UTS Ekonomi Manajerial [PDF]

Citation preview

UTS Ekonomi Manajerial



Nama



: Endang Satriani Siregar



NIM



: 207019012



Matkul



: Sistem Informasi Manajemen ( Paralel)



Tanggal



: 121 November 2020



1.



Sebuah perusahaan pemegang merk tertentu telah mengestimasi hubungan output dengan permintaan sbb : P = 200 - 0,00003Q; dengan biaya produksi sbb : TC = 7.812.500 + 100Q + 0,00002Q2 P = 170 - 0,005Q; dengan biaya produksi sbb : TC = 27000 + 32Q + 0,003Q2



a. Tentukan besarnya Q sehingga Laba maksimum dan berapa besarnya laba maksimum tersebut. P = 200 -0,00003Q TC = 7.812.500 +100 Q +0,00002Q2 TR = P x Q = 200 -0.00003Q 2 MR=TR 1 MR = 200 – 0.00006 Q TC = 7.812.500 +100 Q +0.00002Q2 MC = TC 1 MC = 100+ 0.00004Q = TR – TC = (200 – 0,00003 Q) * Q -7.8125.500 + 100 Q + 0,00002Q2 = -0,00005 Q2 + 100 Q– 7.8125.500



MR = MC 200 -0,00006 Q = 100 – 0,0000 4 Q 100 = 0,0001 Q Q= 1.000.000



P = 200 - 0,00006Q = 200 – 0,00006 (1.000.000) = 200 – 60 = 140 π = 100 Q – 0.00005Q2 - 7.812.500 = 100(1.000.000) – 0.00005 ( 1.000.000) 2 - 7.812.500 = 100.000.000 – 50.000.000 – 7.812.500 = 42. 187.500 (LABA MAKSIMUM )



P = 170 – 0.005 Q TC = 27.000 + 32 Q + 0,003 Q2 TR = P x Q =170 Q – 0.005Q2 MR = TR 1 MR = 170- 0,01 Q π= TR – TC = (170 – 0,005 Q )*Q –(27.000 + 32 Q +0.003 Q 2) = 170 Q -32 Q -0,005 Q2 -0,003Q2 -27.000 = 138 Q – 0.008 Q2 – 27.000



MR =MC 170 – 0.01 Q = 32 + 0.006 Q 170- 32 = 0.006 Q + 0.01 Q 138 = 0.016 Q Q = 8.625



π = 138 Q – 0.008 Q2 – 27.000 = 138 (8.625 ) – 0.008 (8.625 ) 2 -27.000



= 1.190.250 -595.125 – 27.000 = 568.125 (laba maksimum )



b. Asumsikan fungsi Longrun Total Cost (LTC) = fungsi TC di atas, tentukan fungsi LMC dan



LAC dan carilah Q* pada saat MES (minimum efficient scale)LTC = TC (fungsi TC di atas) LMC = LTC/Q MC = 100+0,00004Q AC = TC/Q MC = AC 100+0,00004Q = 7.812.500-1+100+0,00002Q 7.812.500-1 Q = - 0,00002Q 7.812.500 = 0,00002Q2 Q2=√(7.812.500/0,00002 Mes Q = 625.000 c. Kesimpulan ini menyatakan bahwasanya menggunakan multiplant karena laba maksimum



multiplant > laba maksimum single plan, sehingga dapat dikatakan Skala Ekonomis. Meningkatnya laba maksimum multiplant, akrena VC menurun sebesar 625.000 setelah menggunakan 2 pabrik, walaupun FC meningkat pada saat menggunakan 2 pabrik. d. Berdasarkan (a) dan (b) seandainya sdr. seorang manajer yang visioner, apakah yang akan sdr. rekomendasikan kepada dewan komisaris, apakah tetap melakukan sentralisasi (satu pabrik) atau melakukan desentralisasi (multi pabrik). Buktikan analisis sdr! MC = 100 + 0,00004 Q MC = 100 + 0,00004 (625.000) MC pada Mes = 100 + 25 MC pada Mes = 125 MR = MC 200- 0,00006 Q = 125 75 = 0,00006 Q Q = 75 / 0,00006 Q = 1.250.000 Optimal Pabrik = 1.250.000/625.000 Optimal Pabrik = 2 P = 200- 0,00003 Q P = 200 – 0,00003 (1.250.000) P = 200 – 37,5 P = 162,5 ∏= TR – TC



∏ = P*Q – 2 TC = 200 – 0,00003 (1.250.000) – 2 (7.812.500+100Q+0,00002Q2) = (200-37,5)*(1.250.000) – 2(7.812.500+100 (625.000) +0,00002 (625.000)2) = 162,5 – 2 (7.812.500+62.500.000+7.812.500) = 203.125.000 – 156.250.000 ∏ maksimal = 46.875.000



2. PT.ABC adalah perusahaan manufaktur beroperasi dengan fungsi produksi Q = 10K0,5L 0,7 (Q = output produksi; K = modal dan L = tenaga kerja). Diminta sebagai berikut: a. Estimasilah Q jika K = 12, L = 32. Q = 10 (12 ) 0,5 (32 ) 0,7 = 10 (3,46 ) (11,31 ) = 391.326 b. Carilah nilai elastisitas output terhadap K (εK) dan L (εL). Seberapa besar output meningkat dengan meningkatkan masing masing input sebesar 10 persen pada saat bersamaan? Q = 10 k 2 L 0.7 EK = α = 0.5 , input 10 % , kenaikan sebesar 5 % El = α = 0.7 input 10 % , kenaikan sebesar 7 % c. Tentukan return to scale dalam produksi. Seberapa besar output perusahaan akan meningkat jika perusahaan meningkatkan kuantitas semua input yang digunakan sebesar 10 persen pada saat yang bersamaan? (0,5 + 0.7 ) x 10 % = 12 % d. Q = 10K0,5L 0,7 w= 1.000.000 r =10 Q= 24.000.000 MPL/ MPK= W/R = 1.000.000/ 10 MPK= 10 K 0,5-1 L0,7 MPK =10 K-0,5 L0,7 MPL= 10 K 0,5 L 0,7-1 MPL = 10 K 0,5 L -0,3



3. Terlampir data kuartalan permintaan barang X:dari sebuah perusahaan. Ramalkan permintaan kuartal 1 sampai dengan kuartal 4 tahun 2020 berdasarkan metode: a) Tren linier dengan simple regression b) Variasi musim.



Data Forecasting Kuartalan Periode 2012 – 2019: PERIODE 2012 2013 2014 2015 2016 2017 2018 2019



I 14.57 13.79 15.14 15.24 16.40 16.20 24.21 21.31



KUARTAL II III 17.13 15.47 14.44 14.47 15.12 14.79 15.14 14.84 16.74 16.80 16.09 18.23 25.02 22.62 20.11 18.49



IV 12.75 11.65 13.08 16.29 16.20 20.99 21.89 16.72



1. Estimasikan tren linear dari data tersebut dan gunakan untuk meramalkan pada setiap kuartal di tahun 2020? Model regresi linier akan mengambil bentuk: St = S0 + bt Tabel 1 Model Regresi Linier Dependent Variable: Y Method: Least Squares Date: 11/21/20 Time: 14:16 Sample: 1 32 Included observations: 32 Variable C X



Coefficient



Std. Error



t-Statistic



Prob.



12.67480 0.258213



0.829496 0.043871



15.28012 5.885749



0.0000 0.0000



R-squared 0.535906 Adjusted R-squared 0.520436 S.E. of regression 2.291387 Sum squared resid 157.5137 Log likelihood -70.90646 F-statistic 34.64204 Prob(F-statistic) 0.000002



Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat



16.93531 3.308836 4.556654 4.648262 4.587019 0.550777



Sumber : Hasil Pengolahan EViews7 St = 12,67480 + 0,258213t R2 = 0,5359 (5,885) Dari tabel 1 di atas menunjukkan bahwa permintaan barang pada akhir kuartal di tahun 2000 (yakni S0) diperkirakan sebanyak 12,67480 dan meningkat dengan kecepakatan rata-rata



0,258213 barang setiap kuartal. Variabel tren signifikan secara statistik lebih baik daripada tingkat 1 persen (diperoleh dari nilai 5,885 untuk signifikan t yang diberikan dalam kurung di bawah koefisien kemiringan yang diestimasi) dan “menjelaskan” 53,59 persen dalam variasi kuartalan dari permintaan barang (dari R2 = 0,53,59). Jadi, berdasarkan tren yang lalu, maka kita bisa meramalkan permintaan barang sebagai berikut: Tabel 2 Peramalan Permintaan Barang Tahun St t St^ 2012,1 14.57 1 12.93 2012,2 17.13 2 13.19 2012,3 15.47 3 13.45 2012,4 12.75 4 13.71 2013,1 13.79 5 13.97 2013,2 14.44 6 14.22 2013,3 14.47 7 14.48 2013,4 11.65 8 14.74 2014,1 15.14 9 15.00 2014,2 15.12 10 15.26 2014,3 14.79 11 15.52 2014,4 13.08 12 15.77 2015,1 15.24 13 16.03 2015,2 15.14 14 16.29 2015,3 14.84 15 16.55 2015,4 16.29 16 16.81 2016,1 16.40 17 17.06 2016,2 16.74 18 17.32 2016,3 16.80 19 17.58 2016,4 16.20 20 17.84 2017,1 16.20 21 18.10 2017,2 16.09 22 18.36 2017,3 18.23 23 18.61 2017,4 20.99 24 18.87 2018,1 24.21 25 19.13 2018,2 25.02 26 19.39 2018,3 22.62 27 19.65 2018,4 21.89 28 19.90 2019,1 21.31 29 20.16 2019,2 20.11 30 20.42 2019,3 18.49 31 20.68 2019,4 16.72 32 20.94 2020,1 33 21.20 2020,2 34 21.45 2020,3 35 21.71 2020,4 36 21.97 S33 = 12,67480 + 0,258213 (33) = 21,20 kuartal pertama 2020 S34 = 12,67480 + 0,258213 (34) = 21,45 kuartal kedua 2020



S35 = 12,67480 + 0,258213 (35) = 21,71 kuartal ketiga 2020 S36 = 12,67480 + 0,258213 (36) = 21,97 kuartal keempat 2020 2. Estimasikan tren log-linear dalam data dan gunakan untuk meramalkan penjualan bensin di Amerika Serikat untuk setiap kuartal di tahun 1999? Berdasarkan ramalan ini ditunjukkan oleh titik-titik pada bagian yang putus-putus dari garis tren yang diperpanjang sampai tahun 2020, pada gambar 1 (dengan mengabaikan sementara titiktitik yang dilingkari di atas dan di bawah garis). Perlu dicatat bahwa nilai-nilai permintaan barang yang diramalkan, tanpa membaca garis tren yang diperpanjang, hanya mempertimbangkan faktor tren jangka panjang di dalam data. Dengan mengabaikan sama sekali variasi musiman yang sangat signifikan dalam data, nilai-nilai yang diramalkan tentunya akan jauh melenceng dari nilainya yang aktual di masa mendatang. Tetapi sebelumnya, kita akan memperlihatkan bagaimana mencocokkan suatu tren laju pertumbuhan yang konstan (dalam persen) pada data yang sama. Sementara asumsi tentang suatu jumlah perubahan absolut yang konstan setiap periode waktu (dalam hal ini kuartal) mungkin tepat dalam banyak kasus, namun pada situasi-situasi di mana perubahan suatu persentase yang konstan adalah lebih tepat (artinya, lebih cocok dengan data dan memberikan ramalan yang lebih baik). Model laju pertumbuhan dengan persentase konstan dapat dirumuskan sebagai: St = S0 (1 + g)t Di mana g adalah laju pertumbuhan dengan persentase konstan yang diestimasi. Untuk mengetahu g dari persamaan di atas, pertama-tama kita harus mentransformasikan data deret waktu ke dalam logaritma naturalnya dan kemudian mengadakan regresi pada data yang telah ditransformasikan tersebut. Persamaaan regresi yang ditransformasikan itu linier dalam logaritma dan dirumuskan dengan: ln St = ln S0 + t ln (1 + g)



Tahun 2012,1 2013,1 2014,1 2015,1 2016,1 2017,1 2018,1 2019,1 2012,2 2013,2 2014,2 2015,2 2016,2 2017,2



Tabel 3 Permintaan Barang St t St^ st/st^ 14.57 1 12.93 1.127 13.79 5 13.97 0.987 15.14 9 15.00 1.009 15.24 13 16.03 0.951 16.40 17 0.961 17.06 16.20 21 0.895 18.10 24.21 25 1.266 19.13 1.057 21.31 29 20.16 rata2= 17.13 2 13.19 1.299 14.44 6 14.22 1.015 15.12 10 15.26 0.991 15.14 14 16.29 0.929 16.74 18 0.967 17.32 16.09 22 0.876 18.36



1.032



2018,2 2019,2



2012,4



12.75



4



13.71



1.290 0.985 rata2= 1.150 0.999 0.953 0.897 0.956 0.980 1.151 0.894 rata2= 0.930



2013,4



11.65



8



14.74



0.790



2014,4 2015,4 2016,4 2017,4 2018,4 2019,4



13.08 16.29 16.20 20.99 21.89 16.72



12 16 20 24 28 32



15.77 16.81 17.84 18.87 19.90 20.94



0.829 0.969 0.908 1.112 1.100 0.798 rata2=



2012,3 2013,3 2014,3 2015,3 2016,3 2017,3 2018,3 2019,3



Tahun 2012,1 2012,2 2012,3 2012,4 2013,1 2013,2 2013,3 2013,4 2014,1 2014,2 2014,3 2014,4 2015,1 2015,2 2015,3 2015,4 2016,1 2016,2



25.02 20.11 15.47 14.47 14.79 14.84 16.80 18.23 22.62 18.49



St 14.57 17.13 15.47 12.75 13.79 14.44 14.47 11.65 15.14 15.12 14.79 13.08 15.24 15.14 14.84 16.29 16.40 16.74



26 30 3 7 11 15 19 23 27 31



t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18



19.39 20.42 13.45 14.48 15.52 16.55 17.58 18.61 19.65 20.68



St^ 12.93 13.19 13.45 13.71 13.97 14.22 14.48 14.74 15.00 15.26 15.52 15.77 16.03 16.29 16.55 16.81 17.06 17.32



1.044



0.997



0.930



st/st^ 1.127 1.299 1.150 0.930 0.987 1.015 0.999 0.790 1.009 0.991 0.953 0.829 0.951 0.929 0.897 0.969 0.961 0.967



2016,3 2016,4 2017,1 2017,2 2017,3 2017,4 2018,1 2018,2 2018,3 2018,4 2019,1 2019,2 2019,3 2019,4 2020,1 2020,2 2020,3 2020,4



16.80 16.20 16.20 16.09 18.23 20.99 24.21 25.02 22.62 21.89 21.31 20.11 18.49 16.72 21.20 21.45 21.71 21.97



19 20 21 22 23 24 25 26 27 28 29 30 31 32 1.032 1.044 0.997 0.930



17.58 17.84 18.10 18.36 18.61 18.87 19.13 19.39 19.65 19.90 20.16 20.42 20.68 20.94 21.88 22.39 21.64 20.43



0.956 0.908 0.895 0.876 0.980 1.112 1.266 1.290 1.151 1.100 1.057 0.985 0.894 0.798



Gambar 1 Permintaan Barang Untuk Kuartal Pertama, Kedua, Ketiga dan Keempat Tahun 2012 sampai 2020 30,00 25,00 20,00 15,00 10,00 5,00 0,00 0



5



10



15



20



25



30



35



40



Menggunakan persamaan regresi untuk data tentang penjualan bensin yang telah ditransformasikan ke dalam logaritma, yaitu: Tabel 4 Data Permintaan Barang Yang Telah di Transformasi ke Dalam Ln Tahun St t ln St lnSt^ St^ 2012,1 14.57 1 12.93 2.583 13.232 2012,2 17.13 2 13.19 2.597 13.430 2012,3 15.47 3 13.45 2.612 13.630



2012,4 2013,1 2013,2 2013,3 2013,4 2014,1 2014,2 2014,3 2014,4 2015,1 2015,2 2015,3 2015,4 2016,1 2016,2 2016,3 2016,4 2017,1 2017,2 2017,3 2017,4 2018,1 2018,2 2018,3 2018,4 2019,1 2019,2 2019,3 2019,4 2020,1 2020,2 2020,3 2020,4



12.75 13.79 14.44 14.47 11.65 15.14 15.12 14.79 13.08 15.24 15.14 14.84 16.29 16.40 16.74 16.80 16.20 16.20 16.09 18.23 20.99 24.21 25.02 22.62 21.89 21.31 20.11 18.49 16.72



4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36



13.71 13.97 14.22 14.48 14.74 15.00 15.26 15.52 15.77 16.03 16.29 16.55 16.81 17.06 17.32 17.58 17.84 18.10 18.36 18.61 18.87 19.13 19.39 19.65 19.90 20.16 20.42 20.68 20.94



2.627 2.642 2.657 2.672 2.686 2.701 2.716 2.731 2.746 2.760 2.775 2.790 2.805 2.820 2.834 2.849 2.864 2.879 2.894 2.908 2.923 2.938 2.953 2.968 2.982 2.997 3.012 3.027 3.042 3.057 3.071 3.086 3.101



13.833 14.040 14.249 14.462 14.677 14.896 15.119 15.344 15.573 15.805 16.041 16.281 16.523 16.770 17.020 17.274 17.532 17.793 18.059 18.328 18.602 18.879 19.161 19.446 19.737 20.031 20.330 20.633 20.941 21.253 21.570 21.892 22.219



Tabel 5 Model Regresi Linier Yang Telah di Transformasi ke Dalam Ln Dependent Variable: Y Method: Least Squares Date: 11/21/20 Time: 15:32 Sample: 1 32 Included observations: 32 Variable C X



Coefficient



Std. Error



t-Statistic



Prob.



2.567851 0.014808



0.045258 0.002394



56.73826 6.186557



0.0000 0.0000



R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)



0.560591 0.545944 0.125020 0.468897 22.16371 38.27349 0.000001



Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat



2.812187 0.185534 -1.260232 -1.168623 -1.229866 0.725462



Sumber : Hasil Pengolahan EViews7 ln St = 2,567851 + 0,014t (6,186)



R2 = 0,5605



Dari tabel 5 dapat diketahui bahwa kecocokan dari persamaan ini santa mirip dengan persamaan yang dijelaskan di awal. Karena parameter-parameter yang diperkirakan sekarang didasarkan pada logaritma dari data, mereka harus dikonversikan ke dalam antilog-nya agar bisa ditafsirkan ke dalam data aslinya. Antilog dari ln S 0 = 2,567851 adalah S0 = 13,04 (diperoleh dengan hanya memasukkan nilai 2,567851 ke dalam kalkulator saku dan menekan kunci e x untuk antilog), dan antilog dari ln (1 + g) = 0,005 memberikan (1 + g) = 1,014. Subsitusikan nilai-nilai ini kembali ke dalam persamaan, yaitu: St = 13,04 (1,014)t Dimana S0 = 13,04 permintaan barang adalah estimasi penjualan bensin di Amerika Serikat dalam kuartal ke empat tahun 2020 (ialah pada t = 0) dan estimasi laju pertumbuhan yang diperkirakan adalah 1,014 atau persen 1,014%, tiap kuartal. Untuk mengestimasikan penjualan dalam kuartal mana pun di masa yang akan datang kita subsitusikan ke dalam persamaan nilai dari t untuk kuartal di mana kita mencoba meramalkan S dan mengantikan dengan St, jadi: S33 = 13,03 + (1,014)33 = 21,253 kuartal pertama 2020 S34 = 13,04 + (1,014)34 = 21,570 kuartal kedua 2020 S35 = 13,04 + (1,014)35 = 21,892 kuartal ketiga 2020 S36 = 13,04 + (1,014)36 = 22,219 kuartal keempat 2020 Ramalan-ramalan ini sama dengan yang diperoleh dengan menggunakan tren linier. Seperti yang telah dilihat, nilai-nilai ramalan permintaan barang yang dibaca terpisah dari garis tren yang diperpanjang dalam gambar 1 hanya mempertimbangkan faktor tren jangka panjang dalam data. Namum data untuk tahun 2012 sampai 2019 menunjukkan variasi musiman yang kuat, dengan penjualan pada kuartal tahun pertama secara konsisten berada di bawah nilai tren jangka panjang yang terkait yaitu sebesar 1,031617. Sementara penjualan pada kuartal kedua sebesar 1,044058, kuartal ketiga sebesar 0,997449 dan kuartal keempat sebesar 0,929716secara konsisten berada di atas nilai-nilai tren. Dengan mempertimbangkan keterkaitan variasi musiman, maka dapat dapat memperbaiki perkiraan permintaan barang secara signifikan. Ini dapat dilakukan dengan menggunakan metode rasio tren dengan menggunakan variabel dummy.



Nilai 1,031617 untuk kuartal pertama, untuk kuartal kedua sebesar 1,044058, dan seterusnya) kita mendapatkan ramalan yang baru berikut ini berdasarkan tren linier dan penyesuaian musiman, yaitu: S33 = 21.253 (1,031617) = 21,924,96 kuartal pertama 2020 S34 = 21.570 (1,044058) = 22,520.33 kuartal kedua 2020 S35 = 21.892 (0,997449) = 21,836.15 kuartal ketiga 2020 S36 = 22.219 (0,929716) = 20,657.36 kuartal keempat 2020 Ramalan-ramalan ini diperlihatkan oleh titik-titik yang dilingkari dalam gambar 1. Perlu dicatat bahwa dengan memasukkan penyesuaian musiman, nilai-nilai ramalan untuk permintaan barang sama dengan pola musiman yang lalu dalam data deret waktu sepanjang linier yang meningkat. Hasil yang sama bisa diperoleh dengan memasukkan variabel dummy. Dengan mengambil kuartal terakhir sebagai periode dasar dan menentukan variabel dummy D1 melalui deret waktu dengan angka 1 dalam kuartal pertama setiap tahun dan nol untuk kuartal-kuartal yang lain, dan D2 dengan angka 1 dalam kuartal kedua dan nol untuk kuartal-kuartal yang lain, dan D3 dengan angka 1 untuk kuartal ketiga dan nol untuk kuartal-kuartal yang lain, kita memperoleh hasil-hasil berikut dengan menjalankan regresi dari permintaan barang pada variabel-variabel pengganti musiman dan tren waktu linier. Tabel 6 Kalkulasi Penyesuaian Musiman Tren Peramalan Oleh Metode Rasio Terhadap Tren Tahun Perkiraan Aktual Aktual/Perkiraan 2012,1 12.93 14.57 1.126837 2013,1 13.97 13.79 0.987115 2014,1 15.00 15.14 1.009333 2015,1 16.03 15.24 0.950717 2016,1 16.40 17.06 0.961313 2017,1 16.20 18.10 0.895028 2018,1 24.21 19.13 1.265551 2019,1 20.16 21.31 1.057044 rata2= 1.031617 2012,2 13.19 17.13 1.298711 2013,2 14.22 14.44 1.015471 2014,2 15.26 15.12 0.990826 2015,2 16.29 15.14 0.929405 2016,2 16.74 17.32 0.966513 2017,2 16.09 18.36 0.876362 2018,2 25.02 19.39 1.290356 2019,2 20.11 20.42 0.984819 rata2= 1.044058 2012,3 13.45 15.47 1.150186 2013,3 14.48 14.47 0.999309 2014,3 15.52 14.79 0.952964



2015,3 2016,3 2017,3 2018,3 2019,3



16.55 17.58 18.61 19.65 20.68



14.84 16.80 18.23 22.62 18.49 rata2=



2012,4



13.71



12.75



2013,4



14.74



11.65



2014,4 2015,4 2016,4 2017,4 2018,4 2019,4



15.77 16.81 17.84 18.87 19.90 20.94



13.08 16.29 16.20 20.99 21.89 16.72 rata2=



St 14.57 17.13 15.47 12.75 13.79 14.44 14.47 11.65 15.14 15.12 14.79 13.08 15.24 15.14 14.84 16.29 16.40 16.74 16.80 16.20 16.20 16.09 18.23 20.99



t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24



0.896677 0.955631 0.979581 1.151145 0.894101 0.997449 0.929978 0.790366 0.829423 0.969066 0.908072 1.112348 1.100000 0.798472 0.929716



Tabel 7 Variabel Dummy d1t d2t d3t 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0



St^ 13.371149 13.737399 13.227398 12.459898 14.438677 14.804927 14.294926 13.527426 15.506205 15.872455 15.362454 14.594954 16.573733 16.939983 16.429982 15.662482 17.641261 18.007511 17.49751 16.73001 18.708789 19.075039 18.565038 17.797538



24.21 25.02 22.62 21.89 21.31 20.11 18.49 16.72



25 26 27 28 29 30 31 32 33 34 35 36



1 0 0 0 1 0 0 0 1 0 0 0



0 1 0 0 0 1 0 0 0 1 0 0



0 0 1 0 0 0 1 0 0 0 1 0



19.776317 20.142567 19.632566 18.865066 20.843845 21.210095 20.700094 19.932594 21.911373 22.277623 21.767622 21.000122



Tabel 8 Pengolahan Data Variabel Dummy Dependent Variable: Y Method: Least Squares Date: 11/21/20 Time: 16:14 Sample: 1 32 Included observations: 32 Variable C t D1t D2t D3t



Coefficient



Std. Error



t-Statistic



Prob.



11.39237 0.266882 1.711897 1.811265 1.034382



1.132407 0.044079 1.150281 1.146051 1.143505



10.06031 6.054655 1.488242 1.580440 0.904572



0.0000 0.0000 0.1483 0.1257 0.3737



R-squared 0.584528 Adjusted R-squared 0.522976 S.E. of regression 2.285310 Sum squared resid 141.0114 Log likelihood -69.13571



Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.



16.93531 3.308836 4.633482 4.862503 4.709396



F-statistic Prob(F-statistic)



9.496570 0.000063



Durbin-Watson stat



0.482100



Sumber : Hasil Pengolahan EViews7 Hanya 3 variabel dummy yang digunakan untuk empat musim, dengan konstanta dari regresi mewakili yang keempat. St = 11,392 + 1,711 1t + 1,811 2t + 1,034 3t + 0,266 t (R2 = 0,5229) (1,488) (1,580) (0,904) (6,054) Perlu dicatat bahwa koefisien-koefisien hasi estimasi untuk variabel dummy dan variabel tren semuanya adalah signifikan secara statistik pada tingkat lebih dari 1 persen. Persamaan menjelaskan 0,5229 atau 52,29% persen dari variabel dari variasi dalam penjualan bensin. Dengan menggunakan persamaan di atas untuk meramalkan penjualan bensin pada tiap kuartal tahun 2020, maka didapat yaitu: S33 = 11,392 + = 1,711 + 0,266 (33) = 21.911373 kuartal pertama 2020 S34 = 11,392 + = 1,811 + 0,266 (34) = 22.277623 kuartal kedua 2020 S35 = 11,392 + = 1,034 + 0,266 (35) = 21.767622 kuartal ketiga 2020 S36 = 11,392 + 0,266 (36) = 21.000122 kuartal keempat 2020 3. Bentuk mana yang lebih cocok dengan data yang ada? Dan kenapa kita mengharapkan kedua hasil ramalan kurang baik? Nilai-nilai hasil ramalan ini sama seperti yang diperoleh melalui rasio tren. Jadi, dalam kasus ini kedua metode ini merupakan alternatif yang baik untuk memasukkan variasi musiman ke dalam peramalan. Jika polanya berubah secara drastis, ramalannya tentu akan meleset jauh. Dalam hal ini lebih memungkinkan berikutnya memasukkan hal-hal di masa datang yang diperhatikan dalam peramalan. Lagipula tidak mungkin mempertimbangkan kekuatan-kekuatan siklis, tak teratur atau acak. Jadi, analisis deret waktu tidak dapat meramalkan titik balik sampai hal itu terjadi. Meskipun ini tidak terlihat penting dalam data historis tentang penjualan bensin dalam soal di atas, peristiwa ini bukannya situasi-situasi dalam kasus-kasus lain yang nyata. Pada akhirnya, analisis deret waktu tidak mengkaji faktor-faktor yang menimbulkan terjadinya fluktuasi deret waktu yang ditinjau. Dalam kejadian manapun analisis deret waktu yang digunakan tersendiri, tetapi sangat berguna klau digabungkan dengan metode-metode peramalan lain.