PPT Slide 1

Supply Chain Management

DEMAND PLANNING 4

PROGRAM STUDI SI SISTEM INFORMASI FAKULTAS TEKNIK DAN ILMU KOMPUTER

UNIVERSITAS TEKNOKRAT INDONESIA

BANDAR LAMPUNG 2019

Donaya Pasha, S.Kom., M.Kom.

Model Causal

• Digunakan ketika demand berkorelasi dengan faktor yang dapat diukur lainnya.

• Demand (y) adalah suatu fungsi dari sejumlah

variabel (x1, x2, …, xk)

• Y adalah variabel dependent

• X adalah variabel independent

Permintaan diaper terhadap f(kelahiran, pendapatan keluarga)

Kebutuhan part reperasi terhadap f(cuaca/salju)

Persamaan Regressi

y = b

₀

+ b

₁

x

y = 113.92 + 4.14x

Regressi Menggunakan LINEST

Ketikan rumus pada E2 dan Enter,

Kemudian pilih cell E2:F6, tekan F2, dan tekan Ctrl+Shift+Enter

Regressi dengan LINEST

b1 = 4,14 adalah estimate slope

b0 = 113,92 adalah estimate intercept df = 18 adalah degree of freedom (n-k-1)

Dimana n adalah jumlah observasi (20), k adalah jumlah dari explanatory variabel (1)

R² = 0,92 adalah coefficient of determintation Dimana 0 ≤ R² ≤ 1

SSR = 11399 adalah Sum Square of Regression SSE = 866 adalah Sum Square of Error

s_e = 6.94 adalah standard error of estimate s_b1 = 0,27 adalah standard error of slope s_b0 = 3.22 adalah standard error of intercept

Uji signifikan variabel explanatory

Seberapa significant dari variabel explanatory?

- Uji hipotesa null H0: b1 =0 (tidak ada trend) dengan hipotesa alternatif HA: b1≠ 0 (ada trend)

- Gunakan two-tailed t-test = TDIST(t_statistic, df, number tails) – selalu gunakan 2 tail test.

- Terima thresholds untuk p-value ≤ 0.01, 0.05, atau 0.10

(dalam arti kita dapat menolak H0 dengan probalilitas 99%, 95%, dan 90% secara berurut-urut)

TDIST(tb1, df,2)

Validasi model

• Bagaimana secara kesesuaian model secara keseluruhan

– Perhatikan R

²

(Coefficient of Determintation)

– Tidak aturan yang baku, tetapi lebih baik jika R

²

 0.70

• Apakah masing-masing variabel (b1, b2, dst) secara individu signifikan secara statistik?

– Gunakan t-test untuk masing-masing variabel explanatory.

– p-value yang semakin kecil adalah semakin baik.

– Secara umum gunakan nilai threshold 0.10, 0.05, dan 0.01

Multilinear Regression

Lebih dari satu faktor (dependent variable)

Validasi model

Model LINEST (faktor period) Overall fit of model R2=0.7758

Uji signifikan dari masing-masing variabel tb0= b0/sb0 = 3239.891/86.04691 = 37.65261

p-value=TDIST(37.65261, 22, 2) =1.79661E-21 < 0.01 (H0 diterima)

tb1= b1/sb1 = 52.5487/6.0229 =8.74281

p-value=TDIST(8.74281, 22, 2) =1.35842E-08 < 0.01 (H0 diterima)

Model LINEST(faktor period & temperature) Overall fit of model R²=0.7759

Uji signifikan dari masing-masing variabel tb0= b0/sb0 = 3254.81/174.853 = 18.61455

p-value=TDIST(18.61455, 21, 2) =1.56814E-14 < 0.01 (H0 diterima)

t_b1= b1/s_b1 = 52.64624/6.240965 =8.435593

p-value=TDIST(8.435593, 21, 2) =3.48371E-08 < 0.01 (H0 diterima)

t_b2=b2/s_b2 = -0.27416/2.750253 =-0.09969

p-value = TDIST(0.09969, 21, 2) = 0.921535996 > 0.01 (H0 ditolak), temperature tidak memiliki efek

Temperature tidak memiliki efek, tetapi mengapa R2 model LINEST(period & temperature) lebih baik dari pada LINEST(period)?

R2 tidak pernah menjadi lebih buruk ketika suatu

variabel ditambahkan – walaupun variabel yang buruk, untuk membandingkan R2 dua model yang memiliki jumlah variabel yang berbeda perlu dilakukan adjusted terhadap R2.

Model1 = Adjusted R2 = 1-(1-0.7758 x (23/22))=0.7656 Model2 = Adjusted R2 = 1-(1-0.7759 x (23/21))=0.7546

Sekian & Terima Kasih