SKRIPSI

ANALISIS INTANGIBLE FACTORS YANG MEMPENGARUHI

PENENTUAN HARGA PRODUK KARYA SENI

No.Soal: TKI 4011 / II-2011/2012 / Sbgy. / 15 / 08 / 14.03 / 2012

Disusun Oleh:
Kusriniarti Dwi Lestariningsih
08/268846/TK/34104

PROGRAM STUDI TEKNIK INDUSTRI

JURUSAN TEKNIK MESIN DAN INDUSTRI
FAKULTAS TEKNIK UNIVERSITAS GADJAH MADA
YOGYAKARTA
2012

ii

iii

iv

HALAMAN PERSEMBAHAN

Just like a drizzle,

changing around after drop in many times.
This work is a little step to grow better

A science research

For me, for us, for Indonesia

INTISARI

Banyak produk yang memiliki harga jual jauh di atas biaya produksi. Produk
karya seni seperti lukisan merupakan salah satu contoh produk yang memiliki
harga tinggi meskipun biaya produksinya rendah. Hal ini menunjukkan bahwa
terdapat faktor-faktor lain di luar biaya produksi yang diperhitungkan dalam
menentukan harga jual. Nilai ini disebut sebagai faktor intangible. Penelitian ini
dilakukan untuk mengetahui faktor intangible pada produk karya seni dan
memprediksi harga berdasarkan faktor-faktor tersebut.
Penelitian dilakukan dengan mengumpulkan data harga penjualan karya lukis
di enam balai lelang, baik di dalam dan luar negeri, beserta data variabel-variabel
yang menjadi faktor intangible. Diperoleh 85 data harga penjualan karya lukisan
beserta parameter faktor intangible-nya. Variabel-variabel yang dianggap
mempengaruhi faktor intangible produk karya seni terdiri dari 10 variabel, yaitu
panel rekomendator, banyaknya pameran, tahun lahir, auction record, harga
estimasi minimal, balai lelang, media, ukuran, dan past sales.
Persamaan untuk memprediksi harga dibangun menggunakan dua metode,
yaitu Model Kano dan Regresi Linear. Pembangunan model dilakukan dengan dua
perlakuan data, yaitu data dengan tanpa standardisasi skala untuk masing-masing
variabel dan data dengan skala standar untuk semua variabel. Setelah data diuji
berdasarkan asumsi statistik yang diperlukan, data dimodelkan berdasarkan
prosedur masing-masing metode dan diperoleh 12 alternatif model.
Model-model yang telah dibangun dievaluasi dengan prosedur validasi silang
menggunakan 21 data. Berdasarkan nilai R2 yang dihasilkan, terpilih satu model
terbaik yang memberikan kemampuan prediktif (R2) sebesar 70%, yaitu Model
Kano dengan variabel Past Sales.
Kata kunci : Intangible factor, Model Kano, Regresi Linear Berganda

vi

KATA PENGANTAR

Tugas Akhir ini disusun sebagai syarat kelulusan gelar sarjana strata satu di
Jurusan Teknik Mesin dan Industri Universitas Gadjah Mada. Tugas akhir ini
merupakan sebuah penelitian terkait analisis penentuan harga produk karya seni
yang dipengaruhi oleh faktor intangible. Penelitian ini berawal dari adanya
penelitian terkait intangible factors yang mempengaruhi harga produk dengan
obyek produk fuctional dan jasa. Penelitian ini mencoba mengembangkan ide
penelitian analisis intangible factor yang dapat diterapkan pada produk nonfunctional seperti produk karya seni.
Penelitian ini terdiri dari enam bagian. Bagian pertama diawali dengan latar
belakang dilakukannya penelitian ini beserta permasalahan, tujuan, dan manfaat
yang akan diperoleh. Bagian kedua memaparkan penelitian-penelitian terdahulu
yang telah dilakukan terkait topik penelitian ini. Bagian ketiga terdiri dari
landasan teori yang digunakan dalam penelitian ini, dilanjutkan bagian keempat
yaitu metode penelitian. Metode yang digunakan dalam penelitian ini adalah
Model Kano dan Regresi Linear Berganda. Pada bagian kelima, dipaparkan hasil
dan pembahasan penelitian, dilanjutkan kesimpulan pada bagian ke enam.
Penelitian ini menghasilkan model matematis yang dapat digunakan sebagai alat
untuk memprediksi harga jual karya seni dengan memperhitungkan faktor
intangible produk tersebut.
Penulis menyadari bahwa hasil penelitian ini masih jauh dari sempurna.
Namun, hadirnya hasil penelitian ini diharapkan mampu memberikan sumbangsih
dalam perkembangan ilmu pengetahuan dan kelak dapat diaplikasikan sebagai alat
untuk membantu menentukan harga produk karya seni.
Yogyakarta, 27 Juni 2012
Penulis

vii

UCAPAN TERIMA KASIH

Puji syukur kehadirat Allah SWT. yang telah melimpahkan rahmat dan
karunia-Nya, sehingga penulis dapat menyelesaikan Tugas Akhir sebagai muara
dari proses belajar selama 4 tahun di Jurusan Teknik Mesin dan Industri. Tugas
akhir ini tidak lepas dari dukungan banyak pihak, untuk itu penulis mengucapkan
terima kasih kepada:
1. Ir. Wasis Wildan, M.Sc., Ph.D, selaku Ketua Jurusan Teknik Mesin dan
Industri.
2. Ir. Subagyo, Ph.D selaku Sekretaris Jurusan sekaligus dosen pembimbing
tugas akhir yang telah banyak meluangkan waktu, membagi ilmu dan
pengalaman yang sangat berharga bagi penulis.
3. M.K. Herliansyah, S.T., M.T., Ph.D, selaku ketua Program Studi Teknik
Industri yang telah banyak membantu memberikan dorongan dan
masukan-masukan dalam menyampaikan laporan tugas akhir.
4. Dr. Khasani, S.T., M.Eng, selaku dosen pembimbing akademik yang telah
memberikan arahan dan masukan-masukan selama di bangku perkuliahan.
5. Bapak dan Ibu Kuswiryono, orangtua yang senantiasa mendoakan,
melapangkan dada, memberikan dukungan semangat dan nasihat-nasihat
yang membangun. Serta Kusnanto Eko, kakak semata wayang yang
menjadi motivasi untuk bisa lulus lebih tepat waktu.
6. Ibu Neni, pemilik kedai kebun cafe, sebagai narasumber yang turut
memberikan informasi dalam penelitian ini.
7. Mbak Dewi, aktivis Biennale Jogja, yang menginformasikan tempattempat penting di Jogja sebagai bagian dari obyek penelitian ini.
8. Sangkring Art Space, Jogja Gallery, Langgeng Foundation, dan Kedai
Kebun, galeri-galeri yang banyak memberikan referensi dan informasi
dalam pencarian data penelitian ini.
9. Segenap dosen Jurusan Teknik Mesin dan Industri yang telah memberikan
ilmu yang sangat bermanfaat selama di bangku perkuliahan.

viii

10. Teman-teman seperguruan; Dika Resti, pendahulu yang menjadi motivasi

untuk kerja lebih keras, Ana Yunita yang menjadi kawan seperjuangan
sampai titik terakhir, Reza dan Timothy yang selalu bersama-sama
mengasah adrenalin dan berbagi kemajuan masing-masing, serta temanteman lainnya. Kebersamaan dengan kalian membawa kekuatan yang luar
biasa untuk terus melangkah dan selalu berusaha push the limit. Dan tanpa
terasa kita pun bisa.
11. Teman-teman Sispronesian 2011, Gayatri, Ria, Dadid, Tian, Dhanik,
Resti, Emmy, Reza, dan Rama. Belajar ilmu sispro menjadi berkesan
karena menggalinya bersama kalian. Terima kasih atas kebersamaan dan
pengalaman-pengalaman menarik yang tak terlupakan.
12. Teman-teman Teknik Industri UGM angkatan 2008 yang telah menjadi
teman menuntut ilmu selama 4 tahun bersama.
13. UKM UPI Interdisipliner UGM, dan teman-teman di gelanggang
mahasiswa.

Terima

kasih

telah

menjadi

tempat

yang

mampu

menumbuhkan passion meneliti yang sangat inspiratif. Ini sangat

membantu dalam mengasah pola berpikir saat skripsi. Terima kasih juga
untuk keluarga besar yang ada di dalamnya, terima kasih untuk support
dan motivasinya.
14. Disa, Galih, Viki, kawan-kawan jadul yang senantiasa memberikan
support dalam banyak hal.
15. Pihak-pihak lain yang tidak dapat disebutkan satu persatu, terima kasih
atas kerja sama dan bantuannya.

ix

DAFTAR ISI

HALAMAN JUDUL

HALAMAN PENGESAHAN

ii

HALAMAN PERNYATAAN

iii

NASKAH SOAL TUGAS AKHIR/SKRIPSI

iv

HALAMAN PERSEMBAHAN

INTISARI

vi

KATA PENGANTAR

vii

UCAPAN TERIMA KASIH

viii

DAFTAR ISI

DAFTAR GAMBAR

xii

DAFTAR TABEL

xiii

DAFTAR LAMPIRAN

xiv

DAFTAR NOTASI DAN SINGKATAN

xv

BAB I: PENDAHULUAN

1.1 Latar Belakang

1.2 Perumusan Masalah

1.3 Asumsi dan Batasan Masalah

1.4 Tujuan

1.5 Manfaat Penelitian

BAB II: TINJAUAN PUSTAKA

BAB III: LANDASAN TEORI

5
10

3.1 Harga

10

3.2 Strategi Penentuan Harga

10

3.3 Faktor Tidak Terukur (Intangible Factors)

11

3.4 Faktor-Faktor Intangible Produk Seni

12

3.5 Model Kano

12

3.6 Regresi Linear Berganda

15

3.7 Validasi Holdout

16

BAB IV: METODE PENELITIAN

17

4.1 Obyek Penelitian

17

4.2 Tahap Penelitian

18

4.2.1 Pengumpulan Data

18

4.2.2 Uji Asumsi Data

18

4.2.3 Klasifikasi Intangible Factors Berdasarkan Model Kano

18

4.2.4 Pembangunan Alternatif Model

18

4.2.4 Pengujian Model

18

4.2.5 Pemilihan Model

18

BAB V: HASIL DAN PEMBAHASAN

18

5.1 Uji Asumsi data

18

5.2 Kerangka Pembangunan Model

18

5.3 Klasifikasi Variabel Berdasarkan Model Kano

18

5.3.1 Klasifikasi Model Kano Tanpa Standardisasi Skala

18

5.3.2 Klasifikasi Model Kano Skala standar

18

5.3.3 Klasifikasi Model Kano dengan Variabel Past Sales

18

5.4 Pembangunan Model

18

5.4.1 Model Kano Tanpa Standardisasi Skala

18

5.4.2 Model Kano Skala Standar

18

5.4.3 Model Kano dengan Variabel Past Sales

18

5.4.4 Model Regresi Linear Berganda Tanpa Standardisasi Skala

18

5.4.5 Model Regresi Linear Berganda Skala Standar

18

5.4.6 Model Regresi Linear Berganda dengan Variabel Past Sales

18

5.4.7 Ringkasan Keseluruhan Model

18

5.5 Pengujian Model

18

5.5.1 Pengujian Koefisien Determinasi

18

5.5.2 Pengujian Validasi Silang

18

5.6 Pemilihan Model

18

BAB VI: PENUTUP

18

6.1 Kesimpulan

18

6.2 Saran

18

DAFTAR PUSTAKA
LAMPIRAN

18
49

xi

DAFTAR GAMBAR

Gambar 2.1

Market Valuation Framework (Marshall and Forrest, 2011)

Gambar 3.1

Diagram Kano (Kahn, 2006)

13

Gambar 4.1

Diagram Alir Penelitian

20

Gambar 5.1

Box plot harga penjualan

26

Gambar 5.2

Kerangka Pembangunan Model

28

xii

DAFTAR TABEL

Tabel 4.1

Faktor-faktor Intangible Produk Karya Seni

21

Tabel 5.1

Nilai VIF seluruh variabel

27

Tabel 5.2

Variabel intangible factors

27

Tabel 5.3

Klasifikasi Model Kano Tanpa Standardisasi Skala

29

Tabel 5.4

Klasifikasi Model Kano Skala Standar

30

Tabel 5.5

Klasifikasi Model dengan Variabel Past Sales

31

Tabel 5.6

Koefisien Model Kano

41

Tabel 5.7

Koefisien Model Regresi Linear Berganda

41

Tabel 5.8

Koefisien Determinasi pembangunan Model

42

Tabel 5.9

Hasil Validasi Silang

43

xiii

DAFTAR LAMPIRAN

Lampiran 1

Perolehan Data harga jual produk lukisan

49

Lampiran 2

Uji Normalitas data

51

Lampiran 3

Hasil perhitungan SSE untuk klasifikasi Model Kano

52

Lampiran 4

Pembangunan Model Kano

54

Lampiran 5

Pembangunan Model Regresi Linear Berganda

73

Lampiran 6

Hasil Validasi silang

88

xiv

DAFTAR NOTASI DAN SINGKATAN

= Koefisien logaritmik (-)

= Konstanta persamaan logaritmik (-)

= Koefisien regresi linear (-)

= Konstanta persamaan regresi linear (-)

= Koefisien persamaan eksponensial (-)

= Konstanta persamaan eksponensial (-)

= Angka eksponensial (-)

R2

= Koefisien determinasi (-)

X1

= Panel Rekomendator (orang)

X2

= Banyaknya pameran (buah)

X3

= Tahun kelahiran seniman (-)

X4

= Lama karir seniman (Tahun)

X5

= Auction record (buah)

X6

= Tahun pembuatan (-)

X7

= Estimasi harga minimal (Dolar)

X8

= Estimasi harga maksimal (Dolar)

X9

= Balai lelang (-)

X10

= Media (-)

X11

= Ukuran (cm2)

X12

= Past sales (Dolar)

Y1

= Must be (Dolar)

Y2

=One-dimensional (Dolar)

Y3

= Attractive (Dolar)

YZ

= Harga produk dalam persamaan Model Kano (Dolar)

= Harga Produk dalam persamaan Regresi Linear (Dolar)

SSE

= Sum of Square Error

VIF

= Variance Influence Factor (-)

xv

BAB I
PENDAHULUAN

1.1 Latar Belakang

Menentukan harga jual suatu produk atau jasa merupakan salah satu keputusan
yang penting bagi suatu perusahaan. Hal ini dilandasi oleh tujuan utama dari
menentukan harga, yaitu profit (Monroe, 2007). Keuntungan yang diperoleh dari
penjualan suatu produk ditentukan oleh selisih antara pendapatan dan biaya yang
dikeluarkan. Sedangkan pendapatan ditentukan oleh perkalian harga per unit dengan
jumlah produk yang dijual. Harga juga disebut sebagai satu-satunya variabel strategi
pemasaran yang secara langsung menghasilkan pendapatan. Variabel strategi
pemasaran yang lain seperti pengiklanan, pengembangan produk, distribusi, dan
packaging, semuanya menjadi bagian dari pengeluaran. Di samping itu, menurut
Bronnenberrg dan Vanhonacker (Setiawan, 2008), harga akan merepresentasikan
keunggulan produk dan menjadi daya tarik yang kuat terhadap daya beli pelanggan.
Untuk itu, penentuan harga suatu produk harus tepat karena selain penting dalam
menghasilkan profit, harga merupakan hal yang diperhatikan konsumen saat
melakukan pembelian.
Secara umum, harga merepresentasikan besarnya resource yang dibutuhkan
untuk membuat suatu produk dan besarnya laba yang diinginkan. Zimmerer dan
Scarborough (2009) mendefinisikan harga sebagai nilai uang yang harus ditukar
pelanggan untuk mendapatkan suatu produk atau jasa. Untuk itu, harga jual tentu
harus mampu mengganti biaya yang dikeluarkan untuk membuat suatu produk.
Secara tradisional, penentuan harga jual ditentukan berdasarkan biaya produksi
ditambah dengan mark up yang dikehendaki. Besaran angka mark up tersebut
digunakan untuk menutup biaya non-produksi dan laba yang dikehendaki (Johar,
2007).

Namun, seiring dengan perkembangan dunia bisnis, biaya bukanlah satu-satunya

faktor yang mempengaruhi penentuan harga. Tujuan dari penentuan harga tidak
hanya untuk mengembalikan biaya, namun juga mendapatkan perceived value di
benak konsumen (Lehman dan Winer, 2002). Ketika perceived value sesuai dengan
ekspektasi konsumen, konsumen bersedia membayar harga yang ditawarkan,
meskipun nilainya jauh di atas biaya produksi. Itulah mengapa beberapa produk
dengan karakterisitik tertentu seringkali memiliki margin yang sangat tinggi antara
harga jual dengan biaya produksi yang dibutuhkan.
Produk-produk karya seni seperti lukisan merupakan salah satu contoh produk
yang memiliki harga tinggi meskipun biaya produksinya rendah. Dalam lelang
lukisan yang diadakan di Jakarta, terdapat 172 lukisan yang dijual dengan harga 1,5
juta hingga 18 juta (Kompas, 2011). Bahkan, dalam Kontan (2011) disebutkan bahwa
lukisan karya pelukis Indonesia I Nyoman Masriadi terjual dengan harga 3.9 milyar
di balai lelang Singapura. Secara fisik, karya seni hanya sedikit membawa market
value. Biaya raw material untuk produk karya seni seperti kanvas, kertas, dan cat
umumnya kecil dan tidak memiliki salvage value (Marshall dan Forrest, 2000).
Namun, harga jual yang tinggi tidak membuat konsumen enggan untuk mengeluarkan
uang demi mendapatkan produk tersebut. Hal ini menunjukkan bahwa biaya produksi
tidak lagi diperhitungkan secara signifikan dalam penentuan harga jual.
Secara simbolis, karya seni memiliki nilai tambah lain yang melebihi produk
secara fisik. Terdapat faktor-faktor lain di luar biaya produksi yang memiliki nilai dan
diperhitungkan dalam menentukan harga jual. Disebutkan dalam Kompas (2011)
bahwa terdapat beberapa faktor yang mempengaruhi harga produk lukisan, antara lain
naman pelukis, subyek lukisan, ukuran, dan style. Faktor-faktor tersebut tidak dapat
diperhitungkan atau diukur dalam proses memproduksi karya seni secara fisik, namun
memberikan dampak pada besar kecilnya harga yang ditawarkan oleh pelukis.
Faktor-faktor penentuan harga yang tidak terukur tersebut disebut sebagai
intangible factors. Ebstein dan Mirza (2005) mendefinisikan Intangible factor
sebagai faktor non-keuangan yang berbentuk bukan fisik yang dimiliki perusahaan
untuk digunakan dalam produksi atau penyediaan barang atau jasa dan atau

digunakan untuk tujuan administratif (Fahin, 2010). Sedangkan menurut Canibano et

al (2000), istilah intangible dipahami sebagai non-monetary profit yang memberikan
value diluar produk itu sendiri. Aset intangible merupakan representasi dari reputasi,
brand, dan atribut lain yang memungkinkan untuk memperoleh pendapatan yang
lebih besar.
Pentingnya intangible factors dalam kaitannya dengan penentuan harga produk
mendorong beberapa penelitian untuk mengetahui faktor-faktor apa saja yang
mempengaruhi penentuan harga selain biaya produksi. Damareza (2011) telah
melakukan analisis intangible factor yang mempengaruhi penentuan harga produk
dan memodelkan besarnya intangible price secara matematis. Dari latar belakang
yang telah dijelaskan, produk non-functional seperti produk karya seni memiliki
intangible factor yang dipengaruhi oleh karakteristik produk. Untuk itu, diperlukan
penelitian lebih lanjut dengan pendekatan karakteristik produk yang lebih spesifik
untuk menentukan harga pada produk dengan karakteristik tertentu.
Penelitian ini difokuskan untuk mengetahui intangible factors pada produk karya
seni sebagai representasi produk non-functional. Analisis intangible factor yang
mempengaruhi penentuan

harga produk non-functional diharapkan mampu

menentukan intangible factor penentu harga produk secara lebih spesifik yang
disesuaikan dengan karakteristik produk.
1.2 Perumusan Masalah
Yang menjadi rumusan masalah dalam penelitian ini, antara lain:
1. Identifikasi variabel yang termasuk dalam intangible factor dalam harga
produk karya seni.
2. Bagaimana variabel-variabel tersebut mempengaruhi harga.
3. Bagaimana memodelkan faktor intangible penentuan harga produk karya seni
secara matematis.
4. Seberapa signifikan faktor intangible memberikan pengaruh pada harga karya
seni.

1.3 Asumsi dan Batasan Masalah

1. Produk karya seni yang akan diteliti adalah produk karya seni lukis.
2. Produk karya seni lukis yang akan diteliti adalah karya seni yang
diperjualbelikan di balai lelang.
3. Produk-produk karya seni yang diteliti merupakan hasil karya dari senimanseniman yang berada di wilayah Daerah Istimewa Yogyakarta.
4. Karena margin antara biaya produksi dengan harga jual yang sangat tinggi,
analisis yang dilakukan langsung memperhitungkan nilai intangible factors
yang terdapat dalam produk karya seni tersebut.
1.4 Tujuan
1. Mengetahui variabel-variabel yang menjadi intangible factors pada harga
produk karya seni.
2. Mengembangkan model matematis untuk menentukan harga produk karya
seni berdasarkan intangible factors.
1.5 Manfaat Penelitian
1. Memberikan simplifikasi cara menentukan harga produk karya seni dengan
membangun alat yang dapat memprediksi harga dengan mempertimbangkan
intangible factor.
2. Dapat memperkirakan harga lukisan dan mempermudah pengelolaan
penjualan produk lukisan.
3. Memperluas aplikasi penggunaan metode matematis.

BAB II
TINJAUAN PUSTAKA

Strategi penentuan harga dapat dilakukan dengan berbagai pendekatan. Irawan

(2003) menyebutkan bahwa terdapat beberapa strategi penentuan harga yang biasa
dilakukan, antara lain Mark up pricing, target return pricing, competition based
pricing, dan value pricing. Pendekatan lain dapat pula dilakukan dengan
memperhitungkan nilai intangible suatu produk. Istilah intangible dipahami
sebagai non-monetary profit yang memberikan value diluar produk itu sendiri
(Canibano et al, 2000). Aset intangible merupakan representasi dari reputasi,
brand, dan atribut lain yang memungkinkan untuk memperoleh pendapatan yang
lebih besar.
Penelitian penentuan harga yang mempertimbangkan faktor intangible
dilakukan oleh Fahin (2010) yang menyatakan bahwa intangible factors harga jual
produk terdiri dari kualitas dan brand. Penelitian ini dilakukan pada produkproduk fungsional seperti kaos, perak, dan jasa spa. Faktor intangible kualitas
terdiri dari skill pekerja, kerumitan model, desain, sistem operasional perusahaan,
dan sistem pelayanan perusahaan. Sedangkan faktor intangible brand terdiri dari
brand dan strategi pemasaran. Faktor-faktor tersebut diperoleh dengan teknik
Analytical Hierarchy Process (AHP) dan regresi linear. Dari penelitian tersebut
diperoleh model persamaan seperti pada persamaan (2.1),
Y= -1,829 + 0,003 X1 + 0,005 X2

(2.1)

dengan Y merupakan besar nilai intangible factor. X1 adalah intangible factor

kualitas, dan X2 adalah intangible factor brand.
Penelitian

Fahin

dikembangkan

oleh

Damareza

(2011)

dengan

memperbanyak obyek penelitian, yaitu 13 perusahaan dari beberapa kategori

produk dan jasa. Penelitian tersebut menghasilkan dua model persamaan, yaitu
Y1 = -1485,90 + 296,13 X1

(2.2)

Y2 = -581,42 + 271,13 X2

(2.3)

Persamaan (2.2) digunakan untuk memprediksi besar nilai intangible kualitas,

sedangkan persamaan (2.3) untuk memprediksi besar nilai intangible brand.

Penelitian

tersebut

dikembangkan

menggunakan

metode

Theil

yang

menyesuaikan karakteristik variabel yang dianalisis. Penelitian faktor intangible

yang dilakukan Fahin (2010) dan Damareza (2011) masih terbatas pada produk
fungsional dan jasa. Model ini belum dapat digunakan untuk menganalisis
penentuan harga produk karya seni karena variabelnya berbeda.
Pendekatan penentuan harga dengan memperpertimbangkan faktor intangible
pada produk karya seni dilakukan oleh ONeil (2000). Penelitian ini menyebutkan
bahwa penentuan harga produk karya seni dilakukan oleh seniman dengan gaya
pendekatan yang unik dengan melibatkan faktor labor, research, dan biaya
material. Seniman sering menggunakan lebih dari satu pendekatan untuk
menentukan harga. Pendekatan penentuan harga digambarkan dalam suatu skema
yang menunjukkan level pricing decision yang dapat dilakukan oleh seniman.
ONeil membedakan pendekatan pricing decision style pada produk karya seni
dalam tiga posisi kunci, yaitu:
1. Art for arts sake: Pada konteks ini seniman mendefinisikan harga sebagai
sebuah nilai seni yang dibangun, sehingga seniman cenderung membatasi
produktivitas. Seniman yang berada pada level ini cenderung memasang
harga tinggi, karena harga tidak berdasarkan pada biaya tenaga dan
material, namun berdasarkan status atau reputasi seniman.
2. Bourgeois

market:

Dalam

konteks

ini,

seniman

hidup

dengan

memproduksi karya seni. Memproduksi dan menjual produk seni bukan

menjadi sebuah kepuasan dari seorang seniman, karena karya seni yang
dibuat merupakan sebuah pesanan. Dalam posisi ini, penentuan harga
berdasarkan pada banyaknya permintaan pasar.
3. Mass Audience: Hasil karya seni seniman diproduksi ulang ke dalam
berbagai macam merchandise untuk memberikan nilai yang lebih
terjangkau atas karya seni seniman. Pada posisi ini, harga karya seni
menjadi lebih rendah.
Berdasarkan skema tersebut, yang menjadi pertimbangan dalam menentukan
harga bukan lagi biaya produksi, namun juga faktor kualitatif lain yang intangible.
Di sisi lain, Marshall dan Forrest (2011) menganalisis faktor-faktor intangible
produk karya seni dengan menggambarkan sebuah market valuation framework.

Framework tersebut digunakan sebagai landasan penelitian dalam pemasaran

produk karya seni. Dalam framework tersebut digambarkan aspek sosiologis,
estetika, dan teori pemasaran. Penelitian ini menghasilkan sebuah model untuk
menggambarkan pengaruh utama pada market valuation karya seni visual seperti
lukisan. Model yang dibangun dalam framework ini terdiri dari beberapa faktor
antara lain; seniman, produk, peran industri karya seni, dan peran pembeli. Model
tersebut merepresentasikan elemen-elemen pada masing-masing faktor dan
pengaruhnya pada harga karya seni seperti yang ditunjukkan pada Gambar 2.1.
Artist Factors
- Artist Reputation
-Accreditation
-Past Sales
-Artist Brand Strength
-Technical Skill
-Base Prior Expectation
-Artist Motivations

Purchaser Receptivity (Demand) Factors

- Symbolic identification
- Purchase Motivation
-Artist brand awareness
- Artist Brand Associations
- Economic constraints

Personal Price
The Product:
-Technical features
-Media, size
Expressive symbol

Intermediary influence:
-gallery, Collector, dealer
-Reputation
-IMC effort
-Reputation of other
gallery artist
Facilitator influence
-Critics and curator

Purchased
Price
Gallery Price

Investment price

External Market Demand

-Art in general
-Economic environment

Gambar 2.1. Market Valuation Framework (Marshall dan Forrest, 2011)

Penelitian yang dilakukan oleh ONeil (2000) maupun Marshall dan Forrest
(2011) masih sebatas penggambaran aspek intangible factor secara kualitatif
melalui skema dan framework. Penelitian tersebut belum memberikan justifikasi
cara untuk menentukan harga karya seni karena tidak dilengkapi dengan model
matematis penentuan harga.
Teori penentuan harga karya seni yang telah melibatkan metode matematis
dilakukan oleh Reddy dan Dass (2006) yang melakukan analisis terhadap
dinamika dari pelelangan online pada seni modern India menggunakan functional
data analysis. Metode ini memberikan mekanisme untuk menganalisis hubungan
faktor-faktor yang berkontribusi pada keberagaman dinamika harga. Dari

penelitian tersebut diperoleh hasil bahwa status seniman dan harga memberikan
pengaruh yang besar dalam permulaan lelang. Seniman yang telah established
menjadikan harga penawaran tinggi, dan demikian sebaliknya. Selain itu, ukuran
kanvas memberikan hubungan yang negatif pada harga awal lelang, yang berarti
harga akhir lelang produk yang lebih besar akan lebih rendah. Namun, dalam
penelitian ini pengukuran status seniman tidak dijelaskan dengan detail, dan tidak
melibatkan variabel-variabel lain seperti yang dijelaskan oleh Marshall dan
Forrest (2011).
Di sisi lain, Hodgson dan Vorkink (2004) juga telah melakukan analisis
penentuan harga produk karya seni secara matematis. Penelitian tersebut dianalisis
secara empiris menggunakan sampel dari harga lelang dari mayoritas pelukis di
Kanada antara tahun 1968-2001. Metode analisis yang digunakan adalah regresi
hedonik untuk menganalisis pengaruh faktor-faktor yang mempengaruhi indeks
harga pasar. Faktor-faktor tersebut antara lain identitas pelukis dan harga pada
saat lelang.
Penelitian ini dilanjutkan oleh Hogdson pada 2011 dengan meneliti harga
produk karya seni dengan obyek lukisan-lukisan di Prancis. Penelitian ini kembali
menggunakan regresi hedonik dalam menganalis data. Berdasarkan analisis yang
telah dilakukan, terdapat beberapa variabel yang menjadi tolak ukur harga lukisan,
antara lain faktor pelukis, tempat lukisan dijual, media yang digunakan, genre,
dan ukuran. Metode regresi yang digunakan dalam penelitian tersebut hanya
mampu menganalisis hubungan yang linear antar variabelnya. Hubungan antar
variabel tidak hanya dapat didekati dengan pola linear, namun dapat juga didekati
dengan pendekatan pola lain, seperti logaritmik atau eksponensial. Penelitian
tersebut belum mampu mengakomodir hubungan faktor penentu harga selain
dengan pola linear.
Salah satu metode yang mampu mengakomodir pola non-linear adalah Model
Kano. Model Kano merupakan model yang digunakan untuk menganalisis faktorfaktor yang mempengaruhi kepuasan konsumen atas suatu produk. Model ini
menunjukkan bahwa tidak semua faktor memiliki hubungan linear dengan
kepuasan konsumen. Dalam penggunaannya, Model Kano tidak hanya digunakan
untuk menganalisis kepuasan konsumen, namun juga untuk analisis lain. Model

ini digunakan ole Pramadani (2011) untuk menganalisis faktor-faktor yang

berpengaruh pada kesuksesan produk. Model Kano mengklasifikasikan faktorfaktor yang mempengaruhi kesuksesan produk ke dalam tiga kategori, yaitu Mustbe dengan pendekatan logaritmik, one-dimensional dengan pendekatan regresi
linear, dan attractive dengan pendekatan eksponensial. Berdasarkan karakteristik
tersebut, model ini dapat digunakan untuk mencari tahu apakah terdapat pola lain
yang merepresentasikan hubungan intangible factor dengan harga jual karya seni.
Secara keseluruhan, penelitian terkait penentuan intangible factor yang
mempengaruhi penentuan harga produk yang melibatkan model matematis masih
terbatas pada pengembangan model regresi linear. Hal ini masih dapat
dikembangkan lagi dengan memanfaatkan metode yang dapat menganalisis
hubungan non-linear seperti Model Kano. Selain itu, penelitian terkait harga
produk karya seni belum dikembangkan di Indonesia. Penelitian intangible factors
masih sebatas pada produk-produk fungsional dan jasa seperti yang telah
dilakukan oleh Fahin (2010) dan Damareza (2011). Untuk itu, penelitian ini
penting dilakukan sebagai pengembangan penelitian terkait faktor intangible
penentuan harga yang menitikberatkan pada produk karya seni dengan metode
yang belum pernah dilakukan pada penelitian sebelumnya.

BAB III
LANDASAN TEORI

3.1 Harga
Harga merupakan besarnya uang yang harus dikorbankan untuk mendapatan
suatu barang atau jasa yang diinginkan. Harga mengindikasikan kuantitas uang yang
dibutuhkan untuk mendapatkan sejumlah barang atau jasa tertentu (Monroe, 2007).
Harga juga merupakan penanda nilai produk atau jasa bagi seseorang, dan pelanggan
yang berbeda akan memberikan nilai yang berbeda pula untuk barang atau jasa yang
sama (Zimmerer dan Scarborough, 2009). Secara umum, penentuan harga jual
ditentukan sebesar biaya produksi dtambah dengan mark up yang dikehendaki.
Besaran angka mark up digunakan untuk menutup biaya non-produksi dan laba yang
dikehendaki.
3.2 Strategi Penentuan Harga
Terdapat berbagai macam strategi penentuan harga yang dilakukan oleh produsen
untuk mendapatkan keuntungan. Irawan (2003) menyebutkan terdapat beberapa
strategi penentuan harga yang biasa dilakukan, antara lain:
a. Markup pricing: merupakan metode penetapan harga dengan menentukan
persentase

keuntungan

berdasarkan

biaya

yang

dikeluarkan

untuk

memproduksi barang tersebut. Metode ini merupakan metode klasik yang

digunakan dalam perdagangan secara umum. Pada umumnya, teknik pricing
ini digunakan untuk menentukan harga produk yang umum dikonsumsi
seperti pakaian, makanan, dan buku.
b. Target return pricing: merupakan penetapan harga dengan terlebih dulu
menentukan target return yang ingin dicapai. Misalnya menginginkan return
sebesar sekian persen. Dengan mengetahui struktur biaya produksi suatu
produk, produsen dapat menetapkan besarnya harga yang harus diberikan
pada suatu produk. Teknik pricing ini dilakukan oleh General Motor yang

10

11

menetapkan harga berdasarkan Return On Investment (ROI) yang mereka

inginkan.
c. Competition-based pricing: Menetapkan harga dengan fokus mendapatkan
konsumen, sehingga harus memiliki harga yang kompetitif supaya dapat
bersaing dengan kompetitornya. Teknik pricing ini dapat ditemui pada
penentuan harga tiket pesawat dimana para maskapai penerbangan
memberikan harga yang kompetitif supaya dapat memperoleh konsumen
sebanyak-banyaknya dan mengoptimalkan kapasitas penerbangan.
d. Value pricing: Menetapkan harga dengan fokus pada pelanggan. Penentuan
harga tidak dimulai dengan menghitung biaya produksi, namun berusaha
memberikan jawaban atas pertanyaan pada harga berapa konsumen mau
membayar produk atau jasa yang ditawarkan. Untuk produk sejenis karya seni
yang jauh dari pertimbangan biaya produksi, value pricing merupakan
pendekatan penentuan harga yang dapat digunakan. Harga tidak lagi
ditentukan oleh berapa biaya produksi yang harus dikeluarkan, namun oleh
nilai intangible yang mampu dibangun dari satu produk karya seni yang
membuat konsumen bersedia membayar dengan harga yang ditawarkan.
3.3 Faktor Tidak Terukur (Intangible Factors)
Istilah intangible dipahami sebagai non-monetary profit yang memberikan value
diluar produk itu sendiri (Canibano et al, 2000). Intangible factors merupakan faktor
non-fisik yang berkontribusi dan digunakan dalam memproduksi barang dan jasa
sehingga menghasilkan keuntungan masa depan bagi perusahaan. Aset intangible
merupakan representasi dari reputasi, brand, dan atribut lain yang memungkinkan
untuk memperoleh pendapatan yang lebih besar. Intangible sering diidentifikasikan
sebagai penambahan biaya untuk mendapatkan nilai yang melebihi tangible aset.
Intangible aset muncul sebagai residual pada teknik memperoleh pendapatan dan
mencerminkan porsi dari harga jual yang tidak dapat dialokasikan ke tangible asset.

12

3.4 Faktor-Faktor Intangible Produk Seni

Marshall dan Forrest (2011) mendefinisikan faktor-faktor intangible yang
mempengaruhi produk seni melalui suatu framework yang dijabarkan sebagai berikut:
1. Pelukis
Proses marketing suatu produk seni diawali dari senimannya. Reputasi seniman
dapat dilihat dari akreditasi seniman yang dapat dilihat dari pendidikan, pencapaian,
penghargaan dan historis penjualan karyanya. Selain reputasi, kekuatan brand
seniman yang diartikan sebagai tingkat keterkenalan seniman di masyarakat juga
menjadi faktor berpengaruh. Semakin terkenal, nilai jual dari produk lukisan yang
dibuatnya akan semakin tinggi. Di sisi lain, kekuatan technical skill dan ekspektasi
harga yang diberikan oleh seniman akan mempengaruhi galeri untuk bersedia
menjadi media marketing produk seni.
2. Produk
Faktor produk memiliki dua dimensi penting, yaitu technical features dan
expressive symbol. Technical features terdiri dari media karya yang digunakan dan
ukuran, sedangkan expressive symbol merupakan nilai simbolis yang terkandung pada
suatu karya seni yang memiliki nilai memelebihi fisiknya.
3. Pengaruh Perantara
Yang dimaksud perantara adalah perantara dalam memasarkan produk karya seni
dalam hal ini adalah galeri atau fasilitator lain. Galeri yang memiliki reputasi yang
tinggi, akan mempengaruhi persepsi pembeli dan harga yang transaksi penjualan
produk karya seni.
3.5 Model Kano
Model kano dikembangkan pada tahun 1980 oleh Noriaki Kano untuk mencari
tahu terpenuhi atau tidaknya kebutuhan konsumen atas suatu produk (Pasquale,
2009). Model ini juga mengukur kepuasan atau ketidakpuasan konsumen yang diukur
dari pengalaman konsumen. Model ini dapat menangkap suara konsumen dalam
rangka mengukur level kepuasan konsumen. Model kano diklasifikasikan ke dalam
enam kategori seperti yang tergambar pada Gambar 3.1, antara lain:

13

1. Must-be requirement: Kategori ini merupakan prasyarat yang harus dipenuhi

untuk memenuhi kepuasan konsumen. Jika kebutuhan ini tidak dipenuhi,
konsumen akan tidak puas secara langsung. Sebaliknya, jika kebutuhan ini
ada, tidak akan meningkatkan kepuasan mereka.
2. One dimentional requirement: kebutuhan ini menghasilkan kepuasan
konsumen ketika terpenuhi dan ketidakpuasan jika tidak terpenuhi. Kebutuhan
ini terlihat secara langsung mempengaruhi permintaan konsumen.
3. Attractive: Kategori ini memberikan kepuasan ketika terpenuhi, namun jika
tidak terpenuhi tidak menyebabkan ketidakpuasan, karena konsumen merasa
cukup.
4. Indifferent: Kebutuhan ini dilihat sebagai kebutuhan yang netral, sehingga
tidak menghasilkan kepuasan atau ketidakpuasan konsumen.
5. Reverse: Kebutuhan ini menghasilkan ketidakpuasan ketika terpenuhi, dan
menghasilkan kepuasan ketika tidak terpenuhi.
6. Questionable: kebutuhan ini merupakan kebutuhan yang tidak dapat
diinterpretasikan secara jelas dengan metode ini.
Customer
Satisfaction
Reverse

Attractive
One-dimensional

Indifferent
Requirements
fullfillment

Must-be

Gambar 3.1 Diagram kano (Pasquale, 2009)

14

Secara lebih ringkas, kategori Model Kano dapat dibagi dalam tiga kategori,
kategori kebutuhan konsumen diklasifikasikan sebagai berikut:
1. Assumed features: Merupakan atribut dasar yang harus dimiliki suatu produk.
Assumed feature tidak mempengaruhi kepuasan konsumen, namun dapat
meminimalkan ketidakpuasan konsumen. Semakin besar feature yang diberikan
pada produk, akan semakin mengurangi ketidakpuasan konsumen, namun tidak
akan pernah memberikan kepuasan. Dalam Gambar 3.1, assumed features
ditunjukkan oleh grafik Must-be. Febrita (2011) menggambarkan variabel dalam
kelompok ini menggunakan pendekatan pola logaritmik seperti pada persamaan
(3.1).
Y1 = A (ln X) + B

(3.1)

2. Expected features: Merupakan feature suatu produk yang berhubungan secara

linear dengan kepuasan konsumen. Jika expected features lebih baik dari
ekspektasi konsumen, maka konsumen akan puas. Expected features disebut juga
sebagai one-dimensional requirement. Persamaan linear untuk kelompok
diberikan pada persamaan (3.2).
Y2 = Cx + D

(3.2)

3. Delighter features: Merupakan atribut yang melebihi ekspektasi konsumen.

Kategori ini sering disebut juga sebagai attractive requirement. Febrita (2011 )
menggunakan pola eksponensial sebagai pendekatan variabel-variabel pada
kelompok ini. Persamaan untuk komponen attractive dapat dilihat pada
persamaan (3.3).
Y3 = E(eFx)

(3.3)

Model akhir dari Model Kano akan merepresentasikan persamaan seluruh

kategori kesuksesan. Model tersebut setidaknya terdiri dari tiga komponen utama,
yaitu must-be, one-dimensional, dan attractive. Model persamaan akhir model kano
berdasarkan Febrita (2011) diberikan pada persamaan (3.4).
Z = (A lnY1 + B) + (CY2 + D) + (EeFY3)

(3.4)

15

Selain untuk mengetahui kepuasan pelanggan, model kano juga dapat digunakan
sebagai platform model untuk menganalisis permasalahan lain. Pramadani (2011)
menggunakan model kano untuk menganalisis kesuksesan produk. Model dibangun
dengan melakukan pendekatan tiga pola model, yaitu linear, logaritmik, dan
eksponensial. Terdapat beberapa karakteristik faktor intangible penentuan harga
produk yang dapat dianalogikan dengan faktor-faktor kesuksesan produk. Pengaruh
faktor intangible dalam penentuan harga produk pun dapat dikelompokkan dalam
beberapa kategori seperti yang terdapat pada Model Kano. Untuk itu, model ini
diharapkan dapat digunakan sebagai metode untuk menganalisis faktor-faktor
intangible yang mempengaruhi penentuan harga produk karya seni.
3.6 Regresi Linear Berganda
Regresi linear berganda merupakan teknik statistik yang digunakan untuk
menganalisis hubungan antara satu variabel terikat dengan beberapa variabel bebas
(Hair et al, 2010). Tujuan dari analisis regresi berganda adalah untuk menggunakan
variabel bebas yang nilainya telah diketahui, untuk memprediksi nilai variabel terikat.
Model regresi linear berganda secara umum digambarkan pada persamaan 3.1.
Y = 0 + 1X1 + 2X2 +..+nXn

(3.1)

Dalam mengalisis akurasi model dengan regresi linear berganda, terdapat

beberapa acuan yang dapat digunakan, antara lain:
1. Koefisien Determinasi (R2)
Uji ini digunakan untuk mengetahui seberapa kuat variabel bebas yang
dimasukkan dalam model mampu menjelaskan variabel terikat. Nilai R2
berkisar antara 0 sampai 1. Jika R2 bernilai 1, maka variabel bebas secara
sempurna mampu menerangkan model dengan baik.
2. Uji t
Uji t digunakan untuk menguji signifikansi koefisien pada masing-masing
faktor yang membangun model. Hasil perhitungan nilai t dibandingkan
dengan tabel t. Jika t hitung lebih besar dari nilai t tabel, maka koefisien
masing-masing faktor signifikan terhadap model.

16

3. Uji F
Nilai F digunakan untuk menguji hipotesis dalam memprediksi kontribusi
variabel-variabel bebas terhadap variabel terikat. Jika nilai F hitung lebih
besar dari nilai F tabel, maka dapat disimpulkan bahwa variabel independen
dengan signifikan memberikan kontribusi terhadap variabel dependen.
4. Multikolinearitas
Multikolinearitas adalah adanya korelasi antara satu variabel bebas dengan
varibel bebas yang lain. Untuk mendeteksi multikolinier dapat dilihat dengan
menghitung koefisien korelasi parsial antar masing-masing variabel bebas.
5. Heteroskedastisitas
Suatu fungsi dikatakan baik apabila memenuhi asumsi homoskedastisitas
atau memiliki ragam error yang sama. Heteroskadastisitas dapat juga
dideteksi dengan menggunakan metode grafik yang memetakan hubungan
antara variabel terikat dengan kuadrat residual. Jika terdapat pola yang
sistematis antara dua variabel tersebut maka dapat dikatakan bahwa
persamaan regresi mengandung heteroskedastisitas.
3.7 Validasi Holdout
Validasi Holdout merupakan validasi data yang umumnya digunakan ketika data
sulit didapatkan dan memakan banyak waktu (Witten, 2000). Prosedur validasi ini
membagi data menjadi dua bagian, yaitu training set dan test set dengan proporsi test
sebesar 1/3 hingga 1/10. Semakin banyak training set yang digunakan, model akan
semakin baik. Semakin banyak test set yang digunakan, model akan semakin akurat.

BAB IV
METODE PENELITIAN

4.1 Obyek Penelitian

Obyek dalam penelitian ini adalah produk seni lukis yang dijual pada beberapa
balai lelang baik yang berskala nasional maupun internasional. Balai lelang yang
digunakan sebagai sumber data terdiri enam balai lelang, antara lain Sothebys,
Christies, Cempaka, Larasati, Masterpiece, dan Sidharta. Sothebys dan Christies.
1. Sothebys
Sothebys merupakan balai lelang yang berasal dari London, Inggris. Balai lelang
ini telah berdiri sejak tahun 1744 dan menjadi pelopor lelang dunia. Sothebys
memiliki saleroom di beberapa kota besar lain di dunia, seperti Paris, Geneva, Milan,
Amsterdam, dan Zulrich. Hingga saat ini, Sothebys mengelola 90 lokasi lelang di 40
negara. Melalui website resminya, balai lelang Sothebys selalu menginformasikan
setiap hasil lelang lengkap dengan informasi produk yang dilelang.
2. Christies
Balai lelang Christies didirikan oleh James Christies pada tahun 1766. Sejak
abad 18 hingga sekarang, Christies merupakan balai lelang internasional yang
populer di kalangan para pecinta barang seni. Christies memiliki 53 kantor yang
tersebar di 32 negara dan 10 salerooms di seluruh dunia, seperti London, New York,
Paris, Geneva, Milan, Amsterdam, Dubai, dan Hongkong. Produk-produk yang
dilelang dibalai lelang Christies umumnya bernilai antara $200 hingga $80 juta.
Christies juga memiliki website resmi yang menyediakan informasi terkait produkproduk lelangnya.
3. Masterpiece
Balai lelang Masterpiece didirikan sejak 7 September 1997 oleh Benny Rahardjo,
seorang usahawan yang berpengalaman dalam menyelenggarakan pameran lukisan di
Indonesia. Namun untuk lelang lukisan baru dimulai pada tahun 2003. Sejak saat itu,
Masterpiece menjadi balai lelang yang dikenal dinamis dan secara rutin melakukan

17

18

kegiatan lelang lukisan. Seiring dengan perkembangannya, Masteripiece mendirikan

dua anak perusahaan lelang bernama Heritage dan Treasure. Balai lelang Masterpiece
dikelola oleh PT. Dwi Samapersada yang berlokasi di Masterpiece Building, Jl.
Tanah Abang IV No. 23-25, Jakarta. Balai lelang Masterpiece memiliki website resmi
yang selalu menginformasikan karya-karya yang dilelang dan hasil penjualannya.
4. Larasati
Balai lelang Larasati didirikan pada tahun 2000 oleh Daniel Kumala, Yudi
Wanandi, dan Amir Sidharta. Ketiganya berasal dari keluarga kolektor lukisan
terkemuka di Indonesia. Pada tahun 2003, Larasati memasuki pasar Singapura dan
menjadi Balai lelang Asia pertama yang melintasi perbatasan nasional. Pada tahun
2009, Larasati menjadi rumah lelang pertama dari Asia Tenggara yang memasuki
Hong Kong, pasar lelang terbesar ketiga di dunia. Hingga saat ini, Larasati mengelola
balai lelang yang memiliki kantor di empat negara, yaitu Indonesia, Singapura,
Amsterdam, dan Hongkong. Di Indonesia, balai lelang Larasati berlokasi di Jl.
Pasuruan no.9, Menteng, Jakarta Pusat. Seusai melakukan lelang, Balai lelang
Larasati selalu mempublikasikan hasil lelang baik dalam website resminya maupun
katalog lelang.
5. Cempaka
Balai lelang Cempaka didirikan pada tahun 2004 dengan nama Cempaka Fine Art
Auction. Balai lelang ini dipelopori oleh Jogan Karunia dan Yuanita Sawitri yang
berasal dari keluarga kolektor lukisan dari Malang, Jawa Timur. Balai lelang ini
merupakan salah satu balai lelang nasional yang sempat mencatat harga-harga
tertinggi karya seniman ternama Indonesia. Balai lelang ini berlokasi di Jl Jenderal
Gatot Subroto No 42, Jakarta Selatan 12710, Jakarta.
6. Sidharta
Sidharta didirikan pada tahun 2006 oleh Amir Sidharta. Balai lelang ini dikenal
sebagai balai lelang yang menjual karya-karya dengan harga yang lebih terjangkau.
Karya-karya yang dilelang cenderung berasal dari karya seniman muda yang sedang
merintis karir. Sesuai dengan misinya, Sidharta auctioneer didirikan dengan tujuan
mendukung karya seni yang tidak hanya dari seniman mapan, namun juga dari siapa

19

saja yang berbakat. Namun demikian, tidak sedikit pula karya-karya seniman senior
yang turut mewarnai lelang di balai lelang ini. Balai lelang Sidharta berlokasi di
Dharmawangsa Square The City Walk, Jl, Dharmawangsa VI & X, Jakarta.
Produk seni lukis yang diteliti merupakan produk karya seni yang diproduksi
oleh berbagai pelukis yang berbeda. Untuk lebih menfokuskan obyek penelitian,
pelukis yang diteliti adalah pelukis di Daerah Istimewa Yogyakarta berdasarkan data
yang diperoleh dari Gelaran Almanak Seni Rupa Yogyakarta (Rahzen, 2009).
Faktor intangible yang dilibatkan dalam penelitian ini terdiri dari faktor seniman,
produk, dan tempat penjualan. Faktor pelukis terdiri dari panel rekomendator,
banyaknya pameran, tahun lahir seniman, lama berkarir seniman, banyaknya lelang
yang telah terjual, dan harga penjualan sebelumnya (past sales). Faktor produk terdiri
dari tahun pembuatan lukisan, ukuran, dan media yang digunakan. Sedangkan faktor
tempat penjualan terdiri dari balai lelang dimana lukisan tersebut dijual.
4.2 Tahap Penelitian
Penelitian terdiri dari beberapa tahap yang digambarkan dalam diagram alir
penelitian pada Gambar 4.1. Secara umum, penelitian dimulai dari pengumpulan data
harga jual dan data variabel-variabel yang menjadi faktor intangible. Setelah data
diuji berdasarkan asumsi statistik yang diperlukan, data diolah berdasarkan prosedur
metode Model Kano dan regresi linear berganda untuk kemudian dibangun beberapa
model matematis. Pembangunan model dilakukan dengan dua perlakuan data, yaitu
data tanpa standardisasi skala untuk masing-masing variabel dan data dengan skala
standar untuk semua variabel. Setelah model dibangun, dilakukan pengujian beberapa
model menggunakan parameter R2 dan validasi silang. Berdasarkan pengujian model,
dipilih satu model yang dapat memberikan kemampuan prediksi harga terbaik.

20

Mulai

Data harga dan faktorfaktor intangible

Uji asumsi data

Data terdistribusi
normal dan tidak
memiliki
multikolinearitas
?

Tidak

Ya

Klasifikasi intangible faktors

berdasarkan pola Model Kano

Pembangunan alternatif model

menggunakan Model Kano

Pembangunan alternatif model

menggunakan Regresi Linear

Pengujian model

Perbandingan model

Selesai

Gambar 4.1. Diagram Alir Penelitian

21

4.2.1 Pengumpulan Data

Data yang dikumpulkan berupa data transaksi penjualan produk lukisan pada
beberapa balai lelang, dan faktor-faktor intangible yang berpengaruh terhadap harga
lukisan. Data faktor intangible yang dikumpulkan terdiri dari tiga hal, yaitu faktor
pelukis, faktor produk, dan faktor tempat penjualan dengan beberapa variabel yang
menjadi indikasinya.
Tabel 4.1. Faktor-faktor Intangible Produk Karya Seni
Variabel

Notasi

Variabel

Notasi

Panel rekomendator

X1

Ekspektasi harga minimal

X7

Banyaknya pameran

X2

Ekspektasi harga maksimal

X8

Tahun lahir

X3

Balai lelang

X9

Lama berkarir

X4

Media

X10

Banyaknya lelang

X5

Ukuran

X11

Tahun pembuatan

X6

Penjualan sebelumnya

X12

1. Seniman
Faktor seniman diukur menggunakan beberapa indikator sebagai berikut:
a. Panel Rekomendator
Panel rekomendator merupakan beberapa orang yang dianggap berpengaruh
dalam bidang seni rupa berdasarkan pilihan redaksi Gelaran Almanak Seni Rupa
(Rahzen, 2009). Para panel tersebut terdiri dari 19 tokoh dari berbagai bidang seperti
kurator, kolektor, penulis, dan seniman senior. Mereka memberikan rekomendasinya
kepada seniman yang menurut mereka patut direkomendasikan. Informasi terkait para
panel diberikan di lampiran.
b. Banyaknya Pameran
Banyaknya pameran diperhitungkan sebagai indikator pamor seorang seniman.
Data tersebut diperoleh dari berbagai sumber pustaka yang memuat biografi seniman
terkait pengalaman pameran di berbagai tempat.

22

c. Tahun Lahir Seniman

Tahun lahir merepresentasikan seberapa lama seorang seniman berkecimpung
dalam bidang seni rupa. Variabel ini disertakan untuk melihat apakah usia seorang
seniman berpengaruhi terhadap besarnya harga karya seni.
d. Lama Berkarir
Lama berkarir dalam bidang karya seni juga menjadi pertimbangan variabel
untuk mengetahui apakah lama berkarir mempengaruhi harga penjualan. Variabel ini
diperoleh dengan cara menghitung selisih tahun pertama seniman memulai karir
dengan tahun saat ini.
e. Auction record
Banyaknya lelang atau auction record atas karya seni seniman dapat menjadi
salah satu indikator reputasi seniman. Variabel ini diperoleh dari website artprice.com
yang menyediakan informasi terkait karya seniman-seniman yang telah dilelang.
f. Past Sales
Past sales adalah harga transaksi karya seniman pada penjualan sebelumnya.
Berdasarkan framework yang diberikan Marshall dan Forrest (2011), variabel ini
dapat mempengaruhi harga penjualan suatu produk karya seni.
g. Estimasi harga
Dalam lelang selalu diawali dengan estimasi range harga yang ditentukan oleh
seniman. Nilai estimasi harga minimal dan maksimal memberikan pengaruh dalam
menentukan harga transaksi.
2. Produk
a. Ukuran
Ukuran merupakan indikator technical features yang dimiliki seniman. Dari
variabel ini akan diketahui apakah ukuran fisik suatu produk karya seni
mempengaruhi penentuan harga. Variabel ukuran yang digunakan menggunakan
satuan luas lukisan.

23

b. Media
Media yang digunakan dalam membuat karya seni juga bagian dari technical
features yang berdasarkan Marshall dan Forrest (2011) memberikan pengaruh pada
harga penjualan karya seni. Media yang diukur dalam penelitian ini dibatasi pada 3
jenis media, yaitu Acrylic on Canvas, Oil On Canvas, dan Mix Media on Canvas.
c. Tahun Pembuatan
Tahun pembuatan menunjukkan kapan karya seni dibuat. Variabel ini dapat
digunakan untuk mengetahui apakah nilai waktu atau usia karya seni mempengaruhi
nilai harga penjualan suatu produk seni.
3. Perantara
a. Balai Lelang
Balai lelang sebagai tempat transaksi penjualan karya seni memberikan pengaruh
terhadap harga produk. Reputasi Balai lelang akan memberikan persepsi bagi
kolektor atau pihak-pihak yang akan membeli produk karya seni. Balai lelang yang
diteliti terdiri dari 6 balai lelang, yaitu Sothebys, Christies, Cempaka, Larasati,
Masterpiece, dan Sidharta. Dalam pengukuran, variabel balai lelang dikategorikan
menjadi dummy variabel yang terdiri dari dua kategori berdasarkan skala balai lelang.
Balai lelang Sothebys dan Christies dikategorikan dalam balai skala internasional,
sedangkan sisanya dikategorikan dalam skala nasional.
4.2.2 Uji Asumsi Data
Sebelum diolah dan dianalisis, data yang telah dikumpulkan terlebih dahulu diuji
berdasarkan asumsi normalitas, dan multikolinearitas. Uji normalitas dilakukan
menggunakan parameter Kolmogorof-Smirnov, dimana data dikatakan terdistribusi
normal jika nilainya melebihi 0,05. Uji homoskedastisitas dilakukan dengan metode
grafik. Jika grafik sebaran tidak menunjukkan pola menyebar, maka data dapat
dikatakan homoskedastisitas. Uji multikolinearitas mengacu pada nilai VIF yang
dihasilkan. Variabel dikatakan tidak memiliki multikolinearitas jika nilai VIF berada
di sekitar angka 1.

24

4.2.3 Klasifikasi Intangible Factors Berdasarkan Model Kano

Setelah data harga dan faktor-faktor intangible terkumpul, langkah selanjutkan
adalah mengklasifikasikan variabel berdasarkan kategori Model Kano. Faktor-faktor
yang akan dikelompokkan diuji kedekatan variabel terhadap tiga pola persamaan
Model Kano, yaitu logaritmik, linear, dan eksponensial. Kedekatan ini dilihat dari
dari nilai Sum Square Error (SSE). Variabel yang memiliki nilai SSE terkecil pada
pola logaritmik dikelompokkan dalam kategori must-be. Variabel yang memiliki SSE
terkecil pada pola linear dikelompokkan dalam kategori one-dimensional. Sedangkan
variabel yang memiliki nilai SSE terkecil pada pola eksponensial dikelompokkan
dalam kategori attractive.
Pada tahap klasifikasi ini, data dilakukan tiga kali klasifikasi. Klasifikasi
pertama, data dikelompokkan menggunakan data asli secara langsung berdasarkan
nilai SSE terkecil. Jika nilai SSE antar ketiga pola tidak berbeda signifikan dapat
dilakukan pengelompokan ulang untuk dibandingkan hasilnya.
Klasifikasi kedua, dilakukan standarisasi skala terlebih dahulu dengan skala yang
sama untuk masing-masing variabel. Kemudian, data diklasifikasikan berdasarkan
nilai SSE, sehingga antar satu variabel dengan variabel yang lain memiliki
perbandingan yang sama. Skala seluruh variabel diubah ke dalam skala antara 0,1
sampai 1 dengan rumus sebagai berikut:
=

(4.1)

Kemudian klasifikasi yang ketiga adalah klasifikasi dengan menambahkan satu

variabel intangible. Variabel ini memiliki missing data yang cukup banyak, sehingga
dilakukan klasifikasi tersendiri dengan melibatkan variabel ini.
4.2.4 Pembangunan Alternatif Model
Pembangunan alternatif model dilakukan berdasarkan dua metode, yaitu
Model Kano dan Regresi Linear. Untuk Model Kano, setelah faktor-faktor intangible
diklasifikasikan berdasarkan masing-masing kategori, tahap selanjutnya adalah
membangun model berdasarkan kategori yang telah dibuat. Untuk variabel yang

25

berdasarkan nilai SSE masih diragukan kategorinya, dapat dibangun alternatif model
dengan menempatkan variabel ke dalam kategori yang berbeda sebagai perbandingan.
Selain menggunakan Model Kano, model alternatif yang lain juga dibangun
mengunakan metode regresi linear berganda. Hal ini dilakukan sebagai pembanding
dengan tujuan untuk mencari kesedarhanaan dalam membangun model. Model
regresi linear ini juga menghasilkan 3 jenis model berdasarkan perbedaan perlakuan
data seperti yang dijelaskan pada tahap sebelumnya.
4.2.4 Pengujian Model
4.2.6.1 Pengujian berdasarkan R2
Masing-masing model yang telah dibangun diuji berdasarkan kriteria model
yang digunakan supaya model yang dihasilkan benar-benar telah merepresentasikan
data dengan baik. Salah satu parameter pengujian yang digunakan adalah nilai R2.
Berdasarkan Hair et al (2010) terdapat beberapa ketentuan nilai R2 minimal yang
perlu dicapai untuk karakteristik data yang dimiliki. Ketentuan tersebut diberikan
padalampiran.
4.2.6.2 Pengujian validasi silang
Setelah

melalui

pengujian

koefisien

determinasi,

dilakukan

pengujian

menggunakan validasi silang. Metode validasi silang yang digunakan adalh metode
heldout yang menyisihkan 15 data untuk digunakan sebagai test set.
4.2.5 Pemilihan Model
Setelah diperoleh beberapa model, model dibandingkan untuk mengetahui model
mana yang paling merepresentasikan data. Perbandingan ini dilakukan berdasarkan
nilai determinasi dan juga nilai error yang dihasilkan oleh masing-masing
model.Setelah

itu

dilakukan

pemilihan

merepresentasikan karakteristik data.

terhadap

model

yang

paling

BAB V
HASIL DAN PEMBAHASAN

5.1 Uji Asumsi data

Gambar 5.1. merupakan gambar box plot yang menunjukkan bahwa data yang
dikumpulkan memiliki beberapa data outlier yang menyebabkan data tersebut tidak
terdistribusi normal. Untuk mendapatkan data yang terdistribusi normal dilakukan
data cleaning sehingga tidak ada data yang outlier seperti pada Gambar 5.1 (b) dan
data terdistribusi normal dengan nilai signifikansi Kolmogorov-Smirnov sebesar
0,061.

(a)

(b)

Gambar 5.1 Box plot harga penjualan

Tabel 5.1. merupakan tabel uji multikolinearitas untuk mengetahui hubungan
antara masing-masing variabel. Berdasarkan tabel tersebut, variabel X3 X4 X7 dan X8
memiliki nilai Variance Inflation Factor (VIF) tinggi yang mengindikasikan adanya
multikolinearitas.

Setelah

dilakukan

pengurangan

variabel

dengan

tidak

mengikutsertakan variabel X4 dan X8, menghasilkan nilai VIF baru yang cenderung
berada di sekitar angka 1. Dengan demikian, tidak ada lagi variabel yang memiliki
multikolinearitas.

26

27

Tabel 5.1. Nilai VIF seluruh variabel

Seluruh variabel
Variabel

VIF

X1

1,672 X7
2,030 X8

41,721 X1
42,292 X2

1,528 X7
1,807 X9

1,123

8,098 X9
10,047 X10

1,392 X3
1,290 X5

1,253 X10
1,567 X11

1,277

2,067 X11
1,473

1,152 X6

1,372

X2
X3
X4
X5
X6

Variabel

Tanpa variabel X4 dan X8

VIF

Variabel

VIF

Variabel

VIF

1,348
1,122

Berdasarkan uji asumsi yang telah dilakukan, tidak semua variabel diikutsertakan
dalam

pembangunan

model.

Variabel-variabel

yang

diikutsertakan

dalam

pembentukan model dapat dilihat pada Tabel 5.2.

Tabel 5.2. Variabel intangible factors
No

Variabel

Notasi

No

Variabel

Notasi

Panel
rekomendator

X1

Estimasi harga
minimal

X7

Jumlah pameran

X2

Balai lelang

X9

Tahun lahir

X3

Media

X10

Auction record

X5

Ukuran

X11

Tahun
pembuatan

X6

10

Past sales

X12

5.2 Kerangka Pembangunan Model

Gambar 5.1 merupakan kerangka pembangunan model dalam menganalisis
hubungan intangible factor produk karya seni dalam penentuan harga jual.
Berdasarkan kerangka tersebut, data yang digunakan untuk pembangunan model
terdiri dari data yang mengikutsertakan outlier dan data yang bebas outlier untuk
membandingkan hasil yang diperoleh dari model. Dari pengelompokkan tersebut
masing-masing menghasilkan enam jenis model yang dibangun dari dua metode yaitu
Model Kano dan Regresi.

28

Gambar 5.2. Kerangka Pembangunan Model

5.3 Klasifikasi Variabel Berdasarkan Model Kano
5.3.1 Klasifikasi Model Kano Tanpa Standardisasi Skala
Klasifikasi dengan pengelompokkan variabel secara langsung diberikan pada
Tabel 5.3 yang terdiri dari klasifikasi berdasarkan data yang mengikutsertakan data
outlier dan data tanpa outlier.

29

Tabel 5.3. Klasifikasi Model Kano Tanpa Standardisasi Skala

Data dengan Outlier
Kategori
Must be (Y1)

Variabel
Tahun lahir
Tahun
pembuatan
Ekspektasi
harga minimal

Data tanpa Outlier

X3

Kategori
Must be (Y1)

X6
X7

Ukuran

X11

One-dimensional
(Y2)

Banyaknya
pameran

X2

Attractive(Y3)

Auction record
Balai lelang
Media
Rekomendator

X5
X9
X10
X1

One-dimensional
(Y2)

Attractive(Y3)

Variabel
Auction record
Tahun
pembuatan

X5
X6

Ukuran
banyaknya
pameran
tahun lahir
Panel
rekomendator
Ekspektasi
harga minimal

X11

Balai lelang
Media

X9
X10

X2
X3
X1
X7

Berdasarkan nilai SSE terendah, hasil proses klasifikasi Model Kano dengan
tanpa standardisasi skala menggunakan data dengan outlier menunjukkan bahwa
kategori must be terdiri dari empat variabel, yaitu tahun lahir, tahun pembuatan,
ekspektasi harga minimal, dan ukuran. Kategori one-dimensional dengan pola linear
terdiri dari empat variabel, antara lain banyaknya pameran, auction record, balai
lelang, dan media. Sedangkan yang termasuk dalam kategori attractive terdiri dari
variabel rekomendator.
Sedangkan klasifikasi Model Kano tanpa standardisasi skala yang tidak
mengikutsertakan data outlier menunjukkan bahwa kategori must be dengan pola
logaritmik terdiri dari tiga variabel, yaitu auction record, ukuran, dan tahun
pembuatan. Kategori one-dimensional dengan pola linear terdiri dari empat variabel,
antara lain panel rekomendator, banyaknya pameran, tahun lahir, dan ekspektasi
harga minimal. Kemudian, yang termasuk dalam kategori attractive terdiri dari
variabel media dan balai lelang.

30

5.3.2 Klasifikasi Model Kano Skala standar

Klasifikasi Model Kano dengan skala standar diberikan pada Tabel 5.3 yang
terdiri dari klasifikasi berdasarkan data yang mengikutsertakan data outlier dan data
tanpa outlier.
Tabel 5.4. Klasifikasi Model Kano Skala Standar
Data dengan Outlier
Kategori
Must be (Y1)

One-dimensional
(Y2)

Attractive(Y3)

Data tanpa Outlier

Variabel
Banyaknya
pameran
Auction record
Ekspektasi harga
minimal

X2
X5

Ukuran

X11

Tahun lahir
Tahun buat
Balai
Media
Rekomendator

Kategori
Must be (Y1)

X7

X3
X6
X9
X10
X1

One
dimensional
(Y2)

Attractive
(Y3)

Variabel
tahun lahir
Auction record
tahun
pembuatan
Ekspektasi
harga minimal
Ukuran

X3
X5
X6
X7
X11

Banyaknya
pameran

X2

Panel
rekomendator
Balai Lelang
Media

X1
X9
X10

Pada klasifikasi berdasarkan data yang mengikutsertakan outlier, kategori mustbe terdiri dari variabel banyaknya pameran, auction record, harga ekspektasi, dan
ukuran. Sedangkan kategori One-dimensional terdiri dari variabel tahun lahir, tahun
pembuatan, balai lelang, dan media. Variabel rekomendator, masuk pada kategori
attractive.
Sedangkan klasifikasi data tanpa outlier menunjukkan bahwa kategori must-be
terdiri dari variabel auction record, ukuran, tahun lahir, tahun pembuatan dan
Ekspektasi harga minimal. Pengelompokkan ini berbeda dari klasifikasi dengan data
outlier yang terdiri dari banyaknya pameran, auction record, harga estimasi, dan

31

ukuran. Sedangkan kategori One-dimensional terdiri dari variabel banyaknya

pameran. Panel rekomendator, balai lelang, dan media termasuk dalam kategori
attractive. Masing-masing klasifikasi akan menghasilkan model yang berbeda yang
kemudian akan dibandingkan akurasinya.
5.3.3 Klasifikasi Model Kano dengan Variabel Past Sales
Pada klasifikasi ini, variabel yang dikelompokkan ditambah dengan variabel
penjualan sebelumnya (past sales) seperti yang disajikan pada Tabel 5.8 yang terdiri
dari klasifikasi berdasarkan data yang mengikutsertakan data outlier dan data tanpa
outlier. Berdasarkan pengelompokan dari data yang mengikutsertakan data outlier,
kategori must-be terdiri dari banyaknya pameran, tahun lahir, auction record, tahun
pembuatan, ekspektasi harga minimal, dan ukuran. Kategori one-dimensional terdiri
dari variabel balai lelang, media, dan past sales. Sedangkan variabel panel
rekomendator termasuk dalam kategori attractive.
Tabel 5.5. Klasifikasi Model Kano dengan Variabel Past Sales
Data dengan Outlier
Kategori
Must be (Y1)

One-dimensional
(Y2)

Attractive(Y3)

Variabel
Banyaknya
pameran
Tahun lahir

Data tanpa Outlier

X2
X3

Auction record
Tahun buat
Ekspektasi
harga minimal
Ukuran

X5
X6

Balai lelang

X9

Media

X10

Past sales

X12

Rekomendator

X1

Kategori

Variabel

Must be (Y1)

tahun lahir
Auction record
Ekspektasi
harga minimal
Ukuran

X3
X5

Past sales

X12

X7
X11
One-dimensional
(Y2)

Attractive(Y3)

Panel
rekomendator
banyaknya
pameran
Tahun
pembuatan
Media

X7
X11

X1
X2
X6
X10

32

Pada klasifikasi tanpa mengikutsertakan data outlier, kategori must-be terdiri

dari ekspektasi harga minimal, tahun lahir, ukuran, past sales, dan auction record.
Kategori one-dimensional terdiri dari variabel panel rekomendator, banyaknya
pameran, dan tahun Pembuatan. Sedangkan variabel media termasuk dalam kategori
attractive. Masing-masing klasifikasi akan menghasilkan model yang berbeda yang
akan dibandingkan akurasinya.
5.4 Pembangunan Model
5.4.1 Model Kano Tanpa Standardisasi Skala
a) Data dengan Outlier
Model Kano tanpa standardisasi skala yang dikelompokkan dari data outlier
menghasilkan model persamaan untuk kategori must be seperti pada persamaan (5.1).
Y = 13582379 + 809354,3ln (X ) + 968322,2ln(X ) + 41769,98ln (X )
25506,5294ln(X )

(5.1)

Model tersebut memiliki nilai negatif pada koefisien intercept. Hal ini menunjukkan
bahwa ketika karya seni tidak memperhitungkan variabel intangible, harga jualnya
menjadi tidak bernilai, bahkan sampai negatif. Koefisien pada seluruh variabel
bernilai positif kecuali variabel ukuran (X11 ). Koefisien positif menunjukkan bahwa
variabel tahun lahir, tahun pembuatan, dan harga estimasi merupakan hal mendasar
yang harus ada, meskipun ketika variabel ini terpenuhi tidak memberikan kontribusi
harga yang tinggi. Nilai negatif pada variabel ukuran menunjukkan bahwa harga jual
lukisan tidak dapat dibandingkan dengan besar kecilnya ukuran. Seperti yang
diungkapkan Marshall dan Forrest (2011), ukuran merupakan faktor teknik yang
mendasar, namun bukan yang utama mempengaruhi harga.
Model untuk kategori one-dimensional ditunjukkan pada persamaan (5.2).
Variabel banyaknya pameran, auction record, balai lelang, memberikan koefisien
positif yang berarti variabel tersebut berbanding lurus dengan nilai harga jual.
Banyaknya pameran dan auction record mengindikasikan bahwa semakin established
seorang seniman, harga atas karyanya akan semakin tinggi. Koefisien yang berbeda
terlihat pada variabel media yang bernilai negatif. Hal ini menunjukkan bahwa style

33

media menggunakan Acrylic On Canvas memberikan nilai yang lebih tinggi daripada
Oil on Canvas atau Mix media on Canvas.
Y = 41797,29 + 15,94X + 115,06X + 6126,91X 8045,98X

(5.2)

Model ketiga adalah model untuk kategori attractive yang ditunjukkan pada
persamaan (5.3). Pada persamaan tersebut, panel rekomendator memberikan koefisien
positif. Hal ini menunjukkan bahwa seiring bertambahnya rekomendator yang
merekomendasikan para seniman, nilai jual produk akan meningkat secara
eksponensial.
Y = 30201,87

(5.3)

Dari keseluruhan model yang dibuat berdasarkan masing-masing kategori,

diperoleh persamaan kompleks yang menggabungkan persamaan dari masing-masing
kategori seperti pada persamaan (5.3).
Y = 422514 + 40900,63ln(Y ) + 0,72Y 0,00248e

(5.4)

b) Data tanpa Outlier

Model Kano yang dikelompokkan secara langsung berdasarkan nilai SSE
menghasilkan model persamaan seperti pada persamaan (5.5).
= 7894207,48 398,94ln(
108370,74ln(

) 1163502,94ln(

) + 12688,86ln(

) + 2697,9ln(

)+

(5.5)

Model tersebut memiliki koefisien negatif pada variabel (X2), yaitu banyaknya
pameran. Jika diartikan, ketika pengalaman pameran seorang pelukis semakin
banyak, justru memberikan kontribusi yang negatif terhadap harga, atau dengan kata
lain harga akan semakin rendah. Hal ini menunjukkan bahwa popularitas seorang
pelukis belum dapat dilihat dari banyaknya pameran. Hasil ini dapat dipengaruhi oleh
jenis pameran yang diikuti seniman. Setiap jenis pameran memiliki nilai jual yang
berbeda-beda (Neni, 2012).
Variabel dari faktor pelukis yang memberikan kontribusi terlihat pada variabel
auction record (X5) yang memiliki koefisien positif. Hal ini menunjukkan bahwa

34

semakin banyak karya yang terjual di balai lelang, akan meningkatkan nilai jual karya
seorang pelukis.
Di sisi lain, tahun lahir (X3) seniman memiliki koefisien negatif, yang
menunjukkan bahwa semakin established seorang seniman, maka memberikan
kontribusi positif terhadap harga jual produknya. Hal ini sesuai dengan pernyataan
Marshall dan Forrest (2011). Selain itu, koefisien positif pada variabel (X6)
menunjukkan bahwa semakin tua dan semakin besar karya seni, harganya akan
semakin mahal, karena karya seni memiliki nilai investasi.
Model untuk kategori one-dimensional ditunjukkan pada persamaan (5.6). Pada
persamaan tersebut, baik variabel panel rekomendator (X1) dan estimasi harga
minimal (X7) memiliki koefisien positif terhadap Y2. Hal ini menunjukkan bahwa
semakin banyak tokoh yang merekomendasikan seorang pelukis, harga karya
lukisnya akan semakin mahal. Demikian pula dengan harga estimasi minimal yang
dipatok oleh pelukis yang memberikan kontribusi positif terhadap nilai jual.
= 16154,03 + 107,46

+ 0,93

(5.6)

Model yang ketiga adalah model untuk kategori attractive yang ditunjukkan pada
persamaan (5.7). Pada persamaan tersebut, baik variabel balai lelang maupun media
memberikan pengaruh yang positif terhadap harga. Ketika karya dijual di balai lelang
internasional nilai jualnya menjadi tinggi. Sedangkan dari segi media, persamaan
tersebut menunjukkan bahwa style media yang menggunakan mix media memberikan
nilai jual yang lebih tinggi, meskipun tidak terlalu signifikan.
= 31275,61

+ (7,48412E 08)

(5.7)

Dari keseluruhan model yang dibuat berdasarkan masing-masing kategori,

diperoleh persamaan kompleks yang menggabungkan persamaan dari masing-masing
kategori seperti pada persamaan (5.8).
= 181035 + 17806,2ln ( ) + 0,90

+ 674,53

(5.8)

35

5.4.2 Model Kano Skala Standar

a) Data dengan Outlier
Model kano yang telah disamakan skala variabelnya menghasilkan model must
be seperti pada persamaan (5.9). Pada model tersebut terlihat bahwa ketika variabel
banyaknya pameran diklasifikasikan dalam kategori must be menghasilkan koefisien
negatif yang akan memberikan interpretasi yang berbeda. Jika diartikan, ketika
pengalaman pameran seorang pelukis semakin banyak, justru memberikan kontribusi
yang negatif terhadap harga, atau dengan kata lain harga akan semakin rendah. Hal
ini menunjukkan bahwa popularitas seorang pelukis belum dapat dilihat dari
banyaknya pameran. Hasil ini dapat dipengaruhi oleh jenis pameran yang diikuti
seniman. Setiap jenis pameran memiliki nilai jual yang berbeda-beda (Neni, 2012).
Y = 116008,2 9610,11 ln(X ) + 3165,55 ln(X ) + 76493,54 ln(X )
28997,9ln(X )

(5.9)

Model one-dimensional ditunjukkan oleh persamaan (5.10). Dalam model ini,

tahun lahir memberikan nilai koefisien negatif yang berarti semakin tua seorang
seniman memberikan peningkatan nilai jual. Hal ini dapat terjadi karena faktor usia
dapat berhubungan dengan jam terbang seniman dalam mengasah kemampuan dan
membangun reputasi.
Y = 33326,95 13258,5X + 26869,39X + 8654,85X 14315,6X

(5.10)

Model kategori attractive ditunjukkan pada persamaan (5.11). Pada persamaan

(5.11). Seperti model sebelumnya, terdapat hubungan yang positif antara variabelvariabel dalam kategori attractive terhadap harga jual.
Y = 26352,93

(5.11)

Dari keseluruhan model yang dibuat berdasarkan masing-masing kategori,

diperoleh persamaan kompleks yang menggabungkan persamaan dari masing-masing
kategori seperti pada persamaan (5.8).
Y = 322763 + 31196,94ln (Y ) + 0,92Y 0,044e

(5.12)

36

b) Data tanpa Outlier

Pada data tanpa outlier, model kano yang telah disamakan skala variabelnya
menghasilkan model must be seperti pada persamaan (5.13). Pada persamaan ini,
auction record bernilai negatif yang menunjukkan adanya inkonsistensi nilai ketika
skala nilai variabel diubah. Untuk itu pengaruh auction record belum dapat dikatakan
memberikan implikasi yang signifikan terhadap harga.
= 80887,19 4427,72ln(

) 2365,48ln(

+ 2275,71ln(

) + 6407,65ln(

) + 29571,85ln(

(5.13)

Model one-dimensional yang ditunjukkan oleh persamaan (5.4) dimana hanya

terdapat satu variabel (X2) yang berpola linear, memberikan kontribusi positif
terhadap harga jual. Pada persamaan ini, banyaknya pameran memberikan kontribusi
positif terhadap harga jual lukisan.
= 27841,39 + 9825,65

(5.14)

Pada persamaan (5.15), terdapat hubungan yang positif antara variabel-variabel

dalam kategori attractive terhadap harga. Hanya saja, dari persamaan variabel panel
rekomendator memberikan kontribusi yang sangat kecil terhadap Y3.
= (4,85E 07)

+ 62,91

+ 8756,79

(5.15)

Dari keseluruhan model yang dibuat berdasarkan masing-masing kategori,

diperoleh persamaan kompleks yang menggabungkan persamaan dari masing-masing
kategori seperti pada persamaan (5.16).
= 9997,52 + 1877,37ln ( ) + 0,74

+ 0,044

(5.16)

5.4.3 Model Kano dengan Variabel Past Sales

a) Data dengan Outlier
Model kano yang telah ditambah dengan variabel past sales menghasilkan model
must be seperti pada persamaan (5.17). Pada model ini, koefisien pada variabel
banyaknya pameran kembali bernilai positif seperti pada variabel-variabel lainnya.
Sedangkan variabel ukuran tetap menunjukkan hubungan yang negatif.
Y = 183567 + 61961,87ln(X ) + 9725,87ln(X ) + 5553,78ln(X ) + 100708,3ln(X )
+417985,1ln(X ) 39757,3ln(X )

(5.17)

37

Model one dimensional ditunjukkan pada persamaan (5.18). Balai lelang

memberikan koefisien positif yang menunjukkan bahwa penjualan karya lukisan di
balai lelang internasional lebih tinggi daripada balai lelang nasional.
Y = 91108 + 39894.98X + 23896.91X

+ 505546.7X

(5.18)

Model persamaan untuk kategori attractive ditunjukkan pada persamaan (5.19).

Pada persamaan ini menunjukkan bahwa panel rekomendator memberikan kontribusi
positif terhadap nilai jual.
Y = 22855,85

1,51

(5.19)

Dari keseluruhan model yang dibuat berdasarkan masing-masing kategori,

diperoleh persamaan kompleks yang menggabungkan persamaan dari masing-masing
kategori seperti pada persamaan (5.20).
Y = 64360 + 6101,52ln(Y ) + 0,91Y + 0,0036e0,00016

(5.20)

Model kano yang telah ditambah dengan variabel past sales menghasilkan model
must be seperti pada persamaan (5.21). Pada model ini, perbedaan yang terlihat dari
persamaan sebelumnya adalah pada variabel tahun lahir dan ukuran. Pada persamaan
ini, tahun lahir pelukis dan ukuran bernilai negatif yang menunjukkan adanya
ketidakkonsisitenan nilai ketika skala nilai variabel diubah. Untuk itu pengaruh
variabel ini belum dapat dikatakan memberikan implikasi yang signifikan terhadap
harga.
b) Data Tanpa Outlier
= 240482,9 + 6060,95ln(
91542,65(

) 4866,91ln(

) + 21094,3ln(

) 10510(

)+

(5.21)

Model one dimensional ditunjukkan pada persamaan (5.22). Pada persamaan ini
variabel banyaknya pameran berbanding terbalik dengan harga, sedangkan tahun
pembuatan karya berbanding positif. Hal ini menunjukkan bahwa karya-karya yang
masih baru memiliki nilai jual yang tinggi.
= 7478,8 + 45477,42

49973,6

+ 66025,58

(5.22)

Model persamaan untuk kategori attractive ditunjukkan pada persamaan (5.23).

Pada persamaan ini menunjukkan bahwa balai lelang memberikan kontribusi positif
terhadap nilai jual.

38

= 50010,76

(5.23)

Dari keseluruhan model yang dibuat berdasarkan masing-masing kategori,

diperoleh persamaan kompleks yang menggabungkan persamaan dari masing-masing
kategori seperti pada persamaan (5.24).
= 420632 + 41550,29ln ( ) + 0,62

1072,74

(5.24)

5.4.4 Model Regresi Linear Berganda Tanpa Standardisasi Skala

a) Data dengan Outlier
Model yang dikembangkan menggunakan regresi linear yang ditunjukkan pada
persamaan (5.25). Dari persamaan tersebut, terlihat bahwa variabel banyaknya
pameran (X2) memiliki koefisien negatif. Selain variabel tersebut, terdapat variabel
lain yang memiliki koefisien negatif yaitu tahun lahir, media, dan ukuran. Selebihnya,
variabel yang lain berkorelasi positif yang menunjukkan bahwa semakin besar nilai
variabelnya, nilai jual karyanya akan semakin tinggi.
= 360053,13 + 1409X 256,82X 347,28X + 62,24X + 526,75X +
1,92X + 17895,17X 659,41X

0,31X

(5.25)

Model ini menghasilkan nilai F sebesar 5.86 yang lebih besar dari nilai F tabel
yang bernilai 2.07. Dengan demikian, dapat dikatakan bahwa model ini memberikan
pengaruh yang signifikan terhadap harga (Y) secara serentak.
b) Data tanpa Outlier
Model ke empat adalah model yang dikembangkan menggunakan regresi linear
yang ditunjukkan pada persamaan (5.26). Dari persamaan tersebut, terlihat bahwa
variabel banyaknya pameran (X2) juga memiliki koefisien negatif, seperti pada
persamaan-persamaan sebelumnya. Selain variabel tersebut, terdapat variabel lain
yang memiliki koefisien negatif yaitu tahun lahir dan media. Koefisien negatif pada
tahun lahir pelukis menunjukkan semakin tua seorang seniman, harga karyanya akan
cenderung naik. Hal ini berkaitan positif dengan jam terbang seniman. Selebihnya,
variabel yang lain berkorelasi positif yang menunjukkan bahwa semakin besar nilai
variabelnya, nilai jual karyanya akan semakin tinggi.

39

= 152410,92 + 302,26X 59,52X 114,56 X + 26,43X + 193,89X + 0,97X +

6373,37X 252,6X + 0,06X

(5.26)

Model ini menghasilkan nilai F sebesar 3.831 yang lebih besar dari nilai F tabel yang
bernilai 2.12. Dengan demikian, dapat dikatakan bahwa model ini memberikan
pengaruh yang signifikan terhadap harga (Y) secara serentak.
5.4.5 Model Regresi Linear Berganda Skala Standar
a) Data dengan Outlier
Model ke lima adalah regresi linear dengan standarisasi skala. Model yang
ditunjukkan pada persamaan (5.27) menghasilkan persamaan dengan koefisien yang
konsisten pada masing-masing variabelnya. Variabel banyaknya pameran, tahun lahir,
media, dan ukuran memberikan koefisien negatif. Sedangkan variabel panel
rekomendator, auction record, tahun pembuatan, estimasi harga minimal, balai
lelang, dan ukuran memberikan kontribusi positif terhadap harga.
= 27717,9 + 31128,24X 33239,9X 12712,5X + 19905,77X + 17952,95X +
179904,4X + 24226,88X 522,43X

12678X

(5.27)

Model ini menghasilkan nilai F sebesar 6,13 yang lebih besar dari nilai F tabel
yang bernilai 2,06. Dengan demikian, dapat dikatakan bahwa model ini memberikan
pengaruh yang signifikan terhadap harga (Y) secara serentak.
b) Data tanpa Outlier
Model 5 adalah regresi linear dengan standarisasi skala. Model yang ditunjukkan
pada persamaan (5.28) menghasilkan persamaan dengan koefisien yang konsisten
pada masing-masing variabelnya. Variabel banyaknya pameran, tahun lahir, dan
media memberikan koefisien negatif. Sedangkan variabel panel rekomendator,
auction record, tahun pembuatan, estimasi harga minimal, balai lelang, dan ukuran
memberikan kontribusi positif terhadap harga.
= 3419,62 + 6045,26X 7804,78X 5855,34X + 6256,39X + 10987,15X +
78326,89X + 7081,52X 561,36X + 11237,89X

(5.28)

40

Model ini menghasilkan nilai F sebesar 3.831 yang lebih besar dari nilai F tabel yang
bernilai 2.12. Dengan demikian, dapat dikatakan bahwa model ini memberikan
pengaruh yang signifikan terhadap harga (Y) secara serentak.
5.4.6 Model Regresi Linear Berganda dengan Variabel Past Sales
a) Data dengan Outlier
Model regresi linear yang mengikutsertakan data variabel past sales ditunjukkan
pada persamaan (5.29). Variabel past sales (X12) yang diikutsertakan dalam model ini
memberikan koefisien positif dengan nilai yang besar, sehingga dapat diartikan
bahwa variabel past sales memberikan kontribusi yang cukup besar dalam penentuan
harga.
Dalam model ini variabel banyaknya pameran dan auction record, dan estimasi
harga memberikan koefisien positif yang menunjukkan bahwa model ini dapat
menunjukkan bahwa harga lukisan sebanding dengan reputasi seniman. Selain itu,
tempat penjualan juga bernilai positif yang menunjukkan bahwa perbedaan tempat
penjualan memberikan harga yang berbeda.
= 109425 + 30578,15X + 18380,68X 29404,6X + 6603,221X +
34871,32X + 90901,46X + 12830,47X 16811X

+ 454179X

27945,14X

(5.29)

Berdasarkan uji anova, model ini memberikan nilai F sebesar 14,82 yang lebih
besar dari nilai F tabel yaitu 2,22. Hal ini menunjukkan bahwa variabel-variabel
dalam persamaan ini secara serentak memberikan pengaruh terhadap harga (Y).
b) Data tanpa Outlier
Model regresi linear berganda tanpa mengikutsertakan data outlier ini diberikan
pada persamaan (5.30). Persamaan ke 6 ini memiliki koefisien negatif pada
banyaknya pameran, auction record, dan ukuran. Hal ini menunjukkan adanya
inkonsistensi hasil persamaan ketika jumlah data yang dianalisis berubah. Dengan
kata lain, hubungan variabel-variabel tersebut belum dapat mewakili keadaan di
lapangan.

41

= 37892,48 + 6537,30
39906,86

+ 83750

19968,42
+ 21005,10

+ 1850,67

3658,45

19020,79

+ 277573,27

(5.30)

Namun demikian, berdasarkan uji anova, model ini memberikan nilai F sebesar
5,766 yang lebih besar dari nilai F tabel yaitu 2,46. Hal ini menunjukkan bahwa
variabel-variabel dalam persamaan ini secara serentak memberikan pengaruh
terhadap harga (Y).
5.4.7 Ringkasan Keseluruhan Model
Secara keseluruhan, model-model yang telah dibangun disajikan pada Tabel 5.6
dan Tabel 5.7 untuk mempermudah analisis kontribusi masing-masing variabel pada
tiap-tiap model. Dari tabel tersebut terlihat bahwa model-model yang dibangun dari
data yang mengikutsertakan data outlier memberikan koefisien yang lebih besar dari
model yang dibangun dengan data tanpa outlier. Koefisien ini menunjukkan seberapa
besar kontribusi variabel terhadap harga jual.
Tabel 5.6. Koefisien Model Kano
Model

Konstanta

Y1

Y2

Y3

4.5.1.a

422514

40900,63

0,72

0,002

4.5.1.b

181035

17806,2

0,90

674,53

4.5.2.a

322763

31196,94

0,92

0,04

4.5.2.b

9997.52

1877,37

0,74

0,04

4.5.3.a

64360

6101,52

0,91

0,0036

4.5.3.b

420632

41550,29

0,62

1072,74

Tabel 5.7. Koefisien Model Regresi Linear Berganda

Model
4.5.4.a

Konstanta

X1

X2

X3

X5

X6

X7

360053,13

1409

256,82

347,28

62,24

526,75

1,92

17895,17 659,41

X9

0,31

4.5.4.b

152410,92

302,26

59,53

114,56

26,43

193,89

0,97

6373,37

0,059

4.5.5.a

27717,9

31128,24

33239,9

12712,5 19905,77 17952,95 179904,4 24226,88 522,42

12678

4.5.5.b

3419,62

6045,26

7804,78

5855,34 6256,39

11237,89

4.5.6.a
4.5.6.b

109425

30578,15

18380,68

29404,6 6603,221 34871,32 90901,46 12830,47 16811

37892,48

6537,30

19968,42

1850,67

10987,15 78326,89 7081,52

3658,45 39906,86

83750

X10
252,6

561,36

X11

454179

X12

27945,14

21005,10 19020,79 277573,27

42

5.5 Pengujian Model

5.5.1 Pengujian Koefisien Determinasi
Tabel 5.8 adalah tabel koefisien determinasi yang dihasilkan pada pembangunan
masing-masing model.
Tabel 5.8 Koefisien Determinasi Pembangunan Model
R2

Model

Data dengan Outlier

Data tanpa Outlier

Model Kano tanpa standardisasi skala

0,43

0,49

Model Kano skala standar

0,23

0,63

Model kano dengan variabel past sales

0,86

0,81

Model regresi Linear Berganda tanpa

0,35

0,48

0,50

0,48

0,85

0,74

standardisasi skala
Model Regresi Linear Berganda Skala
Standar
Model Regresi Linear Berganda dengan
variabel past Sales

Diantara seluruh persamaan Model Kano yang telah dibangun, model yang
memiliki R2 tertinggi adalah Model Kano dengan variabel past sales yang
mengikutsertakan data outlier. Demikian pula yang terjadi pada persamaan regresi
linear,

dimana

mengikutsertakan

R2

tertinggi

variabel

past

juga

dihasilkan

sales

yang

dari

kelompok

dibangun

dengan

data

yang

data

yang

mengikutsertakan outlier. Sedangkan pada model-model yang lain, nilai koefisien

determinasi yang dihasilkan cenderung kecil. Hasil tersebut menunjukkan bahwa
penambahan variabel past sales memberikan kontribusi yang signifikan terhadap
penentuan harga.
5.5.2 Pengujian Validasi Silang
Pengujian selanjutnya adalah berdasarkan pengujian prediksi dengan validasi
silang. Hasil validasi disajikan pada Tabel 5.10. Tabel tersebut menunjukkan bahwa

43

model yang memiliki kemampuan prediktif tetinggi adalah Model ke tiga yaitu
Model Kano Skala Standar 10 variabel.
Tabel 5.9 Hasil validasi silang
R2

Model

Data dengan Outlier

Data tanpa Outlier

Model Kano Tanpa standardisasi skala

0,03

0,13

Model Kano skala standar

0,31

0,06

Model kano dengan variabel past sales

0,70

0,19

Model regresi Linear Berganda Tanpa

0,05

standardisasi skala
Model Regresi Linear Berganda Skala

-0,28
-0,05

Standar
Model Regresi Linear Berganda dengan
variabel past Sales

0,00017
0,54
0,54

5.6 Pemilihan Model

Berdasarkan pengujian koefisien determinasi dan evaluasi prediksi dengan
validasi silang, model yang dapat merepresentasikan data secara keseluruhan adalah
Model Kano dengan variabel past sales. Model ini menghasilkan nilai R2 0,86 dan
memberikan hasil prediktif tertinggi di antara model-model lain, yaitu 0,70.
Dari hasil yang diperoleh baik dari koefisien determinasi maupun kemampuan
validasi silang, model yang dibangun dari data yang mengikutsertakan outlier
memberikan validasi yang lebih baik karena data yang digunakan dalam
pembangunan model lebih banyak. Sesuai dengan Witten (2000), semakin banyak
data yang digunakan dalam membangun model, model akan semakin baik.
Selain karena memiliki koefisien determinasi dan kemampuan prediksi yang
tinggi, model ini juga memberikan koefisien yang representatif terkait kontribusinya
dalam penentuan harga. Sebagai contoh, variabel banyaknya pameran dan auction
record yang mengindikasikan popularitas seniman memiliki koefisien positif.
Sedangkan tahun lahir memiliki koefisien negatif karena semakin tua seorang

44

seniman, jam terbangnya dalam berkarir akan semakin tinggi, sehingga harganya
dapat lebih mahal.
Meskipun koefisien pada model yang terbaik ini representatif, berdasarkan
model-model yang lain, beberapa variabel menunjukkan adanya inkonsistensi
koefisien. Hal ini dapat dipengaruhi oleh jarak skala yang terlalu kecil, sedangkan
variasi data cukup lebar. Selain itu, adanya ketidakpastian hubungan variabel
terhadap harga juga dapat dipengaruhi oleh pengukuran pada masing-masing
variabel. Sebagai contoh, pada variabel banyaknya pameran, koefisien negatif dapat
saja terjadi karena pengukuran variabel dilakukan tanpa pembobotan jenis pameran
yang dilakukan.

BAB VI
PENUTUP

6.1 Kesimpulan
Dari hasil dan pembahasan yang telah dilakukan diperoleh kesimpulan sebagai
berikut:
1. Faktor-faktor intangible yang mempengaruhi penentuan harga produk terdiri
dari 3 faktor, yaitu faktor seniman, faktor produk, dan faktor perantara. Faktor
seniman dapat dilihat dari panel rekomendator, banyaknya pameran, auction
record, usia seniman, tahun pembuatan karya, estimasi harga seniman, dan
past sales. Faktor produk dapat dilihat dari ukuran karya dan media yang
digunakan. Sedangkan perantara ditinjau dari tempat penjualan.
2. Telah berhasil dibangun model matematis yang dapat digunakan untuk
memprediksi harga produk karya seni berdasarkan faktor-faktor intangible.
Model dibangun dengan Model Kano yang terdiri dari 10 variabel dengan
kemampuan prediktif yang cukup tinggi, yaitu sebesar 70%. Berdasarkan
model tersebut, faktor intangible yang termasuk dalam kategori must be
adalah banyaknya pameran, tahun lahir, tahun pembuatan, auction record,
estimasi harga minimal, dan ukuran. Variabel yang dikategorikan dalam
kategori one-dimensional adalah balai lelang dan media. Sedangkan attractive
terdiri dari variabel rekomendator.
6.2 Saran
Berdasarkan penelitian yang telah dilakukan, terdapat beberapa saran, antara lain:
1. Perlu adanya justifikasi yang lebih detail dalam menghitung masingmasing variabel, seperti memberikan pembobotan dalam menilai masingmasing variabel. Faktor intangible karya seni sangat bersifat kualitatif dan
tidak dapat direpresentasikan hanya dengan perolehan angka di lapangan.
Sebagai contoh, faktor banyaknya pameran seharusnya diberikan

45

46

pembobotan untuk masing-masing pameran yang dilakukan karena

masing-masing pameran memiliki nilai yang berbeda.
2. Data harga menggunakan data penjualan di galeri, untuk mengetahui
apakah terdapat perbedaan ketika suatu karya seni diperjualbelikan di
balai lelang atau di galeri biasa.
3. Melibatkan faktor konsumen yang membeli produk karya seni, karena
konsumen juga mempengaruhi penentuan harga produk ketika terjadi
penawaran pada proses lelang.

47

DAFTAR PUSTAKA

Canibano, L, Garcia-Ayuso, M, dan Sanchez, M., 2000, Accounting for Intangibles:

A Literature Review, Journal of Accounting Literature, 19, 102-130.
Damareza, K., 2011, Analisis Faktor Intangible Yang Berpengaruh Pada Penentuan
Harga Produk, Tugas Akhir, Jurusan Teknik Mesin dan Industri, Universitas
Gadjah Mada, Yogyakarta.
Fahin, I. S., 2010, Analisis Intangible Faktor Dalam Penentuan Harga Produk,
Tugas Akhir, Jurusan Teknik Mesin dan Industri, Universitas Gadjah Mada,
Yogyakarta.
Febrita, I. D., 2011, Model Prediksi Kesuksesan Produk Berbasis Pendekatan Model
Kano, Tugas Akhir, Program Studi Teknik Industri, Universitas Gadjah Mada,
Yogyakarta.
Hair, J., Black W.C., Babin, B.J., dan Anderson, R.E., 2010, Mulivariate Data
Analysis, Prentice-Hall, New York.
Hodgson, D., 2011, An Analysis of Pricing and Return in The Market for French
Canadian Painting, Applied Economic, 43, 63-73.
Hodgson, D. J dan Vorkink, K. P., 2004. Asset Pricing Theory and The Valuation of
Canadian Paintings, The Canadian Journal of Economics, Vol 37, No. 3, 629655.
Irawan, H., 2003, Winning Strategy, Gramedia Pustaka Utama, Jakarta.
Johar, A., 2007, Aplikasi Excel untuk Akuntansi manajemen Modern. Elex Media
Komputindo, Jakarta.
Kompas, 2010, Lukisan Bisa Jadi Investasi Bernilai Milyaran, [diakses pada 12
November 2011 pukul 20.00 WIB] URL:
http://nasional.kompas.com/read/2010/06/30/10260894/function.simplexmlload-file

48

Kontan, 2010, Karya Masriadi Primadona di Singapura, [diakses pada 12 November

2010 pukul 20.00 WIB] URL: http://investasi.kontan.co.id/news/karya-masriadiprimadona-di-singapura
Kotler, P., 1980, Marketing management, Prentice-Hall, New York.
Lehmann, D. R. dan Winer, R, 2002, Product management, McGraw-Hill, New
York.
Marshall, K. P dan Forrest, P. J., 2011, A Framework for Identifying Factors That
Influence Fine Art Valuations From Artist to Consumers, The Marketing
Management Journal, Vol 21, No.1, 111-123.
Monroe, K. B., 2007, Pricing: Making Profitable Decisions. Mcgraw-Hill, New
York.
Neni, Y. W., 2012., Personal interview, 13 Juni 2012.
ONeil, K. M., 2011, Context Of Exchange And The Pricing Of Visual Art, University
of Arizona.
Pasquale, E., 2009, Statistics For Innovation: Statistical Design of Continuous
Product Innovation, Springer,
Pramadani, A. I., 2011, Modifikasi Model Matematis Kesuksesan Produk Berbasis
Model Kano, Tugas Akhir, Program Studi Teknik Industri, Universitas Gadjah
Mada, Yogyakarta.
Rahzen, T., 2009, Gelaran Almanak Seni Rupa, Gelaran Budaya, Yogyakarta.
Reddy, S. K dan Dass, M., 2006, Modeling On-Line Art Auction Dynamics Using
Functional Data Analysis, Statistical Science, Vol 2, No.2, 179-193.
Setiawan, I. A., 2008, Analisis Faktor-Faktor yang Mempengaruhi Keunggulan
Produk Untuk Meningkatkan Kinerja Pemasaran. Thesis, Universitas
Diponegoro.
Pounstone, W., 1995, Priceless. Hill and Wang, New York.
Witten, L dan Frank, E., 2000, Data Mining: Practical Machine Learning Tools and
Techniques With Java Implementation, University of Waikoto, New Zeland.
Zimmerer, T dan Scarborough N., 2009, Essentials of Entrepreneurship and Small
Business Management, Salemba empat, Jakarta.

Lampiran 1. Perolehan Data Harga Jual Lukisan

No X1 X2 X3 X4
1 18 125 1959 28
2 18 125 1959 28
3 18 125 1959 28
4 18 125 1959 28
5
0
64 1973 19
6
7
24 1972 16
7
7
24 1972 16
8
0
1973 24
9
9
36 1975 17
10
9
36 1975 17
11
9
36 1975 17
12
9
36 1975 17
13
7
43 1957 25
14 15
36 1977 13
15 15
36 1977 13
16
8
22 1971 17
17
8
22 1971 17
18 18
54 1975 14
19 18
54 1975 14
20
1
12 1956 34
21
1
12 1956 34
22 13
36 1973 18
23 13
36 1973 18
24
3
35 1973 20
25 11
62 1965 19
26
1
15 1964 18
27
1
15 1964 18
28 12 113 1970 23
29 12 113 1970 23
30 12 113 1970 23
31 18
28 1973 18
32 18
28 1973 18
33
2
72 1971 17
34
2
72 1971 17
35
0
7 1971 10
36
0
44 1931 57
37 10
36 1970 20
38 15
50 1970 18
39 15
50 1970 18
40
3
32 1971 18
41
3
32 1971 18

X5
144
144
144
144
107
59
59
37
89
89
89
89
49
43
43
72
72
82
82
42
42
182
182
195
72
63
63
224
224
224
94
94
59
59
22
226
91
194
194
172
172

X6
2002
2007
2007
2007
2007
2007
1972
1973
2007
2002
2005
1999
2010
1977
2007
2007
2001
2004
2004
2007
2008
2003
2003
1973
2005
2003
2004
2007
2001
1970
2005
2005
2007
2007
2006
1977
2008
2003
2008
2006
2003

X7
X8
X9 X10
16000 224000
1
1
25000 32143
0
1
16000 20000
0
2
15496 26860
0
1
31000 39000
1
1
16000 22400
1
1
12962 25923
1
2
2592
3888
1
2
10000 15333
0
1
8000 10000
0
3
14286 21429
0
1
826
1240
0
2
7731 11596
1
1
9100 15600
1
1
5200
7800
1
1
10000 15333
0
2
15400 29400
0
1
15450 23175
1
1
26000 39000
1
1
7700 11600
1
1
28000 42000
0
2
28571 35714
0
1
80000 100000
0
1
7129
9073
1
1
9663 12884
1
2
5560
7780
0
2
3874
6456
1
2
26667 33333
0
3
28571 35714
0
3
19442 32404
1
2
19200 25600
1
2
30000 40000
0
1
15714 19286
0
1
70000 90000
1
1
10000 15333
0
2
19500 26000
1
2
6212 10354
1
1
3888
5185
1
1
5822
7115
1
2
11600 16000
0
1
14286 21429
0
1

X11
21000
30000
18000
18000
18225
40000
30000
31428
30625
29000
29000
8424
36000
30000
30000
40000
29000
5600
29768
49104
36000
26600
29000
26100
26100
11700
15330
36000
36100
38800
1600
32400
25200
50400
30000
12000
22500
10080
30000
25500
30000

Y
133575
52560
30660
15496
72184
110175
88139
4861
51100
36500
26280
723
12885
22750
40906
30666
34000
116840
83720
128895
50000
17200
160600
16202
34981
5054
24211
98550
68328
19442
201220
167900
25404
68750
30660
68120
8898
8911
15366
102200
35040

49

50

42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85

3
2
0
0
3
15
8
1
7
15
15
7
3
3
1
9
18
0
1
1
0
7
8
13
13
13
13
13
1
1
1
7
3
12
12
18
18
18
0
3
0
2
0
10

32
62
13
13
32
50
22
66
43
36
36
24
35
35
29
36
125
64
66
66
43
22
36
36
36
36
36
29
29
29
8
35
113
113
28
28
28
44
32
13
72
64
36

1971
1973
1973
1973
1971
1970
1971
1972
1957
1977
1977
1972
1973
1973
1972
1975
1959
1973
1972
1972
1973
1957
1971
1973
1973
1973
1973
1973
1972
1972
1972
1957
1973
1970
1970
1973
1973
1973
1931
1971
1973
1971
1973
1970

18
18
18

28
19
18
18
24
25
17
18
18
18
18
18
14
14
14
14
20
23
23
18
18
18
57
18
18

172
13
74
74
172
194
72
57
49
43
43
59
195
195
93
89
144
107
57
57
37
49
72
182
182
182
182
182
93
93
93
39
195
224
224
94
94
94
226
172
74
59
107
91

2008 15450 25750

2008
2500
3847
1973
5200
7800
2005
7731 10308
2007 18119 28473
2006
6443
9020
2007 10308 19238
2005
3862
5150
2008
5185
6481
2007
6443
9020
2007 12000 18000
2006 19000 23000
2000
1100
1600
1997
6630
8840
2007
6630
9940
2008 30940 44200
1959 31108 45365
2007 25769 38653
2004
6481
9073
2004
5154
7731
1988
1033
1550
2007
4506
6437
2007 14426 25005
2007 19200 25600
2007 19200 25600
2006 19200 25600
2006 70000 175000
1973 103692 207385
2006
6071
7857
2009 18200 31200
2010 12905 18067
1990 73333 100000
2007
8000 10000
2007 36667 46667
2003 15400 29400
2005 19200 25600
2006
8000 13333
1973 15554 25923
1999 19908 38950
1971 23331 36292
2007
5333
6667
2009
6443
9020
2010 30926 45100
2008
6040
7690

1
0
1
1
1
1
1
1
1
1
1
1
0
0
0
0
1
1
1
1
0
1
0
1
1
1
0
1
0
1
1
0
0
0
0
1
0
1
0
1
0
1
1
0

1 50000 116840
1 12000
2885
1 10000
9750
1 21025 32214
1 32400 19441
1 28800
8859
1 90000
8852
1 12100
7242
1 21000
7777
1 18944 14496
1 15000 32225
3 28000 20946
3 18375
1173
3 16250
5866
1 40000
8000
1 40000 29867
1 30000 51846
1 22950 172654
1 36774 12962
2 20150
6442
2
9975
671
1 14000 10531
3 15000 14426
1 30000 370668
1 26600 278242
1 26600 262838
1 26600 150000
3 58000 267008
1 180000 17520
1 60000 56875
1 30000 48392
2 12700 69350
1 26600 33580
3 28900 36500
3 16800 30000
1 41250 293646
2 17400 102200
1 21025 43745
2
8000 28852
1 40000 29164
1 27550 30660
1 50000 11275
1 34000 311834
2 23400
4693

51

Lampiran 2. Uji Normalitas data

a) data asli

b) data normal
Gambar 8.1 Grafik Normalitas

Lampiran 3. Hasil SSE berdasarkan pendekatan 3 pola

Data dengan Outlier Tanpa Standardisasi Skala

X1
X2
X3
X5
X6
X7
X9
X10
X11

SSE
Logartmik
#NUM!
#NUM!
5,24E+11
6,04397E+11
5,27069E+11
3,96E+11
#NUM!
5,68568E+11
5,27022E+11

Regresi
5,46135E+11
5,29691E+11
5,29E+11
5,03772E+11
5,29376E+11
4,23E+11
5,67877E+11
5,69037E+11
5,51997E+11

Eksponensial
5,4667E+11
5,29736E+11
5,3E+11
5,24767E+11
5,29517E+11
4,43E+11
5,72749E+11
5,91762E+11
5,28955E+11

Data tanpa Outlier Tanpa Standardisasi Skala

X1
X2
X3
X5
X6
X7
X9
X10
X11

SSE
Logartmik

Regresi

#NUM!
2,0141E+10
1,97E+10
19892576389
20190848893
9,69E+09
#NUM!
20234125545
19045414310

20109870818
19912460841
2,03E+10
20058413762
20255890463
1,13E+10
20166161107
20224481745
29016504555

Eksponensial
54611211766
69510347065
2,02E+10
4,1472E+196
20235822071
1,32E+10
20166161107
20223807780
20206722434

Data outlier Skala Standar

SSE
Logartmik
X1
X2
X3
X5
X6
X7
X9
X10
X11

5,05206E+11
5,28E+11
5,27056E+11
4,94E+11
5,27906E+11
5,13024E+11
5,03381E+11
5,68334E+11
5,23E+11

Regresi
4,90284E+11
5,29691E+11
5,24214E+11
5,04E+11
5,27054E+11
5,36915E+11
5,03381E+11
5,69037E+11
5,28E+11

Eksponensial
4,89587E+11
5,36691E+11
5,25893E+11
5,16E+11
5,26838E+11
5,47446E+11
5,71821E+11
5,6894E+11
5,29E+11

52

53

Data tanpa outlier Skala Standar

X1
X2
X3
X5
X6
X7
X9
X10
X11

SSE
Logartmik
20231836811
2,01E+10
19633064534
1,99E+10
20146085993
1,108559832
20166161107
20235796556
2,273583

Regresi
20109870818
19912460841
19747943410
2,01E+10
20190990262
1,32497261
20166161107
20224481745
2,369499

Eksponensial
20093319680
20039769799
19704083302
2,01E+10
20190279088
11,6750851
20166161107
20223807780
2,37242

Data tanpa outlier dengan variabel past sales

SSE
Logartmik
X1
X2
X3
X5
X6
X7
X9
X10
X11

Regresi

Eksponensial

1,307226
1,36012
1,355966
1,260555
1,289454
1,016966

1,344126
1,35268
1,345838
1,31719
1,276198
1,225641

1,340594
1,3537
1,343219
1,324421
1,277325
1,274035

1,360391
1,307226

1,360391
1,344126

1,360391
1,340594

Lampiran 4. Pembangunan Model Kano

Model Kano tanpa standardisasi skala (dengan data outlier)
Y act

Logaritmik

Regresi

X7

X6

X3

X11

Y1

(Yact-Y1)^2

133575

16000

2002

1959

21000

64269.95

4803190552

52560

25000

2007

1959

30000

76229.18

30660

16000

2007

1959

18000

70617.17

15496

15496

2007

1959

18000

110175

16000

2007

1972

88139

12962

1972

1972

51100

10000

2007

36500

8000

26280

14286

12885
22750

X10

X5

X2

X9

Y2

144

125

54531.93

560230239.2

144

125

1596575176

144

125

69280.24

2892744837

144

125

40000

55603.17

2978084539

59

30000

37110.06

2603952620

59

1975

30625

44013.3

50221247.52

2002

1975

29000

33667.87

8020975.173

2005

1975

29000

59337.66

1092808786

7731

2010

1957

36000

23175.59

9100

1977

1977

30000

26835.62

40906

5200

2007

1977

30000

30666

10000

2007

1971

34000

15400

2001

1971

116840

15450

2004

Exponential
(Yact-Y2)^2

X1

Y3

6247807438

18

70826.26

54531.93

3888494.88

18

48400.55

314727180.5

18

54531.93

1523803573

24

45276.01

24

39144.63

89

36

89

36

89

36

105896242.1

49

16692279.81

43

18043.92

522674814.6

40000

35560.6

23957103.09

29000

58899.46

619982902.4

1975

5600

104072.6

Kano
(Yact-Y1)^2

Yz

(Yact-Yz)^2

3937404520

66299.85

4525946350

66778.43

202163801

73213.95

426585768

66778.43

1304541111

67703.02

1372185297

18

66778.43

2629887805

69341.27

2899313079

4211879271

45167.14

4226021694

56788.93

2850072578

2400448063

45167.14

1846580641

37993.65

2514556565

48870.11

4972404.578

44909.17

38326389.88

48732.69

5604150.88

36607.36

11526.47644

44909.17

70714121.35

33051.27

11893714.08

48870.11

510313118.8

44909.17

347045933.4

60836.86

1194176891

43

43759.62

953242156.5

45167.14

1042136646

20735.25

61626404.57

36

43104.47

414304435.7

15

62554.11

1584366916

26418.3

13456415.88

43

36

43104.47

4833268.906

15

62554.11

468640527.1

10336.72

934480635.8

72

22

40801.74

102733135.5

42972.48

151449504

36917.71

39083895.36

72

22

46933.11

167265344.5

42972.48

80505436.74

59774.35

664317368.6

163006063.3

82

54

47743.59

4774314515

18

70826.26

2117264378

83157.16

1134534020

83720

26000

2004

1975

29768

83200.45

269935.8621

82

54

47743.59

1294302410

18

70826.26

166248561.7

74088.26

92770394.84

128895

7700

2007

1956

49104

13229.97

13378398045

42

12

43311.32

7324565659

35610.84

8701935258

-2154.88

17174070445

50000

28000

2008

1956

36000

75554.49

653032110.3

42

12

37179.95

164353712.4

31563.01

339922641.3

66025.89

256829193.9

17200

28571

2003

1973

26600

88705.91

5113095330

182

36

60526.73

1877205874

13

53568.97

1322702265

81714.33

4162098739

160600

80000

2003

1973

29000

129510.4

966566146.9

182

36

60526.73

10014658581

13

53568.97

11455640540

97046.88

4038998441

54

55

16202

7129

1973

1973

26100

16591.16

151441.6249

195

35

62170

2113056633

38519.91

498089202.4

14438.01

3111662.372

34981

9663

2005

1965

26100

41585.58

43620438.35

72

62

40248.08

27742120.18

11

53096.15

328158702.6

43041.18

64966540.15

5054

5560

2003

1964

11700

37585.75

1058314648

63

15

39770.57

1205239900

31563.01

702727552.2

38755.99

1135823968

24211

3874

2004

1964

15330

16084.68

66037064.32

63

15

39770.57

242100069.5

35610.84

129956260.2

4367.922

393747726.5

98550

26667

2007

1970

36000

78806.99

389786453.9

224

113

52462.48

2124059823

12

51258.84

2236454075

73747.09

615184530

68328

28571

2001

1970

36100

78717.75

107946873.8

224

113

52462.48

251714836.3

12

51258.84

291356317.2

73701.18

28871064.38

19442

19442

1970

1970

38800

45679.49

688405831.5

224

113

58593.85

1532867462

12

55306.66

1286274147

54064.37

1198708350

201220

19200

2005

1973

1600

144766

3187056007

94

28

43476.17

24883116615

18

70826.26

17002527739

94849.36

11314712388

167900

30000

2005

1973

32400

86679.8

6596720896

94

28

49607.54

13993105485

18

66778.43

10225571569

76481.57

8357329381

25404

15714

2007

1971

25200

66224.17

1666286486

59

72

44611.62

368932634

32985.49

57479031.19

63609.87

1459688389

68750

70000

2007

1971

50400

110946.4

1780534329

59

72

44611.62

582661429.3

37033.32

1005947805

84516.06

248568738.2

30660

10000

2006

1971

30000

42415.78

138198314.5

22

34742.36

16665624.66

30201.87

209883.9753

41675.6

121343417.1

68120

19500

1977

1931

12000

62987.34

26344227.94

226

44

59799.59

69229237.14

34249.7

1147197485

67555.9

318212.545

8898

6212

2008

1970

22500

30420.98

463238567.9

91

36

49120.79

1617872928

10

50980.97

1770975976

33866.45

623423349.3

8911

3888

2003

1970

10080

28914.67

400146837.7

194

50

61837.03

2801165125

15

62554.11

2877582905

36812.66

778502857

15366

5822

2008

1970

30000

20374.88

25088877.96

194

50

55705.66

1627288140

15

62554.11

2226717421

20217.62

23538224.39

102200

11600

2006

1971

25500

52760.57

2444256934

172

32

59328.7

1837948424

34472.09

4587070462

60192.45

1764634547

35040

14286

2003

1971

30000

55865.7

433709669

172

32

59328.7

589940913.5

34472.09

322527.3822

62509.4

754567696.5

116840

15450

2008

1971

50000

48522.28

4667311398

172

32

59328.7

3307549709

38519.91

6134036162

56799.61

3604848686

2885

2500

2008

1973

12000

9675.505

46108648.23

13

62

38984.39

1303153807

32985.49

906029411.6

-16534.4

377118669.7

9750

5200

1973

1973

10000

27881.9

328765936

74

13

47308.36

1410630647

34249.7

600235110.2

29622.14

394901841.2

32214

7731

2005

1973

21025

41071.61

78457237.19

74

13

47308.36

227839800.6

34249.7

4144058.716

45315.48

171648854.4

19441

18119

2007

1971

32400

65762.44

2145675675

172

32

59328.7

1591028555

38519.91

364004888.5

69117.45

2467749438

8859

6443

2006

1970

28800

24684.57

250448602.2

194

50

61837.03

2806672136

15

62554.11

2883164492

30404.25

464197876.4

8852

10308

2007

1971

90000

16143.68

53168667.41

72

22

46933.11

1450170969

47020.31

1456819833

7334.682

2302255.254

56

7242

3862

2005

1972

12100

25763.24

65235180009

57

66

44443.99

1383987882

35610.84

804790854.4

25293.09

325841914.2

7777

5185

2008

1957

21000

19273.75

1.25667E+11

49

43

43759.62

1294748938

45167.14

1398022665

13265.94

30128458.09

14496

6443

2007

1977

18944

38722.32

2.50774E+11

43

36

43104.47

818444537.1

15

62554.11

2309581627

41274.87

717107963.2

32225

12000

2007

1977

15000

70653.76

4.99952E+11

43

36

43104.47

118362860.4

15

62554.11

919854718

65640.04

1116565172

20946

19000

2006

1972

28000

71396.3

9.97011E+11

59

24

33013.26

145618703.8

45167.14

586663685.2

62092.81

1693060004

5866

6630

1997

1973

16250

37353.96

1.99104E+12

195

35

49907.25

1939631358

34472.09

818308102.3

42494.06

1341614815

8000

6630

2007

1972

40000

18804.49

3.97948E+12

93

29

49468.36

1719624974

31563.01

555215387.8

14513.63

42427411.64

29867

30940

2008

1975

40000

84861.54

7.95896E+12

89

36

48870.11

361118230.9

44909.17

226266844.8

75332.47

2067108569

51846

31108

1959

1959

30000

61919.54

1.59179E+13

144

125

54531.93

7214202.197

18

70826.26

360250224.8

64790.38

167556945.2

172654

25769

2007

1973

22950

90090.82

3.18357E+13

107

64

50738.67

14863347208

34249.7

19155751331

78490.46

8866771453

12962

6481

2004

1972

36774

18551.36

6.36704E+13

57

66

44443.99

991115543.5

35610.84

512969770.9

11987.49

949667.1907

6442

5154

2004

1972

20150

24326.17

1.27341E+14

57

66

38312.61

1015735959

35610.84

850820992

20555.02

199177257

10531

4506

2007

1957

14000

23270.57

2.54681E+14

49

43

43759.62

1104141183

45167.14

1199662283

20900.95

107535883.4

14426

14426

2007

1971

15000

75884.21

5.09362E+14

72

22

34670.36

409840169.6

42972.48

814910145.4

65214.81

1.01874E+15

1.36464E+11

1.3127E+11

2579518386
99997772911

57

Logaritmik : a + b*ln(X7)+c*ln(X6)+d*ln(X3)+e*ln(X11)
Regresi : f + g*X10 + h*X5 + i*X2 + j*X9
Eksponensial : k*el*X1
Model Kano : m + n*ln(Y1) + o*Y2 + p*eq*Y3
41797.2909
a

-13582379.16

41769.98446

968322.2222

809354.2801

-25506.52939

30201.86904
k

-8045.981657
Logaritmik

regresi

115.0607206
h
15.94048242

m
n
o
p
q

-403702
40515.77
0.393492
-0.00248
-0.0995

i
j

0.044082019
l

6126.913402

exponensial

58

Model Kano skala standar (dengan data outlier)

Yact
133575
52560
30660
15496
72184
110175
88139
4861
51100
36500
26280
723
12885
22750
40906
30666
34000
116840
83720
128895
50000

X7
0.23
0.31
0.23
0.23
0.36
0.23
0.21
0.12
0.18
0.16
0.22
0.1
0.16
0.17
0.14
0.18
0.23
0.23
0.32
0.16
0.34

X2
1
1
1
1
0.53
0.23
0.23
0.05
0.32
0.32
0.32
0.32
0.37
0.32
0.32
0.21
0.21
0.46
0.46
0.14
0.14

X5
0.65
0.65
0.65
0.65
0.5
0.29
0.29
0.2
0.42
0.42
0.42
0.42
0.25
0.23
0.23
0.35
0.35
0.39
0.39
0.22
0.22

Logaritmik
X11 Y1
0.2 50133.5
0.24 66433.8
0.18 52440.9
0.18 50977.8
0.18 91615.3
0.29 50291.9
0.24 46480.8
0.25
15399
0.25 33742.5
0.24 26912.6
0.24
49180
0.13 6243.53
0.27 18688.2
0.24 28739.7
0.24 11867.5
0.29 31943.3
0.24 55821.2
0.12 68867.4
0.24 74565.4
0.34 21473.6
0.27 84834.7

(Yact-Y1)^2 X6
X3
X10
6962485977 0.859 0.648 0.1
192483179 0.947 0.648 0.1
474406283 0.947 0.648 0.55
1258956833 0.947 0.648 0.1
377574039 0.947 0.922 0.1
3585988519 0.947 0.902 0.1
1735409553 0.329 0.902 0.55
111048531 0.347 0.922 0.55
301282382 0.947 0.961 0.1
91918799 0.859 0.961
1
524410606 0.912 0.961 0.1
30474754 0.806 0.961 0.55
33677565.8
1 0.609 0.1
35876507.7 0.418
1 0.1
843234911 0.947
1 0.1
1631379.92 0.947 0.883 0.55
476166545 0.841 0.883 0.1
2301372351 0.894 0.961 0.1
83806261.8 0.894 0.961 0.1
1.1539E+10 0.947 0.589 0.1
1213459092 0.965 0.589 0.55

Linear
X9 Y2
1 55037.15
0.1 49618.61
0.1 43176.59
0.1 49618.61
1 53776.31
1 54035.72
1 30997.9
1 31212.66
0.1 45468.13
0.1 30213.27
0.1 44519.8
0.1 35232.79
1 59349.28
1 38513.72
1 52738.69
0.1 40063.74
0.1 43660.76
1 51835.01
1 51835.01
1 58186.19
0.1 44428.97

(Yact-Y2)^2
6168194357
8651799.19
156665030
1164352234
338842954
3151619078
3265105442
694409990
31717919.4
39522934.1
332690377
1190916016
2158929532
248494897
140012660
88317440.7
93330224.6
4225649215
1016652828
4999735885
31036380.5

X1
1
1
1
1
0.1
0.45
0.45
0.1
0.55
0.55
0.55
0.55
0.45
0.85
0.85
0.5
0.5
1
1
0.15
0.15

Exponential
Y3
(Yact-Y3)^2
70791.79 3941730937
70791.79
332398318
70791.79 1610560901
70791.79 3057624850
29090.04 1857089047
41110.07 4769964051
41110.07 2211719913
29090.04
587046571
45379.91 32719407.9
45379.91 78852835.3
45379.91
364806635
45379.91 1994227232
41110.07
796654783
61039.34 1466073556
61039.34
405351379
43192.26
156907247
43192.26 84497685.8
70791.79 2120437262
70791.79
167138507
30563.43 9669097898
30563.43
377780301

Kano
Yz
(Yact-Yz)^2
65470.39 4638238357
69270.59
279243732
55968.54
640522049
61009.12 2071444326
83119.97
119595468
64647.99 2072708468
41006.55 2221467713
6739.563 3528997.91
44319.99 45968590.7
23237.69
175888749
55200.79
836412196
-17727.1
340412024
38650.36
663853695
32919.04
103409434
18405.75
506261075
37641.2 48653450.4
58362.54
593533288
72430.88 1972169582
74910.86 77600900.1
41915.05 7565511634
72126.4
489577505

59

17200
160600
16202
34981
5054
24211
98550
68328
19442
201220
167900
25404
68750
30660
68120
8898
8911
15366
102200
35040
116840
2885
9750
32214
19441

0.34
0.79
0.16
0.18
0.14
0.13
0.33
0.34
0.26
0.26
0.36
0.23
0.71
0.18
0.26
0.15
0.13
0.14
0.19
0.22
0.23
0.11
0.14
0.16
0.25

0.32
0.32
0.31
0.52
0.16
0.16
0.91
0.91
0.91
0.26
0.26
0.6
0.6
0.1
0.38
0.32
0.43
0.43
0.29
0.29
0.29
0.52
0.15
0.15
0.29

0.81
0.81
0.87
0.35
0.31
0.31
0.99
0.99
0.99
0.44
0.44
0.29
0.29
0.14
1
0.43
0.86
0.86
0.77
0.77
0.77
0.1
0.36
0.36
0.77

0.23
0.24
0.22
0.22
0.15
0.17
0.27
0.27
0.29
0.1
0.26
0.22
0.35
0.24
0.15
0.21
0.14
0.24
0.22
0.24
0.34
0.15
0.14
0.2
0.26

87475.5
150101
27606.6
30087.1
35067.4
23320.4
68775.6
72533.4
50831.8
90314.5
86780.7
48809.3
121159
41798.4
77736.5
23540
22169.1
16299.6
45554.6
51449.3
44884.7
3875.15
36437.6
38238.6
60997.6

4938646121
110234528
130064377
23950476.9
900806662
793219.423
886513247
17685786.1
985321200
1.23E+10
6580342905
547808164
2746729048
124064277
92476915.1
214388745
175777635
871529.151
3208701924
269264719
5177559756
980065.768
712229178
36295858.8
1726947158

0.876
0.876
0.347
0.912
0.876
0.894
0.947
0.841
0.294
0.912
0.912
0.947
0.947
0.929
0.418
0.965
0.876
0.965
0.929
0.876
0.965
0.965
0.347
0.912
0.947

0.922
0.922
0.922
0.765
0.746
0.746
0.863
0.863
0.863
0.922
0.922
0.883
0.883
0.883
0.1
0.863
0.863
0.863
0.883
0.883
0.883
0.922
0.922
0.922
0.883

0.1
0.1
0.1
0.55
0.55
0.55
1
1
0.55
0.55
0.1
0.1
0.1
0.55
0.55
0.1
0.1
0.55
0.1
0.1
0.1
0.1
0.1
0.1
0.1

0.1
0.1
1
1
0.1
1
0.1
0.1
1
1
0.1
0.1
1
0.1
1
1
1
1
0.1
0.1
1
0.1
1
1
1

44090.28
44090.28
37654.68
48461.2
39982.9
48246.44
33881.12
31036.13
30568.38
46385.97
45038.61
46505.75
54295.12
39589.57
44004.31
55028.69
52657.86
48586.68
46031.59
44609.09
54769.29
46461.11
37654.68
52827.98
54295.12

723087130
1.3575E+10
460217301
181715832
1220028364
577702387
4182063429
1390683568
123796250
2.3974E+10
1.5095E+10
445283923
208943507
79737223
581566353
2128040743
1913788026
1103613331
3154890745
91567454.9
3852773355
1898862389
778670934
424936215
1214809798

0.75
0.75
0.25
0.65
0.15
0.15
0.7
0.7
0.7
1
1
0.2
0.2
0.1
0.1
0.6
0.85
0.85
0.25
0.25
0.25
0.2
0.1
0.1
0.25

55296.09
55296.09
33737.86
50093.23
30563.43
30563.43
52630.41
52630.41
52630.41
70791.79
70791.79
32111.44
32111.44
29090.04
29090.04
47678.36
61039.34
61039.34
33737.86
33737.86
33737.86
32111.44
29090.04
29090.04
33737.86

1451312191
1.1089E+10
307506212
228379517
650730957
40353351.5
2108608908
246414387
1101470441
1.7012E+10
9430003644
44989741.1
1342384135
2464761.96
1523337468
1503916634
2717363829
2086053985
4687065293
1695581.5
6905966497
854174800
374037300
9759101.33
204400064

72771.28
89616
30874.25
43494.94
40477.93
35349.48
55880.94
54924.64
43403.25
75878.52
73394.47
56790.8
92316.8
45593.99
69009.93
41878.13
37826.31
24487.91
54201.93
56690.16
61773.98
-22282.6
39532.89
54989.6
70907.21

3088166870
5038728669
215275017
72487237.1
1254854783
124065682
1820648265
179650135
574141451
1.571E+10
8931295216
985131020
555393976
223023988
791982.646
1087688696
836095069
83209237.8
2303815151
468729504
3032266422
633415050
887020758
518727862
2648771180

60

8859
8852
7242
7777
14496
32225
20946
1173
5866
8000
29867
51846
172654
12962
6442
671
10531
14426

0.15
0.18
0.13
0.14
0.15
0.2
0.26
0.1
0.15
0.15
0.36
0.36
0.32
0.15
0.14
0.1
0.13
0.22

0.43
0.21
0.55
0.37
0.32
0.32
0.23
0.31
0.31
0.27
0.32
1
0.53
0.55
0.55
0.05
0.37
0.21

0.86
0.35
0.29
0.25
0.23
0.23
0.29
0.87
0.87
0.44
0.42
0.65
0.5
0.29
0.29
0.2
0.25
0.35

0.24
0.55
0.15
0.2
0.19
0.17
0.23
0.18
0.17
0.29
0.29
0.24
0.21
0.28
0.19
0.14
0.16
0.17

19869
15101.9
14118.1
16642.8
25210.9
50047.8
65158.2
1375.18
32711.2
16860.5
82295.6
78545.4
77801.8
9582.49
13834.7
22187.9
18980.8
63097.5

121220899
39061856.2
47280612.4
78603146.3
114808211
317651258
1954720810
40875.5549
720664901
78508069.5
2748756418
712858739
8996937929
11421079.6
54651394.4
462957640
71399875.3
2368929247

0.929
0.947
0.912
0.965
0.947
0.947
0.929
0.824
0.771
0.947
0.965
0.1
0.947
0.894
0.894
0.612
0.947
0.947

0.863 0.1
1 54080.36
0.883 0.1
1 54295.12
0.902 0.1
1 53087.39
0.609 0.1
1 58400.95
1 0.1
1 52738.69
1 0.1
1 52738.69
0.902
1
1 40677.52
0.922
1 0.1 29783.75
0.922
1 0.1 28361.25
0.902 0.1 0.1 46246.35
0.961 0.1 0.1 45942.3
0.648 0.1
1 34648.02
0.922 0.1
1 53776.31
0.902 0.1
1 52613.22
0.902 0.55
1 46171.2
0.922 0.55 0.1 30535.78
0.609 0.1
1 57926.78
0.883
1 0.1 33621.72

2044971437
2065077308
2101799379
2562784390
1462503687
420811664
389332878
818575053
506036420
1462783070
258415250
295770582
1.4132E+10
1572219231
1578409655
891875776
2246360432
368481390

0.85
0.5
0.15
0.45
0.85
0.85
0.45
0.25
0.25
0.15
0.55
1
0.1
0.15
0.15
0.1
0.45
0.5

61039.34
43192.26
30563.43
41110.07
61039.34
61039.34
41110.07
33737.86
33737.86
30563.43
45379.91
70791.79
29090.04
30563.43
30563.43
29090.04
41110.07
43192.26

2722787881
1179253613
543889041
1111093799
2166282497
830266189
406589866
1060469784
776840303
509108318
240650436
358943116
2.0611E+10
309810295
581843327
807614346
935079746
827506411

35717.04
27355.98
24143.84
34162.21
41911.77
63303.61
60444.54
-69937.3
27622.06
23391.54
72569.88
60729.91
78021.36
11618.44
17151.83
17511.83
37827.07
52954.24

721354218
342397230
285672307
696179558
751624360
965879847
1560134557
5056671801
473326239
236899425
1823536131
78923779.1
8955337312
1805159.22
114700543
283597114
745075250
1484436647

61

Logaritmik : a + b*ln(X7)+c*ln(X2)+d*ln(X5)+e*ln(X11)
Regresi : f + g*X6 + h*X3 + i*X0 + j*X9
Eksponensial : k*el*X1
Model Kano : m + n*ln(Y1) + o*Y2 + p*eq*Y3

f 33326.95

k 26352.93

-322763

g 26869.39

l 0.988163

n 31196.94

116008.2
b
76493.54
c

-13258.5

o 0.919486

-14315.6

-0.04456

j 8654.856

-0.04341

-9610.11
d
3165.551
e
-28997.9

62

Model Kano dengan variabel past sales (dengan data outlier)

Y1
(Yact-Y1)^2
92946.35
1650687550
122453.4
2520097306
143547.1
5092693234
9372.26 67227857.23
25178.3
372965109
33690.43 840850699.5
26351.35 336771914.5
124282
8914189300
39218.46 689401752.3
41081.47
1199892847
24923.65 144929182.7
16671.46 37705228.65
-5678.9 808202143.7
33336.64 57295197.27
83069.3
1140460370
111971.8 798164725.1
321678.2
2988828364
46915.99
142443961
69124.63 50409845602
85173.72 13466738291
7071.3
1344960292
32088.95 537217139.3

Y2
(Yact-Y2)^2
83625.4
2494962852
121811
2585014978
69219.47
8788458.26
26916.07 662705540.9
-12666.9 343468136.7
-11153.5 251113076.7
40807.55
1076335272
5694.682 584300961.7
19090.89 37563346.73
20851.91 207645581.4
10098.3 7765676.385
11368.67 701687.5121
16778.83
35654852.9
64825.59 572146993.9
102780.9 197658253.8
109513.8 665321756.9
256664.8 106981061.9
18228.61 280642554.3
167382.1 15942572955
178135.7 532884587.9
46918.22 10069342.25
27980.27 363636984.2

Y3
(Yact-Y3)^2
103190.4 923225590.1
26574.28 21339284362
26574.28
2080246486
33316.38
1033196826
33316.38 753523317.9
56465.4
2680381847
28654.55 426610488.5
52366.11 506210147.2
28654.55 246256165.6
28654.55 493397434.3
45038.73
1033862550
45038.73
1190783642
82308.16
3547174653
82308.16
1714139013
103190.4 186312331.7
103190.4 379095404.2
70791.11 38501068129
60885.59 671047895.8
103190.4 36273346057
103190.4
9609807873
103190.4
3533752308
82308.16
5387143380

Yz
(Yact-Yz)^2
119368.1 201836763.6
117501.2
3041828003
70815.33 1873265.556
15832.16
214891088
-14006.1 394901511.5
-10833.2 241062035.7
34727.08 714336850.4
12386.34 305573322.9
17474.73 20364747.78
19353.64 166710511.5
6564.029 39954670.92
5261.628 27766282.98
5039.39
313665706
59375.91 341137745.3
136040.3 368651192.7
143963.1
3629226384
245830.4 448489232.9
17837.19 293910276.2
193457.2 10037786478
204475.5 10598186.64
70388.58 709880573.5
25755.88 283749943.1

63

40003.6
607011460 26058.82
26050.77 9692172.487 33188.76
73994.91
2976129627 61524.24
39212.01 921305357.7 10099.89
14328.22 29989025.85 66369.09
142222.1 28768181103
372276
41379.53
1165371047 14544.58
18105.05 106668651.5 11368.67
64342.57
1031538029 46109.95
71371.75
2542756515 32164.48
39218.46 689401752.3 19090.89
41081.47
1199892847 20851.91
42369.63 776939099.4 16494.59
58861.44
3361513836 33188.76
1.37748E+11

114336356
16198704.04
1770998696
1539812.048
3308215283
3653231421
53327652.09
12900078.31
192791932.4
125854333.8
37563346.73
207645581.4
3994352.137
6997529725
43464062186

82308.16
33316.38
33316.38
82308.16
48564.43
26574.28
28654.55
45038.73
82308.16
45038.73
28654.55
28654.55
82308.16
33316.38

4481253044
17242252.97
192526147.8
5394779389
1577076758
81373107399
458497352.2
1388436751
2508323109
580459786.7
246256165.6
493397434.3
4598489306
6976195233
2.42796E+11

25359.89
27753.69
59799.48
10776.81
54179.05
345372.6
13682.38
5764.96
46428.93
32978.55
17474.73
19353.64
17043.9
32727.28

99877856.83
1988968.261
1628806863
3677983.541
2054541387
1124834527
41478471.92
4048306.749
201751660.9
144782344.7
20364747.78
166710511.5
6491780.906
7074949999
34382500180

64

Logaritmik : a + b*ln(X2) + c*ln(X3) + d*ln(X5) + e*ln(X6) + f*ln(X7) + g*ln(X11)

Regresi : h + i*X9 + j*X10 + k*X12
Eksponensial : l*em*X1
Model Kano : n + o*ln(Y1) + p*Y2 + q*er*Y3
Logaritmik

Regresi

-91108 Eksponensial

l 22855.85

-183567
b

39894.98

23896.91

505546.7

61961.87
c
9725.877
d
5553.782
e 100708.3
f 417985.1
g -39757.3

n
-64360
o 6101.521
p 0.906147
q 0.00367
r 0.000157

m 1.507369

65

Model Kano tanpa standardisasi skala (tanpa data outlier)

Y act
52560
30660
15496
51846
72184
12962
6442
51100
36500
26280
723
12885
10531
22750
40906
30666
14426
34000
83720
50000
17200

X2
125
125
125
125
64
66
66
36
36
36
36
43
43
36
36
22
22
22
54
12
36

X5
144
144
144
144
107
57
57
89
89
89
89
49
49
43
43
72
72
72
82
42
182

Logaritmik
X6
X3
X11
2007 1959 30000
2007 1959 18000
2007 1959 18000
1959 1959 30000
2007 1973 18225
2004 1972 36774
2004 1972 20150
2007 1975 30625
2002 1975 29000
2005 1975 29000
1999 1975 8424
2010 1957 36000
2007 1957 14000
1977 1977 30000
2007 1977 30000
2007 1971 40000
2007 1971 15000
2001 1971 29000
2004 1975 29768
2008 1956 36000
2003 1973 26600

Y1
(Yact-Y1)^2
X1 X7
41019.5 133183080.4 18 25000
34537.7 15036629.28 18 16000
34537.7 362586692.4 18 15496
38396.2 180897669.6 18 31108
25875.8
2144453002
0 31000
33499.7 421797066.4
1 6481
25866.2 377301486.1
1 5154
31015.3 403393600.9
9 10000
30053.2 41561059.27
9 8000
30215.5 15488045.53
9 14286
14204.6 181753333.6
9
826
42200.7 859409503.6
7 7731
30054.7 381174098.4
7 4506
25981.4 10441952.58 15 9100
27613.5 176689988.9 15 5200
36387.5 32735652.48
8 10000
23941.9 90552461.55
8 14426
31982.5 4070242.841
8 15400
30110.3
2873997384 18 26000
42780.8 52117238.49
1 28000
32120 222607357.7 13 28571

Regresi
Exponential
Y2
(Yact-Y2)^2
X10 X9 y3
(Yact-Y2)^2
41550.64 121205918.3
1
0 28764.89 566207419.1
33104.21
5974173.14
2
0 26455.72
17675997.1
32631.21 293615489.8
1
0 28764.89 176063353.1
47282.96 20821372.14
1
1 33951.65 320207654.5
45247.3
725585759
1
1 33951.65
1461712357
22343.87 88019408.69
1
1 33951.65 440565533.1
21098.49 214812596.3
2
1 31642.48 635064351.6
26506.11
604859489
1
0 28764.89 498857288.1
24629.12 140917700.7
3
0 24331.92 148062144.4
30528.49 18049644.06
1
0 28764.89 6174661.687
17896.38 294924951.1
2
0 26455.72 662172714.7
24161.75 127165032.1
1
1 33951.65 443803868.7
21135.11 112447134.4
1
1 33951.65
548526987
26306.23 12646782.03
1
1 33951.65
125477030
22646.11
333423548
1
1 33951.65 48362942.17
26398.65 18210295.48
2
0 26455.72
17726484.5
30552.42 260061267.9
3
0 24331.92 98127272.61
31466.51 6418587.545
1
0 28764.89 27406411.74
42489.14
1699984106
1
1 33951.65
2476888363
42539.28 55662274.57
2
0 26455.72 554333270.7
44364.7 737920686.8
1
0 28764.89 133746603.3

Model
Kano
Yz
45548.62
34873.23
34446.91
49538.36
40676.38
24631.53
18904.43
27010.93
24758.08
30171.08
5345.796
30381.45
21609.78
23677.28
21463.24
29758.5
26048.71
32028.53
40889.17
47188.27
43730.11

(Yact-Yz)^2
49159501
17751297
359137077
5325200.4
992730216
136178039
155312238
580283396
137872655
15140513
21370242
306125737
122739471
859853.4
378020872
823556.22
135087455
3886681.7
1.834E+09
7905802.9
703846597

66

17520
56875
48392
69350
33580
16202
34981
5054
24211
68328
36500
30000
19442
43745
25404
68750
30660
28852
68120
8898
8911
15366
35040
29164
2885

29
29
29
8
35
35
62
15
15
113
113
113
113
28
72
72
7
44
44
36
50
50
32
32
62

93
93
93
39
195
195
72
63
63
224
224
224
224
94
59
59
22
226
226
91
194
194
172
172
13

2006
2009
2010
1990
2007
1973
2005
2003
2004
2001
2007
2003
1970
1973
2007
2007
2006
1999
1977
2008
2003
2008
2003
1971
2008

1972
1972
1972
1957
1973
1973
1965
1964
1964
1970
1970
1970
1970
1973
1971
1971
1971
1931
1931
1970
1970
1970
1971
1971
1973

2E+05
60000
30000
12700
26600
26100
26100
11700
15330
36100
28900
16800
38800
21025
25200
50400
30000
8000
12000
22500
10080
30000
30000
40000
12000

55408.6
41630.4
32889.1
27951.3
32533.6
30441.2
33996
24505.1
27988
37761
35262.9
28163.4
36984.2
25817.9
29514.6
38309.8
29941.3
42197.6
46143.2
30166.6
21619
35728.2
34720.9
36625.9
14953.1

1435548465
232396397.6
240338957.1
1713848846
1094937.554
202755369.8
970314.4633
378344670.2
14265682.74
934338477.7
1530514.319
3372998.115
307729318.8
321379172.1
16896879.58
926604138.4
516539.439
178104767.8
482980064
452353256.9
161493093
414619374.8
101841.4051
55680202.63
145637880.2

1
1
1
7
3
3
11
1
1
12
12
12
12
18
2
2
0
0
0
10
15
15
3
3
2

6071
18200
12905
73333
8000
7129
9663
5560
3874
28571
36667
15400
19442
15554
15714
70000
10000
19908
19500
6212
3888
5822
14286
23331
2500

21959.08
33342.06
28372.74
85728.73
23984.36
23166.93
26404.76
21479.51
19897.22
44257.23
51855.27
31896.35
35689.74
32685.64
31116.43
82063.43
25538.96
34837.54
34454.64
23058.56
21414.81
23229.85
29883.72
38372.39
18715.19

19705467.22
553799323.7
400770717.8
268262727.4
92076346.83
48510264.08
73551914.33
269797524
18608730.84
579401746.5
235784296.3
3596146.337
263988964.2
122309343
32631828.57
177247356.8
26225052.43
35826723.08
1133356603
200521469.8
156345236.6
61840187.87
26587209.53
84794361.51
250594870

1
1
1
2
1
1
2
2
2
3
3
3
2
1
1
1
2
2
2
1
1
2
1
1
1

0
1
1
0
0
1
1
0
1
0
0
0
1
1
0
1
0
0
1
1
1
1
0
1
0

28764.89
33951.65
33951.65
26455.72
28764.89
33951.65
31642.48
26455.72
31642.48
24331.92
24331.92
24331.92
31642.48
33951.65
28764.89
33951.65
26455.72
26455.72
31642.48
33951.65
33951.65
31642.48
28764.89
33951.65
28764.89

126447475.9
525479837.6
208523621.4
1839919530
23185316.53
315050181.7
11145694.68
458033482.6
55226941.99
1935654960
148062144.4
32127118.55
148851789.4
95909645.43
11295559.11
1210924954
17675997.1
5742173.103
1330609235
627685528.7
627034302.8
264923904.1
39377047.5
22921621.27
669768533.3

33244.79
38413.44
29737.85
78536.31
25589.06
23668.62
28553.47
18285.28
19225.5
46514.26
52143.6
30151.63
38422.22
29314.69
30283.08
80846.01
25511.68
40002.27
41248.79
23409.58
15995.69
26576.87
32064.77
40666.75
6998.142

247269047
340829068
347977419
84388320
63855195
55750422
41313125
175066761
24855163
475839066
244722225
22990.167
360248637
208233787
23805419
146313543
26505157
124328499
722062105
210585967
50192898
125683556
8851974.2
132313271
16917934

67

30660
9750

13
13

74 2007 1973 27550 30759.9

74 1973 1973 10000 16049.2

9980.655135
39679778.8
17643839466

0
0

5333 21159.02
5200
21034.2

90268703.59
127333082.9
11246462416

1
1

0 28764.89
1 33951.65

3591454.591 22044.32
585720008 10347.93
20748050766

Logaritmik : a + b*ln(X2) + c*ln(X5) + d*ln(X6) + e*ln(X3) + f*ln(X11)

Regresi : g + h*X1 + i*X7
Eksponensial : j*ekX9 + l*em*X10
Model Kano : n + o*ln(Y1) + p*Y2 + q*er*Y3
Logaritmik
a

Regresi
16154.03551

31275.61086

-181035.0518

107.4609863

-0.083683158

17806.20004

0.938492431

7.48412E-08

0.901303015

24.96176315

-674.5314841

-398.9427361
c
2697.89685
d
e

108370.7407
-1163502.943

12688.85704

Kano

g
7894207.481

Eksponensial

74229918
357522.59
1.03E+10

68

Model Kano skala standar (tanpa data outlier)

Yact
52560
30660
15496
51846
72184
12962
6442
51100
36500
26280

X7
0.4
0.29
0.28
0.48
0.47
0.17
0.15
0.21
0.19
0.27

X5
0.65
0.65
0.65
0.65
0.5
0.29
0.29
0.42
0.42
0.42

X6
0.95
0.95
0.95
0.1
0.95
0.89
0.89
0.95
0.86
0.91

723
12885
10531
22750
40906
30666
14426
34000
83720
50000
17200

0.1
0.19
0.15
0.2
0.15
0.21
0.27
0.28
0.41
0.44
0.44

0.42
0.25
0.25
0.23
0.23
0.35
0.35
0.35
0.39
0.22
0.81

0.81
1
0.95
0.42
0.95
0.95
0.95
0.84
0.89
0.96
0.88

Logaritmik
X3
X11 Y1
(Yact-Y1)^2
0.65 0.22 46800.3 33173749.74
0.65 0.15 34887.1 17868571.87
0.65 0.15 34238.5 351280262.1
0.65 0.22 46812.8 25332619.34
0.92 0.15 48748.7
549214153
0.9 0.25
22870 98169289.09
0.9 0.16
17105 113699156.1
0.96 0.22
27668 549057475.2
0.96 0.21 23540.1
167959331
0.96 0.21 33894.1 57975197.02
0.96 0.1 85.0647 652968.4881
0.61 0.25 27650.4 218015866.6
0.61 0.13 16282.1 33075472.85
1 0.22 25413.1 7091992.681
1 0.22 19207.7 470817002.4
0.88 0.27 29799.7 750405.1997
0.88 0.14 32221.6 316684687.3
0.88 0.21
36026 4104786.733
0.96 0.21 46998.7 1348450792
0.59 0.25 53337.2 11136794.66
0.92 0.2 47081.7 892916579.7

1
1
1
1
0.535
0.55
0.55
0.321
0.321
0.321

Linear
Y2
(Yact-Y2)^2
37667.04 221800214.5
37667.04
49098629.8
37667.04 491555078.7
37667.04 201042865.7
33095.62
1527901757
33245.5 411420327.2
33245.5 718427552.7
30997.26 404120279.6
30997.26 30280181.48
30997.26 22252512.78

0.321
0.375
0.375
0.321
0.321
0.214
0.214
0.214
0.458
0.138
0.321

30997.26
31521.85
31521.85
30997.26
30997.26
29948.08
29948.08
29948.08
32346.2
29198.66
30997.26

X2

916530631.6
347332055.2
440615645.5
68017246.59
98183189.57
515412.9692
240934884.4
16418077.38
2639267111
432695607.2
190364298.3

Exponential
X9 Y3
0.1 34361.2
0.1 42754.43
0.1 34361.2
1 52584.65
1 28358.66
1 28358.66
1 36751.9
0.1 10135.59
0.1 33949.66
0.1 10135.59

(Yact-Y3)^2
331196391.6
146275299.2
355895698.3
545597.2628
1920660090
237057257.7
918689937.9
1678083055
6504252.853
260642040.5

Model Kano
z
(Yact-Yz)^2
38098.68 209129900.6
37547.16 47432905.96
37511.92 484700770.8
38099.18 188975125.7
34788.27 1398440626
33478.43 420923830.9
32933.13 701779975.4
32170.25 358335607.8
31866.91 21465490.59
32551.29 39329030.06

0.55 0.55 0.1 18528.82

0.45
0.1
1 28358.7
0.45
0.1
1 28358.7
0.85
0.1
1 28960.6
0.85
0.1
1 28960.6
0.5 0.55 0.1 18528.56
0.5
1 0.1 33949.39
0.5
0.1 0.1 10135.32
1
0.1
1 52584.65
0.15 0.55 0.1 18528.45
0.75
0.1 0.1 10186.47

317047313.1
239435251.5
317826725.8
38571540.36
142692604.2
147317467.3
381162880.2
569522723.5
969410296.1
990458405.2
49189596.82

#NUM!
32557.72
31563.51
32010.64
31485.07
31532.25
31678.94
31888.47
34164.4
32069.89
33168.27

X1
1
1
1
1
0.1
0.15
0.15
0.55
0.55
0.55

X10
0.1
0.55
0.1
0.1
0.1
0.1
0.55
0.1
1
0.1

#NUM!
387015765.7
442366674.5
85759519.47
88753994.07
750386.9051
297664070.2
4458579.438
2455757920
321488890.4
254985656.2

69

17520
56875
48392
69350
33580
16202
34981
5054
24211
68328
36500
30000
19442
43745
25404
68750
30660
28852
68120
8898
8911
15366
35040
29164
2885

0.17
0.32
0.25
1
0.19
0.18
0.21
0.16
0.14
0.44
0.54
0.28
0.33
0.28
0.28
0.96
0.21
0.34
0.33
0.17
0.14
0.16
0.27
0.38
0.12

0.44
0.44
0.44
0.21
0.87
0.87
0.35
0.31
0.31
0.99
0.99
0.99
0.99
0.44
0.29
0.29
0.14
1
1
0.43
0.86
0.86
0.77
0.77
0.1

0.93
0.98
1
0.65
0.95
0.35
0.91
0.88
0.89
0.84
0.95
0.88
0.29
0.35
0.95
0.95
0.93
0.81
0.42
0.96
0.88
0.96
0.88
0.31
0.96

0.9
0.9
0.9
0.61
0.92
0.92
0.77
0.75
0.75
0.86
0.86
0.86
0.86
0.92
0.88
0.88
0.88
0.1
0.1
0.86
0.86
0.86
0.88
0.88
0.92

1
0.37
0.22
0.12
0.2
0.19
0.19
0.12
0.14
0.25
0.21
0.15
0.26
0.17
0.19
0.32
0.22
0.1
0.12
0.18
0.11
0.22
0.22
0.27
0.12

29988.2
42892.6
32489
72473.5
21827.8
17714.1
27714
16624
13443.3
48263.9
53493.7
31397.3
37525.5
32024.7
36467.1
75764.6
30556.7
43705.7
42988.7
19400.5
8926.16
18168.4
32901.9
42332.2
10595.2

155456810.5
195507838.3
252906331.8
9756177.585
138114367.7
2286539.89
52809294.27
133865757.1
115943084.9
402568755.2
288784526.9
1952545.197
327012957.6
137366478.7
122391806.8
49204288.73
10676.60681
220633073.8
631580496
110301874.1
229.7930005
7853359.44
4571601.568
173401019.9
59446621.26

0.268
0.268
0.268
0.108
0.314
0.314
0.519
0.161
0.161
0.908
0.908
0.908
0.908
0.26
0.596
0.596
0.1
0.382
0.382
0.321
0.428
0.428
0.291
0.291
0.519

30472.67
30472.67
30472.67
28898.9
30922.32
30922.32
32945.73
29423.49
29423.49
36767.74
36767.74
36767.74
36767.74
30397.73
33695.15
33695.15
28823.96
31596.79
31596.79
30997.26
32046.44
32046.44
30697.49
30697.49
32945.73

167771585.5
697083181.6
321102490.9
1636291674
7063286.829
216687688.8
4142310.569
593871922.4
27170026.24
996049717.5
71687.19945
45802367.69
300181427.8
178149730.7
68743123.3
1228842699
3371056.339
7533861.751
1333945007
488377156.1
535248422.1
278236961.9
18857381.67
2351595.616
903647686.1

0.15
0.15
0.15
0.45
0.25
0.25
0.65
0.15
0.15
0.7
0.7
0.7
0.7
1
0.2
0.2
0.1
0.1
0.1
0.6
0.85
0.85
0.25
0.25
0.2

0.1
0.1
0.1
0.55
0.1
0.1
0.55
0.55
0.55
1
1
1
0.55
0.1
0.1
0.1
0.55
0.55
0.55
0.1
0.1
0.55
0.1
0.1
0.1

0.1
1
1
0.1
0.1
1
1
0.1
1
0.1
0.1
0.1
1
1
0.1
1
0.1
0.1
1
1
1
1
0.1
1
0.1

10135.22
28358.66
28358.66
18528.48
10135.22
28358.66
36756.26
18528.45
36751.9
33964.24
33964.24
33964.24
36766.85
52584.65
10135.22
28358.66
18528.45
18528.45
36751.9
28359.94
28960.6
37353.83
10135.22
28358.66
10135.22

54535029.41
813181427.5
401334557.4
2582826643
549657870.1
147784481
3151557.153
181560826
157274131.4
1180867946
6430074.677
15715205.19
300150580.7
78139333.62
233135752.4
1631460032
147174484.9
106575667.1
983957802
378767004.4
401986421.4
483464823.5
620248237.7
648565.9789
52565637.95

31932.76
32604.66
32083.13
32423.37
31669.61
31277.57
33616.99
30047.85
29649.16
37490.19
37683.34
36683
37017.73
32000.58
34687.52
36060.3
30746.48
33472.78
33441.72
31503.82
30823.73
32157.97
32273.41
32746.54
31811.82

207727536.7
589049574.7
265979390.5
1363576007
3649595.158
227272902.9
1860514.827
624692553.7
29573548.2
950970222.6
1400289.597
44662472.53
308906283.4
137931468.4
86183790.63
1068616709
7478.055521
21351583.7
1202582835
511022892.9
480167725.2
281970341.7
7654035.992
12834586.35
836761147.8

70

30660 0.16 0.36 0.95 0.92 0.2

9750 0.15 0.36 0.35 0.92 0.11

18404.8
11895.3

150190078.4
4602466.523
9015946212

0.146
0.146

29273.6
29273.6

1922091.843
381171141.7
19912460841

Logaritmik : a + b*ln(X7) + c*ln(X3) + d*ln(X6) + e*ln(X6) + f*ln(X11)

Regresi : g + h*X2
Eksponensial : i*ejX1 + k*el*X10 + m*enX9
Model Kano : o + p*ln(Y1) + q*Y2 + r*er*Y3

g 27841.39

4.85E-07

-9997.52

24.63354

p 1877.373

8756.799

q 0.740902

1.351763

62.91519

5.674748

80887.19
b

9825.65

29571.85
c
-2365.48
d
2275.71
e
-4451.7
f
6407.65

-0.04456

0.1
0.1

0.1 0.1 10135.22

0.1
1 28358.66

421266744 30127.85 283187.8035

346282369.7 29308.44 382532536.6
22298327630
#NUM!

71

Model Kano dengan variabel past sales (tanpa data outlier)

Y act
133575
51846
172654
72184
110175
88139
12962
6442
12885
10531
22750
40906
116840
83720
262838
56875
48392
16202
34981
201220
43745

X7
0.26
0.47
0.4
0.47
0.26
0.22
0.14
0.12
0.15
0.11
0.17
0.12
0.26
0.4
0.31
0.29
0.22
0.14
0.18
0.31
0.26

X5
0.6
0.6
0.41
0.41
0.18
0.18
0.17
0.17
0.13
0.13
0.1
0.1
0.29
0.29
0.78
0.35
0.35
0.85
0.24
0.35
0.35

X3
0.65
0.65
0.92
0.92
0.9
0.9
0.9
0.9
0.61
0.61
1
1
0.96
0.96
0.92
0.9
0.9
0.92
0.77
0.92
0.92

Logaritmik
X11 X12 Y1
(Yact-Y1)^2
0.4 0.26 97190.8 1323811691
0.54 0.29 117068 4253847047
0.43 0.33 132778 1590131027
0.36 0.23 103437
976737656
0.69 0.2 75874.6 1176518080
0.54 0.13 34801.3 2844915549
0.64 0.13 22123.3 83929124.1
0.39 0.11 10521.2 16640028.6
0.63 0.11
9795.1 9547463.65
0.29 0.11 12840.8 5335114.28
0.54 0.12 28711.4 35538024.1
0.54 0.22 73786.1 1081100144
0.16 0.29 124697 61730986.4
0.53 0.31 125577 1752047876
0.49
1 223964 1511222828
1 0.21 76902.5
401101333
0.54 0.1 9084.95 1545043984
0.48 0.24 76519.8 3638232277
0.48 0.1 9902.55
628928462
0.1 0.42 165684 1262827872
0.4 0.18
70545
718238257

X1
1
1
0.1
0.1
0.45
0.45
0.15
0.15
0.45
0.45
0.85
0.85
1
1
0.75
0.15
0.15
0.25
0.65
1
1

X2
0.18
0.12
0.27
0.17
0.64
0.24
0.35
0.24
0.11
0.11
0.42
0.22
0.25
0.12
0.13
0.1
0.18
0.11
1.03
0.25
0.17

X6
0.86
0.1
0.95
0.95
0.95
0.33
0.89
0.89
1
0.95
0.42
0.95
0.89
0.89
0.93
0.98
1
0.35
0.91
0.91
0.35

Regresi
exponensial
Y2
(Yact-Y2)^2
X10 Y3
(Yact-Y3)^2
100790.9
1074797347 0.1 51680.84
6706652840
53721.87 3518870.968 0.1 51680.84 27276.61044
60950 12477784489 0.1 51680.84 14634504550
66051.52 37607354.71 0.1 51680.84 420379419.1
58668.33
2652936787 0.1 51680.84
3421566324
37493.8
2564936643
1 69458.42 348963933.2
55744.41
1830334889 0.1 51680.84
1499148856
61263.77
3005426949
1 69458.42
3971069648
88462.76
5711997661 0.1 51680.84
1505117487
85108.26
5561768067 0.1 51680.84
1693309635
52640.58
893446890 0.1 51680.84
836993716
97590.69
3213153736 0.1 51680.84 116097256.3
99278.73 308398361.5 0.1 51680.84
4245715652
105821.7 488486137.5 0.1 51680.84
1026507538
96252.94 27750580678 0.1 51680.84 44587344666
74177.06 299361353.3 0.1 51680.84 26979259.89
71120.35 516577862.9 0.1 51680.84 10816492.74
36499.88 412004097.3 0.1 51680.84
1258748349
45917.4 119604760.5
1 69458.42
1188692741
100582.9 10127817947
1 69458.42 17361113005
67553.38 566838953.8 0.1 51680.84 62977614.89

Model Kano
Yz
(Yact-Y3)^2
94202.19
1550218494
78851.25 729283767.7
162769.4 97704552.34
124999.3
2789452876
87751.04 502833863.4
19225.33
4749093568
14396.03 2056438.974
23740.65 299243142.4
7216.461
32132335.8
9117.218 1998780.096
18022.22 22351919.13
72490.22 997562742.1
130377.8 183270989.8
119908
1309574367
235383.3 753761703.1
89087.4
1037638787
25740.91 513071901.2
36471.32 410845477.5
42063.63 50163652.38
175620.3 655346387.6
43241.12 253899.7341

72

68750
68120
8911
15366
29164
116840
9750

1
0.31
0.1
0.13
0.36
0.26
0.12

0.18
1
0.84
0.84
0.73
0.73
0.25

0.88
0.1
0.86
0.86
0.88
0.88
0.92

0.85
0.26
0.23
0.54
0.69
0.85
0.23

0.17
0.2
0.14
0.12
0.16
0.16
0.12

84985.8
69245.4
30370
8840.38
53268.7
43805.5
24440.6

263599965
1266601.37
460488767
42583739.3
581036213
5334043706
215814269
3.1816E+10

0.2
0.1
0.85
0.85
0.25
0.25
0.1

0.16
0.34
0.21
0.67
0.1
0.18
0.1

0.95
0.42
0.88
0.96
0.31
0.96
0.35

71183.53
22386.09
93390.64
76121.07
34333.85
73763.57
29893.84

5922062.933
2091590670
7136809982
3691178878
26727297.58
1855578996
405774325
94830962045

0.1
1
0.1
1
0.1
0.1
0.1

51680.84
69458.42
51680.84
69458.42
51680.84
51680.84
51680.84

Logaritmik : a + b*ln(X7) + c*ln(X3) + d*ln(X6) + e*ln(X6) + f*ln(X11)

Regresi : g + h*X2
Eksponensial : i*ejX1 + k*el*X10 + m*enX9
Model Kano : o + p*ln(Y1) + q*Y2 + r*er*Y3
a

7478.799978

50010.75917

-420631.5097

45477.41848

0.328490187

41550.29126

-49973.56755

0.620853256

66025.57554

-1072.741827

240482.8565
b
21094.31412
c
-4866.897798
d
e
f

6060.957174
-10509.945
91542.66746

291356097.5
1791377.839
1829259528
2925990295
507008249.3
4245715652
1758195652
1.16482E+11

68679.5
73421.27
5106.67
47454.58
38408.29
60487.58
13823.77

4970.158657
28103438.17
14472925.73
1029676853
85456919.45
3175595289
16595605.99
21037765648

Lampiran 5. Pembangunan Model Regresi Linear Berganda

Model Regresi Linear Berganda tanpa standardisasi skala (dengan data outlier)
X1
18
18
18
18
0
7
7
0
9
9
9
9
7
15
15
8
8
18
18
1
1
13
13
3
11
1
1
12
12
12
18
18
2
2
0
0
10
15

X2
125
125
125
125
64
24
24
36
36
36
36
43
36
36
22
22
54
54
12
12
36
36
35
62
15
15
113
113
113
28
28
72
72
7
44
36
50

X3
1959
1959
1959
1959
1973
1972
1972
1973
1975
1975
1975
1975
1957
1977
1977
1971
1971
1975
1975
1956
1956
1973
1973
1973
1965
1964
1964
1970
1970
1970
1973
1973
1971
1971
1971
1931
1970
1970

X5
144
144
144
144
107
59
59
37
89
89
89
89
49
43
43
72
72
82
82
42
42
182
182
195
72
63
63
224
224
224
94
94
59
59
22
226
91
194

X6
2002
2007
2007
2007
2007
2007
1972
1973
2007
2002
2005
1999
2010
1977
2007
2007
2001
2004
2004
2007
2008
2003
2003
1973
2005
2003
2004
2007
2001
1970
2005
2005
2007
2007
2006
1977
2008
2003

X7
16000
25000
16000
15496
31000
16000
12962
2592
10000
8000
14286
826
7731
9100
5200
10000
15400
15450
26000
7700
28000
28571
80000
7129
9663
5560
3874
26667
28571
19442
19200
30000
15714
70000
10000
19500
6212
3888

X9 X10 X11
1
1 21000
0
1 30000
0
2 18000
0
1 18000
1
1 18225
1
1 40000
1
2 30000
1
2 31428
0
1 30625
0
3 29000
0
1 29000
0
2 8424
1
1 36000
1
1 30000
1
1 30000
0
2 40000
0
1 29000
1
1 5600
1
1 29768
1
1 49104
0
2 36000
0
1 26600
0
1 29000
1
1 26100
1
2 26100
0
2 11700
1
2 15330
0
3 36000
0
3 36100
1
2 38800
1
2 1600
0
1 32400
0
1 25200
1
1 50400
0
2 30000
1
2 12000
1
1 22500
1
1 10080

Y act
133575
52560
30660
15496
72184
110175
88139
4861
51100
36500
26280
723
12885
22750
40906
30666
34000
116840
83720
128895
50000
17200
160600
16202
34981
5054
24211
98550
68328
19442
201220
167900
25404
68750
30660
68120
8898
8911

Y
58028.01
57355.46
43026.37
42714.38
73562.19
55475.15
33588.22
8274.56
29449.68
22140.26
37154.88
13697.72
42050.56
34895.63
43181.21
28435.32
39712.57
71559.09
84487.92
35814.62
60927.89
76488.61
174876.9
24383.42
44924.16
20247.45
34307.55
53198.32
53676.94
37479.95
87998.67
82141.53
22538.15
137342.2
20440.83
63971.94
46330.07
52882.99

(Y act- Y)^2
5707347695
22996449.05
152927147.9
740840073.2
1899412.939
2992073590
2975787940
11652394.66
468736165.3
206202264.5
118263123
168339782.7
850629868.7
147516289.3
5176585.587
4975932.66
32633509.65
2050361149
589700.1916
8663956877
119418686.7
3515138796
203831212
66935638.23
98866341.06
230840913.1
101940251.5
2056775296
214653434.3
325367704.4
12819070497
7354515139
8213088.33
4704896103
104431339.1
17206384.2
1401159667
1933536237

73

74

15
50 1970
3
32 1971
3
32 1971
3
32 1971
2
62 1973
0
13 1973
0
13 1973
3
32 1971
15
50 1970
8
22 1971
1
66 1972
7
43 1957
15
36 1977
15
36 1977
7
24 1972
3
35 1973
3
35 1973
1
29 1972
9
36 1975
18 125 1959
0
64 1973
1
66 1972
1
66 1972
0
1973
7
43 1957
8
22 1971

194
172
172
172
13
74
74
172
194
72
57
49
43
43
59
195
195
93
89
144
107
57
57
37
49
72

2008
2006
2003
2008
2008
1973
2005
2007
2006
2007
2005
2008
2007
2007
2006
2000
1997
2007
2008
1959
2007
2004
2004
1988
2007
2007

5822
11600
14286
15450
2500
5200
7731
18119
6443
10308
3862
5185
6443
12000
19000
1100
6630
6630
30940
31108
25769
6481
5154
1033
4506
14426

1
0
0
1
0
1
1
1
1
1
1
1
1
1
1
0
0
0
0
1
1
1
1
0
1
0

2
1
1
1
1
1
1
1
1
1
1
1
1
1
3
3
3
1
1
1
1
1
2
2
1
3

Dengan solver
a+bX1+cX2+dX3+eX5+fX6+gX7+hX9+iX10+jX11
a
b
c
d
e
f
g
h
i
j

-360053.134
1409.004324
-256.82518
-347.28284
62.2420428
526.7467029
1.927389329
17895.16792
-659.410059
-0.30640203

30000
25500
30000
50000
12000
10000
21025
32400
28800
90000
12100
21000
18944
15000
28000
18375
16250
40000
40000
30000
22950
36774
20150
9975
14000
15000

15366
102200
35040
116840
2885
9750
32214
19441
8859
8852
7242
7777
14496
32225
20946
1173
5866
8000
29867
51846
172654
12962
6442
671
10531
14426

52481.36
32705.57
34923.49
51567.83
652.3613
19490.41
37846.45
61577.96
53651.87
32263.43
20210.45
40685.96
48964.54
60883.49
63088.58
10138.32
19867.65
11898.42
67463.44
61739.28
62032.27
17171.38
19047.95
1849.147
40995.33
43966.3

1377549929
4829476256
13575.6946
4260456542
4985435.876
94875641.61
31724462.53
1775523261
2006400988
548095170
168180799.2
1082999876
1188080036
821308992.5
1775996673
80376938.98
196046087.2
15197691.64
1413492647
97877018.76
12237167429
17718848.28
158909922.5
1386882.476
928075623.3
872638065.7
96584257471

75

Hasil SPSS
b

Model Summary

Model

R Square
a

.578

Adjusted R

Std. Error of the

Square

Estimate

.334

.218

Durbin-Watson

43093.68130

1.484

a. Predictors: (Constant), X11, X5, X9, X3, X1, X7, X6, X10, X2
b. Dependent Variable: Harga

ANOVA
Model
1

Sum of Squares

df

Mean Square

Regression

4.837E10

5.374E9

Residual

9.657E10

52

1.857E9

Total

1.449E11

61

a. Predictors: (Constant), X11, X5, X9, X3, X1, X7, X6, X10, X2
b. Dependent Variable: Harga

F
2.894

Sig.
a

.008

76

Model Regresi Linear Berganda skala standar (dengan data outlier)

Y act
133575
52560
30660
15496
72184
110175
88139
4861
51100
36500
26280
29164
30660
11275
723
12885
22750
40906
30666
34000
116840
83720
128895
50000
17200
160600
16202
34981
5054
24211
98550
167900
25404
68750
30660
68120
8898
8911
15366

X1
1
1
1
1
0.1
0.45
0.45
0.1
0.55
0.55
0.55
0.25
0.1
0.2
0.55
0.45
0.85
0.85
0.5
0.5
1
1
0.15
0.15
0.75
0.75
0.25
0.65
0.15
0.15
0.7
1
0.2
0.2
0.1
0.1
0.6
0.85
0.85

X2

X3

X5

X6

X7

1
1
1
1
0.5347
0.2297
0.2297
0.0466
0.3212
0.3212
0.3212
0.2907
0.1458
0.5958
0.3212
0.3746
0.3212
0.3212
0.2144
0.2144
0.4585
0.4585
0.1381
0.1381
0.3212
0.3212
0.3136
0.5195
0.161
0.161
0.9085
0.2602
0.5958
0.5958
0.1
0.3822
0.3212
0.428
0.428

0.6478
0.6478
0.6478
0.6478
0.9217
0.9022
0.9022
0.9217
0.9609
0.9609
0.9609
0.8826
0.9217
0.8826
0.9609
0.6087
1
1
0.8826
0.8826
0.9609
0.9609
0.5891
0.5891
0.9217
0.9217
0.9217
0.7652
0.7457
0.7457
0.863
0.9217
0.8826
0.8826
0.8826
0.1
0.863
0.863
0.863

0.654
0.654
0.654
0.654
0.497
0.294
0.294
0.201
0.421
0.421
0.421
0.772
0.358
0.294
0.421
0.252
0.227
0.227
0.349
0.349
0.392
0.392
0.223
0.223
0.814
0.814
0.869
0.349
0.311
0.311
0.992
0.442
0.294
0.294
0.138
1
0.43
0.865
0.865

0.815
0.931
0.931
0.931
0.931
0.931
0.123
0.146
0.931
0.815
0.885
0.1
0.931
0.977
0.746
1
0.238
0.931
0.931
0.792
0.862
0.862
0.931
0.954
0.838
0.838
0.146
0.885
0.838
0.862
0.931
0.885
0.931
0.931
0.908
0.238
0.954
0.838
0.954

0.2725
0.3748
0.2725
0.2668
0.443
0.2725
0.238
0.1201
0.2043
0.1815
0.253
0.3558
0.1512
0.1638
0.1
0.1785
0.194
0.1497
0.2043
0.2657
0.2662
0.3862
0.1781
0.4089
0.4154
1
0.1716
0.2004
0.1538
0.1346
0.3937
0.4316
0.2692
0.8863
0.2043
0.3123
0.1612
0.1348
0.1568

X9
1
0.1
0.1
0.1
1
1
1
1
0.1
0.1
0.1
1
0.1
1
0.1
1
1
1
0.1
0.1
1
1
1
0.1
0.1
0.1
1
1
0.1
1
0.1
0.1
0.1
1
0.1
1
1
1
1

X10

X11

(Yact-Y)^2

0.1
0.1
0.55
0.1
0.1
0.1
0.55
0.55
0.1
1
0.1
0.1
0.1
0.1
0.55
0.1
0.1
0.1
0.55
0.1
0.1
0.1
0.1
0.55
0.1
0.1
0.1
0.55
0.55
0.55
1
0.1
0.1
0.1
0.55
0.55
0.1
0.1
0.55

0.264
0.36
0.232
0.232
0.235
0.467
0.36
0.375
0.367
0.35
0.35
0.467
0.334
0.573
0.13
0.424
0.36
0.36
0.467
0.35
0.1
0.358
0.564
0.424
0.324
0.35
0.319
0.319
0.165
0.204
0.424
0.386
0.309
0.578
0.36
0.168
0.28
0.148
0.36

59428.4
56884.4
39866.2
39070.6
73406.2
57034
37437.5
9542.17
26074.6
19662.5
34230.8
58610.7
8005.21
17263.6
6766.11
39980
38665.8
43119
26130
36409.7
70020.1
88328.1
35082.9
56744
77485.4
182336
28861
44316.2
11082.6
29362.4
56708.8
82860.9
16943.3
146358
14213.8
63591.5
44613.1
52363.9
55462.4

5497717108
18700858.75
84754075.34
555761053.7
1493886.008
2823963219
2570639707
21913322.68
626271650.7
283501981.3
63214585.81
867109236.8
513239606.9
35863734.06
36517429.12
734136970.5
253311588.2
4897514.08
20574982.1
5806778.88
2192103769
21234237.08
8800718041
45481251.49
3634330163
472449331.3
160251439.8
87146221.94
36344260.43
26536952.48
1750687658
7231641222
71583693.32
6023048031
270478055
20507262.03
1275568123
1888156355
1607723290

77

2885
9750
32214
19441
8859
8852
7242
7777
14496
32225
262838
150000
267008
20946
1173
5866
8000
29867
51846
172654
12962
6442
671
10531
14426

0.2
0.1
0.1
0.25
0.85
0.5
0.15
0.45
0.85
0.85
0.75
0.75
0.75
0.45
0.25
0.25
0.15
0.55
1
0.1
0.15
0.15
0.1
0.45
0.5

0.5195
0.1458
0.1458
0.2907
0.428
0.2144
0.55
0.3746
0.3212
0.3212
0.3212
0.3212
0.3212
0.2297
0.3136
0.3136
0.2678
0.3212
1
0.5347
0.55
0.55
0.0466
0.3746
0.2144

0.9217
0.9217
0.9217
0.8826
0.863
0.8826
0.9022
0.6087
1
1
0.9217
0.9217
0.9217
0.9022
0.9217
0.9217
0.9022
0.9609
0.6478
0.9217
0.9022
0.9022
0.9217
0.6087
0.8826

0.1
0.358
0.358
0.772
0.865
0.349
0.286
0.252
0.227
0.227
0.814
0.814
0.814
0.294
0.869
0.869
0.438
0.421
0.654
0.497
0.286
0.286
0.201
0.252
0.349

0.954
0.146
0.885
0.931
0.908
0.931
0.885
0.954
0.931
0.931
0.908
0.908
0.146
0.908
0.769
0.7
0.931
0.954
-0.18
0.931
0.862
0.862
0.492
0.931
0.931

0.119
0.1497
0.1785
0.2966
0.1638
0.2078
0.1345
0.1495
0.1638
0.227
0.3089
0.8863
1.2693
0.3066
0.1031
0.166
0.166
0.4423
0.4442
0.3835
0.1643
0.1492
0.1023
0.1418
0.2546

Dengan solver
a+bX1+cX2+dX3+eX5+fX6+gX7+hX9+iX10+jX11
a
b
c
d
e
f
g
h
i
j

-27717.8607
31128.24233
-33239.8722
-12712.5465
19905.76767
17952.95425
179904.4408
24226.87582
-522.429377
-12678.0182

0.1
1
1
1
1
1
1
1
1
1
1
0.1
1
1
0.1
0.1
0.1
0.1
1
1
1
1
0.1
1
0.1

0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
1
1
1
1
0.1
0.1
0.1
0.1
0.1
0.55
0.55
0.1
1

0.168
0.147
0.264
0.386
0.347
1
0.169
0.264
0.242
0.2
0.324
0.324
0.659
0.339
0.236
0.214
0.467
0.467
0.36
0.285
0.432
0.255
0.147
0.19
0.2

-9711.4
17823.9
34767
63894.1
56301.1
42039.6
14999.7
35972.5
47155.7
59053.3
81368.3
163453
235772
63907
6487.49
16841
8321.31
68044.8
71293.5
62069.8
16605.7
15904.3
-6335.4
35116
38325.8

158674043.7
65187249.9
6517607.086
1976080971
2250755490
1101415803
60182453.26
794988761.9
1066657055
719755813.6
32931247257
180976275.8
975705075.4
1845647511
28243763.66
120450791.7
103240.7056
1457546817
378203800.7
12228865527
13276515.21
89534227.34
49096156.71
604422279.2
571209391.5

78

Model Regresi Linear Berganda dengan variabel past sales (dengan data outlier)
X1

X2

1
0.1
0.1
0.25
0.25
0.6
0.15
0.55
0.15
0.15
0.45
0.45
0.85
0.85
1
1
0.75
0.25
0.65
1
1
1
0.85
0.85
0.25
0.25
0.85
0.5
0.1
0.15
0.45
0.85
0.45
0.15
0.15
0.85
0.25

1
0.51
0.51
0.277
0.277
0.285
0.229
0.285
0.526
0.526
0.341
0.341
0.285
0.285
0.429
0.429
0.285
0.277
0.494
0.221
0.221
0.221
0.397
0.397
0.253
0.253
0.397
0.172
0.51
0.526
0.341
0.285
0.188
0.526
0.526
0.285
0.253

X3
0.648
0.922
0.922
0.922
0.922
0.863
0.902
0.961
0.902
0.902
0.609
0.609
1
1
0.961
0.961
0.922
0.922
0.765
0.922
0.922
0.922
0.863
0.863
0.883
0.883
0.863
0.883
0.922
0.902
0.609
1
0.902
0.902
0.902
1
0.883

X5
0.597
0.415
0.415
0.848
0.848
0.336
0.346
0.326
0.169
0.169
0.13
0.13
0.1
0.1
0.292
0.292
0.784
0.848
0.243
0.351
0.351
0.351
0.843
0.843
0.734
0.734
0.843
0.243
0.415
0.169
0.13
0.1
0.179
0.169
0.169
0.1
0.734

X6
0.859
0.947
0.947
0.824
0.771
0.965
0.947
0.965
0.894
0.894
1
0.947
0.418
0.947
0.894
0.894
0.347
0.347
0.912
0.912
0.912
0.347
0.876
0.965
0.312
0.947
0.929
0.947
1
0.912
0.965
0.947
0.929
0.894
0.894
0.947
0.965

X7
0.231
0.316
0.362
0.1
0.149
0.143
0.149
0.362
0.147
0.136
0.158
0.13
0.17
0.136
0.226
0.318
1
0.153
0.175
0.259
0.259
0.227
0.124
0.141
0.295
0.249
0.147
0.181
0.362
0.124
0.136
0.196
0.257
0.147
0.136
0.147
0.226

X9
1
1
1
0.1
0.1
0.1
0.1
0.1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

X10 X11
X12
Y act Y
0.1 0.298 0.262 0.507 118563.3
0.1 0.317 0.338 0.628 117616.3
0.1 0.269 0.233 0.319 75348.57
1 0.271 0.178
0.1 11659.87
1 0.249
0.1 0.114 -20973.8
0.55 0.322 0.124 0.111 -1453.44
0.1 0.491 0.248 0.121 30249.56
0.1 0.491 0.179 0.188 30114.97
0.1 0.458 0.134 0.136 6515.906
0.55 0.289 0.117 0.116 5997.775
0.1
0.45 0.117 0.136 17404.66
0.1 0.226 0.119 0.129 17893.43
0.1 0.389 0.13 0.166 4713.97
0.1 0.389 0.225 0.222 63230.12
0.1 0.141
0.3 0.456 117495.2
0.1 0.387 0.313 0.354 127820.6
1 0.674 0.562 0.918 284386.8
0.1 0.349 0.245 0.146 42399.04
0.55 0.349 0.111 0.204 26046.24
0.1 0.504 0.428
1 170736.7
0.55
0.1 0.428 0.716 183296.7
0.1 0.298 0.189 0.231 43374.84
0.1 0.186 0.152 0.124 41028.82
0.55 0.389 0.127 0.144 36625.11
0.1 0.491 0.162 0.186 14104.57
0.1 0.414 0.218 0.156
58859
0.1 0.377 0.117 0.124 25644.82
0.1
1 0.228 0.124 50044.37
0.1
0.43 0.833 1.056 346699.7
0.1 0.207 0.125 0.119 5181.428
0.1 0.298 0.119 0.12 17852.2
0.1 0.236 0.188 0.196 54406.02
1 0.369 0.118 0.161 26237.17
0.1 0.458 0.134 0.136 6515.906
0.55 0.289 0.117 0.116 5997.775
0.1 0.277 0.129 0.141 22693.36
0.1 0.593 0.162 0.456 28877.31

(Yact-Y)^2
225351467
3.029E+09
10014499
109974420
720373071
37778671
495042806
61490.199
41552126
197335.85
20427309
54205344
325298362
498366388
429294.74
1.945E+09
302024045
686284815
79829887
1.511E+10
321245839
137015.39
1.032E+09
451949710
226786470
1.554E+09
281763682
1.697E+09
1.216E+09
4245956.6
101509594
491997863
27996518
41552126
197335.85
67196649
7.737E+09
3.894E+10

79

Dengan solver
a+bX1+cX2+dX3+eX5+fX6+gX7+hX9+iX10+jX11 + kX12
a
b
c
d
e
f

f
g
h
i
j
k

-109425
30578.15
18380.68
-29404.6
6603.221
34871.32

34871.32
90901.46
12830.47
-16811
454179.8
27945.14

Summary Output Excel

Regression Statistics
Multiple R
0.922263
R Square
0.850569
Adjusted R
Square
0.797201
Standard Error
0.116066
Observations
39

ANOVA
Regression
Residual
Total

Intercept
X Variable 1
X Variable 2
X Variable 3
X Variable 4
X Variable 5
X Variable 6
X Variable 7
X Variable 8
X Variable 9
X Variable
10

10 2.147023
28 0.377197
38 2.52422

0.214702 15.93775
0.013471

Standard
Error
0.252312
0.059583
0.140197
0.206445
0.078084
0.101967
0.195651
0.072802
0.074725
0.14298

t Stat
-0.65771
1.356862
0.1463
-0.51736
0.001025
0.635334
1.212817
1.306503
0.714086
-0.37297

1.41993 0.178822

7.940482

Coefficients
-0.16595
0.080845
0.020511
-0.10681
8.01E-05
0.064783
0.237288
0.095116
0.05336
-0.05333

P-value
0.516097
0.185664
0.884733
0.608971
0.999189
0.530369
0.235333
0.202012
0.481085
0.711981

4.65E09

Lower
95%
-0.68279
-0.0412
-0.26667
-0.52969
-0.15987
-0.14409
-0.16348
-0.05401
-0.09971
-0.34621

1.2E-08 1.053631

Upper
95%
0.35089
0.202895
0.307692
0.316078
0.160029
0.273652
0.638061
0.244245
0.206428
0.239555

Lower
95.0%
-0.68279
-0.0412
-0.26667
-0.52969
-0.15987
-0.14409
-0.16348
-0.05401
-0.09971
-0.34621

Upper
95.0%
0.35089
0.202895
0.307692
0.316078
0.160029
0.273652
0.638061
0.244245
0.206428
0.239555

1.78623 1.053631

1.78623

80

Model Regresi Linear Berganda tanpa standardisasi skala (tanpa data outlier)
X1
X2 X3
X5
18 125 1959 144
18 125 1959 144
18 125 1959 144
18 125 1959 144
0
64 1973 107
1
66 1972
57
1
66 1972
57
9
36 1975
89
9
36 1975
89
9
36 1975
89
9
36 1975
89
7
43 1957
49
7
43 1957
49
15
36 1977
43
15
36 1977
43
8
22 1971
72
8
22 1971
72
8
22 1971
72
18
54 1975
82
1
12 1956
42
13
36 1973 182
1
29 1972
93
1
29 1972
93
1
29 1972
93
7
8 1957
39
3
35 1973 195
3
35 1973 195
11
62 1965
72
1
15 1964
63
1
15 1964
63
12 113 1970 224
12 113 1970 224
12 113 1970 224
12 113 1970 224
18
28 1973
94
2
72 1971
59
2
72 1971
59
0
7 1971
22
0
44 1931 226
0
44 1931 226

X6
2007
2007
2007
1959
2007
2004
2004
2007
2002
2005
1999
2010
2007
1977
2007
2007
2007
2001
2004
2008
2003
2006
2009
2010
1990
2007
1973
2005
2003
2004
2001
2007
2003
1970
1973
2007
2007
2006
1999
1977

X7
X9
X10 X11
Yact
25000
0
1
30000 52560
16000
0
2
18000 30660
15496
0
1
18000 15496
31108
1
1
30000 51846
31000
1
1
18225 72184
6481
1
1
36774 12962
5154
1
2
20150
6442
10000
0
1
30625 51100
8000
0
3
29000 36500
14286
0
1
29000 26280
826
0
2
8424
723
7731
1
1
36000 12885
4506
1
1
14000 10531
9100
1
1
30000 22750
5200
1
1
30000 40906
10000
0
2
40000 30666
14426
0
3
15000 14426
15400
0
1
29000 34000
26000
1
1
29768 83720
28000
0
2
36000 50000
28571
0
1
26600 17200
6071
0
1 180000 17520
18200
1
1
60000 56875
12905
1
1
30000 48392
73333
0
2
12700 69350
8000
0
1
26600 33580
7129
1
1
26100 16202
9663
1
2
26100 34981
5560
0
2
11700
5054
3874
1
2
15330 24211
28571
0
3
36100 68328
36667
0
3
28900 36500
15400
0
3
16800 30000
19442
1
2
38800 19442
15554
1
1
21025 43745
15714
0
1
25200 25404
70000
1
1
50400 68750
10000
0
2
30000 30660
19908
0
2
8000 28852
19500
1
2
12000 68120

Y
(Yact-Y)^2
39928.6 159552667.1
30222.7 191216.5998
29984.5 209916496.5
43001.5 78226040.61
47016.3 633411200.5
22689.7 94627438.56
20168.5 188417659.5
24662.9
698921711
21159.9 235319950.3
28348.5 4278675.733
12650.2 142259220.3
29714 283215751.9
24706.8 200954416.2
24719.2 3877709.955
26690.3 202085588.3
25509.1 26593320.07
28085.6 186583731.8
29208.3 22960636.81
47408.1
1318556305
42382.8 58021359.44
45588.6 805914383.2
27906.2 107873231.9
39552.4 300071803.3
32830.1 242172367.2
83467.9 199315657.3
23742.6 96774408.26
22691.9 42118819.99
29556.1 29429130.93
17630.3 158163010.5
22752.7
2126769.27
41833.1 701981944.2
50429.4 194027226.7
28278.9 2962197.448
33772.9 205374560.9
32878 118090662.8
25315.8 7772.895357
85915.9 294667435.2
21888 76947732.39
36655.9 60900183.04
38625 869957026.3

81

10
15
15
3
3
2
0
0

36
50
50
32
32
62
13
13

1970
1970
1970
1971
1971
1973
1973
1973

91
194
194
172
172
13
74
74

2008
6212
2003
3888
2008
5822
2003 14286
1971 23331
2008
2500
2007
5333
1973
5200

1
1
1
0
1
0
0
1

1
1
2
1
1
1
1
1

22500
10080
30000
30000
40000
12000
27550
10000

8898
8911
15366
35040
29164
2885
30660
9750

27981.8
27415.1
31177.5
29089.4
38678.9
11042.5
18429.5
17091.1

364192955.7
342401917.7
250002599.1
35410080.37
90532486.81
66545282.45
149584982
53891999.5
10609409723

a+bX1+cX2+dX3+eX5+fX6+gX7+hX9+iX10+jX11 + kX12
a
b
c
d
e

-152410.92
302.2392
-59.4219
-115.518
26.26145

f
g
h
i
j

192.0494
0.971885
6354.962
-251.609
0.058941

Dengan SPSS
b

Model Summary
Model

R Square

Adjusted R
Square

Std. Error of the

Estimate

Durbin-Watson

1
.690
.476
.352
16709.10972
2.110
a. Predictors: (Constant), VAR00012, VAR00008, VAR00010, VAR00006, VAR00002,
VAR00004, VAR00011, VAR00007, VAR00003
b. Dependent Variable: VAR00013
b

ANOVA
Model
1

Sum of Squares
Regression

df

Mean Square

9.626E9

1.070E9

Residual

1.061E10

38

2.792E8

Total

2.024E10

47

F
3.831

a. Predictors: (Constant), VAR00012, VAR00008, VAR00010, VAR00006, VAR00002,

VAR00004, VAR00011, VAR00007, VAR00003
b. Dependent Variable: VAR00013

Sig.
a

.002

82

Coefficientsa
Unstandardized Coefficients
Model

Std. Error

1 (Constant)

-152410.923

686051.215

VAR00002

302.263

477.208

VAR00003

-59.528

VAR00004
VAR00006

Standardized
Coefficients
Beta

Collinearity Statistics
t

Sig.

Tolerance

VIF

-.222

.825

.092

.633

.530

.654

1.528

93.601

-.100

-.636

.529

.553

1.807

-114.561

282.183

-.053

-.406

.687

.798

1.253

26.435

47.278

.082

.559

.579

.638

1.567

VAR00007

193.891

215.937

.124

.898

.375

.729

1.372

VAR00008

.972

.176

.687

5.521

.000

.890

1.123

VAR00010

6373.374

5604.232

.155

1.137

.263

.742

1.348

VAR00011

-252.614

4025.443

-.008

-.063

.950

.783

1.277

.104

.070

.564

.576

.891

1.122

VAR00012
.059
a. Dependent Variable: VAR00013

Gambar 8.2 Uji Heteroskedastisitas Regresi Linear Tanpa Skala

83

Model Regresi Linear Berganda skala standar (tanpa data outlier)

X1
1
1
1
1
0.1
0.15
0.15
0.55
0.55
0.55
0.55
0.45
0.45
0.85
0.85
0.5
0.5
0.5
1
0.15
0.75
0.15
0.15
0.15
0.45
0.25
0.25
0.65
0.15
0.15
0.7
0.7
0.7
0.7
1
0.2
0.2
0.1
0.1
0.1

X2
1
1
1
1
0.535
0.55
0.55
0.321
0.321
0.321
0.321
0.375
0.375
0.321
0.321
0.214
0.214
0.214
0.458
0.138
0.321
0.268
0.268
0.268
0.108
0.314
0.314
0.519
0.161
0.161
0.908
0.908
0.908
0.908
0.26
0.596
0.596
0.1
0.382
0.382

X3
0.648
0.648
0.648
0.648
0.922
0.902
0.902
0.961
0.961
0.961
0.961
0.609
0.609
1
1
0.883
0.883
0.883
0.961
0.589
0.922
0.902
0.902
0.902
0.609
0.922
0.922
0.765
0.746
0.746
0.863
0.863
0.863
0.863
0.922
0.883
0.883
0.883
0.1
0.1

X5
0.654
0.654
0.654
0.654
0.497
0.286
0.286
0.421
0.421
0.421
0.421
0.252
0.252
0.227
0.227
0.349
0.349
0.349
0.392
0.223
0.814
0.438
0.438
0.438
0.21
0.869
0.869
0.349
0.311
0.311
0.992
0.992
0.992
0.992
0.442
0.294
0.294
0.138
1
1

X6
0.9471
0.9471
0.9471
0.1
0.9471
0.8941
0.8941
0.9471
0.8588
0.9118
0.8059
1
0.9471
0.4176
0.9471
0.9471
0.9471
0.8412
0.8941
0.9647
0.8765
0.9294
0.9824
1
0.6471
0.9471
0.3471
0.9118
0.8765
0.8941
0.8412
0.9471
0.8765
0.2941
0.3471
0.9471
0.9471
0.9294
0.8059
0.4176

X7
0.4
0.288
0.282
0.476
0.475
0.17
0.154
0.214
0.189
0.267
0.1
0.186
0.146
0.203
0.154
0.214
0.269
0.281
0.412
0.437
0.444
0.165
0.316
0.25
1
0.189
0.178
0.21
0.159
0.138
0.444
0.545
0.281
0.331
0.283
0.285
0.959
0.214
0.337
0.332

X9
0.1
0.1
0.1
1
1
1
1
0.1
0.1
0.1
0.1
1
1
1
1
0.1
0.1
0.1
1
0.1
0.1
0.1
1
1
0.1
0.1
1
1
0.1
1
0.1
0.1
0.1
1
1
0.1
1
0.1
0.1
1

X10
0.1
0.55
0.1
0.1
0.1
0.1
0.55
0.1
1
0.1
0.55
0.1
0.1
0.1
0.1
0.55
1
0.1
0.1
0.55
0.1
0.1
0.1
0.1
0.55
0.1
0.1
0.55
0.55
0.55
1
1
1
0.55
0.1
0.1
0.1
0.55
0.55
0.55

X11
0.215
0.152
0.152
0.215
0.154
0.251
0.164
0.218
0.21
0.21
0.102
0.247
0.131
0.215
0.215
0.267
0.137
0.21
0.214
0.247
0.197
1
0.372
0.215
0.125
0.197
0.195
0.195
0.119
0.138
0.247
0.209
0.146
0.261
0.168
0.19
0.322
0.215
0.1
0.121

Yact
52560
30660
15496
51846
72184
12962
6442
51100
36500
26280
723
12885
10531
22750
40906
30666
14426
34000
83720
50000
17200
17520
56875
48392
69350
33580
16202
34981
5054
24211
68328
36500
30000
19442
43745
25404
68750
30660
28852
68120

Y
39926.86
30218.47
29981.08
42931.95
47049.73
22696.49
20176.18
24670.72
21156.02
28354.39
12642.19
29719.27
24708.48
24684.05
26709
25509.35
28089.8
29201.88
47431.64
42373.12
45610.57
27888.6
39579.55
32861.36
83445.29
23766.78
22671.67
29562.97
17617.81
22759.31
41844.27
50455.46
28291.8
33742.86
32845.02
25313.43
85947.53
21880.48
36635.28
38581.6

(Yact-Y)^2
159596156.7
194944.9142
209817469.2
79460271.22
631731385.4
94760388.28
188627836.9
698507057.1
235437868.6
4303113.821
142067187.3
283392795.7
201000802.3
3740536.288
201554717.5
26591001.79
186699347.9
23021935.27
1316845403
58169262.62
807160521
107507828.1
299132443.9
241200863.4
198677334.8
96299328.67
41856603.07
29355006.47
157849241.4
2107399.822
701388137.8
194754941.6
2917939.485
204514684.8
118809633.9
8203.273866
295755119.2
77079915.86
60579449.36
872516875.3

84

0.6
0.85
0.85
0.25
0.25
0.2
0.1
0.1

0.321
0.428
0.428
0.291
0.291
0.519
0.146
0.146

0.863
0.863
0.863
0.883
0.883
0.922
0.922
0.922

0.43
0.865
0.865
0.772
0.772
0.1
0.358
0.358

0.9647
0.8765
0.9647
0.8765
0.3118
0.9647
0.9471
0.3471

0.167
0.138
0.162
0.267
0.379
0.121
0.156
0.154

1 0.1 0.176
1 0.1 0.111
1 0.55 0.215
0.1 0.1 0.215
1 0.1 0.267
0.1 0.1 0.121
0.1 0.1 0.202
1 0.1
0.11

8898
8911
15366
35040
29164
2885
30660
9750

28005.29
27446.79
31215.29
29102.33
38653.14
11034.09
18433.83
17053.64

365088555.3
343575681.3
251200069.3
35255895.6
90043866.38
66407736.62
149479264.3
53343183.73
10609385205

a + bX1 + cX2 + dX3 + eX5 + fX6 + gX7 + hX9 + iX10 + jX11

a -3419.47
b 6045.255
c -7804.75
d -5855.38
e 6256.361

f
g
h
i
j

10987.07
78326.74
7081.505
-561.358
11237.88

Hasil menggunakan SPSS

b

Model Summary

Model
1

R Square
a

.690

Adjusted R

Std. Error of the

Square

Estimate

.476

.352

Durbin-Watson

.18119

2.110

a. Predictors: (Constant), VAR00012, VAR00008, VAR00010, VAR00006, VAR00002,

VAR00004, VAR00011, VAR00007, VAR00003
b. Dependent Variable: VAR00013
a

Coefficients
Unstandardized
Coefficients
Model
1

Standardized
Coefficients

Std. Error

(Constant)

.055

.215

VAR00002

.066

.103

VAR00003

-.085

VAR00004

-.063

VAR00006

Beta

Collinearity Statistics
T

Sig.

Tolerance

VIF

.256

.800

.092

.633

.530

.654

1.528

.133

-.100

-.636

.529

.553

1.807

.156

-.053

-.406

.687

.798

1.253

.068

.121

.082

.559

.579

.638

1.567

VAR00007

.119

.133

.124

.898

.375

.729

1.372

VAR00008

.849

.154

.687

5.521

.000

.890

1.123

VAR00010

.077

.068

.155

1.137

.263

.742

1.348

VAR00011

-.006

.097

-.008

-.063

.950

.783

1.277

VAR00012

.122

.216

.070

.564

.576

.891

1.122

85

Coefficientsa
Unstandardized
Coefficients
Model
1

Standardized
Coefficients

Std. Error

(Constant)

.055

.215

VAR00002

.066

.103

VAR00003

-.085

VAR00004
VAR00006

Beta

Collinearity Statistics
T

Sig.

Tolerance

VIF

.256

.800

.092

.633

.530

.654

1.528

.133

-.100

-.636

.529

.553

1.807

-.063

.156

-.053

-.406

.687

.798

1.253

.068

.121

.082

.559

.579

.638

1.567

VAR00007

.119

.133

.124

.898

.375

.729

1.372

VAR00008

.849

.154

.687

5.521

.000

.890

1.123

VAR00010

.077

.068

.155

1.137

.263

.742

1.348

VAR00011

-.006

.097

-.008

-.063

.950

.783

1.277

VAR00012
.122
a. Dependent Variable: VAR00013

.216

.070

.564

.576

.891

1.122

ANOVA
Model
1

Sum of Squares

Df

Mean Square

Regression

1.132

.126

Residual

1.248

38

.033

Total

2.379

47

F
3.831

a. Predictors: (Constant), VAR00012, VAR00008, VAR00010, VAR00006, VAR00002,

VAR00004, VAR00011, VAR00007, VAR00003
b. Dependent Variable: VAR00013

Gambar 8.3 Uji Heteroskedastisitas Regresi Linear Skala Standar

Sig.
a

.002

86

Model Regresi Linear Berganda dengan variabel past sales (tanpa data outlier)
X1

X2

1
1
0.1
0.1
0.45
0.45
0.15
0.15
0.45
0.45
0.85
0.85
1
1
0.75
0.15
0.15
0.25
0.65
1
1
0.2
0.1
0.85
0.85
0.25
0.25
0.1

1
1
0.51
0.51
0.188
0.188
0.526
0.526
0.341
0.341
0.285
0.285
0.429
0.429
0.285
0.229
0.229
0.277
0.494
0.221
0.221
0.574
0.349
0.397
0.397
0.253
0.253
0.1

X3
0.648
0.648
0.922
0.922
0.902
0.902
0.902
0.902
0.609
0.609
1
1
0.961
0.961
0.922
0.902
0.902
0.922
0.765
0.922
0.922
0.883
0.1
0.863
0.863
0.883
0.883
0.922

X5
0.597
0.597
0.415
0.415
0.179
0.179
0.169
0.169
0.13
0.13
0.1
0.1
0.292
0.292
0.784
0.346
0.346
0.848
0.243
0.351
0.351
0.179
1
0.843
0.843
0.734
0.734
0.252

X6
0.859
0.1
0.947
0.947
0.947
0.329
0.894
0.894
1
0.947
0.418
0.947
0.894
0.894
0.929
0.982
1
0.347
0.912
0.912
0.347
0.947
0.418
0.876
0.965
0.312
0.965
0.347

X7
X10
0.265
0.1
0.471
0.1
0.398
0.1
0.469
0.1
0.265
0.1
0.224
1
0.135
0.1
0.117
1
0.152
0.1
0.108
0.1
0.171
0.1
0.118
0.1
0.257
0.1
0.401
0.1
0.308
0.1
0.295
0.1
0.223
0.1
0.144
0.1
0.179
1
0.308
1
0.259
0.1
1
0.1
0.313
1
0.1
0.1
0.126
1
0.365
0.1
0.257
0.1
0.118
0.1

Dengan solver
a+bX1+cX2+dX3+eX5+fX6+gX7+hX10+iX11+jX12
a -37893.4
b 6537.422
c -19968.3
d 1851.31
e -3658.11

f 39906.91
g 83750.08
h 21005.2
I -19020.6
j 277572.8

X11
0.399
0.538
0.429
0.356
0.692
0.538
0.642
0.386
0.63
0.291
0.538
0.538
0.162
0.534
0.485
1
0.538
0.478
0.478
0.1
0.399
0.852
0.26
0.231
0.538
0.692
0.846
0.229

X12
0.256
0.288
0.332
0.227
0.198
0.128
0.127
0.109
0.109
0.112
0.122
0.218
0.294
0.307
1
0.211
0.1
0.239
0.104
0.423
0.183
0.165
0.201
0.145
0.12
0.155
0.155
0.122

Yact
0.546
0.259
0.683
0.331
0.464
0.387
0.123
0.1
0.123
0.114
0.157
0.221
0.488
0.371
1
0.277
0.247
0.134
0.2
0.784
0.231
0.319
0.317
0.109
0.131
0.18
0.488
0.112

Y
69662.44
62937.24
109968.9
88199.78
66205.33
40411.09
25810.29
43096.08
31961.26
33323.81
20310.25
63592.82
98651.31
107323
293527.6
64516.29
37121.17
41984.44
49131.69
163359.2
45371.39
106237.4
66993.12
39502.55
51276.6
32645.35
46785.73
16855.37

(Yact-Y)^2
4084815823
123015705.6
3929421000
256505093.7
1933331707
2277953761
165078459.8
1343521364
363903685.7
519511999.1
5952362.512
514691836.8
330828326.1
557102376.4
941851964.1
58389287.79
127031663.7
664734279.5
200242049.1
1433440199
2645145.761
1405303052
1269853.163
935843145.1
1289571241
12119812.94
4907600072
50486252.74
28436161519

87

Dengan SPSS
b

Model Summary

Model

Std. Error of the

Square

Estimate

R Square
a

Adjusted R

.862

.742

.614

Durbin-Watson

3.9746531E4

1.866

a. Predictors: (Constant), VAR00011, VAR00003, VAR00006, VAR00009, VAR00010,

VAR00005, VAR00002, VAR00007, VAR00004
b. Dependent Variable: VAR00012

ANOVA
Model
1

Sum of Squares

df

Mean Square

Regression

8.197E10

9.108E9

Residual

2.844E10

18

1.580E9

Total

1.104E11

27

Sig.

5.766

.001

a. Predictors: (Constant), VAR00011, VAR00003, VAR00006, VAR00009, VAR00010,

VAR00005, VAR00002, VAR00007, VAR00004
b. Dependent Variable: VAR00012

Coefficientsa
Unstandardized Coefficients
Model
1

B
(Constant)

Std. Error

Standardized
Coefficients
Beta

-37892.488

60275.912

VAR00002

6537.309

25658.848

VAR00003

-19968.425

43936.299

VAR00004

1850.672

52219.759

.005

VAR00005

-3658.450

33107.936

VAR00006

39906.868

28911.207

VAR00007

83750.007

VAR00009

21005.100

VAR00010
VAR00011

Sig.
-.629

.537

.037

.255

.802

-.066

-.454

.655

.035

.972

-.016

-.111

.913

.178

1.380

.184

51372.433

.236

1.630

.120

22449.233

.124

.936

.362

-19020.798

43360.503

-.063

-.439

.666

277573.275

54239.259

.753

5.118

.000

a. Dependent Variable: VAR00012

Lampiran 6. Pengujian Validasi silang

Data dengan outlier
Model
Kano 1
86366.42376
89206.00614
88516.51893
130556.5398
119487.849
-36487.30256
65505.17057
65875.82454
127658.9384
26765.86229
77248.55348
45204.47076
74682.76374
27798.83802
58116.62472
85956.00035
63584.88576
13205.37403
10739.65789
109728.3992
6270.940149

Error
80827386254
35734606975
30387978762
378048142.9
21762194960
2916788730
74479844.11
305684120.7
3399932295
46432472.7
1660444611
231175931.2
47944898834
5535532904
206543597
3260900861
1184797377
304663967.8
286591.1763
40846673877
2489895.115

Model
Kano 2
123392.7058
123407.327
122635.0922
174644.3877
209377.2843
-7293.063315
86630.16956
68598.65137
126033.6878
28208.92258
93419.53142
34781.90987
111329.4084
21427.10454
74559.71817
52592.92925
94057.66112
-4455.748012
5218.019826
108244.3045
-4927.101627

Error
61145071134
23973775968
19656855360
607345843.8
3321299398
615688111.1
885370115.8
408308759.8
3213040463
28848472.6
3239833057
22866661.98
33239339588
6524260641
949546855.8
563645859.3
4211187253
1233115758
36687008.83
41448764121
92546355.31

Model
Kano 3
14360.74917
32570.0464
52050.30041
20313.98416
58688.63361
7642.558371
46675.90398
50308.38739
13566.9729
132167.8198
418892.5521
418992.1538
418863.2224

Error
21259007.9
126769.036
3378480703
4600232774
3289266.888
1660516993
487265715.3
317253543.6
5253139.756
6451594736
2325607425
19810605807
24343870035

Regresi 1
77387.43
78429.2
77902.45
157918.7
212428.9
-32602
47018.94
46532.22
154907.3
25923.2
74647.66
35258.35
76509.24
44202.33
58823.06
59676.56
50331.97
14383.62
16019.22
70166.31
27168.22

Error
8.6E+10
3.99E+10
3.42E+10
62705153
2.98E+09
2.51E+09
97141979
3458789
7.32E+09
58626657
1.46E+09
27650266
4.71E+10
3.36E+09
2.27E+08
9.5E+08
4.48E+08
2.65E+08
22507584
5.84E+10
5.05E+08

Regresi 2
Error
29276.78 5.32E+09
32918.53
4500648
56470.81 3.64E+09
81322.96 8.37E+10
81782.61 3.86E+10
-12163.1 8.81E+08
51911.5 24636328
45553.02
8059832
154996.4 7.34E+09
22856.67 1.15E+08
78119.16 1.73E+09
58103.25 1.05E+08
48264.97 8.31E+08
86507.4 1.32E+10
34605.68 21212271
81382.12 4.51E+10
40076.9 3.86E+09
63402.56 3.86E+08
52276.38 5.49E+08
72365.15 5.73E+10
22100.39 3.03E+08

Regresi 3
Error
-20682.7 9.26E+08
18613.9 1.85E+08
50418.81 3.57E+09
2272.544 7.37E+09
48543.41 69415432
2.66133 2.34E+09
76934.43 66984841
67873.91 60559.77
5723.418 30820059
117165.2 4.27E+09
430230.2 3.55E+09
430812.1 2.33E+10
430196.7
2.8E+10

88

89

R2 validasi

0.070942254

0.311059938

0.756919588

0.051499

-0.0469

0.537677

Data tanpa outlier

Model
Model
Kano 1
Error
Kano 2
27718.51889 20209350.43 29056.27141
42193.20498 517662831.5 45843.18728
33136.73734 589408530.3 24372.97862
27943.21447 277829373.6 23374.07824
42429.68733
1127461086 40784.33604
49111.63669 69023040183 54516.87931
13558.76024 39901459.89 10610.89746
25997.8205 331998299.7 21098.82094
23935.48736 89103921.62 23076.87164
27207.48956
25175411 32704.19682
39590.77146 347627502.8 49299.86531
13970.953 163787600.9 1775.799295
17406.4627 133182279.3
16490.6289
21845.72526
294215984 17015.39603
23943.87873 254207268.9 19794.35907
46995.45 293383799.6 50110.90089
73528194883

Error
9971249.823
697075493
240683532.6
146387694.2
1019674085
66212100600
11349470.09
177470913.1
73631358.14
229629.593
803941677.9
363366.9897
112882739.3
151841444
139106906
409815523.2
70206525683

R2 validasi

0.061566563

0.130336275

Model
Kano 3
79585.96971
107718.0944
52425.40681
68646.43692
87931.42144
266290.4268
101058.2265
41608.15237
45359.77115
58613.6448
14131.41098
73655.62579
-1828.509102
46278.93308
116480.4058
85514.8573

Error
2244103514
7792845390
1898031802
3291481774
6253554895
2074217058
8801484355
1144546871
952572369.4
696360574.3
46438623.53
5253731042
59205470.32
1729389831
11767998452
3096684022
57102646042
0.186647602

Regresi 1
26346.36
40079.22
31577.79
24506.28
35362.08
48450.36
18882.04
25971.38
27246.72
32415.03
38582.11
14704.24
19377.37
21261.15
20389.83
45758.77

Error
34429174
4.26E+08
5.16E+08
1.75E+08
7.03E+08
6.94E+10
1.35E+08
3.31E+08
1.63E+08
36110.77
3.11E+08
1.83E+08
1.83E+08
2.75E+08
1.54E+08
2.53E+08
7.32E+10
-0.28211

Regresi 2
26367.14
40118.96
31613.32
24519.25
35374.91
48487.07
18893.19
25974.13
27267.37
32438.18
38601.18
14712.23
19382.08
21265.02
20393.57
45774.55

Error
34185746
4.28E+08
5.18E+08
1.75E+08
7.03E+08
6.94E+10
1.36E+08
3.31E+08
1.63E+08
45445.52
3.12E+08
1.83E+08
1.83E+08
2.75E+08
1.54E+08
2.53E+08
7.32E+10
0.000173

Regresi 3
56941.33
77428.16
37277.27
33927.11
70960.93
259970.5
33189.91
39078.26
47222.69
69789.03
73127.82
63177.33
45109.14
52504.91
74198.27
82452.7

Error
6.11E+08
3.36E+09
8.08E+08
5.13E+08
3.86E+09
2.69E+09
6.73E+08
9.8E+08
1.07E+09
1.41E+09
2.72E+09
3.84E+09
1.54E+09
2.29E+09
4.38E+09
2.77E+09
3.35E+10
0.542096

90