UJIAN AKHIR SEMESTER GENAP TA. 2014/2015 Matakuliah : Lab Statistika Hari/Tanggal : Sabtu / 4 Juli 2015 Waktu / Ruang : 90 Menit / 2507 Kelas / Semester Dosen Pembina : IS-8 / VI : Sita Dewi Prahastini S.Kom, M.T, M.Kom Nama : ANDRIAN RAMADHAN F NIM : 10512318 JURUSAN SISTEM INFORMASI FAKULTAS TEKNIK DAN ILMU KOMPUTER UNIVERSITAS KOMPUTER INDONESIA BANDUNG 2015
Soal 1. Buatlah studi kasus dengan data periodik bisa harian, bulanan ataupun tahunan (min. 25 data dan min. 2 variabel dengan min. 1 variabel bebas dan min. 1 variabel terikat) a. Buatlah analisis regresi beserta persamaannya! (boleh sederhana ataupun multiple) b. Ramalkan 3 data selanjutnya (forecasting) Contoh data : curah hujan, penjualan produk, harga minyak dll Yang harus dikumpulkan : - Kasus dan data yang akan diinputkan ke SPSS - Proses - Output dan analisanya - Proses & Output Forecasting (Manual) - Semua dalam 1 file (doc)
Jawaban : Studi Kasus Penjualan Rokok Gudang Garam Signature pada PT. GUDANG GARAM Tbk - Tujuan untuk memprediksi penjualan bulan depan - Tipe data yang digunakan adalah Rasio - Variabel Bebas (dependen) : Penjualan - Variabel Terikat (independen) : Jumlah_Promosi dan Banyak_Outlet - Software yang dipergunakan adalah IBM SPSS Statistics 22 Data yang akan diinputkan ke SPSS No Variabel dan Data Penjualan Jumlah_Promosi Banyak_Outlet 1 235 25 180 2 265 25 180 3 280 75 230 4 225 30 185 5 311 116 271 6 256 61 216 7 282 77 232 8 294 99 254 9 302 97 252 10 260 70 225 11 330 126 281 12 355 120 275 13 231 36 191 14 225 30 185 15 286 81 236 16 275 70 225 17 311 126 281 18 210 25 180 19 305 120 275 20 221 36 191 21 265 80 235 22 222 37 192 23 235 50 205 24 285 60 215 25 245 60 215
Proses 1. Buat Variabel Pada SPSS 2. Inputkan Data-data
3. Klik menu Analize > Regression > Linear 4. Masukan Variabel Penjualan ke Dependent dan masukan Variabel Jumlah_Promosi dan Banyak_Outlet ke Independent(s)
5. Klik Menu Statistics lalu ceklis estimates, model fit dan collinearity diagnostics 6. Lalu Continue dan OK maka akan muncul hasil outputnya a. Output 1 : Melihat Nilai Persamaan variabel dependent (Penjualan) dengan independent(jumlah_promosi dan Banyak_Outlet) Lihat Nilai R = 0,915, ini berarti bahwa korelasi antara variabel Jumlah_Promosi dan Banyak_Outlet secara bersamaan dengan Penjualan adalah 0,915 b. Output 2 : Melihat Signifikansi Persamaan Regresi Untuk melihat signifikansi persamaan regresi dapat dilihat dari nilai F=117,743 dan dibandingkan dengan Ftabel. Nilai Sig. Adalah 0,000 artinya nilai Sig. <0,05 berarti persamaan garis regresi dapat digunakan untuk prediksi c. Output 3 : Membuat Persamaan garis Regresi
Untuk membuat persamaan garis regresi dapat dilihat dari kolom B - Constant = 41,502 - Banyak_Outlet = 1,012 Berarti persamaan Garisnya adalah Penjualan (Y) = 41,502 + 1,012 Banyak_Outlet d. Output 4 : Identifikasi kolinieritas Identifikasi kolinieritas dapat dilakukan dengan melihat : 1. Output 3, Kolom VIF > Tidak Terjadi kolinearitas karena nilai VIF adalah 1 kurang dari 5 2. Output 4, kolom Condition index > tidak terjadi kolinearitas karena nilai condition index kurang dari 15
7. Langkah-langkah untuk Forecasting (Peramalan) 3 data selanjutnya a. Klik menu Analyze > Forecasting > Create Models b. Pada tab Variables Masukan Variabel Dependent dan Independentnya
c. Pada Tab Statistics Ceklis Display forecasts d. Pada Tab Plots Ceklis semua fungsi pada panel each plot displays
e. Pada Tab Save Ceklis Predicted Values f. Lalu Klik OK Maka akan muncul output - Jenis Model Peramalan Berdasarkan tabel model description diatas, dapat diketahui bahwa model peramalan yang terbaik dan sesuai dengan data historis yang dianalisis adalah model ARIMA(0,0,0). - Kelayakan Model Peramalan
Dari tabel model statistics dapat dilihat terdapat nilai sig pada kolom Ljung-Box Q(18) adalah 0,932. Nilai Tersebut lebih besar dari 0,05 maka dapat disimpulkan model peramalan dinyatakan layak untuk digunakan. - Ketepatan Model Peramalan Dari tabel model fit diatas, dapat diketahui bahwa nilai MAPE sebesar 4,378%. Hal ini menunjukan bahwa tingkat akurasi rata-rata model dalam memprediksikan data penjualan berikutnya adalah 4,378%. - Nilai Ramalan Untuk mengetahui data penjualan berikutnya bisa di lihat di data view pada spss pada kolom baru yang telah terbuat yaitu kolom Predicted_Penjualan_Model_1 Dapat dilihat pada data tersebut peramalan nilai penjualan berikutnya adalah 224,224,274,229, dan seterusnya.