Korelasi = seberapa dekat hubungan x dan y (kekuatan, seberapa

kuat x thd y)
Jika r=0 tdk ada hubungan
Korelasi 
Parametrik (Log Pearson) dan
Non parametrik (Spearman Correlation Rank) (bukan numeric, tapi
nominal, bisa ranking juga)

Koef determinasi merupakan persentase data yang dapat

dijelaskan dengan persamaan garis tersebut.

Y = a + bx
R2=0,9 (ini menjelaskan 90% data yg dapat dijelaskan oleh
persamaan garis tersebut)

Kalau titik2 ada d garis tersebut,

Makin besar sebarannya, r nya semakin kecil (makin jelek)

Banyaknya data (x) yg dapat dijelaskan oleh persamaan garis tsb.

R=0
(x ini tida dapat dijelaskan oleh persamaan garis tersebut)

Negatif (makin gede nilai x, makin kecil nilai Y)

A dan b dari persamaan garis yg didapat
x y xy

Sigma
Y
Mean
Y

Xd = x-x bar

*Pilih salah satu dari rumus r di samping

Makin banyak x nya, probabilitas x untuk terpetakan d persamaan

garisnya makin kecil (kecenderungan r2 nya makin jelek/makin
kecil)
R nya dikatakan signifikan kalau lebih dari angka
tersebut.
Makin banyak datanya, nilai r2 semakin kecil.
Cek signifikansinya ke tabel tersebut (hasilnya dapat
dipercaya)

Kalau jumlah datanya ga sama, gabisa dibandingkan

Uji Hipotesis 2 sampel

Uji Homogenitas Koefisien Regresi

Kapan kita menggunakan 2 sampel? Pengambilan sampel 1 variabel

BEDA LOKASI (Misal: pH(X) terhadap Kekeruhan (Y)).
Contoh:
pH diambil pada REAKTOR 1  Menghasilkan Pers.Regresi 1
Kemudian pH juga diambil pada REAKTOR 2  Menghasilkan
Pers.Regresi 2

*Ada 2 persamaan regresi pada lokasi berbeda, nah goalsnya

membandingkan persamaan regresi dari 2 sampel tersebut.
H0 = b1=b2
Sampel 1  n1-2
Sampel 2  n2-2
Maka df = n1+n2-4

T hitung<T tabel  terima H0 b1=b2 homogen

T hitung> T tabel  tolak h0  b1 tidak sama dengan b2  tidak
homogen
T hitung> t tabel
tolak h0/terima H1  b1 tidak sama dengan b2  tidak homogen

Nilai mutlak  uji 2 sisi

Mencari zi

Mencari rata2 zw
X hitung < x tabel  signifikan (H0 diterima),
Kalau homogeny, maka Bisa kita wakilkan dg salah satu korelasi
saja.
Datanya harus dinormalisasi dulu, agar ga ada outlier.
Log Pearson
Nanti diubah k persamaan linier sederhana.

Kalau b + kurva akan terbuka ke atas

Bisa pake log bisa pake ln
Kapan kita menggunakan Regresi linier multiple ini?
Saat ada 2 atau lebih variabel independen (X) terhadap 1 variabel
dependen (Y), ANLISIS MULTIPLE.

Persamaan harus sama dengan jumlah koefisien.

Koefisiennya ada 2.

Metode : Subtitusi eliminasi

*Note: kalau d Buku Prof Sugiyono, b0  a.
Jadi nanti Goalsnya diperoleh nilai a, b1 dan b2