JENIS DESAIN SURVEY

APA SAJA JENIS DESAIN SURVEI ?

A.  Cross-Sectional Survei Desain Bentuk yang paling populer dari desain survei yang digunakan dalam pendidikan adalah survei cross-sectional desain. Dalam desain survei cross-sectional, peneliti mengumpulkan data pada satu titik di waktu. Misalnya, ketika anak-anak sekolah menengah menyelesaikan survei tentang menggoda, mereka merekam data tentang pandangan mereka hadir. Desain ini memiliki keuntungan dari pengukuran sikap saat ini atau praktek. Hal ini juga memberikan informasi dalam waktu singkat, seperti sebagai waktu yang dibutuhkan untuk mengelola survei dan mengumpulkan informasi.

B. Desain Survei Longitudinal Sebuah alternatif untuk menggunakan desain cross-sectional adalah untuk mengumpulkan data dari waktu ke waktu menggunakan membujur sebuah desain survei. Sebuah desain survei longitudinal melibatkan prosedur survei pengumpulan data tentang tren dengan populasi yang sama, perubahan dalam kelompok kelompok atau subpopulasi, atau perubahan dalam kelompok panel dari individu yang sama dari waktu ke waktu. Dengan demikian, didesain longitudinal, peserta mungkin berbeda atau orang yang sama. Sebuah contoh dari studi tentang orang yang sama akan penelitian tentang lulusan sekolah tinggi dan mereka pekerjaan saat ini (misalnya, mahasiswa, pekerja layanan makanan, agen asuransi) 1, 2, dan 5 tahun setelah lulus. Contoh lain dari desain memanjang akan menjadi tindak lanjut dengan lulusan dari program atau sekolah untuk belajar pandangan mereka tentang pengalaman pendidikan mereka.

a. Studi Trend

 Dalam beberapa survei, peneliti bertujuan untuk mempelajari perubahan dalam beberapa populasi umum lebih periode waktu (Babbie, 1998). Bentuk penelitian longitudinal yang disebut studi tren. Studi tren adalah desain survei longitudinal yang melibatkan mengidentifikasi populasi dan memeriksa perubahan dalam populasi yang dari waktu ke waktu.

b. Studi Cohort

 Sebuah studi kohort adalah desain survei longitudinal yang peneliti identifikasi subpopulasi berdasarkan beberapa spesifik c studi karakteristik dan kemudian yang subpopulasi dari waktu ke waktu.

c. Studi Panel

 Studi panel adalah desain survei longitudinal dimana peneliti meneliti orang yang sama dari waktu ke waktu.

BASIS CYCLIC PENALIZED SPLINE

BASIS CYCLIC PENALIZED SPLINE (CP)

Dalam mengestimasi kurva regresi dapat didekati dengan dua pendekatan, yaitu pendekatan parametrik dan pendekatan nonparametrik. Parametrik merupakan metode statistik yang digunakan untuk mengetahui pola hubungan antar variabel prediktor dengan variabel respon, dengan asumsi bahwa tidak diketahui bentuk dari fungsi regresinya.

Hubungan antara variabel respons dan variabel prediktor dalam model dapat terjadi dengan fungsi linier maupun nonlinier dalam parameter. Sedangkan Non parametrik merupakan metode statistik yang digunakan untuk mengetahui pola hubungan antara variabel prediktor dan respon apabila bentuk pola hubungan antara variabel respons dengan variabel prediktor tidak diketahui bentuk fungsi regresinya. Dalam regresi nonparametrik kurva regresi hanya diasumsikan mulus (smooth) dalam arti termuat dalam suatu ruang fungsi tertentu sehingga mempunyai sifat fleksibilitas yang tinggi.

Perbedaan antara keduanya adalah pendekatan parametrik estimasinya ditentukan dari percobaan, sedangkan pendekatan nonparametrik hanya ditentukan dari data. Teknik estimasi dalam regresi nonparametrik ada banyak, antara lain : estimator kernel, estimator spline, histogram, estimator deret orthogonal maupun estimator wavelet. Salah satu model nonparametrik dibangun dengan memilih ruang fungsi yang sesuai dimana fungsi regresi diyakini termasuk didalamnya, sedangkan model spline dibangun dari knot. Oleh karena itu penentukan jumlah dan posisi knot dalam regresi spline memegang peran yang sangat penting.

Basis cyclic p-spline merupakan fungsi basis dengan tipe yang baru pertama kali di publish oleh roth pata tahun 2009. Basis ini dapat menjelaskan tentang kurva yang tertutup dengan menggunakan titik kontrol tanpa redundansi, dengan keuntungan nilai dari fungsi C kontinue pada semua titik kurva. Basis Cylic Penalized Spline merupakan bagian dari basis P-Splines. Fungsi Basis Cyclic adalah fungsi basis yang dikembangkan dari basis-basis yang lain. Ada beberapa basis yang langsung terbentuk dari koefisien Penalized Spline, salah satunya yaitu basis Cyclic atau disbeut juga sebagai pemulus dari penalized Spline.

Basis cyclic p-spilne dapat digunakan untuk model periodik dan data musiman. Basis ini ditentukan dengan perkiraan dari fungsi yang dihasilkan terus menerus hingga batas knot. Namun, permasalahan pada fungsi ini tidak mengalami pemulusan akan tetapi dapat diatasi dengan perbedaan cyclic penalty.

Pencocokan model aditif tergeneralisasi menggunakan metode penghalusan berupa scatter plot smoother untuk mengestimasi fungsi mulus, dan menggunakan algoritma penalized Iteratively Re-Weighted Least Square (P-IRLS) untuk mengestimasi model. Adapun metode penghalusan yang dapat memberikan suatu hasil analisis numerik yang lebih baik adalah penghalus spline.

Pada regresi semiparametrik, untuk memperoleh estimator spline pada dasarnya terdapat dua pendekatan optimasi, yaitu estimator spline yang diperoleh berdasarkan optimasi penalized least square (PLS) dan estimator spline yang diperoleh berdasarkan optimasi least square (LS) dengan menggunakan fungsi yang memuat titik-titik knots. Apabila estimator spline yang diperoleh berdasarkan optimasi PLS, maka persoalan utama dalam estimator ini adalah pemilihan parameter penghalus yang optimal. Sedangkan apabila estimator spline yang diperoleh dengan optimasi LS, maka persoalan utama dalam estimator ini adalah pemilihan titik-titik knot yang optimal. Estimator spline sendiri merupakan estimator yang dapat memberikan fleksibilitas yang baik terhadap karakteristik suatu fungsi atau data yang dapat menangani fungsi bersifat mulus (smooth). Spline adalah potongan polinomial, yaitu polinomial yang memiliki sifat tersegmen. Sifat tersegmen ini memberikan fleksibilitas lebih dari polynomial biasa, sehingga memungkinkan untuk menyesuaikan diri secara lebih efektif terhadap karakteristik dari suatu fungsi atau data.

Regresi spline memerlukan jumlah simpul (knot) yang relatif sedikit dan dapat diduga dengan metode kuadrat terkecil. Pemulus spline memerlukan jumlah simpul yang banyak dan kemulusan kurva ditentukan oleh parameter pemulus dan fungsi penalti. Eilers dan Mark (1996) menggabungkan kedua pendekatan spline di atas menjadi P-spline. Pendekatan yang sama juga dikemukakan Ruppert dan Carroll (1997) dengan nama regresi spline terpenalti (penalized spline regression) dan disebut juga dengan P-spline.  

P-spline, adalah regresi yang ditentukan dengan kuadrat terkecil dan penalti kekasaran. P-spline dapat direpresentasikan dalam bentuk model linear campuran dengankomponen ragam mengontrol tingkat ketidaklinearan dari penduga fungsi mulusnya. Pendugaan P-spline dengan pendekatan model linear campuran mempunyai tiga keuntungan yaitu sebagai berukut;

1.      P-spline dapat diduga dengan metode kemungkinan maksimum (ML) atau dengan metode kemungkinan maksimum berkendala (REML).

2.      Komputasi lebih cepat karena menggunakan basis pemulus berdimensi rendah.

3.      P-spline dapat dikembangkan untuk model dengan peubah penjelas lebih dari satu.

Cara mengestimasinya adalah sebagai berikut;

Misalkan terdapat n data berpasangan {(x_1,y₁),( x_2,y₂),...,(x_n,y_n)} mengikuti model regresi;

y_i = f (x_i) + e_i, i=1,2,...n

dimana :

f = fungsi regresi yang belum diketahui bentuknya

y_i = Variabel respon ke-i

e_i= error random dengan mean 0 dan varians 𝜎²I

Hubungan antara spline dengan model linear campuran  yang menghubungkan antara pemulus spline dengan peubah penjelas tak bias terbaik (BLUP) dari model linear campuran. Hubungan pemulus spline dengan model linear campuran melalui perluasan metode kemungkinan maksimum terampat (generalized maximum likelihood) untuk data yang berkorelasi.

DAFTAR PUSTAKA

Brechera, C., Langea, S., Merza, M., Niehausa, F., Wenzela, C., Winterschladena, M., Weck, M., 2006. NURBS based ultra-precision free-form machining. CIRP Annals – Manufacturing Technology 55 (1), 547–550.

Herawati, N. 2011. Regresi Spline untuk Pemodelan Bidang Kesehatan:

Studi tentang Knot dan Selang Kepercayaan. Jurnal ILMU DASAR, 12(2);152-160.

Hofner, dkk. 2014. A Unified Framework of Constrained Regression. https://arxiv.org/pdf/1403.7118.pdf. 1-16. Technical report.

Hofner, B. 2011. A framework for unbiased model selection based on boosting. Journal of Computational and Graphical Statistics 20:956–971

Róth, Á, Juhász, I., Schicho, J., Hoffmann, M., 2009. A cyclic basis for closed curve and surface modeling. Computer Aided Geometric Design 27.179-201

Wigati,d. 2016. Pengembangan Model Aditif Tergeneralisasi Dengan

Penghalus Splines Berbasis WEB Interaktif Menggunakan R-Shiny. SKRIPSI. Jember

SUMBER PUSTAKA DALAM PENULISAN TUGAS AKHIR

SUMBER PUSTAKA DALAM PENULISAN TUGAS AKHIR

Sumber pustaka yang dapat diacu dalam penulisan proposal/laporan TA dan urutan kualitasnya adalah sebagai berikut:

1. Artikel primer atau review di jurnal/periodical

            Menurut Liza Salawati, terdapat hubungan pengetahuan dengan penggunaan alat pelindung mata dan terdapat hubungan sikap dengan penggunaan alat pelindung mata pada pekerja bengkel las Kecamatan Syiah Kuala Banda Aceh.

Salawati, Liza. 2015. Analisis Penggunaan Alat Pelindung Mata pada Pekerja Las. Health. Rev.     15(3) : 130-134.

2. Monograf dalam handbook

Cancer: Cell culture and in vivo experimental results indicated methylcobalamin inhibited the proliferation of malignant cells. Research indicated that methylcobalamin enhanced survival time and reduced tumor growth following inoculation of mice with Ehrlich ascites tumor cells. Methylcobalamin has been shown to increase survival time of leukemic mice. Under the same experimental conditions, cyanocobalamin was inactive. Although more research is required to verify findings, experimental evidence suggested methylcobalamin might enhance the efficacy of methotrexate.

Miasishcheva NV, Gerasimova GK, Il’ina NS, Sof’ina ZP. Effect of methylcobalamin on methotrexate transport in normal and tumorous tissues. Biull Eksp Biol Med 1985;99:736-738.

3. Buku teks

a. Umum

            Dewasa ini kehadiran statistika dirasa makin penting. Hampir semua bidang menggunakan statistika untuk membantu pengembangan dirinya.

Siagian, Dergibson. and Sugiarto. 2006. Metode Statistika Untuk Bisnis dan Ekonomi. PT Gramedia Pusaka Utama, Jakarta.

b. Buku Terjemahan

            Metabolisme karbohidrat mencakupi sintesis (anabolisme), penguraian (katabolisme) dan perubahan antarbentuk pada karbohidrat di dalam organisme. Bentuk karbohidrat terpenting adalah glukosa, yaitu suatu senyawa gula sederhana (monosakarida), dipahami ada terdapat di setiap makhluk hidup untuk proses metabolismeini. Glukosa dan bentuk karbohidrat lainnya memiliki tempatnya masing-masing di dalam proses metabolik antarspesies. Contohnya, tanaman menyimpan energi dengan membentuk karbohidrat dari karbon dioksida dan air melalui fotosintesis, biasanya dalam bentuk pati atau lipid. Tanaman lalu dimakan oleh binatang dan jamur, sebagai bahan bakarnya respirasi seluler.

Williams and Wilkins. 1996.Biokimia Kedokteran Dasar: Sebuah Pendekatan Klinis. Terjemahan dari Basic Medical Biochemistry : A Clinical Approach, oleh dr. Brahm U, Penerbit EGC, Jakarta.

4. Proceeding

            Penelitian ini bertujuan untuk menganalisa keterampilan proses sains (KPS) siswa SMK teknik bangunan melalui kegiatan eksperimen hasil pengembangan teknologi beton ringan non pasir dengan memanfaatkan bahan galian potensi lokal Sungai Logawa. Sains (IPA) merupakan mata pelajaran kelompok adaptif yang mendukung mata pelajaran produktif. Sains erat kaitannya dengan cara berpikir siswa yang berhubungan dengan berbagai masalah kehidupan. Dalam belajar sains siswa dituntut untuk menemukan fakta dan konsep melalui observasi dan eksperimen.

Permanasari, Anna and Purwandari, Ristiana Dyah. 2013. Analisis Keterampilan Proses Sains Siswa SMK  Teknik Bangunan Melalui Eksperimen Berbasis Teknologi Beton Ringan Non Pasir  Berbahan Galian Potensi Lokal. Seminar Nasional Cakrawala Pembelajaran Berkualitas di Indonesia. Jakarta, Indonesia, VOL. 1:1-22.

5. Skripsi, tesis, disertasi

            Menurut Ayu Safitri, Metode Fuzzy Time Series Avarage Based mampu memberikan hasil peramalan yang baik dan mampu meningkatkan akurasi.

Safitri, Ayu. 2016. Peramalan Tingkat Kunjungan Wisatawan Asing ke Provinsi Aceh dengan Metode Fuzzy Time Series Avarege Based. Skripsi. Universitas Syiah Kuala. Banda Aceh.

6. Dokumen yang dipublikasi secara tidak lazim

a. Laporan Tahunan

Araki A, Sako Y, Ito H. Plasma homocysteine concentrations in Japanese patients with non-insulin-dependent diabetes mellitus: effect of parenteral methylcobalamin treatment. Atherosclerosis 1993;103:149-157.

b. Laporan Berkala

Ginting, Ramlan. Rekapitulasi Hasil Perhitungan ATMR Risiko Kredit –Pendekatan Standar Bank Secara Individual in Liquiditas Rupiah. (Eds. Siti Asyithah), Bank Indonesia, Jakarta.

7. Artikel di majalah ilmiah popular

            Penerbit MARDI didapati mengamalkan strategi pemasaran Product, Place dan Promotion dengan berkesan. Sejak tahun 2002, lebih daripada 60 tajuk buku telah diterbitkan dalam pelbagai bidang. Selain itu, jumlah jualan di lima pameran teratas mencapai 61–83% daripada keseluruhan hasil jualan bagi tahun 2005–2007. Walau bagaimanapun, strategi pemasaran ini perlu ditambah baik dan dinilai semula untuk menepati kehendak pengguna dan untuk berdaya saing dengan penerbit ilmiah yang lain.

Hamzah, Rosiah and Devi, Shamala. 2009. Strategi Pemasaran Penerbitan Ilmiah : Kajian Kes Penerbit MARDI.Senarai Majalah, 10 Agustus : 117-124.

8. Surat kabar

TAPAKTUAN - Hujan lebat yang mengguyur Aceh Selatan pada Minggu (8/5/2016) sore mengakibatkan banjir luapan di sejumlah kecamatan dalam kabupaten tersebut. Banjir luapan tersebut terjadi akibat tidak berfungsinya dengan baik sejumlah saluran pembuang serta dangkalnya muara sungai.

Zass, Taufiq. 2016. Hujan Lebat Guyur Aceh Selatan,Serambi Indonesia, 8 Mei: 12.

9. Websites

            Dikutip dari Business Insider, Minggu (7/2/2016), artikel hoax yang dimaksud berkisah tentang Jack Robichaux, seorang pemerkosa berantai.

Wardani, Agustin Setyo. 2016. Artikel Hoax Terungkap usai “Mejeng” di Wikipedia selama 10 Tahun.http://tekno.liputan6.com/read/2430262/artikel-hoax-terungkap-usai-mejeng-di-wikipedia-selama-10-tahun. Tanggal akses 07 Februari 2016.

Skala Pengukuran Variabel

Skala Pengukuran Variabel

Skala Pengukuran Variabel

Pada umumnya, skala pengukuran variabel terbagi dalam empat kategori besar, yaitu skala nominal, skala ordinal, skala interval dan skala rasio.

1.  Skala Nominal

Variabel nominal merupakan variabel dengan skala pengukuran yang paling rendah tingkatannya dan hanya bisa digunakan untuk klasifikasi kualitatif atau kategorisasi. Artinya, variabel tersebut hanya dapat diukur dari segi apakah karakteristik suatu objek bisa dibedakan dari karekateristik lainnya, tetapi kita tidak dapat mengukur atau bahkan mengurutkan peringkat kategori tersebut. Sebagai contoh, kita dapat mengatakan bahwa jenis kelamin kedua orang tersebut berbeda, satu perempuan dan satunya lagi laki-laki. Di sini kita bisa membedakan karakteristik keduanya, tetapi kita tidak bisa mengukur dan mengatakan mana yang “lebih” atau mana yang “kurang” dari kualitas yang diwakili oleh variabel tersebut. Kita hanya bisa memberikan kode/label pada kedua karakteristik tersebut, misalnya angka 0 untuk perempuan dan angka 1 untuk laki-laki. Kode/label angka tersebut bisa saja di tukar. Kode di sana hanya berfungsi sebagai pembeda antara kedua objek dan tidak menunjukkan urutan atau kesinambungan. Angka 1 tidak menunjukkan lebih tinggi atau lebih baik di banding 0.

Operator aritmetika yang bisa digunakan pada skala nominal hanya tanda “=” atau “≠”.

2. Skala Ordinal

Variabel ordinal memungkinkan kita untuk mengurutkan peringkat dari objek yang kita ukur. Dalam hal ini kita bisa mengatakan A “lebih” baik dibanding B atau B “kurang” baik dibanding A, namun kita tidak bisa mengatakan seberapa banyak lebihnya A dibanding B. Dengan demikian, batas satu variasi nilai ke variasi nilai yang lain tidak jelas, sehingga yang dapat dibandingkan hanyalah apakah nilai tersebut lebih tinggi, sama, atau lebih rendah daripada nilai yang lain, namun kita tidak bisa mengatakan berapa perbedaan jarak (interval) diantara nilai-nilai tersebut. Contoh umum variabel ordinal adalah status sosial ekonomi keluarga. Sebagai contoh, kita tahu bahwa kelas menengah ke atas lebih tinggi status sosial ekonominya dibanding kelas menengah ke bawah, tapi kita tidak bisa mengatakan berapa lebihnya atau mengatakan bahwa kelas menengah ke atas 18 % lebih tinggi. Pemberian simbol/kode angka pada skala ordinal, selain berfungsi untuk membedakan karakteristik antar objek juga sudah menetukan urutan peringkat dari objek tersebut.

3. Skala Interval

Variabe ini tidak hanya memungkinkan kita untuk mengklasifikasikan, mengurutkan peringkatnya, tetapi kita juga bisa mengukur dan membandingkan ukuran perbedaan diantara nilai. Sebagai contoh, suhu, yang diukur dalam derajat Fahrenheit atau Celcius, merupakan skala interval. Kita dapat mengatakan bahwa suhu 50 derajat lebih tinggi daripada suhu 40 derajat, demikian juga suhu 30 derajat lebih tinggi dibanding dengan suhu 20 derajat. Perbedaan selisih suhu antara 40 dan 50 derajat nilainya sama dengan perbedaan suhu antara 20 dan 30 derajat, yaitu 10 derajat. Jelas disini bahwa pada skala interval, selain kita bisa membedakan (mengkategorikan), mengurutkan nilainya, juga bisa di hitung berapa perbedaannya/selisihnya dan jarak atau intervalnya juga dapat dibandingkan. Perbedaan antara kedua nilai pada skala interval sudah punya makna yang berarti, berbeda dengan perbedaan pada skala ordinal yang maknanya tidak berarti. Misalnya, perbedaan antara suhu 40 dan 50 derajat dua kali lebih besar dibandingkan dengan perbedaan antara suhu 30 dan 35. Dengan demikian, selain sudah mencakup sekala nominal, juga sudah termasuk skala ordinal, tetapi nilai mutlaknya tidak dapat dibandingkan secara matematik, oleh karena batas-batas variasi nilai pada interval adalah arbiter (angka nolnya tidak absolut).

4. Skala Rasio

Variabel rasio sangat mirip dengan variabel interval; di samping sudah memiliki semua sifat-sifat variabel interval, juga sudah bisa diidentifikasi titik nol mutlak, sehingga memungkinkan menyatakan rasio atau perbandingandi antara kedua nilai, misalnya x adalah dua kali lebih y. Contohnya adalah berat, tinggi, panjang, usia, suhu dalam skala kelvin. Sebagai contoh, berat A = 70 kg, berat B =35 kg, Berat C = 0 kg. Disini kita bisa membandingkan rasio, misalnya kita bisa mengatakan bahwa berat A dua kali berat B. Berat C = 0 kg, artinya C tidak mempunyai bobot. Angka 0 di sini jelas dan berarti dan angka 0 menunjukkan nilai 0 mutlak. Memang agak sedikit susah dalam membedakan antara skala interval dengan rasio. Kuncinya adalah di angka 0, apakah nilai nol tersebut mutlak (berarti) atau tidak? Sebagai contoh, suhu bisa berupa skala interval tapi bisa juga skala rasio, tergantung pada skala pengukuran yang digunakan. Apabila kita menggunakan skala Celcius atau Fahrenheit, termasuk skala interval, sedangkan apabila Kelvin yang digunakan, suhu termasuk skala rasio. Mengapa? Karena suhu 0 derajat Kelvin adalah mutlak! Kita tidak saja dapat mengatakan bahwa suhu 200 derajat lebih tinggi daripada suhu 100 derajat, tetapi kita juga sudah dapat menyatakan dengan pasti bahwa rasionya benar dua kali lebih tinggi.

Contoh Kasus Analisis Regresi Berganda Menggunakan SPSS

Analisis Regresi Berganda 

Seorang manajer pemasaran deterjen merek “ATTACK” ingin mengetahui apakah promosi dan harga berpengaruh terhadap keputusan konsumen membeli produk tersebut ?

No. Responden	Promosi (X1)	Harga (X2)	Keputusan Konsumen (Y)
1	10	7	23
2	2	3	7
3	4	2	15
4	6	4	17
5	8	6	23
6	7	5	22
7	4	3	10
8	6	3	14
9	7	4	20
10	6	3	19
Jumlah	60	40	170

a.       Tentukan model beserta interpretasinya

b.      Uji asumsi- asumsinya

c.       Hitung nilai R² beserta interpretasinya.

PENYELESAIAN :

a.       Model : b_{0 +} b₁X₁  + b₂X₂

v  Coefficients

Coefficientsa
Model		Unstandardized Coefficients		Standardized Coefficients	t	Sig.
		B	Std. Error	Beta
1	(Constant)	3.919	2.418		1.621	.149
	PROMOSI	2.491	.703	1.024	3.544	.009
	HARGA	-.466	1.016	-.133	-.459	.660
a. Dependent Variable: KEPUTUSAN_KONSUMEN

Y = 3.919 +  2.491X₁  - 0,466X₂

X₁ = Promosi

X₂ = Harga

Y  = Keputusan Konsumen

Interpretasi :

b₀  = Apabila promosi bernilai nol maka keputusan konsumen bernilai   3.919

b₁  = setiap bertambahnya jumlah promosi sebesar 1 satuan maka keputusan konsumen akan betrambah sebesar 2.491 satuan dengan asumsi variable lain bernilai konstan.

b₂  = setiap bertambahnya Harga sebesar 1 satuan maka keputusan konsumen akan berkurang sebesar -0,466  satuan dengan asumsi variable lain bernilai konstan.

v  Uji Asumsi

Normal P-P plot

Dapat kita lihat plot berada di sekitar garis regresi. Dikarenakan plot berada disekitaran garis regresi maka dapat kita simpulkan bahwa galatnya berdistribusi normal dan asumsinya terpenuhi.

Scatterplot

Dapat kita lihat bahwa plotnya menyebar acak dan tidak membentuk pola, maka varians galatnya homogen.

Durbin – Watson

Model Summaryb
Model		R	R Square	Adjusted R Square	Std. Error of the Estimate	Durbin-Watson
dimension0	1	.915a	.836	.790	2.521	1.516
a. Predictors: (Constant), HARGA, PROMOSI
b. Dependent Variable: KEPUTUSAN_KONSUMEN

Pada tabel Model Summary nilai Durbin-Watsonnya adalah 1.516 dan Untuk melihat galat tidak berkorelasi, maka kita harus melihat batas bawah dan batas atas dari tabel Durbin-Watson. Pada tabel Durbin Watson banyaknya data yang ada pada kita adalah (n)= 10, α = 0,05 dan banyaknya variabel penjelas (k)=2, dengan batas bawah (dL)= 0,6972 batas atas  (dU)= 1,6413.

Dapat kita lihat penjelasan melalui gambar autokorelasi;

Pada tabel Model Summary yang kita lihat diatas nilai Durbin-Watson adalah 1,516. Nilai tersebut berada diantara selang 0,6972 dan 1,6413 dan dapat kita nyatakan bahwa pada selang tersebut tidak dapat ditarik kesimpulan.

v  Uji Multikolinearitas

The regression equation is

Keputusan konsumen = 3.92 + 2.49 Promosi - 0.47 Harga

Predictor    Coef  SE Coef      T      P    VIF

Constant    3.919    2.418   1.62  0.149

Promosi    2.4912   0.7029   3.54  0.009  3.576

Harga      -0.466    1.016  -0.46  0.660  3.576

S = 2.52099   R-Sq = 83.6%   R-Sq(adj) = 79.0%

Interpretasi :

Nilai VIF = 3.576. karena nilai VIF < 10 yaitu 3.576 < 10 maka tidak ada multikolinearitas.

v  R Square

R² = 0.836 = 83,6%

Interpretasi :

Keputusan konsumen di pengaruhi oleh promosi dan harga adalah sebesar 83,6% pada produk deterjen merek “ATTACK” sedangkan sisanya di jelaskan oleh factor lainnya.