TEORI PENGAMBILAN KEPUTUSANTEORI PENGAMBILAN KEPUTUSANPengambilan Keputusan :Pengambilan Keputusan : Model-model pengambilan keputusan dalam analisa kuantitatif sering Model-model pengambilan keputusan dalam analisa kuantitatif sering

menggunakan anggapan tersedianya informasi yang sempurna.menggunakan anggapan tersedianya informasi yang sempurna. Dunia nyata para manajer sering dipaksa harus mengambil keputusan Dunia nyata para manajer sering dipaksa harus mengambil keputusan

tanpa informasi sempurna (ada variabilitas informasi, seperti kondisi tanpa informasi sempurna (ada variabilitas informasi, seperti kondisi kepastian, risiko dan ketidakpastian).kepastian, risiko dan ketidakpastian).

Model Pengambilan Keputusan dipengaruhi atau tergantung dari Model Pengambilan Keputusan dipengaruhi atau tergantung dari Informasi yang ada/yang dimiliki.Informasi yang ada/yang dimiliki.

Informasi yang ada, pada dasarnya dapat digolongkan menjadi 2 (dua) Informasi yang ada, pada dasarnya dapat digolongkan menjadi 2 (dua) yaitu Informasi Sempurna yaitu Informasi Sempurna (Perfect Information)(Perfect Information) dan Informasi Tidak dan Informasi Tidak Sempurna Sempurna (Imperfect Information).(Imperfect Information).

Model Pengambilan Keputusan dikaitkan Informasi yang dimiliki :Model Pengambilan Keputusan dikaitkan Informasi yang dimiliki :Ada 3 (tiga) Model Pengambilan keputusan.Ada 3 (tiga) Model Pengambilan keputusan.1.1. Model Pengambilan Keputusan dalam Keadaan Kepastian Model Pengambilan Keputusan dalam Keadaan Kepastian (Certainty).(Certainty).

Menggambarkan bahwa setiap rangkaian keputusan (kegiatan) hanya Menggambarkan bahwa setiap rangkaian keputusan (kegiatan) hanya mempunyai satu hasil (pay off tunggal). Model ini disebut juga Model mempunyai satu hasil (pay off tunggal). Model ini disebut juga Model Kepastian/ Kepastian/ Deterministik.Deterministik.

lanjutanlanjutan2.2. Model Pengambilan Keputusan dalam kondisi Berisiko Model Pengambilan Keputusan dalam kondisi Berisiko (Risk).(Risk).

Menggambarkan bahwa setiap rangkaian keputusan (kegiatan) Menggambarkan bahwa setiap rangkaian keputusan (kegiatan) mempunyai sejumlah kemungkinan hasil dan masing-masing kemungkinan mempunyai sejumlah kemungkinan hasil dan masing-masing kemungkinan hasil probabilitasnya dapat diperhitungakan atau dapat diketahui. Model hasil probabilitasnya dapat diperhitungakan atau dapat diketahui. Model Keputusan dengan Risiko ini disebut juga Keputusan dengan Risiko ini disebut juga Model StokastikModel Stokastik..

3.3. Model Pengambilan Keputusan dengan Ketidakpastian Model Pengambilan Keputusan dengan Ketidakpastian (Uncertainty).(Uncertainty). Menggambarkan bahwa setiap rangkaian keputusan (kegiatan) Menggambarkan bahwa setiap rangkaian keputusan (kegiatan) mempunyai sejumlah kemungkinan hasil dan masing-masing kemungkinan mempunyai sejumlah kemungkinan hasil dan masing-masing kemungkinan hasil probabilitasnya tidak dapat diketahui/ditentukan. Model Keputusan hasil probabilitasnya tidak dapat diketahui/ditentukan. Model Keputusan dengan kondisi seperti ini adalah situasi yang paling sulit untuk dengan kondisi seperti ini adalah situasi yang paling sulit untuk pengambilan keputusan. (Kondisi yang penuh ketidakpastian ini relevan pengambilan keputusan. (Kondisi yang penuh ketidakpastian ini relevan dengan apa yang dipelajari dalam Game Theory)dengan apa yang dipelajari dalam Game Theory)

Fokus yang Dipelajari dalam Metode Kuantitatif :Fokus yang Dipelajari dalam Metode Kuantitatif : Hanya Model Pengambilan Keputusan dengan Risiko (Risk). Decision Hanya Model Pengambilan Keputusan dengan Risiko (Risk). Decision

theory dalam kasus ini bertujuan untuk memaksimumkan benefit atau theory dalam kasus ini bertujuan untuk memaksimumkan benefit atau meminimumkan biaya-biaya berbagai keputusan dalam kondisi berisiko.meminimumkan biaya-biaya berbagai keputusan dalam kondisi berisiko.

lanjutanlanjutan

Contoh kasus sederhana :Contoh kasus sederhana :Pengambilan Keputusan dalam Kondisi Berisiko:Pengambilan Keputusan dalam Kondisi Berisiko:

Kasus Pemilik/Penjual Bakso “Senayan” Cabang Yogya hendak Kasus Pemilik/Penjual Bakso “Senayan” Cabang Yogya hendak memutuskan berapa mangkok bakso yang harus disediakan memutuskan berapa mangkok bakso yang harus disediakan rata-rata setiap hari agar keuntungan diperoleh maksimum. rata-rata setiap hari agar keuntungan diperoleh maksimum. Jika disediakan terlalu banyak (melebihi jumlah yang diminta) Jika disediakan terlalu banyak (melebihi jumlah yang diminta) maka ia akan menderita kerugian yaitu rugi/kerugian biaya maka ia akan menderita kerugian yaitu rugi/kerugian biaya produksi karena tidak laku. Jika disediakan terlalu sedikit maka produksi karena tidak laku. Jika disediakan terlalu sedikit maka ia juga akan menderita kerugian (rugi kesempatan yaitu berupa ia juga akan menderita kerugian (rugi kesempatan yaitu berupa keuntungan yang menjadi hilang karena pembeli datang tetapi keuntungan yang menjadi hilang karena pembeli datang tetapi tidak bisa terlayani). Data yang ada biaya produksi bakso per tidak bisa terlayani). Data yang ada biaya produksi bakso per mangkok sebesar Rp 2000,- dan harga jual bakso per mangkok mangkok sebesar Rp 2000,- dan harga jual bakso per mangkok sebesar Rp 3000,-. Data lain yang diperoleh berdasarkan sebesar Rp 3000,-. Data lain yang diperoleh berdasarkan pengamatan data masa lalu pengamatan data masa lalu (historical data),(historical data), yaitu data yaitu data permintaan dan peluang/probabilitas permintaan tersebut permintaan dan peluang/probabilitas permintaan tersebut sebagai berikut : sebagai berikut :

lanjutanlanjutanData Permintaan dan Probabilitas sbb:Data Permintaan dan Probabilitas sbb:

Penyelesaian Kasus di atas bisa dilakukan dengan :Penyelesaian Kasus di atas bisa dilakukan dengan :1.1. Kriteria Keputusan :Kriteria Keputusan :

a. Kriteria Maximaxa. Kriteria Maximaxb. Kriteria Maximinb. Kriteria Maximinc. Kriteria Kemungkinan Maksimumc. Kriteria Kemungkinan Maksimumd. Kriteria Laplaced. Kriteria Laplace

2.2. Kriteria Expected Value yang TertinggiKriteria Expected Value yang Tertinggi3.3. Kriteria Pohon Keputusan (Decision Tree).Kriteria Pohon Keputusan (Decision Tree).

No. Permintaan (Unit/Hari) Probabilitas

1 100 0,1

2 110 0,2

3 120 0,4

4 130 0,2

5 140 0,1

lanjutanlanjutanTabel Pay Off Tabel Pay Off

(Kerugian atau Keuntungan dari berbagai kondisi).(Kerugian atau Keuntungan dari berbagai kondisi).

Kondisi Permin taan (Prob)

Dasar(Xi)

100 110 120 130 140

(0,1) (0,2) (0,4) (0,2) (0,1)

100 100000 90000 80000 70000 60000

110 80000 110000 100000

90000 80000

120 60000 90000 120000

110000

100000

130140

4000020000

7000050000

100000

80000

130000

110000

120000

140000

lanjutanlanjutan1.1. Kriteria Keputusan:Kriteria Keputusan:a.a. Kriteria MaximaxKriteria Maximax, mengatakan bahwa keputusan yang mempunyai pay , mengatakan bahwa keputusan yang mempunyai pay

off paling tinggi (tanpa memperdulikan hal lain) yang seharusnya dipilih off paling tinggi (tanpa memperdulikan hal lain) yang seharusnya dipilih (Optimistik).Lihat Tabel Pay off:(Optimistik).Lihat Tabel Pay off:Maksimum Baris 1 = 100000Maksimum Baris 1 = 100000Maksimum Baris 2 = 110000Maksimum Baris 2 = 110000Maksimum Baris 3 = 120000Maksimum Baris 3 = 120000Maksimum Baris 4 = 130000Maksimum Baris 4 = 130000Maksimum baris 5 = 140000Maksimum baris 5 = 140000Yang tertinggi adalah 140000, berarti menyediakan 140 mangkok bakso. Yang tertinggi adalah 140000, berarti menyediakan 140 mangkok bakso.

b.b. Kriteria Maximin,Kriteria Maximin, memilih keputusan yang menghasilkan nilai memilih keputusan yang menghasilkan nilai maksimum dari pay off yang minimum.maksimum dari pay off yang minimum.Minimum Baris 1 = 60000Minimum Baris 1 = 60000Minimum Baris 2 = 80000Minimum Baris 2 = 80000Minimum Baris 3 = 60000Minimum Baris 3 = 60000Minimum Baris 4 = 40000Minimum Baris 4 = 40000Minimum Baris 5 = 20000Minimum Baris 5 = 20000yang tertinggi adalah 80000, berarti menyediakan 110 mangkok baksoyang tertinggi adalah 80000, berarti menyediakan 110 mangkok bakso

lanjutanlanjutanc.c. Kriteria Kemungkinan MaksimumKriteria Kemungkinan Maksimum

Menyatakan seseorang seharusnya memilih keputusan optimalnya Menyatakan seseorang seharusnya memilih keputusan optimalnya atas dasar yang paling sering terjadi, dalam hal ini dilihat dari atas dasar yang paling sering terjadi, dalam hal ini dilihat dari probabilitasnya maka yang paling sering terjadi adalah probabilitasnya maka yang paling sering terjadi adalah permintaan 120 dengan probabilitas 0,4. Jadi sebaiknya penjual permintaan 120 dengan probabilitas 0,4. Jadi sebaiknya penjual bakso menyediakan 120 mangkok bakso dengan kemungkinan bakso menyediakan 120 mangkok bakso dengan kemungkinan keuntungan yang diperoleh sebesar 120000.keuntungan yang diperoleh sebesar 120000.

d.d. Kriteria Laplace, seseorang seharusnya memilih keputusan yang Kriteria Laplace, seseorang seharusnya memilih keputusan yang mempunyai laba rata-rata tertinggi. Dalam hal ini sebaiknya mempunyai laba rata-rata tertinggi. Dalam hal ini sebaiknya mengambil keputusan menyediakan 120 mangkok dengan rata-mengambil keputusan menyediakan 120 mangkok dengan rata-rata keuntungan 96000.rata keuntungan 96000.

2.2. Kriteria Expected ValueKriteria Expected Value yang Tertinggi, keputusan yang dipilih yang Tertinggi, keputusan yang dipilih adalah keputusan yang mempunyai expected value pay off yang adalah keputusan yang mempunyai expected value pay off yang tertinggi, Perhitungan EV (EMV = Expected monetary Value) tertinggi, Perhitungan EV (EMV = Expected monetary Value) dapat diperoleh dengan memasukan semua besaran probabilitas dapat diperoleh dengan memasukan semua besaran probabilitas dalam perhitungan. Keputusan yang diambil sebaiknya dalam perhitungan. Keputusan yang diambil sebaiknya menyediakan 120 mangkok dengan keuntungan/ nilai EV/EMV = menyediakan 120 mangkok dengan keuntungan/ nilai EV/EMV = 104000.104000.

MODEL-MODEL PERAMALANMODEL-MODEL PERAMALAN1.1. Forecasting/Peramalan dilihat jangka waktu:Forecasting/Peramalan dilihat jangka waktu:

a. Short Terma. Short Termb. Middle Termb. Middle Termc. Long Termc. Long Term

2.2. Metode-metode dalam Forecasting/Peramalan :Metode-metode dalam Forecasting/Peramalan :Ada yang membagi menjadi 3 macam :Ada yang membagi menjadi 3 macam :1) Extrapolation Methods.1) Extrapolation Methods.

Metode ini hanya mendasarkan data tahun, bulan, waktu lalu) secara runtut Metode ini hanya mendasarkan data tahun, bulan, waktu lalu) secara runtut dengan tanpa memperhatikan faktor-faktor penyebab terjadinya kejadian dengan tanpa memperhatikan faktor-faktor penyebab terjadinya kejadian tersebut untuk memperkirakan peristiwa/data di waktu yang akan datang. tersebut untuk memperkirakan peristiwa/data di waktu yang akan datang. Variabel acak yang dimungkinkan sebagai variabel pengganggu bisa berupa Variabel acak yang dimungkinkan sebagai variabel pengganggu bisa berupa gerak Irregular/Random, Trend, Season atau Cyclusgerak Irregular/Random, Trend, Season atau Cyclus..2) Causal Methods.2) Causal Methods.Pada metode ini dipertimbangkan faktor-faktor yang mempengaruhi Pada metode ini dipertimbangkan faktor-faktor yang mempengaruhi terjadinya suatu peristiwa/data yang ada. Oleh karena itu faktor-faktor yang terjadinya suatu peristiwa/data yang ada. Oleh karena itu faktor-faktor yang dianggap berpengaruh diikutkan dalam proses perhitungan sebagai variabel dianggap berpengaruh diikutkan dalam proses perhitungan sebagai variabel independent (variabel bebas). independent (variabel bebas).

lanjutanlanjutan3) Adjustment Methods.3) Adjustment Methods.Peramalan dengan metode ini hanyalah menggunakan justifikasi saja. Sehingga Peramalan dengan metode ini hanyalah menggunakan justifikasi saja. Sehingga pemakaian metode ini haruslah melibatkan orang yang memang ahli dibindangnya.pemakaian metode ini haruslah melibatkan orang yang memang ahli dibindangnya.

Pembagian lain, metode peramalan dibagi 2 macamPembagian lain, metode peramalan dibagi 2 macam : :

1) Metode Kualitatif.1) Metode Kualitatif.Pada metode ini peramalan dilakukan hanya berdasarkan data kualitatif dan Pada metode ini peramalan dilakukan hanya berdasarkan data kualitatif dan pemakaian metode ini hanya boleh dilakukan oleh orang yang benar-benar pemakaian metode ini hanya boleh dilakukan oleh orang yang benar-benar ahli/pakar dalam bidangnya atau oleh orang yang punya pengalaman.ahli/pakar dalam bidangnya atau oleh orang yang punya pengalaman.2) Metode Kuantitatif.2) Metode Kuantitatif.Peramalan dengan metode ini dapat dilakukan kalau ada/tersedia data kuantitatif. Peramalan dengan metode ini dapat dilakukan kalau ada/tersedia data kuantitatif. Pada metode ini dikenal 2 model:Pada metode ini dikenal 2 model:a.a. Metode Kausalitas (Cause Effect Methods atau metodeMetode Kausalitas (Cause Effect Methods atau metode

sebab akibat). Alat utama korelasi dan regresi.sebab akibat). Alat utama korelasi dan regresi.b. Metode Runtut Waktu (Time Series Analysis), metode inib. Metode Runtut Waktu (Time Series Analysis), metode ini

mencoba mengamati suatu variabel dikaitkan dengan unsurmencoba mengamati suatu variabel dikaitkan dengan unsurwaktu. Alat utama Trend dan indeks musim.waktu. Alat utama Trend dan indeks musim.

lanjutanlanjutan3.3. Fokus Pembahasan: Fokus Pembahasan:

Forecasting/peramalan dengan Metode Kuantitatif.Forecasting/peramalan dengan Metode Kuantitatif.

4.4. Memilih Metode Terbaik dalam Forecasting/Peramalan :Memilih Metode Terbaik dalam Forecasting/Peramalan :Dalam peramalan tidak ada satupun metode terbaik, metode terbaik Dalam peramalan tidak ada satupun metode terbaik, metode terbaik adalah suatu metode yang ketika kita terapkan untuk suatu kasus adalah suatu metode yang ketika kita terapkan untuk suatu kasus akan menghasilkan error atau penyimpangan minimal/terkecil.akan menghasilkan error atau penyimpangan minimal/terkecil.Error (penyimpangan antara data aktual dengan data hasil Error (penyimpangan antara data aktual dengan data hasil forecast/peramalan), dalam peramalan biasanya diukur antara lain forecast/peramalan), dalam peramalan biasanya diukur antara lain dengan:dengan:a.a. Bias.Bias.b.b. MAD (Mean Absolute Deviation).MAD (Mean Absolute Deviation).c.c. MSE (Mean Square Error).MSE (Mean Square Error).d. MAPE (Mean Absolute Procentase Error).d. MAPE (Mean Absolute Procentase Error).e.e. Standar Error.Standar Error.

KORELASI DAN REGRESIKORELASI DAN REGRESI

KORELASIKORELASI1. 1. Pengertian : Pengertian :

(1) Mengukur derajat keeratan hubungan antara satu variabel(1) Mengukur derajat keeratan hubungan antara satu variabel dengan variabel-variabel lain.dengan variabel-variabel lain.

(2) Hanya sekedar mengukur hubungan, dan sifat hubungan (2) Hanya sekedar mengukur hubungan, dan sifat hubungan dalam korelasi bisa dua arah (bolak-balik), X dalam korelasi bisa dua arah (bolak-balik), X

berhubunganberhubungan dengan Y atau Y berhubungan dengan X.dengan Y atau Y berhubungan dengan X.

(3) Hubungan dalam korelasi bisa positif (hubungan searah),(3) Hubungan dalam korelasi bisa positif (hubungan searah), nol (tidak ada hubungan) atau negatif (berlawanan arah)nol (tidak ada hubungan) atau negatif (berlawanan arah)(4) Simbol atau notasi korelasi : “r” dan besarnya –1 (4) Simbol atau notasi korelasi : “r” dan besarnya –1 r r 1. 1.

2.2. Macam Korelasi :Macam Korelasi :(1) Korelasi Sederhana (Single Correlation), korelasi antara(1) Korelasi Sederhana (Single Correlation), korelasi antara

dua variabel dua variabel r rx,yx,y

(2) Korelasi Berganda (Multiple Correlation), korelasi antara(2) Korelasi Berganda (Multiple Correlation), korelasi antara

lebih dari dua varibel lebih dari dua varibel r rx1, x2, yx1, x2, y

lanjutanlanjutan3.3. Rumus Korelasi :Rumus Korelasi :

n . n . X . Y - ( X . Y - ( X ) . ( X ) . ( Y ) Y )R = r = -------------------------------------------------------------- R = r = --------------------------------------------------------------

{ n . { n . X X 22 – ( – ( X ) X ) 2 2 } . } . { n . { n . Y Y 22 – ( – ( Y ) Y ) 2 2 }}

Tabel Pertolongan untuk menghitung korelasi :Tabel Pertolongan untuk menghitung korelasi :------------------------------------------------------------------------------------------------------------------------------------------------NoNo XX Y X .Y Y X .Y XX2 2 YY22

------------------------------------------------------------------------------------------------------------------------------------------------1122DstDst------------------------------------------------------------------------------------------------------------------------------------------------

X X Y Y X .Y X .Y X X22 Y Y22

--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

lanjutanlanjutanREGRESIREGRESI1.1. Pengertian : Pengertian :

(1) Mencari garis atau fungsi yang dapat menggambarkan (1) Mencari garis atau fungsi yang dapat menggambarkan hubungan antara hubungan antara “Variabel Penyebab = Variabel bebas =“Variabel Penyebab = Variabel bebas = Variabel prediktor = Independent VariableVariabel prediktor = Independent Variable “ dengan “ dengan ““Variabel Akibat= Variabel Terikat =Dependent Variabel Akibat= Variabel Terikat =Dependent

Variable”.Variable”.(2) Mengukur bagaimana pola “hubungan fungsional” antara(2) Mengukur bagaimana pola “hubungan fungsional” antara

variabel-variabel dalam persamaan atau model. variabel-variabel dalam persamaan atau model. (3) Yang diukur bukan sekedar hubungan tetapi sudah sampai(3) Yang diukur bukan sekedar hubungan tetapi sudah sampai

pada pengaruh. Sifat hubungan “satu arah”, harus pada pengaruh. Sifat hubungan “satu arah”, harus ditentukan variabel bebas dan variabel terikatnya.ditentukan variabel bebas dan variabel terikatnya.

2. 2. Macam Regresi :Macam Regresi :(1) Regresi Sederhana (1) Regresi Sederhana (Single Regression),(Single Regression), Regresi antara Regresi antara dua variabel (1 variabel bebas dan 1 variabel terikat)dua variabel (1 variabel bebas dan 1 variabel terikat)(2) Regresi Berganda (2) Regresi Berganda (Multiple Regression),(Multiple Regression), Regresi antara Regresi antara

lebih dari dua variabel (2 atau lebih variabel bebas lebih dari dua variabel (2 atau lebih variabel bebas dengandengan

1 variabel terikat).1 variabel terikat).

lanjutanlanjutan3.3. Persamaan Regresi :Persamaan Regresi :

Untuk Regresi Sederhana/Single Regression :Untuk Regresi Sederhana/Single Regression :Y = a + b XY = a + b X

Y b. Y b. X X dimana a = konstanta = ------ - ---------dimana a = konstanta = ------ - ---------

n nn n n . n . X .Y - X .Y - X . X .

Y Y b = koefisien regresi = b = koefisien regresi =

----------------------------------------------------------------------n . n . X X22 - ( - (

X )X )22

X = Variabel bebasnya Y = Variabel terikatX = Variabel bebasnya Y = Variabel terikat Untuk Regresi Berganda :Untuk Regresi Berganda :

Y = a + b1.X1 + b2.X2 + …. + bn.XnY = a + b1.X1 + b2.X2 + …. + bn.Xn dimana a = konstantadimana a = konstanta

b1 = koefisien regresi untuk Variabel X1b1 = koefisien regresi untuk Variabel X1b2 = koefisien regresi untuk Variabel X2b2 = koefisien regresi untuk Variabel X2Xn = Variabel bebasnya ke nXn = Variabel bebasnya ke n

lanjutanlanjutan4.4. Uji Asumsi dalam Model Regresi :Uji Asumsi dalam Model Regresi :

Model Regresi sebelum digunakan perlu dilakukan berbagai Model Regresi sebelum digunakan perlu dilakukan berbagai uji, salah satu diantaranya adalah uji asumsi sbb :uji, salah satu diantaranya adalah uji asumsi sbb :

a.a. Uji Normalitas (Populasi Y terdistribusi secara normal Uji Normalitas (Populasi Y terdistribusi secara normal disekitar garis regresi). Bisa juga ditambahkan Linieritasdisekitar garis regresi). Bisa juga ditambahkan Linieritas

b. Uji bahwa populasi tidak terjadi peristiwa Heteroskedastisitas b. Uji bahwa populasi tidak terjadi peristiwa Heteroskedastisitas (Varians dari populasi harus tidak berubah bila nilai X (Varians dari populasi harus tidak berubah bila nilai X meningkat atau diperbesar = Homoskedastisitas)meningkat atau diperbesar = Homoskedastisitas)

c. Tidakterjadi peristiwa Multikolineritas (khusus pada regresi c. Tidakterjadi peristiwa Multikolineritas (khusus pada regresi berganda, yaitu tidak boleh terjadi korelasi yang tinggi berganda, yaitu tidak boleh terjadi korelasi yang tinggi diantara variabel bebas dalam regresi)diantara variabel bebas dalam regresi)

d. Tidak terjadi peristiwa Otokorelasi (korelasi diantara dirinya d. Tidak terjadi peristiwa Otokorelasi (korelasi diantara dirinya sendiri, khusus pada regresi dengan data time series).sendiri, khusus pada regresi dengan data time series).

5.5. Koefisien Determinasi (R Square)Koefisien Determinasi (R Square)Angka yang menunjukkan seberapa jauh/besar variabilitas Y Angka yang menunjukkan seberapa jauh/besar variabilitas Y dipengaruhi oleh variabilitas X. Pengertian lain angka yang dipengaruhi oleh variabilitas X. Pengertian lain angka yang menunjukkan seberapa besar Variabel Bebasnya (secara menunjukkan seberapa besar Variabel Bebasnya (secara bersama-sama) mampu menjelaskan perilaku Variabel bersama-sama) mampu menjelaskan perilaku Variabel terikatnyaterikatnya

..

lanjutanlanjutanKoefisien Determinasi (R Square) dapat diperoleh dari Koefisien Determinasi (R Square) dapat diperoleh dari koefisien korelasi dikuadratkan. Untuk Regresi berganda, koefisien korelasi dikuadratkan. Untuk Regresi berganda, koefisien determinasi diperoleh dari koefisien korelasi koefisien determinasi diperoleh dari koefisien korelasi multipel (bergandanya) dikuadratkan.multipel (bergandanya) dikuadratkan.Model Regresi yang baik, adalah model regresi yang koefisien Model Regresi yang baik, adalah model regresi yang koefisien determinasinya semakin tinggi atau dengan kata lain determinasinya semakin tinggi atau dengan kata lain kemampuan menjelaskan dari semua variabel bebasnya kemampuan menjelaskan dari semua variabel bebasnya terhadap perilaku variabel terikatnya yang semakin tinggi. terhadap perilaku variabel terikatnya yang semakin tinggi. R Square biasanya dinyatakan dalam %. Jadi jika nilai 100% R Square biasanya dinyatakan dalam %. Jadi jika nilai 100% dikurangi dengan angka R square akan diperoleh angka yang dikurangi dengan angka R square akan diperoleh angka yang menunjukkan seberapa besar perilaku variabel terikatnya menunjukkan seberapa besar perilaku variabel terikatnya yang belum terjelaskan (belum bisa dijelaskan atau diprediksi yang belum terjelaskan (belum bisa dijelaskan atau diprediksi dengan semua variabel bebas yang ada dalam model).dengan semua variabel bebas yang ada dalam model).

6.6. Uji F dan Uji tUji F dan Uji tUji F dikenal dengan Uji serentak atau uji Model/Uji Anova, Uji F dikenal dengan Uji serentak atau uji Model/Uji Anova, yaitu uji untuk melihat bagaimanakah pengaruh semua yaitu uji untuk melihat bagaimanakah pengaruh semua variabel bebasnya secara bersama-sama terhadap variabel variabel bebasnya secara bersama-sama terhadap variabel terikatnya. Atau untuk menguji apakah model regresi yang terikatnya. Atau untuk menguji apakah model regresi yang kita buat baik/signifikan atau tidak baik/non signifikan. kita buat baik/signifikan atau tidak baik/non signifikan.

lanjutanlanjutanJika model signifikan maka model bisa digunakan untuk Jika model signifikan maka model bisa digunakan untuk prediksi/peramalan, sebaliknya jika non/tidak signifikan prediksi/peramalan, sebaliknya jika non/tidak signifikan maka model regresi tidak bisa digunakan untuk peramalan.maka model regresi tidak bisa digunakan untuk peramalan.Uji F dapat dilakukan dengan membandingkan F hitung Uji F dapat dilakukan dengan membandingkan F hitung dengan F tabel, jika F hitung > dari F tabel, (Ho di tolak Ha dengan F tabel, jika F hitung > dari F tabel, (Ho di tolak Ha diterima) maka model signifikan atau bisa dilihat dalam diterima) maka model signifikan atau bisa dilihat dalam kolom signifikansi pada Anova (Olahan dengan SPSS, kolom signifikansi pada Anova (Olahan dengan SPSS, Gunakan Uji Regresi dengan Metode Enter/Full Model ). Gunakan Uji Regresi dengan Metode Enter/Full Model ). Model signifikan selama kolom signifikansi (%) < Alpha Model signifikan selama kolom signifikansi (%) < Alpha (kesiapan berbuat salah tipe 1, yang menentukan peneliti (kesiapan berbuat salah tipe 1, yang menentukan peneliti sendiri, ilmu sosial biasanya paling besar alpha 10%, atau 5% sendiri, ilmu sosial biasanya paling besar alpha 10%, atau 5% atau 1%). Dan sebaliknya jika F hitung < F tabel, maka model atau 1%). Dan sebaliknya jika F hitung < F tabel, maka model tidak signifikan, hal ini juga ditandai nilai kolom signifikansi tidak signifikan, hal ini juga ditandai nilai kolom signifikansi (%) akan lebih besar dari alpha. (%) akan lebih besar dari alpha. Uji t dikenal dengan uji parsial, yaitu untuk menguji Uji t dikenal dengan uji parsial, yaitu untuk menguji bagaimana pengaruh masing-masing variabel bebasnya secara bagaimana pengaruh masing-masing variabel bebasnya secara sendiri-sendiri terhadap variabel terikatnya. Uji ini dapat sendiri-sendiri terhadap variabel terikatnya. Uji ini dapat dilakukan dengan mambandingkan t hitung dengan t tabel dilakukan dengan mambandingkan t hitung dengan t tabel atau dengan melihat kolom signifikansi pada masing-masing t atau dengan melihat kolom signifikansi pada masing-masing t hitung, proses uji t identik dengan Uji F (lihat perhitungan hitung, proses uji t identik dengan Uji F (lihat perhitungan SPSS pada Coefficient Regression Full Model/Enter). Atau SPSS pada Coefficient Regression Full Model/Enter). Atau bisa diganti dengan Uji metode Stepwise.bisa diganti dengan Uji metode Stepwise.

lanjutanlanjutan7. 7. Kegunaan Regresi : Kegunaan Regresi :

Salah satu kegunaan persamaan regresi adalah untuk Salah satu kegunaan persamaan regresi adalah untuk kepentingan peramalan. Kalau suatu model regresi sudah kepentingan peramalan. Kalau suatu model regresi sudah diuji asumsi dan sudah diuji modelnya (dengan uji F/ Uji diuji asumsi dan sudah diuji modelnya (dengan uji F/ Uji Model atau Anova) dan sudah di uji signifikansi pengaruh Model atau Anova) dan sudah di uji signifikansi pengaruh variabel bebas secara sendiri-sendiri terhadap variabel variabel bebas secara sendiri-sendiri terhadap variabel terikatnya (dengan Uji t atau Uji Parsial), maka kita dapat terikatnya (dengan Uji t atau Uji Parsial), maka kita dapat menggunakan persamaan regresi yang diperoleh untuk menggunakan persamaan regresi yang diperoleh untuk keperluan peramalan. Caranya adalah dengan menggunakan keperluan peramalan. Caranya adalah dengan menggunakan persamaan regresi yang diperoleh, dan bila variabel bebasnya persamaan regresi yang diperoleh, dan bila variabel bebasnya diketahui maka dari persamaan tersebut bisa diprediksi nilai diketahui maka dari persamaan tersebut bisa diprediksi nilai variabel terikatnya.variabel terikatnya.

Besarnya kemampuan menjelaskan dari semua variabel-Besarnya kemampuan menjelaskan dari semua variabel-variabel bebasnya secara bersama-sama dalam menjelaskan variabel bebasnya secara bersama-sama dalam menjelaskan variabel terikatnya bisa dilihat dari besarnya nilai koefisien variabel terikatnya bisa dilihat dari besarnya nilai koefisien determinansi.determinansi.

lanjutanlanjutan

8.8. Tip : Cara Membuat Model Regresi Yang Baik bagi Tip : Cara Membuat Model Regresi Yang Baik bagi PemulaPemula

a. Identifikasi atau buat model dengan variabel bebas sebanyak a. Identifikasi atau buat model dengan variabel bebas sebanyak mungkin.mungkin.

b. Pilih variabel-variabel bebas yang secara rasional/logika b. Pilih variabel-variabel bebas yang secara rasional/logika memang memiliki hubungan sebab akibat.memang memiliki hubungan sebab akibat.

c. Pilih variabel yang mudah diukur secara akurat.c. Pilih variabel yang mudah diukur secara akurat.

d. Pilihlah variabel-variabel independen/bebas yang d. Pilihlah variabel-variabel independen/bebas yang kemungkinan tidak berhubungan satu sama lain secara kuat kemungkinan tidak berhubungan satu sama lain secara kuat (untuk menghindari Multikolinearitas). (untuk menghindari Multikolinearitas).

lanjutanlanjutanContoh kasus Korelasi dan Regresi Sederhana :Contoh kasus Korelasi dan Regresi Sederhana :

Pak Budiman, manajer pemasran PT “ARIO” ingin mengamati Pak Budiman, manajer pemasran PT “ARIO” ingin mengamati hubungan antara HARGA JUAL dengan VOLUME PENJUALAN hubungan antara HARGA JUAL dengan VOLUME PENJUALAN produknya. Untuk itu diamati secara random/acak data tentang produknya. Untuk itu diamati secara random/acak data tentang harga jual dan volume penjualan selama 10 minggu sbb :harga jual dan volume penjualan selama 10 minggu sbb :

Pertanyaan : (a). Adakah hubungan antara Harga Jual dan Volume Pertanyaan : (a). Adakah hubungan antara Harga Jual dan Volume Penjualan ?; (b) Bagaimana Pengaruh Harga Jual terhadap Volume Penjualan ?; (b) Bagaimana Pengaruh Harga Jual terhadap Volume Penjualan ?Penjualan ?

Minggu Harga Jual/X (Ribuan Rupiah)

Volume Apenjualan/Y (Ribuan Unit)

1 1,30 10

2 2,00 6

3 1,70 5

4 1,50 12

5 1,60 10

6 1,20 15

7 1,60 5

8 1,40 12

9 1,00 17

10 1,10 20

lanjutanlanjutanContoh kasus Korelasi dan Regresi Berganda :Contoh kasus Korelasi dan Regresi Berganda :

Pak Budiman, manajer pemasran PT “ARIO” ingin mengamati Pak Budiman, manajer pemasran PT “ARIO” ingin mengamati hubungan antara HARGA JUAL, BIAYA IKLAN dengan VOLUME hubungan antara HARGA JUAL, BIAYA IKLAN dengan VOLUME PENJUALAN produknya. Untuk itu diamati secara random data PENJUALAN produknya. Untuk itu diamati secara random data tentang harga jual dan volume penjualan selama 10 minggu sbb :tentang harga jual dan volume penjualan selama 10 minggu sbb :

Pertanyaan : (a). Adakah hubungan antara Harga Jual, Biaya Iklan Pertanyaan : (a). Adakah hubungan antara Harga Jual, Biaya Iklan dan Volume Penjualan ?; (b) Bagaimana Pengaruh Harga Jual, Biaya dan Volume Penjualan ?; (b) Bagaimana Pengaruh Harga Jual, Biaya Iklan terhadap Volume Penjualan ?Iklan terhadap Volume Penjualan ?

MINGGU HARGA (RIBUAN RP) IKLAN (RATUSAN RIBU RP) VOLUME (RIBUAN UNIT)

1 1,30 9 10

2 2,00 7 6

3 1,70 5 5

4 1,50 14 12

5 1,60 15 10

6 1,20 12 15

7 1,60 6 5

8 1,40 10 12

9 1,00 15 17

10 1,10 21 20

CONTOH : Regresi dengan 4 Variabel bebas CONTOH : Regresi dengan 4 Variabel bebas

Ri Dividen Demand Saham

Supply Saham Harga Saham

.12 700 90 8 5000

.11 700 95 8 6000

.14 500 70 6 4000

.12 650 85 7 4500

.10 750 80 9 6500

.10 780 85 10 7000

.16 400 60 5 3000

.13 750 90 7 5000

.12 600 85 8 5500

.11 790 75 9 5750

.10 800 77 8 5900

.11 850 79 8 6000

.11 850 80 8 6150

.10 850 79 7 6250

.12 800 75 7 6020

.12 750 75 7 5950

.12 750 60 6 5800

.13 800 65 7 5500

.11 790 70 7 6000

.10 800 75 8 6500

TIME SERIES ANALYSISTIME SERIES ANALYSIS

1.1. Pengertian : Pengertian : Inti mengamati nilai suatu variabel dikaitkan dengan unsur Inti mengamati nilai suatu variabel dikaitkan dengan unsur

waktu (waktu bisa dalam tahun, semester, bulan, mingguan waktu (waktu bisa dalam tahun, semester, bulan, mingguan dll.)dll.)

2.2. Komponen/Gerak yang mempengaruhi nilai suatu Komponen/Gerak yang mempengaruhi nilai suatu variabel dikaitkan dengan waktu :variabel dikaitkan dengan waktu :

a. Horizontal/Random Component.a. Horizontal/Random Component.

Variabel acak perlu diperhatikan/diperhitungkan (biasanya Variabel acak perlu diperhatikan/diperhitungkan (biasanya terletak disekitar rata-rata, tetapi komponent ini sulit terletak disekitar rata-rata, tetapi komponent ini sulit diprediksi).diprediksi).

b. Trend Component.b. Trend Component.

Trend sebagai gerak/kecenderungan naik atau kecenderungan Trend sebagai gerak/kecenderungan naik atau kecenderungan turun dari nilai suatu variabel dalam jangka panjang (lebih turun dari nilai suatu variabel dalam jangka panjang (lebih dari 1 tahun), relatif mudah diprediksi.dari 1 tahun), relatif mudah diprediksi.

lanjutanlanjutan

c. Seasonal Component.c. Seasonal Component.Komponen Musim, sebagai gerak naik atau turun dari nilai Komponen Musim, sebagai gerak naik atau turun dari nilai suatu variabel tetapi masih disekitar rata-ratanya dan terjadi suatu variabel tetapi masih disekitar rata-ratanya dan terjadi dalam jangka pendek (kurang dari 1 tahun). Untuk musim dalam jangka pendek (kurang dari 1 tahun). Untuk musim relatif berulang dan pasti, sehingga bisa digunakan untuk relatif berulang dan pasti, sehingga bisa digunakan untuk prediksi.prediksi.

d. Cyclical Component.d. Cyclical Component.Komponen siklus, sebagai gerak naik atau turun dari nilai Komponen siklus, sebagai gerak naik atau turun dari nilai suatu variabel tetapi masih disekitar rata-ratanya dan terjadi suatu variabel tetapi masih disekitar rata-ratanya dan terjadi dalam jangka panjang (lebih dari 1 tahun). Untuk siklus dalam jangka panjang (lebih dari 1 tahun). Untuk siklus relatif tidak pasti sehingga sulit untuk peramalan.relatif tidak pasti sehingga sulit untuk peramalan.

3.3. Metode-metode Peramalan dengan Data Runtut Metode-metode Peramalan dengan Data Runtut Waktu (Time series)Waktu (Time series)Metode ini cocok atau bisa dipakai kalau kita mempunyai Metode ini cocok atau bisa dipakai kalau kita mempunyai data masa lalu (historical data) dan kita perkirakan bahwa data masa lalu (historical data) dan kita perkirakan bahwa masa lalu, sekarang dan yang akan datang dari variabel yang masa lalu, sekarang dan yang akan datang dari variabel yang kita prediksikan ada kaitan erat. kita prediksikan ada kaitan erat.

lanjutanlanjutan

Metode-metode Peramalan dengan Data Runtut Waktu (Time Metode-metode Peramalan dengan Data Runtut Waktu (Time series) bisa menggunakan Extrapolation maupun Causal :series) bisa menggunakan Extrapolation maupun Causal :

1) Moving Averages1) Moving Averages

Simple Moving AverageSimple Moving Average

Double Moving AverageDouble Moving Average

Weighted Moving AverageWeighted Moving Average

2) Exponential Smoothing2) Exponential Smoothing

Simple Exponential SmoothingSimple Exponential Smoothing

Exponential Smoothing with TrendExponential Smoothing with Trend

Seasonal Exponential SmoothingSeasonal Exponential Smoothing

Exponential Smoothing with Trend and SeasonalExponential Smoothing with Trend and Seasonal

3) Trend3) Trend

4) Regression dll.4) Regression dll.

Untuk peramalan data time series kita bisa menggunakan Untuk peramalan data time series kita bisa menggunakan software POM, bagian/modul forecasting.software POM, bagian/modul forecasting.

CONTOH : Peramalan dengan Data Runtut Waktu CONTOH : Peramalan dengan Data Runtut Waktu

BULAN VOL PENJUALAN

JANUARI 120

FEBRUARI 100

MARET 145

APRIL 140

MEI 176

JUNI 170

JULI 189

AGUSTUS 200

SEPTEMBER 190

OKTOBER 220

NOPEMBER 245

2727