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

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

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

Secara umum regresi linear terdiri dari dua.053 (10) = 2. 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. 10 juta ? Jawab : Y = 2.53 + 1. Persamaan umumnya adalah: Bentuk Umum Regresi Linier Berganda . Variabel yang dipengaruhi sering disebut dengan variabel terikat atau variabel dependen.530 + 1. Koefisien a adalah konstanta (intercept) yang merupakan titik potong antara garis regresi dengan sumbu Y pada koordinat kartesius. 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.06 (ratusan juta liter) Volume penjualan = 13.Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui pengaruh antara satu atau beberapa variabel terhadap satu buah variabel. 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 = 2.06 x 100 000 000 liter  Regresi Linear Berganda Analisis regresi linear berganda sebenarnya sama dengan analisis regresi linear sederhana.053 X X = 10 Y = 2.053 X Perkirakan Volume penjualan jika dikeluarkan biaya promosi Rp. hanya variabel bebasnya lebih dari satu buah.530 + 1.53 = 13.53 + 10. Variabel yang mempengaruhi sering disebut variabel bebas. variabel independen atau variabel penjelas. Regresi linear hanya dapat digunakan pada skala interval dan ratio. yaitu regresi linear sederhana yaitu dengan satu buah variabel bebas dan satu buah variabel terikat.

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

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

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).Huruf e / epsilon/ miu-.id/warta-ip/pdf-file/yusnandar-13. 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 : . ax Y=be Dimana : Y : regresi eksponensial Y terhadap X (varabel tak bebas ) X : variabel bebas a.go.litbang.disebut juga dengan error termatau kesalahan penganggu http://www.scribd. dalam persamaan tersebut β1 dan β2 merupakan koefisien regresi parsial.pdf  Regresi eksponensial Regresi eksponensial adalah regresi nonlinier yang variabel responnya berasal dari distribusi Eksponensial. Dalam pendugaan koefisien regresi terlebihdahulu diperlukan model sampel untuk mendekati data yang diperoleh darisampel.deptan. maka kita harus menentukan bentuk kurvanya danmenduga parameternya. http://www.

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

sama dengan nilai harapan peristiwa yang terjadi dalam interval tertentu. Distribusi / Sebaran Poisson Dalam teori probabilitas dan statistika. Apabila nilai harapan kejadian pada suatu interval adalah . Distribusi poisson dapat diterapkan pada sistem dengan kejadian berjumlah besar yang yang mungkin terjadi. error dari sistem yang berbeda saling terkorelasi/berhubungan. atau volume. Model SUR terdiri atas beberapa sistem persamaan yang tidak berhubungan (unrelated). 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.files.) 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. Artinya setiap variabel (dependen maupun independen) terdapat dalam satu sistem. .. Distribusi poisson juga dapat digunakan untuk jumlah kejadian pada interval tertentu seperti jarak.wordpress. yang merupakan bahasan dari model regresi multivariat (multiple regression). Sebagai fungsi.. dan merupakan bagian dari regresi linier. Contoh klasik adalah peluruhan nuklir atom. dst) sama dengan Dimana : • • • e : basis logaritma natural (e = 2.71828. luas. Singkatnya sistem persamaan linier beberapa persamaan regresi dapat diselesaikan menjadi satu set persamaan saja.Model seemingly unrelated regressions (SUR) Model seemingly unrelated regressions (SUR) diperkenalkan oleh Zellner pada tahun 1962.http://samianstats. k ini disebut fungsi massa probabilitas. yang mana kenyataannya cukup jarang.pdf F. 2. Teknik-Teknik Regresi 1. maka probabilitas terjadi peristiwa sebanyak k kali (k = 0.com/2008/10/analisis-regresi. Pada model SUR.

Pada regresi linier. Baris itu kemudian digunakan untuk meramalkan variabel dependen yang dipilih untuk beberapa nilai dari variabel independen. Dalam bentuknya yang paling sederhana. Regresi Logistik Biner Regresi logistik umumnya melibatkan berbagai macam variabel prediktor baik numerik ataupun kategorik. regresi linear digunakan untuk mencocokkan baris ke data.t 3.2. 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. variabel prediktor yang . 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.. Pendekatan ini mencoba untuk melakukan proyeksi berdasarkan hubungan tersebut.Jika kita memiliki beberapa persamaan regresi seperti berikut ini: Dimana: t = 1.….

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

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

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

3.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.

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.Tak Tentu Diagram pencar ini menggambarkan seolah-olah tidak ada hubungan antara variabel x dan y seolah-olah keduanya tidak saling mempengaruhi. Jadi garis yang dihasilkan membentuk kurva persamaan kuadrat juga. karena diagram yang didapatkan tersebar secara acak dan tidak berpola.5. .

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

pdf J. 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..doc K. 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. Bila penyebaran titik-titik koordinat tidak luas berarti semakin tepat garis regresi yang kita buat dan sebaliknya. Standar Error Estimasi Setelah kita menentukan bentuk garis regresi maka tindakan selanjulnva adalah menentukan ketepatan garis regresi tersebut.= parameter yang berbentuk vektor dengan ukuran ((p+1) x 1) = error yang berdistribusi eksponensial (1) http://hana./a/.unair.blog.../Makalah_regresi_dan_korelasi..ac. Multikolinearitas .org/.id/files/2012/06/presentasi-9-regresi-eksponensial-pada-sampeltersensor-tipe-2-2003.

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

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

Sign up to vote on this title
UsefulNot useful