Anda di halaman 1dari 2

METODE PEMILIHAN MODEL TERBAIK 1.

All Possible Regression Kriteria untuk pemilihan: a) yaitu nilai koefisien determinasi (coefficient of multiple determination) dari model regresi dengan p parameter, dapat pula menggunakan (nilai koefisien determinasi yg disesuaikan). Semakin besar nilai maka model akan semakin baik. Namun perlu diperhatikan bahwa setiap penambahan variabel bebas ke dalam model akan selalu meningkatkan nilai , sehingga sebaiknya menggunakan . Model yg baik adalah model yg memiliki tinggi dengan jumlah variabel bebas minimal. b) , semakin kecil nilainya model semakin bagus. c) Mallow, semakin kecil nilainya model semakin bagus. d) , semakin kecil nilainya model semakin bagus. Rumus silakan baca di Ch 12.

2. Forward Selection meregresikan variabel tak bebas (y) terhadap sejumlah variabel bebas (X1, X2, , Xk) dengan cara memasukan variabel bebas satu persatu ke dalam model sehingga diperoleh model dimana semua variabel bebasnya signifikan. Misal y, X1, X2, X3, X4 1) Menentukan variabel bebas pertama yg akan masuk ke dalam model dengan cara menghitung koefisien korelasi parsial antara y dengan setiap

variabel bebas ryx1, ryx2, ryx3, ryx4. Selanjutnya pilih variabel bebas yang memiliki koefisien korelasi terbesar dg y. misal ryx2 > ryx1 > ryx3 > ryx4 2) Regresikan y terhadap X2 (y = 0+2X2+), lakukan uji hipotesis H0: 2 = 0 vs H1: 2 0 menghitung statistik uji t. Jika H0 ditolak maka X2 masuk ke dalam model, proses berlanjut dengan menentukan variabel bebas berikutnya yang akan masuk ke dalam model dg menghitung koefisien korelasi parsial antara y dengan X1, X3, X4 dimana X2 sudah ada di dlm model hitung ryx1|x2, ryx3|x2, ryx4|x2. Variabel bebas berikut yang akan diuji adalah yg memiliki koefisien korelasi parsial terbesar. Misal ryx1|x2 > ryx3|x2 > ryx4|x2 sehingga X1 akan diuji apakah signifikan didlm model yang sdh mengandung X2 atau tdk. 3) Regresikan y thdp X2 dan X1 (y = 0 + 2X2 + 1X1 + ). Lakukan pengujian terhadap H0: 1 = 0 vs H1: 1 0. Jika H0 ditolak maka X1 masuk ke dalam model, proses berlanjut dengan menentukan variabel bebas berikutnya yang akan masuk ke dalam model dg menghitung koefisien korelasi parsial antara y dengan X3, X4 dimana X1 dan X2 sudah ada di dlm model. Tapi jika X1 tidak signifikan (H0 tidak ditolak), maka proses berhenti dan model terbaik yg diperoleh dg metode forward selection adalah y = 0 + 2X2 + . 3. Backward Elimination prosedur yg dilakukan berkebalikan dengan metode forward selection. Pada backward elimination prinsipnya adalah memasukan semua variabel bebas yang ada, kemudian mengeliminasi variabel bebas tsb satu persatu. Misal y, X1, X2, X3, X4 1) Regresikan y terhadap semua variabel bebas X1, X2, X3, X4 2) Tentukan variabel bebas yang akan diuji apakah dieliminasi atau tetap dipertahankan di dalam model dengan menghitung koefisien korelasi parsial antara y dg setiap variabel bebas, dimana variabel bebas lain ada di dlm model hitung ryx1|x2,x3,x4; ryx2|x1,x3,x4; ryx3|x1,x2,x4; ryx4|x1,x2,x3 3) Variabel bebas yg memiliki nilai koefisien korelasi parsial terkecil akan diuji pertama kali apakah akan dieliminasi atau tetap dipertahankan di dalam model. Misal ryx1|x2,x3,x4 > ryx2|x1,x3,x4 > ryx3|x1,x2,x4 > ryx4|x1,x2,x3, maka X4 akan diuji pertama kali apakah tetap dipertahankan di dalam model atau dieliminasi. Jika H0: 4 = 0 ditolak, maka X4 tetap dipertahankan di dlm model dan proses berhenti. Jika H0: 4 = 0 tidak ditolak, X4 dieliminasi dari model, proses dilanjutkan dengan mencari variabel bebas lain yang akan dieliminasi berikutnya. 4. Stepwise Regression