HeatFlu Insolatio
No. x n East South North Time
(Y) (X1) (X2) (X3) (X4) (X5)
1 271.8 783.35 33.53 40.55 16.66 13.2
2 264 748.45 36.5 36.19 16.46 14.11
3 238.8 684.45 34.66 37.31 17.66 15.68
4 230.7 827.8 33.13 32.52 17.5 10.53
5 251.6 860.45 35.75 33.71 16.4 11
6 257.9 875.15 34.46 34.14 16.28 11.31
7 263.9 909.45 34.6 34.85 16.06 11.96
8 266.5 905.55 35.38 35.89 15.93 12.58
9 229.1 756 35.85 33.53 16.6 10.66
10 239.3 769.35 35.68 33.79 16.41 10.85
11 258 793.5 35.35 34.72 16.17 11.41
12 257.6 801.65 35.04 35.22 15.92 11.91
13 267.3 819.65 34.07 36.5 16.04 12.85
14 267 808.55 32.2 37.6 16.19 13.58
15 259.6 774.95 34.32 37.89 16.62 14.21
16 240.4 711.85 31.08 37.71 17.37 15.56
17 227.2 694.85 35.73 37 18.12 15.83
18 196 638.1 34.11 36.76 18.53 16.41
19 278.7 774.55 34.79 34.62 15.54 13.1
20 272.3 757.9 35.77 35.4 15.7 13.63
21 267.4 753.35 36.44 35.96 16.45 14.51
22 254.5 704.7 37.82 36.26 17.62 15.38
23 224.7 666.8 35.07 36.34 18.12 16.1
24 181.5 568.55 35.26 35.9 19.05 16.73
25 227.5 653.1 35.56 31.84 16.51 10.58
26 253.6 704.05 35.73 33.16 16.02 11.28
27 263 709.6 36.46 33.83 15.89 11.91
28 265.8 726.9 36.26 34.89 15.83 12.65
29 263.8 697.15 37.2 36.27 16.71 14.06
A. ANALISIS REGRESI LINIER BERGANDA DENGAN WINBUGS
Doodle Linier Berganda
Syntax
model;
{
for( i in 1 : N ) {
Y[i] ~ dnorm(miu[i],tau)
}
for( i in 1 : N ) {
miu[i] <- a + b1 * x1[i] + b2 * x2[i] + b3 * x3[i] + b4 * x4[i] + b5 * x5[i]
}
a ~ dnorm( 0.0,1.0E-6)
b1 ~ dnorm( 0.0,1.0E-6)
tau ~ dgamma(0.001,0.001)
var <- 1 / tau
b2 ~ dnorm( 0.0,1.0E-6)
b3 ~ dnorm( 0.0,1.0E-6)
b4 ~ dnorm( 0.0,1.0E-6)
b5 ~ dnorm( 0.0,1.0E-6)
}
INITIAL
list(a=1, b1=1, b2=1, b3=1, b4=1, b5=1, tau=1)
DATA
list(Y=c(271.8,264,238.8,230.7,251.6,257.9,263.9,266.5,229.1,239.3,258,257.6,267.3,267,259.6,240.4,22
7.2,196,278.7,272.3,267.4,254.5,224.7,181.5,227.5,253.6,263,265.8,263.8),x1=c(783.35,748.45,684.45,8
27.8,860.45,875.15,909.45,905.55,756,769.35,793.5,801.65,819.65,808.55,774.95,711.85,694.85,638.1,
774.55,757.9,753.35,704.7,666.8,568.55,653.1,704.05,709.6,726.9,697.15),x2=c(33.53,36.5,34.66,33.13,
35.75,34.46,34.6,35.38,35.85,35.68,35.35,35.04,34.07,32.2,34.32,31.08,35.73,34.11,34.79,35.77,36.44,3
7.82,35.07,35.26,35.56,35.73,36.46,36.26,37.2),x3=c(40.55,36.19,37.31,32.52,33.71,34.14,34.85,35.89,3
3.53,33.79,34.72,35.22,36.5,37.6,37.89,37.71,37,36.76,34.62,35.4,35.96,36.26,36.34,35.9,31.84,33.16,3
3.83,34.89,36.27),x4=c(16.66,16.46,17.66,17.5,16.4,16.28,16.06,15.93,16.6,16.41,16.17,15.92,16.04,16.
19,16.62,17.37,18.12,18.53,15.54,15.7,16.45,17.62,18.12,19.05,16.51,16.02,15.89,15.83,16.71),x5=c(13.
2,14.11,15.68,10.53,11,11.31,11.96,12.58,10.66,10.85,11.41,11.91,12.85,13.58,14.21,15.56,15.83,16.41,
13.1,13.63,14.51,15.38,16.1,16.73,10.58,11.28,11.91,12.65,14.06),N=29)
1.00E+3
750.0
500.0
250.0
0.0
-250.0
Untuk data koefisien a memiliki interval antara 124,5 sampai 517,5 dengan konvergen pada
mean = 322,9.
b1
0.3
0.2
0.1
0.0
-0.1
Untuk data koefisien b1 memiliki interval antara 0,008009 sampai 0,1269 dengan konvergen
pada mean = 0,06765.
b2
10.0
5.0
0.0
-5.0
Untuk data koefisien b2 memiliki interval antara 0,0386 sampai 5.126 dengan konvergen pada
mean = 2,583.
b3
15.0
10.0
5.0
0.0
-5.0
Untuk data koefisien b3 memiliki interval antara 0,8414 sampai 6,854 dengan konvergen pada
mean = 3,842.
b4
-10.0
-20.0
-30.0
-40.0
Untuk data koefisien b4 memiliki interval antara -28,37 sampai -17,31 dengan konvergen
pada mean = -22,92.
b5
15.0
10.0
5.0
0.0
-5.0
-10.0
Untuk data koefisien b4 memiliki interval antara -1,354 sampai 6,084 dengan konvergen pada
mean = 2,376.
Dari hasil iterasi diatas dapat diketahui distribusi dari masing-masing koefisien adalah sebagai
berikut.
a sample: 10000 b1 sample: 10000
0.006 15.0
0.004 10.0
0.002 5.0
0.0 0.0
-250.0 250.0 750.0 -0.1 0.0 0.1 0.2
Dari grafik distribusi koefisien regresi linier berganda dapat diketahui bahwa untuk iterasi
sebanyak 10000 dari masing-masing koefisien telah berdistribusi normal.
Dengan persamaan tersebut didapatkan nilai koefisien dari masing-masing variabel yang
dapat dilihat dari nilai mean sehingga model regresi linier berganda pada kasus ini adalah
y 322,9 0,06765 x1 2,583 x 2 3,842 x3 22,92 x 4 2,376 x5
Pengujian Hipotesis :
1. Pengujian terhadap pengaruh insolation (X1) terhadap Heatflux (Y)
H 0 : b1 0
H 1 : b1 0
Pengujian pengaruh dapat dilihat dari nilai rentang nilai pada setiap koefisien yang dapat
dilihat dari percentil 2,5 hingga percentil 97,5. Dari koefisien b 1 dapat diketahui bahwa
dalam rentang nilai tersebut tidak adanya nilai nol karena nilai pada koefisien b 1 adalah
0,008009 hingga 0,1269, sehingga keputusan yang diambil adalah tolak H 0. Dengan
demikian dapat diketahui bahwa insolation (X1) berpengaruh signifikan terhadap Heatflux
(Y).
2. Pengujian terhadap pengaruh east (X2) terhadap Heatflux (Y)
H 0 : b2 0
H 1 : b2 0
Pengujian pengaruh dapat dilihat dari nilai rentang nilai pada setiap koefisien yang dapat
dilihat dari percentil 2,5 hingga percentil 97,5. Dari koefisien b 2 dapat diketahui bahwa
dalam rentang nilai tersebut tidak adanya nilai nol karena nilai pada koefisien b 2 adalah
0,0386 hingga 5.126, sehingga keputusan yang diambil adalah tolak H 0. Dengan demikian
dapat diketahui bahwa east (X2) berpengaruh signifikan terhadap Heatflux (Y).
3. Pengujian terhadap pengaruh south (X3) terhadap Heatflux (Y)
H 0 : b3 0
H 1 : b3 0
Pengujian pengaruh dapat dilihat dari nilai rentang nilai pada setiap koefisien yang dapat
dilihat dari percentil 2,5 hingga percentil 97,5. Dari koefisien b 3 dapat diketahui bahwa
dalam rentang nilai tersebut tidak adanya nilai nol karena nilai pada koefisien b 3 adalah
0,8414 hingga 6,854, sehingga keputusan yang diambil adalah tolak H 0. Dengan demikian
dapat diketahui bahwa south (X3) berpengaruh signifikan terhadap Heatflux (Y).
4. Pengujian terhadap pengaruh north (X4) terhadap Heatflux (Y)
H 0 : b4 0
H 1 : b4 0
Pengujian pengaruh dapat dilihat dari nilai rentang nilai pada setiap koefisien yang dapat
dilihat dari percentil 2,5 hingga percentil 97,5. Dari koefisien b 4 dapat diketahui bahwa
dalam rentang nilai tersebut tidak adanya nilai nol karena nilai pada koefisien b 4 adalah
-28,37 hingga -17,31, sehingga keputusan yang diambil adalah tolak H0. Dengan demikian
dapat diketahui bahwa north (X4) berpengaruh signifikan terhadap Heatflux (Y).
5. Pengujian terhadap pengaruh time (X5) terhadap Heatflux (Y)
H 0 : b5 0
H 1 : b5 0
Pengujian pengaruh dapat dilihat dari nilai rentang nilai pada setiap koefisien yang dapat
dilihat dari percentil 2,5 hingga percentil 97,5. Dari koefisien b 5 dapat diketahui bahwa
dalam rentang nilai tersebut terdapat nilai nol karena nilai pada koefisien b 5 adalah -1,354
hingga 6,084, sehingga keputusan yang diambil adalah gagal tolak H 0. Dengan demikian
dapat diketahui bahwa time (X5) tidak berpengaruh signifikan terhadap Heatflux(Y).
Kesimpulan :
Pengujian regresi linier berganda dengan menggunakan Winbugs pada data Heatflux dengan
menggunakan variabel bebas insolation, east, south, north, dan time, dapat disimpulkan
bahwa variabel yang berpengaruh terhadap heatflux adalah variabel insolation, east, south,
dan north. Sedangkan variabel time tidak berpengaruh siginifikan terhadap heatflux.
Pengujian hipotesis:
1. Pengujian terhadap pengaruh insolation (X1) terhadap Heatflux (Y)
H 0 : b1 0
H 1 : b1 0
0,05
Pada variabel insolation diketahui memiliki p-value = 0,029 dimana p-value <
sehingga keputusan yang diambil adalah tolak H0. Dengan demikian dapat diketahui bahwa
insolation (X1) berpengaruh signifikan terhadap Heatflux (Y)
2. Pengujian terhadap pengaruh east (X2) terhadap Heatflux (Y)
H 0 : b2 0
H 1 : b2 0
0, 05
Pada variabel east diketahui memiliki p-value = 0,053 dimana p-value lebih dari
sehingga keputusan yang diambil adalah gagal tolak H0. Dengan demikian dapat diketahui
bahwa east (X2) tidak berpengaruh signifikan terhadap Heatflux (Y)
3. Pengujian terhadap pengaruh south (X3) terhadap Heatflux (Y)
H 0 : b3 0
H 1 : b3 0
0, 05
Pada variabel south diketahui memiliki p-value = 0,016 dimana p-value < sehingga
keputusan yang diambil adalah tolak H0. Dengan demikian dapat diketahui bahwa south
(X3) berpengaruh signifikan terhadap Heatflux (Y)
4. Pengujian terhadap pengaruh north (X4) terhadap Heatflux (Y)
H 0 : b4 0
H 1 : b4 0
0, 05
Pada variabel north diketahui memiliki p-value = 0,000 dimana p-value < sehingga
keputusan yang diambil adalah tolak H0. Dengan demikian dapat diketahui bahwa north
(X4) berpengaruh signifikan terhadap Heatflux (Y)
5. Pengujian terhadap pengaruh time (X5) terhadap Heatflux (Y)
H 0 : b5 0
H 1 : b5 0
Pada variabel time (X5) diketahui memiliki p-value = 0,194 dimana p-value lebih besar
0, 05
dari sehingga keputusan yang diambil adalah gagal tolak H0. Dengan demikian dapat
diketahui bahwa time (X5) tidak berpengaruh signifikan terhadap Heatflux (Y)
Kesimpulan :
Pengujian regresi linier berganda dengan menggunakan Minitab pada data Heatflux yang
dipengaruhi oleh insolation, east, south, north, dan time dapat disimpulkan bahwa variabel
yang berpengaruh terhadap heatflux adalah variabel insolation, south, dan north. Sedangkan
variabel east dan time tidak berpengaruh siginifikan terhadap heatflux.