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=(Nxy_(-(x) ) (y))/((Nx^2-(x)^2 (Ny^2-(y)^(2)) )

Keterangan:

r_xy=Koefisien korelasi antara variabel X dan variabel Y xy =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: = 1 = 6d12 / N3 N dimana: d1 = beda antara 2 pengamatan berpasangan N = total pengamatan = 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 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.

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).

Statistik uji yang digunakan: = Nc Nd / (N(N-1)/2)

dimana: = koefisien korelasi rank Kendall Nc = jumlah angka pasangan concordant Nd = jumlah angka pasangan discordant N = ukuran sampel http://statistik4life.blogspot.com/2009/11/korelasi-merupakan-hubungan-antara-dua.html 4. Korelasi Parsial Korelasi parsial adalah pengukuran hubungan antara dua variabel, dengan mengontrol atau menyesuaikan efek dari satu atau lebih variabel lain. Singkatnya r1234 adalah korelasi antara 1 dan 2, dengan mengendalikan variabel 3 dan 4 dengan asumsi variabel 1 dan 2 berhubungan linier terhadap variabel 3 dan 4. Korelasi parsial dapat digunakan pada banyak kasus, misalnya apakah nilai penjualan suatu komoditi terkait kuat kepada pembelanjaan iklan ketika efek harga dikendalikan. Jika korelasi parsialnya nol, maka dapat disimpulkan bahwa korelasi yang dihitung sebelumnya adalah semu.

Rumus yang digunakan dalam korelasi parsial adalah: rxy.z = [ rxy (rxz) (ryz) ] / [ 1 - r2xz 1 - r2yz ]

dimana: rxy.z = korelasi parsial antara X dan Y, dengan mengendalikan Z http://statistik4life.blogspot.com/2009/11/korelasi-parsial-adalah-pengukuran.html 5. Phi korelasi Korelasi phi (n) yang digunakan untuk mencari hubungan antara dua variable diskrit.

a. Kelompok yang tidak sama jumlahnya

b. kelompok yang sama jumlahnya

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

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.blogspot.com/ D. Pengertian regresi Linear dan regresi Non Linear 1. Regresi Linear

Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui pengaruh antara satu atau beberapa variabel terhadap satu buah variabel. Variabel yang mempengaruhi sering disebut variabel bebas, variabel independen atau variabel penjelas. Variabel yang dipengaruhi sering disebut dengan variabel terikat atau variabel dependen. Regresi linear hanya dapat digunakan pada skala interval dan ratio. Secara umum regresi linear terdiri dari dua, yaitu regresi linear sederhana yaitu dengan satu buah variabel bebas dan satu buah variabel terikat; dan regresi linear berganda dengan beberapa variabel bebas dan satu buah variabel terikat. Regresi Linear Sederhana Analisis regresi linear sederhana dipergunakan untuk mengetahui pengaruh antara satu buah variabel bebas terhadap satu buah variabel terikat. 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. Koefisien a adalah konstanta (intercept) yang merupakan titik potong antara garis regresi dengan sumbu Y pada koordinat kartesius. 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 + 1.053 X Perkirakan Volume penjualan jika dikeluarkan biaya promosi Rp. 10 juta ? Jawab : Y = 2.530 + 1.053 X X = 10 Y = 2.53 + 1.053 (10) = 2.53 + 10.53 = 13.06 (ratusan juta liter) Volume penjualan = 13.06 x 100 000 000 liter

Regresi Linear Berganda Analisis regresi linear berganda sebenarnya sama dengan analisis regresi linear sederhana, hanya variabel bebasnya lebih dari satu buah. Persamaan umumnya adalah: Bentuk Umum Regresi Linier Berganda

Y = a + b1X1 + b2X2 + ...+ 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, dan X adalah variabel-variabel bebas, a adalah konstanta (intersept) dan b adalah koefisien regresi pada masing-masing variabel bebas. http://www.konsultanstatistik.com/2009/03/regresi-linear.html http://file.upi.edu/Direktori/FIP/JUR._PEND._LUAR_SEKOLAH/197108171998021SARDIN/pertemuan_7.pdf

Contoh kasus: Kita mengambil contoh kasus pada uji normalitas, yaitu sebagai berikut: Seorang mahasiswa bernama Bambang melakukan penelitian tentang faktorfaktor yang mempengaruhi harga saham pada perusahaan di BEJ. Bambang dalam penelitiannya ingin mengetahui hubungan antara rasio keuangan PER dan ROI terhadap harga saham. 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, sedangkan variabel independen (X1 dan X2) adalah PER dan ROI.
http://duwiconsultant.blogspot.com/2011/11/analisis-regresi-linier-berganda.html

2. Regresi non linear Regresi non linier adalah suatu metode untuk mendapatkan model non linier yang menyatakan veriabel dependen dan independen. Apabila hubungan fungsi antara variabel bebas X dan variabel tidak bebas Y bersifat non linier, maksudnya jika data asli Xi dan Yi ditebarkan pada diagram tebar (scater diagram) tidak mengikuti garis lurus tetapi mengikuti suatu bentuk kurva tertentu, katakanlah kurva eksponensial, maka analisis regresi yang cocok untuk menerangkan hubungan antara X dan Y tersebut adalah analisis regresi non linier sederhana. http://perkuliahan-vi.blogspot.com/2011/01/analisis-regresi.html Regresi logistic

Regresi logistik (kadang disebut model logistik atau model logit), dalam statistika digunakan untuk prediksi probabilitas kejadian suatu peristiwa dengan mencocokkan data pada fungsi logit kurva logistik. Metode ini merupakan model linier umum yang digunakan untuk regresi binomial. http://id.wikipedia.org/wiki/Regresi_logistik http://library.binus.ac.id/eColls/eThesis/Bab2/2012-1-00563-STIF%20Bab%202.pdf (Sumber rumus dan keterangan) Contoh kaasus Seorang peneliti ingin mengetahui bagaimana pengaruh kualitas pelayanan publik terhadap kepuasan pengguna (masyarakat). Kualitas pelayanan publik diteliti melaluji variabel Daya Tanggap (X1) dan Empati (X2). 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. http://arokhman.blog.unsoed.ac.id/files/2009/06/Regresi-Logistik-for-MAP.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 (2>0) atau menurun (2<0).

Huruf Y -- Variabel dependen / variabel yang dipengaruhi Huruf X -- Variabel Bebas / variabel yangmempengaruhi Huruf b0/ a / / 0-- konstanta atau intercept yaitu sifat bawaan dari variabel Y Huruf b1, b2, bn-- parameter yangmenunjukkan slope atau kemiringan garis regresi

Huruf e / epsilon/ miu-- disebut juga dengan error termatau kesalahan penganggu http://www.scribd.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)=0 + 1X + 2X2 terhadap produksi susu kambing PE selama 90 hari pertama laktasi yang didasarkan pada jumlah produksi susu kambing PE terhadap waktu (hari), dalam persamaan tersebut 1 dan 2 merupakan koefisien regresi parsial. http://www.litbang.deptan.go.id/warta-ip/pdf-file/yusnandar-13.pdf Regresi eksponensial
Regresi eksponensial adalah regresi nonlinier yang variabel responnya berasal dari distribusi Eksponensial.
ax

Y=be

Dimana :
Y : regresi eksponensial Y terhadap X (varabel tak bebas ) X : variabel bebas a, b : konstanta Yi > 0

Regresi kubik Jika suatu data yang diberikan hanya dapat disajikan melalui kurvaregresi non linear, maka kita harus menentukan bentuk kurvanya danmenduga parameternya. Dalam pendugaan koefisien regresi terlebihdahulu diperlukan model sampel untuk mendekati data yang diperoleh darisampel. Model sampel yang digunakan untuk regresi polinomial berderajattiga adalah sebagai berikut :

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

http://samianstats.files.wordpress.com/2008/10/analisis-regresi.pdf F. Teknik-Teknik Regresi 1. Distribusi / Sebaran Poisson Dalam teori probabilitas dan statistika, 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. Distribusi poisson juga dapat digunakan untuk jumlah kejadian pada interval tertentu seperti jarak, luas, atau volume. Apabila nilai harapan kejadian pada suatu interval adalah , maka probabilitas terjadi peristiwa sebanyak k kali (k = 0, 1, 2, dst) sama dengan

Dimana : e : basis logaritma natural (e = 2.71828...) k : jumlah kejadian suatu peristiwa/peluang yang diberikan oleh fungsi ini : bilangan riil positif, sama dengan nilai harapan peristiwa yang terjadi dalam

interval tertentu. Sebagai fungsi, k ini disebut fungsi massa probabilitas. Distribusi poisson dapat diterapkan pada sistem dengan kejadian berjumlah besar yang yang mungkin terjadi, yang mana kenyataannya cukup jarang. Contoh klasik adalah peluruhan nuklir atom.

2.Model seemingly unrelated regressions (SUR) Model seemingly unrelated regressions (SUR) diperkenalkan oleh Zellner pada tahun 1962, yang merupakan bahasan dari model regresi multivariat (multiple regression), dan merupakan bagian dari regresi linier. Model SUR terdiri atas beberapa sistem persamaan yang tidak berhubungan (unrelated). Artinya setiap variabel (dependen maupun independen) terdapat dalam satu sistem. Pada model SUR, error dari sistem yang berbeda saling terkorelasi/berhubungan. Singkatnya sistem persamaan linier beberapa persamaan regresi dapat diselesaikan menjadi satu set persamaan saja. Beberapa persamaan regresi yang berbeda dapat disatukan untuk mendapatkan parameter yang efisien dengan SUR.

Jika kita memiliki beberapa persamaan regresi seperti berikut ini:

Dimana: t = 1,2,.,t

3. Peramalan Berbasis Regresi

Model kausal mengasumsikan bahwa variabel yang diramalkan (variabel dependen) terkait dengan variabel lain (variabel independen) dalam model. Pendekatan ini mencoba untuk melakukan proyeksi berdasarkan hubungan tersebut. Dalam bentuknya yang paling sederhana, regresi linear digunakan untuk mencocokkan baris ke data. Baris itu kemudian digunakan untuk meramalkan variabel dependen yang dipilih untuk beberapa nilai dari variabel independen. Model yang digunakan sama dengan model pada regresi linier berganda, 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) = error

4. Regresi Logistik Biner Regresi logistik umumnya melibatkan berbagai macam variabel prediktor baik numerik ataupun kategorik, termasuk variabel dummy. Pada regresi linier, variabel prediktor yang

digunakan biasanya numerik, tetapi jika melibatkan campuran antara numerik maupun kategorik dapat digunakan regresi logistik. Regresi logistik menghasilkan rasio peluang (odds ratios) antara keberhasilan atau kegagalan suatu dari analisis. Persamaan Regresi logistik : logit(p) = log (p/1-p) = ln (p/1-p) dimana p bernilai antara 0-1. Model yang digunakan pada regresi logistik adalah: Log (P / 1 p) = 0 + 1X1 + 2X2 + . + kXk Dimana p adalah kemungkinan bahwa Y = 1, dan X1, X2, .. , Xn adalah variabel independen, dan adalah koefisien regresi. Sumber : http://ariyoso.wordpress.com/2009/11/11/regresi-logistik/ 5. Regresi Stepwise Regresi stepwise melibatkan dua jenis proses yaitu: forward selection dan backward elimination. Teknik ini dilakukan melalui beberapa tahapan. Pada masing-masing tahapan, kita akan memutuskan variabel mana yang merupakan prediktor terbaik untuk dimasukkan ke dalam model. Variabel ditentukan berdasarkan uji-F, variabel ditambahkan ke dalam model selama nilai p-valuenya kurang dari nilai kritik (biasanya 0,15). Kemudian variabel dengan nilai p-value lebih dari nilai kritik akan dihilangkan. Proses ini dilakukan terus menerus hingga tidak ada lagi variabel yang memenuhi kriteria untuk ditambahkan atau dihilangkan. Model dalam regresi Stepwise adalah: Y = 0 + 1X1 + 2X2 + 3X3 + . + nXn http://ariyoso.wordpress.com/category/teknik-regresi/ 6. Regresi Dummy

Regresi Dummy adalah Regresi Kategori. Regresi ini menggunakan prediktor kualitatif (yang bukan dummy dinamai prediktor kuantitatif). ). Regresi dummy akan menunjukan kondisi ada atau tidak ada Dummy. Kondisi Dummy berharga 1 maka Dummy ada dalam model), dan kondisi sebaliknya Dummy berharga 0 maka Dummy hilang dari model. Persamaan regresi dummy : Y=+D+u Dimana : Y = Harga produk D = variabel dummy u = kesalahan random Sumber : http://enistat.lecture.ub.ac.id/files/2012/03/Regresi-Dummy.ppt G. 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. Scatter diagram juga dapat digunakan untuk mengecek apakah suatu variabel dapat digunakan untuk mengganti variabel yang lain.

Manfaat Diagram Scatter (Diagram Pencar/ Sebar) Dikatakan juga bahwa Scatter diagram menunjukan hubungan antara dua variabel. Scatter diagram sering digunakan sebagai analisis tindak lanjut untuk menentukan apakah penyebab yang ada benar-benar memberikan dampak kepada karakteristik kualitas.

https://sites.google.com/site/kelolakualitas/Scatter-Diagram-Diagram-Pencar-SebarPengertian-Tujuan-Manfaat-Cara-Membuat-Contoh-Scatter-Diagram-Diagram-PencarSebar 1. Linear positif Diagram pencar ini memiliki hubungan yang saling sejalan/ searah dan membentuk garis lurus dari persamaan yang didapatkan . Dimana apabila nilai x naik maka nilai y juga ikut naik.

2.Linear negatif Diagram pencar ini memiliki hubungan yang berhubungan dengan kedua variabelnya. Dimana apabila nilai x meningkat maka nilai y nya menurun. Dan persamaannya membentuk garis lurus. Oleh karena itu dikatakan diagram pencar linear negatif.

3.Curve Linear Positif Diagram pencar hampir sama dengan linear positif hanya saja garis yang dihasilkan membentuk kurva karena persamaannya kuadrat.

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

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. Jadi garis yang dihasilkan membentuk kurva persamaan kuadrat juga.

6.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.

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

= parameter yang berbentuk vektor dengan ukuran ((p+1) x 1) = error yang berdistribusi eksponensial (1) http://hana.blog.unair.ac.id/files/2012/06/presentasi-9-regresi-eksponensial-pada-sampeltersensor-tipe-2-2003.pdf J. 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. Bila penyebaran titik-titik koordinat tidak luas berarti semakin tepat garis regresi yang kita buat dan sebaliknya. 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- intercept n = jumlah pasangan pengamatan Sumber : openwetware.org/.../a/.../Makalah_regresi_dan_korelasi.doc K. Uji Multikolinearitas dan Uji Autolinearitas A. Multikolinearitas

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

B. Autokorelasi
Autokorelasi berarti terdapatnya korelasi antaranggota sampel atau data pengamatan yang diurutkan berdasarkan waktu (seperti data time series), sehingga munculnya suatu datum

dipengaruhi oleh datum sebelumnya (Ir. M. Iqbal Hasan, M.M.). Berdasarkan konsep tersebut, maka uji asumsi tentang autokorelasi sangat penting untuk dilakukan tidak hanya pada data yang bersifattime series saja, akan tetapi semua data (independen variabel) yang diperoleh perlu diuji terlebih dahulu autokorelasinya apabila akan dianalisis dengan regresi linier ganda.

http://khansamhamnida.wordpress.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). Uji autokorelasi perlu dilakukan apabila data yang dianalisis merupakan data time series (Gujarati, 1993). dimana: d = nilai Durbin Watson ei = jumlah kuadrat sisa Nilai Durbin Watson kemudian dibandingkan dengan nilai d-tabel. Hasil perbandingan akan menghasilkan kesimpulan seperti kriteria sebagai berikut: 1. Jika d < dl, berarti terdapat autokorelasi positif 2. Jika d > (4 dl), berarti terdapat autokorelasi negatif 3. Jika du < d < (4 dl), berarti tidak terdapat autokorelasi 4. Jika dl < d < du atau (4 du), berarti tidak dapat disimpulkan http://ariyoso.wordpress.com/2009/11/27/multikolinearitas-dan-autokorelasi/