BAHAN KULIAH & PRAKTIKUM

METODE KUANTITATIF
DALAM BISNIS

By. LA HATANI

JURUSAN MANAJEMEN
FAKULTAS EKONOMI
UNHALU, 2008
A. PENGERTIAN MOTODE KUANTITATIF

Š Metode Kuantitatif adalah pendekatan

ilmiah untuk pengambilan keputusan
manajerial & Ekonomi. (Render, B., et.al,
2006)
Š Metode Kuantitatif adalah Ilmu & seni
yang berkaitan dengan tata cara
(metode) pengumpulan data, analisis
data, dan interpretasi hasil analisis
untuk mendapatkan informasi guna
penarikan kesimpulan dan pengambilan
keputusan. (Tuban, 1972 dalam Solimun,
2001)
B. PENDEKATAN ANALISIS KUANTITATIF
Tahapan-II Pendekatan Analisis Kuantitatif
Teori Ekonomi & Studi 1 Perumusan Masalah
Empiris Sebelumnya

2 Desain Model

3 Pengumpulan Data

4 Pencarian Solusi

5 Pengujian Solusi

6 Analisis & Hasil

Implemtansi Hasil
7
& Rekomendasi
Sumber : Render, B., et.al, 2006
C. TUJUAN RISET & PILIHAN ANALISIS KUANTITATIF
“Penting untuk direnungkan dan diingat bahwa
pemilihan teknik kuantitatif yang relewan sangat
tergantung dari apa problem dan tujuan riset”.
Tujuan Riset Bisnis
Tujuan utama riset bisnis tidak selalu diperoleh dalam
lingkungan yang ketat. Pengembangan tujuan kerangka
analitik dibedakan dua wilayah riset Bisnis, yaitu:
1) Non-scientific Business Research yaitu riset
bisnis yang sistematis namun tidak ilmiah dengan
tujuan eksplorasi, deskriptif dan prediktif. Fokus
analisisnya mengungkap fenomena yang menarik
bagi akuntansi & manajemen.
2) Scientific Business Research adalah rencana
riset bisnis yang sistematik dan ilmiah dimana
tujuan riset dapat dideskriptif, prediksi atau
kausalitas. Fokus analisisnya mendapatkan hasil
yang dapat digeneralisi.
 Pilihan Teknik Analisis Kuantitatif

„ Analisis Cost, Profit & Volume (BEP)

„ Analisis Keputusan
„ Analisis Probabilitas
„ Peralaman
„ Korelasi & Regresi
„ Analisis Jalur
„ Analisis faktor, deskriminan & Claster
„ Model Pengendalian Persedian
„ Linear Programming (Optimaliasi)
„ Network Model
„ Analisis I-O
„ SEM, dll
D. MODEL RISET DALAM PENDEKATAN KUANTITATIF
Gambar 2. Model Riset Pendekatan Kuantitatif

Scientific Problem Hypothesis

Pembuktian:
Data Empirik

Unit Analisis /
Unit Sample
Obyek
Penelitian

Responden
ILUSTRASI
Topik : Pengaruh Faktor Fundamental terhadap Keuntungan yang
Diharapkan
Data : Pooled; yaitu gabungan time series dan cross sectional
Obyek : Perusahaan (yang go public di Bursa Efek Jakarta)
Pengamatan : 4 tahun terakhir (1998 s/d 2002)
Unit sampel : perusahaan
Besar sampel : 50 perusahaan
Unit analisis : 4 x 50 = 200
Topik : Analisis Faktor yang berpengaruh terhadap Kinerja Keuangan
Industri Kecil berorientasi Ekspor
Obyek : Industri Kecil (berorientasi ekspor)
Unit sampel : Industri Kecil
Besar sampel : 150 industri kecil
Unit analisis : 150
Responden : Pemilik, manajer, karyawan (tidak sama dan lebih
banyak dari besar sampel)
E. KONSEP & PEMODELAN METODE KUANTITATIF

Metode Kuantitatif (Parametrik) adalah pendekatan

yang menyangkut pendugaan parameter, pengujian
hipotesis, pembentukan selang kepercayaan, dan
hubungan antara dua sifat (peubah) atau lebih bagi
parameter-parameter yang mempunyai sebaran
(distribusi normal) tertentu yang diketahui.

Metode kuantitatif berlandaskan pada anggapan-

anggapan tertentu yang telah disusun terlebih dahulu,
jika anggapan-anggapan tersebut tidak sesuai dengan
keadaan sebenarnya, apalagi jika menyimpang jauh
maka keampuhan metode ini tidak dapat dijamin atau
bahkan dapat menyesatkan
 Kelebihan & Kekurangan Metode
Kuantitatif :

1. Kelebihan Metode Kuantitatif adalah:

¬ Dapat digunakan untuk menduga atau meramal.

¬ Hasil analisis dapat diperoleh dengan pasti dan
akurat apabila digunakan sesuai aturan-aturan
yang telah ditetapkan.
¬ Dapat digunakan untuk mengukur interaksi
hudungan antara dua/lebih variabel (peubah).
¬ Dapat menyederhanakan realitas permasalahan
yang kompleks & rumit dalam sebuah model.
2. Kekurangan Metode Kuantitatif adalah:
Š Berdasarkan pada anggapan-anggapan (Asumsi)
Š Asumsi tidak sesuai dengan realitas yang terjadi
atau menyimpang jauh maka kemampuannya tidak
dapat dijamin bahkan menyesatkan.
Š Data harus berdistribusi normal dengan skala
pengukuran data yang harus digunakan adalah
interval & rasio.
Š Dapat digunakan untuk menganalisis data yang
populasi/sampelnya sama.
Š Tidak dapat dipergunakan untuk menganalisis
dengan cuplikan (Sampel) yang jumlahnya sedikit
(> 30)
 Pemodelan Metode Kuantitatif
, Model adalah suatu konsep yang digunakan untuk
menyatakan sesuatu keadaan (permasalahan) ke
dalam bentuk simbolik, ikonik atau analog.
, Pada hakekatnya model adalah abstraksi dari
dunia nyata, sensitivitas atas solusi terhadap
perubahan dalam model serta perwakil realitas,
oleh karena itu wujudnya harus lebih sederhana.
, Pemodelan Metode kuantitaif adalah upaya
memodelkan permasalahan ke dalam konsep
kuantintatif dengan prosedur:
(1) Ubah pernyataan ke dalam lambang kuantitatif
(2) Pemilihan metode analisis yang tepat
(3) Aplikasi metode secara benar
Kaidah Analisis Data (Pemodelan
Dalam Metode Kuantitatif)
)Pendekatan kuantitaf berangkat dari data atau ibarat bahan
baku dalam sebuah pabrik. Data diproses & dimanipulasi
menjadi informasi yang berharga bagi pengambilan keputusan.
)Data yang dikumpulkan harus “dibersihkan” sebelum
dianalisis, ibaratnya dalam memasak kita harus mencuci alat
dan bahan-2 makanan yang kita masak agar masakan kita
setidaknya bersih.
)Hasil “pembersihan” adalah berkuranya ketidaktepatan dan
kesalahan dalam data yang dapat dilakukan sebagai berikut:
(1) Menyunting Data
(2) Mengembangkan Variabel
(3) Pengkodeaan data
(4) Cek kesalahan
(5) Pembentukan struktur data
(6) Pra-analisis cek komputer
(7) Tabulasi
Mendapatkan Data yang akurat hukumnya wajib,
karena meskipun model merupakan representase dari
realitas yang sempurna, ketidakakuratan &
ketidaktepatan data memperoleh hasil yang
menyesatkan, ini yang dikenal sebagai
“Garbage In Garbage Out “(GIGO).
Mencermati fenomena empiris tidak dapat dipingkiri para
pengambil keputusan baik pada instansi pemerintah maupun
swasta dan interaksi kehidupan bermasyarakat telah banyak
menggunakan kaidah-kaidah kuantitatif seperti menghitung
rata-rata penghasilan sebuah keluarga setiap bulan,
mengukur tinkat produktivitas usaha, melihat hubungan
antara aktivitas yang dikerjakan dengan prestasi yang diraih,
dan sebagainya.
Tabel 1. Pengguna Metode Kuantitaf dan Berbagai Permasalahan Yang Dihadapi
Pengguna Masalah yang Dihadapi
1. Penentuan struktur gaji, pesangon, dan tunjangan karyawan.
Manajemen 2. Penentuan jumlah persediaan barang
3. Evaluasi produktivitas karyawan.
4. Evaluasi kinerja perusahaan.
1. Penentuan standar audit barang dan jasa.
2. Penentuan depresiasi dan apresiasi barang dan jasa.
Akuntansi & 3. Potensi peluang naik/turun harga saham & suku bunga.
Keuangan 4. Tingkat pengembalian investasi beberapa sektor ekonomi.
5. Analisis pertumbuhan laba dan cadangan usaha.
6. Analisis resiko keuangan setiap usaha.
1. Penelitian dan pengembangan produk.
Pemasaran 2. Analisis potensi pasar, segmentasi dan diskriminasi pasar.
3. Ramalan penjualan.
4. Efektivitas kegiatan promosi penjualan.
Ekonomi 1. Analisis pertumbuhan ekonomi, inflasi dan suku bunga.
Pembangunan 2. Pertumbuhan penduduk, pengangguran dan kemiskinan.
3. Indeks harga konsumen dan perdagangan besar.
ARTI & JENIS DATA DLM METODE KUANTITATIF
”Data adalah bentuk jamak dari datum artinya kumpulan
angka, fakta, fenomena atau keadaan lainnya, merupakan hasil
pengamatan, pengukuran atau pencacahan dan sebagainya
terhadap obyek, yang berfungsi dapat membedakan obyek
yang satu dengan lainnya pada variabel yang sama”.
Metode Kuantitaf berhubungan dengan pengolahan data atau
yang menjadi imput dalam proses kuantitatif adalah data. Dari
sudut pandang Metode kuantitatif data dikelompokan menjadi
dua jenis yaitu:
(1) Data kualitatif adalah data yang dinyatakan dalam
bentuk bukan angka (sifat).
(2) Data kuantitatif adalah data yang dinyatakan dalam
bantuk angka yang diasumsikan sebagai informasi dalam
bentuk pernyataan “bilangan” yang didasarkan pada hasil
perhitungan.
Pengelompokan data menurut cara perolehan
menurut statistika terdiri atas:

1. Data primer adalah data yang diperoleh secara

langsung dari obyak yang diteliti baik secara
individu maupun kelompok/organisasi.
2. Data sekunder adalah data yang diperoleh
secara tidak langsung untuk mendapatkan
informasi/keterangan dari obyek yang diteliti
3. Data tersier yaitu data yang diperoleh secara
tidak langsung dari obyek yang diteliti biasanya
data tersebut diperoleh dari pihak ketiga baik
dari individu maupun kelompok yang sengaja
mengungkapkan fakta dari pihak kedua.
 SKALA PENGUKURAN DATA
Pengukuran merupakan suatu proses dimana suatu angka
atau symbol diletakan pada suatu karakteristik atau stimulti
sesuai dengan aturan atau prosedur yang telah ditetapkan.
Stevens (1946) skala pengukuran data dapat dikelompokan
menjadi empat jenis yaitu:
1) Skala nominal adalah angka yang diberikan kepada obyek
mempunyai arti sebagai label saja, dan tidak menunjukkan tingkatan
apa-apa atau merupakan skala pengukuran yang menyatakan
kategorik dari kelompok suatu obyek. Contoh: jenis kelamin yaitu
laki-laki diberi tanda 1 dan perempuan diberi tanda
2) Skala ordinal adalah data yang diperoleh dengan cara kategorik
atau klasifikasi namun diantara data tersebut memiliki hubungan
atau angka yang diberikan di mana angka-angka tersebut
mengandung pengertian tingkatan. Contoh: Kualitas produksi yaitu
sangat tinggi dikategorikan 5; tinggi dikategorikan 4; sedang
dikategorikan 3; rendah dikategorikan 2; dan tidak berkualitas
dikategorikan 1.
3). Skala interval adalah suatu skala
pemberian angka
pada obyek yang mempunyai sifat ukuran ordinal dan
mempunyai jarak atau interval yang sama. Contoh :
temperatur suhu ruangan yang dengan celcius pada 00C
sampai 100C.
4). Skala rasio adalah skala interval yang memiliki nilai
dasar (based value) yang tidak dapat dirubah atau skala yang
memiliki nilai nol dan rasio dua nilai yang memiliki arti. Skala
rasio merupakan skala dengan hirarki paling tinggi dibanding
skala-skala lainnya yang merupakan angka atau bilangan dari
hasil perbandingan. Contoh: tingkat produktivitas merupakan
perbandingan antara input dan ouput.

Agar dapat membedakan dari ke empat jenis skala

pengukuran data di atas dapat dikemukakan ciri-ciri
dari setiap skala pengkuran data.
Tabel 2. Ciri-ciri Skala Pengkuran Data
Nominal Ordinal
F Komponen Nama (Nomos) F Komponen Nama (Nomos)
Angka yang diberikan hanya F Komponen Peringkat (Order)
sebagai label saja. Angka mengandung
Contoh: pria = 1, wanita = 2 dan pengertian tingkatan. Contoh:
waria = 3. ranking 1, 2, dan 3. Ranking 1
menunjukkan lebih tinggi dari
ranking 2 dan 3.
Interval Rasio
H Komponen Nama (Nomos) H Komponen Nama (Nomos)
H Komponen Peringkat (Order) H Komponen Peringkat (Order)
H Komponen Jarak (Interval) H Komponen Jarak (Interval)
H Nilai Nol Tidak Mutlak (Absolut) H Komponen Ratio
Contoh: H Nilai Nol Mutlak (Absolut)
1. Saham sangat prospektif Contoh: bunga BCA 7% dan
dengan harga saham Rp736- bunga Mandiri 14%, maka
878, bunga Mandiri 2 kali bunga
2. saham prospektif Rp592-735. BCA.
ARTI & JENIS VARIABEL
Gambar 3. Pengelompokan Jenis Variabel
Tabel 3. Hubungan Data & Variabel
SELAMAT MENJADI
GENERASI YANG
JUJUR & TEKUN
 UJI VALIDITAS & RELIABILITAS
INSTRUMEN (DATA)
A. Uji Validitas (Kesakhihan) Data
Ω Instrumen tersebut dikatakan valid jika
dapat mengukur apa yang seharusnya
diukur atau mengukur apa yang
diinginkan dengan tepat (Supranto,1997).
Ω Pengujian validitas, instrumen diuji
dengan menghitung koefisien korelasi
antara skor item dan skor totalnya dalam
taraf signifikansi 0,05 dengan rumus
Korelasi Product Moment Pearson.
Ω Instrumen bisa dikatakan valid
mempunyai nilai r hitung > r tabel dengan
tingkat signifikansi korelasi di bawah α =
0,05 (Santoso 2004) dengan rumus:
 Langkah Analisis Uji Validitas
Dengan SPSS Yaitu:
1. Masukan data ke Worksheet SPSS
dengan perintah File/Open/Data
2. Dari menu utama SPSS pilih menu
Analyze, kemudian pilih submenu
Corrolate lalu pilih Bivariate
3. Tampak dilayar tampilan Windows
Bivariate Correlation
4. Isikan data ke Kotak Variabel Yaitu
Variabel Konstruk dan Skor Total
5. Pilih Correlation Coefficients Pearson
6. Pilih Oke
7. Tampilkan Output SPSS
B. Uji Reliabilitas Data
¥ Uji reliabilitas untuk mengetahui apakah alat
pengumpul data menunjukkan tingkat
ketepatan, keakuratan, kestabilan, atau
kosistensi alat dalam mengungkap gejala
tertentu pada waktu yang berbeda.
¥ Instrumen dikatakan reliabel jika dapat
digunakan untuk mengukur variabel
berulangkali yang menghasilkan data yang
sama atau hanya sedikit bervariasi
¥ Uji reliabilitas untuk menguji konsistensi
instrumen menggunakan koefisien Alpha
Cronbach dan memiliki tingkat kehandalan
yang dapat diterima (reliabel), Nilai
koefesien reliabilitas yang terukur ≥ 0,6
(Uma Sekaran, 2000), dengan rumus :
 Langkah-2 Uji Reliabilitas dengan SPSS
1. Masukan data ke Worksheet SPSS dengan
perintah File/Open/Data
2. Dari menu utama SPSS pilih menu Analyze,
kemudian pilih submenu Scale lalu pilih Reliability
Analysis
3. Tampak dilayar tampilan Windows Reliability
Analysis
4. Isikan data kotak indicator variabel kedalam
kotak Items dan pilih Model Alpha
5. Pilih tombol Statistics sehingga tampak dilayar
windows Reliability analysis statistics
6. Pilih bagian descriptive for, pilih item, scala, scala
if item deleted dan inter-item Corelation
7. Pilih continue dan oke
8. Output SPSS
 Langkah-Langkah Analisis Uji Validitas
Dengan Sofware SPSS Yaitu:
1. Masukan data ke Worksheet SPSS dengan perintah
File/Open/Data lalu input data pada Worksheet
Data View kemudian pemberian simbol/label
variabel pada Worksheet Variable View.
2. Dari menu utama SPSS pilih menu Analyze,
kemudian pilih submenu Corrolate lalu pilih
Bivariate
3. Tampak dilayar tampilan Windows Bivariate
Correlation
4. Isikan data ke Kotak Variabel Yaitu Variabel
Konstruk dan Skor Total
5. Pilih Correlation Coefficients Pearson
6. Pilih Oke
7. Tampilkan Output SPSS
B. Uji Reliabilitas Data
Uji reliabilitas untuk mengetahui apakah
alat pengumpul data menunjukkan tingkat
ketepatan, keakuratan, kestabilan, atau
kosistensi alat dalam mengungkap gejala
tertentu pada waktu yang berbeda.
Instrumen dikatakan reliabel jika dapat
digunakan untuk mengukur variabel
berulangkali yang menghasilkan data yang
sama atau hanya sedikit bervariasi
Uji reliabilitas untuk menguji konsistensi
instrumen menggunakan koefisien Alpha
Cronbach dan memiliki tingkat kehandalan
yang dapat diterima (reliabel), Nilai
koefesien reliabilitas yang terukur ≥ 0,6
(Uma Sekaran, 2000), dengan rumus :
Jawab:
1. Uji Validitas Dengan Sofware SPSS
 7. Tampil Output SPSS Uji Reliability

Dari output uji reliabilitas menunjukkan nilai koefisien alpha (α)

dari seluruh item instrumen ≥ 0,60 berarti semua item data
(instrumen) dapat dipercaya keandalannya. Dapat disimpulkan
bahwa seluruh butir (item) yang digunakan adalah reliabel oleh
karena itu, kusioner yang digunakan dapat dikatakan layak
sebagai instrumen untuk melakukan pengukuran.
2. Uji Relibilitas Dengan Sofware SPSS
8. Tampil Output Hasil Uji Reliability

Dari output uji reliabilitas menunjukkan nilai

koefisien alpha (α) dari seluruh item instrumen ≥
0,60 berarti semua item data (instrumen) dapat
dipercaya keandalannya. Dapat disimpulkan bahwa
seluruh butir (item) yang digunakan adalah reliabel
oleh karena itu, kusioner yang digunakan dapat
dikatakan layak sebagai instrumen untuk melakukan
pengukuran.
 COST, PROFIT AND VOLUME ANALYSIS
(BREAK-EVEN ANALYSIS)
A. Pengertian
Analisis volume kegiatan, biaya, dan laba (analisis
break even) merupakan peralatan yang berguna untuk
menjelaskan hubungan antara biaya, penghasilan/laba
dan volume penjualan/produksi, sehingga banyak
digunakan dalam penganalisaan masalah-masalah
ekonomi manajerial.
Tujuan cost, profit and volume analysis adalah
untuk menentukan suatu titik, dalam unit atau ripiah
yang menunjukan biaya sama dengan pendapatan
(laba).
Manfaatnya untuk menetukan berapa jumlah produk
(dalam rupiah atau unit keluaran yang harus dihasilkan
agar perusahaan minimal tidak menderita rugi.
 Output Hasil Uji Validitas

Dari output uji validitas instrumen (data) menunjukkan bahwa

keseluruhan item adalah valid karena memiliki koefisien korelasi (r) ≥
0,30 atau dan nilai signifikan dari seluruh instrumen berada di bawah
α = 0,05. Sehingga seluruh item-item dalam instrumen penelitian ini
dapat dipergunakan dalam analisis selanjutnya.
 Tampil Output Hasil Uji Reliability

Dari output uji reliabilitas menunjukkan nilai koefisien alpha (α) dari
seluruh item instrumen ≥ 0,60 berarti semua item data (instrumen)
dapat dipercaya keandalannya. Dapat disimpulkan bahwa seluruh
butir (item) yang digunakan adalah reliabel oleh karena itu, kusioner
yang digunakan dapat dikatakan layak sebagai instrumen untuk
melakukan pengukuran.
 COST, PROFIT AND VOLUME ANALYSIS
(BREAK-EVEN ANALYSIS)
A. Pengertian
Analisis volume kegiatan, biaya, dan laba (analisis
break even) merupakan peralatan yang berguna untuk
menjelaskan hubungan antara biaya, penghasilan/laba
dan volume penjualan/produksi, sehingga banyak
digunakan dalam penganalisaan masalah-masalah
ekonomi manajerial.
Tujuan cost, profit and volume analysis adalah
untuk menentukan suatu titik, dalam unit atau ripiah
yang menunjukan biaya sama dengan pendapatan
(laba).
Manfaatnya untuk menetukan berapa jumlah produk
(dalam rupiah atau unit keluaran yang harus dihasilkan
agar perusahaan minimal tidak menderita rugi.
 Cost, Profit and Volume Analysis (Analisis Break Even)
mencakup konsep yang berkaitan dengan :
Š Analisis marjin laba yang mencakup sejumlah teknik analisis
untuk menentukan dan mengevaluasi pengaruh volume
penjuala, harga penjualan, biaya tetap, dan biaya variabel
terhadap laba. Pada dasarnya konsep tersebut menggunkan
konsep ikhtisar rugi laba marjinlaba, pendapatan/penjualan
dikurangi biaya variabel sama marjin laba, dan marjin laba
dikurangi biaya tetap sama dengan laba.
Š Analisis break even menekankan pada titik impas (biaya tetap
dibagi dengan marjin laba sama dengan volume penjualan titik
impas) titik dimana laba sama dengan nol karena pendapatan
sama dengan totla biaya.
Š Hasil analisis break even digambarkan dalam bentuk grafik
untuk menunjukkan hubungan timbal balik antara pendapatan
(penjualan), biaya tetap dan biaya variabel dalam batasan
volume kegiatan yang relevan.
Š Analisis break even menggunakan konsep yang sama dengan
analisis laba kotor tetapi analisis ini memekankan pada tingkat
output atau kegiatan produksi dimana pendapatan/penjualan
sama dengan total biaya artinya tidak ada laba atau rugi.
B. Ansumsi Dasar penggunaan cost, profit and volume analysis
1) Konsep variabilitas biaya adalah sahih, oleh karena itu biaya
dapat diklasifikasikan dan diukur secara realistis sebagai
biaya tetap dan biaya variabel. Jadi tidak ada biaya yang
disebut semi fixed dan semi variabel.
2) Terdapat suatu batasan-batasan kesahihan yang relevan
(misalnya kegiatan) untuk menggunakan hasil dari analisis.
3) Harga jual tidak mengalami perubahan dengan terjadinya
perubahan unit penjualan.
4) Hanya ada satu produk atau dalam hal berbagai produk,
tetapi proporsi atau perbandingan penjualan diantara
berbagai produk tidak mengalami perubahan.
5) Kebijaksanaan dasar yang ditetapkan oleh manajemen
tentang operasi tidak banyak mengalami perubahan dalam
jangka pendek.
6) Tingkat harga umum (misalnya inflasi dan deflasi cukup
stabil dalam jangka pendek.
7) Tingkat penjualan dan produksi selaras, artinya persedian
tetap konstan atau nol.
8) Efisiensi dan produktivitas perorangan tidak banyak
mengalami perubahan dalam jangka pendek.
C. Kegunaan cost, profit and volume analysis

1. Sebagai alat untuk merencanakan laba

2. Sebagai alat pengendalian badget
3. Sebagai penentu harga jual produk
4. Sebagai dasar untuk menentukan break even
dalam rupiah & unit
5. Sebagai dasar rencana pengembangan
kapasitas produksi dan penentuan lokasi
6. Sebagai dasar untuk mengambil keputusan
D. Elemen-Elemen Penentu cost, profit and volume
analysis
 Prosedur Pengolahan Data Dengan Menggunakan
Sofware QM for Windos Sbb:
1. Buka Worksheet exsel QM 2 dengan perintah QM/Breakeven
Analisis lalu pilih Breakeven (cost Vs Revenue)/Open
2. Dari menu utama excel QM 2 pilih menu Breakeven (cost Vs
Revenue) Tampak dilayar tampilan Spreadsheed Intilization

3. Isikan dalam kotak Titel (VC. Anu) pilih Ikon Grafik lalu OK
 KESIMPULAN
1. Biaya tetap, biaya variabel, dan total biaya pada
berbagai volume.
2. Potensi laba dan rugi sebelum dan setelah
dipotong pajak pendapatan, pada berbagai volume
3. Batas keselamatan, artinya hubungan timbal balik
antara penjualan yang ditargetkan dengan
penjualan titik impas
4. Jumlah penjualan break even (sering disebut titik
impas)
5. Deviden yang lebih disukai atau titik bahaya
artinya titik mana deviden tidak mungkin
diperoleh
6. Titik mati, artinya jumlah penjualan pada titik
mana perusahaan hanya memperoleh tingkat laba
yang berlaku atas investasinya.
 PERAMALAN (FORECASTING)
A. Pendahuluan
Š Sering terjadi senjang waktu (time lag) antara
kebutuhan mendatang dengan peristiwa itu
sendiri merupakan alasan utama pentingnya
peramalan & perencanaan.
Š Jangka Waktu Peramalan
Š Pengaruh dari Product Life Cycle
Peramalan merupakan alat bantu dalam membuat
perencanaan yang efektif dan efisien. Mis : Penjadwalan
produksi, masalah transportasi, penanaman modal, dll.
Situasi peramalan sangat ditentukan oleh horizon waktu,
tipe pola data (Constant; Trend; Musiman & Kombinasi)
dan berbagi aspek lainnya.
 What is Forecasting?

Peramalan adalah perhitungan yang obyektif

dengan menggunakan data-data masa lalu untuk
menentukan kondisi dimasa yang akan datang
Proses yang menggambarkan peristiwa/kondisi pada
masa yang akan datang.
Dasar pengambilan keputusan dalam bisnis, meliputi :
Produksi
Persediaan
Keuangan
Pemasaran
SDM
Fasilitas-fasilitas
 Metode-Metode Yang Dikembangkan
Dalam Peramalan :

1. Kualitatif a.Causal
2. Kuantitaif 1. Naïve approach
b.Time 2. Moving averages
3. Exponential smoothing
Series 4. Trend projection

Seven Steps in
Forecasting
1. Tentukan Pemakai/Pengguna
2. Pemilihan Pernyataan
3. Penentuan Jangka Waktu
4. Pemilihan Model
5. Pengumpulan Data
6. Buat Peramalan
7. Validiti & Penerapan Hasil Peramalan
a. Metode Kualitatif adalah metode yang
menganalisis kondisi obyektif dengan apa
adanya. Metode ini meliputi : metode Delphi,
Metode nominal grup, Survey pasar & Analisis
historikal analogy and life cycle
b. Metode Kuantitatif, adalah metode yang dapat
diterapkan apabila :
w Tersedia data & Informasi Masa Lalu
w Data & Informasi tersebut dapat
dikuantitafkan dlm bentuk Numerik
w Diasumsikan beberapa aspek masa lala
akan terus berlanjt dimasa datang.
 Time series/runtun waktu adalah suatu analisis
yang mengambarkan pola perkembangan
produksi/penjualan pada pada runtun waktu yang
telah lewat untuk dapat memperoleh besar
kecilnya tingkat perkembangan penjualan/produksi
tahunan. Metode peramalan ini dapat dilakukan
dengan Cara :

1. Naive Approach
Š Metode peramalan yang mengasumsikan
permintaan antara priode waktu sama.
Mis: Penjualan bulan Mei 48 unit, sama
dengan penjualan bulan Juli 48.
Š Keuntungannya cost effective & efficient

© 1995 Corel Corp

 2. Moving Average Method
F MA is metode rata-rata bergerak sederhana
yang dianggap mampu menghilangkan
pengaruh fluktuatif random dalam peramalan
F Equation :

MA = ∑ Demand inPreviousn Periods

n
Contoh : Jika anda sebagai manajer dalam sebuah perusahaan
diminta oleh pemilik perusahaan untuk meramalkan penjulan
setiap bulan pada tahun 2008 dengan penentuan rata-rata
bergerak 2 bulan. Data Penjualan sebagai berikut:
Bulan Januari Pebruari Maret April Mei
Penjualan (Unit) 100 90 105 95 ?
Moving Average Solution
Moving Average Graph
 Weighted Moving Average Method
(Metode Rata-Rata Tertimbang)
Š WMA is metode perhitungan yang sama rata-rata
bergerak sederhana namun diperlukan adanya
koefisien penimbang dan digunakan apabila
terjadi trend pada pola data masa lalu.
Š Koefisien penimbangnya berdasarkan pada intuisi
dengan besaran : 0 ≤CW≥1
Š Equation :
Σ(Weight for period n) (Demand in period n)
WMA =
ΣWeights
Cth:Berdasarkan data sebelumnya diminta untuk
menghitung WMA dengan angka penimbang bulan
januari 40%, Pebruari 30%, Maret 20% dan April
10%?
Jawab:
(100*0.4) + (90*0.3) + (105*0.2) + (95*0.1)
WMA =
1
= 97,5.
Kelemahan metode WMA tanggapannya tidak dapat dengan
mudah berubah tanpa merubah masing-masing angka
penimbangnya.
Kelemahan-Kelemahan Metode MA & WMA
1. Peningkatan n dalam pembuatan ramalan kurang sesintif
dengan perubahan.
2. Tidak dapat melakukan trend peramalan dengan baik
3. Perlakuan data berdasarkan historis
3. Exponential Smoothing Method
Metode ESM merupakan metode rata-rata bergerak yang
memberikan bobot yang lebih kuat pada data yang lebih
terakhir dari pada yang lebih awal.
Equations :
Contoh :
Berikut ini data PT”XZ” selama 8 Kuartal. Berdasarkan
pengalaman manajer produksi nilai koefisien “pemulus”
ditetapkan(α= 0,1) dan peramalan untuk kuartal pertama
ditetapkan 175 unit.
Kuartal Actual
1 180
2 168 Tentukan Ramalan untuk
3 159 Kuartal ke-9.
4 175
5 190
6 205
7 180
8 182
9 ?
Exponential Smoothing Solution
4. Linear Trend Projection
Y i = a + bX i

Y$i = a + bX i
Y b>0
a

b<0

a
Time, X
 Kausal/ Metode Least Square (Kuadrat Terkecil)
Metode Kausal (Least Square) Adalah metode pendekatan
untuk menentukan atau menghasilkan garis lurus yang paling
tepat yang meminimumkan jumlah kuadrat perbedaan vertikal
dari garis pada setiap observasi aktual.
Formulasinya :
Contoh :
Saudara diminta menentukan trend linear untuk data deret waktu dari
tahun 2001-2007 mengenai permintaan Meubel CV. Anu sebagai berikut :
Tabel Deman CV.Anu Tahun 2000-2007

Tahun Demand
2001 74
2002 79
2003 80
2004 90
2005 105
2006 142
2007 122
Tabel Perhitungan :

Tahun Time Power x2 xy

Period Demand
2001 1 74 1 74
2002 2 79 4 158
2003 3 80 9 240
2004 4 90 16 360
2005 5 105 25 525
2006 6 142 36 852
2007 7 122 49 854
Σx=28 Σy=692 Σx2=140 Σxy=3,063
SELAMAT MENJADI
GENERASI YANG
JUJUR & TEKUN
 ANALISIS KORELASI
A. Pengertian
Š Ingin mengetahui apakah diantara dua variabel
terdapat hubungan, dan jika ada hubungan, bagaimana
arah hubungan dan seberapa besar hubungan
tersebut, salah satu metode analisis kuantitatif yang
dapat digunakan adalah korelasi.
Š Analisis korelasi adalah teknik kuantitatif yang
digunakan untuk mengukur keeratan hubungan atau
korelasi antara dua variabel atau lebih.
Š Analisis korelasi bertujuan untuk mengukur kekuatan
asosiasi (hubungan) linear antara dua variabel.
Š Korelasi tidak menunjukan hubungan fungsional atau
dengan kata lain analisis korelasi tidak membedakan
antara variabel dependent dengan variabel
independent.
Dalam analisis korelasi dikenal ada dua jenis hubungan yaitu positif
dan negatif, seperti yang nampak pada gambar berikut:
Gambar 1. Bentuk Hubungan + & - Pada Analisis Korelasi
Rumus Untuk Menentukan
Koefisien Korelasi :
Bentuk Hubungan Kuat Dan Lemahnya Suatu Korelasi
dapat dilihat pada gambar berikut:
Contoh: Analisis korelasi atas permintaan dipengaruhi
harga dan pendapatan dengan data sebagai berikut:

© 1995 Corel Corp

Menggunakan Ms Excel Untuk Mencari Korelasi
 Analisis Korelasi Dengan SPSS Yaitu:
1. Masukan data ke Worksheet SPSS
dengan perintah File/Open/Data
2. Dari menu utama SPSS pilih menu
Analyze, kemudian pilih submenu
Corrolate lalu pilih Bivariate
3. Tampak dilayar tampilan Windows
Bivariate Correlation
4. Isikan data ke Kotak Variabel Yaitu
Variabel Konstruk dan Skor Total
5. Pilih Correlation Coefficients Pearson
6. Pilih Oke
7. Tampilkan Output SPSS
 Output Hasil Uji Korelasi
Correlations

Penjualan Keuntungan
Penjualan Pearson Correlation 1 .663*
Sig. (2-tailed) .026
N 11 11
Keuntungan Pearson Correlation .663* 1
Sig. (2-tailed) .026
N 11 11
*. Correlation is significant at the 0.05 level (2-tailed).

Dari output uji korelasi menunjukkan bahwa penjualan dan

keuntungan pedagang buah di Kota Kendari berkorelasi
karena memiliki koefisien korelasi (r)= 0,663 ≥ 0,30 atau dan
nilai signifikan = 0,026 berada di bawah α = 0,05. Sehingga
dapat disimpulkan bahwa besarnya volume penjualan
memiliki hubungan erat dengan tingkat perolehan laba para
pedagang buah di Kota Kendari pada tahun 2007.
 Korelasi Parsial
Corealsi parsial merupakan korealasi dengan memasukan suatu variabel
tambahan yang berfungsi sebagai pengontrol dari dua variabel yang
berkorealsi terdahulu.
Analisis Data Korelasi Parsial Dengan SPSS:
1. Masukan data ke Worksheet SPSS dengan perintah
File/Open/Data
2. Dari menu utama SPSS pilih menu Analyze, kemudian pilih
submenu Corrolate lalu pilih Partial
3. Tampak dilayar tampilan Windows Partial Correlation sbb:

4. Isikan data ke Kotak Variabel Yaitu penjualan dan

keuntungan serta controlling for yaitu biaya operasional
5. Pilih Two-tailed
6. Pilih Oke
7. Tampilkan Output SPSS
 Output Hasil Uji Korelasi Partial
Correlations

Control Variables Penjualan Keuntungan

Biaya Operasional Penjualan Correlation 1.000 .548
Significance (2-tailed) . .101
df 0 8
Keuntungan Correlation .548 1.000
Significance (2-tailed) .101 .
df 8 0
output uji korelasi parsial menunjukkan bahwa penjualan dan
keuntungan pedagang buah di Kota Kendari tanpa variabel
pengontrol yaitu biaya operasional memiliki koefisien korelasi
(r)= 0,663 dengan adanya variabel pengontrol turun menjadi
0,548 sedangkan tanda korelasi masih positif.
Hasil Pengujian dapat diartikan besarnya biaya operasional yang
dikeluarkan oleh pedagang buah masih ada korelasi yang positif
antara volume penjualan dan keuntungan. Sehingga dapat
disimpulkan semakin tinggi biaya operasional, jika volume
penjualan bertambah, ada kecenderungan keuntungan yang
diperoleh pedagang buah di Kendari meningkat.
SELAMAT MENJADI
GENERASI YANG
JUJUR & TEKUN
 ANALISIS REGRESI
Pendahuluan
Š Istilah ”Regresi” pertama kali diperkenalkan oleh Sir Francis Galton
pada tahun 1886. Galton menemukan adanya tendesi bahwa orang tua
yang memiliki tubuh tinggi, memiliki anak-anak yang tinggi pula begitu
pula sebaliknya.
Š Analisis regresi adalah suatu persamaan matematika yang
mendefinisikan hubungan antara dua variabel. Tujuan analisis regresi
yaitu memprediksi besarnya variabel tergantung dengan menggunakan
data variabel bebas yang sudah diketahui besarnya.
Š Analisis regresi bertujuan mengukur kekuatan hubungan antara dua
variabel atau lebih, juga menunjukan arah hubungan antara variabel
dependent dengan variabel independent. Teknik estimasi variabel
dependent yang melandasi analisis regresi yang disebut Ordinary Least
Square (OLS) (pangkat kuadrat terkecil).
Š Metode OLS diperkenalkan pertama kali oleh Carsl Freidrich Gauss,
seorang ahli matematik dari Jerman. Inti metode OLS adalah
mengestimasi suatu garis regresi dengan jalan meminimalkan jumlah
dari kuadrat kesalahan setiap observasi terhadap garis tersebut.
Š Hasil regresi adalah berupa koefisien dari masing-masing variabel independent.
Koefisien ini diperoleh dengan cara memprediksi nilai variabel dependent dengan
suatu persamaan. Secara ringkas analisis regresi mempelajari sejauh mana
variabel respon (Y) bergantung pada variabel predikator (X).
 Kegunaan analisis regresi
adalah:

1. Penjelasan (explanation) terhadap fenomena

yang dipelajari atau permasalahan yang diteliti.
2. prediksi nilai variabel tergantung
berdasarkan nilaia variabel bebas, yang mana
prediksi dengan regresi ini dapat dilakukan
secara kuantitataif
3. Faktor determinan, yaitu penentuan variabel
bebas mana (pada regresi berganda yang
berpengaruh dominan terhadap variabel
tergantung. Hal ini dapat dilakukan bilaman
unit satuan data seluruh variabel sama dan
skala data seluruh seluruh variabel homogen.
Validitas Model dan Prosedur analisis Regresi
Asumsi & Pelanggaran asumsi Pada Regresi Berganda
Y = -168,833 + 15,496 X1 + 0,268 X2
(t= -0,55) (t= 6,865) (t= 1,627)
R Square = 0,930; Dw = 2,151 & rX1X2Y = -0,124

Persamaan Y = -168,833 + 15,496 X1 + 0,268 X2 menyatakan

bahwa apabila aset (X1)meningkat 1 triliun, maka keuntungan (Y)
meningkat 15,496 miliar rupiah, dengan demikian Apabila harga
saham (X2) naik 1 rupiah, maka keuntungan perusahaan
meningkat 0,268 miliar.

Nilai R2= 0,930 ini menunjukkan kemampuan variabel asset dan

harga saham menjelaskan perilaku keuntungan perusahaan
sebesar 93% dan sisanya atau residu sebesar 7% dijelaskan oleh
variabel lain yang tidak dimasukkan dan diteliti dalam persamaan
tersebut. ini menunjukkan spesifikasi yang baik, karena
kemampuan menjelaskannya relatif besar.
Š Linear Prograimming adalah suatu model yang
dapat digunakan untuk memecahkan masalah
pengalokasian sumber daya yang terbatas secara
optimal.
Š Linear Prograimming merupakan metode
matematik dalam mengalokasikan sumber daya
yang langkah untuk mencapai suatu tujuan seperti
maksimum keuntungan dan meminimumkan biaya.
Š Tujuan linear prograimming adalah mencari titik
maksimum atau minimum dari suatu fungsi tujuan
dengan kendala-kendala/keterbatasan yang
dimiliki dan mencari solusi terbaik dari berbagi
masalah-masalah/kendala yang dihadapi.
 Kegunaan Linear Prograimming (LP)
adalah:

1. Melihat pengalokasian sumber daya yang

dimiliki secara optimal (maksimum &
Minimum).
2. Sebagai dasar dalam membuat perncanaan,
penjadwalan, penentuan kapasitas produksi
dan perencanaan kegiatan-kegiatan untuk
mencapai suatu hasil yang optimal serta
pemecahan masalah yang optimal.
3. Sebagai dasar pengambilan keputusan dari
berbagai alternatif penggunaan sumber daya
yang terbatas.
 Tahapan-tahapan Linear
Prograimming (LP)

1) Masalah harus dapat diidentifikasi sebagai

sesuatu yang dapat diselesaiakan dengan
Linear Prograimming
2) Masalah yang tidak terstruktur harus dapat
dirumuskan dalam model matematika,
sehingga menjadi terstruktur
3) Model harus diselesaikan dengan teknik
matematika yang dibuat.
 Ciri-ciri masalah yang dapat diselesaikan
dengan LP dikelompokan atas 2 yaitu:

1. Struktur model
H Fungsi tujuan, hubungan matematika linear yang
menjelaskan tujuan perusahaan dalam terminologi
variabel keputusan
H Variabel keputusan, simbol matematika yang
menggambarkan tingkatan aktivitas perusahaan
H Kendala (Batasan), merupakan hubungan linear
dengan variabel keputusan; batasan menunjukkan
keterbatasan perusahaan karena lingkungan operasi
perusahaan.
H Parameter, nilai kostan yang biasanya merupakan
koefisien dari variabel (simbol) dalam persamaan.
2. Asumsi Model

H Proporsional, setiap variabel keputusan yang

mempunyai pengaruh linear terhadap fungsi
tujuan dan fungsi pembatas yang ada
H Pertambahan (additivity), fungsi tujuan
maupun batasan selalu ditambahkan
H Dapat dibagi (divisibility), memungkinkan
nilai variabel keputusan non integer
H Pasti (Deterministic) yaitu nilai dari semua
model parameter diasumsikan konstan dan
diketahui secara pasti
H Non-Negatif, tidak ada nilai variabel
keputusan bernilai negatif yang ada nilai nol
atau positif.
3. Metode Simplex
Merupakan suatu teknik pemecahan yang umum, pada
metode simplex, model diubah kedalam bentuk suatu
tabel, kemudian dilakukan beberapa langkah
matematika pada tabel tersebut. Langkah-langkah
matematis ini pada dasarnya merupakan replikasi
proses pemindahan dari suatu titik ekstrim ketitik
ekstrim lainnya batas solusi. Metode simpleks bergerak
dari suatu solusi yang lebih baik sampai solusi yang
terbaik di dapat.
Metode simplex merupakan alogaritma untuk
memecahkan masalah umum linear programming.
Metode simpleks adalah suatu prosedur aljabar yang
melalui serangkaian operasi-operasi berulang, dapat
memecahkan suatu masalah yang terdiri dari tiga
variable atau lebih walaupun masalah-masalah
dengan empat variable keputusan atau empat
persamaan batasan, perhitungan sebaiknya
mengunakan komputer.
 Teknik mengoperasikan metode
simplex yaitu :

1.Perumusan masalah
2.Menyusun tabel awal dengan variable-
variabel slack dalam penyesuaian
3.Menentukan varabel yang akan
dimasukan dalam penyesuaian
4.Menentukan vribel yang diganti
5.Menghitung nilai-nilai baru
6.Mengganti baris-baris lainnya
Input Data/model
 Solusi (solve)
1. Iterations
2. Solusi
3. Grafik
SELAMAT MENJADI
GENERASI YANG
JUJUR & TEKUN