My Blog List

Monday 27 December 2010

TIK Online 28 Desember 2010

melanjutkan tugas yang sebelumnya yaitu membuat blog untuk pembelajaran, simpanlah file-file tersebut dalam bentuk PDF dan MS.Word di dalam CD. Dikumpulkan pada saat ujian akhir. Untuk dapat mengubah file tersebut sesuai format yang diminta dapat menggunakan software, PDF ke Word dan Word ke PDF. setelah berhasil di download instal dahulu dalam komputer anda. Selamat mencoba.

Kuliah Onlin DPK 28 Desember 2010 untuk IIIA1

1. Penulisan identifier/variabel yang mana sajakah yang benar dan dapat diterima program?
a. kelasA05
b. KelasA_05
c. kelas_A_05
d. kelasA-05

2. A>B dapat digunakan variabel yang mana sajakah?
a. real
b. string
c. integer
d. boolan

3. Mana sajakah yang termasuk tipe data bilangan bulat?
a. longint
b. word
c. shortint
d. comp

4. Kesalahan yang mungkin dalam program Pascal Adalah?
a. Pragmatis
b. Sintaksis
c. Morfologis
d. Logika

5. Sqrt adalah salah satu keysord fungsi matematis dalam program Pascal. Berilah 3 contoh lainnya!

6. Yang mana sajakah temasuk fungsi pernyataan "if....then....[else...]"?
a. Pengambilan keputusan
b. kendali
c. Pembatasan Eksekusi
d. Percabangan

7. Pada modul halaman 35 "Program Tripytha;" pada baris ke-17 terdapat pernyataan "inc(i)". Apakah arti dari pernyataan tersebut?

8. Modul halaman 45 "program olahdata;" mengapa outputnya selalu berbeda meskipun di entry data yang sama?

9. Apakah perbedaan dari syntax:
a. write
b. writeln
c. read
d. readln

10. Pada modul halaman 45 "program tripels;" baris ke-20-22 terdapat syntax "if (i mod 21=0) then
begin
write ('Tekan ENTER untuk melihat lanjutannya....');
readln;"
Apakah arti syntax tersebut?

Kirim jawaban anda paling lambat jam 15.00  ke gunawan.infojogja@gmail.com

Saturday 25 December 2010

Kuliah Online Pembelajaran Berbasis TIK

Ini adalah file yang dapat anda download. File ini berisi tentang bagaimana membangun blog yang baik untuk pembelajaran. Buatlah Blog anda menjadi blog pembelajaran yang baik. File tersebut dapat digunakan untuk petunjuk dalam membangun blog Anda. Terimakasih

Friday 24 December 2010

Konservasi

Jika anda memiliki adik yang masih berumur 4 atau 5 tahun cobalah anda beri perlakuan seperti di bawah ini:
  1. Konservasi Panjang. Sediakn 2 buah waafer stick yang panjangnya sama. Letakkan sejajar kemudian tanayailah adik anda tersebut dengan pertanyaan "panjang waferstick yang pertama dan yang kedua panjangnya sama atau tidak?" Jika ia sudah menjawab "sama", ubahlah posisi waferstick tersebut menjadi tegaklurus kemudian kembali ditanyai dengan pertanyaan yang sama "panjang waferstick yang pertama dan yang kedua panjangnya sama atau tidak?" Pada posisi waferstick yang tegak lurus ini banyak kemungkinan adik anda tersebut menjawab panjangnya tidak sama. 
  2. Konservasi Liquid (Volume/Isi). Sediakan 3 gelas dengan rincian sebagai berikut 2 gelas bentuk dan ukurannya sama persis serta gelas ke-3 lebih kecil dan lebih tinggi daripada gelas ke-1 dan gelas ke-2. Isikan gelas 1 dan gelas 2 dengan sirup yang banyaknya sama sehingga tingginya sama. beri pertanyaan pada adik anda yang usianya 4 atau 5 tahun "banyaknya sirup pada gelas pertama dan gelas ke-2 sama atau tidak" setelah dia menjawab sama. tuaangkanlah sirup pada gelas ke-2 ke gelas ke-3 yang lebih kecil tapi lebih tinggi. tanya kembali anak tersebut dengan pertanyaan yang sama. Amati jawabannya. Tanyalah alasannya jika ia menjawab tidak sama. 
  3. Konservasi dengan koin uang logam. 10 uang logam yang ditata menjadi 2 baris masing-masing baris berisi 5 koin.2 baris koin tersebut dibuat dengn kerapatan dan kerenggangan yang sama sehingga panjangnya terlihat sama. Berilah pertanyaan "banyaknya koin pada baris yang pertama dan banyaknya koin pada baris kedua sama atau tidak?" Setelah menjawab sama, buatlah salah satu baris koin tersbut menjadi lebih renggang sehingga kelihatan lebih panjang daripada baris yang satunya(tandpa menambah atau mengurangi jumlah koin yang ada 5 setiap barisnya). kemudian tanyailah anak terbut dengan pertanyaan yang sama. Perhatikan Jawabannya, jika ia menjawab banyaknya berbeda tanyalah Kenapa?
  4. Konservasi Luas.

Mengurangi efek Bahaya Merokok bagi Tubuh

Bagi para perokok alangkah lebih baik jika kondisi tubuh tetap harus di jaga. berikut ini tips untuk mengurangi efek dari rokok:
  1. Perbanyak Minum Air putih. Ini dimaksudkan untuk melarutkan nikotin dan zat-zat lain yang tidak beguna atau bahkan membahayakan di dalam tubuh. Deangan banyak minum, zat-zat tersebut akan dikeluarkan melalui saat kita buang air kecil ataupun pada saat berkeringat.
  2. Olah raga yang cukup. Olah raga akan membuat metabolisme dalam tubuh menjadi lancar dan normal. organ-organ yang tadinya tidak begitu fit, setelah olahraga akan menjadi segar dan terlatih. metabolisme yang baik akan meningkatkan peredaran darah yang juga menjadi lancar, pernafasan menjadi lebih lancar, pencernaan juga menjadi lancar, tidak bermasalah. Keringat yang keluar pada saat berolah raga juga dapat mengurangi zat-zat yang tidak digunakan dalam tubuh.
  3. Netralkan nikotin dengan Cafein. nikotin yang ada dalam tubuh akan menjadi larut dan neteral jika kita meminum kopi. kenapa? Hal in disebabkan karena di dalam kopi terdapat kafein yang nota bene dapat menetralkan kandungan nikotin. Nikotin yang terlalu banyak terkandung di dalam darah dapat membahayakan tubuh. kopi sebagai penyeimbang juga harus tidak berlebihan.

Manfaat Merokok

Kita mengetahui bahwa memang banyak sekali bahaya dari merokok. Namun dibalik itu terdapat manfaatnya juga lho.
  1. Nikotin memberikan efek rilex. Mengapa? hal ini disebabkan karena pembuluh darah yang ada di dalam tubuh yang terkena nikotin akan menyempit. Akibatnya suply darah ke otak akan berkurang. Pernahkah anda merasakan beban berat di pikiran ketika kita sedang memikirkan sesuatu yang berat atau baru ada dalam tekanan? Beban dalam pikiran yang kadang membuat kita merasa pusing tersebut dikarenakan suply darah ke otak terlalu banyak sehingga meningkatkan konsentrasi. Orang jawa bilang "Sepaneng". Jika mengalami hal seperti ini, sebagian perokok akan segera menyalakan rokoknya untuk mengurangi tingkat ketegangan yang ada di dalam otak. 
  2. Berfikir jadi lebih Lancar, lebih Menyeluruh. Pikiran yang tenang membuat orang tidak tergesa-gesa. membuat orang berfikir dengan baik ketika ada suatu persoalan yang harus diselesaikan. Mungkin anda tahu Einstein, ia juga mempraktekkan hal itu. Dengan ketenangan pikiran yang ia miliki, ia berhasil menemukan Bom Atom melalui reaksi nuklirnya.
  3. Melatih hidup Bersih. Apa jadinya ketika seorang membuang abu dan puntung roko sembarangan? tentu ia akan mendapat teguran dari orang lain.
  4. Hidup secara Sosial Harus Saling Berbagi. Jika berkumpul dengan banyak teman, ada yang tidak  membawa rokok maka disitulah rasa pertemanan, rasa toleransi dan berbagi akan terasah.
  5. Toleransi.  Seseorang yang sudah terasah kepekaan soosialnya tentu dia tidak akan merokok di sembarang tempat. Apalagi jika di dekatnya ada anak kecil, perempuan atau ibu hamil dan orang yang sedang sakit.
  6. Pemasukan Untuk negara dan Saling Berbagi dalam menghidupi Satu sama Lain. 
Saya tunggu comment dari pembaca silakaan klik juga artikel tentang salah satu bahaya nerokok.
  

Bahaya Merokok

Mungkin anda pernah melihat seseorang yang sedang menghisap rokok. Mungkin teman, kakak, ayah atau mungkin anda sendiri yang merokok. Tahukah anda bahwa asap rokok yang dihirup terkandung banyak zat-zat yang berbahaya bagi tubuh. Kalau dilihat dari pesan dokter, banyak sekali bahaya rokok. 

Dalam blog ini hanya akan dibahas bagaimana cara kerja nikotin yang terkandung dalam asap rokok sehingga dapat mempengaruhi tubuh dan membuat orang kecanduan. Nikotin yang dihirup, kemudian masuk kedalam paru-paru. Oleh alveolus di dalam paru-paru asap rokok yang mengandung nikotin ini diserap. Setelah dilakukan penyerapan yang dilakukan di dalam paru-paru, nikotin yang ikut terserap pun segera bercampur ke dalam darah. Darah dari paru-paru menuju ke jantung. oleh jantung, darah yang mengandung nikotin tersebut diedarkan ke seluruh tubuh. diedarkan ke seluruh jaringan dari ujung kepala hingga ujung kaki melalui pembuluh darah.

Nikotin menyebabkan pembuluh darah menyempit sehingga dapat menimbulkan banyak gangguan dalam tubuh. Bahayanya jika pembuluh darah menyempit hingga sementara jantung terus memompa, bisa-bisa pembuluh darahnya rusak/pecah. Jika ini terjadi pada pembuluh darah di otak, ini dapat menyebabkan stroke. Oleh karena itu berhati-hatilah buat adik-adik,dan temen-temen seperjuangan. Imbangilah dengan berolahraga yang cukup agar kondisi tubuh tetap terjaga. Dengan berolahraga yang cukup dapat meminimalisir kandungan nikotin dalam tubuh yang dibuang melalui keringat. Lihat juga Posting tentang Manfaat Merokok dan Cara mengurangi efek Rokok

Profil Blogger


Nama    : Gunawan
Alamat  : Bantul Yogyakarta

SMP     : SMP N 1 Piyungan Yogyakarta
SMA    : SMA N 8 Yogyakarta
S1        : Matematika UNY
S2        : Pendidikan Matematika UNY (Sedang Menempuh)
Employ : Universitas PGRI Yogyakarta
E-mail: gunawan.infojogja@gmail.com

Monday 20 December 2010

Kuliah Online Pembelajaran Matematika Berbasis TIK

Carilah informasi tentang software xampp.
Bagaimanakah cara membuat data base dengan xampp?
Dengan software tersebut carilah cara menghubungkan data base dengan web yang kita buat.?
Bila memungkinkan praktekkan dengan komputer.
(Sertakan sumbernya, Lebih baik jika mendapatkan penggunaan software tersebut disertai dengan gambar tampilan dari software tersebut.) kirimkn pekerjaan anda ke gunawan.infojogja@gmail.com maksimal Rabu 22 Desember pada jam 19.00.

Monday 13 December 2010

Kuliah Online TIK

Website memiliki banyak kegunaan, antara lain untuk melakukan bisnis dan pembelajaran. Ada 2 macam website yaitu web statis dan web dinamis. Web statis adalah web yang berisi link. Sementara web yang dinamis adalah web yang didalamnya terdapat database yang memuat data-data tertentu. Data tersebut dapat dipanggil atau dicari dengan menggunakan search engine(pencarian).

Untuk membuat web yang dinamis, dapat digunakan program dream weaver didukung dengan program PHP, MySQL dan software Apache.

Untuk script PHP yang digunakan untuk membuat web dinamis kini dapat dengan mudah kita dapatkan di internet.

1. Carilah script PHP yang digunakan untuk membuat web yang bersifat dinamis. Tulislah link-nya(http//:www......(secara lengkap)) pada blog ini melalui comment agar dapat kita manfaatkan secara bersama-sama.
2. Carilah cara menginstal PHP dan MySQL dengan Apache
3. Bagaimana cara membuat database dengan menggunakan PHP MySQL dengan software Apache.
4. Bagaimanakah cara menghubungkan antara tampilan PHP dengan database?

Kirimkan jawaban pertanyaan poin 2, 3 dan 4 ke gunawan.infojogja@gmail.com. Report saya terima paling lambat Rabu 15 Desember 2010. Sertakan sumbernya jika mengutip dari buku maupun internet.

Thursday 9 December 2010

EPH Online

Bagi anda yang belum menemukan Kuliah Online EPH di blog ini, silakan serching di google dengan kata kunci "kuliah online EPH philosophia-gun.blogspot.com"

Kuliah Online I EPH

Dalam membuat instrumen melewati suatu proses. Salah satu prosesnya adalah menyiapkan kisi-kisi soal. Kisi-kisi tersebut dibuat berdasarkan SK dan KD (Kompetensi Dasar. Berikut ini adalah contoh kisi-kisi yang digunakan untuk membuat tes yang dapat anda download.

Berdasarkan contoh tersebut
1.buatlah kisi-kisi dan instrumen tes. Kisi dan Instrumen dibuat oleh kelompok yang beberapa waktu lalu sudah terbentuk di kelas EPH.
2.sama atau berbedakah antara indikator soal dengan indikator SK KD dalam Silabus? Jika berbeda jelaskan perbedaannya!

Kirimkan tugas tersebut ke email: gunawan.infojogja@gmail.com. Laporan sudah harus dikirim paling lambat hari Ahad jam 07.00 tanggal 12 Desember 2010

Monday 29 November 2010

Tugas Pengganti MID Mata Kuliah Dasar Pemrograman Komputer

Tulislah output “program akarPK” pada modul halaman 22, “program dec2bin” pada modul halaman 30 “program trigonom“, pada modul halaman 34,. Artikan program-program tersebut dengan menggunakan bahasa sehari-hari dengan menceritakan maksud setiap baris dari program tersebut.
Buatlah kesimpulan untuk masing-masing program tersebut.

Tugas dikumpulkan Pada Bulan Desember 2010

Jika tidak keberatan, tulis comment anda tentang blog ini.Ok

Monday 20 September 2010

Tugas Pengganti Pertemuan Pertama Dasar Pemrograman Komputer Sem.III

1. Tuliskanlah macam tipe data dalam pemrograman Turbo Pascal beserta artinya!
2. Buatlah struktur program Pascal!
3. Buatlah salah satu contoh program dalam Pascal!
4. Mengaapa anda memilih profesi sebagai guru?

Tugas individu ini silakan dikirim ke e-mail: gunawan.infojogja@gmail.com paling lambat Sabtu tanggal 25 September 2010. Judul atau Subject ditulis sesuai nama dan nomor mahasiswa. Referensi dapat dicari dengan internet, dan jangan lupa sertakan sumbernya.

Wassalamualaikum Wr. Wb


Dosen Matakuliah

ttd

Saturday 7 August 2010

Teori Konstruktifisme

Teori Konstruktifisme
            Teori konstruktifisme adalah suatu teori yang mengatakan bahwa siswa yang menerima pelajaran/ pengetahuan baru ia akan merekonstruksi, menyusun, dan menata pengetahuan baru tersebut dengan pengetahuan lam yang sudah diperoleh sebelumnya di dalam pikirannya.Untuk mencapai kata “paham” maka ia mengalami proses konstruksi pengetahuan dalam pikirannya. Jika proses konstruksi tersebut berhasil maka siswa akan mengalami yang disebut dengan “paham”. Namun jika proses konstruksi pengetahuan yang terjadi dalam pikiran siswa ini tidak berhasi maka ia akan mengalami “kebingungan”.
              Untuk menghindari kebingungan yang dialami oleh siswa dan menunjang proses konstruksi yang dialami siswa maka sebisa mungkin guru melakukan pembelajaran dengan metode yang tepat. Perhatian dan konsentrasi siswa yang kurang menjadi salah satu kendala dalam memahami suatu materi pelajaran dan proses konstruksi pikiran yang terganggu. Oleh karena itu perlu menggunakan metode pembelajaran yang tepat, metode yang dirancang dalam kegiatan pembelajarannya melibatkan siswa secara aktif. Semakin aktif siswa dalam kegiatan pembelajaran, maka akan semakin bagus dalam penerimaan siswa dan mempermudah proses konstruksi yang terjadi dalam pikiran siswa. Metode pembelajaran yang baik yang dapat mendukung proses konstruksi dalam pikiran siswa adalah metode yang mengetengahakan materi pelajaran sesuai dengan konteks kehidupan sehari-hari. Akan menjadi lebih bagus lagi jika pelajaran yang disesuaikan dengan konteks tersebut dilakukan sendiri oleh siswa. Misalnya pembelajaran mengenai materi jual beli, potongan harga dsb siswa diajak langsung melakukan proses jual beli di pasar atau di warung atau koperasi sekolah. Pengalaman pembelajaran seperti ini akan sangat mudah dipahami dan mudah dikonstruksi dalam pikiran siswa. Hasilnya pun siswa tidak akan cepat lupa. Lebih jauh mengenai pembelajaran yang sesuai dengan konteks kehidupan sehari-hari dibahas dalam judul "Contekstual Learning" yang bisa di search dalam blog ini.

Wednesday 12 May 2010

Hasil Kelulusan SMP Pembangunan Piyungan 2010

 Sungguh kabar yang menggembirakan. Pada tahun 2010 ini ditengah banyaknya SMP yang tingkat kelulusannya menurun, SMP Pembangunan Piyungan tidak terlalu berpengaruh. Pada tahun 2010 ini dari 88 siswa SMP Pembangunan kelas 9 hanya 7 yang tidak lulus (Semoga siswa yang tidak lulus belajar giat untuk dapat lulus di ujian ulangan).

Thursday 1 April 2010

TEORI BELAJAR (TOKOH, PRINSIP YANG DIANUT DAN APLIKASI DALAM PEMBELAJARAN MATEMATIKA)

ROBERT GAGNE

Di antara tokoh-tokoh terkenal yang melakukan penelitian tentang teori belajar adalah Robert Gagne. R. Gagne adalah seorang ahli psikologi pendidikan. Ia mengemukakan teorinya yang terkenal yaitu Condition of Learning. Teorinya menjelaskan tiga hal, yaitu taksonomi hasil belajar, kondisi belajar khusus, dan 9 peristiwa pembelajaran.

PRINSIP YANG DIANUT ROBERT GAGNE
R Gagne mengkategorikan taksonomi hasil belajar dalam lima komponen, yaitu: informasi verbal, keterampilan intelektual, strategi kognitif, sikap, dan keterampilan motorik. Jadi, tiga ranah dalam taksonomi Bloom tercakup semua disini. Kenapa Gagne mengelompokkannya kedalam lima komponen? Ia mengatakan, hal tersebut dikarenakan atas asumsi bahwa hasil belajar yang berbeda tersebut memerlukan kondisi belajar yang berbeda pula. Artinya, untuk membangun strategi kognitif siswa memerlukan kondisi berbeda dengan ketika kita ingin membangun sikap atau keterampilan motorik. Taksonomi yang dibuat oleh Gagne ini adalah taksonomi hasil belajar pertama, sebelum dibenahi oleh Bloom dkk, dan sekarang tahun 1999 lalu telah diperbaiki oleh Crathwol dkk.
Hal kedua dari teorinya Gagne adalah kondisi belajar khusus (specifik learning condition). Ia menekankan bahwa sangatlah penting untuk mengkategorisasikan tujuan pembelajaran sesuai dengan tipe hasil belajar, alias taksonomi seperti dijelaskan di atas. Dengan cara seperti ini guru/tutor/dosen dapat merancang pembelajarannya untuk mencapai tujuan pembelajaran yang diinginkan. Ia juga menekankan bahwa untuk mencapai tujuan pembelajaran tersebut, harus sangat-sangat memperhatikan kondisi khusus (critical condition) yang harus disiapkan untuk mencapai itu. Misal, jika tujuan pembelajaran yang ingin dicapai adalah mengingat sejumlah kosa kata, katakanlah maka kita harus menyiapkan kondisi khusus yaitu berupa petunjuk (cues) atau tips alias trik tertentu, sehingga siswa bisa mengingat dan memahaminya.
Hal ketiga adalah 9 peristiwa pembelajaran, yaitu:
1.   Gaining Attention; yaitu upaya ata cara kita untuk meraih perhatian siswa.
2.  Informing learner of the objectives; memberitahukan siswa tujuan pembelajaran yang akan mereka capai/peroleh;
3.  stimulating recall of prior learning; guru biasa menyebutnya dengan appersepsi, yaitu merangsang siswa untuk mengingat pelajaran terkait sebelumnya dan menghubungkannya dengan apa yang akan dipelajari berikutnya;
4.  Presenting stimulus; setelah itu mulailah dengan menyajikan stimulus;
5.  Providing learning guidance; berikan bimbingan belajar;
6.  Eliciting performance; tingkatkan kinerja;
7.  Providing feed back; alias berikan umpan balik;
8.  Assessing performance; ukur capaian hasil belajar mereka;
9.  Enhancing retention and transfer; tingkatkan capaian hasil belajar sesuai dengan tujuan pembelajaran yang telah ditetapkan untuk dicapai.


HIRARKI BELAJAR ADALAH SALAH SATU IMPLEMENTASI DARI TEORI BELAJAR GAGNE

Hirarki belajar menurut Gagne harus disusun dari atas ke bawah atau top down (Orton,1987). Dimulai dengan menempatkan kemampuan, pengetahuan, ataupun keterampilan yang menjadi salah satu tujuan dalam proses pembelajaran di puncak dari hirarki belajar tersebut, diikuti kemampuan, ketrampilan, atau pengetahuan prasyarat (prerequisite) yang harus mereka kuasai lebih dahulu agar mereka berhasil mempelajari ketrampilan atau pengetahuan di atasnya itu. Hirarki belajar dari Gagne memungkinkan juga prasyarat yang berbeda untuk kemampuan yang berbeda pula (Orton, 1987).
Sebagai contoh, pemecahan masalah membutuhkan aturan, prinsip dan konsepkonsep terdefinisi sebagai prasyaratnya, yang membutuhkan konsep konkret sebagai prasyarat berikutnya, yang masih membutuhkan kemampuan membedakan (discriminations) sebagai prasyarat berikutnya lagi.

Contoh Pemanfaatan Hirarki Belajar

Bagaimanakah agar siswa mampu memfaktorkan bentuk-bentuk aljabar seperti: x² –2x −35 menjadi (x – 7)(x + 5); x² – 6x + 8 menjadi (x – 4)(x – 2) ataupun x² + 6x – 7 menjadi (x – 7)(x + 1).
Penyelesaian masalah di atas tadi dapat didekati dengan menggunakan teori hirarki belajar yang digagas Gagne tadi. Pertanyaan awal yang dapat diajukan sebagaimana disarankan Gagne tadi adalah: Pengetahuan apa yang lebih dahulu harus dikuasai siswa agar ia berhasil memfaktorkan?. Jawabannya, di saat memfaktorkan bentuk seperti x² – 2x – 35 dimana –2 disebut koeffisien x dan −35 disebut konstanta, para siswa harus mencari dua bilangan bulat yang kalau dijumlahkan akan menghasilkan –2 (koeffisien x) dan kalau dikalikan akan menghasilkan –35 (konstanta). Kedua bilangan yang dicari tersebut adalah –7 dan +5, karena –7 + (+5)= −2 dan (–7) × (5) = –35. Ketika ditanyakan kepada guru tersebut tentang kemampuan siswanya untuk menjumlahkan dan mengalikan dua bilangan bulat, sang guru menyatakan bahwa para siswanya sering mengalami kesulitan dengan dua tugas tersebut. Pertanyaan selanjutnya, kalau mereka tidak dapat menentukan dua bilangan bulat yang jumlah dan hasil kalinya sudah tertentu, bagaimana mungkin mereka akan mampu memfaktorkan bentuk-bentuk tersebut?. Bapak guru tersebut pada akhirnya menerima dengan sepenuh hatinya faktor penyebab kesulitan siswanya. Pada saat itu, sang guru menyepakati bahwa para siswa tersebut harus dibimbing sedemikian rupa sehingga mereka dapat menjumlahkan dan mengalikan dua bilangan bulat dengan lancar.
Contoh Hirarki Belajar
Dari permasalahan di atas, dapat disusun suatu hirarki belajar tentang memfaktorkan bentuk aljabar seperti ditunjukkan Gambar 1 di bawah ini. Dari gambar 1 terlihat jelas bahwa pengetahuan atau ketrampilan memfaktorkan yang telah ditetapkan menjadi salah satu tujuan pembelajaran khusus harus diletakkan dipuncak dari hirarki belajar tersebut, diikuti di bawahnya, ketrampilan atau pengetahuan prasyarat (prerequisite) yang harus dikuasai lebih dahulu agar para siswa berhasil mempelajari ketrampilan atau pengetahuan di atasnya itu. Begitu seterusnya sehingga didapatkan hirarki belajar tersebut.

HIRARKI BELAJAR TERSUSUN DARI BAWAH (BOTTOM UP)
Memfaktorkan Bentuk x2 + Cx + D
Menentukan Dua Bilangan Bulat Yang
Jumlah Dan Hasil Kalinya Tertentu
Menjabarkan Bentuk
Seperti (X + A) (X + B)
Menentukan Faktor-Faktor
Suatu Bilangan Bulat
Menentukan Hasil Kali Dua
Bilangan Bulat
Menentukan Jumlah Dua
Bilangan Bulat

jHUBUNGAN ANTARA KORELASI SEDERHANA DENGAN KORELASI GANDA (R)


Disusun Guna Memenuhi Tugas
Mata Kuliah Statistik Multivariat I
Dosen Pengampu : Dhoriva Uswatun Wutsqo, Dr.







Disusun oleh :
Bambang Priono, S.Pd.   0970 9251 007
Wahyudi, S.Pd.               0970 9251 010

PROGRAM STUDI PENDIDIKAN MATEMATIKA
PROGRAM PASCASARJANA
UNIVERSITAS NEGERI YOGYAKARTA
2010
3.6  HUBUNGAN ANTARA KORELASI SEDERHANA DENGAN KORELASI GANDA (R)
Idealnya, untuk mendapatkan nilai R yang tinggi, setiap prediktor (variable bebas) harus mempunyai korelasi secara signifikan dengan variabel terikat dan setiap prediktor tidak mempunyai korelasi dengan satu dan lainnya. Jadi prediktor-prediktor tersebut mengukur konsep yang berbeda dan dapat memperkirakan bagian yang berbeda dari variansi y. Tentu saja, dalam prakteknya kita tidak akan menemukan hal ini, karena hampir semua variabel tersebut berkorelasi dengan tingkat tertentu. Dalam tataran praktis yang baik adalah kondisi  dimana sebagian besar prediktor berkorelasi secara signifikan dengan y dan diantara prediktor memiliki korelasi yang relative rendah. Sebagai gambaran, perhatikan hal dibawah ini:
 (1)

X1
X2
X3
(2)

X1
X2
X3
(3)

X1
X2
X3

Y
0,20
0,10
0,30

Y
0,60
0,50
0,70

Y
0,60
0,70
0,70

X1

0,50
0,40

X1

0,20
0,30

X1

0,70
0,60

X2


0,60

X2


0,20

X2


0,80

Dalam kasus ini, yang kita inginkan adalah nilai korelasi ganda menjadi tinggi dan korelasi antar prediktor rendah. Pada kasus pertama tampak bahwa nilai R rendah (0,30). Hal ini disebabkan tingginya korelasi antar prediktor. Sedangkan pada kasus 2 dan 3 nilai R tinggi (0,70). Selanjutnya, pada kasus 1 tidak ada peluang agar nilai R menjadi lebih besar disbanding pada kasus 2 dan 3, karena hubungan timbal balik (intercorrelation) antar prediktor relative tinggi dibandingkan dua kasus lainnya.
Apabila kita membandingkan kasus 2 dan 3. Maka kita berharap nilai pada kasus 2 lebih tinggi dibandingkan kasus 3. Hal ini disebabkan interkorelasi antar prediktor pada kasus 2 lebih rendah dibandingkan interkorelasi antar prediktor pada kasus 3. Meskipun pada kasus 3 korelasi prediktor (variable bebas) terhadap y lebih tinggi (0,60;0,70;0,70) daripada Kasus 2 (0,60;0,50;0,70). Akan tetapi interkolasi antar prediktor pada kasus 3 yang lebih tinggi sangat membatasi  kemampuan X2 dan X3 untuk memprediksi varians tambahan di luar X1 (agar R meningkat secara sigifikan), sementara ini tidak terjadi  untuk kasus 2.


3.7 MULTIKOLINIARITI
Multikoliniariti Adalah kondisi dimana terjadi interkorelasi yang tinggi antar prediktor. Dalam bahasa yang sederhana multikolliniariti disebut sebagai ketergantungan linear antar prediktor(Myers,1990;488). Multikoliniariti biasanya terjadi pada penelitian yang menggunakan pengukuran kognitif sebagai prediktor. Multikoliniariti merupakan sebuah masalah bagi peneliti dalam menggunakan regresi ganda karena tiga alasan:
1.       Multikolliniariti sangat membatasi nilai R, hal ini disebabkan prediktor-prediktor akan timbul karena ada kesamaan variansi pada y. Sebuah kajian yang dilakukan oleh Dizney dan Gromen (1967) mengilustrasikan dengan baik bagaimana multikoliniariti antar prediktor membatasi nilai R. Keduanya mempelajari seberapa baik kemampuan membaca (x1) dan kemampuan menulis (x2) akan memprediksi mata kuliah (tingkat prestasi, penj) pada perguruan tinggi di Jerman. Berikut adalah matriks korelasi tersebut:

X1
X2
y
X1
1,00
0,58
0,33
X2

1,00
0,45
Y


1,00
Perhatikan multikoliniariti untuk x1 dan x2 (r x1x2 = 0 ,58), dan juga bahwa x2 memiliki korelasi sederhana  0,45 terhadap y. Dengan korelasi ganda R hanya 0,46. Dengan demikian, adanya korelasi yang relatif tinggi antara kemampuan membaca dan kemampuan menulis sangat berpengaruh terhadap peningkatan nilai R yaitu hanya 0.01 (didapat dari 0,46 - 0,45).
2.       Multikoliniariti menyebabkan  sulit menentukan prediktor mana yang paling pengaruh terhadap variabel dependen (korelasi) karena antar prediktor sendiri saling mempengaruhi. Padahal idealnya antar prediktor saling independen.
3.       Multikoliniariti meningkatkan variansi dari koefisien regresi. Semakin besar variasinya, maka semakin tidak stabil persamaan prediksi.

Berikut ini adalah dua metode untuk mendiagnosis multkoliniariti:
1.       Periksa korelasi sederhana antara prediktor dari matriks korelasi. Ini harus difahami, dan mudah dimengerti, tapi peneliti perlu hati-hati bahwa korelasi tersebut tidak selalu menunjukkan tingkat multikollineariti.
2.       Periksa faktor inflasi variansi (VIF) untuk prediktor-prediktor yang ada.
Besarnya nilai   dis  ;ebut  faktor inflasi varians  ke-j dimana Rj2 adalah kuadrat korelasi ganda untuk memperkirakan/menaksir predictor ke- j dari semua prediktor lainnya.
Faktor inflasi varians untuk sebuah prediktor menunjukkan apakah ada hubungan/korelasi linier yang kuat  antara prediktor itu dengan semua preditor yang lainnya. Hal ini jelas memungkinkan sebuah prediktor  untuk hanya memiliki hubungan  dan / atau relatif lemah hubungannya dengan prediktor  lain dalam hal korelasi sederhana, dan belum memiliki R  yang cukup  tinggi ketika meregresi  semua prediktor lainnya. kapankah nilai untuk sebuah faktor inflasi varians cukup besar untuk diperhitungkan? Myers (1990) menyatakan: "Walaupun tidak ada aturan mengenai nilai-nilai numerik namun secara umum dapat percaya bahwa jika ada VIF (Variance Inflation Factor) melampaui 10, ada alasan yang patut untuk diperhatikan, kemudian salah satu variabel bisa dihapus atau alternatif untuk mengestimasi kuadrat terkecil untuk meyelesaikan masalah(multikollinearity,penj)". Faktor-faktor inflasi varians dapat diperoleh dengan mudah dari SAS REG.

Setidaknya ada tiga cara untuk menyelesaikan masalah multicollineariti.
Cara pertama, menggabungkan prediktor-prediktor yang  berkorelasi tinggi. Sebagai contoh, jika ada tiga pengukuran yang berkaitan dengan contruk tunggal yang memiliki intercorrelasi sekitar 0,80 atau lebih, kemudian tambahkan ketiga pengukuran pada bentuk pengukuran tunggal.

Cara kedua, jika pada awalnya sekumpulan prediktor yang cukup besar, maka dapat dipertimbangkan sebuah analisis komponen-komponen utama (suatu jenis analisis faktor) untuk mengurangi kumpulan prediktor yang kecil. Sebagai contoh, jika ada 30 prediktor kita pasti tidak akan menghitungnya satu persatu. Sebuah analisis faktor dapat menjelaskan berapa banyak konstruk utama yang kita ukur. Faktor-faktor tersebut menjadi prediktor baru, dan karena faktor-faktor yang tidak berhubungan dengan konstruksi awal, maka kita menghilangkan masalah multicollineariti.

Cara ketiga, menggunakan sebuah teknik yang disebut “regressi punggung” (ridge regression). Pendekatan ini di luar pembahasan  ini.


3.8 MEMILIH MODEL
Ada berbagai metode yang tersedia untuk memilih kumpulan prediktor yang baik:
1.       Pengetahuan Substantif.
Weisberg (1985) menyatakan, "Satu-satunya alat yang paling penting dalam memilih sekelompok variabel untuk digunakan sebagai model analisis pengetahuan dari daerah substantif yang diteliti. Penting bagi peneliti untuk lebih hati-hati dalam memilih prediktor. Banyak peneliti telah menyalahgunakan regresi ganda secara serampangan dalam mengambil variabel.” Cohen (1990), berkomentar mengenai penggunaan variabel sembarangan; "saya menemukan banyak penelitian dengan jumlah variabel dependen atau variabel independen yang terlalu banyak atau kedua-duanya”.
Ada beberapa alasan mengapa menggunakan prediktor yang sedikit: (a) prinsip penghematan ilmiah (scientific parsimony), (b) mengurangi jumlah prediktor akan memperbaiki rasio n / k, rendahnya rasio n/k akan memudahkan proses validasi, dan (c) perhatikan ungkapan dari Lard dan Novick (1968):
Pengalaman dalam bidang psikologi dan dalam banyak bidang aplikasi lain telah menunjukkan bahwa kurang ada manfaatnya untuk memasukkan banyak prediktor dalam persamaan regresi, sebagai validitas tambahan variabel baru, setelah point tertentu biasanya sangat rendah. Hasil ini benar benar karena cenderung tumpang tindih dalam isi dan akibat penambahan kelima atau keenam pengujian dapat berpengaruh bagi deretan dan masih relevan dengan kriteria.

2.  Metode berurutan (Sequensial).
Metode ini terdiri dari langkah forward (pilihan maju), langkah stepwise (regresi bertahap) dan langkah backward selection (penyisihan mundur) yang telah populer bagi peneliti. Semua prosedur ini melibatkan beberapa langkah, para peneliti memandang pengaruh prediktor terhadap prediktor lain.
Kita anggap prosedur itu sebagai urutan prediktor, akan memungkinkan kita untuk menentukan kontribusi masing-masing prediktor tetentu dalam perhitungan variansi y. Prosedur yang menggunakan korelasi semipartial ini akan menguraikan korelasi antara prediktor.
Jika terdapat Korelasi parsial antara variabel 1 dan 2 dan terpisah dengan Variabel 3 maka rumus korelasi parsialnya adalah:
r12.3 =
Kita telah mengetahui korelasi parsial pertama karena dua alasan (a) korelasi semiparsial adalah jenis/bagian dari korelasi parsial dan (b) korelasi parsial akan terlibat dalam perhitungan yang makin sulit dari korelasi semiparsial.
Untuk menentukan nilai R2,kita akan menguraikan secara semi parsial yang biasa disebut part corelation. Rumus untuk  korelasi semipartial adalah:
r12.3(s) =
Perbedaan antara persamaan ini dan persamaan sebelumnya hanya terletak pada penyebut pada persamaan sebelumnya mengandung standar deviansi untul variabel pertama.
Dalam korelasi ganda kita ingin membagi variabel independen (prediktor) dari prediktor lainnya, tetapi bukan dari variabel dependen. Kita akan membiarkan variabel dependen tetap utuh. Misalkan R2y12...kmenyatakan korelasi ganda berpangkat untuk prediktor sebanyak k, dimana prediktor diletakan setelah titik. Misalkan ada satu variabel dependen dan tiga prediktor yang ditunjukkan dengan persamaan berikut:
di mana
ry2.1(s) =
adalah korelasi semipartial antara y dan variabel kedua, dimana  variabel 1 terpisahdengan variabel 2. Sedangkan   menyatakan korelasi semipartial antara y dan variabel 3 dimana variabel 1 dan 2 terpisah dari variabel 3:


Jadi, dalam penggunaan korelasi semiparsial kita menguraikan hubungan antar prediktor dan menentukan seberapa banyak varian tunggal pada setiap prediktor yang berkaitan dengan variansi y.

Sebagai ilustrasi, perhatikan contoh berikut:
Contoh 1- penjelasan secara lisan tentang turunan variansi
Y                              = IPK mahasiswa semester 1
prediktor 1         = Nilai UAN SMA(GPA)
prediktor 2         = Nilai tes skolastik (SAT)
prediktor 3         = sikap siswa

Ry2.123 = ry12 + ry22.1(s) +  ry23.12(s)
ry12           : merupakan variansi dari nilai IPK Mahasiswa dapat diperkirakan dari variabel nilai UAN SMA. Ini karena ada perbedaan antara nilai IPK mahasiswa dan nilai UAN SMA
ry22.1(s)     : merupakan variansi residual pada nilai SAT, dimana variansi SAT tidak berhubungan dengan variansi nilai UAN SMA tetapi berhubungan dengan variansi nilai IPK perguruan tinggi.
ry23.12(s)    : merupakan variansi residual pada sikap, dimana variansi sikap tidak berhubungan dengan variansi nilai UAN SMA dan nilai SAT tetapi berhubungan dengan variansi nilai IPK perguruan tinggi
Contoh 2-turunan variansi yang ditunjukkan dengan grafik
Ini cara yang paling mudah untuk menganalisa hubungan dua prediktor. Oleh karena itu, misalkan kita memiliki: ryi = 0,60, ry2 = 0,50 dan r12 = 0,70. Dipergunakan diagram Venn dimana lingkaran merepresentasikan varians untuk sebuah variabel, dan gabungan antara dua lingkaran menunjukkan jumlah variansdua variabel.
Ket: Irisan variansi y dengan prediktor 1 dan 2; Irisan variansi y dengan prediktor 2, dan terpisah dengan prediktor 1
Selanjutnya kita menyajikan korelasi semiparsial, yang menunjukkan hasil 1,2% adalah:
ry2.1(s) =  =  = 0,11 è ry2.1(s) =0,012
FORWARD- prinsif dari model ini adalah memasukan satu persatu predictor pada persamaan regresi hingga didapatkan persamaan regresi yang memuaskan (signifikan). Prosedurnya adalah memilih prediktor pertama kemudian dimasukan pada persamaan. Apabila korelasi sederhana terhadap y besar maka prediktor tersebut dipilih. Dengan kata lain, jika prediktor ini memberikan nilai korelasi semiparsial yang cukup tinggi maka predictor ini dipakai sebagai prediktor yang baik, dan seterusnya.Pada tahap tertentu prediktor yang dimasukan tidak memberi kontribusi yang signifikan terhadap nilai R2 maka prediktor ini dibuang.

STEPWISE- pada dasarnya adalah satu jenis dari tahapan pertama, Forward. Meskipun pada setiap langkah, sebuah pengujian dirancang dari prediktor yang berdayaguna rendah. Arti penting setiap prediksi yang diulang terus-menerus. Dengan demikian, sebuah prediktor yang mungkin telah menjadi calon prediktor terbaik sebelumnya sekarang mungkin menjadi tidak berguna.
BACKWARD SELECTION (penyisihan mundur) – prinsifnya mirip dengan model pilihan maju akan tetapi pada model ini langkah dimulai dari semua peubah dalam model. Langkahnya sebagai berikut: (a) semua prediktor dihitung dengan satu persamaan,(b) F dihitung untuk setiap prediktor, diperlakukan seperti prediktor terakhir yang dimasukkan pada persamaan regresi, (c) nilai F terkecil disebut F1, dibandingkan dengan nilai signifikansi yang telah dipilih sebelumnya (F0).  Jika F1 < F0 maka dihapus prediktor tersebut dan persamaan dihitung kembali dengan prediktor yang tersisa. Dan seterusnya langkah diatas diulangi lagi sampai pada suatu langkah predictor yang memberi jumlah regresi terkecil.
3. Penggunaan  Cp Mallows.
Sebelum mengenal apa itu Cp Mallows.  Penting untuk mempertimbangkan konsekuensi dari variable yang memberi kontribusi penting terhadap model tapi dikeluarkan dari model atau yang disebut underfitting dan sebaliknya variable yang rendah kontribusinya/marginal justru tetap ada pada model atau yang disebut overfitting. Myers menyatakan: "Sebuah model yang terlalu sederhana mungkin akan kurang baik karena akan menimbulkan bias koefisien dan bias prediksi yang tinggi, sementara model yang terlalu rumit dapat menghasilkan  variansi  yang tinggi baik pada koefisien maupun prediksi. "
Metode ini diperkenalkan oleh C.L. Mallows (1973) sebagai kriteria untuk memilih model yang baik. Dengan cara menghitung jumlah kuadrat kesalahan. Model yang wajar yang direkomendasikan Mallows adalah Cp ≈ p. Dengan cara ini underfitting dan / atau overfitting dapat diminimalkan. Kriteria Mallows dapat ditulis sebagai:
Cp = p +        
Keterangan:
P = k + 1
s2 : rataan kuadat galat (varian residu) untuk calon model
: taksiran dari varian residu biasanya didasarkan pada model penuh.
model yang baik adalah yang nilai Cp-nya kecil.

4. Penggunaan prosedur MAXR dari program SAS.
Ada sembilan metode dari  pemilihan model dengan program SAS REG. Salah satunya adalah MAXR. Prosedur MAXR ini menghasilkan beberapa model; - model variabel - terbaik pertama, model variabel terbaik kedua, dan seterusnya. Berikut adalah dari prosedur dari SAS/STAT manual:
Metode MAXR dimulai dengan mencari model variable yang menghasilkan R2 yang tertinggi. Kemudian variabel lain yang dapat  meningkatkan R2 ditambahkan/dimasukan pada model. Setelah dua variabel model didapat, setiap variabel dalam model ini dibandingkan dengan setiap variabel yang tidak masuk dalam model. Apabila dilakukan terhadap variable tertentu (yang dinilai rendah regresinya) maka MAXR akan menggantinya dengan variabel yang dapat meningkat R2. Setelah membandingkan semua kemungkinan, MAXR membuat perubahan (switch) yang menghasilkan peningkatan R2 tertinggi. Perbandingan dimulai lagi, dan proses berlanjut sampai MAXR menemukan bahwa tidak ada lagi variabel yang dapat  meningkatkan R2 . variabel lain kemudian ditambahkan kedalam model, dan dibandingkan dan dirubah dan seterusnya hingga didapatkan model variabel terbaik ketiga.
5. Menggunakan Semua  metode regresi yang mungkin digunakan.
Untuk melakukan langkah ini dapat menggunakan program SAS REG. jumlah regresi dapat meningkatkan dengan tajam seiring dengan meningkatnya nilai k . Kumpulan variable yang baik dapat dicari dengan menentukan nilai C yang terendah berdasarkan metode Mallows.
Penggunaan satu atau lebih dari metode-metode di atas akan sering menghasilkan sejumlah model yang lebih tepat/baik. Myers (1990) menyatakan: "Untuk membuat model yang baik kita harus  memahami banyak kumpulan data, beberapa model dapat dipakai untuk menghasilkan persamaan yang lebih efektif. Dengan demikian satu masalah dapat diselesaikan dengan penyatuan  model dari calon-calon model yang ada”
Seperti disebutkan sebelumnya bahwa kriteria Mallows sangat berguna dalam menjaga underfitting dan overfitting. Tiga kriteria lainnya yang sangat penting yang dapat digunakan untuk memilih metode yang  dipakai dimana  semua berhubungan dengan generalisasi persamaan  prediksi, yaitu seberapa baik  persamaan memprediksi sampel independen dari data yang ada. Tiga metode validasi model, yang akan didetailkan pada bagian 3.11, yaitu:
1.       Membagi/mengacak data, menentukan persamaan prediksi pada pecahan acak kemudian memeriksa kekuatan  prediktif (cross-validasi) pada sampel lainnya.
2.       Penggunaan statistik PRESS.
3.       Menentukan taksiran  rata-rata kekuatan prediktif (predictive power) pada  persamaan pada banyak sampel  lain dari populasi yang sama.
3.9.             DUA CONTOH PERHITUNGAN DENGAN KOMPUTER
Untuk menggambarkan penggunaan metode model perhitungan yang ada, ada dua contoh yang perhitungannya menggunakan komputer. Yang pertama diilustrasikan melalui program  REGRESI SPSSX dan menggunakan data dari Morrison (1983) pada 32 siswa pada sebuah lembaga kursus MBA. Contoh kedua diilustrasikan melalui program SAS REG pada tingkat kualitas 46 peneliti program doktoral di bidang psikologi.
Contoh 5-Regresi SPSS pada  Data MBA Morrison
Yang menjadi Variabel dependen adalah evaluasi kemampuan mengajar instruktur pada lembaga kursus MBA dengan lima prediktor, yaitu kejelasan (CLARITY), dorongan (STIMUL), pengetahuan (KNOWLEDGE), perhatian (INTEREST), nilai hasil belajar (COUVAL). Akan diilustrasikan melalui dua prosedur squensial yaitu stepwise dan backward selection.
Pada regresi SPSS X memeiliki nilai p yang dinotasikan dengan PIN dan POUT, dimana prediktor akan dimasukkan kedalam persamaan sedangkan yang lainnya akan dihapus. Tingkat kesalahan PIN adalah 0,05 dan tingkat kesalahan POUT adalah 0,10. Dengan kata lain, sebuah prediktor haruslah signifikan ditingkat 0,05 untuk dapat dimasukkan dalam persamaan atau tidak pada tingkat signifikansi 0,10 maka prediktor akan dihapus.
Tabel 3.3

Pertama, kita membahas hasil prosedur stepwise. Pengujian matrik korelasi pada Tabel 3.3 menunjukkan bahwa tiga dari prediktor (CLARITY, STIMUL, dan COUEVAL) berkorelasi secara signifikan dengan INSTEVAL (pada tingkat korelasi  0,862; 0,739; dan 0,738). Karena CLARITY memiliki korelasi tertinggi maka akan dimasukkan dalam persamaan pertama. Sedangkan STIMUL dan COUEVAL akan masuk berikutnya, akan tetapi kita harus mempertimbangkan bagaimana prediksi ini berkorelasi dengan CLARITY, dan tentu saja keduanya memiliki korelasi yang tinggi dengan  CLARITY (0,617 dan 0,651). Dengan demikian, STIMUL dan COUEVAL tidak akan diperhitungkan untuk dijadikan variansi tunggal pada  INSTEVAL, maka CLARITY akan diikutsertakan dalam persamaan. Sedangkan, INTEREST yang memiliki korelasi rendah terhadap INSTEVAL (0,44) hanya berkorelasi 0,2 terhadap CLARITY. Dengan demikian, varian pada INSTEVAL relatif independent terhadap varian CLARITY sehingga INTEREST dimasukan dalam persamaan regresi yang kedua.
STIMUL adalah prediktor ketiga dan terakhir yang dimasukkan dalam persamaan, karena memiliki nilai p (0.0086) yang lebih rendah 0,05. Akhirnya, prediktor lain (KNOWLEDGE dan COUVAL) tidak dimasukan dalam persamaan karena mereka nilai p (0.0989 dan 0,1288) yang lebih besar dari 0,05.
Perhatikan tabel 3.5 (Backward Selection). langkah pertama, seluruh prediktor dimasukkan dalam persamaan, kemudian menentukan prediktor mana yang paling kecil kontribusinya pada persamaan. Terlihat bahwa INTEREST , dengan nilai p 0,9097 dihapus dari persamaan. Sedangkan prediktor lainnya tidak dihapus karena memiliki nilai p kurang dari 0,10.
Perhatikan dua kumpulan prediktor yang berbeda yang dihasilkan dari dua prosedur yang berbeda. Prosedur STEPWISE menghasilkan tiga prediktor (CLARITY, INTEREST dan STIMUL) sedangkan prosedur BACKWARD menghasilkan 4  prediktor (COUVAL, KNOWLEGDE, STIMUL dan CLARITY), meskipun mereka beririsan di CLARITY dan STIMUL. Berdasarkan prinsip pernghematan, mungkin kita akan memilih kelompok prediktor yang dihasilkan oleh prosedur STEPWISE. Alasan lain, karena kedua kelompok prediktor tersebut menghasilkan nilai R2 yang tidak jauh berbeda (0,84 dan 0,87).
Ada tiga hal yang harus diketahui sebelum memilih model:
1.       Kita perlu untuk menentukan apakah asumsi model regresi linear dapat dipertahankan.
2.       Kita perlu memperkirakan cross validity power dari persamaan.
3.       Kita periksa keberadaan outliers dan / atau datum yang berpengaruh.

Gambar 3.4 memperlihatkan kumpulan residu yang dibandingkan dengan  nilai perkiraan dari SPSS X. kumpulan ini pada dasarnya menunjukkan variasi acak dari titik-titik tentang garis horizontal pada 0, menunjukkan tidak ada yang salah pada asumsi.
masalah pada
cross validity power dan outliers adalah akan dibahas pada bab 3.15.

Contoh 6 -  REG SAS pada Program Doktoral Psikologi
Data pada contoh ini berasal dari laporan National Academy of Sciences (1982) yang mengurutkan kualitas dari 46 peneliti di program doktoral bidang psikologi. Keenam variabel yang digunakan untuk memprediksi kualitas tersebut adalah:
NFACULTY           :jumlah anggota fakultas pada program tersebut per Desember 1980.
NGRADS               : banyaknya lulusan program tersebut  dari tahun 1975 sampai 1980.
PCTSUPP             : persentase lulusan program dari 1975-1979 yang menerima beasiswa atau pelatihan pendukung selama pendidikan pascasarjana mereka.
PCTGRANT          : persentase anggota fakultas yang mendapat bantuan dana penelitian dari Alkohol, Drug Abuse, Mental Health Administration, dinas Kesehatan atau National, Science Foundation selama tahun 1978-1980.
NARTICLE            : jumlah artikel yang diterbitkan yang berhubungan dengan anggota fakultas pada tahun 1978-1980.
PCTPUB                : persentase satu atau lebih artikel yang diterbitkan fakultas pasa tahun 1978-1980.

Prosedur stepwise dan prosedur MAXR yang digunakan pada data ini untuk menghasilkan beberapa model regresi. Cara kerja sampai tampilan matriks corelasi tertera pada tabel 3.6. Salah satu fitur SAS REG yang menarik, bahwa Cp Mallows diberikan untuk setiap model. Prosedur stepwise dihentikan setelah dimasukan 4 prediktor. Berikut adalah tabel ringkasannya, persis seperti yang tertera pada printout:
Model keempat prediktor ini tampak sungguh meyakinkan. Pertama, Cp Mallows mendekati nilai p (p = k + 1), yaitu 5,216 5, menunjukkan bahwa model tidak mengandung banyak bias. Kedua, R2 =0,8221, menunjukkan bahwa kita dapat memprediksi cukup baik kualitas dari keempat prediktor. Meskipun ini jarang terjadi, nilai kewajaran ini tidak jauh berbeda karena kita tidak mengambil terlalu banyak prediktor.
Diambil dari cetakan hasil prosedur MAXR pada Tabel 3.7. Dari Tabel 3.7 kita dapat membuat hasil sebagai berikut:
pada kasus ini, keempat prediktor yang digunakan dalam prosedur MAXR juga telah digunakan dalam prosedur stepwise.
Catatan untuk nilai p terhadap nilai signifikansi Prediktor-prediktor.
Nilai p yang telah dihasilkan oleh SPSS dan SAS untuk nilai signifikansi dari setiap prediktor di setiap langkah pada prosedur stepwise atau prosedur forward selection menjadi renggang, terutama jika anggota kelompok  prediktor pertama sedang (15) atau besar (30). Alasannya adalah tidak terdapat distribusi F, ini karena F terbesar yang dipilih dari semua F yang tersedia. Dengan demikian, nilai kritis akan lebih besar (dan dapat jauh lebih besar) dari yang diperoleh dari distribusi F nol . Draper dan Smith (1981) menyatakan, "Penelitian telah menunjukkan, dalam beberapa kasus di mana nilai F pada tingkat
α yang dimasukkan dalam pengujian, probabilitas yang sesuai adalah qα, di mana ada sebanyak q  prediktor yang akan dimasukkan dalam pengujian". Ini berarti, bahwa seorang peneliti  berpikir kemungkinannya melakukan kesalahan memasukkan prediktor sebesar 0,05, walau pada kenyataannya kemungkinan sebenarnya adalah 0,5 (jika ada 10 prediktor yang akan dimasukkan pada saat itu).
Jadi, uji F dipastikan menjadi bias, jika prediktor terlalu banyak, maka nilai bias menjadi semakin besar. Oleh karena itu, pengujian F ini hanya digunakan untuk panduan memilih prediktor yang dapat digunakan. Contoh, pengujian yang baik adalah seberapa baik prediktor dapat melakukan validasi silang. Dapat menjadi kurang baik untuk menggunakan secara sembarangan dari prosedur stepwise dengan 20 atau 30 prediktor dan 100 subyek, karena memakan biaya yang besar dan validasi silangnya juga kurang baik. Untuk menemukan suatu persamaan yang mungkin dapat digunakan untuk keseluruhan, baik kiranya secara hati-hati memilih kumpulan prediktor yang kecil (menggunakan pengetahuan subtantive dan / atau daftar bacaan yang terkait sebelumnya).
Ramsey dan Schafer (1991, hal 93) berkomentar tentang masalah ini:
Nilai sampingan  dari 4 untuk statistik F (atau 2 untuk besarnya  statistik t) disamakan dengan nilai p dua arah yang kurang dari 0,05. Dugaan nilai signifikansi tidak dapat diambil secara meyakinkan, karena pemilihaan variabel percobaan merupakan bentuk dari data yang terselubung.
Pada langkah pertama dari prosedur stepwise, nilai sampingan dari F = 4 sama dengan nilai sampingan pengujian hipotesis untuk koefesien tunggal. Namun perhitungan statistik sebenarnya adalah yang terbesar statistik F. Dimana distribusi sampling di bawah hipotesis  nol berbeda tajam Dari nilai distribusi F.
Untuk menunjukkan hal ini, andaikan sebuah model berisi 10 variabel bebas dan sebuah variabel respon, dengan banyaknya sampel n = 100. Nilai statistik F untuk satu variabel pada langkah pertama, akan dibandingkan dengan nilai distribusi F dengan 1 dan 98 derajat bebas, dimana hanya 4,8% dari F-rasio yang melebihi 4. Tapi sebelas variabel  selanjutnya yang dihasilkan secara acak (dan terbebas satu sama lain), dari distribusi normal standar. Apa yang dapat diharapkan dari besarnya nilai F yang akan digunakan?.
Proses penurunan secara acak ini disimulasikan 500 kali di komputer. Tampilan berikut menunjukkan histogram dari nilai terbesar antara sepuluh nilai F yang dimasukkan, mendekati distribusi F secara teori. Kedua distribusi tersebut sangat berbeda. Setidaknya satu nilai F yang dimasukkan menjadi sangat besar melebihi 4 pada 38 % dari pemeriksaan yang disimulasikan. Walaupun tidak ada variabel yang jelas, yang berhubungan dengan respon.