IDENTITAS JURNAL

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

3. VOLUME & HALAMAN

Jurnal 1: Vol.13, No.2 & Hal.166-176
Jurnal 2: Vol.6, No.1 & Hal.91-101

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

1. LATAR BELAKANG PENELITIAN

Berikut ini adalah latar belakang penelitian dari jurnal 1 dan jurnal 2.

1.1 Jurnal 1

Indonesia merupakan salah satu negara terbesar dengan memiliki jumlah

penduduk urutan keempat di dunia. Indonesia sebagai negara berkembang belum
bisa memanfaatkan seluruh sumber daya alam yang tersedia. Contohnya adalah
bahan bakar minyak. Seiring dengan terus bertambahnya jumlah penduduk di
Indonesia maka kebutuhan akan bahan bakar minyak juga semakin bertambah
sehingga indonesia resmi menjadi negara pengimpor minyak sejak tahun 2004.
Salah satu produk bahan bakar minyak (BBM) yang paling krusial adalah
premium. Premium merupakan satu dari tiga produk bahan bakar bersubsidi yang
paling banyak digunakan oleh masyarakat. Berdasarkan data BPH migas,
konsumsi BBM jenis ini selalu mengalami peningkatan setiap tahunnya. Hal ini
berbeda dengan dua jenis produk BBM bersubsidi lainnya yang memiliki
kecenderungan turun sebagaimana yang ditunjukkan pada Gambar 1.

Gambar 1. Perbandingan konsumsi BBM bersubsidi premium,

minyak tanah, dan solar di Indonesia.

Meski premium merupakan kebutuhan bahan bakar yang paling banyak

dikonsumsi di Indonesia, penangganan masalah permintaan belum berubah secara
berarti. Ini terlihat dari perbedaan yang cukup besar antara estimasi penggunaan
premium yang diberikan pemerintah setiap tahunnya dengan realisasi
konsumsinya. Gambar 2 memperlihatkan gap yang cukup besar dan relatif
konstan antara prediksi pemerintah dan realisasi di lapangan. Dari tahun 2007-
2012 terdapat rata-rata perbedaan sebesar 9.44%.

Gambar 2. Perbedaan estimasi alokasi pemerintah dan realiasi konsumsi

premium.

1.2 Jurnal 2

Semakin berkembangnya era globalisasi pada saat sekarang ini membuat

kegiatan-kegiatan manusia juga semakin mudah. Hal ini terjadi karena
berkembangnya ilmu pengetahuan dan juga diikuti oleh berkembangnya
teknologi. Kegiatan yang awalnya dilakukan harus secara langsung bisa
dipermudah dengan adanya teknologi. Contohnya adalah membeli barang. Dahulu
untuk membeli sebuah barang harus pergi ke toko yang menjual barang tersebut.
Namun, pada saat sekarang ini sudah bisa dengan membeli barang tersebut secara
online. Kondisi seperti ini akan menjadi ancaman oleh toko-toko yang biasa
menjualkan produknya secara langsung dan perusahaan yang memproduksi
produk tersebut. Ancaman tersebut adalah berupa kerugian karena produk yang
dijualnya tidak habis terjual dan biaya simpan yang besar. Oleh karena itu
perusahaan dan penjual harus bisa memprediksi banyak barang yang akan terjual
sehingga bisa memproduksi dan memesan barang tersebut dengan jumlah yang
sesuai dan tidak akan menyebabkan kerugian.
2. TUJUAN PENELITIAN

Berikut ini adalah tujuan penelitian dari jurnal 1 dan jurnal 2.

2.1 Jurnal 1

Tujuan dari penelitian ini adalah untuk memprediksi jumlah konsumsi

premium menggunakan beberapa faktor dengan metode regresi linear agar
pemerintah bisa menganggarkan APBN untuk memberikan subsidi pada BBM
jenis premium.

2.2 Jurnal 2

Tujuan dari penelitian ini adalah untuk meramalkan penjualan ritel

menggunakan beberapa faktor dengan metode regresi linear sehingga penjual bisa
memperkirakan barang yang akan dipesan untuk dijualkan.

3. METODOLOGI PENELITIAN

Berikut ini adalah metodologi penelitian dari jurnal 1 dan jurnal 2.

3.1 Jurnal 1

Metodologi penelitian dari jurnal 1 terdiri dari studi literatur, perumusan

masalah, hipotesis, pengumpulan data, pengolahan data, dan analisis data.

3.1.1 Studi Literatur

Studi literatur merupakan langkah awal dalam penulisan sebuah jurnal.

Studi literatur berasal dari referensi yang dijadikan sebagai pedoman selama
proses penulisan jurnal.
3.1.2 Perumusan Masalah

Perumusan masalah dalam jurnal ini adalah untuk memprediksi jumlah

konsumsi premium dan mengetahui pengaruh faktor-faktor yang berhubungan
dengan konsumsi premium.

3.1.3 Hipotesis

Hipotesis awal atau H0 dalam permasalahan ini menduga bahwa faktor-

faktor yang mempengaruhi jumlah konsumsi premium tidak memberikan

pengaruh yang signifikan. Sementara hipotesis akhir atau H1 dalam permasalahan

ini menyatakan bahwa faktor-faktor yang mempengaruhi jumlah konsumsi
premium memberikan pengaruh yang signifikan.

3.1.4 Pengumpulan Data

Dalam penelitian ini, diskusi dengan expert untuk mendapatkan masukan

tentang faktor-faktor yang mempengaruhi konsumsi premium dilakukan dengan
menggunakan wawancara semi terbuka. Data yang akan diolah dalam jurnal ini
adalah data 10 faktor pengaruh jumlah konsumsi premium dari tahun 2001-2012
di Indonesia.

3.1.5 Pengolahan Data

Pengolahan data dalam permasalahan ini dilakukan menggunakan

software SPSS v20. Sementara itu untuk menguji pengaruh variabel-variabel
independent baik secara partial maupun secara simultan dilakukan uji
multikolinearitas, uji-F, uji-t, dan uji residual.
3.1.6 Analisis Data

Setelah data yang ada di dalam permasalahan selesai diolah menggunakan

SPSS, maka data akan dianalisis menggunakan multiple linear regression, analisis
2 2
koefisien determinasi R dan R adj, uji-F, uji-t. Analisis data dilakukan untuk
mengetahui apakah faktor-faktor yang mempengaruhi jumlah konsumsi premium
memberikan pengaruh yang signifikan atau tidak.

3.2 Jurnal 2

Metodologi penelitian dari jurnal 1 terdiri dari studi literatur, perumusan

masalah, pengumpulan data, pengolahan data, dan analisis data.

3.2.1 Studi Literatur

Studi literatur merupakan langkah awal dalam penulisan sebuah jurnal.

Studi literatur berasal dari referensi yang dijadikan sebagai pedoman selama
proses penulisan jurnal.

3.2.2 Perumusan Masalah

Perumusan masalah dalam jurnal ini adalah untuk memperkirakan

penjualan ritel dan mengetahui pengaruh faktor-faktor yang berhubungan dengan
penjualan.

3.2.3 Pengumpulan Data

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

Pengolahan data dalam permasalahan ini dilakukan menggunakan

software Microsoft Excel dan menggunakan ekstrapolasi tren untuk menghitung
nilai kuantitatif perkiraan penjualan ritel.

3.2.5 Analisis Data

Setelah data yang ada di dalam permasalahan selesai diolah menggunakan

Microsoft Excel maka selanjutnya dilakukan analisis melalui koefisien korelasi
dan koefisien determinasi.

4. HASIL DAN PEMBAHASAN PENELITIAN

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

Untuk mendapatkan model MLR dengan menggunakan sepuluh prediktor

disebut diatas digunakan data historikal selama 12 tahun yaitu data dari tahun
2001 hingga 2012. Data-data yang telah dikumpulkan disajikan pada Tabel 1.
Tabel 1. Data Input untuk Model MLR
GDP Jumlah Jumlah Angkutan Jumlah
Tahun Mobil Motor Umum Penduduk
(triliun Rp)
(Juta unit) (Juta Unit) (Juta Unit) (Juta Jiwa)
2001 1.440 3,13 15,28 57,40 208,65
2002 1.505 3,34 17,00 61,25 212,00
2003 1.577 3,72 19,98 68,26 215,28
2004 1.657 4,16 23,06 73,91 217,85
2005 1.751 4,94 28,53 135,94 220,92
2006 1.847 5,89 32,53 149,78 223,57
2007 1.964 6,68 41,96 195,75 226,26
2008 2.082 7,28 47,68 209,49 228,97
2009 2.179 7,70 52,77 210,03 231,72
2010 2.314 8,66 61,08 228,79 234,50
2011 2.465 9,54 68,84 261,27 242,35
2012 2.618 9,89 70,52 283,50 255,59

Tabel 1. Data Input untuk Model MLR (Lanjutan)

Inflasi Disparitas Harga Pertumbuhan Infrastruktur Jumlah
Tahun Pertamax Premium Ekonomi Jalan Subsidi
(%)
(ribuan Rp) (%) (Ribu km) (triliun Rp)
2001 12,55 0,58 3,50 361,01 63,20
2002 10,03 0,59 4,40 368,36 31,10
2003 5,06 0,49 4,90 370,52 30,00
2004 6,40 0,74 5,10 372,63 72,80
2005 17,11 1,69 5,70 391,01 95,50
2006 6,60 1,11 5,50 393,79 64,20
2007 6,59 1,43 6,30 421,54 91,00
2008 11,06 3,04 6,40 437,76 134,00
2009 2,78 2,00 4,50 476,34 99,90
2010 6,96 2,13 6,10 487,31 82,40
2011 3,79 4,08 6,50 496,61 129,72
2012 4,30 5,08 6,23 505,00 211,90

Model MLR yang diperoleh

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.

Tabel 2. Nilai VIF Variabel Prediktor Sebelum Uji Multikolinearitas

Variabel Nilai VIF
Jumlah penduduk 248
Inflasi 3
Disparitas harga 29
Jumlah Subsidi 16
Infrastruktur 222
Pertumbuhan Ekonomi 10
Jumlah Mobil 1.086
Jumlah motor 48
Jumlah mobil umum 1.475
GDP 27.004
 Berdasarkan Tabel 2, terlihat hampir seluruh variabel memiliki
multikolinearitas dari satu variabel dengan variabel yang lain. Untuk itu beberapa
variabel yang memiliki VIF sangat tinggi dihapus untuk menghilangkan
kolinearitas. Tabel 3 menyajikan variabel-variabel dan nilai VIF yang memenuhi
syarat model MLR yang ditandai dengan nilai VIF dari masing-masing variabel
kurang dari 10.

Tabel 3. Nilai VIF Variabel Prediktor Setelah Uji Multikolinearitas

Variabel Prediktor Nilai VIF
Jumlah Mobil 8,862
Inflasi 1,721
Disparitas Harga 5,433
Pertumbuhan Ekonomi 2,468

Berdasarkan Tabel 3 diatas dapat disimpulkan bahwa variabel prediktor

yang akan digunakan pada model MLR adalah jumlah mobil, inflasi, disparitas
harga pertamax premium, dan pertumbuhan ekonomi. MLR yang diperoleh adalah
sebagai berikut:

Y = 11,114 – 0,075X1 + 1,387X2 – 0,275X3 + 1,190X4

Keterangannya adalah Y prediksi jumlah konsumsi premium, X1 adalah

inflasi, X2 adalah perbedaan harga pertamax dan premium, X3 adalah pertumbuhan
ekonomi, dan X4 adalah jumlah mobil. Dari persamaan tersebut, dapat dilihat
pengaruh ke 4 koefisien regresi pada konsumsi premium.

Dari keempat variabel tersebut, variabel disparitas harga pertamax dan

premium dan jumlah mobil memberikan kontribusi positif terhadap konsumsi
premium. Artinya semakin besar perbedaan harga pertamax premium dan semakin
banyak jumlah mobil akan semakin besar konsumsi premium. Sebaliknya
kontribusi variabel pertumbuhan ekonomi dan inflasi adalah negatif yang berarti
semakin baik ekonomi akan mengakibatkan berkurangnya konsumsi premium.
Hasil ini adalah logis dan sesuai dengan realita dilapangan. Ketika harga pertamax
tinggi (naik) sedangkan harga premium tetap banyak konsumer pertamax yang
pindah membeli premium.

Uji Serentak F-test

Uji serentak terhadap model MLR yang diperoleh dilakukan dengan

menyusun hipotesis statement sebagai berikut:
H0 : Model MLR yang diperoleh tidak dapat digunakan untuk mempredisi tingkat
konsumsi premium (dalam bahasa symbol: H0: β1 = β2 = β3 = β4 = 0)
H1 : Model MLR yang diperoleh dapat digunakan untuk mempredisi tingkat
konsumsi premium (H1: sedikitnya satu dari β1, β2, β3, β4 ≠ 0)
Pengambilan keputusan:
Nilai Fstatistik = 45,779 (lihat Tabel 4 Tabel ANOVA)
Nilai FTabel dari Tabel F adalah: FTabel = F{(1-a) (dk pembilang =m)(dk penyebut
= n-m-1)} dengan m = 4, n = 12, a = 0,05, dk penyebut = 12-4-1 = 7 maka FTabel =
F{(1-0,05)(7,4)} = 6,09
Kesimpulan: Fstatistik ≥ Ftabel, maka H0 ditolak (reject H0), artinya
model MLR yang diperoleh secara statistik dapat digunakan untuk memprediksi
konsumsi premium. Karena H0 ditolak, maka tidak perlu dilakukan uji hipotesis
individual.

Tabel 4. Analisis of Variance

Model Sum of df Mean F Sig
Squares Square
Regression 238.07 4 59.51 45,77 0,000
Residual 9.101 7 1,300
Total 247.171 11

Selain menggunakan nilai F, kesimpulan uji serentak juga dapat

menggunakan nilai Significant P-value yaitu sebesar 0,000. Nilai P-value ini lebih
kecil dari α = 0,05, sehingga kesimpulannya konsisten dengan F-test yaitu

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.

Tabel 5. Model Summary

2 2
Model R R Adj. R Std. Error Durbin-
of Y Watson
1 0,981 0,963 0,942 1,14022 1,276

Uji Autokorelasi ini dilakukan dengan menghitung nilai Durbin-Watson

dari model yang diperoleh lalu dibandingkan dengan nilai dL dan dU dari Durbin-
Watson significant tabel. Seperti tertera pada Tabel 5, nilai Durbin-Watson dari
model ini adalah sebesar 1,276 dan nilai dL dan dU dari significant tabel masing-
masing adalah sebesar 0.512 dan 2.177. Nilai dL < dw < dU sehingga tidak bisa
dipastikan (inconclusive) bahwa ada atau tidaknya autokorelasi model ini.

Uji Residual

Scatter plot seperti yang disajikan pada Gambar 3 menunjukkan

gambaran pola yang acak dan sebaliknya tidak menunjukkan adanya pola-pola
tertentu seperti double bowl, funnel, atau curvature sehingga dapat disimpulkan
bahwa data memenuhi persyaratan IIN (identic, independent, normal).
 Gambar 3. Scatter plot dari Studentized Residual

Dengan hasil uji seperti yang dijelaskan di atas maka dapat disimpulkan

bahwa model MRL: Y = 11,114 – 0,075X1 + 1,387X2 – 0,275X3 + 1,190X4

merupakan model yang valid untuk digunakan memprediksi konsumsi premium.
Untuk itu perlu diketahui tingkat error dalam memprediksi variabel tergantung Y
dengan menghitung MAPE.

Perhitungan Error Model MLR

Tabel 6. MAPE dari Model MLR

Konsumsi BBM Konsumsi BBM Persentase
Tahun 6 6 Error
Aktual (x10 KL) MLR (x10 KL)
2001 13,07 12,08 8%
2002 13,63 13,36 2%
2003 14,65 14,64 0%
2004 16,42 15,92 3%
2005 17,48 17,20 2%
2006 16,81 18,48 10%
2007 17,65 19,76 12%
2008 19,52 21,04 8%
2009 21,18 22,32 5%
2010 22,93 23,60 3%
2011 25,52 24,88 3%
2012 28,26 26,16 7%
MAPE 5,18%

Tabel 6 menunjukkan bahwa dalam model regresi linear yang didapat

mempunyai nilai MAPE sebesar 5,18% persen. Hal ini menandakan bahwa model
MLR mempunyai nilai rata-rata persentase error selama meramal konsumsi BBM
premium di Indonesia sebesar 5,18% persen sepanjang tahun 2001 hingga 2012.
Nilai ini jauh lebih baik dari hasil peramalan yag dilakukan oleh pemerintah
dengan rata-rata persentase error hingga 11%. Peramalan konsumsi premium
untuk 5 tahun ke depan dengan menggunakan model MLR yang telah ditemukan
disajikan pada Tabel 7.

Tabel 7. Prediksi Konsumsi Premium untuk Lima Tahun

Inflasi Disparitas Pertumbuhan Jumlah Konsumsi
No Tahun Harga BBM Mobil Premium
(%) (Ribu Rp) 6 6
Ekonomi (%) (x10 Unit) (x10 KL)
1 2013 3,91% 5,8 6,73% 10,57 29,56
2 2014 3,31% 6,2 6,93% 11,23 30,99
3 2015 2,72% 6,7 7,13% 11,90 32,41
4 2016 2,13% 7,2 7,33% 12,56 33,83
5 2017 1,53% 7,6 7,53% 13,23 35,25

Dari Tabel 7 diatas didapatkan bahwa estimasi jumlah konsumsi premium

di Indonesia dari tahun 2013-2017 secara berturut-turut adalah 29.56 juta kiloliter
(KL), 30.99 juta KL, 32.41 juta KL, 33.81 juta KL, dan 35.83 juta KL. Pada
kenyataannya berdasarkan data yang dirilis Pertamina pada tahun 2013, Pertamina
sebagai penyalur tunggal premium telah menyalurkan premium sebanyak 29.26
juta KL. Ini berarti hasil prediksi dengan menggunakan model MLR yang telah
dikembangkan memiliki perbedaan sebesar 0.31 juta KL atau sebesar 1.05% dari
realitas yang sesungguhnya terjadi.

4.2 Jurnal 2

Berikut ini adalah data yang digunakan untuk melakukan peramalan

penjualan ritel:
Tabel 8. Data Input Model MLR

Berdasarkan data diatas dilakukan perhitungan menggunakan Microsoft

Excel dengan Metode Regresi Linear sebagai berikut ini:

Gambar 4. Pengolahan Data dengan Microsoft Excel

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

Hasil pengolahan data diatas dapat diformulasikan kedalam bentuk regresi

linear berganda yaitu:
Y = −33,926 + 5,204 ⋅ X1t + 4,328⋅X2t

Setelah didapatkan persamaan regresi diatas, dilakukan analisis terhadap

koefisien korelasi dan koefisien koordinasi yang dapat dilihat pada tabel statistik
regresi berikut ini:

Tabel 9. Statistik Regresi

Explanation
Multiple R 0,99254985 Correlation coefficient
R Square 0,985155205 Coefficient of determination
Adjusted R Square 0,980913834 Adjusted coefficient of determination
Standard Error 1,187452526 Standard Error is a measure of error in prediction
Observation 10 Number of observations used in the regression

Berdasarkan tabel diatas, dapat dilihat bahwa koefisien korelasi diperoleh

angka R sebesar 0,992. Hal ini menunjukkan bahwa terjadi hubungan yang sangat
kuat dan positif antara faktor-faktor tersebut terhadap penjualan ritel. Sedangkan
pada analisis determinasi berdasarkan tabel di atas diperoleh angka Adjusted R
Square sebesar 0,98 atau (98%). Hal ini menunjukkan bahwa persentase
sumbangan pengaruh variabel independen terhadap variabel dependen sebesar
98% atau variasi variabel independen yang digunakan dalam model mampu
menjelaskan sebesar 98% variasi variabel dependen. Sedangkan sisanya sebesar
2% dipengaruhi atau dijelaskan oleh variabel lain di luar model penelitian ini.

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:

Tabel 10. Pengolahan Trend Extrapolation X1

Gambar 6. Pengolahan Trend Extrapolation X1

 Berdasarkan hasil pengolahan data diatas dapat diketahui bahwa untuk
nilai X1t atau pemasukan konsumen yang diharapkan adalah sebesar 23,311 ribu
dollar. Berikut ini adalah proses perhitungan trend extrapolation untuk X2t

Tabel 11. Pengolahan Trend Extrapolation X2

Gambar 7. Pengolahan Trend Extrapolation X2

 Berdasarkan hasil pengolahan data diatas dapat diketahui bahwa untuk
nilai X2t atau pemasukan konsumen yang diharapkan adalah sebesar 14,473 ribu
dollar. Karena hasil dari X1t dan X2t sudah didapatkan, maka nilai dari peramalan
penjualan ritel untuk bulan Januari bisa didapatkan, yaitu sebagai berikut:

Jadi, peramalan penjualan ritel berdasarkan metode regresi linear sama

dengan 150,024 ribu dollar.

5. KELEBIHAN DAN KEKURANGAN PENELITIAN

Berikut ini adalah perbandingan kelebihan dan kekurangan dari kedua

jurnal yang berkaitan dengan metode regresi linear.

 Latar belakang dari jurnal 1 memaparkan permasalahan yang terjadi

sehingga permasalahan tersebut bisa diselesaikan dengan menggunakan
regresi linear berganda sementara pada jurnal 2 kurang memaparkan
permasalahan dan lebih memaparkan pemanfaatan metode regresi linear.
Dalam hal ini tentu jurnal 1 memiliki kelebihan karena pembaca bisa
mengetahui dengan jelas yang mendasari terjadinya permasalahan ini.
 Jurnal 1 menggunakan uji multikolinearitas sehingga bisa ditentukan lebih
detail variabel-variabel independen yang akan digunakan untuk
memprediksi variabel dependen. Semetara pada jurnal 2 tidak
menggunakan uji multikolinearitas dan langsung menggunakan faktor-
faktor yang telah didapatkan dari awal. Dampak yang ditimbulkan jika
tidak melakukan uji multikolinearitas ini adalah kita tidak bisa mengetahui
apakah ada korelasi antara varibel independen karena jika ada korelasi
yang tinggi antara varibel independennya maka hubungan antara variabel
independen terhadap variabel dependennya menjadi terganggu.
 Kedua jurnal hanya berpatokan kepada uji-F yang dilakukan sehingga
hanya bisa mendapatkan hasil secara general atau secara umum.
Seharusnya kedua jurnal juga berpatokan kepada hasil uji-t karena lebih
memaparkan hubungan yang parsial antara variabel independen dengan
variabel dependen. Pada jurnal 1 telah memasukan uji-t dalam metodologi
penelitian, tetapi tidak melakukan analisis terhadap uji-t dalam hasil dan
pembahasannya. Sedangkan pada jurnal 2 telah melakukan analisis pada
uji-t tetapi model yang didapatkan tetap berdasarkan uji-F.
 Kedua jurnal sama-sama menggunakan analisis koefisien korelasi dan
analisis koefisien koordinasi. Bedanya adalah pada jurnal 2 untuk
koefisien korelasi dan determinasi dihitung dengan dua cara, yaitu dengan
perhitungan menggunakan Microsoft Excel dan juga menggunakan rumus
manual dan didapatkan hasil yang sangat mendekati. Sedangkan pada
jurnal 1 hanya melakukan analisis dari hasil perhitungan menggunakan
software SPSS v20.
 Jurnal 1 menggunakan uji residual dengan scatter plot sedangkan jurnal 2
tidak menggunakan uji residual. Tujuan dilakukannya uji residual sangat
baik yaitu dalam hal ini dianggap sebagai kesalahan dalam memprediksi
harus memenuhi asumsi IIN yaitu identik (memiliki varian yang konstan),
independen (saling bebas dan tidak ada autokorelasi antar residual), dan
berdistribusi normal. Hasil scatter plot yang acak menunjukkan bahwa
model regresi memenuhi syarat IID. Sebaliknya scatter plot yang
menunjukkan pola tertentu seperti dua mangkok (double bowl), corong
(funnel), dan lembah (curvature) menunjukkan data tidak memenuhi syarat
IID yang berarti model regresi linear berganda kurang tepat untuk
digunakan.
 Jurnal 1 melakukan uji error dengan metode MAPE untuk model
persamaan regresi linear berganda sedangkan jurnal 2 tidak ada. Tujuan
dilakukannya uji error adalah untuk mengetahui seberapa besar
kemampuan model yang didapatkan untuk melakukan peramalan terhadap
permasalahan.
 Jurnal 1 dan jurnal 2 sama sama melakukan peramalan kedepannya
menggunakan model regresi linear berganda yang telah didapatkan. Untuk
jurnal 1 melakukan peramalan untuk 5 tahun kedepan yaitu tahun 2012-
2017 sedangkan untuk jurnal 2 melakukan peramalan untuk 1 bulan
kedepan yaitu bulan Januari. Perbedannya adalah untuk jurnal 1 langsung
didapatkan hasilnya dalam tabel sedangkan untuk jurnal 2 dijelaskan
tahapan-tahapan untuk melakukan peramalannya. Tahapan yang dimaksud
adalah ketika sudah didapatkan persamaan regresi linear berganda maka
perlu dilakukan peramalan untuk varibel independen dari persamaan
tersebut. Jadi, pada jurnal 2 dilakukan peramalan untuk masing-masing
varibel independen yaitu menggunakan metode regresi linear sederhana
dengan trend extrapolation.

6. KESIMPULAN

Berikut ini adalah kesimpulan dari jurnal 1 dan jurnal 2.

6.1 Jurnal 1

Berdasarkan sepuluh kandidat variabel prediktor diperoloeh model MLR

yaitu Y = 11,114 – 0,075X1 + 1,387X2 – 0,275X3 + 1,190X4. Dari model tersebut

diperoleh empat variable yang berpengaruh pada jumlah konsumsi premium yaitu
inflasi, disparitas harga pertamax dan premium, pertumbuhan ekonomi, dan
jumlah mobil. Dari keempat variabel tersebut, disparitas harga pertamax terhadap
premium adalah variabel yang paling mempengaruhi jumlah konsumsi premium,
diikuti jumlah mobil. Sedangkan variabel inflasi dan pertumbuhan ekonomi
memiliki pengaruh negatif. Model MLR tersebut telah digunakan untuk
mengestimasi konsumsi premium di tahun 2013 dengan error 1.05% terhadap
realitas yang terjadi.
6.2 Jurnal 2

Model regresi linear berganda efektif untuk peramalan penjualan ritel di

bawah pengaruh pendapatan konsumen yang diharapkan dan biaya iklan. Hal ini
dapat diterapkan untuk peramalan data bisnis lainnya. Menggunakan model
tersebut untuk peramalan penjualan ritel dapat membantu manajer perusahaan
dalam perencanaan dan pengambilan keputusan yang lebih efektif.

7. DAFTAR PUSTAKA

Berikut adalah daftar pustaka yang digunakan pada jurnal 1 dan jurnal 2.

7.1 Jurnal 1

Bianco, V; Manca, O.; and Nardini, S. 2009. Electricity consumption forecasting

in Italy using linear regression models. Energy, Vol. 34, pp: 1413-1421.

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

Mohamed, Z.; and Bodger, P. 2005. Forecasting electricity consumption in New

Zealand using economic and demographic variables. Energy, Vol. 30, pp.:
1833-1843.

Ozturk, I. and Acaravci, A. 2010. The casual relationship between energy

consumption and GDP in Albania, Bulgaria, Hungary, and Romania:
evidence from ARDL bound testing approach. Applied Energy, Vol. 87,
pp.: 1938-1943
Sözen, A. and Arcaklioglu , E. 2007. Prediction of net energy consumption based
on economic indicators (GNP and GDP) in Turkey. Energy Policy, Vol. 35,
pp.: 4981-4992

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.

Rogers, David S. “A Review of Sales Forecasting Models,” International Journal

of Retail and Distribution Management, MCB University Press, Vol. 20,
Issue 4, 1992.

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).

Wassana Suwanvijit, Chamnein Choonpradub, Nittaya McNeil “Statistical Model

For Short-Term Forecasting Sparkling Beverage Sales In Southern
Thailand”, International Business & Economics Research Journal, Vol.8,
№9, September 2009.

Samawi, H.M., Ababneh, F.M., On regression analysis using ranked set sample,
Journal of Statistical Research. 35 (2001), 93-105.