Analisis Log Linier

Untuk data yang bersifat kategori dan dapat dibentuk ke dalam suatu tabel
kontingensi, dapat dianalisis dengan menggunakan analisis log linier. Model log linier
digunakan untuk menganalisis atau mempelajari pola asosiasi antara beberapa variabel
yang diperhatikan merupakan variabel kategorik (Agung, 2001), dimana pola hubungan
atau asosiasi antar peubahnya dilihat dari interaksi antar peubah itu sendiri.
Berikut langkah-langkah analisis Log Linier :
Contoh kasus analisis hubungan antara pola-pola kejahatan pencurian kendaraan be
motor.
• Buka file data yang akan dianalisis
• Klik Analyze => Loglinier => Model Selection pada menu sehingga kotak dialog
Model Selection muncul.

• Masukkan variabel jenis,wilayah, TKP dan waktu pada kotak factor(s)

• Kemudian klik Define Range, isi nilai range paling minimum dan maksimum
berdasarkan kategorinya, terus Continue sehingga kembali ke kotak dialog Model
Selection.
• Selanjutnya klik Option dan beri tanda (√) pada Parameter estimates dan
Association table, terus Continue sehingga kembali ke kotak dialog Model
Selection.

• Klik OK sehingga output SPSS Viewer menampilkan hasil berikut :

* * * * * H I E R A R C H I C A L L O G L I N E A R * * * *

DATA Information

786 unweighted cases accepted.

0 cases rejected because of out-of-range factor values.
0 cases rejected because of missing data.
786 weighted cases will be used in the analysis.

FACTOR Information

Factor Level Label

JNS 2 JENIS
WLH 2 WILAYAH
TKP 5 TKP
WKT 2 WAKTU

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

* * * * * H I E R A R C H I C A L L O G L I N E A R * * * *

DESIGN 1 has generating class

JNS*WLH*TKP*WKT

Note: For saturated models ,500 has been added to all observed
cells.
This value may be changed by using the CRITERIA = DELTA subcommand.

The Iterative Proportional Fit algorithm converged at iteration 1.

The maximum difference between observed and fitted marginal totals is
,000
and the convergence criterion is ,250

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

Observed, Expected Frequencies and Residuals.

Factor Code OBS count EXP count Residual Std Resid

JNS R2
WLH rawan ti
TKP pemukima
WKT siang 58,5 58,5 ,00 ,00
WKT malam 110,5 110,5 ,00 ,00
TKP lembaga/
WKT siang 47,5 47,5 ,00 ,00
WKT malam 29,5 29,5 ,00 ,00
TKP pertokoa
WKT siang 21,5 21,5 ,00 ,00
WKT malam ,5 21,5 ,00 ,00
TKP jalan um
WKT siang 68,5 68,5 ,00 ,00
WKT malam 63,5 63,5 ,00 ,00
TKP tempat u
WKT siang 54,5 54,5 ,00 ,00
WKT malam 24,5 24,5 ,00 ,00
WLH rawan re
TKP pemukima
WKT siang 30,5 30,5 ,00 ,00
WKT malam 46,5 46,5 ,00 ,00

* * * * * H I E R A R C H I C A L L O G L I N E A R * * * *

Observed, Expected Frequencies and Residuals. (Cont.)

Factor Code OBS count EXP count Residual Std Resid

TKP lembaga/
WKT siang 2,5 2,5 ,00 ,00
WKT malam 4,5 4,5 ,00 ,00
TKP pertokoa
WKT siang 2,5 2,5 ,00 ,00
WKT malam 9,5 9,5 ,00 ,00
TKP jalan um
WKT siang 14,5 14,5 ,00 ,00
WKT malam 32,5 32,5 ,00 ,00
TKP tempat u
WKT siang 7,5 7,5 ,00 ,00
WKT malam 2,5 2,5 ,00 ,00

JNS R4
WLH rawan ti
TKP pemukima
WKT siang 18,5 18,5 ,00 ,00
WKT malam 22,5 22,5 ,00 ,00
 TKP lembaga/
WKT siang 4,5 4,5 ,00 ,00
WKT malam 1,5 1,5 ,00 ,00
TKP pertokoa
WKT siang 5,5 5,5 ,00 ,0
WKT malam 6,5 6,5 ,00 ,00
TKP jalan um
WKT siang 12,5 12,5 ,00 ,00
WKT malam 12,5 12,5 ,00 ,00
TKP tempat u
WKT siang 6,5 6,5 ,00 ,00
WKT malam 3,5 3,5 ,00 ,00
WLH rawan re
TKP pemukima
WKT siang 12,5 12,5 ,00 ,00
WKT malam 13,5 13,5 ,00 ,00
TKP lembaga/
WKT siang 1,5 1,5 ,00 ,00
WKT malam ,5 ,5 ,00 ,00
TKP pertokoa
WKT siang 1,5 1,5 ,00 ,00
WKT malam 2,5 2,5 ,00 ,00
TKP jalan um
WKT siang 14,5 14,5 ,00 ,00

* * * * * H I E R A R C H I C A L L O G L I N E A R * * * *

Observed, Expected Frequencies and Residuals. (Cont.)

Factor Code OBS count EXP count Residual Std Resid

WKT malam 7,5 7,5 ,00 ,00

TKP tempat u
WKT siang 1,5 1,5 ,00 ,00
WKT malam 3,5 3,5 ,00 ,00

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

Goodness-of-fit test statistics

Likelihood ratio chi square = ,00000 DF = 0 P = .

Pearson chi square = ,00000 DF = 0 P = .

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

Tests that K-way and higher order effects are zero.

K DF L.R. Chisq Prob Pearson Chisq Prob Iteration

4 4 7,457 ,1136 7,118 ,1298 3

3 17 22,923 ,1518 25,074 ,0931 4
2 32 123,816 ,0000 122,762 ,0000 2
1 39 926,930 ,0000 1130,947 ,0000 0

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Tests that K-way effects are zero.

K DF L.R. Chisq Prob Pearson Chisq Prob Iteration

1 7 803,114 ,0000 1008,184 ,0000 0

2 15 100,893 ,0000 97,688 ,0000 0
3 13 15,466 ,2792 17,956 ,1592 0
4 4 7,457 ,1136 7,118 ,1298 0

* * * * * H I E R A R C H I C A L L O G L I N E A R * * * *

Tests of PARTIAL associations.

Effect Name DF Partial Chisq Prob Iter

JNS*WLH*TKP 4 3,425 ,4894 4

JNS*WLH*WKT 1 1,123 ,2892 3
JNS*TKP*WKT 4 3,956 ,4119 4
WLH*TKP*WKT 4 6,575 ,1601 4
JNS*WLH 1 8,942 ,0028 4
JNS*TKP 4 11,607 ,0205 4
WLH*TKP 4 31,098 ,0000 4
JNS*WKT 1 3,197 ,0738 4
WLH*WKT 1 1,633 ,2014 4
TKP*WKT 4 33,575 ,0000 4
JNS 1 344,007 ,0000 2
WLH 1 193,756 ,0000 2
TKP 4 264,048 ,0000 2
WKT 1 1,303 ,2537 2
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

* * * * * H I E R A R C H I C A L L O G L I N E A R * * * *

Backward Elimination (p = ,050) for DESIGN 1 with generating class

JNS*WLH*TKP*WKT

Likelihood ratio chi square = ,00000 DF = 0 P = .

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

If Deleted Simple Effect is DF L.R. Chisq Change Prob Iter

JNS*WLH*TKP*WKT 4 7,457 ,1136 3

Step 1

The best model has generating class

JNS*WLH*TKP
JNS*WLH*WKT
JNS*TKP*WKT
WLH*TKP*WKT

Likelihood ratio chi square = 7,45684 DF = 4 P = ,114

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
If Deleted Simple Effect is DF L.R. Chisq Change Prob Iter

JNS*WLH*TKP 4 3,425 ,4894 4

JNS*WLH*WKT 1 1,123 ,2892 3
JNS*TKP*WKT 4 3,956 ,4119 4
WLH*TKP*WKT 4 6,575 ,1601 4

Step 2

The best model has generating class

JNS*WLH*WKT
JNS*TKP*WKT
WLH*TKP*WKT

Likelihood ratio chi square = 10,88166 DF = 8 P = ,208

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

* * * * * H I E R A R C H I C A L L O G L I N E A R * * * *

If Deleted Simple Effect is DF L.R. Chisq Change Prob Iter

JNS*WLH*WKT 1 1,731 ,1883 3

JNS*TKP*WKT 4 3,666 ,4531 3
WLH*TKP*WKT 4 6,050 ,1954 4

Step 3

The best model has generating class

JNS*WLH*WKT
WLH*TKP*WKT
JNS*TKP

Likelihood ratio chi square = 14,54752 DF = 12 P = ,267

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

If Deleted Simple Effect is DF L.R. Chisq Change Prob Iter

JNS*WLH*WKT 1 2,049 ,1523 3

WLH*TKP*WKT 4 6,143 ,1887 4
JNS*TKP 4 10,853 ,0283 2

Step 4

The best model has generating class

JNS*WLH*WKT
JNS*TKP
WLH*TKP
TKP*WKT

Likelihood ratio chi square = 20,69073 DF = 16 P = ,191

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
If Deleted Simple Effect is DF L.R. Chisq Change Prob Iter

JNS*WLH*WKT 1 2,232 ,1351 3

JNS*TKP 4 11,087 ,0256 3
WLH*TKP 4 30,578 ,0000 4
TKP*WKT 4 33,055 ,0000 3

* * * * * H I E R A R C H I C A L L O G L I N E A R * * * *

Step 5

The best model has generating class

JNS*TKP
WLH*TKP
TKP*WKT
JNS*WLH
JNS*WKT
WLH*WKT

Likelihood ratio chi square = 22,92320 DF = 17 P = ,152

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

If Deleted Simple Effect is DF L.R. Chisq Change Prob Iter

JNS*TKP 4 11,607 ,0205 3

WLH*TKP 4 31,098 ,0000 4
TKP*WKT 4 33,575 ,0000 3
JNS*WLH 1 8,942 ,0028 3
JNS*WKT 1 3,197 ,0738 3
WLH*WKT 1 1,632 ,2014 3

Step 6

The best model has generating class

JNS*TKP
WLH*TKP
TKP*WKT
JNS*WLH
JNS*WKT

Likelihood ratio chi square = 24,55564 DF = 18 P = ,138

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

If Deleted Simple Effect is DF L.R. Chisq Change Prob Iter

JNS*TKP 4 11,515 ,0213 2

WLH*TKP 4 34,584 ,0000 3
TKP*WKT 4 37,062 ,0000 3
JNS*WLH 1 8,485 ,0036 3
JNS*WKT 1 2,741 ,0978 3
* * * * * H I E R A R C H I C A L L O G L I N E A R * * * *

Step 7

The best model has generating class

JNS*TKP
WLH*TKP
TKP*WKT
JNS*WLH

Likelihood ratio chi square = 27,29677 DF = 19 P = ,098

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

If Deleted Simple Effect is DF L.R. Chisq Change Prob Iter

JNS*TKP 4 10,077 ,0391 2

WLH*TKP 4 34,584 ,0000 2
TKP*WKT 4 35,322 ,0000 3
JNS*WLH 1 8,485 ,0036 2

Step 8

The best model has generating class

JNS*TKP
WLH*TKP
TKP*WKT
JNS*WLH

Likelihood ratio chi square = 27,29677 DF = 19 P = ,098

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

* * * * * H I E R A R C H I C A L L O G L I N E A R * * * *

The final model has generating class

JNS*TKP
WLH*TKP
TKP*WKT
JNS*WLH

The Iterative Proportional Fit algorithm converged at iteration 0.

The maximum difference between observed and fitted marginal totals is
,051
and the convergence criterion is ,250

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Observed, Expected Frequencies and Residuals.

Factor Code OBS count EXP count Residual Std Resid

JNS R2
WLH rawan ti
TKP pemukima
 WKT siang 58,0 65,4 -7,39 -,91
WKT malam 110,0 105,8 4,15 ,40
TKP lembaga/
WKT siang 47,0 46,5 ,50 ,07
WKT malam 29,0 29,3 -,28 -,05
TKP pertokoa
WKT siang 21,0 18,7 2,34 ,54
WKT malam 21,0 24,4 -3,45 -,70
TKP jalan um
WKT siang 68,0 62,4 5,58 ,71
WKT malam 63,0 65,9 -2,89 -,36
TKP tempat u
WKT siang 54,0 52,1 1,93 ,27
WKT malam 24,0 24,5 -,50 -,10
WLH rawan re
TKP pemukima
WKT siang 30,0 27,8 2,21 ,42
WKT malam 46,0 45,0 1,02 ,15
TKP lembaga/
WKT siang 2,0 3,8 -1,82 -,93
WKT malam 4,0 2,4 1,60 1,03
TKP pertokoa
WKT siang 2,0 4,3 -2,28 -1,10

* * * * * H I E R A R C H I C A L L O G L I N E A R * * * *

Observed, Expected Frequencies and Residuals. (Cont.)

Factor Code OBS count EXP count Residual Std Resid

WKT malam 9,0 5,6 3,39 1,43

TKP jalan um
WKT siang 14,0 23,7 -9,69 -1,99
WKT malam 32,0 25,0 7,00 1,40
TKP tempat u
WKT siang 7,0 7,1 -,09 -,03
WKT malam 2,0 3,3 -1,34 -,73

JNS R4
WLH rawan ti
TKP pemukima
WKT siang 18,0 14,0 3,96 1,06
WKT malam 22,0 22,7 -,72 -,15
TKP lembaga/
WKT siang 4,0 3,2 ,79 ,44
WKT malam 1,0 2,0 -1,02 -,72
TKP pertokoa
WKT siang 5,0 4,3 ,72 ,35
WKT malam 6,0 5,6 ,39 ,16
TKP jalan um
WKT siang 12,0 13,0 -,98 -,27
WKT malam 12,0 13,7 -1,71 -,46
TKP tempat u
WKT siang 6,0 7,1 -1,09 -,41
WKT malam 3,0 3,3 -,34 -,19
WLH rawan re
TKP pemukima
 WKT siang 12,0 10,8 1,22 ,37
WKT malam 13,0 17,5 -4,46 -1,07
TKP lembaga/
WKT siang 1,0 ,5 ,52 ,76
WKT malam ,0 ,3 -,30 -,55
TKP pertokoa
WKT siang 1,0 1,8 -,78 -,58
WKT malam 2,0 2,3 -,33 -,22
TKP jalan um
WKT siang 14,0 8,9 5,09 1,71
WKT malam 7,0 9,4 -2,40 -,78
TKP tempat u
WKT siang 1,0 1,7 -,75 -,57
WKT malam 3,0 ,8 2,18 2,40

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

* * * * * H I E R A R C H I C A L L O G L I N E A R * * * *
Goodness-of-fit test statistics

Likelihood ratio chi square = 27,29677 DF = 19 P = ,098

Pearson chi square = 28,97815 DF = 19 P = ,066

Cara membaca output /analisis

Tahap pertama adalah menguji model yang sesuai untuk data kita, yaitu menguji

kesesuaian penuh dimana interaksi k-faktor dan yang lebih tinggi sama dengan nol.

Hipotesis yang digunakan:

H0: interaksi k-faktor dan yang lebih tinggi sama dengan nol

H1: interaksi k-faktor dan yang lebih tinggi terkandung dalam model

Keputusan yang diambil adalah tolak H0 jika p ≤ α , dimana α = 0,05.

tests that K-way and higher order effects are zero.

K DF L.R. Chisq Prob Pearson Chisq Prob Iteration

4 4 7,457 ,1136 7,118 ,1298 3

3 17 22,923 ,1518 25,074 ,0931 4
2 32 123,816 ,0000 122,762 ,0000 2
1 39 926,930 ,0000 1130,947 ,0000 0
 Berdasarkan hasil output di atas, untuk k = 4 dan k = 3, memberi keputusan bahwa

H0 diterima yang berarti bahwa interaksi 4 faktor dan yang lebih tinggi serta interaksi 3

faktor dan yang lebih tinggi, tidak ada dalam model. Sedangkan untuk k = 2 dan k = 1,

memberi keputusan bahwa H0 ditolak, yang berarti secara signifikan menjelaskan

hubungan antar peubah di semua tingkat interaksi dalam model dan minimal interaksi 2

faktor harus terdapat dalam model.

Tahap kedua adalah menguji kesesuaian model penuh dengan k-faktor sama dengan

nol. Hipotesis yang disusun adalah:

H0: interaksi k-faktor sama dengan nol

H1: interaksi k-faktor terkandung dalam model

Keputusan yang diambil adalah tolak H0 jika p ≤ α , dimana α = 0,05.

Tests that K-way effects are zero.

K DF L.R. Chisq Prob Pearson Chisq Prob Iteration

1 7 803,114 ,0000 1008,184 ,0000 0

2 15 100,893 ,0000 97,688 ,0000 0
3 13 15,466 ,2792 17,956 ,1592 0
4 4 7,457 ,1136 7,118 ,1298 0

Berdasarkan output di atas, untuk k = 1 dan k = 2, H0 ditolak, berarti model dengan

interaksi 1 faktor dan 2 faktor signifikan menjelaskan hubungan antar peubah.

Tahap ketiga adalah menguji kebebasan secara parsial. Uji ini akan menunjukkan

interaksi-interaksi yang ada dalam model. Jika diuji pada tingkat kepercayaan 0,05,

dengan hipotesis:

H0: tidak ada interaksi antar berbagai peubah

H1: interaksi antar berbagai peubah terkandung dalam model

Maka dihasilkan empat interaksi berderajat dua serta tiga efek utama. Apabila diurutkan

berdasarkan tingkat signifikansinya, interaksi-interaksi yang ada dalam model adalah [X],

[Y], [Z], [XY], [XZ],[YZ], [ZW].

Tests of PARTIAL associations.

Effect Name DF Partial Chisq Prob Iter

JNS*WLH*TKP 4 3,425 ,4894 4

JNS*WLH*WKT 1 1,123 ,2892 3
JNS*TKP*WKT 4 3,956 ,4119 4
WLH*TKP*WKT 4 6,575 ,1601 4
JNS*WLH 1 8,942 ,0028 4
JNS*TKP 4 11,607 ,0205 4
WLH*TKP 4 31,098 ,0000 4
JNS*WKT 1 3,197 ,0738 4
WLH*WKT 1 1,633 ,2014 4
TKP*WKT 4 33,575 ,0000 4
JNS 1 344,007 ,0000 2
WLH 1 193,756 ,0000 2
TKP 4 264,048 ,0000 2
WKT 1 1,303 ,2537 2
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

Tahap selanjutnya adalah melakukan pengujian model log linier yang

mengandung interaksi dengan menggunakan metode backward elimination. Hasilnya

adalah model log linier terbaik [JNS*TKP] [WLH*TKP] [TKP*WKT] [JNS*WLH] atau

[XZ][YZ][ZW][XY].

The final model has generating class

JNS*TKP
WLH*TKP
TKP*WKT
JNS*WLH

Bentuk umum dari model log linier [XZ][YZ][ZW][XY] adalah:

log mijkl = µ + λi + λ j + λk + λl + λij + λik + λ jk + λkl

X Y Z W XY XZ YZ ZW
Keterangan:

mijkl = frekuensi harapan pada sel ke-ijkl dalam model

µ = pengaruh umum rata-rata

λi X = pengaruh utama peubah X, kategori ke-i

λ j Y = pengaruh utama peubah Y, kategori ke-j

λk Z = pengaruh utama peubah Z, kategori ke-k

λl W = pengaruh utama peubah W, kategori ke-l

λij XY = pengaruh interaksi peubah X dan Y, kategori ke-ij

λik XZ = pengaruh interaksi peubah X dan Z, kategori ke-ik

λ jk YZ = pengaruh interaksi peubah Y dan Z, kategori ke-jk

λkl ZW = pengaruh interaksi peubah Z dan W, kategori ke-kl