Pertemuan 1

Konsep Dasar Metode Kuantitatif

Definisi Metode Kuantitatif
Metode Kuantitatif Kuantitatif adalah pendekatan pendekatan ilmiah untuk
pengambilan pengambilan keputusan keputusan manajerial manajerial &
Ekonomi Ekonomi. (Render, B., . (Render, B., et.al, 2006)

Metode Kuantitatif adalah Ilmu & seni yang berkaitan dengan tata cara
(metode) pengumpulan data, analisis data, dan interpretasi hasil analisis
untuk mendapatkan informasi guna penarikan kesimpulan dan pengambilan
keputusan. (Tuban, 1972 dalam Solimun, 2001)

Metode Penelitian Kuantitatif adalah metode penelitian yang berlandaskan

pada filsafat positivisme, digunakan untuk meneliti pada populasi atau
sampel tertentu, pengumpulan data menggunakan instrument penelitian,
analisis data bersifat kuantitatif/statistic, dengan tujuan menguji hipotesis
yang telah ditetapkan.(Sugiyono, 2016)
TUJUAN RISET & PILIHAN ANALISIS KUANTITATIF
“Penting Penting untuk direnungkan direnungkan dan diingat diingat bahwa
pemilihan pemilihan teknik kuantitatif kuantitatif yang relewan relewan
sangat tergantung tergantung dari apa problem problem dan tujuan riset”.

Tujuan utama riset bisnis

Tujuan utama riset bisnis tidak selalu diperoleh dalam lingkungan
lingkungan yang ketat.
TUJUAN RISET & PILIHAN ANALISIS KUANTITATIF
Pengembangan tujuan kerangka analitik dibedakan dua wilayah riset Bisnis
yaitu:
1. Non-scientific Business Research yaitu riset bisnis yang sistematis
namun tidak ilmiah dengan tujuan eksplorasi, deskriptif dan prediktif.
Fokus analisisnya mengungkap fenomena fenomena yang menarik bagi
akuntansi & manajemen.

2. Scientific Business Research adalah rencana riset bisnis yang sistematik

dan ilmiah dimana tujuan riset dapat dideskriptif, prediksi atau kausalitas.
Fokus analisisnya mendapatkan hasil yang dapat digeneralisi.
Model Riset Pendekatan Kuantitatif
KONSEP & PEMODELAN METODE KUANTITATIF
Metode Kuantitatif (Parametrik) adalah pendekatan yang menyangkut
pendugaan parameter, pengujian hipotesis, pembentukan selang
kepercayaan, dan hubungan antara dua sifat (peubah) atau lebih bagi
parameter-parameter yang mempunyai sebaran (distribusi normal) tertentu
yang diketahui.

Metode kuantitatif berlandaskan pada anggapan tertentu yang telah disusun

terlebih dahulu, jika anggapan-anggapan tersebut tidak sesuai dengan
keadaan sebenarnya, apalagi jika menyimpang jauh maka keampuhan
metode ini tidak dapat dijamin atau bahkan dapat menyesatkan
Kelebihan & Kekurangan Metode Kuantitatif :

Kelebihan Metode Kuantitatif adalah: Kekurangan Metode Kuantitatif

1. Dapat digunakan untuk menduga atau 1. Berdasarkan pada anggapan-anggapan
meramal. (Asumsi)
2. Hasil analisis dapat diperoleh dengan 2. Asumsi tidak sesuai dengan realitas yang
pasti dan Hasil analisis dapat diperoleh terjadi atau menyimpang jauh maka
dengan pasti dan akurat apabila kemampuannya tidak maka kemampuannya
digunakan sesuai aturan yang telah tidak dapat dijamin bahkan menyesatkan.
ditetapkan. 3. Data harus berdistribusi normal dengan skala
3. Dapat digunakan untuk mengukur pengukuran data yang harus digunakan
adalah interval & rasio.
interaksi hubungan antara dua/lebih
variabel (peubah). 4. Dapat digunakan untuk menganalisis data
populasi/sampelnya sama.
4. Dapat menyederhanakan realitas
permasalahan yang kompleks & rumit 5. Tidak dapat dipergunakan untuk menganalisis
dalam sebuah model. dengan cuplikan (Sampel) yang jumlahnya
sedikit (> 30)
Pemodelan Metode Kuantitatif
Model adalah suatu konsep yang digunakan untuk menyatakan sesuatu
keadaan (permasalahan) ke menyatakan sesuatu keadaan (permasalahan)
ke dalam bentuk simbolik, ikonik atau analog.

Pada hakekatnya model adalah abstraksi dari dunia nyata, sensitivitas atas
solusi terhadap perubahan dalam model serta perwakil realitas, oleh karena
itu wujudnya harus lebih sederhana,

Pemodelan Metode kuantitaif adalah upaya upaya memodelkan

permasalahan ke dalam konsep kuantintatif dengan prosedur:
1. Ubah pernyataan ke dalam lambang kuantitatif
2. Pemilihan metode analisis yang tepat
3. Aplikasi metode secara benar
 Kaidah Analisis Data
(Pemodelan Dalam Metode Kuantitatif)
 Kaidah Analisis Data
(Pemodelan Dalam Metode Kuantitatif)
Pendekatan Pendekatan kuantitaf berangkat dari data atau ibarat bahan
baku dalam sebuah pabrik. Data diproses & dimanipulasi menjadi informasi
yang berharga bagi pengambilan keputusan.

Data yang dikumpulkan dikumpulkan harus “dibersihkan” sebelum

dianalisis, ibaratnya dalam memasak kita harus mencuci alat dan bahan-2
makanan yang kita masak agar masakan kita setidaknya setidaknya bersih.
 Kaidah Analisis Data
(Pemodelan Dalam Metode Kuantitatif)
Hasil pembersihan adalah berukurannya ketidaktepatan dan kesalahan
dalam data yang dapat dilakukan sebagai berikut:
1. menyunting data
2. mengembangkan variabel
3. pengkodean data
4. cek kesalahan
5. pembentukan struktur data
6. pra-analisis cek computer
7. tabulasiitas usaha, melihat hubungan antara aktivitas yang dikerjakan
dengan
 Kaidah Analisis Data
(Pemodelan Dalam Metode Kuantitatif)
Mendapatkan Data yang Data yang akurat hukumnya wajib, karena
meskipun model merupakan representase dari realitas yang sempurna,
ketidakakuratan & ketidaktepatan data memperoleh hasil yang
menyesatkan, ini yang dikenal sebagai “Garbage In Garbage Out “(GIGO)

Mencermati fenomena empiris tidak dapat dipungkiri para pengambil

keputusan baik pada instansi pemerintah maupun swasta dan interaksi
kehidupan bermasyarakat telah banyak menggunakan kaidah-kaidah
kuantitatif seperti menghitung rata-rata penghasilan sebuah keluarga setiap
bulan, mengukur tingkat produktivitas usaha, melihat hubungan antara
aktivitas yang dikerjakan dengan
Pengguna Metode Kuantitaf dan Berbagai Permasalahan
Yang Dihadapi
Pengguna Masalah yang dihadapi
Manajemen 1. Penentuan struktur gaji, pesangon, dan tunjangan karyawan.
2. Penentuan jumlah persediaan barang
3. Evaluasi produktivitas karyawan.
4. Evaluasi kinerja perusahaan.
Akuntansi & keuangan 1. Penentuan standar audit barang dan jasa.
2. Penentuan depresiasi dan apresiasi barang dan jasa.
3. Potensi peluang naik/turun harga saham & suku bunga.
4. Tingkat pengembalian investasi beberapa sektor ekonomi.
5. Analisis pertumbuhan laba dan cadangan usaha.
6. Analisis resiko keuangan setiap usaha.
Pengguna Metode Kuantitaf dan Berbagai Permasalahan
Yang Dihadapi

Pengguna Masalah yang dihadapi

Pemasaran 1. Penelitian dan pengembangan produk.
2. Analisis potensi pasar, segmentasi dan diskriminasi pasar.
3. Ramalan penjualan.
4. Efektivitas kegiatan promosi penjualan.
Ekonomi Pembangunan 1. Analisis pertumbuhan ekonomi, inflasi dan suku bunga.
2. Pertumbuhan penduduk, pengangguran dan kemiskinan.
3. Indeks harga konsumen dan perdagangan besar.
Pertemuan 2
Data Dalam Metode Kuantitatif
ARTI & JENIS DATA DLM METODE KUANTITATIF
”Data adalah bentuk jamak dari datum artinya kumpulan angka, fakta, fenomena
atau keadaan lainnya, merupakan hasil pengamatan, pengukuran atau
pencacahan dan sebagainya terhadap obyek, yang berfungsi dapat membedakan
obyek yang satu dengan lainnya pada variabel yang sama”.

Metode Kuantitaf berhubungan dengan pengolahan data atau yang menjadi input
dalam proses kuantitatif adalah data.

Dari sudut pandang Metode kuantitatif data dikelompokan menjadi dua jenis yaitu:
1. Data kualitatif adalah data yang dinyatakan dalam bentuk bukan angka (sifat).
2. Data kuantitatif adalah data yang dinyatakan dalam bantuk angka yang
diasumsikan sebagai informasi dalam bentuk pernyataan “bilangan” yang
didasarkan pada hasil perhitungan.
Pengelompokan data
Pengelompokan data menurut cara perolehan menurut statistika terdiri atas:

1. Data primer adalah data yang diperoleh secara langsung dari obyak
yang diteliti baik secara individu maupun kelompok/organisasi.
2. Data sekunder adalah data yang diperoleh secara tidak langsung untuk
mendapatkan informasi/keterangan dari obyek yang diteliti
3. Data tersier yaitu data yang diperoleh secara tidak langsung dari obyek
yang diteliti biasanya data tersebut diperoleh dari pihak ketiga baik dari
individu maupun kelompok yang sengaja mengungkapkan fakta dari
pihak kedua.
SKALA PENGUKURAN DATA
Pengukuran merupakan suatu proses dimana suatu angka atau symbol diletakan
pada suatu karakteristik atau stimulti sesuai dengan aturan atau prosedur yang
telah ditetapkan. Stevens (1946) skala pengukuran data dapat dikelompokan
menjadi empat jenis yaitu:
1. Skala nominal adalah angka yang diberikan kepada obyek mempunyai arti
sebagai label saja, dan tidak menunjukkan tingkatan apa-apa atau merupakan
skala pengukuran yang menyatakan kategorik dari kelompok suatu obyek.
Contoh: jenis kelamin yaitu laki-laki diberi tanda 1 dan perempuan diberi tanda
2. Skala ordinal adalah data yang diperoleh dengan cara kategorik atau klasifikasi
namun diantara data tersebut memiliki hubungan atau angka yang diberikan di
mana angka-angka tersebut mengandung pengertian tingkatan. Contoh:
Kualitas produksi yaitu sangat tinggi dikategorikan 5; tinggi dikategorikan 4;
sedang dikategorikan 3; rendah dikategorikan 2; dan tidak berkualitas
dikategorikan 1.
SKALA PENGUKURAN DATA
3. Skala interval adalah suatu skala pemberian angka pada obyek yang
mempunyai sifat ukuran ordinal dan mempunyai jarak atau interval yang
sama. Contoh : temperatur suhu ruangan yang dengan celcius pada
00C sampai 100C.

4. Skala rasio adalah skala interval yang memiliki nilai dasar (based value)
yang tidak dapat dirubah atau skala yang memiliki nilai nol dan rasio dua
nilai yang memiliki arti. Skala rasio merupakan skala dengan hirarki
paling tinggi dibanding skala-skala lainnya yang merupakan angka atau
bilangan dari hasil perbandingan. Contoh: tingkat produktivitas
merupakan perbandingan antara input dan ouput
 ciri-ciri skala pengukuran data
Nominal Ordinal Interval Rasio
Komponen Nama (Nomos) Komponen Nama (Nomos) Komponen Nama (Nomos) Komponen Nama (Nomos)
Angka yang diberikan Komponen Peringkat Komponen Peringkat Komponen Peringkat
diberikan hanya sebagai (Order) Angka mengandung (Order) (Order)
sebagai label saja. mengandung pengertian Komponen Jarak (Interval) Komponen Jarak (Interval)
pengertian tingkatan Nilai Nol Tidak Mutlak Komponen Ratio
tingkatan. (Absolut) Nilai Nol Mutlak (Absolut)

Contoh: pria = 1, wanita = 2 Contoh: ranking 1, 2, Contoh: 1. Saham sangat Contoh: bunga BCA 7%
dan waria = 3. ranking 1, 2, dan 3. Ranking prospektif prospektif dan bunga Mandiri
1 3. Ranking 1 dengan harga saham Mandiri 14%, maka bunga
menunjukkan menunjukkan Rp736 - 878, 2. saham Mandiri Mandiri 2 kali
lebih tinggi dari ranking 2 prospektif prospektif bunga BCA.
ranking 2 dan 3. Rp592 -735.
ARTI & JENIS VARIABEL
Variabel (peubah) adalah karakteristik atau sifat yang merupakan penamaan
yang melekat pada suatu obyek yang dikaji.

Pada prinsipnya penggolongan variabel dapat dibedakan menjadi dua jenis

yaitu:
1. variabel intraneous yaitu variabel yang dimasukkan dalam hipotesis
penelitian yang meliputi:
a) variabel tergantung adalah variabel yang tercakup dalam hipotesis penelitian,
keragamannya dipengaruhi oleh variabel lain
b) variabel bebas adalah variabel yang tercakup dalam hipotesis
penelitian dan berpengaruh atau mempengaruhi variabel tergantung
ARTI & JENIS VARIABEL
2. variabel extraneous yaitu variabel yang tidak dimasukkan dalam hipotesis penelitian
yang meliputi:
a) variabel pembaur (confounding variabel) adalah variabel yang tercakup dalam
hipotesis penelitian, akan tetapi muncul dalam penelitian dan berpengaruh
terhadap variabel tergantung dan pengaruh tersebut mencampuri/berbaur dengan
variabel bebas
b) variabel kendali (control variabel) adalah variabel pembaur yang dapat
dikendalikan pada saat riset design. Pengendalian dapat dilakukan dengan cara
ekslusi (mengeluarkan objek yang tidak memenuhi kriteria) dan inklusi (menjadikan
objek yang memenuhi kiteria untuk diikutkan dalam sampel penelitian) atau
dengan blocking, yaitu membagi obyek penelitian menjadi kelompok-kelompok
yang relative homogen
c) variabel penyerta (concomitant variables) adalah variabel pembaur (cofounding)
yang tidak dapat dikendalikan saat riset design. Variabel ini tidak dapat
dikendalikan, sehingga tetap menyertai (terikat) dalam proses penelitian, dengan
konsekuensi harus diamati dan pengaruh baurnya harus dieliminir atau dihilangkan
pada saat analisis data.
Pengelompokan jenis variabel
Hubungan data dan variabel
Objek Karakteristik Hasil Pengamatan
Penduduk Pekerjaan Dosen
Umur 38 tahun
Pendidikan sarjana
Perusahaan A Modal 5000
Asset 40 jt
Bentuk Perseorangan
Dalam Statistika Disebut: Relevansi dengan Tunggal: Datum
Objek Kajian permasalahan: Jamak : Data
Variabel
 Pertemuan 3
UJI VALIDITAS & RELIABILITAS INSTRUMEN (DATA)
A. Uji Validitas (Kesakhihan) Data
Instrumen tersebut dikatakan valid jika dapat mengukur apa yang seharusnya
diukur atau mengukur apa yang diinginkan dengan tepat(Supranto,1997).

Pengujian Pengujian validitas, instrumen diuji dengan menghitung koefisien

korelasi antara skor item dan skor totalnya dalam taraf signifikansi 0,05 dengan
rumus Korelasi Product Moment Pearson.

Instrumen bisa dikatakan valid mempunyai nilai r hitung > r table dengan tingkat
signifikansi i korelasi dibawah α = 0,05 (Santoso Santoso 2004) dengan rumus :
Rumus uji validitas
Instrumen bisa dikatakan valid mempunyai nilai r hitung > r table dengan tingkat
signifikansi i korelasi dibawah α = 0,05 (Santoso Santoso 2004) dengan rumus :
𝑛 σ 𝑋𝑌−(σ 𝑋)(σ 𝑌)
𝑟𝑥𝑦 =
2 2
((𝑛 σ 𝑋 2 −(σ 𝑋) )(𝑛 σ 𝑌 2 −(σ 𝑌) ))

Dimana:
r = Koefisien Korelasi
n = Banyaknya sampel
X = Skor item X
Y = skor item Y
Langkah Analisis Uji Validitas Dengan SPSS Yaitu:
1. Masukan data ke Worksheet SPSS dengan perintah File/Open/Data
2. Dari menu utama SPSS pilih menu Analyze, kemudian pilih submenu Corrolate
lalu pilih Bivariate
3. Tampak dilayar tampilan Windows Bivariate Correlation
4. Isikan data ke Isikan data ke Kotak Variabel Yaitu Variabel Konstruk dan Skor
Total
5. Pilih Correlation Coefficients Pearson
6. Pilih Oke
7. Tampilkan Output SPSS
Contoh kasus
Si “dia” meneliti pada industry meubel di solo dengan jumlah sampel 15
perusahaan dengan menggunakan skala likert, instrument yang digunakan sebagai
berikut:

1. Pertimbangan perusahaan terhadap pemilihan mutu produk yang sempurna

merupakan sesuatu yang dianggap:
Sangat Penting (5) Kurang Tepat ( KP)
penting (4) tidak penting (TP)
Moderat (3)
Contoh kasus
2. Pertimbangan perusahaan terhadap penentuan harga yang wajar dianggap:
Sangat Penting (5) Kurang Tepat ( KP)
penting (4) tidak penting (TP)
Moderat (3)

3. Pertimbangan perusahaan terhadap ketersediaan produk dianggap:

Sangat Penting (5) Kurang Tepat ( KP)
penting (4) tidak penting (TP)
Moderat (3)
Rekapitulasi Data Penelitian si “Dia”
Sampel Mutu Produk 5Harga Ketersediaan Total Skor
(X1) (X2) Produk (X)
(X3)
1 3 2 4 9
2 5 4 5 14
3 5 4 5 14
4 3 1 3 7
5 4 3 4 11
6 3 3 3 9
7 5 4 5 14
8 4 3 4 11
Rekapitulasi Data Penelitian si “Dia”
Sampel Mutu 5Harga Keterse Total Diminta : Hitunglah validitas &
Produk (X2) diaan Skor rebilitas data hasil penelitian si dia
(X1) Produk (X)
(X3)
9 5 4 5 14
10 3 2 3 8
11 5 4 5 14
12 5 4 5 14
13 3 2 3 8
14 5 4 5 14
15 4 3 4 11
UJI Validitas menggunakan SPSS
 1. Masukan data ke Worksheet SPSS dengan perintah File/Open/Data
lalu input data d worksheet data view kemudian pemberian
symbol/label variable di worksheet variable view.
Dari Menu utama SPSS pilih analyze, kemudian
pilih submenu corralate lalu pilih bivariate
3. Tampak dilayar tampilan windows 4. Isikan data ke kotak variable yaitu
bivariate correlation variable konstruk dan skor total
5 & 6 pilih correlation coefficient pearson lalu
pilih ok
output
HASIL Person correlation variabel
x1, x2, dan x3 > 0,25 maka data
instrumen y semua valid
Uji Reabilitas data
Uji reliabilitas untuk mengetahui apakah alat pengumpul data menunjukkan
tingkat ketepatan, keakuratan, kestabilan, atau kosistensi alat dalam
mengungkap gejala tertentu pada waktu yang berbeda.

Instrumen dikatakan dikatakan reliabel jika dapat digunakan untuk

mengukur variabel berulangkali yang menghasilkan menghasilkan data
yang sama atau hanya sedikit bervariasi
Uji reliabilitas untuk menguji menguji konsistensi instrumen menggunakan
koefisien Alpha Cronbach dan memiliki tingkat kehandalan yang dapat
diterima (reliabel), Nilai koefesien reliabilitas yang terukur ≥ 0,6 (Uma
Sekaran, 2000), dengan rumus :
𝑘 σ 𝜎𝑏 2
𝑟𝑛 = ( )(1 − 2
)
𝑘−1 𝜎𝑡
Dimana
rn = koefisien reabilitas instrument
k = banyaknya butir pertanyaan atau banyaknya soal
𝜎𝑏 2 = banyaknya varian butir
𝜎𝑡 2 = variasi total
Langkah-Langkah Uji Reliabilitas dengan SPSS
1. .Masukan data ke Worksheet SPSS dengan perintah File/Open/Data
2. Dari menu utamaSPSS pilih menu Analyze, Analyze, kemudian pilih
submenu Scale lalu pilih Reliability Analysis
3. Tampak dilayar tampilan Windows Reliability Analysis
4. Isikan data kotak indicator variabel kedalam kotak Items dan pilih Model
Alpha
5. Pilih tombol Statistics sehingga tampak dilayar windows Reliability analysis
statistics
6. Pilih bagian descriptive for , pilih item, scala, scala if item deleted dan inter-
item Corelation
7. Pilih continue dan oke
8. Output SPSS
Uji Reabilitas menggunakan SPSS
 1. Masukan data ke Worksheet SPSS dengan perintah File/Open/Data
lalu input data d worksheet data view kemudian pemberian
symbol/label variable di worksheet variable view.
 2. Dari menu utama SPSS pilih menu Analyze,
kemudian pilih sub menu scale lalu pilih reability
analysis
3 tampak dilayar tampilan windows 4. Isikan data indicator ke dalam kotak
reability analysis item dan pilih model alpha
 5, 6, 7 pilih tombol statistic sehingga tampak dilayar wondows reabillity analysis
statistic kemudian pilih bagian dercriptive for, pilih item, scale, scale if item deleted
dan inter-item correlation, selanjutnya pilih continue dan oke
output
Dari output uji rebilitas menunjukkan nilai koefisien alpha 𝛼 dari
seluruh item instrument ≥ 0,60 berarti semua item data
(instrument) dapat dipercaya keandalannya. dapat disimpulkan
bahwa seluruh butir (item) yang digunakan adalah reabel oleh
karena itu, kuesioner yang digunakan dapat dikatakan layak
sebagai instrument untuk melakukan pengukuran
 Pertemuan 4
COST, PROFIT AND VOLUME ANALYSIS
(BREAK-EVEN ANALYSIS)
Definisi

Analisis volume kegiatan, biaya, dan laba

(analisis break even) merupakan peralatan
yang berguna untuk menjelaskan hubungan
antara biaya, penghasilan/laba dan volume
penjualan/produksi, sehingga banyak
digunakan dalam penganalisaan masalah-
masalah ekonomi manajerial.
Tujuan

Tujuan cost, profit and volume analysis

adalah untuk menentukan suatu titik, dalam
unit atau ripiah yang menunjukan biaya sama
dengan pendapatan (laba).
Manfaat

Manfaatnya untuk menetukan berapa jumlah

produk (dalam rupiah atau unit keluaran yang
harus dihasilkan agar perusahaan minimal
tidak menderita rugi.
Cost, Profit and Volume Analysis ( Analisis Break Even)

Cost, Profit and Volume Analysis ( Analisis Break Even) mencakup konsep
yang berkaitan dengan:
Analisis marjin laba yang mencakup sejumlah teknik analisis untuk
menentukan dan mengevaluasi pengaruh volume penjuala harga penjualan
biaya tetap dan biaya variabel terhadap laba Pada dasarnya konsep
tersebut menggunakan konsep ikhtisar rugi laba marjinlaba,
pendapatan/penjualan dikurangi biaya variabel sama marjin laba dan marjin
laba dikurangi biaya tetap sama dengan laba

Analisis break even menekankan pada titik impas (biaya tetap dibagi
dengan marjin laba sama dengan volume penjualan titik impas) titik dimana
laba sama dengan nol karena pendapatan sama dengan total biaya
Cost, Profit and Volume Analysis ( Analisis Break Even)

Hasil analisis break even digambarkan dalam bentuk grafik untuk

menunjukkan hubungan timbal balik antara pendapatan (penjualan),
biaya tetap dan biaya variabel dalam batasan volume kegiatan
yang relevan

Analisis break even menggunakan konsep yang sama dengan

analisis laba kotor tetapi analisis ini memekankan pada tingkat
output atau kegiatan produksi dimana pendapatan/penjualan
sama dengan total biaya artinya tidak ada laba atau rugi
 Asumsi dasar penggunaan cost, profit dan volume
analysis
1. Konsep variabilitas biaya adalah sahih, oleh karena itu biaya dapat
diklasifikasikan dan diukur secara realistis sebagai biaya tetap dan biaya
variabel. Jadi tidak ada biaya yang disebut semi fixed dan semi variabel.
2. Terdapat suatu batasan-batasan kesahihan yang relevan (misalnya
kegiatan) untuk menggunakan hasil dari analisis.
3. Harga jual tidak mengalami perubahan dengan terjadinya perubahan
unit penjualan.
4. Hanya ada satu produk atau dalam hal berbagai produk, tetapi proporsi
atau perbandingan penjualan diantara berbagai produk tidak mengalami
perubahan.
 Asumsi dasar penggunaan cost, profit dan volume
analysis
5. Kebijaksanaan dasar yang ditetapkan oleh manajemen tentang operasi
tidak banyak mengalami perubahan dalam jangka pendek.
6. Tingkat harga umum (misalnya inflasi dan deflasi cukup stabil dalam
jangka pendek.
7. Tingkat penjualan dan produksi selaras, artinya persedian tetap konstan
atau nol.
8. Efisiensi dan produktivitas perorangan tidak banyak mengalami
perubahan dalam jangka pendek.
Kegunaan cost, profit and volume analysis
1. Sebagai alat untuk merencanakan laba
2. Sebagai alat pengendalian badget
3. Sebagai penentu harga jual produk
4. Sebagai dasar untuk menentukan break even dalam rupiah & unit
5. Sebagai dasar rencana pengembangan kapasitas produksi dan
penentuan lokasi
6. Sebagai dasar untuk mengambil keputusan
ELEMEN-ELEMEN PENENTU COST, PROFIT AND VOLUME

1. Volume (unit yang dijual/produksi), fixed cost, harga jual perunit dan
biaya variable
𝑉𝐶
2. Contribusi margin 𝐶𝑀 = 1 −
𝑃
3. TR = TC atau TR = FC + VC, maka formulasi perhitungan sbb:
𝐹𝐶
𝐵𝐸𝑃𝑞 =
𝑃 −𝑉𝐶
𝐹𝐶 𝐹𝐶
𝐵𝐸𝑃(𝑟𝑝) = 𝑎𝑡𝑎𝑢
𝐶𝑀 𝑉𝐶
1 −
𝑃
4. Profit = TR - TC Profit = Pq - (FC + VC(q))
Profit = Pq - FC - VC(q) Profit = (P-VC)q - FC
1. Biaya tetap, biaya variabel variabel, dan total biaya pada berbagai volume.
2. Potensi laba dan rugi sebelum dan setelah dipotong pajak pendapatan, pada
berbagai volume
3. Batas keselamatan, artinya hubungan timbal balik antara penjualan yang
ditargetkan dengan penjualan titik impas
4. Jumlah penjualan break even (sering disebut titik impas)
5. Deviden yang lebih disukai atau titik bahaya artinya titik mana deviden tidak
mungkin diperoleh
6. Titik mati, artinya jumlah penjualan pada titik mana perusahaan hanya
memperoleh tingkat laba yang berlaku atas investasinya.
Contoh soal
Budget CV “inu” bergerak dalam usaha meubel menunjukkan data
operasional usaha sebagai berikut: biaya tetap Rp. 1000,- ; harga jual
per unit Rp. 10,- ; biaya variable Rp. 5,-
a. Hitunglah margin laba
b. Hitunglah BEP unit dan rupiah
c. Hitunglah laba yang direncanakan dengan volume penjualan
sebesar 250 unit
contoh
Sebuah perusahaan roti akan membuat roti 200 buah dengan total cost
sebesar Rp. 350.000 dengan fixed cost sebesar Rp. 150.000. harga
untuk sebuah roti adalah Rp. 2500.

Berapa banyak roti yang harus terjual agar mencapai break even point,
hitunglah harga dan unitnya
jawab
Diketahui:
TC = 350.000, FC = 150.000 Q = 200
TC = FC + VC
350.000 = 150.000 + TVC
TVC = 350.000 - 150.000
TVC = 200.000
VC = TVC / Q
VC = 200.000/200
VC = 1000
Langkah-Langkah Analisis BEP dengan QM
1. Pada menu utama QM pilih menu breakeven/cost-volume analysis
2. Pilih sub menu breakeven analysis (cost vs revenue)
3. Setelah muncul ketik judul dengan nama kasus, missal toko roti, lalu
pilih ok
Contoh Soal
1. Perusahaan konveksi “Anda” pada tahun lalu berprodukso dengan
mengeluarkan biaya tetao sebesar Rp. 12.000.000,- sedangkan biaya variable
per unitnya sebesar Rp 20.000,-. Perusahaan menentapkan harga jual produk
Rp. 35.000,- per unit. Tentukanlah berapa jumlah barang yang harus dijual oleh
perusahaan agar dapat diperoleh titik impas
2. Sebuah perusahaan manufaktur menghasilkan produk dengan harga jual Rp 20
per unit. Biaya variabel per unit adalah Rp 12, estimasi biaya tetap per tahun
adalah sebesar Rp 160.000. Pada berapa unit dan Rp berapakah terjadi BEP?
Suatu perusahaan ingin memasang Tipe Pilihan 1 Pilihan 2 Pilihan 3
kapasitas produksi dengan tiga Biaya
pilihan biaya sebagai berikut:
Biaya 400 800 1200
tetap
Dari data di atas berapakah Biaya 10 8 6
perusahaan harus memproduksi variabel
agar BEP dan dari Ketiga Skenario Biaya 8 6 6
di atas manakah yang sebaiknya
dipilih jika Perusahaan memasang variabel
kapasitas (volume) produksi 1300
unit?
Pertemuan 5
Peramalan (Forecasting)
pendahuluan
• Sering terjadi senjang waktu (time lag) antara kebutuhan mendatang
dengan peristiwa itu sendiri merupakan alasan utama pentingnya
peramalan dan perencanaan
• Jangka waktu peramalan
• Pengaruh dari life cycle

Peramalan merupakan alat bantu dalam membuat perencanaan yang efektif

dan efisien
Contoh: penjadwalan produksi, masalah transportasi, penanaman modal,
dll
Situasi peramalan sangat ditentukan oleh horizon waktu, tipe pola data
(constant; trend; musiman dan kombinasi) dan berbagai aspek lain.
Definisi
Forecasting (peramalan) merupakan metode untuk memprediksikan atau
memperkirakan berbagai kejadian di masa mendatang berdasarkan data
yang telah dikumpulkan sebelumnya.

Peramalan adalah perhitungan yang objektif dengan menggunakan data-

data masa lalu untuk menentukan kondisi dimasa yang akan datang.

Peramalan adalah proses yang menggambarkan peristiwa/kondisi pada

masa yang akan datang
Dasar pengambilan keputusan dalam bisnis
Dasar pengambilan keputusan dalam bisnis meliputi:
1. Produksi
2. Persediaan
3. Keuangan
4. Pemasaran
5. SDM
6. Fasilitas-fasilitas
Metode Peramalan
Metode-metode yang dikembangkan dalam peramalan
1. Metode kualitatif
2. Metode kuantitif
a. Causal
b. Time series
a) Naïve approach
b) Moving average
c) Exponential smooting
d) Trend projection
1. Metode kualitatif: metode yang menganalisis kondisi obyektif dengan
apa adanya. Metode ini meliputi:
a) metode delphi,
b) metode nominal group,
c) survey pasar, & analisis historical analogy and life cycle
2. Metode kuantitatif: metode yang dapat diterapkan apabila:
a) Tersedia data dan informasi masa lalu
b) Data dan informasi tersebut dapat dikuantitatifkan dalam bentuk
numerik
c) Diasumsikan beberapa aspek masa lalu akan terus berlanjut dimasa
datang
7 Langkah dalam peramalan
Langkah-Langkah dalam melakukan peramalan
1. Tentukan pemakai/pengguna
2. Pemilihan pernyataan
3. Penentuan jangka waktu
4. Pemilihan model
5. Pengumpulan data
6. Buat peramalan
7. Validiti & penerapan hasil peramalan
Jenis Peramalan
Model Peramalan dapat dibagi menjadi empat sub model.
1. Model Pertama adalah menggunakan data masa lalu secara runtut
waktu atau time series (misalnya data penjualan) untuk memprediksi
masa depan (permintaan produk).
2. Model kedua adalah untuk situasi di mana satu variabel (misalnya
permintaan) adalah fungsi dari satu atau lebih variabel lain atau variabel
bebas yang disebut dengan regresi sederhana (hanya satu variabel
bebas) atau regresi berganda (variabel bebas lebih dari satu).
3. Model ketiga yang memungkinkan kita untuk menciptakan perkiraan
diberikan model regresi tertentu
4. model keempat yang memungkinkan kita untuk menghitung kesalahan
diberikan tuntutan dan prakiraan.
Tujuan Peramalan
untuk menghitung metode-metode peramalan formal yang dapat
digunakan dalam meramalan permintaan sebagai dasar bagi
perencanaan dan pengambilan keputusan.
Time series
Input analisis time series adalah serangkaian angka yang mewakili data
melalui periode waktu.

Sedangkan hasilnya adalah selalu perkiraan untuk periode berikutnya, hasil

tambahan yang disajikan bervariasi sesuai dengan teknik yang dipilih.

Untuk setiap teknik, output meliputi urutan " perkiraan " yang dibuat pada
data masa lalu dan perkiraan untuk periode berikutnya. Bila menggunakan
analisis trend atau dekomposisi musiman, perkiraan dapat dibuat untuk
lebih dari satu periode waktu ke depan
Time series
Time series adalah suatu analisis yang menggambarkan pola perkembangan
produksi/penjualan pad aruntun waktu yang telah lewat untuk dapat
memperoleh besr kecilnya tingkat perkembangan penjualan/produksi tahunan

Metode peramalan ini dapat dilakukan dengan cara:

1. Naïve approach
2. Moving Average
a) Weight moving average method
3. Exponential smoting method
4. Linear trend projection
a) Kausal/metode least square (kuadrat tekecil)
Jenis analisis Time series
analisis time series, yang dalam POM meliputi
1. metode naif,
2. moving averages,
3. rata-rata bergerak tertimbang,
4. eksponensial smoothing,
5. eksponensial smoothing dengan trend,
6. analisis trend,
7. regresi linear,
8. dekomposisi perkalian, dan dekomposisi aditif.
Naïve Approach
Metode peramalan yang mengasumsikan permintaan antara periode waktu
sama.

Misal: penjualan bulan mei 48 unit, sama dengan penjualan bulan juli 48

Keuntungannya cost effective & efficient

Contoh kasus
Misalkan kita memiliki data seperti yang diberikan dalam tabel berikut dan
berharap untuk meramalkan permintaan untuk minggu 14 Februari (dan mungkin
21 Februari, 28 Februari ...).
Minggu Penjualan Minggu Penjualan
(unit) (unit)
3 januari 100 24 januari 105
10 januari 120 31 januari 110
17 januari 110 7 februari 120
Kerangka umum untuk meramalkan data diberikan dengan menunjukkan jumlah
titik data masa lalu. Contoh sebelumnya memiliki data masa lalu untuk periode
enam minggu dan motode ini akan meramalkan periode (minggu) berikutnya yaitu
periode 7 (14 Februari).
Langkah-langkah penyelesainnya
Buka Program POM kemudian Klik
Module -- pilih FORECASTING Klik FILE -- NEW -- Time Series
 Ketikan pada Title = example 1 dan pada Number of Past
Periode isikan 6 kemudian klik OK kemudian isikan periode dan
data-data penjualan seperti Gambar berikut:
 Selanjutnya pilih method “Naïve Method” kemudian klik Solve,
untuk melihat hasilnya kita klik solution dan pilih forecasting result;
Untuk melihat hasil kita pilih solution lalu pilih
forecasting result, hasil bisa dilihat sebagi berikut
Untuk melihat hasil kita pilih solution lalu pilih
graph, hasil bisa dilihat sebagi berikut
kesimpulan
Dari Tabel dan Gambar di atas menunjukkan bahwa dengan
Naïve Methode jumlah penjualan pada periode atau minggu ke 7
(14 Februari) adalah 120 unit.
Moving Average Method
Moving average methode adalah Metode rata-rata bergerak ederhana yang
dianggap mampu menghilangkan pengaruh fluktuatif random peramalan

Rumus:
𝐷𝑒𝑚𝑎𝑛 𝑖𝑛 𝑝𝑟𝑒𝑣𝑖𝑜𝑢𝑠 𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑠
𝑀𝐴 = ෍
𝑛
contoh
jika anda sebagai manajer dalam sebuah perusahaan diminta oleh pemilik
perusahan untuk meramalkan penjualan setiap bulan pada tahun 2019
dengan penentuan rata-rata bergerak 2 bulan. Data penjualan sebagai
berikut

Bulan januari februari maret april Mei

Penjualan (unit) 100 90 105 95 ?
Langkah-langkah penyelesainnya
Buka Program POM kemudian Klik
Module -- pilih FORECASTING Klik FILE -- NEW -- Time Series
 Ketikan pada Title = example 2 dan pada Number of Past Periode
isikan 4 kemudian klik OK kemudian isikan periode to average 2, dan
periode dan data-data penjualan seperti Gambar berikut:
 Selanjutnya pilih method “Moving average” kemudian klik
Solve,hasil dapat dilihat sebagai berikut;
Untuk melihat hasil kita pilih solution lalu pilih
forecasting result, hasil bisa dilihat sebagi berikut
Untuk melihat hasil kita pilih solution lalu pilih
graph, hasil bisa dilihat sebagi berikut
kesimpulan
Dari Tabel dan Gambar di atas menunjukkan bahwa dengan
Moving Average 2 rata-rata jumlah penjualan pada periode bulan
juni adalah 100 unit.
Pertemuan 6
Peramalan (Forecasting)
Weighted Moving Average Method
(metode rata-rata tertimbang)
Metode rata-rata tertimbang adalah perhitungan yang sama rata-rata
bergerak sederhana namun diperlukan adanya koefisien penimbang
dan digunakan apabila terjadi trend pada pola data masa lalu.
Koefisien penimbangnya berdasarkanpada intuisi dengan besaran 0 <=
CW >= 1

Rumus:
σ 𝑤𝑒𝑖𝑔ℎ𝑡 𝑓𝑜𝑟 𝑝𝑒𝑟𝑖𝑜𝑑 𝑛 (𝑑𝑒𝑚𝑎𝑛𝑑 𝑖𝑛 𝑝𝑒𝑟𝑖𝑜𝑑 𝑛)
𝑊𝑀𝐴 =
σ 𝑊𝑒𝑖𝑔ℎ𝑡𝑠
Berdasarkan data sebelumnya diminta untuk menghitung WMA
dengan angka penimbang bulan januari 40%, februari30%,
maret 20%m April 10%
Langkah-langkah penyelesainnya
Buka Program POM kemudian Klik
Module -- pilih FORECASTING Klik FILE -- NEW -- Time Series
 Ketikan pada Title = example 2 dan pada Number of Past Periode
isikan 4 kemudian klik OK periode dan data-data penjualan seperti
Gambar berikut:
 Selanjutnya pilih method “Weight Moving average” isi kan periode
to average (4) kemudian klik Solve,hasil dapat dilihat sebagai berikut;
Untuk melihat hasil kita pilih solution lalu pilih
forecasting result, hasil bisa dilihat sebagi berikut
Untuk melihat hasil kita pilih solution lalu pilih
graph, hasil bisa dilihat sebagi berikut
kesimpulan
Dari Tabel dan Gambar di atas menunjukkan bahwa dengan
Weighted Moving Average jumlah penjualan pada periode bulan
juni adalah 97,5 unit.
Kelemahan-kelemahan metode MA dan WMA
1. Peningkatan n dalam pembuatan ramalan kurang sensitive dengan
perubahan
2. Tidak dapat melakukan trend peramalan dengan baik
3. Perlakuan data berdasarkan historis
Exponential smoothing method
ESM merupakan metode rata-rata bergerak yang memberikan bobot
yang lebih kuat pada data yang lebih terakhir dari pada awal yang lebih
awal
Contoh soal Kuartal actual
1 180
Berikut ini data PT “OPQ” Selama 2 168
8 kuartal, berdasarkan 3 159
pengalaman manajer produksi 4 175
nilai koefisien “pemulus”
ditetapkan 0,1 dan peramalan 5 190
untuk kuartal pertama ditetapkan 6 205
175 unit
7 180
8 182
9 ?
Tentukanlah ramalan untuk
kuaratl 9
Langkah-langkah penyelesainnya
Buka Program POM kemudian Klik
Module -- pilih FORECASTING Klik FILE -- NEW -- Time Series
 Ketikan pada Title = example 3 dan pada Number of Past Periode
isikan 8 kemudian klik OK periode dan data-data penjualan seperti
Gambar berikut:
 Selanjutnya pilih method “Exponential smooting” isi kan alpha for
smooting (0,1) kemudian klik Solve,hasil dapat dilihat sebagai berikut;
Untuk melihat hasil kita pilih solution lalu pilih
forecasting result, hasil bisa dilihat sebagi berikut
Untuk melihat hasil kita pilih solution lalu pilih
graph, hasil bisa dilihat sebagi berikut
kesimpulan
Dari Tabel dan Gambar di atas menunjukkan bahwa dengan
Exponential smooting jumlah penjualan pada kuartal 9 adalah
180,748 unit.
Pertemuan 9
Peramalan Lanjutan
Metode least square (kuadrat terkecil)
Metode Kausal (Least Square) Adalah metode pendekatan untuk
menentukan atau menghasilkan garis lurus yang paling tepat yang
meminimumkan jumlah kuadrat perbedaan vertikal dari garis pada setiap
observasi aktual.
Contoh kasus
Saudara diminta menentukan trend linear untuk data deret waktu dai
2012 - 2019 mengenai permintaan meubel CV.Inu sebagai berikut”
Tahun Demand
2012 74
2013 79
2014 80
2015 90
2016 105
2017 142
2018 122
Langkah-langkah penyelesainnya
Buka Program POM kemudian Klik
Module -- pilih FORECASTING Klik FILE -- NEW -- Least Square
 Ketikan pada Title = example 4 dan pada Number of 0bservasi isikan 7,
number of independent variable isikan 1, kemudian klik OK periode dan
data-data penjualan seperti Gambar berikut:
Selanjutnya klik Solve,hasil dapat dilihat sebagai berikut;
Untuk melihat hasil kita pilih solution lalu pilih
forecasting result, hasil bisa dilihat sebagi berikut
Untuk melihat hasil kita pilih solution lalu pilih
graph, hasil bisa dilihat sebagi berikut
kesimpulan
Dari Tabel dan Gambar di atas menunjukkan bahwa dengan menggunakan
least square di peroleh persamaan:
Y = 56,714 + 10,536X
Ramalan untuk tahun 2019 = 56,70 + 10,54(8) = 141,02
Ramalan untuk tahun 2020 = 56,70 + 10,54(9) = 151,56
Regresi linear berganda
Regresi digunakan untuk mengestimasi dan meramalkan dengan data
crossectional/antar data yang memiliki titik waktu yang sama.

Analisis regresi linier dibedakan menjadi dua yaitu

1. analisis regresi linier sederhana jika jumlah variable bebasnya (X) hanya satu
secara matematis dapat dituliskan Y = a + bX. Model ini hamper sama dengan
model analisi trend. Bedanya model trend variabel bebasnya adalah
waktusedangkan pada analisis regresi linier sederhana variabel bebasnya bisa
waktu bisa variable non waktu,

2. analisis regresi linier berganda jika jumlah variabel bebasnya a (X) lebih dari
satu, secara matemastis dapat dituliskan Y = a + b1X1+ b2X2 + …….bkXn
contoh
Counter HP Penjualan (Unit)
A 100
B 140
C 150
D 170
E 165
F 110
G 140
H 150
I 165
J 200
B Promosi (juta) Jumlah karyawan
(orang)
3 3
5 4
6 4
10 7
8 4
3 3
4 3
3 3
8 7
11 8
Langkah-langkah penyelesainnya
Buka Program POM kemudian Klik
Module -- pilih FORECASTING Klik FILE -- NEW -- Least Square
 ISIkan jumlah data pada kolom Number of Obervation dengan cara
menggerser tanda panah atau mengisi angka 10 dan pada kolom Number
of independent variable (jumlah variabel bebas angka 2.Selanjutnya
masukan data sesuai dengan yang akan di analisis seperti berikut:
Untuk melihat hasil kita pilih solution lalu pilih
forecasting result, hasil bisa dilihat sebagi berikut
Berdasarkan dari gambar atas dapat dibuat
persamaan regresinya sebagai berikut:
Y = 88,86 + 5,76X1 + 5,21 X2
Persamaan diatas dapat diartikan:
• Koefisein X1 = 5,75 ~ jika Biaya promosi meningkat
satu juta rupiah maka penjualan akan meningkat
(positif) sebesar 5,75 unit dengan asumsi variabel
lain konstan atau tetap.
• Koefisein X2 = 5,21 ~jika jumlah karyawan
ditambah satu orang maka penjualan akan
meningkat (positif) sebesar 5,21 unit dengan
asumsi variabel lain konstan atau tetap.
• Konstanta = 88,86 ~ Rata-rata penjualan HP
sebesar 88,86 unit jika variabelbiaya promosi dan
jumlah karyawan tetap
Niliai Koefisien Determinasi (R2) sebesar 0,8
artinya varasi penjulan HP dapat dijelaskan oleh
variabel Biaya promosi dan jumlah karyawan
sebesar 80 persen (0,8 x 100%) sedangkan
sisanya 20 persen dijelaskan faktor lainnya di
luar model seperti selera konsumen, harga,
kondisi perekonomian dan lain sebagainya.
Dari persamaan regresi di atas juga dapat
diramalkan jika biaya promosi meningkat menjadi
12 juta dan jumlah karyawan tetap maka:
• Y = 88,86 + 5,76 (12) + 5,21 (1)
• Y = 88,86 + 69,12 + 5,21 = 163,19
Jadi jika biaya promosi meningkat menjadi 12
juta dan jumlah karyawan tetap maka jumlah
penjualan menjadi sebesar 163,1
Pertemuan 10
Analisis Korelasi
Definisi
Ingin mengetahui apakah diantara dua variabel terdapat hubungan,
dan jika ada hubungan, bagaimana arah hubungan dan seberapa besar
hubungan tersebut, salah satu metode analisis kuantitatif yang dapat
digunakan adalah korelasi.

Analisis korelasi adalah teknik kuantitatif yang digunakan untuk

mengukur keeratan hubungan atau korelasi antara dua variabel atau
lebih.
Definisi
Analisis korelasi bertujuan untuk mengukur kekuatan asosiasi
(hubungan) linear antara dua variabel.

Korelasi tidak menunjukan hubungan fungsional atau dengan kata lain

analisis korelasi tidak membedakan antara variabel dependent dengan
independent
 Dalam analisis korelasi dikenal ada dua jenis hubungan yaitu
positif dan negatif, seperti yang nampak pada gambar berikut:
Hubungan inflasi dan suku bunga Hubungan Produksi dan minyak goreng
40 (korelasi negative) (korelasi positif)
7
35 2.01, 35 8.82, 6.4
6 8.49, 6
30 7.61, 5.5
5
7.4, 4.8
25 9.35, 25.5

Produksi
10.33, 23.55 4
Suku Bunga

7.22, 3.8
20 12.55, 20
3 6.37, 3
15
2

10 1
Harga Minyak Goreng
5 0
INflasi 0 2 4 6 8 10
0
0 2 4 6 8 10 12 14
Rumus untuk menentukan koefisien korelasi
𝑛(σ 𝑋𝑌) − (σ 𝑋)(𝑌)
𝑟=
2 2
[𝑛 σ 𝑥 − (σ 𝑥)2 ][𝑛 σ 𝑦 − (σ 𝑦)2 ]
Dimana:
R = nilai koefisien korelasi
σ 𝑋= jumlah pengamatan variabel x
σ 𝑦= jumlah pengamatan variabel y
σ(𝑋𝑌)= jumlah hasil perkalian variabel X dan Variabel Y
σ 𝑥 2 = jumlah kuadrat dari pengamatan variabel x
σ 𝑦2 = jumlah kuadrat dari pengamatan variabel y
(σ 𝑥)2 = jumlah kuadrat dari jumlah pengamatan variabel x
(σ 𝑦)2 = jumlah kuadrat dari jumlah pengamatan variabel x
 Bentuk Hubungan Kuat dan lemahnya suatu korelasi dapat
dilihat pada gambar berikut
Korelasi Korelasi Korelasi
Negatif Positif Positif
Korelasi sedang sedang Sempurna
Negatif Korelasi Korelasi
Korelasi Korelasi
Sempurna positif Positif
Negatif Negatif
lemah Kuat
kuat Lemah

0,0 1,0
-1,0
-0,5 0,5

Korelasi Negatif Korelasi Positif

Contoh soal
Analisis korelasi atas permintaan Tahun Investasi Suku Bunga (%/th)
(milyar)
dipengaruhi harga dan
1999 34285 19,25
pendapatan dengan data sebagai 2000 43141 17,75
berikut: 2001 50825 18,88
2002 57399 19,21
2003 74873 21,98
2004 31180 32,27
2005 28897 28,89
2006 38056 18,43
2007 45962 19,19
N Y X X2 XY Y2
1 34285 19,25 371 659.986 1175461225
2 43141 17,75 315 765.753 1.861.145.881
3 50825 18,88 356 959.576 2.583.180.625
4 57399 19,21 369 1.102.635 3.294.645.201
5 74873 21,98 483 1.645.709 5.605.966.129
6 31180 32,27 1041 1.006.179 972.192.400
7 28897 28,89 835 834.834 835.036.609
8 38056 18,43 340 701.372 1.448.259.136
9 45962 19,19 368 882.011 2.112.505.444
Jumlah 404618 196,00 4478 8.558.054 19.888.392.650

9 𝑥 8.558.054 − 196 𝑥 404.618

𝑟= = −0,4
[9 4478 − 196 2 9 19.888.392.650 − 404.618 2 ]
Dalam analisis korelasi juga penting untuk menentukan koefisien
determinasi yaitu bagian dari keragaman total variable terikat Y (variable
yang dipengaruhi atau dependent) yang dapat diterangkan atau
diperhitungkan oleh keragaman variabel bebas x (variable yang
mempengaruhi atau independent)

Koefisien deterinasi = r2
2
𝑛(σ 𝑥𝑦) − (σ 𝑥)(σ 𝑦)
𝑟2 =
2 2 2 2
[𝑛 σ 𝑥 − (σ 𝑥) ][𝑛 σ 𝑦 − (σ 𝑦) ]
Mencari t hitung
Rumus uji t untuk uji korelasi yaitu:
𝑟 𝑛−2 𝑟
𝑡= atau 𝑡 =
1−𝑟 2 1−𝑟2
𝑛−2

Dimana:
t = nilai t hitung
r = nilai koefisien korelasi
n = jumlah data pengamatan
Contoh soal
Uji t untuk uji korelasi dari data permintaan dipengaruhi harga dan
pendapatan. Ujilah apakah (a) nilai r = -0,412 pada hubungan antara
suku bunga dan investasi pada taraf nyata 5%?
Langkah-Langkah pengujian

1. Perumusan hipotasa: hipotesa yang diuji adalah koefisien korelasi sama

dengan nol. Korelasi dalam populasi dilambangkan R sedangkan pada
sampel r.
H0 : r = 0
Ha : 𝑟 ≠ 0
0,05
2. Taraf nyata 5% untuk uji dua arah (𝛼Τ2 = = 0,025)dengan derajat
2
bebas (df) = n - k = 9 - 2 = 7. nilai taraf nyata (𝛼Τ2 = 0,025) dan df = 7
adalah 2,36. ingat bahwa n adalah jumlah data pengamatan yaitu = 9,
sedangkan k adalah jumlah variable yaitu y dn x, jadi k = 2
Langkah-Langkah pengujian
3. Menentukan nilai uji t
𝑟 −0,41
𝑡= 2
= 𝑡 = 2
= −1,21
1−𝑟 1−(0,41)
𝑛−2 9−2

4. Menentukan daerah keputusan dengan nilai kritis 2,36

Ho
Ha Ha
-2,36 t= - 1,21 2,36

5. Menerima keputusan. Nilai t-hitung ternyata terleta pada daerah Ho. Ini menunjukkan
bahwa tidak terdapa cukup buktu untuk menolak H0, sehingga dapat disimpulkan
korelasi dalam populasi sama dengan nol, hubungan antara tingkat suku bunga dengen
investasi lemah dan tidak nyata.
Langkah-Langkah uji korelasi menggunakan MS.Excell

1. Masukkan data ke worksheet MS.Excell dengan perintah

file/open/data
2. Dari menu utama ms.excel pilih menu data/data analysis kemudian
pilih sub menu correlation
3. Setelah terbuka masukkan range variable y dan x pada menu insert
range,
4. Pilih output yang dihasilkan bisa pada new worksheet atau output
range
5. Tampilkan Output MS.Excell
Langkah-Langkah uji korelasi menggunakan MS.Excell
Langkah-Langkah uji korelasi menggunakan MS.Excell
Langkah-Langkah uji korelasi menggunakan MS.Excell
Analisis korelasi dengan SPSS
1. Masukkan data ke workseet spss dengan perintah file/open/data
2. Dari menu utama spss pilih menu analyze, kemudian pilih menu
correlate lalu pilih bivariate
3. Tampak dilayar tampilan windows bivariate correlation
4. Isikan data ke kotak variable yaitu variable konstruk dan skor total
5. Pilih correlation coefficients person
6. Pilih oke
7. Tampilkan output spss
Dari output uji korelasi menunjukkan
bahwa penjualan dan keuntungan
pedagang buah di kramat jati
berkorelasi karena memiliki koefisien
korelasi (𝑟) = 0,663 ≥ 0,30 atu dan
nilai signifikan = 0,026 dibawah 0,05.
sehingga dapat disimpulkan bahwa
besarnya volume penjualan memiliki
hubungan yang erat dengan tingkat
perolehan laba para pedagang buah di
kramat jati
Korelasi parsial
Korelasi parsial adalah korelasi dengan memasukkan suatu variable
tambahan yang berfungsi sebagai pengontrol dari dua variable yang
berkorelasi terdahulu
Contoh soal
Ada keyakinan bahwa antara penjualan dan keuntungan ada hubungannya
namu untuk memperbesar keuntungan diharapkan dapat
meminimumkanbiaya.berikut adalah data penjualan, laba, dan biaya
operasional dari 11 pedagang buah di kramat jati tahun 2019. hitunglah
berapa besarnya koefisien korelasi penjualan terhadap keuntungan dengan
biaya operasional berfungsi sebagai kontrol dengan menggunakan
SPSS.interpretasikanhasil pengolahan data dengan taraf nyata 95% atau
alpha 0,05
NO Nama Pedagang Penjualan (juta) Keuntungan (juta) Biaya Operasional
1 Mansur 89.2 4.9 22.5
2 Dudung 18.6 4.4 14.48
3 Edo 18.2 1.3 11.44
4 Rojak 71.7 8.0 48.52
5 Wawan 58.6 6.6 56.65
6 Ucok 46.8 4.1 20.12
7 Joko 17.5 2.6 12.62
8 Parto 11.9 1.7 21.76
9 Mail 19.6 3.5 13.58
10 Emon 51.2 8.2 38.22
11 Anji 28.6 6.1 56.18
Output uji korelasi parsil menunjukkan
bahwa penjualan dan keuntungan pedagang
buah di kramat jati tanpa variable
pengontrol yaitu biaya operasional memiliki
koefisien korelasi (r) = 0,663 dengan adanya
variable pengontrol turun menjadi 0,549
sedangkan tanda korelasi masih positif.

Hasil pengujian dapat diartikan besarnua

biaya operasional yang dikeluarkan oleh
pedagang buah masih ada korelasi yang
positif antara volume penjualan dan
keuntungan. Sehingga dapat disimpulkan
semakin tinggi biaya operasional, jika
volume penjualan bertambah, ada
kecenderungan keuntungan yang diperoleh
pedagang buah di kramat jati bertambah
Pertemuan 11
Analisis Regresi
definisi
Istilah ”Regresi”pertama kali diperkenalkan oleh Sir Francis Galton pada tahun
1886. Galton menemukan adanya tendesi bahwa orang tuayang memiliki tubuh
tinggi, memiliki anak-anak yang tinggi pula begitu pula sebaliknya.

Analisis regresi adalah suatu persamaan matematika yang mendefinisikan

hubungan antara dua variabel. Tujuan analisis regresi yaitu memprediksi besarnya
variabel tergantung dengan menggunakan data variabel bebas yang sudah
diketahui besarnya.
Tujuan regresi
Analisis regresi bertujuan mengukur kekuatan hubungan antara
dua variabel atau lebih, juga menunjukan arah hubungan antara
variabel dependent dengan variabel independent.
Teknik estimasi variabel dependent yang melandasi analisis
regresi yang disebut Ordinary Least Square (OLS) (pangkat
kuadrat terkecil).
Metode OLS
Metode OLS diperkenalkan pertama kali oleh Carsl Freidrich Gauss,
seorang ahli matematik dari Jerman. Inti metode OLS adalah mengestimasi
suatu garis regresi dengan jalan meminimalkan jumlah dari kuadrat
kesalahan setiap observasi terhadap garis tersebut.

Hasil regresi adalah berupa koefisien dari masing-masing variabel

independent. Koefisien ini diperoleh dengan cara memprediksi nilai variabel
dependent dengan suatu persamaan. Secara ringkas analisis regresi
mempelajari sejauh mana variabel respon (Y) bergantung pada variabel
predikator (X).
Persamaan regresi
Bentuk persamaan regresi dengan dua variable independent:
Y = a +b1X1 + b2X2

Bentuk persamaan regresi dengan 3 variable independent

Y = a +b1X1 + b2X2 + b3X3

Bentuk persamaan regresi dengan k variable independent

Y = a +b1X1 + b2X2 + b3X3 + …..+ bkXk
Persamaan regresi
Persamaan untuk mendapatkan koefisien regresi pada prinsipnya
menggunakan metode ordinary least square (OLS) adalah meminimumkan
jumlah kuadrat deviasi disekitar garis regresi. Nilai koefisien regresi a, b1,
dan b2 dapat dipecahkan secara simultan dari tiga persamaan berikut:
෍ 𝑌 = 𝑛𝑎 + 𝑏1 ෍ 𝑥1 + 𝑏2 ෍ 𝑥2 … … … … … … … (𝑎)

෍ 𝑋1𝑌 = 𝑎 ෍ 𝑋1 + 𝑏1 ෍ 𝑥1 + 𝑏2 ෍ 𝑥1 ෍ 𝑥2 … (𝑏)

෍ 𝑋2𝑌 = 𝑎 ෍ 𝑋2 + 𝑏1 ෍ 𝑥1 ෍ 𝑥2 + 𝑏2 ෍ 𝑥2 … (𝑐)
Manfaat analisis regresi
1. Penjelasan (explanation) terhadap fenomena yang dipelajari atau
permasalahan yang diteliti diteliti.
2. Prediksi nilai variabel tergantung berdasarkan nilaia variabel bebas
bebas, yang , mana prediksi dengan regresi ini dapat dilakukan secara
kuantitataif
3. Faktor determinan determinan, yaitu penentuan variable bebas mana
(pada regresi berganda yang berpengaruh dominan terhadap variable
tergantung tergantung. Hal . ini dapat dilakukan bilamana unit satuan
data seluruh variabel sama dan skala data seluruh seluruh variabel
homogen homogen.
Validitas model analisis regresi
Analisis regresi memiliki validitas model yang dapat dibedakan atas tiga
yaitu:
1. Akurasi model: koefisien determinasi R2. semakin besar semakin akurat
untuk kepentingan prediksi
2. Ketelitian model: P-value uji F pada anova (uji koefisien serempak)
untuk kepentingan genaralisasi hasil prediksi) dan P-value uji t (uji
koefisien regresi secara parsial) untuk kepentingan generalisasi
eksplamasi
3. Pemilihan model: Akaike information criterion, semakin kecil semakin
baik scharz criterion, semakin kecil semakin baik R2 adjusted, semakin
besar semakin baik
Prosedur analisis regresi
1. Spesifikasi model
1) Identidikasi variable dependent dan idenpendent (teoritis dan
empiris)
2) Menentukan spesifikasi model
a) Spesifikasi model sesuai dengan mekanisme substansi pada
bidang yang dikaji
b) Spesifikasi model ditentukan aecara empiris (scatter diagram)
2. Pendugaan parameter
3. Periksa asumsi
4. Menguji signifikansi model (uji t, uji f dan sebagainya)
5. interpretasi
Analisis regresi dengan Software SPSS
1. Masukkan data ke worksheet SPSS
2. Klik analyze, cari regression dan pilih linear
3. Masukkan variable yang akan dianalisis
4. Klik statitics, kemudian pilih durbin Watson dan collinearity
diagnstics (uji autokorelasi dan multikolinearitas(. Selanjutnya klik
continue
5. Kilk save, kemudian pilih unstandaixed pada predieted value dan
studentixed di residual (untuk uji heterokedastisitas) selanjutnya
klik continue
6. Klik ok
Contoh: analisis regresi Keuntungan dipengaruhi asset
dan harga saham perbankan
BANK KEUNTUNGAN TOTAL ASSET HARGA SAHAM
MANDIRI 3586 50 800
BNI 3598 125 140
BCA 2541 117 300
BRI 1524 86 1250
DANAMON 948 46 1575
BII 132 36 100
NIAGA 150 27 260
REGRESI LINEAR BERGANDA
PERTEMUAN 12
Data Regresi Linear Berganda
x1 x2 x3
1.46 13.74 12.51
1.27 9.96 15.14
0.98 9.15 14.61
0.93 8.75 13.98
1.14 11.98 14.42
1.81 17.74 13.98
1.74 13.79 17.47
1.88 13.47 18.09
1.87 10.07 23.14
1.84 9.00 24.03
1.62 9.07 22.74
1.64 8.75 21.82
1.03 5.47 21.39
1.03 6.12 20.48
1.01 6.03 19.58
0.95 5.44 18.38
1.11 6.55 17.70
0.77 5.47 15.06
0.97 7.91 13.81
0.86 6.02 14.37
Membuat data Variabel
Menampilkan data Variabel
Langkah Uji Koefisien Korelasi Parsial 1
 Langkah Uji Koefisien Korelasi Parsial 2

Blok Variabel yang akan dianalisa Pindahkan Variabel ke sebelah kanan

Output Uji Koefisien Korelasi Parsial
Pembahasan Uji Koefisien Korelasi Parsial
1. Hipotesis:
Ho : Tidak terdapat hubungan yang signifikan secara parsial antara ROA
terhadap CAR.
Ha : Terdapat hubungan yang signifikan secara parsial antara ROA terhadap
CAR.

2. Dasar Pengambilan keputusan:

Jika : Sig < 𝛼, maka Ho ditolak.
Jika : Sig > 𝛼, maka Ho diterima.
0,05
α= = 0,025
2
Pembahasan Uji Koefisien Korelasi Parsial
3. Keputusan
Berdasarkan table korelasi
tersebut Sig = 0,217 > 𝛼 = 0,025 ,
sehingga Ho diterima.
4. Kesimpulannya: Tidak terdapat
hubungan yang signifikan secara
parsial antara ROA terhadap CAR.
Berdasarkan tabel correlations dapat
dilihat bahwa nilai korelasi antara
ROE (𝑋2 ) terhadap CAR (𝑌) sebesar -
0,288
Korelasi Parsial Manual
serta berdasarkan perhitungan manual didapat
nilai korelasi yang sama besar sebagai berikut:

𝑛 σ 𝑋2 𝑌 − σ 𝑋2 σ 𝑌
𝑟𝑋2.𝑌 =
𝑛 σ 𝑋22 − σ 𝑋2 2 𝑛 σ 𝑌 2 − σ 𝑌 2

𝑟𝑋2.𝑌 = 20 3184,768 − 184,469 352,701

20 1924,091 − 184,469 2 20 6472,110 − 352,701 2
63695,360−65062,401
=
4453,008 5044,205
−1367,041
=
4739,397
= −0,288
Pembahasan Uji Koefisien Korelasi Parsial
1. Hipotesis:
Ho : Tidak terdapat hubungan yang signifikan secara parsial antara ROA
terhadap CAR.
Ha : Terdapat hubungan yang signifikan secara parsial antara ROA terhadap
CAR.

2. Pengambilan keputusan:
Jika : Sig < 𝛼, maka Ho ditolak.
Jika : Sig > 𝛼, maka Ho diterima.
0,05
α= = 0,025
2
Pembahasan Uji Koefisien Korelasi Parsial
3. Keputusan
Berdasarkan table korelasi
tersebut Sig = 0,060 > 𝛼 = 0,025 ,
sehingga Ho diterima.
4. Kesimpulannya: Tidak terdapat
hubungan yang signifikan secara
parsial antara ROA terhadap CAR.
Berdasarkan tabel correlations dapat
dilihat bahwa nilai korelasi antara
ROA (𝑋1 ) terhadap CAR (𝑌) sebesar
0,427
Korelasi Parsial Manual
serta berdasarkan perhitungan manual
didapat nilai korelasi yang sama besar
sebagai berikut:

𝑛 σ 𝑋1 𝑌 − σ 𝑋1 σ 𝑌
𝑟𝑋1 .𝑌 =
𝑛 σ 𝑋12 − σ 𝑋1 2 𝑛 σ 𝑌 2 − σ 𝑌 2
𝑟𝑋1 .𝑌 = 20 468,280 − 25,901 352,701
20 36,430 − 25,901 2 20 6472,110 − 352,701 2
9365,600−9135,309
=
57,738 5044,205
230,291
=
539,669
= 0,427
Langkah Uji Koefisien korelasi dan Determinasi Simultan 1
Langkah Uji Koefisien korelasi dan Determinasi Simultan 2
Langkah Uji Koefisien korelasi dan Determinasi Simultan 3
Output Uji Koefisien Korelasi dan Determinasi Simultan
Pembahasan Uji Koefisien Korelasi Simultan

1. Hipotesis:
Ho : Tidak terdapat hubungan yang signifikan secara simultan antara
ROA dan ROE terhadap CAR.
Ha : Terdapat hubungan yang signifikan secara simultan antara ROA
dan ROE terhadap CAR.
2. Pengambilan keputusan:
Jika : Sig 𝐹𝑐ℎ𝑎𝑛𝑔𝑒 < 𝛼, maka Ho ditolak.
Jika : Sig 𝐹𝑐ℎ𝑎𝑛𝑔𝑒 > 𝛼, maka Ho diterima.
α = 0,05
Pembahasan Uji Koefisien Korelasi Simultan
3. Keputusan:
Sig 𝐹𝑐ℎ𝑎𝑛𝑔𝑒 = 0,000 < 𝛼 = 0,05,
sehingga Ho ditolak.
4. Kesimpulannya: Terdapat
hubungan yang signifikan secara
simultan antara ROA dan ROE
terhadap CAR.
Pembahasan Uji Koefisien korelasi Simultan
Berdasarkan tabel model
summary dapat dilihat bahwa nilai
korelasi antara ROA (𝑋1 ) dan ROE
(𝑋2 ) terhadap CAR (𝑌 ) sebesar
0,935
Pembahasan perhitungan Manual
berdasarkan perhitungan manual
didapat nilai koefisien korelasi yang
hampir sama besar sebagai berikut:

𝑏1 .σ 𝑥1 𝑦+𝑏2 .σ 𝑥2 𝑦
𝑅𝑋1 .𝑋2 .𝑌 = σ 𝑦2
11,712 11,515 + −1,247 −68,352
𝑅𝑋1 .𝑋2 .𝑌 =
252,210

220,099
= = 0,934
252,210
Pembahasan Uji Koefisien Determinasi Simultan
1. Hipotesis:
Ho : Tidak terdapat pengaruh yang signifikan secara simultan antara
ROA dan ROE terhadap CAR.
Ha : Terdapat pengaruh yang signifikan secara simultan antara ROA
dan ROE terhadap CAR.

2. Pengambilan keputusan:
Jika : 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 ≤ 𝐹𝑡𝑎𝑏𝑒𝑙 , maka Ho diterima.
Jika : 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝑡𝑎𝑏𝑒𝑙 , maka Ho ditolak.
Pembahasan Uji Koefisien Determinasi Simultan
3. Keputusan:
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 𝐹𝑐ℎ𝑎𝑛𝑔𝑒
𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹 𝛼,𝑘,𝑑𝑘 =𝐹 0,05 2,17 = 3,59
Dimana:
𝛼 = 0,05
𝑘 = 2 , jumlah variabel bebas
𝑑𝑘 = 𝑛 − 𝑘 − 1
dk = 20 − 2 − 1 = 17
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 58,665 > 𝐹𝑡𝑎𝑏𝑒𝑙 = 3,59,
sehingga Ho ditolak.
Pembahasan Uji Koefisien Determinasi Simultan
4. Kesimpulannya:
Terdapat pengaruh yang signifikan
secara simultan antara ROA dan
ROE terhadap CAR.
Berdasarkan tabel model summary
dapat dilihat bahwa nilai koefisien
determinasi antara ROA ( 𝑋1 ) dan
ROE (𝑋2 ) terhadap CAR (𝑌) sebesar
0,873 atau ROA dan ROE
memberikan konstribusi sebesar
87,3% terhadap CAR
Pembahasan perhitungan Manual
berdasarkan perhitungan manual didapat
nilai koefisien determinasi yang hampir
sama besar sebagai berikut:
2
𝐾𝑃 = 𝑅𝑋1 .𝑋2 .𝑌 × 100%
= 0,934 2 × 100%
= 0,872 × 100%
= 87,2%

Hal ini berarti, 87,2% variasi dari CAR (𝑌)

dapat dijelaskan oleh variasi ROA (𝑋1 ) dan
ROE ( 𝑋2 ), sedangkan sisanya 12,8%
dijelaskan oleh sebab-sebab yang lain.
Langkah Uji Persamaan regresi Berganda
Output Persamaan Regresi Berganda
Pembahasan Regresi Linear berganda
1. Hipotesis:
Ho : Persamaan regresi berganda yang terbentuk tidak signifikan.
Ha : Persamaan regresi berganda yang terbentuk signifikan.

2. Pengambilan keputusan:
Berdasarkan perbandingan antara 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 dan 𝐹𝑡𝑎𝑏𝑒𝑙 .
Jika : 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 ≤ 𝐹𝑡𝑎𝑏𝑒𝑙 , maka Ho diterima.
Jika : 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝑡𝑎𝑏𝑒𝑙 , maka Ho ditolak.
Pembahasan Regresi Linear berganda
3. Keputusan
Nilai 𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹 0,05 2,17
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 58,665 > 𝐹𝑡𝑎𝑏𝑒𝑙 =
3,59, maka Ho ditolak.

4. Kesimpulannya: Persamaan
regresi berganda yang terbentuk
signifikan antara ROA dan ROE
terhadap CAR.
Pembahasan Regresi Linear berganda
1. Hipotesis:
Ho : Persamaan regresi berganda yang terbentuk tidak signifikan.
Ha : Persamaan regresi berganda yang terbentuk signifikan.

2. Pengambilan keputusan:
Berdasarkan nilai probabilitas.
Jika probabilitas (sig) > 𝛼, maka Ho diterima.
Jika probabilitas (sig) < 𝛼, maka Ho ditolak.
𝛼 = 0,005
Pembahasan Regresi Linear berganda
3. Keputusan
sig = 0,000 < 𝛼 = 0,005, maka
Ho ditolak.

4. Kesimpulannya: Persamaan
regresi berganda yang terbentuk
signifikan antara ROA dan ROE
terhadap CAR.
Pembahasan Persamaan Regresi Linear Berganda
Berdasarkan tabel coefficients dapat dianalisis
persamaan regresi berganda yang terbentuk
signifikan antara variabel 𝑋1 dan 𝑋2 terhadap 𝑌
sebagai berikut:
𝑌 = 13,971 + 11,717 𝑋1 − 1,248 𝑋2
Sehingga berdasarkan persamaan regresi berganda
yang terbentuk di atas dapat dianalisis sebagai
berikut:
Jika nilai variabel 𝑋1 (ROA) dan 𝑋2 (ROE) sama
dengan 0, maka nilai variabel 𝑌 (CAR) sebesar 13,971
atau 13,9%.
Jika nilai variabel 𝑋1 (ROA) bertambah 1 %, maka
akan menaikan nilai variabel 𝑌 (CAR) sebesar 11,717
atau 11,71%.
Jika nilai variabel 𝑋2 (ROE) bertambah 1%, maka akan
menurunkan nilai variabel 𝑌 (CAR) sebesar 1,248 atau
1,24%.
Pertemuan 13
Linear programming
Definisi
Linear Programming adalah suatu model yang dapat digunakan untuk
memecahkan masalah pengalokasian sumber daya yang terbatas secara
optimal.

Linear Programming merupakan metode matematik dalam mengalokasikan

sumber daya yang langkah untuk mencapai suatu tujuan seperti maksimum
keuntungan dan meminimumkan biaya.
Tujuan
Tujuan linear prograimming adalah mencari titik maksimum atau minimum
dari suatu fungsi tujuan dengan kendala-kendala/keterbatasan yang dimiliki
dan mencari solusi terbaik dari berbagi masalah-masalah/kendala yang
dihadapi.
Fungsi
Fungsi linear programming adalah:
1. Melihat pengalokasian sumber daya yang dimiliki secara optimal (
maksimum & Minimum).
2. Sebagai dasar dalam membuat perncanaan perncanaan, penjadwalan
penjadwalan, penentuan kapasitas produksi dan perencanaan kegiatan
kegiatan-kegiatan untuk mencapai suatu hasil yang optimal serta
pemecahan masalah yang optimal.
3. Sebagai dasar pengambilan keputusan dari berbagai alternatif
penggunaan sumber daya yang terbatas terbatas.
Tahapan
Tahapan Linear Programming
1. Masalah harus dapat diidentifikasi sebagai sesuatu yang dapat
diselesaiakan dengan Linear Prograimming matematika.
2. Masalah yang tidak terstruktur harus dapat dirumuskan dalam model
matematika sehingga menjadi terstruktur
3. Model harus diselesaikan dengan teknik matematika yang dibuat
Ciri-ciri Linear programming
Ciri ciri masalah yang dapat diselesaikan dengan LP dikelompokan
atas 2 yaitu :
1. Struktur model
a) Fungsi tujuan, hubungan matematika linear yang menjelaskan
tujuan perusahaan dalam terminologi
b) Variabel keputusan, simbol matematika yang menggambarkan
tingkatan aktivitas perusahaan
c) Kendala (Batasan), merupakan hubungan linear dengan variabel
keputusan keputusan; batasan menunjukkan keterbatasan
perusahaan karena lingkungan operasi perusahaan perusahaan.
d) Parameter,nilai kostan yang biasanya merupakan koefisien dari
variabel (simbol simbol) dalam persamaan persamaan.
Ciri-ciri Linear programming
Ciri ciri masalah yang dapat diselesaikan dengan LP dikelompokan atas 2
yaitu :
2. Asumsi Model
a) Proporsional, setiap variabel keputusan yang mempunyai pengaruh linear
terhadap fungsi tujuan dan fungsi pembatas yang ada
b) Pertambahan(additivity), fungsi tujuan maupun batasan selalu
ditambahkan
c) Dapat dibagi (divisibility), memungkinkan nilai variabel keputusan non
integer
d) Pasti (Deterministic) yaitu nilai dari semua model parameter diasumsikan
konstan dan diketahui secara pasti
e) Non-Negatif Negatif, tidak ada nilai variable keputusan bernilai negatif
yang ada nilai nol atau positif positif.
Jenis model Linear programming
Ada dua model dalam Linier Programming, yaitu:
1. Model Grafik :Model grafik digunakan untuk memecahkan masalah
penentuan kombinasi optimum (maksimal dua variabel) guna
memaksimumkan laba atau meminimumkan biaya dengan kendala
tertentu.
2. Model Simplex: Model simplex digunakan untuk memecahkan masalah
programasi linear melalui iterasi di mana tahapan-tahapan
komputasional diulangi terus menerus sebelum diperoleh tingkat
optimal. Tujuannya sama seperti Model Grafik Linear Programming yaitu
untuk mendapatkan keuntungan maksimal (Maksimisasi) dan biaya
minimum (minimisasi). Namun pada model simplex, jumlah variabel dua
atau lebih dari dua.
Sebelum memasukkan data dalam POM, harus memformulasikan masalah
tersebut dalam bentuk formula matematis sebagai berikut:
1. Tentukan variabel
2. Fungsi tujuan
3. Fungsi kendala / batasan

Setelah menyusun formulasi linear programming, semua data dimasukkan

pada program POM for Windows.
Langkah-Langkah Penyelesaian Masalah Linier Programming

Untuk menyelesaikan permasalahan

Linier Program pada Program POM
dilakukan dengan langkah-
langkahnya sebagai berikut
• Jalankan program QM for
Windows, pilih Module – Linear
Programming
• Pilih menu File - New, sehingga
muncul tampilan seperti Gambar
berikut
Buat judul penyelesaian soal ini dengan mengisi
bagian
• Title: “CONTOH SOAL LP” . Jika Title tidak
diisi, program QM for Windows akan
membuat judul sendiri sesuai default
(patokan)-nya. Default Title ini dapat dirubah
dengan meng-klik ikon edit
• Isikan (set) jumlah kendala dengan 2, dengan
cara meng-klik tanda pada kotak Number of
Constraints (dalam program QM for Windows,
tidak perlu memasukkan kendala non negatif)
• Isikan (set) jumlah variabel dengan 2, dengan
cara meng-klik tanda pada kotak Number of
Variables
• Pilih pada bagian Row names, kemudian isi
dengan nama “jam kerja”
Pilih pada bagian Row names,
kemudian isi dengan nama “jam kerja” Pilih pada Bagian Column names
Biarkan pada bagian Objective,
tetap pada pilihan Maximize
lanjutkan dengan meng-klik
tombol OK
hingga akan muncul tampilan
seperti berikut:

Isikan angka-angka pada kotak-

kotak sesuai dengan
permasalahan yang akan
dipecahkan
Contoh Kasus Maksimisasi:
Dua produk diproses berangkai menggunakan 4 mesin. Waktu setiap mesin per
hari tersedia 8 jam. Waktu proses produksi dan profit sebagai berikut:

PRODUK MESIN 1 MESIN 2 MESIN 3 MESIN 4 PROFIT

A 10 MENIT 6 MENIT 8 MENIT 0 MENIT Rp. 10.000
B 5 MENIT 20 MENIT 15 MENIT 30 MENIT Rp. 20.000

Hitung jumlah produksi optimal setiap jenis produk dan keuntungan totalnya!
Penyelesaian
Pada kasus disebutkan waktu yang tersedia adalah 8 jam sedangkan proses
produksi mesin menggunakan satuan menit sehingga perlu penyesuaian satuan
waktu menjadi menit sehingga diperoleh angka 8 jam x 60 menit = 480 menit

Formulasi Linier Programming:

Max Z = 10.000 X1 + 20.000 X2
Kendala :
1. 10 X1 + 5 X2 ≤ 480
2. 6 X1 + 20 X2 ≤ 480
3. 8 X1 + 15 X2 ≤ 480
4. 30 X2 ≤ 80
5. X1, X2 ≥ 0
Setelah formulasi selesai
disusun maka masukkan
data pada program POM
for Windows dengan
langkah sebagai berikut:

Pada menu POM klik

MODULE lalu pilih Linear
Programming, lalu klik
NEW sehingga muncul
gambar berikut :
Keterangan:
1. Title → judul kasus yang diselesaikan, misalnya PT. Sejahtera Langit
2. Number of Constraint → jumlah fungsi batasan yang ada pad kasus.
Isikan 4 buah mesin untuk produksi (A,B,C,D) sebagai fungsi batasan.

3. - Number of Variables → jumlah variabel yang ada pad fungsi tujuan.

Isikan 2 sesuai kasus di ata terdapat 2 produk (1,2) sebagai fungsi tujuan.

4. - Objective → tujuan pengalokasian sumber daya. Klik Maximize sesuai

kasus di atas (memaksimalkan keuntungan)

5. - Row Name Options → Nama batasan yang diinginkan, misalnya A,B,C,…

Selanjutnya Klik OK sehingga muncul tampilan isian untuk memasukkan
koefisien fungsi batasan dan fungsi tujuan serta kapasitas maksimum
batasan pada kolom RHS (Right Hand Side) seperti berikut:
Klik SOLVE apabila data sudah lengkap dan benar sehingga akan tampak
hasilnya. Kemudian dengan meng-klik Window akan tampil pilihan Linear
Programming Result, Ranging, Solution List, Iterations, dan Graph seperti pada
gambar berikut:
Pada tabel iterasi tampak bahwa iterasi terjadi sebanyak 4 kali. Hal tersebut berarti untuk mencapai
kombinasi angka optimum diperlukan empat kali Langkah komputasi.
Pada tabel Iterasi ke-4 dapat ditarik kesimpulan bahwa:
Pada Basic Variable menyatakan jumlah produksi untuk Produk 1 (X1) = 34,29 dan Produk 2 (X2) =
13,71. Dan S1 bernilai 1, artinya ada sisa pada kendala 1 (480) sebanyak 1.
Deskripsi Output

Area berwarna pada grafik merupakan Feaseble Area yaitu daerah batas yang
mungkin untuk pengalokasian sumber daya produksi yang ada dengan waktu
yang tersedia. Produksi tidak boleh melebihi titik-titik yang ada pada daerah
Feaseble Area. Pada grafik terdapat Isoprofit Line yang berada pada titik
(34,29:13,71) di mana garis tersebut merupakan titik koordinat maksimum
produksi guna mencapai profit yang maksimal. Pada grafik sisi kanan terdapat
Kolom Constraint Display yang akan menunjukkan Garis dari persamaan
formulasi Linear Programming yang ad apabila di-klik salah satu check-box di
depannya. Di bawah kolom Constraint Display terdapat kolom Corner Points yang
menunjukkan hubungan antara variabel X1 dan X2 serta Z. Misalkan apabila X1 =
48 dan X2 = 0 maka Z (profit) akan bernilai 480000.
Jumlah produksi untuk produk :

1. (X1) = 34,29
2. (X2) = 13.71

Keuntungan Total : Z = Rp. 617.142,9

Pertemuan 14
Linear Programming kasus minimasi
 Contoh Minimisasi

Sebuah UKM ingin memproduksi sepatu dan sandal. Dalam memproduksi sepatu
dan sandal menggunakan mesin dengan rincian waktu prosesnya sebagai berikut
Produk Mesin 1 Mesin 2 Mesin 3 Mesin 4 Profit
Sepatu 2 jam 5 jam 1 jam O 8
Sandal 6 jam 4 jam 2 jam 1 jam 2
> 12 < 40 > 12 <6
Min Z = 8 X1 + 2X2
Kendala 1. = 2 X1 – 6 X2 ≤ 12
= 5 X1 + 4 X2 ≥ 40
= X1 + 2 X2 ≥ 12
= X2 ≤ 6
X1, X2 ≥ 0
 Penyelesaian

1. Klik Module Linear Programming → New

2. Ketikkan judul pada Title
3. Number of Constraint diisi 4 karena pada kasus di atas terdapat 4 fungsi
batasan / kendala.
4. Number of Variable diisi 2 karena pada kasus di atas terdapat dua fungsi
tujuan, yaitu X1 dan X2.
5. Pada kolom Objective pilih Minimize dan pada Row Name Options pilih A,
B, C, ….
6. Klik OK lalu SOLVE dan lihat hasilnya dengan meng-klik WINDOW untuk
memilih hasil tampilan
Pada grafik minimisasi, kolom Corner Points menunjukkan titik-titik optimal
untuk produksi X1 = 3,2 dan X2 = 6 serta Z (biaya minimum) = 37,6
Pada tabel iterasi tersebut disebutkan bahwa iterasi terjadi sebanyak 7 kali. Pada
tabel tersebut muncul komponen Artfcl (artificial) dan Surplus yang akan muncul bila
kasus tersebut bukan kasus standar dan membutuhkan variabel pembantu untuk
mencapai iterasi maksimal.