Peramalan Berbasis Regresi

Nov 27, 2009

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:

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 continue – OK, seperti berikut:

6. Berikutnya akan ditunjukkan output sebagai berikut:

Output plot menunjukkan model yang dihasilkan terhadap garis linier.


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


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 (dalam jutaan rupiah menjadi Rp.221.670.000,-)

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)

No comments:

Post a Comment

 

Stats

read in english