Peramalan Berbasis Regresi


Model kausal mengasumsikan bahwa variabel yang diramalkan (variabel dependen) terkait dengan variabel lain (variabel independen) dalam model. Pendekatan ini mencoba untuk melakukan proyeksi berdasarkan hubungan tersebut. Dalam bentuknya yang paling sederhana, regresi linear digunakan untuk mencocokkan baris ke data. Baris itu kemudian digunakan untuk meramalkan variabel dependen yang dipilih untuk beberapa nilai dari variabel independen. Model yang digunakan sama dengan model pada regresi linier berganda, yaitu:

Y = b0 + b1X1 + b2X2 + b3X3 + … + bnXn + bnd + En

dimana:

Y = nilai observasi dari variabel yang diukur

b0 = konstanta

X = variabel pengukur (independen)

d = variabel surrogates (dummy)

ε = error

Ilustrasi:

Pabrik Susu “Maju-Mundur” ingin melihat penjualan perusahaan pada bulan-bulan berikutnya, yang dimulai pada bulan ke-13, variabel-variabel yang mereka sertakan dalam peramalan adalah jumlah biaya iklan dan biaya distribusi dalam jutaan Rupiah. Data yang diberikan adalah sebagai berikut:

Bulan

Sales

Biaya Iklan

Biaya Distribusi

(juta Rupiah)

(jutaan Rupiah)

(jutaan Rupiah)

1

100

10

25

2

250

23

28

3

150

15

20

4

120

16

20

5

200

20

27

6

240

25

28

7

180

20

18

8

300

26

30

9

250

24

27

10

180

22

24

11

220

20

25

12

230

25

21

Dengan SPSS 17.0, langkah-langkahnya adalah sebagai berikut:

1. Input data ke dalam worksheet SPSS seperti berikut:

2. Kemudian pilih Analyze – Regression – Linear, seperti berikut:

3. Setelah muncul kotak dialog Linear Regression, maka pindahkan variabel dependen “sales” ke kotak dependent, serta variabel iklan dan distribusi ke kotak independent, seperti berikut:

4. Setelah itu di sisi kanan, pilih statistic, centang estimates, model fit, dan Durbin Watson, klik continue:

5. Pada Plot, masukkan ZRESID ke kotak Scatter X, dan ZPRED ke scatter Y, lalu pada bagian Residuals centang normal probability plot, lalu klik continueOK, seperti berikut:

6. Berikutnya akan ditunjukkan output sebagai berikut:

Output plot menunjukkan model yang dihasilkan terhadap garis linier.

ANOVAb

Model

Sum of Squares

df

Mean Square

F

Sig.

1

Regression

34027.813

2

17013.907

43.270

.000a

Residual

3538.853

9

393.206

Total

37566.667

11

a. Predictors: (Constant), Distribusi, Iklan

b. Dependent Variable: Sales

Dari output  ANOVA dapat kita lihat model adalah signifikan yang diindikasikan dengan nilai sig. = 0,000.

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t

Sig.

B

Std. Error

Beta

1

(Constant)

-103.314

39.650

-2.606

.028

Iklan

9.595

1.385

.787

6.927

.000

Distribusi

4.435

1.726

.292

2.569

.030

a. Dependent Variable: Sales

Dari output  Coefficients kita dapati nilai koefisien korelasi yang akan dimasukkan ke dalam persamaan regresi model peramalan “sales” dengan variabel independen iklan dan distribusi.

Kedua variabel independen memiliki nilai p-value berturut-turut adalah 0,000 dan 0,030 yang lebih kecil dari nilai kritik α = 0,05, dengan demikian masing-masing variabel signifikan berpengaruh terhadap sales, dan baik untuk digunakan dalam peramalan.

Maka dengan demikian model yang didapatkan adalah:

Y = -103,3 + 9,59 (Iklan) + 4,44 (Distribusi) + ε

Hasil peramalan yang didapat dalam bulan berikutnya dapat diilustrasikan sebagai berikut:

Jika perusahaan memutuskan alokasi biaya iklan adalah 20 juta, dan biaya distribusi 30 juta pada bulan ke 13, maka jumlah total sales pada bulan ke-13 adalah:

Y = -103,3 + 9,59 (20) + 4,44 (30)

Y = 221,67

Maka nilai penjualan pada bulan ke-13 adalah Rp. 221.670.000,-

Demikian seterusnya untuk bulan-bulan berikutnya, dengan menentukan alokasi “biaya iklan” dan “biaya distribusi”, maka manajemen dapat menentukan nilai penjualan (sales) dari model yang dihasilkan melalui metode kausal (regresi linier). (yoz)

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout / Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout / Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout / Ubah )

Foto Google+

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s