PREDIKSI TINGKAT KONSUMSI INDIVIDU MAHASISWA DALAM PENERAPAN METODE REGRESI LINEAR

SEDERHANA

Uswatun Hasanah

Email : uswahhasanah142@ gmail.com

Abstrak

Mengetahui pola pengeluaran menunjukkan betapa esensialnya perencanaan keuangan,

terutama bagi mahasiswa, yang perlu memahami serta meramalkan pendapatan mereka untuk mengatasi
berbagai tantangan dan kebutuhan finansial selama masa perkuliahan. penelitian ini memilih regresi linier
sederhana untuk menghasilkan prediksi akurat terkait tingkat konsumsi mahasiswa dalam lima minggu
mendatang. Tujuan utamanya adalah meningkatkan akurasi perkiraan dengan mencapai nilai MAPE
serendah mungkin. Menurut hasil analisis yang telah dilakukan , dapat diketahui bahwa nilai MAPE untuk
minggu ke 6-10 masing-masing adalah 0,6%, 2,2%, 0,4%, 0,2%, dan 1,9%, dengan tingkat akurasi berturut-
turut sebesar 99,4%, 97,8%, 99,6%, 99,8%, dan 98,1%. Informasi ini mencerminkan tingkat keakuratan
dari prediksi yang menggunakan metode MAPE. Dengan tingkat akurasi yang tercatat, dapat disimpulkan
bahwa hasil prediksi yang didapat melalui penerapan regresi linier sederhana menunjukkan tingkat
keakuratan yang sangat tinggi.

Kata Kunci : prediksi, konsumsi, mahasiswa, regresi linier, Mean Absolute Percentage Error

I. Pendahuluan

Setiap orang mempunyai kebutuhan hidup yang berbeda-beda dan berusaha memenuhi
kebutuhan tersebut dengan cara yang berbeda-beda. Ada banyak cara berbeda untuk memenuhi
kebutuhan Anda, dan meskipun beberapa orang mengambil langkah yang masuk akal, ada pula yang
cenderung bertindak terlalu jauh. Kondisi ini dapat membawa seseorang pada konsumerisme. Dengan
kata lain, dengan mengabaikan besarnya prioritas kita, kita cenderung mengkonsumsi, menggunakan dan
memakai sesuatu secara berlebihan, terkadang melebihi kebutuhan kita yang sebenarnya (Stoewen,
2017). Menurut (Lajnef, 2023) mahasiswa menjadi objek yang menarik bagi para profesional pemasaran
karena mereka sering kali mudah terpengaruh oleh iklan, cenderung mengikuti teman-temannya, dan
mengutamakan citra prestisiusnya dengan membeli produk bermerek atau produk yang sedang populer
di kampus. Hal ini dilakukan agar tidak terlihat ketinggalan jaman atau tidak dianggap dalam lingkup tren
saat ini.

Menurt (Zhao et al., 2022) mahasiswa memiliki kebutuhan yang harus dipenuhi juga sama seperti
masyarakat umum dan keluarganya. Kebutuhan mahasiswa antara lain pembelian alat tulis, kuota
internet, transportasi antara kos dan kampus, serta berbagai peralatan lainnya yang diperlukan selama
masa perkuliahan. Jelas bahwa untuk memenuhi kebutuhan ini mengharuskan mahasiswa untuk
melakukan pengeluaran keuangan yang memadai. Total pengeluaran seorang siswa mungkin dipengaruhi
oleh alokasi anggaran yang diterimanya setiap bulan. Sumber uang ini bisa berasal dari tunjangan bulanan
orang tua, gaji yang diperoleh dari magang, pendapatan usaha, atau sumber pendapatan lainnya. Seperti
halnya pada tingkat keluarga atau rumah tangga, tingkat kesejahteraan siswa dapat dinilai melalui
perbandingan antara konsumsi. Dapat diasumsikan bahwa semakin tinggi persentase konsumsi non
makanan maka semakin tinggi pula tingkat kesejahteraan siswa (Hanum, 2017). Mengetahui pola
pengeluaran menunjukkan betapa esensialnya perencanaan keuangan, terutama bagi mahasiswa, yang
perlu memahami serta meramalkan pendapatan mereka untuk mengatasi berbagai tantangan dan
kebutuhan finansial selama masa perkuliahan.

Prediksi adalah suatu metode sistematis untuk memperkirakan kemungkinan kejadian di masa
depan berdasarkan informasi dari kondisi masa lalu dan masa kini. Tujuannya adalah untuk mengurangi
ketidakpastian, namun hal ini tidak selalu memberikan jawaban yang jelas mengenai kejadian di masa
depan. Sebaliknya, prediksi mencoba mencari solusi yang lebih mendekati kenyataan dan lebih mungkin
terjadi (Syamsiyah & Tofany, 2019). Suatu pendekatan yang dapat digunakan untuk memprediksi adalah
melalui penerapan metode regresi linier.

Beberapa penelitian sebelumnya telah menjalankan penelitian terkait prediksi dengan

menerapkan metode regresi linier sederhana. Penelitian yang menggunakan regresi linier sederhana yang
pertama yakni (Harsiti et al., 2022) dengan memanfaatkan regresi linier sederhana, ditemukan bahwa
akurasi prediksi stok obat jenis tablet di Klinik Teluk Banten mencapai 98,505%. Hasil ini menunjukkan
bahwa metode regresi linier sederhana mampu memberikan prediksi persediaan obat yang sangat akurat.
Selain itu penelitian oleh (Bhakti et al., 2020) terbukti bahwa regresi dapat diterapkan untuk meramalkan
penerimaan calon mahasiswa di perguruan tinggi swasta. Persamaan regresi mampu berhasil
memprediksi jumlah mahasiswa baru, dan tingkat akurasi peramalan, yang diukur dengan MAPE,
menunjukkan hasil sekitar 2,7%. Dan penelitian yang terakhir yakni (Bengnga & Ishak, 2018) menunjukkan
bahwa metode linier regresi berhasil digunakan untuk memprediksi jumlah mahasiswa registrasi per
semester. Tingkat akurasi yang didapatkan cukup tinggi, yaitu sebesar 95.76% untuk program studi Teknik
Informatika dan 92.31% untuk program studi Ilmu Hukum. Hal ini menunjukkan bahwa aplikasi yang
dibangun layak untuk digunakan dalam memprediksi jumlah mahasiswa registrasi di Universitas Ichsan
Gorontalo. Dengan demikian, peningkatan jumlah mahasiswa registrasi dapat diantisipasi dengan lebih
baik, sehingga dapat berdampak positif terhadap mutu pendidikan dan pelayanan di universitas tersebut.

Dari hasil penelitian tersebut, dapat disimpulkan bahwa analisis regresi linier memiliki ketepatan
daya prediksi. Oleh karena itu, penelitian ini memilih metode regresi linier sederhana untuk menghasilkan
prediksi yang akurat terkait tingkat konsumsi mahasiswa dalam lima minggu mendatang. Tujuan
utamanya adalah meningkatkan akurasi perkiraan dengan mencapai nilai MAPE (Mean Absolute
Percentage Error) sekecil mungkin.

II. Metode Penelitian

Dalam penelitian ini, digunakan fungsi konsumsi sebagai dasar dalam menentukan variabel
independen dan dependen. Fungsi konsumsi yang diterapkan adalah sebagai berikut:

C = a + bY

2.1 Data dan Variabel

Variabel penelitian adalah nilai-nilai, ciri-ciri, dan kualitas yang dimiliki oleh objek, aktivitas, dan
individu yang menjadi fokus analisis. Variabel-variabel ini mencirikan fluktuasi yang dapat diidentifikasi
dan diukur oleh peneliti untuk lebih memahami dan merangkum temuan penelitian. Dengan
memperhatikan perubahan variabel, peneliti dapat melihat perbedaan, hubungan, atau pola tertentu
yang dapat memberikan wawasan berharga terkait dengan tujuan penelitian yang dilakukan (Sugiyono,
2014). Pada penelitian ini variabel yang digunakan yakni terdiri atas variabel terikat dan bebas antara lain.

1. Variabel Terikat
Variabel terikat merupakan sebuah variabel yang dipengaruhi oleh variabel lain yakni
variabel bebas. Pada penelitian ini variabel dependen yang digunakan yakni pengeluaran.
2. Variabel Bebas
Variabel bebas merupakan sebuah variabel yang mempengaruhi variabel dependen. Pada
penelitian ini variabel terikat yang digunakan yakni pendapatan.
 Dalam kerangka penelitian ini, data yang digunakan merupakan data primer, yang bukan data
yang diambil dari dokumen atau penyampaian pihak lain (Prof. Dr. A. Muri Yusuf, 2014). Berikut data yang
digunakan dalam penelitian ini.

Tabel 1. Data Penelitian

Minggu Pendapatan (X) Pengeluaran (Y)

1 250,000.00 150,000.00
2 200,000.00 100,000.00
3 275,000.00 180,000.00
4 300,000.00 200,000.00
5 150,000.00 75,000.00

2.2 Metode Analisis Regresi Sederhana

Analisis regresi mengacu pada proses perhitungan statistik yang digunakan untuk menilai
seberapa kuat hubungan antar variabel (Trianggana, 2020). Salah satu bentuk analisis regresi yang umum
dan sederhana adalah regresi linier sederhana. Dalam konteks analisis regresi, terdapat satu variabel
terikat yang sering dilambangkan sebagai 𝑌, dan satu atau lebih variabel bebas yang umumnya
dilambangkan sebagai 𝑋. Hubungan antara kedua variabel tersebut dianggap linier, sesuai dengan sifat
yang tertanam dalam namanya (Bengnga & Ishak, 2018). Analisis regresi memberikan pemahaman
tentang sejauh mana perubahan dalam variabel bebas dapat memengaruhi variabel terikat, dan regresi
linier sederhana menjadi pendekatan umum yang digunakan untuk menyelidiki hubungan ini. Persamaan
regresi yang diterapkan adalah sebagai berikut.

Y = a + bX

Keterangan :

Y = Variabel terikat

a = konstanta

b = koefisien variabel bebas

X = Variabel bebass

Setelah itu, untuk mendapatkan nilai konstanta (a) dan koefisien dari variabel bebas (b), dapat
dilakukan dengan menggunakan persamaan atau rumus sebagai berikut.
 Langkah-langkah dalam menerapkan metode regresi linier sederhana mencakup beberapa aspek.

Gambar 1. Diagram alir alur metode regresi linier sederhana

2.3 MAPE (Mean Absolute Percentage Error)

Mean Absolute Percentage Error (MAPE) adalah sebuah parameter yang dipergunakan untuk
mengukur tingkat ketepatan suatu sistem peramalan dan dinyatakan dalam bentuk persentase. MAPE
mengevaluasi besarnya kesalahan rata-rata yang dihasilkan oleh sebuah model atau sejauh mana prediksi-
prediksi tersebut bersesuaian secara rata-rata (Nabillah & Ranggadara, 2020). Sering kali, MAPE
digunakan sebagai fungsi kerugian (loss function) dalam konteks analisis regresi dan permodelan
peramalan. Pengukuran ini dihitung dengan mengambil nilai rata-rata dari persentase kesalahan absolut
untuk setiap periode waktu, yaitu selisih antara nilai aktual dan nilai prediksi, dan didefinisikan melalui
rumus berikut:
Keterangan :

Y = Data actual

Y’ = Data Prediksi

N = jumlah data

Sebuah nilai MAPE yang rendah mengindikasikan bahwa prediksi memiliki tingkat akurasi yang
tinggi, sementara nilai MAPE yang tinggi mencerminkan prediksi yang kurang akurat. MAPE, sebagai
ukuran relatif, mengonversi Mean Absolute Deviation (MAD) ke dalam bentuk persentase, sehingga
memberikan pemahaman yang lebih baik tentang seberapa besar kesalahan rata-rata dalam prediksi
dalam konteks persentase dari variabel yang diukur. Dengan kata lain, MAPE memberikan gambaran
tentang seberapa baik atau seberapa buruk model peramalan dapat memprediksi nilai aktual dengan
memperhitungkan tingkat kesalahan secara proporsional terhadap nilai aktualnya (Team, 2018).

III. Hasil dan Pembahasan

Pembentukan metode regresi linier sederhana yakni sebagai berikut.

a. Penentuan variabel bebass dan terikat

Dalam penelitian ini, digunakan fungsi konsumsi sebagai dasar dalam menentukan variabel
independen dan dependen. Fungsi konsumsi yang diterapkan adalah sebagai berikut:

C = a + bY

Pada penelitian ini variabel yang digunakan yakni terdiri atas variabel terikat dan bebas antara
lain :

1. Variabel Terikat
Variabel terikat merupakan sebuah variabel yang dipengaruhi oleh variabel lain yakni
variabel bebas. Pada penelitian ini variabel dependen yang digunakan yakni pengeluaran.
 2. Variabel Bebas
Variabel bebas merupakan sebuah variabel yang mempengaruhi variabel dependen. Pada
penelitian ini variabel terikat yang digunakan yakni pendapatan.
b. Mencari nilai konstanta (a) dan nilai koefisien variabel bebas

Sebelum mengidentifikasinilai konstanta dan koefisien variabel bebas, tahap awal melibatkan
perhitungan 𝑋² dan 𝑋𝑌 dengan menggunakan data berikut.

Tabel 2. Perhitungan 𝑋² dan 𝑋𝑌

Minggu Pendapatan (X) Pengeluaran (Y) 𝑋2 XY

1 Rp. 250,000 Rp. 150,000 Rp. 62,500,000,000 Rp. 37,500,000,000
2 Rp. 200,000 Rp. 100,000 Rp. 40,000,000,000 Rp. 20,000,000,000
3 Rp. 275,000 Rp. 180,000 Rp. 75,625,000,000 Rp. 49,500,000,000
4 Rp. 300,000 Rp. 200,000 Rp. 90,000,000,000 Rp. 60,000,000,000
5 Rp. 150,000 Rp. 75,000 Rp. 22,500,000,000 Rp. 11,250,000,000

Setelah menghitung nilai dari 𝑋² dan 𝑋𝑌, selanjutnya dilakukan perhitungan untuk mencari nilai
konstanta (a) dan nilai koefisien variabel bebas, menggunakan rumus berikut.

Tabel 3. Nilai konstanta (a) dan nilai koefisien variabel bebas

-Rp 62,801.72 a
Rp 0.87 b

c. Membuat model persamaan regresi sederhana

Dari hasil perhitungan diatas dapat diketahui bahwa persamaan regresi sederhana pada
penelitian ini adalah sebagai berikut.
 Y= -62.801,72 + 0,87X

Berdasarkan persamaan regresi diatas dapat diketahui data prediksi pengeluaran minggu 6-10
sebagai berikut.

Tabel 4. Perhitungan Prediksi

Minggu X Prediksi Y
6 Rp 250,000 Rp 154,698.28
7 Rp 200,000 Rp 111,198.28
8 Rp 275,000 Rp 176,448.28
9 Rp 300,000 Rp 198,198.28
10 Rp 150,000 Rp 67,698.28

Tabel 5. Selisih Y dengan Y'

Y-Prediksi Y
-Rp 4,698.28
-Rp 11,198.28
Rp 3,551.72
Rp 1,801.72
Rp 7,301.72

d. Menghitung nilai error MAPE

Setelah melakukan perhitungan untuk memprediksi dan mengukur selisih antara data aktual dan
data prediksi, langkah selanjutnya adalah melakukan perhitungan untuk menentukan nilai error MAPE.
Hal ini dilakukan untuk mengevaluasi tingkat akurasi pada prediksi tingkat konsumsi individu mahasiswa,
dan langkah-langkahnya adalah sebagai berikut:

Tabel 6. Perhitungan Error MAPE

|Y-Prediksi Y| MAPE
Rp 4,698.28 0.031322 0.6%
Rp 11,198.28 0.111983 2.2%
Rp 3,551.72 0.019732 0.4%
Rp 1,801.72 0.009009 0.2%
Rp 7,301.72 0.097356 1.9%
 Berdasarkan nilai yang tercantum pada Tabel 6 di atas, dapat diketahui bahwa nilai MAPE untuk
minggu ke 6-10 masing-masing adalah 0,6%, 2,2%, 0,4%, 0,2%, dan 1,9%, dengan tingkat akurasi berturut-
turut sebesar 99,4%, 97,8%, 99,6%, 99,8%, dan 98,1%. Informasi ini mencerminkan tingkat keakuratan
dari prediksi yang menggunakan metode MAPE. Dengan tingkat akurasi yang tercatat, dapat disimpulkan
bahwa hasil prediksi yang diperoleh melalui penerapan metode regresi linier sederhana menunjukkan
tingkat keakuratan yang sangat tinggi. Angka-angka tersebut memberikan indikasi bahwa model regresi
linier sederhana berhasil menghasilkan prediksi yang sangat mendekati nilai aktual yang diamati. Oleh
karena itu, metode ini dapat dianggap sebagai alat yang efektif dan dapat diandalkan dalam
mengimplementasikan prediksi atau analisis terkait dengan variabel yang sedang dipertimbangkan.
Tingkat akurasi yang tinggi ini memberikan keyakinan bahwa model tersebut mampu memberikan
kontribusi yang berharga dalam konteks analisis atau perencanaan yang sedang dilakukan.

IV. Kesimpulan

Menurut hasil analisis yang telah dilakukan , dapat diketahui bahwa nilai MAPE untuk minggu ke
6-10 masing-masing adalah 0,6%, 2,2%, 0,4%, 0,2%, dan 1,9%, dengan tingkat akurasi berturut-turut
sebesar 99,4%, 97,8%, 99,6%, 99,8%, dan 98,1%. Informasi ini mencerminkan tingkat keakuratan dari
prediksi yang menggunakan metode MAPE. Dengan tingkat akurasi yang tercatat, dapat disimpulkan
bahwa hasil prediksi yang diperoleh melalui penerapan metode regresi linier sederhana menunjukkan
tingkat keakuratan yang sangat tinggi. Tingkat keakuratan yang tinggi, sebagaimana tercermin dalam
persentase mendekati 100%, mengindikasikan bahwa metode regresi linier sederhana memiliki
kemampuan untuk memberikan prediksi yang sangat tepat dalam meramalkan tingkat konsumsi
mahasiswa. Hasil ini memberikan keyakinan bahwa model regresi linier sederhana dapat diandalkan untuk
memberikan gambaran yang sangat mendekati kenyataan dalam konteks analisis tingkat konsumsi.
Dengan demikian, dapat disimpulkan bahwa metode ini memberikan kontribusi yang signifikan dalam
mendukung upaya pemahaman dan peramalan pola konsumsi individu mahasiswa.

V. Saran

Untuk mendapatkan hasil prediksi yang lebih akurat, disarankan agar penelitian berikutnya
mempertimbangkan penggunaan metode prediksi regresi linier sederhana alternatif atau memanfaatkan
aplikasi analisis regresi linier sederhana guna menghasilkan hasil yang lebih akurat.
 DAFTAR PUSTAKA

Bengnga, A., & Ishak, R. (2018). Prediksi Jumlah Mahasiswa Registrasi Per Semester Menggunakan Linier
Regresi Pada Universitas Ichsan Gorontalo. ILKOM Jurnal Ilmiah, 10(2), 136–143.
https://doi.org/10.33096/ilkom.v10i2.274.136-143

Bhakti, Y. S., Kusdinar, A. B., & Sunarto, A. A. (2020). Model Peramalan Penerimaan Calon Mahasiswa
Menggunakan Metode Regresi. Progresif: Jurnal Ilmiah Komputer, 16(2), 113.
 https://doi.org/10.35889/progresif.v16i2.515

Hanum, N. (2017). Analisis Pengaruh Pendapatan Terhadap Perilaku Konsumsi Mahasiswa Universitas
Samudra di Kota Langsa. Jurnal Samudra Ekonomika, 1(2), 107–116.

Harsiti, Muttaqin, Z., & Srihartini, E. (2022). Penerapan Metode Regresi Linier Sederhana Untuk Prediksi
Persediaan Obat Jenis Tablet. JSiI (Jurnal Sistem Informasi), 9(1), 12–16.
https://doi.org/10.30656/jsii.v9i1.4426

Lajnef, K. (2023). The effect of social media influencers’ on teenagers Behavior: an empirical study using
cognitive map technique. Current Psychology, 42(22), 19364–19377.
https://doi.org/10.1007/s12144-023-04273-1

Nabillah, I., & Ranggadara, I. (2020). Mean Absolute Percentage Error untuk Evaluasi Hasil Prediksi
Komoditas Laut. JOINS (Journal of Information System), 5(2), 250–255.
https://doi.org/10.33633/joins.v5i2.3900

Prof. Dr. A. Muri Yusuf, M. P. (2014). Metode Penelitian Kuantitatif, Kualitatif & Penelitian Gabungan,
Edisi Pertama. KENCANA.

Stoewen, D. L. (2017). Dimensions of wellness: Change your habits, change your life. Canadian
Veterinary Journal, 58(8), 861–862.

Sugiyono. (2014). Metode Penelitian Bisnis Cetakan 17. Alfhabeta.

Syamsiyah, N., & Tofany, I. (2019). Rancang Bangun Sistem Informasi Prediksi Pinjaman Pada Koperasi
Panca Bhakti Bekasi Menggunakan Algoritma C4.5. Jurnal Sains & Teknologi, 9(1), 28–43.

Team, E. I. D. (2018). Working with Oracle Sales Planning Cloud.

Trianggana, D. A. (2020). Peramalan Jumlah Siswa-Siswi Melalui Pendekatan Metode Regresi Linear.
Jurnal Media Infotama, 16(2), 115–120. https://doi.org/10.37676/jmi.v16i2.1149

Zhao, S., Chen, P., Zhu, Y., Wei, F., & Liu, F. (2022). Usage, Pleasure, Price, and Feeling: A Study on
Shopping Orientation and Consumer Outcome. Frontiers in Psychology, 13(February), 1–9.
https://doi.org/10.3389/fpsyg.2022.823890