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
Kepercayaan Konsumen
Sikap Konsumen
Keputusan Pembelian
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
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.
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
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?
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.
888
888
888
888
888
JAWABAN B
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 :
Rumus Regresi :
Y = a + bX
Keterangan:
Y = a + b1X1 + b2X2 + … + e
Keterangan:
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
Pembahasan:
X Y X2 Y2 XY
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