ANALISIS REGRESI BERGANDA DENGAN WINBUGS DAN MINITAB

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)

Berikut ini hasil iterasi dari pembangkitan sebanyak 10000 iterasi

a

1.00E+3
750.0
500.0
250.0
0.0
-250.0

1 2500 5000 7500 10000

iteration

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

1 2500 5000 7500 10000

iteration

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

1 2500 5000 7500 10000

iteration

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

1 2500 5000 7500 10000

iteration

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

1 2500 5000 7500 10000

iteration

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

1 2500 5000 7500 10000

iteration

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

b2 sample: 10000 b3 sample: 10000

0.4 0.3
0.3 0.2
0.2
0.1 0.1
0.0 0.0
-5.0 0.0 5.0 -5.0 0.0 5.0 10.0

b4 sample: 10000 b5 sample: 10000

0.15 0.3
0.1 0.2
0.05 0.1
0.0 0.0
-40.0 -30.0 -20.0 -10.0 -5.0 0.0 5.0 10.0

Dari grafik distribusi koefisien regresi linier berganda dapat diketahui bahwa untuk iterasi
sebanyak 10000 dari masing-masing koefisien telah berdistribusi normal.

Hasil analisis secara statistic:

node mean sd MC error 2.5% median 97.5% start sample

a 322.9 99.83 0.9799 124.5 323.6 517.5 1 10000
b1 0.06765 0.03019 2.635E-4 0.008009 0.06792 0.1269 1 10000
b2 2.583 1.301 0.01307 0.03867 2.582 5.126 1 10000
b3 3.842 1.522 0.01661 0.8414 3.835 6.854 1 10000
b4 -22.92 2.821 0.02817 -28.37 -22.95 -17.31 1 10000
b5 2.376 1.889 0.02101 -1.354 2.393 6.084 1 10000
Keterangan :
Persamaan regresi linier berganda yang digunakan adalah
y a b1 x1 b2 x 2 b3 x3 b4 x 4 b5 x5

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.

B. ANALISIS REGRESI LINIER BERGANDA DENGAN MINITAB

Hasil ANOVA (Analisys of Variance) dari Regresi Linier Berganda

The regression equation is
HeatFlux = 325 + 0,0675 Insolation + 2,55 East + 3,80 South - 22,9 North + 2,42 Time

Predictor Coef SE Coef T P

Constant 325,44 96,13 3,39 0,003
Insolation 0,06753 0,02899 2,33 0,029
East 2,552 1,248 2,04 0,053
South 3,800 1,461 2,60 0,016
North -22,949 2,704 -8,49 0,000
Time 2,417 1,808 1,34 0,194

Berdasarkan hasil dari minitab, didapatkan model regresi linier berganda :

y 325 0,0675 x1 2,55 x 2 3,8 x3 22,9 x 4 2,426 x5

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.

KESIMPULAN HASIL ANALISIS DENGAN WINBUGS DAN MINITAB:

Berdasarkan hasil analisis regresi linier berganda dengan menggunakan Winbugs dan
Minitab dihasilkan persamaan model regresi linier berganda dengan Winbugs adalah
y 322,9 0,06765 x1 2,583 x 2 3,842 x3 22,92 x 4 2,376 x5
,sedangkan persamaan linier
berganda dengan menggunakan Minitab didapatkan
y 325 0,0675 x1 2,55 x 2 3,8 x3 22,9 x 4 2,426 x5
. Sehingga dapat diketahui dari model
persamaan bahwa hasil persamaan hampir sama pada nilai koefisiennya. Maka dapat
dikatakan bahwa persamaan analisis regresi linier berganda dengan Winbugs dan Minitab
adalah sama.
Sedangkan untuk pengujian hipotesis dapat diketahui bahwa dengan mengunakan
Winbugs variabel yang berpengaruh terhadap heatflux adalah insolation, east, south, dan
north. Sedangkan dengan menggunakan Minitab, variabel yang berpengaruh terhadap
heatflux adalah insolation, south, dan north. Sehingga dalam pengujian hipotesis antara
menggunakan Winbugs dengan Minitab memiliki perbedaan terhadap variable yang
berpengaruh siginifikan terhadap variabel Y.