1. JUDUL JURNAL
Jurnal 1: MODEL PERAMALAN KONSUMSI BAHAN BAKAR JENIS
PREMIUM DI INDONESIA DENGAN REGRESI LINIER
BERGANDA
Jurnal 2: RETAIL SALES FORECASTING WITH APPLICATION THE
MULTIPLE REGRESSION
2. NAMA JURNAL
Jurnal 1: Jurnal Ilmiah Teknik Industri
Jurnal 2: Socio-Economic Problems and the State
4. TAHUN
Jurnal 1 : 2014
Jurnal 2 : 2012
5. PENULIS
Jurnal 1: Farizal, Amar Rachman, dan Hadi Al Rasyid
Jurnal 2: Tetyana Kuzhda
BEDAH JURNAL
Berikut ini adalah latar belakang penelitian dari jurnal 1 dan jurnal 2.
1.1 Jurnal 1
1.2 Jurnal 2
2.1 Jurnal 1
2.2 Jurnal 2
3. METODOLOGI PENELITIAN
3.1 Jurnal 1
3.1.3 Hipotesis
3.2 Jurnal 2
Data yang akan diolah dalam jurnal ini adalah data penjualan ritel,
pendapatan konsumen yang diharapkan, dan biaya iklan dari bulan Maret sampai
bulan Desember.
3.2.4 Pengolahan Data
Berikut ini adalah hasil dan pembahasan dari jurnal 1 dan jurnal 2.
4.1 Jurnal 1
Hasil wawancara dengan para pakar dari BPH Migas dan INDEF
didapatkan 10 variabel prediktor yang mempengaruhi konsumsi premium yaitu:
GDP, jumlah penduduk, jumlah mobil, jumlah motor, jumlah kendaraan angkutan
umum, inflasi, selisih harga jual pertamax dan premium, pertumbuhan ekononi,
infrastruktur (dalam hal ini panjang jalan raya), dan jumlah subsidi
Langkah pertama yang dilakukan pada penelitian ini adalah melakukan uji
multikolinearitas. Kolinearitas adalah hal yang tidak diingini dalam MLR
modeling. Nilai VIF yang menunjukkan adanya kolinearitas antar variabel
bebasnya disajikan pada Tabel 2.
menolak H0. Dengan hasil ini dapat disimpulkan bahwa inflasi, perbedaan harga
pertamax dan premium, pertumbuhan ekonomi, dan jumlah mobil secara
meyakinkan dapat dipakai untuk memprediksi konsumsi premium.
2 2
Koefisien Determinasi R dan R adj
2
Tabel 5 adalah hasil running SPSS untuk nilai koefisien determinasi R
2 2 2
dan R adj. Nilai R dan R adj masing-masing adalah 96.3% dan 94.2%. Hal ini
menunjukkan bahwa model MLR yang diperoleh dapat menjelaskan sekitar
96,3% dari total variasi terhadap kinerja konsumsi premium. Nilai ini cukup tinggi
yang menunjukkan bahwa model yang terbentuk mencukupi untuk digunakan
memprediksi konsumsi premium.
Uji Residual
Dengan hasil uji seperti yang dijelaskan di atas maka dapat disimpulkan
4.2 Jurnal 2
Data diatas yang menjadi variabel dependen adalah penjualan ritel dan
yang menjadi variabel independen adalah pendapatan konsumen yang diharapkan
dan biaya pengiklanan. Hasil yang didapatkan dari pengolahan data diatas adalah
sebagai berikut:
Gambar 5. Hasil Pengolahan Data dengan Microsoft Excel
Berdasarkan hasil persamaan regresi linear berganda di atas, nilai X1t dan X2t
belum diketahui sehingga belum bisa untuk mendapatkan peramalan penjualan ritel.
Oleh karena itu, untuk mendapatkan nilai X1t dan X2t maka dilakukan trend
extrapolation. Berikut ini adalah proses perhitungan trend extrapolation untuk X1t:
6. KESIMPULAN
6.1 Jurnal 1
7. DAFTAR PUSTAKA
Berikut adalah daftar pustaka yang digunakan pada jurnal 1 dan jurnal 2.
7.1 Jurnal 1
Chui, F.; Elkamel, A.; Surit, R.; Croiset, E.; dan Douglas, P.L. 2009. Long-term
electricity demand forecasting for power system planning using economic,
demographic, and climatic variables. European Journal of Industrial
Engineering, Vol. 3, pp: 277-304.
Geem, Z.W. and W.E. Roper (2009). Energy demand estimation of South Korea
using artificial neural network. Energy Policy, Vol. 37, pp.: 4049-4054
Jinke, L.; Huang, S.; and Dianming, G. 2008. Causality relationship between coal
consumption and GDP: difference of major OECD and non-OECD
countries. Applied Energy, Vol. 85, pp.: 421-429
Kankal, M.; Akpinar, A.; Komurcu, M.I.; and Ozsahin, T.S. 2011. Modeling and
forecasting of Turkey’s energy consumption using socio-economic and
demographic variables. Applied Energy, Vol. 88, pp.:1927-1939
Suganti, L.; and Samuel, A.A. 2012. Energi models for demand forecasting-A
review.Renewable and Sustainable Energi reviews, Vol. 16, pp.: 1223-
1240.
Vining, G.G. 1998. Statistical Methods for Engineers. Duxbury Press. Pacific
Grove, CA
Walpole, R.E.; Myers, R.H.; Myers, S.L.; and Ye, K. 2007. Probability and
Statistics for Engineers & Scientists. Pearson Prentice Hall. Upper Saddle
River, NJ
7.2 Jurnal 2
Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2003). Applied multiple
regression/correlation analysis for the behavioral sciences, 3rd Ed.
Mahwah, NJ: Lawrence Erlbaum Associates.
Mining-Long Lee & R. Kelley Pace “Spatial Distribution of Retail Sales”, The
Journal of Retail Estate Finance and Economics, Springer, Vol. 31(1),
pages 53-69, August, 2005.
Lundholm, Russell J. and McVay, Sarah E., “Forecasting Sales: A model and
some evidence from the retail industry” (January, 2004).
Samawi, H.M., Ababneh, F.M., On regression analysis using ranked set sample,
Journal of Statistical Research. 35 (2001), 93-105.