<![CDATA[Masalah multikolinieritas sering timbul dalam pendugaan model kalibrasi peubah ganda. Metode pendugaan parameter dengan metode kuadrat terkecil kurang tepat digunakan jika terjadi masalah multikolinieritas. Pendugaan parameter dengan data berkorelasi diantaranya dapat digunakan Analisis Komponen Utama, Regresi Kuadrat Terkecil Parsial, Regresi atas Koefisien Fourier, Jaringan Syaraf Tiruan dan Pendekatan Bayes (Notodiputro, 2003). Menurut penelitian yang telah dilakukan sebelumnya ternyata pendekatan bayes mempunyai hasil yang lebih baik dibanding dengan metode lain (Notodiputro, 2003). Hal ini dikarenakan dalam pendekatan bayes ditambahkan informasi tambahan terhadap model yang dibangun. Dari penelitian yang dilakukan oleh Rahayu (2003), pemilihan penggunaan sebaran prior sangat berpengaruh terhadap hasil dugaan. Dalam penelitian ini digunakan pendekatan bayes dengan noninformative prior untuk mengetahui keakuratan pendugaan respon pada kondisi data yang berkorelasi. Data yang digunakan merupakan data bangkitan dengan berbagai kombinasi jumlah pengamatan, jumlah peubah dan tingkat korelasi yang dicobakan pada empat metode dengan nilai inisial tertentu. Penggunaan prior normal untuk jenis data normal ternyata layak digunakan. Hal ini dapat dibuktikan dengan metode I yang mempunyai nilai ketelitian yang tinggi. Pemberian nilai inisial ternyata berpengaruh terhadap ketelitian, untuk itu dalam metode I, II, III, IV sebaiknya digunakan nilai inisial yang layak sehingga modelnya nanti mempunyai ketelitian yang tinggi. Secara umum pada semua metode, peningkatan nilai korelasi berpengaruh terhadap nilai ketelitian, dimana ketelitian modelnya menurun seiring dengan bertambahnya nilai korelasi. Pada metode I dan II, untuk semua n yang dicobakan, kenaikan jumlah peubah memberikan pengaruh perubahan terhadap nilai ketelitian tetapi perubahannya belum menunjukkan suatu pola. Untuk metode III dan IV kenaikan jumlah peubah cenderung menyebabkan nilai ketelitian semakin menurun. Kata kunci : Pendekatan Bayes, Noninformative Prior]]>
