Pada tugas ke 3 ini menggunakan data kelembapan yang diambil dari database BMKG

https://dataonline.bmkg.go.id/home dan data LST serta NDVI yang diambil melalui laman web
NASA https://app.climateengine.org/climateEngine# . Variabel Bebas (X) pada tugas kali ini
terdapat 2 yaitu kelembapan serta NDVI. Dimana, kelembapan serta NDVI merupakan variable
yang dapat mempengaruhi LST. Hal ini dapat dilihat melalui pengertian LST sendiri yaitu land
surface temperature, suhu rata-rata permukaan bumi yang besarnya tergantung pada kondisi
parameter permukaan lainnya, seperti albedo, kelembaban permukaan dan tutupan serta
kondisi vegetasi. Sedangkan LST pada tugas ini merupakan variable terikat (Y). pada tugas ini
menggunakan studi kasus Kota Serang, Banten, Indonesia. Kota Serang ini terletak pada
koordinat 6.12°LS dan 106.1503°BT. Berikut adalah penjelasan mengenai perhitungan denga
menggunakan regresi linier dan multiple regresi.
1. Regresi Linier
RStudio
Langkah pertama yaitu dengan menggunakan syntax seperti dibawah ini untuk
memunculkan hasil persamaan regresi linear bivariat :

b0

b1
Hasil yang didapatkan yaitu sama dengan perhitungan otomatis pada excel
Akan tetapi, untuk data plotting regresi linier tidak dapat ditampilkan. Hal ini juga
masih belum saya ketahui dan sudah saya coba dengan menggunakan beberapa
syntax yang ada, akan tetapi tetap eror

Adapun hasil yang diberikan jika menggunakan script berbeda yang dijalankan
melalui R Script adalah sebagai berikut :
Manual Excel
Perhitungan manual pada excel yang dilakukan tetap menggunakan rumus yang telah
ada sebagai berikut :
Date Time y x1 x^2 x*y ŷ (y-ŷ)vɛ y-ȳ ŷ-ȳ (y-ŷ)^2 (y-ȳ)^2 (ŷ-ȳ)^2
06-04-2020 17.9938 0.87 0.7569 15.654606 18.12344 -0.12964 -3.55677 -3.42713 0.01680648 12.6506188 11.745227
13-04-2020 22.2365 0.84 0.7056 18.67866 19.50195 2.734549 0.685929 -2.04862 7.47776038 0.47049882 4.1968448
22-04-2020 25.2547 0.82 0.6724 20.708854 20.42096 4.833742 3.704129 -1.12961 23.3650635 13.7205729 1.2760256
29-04-2020 18.1838 0.83 0.6889 15.092554 19.96145 -1.77765 -3.36677 -1.58912 3.16005449 11.3351458 2.5252916
08-05-2020 18.4523 0.83 0.6889 15.315409 19.96145 -1.50915 -3.09827 -1.58912 2.27754643 9.59928216 2.5252916
15-05-2020 20.9849 0.79 0.6241 16.578071 21.79947 -0.81457 -0.56567 0.248898 0.66352203 0.31998349 0.0619501
24-05-2020 24.4013 0.77 0.5929 18.789001 22.71848 1.682824 2.850729 1.167905 2.83189721 8.12665678 1.3640021
31-05-2020 13.9496 0.86 0.7396 11.996656 18.58294 -4.63334 -7.60097 -2.96763 21.4678711 57.7747576 8.8068126
09-06-2020 16.1878 0.84 0.7056 13.597752 19.50195 -3.31415 -5.36277 -2.04862 10.9835942 28.759311 4.1968448
16-06-2020 22.0313 0.8 0.64 17.62504 21.33997 0.691335 0.480729 -0.21061 0.47794406 0.23110053 0.0443548
25-06-2020 19.036 0.8 0.64 15.2288 21.33997 -2.30397 -2.51457 -0.21061 5.30825479 6.32306648 0.0443548
11-07-2020 22.3509 0.8 0.64 17.88072 21.33997 1.010935 0.800329 -0.21061 1.02198954 0.64052678 0.0443548
18-07-2020 24.7823 0.81 0.6561 20.073663 20.88046 3.901839 3.231729 -0.67011 15.2243444 10.4440734 0.4490466
27-07-2020 25.5733 0.74 0.5476 18.924242 24.09699 1.476313 4.022729 2.546416 2.17950117 16.1823499 6.4842334
03-08-2020 22.6222 0.77 0.5929 17.419094 22.71848 -0.09628 1.071629 1.167905 0.00926903 1.14838907 1.3640021
12-08-2020 22.1184 0.8 0.64 17.69472 21.33997 0.778435 0.567829 -0.21061 0.60596102 0.32242996 0.0443548
19-08-2020 22.3307 0.77 0.5929 17.194639 22.71848 -0.38778 0.780129 1.167905 0.15037009 0.60860152 1.3640021
28-08-2020 26.5921 0.74 0.5476 19.678154 24.09699 2.495113 5.041529 2.546416 6.22559073 25.4170163 6.4842334
04-09-2020 19.3443 0.79 0.6241 15.281997 21.79947 -2.45517 -2.20627 0.248898 6.02785294 4.86763099 0.0619501
13-09-2020 25.711 0.7 0.49 17.9977 25.935 -0.224 4.160429 4.38443 0.05017646 17.3091709 19.223228
29-09-2020 23.2617 0.74 0.5476 17.213658 24.09699 -0.83529 1.711129 2.546416 0.69770375 2.92796303 6.4842334
06-10-2020 20.5687 0.75 0.5625 15.426525 23.63748 -3.06878 -0.98187 2.086912 9.41742927 0.96407033 4.3552025
15-10-2020 24.0018 0.73 0.5329 17.521314 24.55649 -0.55469 2.451229 3.005919 0.30768125 6.00852443 9.0355514
31-10-2020 19.2443 0.9 0.81 17.31987 16.74493 2.499371 -2.30627 -4.80564 6.24685543 5.31888516 23.094193
Total 517.2137 19.09 15.2391 408.891699 517.2137 126.19504 241.470626 115.27559
Rata2 21.55057083 0.795416667 0.6349625 SSE SST SSR
n 24 R2 (SSR/SST) 0.47738969

Kovariansi -0.1091
x-variansi 0.0024
b0 -45.9504
b1 58.1003
1 ∑𝑥∗∑𝑦
 Covarians  Sxy = 𝑛−1 [∑𝑥𝑦 − ]= -0.1091
𝑛
 1 (∑𝑥)2
 X-varians  S2x = [∑𝑥 2 − ]= 0.0024
𝑛−1 𝑛

 b1 = 𝑦̅ − 𝑏1 𝑥̅ = -45.9504
𝑆𝑥𝑦
 b0 = = 58.1003
𝑆𝑥2

 SST = ∑(𝑦 − 𝑦̂)2 = 241.471

 SSE = ∑(𝑦 − 𝑦̅)2 = 126.195
 SSR = ∑(𝑦̂ − 𝑦̅)2 = 115.276
𝑆𝑆𝑅
 R2 = 𝑆𝑆𝑇 = 0.47738969

 b0 + b1x1  58.1003--45.9504x
Otomatis Excel
Pada perhitungan data menggunakan regresi linier menggunakan software excel ini
didapatkan hasil sebagai berikut :
Regression Statistics
Multiple R 0.690933923
R Square 0.477389686
Adjusted R Square 0.453634672
Standard Error 2.395023627
Observations 24
df SS MS F Significance F
Regression 1 115.2755864 115.2755864 20.09637545 0.000185458
Residual 22 126.1950398 5.736138173
Total 23 241.4706262
Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Lower 95.0% Upper 95.0%
Intercept 58.10025319 8.16778112 7.113346004 3.91732E-07 41.1613119 75.03919448 41.1613119 75.03919448
X Variable 1 -45.95036022 10.25014602 -4.48289811 0.000185458 -67.207862 -24.69285844 -67.207862 -24.69285844
 Pada hasil perhitungan diatas, dapat dilihat bahwa hasil perhitungan ini SSE yang
didapatkan tidak sama dengan “0”/nol, maka model tidak cocok dengan data. SSR yang
ditunjukkan tidak sama dengan “0”/nol yang artinya dapat digunakan untuk memprediksi
data. Selanjutnya, untuk analisa goodness of fit pada hubungan regresi r square tidak sama
dengan 0 ataupun 1 yaitu sama dengan 47.7% (coefficient of determination). Hal ini
menunjukkan bahwa model regresi telah menyumbang 47.7% dari variabilitas data. Nilai
koefisien determinasi yang besar menunjukkan bahwa garis kuadrat terkecil memberikan
kecocokan yang baik dengan data. Namun, penggunaan r2 saja tidak memberikan indikasi
signifikansi statistik dari hubungan antara variabel yang terlibat, yaitu, apakah harus
mempercayai nilai yang dihitung dari r2 atau tidak. Hal ini dikarenakan, pada tahap ini,
tidak ada asumsi probabilistik atau kesimpulan statistik yang dibuat. Namun,
dimungkinkan untuk melakukan uji hipotesis pada analisis regresi. Sesuai dengan hasil
diagram regresi tersebut, menampilkan bahwa var[Ꜫ] tidak konstan.
2. Multiple Regresi
Rstudio
Untuk memunculkan persamaan multiple regresi linier dapat menggunakan persamaan
berikut ini :

Sehingga, dari persamaan tersebut, didapatkan persamaan multiple regresi yang

hasilnya sama dengan perhitungan manual dan otomatis :

Pada hasil perhitungan menggunakan script tersebut pada RStudio, didapatkan hasil
plotting sebagai berikut :
 Manual Excel
Kemudian, untuk hasil persamaan multiple regresi yang didapatkan dengan menggunakan
perhitungan manual yaitu sebagai berikut ini :
DateTime NDVI (X1) X2-Kelembapan Y-LST (deg C) X1^2 X2^2 X1*X2 X1*Y X2*Y
06-04-2020 0.3784 87% 17.9938 0.14318656 0.7569 0.329208 6.80885392 15.654606
13-04-2020 0.235 84% 22.2365 0.055225 0.7056 0.1974 5.2255775 18.67866
22-04-2020 0.1835 82% 25.2547 0.03367225 0.6724 0.15047 4.63423745 20.708854
29-04-2020 0.5298 83% 18.1838 0.28068804 0.6889 0.439734 9.63377724 15.092554
08-05-2020 0.1317 83% 18.4523 0.01734489 0.6889 0.109311 2.43016791 15.315409
15-05-2020 0.0708 79% 20.9849 0.00501264 0.6241 0.055932 1.48573092 16.578071
24-05-2020 0.1629 77% 24.4013 0.02653641 0.5929 0.125433 3.97497177 18.789001
31-05-2020 0.2983 86% 13.9496 0.08898289 0.7396 0.256538 4.16116568 11.996656
09-06-2020 0.4324 84% 16.1878 0.18696976 0.7056 0.363216 6.99960472 13.597752
16-06-2020 0.1117 80% 22.0313 0.01247689 0.64 0.08936 2.46089621 17.62504
25-06-2020 0.1931 80% 19.036 0.03728761 0.64 0.15448 3.6758516 15.2288
11-07-2020 -0.0451 80% 22.3509 0.00203401 0.64 -0.03608 -1.0080256 17.88072
18-07-2020 0.1861 81% 24.7823 0.03463321 0.6561 0.150741 4.61198603 20.073663
27-07-2020 0.1589 74% 25.5733 0.02524921 0.5476 0.117586 4.06359737 18.924242
03-08-2020 0.1516 77% 22.6222 0.02298256 0.5929 0.116732 3.42952552 17.419094
12-08-2020 0.0025 80% 22.1184 0.00000625 0.64 0.002 0.055296 17.69472
19-08-2020 0.2591 77% 22.3307 0.06713281 0.5929 0.199507 5.78588437 17.194639
28-08-2020 0.136 74% 26.5921 0.018496 0.5476 0.10064 3.6165256 19.678154
04-09-2020 0.106 79% 19.3443 0.011236 0.6241 0.08374 2.0504958 15.281997
13-09-2020 0.1791 70% 25.711 0.03207681 0.49 0.12537 4.6048401 17.9977
29-09-2020 0.4934 74% 23.2617 0.24344356 0.5476 0.365116 11.4773228 17.213658
06-10-2020 0.1823 75% 20.5687 0.03323329 0.5625 0.136725 3.74967401 15.426525
15-10-2020 0.1917 73% 24.0018 0.03674889 0.5329 0.139941 4.60114506 17.521314
31-10-2020 0.3834 90% 19.2443 0.14699556 0.81 0.34506 7.37826462 17.31987
TOTAL 5.1126 19.09 517.2137 1.5616511 15.2391 4.11816 105.907367 408.891699

Dimana untuk mencari persamaan linier dari multiple regresi menggunakan rumus berikut
ini :

Dengan nilai matriks N adalah sebagai berikut :

24 5.1126 19.09
5.1126 1.5616511 4.11816
19.09 4.11816 15.2391

Selanjutnya, nilai b dicari menggunakan rumus berikut ini :

 Didapatkan nilai b0=55.685; b1= -4.494; dan b2=-41.7104. Sehingga, dari perhitungan
tersebut didapatkan sebuah persamaan multiple regresi linier sebagai berikut :
𝑦̂ = 55.685−4.494x1−41.7104x2

Otomatis Excel
Pada perhitungan data secara otomatis menggunakan multiple regresi linier
menggunakan software excel didapatkan hasil sebagai berikut :
Regression Statistics
Multiple R 0.716130159
R Square (R^2) 0.512842405
Adjusted R Square 0.466446444
Standard Error 2.366776484
Observations 24
df SS MS F Significance F
Regression 2 123.8363767 61.91818837 11.05360014 0.000525448
Residual 21 117.6342494 5.601630925
Total 23 241.4706262

Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Lower 95.0% Upper 95.0%
Intercept 55.68499193 8.304538284 6.705368802 1.23356E-06 38.41475914 72.95522472 38.41475914 72.95522472
NDVI (X1) -4.493729529 3.635023672 -1.23623116 0.230021951 -12.05317508 3.065716025 -12.05317508 3.065716025
X2-Kelembapan -41.71039626 10.69415675 -3.900297819 0.000824343 -63.9501127 -19.47067982 -63.9501127 -19.47067982

Ketika multiple regresi dilakukan dengan menggunakan dua variabel bebas, plot
residual menunjukkan varians yang konsisten, yang menunjukkan bahwa model tersebut
sesuai:
3. Analisa Perbandingan
Hasil analisa regresi linier menggunakan data bivariate dan multivariate dengan
menggunakan RStudio, Manual Excel, dan Otomatis Excel, ketiganya menunjukkan hasil yang
hampir sama. Perbedaannya hanya pada beberapa angka dibelakang koma. Pada perbedaan
hasil pengolahan multivariat dan bivariat, hasil perhitungan yang lebih baik sesuai dengan teori
bahwa perhitungan dengan menggunakan multiple regression jauh lebih baik dibandingkan
dengan linier regresi sederhana, hal ini dapat dibuktikan pada R2 multiple regresi dihasilkan
sebesar 51.28%. Sedangkan pada regresi linier sederhana R2 yang dihasilkan sebesar 47%. Hal
ini yang menyebabkan sebuah kesimpulan bahwa penambahan data untuk variabel bebas pada
perhitungan LST dapat menghasilkan data yang lebih baik dibandingkan hanya dengan
menggunakan satu data variabel bebas saja
 REFERENSI
 https://www.youtube.com/watch?v=cpQwbBlVlkc diakses pada 9 oktober 2021
 https://www.youtube.com/watch?v=R2AWEwOipIY diakses pada 9 oktober 2021
 https://www.youtube.com/watch?v=P8NZB0VQeLA diakses pada 9 oktober 2021
 https://www.youtube.com/watch?v=95nOK2cWF6U diakses pada 9 oktober 2021
 https://www.youtube.com/watch?v=H8e7-ubPCiA diakses pada 9 oktober 2021