Analisis Peramalan Penjualan Menggunakan Metode Kointegrasi Pada Produk Safe 1 dan Cypergard (500 ml dan 100 ml) di PT Chemigard

I. PENDAHULUAN

1.1. Latar Belakang

Pertumbuhan ekonomi di Indonesia terus mengalami peningkatan setelah krisis moneter. Menurut data yang dikeluarkan Badan Pusat Statistik pertumbuhan ekonomi Indonesia pada tahun 2010 meningkat sebesar 5,9 persen terhadap tahun 2009 terjadi di semua sektor ekonomi yaitu 4.727,6 triliun rupiah. Pertumbuhan ekonomi yang positif di Indonesia juga diimbangi dengan peningkatan pembangunan infrastruktur seperti bangunan sekolah, bangunan rumah sakit dan puskesmas, serta bangunan perumahan. Menurut Badan Pusat Statistik (BPS) (2010), pembangunan maupun perbaikan infrastruktur di tiga kota besar di Indonesia yaitu Jakarta, Medan, dan Surabaya pada tahun 2008 antara lain untuk daerah Jakarta bangunan sekolah mencapai 89 persen, rumah sakit 1,72 persen, puskesmas 4,5 persen, dan perumahan mencapai 4,7 persen. Di daerah Surabaya pembangunan sekolah mencapai 71 persen, rumah sakit 1,6 persen, puskesmas 22,5 persen, dan perumahan 3,9 persen. Daerah Medan pembangunan sekolah mencapai 66,2 persen, rumah sakit 5,9 persen, puskesmas 16,9 persen, dan perumahan mencapai 10,8 persen. Pembangunan infrastruktur saat ini dikonsentrasikan di tiga daerah tersebut tersebut sehingga menjadi tiga kota besar yang menempati urutan pembangunan tertinggi.

Pembangunan gedung-gedung perkantoran, sekolah, dan perumahan yang terus meningkat dilakukan untuk memenuhi kebutuhan akan suatu tempat untuk beraktivitas yang juga mampu memberikan kenyamanan dan ketentraman. Salah satu persyaratan bangunan yang mampu memberikan kenyaman dan ketentraman, yaitu terhindar dari berbagai bentuk ancaman yang menyebabkan kerugian secara ekonomis (Waryono, 2004). Terhindarnya berbagai bentuk ancaman, meliputi banjir, longsor, tanah yang amblas dan kegaduhan. Walaupun persyaratan kenyamanan bangunan sudah terpenuhi, tampaknya belum merupakan jaminan teguhnya suatu bangunan dari kerusakan yang disebabkan oleh serangan rayap. Keberadaan rayap menjadi salah satu permasalahan yang harus diwaspadai dalam menjaga kualitas suatu bangunan. Rayap merupakan serangga sosial yang dikenal luas sebagai hama penting di kehidupan manusia. Rayap bersarang dan memakan

kayu perabotan dan fondasi bangunan sehingga menimbulkan banyak kerugian secara ekonomi.

Tidak tanggung-tanggung menurut data kerugian ekonomis yang dialami Indonesia sampai pada tahun 2000 akibat rayap mencapai angka 2,67 triliun rupiah, serta rata-rata persentase serangan rayap pada bangunan perumahan di kota-kota besar seperti Jakarta, Surabaya, bandung dan Batam mencapai angka lebih dari 70 persen, angka tersebut akan terus bertambah melihat kecendrungan terakhir ini, bahwa nilai kerugian akibat rayap setiap tahunnya meningkat sekitar lima persen seiring dengan meningkatnya pembangunan gedung, terutama gedung bertingkat yang ada di Jakarta.

Menurut Waryono (2004), ancaman bahaya rayap terhadap bangunan sekolah di berbagai daerah telah dilaporkan, bahkan telah banyak bangunan yang roboh dan rata dengan tanah. Bangunan-bangunan SD Inpres di Jawa Barat dari sejumlah 112.826 ruangan, tercatat kurang dari 30 persen yang dinilai dalam kondisi baik, sedangkan kondisi bangunan yang rusak berat tercatat sebesar 33,87 persen, sementara bangunan yang memiliki kriteria sedang sebesar 38,27 persen. Di Kota Bandung tercatat 169 sekolah dalam kondisi yang memprihatinkan, demikian halnya di Kota Sumedang, Garut, dan Bekasi indikasi kerusakan bangunan akibat rayap rata-rata menyebabkan lebih dari 42 persen kondisi bangunan sekolah memiliki kriteria rusak berat.

Tingginya kerusakan bangunan yang disebabkan oleh rayap menjadikan peluang pasar yang bagus untuk industri pestisida pembasmi hama rayap. Penggunaan pestisida untuk membasmi hama rayap adalah salah satu solusi agar bangunan yang di bangun terhindar dari serangan rayap dan umur bangunan pun dapat bertahan dalam jangka waktu yang lama. Semakin meningkat pembangunan gedung dan pemukiman maka semakin meningkat pula penjualan pestisida hama rayap. Salah satu industri pestisida pembasmi rayap yang ada di Indonesia adalah PT Chemigard.

PT Chemigard merupakan industri pestisida pembasmi rayap yang berlokasi di daerah Ciputat Tangerang - Banten. Produk pembasmi rayap yang diproduksi oleh PT Chemigard adalah Cypergard dan Safe 1. Produk Cypergard terdiri dari dua ukuran kemasan yang berbeda yaitu Cypergard 100 ml dan Cypergard 500

ml. Ketiga produk pembasmi rayap ini memiliki tingkat penjualan yang cukup baik setiap tahunnya seperti yang terlihat pada Gambar 1. PT Chemigard telah memasarkan produk pembasmi rayapnya ke kota-kota besar seperti Jakarta, Surabaya, dan Medan. Peningkatan pembangunan di kota-kota tersebut mendorong penjualan yang juga terus mengalami kenaikan setiap tahunnya.

Gambar 1. Grafik Penjualan Cypergard 500 ml, Cypergard 100 ml Periode Tahun 2006 sampai Tahun 2010 dan Safe 1 Periode 2007 sampai Tahun 2010 (PT Chemigard, 2010)

Penjualan produk Safe 1 dan Cypergard (100 ml dan 500 ml) berfluktuatif menyebabkan PT Chemigard memerlukan suatu instrumen untuk melihat hubungan dan pengaruh penjualan suatu produk dengan produk lainnya. Hal ini diperlukan untuk membantu PT Chemigard dalam mengontrol penjualan dari ketiga produk dalam beberapa periode ke depan. Pengaruh dan hubungan setiap produk dalam suatu perusahaan terkadang menyebabkan penurunan dan peningkatan penjualan terhadap produk lainnya.

1.2. Perumusan Masalah

PT Chemigard memiliki dua produk pembasmi rayap yaitu Safe 1 dan Cypergard. Cypergard dibagi lagi ke dalam 2 macam kemasan 500 ml dan 100 ml sedangkan Safe 1 hanya di buat dalam satu kemasan 100 ml. Produk Cypergard dan Safe 1 memiliki perbedaan dalam proses pengendalian rayap. Produk Safe 1 lebih ramah lingkungan dibandingkan produk Cypergard. Produk Cypergard merupakan racun yang bersifat repelen atau knock down yaitu racun yang mampu

0 500 1000 1500 2000 2500 3000 3500

1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46

Cypergard 500 ml Cypergard 100 ml safe 1

mematikan rayap dengan cepat tetapi hanya di suatu area tertentu. Sedangkan, Safe 1 merupakan jenis racun non-repelen yaitu jenis racun yang mematikan rayap secara perlahan melalui trofalaksis atau disebut juga racun kontak. Racun jenis ini mampu membasmi rayap hingga ke tingkat ratu dan koloninya.

Proses pengendalian rayap yang berbeda antara produk Cypergard dan Safe 1 mempengeruhi tingkat penjualan kedua produk. Selain itu, ukuran kemasan yang berbeda juga mempengaruhi tingkat penjualan produk. Berdasarkan Gambar 1, dalam beberapa periode terlihat penjualan Cypergard yang meningkat menyebabkan penurunan penjualan produk Safe 1. Dan peningkatan penjualan Cypergard ukuran 500 ml menyebabkan penurunan penjualan Cypergard 100 ml. Artinya penjualan ketiga produk ini saling mempengaruhi satu sama lainnya. namun, belum diketahui bagaiman pengaruh penjualan produk safe 1 terhadap produk Cypergard atauapun sebaliknya.

PT Chemigard memerlukan suatu instrumen untuk melihat pengaruh dan hubungan antara ketiga produk tersebut, sehingga dengan mengetahui hubungan dan pengaruhnya perusahaan dapat mengontrol penjualan ketiga produk agar penjualan produk Safe 1 tidak menyebabkan kerugian pada penjualan produk Cypergard ataupun sebaliknya. Selain itu, analisis terhadap pengaruh dan hubungan ketiga produk juga akan membantu perusahaan dalam melakukan peramalan penjualan peroduknya. Peramalan penjualan dengan melihat hubungan dan pengaruh antar produk dibutuhkan bagi perusahaan untuk membantu perusahaan sebagai bahan pertimbangan dalam membuat keputusan dan kebijakan perusahaan.

Salah satu instrumen yang dapat digunakan untuk melihat hubungan dan pengaruh hubungan ketiga produk dalam jangka panjang yaitu uji kointegrasi. Esensi dari kointegrasi adalah bahwa series tidak dapat menyebar ke segala arah jauh dari satu sama lain dan menjelaskan bahwa keberadaan hubungan jangka panjang antara series ini dan series yang lain dapat ditulis pada suatu format

Error Correction.

Hubungan jangka panjang ketiga produk tersebut juga akan mempengaruhi peramalan penjualan kedepannya. Analisis yang digunakan untuk menghitung ramalan penjualan pada penelitian ini yaitu analisis dekomposisi varian atau

dikenal dengan Forecasting Error Variance Decomposition (FEVD), yaitu meramalkan penjualan produk dengan memperhatikan besar nya pengaruh produk tertentu terhadap produk lainnya. Hasil ramalan tersebut dapat dijadikan target penjualan perusahaan di masa yang akan datang.

Setelah hasil analisis kointegrasi dan hasil ramalan di dapatkan, perusahaan dapat mengambil kebijakan dalam melaksanakan strategi-strategi yang akan diterapkan di masa yang akan datang, khusus nya strategi pemasaran sehingga dapat memenuhi target penjualan yang telah ditetapkan.

Berdasarkan perumusan masalah, menarik untuk dikaji mengenai:

1. Bagaimana kointegrasi produk Cypergard 500ml, Cypergard 100ml, dan Safe 1

2. Menetapkan ramalan penjualan produk Cypergard 500ml, Cypergard 100ml, dan Safe 1

3. Bagaimana kointegrasi produk dan ramalan penjualan memiliki kontribusi dalam perencanaan strategi yang mungkin diterapkan perusahaan.

1.3. Tujuan Penelitian

Berdasarkan perumusan masalah maka tujuan penelitian yaitu:

1. Menganalisis kointegrasi produk Cypergard 500ml, Cypergard 100ml, dan Safe 1 di PT. Chemigard.

2. Mendapatkan ramalan penjualan produk Cypergard 500ml, Cypergard 100ml, dan Safe 1 untuk 6 bulan kedepan di PT Chemigard.

3. Bagaimana kointegrasi produk dan ramalan penjualan memiliki kontribusi dalam perencanaan strategi yang mungkin diterapkan perusahaan.

1.4. Manfaat Penelitian

Hasil penelitian ini diharapkan mampu memberi manfaat bagi perusahaan sebagai informasi untuk meningkatkan penjualan dan sebagai pertimbangan dalam melakukan perencanaan strategi pemasaran nya sehingga perusahaan dapat mengembangkan usahanya. Penelitian ini berguna bagi penulis untuk melatih menganalisa suatu permasalahan berdasarkan ilmu dan pengetahuan yang telah diperoleh penulis di masa perkuliahan. Penelitian ini juga dapat memberikan

manfaat untuk kepentingan keilmuan dan menjadi sumber informasi bagi pihak-pihak yang membutuhkan.

1.5. Ruang Lingkup Penelitian

Ruang lingkup penelitian ini yaitu analisis kointegrasi penjualan produk Cypergard 500 ml, Cypergard 100 ml, dan Safe 1 periode 2007 sampai 2010 dengan menggunakan alat analisis Vector Error Correction Model (VECM) dan untuk peramalan nya menggunakan Impuls Respons Function (IRF) dan Forecast Error Variance Decomposition. Perusahaan yang diteliti adalah PT Chemigard.

II TINJAUAN PUSTAKA

2.1. Rayap

Menurut Yusuf dan Utomo (2006) rayap merupakan serangga primitif yang sangat dekat kekeluargaannyadengan kecoa. Di alam, rayap sangat berguna mengubah kayumati dan bahan organik lainnya yang mengandung selulosa untuk dijadikan humus. Dari aspek tersebut, rayap merupakan serangga yang sangat bergunan namun apabila manusia mulai membangun gedung dengan komponen kayu sebagai bahan bakunya, maka mulailah rayap merusak bangunan tersebut untuk mencari makannya

Menurut Nandika (2003), rayap merusak bangunan tanpa mempedulikan kepentingan manusia. Rayap mampu merusak bangunan gedung, bahkan juga menyerang dan merusak mebeler di dalam nya. Nandika (2003) mengemukakan sejak tahun 1982, kasus serangan rayap pada bangunan gedung di Indonesia telah mulai banyak dilaporkan. Pada saat ini perhatian terhadap ancaman rayap pada bangunan gedung di Indonesia terasa meningkat dengan sangat mengesankan. Hal ini dapat dimengerti mengingat beberapa jenis rayap telah seringkali menunjukan daya serang yang luar biasa terhadap perumahan, kantor dan bangunan gedung lain sehingga mengakibatkan kerugian ekonomis yang cukup besar.

2.2. Pestisida Hama Rayap

Pestisida untuk mengendalikan rayap disebut termitisida. Termitisida dibagi kedalam dua jenis yaitu termitisida nonrepelen dan termitisida repelen. Termitisida nonrepelen adalah racun yang menyebabkan kematian pelan-pelan bagi rayap yang melewati daerah tanah yang sudah diberi perlakuan dan rayap tersebut tidak bisa menghindarinya. Rayap masuk kedaerah perlakuan, kemudian mereka terkontaminasi oleh bahan aktif yang digunakan yang menyebabkan kematian perlahan-lahan dimungkinkan yang disebabkan oleh kematian mikroba. Untuk selanjutnya, racun tersebut dibawa kedalam sarangnya dengan adanya proses pergantian kulit dan trofalaksis. Termitisida jenis repelen adalah termitisida yang bersifat racun syaraf yang mematikan dengan cepat, mempunyai bau yang keras sehingga rayap enggan memasuki daerah tersebut (Yusuf dan Utomo, 2006).

2.3. Kointegrasi

Regresi dari dua variabel yang non-stasioner akan menyebabkan terjadinya

spurios regression sehingga proses diferensiasi harus terlebih dahulu dilakukan (Engle dan Granger, 1987). Tetapi, proses ini justru akan menghilangkan hubungan jangka panjang yang mungkin terdapat dalam variabel-variabel time series yang diteliti dan hanya memberikan hubungan jangka pendek time series.

Disinilah penting nya proses kointegrasi dimana konsep ini membantu memberikan informasi mengenai hubungan jangka panjang yang ada dengan menggunakan time series non-stasioner.

Dengan kata lain konsep ini mengatakan bahwa apabila terdapat dua atau lebih time series yang tidak stasioner (mempunyai unit roots) dan terintegrasi pada orde yang sama serta residunya bersifat stasioner sehingga tidak ada korelasi seri di dalamnya (white nose), maka time series tersebut dinamakan terkointegrasi. Didalam konsep kointegrsi ini terdapat beberapa hal penting yang perlu diperhatikan, yaitu: (Enders, 2004)

1. Kointegrasi merupakan kombinasi linear dari dua atau lebih dari time series

yang tidak stasioner. Vektor kointegrasi dari kombinasi linear tersebut tidak

unik karena dengan suatu konstanta yang tidak nol (λ), maka λβ juga benar

sebagai vektor kointegrasi. Oleh karena itu, biasanya salah satu besaran digunakan untuk normalisasi vektor kointegrasi dengan menetapkan koefisiennya menjadi satu.

2. Semua variabel harus terintegrasi pada orde yang sama. Tetapi tidak semua variabel yang terintegrasi pada orde yang sama terkointegrasi.

3. Bila vektor _� mempunyai n komponen, maka akan ada n-1 vektor kointegrasi linear yang tidak tergantung satu dengan yang lainnya. Jumlah vektor kointegrasi ini dinamakan peringkat kointegrasi (cointegration rank), biasanya dilambagkan dengan r.

Sifat penting yang terdapat dalam variabel-variabel yang terkointegrasi adalah perjalanan waktu variabel-variabel tersebut dipengaruhi oleh perubahan atas hubungan keseimbangan jangka panjangnya. Dengan kata lain, variabel-variabel non-stasioner yang terintegrasi pada orde yang sama dan terkointegrasi akan menjadi stasioner dalam jangka panjang (Enders, 2004).

2.4. Vector Autoregression (VAR) Model

Vector Autoregression (VAR) merupakan alat analisis atau metode statistik yang bisa digunakan baik untuk memproyeksikan sistem variabel-variabel runtut waktu (Time series) maupun untuk menganalisis dampak dinamis dari faktor gangguan yang terdapat dalam sistem variabel tersebut. Keunggulan dari analisis VAR antara lain : (Khaerunnisa, 2009)

1. Model ini sederhana, tidak perlu khawatir membedakan mana variabel endogen dan variabel eksogen.

2. Estimasinya sederhana, dimana metode Ordinary Least Square (OLS) bisa dapat diaplikasikan pada tiap-tiap persamaan secara terpisah.

3. Hasil Ramalan (Forecast) yang diperoleh dengan VAR dalam banyak kasus lebih bagus dibandingkan hasil yang didapat dengan menggunakan model persamaan simultan yang kompleks sekalipun.

Namun demikian, model VAR juga mempunyai kekurangan, diantaranya adalah sebagai berikut :

1. Model VAR lebih bersifat a-theory karena tidak dapat memanfaatkan informasi atau teori terdahulu.

2. Mengingat tujuan utama VAR adalah untuk peramalan maka model VAR kurang cocok untuk analisis kebijakan.

3. Pemilihan banyaknya lag yang digunakan dalam persamaan juga dapat menimbulkan persamalahan.

4. Semua variabel VAR harus stasioner.

5. Interpretasi koefisien yang didapat berdasarkan model VAR tidak mudah.

Vector Autoregression (VAR) adalah sistem persamaan yang menunjukkan setiap peubah dalam persamaan merupakan fungsi linier dari konstanta nilai lag dari peubah itu sendiri serta nilai lag dari peubah lain yang ada di dalam sistem (Agung, 2009). Jadi, peubah penjelas dalam VAR meliputi nilai lag seluruh peubah tak bebas dalam sistem.

Model VAR dikembangkan oleh Christoper Sims pada tahun 1980. Model ini pada dasarnya hampir sama dengan model untuk menguji Granger’s

suatu variabel ekonomi dalam sebuah sistem ekonomi dimana terjadi saling ketergantungan antar variabel dalam ekonomi.

2.5. Vector Error Correction Model (VECM)

Vector Error Correction Model (VECM) adalah suatu analisis untuk melakukan rekonsiliasi perilaku peubah ekonomi jangka panjang dan peubah ekonomi jangka pendek (Gujarati, 1995). Untuk itu peubah-peubah dalam di dalam VECM memiliki hubungan jangka panjang atau kointegrasi. Hubungan dinamis jangka pendek antar peubah dalam sistem dipengaruhi oleh deviasi atau penyimpangan dari keseimbangan jangka panjang. Model VECM berguna untuk mengukur kecepatan deviasi kembali ke keseimbangan.

Vector Error Correction Model (VECM) adalah restricted Vector Autoregression (VAR) yang berkointegrasi. VECM di design untuk data time series non stationer yang berkointegrasi. Faktor kointegrasi dikenal sebagai error correction term, mengingat bahwa deviasi keseimbangan jangka panjang diperbaiki secara perlahan-lahan melalui beberapa tahap jangka pendek.

VECM mempunyai hubungan kointegrasi yang dibangun melalui spesifikasi perilaku jangka panjang dari variabel-variabel endogen untuk menuju (converge) ke hubungan jangka panjangnya, serta memungkinkan dilakukan penyesuaian jangka pendek secara dinamik. Sebagai contoh, digunakan sistem dua variabel yang memiliki suatu persamaan kointegrasi tanpa turunan dalam bentuk lag

(Subagjo, 2005).

Variabel sisi sebelah kanan dalam model ini merupakan error correctionmodel term. Dalam ekuilibrium jangka panjang, residual (term) ini adalah nol. Namun demikian, apabila ada deviasi dengan ekuilibrium jangka panjang error correction term tidak sama dengan nol dan masing-masing variabel secara parsial menyesuaikan pada hubungan ekuilibrium.

2.6. Impuls Response Function (IRF)

Impuls resonponse function merupakan suatu cara pengujian struktur dinamis dari ssitem variabel dalam model yang diamati dan dicerminkan oleh cariabel inovasi (innovation variable). IRF menunjukkan respon dari setiap variabel endogen sepanjang waktu terhadap kejutan (shock) dari variabel itu

sendiri dan variabel endogen lainnya. IRF juga mengidentifikasikan suatu kejutan pada suatu vaariabel endogen sehingga dapat menetukan bagaimana suatu perubahan yang tidak diharapkan dalam variabel mempengaruhi variabel lainnya sepanjang waktu. Dengan demikian, IRF digunakan untuk melihat pengaruh kontemporer dari sebah variabel dpenden jika mendapatkan guncangan atau inovasi dari variabel independen sebesar satu standar deviasi.

Hasil IRF sangat sensitif terhadap pengurutan (ordering) variabel yang digunakan dalam perhitungan.pengurutan variabel yang didasarkan pada faktorisassi chelosky dilakukan dengan catatan variabel yang memiliki nilai prediksi terhadap variabel lain yang diletakkan di depan berdampingan satu sama lainnya. Sedangkan, variabel yang tidak memiliki nilai prediksi terhadap variabel lain diletakkan paling belakang, kemudian variabel lainnya diletakkan di antara kedua variabel tersebut berdasrkan nilai matriks korelasi yangmenyatakan tingkat korelasi paling besar. Selain itu, IRF juga digunakan untuk mengetahui berapa lama pengaruh shock dari satu variabel terhadap variabel lain tersebut tejadi. IRF juga bertujuan untuk mengisolasi suatu shock agar lebih spesifik artinya variabel ekonomi hanya dipengaruhi oleh shock tertentu saja. Apabila hal tersebut tidak dilakukan maka shock spesifik tersebut tidak dapat diketahui dan yang dapat diketahui adalah shock secara umum.

2.7. Forecast Error VarianceDecomposition (FEVD)

Forecast Error Decomposition of variance (FEVD) dapat memberikan informasi mengenai variabel inovasi yang relatif lebih penting dalam VAR. Metode ini digunakan untuk melihat bagaimana perubahan dalam suatu variabel makro, yang digunakan untuk melihat bagaimana perubahan dalam suatu variabel makro, yang ditujukan oleh perubahan variance error yang dipengaruhi oleh variabel-variabel lainnya. Metode ini juga dapat mencirikan struktur dinamis dalam model VAR. Dengan metode ini, dapat dilihat juga kekuatan dan kelemahan dari mmasing-masing variabel dalam mempengaruhi variabel lainnya pada kurun waktu yang panjang (how long/ how persistent).

Dekomposisi varians merinci varian dari error peramalan (forecast) menjadi komponen-komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model. Dengan menghitung persentase squared prediction error k-tahap ke

depan dari sebuah variabel akibat inovasi dalam variabel-variabel lain, dapat dilihat seberapa besar error peramalan variabel tersebut disebabkan oleh variabel itu sendiri dan variabel-variabel lainnya.

FEVD dilakukuan untuk memberikan informasi mengenai bagaiman hubungan dinamis antara variabel yang dianalisis. Selain itu, FEVD dilakukan untuk melihat seberapa besar pengaruh acak guncangan (random shock) dari variabel tertentu terhadap variabel endogen. FEVD menghasilkan informasi mengenai relatif pentingnya masing-masing inovasi acak (random innovation structural disturbance) atau seberapa kuat peranan variabel tertentu terhadap lainnya.

2.8. Peramalan (forecasting)

Menurut Hanke (2003) Peramalan merupakan suatu upaya untk memprediksi ketidakpastian masa depan. Dengan maksud membantu para pengambil keputusan untuk memutuskan suatu kebijakan secara lebih baik. Peramalan melibatkan sejumlah studi mengenai data historis dan manipulasi data tersebut untuk mencari pola data sehingga dapat digunakan untuk memperkirakan pola data di masa depan

Tebakan ilmiah mengenai masa depan lebih bernilai bagi perusahaan dibandingkan dengan tebakan non-ilmiah. Tebakan ilmiah yaitu peramalan yang berdasarkan metode-metode manipulasi data secara logis yang dihasilkan dari kejadian-kejadian masa lalu (Hanke, 2003). Penggunaan teknik peramalan diawali dengan pengeksplorasian pola data pada masa lalu guna mengembangkan model yang sesuai dengan pola data itu dengan menggunakan asumsi bahwa pola data pada masa lalu itu akan berulang lagi pada waktu yang akan datang. Hasil pengolahan data masa lalu akan menjadi tolak ukur perusahaan untuk membuat perencanaan langkah langkah yang akan diambil oleh perusahaan.

2.9. Metode Peramalan Kualitatif

Peramalan ini didasarkan pada individu-individu penilaian orang yang melakukan peramalan dan tidak tergantung pada data-data yang akurat (pengolahan dan analisis data historis yang tersedia), metode ini digunakan untuk peramalan produk baru dimana tidak ada data historis. Teknik pada metode ini

yang digunakan adalah Teknik Delphi, Kurva pertumbuhan, Marketing Research, dll (Hanke, 2003).

2.10. Metode Peramalan Kuantitatif

Metode peramalan kuantitatif memiliki sifat yang objektif karena didasarkan pada keadaan aktual (data) yang diolah dengan menggunakan metode-metode tertentu. Menurut Makridakis dalam Wisastri (2006), peramalan kuantitatif dapat diterapkan apabila terdapat tiga kondisi berikut:

1. Tersedia informasi masa lalu.

2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik.

3. Dapat diasumsikan bahwa pola masa lalu akan terus berlanjut di masa datang. Peramalan kuantitatif dapat memberikan hasil yang dapat dipertanggungjawabkan karena memiliki dasar yang jelas. Dasar yang digunakan adalah data yang merupakan representasi gambaran aktual masa lalu dan adanya justifikasi teoritik yang digunakan secara sistematik. Pada dasarnya segala bentuk dan teknik peramalan kuantitatif bersifat ekstrapolatif, yang didasarkan pada suatu pola data atau hubungan sebab akibat antar data. Metode kuantitatif pada dasarnya dapat dibagi menjadi dua kelompok utama yaitu model time series (deret berkala) dan model kasual. Peramalan penjualan merupakan bentuk peramalan dengan model time series.

2.11. Peramalan Penjualan

Peramalan dapat didefinisikan juga sebagai suatu proses memperkirakan secara sistematis tentang apa yang paling mungkin terjadi di masa depan berdasarkan informasi masa lalu dan sekarang yang dimiliki agar kesalahannya dapat diperkecil (Mulyono dalam Belladona, 2008). Kesalahan atau error

merupakan selilisih antara apa yang terjadi dengan hasil perkiraan. Peramalan tidak memberikan jawaban yang pasti tentang apa yang akan terjadi, tetapi berusaha mencari sedekat mungkin dengan apa yang terjadi. Salah satu peramalan yang penting dan sering dilakukan perusahaan adalah peramalan penjualan.

Hasil peramalan lingkungan bisnis dimana perusahaan beroperasi pada umumnya mempunyai implikasi pada peramalan penjualan. Oleh karena itu peramalan penjualan paling strategis dalam sebuah perusahaan. Peran peramalan

penjualan jangka panjang dibutuhkan oleh perusahaan dalam keputusan pengembangan produk baru, mengurangi jumlah produk yang dihasilkan atau dipasarkan, pengurangan modal, pembukuan daerah pemasaran baru, pengambil alihan perusahaan lain, pengembangan saluran distribusi baru dan keputusan-keputusan strategis lainnya. Untuk jangka pendek, peramalan penjualan digunakan untuk melakukan jadwal produksi, perencanaan kebutuhan bahan, rekrutmen tenaga kerja, perencanaan pemasaran, prediksi aruskas dan tingkat dimana komposisi biaya dan pendapatan yang dipilih dapat mempertahankan likuiditas dan efisiensi operasi (Sugiarto dan Harijono, 2000).

2.12.Strategi Pemasaran

Strategi merupakan program untuk menentukan dan mencapai tujuan perusahaan dan mengimplementasikan misinya. Strategi didefinisikan sebagai pola tanggapan atau respon organisasi terhadap lingkungan nya sepanjang waktu (Fandy, 2008). Strategi merupakan kunci keberhasilan perusahaan dalam menghadapi perubahan lingkungan bisnis dan mencapai tujuan.

Strategi pemasaran merupakan pernyataan baik secara implisit maupun eksplisit mengenai bagaimana suatu merek atau lini produk mencapai tujuannya (bennet dalam Fandy, 2008). Menurut Corey (dalam Fandy, 2008) strategi pemasaran terdiri atas lima elemen penting yang saling berkait. Kelima elemen tersebut adalah:

1. Pemilihan pasar, yaitu memilih pasar yang akan dilayani

2. Perencanaan produk, meliputi produk spesifik yang dijual, pembentukan lini produk, dan desain penawaran individual pada masing-masing lini.

3. Penetapan harga, yaitu menentukan harga yang dapat mencerminkan nilai kuantitatif dari produk ke pelanggan.

4. Sistem distribusi, yaitu saluran perdagangan grosir dan eceran yang dilalui produk hingga mencapai konsumen akhir yang membeli dan menggunakannya. 5. Komunikasi pemasaran (promosi), yang akan meliputi periklanan, personal

Menurut Rangkuti (2005), komponen-komponen strategi terdiri dari: 1. Segmentasi Pasar

Pasar terdiri dari banyak pembeli yang berbeda dalam beberapa hal, misalnya keinginan, kemampuan keuangan, lokasi, sikap pembelian dan praktek-praktek pembeliannya. Berdasarkan perbedaan ini dapat dilakukan segmentasi pasar. Segmentasi pasar adalah tindakan mengidentifikasi dan membentuk kelompok pembeli atau konsumen secara terpisah. Beberapa aspek utama untuk mensegmentasikan pasar yaitu aspek Geografis, Demografis, Psikografis, Perilaku.

2. Target Pasar

Menetapkan target pasar atau sasaran adalah tindakan mengevaluasi dan membandingkan kelompok yang diidentifikasi, kemudian memilih salah satu atau beberapa diantaranya sebagai calon target dengan potensi paling besar.

3. Posisi Pasar

Penetapan posisi adalah tindakan merancang tawaran dan citra perusahaan sehingga menempati posisi yang khas (diantara para pesaing) di dalam benak pelanggan sasarannya. Setelah perusahaan memutuskan segmen mana yang akan dimasuki, selanjutnya diputuskan pula posisi mana yang ingin ditempati dalam segmen tersebut.

2.13. Penelitian Terdahulu

Novika (2010) meneliti tentang kointegrasi harga beberapa komoditas pangan utama dengan menggunakan metode analisis Vector Autoregression

(VAR) dan Vector Error Correction Model (VECM) yang dalam penggunaannya dibedakan menurut pola datanya, yang diuji terlebih dahulu menggunakan uji stasioneritas. Apabila yang data yang digunakan stasioner pada level nol maka digunakan metode analisis VAR dan apabila data yang digunakan tidak stasioner pada level nol maka digunakan metode analisis VECM. Tujuan peneliti dalam melakukan penelitian adalah untuk menganalisis kointegrasi harga beberapa komoditas pangan utama di tingkat produsen dan tingkat konsumen, dan menganalisis apakah terdapat pemimpin harga komoditas pangan utama ditingkat produsen dan konsumen.

Melihat data yang tidak stasioner pada level nol maka metode yang digunakan adalah metode analisis VECM. Hasil dari metode analisis menunjukan terdapat kointegrasi harga komoditas jagung, kacang tanah, dan ketela rambat di Pulau Sumatera dan Pulau Jawa pada tingkat produsen maupun konsumen. Hal ini dapat diartikan bahwa variabel harga disuatu propinsi memiliki hubungan jangka panjang dengan variabel harga di propinsi-propinsi lainnya. Uji kausalitas multivariate pada harga jagung, kacang tanah, dan ketela rambat menunjukan tidak terdapat hubungan kausalitas harga antar propinsi baik di Pulau Sumatera maupun di Pulau Jawa.hal ini menunjukan tidak terdapat pemimpin harga jagung, kacang tanah, maupun ketela rambat di tingkat produsen dan konsumen di kedua pulau tersebut.

Aldina (2008) meneliti tentang peramalan penjualan Matrix Blackberry PT. Indosat dengan menggunakan metode peramalan time series dan metode regresi yang dalam penggunaannya terbagi lagi kedalam beberapa metode peramalan yang kemudian akan dipilih metode yang sesuai dengan ketersedian data dan kesesuaian metode dengan tujuan penelitian. Tujuan peneliti dalam melakukan penelitian adalah untuk mengetahui pencapaian penjualan Matrix Blackberry, mengetahui keunggulan Matrix Blackberry yang dapat ditawarkan kepada konsumen, dan mencari alternatif strategi pemasaran yang tepat.

Dengan metode terbaik yang dipilih yaitu trend analisys menghasilkan nilai penjualan pada akhir bulan peramalan secara nationwide atau keseluruhan penjualan untuk delapan wilayah adalah 12.394 subscriber. Hal ini dapat diartikan bahwa dengan lebih dari 6 ribu pelanggan pada akhir 2007, maka perusahaan dapat menargetkan penjualan pada akhir tahun meningkat dua kali lipatnya. Keunggulan Marix Blackberry yang dapat ditawarkan kepada pelanggan yaitu GPRS yang dimiliki indosat untuk pemakaian Matrix Blackberry memiliki pemakaian maksimum dua kali lebih besar dari perusahaan pesaing namun dengan

excess fee yang sama untuk per kilobyte.

Hasil peramalan menunjukan bahwa dengan tindakan pemasaran Matrix Blackberry yang telah dilakukan oleh perusahaan sudah tepat. Untuk menghadapi hambatan yang terjadi di tiap regional perusahaan harus fokus pada primary market, perluas target pasar (Pemerintah & UKM), dan memperkuat posisi

sebagai produk dan layanan pushmail dengan GPRS terluas. Sedangkan untuk

Marketing Mix (8P) yang dapat dilakukan adalah dengan menampilkan keunggulan brand dan diferensiasi dalam petunjuk visual, perbanyak pilihan fitur, penambahan galeri, melakukan promosi dengan komunikasi 2 arah, memaksimalkan media online, mencetak excellent CS & AE, melakukan smart marketing act, dan menetapkan harga dengan cerdik.

III METODE PENELITIAN

3.1. Kerangka Pemikiran

Mengetahui kointegrasi pada setiap produk adalah salah satu permasalahan yang perlu dikaji dan diteliti oleh perusahaan. Dengan melihat kointegrasi produk, perusahaan dapat mengetahui pengaruh satu produk terhadap produk lainnya, sehingga perusahaan dapat mengontrol penjualan setiap produk dan memperkecil pengaruh yang saling menjatuhkan antara produk satu dengan yang lainnya. Setelah mengetahui kointegrasi antar produk, perusahaan dapat membuat perencanaan strategi yang tepat sehingga penjualan semua produk dapat meningkat.

Selain melihat kointegrasi antar produk, untuk membuat strategi pemasaran yang tepat perusahaan harus bisa meramalkan kondisi yang akan dihadapi di waktu yang akan datang, agar strategi yang telah di rancang dapat berjalan dengan baik dan dapat membantu perusahaan mencapai tujuannya. Dari hasil peramalan penjualan yang dianalisis dengan menggunakan analisis kointegrasi, perusahaan akan dapat merumuskan berbagai strategi dalam meningkatkan penjualan produknya.

Gambar 2.Kerangka pemikiran

PT CHEMIGARD

Ingin melihat hubungan antar produk dan membutuhkan peramalan penjualan yang digunakan untuk menyusun

perencanaan yang lebih akurat

Data Penjualan Cypergard dan Safe 1

2007-2010

Hasil Analisis Analisis Kointegrasi 1. Uji Stasioneritas 2. Uji Kausalitas

Granger

3. Uji lag optimum 4. Uji kointegrasi 5. Model VECM 6. Uji Stabilitas 7. Impuls Respon 8. FEVD

3.2. Lokasi dan Waktu Penelitian

Penelitian ini dilakukan di PT Chemigard yang berlokasi di Jalan Gandasasmita 01, Serua, Ciputat – Tangerang. Penelitian di lakukan di PT Chemigard dengan pertimbangan melihat grafik penjualan yang terus meningkat, PT Chemigard mampu bersaing dengan perusahaan-perusahaan pesaing, serta keterbukaan perusahaan untuk memberi kesempatan untuk diadakan penelitian. Penelitian ini dilaksanakan pada bulan Januari 2011 sampai dengan Maret 2011.

3.3. Metode Pengumpulan Data

Data yang digunakan dalam penelitian ini adalah data primer dan data sekunder, baik kualitatif maupun kuantitatif. Data primer diperoleh dari wawancara dengan direktur perusahaan sebagai narasumber. Sedangkan data sekunder merupakan data pelengkap dari data primer yang dikumpulkan dari literatur-literatur, studi pustaka atau laporan internal perusahaan (data penjualan Cypergard 500 ml dan 100 ml, Safe 1 dari tahun 2007 sampai 2010).

3.4. Pengolahan dan Analisis Data

Data maupun informasi yang diperoleh akan diolah secara kuantitatif dan kualitatif. Data penjualan perusahaan akan diolah secara kuantitatif dengan metode analisis Vector Autoregression (VAR) dan Vector Error Correction Model (VECM). Diharapkan dengan menggunakan analisis ini dapat diketahui apakah terjadi kointegrasi penjualan beberapa produk PT Chemigard. Untuk mengetahui ramalan penjualan kedepan pada analisis ini menggunakan Forcast Error Variance Decomposition (FEVD). Data informasi pemasaran akan diolah secara kualitatif yang hasilnya digunakan sebagai pendukung analisis kuantitatif.

Pola data penjualan dapat diidentifikasi dengan mengamati secara visual plot data penjualan yang diperoleh dari uji stasioneritas menggunakan program eviews 6. Plot data menggambarkan bagaimana sebaran datanya, sehingga dapat diketahui unsur-unsur yang terdapat pada pola data tersebut apakah pola data nya stasioner atau tidak stasioner.

1. Uji Stasioneritas Data

Data time series dapat dikatakan stasioner jika data tersebut mengandung akar-akar unit (unit root) dimana mean, variance, dan covariance konstan sepanjang waktu. Sebaliknya data time series dikatakan tidak stasioner mengandung akar-akar unit, dimana mean, variance, dan covariance data tersebut tidak konstan.

Uji akar-akar unit merupakan uji yang paling populer untuk mengetahui stasioner sebuah data. Untuk menguji akar-akar unit pada penelitian ini digunakan uji Augmented Dickey-Fuller (ADF) yang dikembangkan oleh Dickey dan Fuller.

Bentuk persamaan uji stasioneritas tersebut dapat dituliskan sebagai berikut:

∆ _�=α+ _�−� 1+ �=1 ∆ �−+1+�...(1)

dimana:

∆ _�= Bentuk dari first different

0 = intersep

Y = Variabel yang diuji stasioneritasnya P = panjang lag yang digunakan dalam model

� = error term

Hipotesisnya adalah H₀ mengandung hipotesis bahwa terdapat akar-akar unit, H1 mengandung hipotesis bahwa tidak terdapat akar-akar unit. Pengujian

hipotesis statistik tersebut dilakukan dengan membandingkan ADFtest statistik hasil

regresi dengan t statistik Mackinon critical value 1 persen, 5 persen, 10 persen. Bila ADF_{test statistik} hitung lebih kecil daripada Mackinon critical value, maka H₀

diterima dan H1 ditolak, tidak cukup bukti untuk menolak hipotesis bahwa di

dalam persamaan mengandung akar-akar unit, artinya data tidak stasioner. Sebaliknya jika ADFtest statistik hitung lebih besar daripada Mackinon critical value, maka H₀ ditolak dan H₁ diterima, cukup bukti untuk menolak hipotesis nol bahwa di dalam persamaan mengandung akar-akar unit, artinya data stasioner.

Jika dari hasil uji stasioneritas berdasarkan hasil uji ADF diperoleh data seluruh variabel belum stasioner pada level, atau integrasi derajat nol I(0), maka untuk memperoleh data yang stasioner dapat dilakukan dengan cara differencing

data, yaitu dengan cara mengurangi data tersebut dengan data periode data sebelumnya. Dengan demikian melalui differencing pertama (first difference) di peroleh data selisih. Prosedur data ADF kemudian diaplikasikan kembali untuk

menguji data first difference. Jika dari hasil uji ternyata data first difference telah stasioner, maka dikatakan data time series tersebut terintegrasi pada derajat pertama I(1) untuk seluruh variabel. Tetapi jika data first difference tersebut belum stasioner maka perlu dilakukan differencing kedua pada data tersebut. Prosedur ini seterusnya dilakukan hingga diperoleh data yang stasioner.

2. Uji Kausalitas Granger

Uji kausalitas granger digunakan untuk mengevaluasi kemampuan peramalan dari satu peubah deret waktu pada periode sebelumnya terhadap peubah deret waktu lainnya pada periode saat ini. Hipotesis nol yang yang diuji menyatakan tidak adanya kausalitas diantara variabel sedangkan hipotesis alternatifnya menyatakan adanya hubungan kausalitas diantara variabel. Untuk menolak atau menerima hipotesis nol, maka dapat melihat nilai probabilitasnya yang dibandingkan dengan tingkat kepercayaan, pada penelitian ini menggunakan nilai kritis 5 persen. Jika nilai probabilitasnya lebih besar dari 5 persen maka hipotesis nol ditolak yang artinya terdapat hubungan kausalitas pada variabel-variabel yang diuji.

3. Uji Lag Optimum

Uji lag digunakan untuk menentukan panjang lag optimum yang akan digunakan untuk analisis selanjutnya. Uji lag optimum merupakan langkah penting yang harus dilakukan dalam menggunakan model VECM. Untuk langkah awal dalam pengujian ini terlebih dahulu adalah membentuk persamaan VAR untuk mendapatkan lag optimum dan stabilitas VAR baru dapat dibentuk persamaan VECM nya. Informasi kriteria untuk menentukan panjang lag yang tepat adalah dengan menggunakan pemilihan kriteria model Final Prediction Error (FPE), Akaike Information Criteria (AIC), Schwarz Criteria (SC), dan

Hannan-Quinn (HQ). Pada pengujian pemilihan lag melalui kriteria tersebut, akan didapat kandidat lag pada masing-masing kriteria yang merujuk pada lag optimal. Pada Eviews 6 memberikan tanda bintang pada nilai AIC dan SC terkecil.

Salah satu metode yang paling umum digunakan untuk menentukan panjang lag adalah dengan melihat AIC nya. Rumus AIC adalah (Gujarati, 2004):

Dimana:

T = jumlah observasi yang digunakan

| | = determinan dari matriks raga/koragam dari sisaan

n = jumlah parameter yang diestimasi dalam semua persamaan

4. Uji Kointegrasi

Salah satu asumsi yang harus dipenuhi dalam VAR adalah semua peubah tak bebas bersifat stasioner (Enders, 2004). Bila data tidak stasioner, maka perlu dilakukan uji kointegrasi. Langkah uji kointegrasi dengan mengaplikasikan metode Johansen, yang terdiri dari beberapa tahap, yaitu:

1. Menguji ordo integrasi semua variabel. Data perlu diplotkan untuk mengamati ada tidaknya trend yang linear. Disarankan tidak mencampur variabel dengan ordo yang berbeda.

2. Mengestimasi model dan menetapkan kondisi model. Kondisi model dapat dilakukan dalam tiga bentuk berikut:

a. Semua elemen konstanta sama dengan nol (�0=0)

b. Nilai �0 ditetapkan

c. Nilai �₀ merupakan konstanta pada vektor kointegrasi

3. Menganalisis untuk mendapatkan vektor kointegrasi yang dinormalkan dan koefisien penyesuaian.

4. Menghitung faktor koreksi galat untuk membantu mengidentifikasi model struktural.

Pada Eviews 6 suatu persamaan dikategorikan berkointegrasi apabila nilai trace statistic ataupun nilai maximum eigenvalue-nya lebih besar dari nilai kritis 5 persen. Dari uji kointegrasi dapat ditentukan jumlah persamaan yang tepat untuk mengestimasi VECM.

Untuk menguji batasan kointegrasi, johansen mendefinisikan dua buah

matriks α dan β dimensi (nxr) dimana r merupakan peringkat dari �, sehingga:

�= α β...(3)

Dimana:

α = matriks bobot dari setiap vektor kointegrasi yang ada didalam n persamaan

VAR. α juga dapat dikatakan sebagai matriks parameter speed of adjusment

(Enders, 2004)

Hipotesis dari metode Johansen adalah sebagai berikut (Enders, 2004):

�0 : r = 0 �1 : 0 < r < g

�0 : r = 0 �1 : 0 < r < g

�0 : r = 0 �1 : 0 < r < g

... ...

�0 : r = g-1 �1 : r = g

Pengujian pertama menyebutkan hipotesis nol dengan tidak adanya vektor kointegrasi. Jika hipotesis ini gagal ditolak, dapat disimpulkan bahwa tidak ada vektor kointegrasi dan pengujian telah diselesaikan. Namun jika hipotesis tersebut ditolak, maka pengujian akan dilakukan terus menerus dan begitu seterusnya sampai nilai dari r akan meningkat sampai hipotesis tersebut gagal ditolak.

5. Estimasi VECM

Vector Error Correction Model (VECM) adalah suatu metode khusus dari VAR yang berguna untuk melihat hubungan keseimbangan dalam jangka panjang dari persamaan-persamaan yang terkointegrasi. Caranya adalah dengan merestriksi beberapa variabel dari suatu persamaan. Jika variabel yang digunakan sudah terkointegrasi, maka terdapat keseimbangan dalam jangka panjang dari variabel-variabel tersebut, tentu saja dalam hubungan jangka pendek terjadi ketidakseimbangan. Dengan kata lain, metode ini adalah cara untuk melihat pengaruh suatu variabel lainnya dalam jangka panjang.

VECM didesain untuk digunakan pada data yang non-stasioner dan terintegrasi (Enders, 2004). Model VECM lag p rank kointegrasi r adalah:

∆ _� = �0 + π �−1 + ∅i p−1

=1 * ∆ �−1 + �� ...(4)

dengan _� = [ _{� �}]’, ...(5)

∆ � = � - �−1...(6) π = αβ’

β = vektor kointegrasi berukuran r x 1 α = vektor adjustment berukuran r x 1

∅ * = - �_{= +1}� , � adalah matriks koefisien berukuran 2 x 2

6. Uji Stabilitas model

Uji stabilitas digunakan untuk melihat apakah model yang digunakan stabil atau tidak. Estimasi harus mempunyai validitas yang tinggi sehingga hasil nya dapat dipercaya. Hasil tersebut dapat dipercaya apabila model yang digunakan mempunyai stabilitas. Jika model VAR yang digunakan tidak stabil, maka hasil

estimasi dengan menggunakan model VAR tidak memiliki tingkat validitas yang tinggi.

Stabilitas dapat diartikan hasil estimasinya mendekati nol jika model diperpanjang periode waktunya. Sebuah model dikatakan memilik validitas yang tinggi jika inverse akar karakteristiknya mempunyai modulus kurang dari satu atau semuanya berada didalam lingkaran. Jika modulus nya kurang dari satu atau berada dalam lingkaran, maka model cukup stabil. Namun sebaliknya, jika modulus bernilai satu atau lebih dari satu, atau modulus kebanyakan berada diluar lingkaran maka dapat dipastikan bahwa model tersebut kurang stabil. Jika VAR tersebut memiliki tingkat stabilitas yang rendah atau semua inverse akar karakteristiknya berada diluar unit circle, maka hasil dari estimasi model VAR tersebut meragukan.

7. Impuls Respon Function

Impuls respon dapat diartikan suatu respon dari suatu peubah endogen ketika peubah endogen yang lain di shock atau di impuls. Impuls respon function

menelusuri pengaruh suatu standar deviasi shock atau kejutan terhadap inovasi pada nilai variabel endogen di masa kini dan di masa mendatang. Suatu kejutan yang terjadi pada satu variabel akan langsung mempengaruhi variabel tersebut dan juga di teruskan pada variabel endogen lainnya melalui struktur yang dinamis (Enders, 2004).

8. Forecast Error Variance Decomposition

Forecast Error Variance Decomposition (FEVD) atau analisis dekomposisi ragam kesalahan peramalan digunakan untuk melihat kontribusi keragaman suatu peubah endogen terhadap goncangan peubah endogen lain untuk beberapa waktu kedepan (Enders, 2004). Jika koefisien �0 dan �1 diketahui dan variabilitas �+1

ingin diramalkan, sedangkan kondisi yang di observasi adalah _�, maka variabilitas suatu periode adalah _�+1 = �₀ + �_{1 �} + �_�+1, dan kondisi ekspektasi dari 1+ adalah �� 1+ = �0 + �1 �.

IV HASIL DAN PEMBAHASAN

4.1. Gambaran Umum Perusahaan 4.1.1Sejarah Perusahaan

PT Chemigard seperti tertera dalam anggaran dasar, didirikan pada tanggal 24 september 2003, berdasarkan Akte Notaris Sri Intansih, SH no.61 di Jakarta oleh Ir. Iman Santosa, Diah Retno Anggraini, DR. Ramadhan, dan Gunawan, SH. Bidang kegiatan usaha PT Chemigard pada awal mula berdirinya bergerak dalam jasa pengendalian hama. Perusahaan pertama kali bergerak di bidang jasa dan menggunakan produk termitisida dari perusahaan industry pestisida lain. Dengan semakin berkembangnya perusahaan dan dengan dasar pertimbangan yang cermat untuk meningkatkan daya saing dengan perusahaan-perusahaan lain yang bergerak di bidang pengendalian hama, pada tahun 2006 perusahaan membuat produk termitisida dengan nama produk Cypergard yaitu pestisida untuk mengendalikan hama rayap.

Sulitnya mendapatkan pestisida yang baik, efektif ekonomis dan aman untuk lingkungan menjadi pertimbangan lain perusahaan dalam pembuatan produknya untuk meningkatkan pelayanan terhadap konsumen. Serta dengan melihat kondisi geografis Indonesia adalah kawasan yang terletak di garis khatulistiwa sehingga sinar matahari dan curah hujan yang sangat tinggi merupakan faktor yang sangat mempengaruhi efektifitas dari pestisida pembasmi hama rayap

Berawal dari kondisi tersebut tenaga ahli PT Chemigard bekerja sama dengan beberapa lembaga penelitian antara lain Universitas Indonesia, Universitas Brawijaya, Institut Tekhnologi Bandung, Institut Pertanian Bogor dan beberapa laboratorium penelitian hama tanaman, hama lingkungan, dan penyakit menular akibat hama, mencoba mengembangkan pestisida yang cocok dengan alam Indonesia dan habitat dari hama pertanian maupun lingkungan yang akan dikendalikan. Perusahaan juga dibantu oleh formulator dunia seperti RHODIA, Yokar Chemical Ltd, Shanghai kimia Chemical ltd.

Pada tahun 2007 perusahaan memperbesar aset dan modal dasar Perseroan. Melalui Akte Notasris Masruroh, SH No. 13 tanggal 29 Desember 2007 ditetapkan perubahan sebagai berikut:

a. Modal perusahaan yang semula berjumlah 200 juta rupiah terbagi atas dua ribu lembar saham, menjadi 2 milyar rupiah terbagi dalam dua puluh ribu lembar saham. Dengan rincian pemilikan 60 persen atas nama Ir. Iman Santosa, 20 persen atas nama Diah Retno Anggraini, 10 persen atas nama DR. Ramadhan, dan 10 persen atas nama Gunawan, SH.

b. Susunan Direksi dan Dewan Komisaris ditetapkan sebagai berikut: Direktur : Ir. Iman Santosa

Komisaris Utama : Gunawan, SH Komisaris : DR. Ramadhan Komisaris : Diah Retno Anggraini

Disadari bahwa perluasan saluran distribusi menyumbangkan peranan yang besar dalam meningkatkan efisiensi dan efektifitas perusahaan maka PT Chemigard terus berupaya mengembangkan jaringan distribusi regionalnya. Sampai saat ini PT Chemigard yang berkantor pusat di jalan Gandasaamita No.01, Serua, Ciputat, Tangerang telah memiliki 2 kantor cabang utama yang berada di medan dan Surabaya. PT Chemigard akan terus mengembangkan jaringan distribusinya dengan menambah kantor cabang di setiap daerah terutama di kota-kota besar di Indonesia.

4.1.2Visi, Misi, dan Motto Perusahaan

Visi PT Chemigard adalah sebagai formulator yang didukung oleh tenaga-tenaga ahli, PT Chemigard hadirkan produk-produk dengan kualitas terbaik, harga bersaing dan ramah terhadap lingkungan.

Misi PT Chemigard adalah 1) formulator pestisida hygiene dan termite

dengan menggunakan bahan baku yang ramah terhadap lingkungan, 2) fokus dan turut mendukung program kelestarian lingkungan hidup atau bumi hijau, 3) menjamin setiap produk dengan kualitas yang terbaik, 4) menjadi sahabat dari perusahaan-perusahaan Pest Control Operator (PCO) dengan mendukung sepenuhnya kemajuan dari perusahaan-perusahaan tersebut, 5) memberikan pelayanan yang terbaik untuk kepuasan konsumen. Motto PT Chemigard adalah

“We Realize Your Dream, Get More Profit and Gain” yang artinya kami hadir dan mewujudkan impian anda dengan keuntungan yang besar.

4.1.3Lokasi Perusahaan

Kantor pusat PT. Chemigard terletak di Jalan Gandasasmita No. 01, Serua, Ciputat-Tangerang. Namun perusahaan memiliki gedung dan pabrik tersendiri dan aktivitasnya pun tidak tercampur dengan kegiatan kantor guna menjaga kualitas kesehatan para pegawai, dan jauh dari masyarakat sekitar mengingat pabrik memproduksi bahan-bahan kimia yang dapat membahayakan manusia. Kantor cabang pusat Medan terletak di Jalan Sei Serayu No. 41 Medan, dan kantor cabang pusat Surabaya terletak di Pondok Trosobo Indah Blok I No. 3, Sidoarjo, Jawa Timur.

4.1.4Struktur Organisasi Perusahaan

Perusahaan merupakan suatu sistem dimana untuk dapat melaksanakan rangkaian aktifitasnya dengan baik membutuhkan struktur atau bagian organisasi, yaitu sistem saling pengaruh antar orang dalam kelompok yang bekerjasama untuk tercapainya tujuan perusahan. Setiap lapisan organisasi harus mengetahui apa yang menjadi tugas, wewenang, serta tanggung jawabnya.

Untuk membantu para pimpinan dan juga para karyawan di setiap lapisan di perlukan suatu struktur organisasi agar di dalam menjalankan kegiatan perusahaan dapat berjalan dengan efisien, sistematik, terkoordinir, dan efektif. Fungsi dan tugas manajemen puncak perusahaan secara garis besar dapat diuraikan sebagai berikut:

1. Dewan Komisaris, merupakan pimpinan tertinggi dalam perusahaan dan diangkat oleh rapat umum pemegang saham.

2. Dewan Direksi, bertugas menjalankan perusahaan dengan kegiatan-kegiatan seperti menentukan kebijakan umum perusahaan, mengatur tata tertib serta mengawasi pelaksanaan tugas dari para manajer masing-masing departemen. Dalam menjalankan tugasnya Dewan Direksi bertanggung jawab kepada Dewan Komisaris.

3. Manajer Pemasaran, bertanggung jawab terhadap manajemen pemasaran, hasil pemasaran, dan penggunaan dana promosi. Manajer pemasaran juga harus dapat membina bagian pemasaran dan membimbing seluruh karyawan di bagian pemasaran. Sebagai hasil nya manajer pemasaran harus membuat laporan pemasaran kepada Dewan Direksi.

4. Manajer Penjualan, bertanggung jawab terhadap pelaksanaan marketing plan, hasil penjualan produk, sales manajemen, pembinaan dan bimbingan terhadap sales team. Membina hubungan baik dengan konsumen, dan membuat sales plan dan sales report.

5. Manajer Produk, bertanggung jawab terhadap seluruh produk yang menjadi tanggung jawabnya, membuat analisa dan evaluasi produk yang menjadi tanggung jawabnya.

6. Manajer Pabrik, bertanggung jawab atas seluruh proses produksi pabrik, mulai dari tahap input, proses sampai output berupa produk jadi. Dalam melaksanakan tugasnya , manajer pabrik dibantu oleh Manajer Produk, dan

Maintenance Section Chief, Laboratory and Quality Control Section Chief, Production Section Chief, Warehouse Section Chief serta Purchasing Section Chief.

7. Manajer Logistik, bertugas untuk memberikan dukungan logistik kepada Departemen Pemasaran dan Departemen Penjualan antara lain dengan mengawasi persedian dan distribusi produk di lapangan agar dapat sampai ke tangan konsumen.

8. Manajer Keuangan dan Akuntansi, bertanggung jawab atas arus keluar dan masuknya uang ke dalam kas perusahaan, dan membuat laporan akuntansi. 9. Manajer Penelitian dan Pengembangan, bertanggung jawab atas aktifitas

penelitian dan pengembangan produk, termasuk di dalamnya perizinan pendaftaran produk baru kepada intansi terkait.

10. Manajer Urusan Umum dan Personalia, bertanggung jawab atas jalannya roda administrasi perusahaan, termasuk di dalamya menjalankan fungsi humas, pelayanan publik, personalia, pengadaan umum dan rumah tangga direktur-komisaris serta pengelolaan asset-aset perusahaan.

4.1.5 Produk-produk Perusahaan

Setelah membuat produk pertama yaitu Cypergard, perusahaan telah mengembangkan produk nya dan membuat produk-produk baru. Sampai saat ini PT Chemigard telah mengeluarkan delapan produk yaitu:

1. Cypergard, adalah pestisida yang diformulasikan khusus untuk mengendalikan rayap tanah dan rayap kayu di daerah tropis khususnya

Indonesia. Cypergard juga dapat diaplikasikan pada meubeul rumah tangga ataupun tanaman yang terserang rayap.

2. Safe 1, merupakan termitisida ramah lingkungan yang di formulasikan dalam bentuk Soluabel Liquid (SL) yang sangat efektif untuk mengendalikan rayap tanah, rayap kayu dan kumbang bubuk pada kayu kering.

3. Flygard, merupakan umpan siap tabur untuk membunuh lalat yang bersifat racun kontak dan racun perut.

4. Portal, merupakan insektisida berbahan aktif ganda yaitu kombinasi

piretroid knockdown (Cypermethrin) dan pirolle killing agent

(Chlorfenapyr). Sinergi bahan piretroid knockdown berfungsi melumpuhkan serangga secara cepat dan bahan pirolle killing agent sangat efektif terhadap kecoa jerman (Blatella germica) dan juga serangga seperti nyamuk vektor demam berdarah atau malaria serta serangga pengganggu lainnya.

5. Origin, merupakan pestisida dari golongan sintetik piritroit berwarna kuning bening yang mengandung bahan aktif lamda sihalothrin. Origin mempunyai efek knock down yang mampu membunuh serangga seperti nyamuk, lalat dan kecoa dengan cepat.

6. Kaizen, merupakan termitisida ramah lingkungan berbahan aktif golongan terbaru yang diformulasikan dalam bentuk Emulcifiable Concentrate (EC) yang sangat efektif untuk mengendalikan rayap tanah, rayap kayu, dan kumbang bubuk pada kayu kering.

7. Termigard, adalah suatu media yang berbentuk umpan rayap terbuat dari selulosa kayu yang disenangi rayap dan telah diberi hormon. Termigard ada dua jenis yaitu Container Bait untuk di dalam ruangan dan Stationer Bait

untuk di luar ruangan. Container Bait dipasang dengan hati-hati di dalam rumah atau gedung tempat dimana rayap terlihat menyerang. Stasioner Bait

di pasang di sekeliling luar bangunan atau gedung.

8. Izzicont, merupakan pestisida yang sangat ramah lingkungan berbahan aktif golongan terbaru yang diformulasi dalam bentuk aerosol dan sangat efektif mengendalikan rayap tanah, rayap kayu, kumbang bubuk ataupun semut.

4.2. Analisis Kointegrasi

Analisis mengenai pola data atau sifat pergerakan dari deret waktu yang akan analisis sangat diperlukan dengan tujuan menentukan metode peramalan yang sesuai dengan pola data tersebut apakah menggunakan metode VAR atau VECM. Apabila pola data yang digunakan stasioner pada level nol maka digunakan metode VAR, dan apabila pola data yang digunakan tidak stasioner pada level nol maka menggunakan metode VECM. Dalam menganalisa stasioneritas, tingkat signifikansi yang digunakan adalah pada tingkat signifikan 5 persen. Data penjualan yang dianalisis adalah data penjualan bulanan Cypergard 500 ml, Cypergard 100 ml, dan Safe 1 yang diperoleh dari tahun 2007 sampai 2010.

4.2.1 Uji Stasioneritas Data

Uji stasioneritas data pada seluruh variabel dengan Augmented Dickey-Fuller Test (ADF) dengan perangkat lunak Eviews 6. Jika nilai Test Critical Values lebih besar dari nilai t-statistic berarti data tidak stasioner, sebaliknya jika nilai Test Critical Values lebih kecil dari nilai t-statistic berarti data stasioner.

Tabel 1. Hasil Uji Stasioneritas

Variabel Test Critical Values t-statistic Probability 5%

Cypergard 500 ml -3.508508* -5.938605 0.0001

Cypergard 100 ml -2.926622 -1.733666 0.4080

Safe 1 -3.520787* -4.373335 0.0062

Pada Tabel terlihat bahwa uji stasioneritas pada level, produk Cypergard 500 ml dan Safe 1 memiliki variabel yang stasioner pada derajat kepercayaan 1 persen, 5 persen, dan 10 persen. Sedangkan produk Cypergrad 100 ml memliki variabel tidak stasioner, maka produk Cypergard 100 ml perlu dilakukan uji stasioneritas lebih lanjut yaitu pada pembedaan pertama (first difference).

Tabel 2. Hasil Uji Stasioneritas 1st Difference

Variabel Test Critical Value t-statistic Probability

1% 5% 10%

Cypergrad 100 ml

Pada pembedaan pertama variabel Cypergrad 100 ml sudah stasioner. Artinya data stasioner pada pembedaan pertama, karena seluruh variabel harus berada pada derajat yang sama, pada penelitian ini yaitu pada derajat pembedaan pertama. Dari uji stasioneritas yang sudah dilakukan kita sudah dapat menentukan model yang akan dipilih, apabila semua variabel stasioner pada level maka digunakan model VAR, dan apabila semua atau salah satu tidak stasioner pada level dan dilakukan pembedaan maka model yang dipilih adalah VECM. Dalam penelitian ini dapat disimpulkan model yang dipilih adalah VECM.

4.2.2 Uji Kausalitas Granger

Uji kusalitas multivariate dilakukan untuk melihat hubungan kausalitas antara variabel-variabel yang ada dalam model. Hubungan kausalitas antar variabel dapat diketahui dengan melakukan Pairwise Granger Causality Test. Hipotesis nol (�₀) yang diuji adalah tidak ada hubungan kausalitas dan hipotesis alternatifnya (�1) adalah adanya hubungan kausalitas. Nilai probability sebesar 5

persen digunakan untuk menentukan apakah �0 diterima atau ditolak. Apabila

nilai probabilitasnya kurang atau sama dengan 5 persen maka terima �₁ tolak �₀, dan apabila nilai probabilitasnya lebih dari 5 persen maka terima �0 tolak �1.

Hasil uji kausalitas Granger dengan signifikansi 5 persen pada variabel penjualan produk dapat dilihat pada tabel.

Tabel 3. Hasil Uji Kausalitas Granger

Null Hypothesis Probabilitas Hasil Pengujian Hubungan Kausalitas Cypergard 100 ml does not

Granger Cause Safe 1

0,1083 terima �0 tolak �1 Tidak terjadi

hubungan kausalitas Safe 1 does not Granger Cause

Cypergard 100 ml

0,3729 terima �0 tolak �1

Cypergard 500 ml does not Granger Cause Safe 1

0,5454 terima �0 tolak �1 Hubungan satu arah

dari Safe 1 ke Cypergard 500 ml Safe 1 does not Granger Cause

Cypergard 500 ml

0,0153 terima �1 tolak �0

Cypergard 500 ml does not Granger Cause Cypergard 100 ml

0,3063 terima �0 tolak �1 Tidak terjadi

hubungan kausalitas Cypergard 100 ml does not

Granger Cause Cypergard 500 ml

Berdasarkan tabel diketahui bahwa uji kausalitas menunjukan hasil bahwa variabel-variabel penjualan produk hanya terdapat satu hubungan kausalitas, yaitu antara produk Safe 1 dan produk Cypergard 500 ml. Hubungan kausalitas tersebut hanya satu arah, dapat diartikan bahwa penjualan produk Safe 1 mempengaruhi penjualan produk Cypergrad 500 ml.

4.2.3 Uji Lag Optimum

Pendekatan VAR VECM sangat sensitif terhadap jumlah lag yang digunakan, maka perlu ditentukan panjang lag yang optimal. Penentuan panjang lag digunakan untuk mengetahui lamanya periode keterpengaruhan suatu variabel terhadap variabel masa lalunya maupun terhadap variabel endogen lainnya. Penentuan lag dapat digunakan dengan beberpa pendekatan antara lain Likelihood Ratio (LR), Final Prediction Error (FPE), Akaike Information Criterion (AIC), dan Schwarz Criterion (SC). Hasil penentuan panjang lag secara lengkap dapat dilihat pada tabel.

Tabel 4. Hasil Uji Lag Optimum

Lag LogL LR FPE AIC SC HQ

0 -998.9849 NA 1.21e+16 45.54477 45.66642 45.58988

1 -967.9915 56.35153 4.46e+15 44.54507 45.03167* 44.72552

2 -951.5866 27.59019 3.20e+15 44.20848 45.06002 44.52427

3 -938.7707 19.80634* 2.74e+15* 44.03503* 45.25152 44.48617*

4 -931.7017 9.960798 3.08e+15 44.12281 45.70425 44.70928

Berdasarkan tabel , hanya SC yang menentukan panjang lag yang berbeda sedangkan LR, FPE, AIC, dan HQ menentukan panjang lag yang sama yaitu pada lag ke tiga. Karena empat kriteria memberikan hasil yang sama, maka dipilih panjang lag tiga.

4.2.4 Uji Kointegrasi

Untuk menjawab tujuan pertama dari penelitian ini perlu dilakukan uji kointegrasi variabel-variabel penjualan produk. Uji kointegrasi dilakukan karena data yang digunakan berfluktuasi dengan asumsi tidak stasioner. Selanjutnya, untuk mengetahui keterkaitan jangka panjang antar variabel-variabel penjualan dilakukan analisis dengan mengaplikasikan uji kointegrsi Johansen.

Variabel-variabel yang akan diuji harus merupakan Variabel-variabel yang stasioner pada derajat yang sama.

Hasilnya jika nilai Trace statistic lebih kecil dibandingkan dengan nilai Critical Value maka variabel-variabel tidak terkointegrasi, sebaliknya jika nilai Trace Statistic nya lebih besar dibandingkan dengan nilai Critical Value maka variabel-variabel terkointegrasi. Hasil uji kointegrasi dapat dilihat pada tabel.

Tabel 5. Hasil Uji Kointegrasi

Hypothesized No.of CE(s)

Eigenvalue Trace Statistic

0.05 Critical

Value

Prob**

None* 0.380991 38.81610 35.19275 0.0195 At Most 1 0.272171 17.23251 20.26184 0.1240 At Most 2 0.063172 2.936503 9.164546 0.5926 Trace test indicates 1 cointegrating eqn(s) at the 0.05 level

Dari tabel dapat dilihat bahwa terdapat satu persamaan kointegrasi pada derajat kepercayaan 5 persen. Adanya kointegrasi variabel terhadap variabel lain hal ini berarti terdapat hubungan jangka panjang diantara variabel-variabel tersebut.

4.2.5 Estimasi VECM

Pengaruh suatu variabel yang terkointegrasi terhadap variabel lainnya dalam jangka panjang dapat dilihat dari analisis menggunakan metode Vector Error Correction Model (VECM). Interpretasi hasil dilakukan dengan melihat koefisien kointegrasinya dan pembacaan tanda adalah terbalik dari tanda koefiseinnya. Namun demikian harus dilihat terlebih dahulu besar t-statistic dari koefisien yang didapat. Koefisien kointegrasi dikatakan signifikan jika mutlak nilai t-statistic lebih besar daripada nilai t-tabel yaitu 1,96. Dari uji kointegrasi menggunakan analisis VECM akan dihasilkan matriks koefisien jangka panjang untuk penjualan produk nya. Dilihat dari tabel menunjukan adanya hubungan jangka panjang antara penjualan Safe 1 dengan penjualan Cypergard 100 ml dan penjualan Cypergard 500 ml.

Tabel 6. Hasil Estimasi VECM

Safe 1 Cypergrad 100 ml Cypergard 500 ml

1.000000

1.457375 -3.912697

Dilihat dari tabel menunjukan adanya hubungan jangka panjang antara penjualan Safe 1 dengan penjualan Cypergard 100 ml dan penjualan Cypergard 500 ml. Peningkatan penjualan Cypergrad 100 ml sebesar satu persen akan menurunkan penjualan Safe 1 sebesar 1,46 persen, sementara kenaikan penjualan Cypergrad 500 ml sebesar satu persen akan meningkatkan penjualan Safe 1 sebesar 3,9 persen.

4.2.6 Uji Stabilitas Model

Pengujian selanjutnya adalah menguji stabilitas model VECM yang digunakan. Jika model memiliki stabilitas maka hasil estimasinya akan tidak berubah dengan deviasi yang besar meskipun periode nya diperpanjang sehingga hasil estimasinya dapat dipertanggungjawabkan (Gujarati, 2004). Dalam penelitian ini berdasarkan hasil AR Root Table. Model dikatakan stabil apabila nilai modulus nya kurang dari satu. Pada Tabel 7 terlihat nilai akar karakteristik atau modulus semuanya menunjukan nilai kurang dari satu, sehingga dapat disimpulkan bahwa model vecm yang digunakan memiliki stabilitas.

Tabel 7. Hasil Uji Stabilitas Model

Root Modulus

0.929840 0.929840

0.666575 - 0.467639i 0.814253 0.666575 + 0.467639i 0.814253 -0.562927 - 0.365654i 0.671259 -0.562927 + 0.365654i 0.671259

-0.631681 0.631681

0.208990 - 0.560313i 0.598020 0.208990 + 0.560313i 0.598020

0.450644 0.450644

4.2.7 Impuls Response Function

Dampak dari shock variabel satu ke variabel lainnya dapat diketahui melalui

Impuls Response Function (IRF). IRF melacak efek dari salah satu shock ke shock

yang lainnya pada saat sekarang dan masa datang dari variabel endogen. Suatu shock pada variabel endogen secara langsung akan mempengaruhi variabel itu sendiri dan menjalar kepada variabel-variabel lain secara dinamis. IRF memberikan arah besarnya pengaruh antar variabel endogen.

1. Ketika Safe 1 dishock

Gambar 4. Impuls Response Safe 1

Respon yang pertama dianalisa adalah respon variabel Safe 1. Dari gambar kita bisa melihat bagaimana respon variabel Safe terhadap variabel itu sendiri dan variabel lainnya. Jika kita lihat respon yang diberikan variabel safe 1 pada perubahan satu standar deviasi variabel itu sendiri sudah bernilai positif semua. Dimana tren pergerakan responnya dari tiap periode cenderung untuk bergerak cukup stabil walaupun pada periode kesatu setelah berada di posisi puncak ada penurunan signifikan sampai periode kelima dari respon. Pada periode ke satu respon bernilai 100 persen, pada periode kedua sudah terlihat penurunan dengan nilai respon 96 persen sampai pada periode kelima dengan titik respon terendah dengan nilai 49 persen. Setelah pada titik respon terendah periode kelima mulai terjadi peningkatan, terlihat pada periode keenam dengan nilai respon 68 persen, selanjutnya terjadi fluktuasi ringan sampai periode ke 20, dari periode ke 20 terjadi keseimbangan sampai periode ke 50 dengan nilai respon yang stabil yaitu 68 persen. Dari gambar pertama dapat disimpulkan bahwa peningkatan penjualan secara signifikan pada produk Safe 1 yang disebabkan oleh promosi atau lain hal yang menyebabkan meningkatnya penjualan akan berpengaruh positif pada peningkatan penjualan Safe 1 itu sendiri.

Dengan melihat gambar berikutnya kita dapat melihat respon variabel Cypergrad 100 ml terhadap variabel Safe 1, respon yang diberikan Cypergrad 100 ml pada perubahan standar deviasi safe 1 bernilai negatif. Hanya pada periode pertama respon tertinggi yaitu nol persen. Setelah periode pertama, terjadi fluktuasi yang signifikan sampai periode ke 25 dengan puncak fluktuasi bernilai -0,2 persen pada periode ke 2 dan nilai respon terendah dengan nilai -38 persen pada periode ke 7. Nilai respon mulai stabil pada periode ke 25 sampai periode ke 50 dengan nilai respon rata-rata -16 persen. Dari gambar kedua dapat disimpulkan

0.4 0.5 0.6 0.7 0.8 0.9 1.0

5 10 15 20 25 30 35 40 45 50 Response of SAFE_1 to SAFE_1

-.40 -.35 -.30 -.25 -.20 -.15 -.10 -.05 .00

5 10 15 20 25 30 35 40 45 50 Response of CYPERGARD_100_ML to SAFE_1

-.12 -.08 -.04 .00 .04 .08 .12 .16 .20 .24 .28

5 10 15 20 25 30 35 40 45 50 Response of CYPERGARD_500_ML to SAFE_1

bahwa peningkatan penjualan secara signifikan pada produk Safe 1 yang disebabkan oleh promosi atau lain hal yang menyebabkan meningkatnya penjualan akan berpengaruh negatif pada peningkatan penjualan Cypergrad 100 ml sehingga menurunkan penjualan Cypergrad 100 ml.

Gambar berikutnya kita melihat respon variabel Cypergrad 500 ml terhadap variabel Safe 1, respon yang diberikan Cypergrad 500 ml pada perubahan standar deviasi Safe 1 cenderung bernilai positif, hanya pada periode ke 2 nilai respon bernilai negatif. Pada periode pertama mulai terjadi fluktuasi respon yang sangat signifikan sampai periode ke 25, dengan nilai respon tertinggi yaitu 26 persen pada periode ke enam dan nilai respon terendah yaitu -11 persen pada periode ke dua. Setelah periode ke 25 respon yang terjadi mulai stabil pada nilai rata-rata 11 persen. Dari gambar ketiga dapat disimpulkan bahwa peningkatan penjualan secara signifikan pada produk Safe 1 yang disebabkan oleh promosi atau lain hal yang menyebabkan meningkatnya penjualan akan berpengaruh positif pada peningkatan penjualan Cypergard 500 ml sehingga membantu meningkatkan penjualan Cypergrad 500 ml.

2. Ketika Cypergard 100 ml dishock

Gambar 5. Impuls Response (Cypergard 100 ml)

Respon kedua yang dianalisa adalah respon Cypergard 100 ml, pada gambar respon variabel Cypergard 100 ml terhadap variabel itu sendiri benilai positif. Tetapi ketika variable di shock terjadi fluktuasi yang signifikan dari periode satu sampai periode 25, dengan nilai respon tertinggi 100 persen pada periode satu, dan nilai respon terendah 26 persen pada periode empat. Pada periode 25 sampai periode 50 respon yang diberikan mulai stabil dengan nilai respon 58 persen. Dari gambar pertama dapat disimpulkan bahwa peningkatan penjualan secara signifikan pada produk Cypergard 100 ml yang disebabkan oleh promosi atau lain

0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

5 10 15 20 25 30 35 40 45 50 Response of CYPERGARD_100_ML to CYPERGARD_100_ML

.0 .1 .2 .3 .4 .5

5 10 15 20 25 30 35 40 45 50 Response of CYPERGARD_500_ML to CYPERGARD_100_ML

-.15 -.10 -.05 .00 .05 .10 .15 .20

5 10 15 20 25 30 35 40 45 50 Response of SAFE_1 to CYPERGARD_100_ML

hal yang menyebabkan meningkatnya penjualan akan berpengaruh positif pada peningkatan penjualan Cypergard 100 ml itu sendiri.

Gambar selanjutnya respon variabel Cypergard 500 ml terhadap variabel lainnya yaitu Cypergard 100 ml. Respon yang diberikan oleh Cypergrad 500 ml terhadap standar deviasi Cypergard 100 ml bernilai positif, dengan fluktuasi yang cukup signifikan dari periode satu sampai periode 17, dengan nilai respon tertinggi 43 persen pada periode 5 dan nilai respon terendah nol persen pada periode pertama. Nilai respon mulai stabil pada periode 17 sampai periode 50 dengan nilai respon 23 persen. Dari gambar kedua dapat disimpulkan bahwa peningkatan penjualan secara signifikan pada produk Cypergard 100 ml yang disebabkan oleh promosi atau lain hal yang menyebabkan meningkatnya penjualan akan berpengaruh positif pada peningkatan penjualan Cypergard 500 ml sehingga membantu meningkatkan penjualan Cypergard 500 ml.

Gambar selanjutnya respon variabel Safe 1 terhadap variabel Cypergard 100 ml. Respon yang diberikan oleh Safe 1 terhadap standar deviasi Cypergard 100 ml cenderung positif, tetapi pada periode dua dan periode tujuh bernilai negatif. Pada periode satu sampai periode 26 terjadi fluktuasi respon yang signifikan dengan nilai tertinggi 18 persen pada periode tiga, dan nilai terendah -13 persen pada periode dua. Pada periode 26 sampai periode 50 nilai respon stabil dengan nilai rata-rata 6 persen. Dari gambar ketiga dapat disimpulkan bahwa peningkatan penjualan secara signifikan pada produk Cypergard 100 ml yang disebabkan oleh promosi atau lain hal yang menyebabkan meningkatnya penjualan akan berpengaruh positif pada peningkatan penjualan Safe 1 sehingga membantu meningkatkan penjualan Safe 1.

3. Ketika Cypergard 500 ml dishock

Gambar 6. Impuls Response (Cypergard 500 ml) -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2

5 10 15 20 25 30 35 40 45 50 Response of CYPERGARD_500_ML to CYPERGARD_500_ML

-0.2 0.0 0.2 0.4 0.6 0.8 1.0

5 10 15 20 25 30 35 40 45 50 Response of CYPERGARD_100_ML to CYPERGARD_500_ML

-.1 .0 .1 .2 .3 .4

5 10 15 20 25 30 35 40 45 50 Response of SAFE_1 to CYPERGARD_500_ML

Period S.E. SAFE_1

CYPERGARD _100_ML

CYPERGARD _500_ML 1 371.0786 7.850296 92.14970 0.000000 2 389.8206 8.455581 90.55591 0.988513 3 508.2336 9.604277 89.75795 0.637769 4 584.4282 7.272832 77.61644 15.11073 5 692.1641 11.09814 72.75448 16.14739 6 775.8452 9.224106 69.82746 20.94843 7 864.4975 10.41377 65.18843 24.39780 8 931.6776 9.831355 67.13367 23.03497 9 984.2062 9.251107 66.40927 24.33962 10 1039.155 9.192314 67.43711 23.37057 11 1084.401 8.729250 67.91275 23.35800 12 1133.430 8.804844 67.68343 23.51173 13 1181.033 8.646551 67.98048 23.37297 14 1226.682 8.551945 67.57619 23.87187 15 1272.806 8.511376 67.61082 23.87780 16 1315.071 8.358596 67.54915 24.09225 17 1356.830 8.325007 67.52459 24.15041 18 1396.376 8.226361 67.64069 24.13295 19 1434.601 8.171534 67.62359 24.20487 20 1472.239 8.121573 67.70088 24.17754 21 1508.595 8.059614 67.69715 24.24324 22 1544.680 8.028605 67.69804 24.27335 23 1579.782 7.980577 67.70804 24.31138 24 1614.220 7.948921 67.69070 24.36038 25 1647.938 7.914558 67.70752 24.37792 26 1680.803 7.880030 67.70724 24.41273 27 1713.124 7.852941 67.71878 24.42828 28 1744.739 7.822555 67.72910 24.44834 29 1775.851 7.798857 67.73233 24.46881 30 1806.439 7.774816 67.74095 24.48423 31 1836.511 7.752695 67.74195 24.50535 32 1866.140 7.732768 67.74650 24.52073 33 1895.273 7.712610 67.74969 24.53770 34 1923.981 7.694858 67.75256 24.55258 35 1952.253 7.677266 67.75719 24.56555 36 1980.115 7.660996 67.75999 24.57901 37 2007.598 7.645683 67.76394 24.59037 38 2034.701 7.630908 67.76686 24.60223 39 2061.458 7.617261 67.76961 24.61313 40 2087.869 7.604028 67.77241 24.62356 41 2113.952 7.591603 67.77463 24.63377 42 2139.719 7.579723 67.77719 24.64309 43 2165.175 7.568344 67.77939 24.65226 44 2190.337 7.557567 67.78165 24.66079 45 2215.212 7.547186 67.78383 24.66898 46 2239.811 7.537324 67.78581 24.67686 47 2264.143 7.527857 67.78782 24.68433 48 2288.216 7.518788 67.78963 24.69159 49 2312.040 7.510108 67.79141 24.69848 50 2335.619 7.501753 67.79311 24.70514

Lanjutan lampiran 13. FEVD of Safe 1, Cypergard 100ml, Cypergard 500ml

Period S.E. SAFE_1

CYPERGARD _100_ML

CYPERGARD _500_ML 1 299.7193 4.893692 12.83127 82.27504 2 333.5929 4.702375 16.78910 78.50853 3 372.0893 6.071349 30.80369 63.12497 4 400.7094 8.030018 29.13709 62.83289 5 427.1745 7.136425 37.20368 55.65989 6 449.5556 11.48033 37.34263 51.17704 7 466.4976 10.72351 39.15178 50.12471 8 487.2249 10.75723 42.42380 46.81897 9 507.2859 10.41758 42.15801 47.42441 10 527.3996 9.802568 44.66214 45.53529 11 545.7662 10.07034 45.34339 44.58627 12 562.1099 9.790978 46.62396 43.58506 13 578.5261 9.925723 47.93657 42.13771 14 593.0619 9.908118 48.66753 41.42435 15 607.9842 9.818320 49.82401 40.35767 16 622.5044 9.847961 50.40997 39.74207 17 636.8166 9.719044 51.16511 39.11585 18 651.1963 9.702346 51.78255 38.51511 19 665.0067 9.629273 52.30177 38.06896 20 678.6726 9.581053 52.91008 37.50887 21 691.8825 9.563411 53.36176 37.07483 22 704.8074 9.517846 53.86976 36.61240 23 717.5280 9.507765 54.29840 36.19384 24 729.9674 9.473750 54.69807 35.82818 25 742.2890 9.448697 55.08953 35.46178 26 754.3854 9.424308 55.42459 35.15110 27 766.3206 9.394549 55.76512 34.84033 28 778.0755 9.375680 56.06923 34.55509 29 789.6322 9.351714 56.36298 34.28531 30 801.0334 9.333838 56.64304 34.02312 31 812.2529 9.315878 56.90156 33.78256 32 823.3277 9.297848 57.15341 33.54874 33 834.2550 9.282504 57.38601 33.33149 34 845.0413 9.265675 57.60960 33.12473 35 855.6991 9.251079 57.82132 32.92760 36 866.2215 9.236426 58.02176 32.74181 37 876.6209 9.222589 58.21469 32.56272 38 886.8957 9.209848 58.39709 32.39307 39 897.0519 9.197197 58.57256 32.23024 40 907.0951 9.185606 58.73979 32.07461 41 917.0267 9.174185 58.89974 31.92608 42 926.8535 9.163334 59.05329 31.78338 43 936.5768 9.152947 59.19998 31.64708 44 946.2006 9.142847 59.34113 31.51603 45 955.7277 9.133293 59.47643 31.39028 46 965.1604 9.124007 59.60656 31.26943 47 974.5020 9.115144 59.73179 31.15307 48 983.7545 9.106606 59.85222 31.04117 49 992.9210 9.098360 59.96835 30.93329 50 1002.004 9.090446 60.08019 30.82937

1.

Safe 1

The regression equation is

safe 1 = - 267 - 0,110 SLAG3 - 0,241 SLAG2 + 0,863 SLAG1 - 0,047 C100LAG3 + 0,377 C100LAG2 - 0,029 C100LAG1 - 0,295 Cypergard 100 ml + 0,442 C500LAG3 - 0,247 C500LAG2 + 0,055 C500LAG1

+ 0,500 Cypergard 500 ml

45 cases used, 3 cases contain missing values

Predictor Coef SE Coef T P Constant -267,2 175,1 -1,53 0,136 SLAG3 -0,1104 0,1900 -0,58 0,565 SLAG2 -0,2408 0,2400 -1,00 0,323 SLAG1 0,8631 0,1713 5,04 0,000 C100LAG3 -0,0470 0,1641 -0,29 0,776 C100LAG2 0,3771 0,1768 2,13 0,041 C100LAG1 -0,0290 0,1610 -0,18 0,858 Cypergard 100 ml -0,2946 0,1833 -1,61 0,118 C500LAG3 0,4416 0,2708 1,63 0,112 C500LAG2 -0,2467 0,2068 -1,19 0,241 C500LAG1 0,0548 0,2325 0,24 0,815 Cypergard 500 ml 0,4997 0,2048 2,44 0,020

S = 368,393 R-Sq = 77,4% R-Sq(adj) = 69,9%

Analysis of Variance

Source DF SS MS F P Regression 11 15353093 1395736 10,28 0,000 Residual Error 33 4478552 135714

Total 44 19831644

Source DF Seq SS SLAG3 1 4726186 SLAG2 1 2891102 SLAG1 1 5402832 C100LAG3 1 264200 C100LAG2 1 509437 C100LAG1 1 1027 Cypergard 100 ml 1 30020 C500LAG3 1 362528 C500LAG2 1 155579 C500LAG1 1 202416 Cypergard 500 ml 1 807765

Unusual Observations

Obs SLAG3 safe 1 Fit SE Fit Residual St Resid 22 200 450,0 1073,1 230,0 -623,1 -2,16R 40 500 400,0 1152,4 226,4 -752,4 -2,59R 44 500 3000,0 2040,0 199,5 960,0 3,10R 46 2000 2500,0 1995,7 277,7 504,3 2,08R 47 3000 1500,0 1978,3 311,1 -478,3 -2,42R

R denotes an observation with a large standardized residual.

2.

Cypergard 100 ml

The regression equation is

Cypergard 100 ml = - 80 + 0,072 SLAG3 - 0,269 SLAG2 + 0,348 SLAG1 - 0,246 safe 1

- 0,319 C100LAG3 + 0,571 C100LAG2 + 0,226 C100LAG1 + 0,880 C500LAG3 - 0,045 C500LAG2 - 0,256 C500LAG1 + 0,327 Cypergard 500 ml

45 cases used, 3 cases contain missing values

Predictor Coef SE Coef T P Constant -80,2 165,1 -0,49 0,630 SLAG3 0,0721 0,1742 0,41 0,682 SLAG2 -0,2695 0,2178 -1,24 0,225 SLAG1 0,3483 0,1994 1,75 0,090 safe 1 -0,2464 0,1533 -1,61 0,118 C100LAG3 -0,3193 0,1396 -2,29 0,029 C100LAG2 0,5713 0,1410 4,05 0,000 C100LAG1 0,2257 0,1419 1,59 0,121 C500LAG3 0,8803 0,2069 4,26 0,000 C500LAG2 -0,0453 0,1930 -0,23 0,816 C500LAG1 -0,2563 0,2081 -1,23 0,227 Cypergard 500 ml 0,3272 0,1954 1,67 0,103

S = 336,938 R-Sq = 73,7% R-Sq(adj) = 64,9%

Analysis of Variance

Source DF SS MS F P Regression 11 10487730 953430 8,40 0,000 Residual Error 33 3746408 113528

Total 44 14234138

Source DF Seq SS SLAG3 1 2751218 SLAG2 1 250738 SLAG1 1 58712 safe 1 1 230144 C100LAG3 1 538510 C100LAG2 1 3260245 C100LAG1 1 634609 C500LAG3 1 2347060 C500LAG2 1 26903 C500LAG1 1 71287 Cypergard 500 ml 1 318304

Unusual Observations

Cypergard

Obs SLAG3 100 ml Fit SE Fit Residual St Resid 24 550 150,0 849,8 224,0 -699,8 -2,78R 37 1000 2750,0 1833,3 173,1 916,7 3,17R

R denotes an observation with a large standardized residual.

3.

Cypergard 500 ml

The regression equation is

Cypergard 500 ml = 305 - 0,125 SLAG3 + 0,480 SLAG2 - 0,406 SLAG1 + 0,306 safe 1

- 0,038 C100LAG3 + 0,023 C100LAG2 - 0,084 C100LAG1 + 0,239 Cypergard 100 ml - 0,104 C500LAG3 + 0,018

C500LAG2

+ 0,338 C500LAG1

45 cases used, 3 cases contain missing values

Predictor Coef SE Coef T P Constant 304,6 131,4 2,32 0,027 SLAG3 -0,1250 0,1478 -0,85 0,404 SLAG2 0,4798 0,1713 2,80 0,008 SLAG1 -0,4057 0,1637 -2,48 0,018 safe 1 0,3058 0,1253 2,44 0,020 C100LAG3 -0,0379 0,1284 -0,30 0,770 C100LAG2 0,0226 0,1475 0,15 0,879 C100LAG1 -0,0838 0,1251 -0,67 0,507 Cypergard 100 ml 0,2393 0,1429 1,67 0,103 C500LAG3 -0,1040 0,2194 -0,47 0,639 C500LAG2 0,0184 0,1652 0,11 0,912 C500LAG1 0,3378 0,1723 1,96 0,058

S = 288,175 R-Sq = 62,0% R-Sq(adj) = 49,3%

Analysis of Variance

Source DF SS MS F P Regression 11 4472854 406623 4,90 0,000 Residual Error 33 2740474 83045

Total 44 7213328

Source DF Seq SS SLAG3 1 1950260 SLAG2 1 786183 SLAG1 1 1289 safe 1 1 923491 C100LAG3 1 2293 C100LAG2 1 214182 C100LAG1 1 17082 Cypergard 100 ml 1 212500 C500LAG3 1 2124 C500LAG2 1 44173 C500LAG1 1 319276

Unusual Observations

Cypergard

Obs SLAG3 500 ml Fit SE Fit Residual St Resid 21 150 1200,0 504,3 114,8 695,7 2,63R 22 200 1360,0 810,8 174,4 549,2 2,39R

RINGKASAN

MOKHAMMAD INDRAZAKTI.

Analisis peramalan penjualan menggunakan

metode kointegrasi pada produk Safe 1 dan Cypergard (500 ml dan 100 ml) di PT

Chemigard. Dibawah bimbingan MUHAMAD SYAMSUN

PT Chemigard merupakan industri pestisida pembasmi rayap yang berlokasi

di daerah Ciputat Tangerang - Banten. Produk pembasmi rayap yang diproduksi

oleh PT Chemigard adalah Cypergard dan Safe 1. Produk Cypergard terdiri dari

dua ukuran kemasan yang berbeda yaitu Cypergard 100 ml dan Cypergard 500

ml. Ketiga produk pembasmi rayap ini memiliki tingkat penjualan yang cukup

baik setiap tahunnya. PT Chemigard telah memasarkan produk pembasmi

rayapnya ke kota-kota besar seperti Jakarta, Surabaya, dan Medan. Peningkatan

pembangunan di kota-kota tersebut mendorong penjualan yang juga terus

mengalami kenaikan setiap tahunnya. Pada tahun 2007 total penjualan untuk

masing-masing produk adalah Cypergard 500 ml 6830 kemasan, Cypergard 100

ml 8500 kemasan, dan Safe 1 1000 kemasan dan pada tahun 2010 untuk

Cypergard 500 ml 14621 kemasan, Cypergard 100 ml 18950 kemasan, dan Safe 1

16000 kemasan.

Penjualan produk Safe 1 dan Cypergard (100 ml dan 500 ml) berfluktuatif

menyebabkan PT Chemigard memerlukan suatu instrumen untuk melihat

hubungan dan pengaruh penjualan suatu produk dengan produk lainnya. Hal ini

diperlukan untuk membantu PT Chemigard dalam mengontrol penjualan dari

ketiga produk dalam beberapa periode ke depan. Pengaruh dan hubungan setiap

produk dalam suatu perusahaan terkadang menyebabkan penurunan dan

peningkatan penjualan terhadap produk lainnya. Dengan analisis kointegrasi

perusahaan dapat melihat hubungan antara produk satu dengan produk lainnya

dan dapat mengetahui ramalan penjualan untuk target penjualan kedepannya.

Data yang telah didapatkan kemudian diolah dan dianalisis sesuai dengan

langkah langkah analisis kointegrasi sehingga dapat memberikan jawaban

permasalahan pada penelitian ini. Langkah-langkah analisis kointegrasi yaitu uji

stasioner, uji kausalitas granger, uji lag optimal, uji kointegrasi, estimasi vecm, uji

stabilitas data, dilanjutkan dengan

Impuls response Function (IRF) dan Forecast

Error Variance Decomposition (FEVD) untuk mendapatkan peramalan nya.

Berdasarkan hasil uji kointegrasi data yang diolah memiliki hubungan kointegrasi

pada produk Safe 1 dan Cypergard (500 ml dan 100 ml), dan berdasarkan IRF dan

FEVD hasil ramalan ketiga produk tersebut untuk periode 6 bulan cenderung

mengalami peningkatan walaupun adanya fluktuasi ringan dan produk yang

berpengaruh baik terhadap peningkatan penjualan semua produk adalah produk

Cypergard baik kemasan 500 ml maupun 100 ml. Sedangkan produk safe 1

berpengaruh positif terhadap penjualan dirinya sendiri dan penjualan produk

Cypergard 500 ml, tetapi berpengaruh negatif terhadap penjualan produk

Cypergard 100 ml.