tidak simetris sebab ρ
XX
k ≠ ρ
XX
−k. Jika nilai ACF sebagai ukuran kekuatan dari
hubungan antar pengamatan, maka nilai CCF selain sebagai ukuran kekuatan hubungan
antar variabel, nilai dari CCF juga sebagai ukuran arah hubungan. Untuk
mendapatkan gambaran secara
menyeluruh mengenai
hubungan antara data deret waktu X
t
dengan Y
t
, pengujian mengenai CCF, ρ
XX
k, harus dilakukan untuk k 0 dan k 0, melalui
analisis korelasi silang atau gambar CCF yang biasa dinamakan
korelogram silang cross
correlogram Mulyana 2004.
2.7 Regresi Linear Berganda
Analisis Multivariat
Multivariat Analysis
merupakan salah satu jenis analisis statistik yang digunakan untuk menganalisis
data dimana data yang digunakan berupa banyak peubah bebas independen variabels
dan juga banyak peubah terikat dependen variabels. Analisis Regresi Linear Ganda atau
sering
disebut juga
Analisis Multiple
Regression Linear merupakan perluasan dari Simple Regression Linear Regresi Linear
Sederhana. Pada
analisis ini
bentuk hubungannya adalah beberapa variabel bebas
terhadap satu variabel terikat. Misalkan untuk mengetahui faktor-faktor yang terkait dengan
tekanan darah sistolik variabel Y analisis dilakukan dengan melibatkan kadar glukosa
darah variabel X1, kadar kolesterol darah X2 dan Berat Badan X3. Perbedaan
dengan analisis-analisis statistik yang lain adalah bahwa jumlah peubah tak bebas pada
analisis statistik lain, seperti analisis regresi ganda, terdiri dari hanya satu peubah misalnya
Y tetapi pada analisis multivariat, peubah terikat dapat berjumlah lebih dari satu
misalnya Y1, Y2, ……….Yq. Secara sederhana model persamaan regresi ganda
digambarkan sebagai berikut :
Y = a + b1X1+b2X2+…+bnXn+e
Keterangan : Y
= variabel terikat a
= konstanta b1,b2 = koefisien regresi
X1, X2 = variabel bebas e
= nilai kesalahan error yaitu selisih antara nilai Y individual yang
teramati dengan
nilai Y
sesungguhnya pada titik X tertentu Menurut
Yusuf 2003
Untuk menentukan
model yang
paling fit
sesuaicocok menggambarkan faktor-faktor yang terkait dengan variabel dependen
terikat. Model Regresi Ganda dapat berguna untuk dua hal, yaitu :
Prediksi,
memperkirakan variabel
dependen dengan menggunakan informasi yang ada pada sebuah atau beberapa
variabel independen.
Misalnya kita
melakukan analisis variabel independen kadar glukosa darah, kadar kolesterol
darah dan BB dihubungkan dengan tekanan darah sistolik. Dari hasil regresi,
seseorang individu dapat diperkirakan tekanan darahnya pada kadar glukosa,
kolesterol dan BB tertentu.
Estimasi, mengkuantifikasi hubungan
sebuah atau beberapa variabel independen dengan
sebuah variabel
dependen. Difungsi ini regresi dapat digunakan untuk
mengetahui variabel independen apa saja yang
berhubungan dengan
variabel dependen. Difungsi ini regresi dapat
digunakan untuk mengetahui variabel independen apa saja yang berhubungan
dengan variabel dependen. Selain itu kita dapat
mengetahui seberapa
besar hubungan
masing-masing variabel
independen dengan dependen setelah memperhitungkanmengontrol
variabel independen lainnya. Dari analisis tersebut
dapat diketahui variabel mana yang paling besar
pengaruhnyadominan dalam
mempengaruhi variabel dependen, yang ditujukan dari nilai koefisien regresi b
yang sudah distandarisasi yaitu nilai beta.
Analisis regresi berganda ini memiliki tujuan
untuk memperkirakanmeramalkan
nilai Y, jika semua variable bebas diketahui nilainya. Persamaan regresi linear berganda
dibentuk dengan
menggunakan metode
kuadrat terkecil least square method. Selain itu juga untuk mengetahui besarnya pengaruh
dari setiap variable bebas yang terdapat dalam persamaan Avip 2007.
III. DATA DAN METODE
3.1 Waktu dan Tempat Penelitian
Penelitian ini dilakukan pada bulan Maret hingga Agustus 2011 di bagian Pemodelan
Atmosfer Lembaga
Penerbangan dan
Antariksa Nasional LAPAN Bandung dan Laboratorium
Klimatologi Departemen
Geofisika dan Meteorologi Institut Pertanian Bogor IPB.
