5.1 Kesimpulan
Berdasarkan hasil dan pembahasan pada Bab 4, dapat ditarik kesimpulan sebagai berikut:
1. Persepsi responden terhadap opportunity distributor produk Unilever di PT. Panahmas Dwitama Distrindo Regional Jember dapat dikelompokkan menjadi tiga kelompok, sedangkan treath menjadi dua kelompok.
2. Pada opportunity, jumlah responden di kelompok kedua lebih banyak dari pada kelompok lain untuk lamanya berlangganan antara 1 sampai 15 tahun, sedangkan kelompok satu lebih banyak daripada kelompok lain untuk lamanya berlangganan antara 26 sampai 30 tahun. Selain itu, kelompok satu mengalami kenaikan jumlah responden seiring semakin tingginya level lamanya berlangganan. Pada treath, jumlah responden di kelompok satu lebih banyak daripada di kelompok dua untuk masing-masing lamanya berlangganan.
3. Minat masyarakat, modal, promosi, kualitas kerja dan produk baru merupakan
opportunity yang dimiliki oleh distributor produk Unilever di PT. Panahmas
Dwitama Distrindo Regional Jember. Sedangkan munculnya pesaing dengan produk sejenis, pesaing memberikan harga lebih murah, semakin besarnya biaya operasional perusahaan, kondisi perekonomian yang tidak stabil dan munculnya distributor baru dengan produk baru merupakan treath yang dimiliki oleh distributor tersebut.
5.2 Saran
Pada skripsi ini, analisis yang digunakan adalah latent class regression analysis untuk data kategorik dengan satu kovariat. Ada kesempatan bagi para peneliti untuk
mengembangkan analisis ini, misalnya dengan menggunakan data kategorik dengan dua kovariat atau lebih.
DAFTAR PUSTAKA
Budi. 2010. Analisis Missing Data Menggunakan Algoritma EM.
http://statistikakomputasi.wordpress.com/2010/04/08/analisis-missing-data-menggunakan-algoritma-em-2/ [3 April 2012]
Candra, Y. 2009. Pembentukan Model Probit Bivariat. Skripsi. Semarang: FMIPA Universitas Diponegoro
Hanifah, E. 2010. Metode Latent Class Cluster Untuk Variabel Indikator Bertipe Campuran Dalam Rangka Pengelompokan Desa. Tesis. Bandung: Universitas Padjadjaran
Linzer, D. A, & Lewis, J. B. 2011. poLCA: An R Package for Polytomous Variable Latent Class Analysis. Journal of Statistical Software: 42: 10: 3- 12
Magidson, J. & Vermunt, J. K. 2003. Latent Class Models. Artikel. Statistical Innovations Inc
Moustaki, I. & Papageorgiou .2004. Latent Class Models for Mixed Variables with
Applications in Archaeometry. Yunani: Athens University
Nainggolan, B. M. H. 2009. Perbandingan Analisis Laten Kelas dengan Kriteria WHO Untuk Penggerombolan Pasien Demam Dangue (DD) dan Demam Berdarah Dangue (DBD). Tesis. Bogor: Institut Pertanian Bogor
Priatna, B. A. Tanpa tahun. Teknik-Teknik Analisis Multivariat Terkini Yang Sering
Digunakan Dalam Penelitian. Yogyakarta: Universitas Pendidikan Indonesia
Quinn, K. 2001. The Newton Raphson Algorithm for Function Optimization. USA: University of Washington
Santoso, P. A. B. 2008. Penentuan Strategi Pemasaran Pada Distributor Produk Unilever Di PT. Panahmas Dwitama Distrindo Regional Jember. Skripsi. Jember: Universitas Jember
Tirta, I. M. 2004. Pengantar Statistika Matematika. Jember: FMIPA Universitas Jember
Tirta, I. M. 2009. Analisis Regresi dengan R. Jember: Jember University Press Vermunt, J. K. 2004. Latent Class Regression Analysis. Jena University
Widhiarso, W. 2011. Berkenalan Dengan Variabel Laten. Tidak Dipublikasikan. Yogyakarta: Universitas Gajah Mada
Zhang, N. L. Hierarchical Latent Class Model for Cluster Analisis. Journal Of
LAMPIRAN A. SKRIP poLCA DALAM SOFTWARE R
poLCA(formula, data, nclass = 2, maxiter = 1000, graphs = FALSE, tol = 1e-10, na.rm = TRUE, probs.start = NULL, nrep = 1, verbose = TRUE, calc.se = TRUE)
nclass : banyaknya kelas-kelas laten yang dibentuk dalam model
maxiter : iterasi (pengulangan) maksimum ketika mejalankan algoritma, seperti algoritma EM.
graphs : memberikan tampilan (grafik) dari hasil estimasi model. Jika TRUE, maka grafik akan ditampilkan. Jika FALSE, maka tidak ditampilkan.
tol : nilai toleransi kekonvergenan dalam algoritma
na.rm : mengatasi kasus untuk variabel manifest yang responnya ada yang tidak ada. Jika TRUE, maka variabel manifest dalam kasus ini akan dihapus sebelum estimasi model dijalankan.
prob.start : nilai awal dalam rangka menjalankan proses estimasi menggu-nakan algoritma EM
nreps : banyaknya model yang ingin didapatkan, sehingga bisa dipilih model yang cocok berdasarkan besarnya maksimum log-likelihood.
verbose : mengeluarkan hasil model dalam layar. Jika FALSE, tidak ada keluaran yang dihasilkan.
calc.se : menghitung standard error dari model. Jika FALSE, maka mengestimasi model tanpa adanya variabel cocok yang dikhususkan dalam formula.
condition : menggambarkan respon dari variabel manifest untuk mencari distribusi frekuensi dari suatu variabel manifest yang lain.
LAMPIRAN B. KUESIONER UNTUK EKSTERNAL PELANGGAN (OUTLET) Responden
Usia :...Tahun
Jenis kelamin : Laki-laki/Perempuan
Lama Berlangganan : Alamat Distrik :
EFAS (Eksternal Strategic Factors
Analysis Summary) Bobot Sangat Tidak Setuju (1) Tidak Setuju (2) Cukup (3) Setuju (4) Sangat Setuju (5) Peluang
1. Semakin diminatinya produk Unilever di masyarakat 2. Kemudahan mendapatkan
modal untuk perluasan usaha 3. Promosi yang baik dari
perusahaan pada setiap media informasi
4. Pengembangan dan peningkatan kualitas kerja
5. Dapat menambah produk baru yang didistribusikan
Ancaman
1. Munculnya pesaing dengan produk yang sejenis
2. Pesaing memberikan harga yang lebih rendah atau murah 3. Semakin besarnya biaya
operasional perusahaan 4. Kondisi perekonomian tidak
stabil karena kenaikan BBM 5. Munculnya banyak distributor
baru dengan produk baru dengan pelayanan yang variatif Sumber: Santoso (2008)
47
LAMPIRAN C. SKRIP PROGRAM DAN OUTPUT UNTUK OPPORTUNITY MENGGUNAKAN SOFTWARE R
a. Skrip program untuk model dua kelompok
> fpeluang<-cbind(Y11,Y12,Y13,Y14,Y15)~X > lc1peluang<-poLCA(fpeluang,PASAR,nclass=2)
Conditional item response (column) probabilities, by outcome variable, for each class (row) $Y11 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0 0.0819 0.1127 0.5811 0.2243 class 2: 0 0.7538 0.2462 0.0000 0.0000 $Y12 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0 0.0204 0.1531 0.5818 0.2447 class 2: 0 0.0000 0.2501 0.7499 0.0000 $Y13 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0 0.0612 0.0416 0.6627 0.2345 class 2: 0 0.0000 1.0000 0.0000 0.0000 $Y14 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0.0000 0.1223 0.3570 0.3983 0.1223 class 2: 0.2526 0.0000 0.2501 0.4973 0.0000 $Y15 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0 0.1529 0.1844 0.4996 0.1631 class 2: 0 0.0000 1.0000 0.0000 0.0000 Estimated class population shares
0.9253 0.0747
Predicted class memberships (by modal posterior prob.) 0.9245 0.0755
========================================================= Fit for 2 latent classes:
========================================================= 2 / 1
Coefficient Std. error t value Pr(>|t|) (Intercept) -2.85489 1.12693 -2.533 0.014 X 0.09659 0.29414 0.328 0.744 ========================================================= number of observations: 106
number of estimated parameters: 42 residual degrees of freedom: 64 maximum log-likelihood: -587.5289
AIC(2): 1259.058 BIC(2): 1370.922
b. Skrip program untuk model tiga kelompok
> fpeluang<-cbind(Y11,Y12,Y13,Y14,Y15)~X > lc1peluang<-poLCA(fpeluang,PASAR,nclass=3)
Conditional item response (column) probabilities, by outcome variable, for each class (row) $Y11 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0 0.0000 0.000 0.5035 0.4965 class 2: 0 0.2843 0.264 0.4518 0.0000 class 3: 0 0.0000 0.000 0.6707 0.3293 $Y12 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0 0.0000 0.0000 1.0000 0.0000 class 2: 0 0.0406 0.3452 0.6142 0.0000 class 3: 0 0.0000 0.0000 0.3503 0.6497 $Y13 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0 0.1952 0.0000 0.8048 0.0000 class 2: 0 0.0000 0.2031 0.7969 0.0000 class 3: 0 0.0577 0.0541 0.2655 0.6227 $Y14 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0.0000 0.4968 0.5032 0.0000 0.0000 class 2: 0.0406 0.0000 0.4552 0.3939 0.1103 class 3: 0.0000 0.0584 0.1249 0.6389 0.1778 $Y15 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0 0.2019 0.2225 0.4828 0.0928 class 2: 0 0.2234 0.3550 0.4216 0.0000 class 3: 0 0.0000 0.1112 0.5054 0.3834 Estimated class population shares
0.1869 0.4646 0.3485
Predicted class memberships (by modal posterior prob.) 0.1887 0.4811 0.3302
========================================================= Fit for 3 latent classes:
========================================================= 2 / 1
Coefficient Std. error t value Pr(>|t|) (Intercept) 3.78331 1.24893 3.029 0.004 X -0.72031 0.26127 -2.757 0.009 ========================================================= 3 / 1
Coefficient Std. error t value Pr(>|t|) (Intercept) 3.72920 1.28980 2.891 0.006 X -0.79664 0.28517 -2.794 0.008 ========================================================= number of observations: 106
49
residual degrees of freedom: 42 maximum log-likelihood: -528.9556
AIC(3): 1185.911 BIC(3): 1356.371
X^2(3): 600.7943 (Chi-square goodness of fit)
> matplot(c(1:6),(cbind(1,exb)/(1+rowSums(exb))),
+ main="opportunity : penentuan kelas laten berdasarkan kovariat",
+ xlab="lama berlangganan (interval)",ylab="peluang keanggotaan kelas laten", + ylim=c(0,1),type="l",lwd=3,col=1) > text(1.2,0.1,"kelas1") > text(1.3,0.59,"kelas2") > text(1.4,0.38,"kelas3") > lc1peluang$predclass [1] 3 1 1 2 3 2 2 2 1 3 2 3 2 2 2 2 2 2 3 2 3 2 1 1 2 1 3 3 3 3 3 3 1 1 1 2 1 [38] 3 3 2 2 2 3 3 2 2 3 2 2 2 2 1 2 3 2 2 2 1 3 2 3 2 2 2 2 2 2 3 2 3 2 1 1 2 [75] 1 3 3 3 3 3 3 1 1 1 2 1 3 3 2 2 2 3 3 2 2 3 1 2 2 3 2 2 2 3 2 2 > cbind(1,exb)/(1+rowSums(exb)) [,1] [,2] [,3] [1,] 0.02429119 0.5196242 0.4560846 [2,] 0.05031704 0.5237541 0.4259289 [3,] 0.10120026 0.5125848 0.3862149 [4,] 0.19285563 0.4753223 0.3318220 [5,] 0.33613358 0.4031249 0.2607416 [6,] 0.51724991 0.3018561 0.1808940
c. Skrip program untuk model empat kelompok
> fpeluang<-cbind(Y11,Y12,Y13,Y14,Y15)~X > lc1peluang<-poLCA(fpeluang,PASAR,nclass=4)
Conditional item response (column) probabilities, by outcome variable, for each class (row) $Y11 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0 0.0000 0.0000 1.0000 0.0000 class 2: 0 0.0000 0.0000 0.4728 0.5272 class 3: 0 0.0000 0.0000 0.5526 0.4474 class 4: 0 0.3325 0.3088 0.3587 0.0000 $Y12 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0 0.1064 0.0980 0.7295 0.066 class 2: 0 0.0000 0.0000 0.0000 1.000 class 3: 0 0.0000 0.0000 1.0000 0.000
class 4: 0 0.0000 0.3601 0.6399 0.000 $Y13 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0 0.1064 0.0000 0.5147 0.3788 class 2: 0 0.0000 0.0879 0.2143 0.6978 class 3: 0 0.1790 0.0000 0.8210 0.0000 class 4: 0 0.0000 0.2375 0.7625 0.0000 $Y14 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0.0000 0.0000 0.0000 0.9442 0.0558 class 2: 0.0000 0.0879 0.1757 0.4740 0.2624 class 3: 0.0000 0.4474 0.5526 0.0000 0.0000 class 4: 0.0475 0.0000 0.4905 0.3437 0.1183 $Y15 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0 0.0000 0.1080 0.7681 0.1239 class 2: 0 0.0000 0.0866 0.4005 0.5128 class 3: 0 0.1790 0.2421 0.4895 0.0895 class 4: 0 0.2613 0.3940 0.3447 0.0000 Estimated class population shares
0.1773 0.2147 0.2109 0.3972
Predicted class memberships (by modal posterior prob.) 0.1792 0.2264 0.2264 0.3679
========================================================= Fit for 4 latent classes:
========================================================= 2 / 1
Coefficient Std. error t value Pr(>|t|) (Intercept) 1.03351 1.00190 1.032 0.315 X -0.27612 0.31934 -0.865 0.397 ========================================================= 3 / 1
Coefficient Std. error t value Pr(>|t|) (Intercept) -2.04769 1.23232 -1.662 0.112 X 0.55385 0.26924 2.057 0.053 ========================================================= 4 / 1
Coefficient Std. error t value Pr(>|t|) (Intercept) 1.18448 0.74814 1.583 0.129 X -0.11757 0.20484 -0.574 0.572 ========================================================= number of observations: 106
number of estimated parameters: 86 residual degrees of freedom: 20 maximum log-likelihood: -508.8669
AIC(4): 1189.734 BIC(4): 1418.79
51
LAMPIRAN D. SKRIP PROGRAM DAN OUTPUT UNTUK TREATH MENGGU- NAKAN SOFTWARE R
a. Skrip program untuk model dua kelompok
> fancam<-cbind(Y21,Y22,Y23,Y24,Y25)~X > lc1ancam<-poLCA(fancam,PASAR,nclass=2)
Conditional item response (column) probabilities, by outcome variable, for each class (row) $Y21 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0 0.0000 0.1968 0.6753 0.1279 class 2: 0 0.0719 0.1299 0.7263 0.0719 $Y22 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0 0.0256 0.1964 0.7013 0.0767 class 2: 0 0.1438 0.7782 0.0779 0.0000 $Y23 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0 0.0000 0.2625 0.6608 0.0767 class 2: 0 0.4315 0.4847 0.0838 0.0000 $Y24 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0.0000 0.0000 0.1815 0.7929 0.0256 class 2: 0.0719 0.2877 0.6404 0.0000 0.0000 $Y25 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0.0000 0 0.0778 0.5298 0.3924 class 2: 0.0719 0 0.3566 0.4882 0.0833 Estimated class population shares
0.7377 0.2623
Predicted class memberships (by modal posterior prob.) 0.7358 0.2642
========================================================= Fit for 2 latent classes:
========================================================= 2 / 1
Coefficient Std. error t value Pr(>|t|) (Intercept) -1.70139 0.73266 -2.322 0.023 X 0.19027 0.18473 1.030 0.307 ========================================================= number of observations: 106
number of estimated parameters: 42 residual degrees of freedom: 64 maximum log-likelihood: -493.8025
AIC(2): 1071.605 BIC(2): 1183.469
X^2(2): 1222.058 (Chi-square goodness of fit)
> ancmat <- cbind(1,c(1:6))
> exb <- exp(ancmat %*% lc1ancam$coeff) > cbind(1,exb)/(1+rowSums(exb)) [,1] [,2] [1,] 0.8192265 0.1807735 [2,] 0.7893217 0.2106783 [3,] 0.7559436 0.2440564 [4,] 0.7191589 0.2808411 [5,] 0.6791829 0.3208171 [6,] 0.6363935 0.3636065 > lc1ancam$predclass [1] 2 1 1 1 1 1 1 2 1 1 1 1 1 2 1 1 1 1 2 1 1 2 2 1 1 1 1 1 1 1 1 1 2 1 1 2 1 [38] 1 2 1 2 2 1 1 2 2 1 2 1 1 1 1 1 1 1 1 2 1 1 1 1 1 2 1 1 1 1 2 1 1 2 2 1 1 [75] 1 1 1 1 1 1 1 2 1 1 2 1 1 2 1 2 2 1 1 2 2 1 2 1 1 2 1 1 1 1 1 1 > matplot(c(1:6),(cbind(1,exb)/(1+rowSums(exb))),
+ main="treath : penentuan kelas laten berdasarkan kovariat", + xlab="lama berlangganan (interval)",
+ ylab="peluang keanggotaan kelas laten", + ylim=c(0,1),type="l",lwd=3,col=1) text(1.9,0.75,"kelompok 1")
text(1.3,0.23,"kelompok 2")
exb <- exp(ancmat %*% matrix(c(-1.70139,0),2,1)) matplot(c(1:6),(cbind(1,exb)/(1+rowSums(exb))),
main="treath : penentuan kelas laten berdasarkan kovariat", xlab="lama berlangganan (interval)",
ylab="peluang keanggotaan kelas laten", ylim=c(0,1),type="l",lwd=3,col=1) text(1.9,0.80,"kelompok 1")
53 > cbind(1,exb)/(1+rowSums(exb)) [,1] [,2] [1,] 0.8457162 0.1542838 [2,] 0.8457162 0.1542838 [3,] 0.8457162 0.1542838 [4,] 0.8457162 0.1542838 [5,] 0.8457162 0.1542838 [6,] 0.8457162 0.1542838
b. Skrip program untuk model tiga kelompok
> fancam<-cbind(Y21,Y22,Y23,Y24,Y25)~X > lc1ancam<-poLCA(fancam,PASAR,nclass=3)
Conditional item response (column) probabilities, by outcome variable, for each class (row) $Y21 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0 0.096 0.1780 0.7260 0.0000 class 2: 0 0.000 0.0000 0.7274 0.2726 class 3: 0 0.000 0.2169 0.6696 0.1135 $Y22 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0 0.1919 0.7040 0.1041 0.0000 class 2: 0 0.0000 0.5911 0.0000 0.4089 class 3: 0 0.0284 0.1937 0.7779 0.0000 $Y23 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0 0.2454 0.6505 0.1041 0.0000 class 2: 0 0.4692 0.0000 0.5308 0.0000 class 3: 0 0.0000 0.2900 0.6249 0.0851 $Y24 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0.096 0.3838 0.5202 0.0000 0.0000 class 2: 0.000 0.0000 0.8637 0.0000 0.1363 class 3: 0.000 0.0000 0.1204 0.8796 0.0000 $Y25 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0.096 0 0.2406 0.6634 0.0000
class 2: 0.000 0 0.3329 0.0000 0.6671 class 3: 0.000 0 0.0866 0.5841 0.3293 Estimated class population shares
0.1966 0.1384 0.665
Predicted class memberships (by modal posterior prob.) 0.1887 0.1509 0.6604
========================================================= Fit for 3 latent classes:
========================================================= 2 / 1
Coefficient Std. error t value Pr(>|t|) (Intercept) 0.32493 1.29249 0.251 0.803 X -0.18864 0.29229 -0.645 0.522 ========================================================= 3 / 1
Coefficient Std. error t value Pr(>|t|) (Intercept) 1.97910 1.00829 1.963 0.056 X -0.21425 0.22701 -0.944 0.351 ========================================================= number of observations: 106
number of estimated parameters: 64 residual degrees of freedom: 42 maximum log-likelihood: -469.3391
AIC(3): 1066.678 BIC(3): 1237.138
X^2(3): 332.9499 (Chi-square goodness of fit)
> probs<-poLCA.reorder(lc1ancam$probs.start, order(lc1ancam$P, decreasing = TRUE))
> lc2ancam<-poLCA(fancam,PASAR,nclass=3,probs.start=probs)
Conditional item response (column) probabilities, by outcome variable, for each class (row) $Y21 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0 0.000 0.2169 0.6696 0.1135 class 2: 0 0.096 0.1780 0.7260 0.0000 class 3: 0 0.000 0.0000 0.7274 0.2726 $Y22 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0 0.0284 0.1937 0.7779 0.0000 class 2: 0 0.1919 0.7040 0.1041 0.0000 class 3: 0 0.0000 0.5911 0.0000 0.4089 $Y23 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0 0.0000 0.2900 0.6249 0.0851 class 2: 0 0.2454 0.6505 0.1041 0.0000 class 3: 0 0.4692 0.0000 0.5308 0.0000 $Y24
55 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0.000 0.0000 0.1204 0.8796 0.0000 class 2: 0.096 0.3838 0.5202 0.0000 0.0000 class 3: 0.000 0.0000 0.8637 0.0000 0.1363 $Y25 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0.000 0 0.0866 0.5841 0.3293 class 2: 0.096 0 0.2406 0.6634 0.0000 class 3: 0.000 0 0.3329 0.0000 0.6671 Estimated class population shares
0.665 0.1966 0.1384
Predicted class memberships (by modal posterior prob.) 0.6604 0.1887 0.1509
========================================================= Fit for 3 latent classes:
========================================================= 2 / 1
Coefficient Std. error t value Pr(>|t|) (Intercept) -1.97910 1.00829 -1.963 0.056 X 0.21425 0.22701 0.944 0.351 ========================================================= 3 / 1
Coefficient Std. error t value Pr(>|t|) (Intercept) -1.65417 0.75153 -2.201 0.033 X 0.02561 0.21510 0.119 0.906 ========================================================= number of observations: 106
number of estimated parameters: 64 residual degrees of freedom: 42 maximum log-likelihood: -469.3391
AIC(3): 1066.678 BIC(3): 1237.138
X^2(3): 332.9499 (Chi-square goodness of fit)
c. Skrip program untuk model empat kelompok
> fancam<-cbind(Y21,Y22,Y23,Y24,Y25)~X > lc1ancam<-poLCA(fancam,PASAR,nclass=4)
Conditional item response (column) probabilities, by outcome variable, for each class (row) $Y21 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0 0.1109 0.2218 0.6674 0.0000 class 2: 0 0.0000 0.0000 0.8904 0.1096 class 3: 0 0.0000 0.0000 0.7405 0.2595 class 4: 0 0.0000 0.2419 0.6290 0.1290 $Y22 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0 0.2218 0.7782 0.0000 0.0000
class 2: 0 0.0000 0.1235 0.5478 0.3287 class 3: 0 0.0000 1.0000 0.0000 0.0000 class 4: 0 0.0323 0.2097 0.7581 0.0000 $Y23 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0 0.1163 0.7728 0.1109 0.0000 class 2: 0 0.1202 0.1129 0.7670 0.0000 class 3: 0 1.0000 0.0000 0.0000 0.0000 class 4: 0 0.0000 0.2903 0.6129 0.0968 $Y24 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0.1109 0.4435 0.4456 0 0.0000 class 2: 0.0000 0.0000 0.8904 0 0.1096 class 3: 0.0000 0.0000 1.0000 0 0.0000 class 4: 0.0000 0.0000 0.0000 1 0.0000 $Y25 Pr(1) Pr(2) Pr(3) Pr(4) Pr(5) class 1: 0.1109 0 0.2272 0.6619 0.0000 class 2: 0.0000 0 0.0000 0.3320 0.6680 class 3: 0.0000 0 0.7656 0.0000 0.2344 class 4: 0.0000 0 0.0968 0.5968 0.3065 Estimated class population shares
0.1702 0.1722 0.0727 0.5849
Predicted class memberships (by modal posterior prob.) 0.1698 0.1698 0.0755 0.5849
========================================================= Fit for 4 latent classes:
========================================================= 2 / 1
Coefficient Std. error t value Pr(>|t|) (Intercept) -0.06321 1.01207 -0.062 0.951 X 0.02065 0.26391 0.078 0.938 ========================================================= 3 / 1
Coefficient Std. error t value Pr(>|t|) (Intercept) -0.87702 1.43500 -0.611 0.548 X 0.00740 0.37798 0.020 0.985 ========================================================= 4 / 1
Coefficient Std. error t value Pr(>|t|) (Intercept) 1.75843 0.87366 2.013 0.058 X -0.15335 0.23383 -0.656 0.519 ========================================================= number of observations: 106
number of estimated parameters: 86 residual degrees of freedom: 20 maximum log-likelihood: -454.913
AIC(4): 1081.826 BIC(4): 1310.882