Nama Kelompok 1B :

1. Dina Azalia W. 201612054

2. Rulli Handrian 201812002
3. Erlia Safa M. 201812009
4. Bagus Satrio L. 201812029
5. Anita Dewi N. 201812040
6. Ardi Eka H 201812054
7. Zidda Kamalia 201812068

1. SURVEY NIAT PEMBELI

A. Identitas Responden
Mohon kesediaan Bapak/Ibu/Sdr/i mengisi dan memberikan tanda check list (√) pada
pertanyaan berikut :
Nama :
Umur :
Jenis Kelamin :
Pekerjaan :

B. Petunjuk Pengisian
Mohon Bapak/Ibu/Sdr/i memberikan tanda check list (√) pada salah satu jawaban
yang sesuai dengan pendapat dari Bapak/Ibu/Sdr/i. Setiap orang dapat mempunyai
jawaban yang berbeda dan tidak ada jawaban yang dianggap salah.

Keterangan Jawaban :
SS = Sangat Setuju TT = Tidak Setuju
S = Setuju STS = Sangat Tidak
Setuju
RR = Ragu-Ragu

Motivasi Konsumen

No. Penyataan SS S RR STS

1. Harga spepart Federal Parts terjangkau
oleh masyarakat
2. Harga sparepart Federal Parts sesuai
dengan harapan saya
3. Saya terdorong membeli sparepart
Federal Parts karena memiliki kualitas
yang terjamin
4. Kualitas sparepart Federal Parts terbukti
sesuai dengan keinginan saya
5. Saya membeli sparepart Federal Parts
karena keberadaannya mudah dijumpai
di setiap toko sparepart sepeda motor
6. Saya membeli sparepart Federal Parts
karena ketersediaan barang selalu
 banyak dan lengkap di setiap toko
sparepart sepeda motor

Kepercayaan Konsumen

No. Penyataan SS S R STS

R
Persepsi Integritas (Integrity)
1. Saya merasa sparepart Federal Parts
mempunyai reputasi yang bagus
2. Sparepart Federal Parts memberikan
kualitas produk yang sesuai dengan
harapan saya
Persepsi Kebaikan (Benevolence)
3. Saya yakin sparepart Federal Parts
selalu memberikan yang terbaik bagi
konsumennya
4. Saya yakin Sparepart Federal Parts akan
memberikan kualitas semaksimal
mungkin demi kepuasan konsumen
Persepsi Kompetensi (Competence)
5. Saya yakin produk Federal Parts adalah
produk yang unggul dan kompeten
dalam memenuhi kebutuhan konsumen
6. Saya merasa kualitas sparepart Federal
Parts sangat baik dibanding sparepart
merk lain

Sikap Konsumen

No. Penyataan SS S R STS

R
Minat Transaksional
1. Saya tertarik untuk membeli sparepart
Federal Parts karena tersedia banyak
produk sparepart
Minat Referensional
2. Saya bersedia merekomendasikan
sparepart Federal Parts kepada orang
lain
Minat Preferensial
3. Saya memilih sparepart Federal Parts
dalam memenuhi kebutuhan saya akan
sparepart sepeda motor
4. Sparepart Federal Parts lebih menarik
perhatian saya
Minat Eksploratif
5. Saya menanyakan informasi produk
 sparepart Federal Parts kepada orang
yang sudah menggunakannya
6. Saya tertarik untuk membeli sparepart
Federal Parts setelah mendapat
informasi dari teman atau kerabat

Keputusan Pembelian

No. Penyataan SS S R STS

R
1. Menurut saya tidak ada pilihan merek
lain untuk membeli sparepart sepeda
motor kecuali merek Federal Parts
(Sparepart merek Federal Parts adalah
pilihan yang terbaik)
2. Menurut saya informasi tentang kualitas
sparepart merek Federal Parts sudah
terkenal di masyarakat
3. Saya tidak mendapatkan hambatan
dalam memperoleh informasi tentang
kualitas sparepart Federal Parts
4. Saya tertarik membeli ulang sparepart
Federal Parts karena selain harganya
yang murah, kualitasnya juga bagus
5. Saya menggunakan sparepart Federal
Parts karena dapat memenuhi kebutuhan
saya
6. Sparepart Federal Parts adalah produk
sparepart yang berkualitas

2. PENDAPAT PARA TENAGA PENJUAL

Ramalan Kualitatif
a. Metode Pendapat Para Tenaga Penjualan : Menekankan pertimbangan dan
keahlian dari para tenaga penjualan. Metode ini sering digunakan oleh perusahaan
kecil dan perusahaan yang menghasilkan sedikit produk.
Kelebihan dari metode pendapat para tenaga penjualan adalah:
1) Menanamkan tanggung jawab dan rasa memiliki terhadap perusahaan;
2) Ramalan dibuat oleh individu yang terdekat dengan pelanggan;
3) Rencana awalnya disetujui oleh orang yang bertanggung jawab untuk
tercapainya target penjualan

Sedangkan, kekurangan dari metode pendapat para tenaga penjualan yaitu:

1) Tenaga penjualan bisa menjadi terlalu optimis maupun terlalu pesimis dalam
meramalkan target penjualan;
2) Terdapat kemungkinan variabel sebab akibat yang luas tidak mendapat
perhatian yang cukup sehingga evaluasi potensi pasar menjadi tidak layak;
3) Metode ini terbatas pada ramalan taktis jangka pendek.
KUISONER PENDAPAT PARA TENAGA PENJUAL

KUESIONER PENELITIAN
Kepada :
Yth. Bapak/Ibu/Sdr/i

“PENGARUH HARGA , PROMOSI , DAN INOVASI TERHADAP

VOLUME PENJUALAN DI PT. ANUGERAH KEMASAN SEJAHTERA
SURABAYA”

Bapak/Ibu/Sdr/i Responden Yang Terhormat,

Kuesioner ini dibuat dalam rangka menunjang penelitian yang dilakukan

oleh

Mahasiswi S1 Program Studi Manajemen Fakultas Ekonomi dan Bisnis Universitas

17 Agustustus 1945 tentang “Pengaruh Harga, Promosi, Dan Inovasi Terhadap
Volume Penjualan Di PT Wjaiaya Kemasan Surabaya”, maka dari itu saya
mengharapkan kesediaan Bapak/Ibu/Sdr/i untuk mengetahui seberapa besar pengaruh
Harga, Promosi, Dan Invoasi PT Anugerah Kemasan Sejahtera . Atas bantuan dan
kesediaan Bapak/Ibu/Sdr/i untuk mengisi kuesioner ini saya ucapkan terima kasih.

Hormat saya,

Alexander Grey
Petunjuk : Berilah tanda centang (√) pada pernyataan yang dianggap
paling sesuai.

IDENTITAS RESPONDEN:

1. Nama :
2. Jenis Kelamin :
3. Umur Saudara saat ini:
< 25 tahun 26-35 tahun 36-45 tahun

>45 tahun

PETUNJUK PENGISIAN :

Berilah tanda check list (√) pada salah satu jawaban yang paling sesuai dengan
pendapat saudara. Kriteria peniliaian:
 STS : Sangat Tidak Setuju
 TS : Tidak Setuju
 N : Netral
 S : Setuju
 SS : Sangat Setuju
DAFTAR PERTANYAAN KUESIONER :
HARGA (X1)

No Pernyataan STS TS N S SS
1 Harga produk yang ditawarkan
perusahan sangat terjangkau.
2 Harga produk yang ditawarkan sesuai
dengan kualitasnya.
3 Harga produk yang ditawarkan sesuai
dengan manfaat yang diperoleh
konsumen.
4 Harga produk yang ditawarkan dapat
bersaing dengan dengan perusahaan lain
yang serupa.

PROMOSI (X2)
No Pernyataan STS TS N S SS
1 Informasi dari penjelasan yang diberikan
menarik, jelas, dan sesuai dengan
kenyataan sehingga berminat untuk
membeli produk nya
2 Tenaga Penjual ( Personal Selling)
bersikap ramah ketika menyapa calon
kunsumen.
3 Promosi barang dengan cara gratis
ongkir dengan minimal pembelian
tertentu.
4 Situs web yang dimiliki perusahaan
membantu saya dalam mencari
informasi mengenai produk yang dijual
 INOVASI (X3)

No Pernyataan STS TS N S SS
1 Variasi produk botol yang ditawarkan
beragam sehingga memiliki keunggulan
bersaing di inovasi
2 Perbaikan yang dilakukan perusahan
dapat memberikan nilai yang lebih
dibandingkan perusahaan dengan usaha
yang serupa
3 Perusahaan berupaya untuk
megembangkan pasar baru dalam dunia
plastik.

VOLUME PENJUALAN (Y)

No Pernyataan STS TS N S SS
1 Saya merasa frekuensi pembelian
meningkat
2 Saya merasa produk yang ditawarkan
perusahaan up to date
3 Saya merasa lokasi penjualan sangat
strategis
4 Saya merasa pelayanan sangat baik
3. PENDAPAT PARA AHLI
Berbagai organisasi menggunakan tiga jenis peramalan yang utama dalam perencanaan
operasi dimasa depan (Jay Hezer, Berry Render, 2009:164) yaitu sebagai berikut :
 Peramalan ekonomi (economic forecast) merupakan jenis peramalan yang
merencanakan indikator-indikator yang berguna dalam membantu orgnisasi
menyiapkan peramalan jangka menengah dan jangka panjang. Jenis peramalan ini
menjelaskan siklus bisnis dengan memprediksikan tingkat inflasi, ketersediaan
uang ataupun dana yang dibutuhkan untuk membangun usaha dan indikator
perencanaan lainnya.
 Peramalan teknologi (technological forecast) yaitu peramalan jangka panjang
yang sangat memperhatikan tingkat kemajuan teknologi guna meluncurkan
produk baru yang menarik dan yang membutuhkan pabrik maupun peralatan baru.
 Peramalan Permintaan (demand forecast) merupakan proyeksi penjualan suatu
perusahaan yang berlaku pada setiap periode dalam perencanaan horizon.
4. ANALISIS DERET WAKTU (TIME SERIES)
Deret waktu merupakan rangkaian data yang diukur berdasarkan waktu dengan selang
interval yang sama. Dalam hal ini, variabel waktu selalu ada dalam analisis deret waktu.
Dalam analisa statistik, data dengan variabel waktu selalu dikaitkan dengan peramalan
suatu objek yang dihasilkan pada waktu yang akan mendatang. Peramalan (forecast)
merupakan suatu usaha untuk melakukan prediksi suatu objek tertentu di masa yang akan
mendatang berdasarkan fakta-fakta yang diperoleh sebelumnya.
Jenis-Jenis Peramalan :
1) Peramalan Kualitatif : Peramalan yang didasari pada fakta subjek dan objek
yang ada pada masa lalu. Contohnya Pemilihan keputusan, survey pasar,
identifikasi seseorang, dan jajak pendapat.
2) Peramalan Kuantitatif : Peramalan yang didasari pada fakta nilai yang telah ada
pada masa lalu. Contohnya kurs uang, cuaca esok hari, rencana anggaran biaya
produksi, dan jumlah produksi.
Pola Data Stasioner pada Deret Waktu

a. Stasioner pada rata-rata dan ragam

b. Stasioner pada ragam namun tidak stasioner pada rata-rata
c. Stasioner pada rata-rata namun tidak stasioner pada ragam
d. Tidak stasioner pada rata-rata maupun ragam
Metode Peramalan Kuantitatif
1) Data Historis : Metode Naïve, Trend Analysis, Semi Average, Moving Average,
Single Exponential Smoothing, Double Exponential Smoothing (Hold Method),
Triple Exponential Smoothing (Holt-Winter Method), Dekomposisi
2) Kausalitas : Regresi, Autoregressive Integrated Moving Average (ARIMA),
Autoregressive Conditional Heteroscedasticity (ARCH), Model-Model
Ekonometrika
Trend Analysis
Trend Analysis merupakan metode peramalan berdasarkan data historis berpola trend
dengan menggunakan model regresi. Ada empat penggunaan model yang sering
digunakan dalam trend analysis.
1) Model Linear
2) Model Kuadratik
3) Model Pertumbuhan Eksponensial
4) Model Pearl-Reed Logistic
Moving Average
Moving Average merupakan metode peramalan berdasarkan data historis berpola
stasioner dengan menghitung rata-rata observasi data aktual secara berturut-turut sesuai
dengan periode bergerak yang diinginkan. Moving Average cocok digunakan apabila
data tidak mengandung komponen trend dan musiman. Rumus umum Moving Average
didefinisikan sebagai berikut:

At  At 1    At  n
Ft  n  
n
Dengan:
Ft(n) = Nilai peramalan pada periode ke-t dengan Moving Average n periode
At = Nilai peramalan pada periode ke-t
Single Exponential Smoothing
Single Exponential Smoothing merupakan metode peramalan berdasarkan data historis
berpola stasioner dengan menggunakan bobot pemulusan dengan taraf (tingkat) tertentu.
Rumus umum Single Exponential Smoothing didefinisikan sebagai berikut:

 At t 3
Ft  
 At 1   1    Ft 1 0    1; t  3

Dengan:
Ft = Nilai peramalan pada periode ke-t dengan Moving Average n periode
At = Nilai aktual pada periode ke-t
α = Bobot pemulusan taraf (tingkat)
Dalam model ARIMA, metode Single Exponential Smoothing dimodelkan sebagai
ˆ ˆ
model ARIMA(0,1,1) atau Yt  Yt 1  1et 1 dengan 1  1   dan et 1  Yt 1  Yt 1
Double Exponential Smoothing
Double Exponential Smoothing atau (Holt Method) merupakan metode peramalan
berdasarkan data historis berpola trend dengan menggunakan bobot pemulusan dengan
taraf (tingkat) dan trend tertentu. Rumus umum Double Exponential Smoothing
didefinisikan sebagai berikut:

Ft  Lt 1  Tt 1
Dengan:
Ft = Nilai peramalan pada periode ke-t dengan Moving Average n periode
At = Nilai aktual pada periode ke-t

Lt   Yt   1     Lt 1  Tt 1 
Lt = Nilai penduga taraf pada periode ke-t dengan rumus

Tt    Lt  Lt 1    1    Tt 1
Tt = Nilai penduga trend pada periode ke-t dengan rumus
α = Bobot pemulusan taraf (tingkat)
 Dalam model ARIMA, metode Double Exponential Smoothing dimodelkan sebagai
model ARIMA(0,2,2). Pemilihan nilai awal pada nilai taraf diasumsikan sebagai nilai
awal pada nilai aktual. Sementara nilai awal pada nilai trend dapat menggunakan
berbagai cara. Paling umum digunakan yaitu selisih periode kedua dan pertama pada data
aktual.
Triple Exponential Smoothing
Triple Exponential Smoothing atau (Holt-Winter Method) merupakan metode peramalan
berdasarkan data historis berpola trend dan musiman dengan menggunakan bobot
pemulusan dengan taraf (tingkat), trend, dan musiman tertentu. Model Triple
Exponential Smoothing dibagi menjadi dua, yaitu:

Ft   Lt 1  Tt 1  St  L
1. Model Multiplikatif

2. Model Aditif
Ft  Lt 1  Tt 1  St  L

Masing-masing model memiliki formulasi untuk menghitung penduga taraf, trend, dan
musiman secara berturut-turut dirumuskan sebagai berikut:
Model Multiplikatif
At
Lt     1     Lt 1  Tt 1  , 0    1
St  L

Tt    St  St 1    1    Tt 1 , 0    1

At
St     1    St  L , 0    1
St 1
Model Aditif

Lt    At  St  L    1     Lt 1  Tt 1  , 0    1

Tt    St  St 1    1    Tt 1 , 0    1

St    At  St 1    1    St  L ,0    1

Bagaimana mencari nilai awal untuk masing-masing penduga taraf, trend, dan musiman
untuk model multiplikatif dan aditif?
Contoh Kasus
Berikut adalah data harga saham dari Color Vision Company selama tiga puluh bulan.
Dengan menggunakan data pada slide berikut, lakukan analisis sebagai berikut:
a. Buatlah grafik peramalan, lakukan peramalan selama periode tersebut dan 5 periode
mendatang dengan metode:
• Trend Linear
 • Moving Average 3 Periode
• Simple Exponential Smoothing dengan bobot pemulusan tingkat 0.5
• Double Exponential Smoothing dengan bobot pemulusan tingkat 0.5 dan trend 0.5
• Metode Holt-Winter multiplikatif dengan panjang musiman 12 dan bobot pemulusan
tingkat 0.5, trend 0.3, dan musiman 0.6
b. Dengan menggunakan kriteria ukuran galat peramalan, metode manakah yang terbaik
untuk meramalkan harga saham dari Color Vision Company pada periode bulan yang akan
datang?

Bulan Harga Saham Bulan Harga Saham

1 71 16 78
2 70 17 86
3 69 18 82
4 68 19 75
5 64 20 73
6 65 21 72
7 72 22 73
8 78 23 72
9 75 24 77
10 75 25 83
11 75 26 81
12 70 27 81
13 75 28 85
14 75 29 85
15 74 30 84

JAWABAN A :
Garis observasi berwarna biru menunjukkan nilai aktual harga saham. Garis observasi
berwarna merah menunjukkan nilai peramalan harga saham berdasarkan periode yang
bersesuaian dengan nilai aktual. Garis observasi berwarna berwarna hijau merupakan nilai
peramalan untuk periode yang akan mendatang. Sementara garis observasi berwarna ungu
menunjukkan selang kepercayaan parameter penduga.

Bagaimana anda mengintepretasikan plot diatas?

Harga Linear Moving Single Exponential Double Exponential
Bulan Holt-Winter
Saham Trend Average Smoothing Smoothing
1 71 68.3204   71.0000 68.3204 69.2566
2 70 68.8110   71.0000 70.8207 69.9088
3 69 69.3015 70.0000 70.5000 71.3656 70.0264
4 68 69.7921 69.0000 69.7500 70.5467 72.2139
5 64 70.2826 67.0000 68.8750 69.0005 71.2251
6 65 70.7732 65.6667 66.4375 64.9773 65.3463
7 72 71.2637 67.0000 65.7188 63.4714 61.8438
8 78 71.7542 71.6667 68.8594 68.3506 69.1738
9 75 72.2448 75.0000 73.4297 76.2025 73.2851
10 75 72.7353 76.0000 74.2148 78.3279 76.5608
11 75 73.2259 75.0000 74.6074 78.5586 76.9430
12 70 73.7164 73.3333 74.8037 77.7843 77.2883
13 75 74.2070 73.3333 72.4019 72.9511 78.1625
14 75 74.6975 73.3333 73.7009 73.5467 74.8835
15 74 75.1881 74.6667 74.3505 74.2078 73.7625
16 78 75.6786 75.6667 74.1752 73.9864 74.9998
17 86 76.1692 79.3333 76.0876 76.8791 77.0171
18 82 76.6597 82.0000 81.0438 84.6057 84.3468
19 75 77.1502 81.0000 81.5219 85.8176 85.5164
20 73 77.6408 76.6667 78.2610 80.2191 81.5126
21 72 78.1313 73.3333 75.6305 74.6151 71.6809
22 73 78.6219 72.6667 73.8152 70.6593 70.0325
23 72 79.1124 72.3333 73.4076 69.7666 70.0365
24 77 79.6030 74.0000 72.7038 69.3786 68.8054
25 83 80.0935 77.3333 74.8519 73.5899 79.1378
26 81 80.5841 80.3333 78.9260 81.0481 81.7322
27 81 81.0746 81.6667 79.9630 83.7652 81.4064
28 85 81.5651 82.3333 80.4815 84.4324 84.5334
29 85 82.0557 83.6667 82.7407 86.9079 87.9359
30 84 82.5462 84.6667 83.8704 87.6687 84.8745
Hasil peramalan pada setiap bulan berdasarkan masing-masing metode.
Plot berikut merupakan plot pembanding hasil peramalan dengan metode peramalan yang
lain sehingga mudah melihat pergerakan hasil peramalan yang dekat dengan nilai aktual.
Bagaimana mengintepretasikannya?
Nilai peramalan harga saham Color Vision Company untuk 5 bulan mendatang dari
setiap metode ditunjukkan pada tabel berikut:

888
888
888
888
888

JAWABAN B

Ukuran Linear Moving Single Double Holt-

Peramala Trend Averag Exponential Exponentia Winter
n e Smoothing l Smoothing

MAPE 4.2223 2.8409 4.0541 5.2070 4.7131

MAD 3.1592 2.1667 3.0859 3.9384 3.5244

 MSD 15.6847 8.8333 16.8541 25.5719 23.6989

Berdasarkan ukuran peramalan dengan menggunakan MAPE, MAD, dan MSD didapat
bahwa metode Moving Average merupakan metode yang terbaik sebagai metode peramalan
harga saham Color Vision Company untuk periode yang akan datang.

Metode Arima
Model ARIMA (AutoRegressive Integrated Moving Average) merupakan metode peramalan
kausal untuk memprediksikan data deret waktu yang memiliki pola yang cukup kompleks.
Peramalan dengan model ARIMA hanya dapat digunakan untuk periode waktu yang pendek
(Short Period) tergantung data yang ada pada periode sebelumnya.
Dalam praktek statistik, peramalan dengan model ARIMA dikategorikan sebagai pemodelan
interatif. Sehingga lebih mudah digunakan dengan cara komputasi karena pemodelan dengan
ARIMA lebih sering bersifat Trial and Error untuk mencari model yang terbaik dalam
penggunaan model ARIMA yang layak digunakan.
Tahapan dari Model ARIMA
1. Identifikasi Model dengan menggunakan korelogram fungsi Autokorelasi (ACF) dan
fungsi Autokorelasi Parsial) (PACF)
2. Estimasi penduga parameter model berdasarkan hasil identifikasi model dengan
metode penduga tertentu.
3. Diagnosa kelayakan model dengan menggunakan “L-Jung-Box Method” atau “Q Box
and Pierce Test”, apabila nilai P-Value lebih kecil dibandingkan nilai taraf nyata untuk
setiap lag-nya maka model tidak layak sehingga kembali ke langkah 1. Jika sebaliknya
(untuk setiap lag P-Value > Taraf Nyata), maka model dikatakan layak digunakan
sebagai model peramalan.
4. Melakukan peramalan.
Aturan Pemodelan dalam ARIMA
1. Jika data deret waktu memiliki autokorelasi positif lebih banyak, maka diperlukan
differencing lebih banyak
2. Jika pada lag-1 autokorelasinya bernilai 0 atau negatif, atau autokorelasinya kecil dan
tidak berpola, maka data deret waktu tidak memerlukan differencing. Jika pada lag-1
autokorelasinya bernilai -0.5 atau kurang, maka data deret waktu mengalami
overdifferenced.
3. Differencing yang optimal yaitu differencing yang memiliki nilai simpangan baku
terkecil
4. Model tanpa differencing diasumsikan bahwa data deret waktu nilai aktualnya bersifat
stasioner . Model dengan differencing pertama diasumsikan bahwa data deret waktu
memiliki rata-rata trend yang konstan. Model dengan differencing kedua diasumsikan
bahwa data deret waktu memiliki trend waktu yang berbeda.
5. Model tanpa differencing biasanya mengikutsertakan parameter konstan. Model
dengan differencing kedua biasanya tidak mengikutsertakan parameter konstan. Model
dengan differencing pertama pada parameter konstan diikutserkana jika deret memiliki
rata-rata trend yang tak nol
6. Jika PACF pada deret waktu yang sudah di-differencing menggambarkan
perpotongan dan/atau autokorelasi pada lag-1 bernilai positif, jjka deret terlihat sedikit
“underdifferenced”, maka pertimbangkan untuk menambahkan 1 atau lebih bentuk AR
pada model. Lag diluar perpotongan mengindinkasikan banyaknya bentuk AR yang
dimasukkan dalam model.
7. Jika ACF pada deret waktu yang sudah di-differencing menggambarkan perpotongan
dan/atau autokorelasi pada lag-1 bernilai negatif, jjka deret terlihat sedikit
“overdifferenced”, maka pertimbangkan untuk menambahkan bentuk MA pada model.
Lag diluar perpotongan mengindinkasikan banyaknya bentuk MA yang dimasukkan
dalam model.
8. Ada kemungkinan bentuk AR dan MA untuk tidak mempengaruhi bentuk yang
lainnya. Jika campuran model AR dan MA fit pada data, cobalah untuk memodelkan
dengan mengurangi satu bentuk AR dan mengurangi satu bentuk MA. Hati-hati dengan
penggunaan bentuk AR DAN bentuk MA pada model yang sama.
9. Jika data deret waktu memiliki pola musiman yang kuat dan konsisten, maka harus
gunakan differencing musiman (Jika model diasumsikan pola musiman akan memudar
sepanjang waktu). Oleh karena itu, jangan gunakan lebih dari satu differencing musiman
atau lebih dari dua total differencing (nonmusiman+musiman)
10. Jika autokorelasi pada data deret waktu yang sudah di-differencing-kan bernilai
positif pada lag ke-S (S nilai periode musiman), maka pertimbangkan untuk
menambahkan bentuk SAR dalam model. Jika autokorelasi pada data deret waktu yang
sudah di-differencing-kan bernilai negatif pada lag ke-S, maka pertimbangkan untuk
menambahkan bentuk SMA dalam model.
N.B: Pada situasi nantinya akan terjadi jika differencing musiman digunakan harus
dilakukan jika data telah stabil dan memiliki pola musiman yang logis. Stiuasi sebelumnya
pun akan terjadi jika differencing musiman tidak digunakan hanya jika pola musiman tidak
stabil sepanjang waktu. Cobalah untuk menghindari penggunaan lebih dari satu atau dua
parameter musiman (SAR+SMA) pada model yang sama. Sehingga tidak terjadi overfitting
pada data atau masalah dalam pendugaan.
5. ANALISIS REGRESI
Pengertian Regresi : Regresi adalah suatu metode statistik dengan merumuskan persamaan
atau fungsi matematis yang menunjukkan hubungan atau pengaruh dari dua buah variabel
atau lebih. Regresi ini juga dapat digunakan sebagai suatu prediksi dengan data-data yang
diolah merupakan data kuantitatif. Berikutnya akan dijelaskan mengenai contoh penerapan
regresi.

Contoh Penerapan Regresi : Regresi ini banyak diterapkan dalam berbagai bidang seperti
bidang ekonomi, industri, dan lainnya. Pada bidang ekonomi, regresi ini dapat diterapkan
untuk memprediksi banyak pengeluaran tiap keluarga terhadap penghasilan per bulan. Pada
bidang industri, regresi dapat diterapkan dalam menentukan dan memprediksi harga bahan
baku industri terhadap ketersediaan bahan baku industri di pasar.

Macam-Macam Regresi :

1. Regresi Linear Sederhana

Regresi linear sederhana yaitu regresi yang hanya menentukan hubungan dari dua variabel
saja dan keduanya merupakan data kuantitatif. Misalnya data banyak makanan yang
dikonsumsi dengan berat badan.

2. Regresi Linear Berganda

Regresi linear berganda ini merupakan regresi yang menghubungkan satu variabel Y terhadap
dua atau lebih variabel X serta data yang digunakan merupakan data kuantitatif. Misalnya
pengaruh banyak makanan yang dikonsumsi terhadap berat badan dan tinggi badan.

3. Regresi Non Linear

Regresi non linear ini merupakan regresi yang menghubungkan antara variabel X dan
variabel Y yang tidak linear. Misalnya pada pemberian pupuk pada tanaman dengan
intensitas pemberian pupuk rendah – sedang akan membuat tanaman tumbuh dengan optimal
(tinggi tanaman maksimum), sedangkan pemberian pupuk intensitas tinggi akan membuat
tanaman tumbu dengan lambat.

Rumus Regresi :

Rumus Regresi Linear Sederhana

Bentuk umum regresi linear sederhana dituliskan sebagai:

Y = a + bX
Keterangan:

 a  : konstanta (titik potong Y)

 b  : koefisien dari variabel X
 Y : variabel dependen
 X : variabel independen
Rumus Regresi Linear Berganda
Bentuk umum regresi linear berganda dapat dituliskan sebagai:

Y = a + b1X1 + b2X2 + … + e
Keterangan:

 a  : konstanta (titik potong Y)

 b  : koefisien dari variabel X (koefisien determinasi)
 Y : variabel dependen
 X : variabel independen
 e : error
Rumus Regresi Non Linear
Beberapa contoh bentuk umum regresi non linear dituliskan sebagai berikut.

1. Regresi berbentuk eksponensial: Y = aebX

2. Regresi berbentuk pangkat: Y = aXb
3. Regresi berbentuk polinomial: Y = a0 + a1X + … +anXn

Contoh Soal Regresi

Penghasilan Pengeluaran
No.
(juta rupiah) (juta rupiah)

1 19 10

2 14 8
 3 14 7

4 10 7

5 13 8

6 16 9

7 7 4

8 11 6

Tentukan persamaan regresi berdasarkan data tersebut.

Pembahasan:

Perhatikan tabel berikut.

X Y X2 Y2 XY

19 10 361 100 190

14 8 196 64 112

14 7 196 49 98

10 7 100 49 70

13 8 169 64 104

16 9 256 81 144

7 4 49 16 28

11 6 121 36 66

104 59 1448 459 812

Nilai b dan a ditentukan sebagai berikut.

Sehingga persamaan regresinya yaitu: Y = 1,128125 + 0,46875X.