Professional Documents
Culture Documents
1
n
n
dimana :
Y1i adalah nilai ke-i dari variabel pertama
Y2i adalah nilai ke-i dari variabel kedua
Y1 adalah nilai rata-rata variabel pertama
Y2 adalah nilai rata-rata variabel kedua
StndrDeviasiY1
i
1
n
1i Y1 ) 2
n
StndrDevia siY 2
Sehingga :
i 1
n
n
(Y1i Y1 )(Y2 Y2 )
(Y1i Y1 ) 2 (Y2i Y2 ) 2
1/ n (Y1i Y1 )(Y2 Y2 )
(Y (Y
(Y1i Y1 )(Y2 Y2 )
(Y1i Y1 ) 2 (Y2i Y2 ) 2
239
n
i 1
r (Y1 , Y2 )
i 1
r (Y1 , Y2 )
1/ n
i 1 i 1
i 1
n
n n
1i Y1 ) 2 2i Y2 ) 2
r (Y1 , Y2 )
i 1 i 1
i 1
n n
n
Nilai koefisien korelasi terletak diantara -1 sampai 1 (-1< r <1), tanda negatif(-) dan
positif (+) menyatakan arah hubungan, jika positif berarti searah, negatif berarti
berlawanan arah. Secara umum derajat korelasi terbagi menjadi :
a. sampai 0.20 atau (-0.20) = hampir tidak ada korelasi
b. 0.20 atau (-0.20) sampai 0.40 atau (-0.40) = korelasi rendah
c. 0.40 atau (-0.40) sampai 0.60 atau (-0.60) = korelasi sedang
d. 0.60 atau (-0.60) sampai 0.80 atau (-0.80) = korelasi tinggi
e. 0.840 atau (-0.80) sampai 1.00 atau (-1.00) = korelasi sangat tinggi
Koefisien Determinasi (R2)
Koefisien determinasi (R2), menyatakan seberapa besar variansi dari vaiabel
yang diprediksi dapat diterangkan oleh model. Nilai koefisien determinasi bisa
didapatkan dari kuadrat nilai koefisien korelasi.
R 2 r 2
SSE (Y1i Y2i ) 2
(Y
240
Nilai koefisien determinasi terletak antara 0-1. Jika bernilai 0, maka model tersebut
tidak dapat menjelaskan variabel yang diprediksi (0%), sementara jika bernilai 1,
maka model dapat menjelaskan variabel yang diprediksi secara sempurna (100%).
Misalkan nilai koefisien determinasi adalah 0,87, maka model dapat menjelaskan
variabel yang diprediksi sebesar 87%, sementara 13% lainnya dijelaskan oleh error.
Error
Error adalah kesalahan dari model, atau perbedaan nilai prediksi model
dengan nilai dari data populasi atau sampel. Jika Y1 adalah nilai prediksi model, dan
Y2 adalah data observasi, maka secara umum:
Error (e) Y1 Y2
Untuk menghilangkan pengaruh negatif, maka digunakan kuadrat sehingga menjadi
square error
e 2 (Y1 Y2 ) 2
Persamaan tersebut adalah untuk satu data, sementara untuk seluruh data
observasi dikenal dengan Sum Square Error (SSE):
n
i 1
Mean Square Error (MSE)
Besaran sum square error akan sangat tergantung dari jumlah observasi (n),
semakin besar n, maka nilai SSE akan semakin tnggi. Oleh karena itu untuk
menghilangkan pengaruh jumlah observasi, maka SSE harus dirata-ratakan dan
dikenal dengan nama Mean Square Error (MSE), atau rata-rata jumlah kuadrat dari
error. Nila MSE sering digunakan untuk mengukur besarnya tingkat kesalahan
(error) dari suatu model. Jika nilai MSE semakin kecil, maka model semakin valid.
MSE
n
i 1
1
i
Y2i )2
n
(
Y1i Y2i 2
(Y
241
Root Mean Square Persen Error (RMSPE)
Kelemahan dari MSE adalah nilainya mutlak (absolute), yaitu besarannya sangat
tergantung dari skala nilai observasi, sehingga sulit untuk membandingkan dua
model yang skala nilainya berbeda. Oleh Karena itu MSE dimodifikasi menjadi Root
Mean Square Persen Error (RMSPE), yaitu rata-rata akar kuadrat dari proporsi
perbedaan nilai prediksi model dengan data observasi. Semakin kecil nilai RMSPE,
maka model semakin valid.
RMSPE
n
i 1
Y2i
n
)
Theils inequality Coefficient (U)
Theils inequality Coefficient (U) digunakan untuk mengetahui kemampuan
model dalam analisis simulasi peramalan. Theils inequality Coefficient (U) terdiri dari
tiga proporsi yaitu proporsi bias (UM), proporsi varians (US), proporsi covarian (UC).
Proporsi bias (UM)
Proporsi bias adalah perbandingan antara bias dengan rata-rata kuadrat perbedaan
antara nilai prediksi model dengan nilai observasi. Bias adalah perbedaan nilai
ekspektasi prediski model dengan nilai ekspektasi observasi.
Bias E(Y1 ) E (Y2 )
Bias Y 1 Y 2
rata-rata perbedaan antara nilai prediksi model dengan nilai observasi =RMSPE
Sehingga proporsi bias (UM):
U
M
(Y1 Y2 ) 2
n
1i Y2i ) 2
i 1
n
(Y
U
(Y
242
Semakin kecil nilai UM, maka model semakin valid. Secara umum jika UM dibawah
0.20 maka model dikatakan valid.
Proporsi Varians (US)
Proporsi varian adalah perbandingan selisih varian prediksi model dan varian data
observasi, dengan selisih nilai prediksi model dan nilai observasi. Varian adalah
kuadrat dari standar deviasi (S2), sehingga Us sering dinyatakan sebagai selisih
kuadrat nilai standar deviasi prediksi model dan standar deviasi data observasi,
dengan rata-rata kuadrat selisih nilai prediksi model dan nilai observasi.
persamaan matematika :
Dalam
Varian(S 2 )
i
1
n
i Y ) 2
n
, sehingga
S
(S1 S 2 ) 2
n
1i Y2i ) 2
i 1
n
Dimana :
S1 adalah standar deviasi data prediksi model
S2 adalah standar deviasi data observasi
Sama dengan proporsi bias, semakin kecil proposi varians maka model semakin
valid.
Proporsi Covarian (UC)
Covarian menyatakan hubungan dua variabel, semakin besar covarian maka
hubungan dua variabel tersebut semakin erat atau nilai koefisien korelasinya (r)
semakin tingi. Oleh karena itu suatu model dikatakan semakin valid jika proporsi
covariannya (UC) semakin tinggi. Hal tersebut sesuai dengan persamaan
matematika dari konsep U theil :
(Y
243
UM + US + UC = 1 atau
UC = 1- (UM + US)
Karena semakin kecil nilai UM dan US semakin valid model, maka semakin besar
nilai UC model akan semakin valid.
Persamaan umum dari proporsi covarian adaah :
U C
[2(1 r )S1S 2
n
1i Y2i ) 2
i 1
n