Belajar RibbonX - 05

Menonaktifkan Sebagian Ribbon Excel

Kaserat: NangAgus

Mematikan Sebagian Tabs (Ribbon) Bawaan Excel

Buka file excel anda dengan customUI editor. (file tersebut tidak boleh terbuka pada excel. (tutuplah excel sebelum dibuka di CustomUI)). Ingat file excel berexsistensi xlsb (binary) tidak dapat diedit Ribbonnya.

Kita akan mematikan tabs bawaan Microsoft excel secara parsial.

Misalnya kita akan menonaktifkan tab Home, Buatlah sebuah kode setelah tabs:

<tab idMso="TabHome" visible="false" />

Selengkapnya kode yang tertulis seperti gambar berikut ini!

Simpan file tersebut, kemudian buka file di dengan Excel,

Tab Home telah hilang di Microsoft excel meskipun di excel option masih tersedia tab Home.

Coba buat cekrip baru untuk menghilangkan tab yang lain!

Masih ingatkah ada berapa tab di excel yang dapat diperlihatkan dan dihilangkan?

Coba buka lagi pelajaran yang lalu tentang membuat Tab baru, disana terdapat 26 tab yang dapat diatur.

Menghilangkan Group

Buka Buka File excel anda dengan customUI editor. (file tersebut tidak boleh terbuka pada excel. (tutuplah excel sebelum dibuka di CustomUI))

Kita akan menghilangkan group di Excel, misalnya akan dihilangkan group Clipboard di Tab Home

Ketikkan kode di bawah tab Home perintah untuk menghilangkangroup clipboard seperti dibawah ini

<tab idMso="TabHome" visible="true">

<group idMso="GroupClipboard" visible="false" />

</tab>

Selengkapnya kode yang tertulis seperti gambar berikut ini!

Simpan file tersebut, kemudian buka file di dengan Excel,

Pada Tab Home group Clipboard sudah disembunyikan.

Silahkan belajar sendiri untuk menghilangkan Group yang lain.

Ada 128 Group di Excel yang dapat disembunyikan. Silahkan baca referensi group di akhir pembahasan.

Menghilangkan Button

Buka Buka File excel anda dengan customUI editor. (file tersebut tidak boleh terbuka pada excel. (tutuplah excel sebelum dibuka di CustomUI))

Button yang tersedia pada setiap group di Tab tidak dapat dihilangkan! Tetapi dapat kita buat seolah-olah tombol tersebut hilang, dewngan cara menanonaktifkan group tersebut, kemudian membuat group baru yamg mirip dengan group yang dihilangkan.

Akan dihilangkan sebuah button cut di group Clipboard dan di Tab Home.

1.       Buatlah group Clipboard tidak tampak

<group idMso="GroupClipboard" visible="false">

2.       Buatlah group baru untuk menggantikan group yang dihilangkan dengan tombol yang masih diperlukan:

<group id="grupAnyar" insertBeforeMso="GroupFont" label="Clipboard">

<splitButton idMso="PasteMenu" size="large" />

   <button idMso="Copy" />

   <toggleButton idMso="FormatPainter"/>

</group>

Selengkapnya kode yang tertulis seperti gambar berikut ini!

Simpan file tersebut, kemudian buka file di dengan Excel,

Pada Tab Home group Clipboard button-nya sudah sesuai dengan button yang baru.

Silahkan belajar sendiri untuk menghilangkan tombol  yang lain.

Ada 929 button di Excel yang dapat disembunyikan.

Jangan lupa untuk Klik tombol Validate untuk mengecek apakah penulisan script pada custom UI sudah benar atau belum?

Jika penulisan sudah benar akan muncul  tulisan “ Custom UI XML is Well formed!”.

Apabila terdapat ketikan yang salah akan muncul peringatan pada baris keberapa tulisan tersebut yang salah! Sebagai contoh perhatikan pesan berikut ini!

Terdapat ketidak sesuaian pada group antara baris ke-5 dan baris ke-16.

Dari 128 Group  yang tersedia pada Microsoft excel  sebagai contah hanya untuk tab Home (selengkapnya ada pada File Contoh di sini)

No	Group	Tab
1	GroupClipboard	TabHome
2	GroupFont	TabHome
3	GroupAlignmentExcel	TabHome
4	GroupNumber	TabHome
5	GroupStyles	TabHome
6	GroupCells	TabHome
7	GroupEditingExcel	TabHome
8	GroupInsertTablesExcel	TabInsert
9	GroupInsertIllustrations	TabInsert
10	GroupInsertChartsExcel	TabInsert
11	GroupInsertLinks	TabInsert
12	GroupInsertText	TabInsert
13	GroupInsertBarcode	TabInsert
14	GroupThemesExcel	TabPageLayoutExcel
15	GroupPageSetup	TabPageLayoutExcel
16	GroupPageLayoutScaleToFit	TabPageLayoutExcel
17	GroupPageLayoutSheetOptions	TabPageLayoutExcel
18	GroupArrange	TabPageLayoutExcel
19	GroupFunctionLibrary	TabFormulas
20	GroupNamedCells	TabFormulas

Untuk pengetikan script adalah case sensitive, maka jangan sampai salah mengambil nama group id.

Untuk Bahasan selanjutnya adalah membuat tombol sendiri.

Lebih baik apabila belajar sedikit demi sedikit dengan waktu yang singkat daripada belajar banyak sekaligus dalam waktu yang lama.

Selamat Belajar.

|<< First                                                                          <Prev  |  Next>                                                                                 a

CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR

METODE STATISTIK

REGRESI LOGISTIK LINEAR

Analisis Log Linier

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.

Simpelnya analisis ini sering digunakan untuk menjelaskan antara beberapa pilihan yang dipengaruhi berbagai peubah. Banyak peubah yang mempengaruhi pilihan-pilihan variabel bebasnya. Dengan analisis log linier ini peneliti dapat memperoleh gambaran unit observasi yang memiliki karakteristik tertentu akan masuk ke dalam pilihan/kelompok mana. misalnya rumah tangga dihadapkan dengan pilihan membeli rumah, mengontrak rumah atau membangun rumah dari lahan kosong, Dengan mendata rumah tangga yang telah memiliki rumah di daerah itu maka diperoleh misalnya variabel pendidikan, pendapatan, pengeluaran, jumlah anggota rumah tangga dan lainnya. Maka dengan data tersebut dapat diperoleh gambaran jika ada rumah tangga baru dengan pendidikan, pendapatan, pengeluaran, jumlah anggota tertentu akan memilih kepemilikan rumah yang mana.

Langkah-langkah analisis ini seringkali menggunakan program komputer untuk menghitungnya. Jikalau ada yang menggunakan penghitungan manual rumus-rumus ada di buku Alan Agresti. Mudah-mudahan nanti penulis bisa memberikan penjelasan mengenai rumus dan penghitungan manual, itupun jika ada yang meminta (request). Berikut ini akan dicontohkan tahapan penghitungan dengan data fiktif.

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:

Keterangan:

= frekuensi harapan pada sel ke-ijkl dalam model

= pengaruh umum rata-rata

  = pengaruh utama peubah  X, kategori ke-i

  = pengaruh utama peubah Y, kategori ke-j

= pengaruh utama peubah Z, kategori ke-k

= pengaruh utama peubah W, kategori ke-l

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

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

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

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

Fajar Choirul Anwar, SST