C. Macam-macam Korelasi 1.

Korelasi Pearson Product Moment Korelasi ini dilakukan jika sepasang variabel kontinu, memiliki korelasi. Jumlah pengamatan variabel X dan Y harus sama, atau kedua nilai variabel tersebut berpasangan. Semakin besar nilai koefisien korelasinya maka akan semakin besar pula derajat hubungan antara kedua variabel. Korelasi Pearson biasanya pada hubungan yang berbentuk linier (keduanya meningkat atau keduanya menurun). Koefisien korelasi ini tidak menunjukkan adanya hubungan kausal antar variabelnya. Rumus menghitungnya ialah :
Rumus Korelasi Product Moment/Pearson Correlation ada 2 macam, yaitu: 1.Korelasi Product Moment dengan simpangan: r_xy=(∑xy)/√((∑x^2 )(∑y^2 ) ) Keterangan: r_xy =Koefisiensi korelasi anatara variabel X dan variabel Y:dua variabel yang dikorelasikan ( x=X-M ) dan( y= Y-M). ∑xy =Jumlah perkalian x dengan y x^2 =Kuadrat dari x (deviasi x) y^2 =Kuadrat dari y (deviasi y) 2.Korelasi Product Moment dengan Angka Kasar: r_xy=(NΣxy_(-(∑x) ) (∑y))/√((NΣx^2-(∑x)^2 (NΣy^2-(Σy)^(2)) )

Keterangan:

r_xy=Koefisien korelasi antara variabel X dan variabel Y Σxy =Jumlah perkalian antara variabel x dan Y ∑x^2 =Jumlah dari kuadrat nilai X ∑y^2 =Jumlah dari kuadrat nilai Y (∑x)^2=Jumlah nilai X kemudian dikuadratkan (∑y)^2=Jumlah nilai Y kemudian dikuadratkan

http://rumusterbaru.blogspot.com/2011/06/rumus-korelasi-product-moment.html (Sumber rumus)

2. Korelasi Spearmanr Jika pengamatan dari 2 variabel X dan Y adalah dalam bentuk skala ordinal, maka derajat korelasi dicari dengan koefisien korelasi spearman. Prosedurnya terdiri atas:    Atur Pengamatan dari kedua variabel dalam bentuk ranking. Cari beda dari masing-masing pengamatan yang sudah berpasangan Hitung koefisien korelasi Spearman dengan rumus: ρ = 1 = 6∑d12 / N3 – N dimana: d1 = beda antara 2 pengamatan berpasangan N = total pengamatan ρ = koefisien korelasi spearman Contoh aplikasi : jika seorang peneliti ingin melihat apakah ada korelasi antara kasus kematian pada ternak yang yang sakit dengan kematian ternak akibat stress, maka secara random diambil 10 sampel ternak. Penyelesaian kasus tersebut secara manual dapat digunakan dengan langkah pemeringkatan terlebih dahulu pada kedua variabel (kematian karena sakit dan kematian karena stress). 3. Korelasi Rank Kendall Analisis korelasi rank Kendall digunakan untuk mencari hubungan dan menguji hipotesis antara dua variabel atau lebih, bila datanya berbentuk ordinal atau ranking. Kelebihan metode ini bila digunakan untuk menganalisis sampel berukuran lebih dari 10 dan dapat dikembangkan untuk mencari koefisien korelasi parsial. Metode yang digunakan pada analisis koefisien korelasi rank Kendall yang diberi notasi τ adalah sebagai berikut.   Beri ranking data observasi pada variabel X dan variabel Y. Susun n objek sehingga ranking X untuk subjek itu dalam urutan wajar, yaitu 1, 2, 3, …, n. Apabila terdapat ranking yang sama maka ranking-nya adalah rataratanya.

r2xz 1 . Singkatnya r1234 adalah korelasi antara 1 dan 2. Phi korelasi Korelasi phi (n) yang digunakan untuk mencari hubungan antara dua variable diskrit.com/2009/11/korelasi-merupakan-hubungan-antara-dua. Kelompok yang tidak sama jumlahnya . Rumus yang digunakan dalam korelasi parsial adalah: rxy. Amati ranking Y dalam urutan yang bersesuaian dengan ranking X yang ada dalam urutan wajar kemudian tentukan jumlah angka pasangan concordant (Nc) dan jumlah angka pasangan discordant (Nd).z = [ rxy – (rxz) (ryz) ] / [ 1 .html 5. maka dapat disimpulkan bahwa korelasi yang dihitung sebelumnya adalah semu.blogspot. misalnya apakah nilai penjualan suatu komoditi terkait kuat kepada pembelanjaan iklan ketika efek harga dikendalikan.z = korelasi parsial antara X dan Y.r2yz ] dimana: rxy. Korelasi Parsial Korelasi parsial adalah pengukuran hubungan antara dua variabel.blogspot.com/2009/11/korelasi-parsial-adalah-pengukuran. Korelasi parsial dapat digunakan pada banyak kasus. dengan mengontrol atau menyesuaikan efek dari satu atau lebih variabel lain. a. Jika korelasi parsialnya nol.html 4.  Statistik uji yang digunakan: τ = Nc – Nd / (N(N-1)/2) dimana: τ = koefisien korelasi rank Kendall Nc = jumlah angka pasangan concordant Nd = jumlah angka pasangan discordant N = ukuran sampel http://statistik4life. dengan mengendalikan variabel 3 dan 4 dengan asumsi variabel 1 dan 2 berhubungan linier terhadap variabel 3 dan 4. dengan mengendalikan Z http://statistik4life.

. Hasilnya dapat dikonsultasikan ke table r hasil korelasi product moment. kelompok yang sama jumlahnya 6.b. yang satu variable kontinum dan yang satu variable deskrit murni. Poin biseral korelasi Digunakan apabila kita hendak mengetahui korelasi dua variable.

. Koefisien kontingensi Koefisien ini akan menunjukkan korelasi antara 2 gejala nominal rumus dan pergunaannya sebagai berikut: Untuk menghitung koefisien kontingensinya dipakai rumus http://mydreamforlifelove.7. Regresi Linear . Pengertian regresi Linear dan regresi Non Linear 1.blogspot.com/ D.

53 = 13. Regresi linear hanya dapat digunakan pada skala interval dan ratio. variabel independen atau variabel penjelas.06 x 100 000 000 liter  Regresi Linear Berganda Analisis regresi linear berganda sebenarnya sama dengan analisis regresi linear sederhana.053 (10) = 2. 10 juta ? Jawab : Y = 2. Contoh Kasus Diketahui hubungan Biaya Promosi (X dalam Juta Rupiah) dan Y (Volume penjualan dalam Ratusan Juta liter) dapat dinyatakan dalam persamaan regresi linier berikut Y = 2.530 + 1. Variabel yang dipengaruhi sering disebut dengan variabel terikat atau variabel dependen. dan regresi linear berganda dengan beberapa variabel bebas dan satu buah variabel terikat.053 X Perkirakan Volume penjualan jika dikeluarkan biaya promosi Rp. Koefisien a adalah konstanta (intercept) yang merupakan titik potong antara garis regresi dengan sumbu Y pada koordinat kartesius. Secara umum regresi linear terdiri dari dua.  Regresi Linear Sederhana Analisis regresi linear sederhana dipergunakan untuk mengetahui pengaruh antara satu buah variabel bebas terhadap satu buah variabel terikat.06 (ratusan juta liter) Volume penjualan = 13. Persamaan umumnya adalah Bentuk Umum Regresi Linier Sederhana Y = a + bX Y : peubah takbebas X : peubah bebas a : konstanta b : kemiringan Dengan Y adalah variabel terikat dan X adalah variabel bebas.Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui pengaruh antara satu atau beberapa variabel terhadap satu buah variabel.53 + 10. Persamaan umumnya adalah: Bentuk Umum Regresi Linier Berganda .530 + 1. Variabel yang mempengaruhi sering disebut variabel bebas.053 X X = 10 Y = 2. hanya variabel bebasnya lebih dari satu buah.53 + 1. yaitu regresi linear sederhana yaitu dengan satu buah variabel bebas dan satu buah variabel terikat.

html 2.. http://duwiconsultant.edu/Direktori/FIP/JUR.Y = a + b1X1 + b2X2 + ._PEND. Bambang dalam penelitiannya ingin mengetahui hubungan antara rasio keuangan PER dan ROI terhadap harga saham.com/2011/11/analisis-regresi-linier-berganda. http://perkuliahan-vi. Dengan ini Bambang menganalisis dengan bantuan program SPSS dengan alat analisis regresi linear berganda. Dari uraian di atas maka didapat variabel dependen (Y) adalah harga saham. maksudnya jika data asli Xi dan Yi ditebarkan pada diagram tebar (scater diagram) tidak mengikuti garis lurus tetapi mengikuti suatu bentuk kurva tertentu.html  Regresi logistic . katakanlah kurva eksponensial. Regresi non linear Regresi non linier adalah suatu metode untuk mendapatkan model non linier yang menyatakan veriabel dependen dan independen.html http://file.com/2011/01/analisis-regresi.pdf Contoh kasus: Kita mengambil contoh kasus pada uji normalitas.com/2009/03/regresi-linear. maka analisis regresi yang cocok untuk menerangkan hubungan antara X dan Y tersebut adalah analisis regresi non linier sederhana. yaitu sebagai berikut: Seorang mahasiswa bernama Bambang melakukan penelitian tentang faktorfaktor yang mempengaruhi harga saham pada perusahaan di BEJ.konsultanstatistik. http://www. a adalah konstanta (intersept) dan b adalah koefisien regresi pada masing-masing variabel bebas.blogspot. dan X adalah variabel-variabel bebas._LUAR_SEKOLAH/197108171998021SARDIN/pertemuan_7.upi.+ bn Y : peubah takbebas a : konstanta X1 : peubah bebas ke-1 b1 : kemiringan ke-1 X2 : peubah bebas ke-2 b2 : kemiringan ke-2 Xn : peubah bebas ke-n bn : kemiringan ke-n Dengan Y adalah variabel bebas. sedangkan variabel independen (X1 dan X2) adalah PER dan ROI.blogspot.. Apabila hubungan fungsi antara variabel bebas X dan variabel tidak bebas Y bersifat non linier.

id/eColls/eThesis/Bab2/2012-1-00563-STIF%20Bab%202.Variabel dependen / variabel yang dipengaruhi Huruf X -. http://arokhman.konstanta atau intercept yaitu sifat bawaan dari variabel Y Huruf b1. Metode ini merupakan model linier umum yang digunakan untuk regresi binomial.binus.unsoed.ac.pdf  Regresi kuadratik Regresi non linear model kuadratik merupakan hubungan antara dua peubah yang erdiri dari variabel dependen ( Y ) dan variabel independen ( X ) sehingga akan diperoleh suatu kurva yang membentuk garis lengkung menaik (β2>0) atau menurun (β2<0). Kepuasan penggunana layanan (Y) sebagai variabel dependent adalah variabel dummy dimana dimana jika responden menjawab puas maka kita beri skor 1 dan jika menjawab tidak puas kita beri skor 0.parameter yangmenunjukkan slope atau kemiringan garis regresi . Huruf Y -.Regresi logistik (kadang disebut model logistik atau model logit).org/wiki/Regresi_logistik http://library.Variabel Bebas / variabel yangmempengaruhi £ Huruf b0/ a / / 0-. Kualitas pelayanan publik diteliti melaluji variabel Daya Tanggap (X1) dan Empati (X2).ac.wikipedia.pdf (Sumber rumus dan keterangan) Contoh kaasus Seorang peneliti ingin mengetahui bagaimana pengaruh kualitas pelayanan publik terhadap kepuasan pengguna (masyarakat). bn-.id/files/2009/06/Regresi-Logistik-for-MAP. b2. dalam statistika digunakan untuk prediksi probabilitas kejadian suatu peristiwa dengan mencocokkan data pada fungsi logit kurva logistik. http://id.blog.

pdf  Regresi eksponensial Regresi eksponensial adalah regresi nonlinier yang variabel responnya berasal dari distribusi Eksponensial.deptan.Huruf e / epsilon/ miu-. b : konstanta Yi > 0 Regresi kubik Jika suatu data yang diberikan hanya dapat disajikan melalui kurvaregresi non linear. http://www. maka kita harus menentukan bentuk kurvanya danmenduga parameternya. Dalam pendugaan koefisien regresi terlebihdahulu diperlukan model sampel untuk mendekati data yang diperoleh darisampel. ax Y=be Dimana : Y : regresi eksponensial Y terhadap X (varabel tak bebas ) X : variabel bebas a.com/doc/102215999/ANREG-KUADRATIK Contoh Kasus : Untuk mengaplikasikan analisa regresi non linear dalam makalah ini dengan membahas model polynomial kuadratik dengan rumus matematis E(Y)=β0 + β1X + β2X2 terhadap produksi susu kambing PE selama 90 hari pertama laktasi yang didasarkan pada jumlah produksi susu kambing PE terhadap waktu (hari).litbang.scribd.id/warta-ip/pdf-file/yusnandar-13.go. dalam persamaan tersebut β1 dan β2 merupakan koefisien regresi parsial. Model sampel yang digunakan untuk regresi polinomial berderajattiga adalah sebagai berikut : .disebut juga dengan error termatau kesalahan penganggu http://www.

analisis regresi linear sederhana Analisis regresi linier sederhana adalah hubungan secara linear antara satu variabel independen (X) dengan variabel dependen (Y).scribd. Data yang digunakan biasanya berskala interval atau rasio. 2. n http://www... Rumus regresi linear sederhana sebagi berikut: Y’ = a + bX Keterangan: Y’ = Variabel dependen (nilai yang diprediksikan) X = Variabel independen a = Konstanta (nilai Y’ apabila X = 0) b = Koefisien regresi (nilai peningkatan ataupun penurunan) http://duwiconsultant.blogspot. 3 ε= galat ke-i yang diasumsikan berdistribusi bebas normal dengan nilai ratarata 0 dan ragam (σ2) X0i= 1 i = 1. 2.X3terhadap peubah Y padaderajat atau ordo ke 1.. X2. 3..com/2011/11/analisis-regresi-linier-sederhana.html Langkah analisis regresi linier sederhana : . .com/doc/102216074/Anreg-Kubik E.Dimana : Yi= nilai pengamatan ke-i Xi= nilai peubah X yang ke-i β0= titik potong / parameter intersep β1-β3= Parameter pengaruh peubah X1. Analisis ini untuk mengetahui arah hubungan antara variabel independen dengan variabel dependen apakah positif atau negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel independen mengalami kenaikan atau penurunan.

files. Contoh klasik adalah peluruhan nuklir atom.) k : jumlah kejadian suatu peristiwa/peluang yang diberikan oleh fungsi ini λ : bilangan riil positif. error dari sistem yang berbeda saling terkorelasi/berhubungan.. Distribusi poisson juga dapat digunakan untuk jumlah kejadian pada interval tertentu seperti jarak. 2. . distribusi poisson adalah distribusi probabilitas diskret yang menyatakan peluang jumlah peristiwa yang terjadi pada periode waktu tertentu apabila rata-rata kejadian tersebut diketahui dan dalam waktu yang saling bebas sejak kejadian terakhir. 1. Teknik-Teknik Regresi 1. Model SUR terdiri atas beberapa sistem persamaan yang tidak berhubungan (unrelated).http://samianstats. 2. atau volume. yang mana kenyataannya cukup jarang. Distribusi poisson dapat diterapkan pada sistem dengan kejadian berjumlah besar yang yang mungkin terjadi. yang merupakan bahasan dari model regresi multivariat (multiple regression). sama dengan nilai harapan peristiwa yang terjadi dalam interval tertentu. dst) sama dengan Dimana : • • • e : basis logaritma natural (e = 2. Sebagai fungsi.71828. Artinya setiap variabel (dependen maupun independen) terdapat dalam satu sistem.. Pada model SUR.Model seemingly unrelated regressions (SUR) Model seemingly unrelated regressions (SUR) diperkenalkan oleh Zellner pada tahun 1962. luas. Beberapa persamaan regresi yang berbeda dapat disatukan untuk mendapatkan parameter yang efisien dengan SUR. Distribusi / Sebaran Poisson Dalam teori probabilitas dan statistika.pdf F. dan merupakan bagian dari regresi linier. Apabila nilai harapan kejadian pada suatu interval adalah . k ini disebut fungsi massa probabilitas.com/2008/10/analisis-regresi. maka probabilitas terjadi peristiwa sebanyak k kali (k = 0. Singkatnya sistem persamaan linier beberapa persamaan regresi dapat diselesaikan menjadi satu set persamaan saja.wordpress.

Dalam bentuknya yang paling sederhana. variabel prediktor yang . Pada regresi linier.t 3.Jika kita memiliki beberapa persamaan regresi seperti berikut ini: Dimana: t = 1. Model yang digunakan sama dengan model pada regresi linier berganda. regresi linear digunakan untuk mencocokkan baris ke data. Pendekatan ini mencoba untuk melakukan proyeksi berdasarkan hubungan tersebut. Baris itu kemudian digunakan untuk meramalkan variabel dependen yang dipilih untuk beberapa nilai dari variabel independen. Regresi Logistik Biner Regresi logistik umumnya melibatkan berbagai macam variabel prediktor baik numerik ataupun kategorik.2. Peramalan Berbasis Regresi Model kausal mengasumsikan bahwa variabel yang diramalkan (variabel dependen) terkait dengan variabel lain (variabel independen) dalam model. termasuk variabel dummy. yaitu: Y = b0 + b1X1 + b2X2 + b3X3 + … + bnXn + bnd + En dimana: Y = nilai observasi dari variabel yang diukur b0 = konstanta X = variabel pengukur (independen) d = variabel surrogates (dummy) ε = error 4.…..

. kita akan memutuskan variabel mana yang merupakan prediktor terbaik untuk dimasukkan ke dalam model.wordpress. dan β adalah koefisien regresi.15). Kemudian variabel dengan nilai p-value lebih dari nilai kritik α akan dihilangkan.digunakan biasanya numerik. .wordpress. Teknik ini dilakukan melalui beberapa tahapan. Model yang digunakan pada regresi logistik adalah: Log (P / 1 – p) = β0 + β1X1 + β2X2 + …. Regresi logistik menghasilkan rasio peluang (odds ratios) antara keberhasilan atau kegagalan suatu dari analisis. . Xn adalah variabel independen. + βnXn http://ariyoso. Regresi Dummy . Persamaan Regresi logistik : logit(p) = log (p/1-p) = ln (p/1-p) dimana p bernilai antara 0-1. + βkXk Dimana p adalah kemungkinan bahwa Y = 1. Pada masing-masing tahapan.com/category/teknik-regresi/ 6. Model dalam regresi Stepwise adalah: Y = β0 + β1X1 + β2X2 + β3X3 + …. Regresi Stepwise Regresi stepwise melibatkan dua jenis proses yaitu: forward selection dan backward elimination. X2. variabel ditambahkan ke dalam model selama nilai p-valuenya kurang dari nilai kritik α (biasanya 0. Proses ini dilakukan terus menerus hingga tidak ada lagi variabel yang memenuhi kriteria untuk ditambahkan atau dihilangkan. Variabel ditentukan berdasarkan uji-F. dan X1. tetapi jika melibatkan campuran antara numerik maupun kategorik dapat digunakan regresi logistik. Sumber : http://ariyoso.com/2009/11/11/regresi-logistik/ 5.

lecture. Regresi ini menggunakan prediktor kualitatif (yang bukan dummy dinamai prediktor kuantitatif). Diagram Pencar dan Bentuknya Pengertian dan Tujuan Diagram Scatter (Diagram Pencar/ Sebar) Scatter diagram adalah gambaran yang menunjukkan kemungkinan hubungan (korelasi) antara pasangan dua macam variabel dan menunjukkan keeratan hubungan antara dua variabel tersebut yang sering diwujudkan sebagai koefisien korelasi.id/files/2012/03/Regresi-Dummy. Manfaat Diagram Scatter (Diagram Pencar/ Sebar) Dikatakan juga bahwa Scatter diagram menunjukan hubungan antara dua variabel. Regresi dummy akan menunjukan kondisi ‘ada’ atau ‘tidak ada’ Dummy.ub. . Persamaan regresi dummy : Y=+D+u Dimana : Y = Harga produk D = variabel dummy u = kesalahan random Sumber : http://enistat.ppt G. Kondisi Dummy berharga 1 maka Dummy ada dalam model). Scatter diagram juga dapat digunakan untuk mengecek apakah suatu variabel dapat digunakan untuk mengganti variabel yang lain. Scatter diagram sering digunakan sebagai analisis tindak lanjut untuk menentukan apakah penyebab yang ada benar-benar memberikan dampak kepada karakteristik kualitas. dan kondisi sebaliknya Dummy berharga 0 maka Dummy ‘hilang’ dari model.Regresi Dummy adalah Regresi Kategori.ac. ).

Dan persamaannya membentuk garis lurus. Dimana apabila nilai x naik maka nilai y juga ikut naik.google.Linear negatif Diagram pencar ini memiliki hubungan yang berhubungan dengan kedua variabelnya. Oleh karena itu dikatakan diagram pencar linear negatif.https://sites. Linear positif Diagram pencar ini memiliki hubungan yang saling sejalan/ searah dan membentuk garis lurus dari persamaan yang didapatkan . . Dimana apabila nilai x meningkat maka nilai y nya menurun. 2.com/site/kelolakualitas/Scatter-Diagram-Diagram-Pencar-SebarPengertian-Tujuan-Manfaat-Cara-Membuat-Contoh-Scatter-Diagram-Diagram-PencarSebar 1.

Curve Linear Positif Diagram pencar hampir sama dengan linear positif hanya saja garis yang dihasilkan membentuk kurva karena persamaannya kuadrat.Curve Linear Negatif Diagram pencar ini hamper sama dengan linear negatif. . hanya saja garis yang dihasilkan membentuk kurva karena persamannya dari persamaan kuadrat. 4.3.

Jadi garis yang dihasilkan membentuk kurva persamaan kuadrat juga.Tak Tentu Diagram pencar ini menggambarkan seolah-olah tidak ada hubungan antara variabel x dan y seolah-olah keduanya tidak saling mempengaruhi. karena diagram yang didapatkan tersebar secara acak dan tidak berpola. .5.Curve Linear Diagram pencar ini mengambarkan kondisi dimana didapatkan hubungan antara variabel x dan variabel y yang meningkat namun saat mencapai keadaan maksimum keduanya mengalami penurunan. 6.

com/2008/05/regresi-dan-korelasi. F = S Tc / S2e yang akan dipakai untuk menguji tuna cocok regresi linier.. Xip.com/2012/05/diagram-pencar-dan-jenis-jenisnya.blogspot. maka kita perlu menghitung jumlah kuadrat. Xi2.blogspot. dari daftar analisis varians untuk uji kelinieran regresi didapatkan dua hasil yaitu: a.html H. Rumus nya yaitu sebagai berikut : Dimana : y = vektor dari variabel reson yang berukuran (n x 1) x = matriks dari variabel prediktor yang berukuran (n x (p+1)) .kuadrat kekeliruan eksperimen yang disingkat dengan JK(E).. Regresi eksponensial digunakan untuk menentukan fungsi fungsi eksponensial yang paling sesuai dengan sekumpulan data (Xi1. Agar supaya JKres dapat dipecah .http://hierone1. didapat dengan mengurangi JKres oleh JK(E). F = S reg / S2res untuk uji independent b. Regresi Eksponensial Regresi eksponensial adalah regresi nonlinier yang variabel responnya berasal dari distribusi Eksponensial.html I. http://statistikindustri. Dengan tanda jumlah yang pertama diambil untuk semua harga X. jumlah kuadrat – kuadrat untuk tuna cocok model linier(JK(TC)). . ti). . Uji kelinearan Regresi Uji kelinieran regresi adalah menguji apakah model linier yang telah diambil itu betulbetul cocok dengan keadaannya ataukah tidak cocok dengan keadaannya. Jika hasil pengujian mengatakan model linier kurang cocok maka selayaknya harus diambil model lain yang non linier.

/a/.blog./Makalah_regresi_dan_korelasi. Dengan diagram pencar dapat diketahui secara kasar ketepatan garis regresi dengan memperhatikan luas penyimpangan terhadap garis regresi yang berupa titik-titik koordinat. Perhitungan estimasi kesalahan baku dapat diperkirakan dengan menggunakan rumus berikut : ∑( ̂) Rumus : Se = √ atau Se = √ ∑ ∑ ∑ Y = nilai variabel dependen X = nilai variabel independen b = koefisien regresi Y = nilai estimasi terhadap setiap nilai Y a = Y.doc K.intercept n = jumlah pasangan pengamatan Sumber : openwetware....org/.ac.. Standar Error Estimasi Setelah kita menentukan bentuk garis regresi maka tindakan selanjulnva adalah menentukan ketepatan garis regresi tersebut. Bila penyebaran titik-titik koordinat tidak luas berarti semakin tepat garis regresi yang kita buat dan sebaliknya. Multikolinearitas .pdf J. Uji Multikolinearitas dan Uji Autolinearitas A.= parameter yang berbentuk vektor dengan ukuran ((p+1) x 1) = error yang berdistribusi eksponensial (1) http://hana.id/files/2012/06/presentasi-9-regresi-eksponensial-pada-sampeltersensor-tipe-2-2003.unair.

jika VIF lebih besar dari 1/(1 – R2) atau nilai toleransi kurang dari (1 – R2). dan yang paling umum digunakan adalah varians inflation factor (VIF). Autokorelasi Autokorelasi berarti terdapatnya korelasi antaranggota sampel atau data pengamatan yang diurutkan berdasarkan waktu (seperti data time series).Multikolinearitas adalah kondisi terdapatnya hubungan linier atau korelasi yang tinggi antara masing-masing variabel independen dalam model regresi. eigenvalue. misalnya variabel yang seharusnya memiliki pengaruh positif (nilai koefisien positif). Multikolinearitas biasanya terjadi ketika sebagian besar variabel yang digunakan saling terkait dalam suatu model regresi. B. sehingga munculnya suatu datum . Perubahan kecil sekalipun pada data akan menyebabkan perubahan signifikan pada variabel yang diamati. ditunjukkan dengan nilai negatif. Oleh karena itu masalah multikolinearitas tidak terjadi pada regresi linier sederhana yang hanya melibatkan satu variabel independen. Klein (1962) menunjukkan bahwa. 2. maka multikolinearitas dapat dianggap signifikan secara statistik. Memang belum ada kriteria yang jelas dalam mendeteksi masalah multikolinearitas dalam model regresi linier. 3. namun nilai standar error dan tingkat signifikansi masingmasing variabel sangat rendah. Tetapi kita dapat melihat indikasi multikolinearitas dengan tolerance value (TOL). sementara itu para ahli lainnya menegaskan bahwa besarnya R2 model dianggap mengindikasikan adanya multikolinearitas. Nilai koefisien variabel tidak sesuai dengan hipotesis. Hingga saat ini tidak ada kriteria formal untuk menentukan batas terendah dari nilai toleransi atau VIF. Indikasi terdapat masalah multikolinearitas dapat kita lihat dari kasus-kasus sebagai berikut: 1. Beberapa ahli berpendapat bahwa nilai toleransi kurang dari 1 atau VIF lebih besar dari 10 menunjukkan multikolinearitas signifikan. Selain itu hubungan korelasi yang tinggi belum tentu berimplikasi terhadap masalah multikolinearitas. Nilai R2 yang tinggi (signifikan).

Jika d < dl. berarti tidak terdapat autokorelasi 4. M. Uji autokorelasi perlu dilakukan apabila data yang dianalisis merupakan data time series (Gujarati. Jika du < d < (4 – dl).dipengaruhi oleh datum sebelumnya (Ir. Berdasarkan konsep tersebut. berarti terdapat autokorelasi positif 2. Hasil perbandingan akan menghasilkan kesimpulan seperti kriteria sebagai berikut: 1.wordpress. dimana: d = nilai Durbin Watson Σei = jumlah kuadrat sisa Nilai Durbin Watson kemudian dibandingkan dengan nilai d-tabel. Jika d > (4 – dl). berarti tidak dapat disimpulkan http://ariyoso.M. Jika dl < d < du atau (4 – du). berarti terdapat autokorelasi negatif 3. 1993). http://khansamhamnida. Iqbal Hasan.wordpress. maka uji asumsi tentang autokorelasi sangat penting untuk dilakukan tidak hanya pada data yang bersifattime series saja.com/2009/11/27/multikolinearitas-dan-autokorelasi/ .com/2011/04/20/autokorelasi-pengertian-autokorelasi/ Uji autokorelasi digunakan untuk melihat apakah ada hubungan linier antara error serangkaian observasi yang diurutkan menurut waktu (data time series). M.). akan tetapi semua data (independen variabel) yang diperoleh perlu diuji terlebih dahulu autokorelasinya apabila akan dianalisis dengan regresi linier ganda.

Sign up to vote on this title
UsefulNot useful