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.

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

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

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

06 (ratusan juta liter) Volume penjualan = 13.53 + 10.053 X X = 10 Y = 2. yaitu regresi linear sederhana yaitu dengan satu buah variabel bebas dan satu buah variabel terikat.53 = 13. Variabel yang mempengaruhi sering disebut variabel bebas.53 + 1.053 X Perkirakan Volume penjualan jika dikeluarkan biaya promosi Rp.530 + 1. 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. Regresi linear hanya dapat digunakan pada skala interval dan ratio. 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. 10 juta ? Jawab : Y = 2. Secara umum regresi linear terdiri dari dua. variabel independen atau variabel penjelas. Persamaan umumnya adalah: Bentuk Umum Regresi Linier Berganda .053 (10) = 2. hanya variabel bebasnya lebih dari satu buah.530 + 1.Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui pengaruh antara satu atau beberapa variabel terhadap satu buah variabel. Variabel yang dipengaruhi sering disebut dengan variabel terikat atau variabel dependen. dan regresi linear berganda dengan beberapa variabel bebas dan satu buah variabel terikat.06 x 100 000 000 liter  Regresi Linear Berganda Analisis regresi linear berganda sebenarnya sama dengan analisis regresi linear sederhana.  Regresi Linear Sederhana Analisis regresi linear sederhana dipergunakan untuk mengetahui pengaruh antara satu buah variabel bebas terhadap satu buah variabel terikat. Koefisien a adalah konstanta (intercept) yang merupakan titik potong antara garis regresi dengan sumbu Y pada koordinat kartesius.

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

parameter yangmenunjukkan slope atau kemiringan garis regresi . Huruf Y -.id/eColls/eThesis/Bab2/2012-1-00563-STIF%20Bab%202. http://arokhman.Regresi logistik (kadang disebut model logistik atau model logit). bn-.unsoed.id/files/2009/06/Regresi-Logistik-for-MAP.blog.wikipedia.konstanta atau intercept yaitu sifat bawaan dari variabel Y Huruf b1. 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. b2.org/wiki/Regresi_logistik http://library. Metode ini merupakan model linier umum yang digunakan untuk regresi binomial.ac. Kualitas pelayanan publik diteliti melaluji variabel Daya Tanggap (X1) dan Empati (X2).pdf (Sumber rumus dan keterangan) Contoh kaasus Seorang peneliti ingin mengetahui bagaimana pengaruh kualitas pelayanan publik terhadap kepuasan pengguna (masyarakat).Variabel Bebas / variabel yangmempengaruhi £ Huruf b0/ a / / 0-.binus. dalam statistika digunakan untuk prediksi probabilitas kejadian suatu peristiwa dengan mencocokkan data pada fungsi logit kurva logistik.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). http://id.Variabel dependen / variabel yang dipengaruhi Huruf X -.ac.

pdf  Regresi eksponensial Regresi eksponensial adalah regresi nonlinier yang variabel responnya berasal dari distribusi Eksponensial. b : konstanta Yi > 0 Regresi kubik Jika suatu data yang diberikan hanya dapat disajikan melalui kurvaregresi non linear. Model sampel yang digunakan untuk regresi polinomial berderajattiga adalah sebagai berikut : .litbang. maka kita harus menentukan bentuk kurvanya danmenduga parameternya.go.disebut juga dengan error termatau kesalahan penganggu http://www. Dalam pendugaan koefisien regresi terlebihdahulu diperlukan model sampel untuk mendekati data yang diperoleh darisampel.scribd. ax Y=be Dimana : Y : regresi eksponensial Y terhadap X (varabel tak bebas ) X : variabel bebas a. dalam persamaan tersebut β1 dan β2 merupakan koefisien regresi parsial.Huruf e / epsilon/ miu-. http://www.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).deptan.id/warta-ip/pdf-file/yusnandar-13.

html Langkah analisis regresi linier sederhana : .Dimana : Yi= nilai pengamatan ke-i Xi= nilai peubah X yang ke-i β0= titik potong / parameter intersep β1-β3= Parameter pengaruh peubah X1.com/2011/11/analisis-regresi-linier-sederhana. Data yang digunakan biasanya berskala interval atau rasio..X3terhadap peubah Y padaderajat atau ordo ke 1. X2. .com/doc/102216074/Anreg-Kubik E.. 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. analisis regresi linear sederhana Analisis regresi linier sederhana adalah hubungan secara linear antara satu variabel independen (X) dengan variabel dependen (Y). n http://www. 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.. 2. 3.. 2. 3 ε= galat ke-i yang diasumsikan berdistribusi bebas normal dengan nilai ratarata 0 dan ragam (σ2) X0i= 1 i = 1.scribd.blogspot.

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

Peramalan Berbasis Regresi Model kausal mengasumsikan bahwa variabel yang diramalkan (variabel dependen) terkait dengan variabel lain (variabel independen) dalam model.. Model yang digunakan sama dengan model pada regresi linier berganda. Regresi Logistik Biner Regresi logistik umumnya melibatkan berbagai macam variabel prediktor baik numerik ataupun kategorik.2. Dalam bentuknya yang paling sederhana. 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. Pada regresi linier.t 3. variabel prediktor yang . Pendekatan ini mencoba untuk melakukan proyeksi berdasarkan hubungan tersebut.…. regresi linear digunakan untuk mencocokkan baris ke data. Baris itu kemudian digunakan untuk meramalkan variabel dependen yang dipilih untuk beberapa nilai dari variabel independen. termasuk variabel dummy.Jika kita memiliki beberapa persamaan regresi seperti berikut ini: Dimana: t = 1.

Teknik ini dilakukan melalui beberapa tahapan. kita akan memutuskan variabel mana yang merupakan prediktor terbaik untuk dimasukkan ke dalam model. Sumber : http://ariyoso. tetapi jika melibatkan campuran antara numerik maupun kategorik dapat digunakan regresi logistik.wordpress.wordpress. Model yang digunakan pada regresi logistik adalah: Log (P / 1 – p) = β0 + β1X1 + β2X2 + …. dan X1. Xn adalah variabel independen. Kemudian variabel dengan nilai p-value lebih dari nilai kritik α akan dihilangkan. Persamaan Regresi logistik : logit(p) = log (p/1-p) = ln (p/1-p) dimana p bernilai antara 0-1.15). X2. + βnXn http://ariyoso.com/category/teknik-regresi/ 6.com/2009/11/11/regresi-logistik/ 5. Proses ini dilakukan terus menerus hingga tidak ada lagi variabel yang memenuhi kriteria untuk ditambahkan atau dihilangkan. Model dalam regresi Stepwise adalah: Y = β0 + β1X1 + β2X2 + β3X3 + …. . . Regresi logistik menghasilkan rasio peluang (odds ratios) antara keberhasilan atau kegagalan suatu dari analisis. variabel ditambahkan ke dalam model selama nilai p-valuenya kurang dari nilai kritik α (biasanya 0. Regresi Stepwise Regresi stepwise melibatkan dua jenis proses yaitu: forward selection dan backward elimination.digunakan biasanya numerik. + βkXk Dimana p adalah kemungkinan bahwa Y = 1. dan β adalah koefisien regresi. Pada masing-masing tahapan. Variabel ditentukan berdasarkan uji-F. Regresi Dummy ..

ac.ub.lecture.ppt G. Regresi ini menggunakan prediktor kualitatif (yang bukan dummy dinamai prediktor kuantitatif). dan kondisi sebaliknya Dummy berharga 0 maka Dummy ‘hilang’ dari model. Regresi dummy akan menunjukan kondisi ‘ada’ atau ‘tidak ada’ Dummy. 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.Regresi Dummy adalah Regresi Kategori. Kondisi Dummy berharga 1 maka Dummy ada dalam model). Manfaat Diagram Scatter (Diagram Pencar/ Sebar) Dikatakan juga bahwa Scatter diagram menunjukan hubungan antara dua variabel. Persamaan regresi dummy : Y=+D+u Dimana : Y = Harga produk D = variabel dummy u = kesalahan random Sumber : http://enistat. ). . 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.id/files/2012/03/Regresi-Dummy.

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

hanya saja garis yang dihasilkan membentuk kurva karena persamannya dari persamaan kuadrat. 4. .Curve Linear Positif Diagram pencar hampir sama dengan linear positif hanya saja garis yang dihasilkan membentuk kurva karena persamaannya kuadrat.3.Curve Linear Negatif Diagram pencar ini hamper sama dengan linear negatif.

. karena diagram yang didapatkan tersebar secara acak dan tidak berpola.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.5. 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. 6.

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

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

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

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