOCIATION ESTIM
/DESIGN A*C,B.

4.5

Syntaks Program untuk Model (BC,A)

HILOGLINEAR
A(1,4) B(1,4) C(1,2)
/CWEIGHT=CW
/CRITERIA ITERATION(20) DELTA(.0)
/PRINT=FREQ RESID ASSOCIATION ESTIM
/DESIGN B*C,A.

4.6

Syntaks Program untuk Model (AB,BC)

HILOGLINEAR
A(1,4) B(1,4) C(1,2)
/CWEIGHT=CW
/CRITERIA ITERATION(20) DELTA(.0)
/PRINT=FREQ RESID ASSOCIATION ESTIM
/DESIGN A*B,B*C.

4.7

Syntaks Program untuk Model (AC,BC)

HILOGLINEAR
A(1,4) B(1,4) C(1,2)
/CWEIGHT=CW
/CRITERIA ITERATION(20) DELTA(.0)
/PRINT=FREQ RESID ASSOCIATION ESTIM
/DESIGN A*C,B*C.

57

4.8

Syntaks Program untuk Model (AB,AC)

HILOGLINEAR
A(1,4) B(1,4) C(1,2)
/CWEIGHT=CW
/CRITERIA ITERATION(20) DELTA(.0)
/PRINT=FREQ RESID ASSOCIATION ESTIM
/DESIGN A*B,A*C.

4.9

Syntaks Program untuk Model (AB,AC,BC)

HILOGLINEAR
A(1,4) B(1,4) C(1,2)
/CWEIGHT=CW
/CRITERIA ITERATION(20) DELTA(.0)
/PRINT=FREQ RESID ASSOCIATION ESTIM
/DESIGN A*B,A*C,B*C.

4.10 Syntaks Program untuk Model (ABC)

HILOGLINEAR
A(1,4) B(1,4) C(1,2)
/CWEIGHT=CW
/CRITERIA ITERATION(20) DELTA(.0)
/PRINT=FREQ RESID ASSOCIATION ESTIM
/DESIGN A*B*C.

58

Lampiran 5

Output Program

5.1

Output Program Pembentukan Tabel Kontingensi Tak Sempurna

5.2

Output Program untuk Model (A,B,C)

59

Cell Counts and Residuals

Observed
A

anak-anak SD

SMP
SMA
PT
Muda

SD

SMA
PT
Remaja

SD

SMP
SMA

SD

SMP
SMA

Residuals

Std.
Residuals

11.7%

10706.381

64.120

perempuan

34365.000

14.4% 21184.852

8.9%

13180.148

90.554

laki-laki

2797.000

1.2% 16991.533

7.1%

-14194.533

-108.894

perempuan

3298.000

1.4% 12910.870

5.4%

-9612.870

-84.601

laki-laki

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

laki-laki

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

1.3% 11977.680

5.0%

-8971.680

-81.976

laki-laki

3006.000
1503.000

.6%

9101.139

3.8%

-7598.139

-79.645

laki-laki

20201.000

8.5%

7299.663

3.1%

12901.337

151.002

perempuan

18750.000

7.9%

5546.589

2.3%

13203.411

177.285

laki-laki

4801.000

2.0%

9265.442

3.9%

-4464.442

-46.380

perempuan

2002.000

.8%

7040.265

3.0%

-5038.265

-60.046

laki-laki

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

laki-laki

500.000

.2%

4943.015

2.1%

-4443.015

-63.195

perempuan

882.000

.4%

3755.909

1.6%

-2873.909

-46.894

laki-laki

1001.000

.4%

3012.466

1.3%

-2011.466

-36.648

perempuan

2003.000

.8%

2288.996

1.0%

-285.996

-5.978

16404.000

6.9%

3823.714

1.6%

12580.286

203.445

9188.000

3.9%

2905.416

1.2%

6282.584

116.556

.000

.0%

.000

.0%

.000

.000

.8% 11254.188

4.7%

-9251.188

-87.205

laki-laki
laki-laki

2003.000

laki-laki

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

laki-laki

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

501.000

.2%

9862.452

4.1%

-9361.452

-94.265

.000

.0%

.000

.0%

.000

.000

laki-laki
perempuan

PT

16.2% 27880.619

perempuan
Tua

Count

38587.000

perempuan
PT

laki-laki

perempuan
SMP

Count

Expected

laki-laki

45461.000

19.1% 38202.426

16.0%

7258.574

37.137

perempuan

31022.000

13.0% 29027.775

12.2%

1994.225

11.705

60

5.3

Output Program untuk Model (AB,C)

Cell Counts and Residuals

Observed

Expected
Std.

anak-anak SD

SMP

SMA

PT

Muda

SD

SMP

C
laki-laki

Count

Count

Residuals

Residuals

38587.000

16.2% 41077.828

17.2% -2490.828

-12.290

perempuan 34365.000

14.4% 31874.180

13.4% 2490.820

13.952

laki-laki

2797.000

1.2%

3431.974

1.4%

-634.974

-10.839

perempuan

3298.000

1.4%

2663.027

1.1%

634.973

12.305

laki-laki

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

laki-laki

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

laki-laki

3006.000

1.3%

2538.929

1.1%

467.071

9.270

perempuan

1503.000

.6%

1970.072

.8%

-467.072

-10.523

9.2% -1731.537

-11.692

laki-laki

20201.000

61

8.5% 21932.537

SMA

PT

remaja

SD

perempuan 18750.000

7.9% 17018.467

7.1% 1731.533

13.273

laki-laki

4801.000

2.0%

3830.635

1.6%

970.365

15.678

perempuan

2002.000

.8%

2972.366

1.2%

-970.366

-17.799

laki-laki

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

500.000

.2%

778.177

.3%

-278.177

-9.972

882.000

.4%

603.823

.3%

278.177

11.321

laki-laki

1001.000

.4%

1691.493

.7%

-690.493

-16.789

perempuan

2003.000

.8%

1312.507

.6%

690.493

19.059

laki-laki

perempuan
SMP

SMA

laki-laki
perempuan

PT

laki-laki

SD

SMP

SMA

6.0% 1993.651

16.608

9188.000

3.9% 11181.653

4.7% -1993.653

-18.854

.0%

.000

.0%

.000

.000

2003.000

.8%

2002.961

.8%

.039

.001

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

laki-laki

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

501.000

.2%

501.008

.2%

-.008

.000

.000

.0%

.000

.0%

.000

.000

laki-laki

laki-laki
perempuan

PT

6.9% 14410.349

.000

perempuan
tua

16404.000

laki-laki

45461.000

19.1% 43066.070

18.1% 2394.930

11.541

perempuan 31022.000

13.0% 33416.941

14.0% -2394.941

-13.101

62

5.4

Output Program untuk Model (AC,B)

Cell Counts and Residuals

Observed
A

anak-anak SD

SMP

SMA

PT

C
laki-laki

Count

Expected
%

Count

Std.
%

Residuals

Residuals

38587.000

16.2% 25624.357

10.8%

12962.643

80.978

Perempuan 34365.000

14.4% 23320.373

9.8%

11044.627

72.324

laki-laki

2797.000

1.2% 15616.483

6.6% -12819.483

-102.584

Perempuan

3298.000

1.4% 14212.344

6.0% -10914.344

-91.551

laki-laki

.000

.0%

.000

.0%

.000

.000

Perempuan

.000

.0%

.000

.0%

.000

.000

laki-laki

.000

.0%

.000

.0%

.000

.000

Perempuan

.000

.0%

.000

.0%

.000

.000

63

muda

SD

SMP

SMA

PT

remaja

SD

SMP

SMA

laki-laki

3006.000

Perempuan

1503.000

.6%

20201.000

4.8%

-8399.452

-78.649

9062.707

3.8%

-7559.707

-79.410

8.5%

6950.926

2.9%

13250.074

158.927

Perempuan 18750.000

7.9%

5523.166

2.3%

13226.834

177.976

laki-laki

4801.000

2.0%

9582.694

4.0%

-4781.694

-48.847

Perempuan

2002.000

.8%

7614.356

3.2%

-5612.356

-64.317

laki-laki

.000

.0%

.000

.0%

.000

.000

Perempuan

.000

.0%

.000

.0%

.000

.000

laki-laki

500.000

.2%

7291.294

3.1%

-6791.294

-79.534

Perempuan

882.000

.4%

2138.816

.9%

-1256.816

-27.176

laki-laki

1001.000

.4%

4443.599

1.9%

-3442.599

-51.644

Perempuan

2003.000

.8%

1303.477

.5%

699.523

19.375

16404.000

6.9%

6126.042

2.6%

10277.958

131.316

9188.000

3.9%

1797.001

.8%

7390.999

174.353

.000

.0%

.000

.0%

.000

.000

2003.000

.8%

8875.612

3.7%

-6872.612

-72.950

laki-laki

.000

.0%

.000

.0%

.000

.000

Perempuan

.000

.0%

.000

.0%

.000

.000

laki-laki

.000

.0%

.000

.0%

.000

.000

Perempuan

.000

.0%

.000

.0%

.000

.000

501.000

.2%

7775.908

3.3%

-7274.908

-82.500

.000

.0%

.000

.0%

.000

.000

45461.000

19.1% 38406.156

16.1%

7054.844

35.999

Perempuan 31022.000

13.0% 31204.230

13.1%

-182.230

-1.032

laki-laki

laki-laki
Perempuan

PT

laki-laki
Perempuan

tua

SD

SMP

SMA

laki-laki
Perempuan

PT

laki-laki

64

1.3% 11405.452

5.5

Output Program untuk Model (BC,A)

Cell Counts and Residuals

Observed
A

anak-anak SD

SMP

SMA

PT

muda

SD

SMP

SMA

PT

Count

Expected
%

Count

Std.
%

Residuals

Residuals

laki-laki

38587.000

16.2% 26221.506

11.0%

12365.494

76.363

Perempuan

34365.000

14.4% 22893.123

9.6%

11471.877

75.820

laki-laki

2797.000

1.2% 14949.985

6.3%

-12152.985

-99.395

Perempuan

3298.000

1.4% 14982.381

6.3%

-11684.381

-95.459

laki-laki

.000

.0%

.000

.0%

.000

.000

Perempuan

.000

.0%

.000

.0%

.000

.000

laki-laki

.000

.0%

.000

.0%

.000

.000

Perempuan

.000

.0%

.000

.0%

.000

.000

1.3% 11087.237

4.7%

-8081.237

-76.748

laki-laki

3006.000

Perempuan

1503.000

.6%

9679.899

4.1%

-8176.899

-83.110

laki-laki

20201.000

8.5%

6321.306

2.7%

13879.694

174.573

Perempuan

18750.000

7.9%

6334.999

2.7%

12415.001

155.982

laki-laki

4801.000

2.0%

9030.673

3.8%

-4229.673

-44.509

Perempuan

2002.000

.8%

7808.878

3.3%

-5806.878

-65.713

.000

.0%

.000

.0%

.000

.000

laki-laki

65

Perempuan
remaja

SD

.000

.0%

.000

.0%

.000

.000

500.000

.2%

4805.612

2.0%

-4305.612

-62.110

882.000

.4%

4195.621

1.8%

-3313.621

-51.157

laki-laki

1001.000

.4%

2739.883

1.1%

-1738.883

-33.220

Perempuan

2003.000

.8%

2745.819

1.2%

-742.819

-14.176

16404.000

6.9%

3914.221

1.6%

12489.779

199.633

9188.000

3.9%

3384.651

1.4%

5803.349

99.752

.000

.0%

.000

.0%

.000

.000

.8% 10195.189

4.3%

-8192.189

-81.134

laki-laki

Perempuan
SMP

SMA

laki-laki
Perempuan

PT

laki-laki
Perempuan

tua

SD

SMP

SMA

laki-laki

.000

.0%

.000

.0%

.000

.000

Perempuan

.000

.0%

.000

.0%

.000

.000

laki-laki

.000

.0%

.000

.0%

.000

.000

Perempuan

.000

.0%

.000

.0%

.000

.000

501.000

.2%

8756.946

3.7%

-8255.946

-88.225

.000

.0%

.000

.0%

.000

.000

laki-laki
Perempuan

PT

2003.000

laki-laki

45461.000

19.1% 45418.250

19.1%

42.750

.201

Perempuan

31022.000

13.0% 22808.803

9.6%

8213.197

54.383

66

5.6

Output Program untuk Model (AB,BC)

Cell Counts and Residuals

Observed
A

anak-anak SD

SMP

SMA

PT

muda

SD

SMP

SMA

PT

C
laki-laki

Count

Expected
%

Count

Std.
%

Residuals

Residuals

38587.000

16.2% 38947.891

16.3%

-360.891

-1.829

Perempuan 34365.000

14.4% 34004.109

14.3%

360.891

1.957

laki-laki

2797.000

1.2%

3044.202

1.3%

-247.202

-4.480

Perempuan

3298.000

1.4%

3050.798

1.3%

247.202

4.476

laki-laki

.000

.0%

.000

.0%

.000

.000

Perempuan

.000

.0%

.000

.0%

.000

.000

laki-laki

.000

.0%

.000

.0%

.000

.000

Perempuan

.000

.0%

.000

.0%

.000

.000

laki-laki

3006.000

1.3%

2407.282

1.0%

598.718

12.203

Perempuan

1503.000

.6%

2101.718

.9%

-598.718

-13.060

20201.000

8.5% 19454.424

8.2%

746.576

5.353

Perempuan 18750.000

7.9% 19496.576

8.2%

-746.576

-5.347

laki-laki

4801.000

2.0%

4453.081

1.9%

347.919

5.214

Perempuan

2002.000

.8%

2349.917

1.0%

-347.917

-7.177

laki-laki

.000

.0%

.000

.0%

.000

.000

Perempuan

.000

.0%

.000

.0%

.000

.000

laki-laki

67

remaja

SD

laki-laki

500.000

.2%

737.827

.3%

-237.827

-8.756

882.000

.4%

644.173

.3%

237.827

9.370

laki-laki

1001.000

.4%

1500.375

.6%

-499.375

-12.892

Perempuan

2003.000

.8%

1503.625

.6%

499.375

12.878

6.9% 16751.910

7.0%

-347.910

-2.688

9188.000

3.9%

8840.083

3.7%

347.917

3.700

.000

.0%

.000

.0%

.000

.000

2003.000

.8%

2002.538

.8%

.462

.010

.000

.0%

.000

.0%

.000

.000

Perempuan

.000

.0%

.000

.0%

.000

.000

laki-laki

.000

.0%

.000

.0%

.000

.000

Perempuan

.000

.0%

.000

.0%

.000

.000

501.000

.2%

501.010

.2%

-.010

.000

.000

.0%

.000

.0%

.000

.000

45461.000

19.1% 45461.000

19.1%

.000

.000

Perempuan 31022.000

13.0% 31022.461

13.0%

-.461

-.003

Perempuan
SMP

SMA

laki-laki
Perempuan

PT

laki-laki
Perempuan

tua

SD

SMP

SMA

laki-laki

laki-laki
perempuan

PT

laki-laki

16404.000

68

5.7

Output Program untuk Model (AC,BC)

Cell Counts and Residuals

Observed

Expected
Std.

anak-anak SD

SMP

SMA

PT

muda

SD

SMP

Count

Count

Residuals

Residuals

laki-laki

38587.000

16.2% 25855.523

10.9%

12731.477

79.178

perempuan

34365.000

14.4% 22841.016

9.6%

11523.984

76.251

laki-laki

2797.000

1.2% 14741.328

6.2%

-11944.328

-98.377

perempuan

3298.000

1.4% 14948.279

6.3%

-11650.279

-95.289

laki-laki

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

laki-laki

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

laki-laki

3006.000

1.3%

9905.238

4.2%

-6899.238

-69.322

perempuan

1503.000

.6%

9079.428

3.8%

-7576.428

-79.512

20201.000

8.5%

5647.396

2.4%

14553.604

193.663

laki-laki

69

perempuan
SMA

PT

remaja

SD

SMA

SD

SMP

SMA

12807.979

166.155

2.0% 12006.679

5.0%

-7205.679

-65.760

2002.000

.8%

7304.543

3.1%

-5302.543

-62.042

laki-laki

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

500.000

.2%

6332.239

2.7%

-5832.239

-73.292

882.000

.4%

4829.558

2.0%

-3947.558

-56.803

laki-laki

1001.000

.4%

3610.276

1.5%

-2609.276

-43.426

perempuan

2003.000

.8%

3160.699

1.3%

-1157.699

-20.592

16404.000

6.9%

7675.650

3.2%

8728.350

99.626

9188.000

3.9%

3885.457

1.6%

5302.543

85.067

.000

.0%

.000

.0%

.000

.000

2003.000

.8%

2222.233

.9%

-219.233

-4.651

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

laki-laki

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

501.000

.2%

2023.672

.8%

-1522.672

-33.848

.000

.0%

.000

.0%

.000

.000

laki-laki

laki-laki

laki-laki

laki-laki

laki-laki
perempuan

PT

2.5%

perempuan

perempuan
tua

5942.021

4801.000

perempuan
PT

7.9%

laki-laki

perempuan
SMP

18750.000

laki-laki

45461.000

19.1% 45461.000

19.1%

.000

.000

perempuan

31022.000

13.0% 30802.766

12.9%

219.234

1.249

70

5.8

Ouput Program untuk Model (AB,AC)

Cell Counts and Residuals

Observed
A

anak-anak SD

SMP

SMA

PT

muda

SD

Count

Expected
%

Count

Residuals Std. Residuals

laki-laki

38587.000

16.2%

38193.043

16.0%

393.957

2.016

perempuan

34365.000

14.4%

34758.957

14.6%

-393.957

-2.113

laki-laki

2797.000

1.2%

3190.956

1.3%

-393.956

-6.974

perempuan

3298.000

1.4%

2904.044

1.2%

393.956

7.310

laki-laki

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

laki-laki

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

3006.000

1.3%

2512.546

1.1%

493.454

9.844

laki-laki

71

perempuan
SMP

SMA

PT

remaja

SD

1503.000

.6%

1996.454

laki-laki

20201.000

8.5%

perempuan

18750.000

laki-laki
perempuan

-493.454

-11.044

21704.627

9.1% -1503.627

-10.206

7.9%

17246.373

7.2%

1503.627

11.450

4801.000

2.0%

3790.829

1.6%

1010.171

16.407

2002.000

.8%

3012.171

1.3% -1010.171

-18.406

laki-laki

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

500.000

.2%

825.429

.3%

-325.429

-11.327

882.000

.4%

556.682

.2%

325.318

13.788

laki-laki

1001.000

.4%

1794.203

.8%

-793.203

-18.726

perempuan

2003.000

.8%

1210.039

.5%

792.961

22.796

16404.000

6.9%

15285.368

6.4%

1118.632

9.048

9188.000

3.9%

10308.693

4.3% -1120.693

-11.038

.000

.0%

.000

.0%

.000

.000

2003.000

.8%

2000.585

.8%

2.415

.054

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

laki-laki

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

501.000

.2%

501.002

.2%

-.002

.000

.000

.0%

.000

.0%

.000

.000

laki-laki

45461.000

19.1%

45461.000

19.1%

.000

.000

perempuan

31022.000

13.0%

31022.000

13.0%

.000

.000

laki-laki

perempuan
SMP

SMA

laki-laki
perempuan

PT

laki-laki
perempuan

tua

SD

SMP

SMA

laki-laki

laki-laki
perempuan

PT

.8%

72

5.9

Output Program untuk Model (AB,AC,BC)

Cell Counts and Residuals

Observed
A

anak-anak SD

SMP

SMA

PT

muda

SD

SMP

SMA

PT

Count

Expected
%

Count

Std.
%

Residuals

Residuals

laki-laki

38587.000

16.2%

38687.625

16.2%

-100.625

-.512

perempuan

34365.000

14.4%

34264.730

14.4%

100.270

.542

laki-laki

2797.000

1.2%

2663.446

1.1%

133.554

2.588

perempuan

3298.000

1.4%

3429.886

1.4%

-131.886

-2.252

laki-laki

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

laki-laki

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

laki-laki

3006.000

1.3%

2749.811

1.2%

256.189

4.886

perempuan

1503.000

.6%

1758.264

.7%

-255.264

-6.088

laki-laki

20201.000

8.5%

20185.053

8.5%

15.947

.112

perempuan

18750.000

7.9%

18765.998

7.9%

-15.998

-.117

laki-laki

4801.000

2.0%

5083.775

2.1%

-282.775

-3.966

perempuan

2002.000

.8%

1721.625

.7%

280.375

6.757

.000

.0%

.000

.0%

.000

.000

laki-laki

73

perempuan
remaja

SD

.000

.0%

.000

.0%

.000

.000

500.000

.2%

655.564

.3%

-155.564

-6.076

882.000

.4%

727.008

.3%

154.992

5.748

laki-laki

1001.000

.4%

1150.499

.5%

-149.499

-4.408

perempuan

2003.000

.8%

1855.114

.8%

147.886

3.434

16404.000

6.9%

16120.578

6.8%

283.422

2.232

9188.000

3.9%

9468.375

4.0%

-280.375

-2.881

.000

.0%

.000

.0%

.000

.000

2003.000

.8%

2006.970

.8%

-3.970

-.089

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

laki-laki

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

501.000

.2%

501.646

.2%

-.646

-.029

.000

.0%

.000

.0%

.000

.000

laki-laki

45461.000

19.1%

45461.000

19.1%

.000

.000

perempuan

31022.000

13.0%

31018.031

13.0%

3.969

.023

laki-laki

perempuan
SMP

SMA

laki-laki
perempuan

PT

laki-laki
perempuan

tua

SD

SMP

SMA

laki-laki

laki-laki
perempuan

PT

74

5.10 Output Program untuk Model (ABC)

Cell Counts and Residuals

Observed
A

anak-anak SD

SMP

SMA

PT

Muda

SD

SMP

Count

Expected
%

Count

Residuals Std. Residuals

laki-laki

38587.000

16.2% 38587.000

16.2%

.000

.000

perempuan

34365.000

14.4% 34365.000

14.4%

.000

.000

laki-laki

2797.000

1.2%

2797.000

1.2%

.000

.000

perempuan

3298.000

1.4%

3298.000

1.4%

.000

.000

laki-laki

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

laki-laki

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

laki-laki

3006.000

1.3%

3006.000

1.3%

.000

.000

perempuan

1503.000

.6%

1503.000

.6%

.000

.000

laki-laki

20201.000

8.5% 20201.000

8.5%

.000

.000

perempuan

18750.000

7.9% 18750.000

7.9%

.000

.000

75

SMA

PT

Remaja

SD

laki-laki

4801.000

2.0%

4801.000

2.0%

.000

.000

perempuan

2002.000

.8%

2002.000

.8%

.000

.000

laki-laki

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

500.000

.2%

500.000

.2%

.000

.000

882.000

.4%

882.000

.4%

.000

.000

laki-laki

1001.000

.4%

1001.000

.4%

.000

.000

perempuan

2003.000

.8%

2003.000

.8%

.000

.000

6.9% 16404.000

6.9%

.000

.000

9188.000

3.9%

9188.000

3.9%

.000

.000

.000

.0%

.000

.0%

.000

.000

2003.000

.8%

2003.000

.8%

.000

.000

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

laki-laki

.000

.0%

.000

.0%

.000

.000

perempuan

.000

.0%

.000

.0%

.000

.000

501.000

.2%

501.000

.2%

.000

.000

.000

.0%

.000

.0%

.000

.000

laki-laki

perempuan
SMP

SMA

laki-laki
perempuan

PT

laki-laki
perempuan

Tua

SD

SMP

SMA

laki-laki

laki-laki
perempuan

PT

16404.000

laki-laki

45461.000

19.1% 45461.000

19.1%

.000

.000

perempuan

31022.000

13.0% 31022.000

13.0%

.000

.000

a. For saturated models, ,000 has been added to all observed cells.

76

77

Lampiran 6

Df

0.995

0.99

0.975

Tabel chi square / 2

0.95

0.90

0.10

0.05

0.025

0.01

0.005

---

---

0.001

0.004

0.016

2.706

3.841

5.024

6.635

7.879

0.010

0.020

0.051

0.103

0.211

4.605

5.991

7.378

9.210

10.597

0.072

0.115

0.216

0.352

0.584

6.251

7.815

9.348

11.345

12.838

0.207

0.297

0.484

0.711

1.064

7.779

9.488

11.143

13.277

14.860

0.412

0.554

0.831

1.145

1.610

9.236

11.070

12.833

15.086

16.750

0.676

0.872

1.237

1.635

2.204

10.645

12.592

14.449

16.812

18.548

0.989

1.239

1.690

2.167

2.833

12.017

14.067

16.013

18.475

20.278

1.344

1.646

2.180

2.733

3.490

13.362

15.507

17.535

20.090

21.955

1.735

2.088

2.700

3.325

4.168

14.684

16.919

19.023

21.666

23.589

10

2.156

2.558

3.247

3.940

4.865

15.987

18.307

20.483

23.209

25.188

11

2.603

3.053

3.816

4.575

5.578

17.275

19.675

21.920

24.725

26.757

12

3.074

3.571

4.404

5.226

6.304

18.549

21.026

23.337

26.217

28.300

13

3.565

4.107

5.009

5.892

7.042

19.812

22.362

24.736

27.688

29.819

14

4.075

4.660

5.629

6.571

7.790

21.064

23.685

26.119

29.141

31.319

15

4.601

5.229

6.262

7.261

8.547

22.307

24.996

27.488

30.578

32.801

16

5.142

5.812

6.908

7.962

9.312

23.542

26.296

28.845

32.000

34.267

17

5.697

6.408

7.564

8.672

10.085

24.769

27.587

30.191

33.409

35.718

18

6.265

7.015

8.231

9.390

10.865

25.989

28.869

31.526

34.805

37.156

19

6.844

7.633

8.907

10.117 11.651

27.204

30.144

32.852

36.191

38.582

20

7.434

8.260

9.591

10.851 12.443

28.412

31.410

34.170

37.566

39.997

21

8.034

8.897

10.283 11.591 13.240

29.615

32.671

35.479

38.932

41.401

22

8.643

9.542

10.982 12.338 14.041

30.813

33.924

36.781

40.289

42.796

23

9.260

10.196 11.689 13.091 14.848

32.007

35.172

38.076

41.638

44.181

24

9.886

10.856 12.401 13.848 15.659

33.196

36.415

39.364

42.980

45.559

25

10.520 11.524 13.120 14.611 16.473

34.382

37.652

40.646

44.314

46.928

26

11.160 12.198 13.844 15.379 17.292

35.563

38.885

41.923

45.642

48.290

27

11.808 12.879 14.573 16.151 18.114

36.741

40.113

43.195

46.963

49.645

28

12.461 13.565 15.308 16.928 18.939

37.916

41.337

44.461

48.278

50.993

29

13.121 14.256 16.047 17.708 19.768

39.087

42.557

45.722

49.588

52.336

30

13.787 14.953 16.791 18.493 20.599

40.256

43.773

46.979

50.892

53.672

40

20.707 22.164 24.433 26.509 29.051

51.805

55.758

59.342

63.691

66.766

50

27.991 29.707 32.357 34.764 37.689

63.167

67.505

71.420

76.154

79.490

60

35.534 37.485 40.482 43.188 46.459

74.397

79.082

83.298

88.379

91.952

70

43.275 45.442 48.758 51.739 55.329

85.527

90.531

95.023

100.425 104.215

80

51.172 53.540 57.153 60.391 64.278

96.578

101.879 106.629 112.329 116.321

90

59.196 61.754 65.647 69.126 73.291 107.565 113.145 118.136 124.116 128.299

100

67.328 70.065 74.222 77.929 82.358 118.498 124.342 129.561 135.807 140.169

78