ESTIMASI PARAMETER DAN INTERVAL KREDIBEL DENGAN MODEL REGRESI LINIER BERGANDA BAYESIAN Vania Mutiarania, Adi Setiawanb, Hanna Arini Parhusipc a Program Studi Matematika FSM UKSW Jl. Diponegoro 52-60 Salatiga,
[email protected] b Program Studi Matematika FSM UKSW Jl. Diponegoro 52-60 Salatiga,
[email protected] c Program Studi Matematika FSM UKSW Jl. Diponegoro 52-60 Salatiga,
[email protected]
ABSTRAK Regresi linier berganda merupakan model regresi linier dengan satu variabel dependen dan lebih dari satu variabel independen. Dalam makalah ini, diambil data SUSENAS (Survey Sosial Ekonomi Nasional) tahun 2011 dari BPS Salatiga yaitu pendapatan sebagai variabel dependen dan pengeluaran masyarakat Salatiga (pengeluaran untuk konsumsi makanan dan pengeluaran untuk konsumsi non makanan) sebagai variabel independen dengan sampel π = 135. Hubungan antar variabel tersebut membentuk garis lurus yang tidak dapat ditentukan secara tepat dan membutuhkan taksiran parameter yang dapat dicari menggunakan model regresi linier Bayesian yaitu dengan merancang rantai Markov dari distribusi posterior (dari model regresi linier Bayesian) dengan bantuan Gibbs sampling. Sehingga dengan mencari rata-rata dari sebanyak 4500 nilai Gibbs sampler diperoleh hasil taksiran parameter yaitu π 2 = 0.032, π½0 = 1.44, π½1 = 0.355, dan π½2 = 0.493 dan dihasilkan pula fungsi densitasnya. Dari fungsi densitas tersebut dihasilkan interval kredibel 95% untuk masing-masing taksiran parameter π 2 , π½0 , π½1 , dan π½2 berturut-turut yaitu (0.025, 0.041), (0.596, 2.271), (0.176, 0.543) dan (0.365, 0.621). Kata Kunci : model regresi linier berganda Bayesian, estimasi parameter, interval kredibel.
ABSTRACT Multiple linear regression is a linear regression model using one dependent variable and more than one independent variable. In this paper, data are taken SUSENAS (National SocioEconomic Survey) from BPS Salatiga in 2011. The income is supposed as the dependent variable and expenditure of Salatiga society (expenditure for food consumption and non-food consumption expenditure) as an independent variable with sample size of π = 135. The relationship between these variables form a straight line that can not be precisely determined and requires estimates of parameters using the Bayesian linear regression model. Markov chain design can be constructed based on the posterior distribution (Bayesian linear regression model) using Gibbs sampling. So by finding the average of the 4500 of the Gibbs sampler values, point estimation of parameters can be found i.e. π 2 = 0.032 , π½0 = 1.44 , π½1 = 0.355 , and π½2 = 0.493 and also its density function. Based on the density function can be found 95% credible intervals for each parameter estimates π 2 , π½0 , π½1 , and π½2 respectively are (0.025, 0.041), (0.596, 2.271), (0.176, 0.543) and (0.365, 0.621) . Keywords : Bayesian multiple linear regression model, parameter estimates, credible intervals.
SENDIKMAD 2012
1
dan π½1 = 0.708 sehingga
Pendahuluan
persamaan
Analisis regresi merupakan alat
garis regresi dugaan : π¦π = 2.101 +
statistik yang banyak digunakan dalam
0.708 π₯π dengan π¦π adalah dugaan untuk
berbagai bidang yang bertujuan untuk
pendapatan masyarakat dan π₯π adalah
mengetahui hubungan antara variabel
pengeluaran masyarakat. Dari nilai-nilai
dependen
dan
Gibbs sampler yang telah didapatkan,
(Suwarno,
2009).
variabel
variabel
independen
Hubungan
dependen
dan
antara
independen
dihasilkan fungsi densitas untuk masingmasing
parameter
sehingga
interval
membentuk garis lurus yang disebut juga
kepercayaan Bayesian (interval kredibel)
garis regresi yang tidak dapat ditentukan
95% untuk taksiran parameter π 2 adalah
secara tepat sehingga diperlukan taksiran
(0.0034, 0.0097), untuk π½0 yaitu (1.607,
parameter untuk model regresi linier.
2.601)
Untuk memperoleh taksiran parameter
parameter π½1 .
dan
(0.6282,
0.7879)
untuk
tersebut, biasanya dicari dengan metode
Dalam penelitian ini dilakukan
kuadrat terkecil. Namun, ada cara lain
pengembangan dari makalah sebelumnya
yaitu
yaitu
dengan
model
regresi
linier
Bayesian.
dengan
berganda.
Pada
makalah
model
Regresi
regresi linier
linier
berganda
terdahulu
merupakan model regresi linier dengan
(Mutiarani dkk., 2012) telah dijelaskan
satu variabel dependen dan lebih dari satu
tentang penerapan model regresi linier
variabel independen. Dalam makalah ini
Bayesian untuk mengestimasi parameter
akan digunakan model regresi linier
dan interval kredibel dengan mengambil
berganda
dalam
data
mengambil
SUSENAS
Bayesian.
2011
yang
Dengan
Salatiga
yaitu
(Survey Sosial Ekonomi Nasional) tahun
pendapatan dan pengeluaran masyarakat
2011 dari BPS Salatiga yaitu pendapatan
Salatiga dengan sampel π = 30 . Untuk
dan pengeluaran masyarakat Salatiga
mengestimasi parameter garis regresi
(pengeluaran untuk konsumsi makanan
dengan model regresi linier Bayesian,
dan pengeluaran untuk konsumsi non
dirancang rantai Markov dari distribusi
makanan) dengan sampel π = 135, akan
posterior yaitu dengan bantuan Gibbs
dijelaskan
sampling sebanyak 5000 iterasi dan
parameter
diperoleh
Bayesian
diperoleh
dari
tahun
konteks
BPS
taksiran
parameter
yang
merupakan rata-rata dari nilai Gibbs
data
bagaimana dan
interval
(interval
SUSENAS
mengestimasi kepercayaan
Kredibel)
dengan
model regresi linier berganda Bayesian.
sampler yaitu π 2 = 0.0057 , π½0 = 2.101 SENDIKMAD 2012
2
Dasar Teori
1.1.
Distribusi Prior Konjugat Prior konjugat adalah suatu prior
1. Regresi Linier Berganda Bayesian Dalam statistik, regresi linier
yang jika dikombinasikan dengan fungsi
Bayesian merupakan pendekatan untuk
likelihood
akan
menghasilkan
regresi linier dimana analisis statistik
posterior dengan distribusi yang sama
yang dilakukan dalam konteks inferensi
dengan distribusi prior (Gelman, 2006).
Bayesian (Web 1). Saat model regresi
Dengan π· = π½0 , π½1 , π½2
memiliki error yang berdistribusi normal,
prior :
T
suatu
, bentuk untuk
π π·, π 2 = π π 2 π π· π 2
dan jika bentuk khusus dari distribusi
π2
Inv β
prior diasumsikan, hasil eksplisit tersedia
dengan
untuk distribusi probabilitas posterior
Gamma(π0 , π0 ) dengan π0 = π£0 /2 dan
dari parameter model.
π0 = π£0 π 02 dengan π£0 = 1 dan π 02 = 1 .
Analisis regresi linier berganda adalah
pengembangan
dari
analisis
berdistribusi
Kepadatan prior ditulis sebagai π π2 β π2
β π£0 /2+1
regresi linier sederhana. Analisis regresi linier berganda ialah suatu alat analisis peramalan nilai pengaruh dua atau lebih variabel independen terhadap variabel dependen untuk membuktikan ada atau tidaknya hubungan fungsi atau hubungan kausal antara dua variabel atau lebih π1 , π2 , π3 , β¦ , ππ dengan satu variabel dependen (Suwarno, 2009).
dua variabel bebas dirumuskan: π¦π = π½0 + π½1 π₯1π + π½2 π₯2π + ππ π = 1, 2, β¦ , π
lanjut,
dan
galat
(0)
.
Pada T
(0)
π0 = π½0 , π½1 , π½20
ini,
ππ ~π(0, π ).
prior bersyarat : π(π·|π 2 ) β π 2
βπ/2
exp β
1 π· β π0 T π² 0 π· β π0 2π 2
π· β π0 T π²0 π· β π0
dengan
T
π½00 π½0 π½1 β π½10 π½2 π½20
yang
π½00 π½0 π½1 β π½10 π½2 π½20
I3Γπ
0
0
0
π½2 β π½2
Fungsi likelihood : 1
exp β 2π 2 π² β ππ·
π
π² β ππ·
.
dengan π = π π₯1π π₯2π ; π· = π½0 , π½1 , π½2 T .
= π½0 β π½00
Sehingga
π
+ π½1 β π½10
kepadatan
0
I3Γπ π½1 β π½10
= π½0 β π½0 , π½1 β π½1 , π½2 β π½2
βπ /2
=
0, 0, 0 T , π²0 = I dan memiliki kepadatan
π½0 β π½0
2
π π² π, π·, π 2 β π 2
.
2π 2
bersyarat π·|π 2
π(π0 , π 2 π²β1 0 )
berdistribusi makalah
prior
π£0 π 02
dijabarkan sebagai berikut :
Persamaan regresi ganda dengan
dengan
Lebih
exp β
π
0
+ π½2 β π½20
prior
π
bersyarat
menjadi :
SENDIKMAD 2012
3
π(π·|π 2 ) β π 2
βπ/2
exp β
1 2π 2
+ π½1 β π½1
π
0
+ π½2 β
Jika π 2 ~Inv β Gamma(ππ , ππ ), maka :
π
0
π½0 β π½0
0 π½2
π
π 2 |π², π~Inv β Gamma 1 2
1.2.
dapat
sebagai
distribusi
dengan
distribusi
dinyatakan
normal
dikalikan
invers-gamma
dan
diparameterisasi sebagai berikut : π(π·, π 2 |π², π) β π(π·|π 2 , π², π)π π 2 |π², π dengan kedua faktor sesuai dengan kepadatan
dari
π ππ , π 2 π T π + π²0
distribusi
β1
dan
Inv β Gamma(ππ , ππ )
dengan
2
π + π£0 , π0 +
π² T π² + πT0 π²0 π0 β πTπ π²π ππ
Distribusi Posterior Posterior
1
Jika
(*)
π1 π2 , Ξ£11 Ξ£21 π3
π½0 π½1 ~π3 π½2
Ξ£12 Ξ£22
,
(Jennings et al., 2010) maka distribusi dari π½0 bersyarat pada π½10 , π½20 : β1 π½0 |π½10 , π½20 ~π π1 + Ξ£12 Ξ£22 β1 β² Ξ£11 β Ξ£12 Ξ£22 Ξ£12
π½10
π2 β π 3
π½20
.
,
(**)
dengan Ξ£11 = π11 , Ξ£12 = π12 π22 π23 Ξ£22 = π π33 . 23
π13 ,
parameternya diberikan oleh 1
ππ = 2 (π + π£0 ) , (pada makalah ini π£0 = 1 dan π = 135) ππ = π0 +
1 (π² T π² 2
+
T
πT0 π²0 π0
β1
ππ = π π + π²0
β
πTπ π²π ππ ),
Diberikan π 2 dan vektor π· yang tidak diketahui : π· = π½0 , π½1 , π½2
1. Dipilih nilai awal π 2 (0) , π½00 , π½10 , π½20 . π2
2. Sampel
T
π π² + π²0 π0 ,
π²0 = I.
sehingga π 2
Pada makalah ini, π T π bertipe 3 Γ 3
Sampel
sehingga π²0 bertipe 3 Γ 3 yaitu I3Γ3 .
π π½01 π 2
1.3. MCMC (Markov Chain Monte Carlo)
Salah satu cara untuk merancang rantai
Markov
yaitu
dari
distribusi
posterior dengan 2
π π |π², π ~Inv β Gamma(ππ , ππ ) π π· π 2 , π², π ~π ππ , π 2 π T π + π²0
dan β1
yaitu dengan Gibbs Sampling yang menghasilkan
rantai
Markov
sampling dari distribusi bersyarat.
oleh
π½01 |π 2
(1)
(1)
dari
π π2
(1)
|π², π memenuhi (*). π½01
1
(1)
π², π
dari
, π½10 , π½20 , π², π
sehingga
, π½10 , π½20 memenuhi (**).
3. Langkah 2 diulangi sebanyak bilangan besar B, misalnya 5000 kali. 4. Akhirnya π π 2 |π², π
didapatkan
sampel
dari
dan π(π·|π 2 , π², π) dalam
bentuk rantai Markov.
1.4. Interval
Kredibel
(Interval
Kepercayaan Bayesian) Dalam statistik Bayesian, interval kredibel
SENDIKMAD 2012
T
1 β πΌ 100%
merupakan 4
π(π·|π 2 , π², π)~π(ππ , π 2 π T π +
interval di dalam domain dari distribusi
dan
probabilitas posterior yang digunakan
π²0
untuk penaksiran interval (Web 2).
yang menghasilkan 4 rantai Markov
Salah
satu
mengestimasi
metode
interval
kredibel
β1
) yaitu dengan Gibbs Sampling
untuk
dengan iterasi sebanyak 5000 yaitu
yang
untuk taksiran parameter π 2 , π½0 , π½1
paling mudah digunakan adalah interval
dan π½2 .
kredibel dua ekor (Johnson, 2009).
2. Taksiran parameter π 2 , π½0 , π½1 dan π½2
Interval kredibel dua ekor disusun dengan
diperoleh dengan mencari rata-rata
menemukan kuantil πΌ/2 dan 1 β πΌ/2
dari nilai Gibbs sampler.
dengan tingkat signifikansi πΌ.
3. Dari
nilai-nilai
Gibbs
sampler
tersebut, dihasilkan fungsi densitas untuk π 2 berdistribusi invers-gamma
Metode Penelitian Data
yang
digunakan
dalam
penelitian adalah nilai logaritma dari data SUSENAS
(Survey
Sosial
Ekonomi
dan
π½0 , π½1
π½2
dan
berdistribusi
normal. 4. Mencari interval kredibel 95% untuk
Nasional) masyarakat Salatiga tahun
masing-masing
2011 dari BPS Salatiga yaitu pendapatan
berdasarkan
sebagai variabel dependen π² terhadap
dengan tingkat signifikansi πΌ = 0.05.
taksiran
pada
fungsi
parameter densitas
pengeluaran untuk konsumsi makanan sebagai variabel independen π π dan pengeluaran
untuk
konsumsi
non
makanan sebagai variabel independen π π dengan
π = 135 .
Pada
Gambar
1
diperlihatkan
diagram pencar untuk data logaritma
Dalam
pendapatan (π²) terhadap data logaritma
melakukan perhitungan, digunakan alat
pengeluaran untuk konsumsi makanan
bantu program WinBUGS 1.4.3.
( π π ), sedangkan Gambar 2 merupakan
Langkah-langkah
diagram pencar untuk data logaritma
untuk
sampel
Hasil dan Pembahasan
mengestimasi
penyelesaian parameter
dan
pendapatan (π²) terhadap data logaritma
interval kredibel menggunakan model
pengeluaran
regresi linier Bayesian sebagai berikut :
makanan (π π ).
1. Merancang distribusi
rantai
Markov
untuk
konsumsi
non
dari
posterior π(π·, π 2 |π², π) β
π π 2 |π², π π(π·|π 2 , π², π)
dengan
π π 2 |π², π ~Inv β Gamma(ππ , ππ ) SENDIKMAD 2012
5
7
π 2 π T π + π²0
6.8 6.6
β1
0.175 β0.029 0.0001 = β0.029 0.009 β0.004 0.0001 β0.004 0.004
yaitu dengan Gibbs sampling sebanyak
6.4
5000 iterasi.
6.2
1. Taksiran Parameter π 2 dan Interval
6
Kredibel π 2
5.8 5.6 5.4 5.2
Untuk 5.4
5.6
5.8
6
6.2
6.4
6.6
6.8
Gambar 1. Diagram Pencar Data Logaritma Pendapatan (π²) Terhadap Data Logaritma Pengeluaran Untuk Konsumsi Makanan (π π )
mendapatkan
parameter
invers-gamma, sampling
6.8
yang
berdistribusi
dilakukan
sebanyak
Gibbs
5000
iterasi
dengan memilih nilai awal π 2 Kemudian
7
π2
taksiran
500
iterasi
0
= 1.
pertama
dipotong dan diperoleh rantai Markov
6.6
yang konvergen pada Gambar 3.
6.4 6.2 6 5.8 5.6 5.4 4.5
5
5.5
6
6.5
7
Gambar 2. Diagram Pencar Data Logaritma Pendapatan (π²) Terhadap Data Logaritma Pengeluaran Untuk Konsumsi Non Makanan (π π ) Selanjutnya untuk mendapatkan estimasi π½0 , π½1 , π½2
parameter T
π2
dengan model regresi linier
dari
distribusi
Diperoleh hasil taksiran parameter
rantai
π 2 = 0.032 dengan mencari rata-rata
posterior
dari 4500 nilai Gibbs sampler. Dari
berganda Bayesian, dirancang Markov
π·=
dan
Gambar 3. Rantai Markov untuk Taksiran Parameter π 2
π(π·, π 2 |π², π) β π π 2 |π², π π(π·|π 2 , π², π)
nilai Gibbs sampler tersebut dihasilkan
dengan
fungsi
π π 2 |π², π ~Inv β Gamma(ππ , ππ ) π(π·|π 2 , π², π)~π(ππ , π 2 π T π + π²0 dengan ππ = 1.431, 0.355, 0.494
dan β1 T
)
densitas
pada
Gambar
4
sehingga interval kredibel 95% untuk taksiran π 2 adalah (0.025, 0.041).
dan
kovarians SENDIKMAD 2012
6
Gambar 6 sehingga interval kredibel 95% adalah (0.596, 2.271).
Gambar 4. Fungsi Densitas Taksiran Parameter π 2 2. Taksiran Parameter π½0 dan Interval Kredibel π½0 Dengan memilih nilai awal π½00 = 0, lalu
dilakukan
Gibbs
sampling
Gambar 6. Fungsi Densitas Taksiran Parameter π½0 3. Taksiran Parameter π½1 dan Interval Kredibel π½1
Setelah
Untuk memperoleh taksiran parameter
memotong 500 iterasi pertama untuk
π½1 yang berdistribusi normal, dipilih
taksiran π½0 yang berdistribusi normal,
nilai awal π½10 = 0 kemudian dengan
didapatkan
melakukan Gibbs sampling sebanyak
sebanyak
5000
rantai
iterasi.
Markov
yang
5000 iterasi dan memotong 500 iterasi
konvergen pada Gambar 5.
pertama, diperoleh rantai Markov yang konvergen pada Gambar 7.
Gambar 5. Rantai Markov untuk Taksiran Parameter π½0 Dengan mencari rata-rata dari 4500 nilai
Gibbs
sampler
yang
ada,
Gambar 7. Rantai Markov untuk Taksiran Parameter π½1
diperoleh hasil taksiran π½0 = 1.44 dan
Dari 4500 nilai Gibbs sampler yang
dihasilkan
ada pada Gambar 7 di atas, setelah
fungsi
densitas
pada
dicari SENDIKMAD 2012
rata-ratanya
didapat
hasil 7
taksiran π½1 = 0.355. Nilai-nilai Gibbs
ada, diperoleh hasil taksiran π½2 =
sampler tersebut menghasilkan fungsi
0.493 . berdasarkan nilai-nilai Gibbs
densitas pada Gambar 8 sehingga
sampler tersebut dihasilkan fungsi
interval kredibel 95% adalah (0.176,
densitas pada Gambar 10 dan interval
0.543).
kredibel 95% (0.365, 0.621).
Gambar 8. Fungsi Densitas Taksiran Parameter π½1
Gambar 10. Fungsi Densitas Taksiran Parameter π½2
4. Taksiran Parameter π½2 dan Interval Kredibel π½2 Dipilih nilai awal untuk π½20 = 0 . Kemudian dilakukan Gibbs sampling sebanyak 5000 iterasi, dan memotong 500 iterasi pertama sehingga diperoleh rantai Markov yang konvergen pada Gambar 9.
Dengan estimasi parameter yang telah
diperoleh
π· = 1.44, 0.355, 0.493
T
yaitu dibentuk
persamaan garis regresi linier berganda dugaan : π¦π = 1.44 + 0.355 π₯1π + 0.493 π₯2π . Gambaran penggunaan: Dipilih nilai π₯1 = 6.15 dan π₯2 = 5.96 , kemudian
nilai-nilai
disubstitusikan
ke
dalam
tersebut persamaan
regresi linier berganda di atas, sehingga didapatkan hasil dugaan π¦ = 6.56 . Artinya, dalam nilai logaritma, dengan pengeluaran untuk konsumsi makanan sebesar 6.15 dan pengeluaran untuk Gambar 9. Rantai Markov untuk Taksiran Parameter π½2
konsumsi non makanan sebesar 5.96, dugaan untuk pendapatan sebesar 6.56
Selanjutnya dengan mencari rata-rata
atau
Rp
3.643.594,183.
Sedangkan
dari 4500 nilai Gibbs sampler yang SENDIKMAD 2012
8
pendapatan
pada
data
asli
sebesar
diketahui, yaitu π 2 = 0.032 , π½0 =
Rp 3.550.000, sehingga error (galat)
1.44, π½1 = 0.355, dan π½2 = 0.493.
dalam persamaan garis regresi dugaan
2. Dari sebanyak 4500 nilai Gibbs
pada
titik
data
tersebut
yaitu
π = π¦ β π¦ = 3550000 β 3643594.183 = β93594.183 = 93594.183
atau
sebesar
sampler yang ada, dihasilkan fungsi densitas untuk taksiran parameter π 2 berdistribusi
invers-gamma
dan
2.64 %.
taksiran parameter π½0 , π½1 , dan π½2
Sebagai perbandingan, dengan program R
berdistribusi normal. Sehingga dengan
2.15.1., diperoleh hasil estimasi sebagai
tingkat
berikut :
diperoleh interval kredibel 95% untuk
Coefficients: Estimate Std. Error t value
Pr(>|t|)
signifikansi
πΌ = 0.05
,
taksiran parameter π 2 , π½0 , π½1 , dan π½2
3.415 0.000849 ***
berturut-turut yaitu (0.025, 0.041),
x1
0.35401 0.09423 3.757 0.000257 ***
(0.596, 2.271), (0.176, 0.543) dan
x2
0.49355 0.06422 7.686 3.08e-12 ***
(Intercept) 1.43890 0.42138
---
(0.365, 0.621).
Signif. codes: 0 β***β 0.001 β**β 0.01 β*β 0.05 β.β 0.1 β β1
Pustaka
Jadi, hasil estimasi parameter π½0 , π½1 , dan π½2 signifikan karena berdasarkan uji t, nilai p masing-masing parameter lebih kecil dari tingkat signifikansi πΌ = 0.05.
Kesimpulan Berdasarkan pembahasan, dengan mengambil data SUSENAS masyarakat Salatiga tahun 2011 dari BPS Salatiga dengan
sampel
π = 135
sebagai
simulasi, dapat disimpulkan bahwa: 1. Dengan merancang rantai Markov dari distribusi posterior dengan bantuan Gibbs sampling sebanyak 5000 iterasi, lalu memotong 500 iterasi pertama agar tidak mengacaukan hasil taksiran dan diperoleh hasil taksiran untuk masing-masing parameter yang tidak SENDIKMAD 2012
Gelman, A. 2006. Bayesian Analysis. Department of Statistics and Department of Political Science : Columbia University. Hair, J. F. 2010. Multivariate Data Analysis Seventh Edition. USA : Pearson Prentice Hall. Johnson, M. S. 2009. Introduction to Bayesian Statistics with WinBUGS. New York : Columbia University. Johnson, R. A. and Wichern, Dean W. 1982. Applied Multivariate Statistical Analysis. New Jersey : Prentice Hall. Mutiarani, V., Setiawan, A., & Parhusip, H. A. 2012. Penerapan Model Regresi Linier Bayesian Untuk Mengestimasi Parameter Dan Interval Kredibel. Prosiding Seminar Nasional Matematika dan Pendidikan Matematika UNY tanggal 10 November 2012. Supranto. 2004. Analisis Multivariat: Arti dan Interpretasi. Jakarta : Rineka Cipta. 9
Suwarno, B. 2009. Rumus dan Data dalam Analisis Statistika. Bandung : Alfabeta. Widyaningsih, N. 2010. Statistika dan Probabilitas. Universitas Mercu Buana : Fakultas Teknik Sipil dan Perencanaan. Pustaka Internet Jennings, R., Wakeman-Linn, M., & Zhao, Xin. 2010. βMultivariate Normal Distributionβ tersedia di http://www.colorado.edu/economi cs/morey/7818/jointdensity/Notes OnMultivariateNormal/Multivaria te%20Normal%20Distribution_W akeman-LinnJenningsZhao.pdf. Diakses tanggal 12 November 2012. Web 1 : http://en.wikipedia.org/wiki/ Bayesian_linear_regression Bayesian Linear Regression Diunduh pada 28 Agustus 2012 Web 2 : http://en.wikipedia.org/wiki/ Credible_interval Credible Interval Diunduh pada 5 September 2012 Wijayanto, A. 2003. βAnalisis Regresi Linear Bergandaβ tersedia di http://eprints.undip.ac.id/ANALIS IS_REGRESI_LINEAR_BERGA NDA/, Diakses tanggal 21 November 2012.
SENDIKMAD 2012
10