Peramalan Penjualan Sepeda Motor Baru Di Area Penjualan ...digilib.its.ac.id/public/ITS-paper-39761-1310100062-presentation.pdf · Peramalan Penjualan Sepeda Motor Baru . Di Area

Oleh :

Zakiyah El Khoiroh Tsani (1310 100 062)

Dosen Pembimbing :

Dwi Endah Kusrini, S.Si, M.Si

Jurusan Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam

Institut Teknologi Sepuluh Nopember Surabaya 2014

1

Peramalan Penjualan Sepeda Motor Baru

Di Area Penjualan Surabaya

Dengan Menggunakan Regresi Panel

SEMINAR HASIL TUGAS AKHIR

Selasa, 15 Juli 2014

SEMINAR HASIL TUGAS AKHIR 2014 2

PENDAHULUAN

TINJAUAN PUSTAKA

METODOLOGI PENELITIAN

ANALISIS DAN PEMBAHASAN

KESIMPULAN DAN SARAN

A

G

E

N

D

A



Latar Belakang

Rumusan Masalah

Tujuan

Manfaat

Batasan Masalah

Rata-rata kenaikan jumlah

sepeda motor di

Indonesia = 11,43%

Sumber : Kepolisian RI dalam

BPS Pusat 2012

Total sepeda motor pada 2012

= 76.381.183

Sumber : Kepolisian RI dalam BPS Pusat

63% 30%

5% 2% 0%

Market Share Januari 2014

HONDA YAMAHA SUZUKI

KAWASAKI TVS

Sumber :


Latar Belakang

Rumusan Masalah

Tujuan

Manfaat

Batasan Masalah

NTT

Jawa

Timur

PDRB perkapita tinggi pada tahun 2011

Sumber :BPS Jatim 2012

Berkorelasi positif

dengan tingkat

kemakmuran

PDRB perkapita berpengaruh positif terhadap konsumsi

(Aini, 2012)

Area Penjualan

Surabaya


Latar Belakang

Rumusan Masalah

Tujuan

Manfaat

Batasan Masalah

Regresi data panel cocok diterapkan pada data penjualan Sepeda motor baru perjenis di area penjualan Surabaya dengan kabupaten/kota sebagai unit cross section pada

periode waktu tahun 2003-2012

Regresi Panel

Cross Section Time Series


Latar Belakang

Rumusan Masalah

Tujuan

Manfaat

Batasan Masalah

Penelitian terdahulu

(Hutapea, B. P. ,2012) Analisis Faktor-Faktor yang Mempengaruhi Permintaan Sepeda Motor Yamaha di Kota Medan

(Ayunanda, M., 2012) Analisis Statistika Faktor Yang Mempengaruhi Indeks Pembangunan Manusia Di Kabupaten/Kota Provinsi Jawa Timur Dengan Menggunakan Regresi Panel

(Desi, Y., 2010) Pemodelan Persentase Penduduk Miskin Di Provinsi Jawa Timur Tahun 2004-2008 Dengan Regresi Data Panel

Dilakukanlah penelitian untuk meramalkan jumlah sepeda motor baru di area penjualan Surabaya dengan menggunakan

regresi panel


Latar Belakang

Rumusan Masalah

Tujuan

Manfaat

Bagaimana karakteristik variabel yang diduga berpengaruh terhadap penjualan sepeda motor baru di area penjualan Surabaya? Bagaimana model total penjualan sepeda motor baru masing-masing jenisnya (matic, cub, dan sport) baik semua merk maupun merk Honda di area penjualan Surabaya dengan menggunakan metode regresi panel? Bagaimana peramalan total penjualan sepeda motor baru masing-masing jenisnya (matic, cub, dan sport) baik semua merk maupun merk Honda di area penjualan Surabaya? Batasan Masalah


Latar Belakang

Rumusan Masalah

Tujuan

Manfaat

Mengetahui karakteristik variabel yang diduga berpengaruh terhadap penjualan sepeda motor baru di area penjualan Surabaya.

Memodelkan penjualan sepeda motor baru masing-masing jenisnya (matic, cub, dan sport) baik semua merk maupun merk Honda di area penjualan Surabaya dengan menggunakan metode regresi panel. Meramalkan penjualan sepeda motor baru masing-masing jenisnya (matic, cub, dan sport) baik semua merk maupun merk Honda di area penjualan Surabaya

Batasan Masalah


Latar Belakang

Rumusan Masalah

Tujuan

Manfaat

Memberikan pengetahuan baru khususnya bagi peneliti terkait regresi panel dan peramalan yang dalam kasus ini dilakukan untuk memodelkan penjualan sepeda motor baru masing-masing jenis (matic, cub, dan sport) baik semua merk maupun merk Honda yang ada di wilayah area penjualan Surabaya. Memberi masukan kepada pihak MPM mengenai faktor-faktor penjualan sepeda motor baru masing-masing jenis (matic, cub, dan sport) dan peramalannya baik untuk semua merk maupun merk Honda khususnya di area penjualan Surabaya beserta hasil peramalannya.

Batasan Masalah


Latar Belakang

Rumusan Masalah

Tujuan

Manfaat

Faktor selera masyarakat diabaikan. Unit penelitian kabupaten dan kota Mojokerto

dianggap satu wilayah. Metode regresi panel dalam penelitian ini hanya

dilakukan satu arah untuk efek cross section baik pada model FEM maupun REM.

Batasan Masalah



Pengertian

Regresi Panel

Data panel merupakan data yang mengacu pada penyatuan pengamatan

cross-section selama beberapa periode waktu.

(Baltagi, 2005)

Menurut (Gujarati, 2004), model umum regresi panel adalah :

: Variabel respon pada unit cross section ke-i pada waktu ke-t : Intersep : Variabel prediktor k pada unit cross section ke-i pada waktu ke-t : Slope : Residual dengan IIDN~(0,σ²)

itY

kitX

itu


K

E

U

N

G

G

U

L

A

N

Mengatur Heterogenitas objek pengamatan

Memberikan data yang lebih informatif dengan variabilitas lebih

Mampu mempelajari dinamika penyesuaiana data cross section

Mampu mengidentifikasi dan mengukur efek yang tidak terdeteksi pada data cross-section atau time-series

Memungkinkan untuk membangun dan menguji model yang lebih rumit daripada data yang murni cross section atau time series

Dapat mengurangi atau bahkan menghilangkan bias yang dihasilkan dari penggabungan beberapa unit cross section.

Data panel makro memungkinkan untuk memiliki serangkaian waktu yang lebih panjang.


Kemungkinan yang terjadi

Koefisien slope bervariasi Intersep bervariasi

Perlu adanya estimasi berdasarkan intersep, slope, dan error

Estimasi Parameter

Regresi Panel

Model Regresi Panel dapat di estimasi dengan 3 pendekatan, yakni :

-- Common Effect Model (CEM) -- Fixed Effect Model (FEM) -- Random Effect Model (REM)


Estimasi Parameter

Regresi Panel

Model CEM

Model FEM

Model REM

Model Regresi Panel yang paling sederhana

Asumsi Intersep dan slope bernilai konstan

pada masing masing unit cross section dan

periode waktu


Estimasi Parameter

Regresi Panel

Model CEM

Model FEM

Model REM

FEM memungkinkan adanya variasi intersep pada masing-masing unit cross section namun tidak bervariasi dari waktu ke waktu (time invariant) . (Gujarati, 2004)

a. Intersep bervariasi pada masing-masing unit cross section

Intersep bervariasi


Estimasi Parameter

Regresi Panel

Model CEM

Model FEM

Model REM

FEM juga memungkinkan adanya efek waktu pada intersep. Variasi waktu dimungkinkan karena adanya perubahan teknologi, kebijakan pemerintah, dan lain sebagianya selama kurun waktu tersebut.. (Gujarati, 2004)

b. Intersep bervariasi antar waktu.

Intersep bervariasi


Estimasi Parameter

Regresi Panel

Model CEM

Model FEM

Model REM

Persamaan ini menggabungkan dua model parsamaan (a) dan (b), sehingga didapatkan model persamaan umum sebagai berikut. (Gujarati, 2004)

c. Intersep bervariasi pada unit cross section dan waktu

Intersep bervariasi


Estimasi Parameter

Regresi Panel

Model CEM

Model FEM

Model REM

a. Variasi unit cross section

Intersep dan slope

bervariasi


Estimasi Parameter

Regresi Panel

Model CEM

Model FEM

Model REM

a. Variasi unit cross section

Intersep dan slope

bervariasi

Lokasi 1

Lokasi 2

Persamaan untuk i=2,3,4,5


Estimasi Parameter

Regresi Panel

Model CEM

Model FEM

Model REM

b. Variasi unit cross section dan waktu

Intersep dan slope

bervariasi

Semua koefisien baik itu intersep maupun slope bervariasi dalam unit cross section dan waktu.

Kekurangan pada Intersep dan Slope bervariasi adalah banyaknya dummy variable yang dilibatkan,

sehingga akan mengurangi derajat bebas dalam model sehingga akan berpengaruh terhadap

kesesuaian modelnya

Model persamaannya Dimana Sehingga dengan


Estimasi Parameter

Regresi Panel

Model CEM

Model FEM

Model REM

Pendekatan REM melibatkan korelasi antar error terms karena adanya perubahan periode waktu maupun unit

cross section (Gujarati, 2004)

,


Pemilihan Model

Regresi Panel

Uji Chow

Uji Hausman

Uji Lagrange Multiplier

Hipotesis : H0 : H1 : Minimal ada satu yang berbeda, i=1,2,…,N Statistika Uji RRSS : sum of square model FEM URSS : sum of square model CEM N : Jumlah unit cross section K : Jumlah parameter yang diestimasi Daerah Kritis : Tolak H0 jika Jika Tolak H0 Uji Hausman

N21

i

)/(

)1/()(

KNNTURSS

NURSSRRSSF

KNNTNFF ,1


Pemilihan Model

Regresi Panel

Uji Chow

Uji Hausman


Hipotesis : H0 : (model REM) H1 : (model FEM) I = 1,2,…, N ; t = 1,2,…,T Statistika Uji : Vektor estimasi parameter Daerah Kritis : Tolak H0 jika Jika Tolak H0 Uji Lagrange Multiplier

0),( iitXcorr 0),( iitXcorr

)ˆˆ()]ˆvar()ˆ[var()'ˆˆ( 1REMFEMREMFEMREMFEMW

),( KW


Pemilihan Model

Regresi Panel

Uji Chow

Uji Hausman


Hipotesis : H0 : H1 : Minimal ada satu Statistika Uji Daerah Kritis : Tolak H0 jika Jika Tolak H0 Terjadi kasus heteroskedastisitas pada model FEM dan diselesaikan dengan FEM cross section / periode weight

Nii ,,2,1,22 22

1

2

12

2

1ˆ

ˆ

2

N

i

iTLM

),( KLM


DeteksiMultikolinearitas

R2 Tinggi , namun tidak ada parameter yang signifikan

Ada korelasi signifikan yang tinggi antar variabel prediktor

VIF tinggi


Uji signifikansi parameter

Uji Serentak

Uji Parsial

Hipotesis : H0 : H1 : Minimal ada satu Statistika Uji Daerah Kritis : Tolak H0 jika

0...10 kpii ,...,1,0;0

Jika Tolak H0 Uji parsial



Uji Serentak

Uji Parsial

Hipotesis : H0 : H1 : Minimal ada satu Statistika Uji Daerah Kritis : Tolak H0 jika

0kpii ,...,1,0;0

30 SEMINAR HASIL TUGAS AKHIR 2014 30

Pengecekan Asumsi Residual

Residual Identik

Residual Independen

Residual Berdistribusi Normal

Uji Glejser

Uji Durbin Watson

Uji Kolmogorov Smirnov


Trend Analysis

Trend analysis merupakan suatu metode untuk melakukan suatu peramalan pada masa yang akan datang dimana data yang ada menunjukkan suatu trend.

Linear Trend

Quadratic Trend



SUMBER

DATA

VARIABEL

PENELITIAN

LANGKAH

ANALISIS

Variabel Respon

PT. “K”

Data Sekunder

Tahun 2003-2012 Tahunan

Variabel Prediktor BPS Propinsi Jatim

Surabaya, Sidoarjo, Gresik, Mojokerto, dan Jombang

DEFINISI

OPERASIONAL

VARIABEL


SUMBER

DATA

VARIABEL

PENELITIAN

LANGKAH

ANALISIS

Variabel Keterangan

YTC Penjualan total sepeda motor baru jenis cub

YTM Penjualan total sepeda motor baru jenis matic

YTS Penjualan total sepeda motor baru jenis sport

YHC Penjualan sepeda motor baru merk Honda jenis cub

YHM Penjualan sepeda motor baru merk Honda jenis matic

YHS Penjualan sepeda motor baru merk Honda jenis sport

X1 Jumlah penduduk usia produktif

X2 PDRB perkapita

X3 IPM

X4 Laju pertumbuhan ekonomi

DEFINISI

OPERASIONAL

VARIABEL


SUMBER

DATA

VARIABEL

PENELITIAN

LANGKAH

ANALISIS

Analisis Karakteristik variabel

Analisis Regresi Panel

Uji chow

Uji hausman

Uji lagrange multiplier


Uji Asumsi Residual

Analisis hasil regresi panel yang

diperoleh

Kesimpulan

Deteksi Multikolinearitas

DEFINISI

OPERASIONAL

VARIABEL


SUMBER

DATA

VARIABEL

PENELITIAN

LANGKAH

ANALISIS

Penjualan sepeda motor baru

DEFINISI

OPERASIONAL

VARIABEL

Jumlah sepeda motor baru mengartikan permintaan masyarakat. Permintaan adalah jumlah suatu barang yang mau dan mampu dibeli pada berbagai kemungkinan harga selama jangka waktu tertentu (Gilarso, 2001).

Jumlah penduduk usia produktif (X1)

Jumlah penduduk merupakan salah satu faktor penentu permintaan seseorang terhadap suatu barang (Sugiarto, Herlambang, Brastoro, Sudjana, & Kelana, 2007).

37 37 SEMINAR HASIL TUGAS AKHIR 2014 37

SUMBER

DATA

VARIABEL

PENELITIAN

LANGKAH

ANALISIS

PDRB perkapita (X2)

DEFINISI

OPERASIONAL

VARIABEL

PDRB perkapita berpengaruh positif terhadap konsumsi masyarakat Aini (2012) . Suatu daerah dengan PDRB perkapita tinggi mengindikasikan tingkat kemakmuran dan konsumsi masyarakat yang tinggi pula, sehingga masyarakatnya akan dimungkinkan untuk mampu membeli barang pelengkap seperti sepeda motor.

IPM (X3)

IPM merupakan indeks yang mengukur capaian pembangunan manusia berbasis sejumlah komponen dasar kualitas mencakup umur panjang dan sehat, pengetahuan, serta kehidupan yang layak. Salah satu komponen dasar kualitas hidup adalah kemampuan daya beli masyarakat,

38 38 38 SEMINAR HASIL TUGAS AKHIR 2014 38

SUMBER

DATA

VARIABEL

PENELITIAN

LANGKAH

ANALISIS

Laju Pertumbuhan Ekonomi (X4)

DEFINISI

OPERASIONAL

VARIABEL

Laju pertumbuhan ekonomi merupakan indeks pertumbuhan pendapatan penduduk dari tahun ke tahun yang dapat digunakan untuk mengukur kemajuan ekonomi sebagai indikasi dari kemakmuran masyarakat suatu daerah.



Analisis Karakteristik Variabel

Variabel Rata-rata Variansi Minimum Maximum

YT 47361 1783489977 8797 169723

YTC 27770 531247580 7220 85818

YTM 33713 523083378 8999 80716

YTS 6930 17377215 2672 17382

YH 25348 516370178 4843 85896

YHC 17945 21198723 4 5214 54046

YHM 18614 185716450 3152 47055

YHS 1963 1354153 615 5110

X1 1107803 235155000000 633166 2264667

X2 27191 424773467 5096 97092

X3 73,679 5,954 68,4 78,08

X4 6,398 0,847 4,41 8,52

Surabaya

Gresik

2012201120102009200820072006200520042003

160000

140000

120000

100000

80000

60000

40000

20000

Tahun

To

tal M

ark

et

Gresik

Sidoarjo

Surabaya

Mojokerto

Jombang

Variable



2012201120102009

90000

80000

70000

60000

50000

40000

30000

20000

10000

Tahun

To

tal M

ark

et

(Ma

tic)

Gresik

Sidoarjo

Surabaya

Mojokerto

Jombang

Variable

2012201120102009

18000

16000

14000

12000

10000

8000

6000

4000

2000

Tahun

To

tal M

ark

et

(Sp

ort

)

Gresik

Sidoarjo

Surabaya

Mojokerto

Jombang

Variable

2012201120102009

90000

80000

70000

60000

50000

40000

30000

20000

10000

Tahun

To

tal M

ark

et

(Cu

b)

Gresik

Sidoarjo

Surabaya

Mojokerto

Jombang

Variable

Total Market


2012201120102009200820072006200520042003

90000

80000

70000

60000

50000

40000

30000

20000

10000

Tahun

Ma

rke

t H

on

da

Gresik

Sidoarjo

Surabaya

Mojokerto

Jombang

Variable


Merk Honda

2012201120102009

50000

40000

30000

20000

10000

0

Tahun

Ma

rke

t H

on

da

(M

ati

c)

Gresik

Sidoarjo

Surabaya

Mojokerto

Jombang

Variable

2012201120102009

5000

4000

3000

2000

1000

0

Tahun

Ma

rke

t H

on

da

(S

po

rt)

Gresik

Sidoarjo

Surabaya

Mojokerto

Jombang

Variable

2012201120102009

60000

50000

40000

30000

20000

10000

0

Tahun

Ma

rke

t H

on

da

(C

ub

)

Gresik

Sidoarjo

Surabaya

Mojokerto

Jombang

Variable



2012201120102009200820072006200520042003

2200000

2000000

1800000

1600000

1400000

1200000

1000000

800000

600000

Tahun

X1

(P

en

du

du

k u

sia

pro

du

kti

f)

Gresik

Sidoarjo

Surabaya

Mojokerto

Jombang

Variable

2012201120102009200820072006200520042003

78

76

74

72

70

68

Tahun

X3

(IP

M)

Gresik

Sidoarjo

Surabaya

Mojokerto

Jombang

Variable

2012201120102009200820072006200520042003

8,5

8,0

7,5

7,0

6,5

6,0

5,5

5,0

4,5

Tahun

X4

(La

ju P

ert

um

bu

ha

n E

ko

no

mi)

Gresik

Sidoarjo

Surabaya

Mojokerto

Jombang

Variable

2012201120102009200820072006200520042003

100000

80000

60000

40000

20000

0

Tahun

X2

(P

DR

B P

erk

ap

ita

)

Gresik

Sidoarjo

Surabaya

Mojokerto

Jombang

Variable



2400000200000016000001200000800000 1000007500050000250000

80000

60000

40000

20000

0

78,076,575,073,572,0

80000

60000

40000

20000

0

87654

X1 (Penduduk usia produktif)

To

tal M

ark

et

Jen

is C

ub

X2 (PDRB perkapita)

X3 (IPM) X4 (Laju pertumbuhan ekonomi)

Gresik

Jombang

Mojokerto

Sidoarjo

Surabaya

Wilayah

2400000200000016000001200000800000 1000007500050000250000

80000

60000

40000

20000

0

78,076,575,073,572,0

80000

60000

40000

20000

0

87654


To

tal M

ark

et

Jen

is M

ati

c

X2 (PDRB perkapita)


Gresik

Jombang

Mojokerto

Sidoarjo

Surabaya

Wilayah

2400000200000016000001200000800000 1000007500050000250000

15000

10000

5000

78,076,575,073,572,0

15000

10000

5000

87654


To

tal M

ark

et

Jen

is S

po

rt

X2 (PDRB perkapita)

X3 (IPM) X4 (Laju pertumbuhan ekonomi)Gresik

Jombang

Mojokerto

Sidoarjo

Surabaya

Wilayah



2400000200000016000001200000800000 1000007500050000250000

40000

30000

20000

10000

0

78,076,575,073,572,0

40000

30000

20000

10000

0

87654


Me

rk S

Je

nis

Ma

tic

X2 (PDRB perkapita)


Jombang

Mojokerto

Sidoarjo

Surabaya

Wilayah

2400000200000016000001200000800000 1000007500050000250000

60000

45000

30000

15000

0

78,076,575,073,572,0

60000

45000

30000

15000

0

87654


Me

rk S

je

nis

Cu

b

X2 (PDRB perkapita)


Gresik

Jombang

Mojokerto

Sidoarjo

Surabaya

Wilayah

2400000200000016000001200000800000 1000007500050000250000

4800

3600

2400

1200

0

78,076,575,073,572,0

4800

3600

2400

1200

0

87654


Me

rk S

Je

nis

Sp

ort

X2 (PDRB perkapita)


Jombang

Mojokerto

Sidoarjo

Surabaya

Wilayah



YTC YTM YTS YHC YHM YHS

X1 0,786 0,939 0,960 0,817 0,775 0,730

pvalue 0,000 0,000 0,000 0,000 0,000 0,000

X2 0,666 0,867 0,956 0,698 0,736 0,621

pvalue 0,001 0,000 0,000 0,001 0,000 0,003

X3 0,524 0,839 0,849 0,580 0,823 0,499

pvalue 0,018 0,000 0,000 0,007 0,000 0,025

X4 -0,210 0,382 0,331 -0,166 0,581 -0,408

pvalue 0,373 0,097 0,154 0,484 0,007 0,074


Deteksi Multikolinearitas

X1 X2 X3

X2 0,914

pvalue 0,000

X3 0,773 0,796

pvalue 0,000 0,000

X4 0,171 0,365 0,366

pvalue 0,472 0,114 0,112

Variabel VIF

X1 8,089

X2 8,701

X3 3,004

X4 1,507

PC1 PC2 PC3 PC4

Eigenvalue 2,807 0,886 0,244 0,064

Proportion 0,702 0,221 0,061 0,016

Cumulative 0,702 0,923 0,984 1,000

Indikasi Multikolinearitas

ln X1 ln X2 ln X3

ln X2 0,816

pvalue 0,000

ln X3 0,780 0,883

pvalue 0,000 0,000

ln X4 0,103 0,345 0,331

pvalue 0,666 0,136 0,154

48 48 48 SEMINAR HASIL TUGAS AKHIR 2014 48

Deteksi Multikolinearitas pada YTC, YTS, YHC, YHS

Variabel VIF

ln X1 3,592

ln X2 6,019

ln X3 4,861

ln X4 1,300

Indikasi Multikolinearitas

PC1 PC2 PC3 PC4

Eigenvalue 2,770 0,930 0,190 0,110

Proportion 0,693 0,232 0,047 0,028

Cumulative 0,693 0,925 0,972 1,000

49 49 49 49 SEMINAR HASIL TUGAS AKHIR 2014 49

Pemilihan metode estimasi

Variabel

respon Fhitung Ftabel Pvalue Keputusan

ln YTC 31,7011 3,18 0,0000 Tolak H0

YTM 6,3678 3,11 0,0039 Tolak H0

ln YTS 2,7702 3,18 0,0730 Gagal tolak H0

ln YHC 25,4345 3,18 0,0000 Tolak H0

YHM 14,8757 3,11 0,0001 Tolak H0

ln YHS 5,9976 3,18 0,0058 Tolak H0

Uji Chow Variabel

respon W Pvalue Keputusan

ln YTC 83,7220 5,9915 0,0000 Tolak H0

YTM 0,1476 3,8415 0,7008 Gagal tolak H0

ln YHC 69,1471 5,9915 0,0000 Tolak H0

YHM 12,8265 3,8415 0,0003 Tolak H0

ln YHS 21,9532 5,9915 0,0003 Tolak H0

Uji Hausman

Variabel

respon LM Pvalue Keputusan

ln YTC 9,0295 9,4877 0,0604 Gagal tolak H0

ln YHC 9,0374 9,4877 0,0602 Gagal tolak H0

YHM 9,0279 9,4877 0,0604 Gagal tolak H0

ln YHS 9,0457 9,4877 0,0600 Gagal tolak H0

Uji Lagrange Multilpier

50 50 50 50 SEMINAR HASIL TUGAS AKHIR 2014 50

Metode estimasi

Variabel Metode Estimasi

ln YTC Fixed effect model

YTM Random effect model

ln YTS Common effect model

ln YHC Fixed effect model

YHM Fixed effect model

ln YHS Fixed effect model

51 51 51 51 51 SEMINAR HASIL TUGAS AKHIR 2014 51

Model Regresi Panel

Total market jenis cub (YTC)

Total market jenis matic (YTM)

Total market jenis sport (YTS)

Merk Honda jenis cub (YHC)

Merk Honda jenis matic (YHM)

Merk Honda jenis Sport (YHS)

52 52 52 52 52 SEMINAR HASIL TUGAS AKHIR 2014 52

Uji signifikansi Parameter

Variabel

respon Fhitung Ftabel Pvalue

Keputusa

n

ln YTC 96,1428 2,92 0,0000 Tolak H0

YTM 66,1719 4,41 0,0000 Tolak H0

ln YTS 207,7005 2,92 0,0000 Tolak H0

ln YHC 95,4449 2,92 0,0000 Tolak H0

YHM 56,8426 2,96 0,0000 Tolak H0

ln YHS 50,3486 2,96 0,0000 Tolak H0

Uji Serentak

Variabel

respon

Paramete

r thitung Pvalue

Keputusa

n

ln YTC

C 336,491 0,0000

Tolak H0 PC1 -8,126 0,0000

PC2 4,908 0,0003

YTM C 9,499 0,0000

Tolak H0 PC 7,940 0,0000

ln YTS

C 328,425 0,0000

Tolak H0 PC1 20,224 0,0000

PC2 -2,524 0,0218

ln YHC

C 325,163 0,0000

Tolak H0 PC1 -6,904 0,0000

PC2 4,335 0,0008

YHM C 24,200 0,0000

Tolak H0 PC 10,403 0,0000

ln YHS C 212,260 0,0000

Tolak H0 PC1 -8,653 0,0000

Uji parsial

53 53 53 53 53 53 SEMINAR HASIL TUGAS AKHIR 2014 53

Uji Asumsi Residual

Variabel

respon Pvalue Keputusan

ln YTC 0,737 Gagal tolak H0

YTM 0,907 Gagal tolak H0

ln YTS 0,710 Gagal tolak H0

ln YHC 0,967 Gagal tolak H0

YHM 0,960 Gagal tolak H0

ln YHS 0,552 Gagal tolak H0

Uji Asumsi Identik

Variabe

l respon

Statistik

uji d dL dU Keputusan

ln YTC 2,732 1,100 1,537 Tolak H0

YTM 1,641 1,201 1,411 Gagal tolak H0

ln YTS 1,631 1,100 1,537 Gagal tolak H0

ln YHC 3,214 1,100 1,537 Tolak H0

YHM 1,716 1,201 1,411 Gagal tolak H0

ln YHS 1,373 1,100 1,537 Tolak H0

Uji Asumsi Independen

Variabel

respon Pvalue Keputusan

ln YTC 0,142 Gagal tolak H0

YTM >0,150 Gagal tolak H0

ln YTS 0,086 Gagal tolak H0

ln YHC >0,150 Gagal tolak H0

YHM >0,150 Gagal tolak H0

ln YHS >0,150 Gagal tolak H0

Uji Asumsi Distribusi Normal

Unit cross section Intersep YTC

Surabaya 4,605

Gresik -1,110

Sidoarjo 1,559

Mojokerto -1,690

Jombang -3,364

54 54 54 54 54 54 SEMINAR HASIL TUGAS AKHIR 2014 54

Total market jenis cub (YTC)

Total market jenis matic (YTM)

Total market jenis sport (YTS)

Unit cross

section

Random effect

YTM

Surabaya 585,998

Gresik -6181,646

Sidoarjo 8315,200

Mojokerto -5789,727

Jombang 3070,175

Model Regresi Panel

55 55 55 55 55 55 55 SEMINAR HASIL TUGAS AKHIR 2014 55

Model Regresi Panel

Merk Honda jenis cub (YHC)

Merk Honda jenis matic (YHM)

Merk Honda jenis Sport (YHS)

Unit cross

section

Intersep

YHC

Surabaya 4,043

Gresik -0,957

Sidoarjo 1,448

Mojokerto -1,528

Jombang -3,006

Unit cross

section

Intersep

YHM

Surabaya -22525,780

Gresik 445,195

Sidoarjo 5411,519

Mojokerto 2878,727

Jombang 13790,340

Unit cross

section

Intersep

YHS

Surabaya 2,097

Gresik -0,329

Sidoarjo 0,674

Mojokerto -0,732

Jombang -1,710

56 56 56 56 56 56 56 SEMINAR HASIL TUGAS AKHIR 2014 56

Peramalan Variabel Prediktor

Wilayah Model

Surabaya

Gresik

Sidoarjo

Mojokerto

Jombang

Penduduk usia Produktif

Tahun Surabaya Gresik Sidoarjo Mojokerto Jombang

2013 2377036 854572 1489945 890049 829772

2014 2530489 866844 1544601 970963 833196

2015 2704878 879116 1599256 1051876 836620

57 57 57 57 57 57 57 57 SEMINAR HASIL TUGAS AKHIR 2014 57


Wilayah Model

Surabaya

Gresik

Sidoarjo

Mojokerto

Jombang

PDRB perkapita


2013 101028,94 42835,62 38949,52 27868,23 15644,24

2014 108783,59 45891,99 41369,76 29960,64 16751,84

2015 116538,25 48948,36 43790,00 32053,04 17859,44

58



Wilayah Model

Surabaya

Gresik

Sidoarjo

Mojokerto

Jombang

IPM


2013 79,866 76,354 78,436 76,873 74,499

2014 80,690 76,930 79,090 77,426 75,099

2015 81,514 77,505 79,743 77,978 75,700

59 59



Wilayah Model

Surabaya

Gresik

Sidoarjo

Mojokerto

Jombang

Laju Pertumbuhan Ekonomi


2013 9,069 8,990 8,556 8,507 8,137

2014 9,894 9,807 9,334 9,280 8,877

2015 10,718 10,625 10,112 10,054 9,616

60 60 60 60 60 60 60 60 60 60 60 SEMINAR HASIL TUGAS AKHIR 2014 60

Peramalan Penjualan

Sepeda Motor Baru

Total Market

Wil. Tahun YTC YTM YTS YT

Surabaya

2013 15348 94177 21560 129539

2014 9271 105158 25311 138358

2015 5567 116139 29521 150255

Gresik

2013 7009 35916 6622 49547

2014 5225 41810 7312 54347

2015 3900 47705 8053 59657

Sidoarjo

2013 12228 64281 10626 87135

2014 8537 70724 11909 91170

2015 5977 77167 13309 96452

Mojokerto

2013 4610 33037 6243 43890

2014 2937 39320 7138 49395

2015 1903 45603 8113 55618

Jombang

2013 5891 27238 3870 36999

2014 4417 32318 4269 41004

2015 3315 37399 4697 45411

61 61 61 61 61 61 61 61 61 61 61 61 SEMINAR HASIL TUGAS AKHIR 2014 61

Peramalan Penjualan

Sepeda Motor Baru

Merk Honda

Wil. Tahun YHC YHM YHS YH

Surabaya

2013 12634 61997 1443 74986

2014 8326 74084 1058 82402

2015 5456 86171 787 91594

Gresik

2013 5482 28288 804 34573

2014 4315 34776 647 39738

2015 3398 41265 525 45188

Sidoarjo

2013 10139 48520 1097 59756

2014 7551 55611 863 64025

2015 5633 62703 686 69021

Mojokerto

2013 3530 27122 615 31266

2014 2432 34037 470 36940

2015 1699 40953 365 43016

Jombang

2013 4037 21898 517 26452

2014 3194 27490 416 31100

2015 2527 33083 338 35948


63 63 63 63 63 63 63 63 63 63 63 63 63 SEMINAR HASIL TUGAS AKHIR 2014 63

Kesimpulan

Kota Surabaya merupakan kota yang memiliki nilai tertinggi hampir di semua variabel baik respon maupun prediktor. Kondisi tersebut dikarenakan kota Surabaya merupakan ibukota propinsi Jawa Timur yang menjadi pusat kegiatan perekonomian di Jawa Timur.

Data variabel prediktor menunjukkan adanya kasus multikolinearitas, baik pada data asli maupun data yang telah ditransformasi ‘ln’, sehingga dilakukan analisis komponen utama untuk dapat mengatasinya. Metode estimasi regresi panel berdasarkan hasil uji chow, uji hausman, dan uji lagrange multiplier pada ln YTC, ln YHC, YHM, ln YHS adalah fixed effect model, sedangkan metode estimasi pada YTM adalah random effect model. Adapun metode estimasi pada ln YTS adalah common effect model.

64 64 64 64 64 64 64 64 64 64 64 64 64 64 SEMINAR HASIL TUGAS AKHIR 2014 64

Kesimpulan

Berdasarkan hasil peramalan penjualan sepeda motor baru, jenis cub untuk total market maupun merk Honda diprediksi akan terus mengalami penurunan, sedangkan jenis matic diprediksi akan mengalami peningkatan. Adapun penjualan jenis sport pada total market diprediksi akan meningkat, sedangkan jenis sport pada merk Honda diprediksi akan mengalami penurunan

65 65 65 65 65 65 65 65 65 65 65 65 65 65 SEMINAR HASIL TUGAS AKHIR 2014 65

Saran

Berdasarkan kesimpulan yang diperoleh, disarankan untuk meninjau kembali efek waktu dalam data variabel prediktor, sehingga dapat diketahui apakah waktu dapat berpengaruh terhadap model.

Adapun jumlah data yang digunakan dalam penelitian ini relative terbatas, sehingga penelitian mendatang diharapkan dapat dilakukan dengan menggunakan data dengan jumlah yang lebih banyak.


Daftar Pustaka

Aini, N. H. (2012). Analisis Faktor yang Mempengaruhi Tingkat Konsumsi Masyarakat Jawa Timur . Tugas Akhir. Malang: UIN Maulana Malik Ibrahim.

Ayunanda, M. (2013). Analisis Statistika Faktor Yang Mempengaruhi Indeks Pembangunan Manusia Di Kabupaten/Kota Provinsi Jawa Timur Dengan Menggunakan Regresi Panel. Tugas Akhir. Surabaya: Institut Teknologi Sepuluh Nopember.

Baltagi, B. H. (2005). Econometric Analysis Of Panel Data. England: John Wiley & Sons Ltd, The Atrium, Southern Gate, Chichester.

BPS. (2003-2012). Hasil Survey Nasional Jawa Timur 2003-2012. Jawa Timur: BPS. BPS. (2012). http://www.bps.go.id. Retrieved Februari 02, 2014 BPS Propinsi Jawa Timur. (2012). Data Makro Ekonomi. Surabaya: BPS Propinsi Jawa

Timur. Desi, Y. (2010). Pemodelan Persentase Penduduk Miskin Di Provinsi Jawa Timur Tahun

2004-2008 Dengan Regresi Data Panel. Tugas Akhir. Surabaya: Institut Teknologi Sepuluh Nopember.

Gilarso, T. (2001). Pengantar Ilmu Ekonomi Mikro. Yogyakarta: Kanisius.


Daftar Pustaka

Greene, W. H. (2002). Econometric Analysis. New York: Upper Saddle River, New Jersey.

Gujarati, D. (2004). Basic Econometrics. The McGraw−Hill. Hsiao, C. (2006). Panel Data Analysis - Advantages and Challenges. China: Wise,

Xiamen University. Hutapea, B. P. (2012). Analisis Faktor-Faktor yang Mempengaruhi Penjualan Sepeda

Motor Yamaha di Kota Medan. Tugas Akhir. Medan: Universitas Sumatra Utara.

MPM. (2013). Data Penjualan Sepeda Motor. Surabaya. Setiawan, & Kusrini, E. (2010). Ekonometrika. Yogyakarta: Andi. Sugiarto, Herlambang, T., Brastoro, Sudjana, R., & Kelana, S. (2007). Ekonomi Mikro.

Jakarta: PT Gramedia Pustaka. Viva News. (2014). Retrieved Maret 7, 2014, from otomotif.news.viva.co.id Widarjono, A. (2007). Ekonometrika Teori dan Aplikasi Untuk Ekonomi dan Bisnis.

Yogyakarja: Ekonosia.

Oleh :

Zakiyah El Khoiroh Tsani (1310 100 062)

Peramalan Penjualan Sepedah Motor Baru

Di Area Penjualan Surabaya

Dengan Menggunakan Regresi Panel

SEMINAR HASIL TUGAS AKHIR

Dosen Pembimbing :

Dwi Endah Kusrini, S.Si, M.Si

Jurusan Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam

Institut Teknologi Sepuluh Nopember Surabaya 2014

Selasa, 15 Juli 2014

68

Peramalan Penjualan Sepeda Motor Baru Di Area Penjualan ...digilib.its.ac.id/public/ITS-paper-39761-1310100062-presentation.pdf · Peramalan Penjualan Sepeda Motor Baru . Di Area

Documents