The purposes of this paper is  to introduce the ability of the Bayesian quantile regression method in overcoming the problem of the nonnormal errors using asymmetric laplace distribution on simulation study. <strong>Method: </strong>We generate data and set distribution of error is asymmetric laplace distribution error, which is non normal data.  In this research, we solve the nonnormal problem using quantile regression method and Bayesian quantile regression method and then we compare. The approach of the quantile regression is to separate or divide the data into any quantiles, estimate the conditional quantile function and minimize absolute error that is asymmetrical. Bayesian regression method used the asymmetric laplace distribution in likelihood function. Markov Chain Monte Carlo method using Gibbs sampling algorithm is applied then to estimate the parameter in Bayesian regression method. Convergency and confidence interval of parameter estimated are also checked. <strong>Result: </strong>Bayesian quantile regression method results has more significance parameter and smaller confidence interval than quantile regression method. <strong>Conclusion: </strong>This study proves that Bayesian quantile regression method can produce acceptable parameter estimate for nonnormal error.

This study aims to implement Bayesian quantile regression method in constructing the model of Low Birth Weight. The data of Low Birth Weight is violated of nonnormal assumption for error terms. This study considers quantile regression approach and use Gibbs sampling algorithm from Bayesian method for fitting the quantile regression model. This study explores the performance of the asymmetric Laplace distribution for working likelihood in posterior estimation process. This study also compare the result of variable selection in quantile regression and Bayesian quantile regression for Low Birth Weight model. This study. proved that Bayesan quantile method produced better model than just quantile approach. Bayesian quantile method proved that it can handle the nonnormal problem although using moderate size of data.

Analisis regresi merupakan salah satu metode untuk melihat hubungan antara variabel bebas (independent) dengan variabel terikat (dependent) yang dinyatakan dalam model regresi. Beberapa metode yang bisa digunakan untuk mengestimasi parameter model regresi, diantaranya adalah metode klasik dan metode Bayes. Salah satu metode klasik adalah metode maximum likelihood. Penelitian ini membahas tentang perbandingan metode maximum likelihood dan metode Bayes dalam mengestimasi parameter model regresi linear berganda untuk data berdistribusi normal. Adapun rumus untuk mengestimasi parameter dengan metode maximum likelihood adalah βˆ=(XTX)-1XTY dan ˆσ2 = 1 n P∞ k=1 ei. Sedangkan untuk mengestimasi parameter dengan metode Bayes adalah dengan menggunakan distribusi prior dan fungsi likelihood. Distribusi prior yag dipilih pada kajian ini adalah f(β, σ2 ) = Qn i=1 f(βj |σ 2 )f(σ 2 ) dengan βj ∼ N(µβj , σ2 ) dan σ 2 ∼ IG(a, b). Distribusi prior konjugat tersebut kemudian dikalikan dengan fungsi likelihood L(β, σ2 ) sehingga membentuk distribusi posterior f(β|σ 2 ). Distribusi posterior inilah yang digunakan untuk mengestimasi parameter model melalui proses Markov Chain Monte Carlo (MCMC). Algoritma MCMC yang digunakan adalah algoritma Gibbs Sampler. Model regresi linear berganda yang diperoleh dengan metode maximum likelihood adalahyˆ = −27, 8210000 + 0, 0307430X1 + 0, 0039211X2 + 0, 0034631X3 + 0, 6537000X4dengan kecocokan modelnya adalah sebesar 95,7 %. Sedangkan model regresi linear berganda yang diperoleh dengan metode Bayes adalahyˆ = −26, 620000 + 0, 029380X1 + 0, 004204X2 + 0, 003321X3 + 0, 656200X4dengan kecocokan modelnya adalah sebesar 99,99 %. Dengan demikian dapat disimpulkan bahwa metode Bayes lebih baik dari pada metode maximum likelihood.Kata Kunci: Model Regresi Linear Berganda, metode Maximum Likelihood, dan metode Bayes