1. Buka SPSS 2. Masukkan data 3. Analyze Regression Curve Estimation, centang semua model, oke 4. Cek output, cari model yg nilai R square-nya paling besar 5. Ulangi langkah 3, centang hanya model yg sudah didapatkan 6. Cek output, masukkan ke dalam persamaan sesuai modelnya di sini Metode Regresi Non Linear 1. Buka SPSS 2. Masukkan data 3. Analyze Regression Non Linear 4. Masukkan y ke dependent, copy model expression dari modul 5. Klik Parameters, tambahkan B1, B2, dan B3, beri nilai sembarang, oke 6. Cek output, apabila hasilnya sudah 1 atau mendekati 1, sudah berhasil, apabila belum, ulangi langkah 3-5 7. Ulangi untuk setiap model expression! Metode Regresi Linear Berganda 1. Buka SPSS 2. Masukkan data 3. Analyze Regression Linear 4. Masukkan variabel y ke dependent dan variabel x1, x2, dst ke independent 5. Klik Statistics, centang Collinearity diagnostics 6. Pilih metode Stepwise, oke 7. Pilih metode Backward, oke 8. Pilih metode Forward, oke 9. Amati output masing-masing metode, pilih model-model yang nilai Sig. nya kurang dari 0.05 10. Untuk membuat persamaan setiap modelnya, gunakan nilai pada kolom B tabel Coefficients 11. Kembali ke langkah 3 12. Untuk setiap model (misal Model 1 : variabel x1 dan x2) masukkan di independent 13. Pilih metode Enter 14. Klik Statistics, centang Descriptive dan Durbin-Watson 15. Ulangi untuk setiap model! 16. Untuk setiap model seperti pada langkah 10, ulangi langkah 3, klik Save centang Residual Unstandardized, oke 17. Cek data, akan bertambah satu field dengan nama RESIDUAL_... 18. Analyze Nonparametric Test One Sampe, masukkan variabel residual yang terakhir, oke 19. Apabila nilai Asym. nya kurang dari 0.05, berarti distribusi normal 20. Cek diagram plotnya di Analyze Regression Linear, klik Plots, centang Normal Probability Plot, oke 21. Ulangi untuk setiap model! 22. Contoh laporan di sini Metode Regresi Binomial dan Multinomial 1. Buka SPSS 2. Masukkan data 3. Khusus untuk regresi binomial, variabel code dan y diubah measure nominal 4. Cut data sample sejumlah yang ditentukan (%) dan simpan di excel sisakan hanya data training 5. Untuk regresi binomial : Analyze Regression Binary Logistic, untuk regresi multinomial : Analyze Regression Multinomial Logistic 6. Masukkan y sebagai dependent, dan x1, x2, dst sebagai independent, oke 7. Cek nilai Sig. di variable in equation, apabila sudah tidak ada nilai yang lebih dari 0.05, maka sudah selesai 8. Apabila masih ada nilai yang lebih dari 0.05, maka ulangi langkah ke-5, namun keluarkan variabel yang nilainya lebih dari 0.05 dari independent 9. Dapatkan koefisien untuk persamaan dari nilai B di tabel variable in equation 10. Hitung nilai persamaan per model untuk setiap nilai variabel x1, x2, dst 11. Apabila nilainya lebih dari 0.05, beri nilai 1 12. Apabila nilainya kurang dari 0.05, beri nilai 0 13. Cocokkan nilai di dari langkah 11 dan 12 dengan nilai y masing-masing baris 14. Hitung total nilai yang sama, lalu bagi dengan total data sample dan cari persentasenya 15. Contoh cara menghitung data sample binomial di sini dan multinomial di sini Metode Box-Jenkin Data Non Stasioner Non Musiman 1. Buka Minitab 2. Copy data non-stasioner (trend) di C1 3. Buat grafik datanya di Stat Time Series Time Series Plot 4. Ubah data non-stasioner menjadi stasioner dengan Stat Time Series Differences 5. Masukkan C1 ke dalam series, store differences di C2, set lag 1 6. Cek grafik autokorelasinya di Stat Time Series Autocorrelation, masukkan C2 sebagai series 7. Cek pula grafik partial autokorelasinya di Stat Time Series Partial Autocorrelation, masukkan C2 sebagai series 8. Cocokkan bentuk grafik dengan modul 9. Apabila bentuk yg hampir mendekati, bisa langsung menggunakan model terkait 10. Apabila tidak yakin, cek dengan delapan (8) model yang disediakan (ARI, IMA, ARIMA) 11. Cara menghitung dengan Stat Time Series ARIMA 12. Untuk ARI, masukkan parameter di Autoregressive dan Difference, oke 13. Untuk IMA, masukkan parameter di Difference dan Moving average, oke 14. Untuk ARIMA, masukkan parameter di ketiganya, oke 15. Cek hasilnya, apabila masih ada nilai P yang lebih dari 0.05, maka kembali ke langkah 11, namun hilangkan tanda centang di include constant term in model 16. Cek hasilnya, apabila masih ada nilai P yang lebih dari 0.05, berarti model tersebut tidak cocok 17. Cek nilai P-value, apabila di atas 0.05 maka sudah benar 18. Catat nilai MSE/MS-nya 19. Setelah lakukan keseluruh model, tentukan model yang paling cocok, yaitu yg MSE-nya paling kecil 20. Apabila ada dua model yang nilai MSEnya sama-sama paling kecil, pilih model yang memiliki lebih sedikit parameter (ARI/IMA) 21. Contoh laporan di sini Data Non Stasioner Trend Musiman 1. Buka Excel, masukkan data Trend Musiman 2. Ubah data trend musiman ke stasioner dengan mencoba model berikut : ((1-B) d (1-B s ) D )Yt, dimana S adalah periode musiman, B adalah Ytopi, sementara d dan D dicoba antara kombinasi (d, D) = {(1,1) (2,1) (1,2) (2,2)} 3. Pilih data dengan grafik stasioner terbaik 4. Contoh laporan di sini 5. Buka Minitab, masukkan data awal di C1 dan data stasioner di C2 6. Buat grafik data stasionernya di Stat Time Series Time Series Plot, masukkan C2 sebagai series 7. Cek data dengan keduabelas rumus ARIMA yang ada di modul 8. Stat Time Series ARIMA, masukkan C2 sebagai series, centang Fit Seasonal Model, isi Period sesuai dengan nilai S (otomatis terisi) 9. Isi parameter sesuai dengan rumus, ganti d dan D sesuai dengan nilai d dan D yang menghasilkan data stasioner terbaik 10. Ulangi langkah 8 dan 9 untuk semua rumus ARIMA, dengan konstanta maupun tanpa konstanta, catat hasilnya 11. Model yang memenuhi kriteria adalah yang nilai signifikannya di atas 0.05 dan P-value nya di bawah 0.05, model yang terbaik adalah model dengan MSE terkecil