Disusun Oleh:
Kusriniarti Dwi Lestariningsih
08/268846/TK/34104
ii
iii
iv
HALAMAN PERSEMBAHAN
A science research
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
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
Terima
kasih
telah
menjadi
tempat
yang
mampu
ix
DAFTAR ISI
HALAMAN JUDUL
HALAMAN PENGESAHAN
ii
HALAMAN PERNYATAAN
iii
iv
HALAMAN PERSEMBAHAN
INTISARI
vi
KATA PENGANTAR
vii
viii
DAFTAR ISI
DAFTAR GAMBAR
xii
DAFTAR TABEL
xiii
DAFTAR LAMPIRAN
xiv
xv
BAB I: PENDAHULUAN
1.4 Tujuan
5
10
3.1 Harga
10
10
11
12
12
15
16
17
17
18
18
18
18
18
18
18
18
18
18
18
18
18
18
18
18
18
18
18
18
18
18
18
18
18
18
18
6.1 Kesimpulan
18
6.2 Saran
18
DAFTAR PUSTAKA
LAMPIRAN
18
49
xi
DAFTAR GAMBAR
Gambar 2.1
Gambar 3.1
13
Gambar 4.1
20
Gambar 5.1
26
Gambar 5.2
28
xii
DAFTAR TABEL
Tabel 4.1
21
Tabel 5.1
27
Tabel 5.2
27
Tabel 5.3
29
Tabel 5.4
30
Tabel 5.5
31
Tabel 5.6
41
Tabel 5.7
41
Tabel 5.8
42
Tabel 5.9
43
xiii
DAFTAR LAMPIRAN
Lampiran 1
49
Lampiran 2
51
Lampiran 3
52
Lampiran 4
54
Lampiran 5
73
Lampiran 6
88
xiv
R2
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
= Media (-)
X11
= Ukuran (cm2)
X12
Y1
= Must be (Dolar)
Y2
=One-dimensional (Dolar)
Y3
= Attractive (Dolar)
YZ
SSE
VIF
xv
BAB I
PENDAHULUAN
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.
BAB II
TINJAUAN PUSTAKA
(2.1)
Fahin
dikembangkan
oleh
Damareza
(2011)
dengan
(2.2)
Y2 = -581,42 + 271,13 X2
(2.3)
Penelitian
tersebut
dikembangkan
menggunakan
metode
Theil
yang
market:
Dalam
konteks
ini,
seniman
hidup
dengan
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
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
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
10
11
12
13
Attractive
One-dimensional
Indifferent
Requirements
fullfillment
Must-be
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)
(3.2)
(3.3)
(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)
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
17
18
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 terdistribusi
normal dan tidak
memiliki
multikolinearitas
?
Tidak
Ya
Pengujian model
Perbandingan model
Selesai
21
Notasi
Variabel
Notasi
Panel rekomendator
X1
X7
Banyaknya pameran
X2
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
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
(4.1)
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
terhadap
model
yang
paling
BAB V
HASIL DAN PEMBAHASAN
(a)
(b)
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
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
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
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
28
29
Variabel
Tahun lahir
Tahun
pembuatan
Ekspektasi
harga minimal
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
One-dimensional
(Y2)
Attractive(Y3)
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
One-dimensional
(Y2)
Attractive(Y3)
Variabel
Banyaknya
pameran
Tahun lahir
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
(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)
(5.4)
) 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)
+ 674,53
(5.8)
35
(5.9)
(5.10)
(5.11)
(5.12)
36
) 2365,48ln(
+ 2275,71ln(
) + 6407,65ln(
) + 29571,85ln(
(5.13)
(5.14)
+ 62,91
+ 8756,79
(5.15)
+ 0,044
(5.16)
(5.17)
37
+ 505546.7X
(5.18)
1,51
(5.19)
(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)
38
= 50010,76
(5.23)
1072,74
(5.24)
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
(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
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
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
37892,48
6537,30
19968,42
1850,67
3658,45 39906,86
83750
X10
252,6
561,36
X11
454179
X12
27945,14
42
Model
0,43
0,49
0,23
0,63
0,86
0,81
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
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
0,03
0,13
0,31
0,06
0,70
0,19
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
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
47
DAFTAR PUSTAKA
48
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
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
a) data asli
b) data normal
Gambar 8.1 Grafik Normalitas
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
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
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
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
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
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
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
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
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
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
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
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
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
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
18404.8
11895.3
150190078.4
4602466.523
9015946212
0.146
0.146
29273.6
29273.6
1922091.843
381171141.7
19912460841
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
71
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
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
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
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
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
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
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
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
83
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
f
g
h
i
j
10987.07
78326.74
7081.505
-561.358
11237.88
Model Summary
Model
1
R Square
a
.690
Adjusted R
Square
Estimate
.476
.352
Durbin-Watson
.18119
2.110
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
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
Square
Estimate
R Square
a
Adjusted R
.862
.742
.614
Durbin-Watson
3.9746531E4
1.866
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
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
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
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