Analisis Peramalan Penjualan Menggunakan Kointegrasi Antar Komoditas di Perusahaan Energi XYZ

I. PENDAHULUAN

1.1. Latar Belakang

Pada kehidupan sehari-hari manusia tidak akan lepas dari kebutuhan akan bahan bakar. Pentingnya bahan bakar minyak maupun bahan bakar yang berbentuk gas dalam kehidupan manusia adalah untuk kelangsungan hidup, sehingga harus dikembangkan dan dapat dimanfaatkan secara optimal. Kebutuhan manusia akan energi terutama terhadap energi yang dihasilkan oleh bahan bakar minyak (BBM) maupun bahan bakar yang berbentuk gas (BBG) merupakan salah satu bentuk dari energi kalor. Bahan bakar adalah materi yang bisa diubah menjadi energi. Salah satu contoh bahan bakar yang cukup populer adalah Bahan Bakar Minyak (BBM). Selain minyak mentah, Indonesia menghasilkan gas bumi yang di gunakan sebagai energi atau bahan bakar penganti BBM.

Permintaan bahan bakar minyak di Indonesia sangat tinggi. Namun, produksi minyak mentah Indonesia dari tahun ke tahun mengalami penurunan. Produksi tahun 2005 diperkirakan sebesar 1.113 juta barel/hari (176.967.000 liter/hari). Konsumsi BBM dalam negeri mengalami kenaikan sebesar 2 persen hingga 3 persen per tahun. Tahun 2005 konsumsi BBM sekitar 1.03 juta barel/hari (163.770.000 liter/hari). Kekurangan impor minyak mentah sebesar 208 ribu barel/hari (33.072.000 liter/hari), dan kekurangan impor BBM sebesar 210 ribu barel/hari (33.390 liter/hari). Kondisi tersebut merupakan dasar acuan bahwa BBM tidak dapat dijadikan bahan bakar utama untuk menunjang kehidupan. Kebijakan yang telah ditetapkan pemerintah disebut Kebijakan Energi Nasional (KEN) periode 2005-2025, dimana BBM yang mahal perlu segera disubsitusi dengan bahan bakar lain yang salah satunya adalah gas bumi (Purnomohadi, 2010).

Di negara-negara yang sedang berkembang, bahan bakar gas merupakan sumber perekonomian yang sangat fundamental. Gas bumi merupakan alternatif sumber energi yang penggunaannya semakin hari semakin meningkat. Hal ini didasarkan atas pengunaan gas alam yang lebih menguntungkan (lebih efisien), dibandingkan dengan gas alam, karena penggunaan energi gas bumi disamping bersih dan ramah lingkungan, serta tidak berbau, tidak korosif, tidak berwarna dan

tidak beracun. Di Indonesia, sumber energi yang sangat potensial adalah gas bumi di mana berdasarkan data awal produksi gas bumi pada tahun 2010 sebesar 9.336 MMSCFD, mengalami kenaikan sebesar 1.034 MMSCFD dari 8.302 MMSCFD pada tahun 2009. Kenaikan produksi tersebut antara lain karena mulai berproduksinya beberapa lapangan gas baru dan optimalisasi produksi sementara permintaan gas bumi di Indonesia, khususnya di Pulau Jawa, semakin meningkat.

Kebutuhan akan energi ini membuat meningkatnya permintaan energi tersebut, maka membutuhkan manajemen produksi maupun distribusi yang baik. Peningkatan akan kebutuhan permintaan bahan bakar minyak dan Gas menjadi suatu tantangan bagi industri yang bergerak dalam bidang minyak dan gas (MIGAS) untuk memenuhi peningkatan permintaan tersebut Pada tahun 2000 permintaan gas bumi Indonesia mencapai 7.094.100.0 MMSCFD kemudian meningkat terus menerus hingga mencapai 8.160.100.0 MMSCFD pada tahun 2005. Pada tahun 2010, permintaan gas diprediksi mencapai 10.7 TCF (skenario rendah) atau 12 TCF (skenario tinggi).

Berdasarkan peningkatan yang terjadi terhadap pemanfaatan atau permintaan bahan bakar gas dari tahun ke tahun merupakan suatu kesempatan yang harus dimanfaatkan oleh industri yang bergerak di bidang minyak dan gas untuk dapat memenangkan persaingan yang semakin ketat diantara industri minyak gas lainnya. Suatu manajemen produksi dan operasi yang baik sangatlah dibutuhkan untuk dapat unggul dalam persaingan. Salah satu faktor yang mempengaruhi efisiensinya suatu proses operasi yaitu baik atau buruknya suatu proses pasokan bahan baku untuk menjamin kelangsungan proses produksi yang berkelanjutan. Suatu proses produksi yang berkelanjutan juga membutuhkan teknik peramalan (forecasting) yang dapat membantu manajemen dalam mengambil keputusan untuk berproduksi. Suatu peramalan dibutuhkan untuk menunjang proses produksi agar tidak terhenti karena apabila proses produksi terhenti karena kekurangan bahan baku, maka perusahaan dapat mengalami kerugian yang sangat besar walaupun proses produksi hanya terhenti beberapa menit saja. Oleh karena itu, suatu teknik peramalan yang digunakan perusahaan sangat mempengaruhi keberlanjutan proses produksi perusahaan untuk mencapai target produksi yang telah ditetapkan. Suatu teknik peramalan yang baik dapat

memprediksi dengan tepat jumlah yang harus diperoleh untuk dapat berproduksi sesuai target yang telah ditetapkan. Salah satu teknik peramalan yang tepat yaitu dengan menggunakan model deret waktu (time series). Metode time series menggunakan data-data yang bersifat time series yaitu data yang dihimpun menurut urutan berdasarkan interval waktu yang sama secara berkala. Penggunaan data pasokan di masa lalu dapat memprediksi jumlah pasokan yang dibutuhkan perusahaan untuk berproduksi sesuai target pada masa yang akan datang.

Persaingan yang semakin ketat diantara industri yang bergerak pada bidang migas membutuhkan suatu teknik peramalan dan strategi pemasaran yang tepat. Salah satu industri migas di Indonesia yang sedang berkembang yaitu Perusahaan energi XYZ. Perusahaan migas energi XYZ membutuhkan suatu teknik peramalan yang tepat yaitu dengan menggunakan model deret waktu untuk membantu perusahaan dalam mengeluarkan keputusan dalam pengadaan bahan baku untuk memenuhi permintaan pasar yang semakin meningkat. Penggunaan model deret waktu ini dapat membantu perusahaan energi XYZ dalam mengusai pangsa pasar yang semakin meningkat. Suatu pemenuhan permintaan yang berkesinambungan akan menciptakan citra baik dan kepercayaan masyarakat untuk menggunakan produk dari perusahaan energi XYZ.

Perusahaan energi XYZ adalah salah satu perusahaan gas yang menjual gas alam untuk konsumen domestik. Perusahaan yang bergerak di bidang transmisi dan distribusi Energi ini merupakan penyedia Utama Energi untuk Indonesia. Perusahaan energi XYZ memiliki dua bidang usaha yaitu distribusi (penjualan) dan transmisi (transportasi) gas bumi melalui jaringan yang tersebar di seluruh wilayah usaha. Usaha distribusi meliputi kegiatan pembelian Energi dari pemasok dan penjualan Energi melalui jaringan distribusi ke pelanggan rumah tangga, komersial dan industri. Sedangkan usaha transmisi merupakan kegiatan pengangkutan (transportasi) Energi melalui jaringan pipa transmisi dari sumber-sumber gas ke pengguna industri. Perusahaan mendistribusikan produknya melalui jaringan distribusi ke para pelanggan dengan cara melalui pipa yang yang akan di salurkan ke konsumenya. Perusahaan energi XYZ merupakan pelaku utama dalam kegiatan usaha distribusi energi XYZ di Indonesia dengan pangsa pasar sebesar 94%. Perusahaan energi XYZ merupakan perusahaan yang dimiliki

oleh pemerintah sehingga pendistribusian produk hanya difokuskan untuk memenuhi kebutuhan pasar domestik yang semakin meningkat. Berikut ini Tabel gas yang disalurkan oleh perusahaan energi XYZ.

Tabel 1. Gas yang disalurkan oleh perusahan energy XYZ

Tahun Energi yang di salurkan ke pelanggan

2001 2.131.278 m3

2002 2.418.186 m3

2003 2.706.657 m3

2004 2.977.167 m3

2005 3.181.425 m3

2006 3.297.763 m3

Pentingnya suatu ketepatan teknik peramalan yang digunakan perusahaan yang ingin bersaing dalam industri migas seperti perusahaan energi XYZ untuk memenuhi peningkatan konsumsi masyarakat terhadap bahan bakar khususnya gas bumi dari tahun ke tahun dan melakukan startegi pemasaran dengan melihat hasil peramalan, maka Peneliti tertarik untuk membuat mengenai penelitian yang berkaitan dengan perusahaan yang bergerak di bidang Gas dengan topik ”Analisis Peramalan Penjualan menggunakan kointegrasi antar komoditas di Perusahaan Energi XYZ”

1.2. Perumusan Masalah

Sebagai perusahan yang menyalurkan energi dari produsen ke konsumen, merencanakan sebuah strategi pemasaran yang tepat akan mempengaruhi penjualan energi di perusahaan energi XYZ. Pada proses ini akan lebih baik bila perusahaan memiliki target penjualan secara kuantitatif dan kualitatif yang tepat. Analisis peramalan perusahaan akan mampu dengan jelas menentukan target dan perencanaan serta pejualannya yang baik untuk di seluruh wilayah penjualan dari energi tersebut.

Perusahaan energi XYZ harus mampu melakukan peramalan dengan berbagai metode permalan untuk mendapatkan metode dan hasil terbaik. Hasil peramalan yang baik inilah yang akan mempengaruhui prospek penjualan dan strategi pemasaran di masa mendatang sehingga peningkatan pendapatan perusahaan bisa dicapai. Pada persaingan antara industri migas yang semakin ketat, suatu teknik peramalan yang akurat akan mampu memberikan gambaran tentang masa depan perusahaan dan keberlangsungan penjualan suatu produk melalui proses perencanaan pemasaran yang matang. Atas dasar gambaran yang diperoleh, pihak manajemen perusahaan akan semakin mampu dalam meningkatkan kinerjanya melalui perencanaan yang baik dalam kaitannya dengan perumusan strategi pemasaran secara kopentitif maupun penciptaan program yang tepat sehingga angka penjualan pun terdongkrak. Berdasarkan uraian tersebut, maka permasalahan yang di angkat dalam penelitian ini :

1. Bagaimana kointegrasi antara penjualan gas dan pasokan gas di perusahaan energi XYZ?

2. Bagaimana penjualan dan pasokan gas Alam untuk 50 bulan kedepan dari penjualan oktober 2010 dan tingkat pengaruh antara pasokan dan penjualan ? 3. Bagaimana kointegrasi produk dan ramalan penjualan memiliki kontribusi

dalam perencanaan strategi yang mungkin diterapkan perusahaan ? 1.3. Tujuan Penelitian

1. Menganalisis kointegrasi antara penjualan gas dan pasokan gas di perusahaan energi XYZ

2. Mengetahui penjualan dan pasokan gas Alam untuk 50 bulan kedepan dari penjualan Oktober 2010 dan tingkat pengaruh antara pasokan dan penjualan. 3. Bagaimana kointegrasi produk dan ramalan penjualan memiliki kontribusi

1.4. Manfaat Penelitian

Adapun manfaat dari penelitian ini adalah : a. Perusahaan

Memberikan informasi atau masukan kepada perusahaan dalam meningkatkan jumlah distibusi dan penjualan untuk memenuhi kebutuhan domestik yang semakin meningkat, sebagai bahan pertimbangan pengembangan produk dalam meningkatkan produksi perusahaan.

b. Penulis

Sarana kegiatan belajar dalam menambah wawasan, pemahaman, pengalaman dan pengembangan ilmu dalam mengahapi suatu masalah dalam mendalam, melatih diri dalam mengemukkan dan menyelesaikan masalah secara mandiri dan ilmiah.

c. Pihak lain

Sebagai bahan informasi dan acuan bagi para peneliti dan pihak-pihak lain yang berkepentingan. Sebagai informasi dan referensi bagi para peneliti untuk melakukan penelitian pada biadang sejenis.

1.5 Ruang Lingkup Penelitian

Ruang lingkup penelitian ini yaitu analisis kointegrasi penjualan dan pasokan gas periode 2005 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 perusahaan energi XYZ

II. TINJAUAN PUSTAKA

2.1. Gas

Menurut Bachrawi (2002) Gas bumi adalah sebuah sejenis hidrokarbon yang berupa gas yang komponen terpentingnya yakni methane, ethane , propane dan heksana. Komponen utama dalam gas alam adalah metana (CH4), yang

merupakan molekul hidrokarbon rantai terpendek dan teringan. Gas alam juga mengandung molekul-molekul hidrokarbon yang lebih berat seperti etana (C2H6), propana (C3H8) dan butana (C4H10), selain juga gas-gas yang

mengandung sulfur (belerang). Gas alam juga merupakan sumber utama untuk sumber gas helium.

Metana adalah gas rumah kaca yang dapat menciptakan pemanasan global ketika terlepas ke atmosfer, dan umumnya dianggap sebagai polutan ketimbang sumber energi yang berguna. Meskipun begitu, metana di atmosfer bereaksi dengan ozon, memproduksi karbon dioksida dan air, sehingga efek rumah kaca dari metana yang terlepas ke udara relatif hanya berlangsung sesaat. Sumber metana yang berasal dari makhluk hidup kebanyakan berasal dari rayap, ternak (mamalia) dan pertanian (diperkirakan kadar emisinya sekitar 15, 75 dan 100 juta ton per tahun secara berturut-turut).

Tabel 2. Komponen gas

Komponen %

Metana (CH4) 80-95

Etana (C2H6) 5-15

Propana (C3H8) and Butane (C4H10) < 5

Nitrogen, helium, karbon dioksida (CO2), hidrogen sulfida (H2S), dan air dapat

juga terkandung di dalam gas alam. Merkuri dapat juga terkandung dalam jumlah kecil. Komposisi gas alam bervariasi sesuai dengan sumber ladang gasnya.

Gas bumi terdiri dari dua jenis yakni Associaced gas ialah gas bumi yang terdapat bersama- sama dengan minyak di dalam reservoir, termaksud gas yang

berasal dari tudung gas. Dan jenis Non Associated gas yakni gas bumi yang didalam reservoir tidak mengandung miyak dalam jumlah berarti

Bahan bakar berkelanjutan bersumber pada materi yang masih bisa digunakan lagi dan tidak akan habis keberadaannya di alam. Misalnya tenaga matahari. Gas alam sering juga disebut sebagai gas bumi atau gas rawa, adalah bahan bakar fosil berbentuk gas yang terutama terdiri dari metana CH4. Ia dapat

ditemukan di ladang minyak, ladang gas bumi dan juga tambang batu bara. Ketika gas yang kaya dengan metana diproduksi melalui pembusukan oleh bakteri anaerobik dari bahan-bahan organik selain dari fosil, maka ia disebut biogas. Sumber biogas dapat ditemukan di rawa-rawa, tempat pembuangan akhir sampah, serta penampungan kotoran manusia dan hewan.

Gas Alam adalah pilihan pertama energi dapat dilihat dari dua sisi, efisiensi pembakaran dan emisi gas. Efisiensi pembakaran gas alam lebih tinggi dari bahan bakar minyak, dan gas emisi dari pembakaran gas alam jauh lebih rendah dari pada bahan bakar minyak, karena yang dihasilkan NOx, SOx, dan COx jauh di bawah standar emisi.

Secara garis besar pemanfaatan gas alam dibagi atas 3 kelompok yaitu : Gas alam sebagai bahan bakar, antara lain sebagai bahan bakar Pembangkit Listrik Tenaga Gas/Uap, bahan bakar industri ringan, menengah dan berat, bahan bakar kendaraan bermotor (BBG/NGV), sebagai gas kota untuk kebutuhan rumah tangga hotel, restoran dan sebagainya. Gas alam sebagai bahan baku, antara lain bahan baku pabrik pupuk, petrokimia, metanol, bahan baku plastik (LDPE = low density polyethylene, LLDPE = linear low density polyethylene, HDPE = high density polyethylen, PE= poly ethylene, PVC=poly vinyl chloride, C3 dan C4-nya untuk LPG, CO2-nya untuk soft drink, dry ice pengawet makanan, hujan buatan, industri besi tuang, pengelasan dan bahan pemadam api ringan. Gas alam sebagai komoditas energi untuk ekspor, yakni Liquefied Natural Gas (LNG).

2.2. Teori Peramalan

Menurut Subagyo (1986) peramalan adalah apa yang akan terjadi pada waktu yang akan datang, sedang rencana merupakan penentuan apa yang akan dilakukan pada waktu yang akan datang. Dengan sendirinya terjadi perbedaan antara forecast dengan rencana. Forecast adalah peramalan apa yang akan terjadi, tetapi belum tentu bisa dilaksanakan oleh perusahaan.

Definisi dan tujuan peramalan adalah suatu usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan di masa lalu (Handoko, 1984). Dalam kehidupan sosial segala sesuatu itu serba tidak pasti, sukar untuk diperkirakan secara tepat. Dalam hal ini perlu diadakan forecast. Forecasting yang dibuat selalu diupayakan agar dapat meminimumkan pengaruh ketidakpastian ini terhadap perusahaan. Dengan kata lain forecasting bertujuan mendapatkan forecast yang bisa meminimumkan kesalahan meramal (forecast error) yang biasanya diukur dengan mean squared error, mean absolute error (Subagyo, 1986).

Proses peramalan menurut Handoko 1994, proses peramalan biasanya terdiri dari langkah-langkah sebagai berikut:

a. Penentuan Tujuan

Analisis membicarakan dengan para pembuat keputusan dalam perusahaan untuk mengetahui apa kebutuhan-kebutuhan mereka dan menentukan:

1) Variabel-variabel apa yang akan diestimasi, 2) Siapa yang akan menggunakan hasil peramalan,

3) Untuk tujuan-tujuan apa hasil peramalan akan digunakan, 4) Estimasi jangka panjang atau jangka pendek yang diinginkan, 5) Derajat ketepatan estimasi yang diinginkan,

6) Kapan estimasi dibutuhkan,

7) Bagian-bagian peramalan yang diinginkan, seperti peramalan untuk kelompok pembeli, kelompok produk atau daerah geografis.

b. Pengembangan Model

Setelah tujuan ditetapkan, langkah berikutnya adalah mengembangkan model, yang merupakan penyajian secara lebih sederhana sistem yang dipelajari. Dalam peramalan, model adalah suatu kerangka analitik yang apabila dimasukkan data

masukan menghasilkan estimasi penjualan di waktu mendatang (atau variabel apa saja yang diramal). Analisis hendaknya memilih suatu model yang menggambarkan secara realistis perilaku variabel-variabel yang dipertimbangkan. Sebagai contoh, bila perusahaan ingin meramalkan volume penjualan yang polanya berbentuk linier, model yang dipilih mungkin Y = A + BX, dimana Y menunjukkan besarnya volume penjualan; X menunjukkan unit waktu, serta A dan B adalah parameter-parameter yang menggambarkan posisi dan kemiringan garis pada grafik.

2.2.1 Tujuan Peramalan

Dalam dunia usaha sangat penting diperkirakan hal-hal yang terjadi di masa depan sebagai dasar untuk pengambilan keputusan, terutama dunia usaha itu merupakan bagian dari kehidupan sosial, dimana segala sesuatu yang terjadi serba tidak pasti, sukar diprediksi dengan tepat. Oleh karena itu perlu dilakukan sebuah peramalan yang dibuat selalu diupayakan agar dapat:

a. Meminimumkan pengaruh ketidakpastian terhadap perusahaan,

b. Forecasting bertujuan mendapatkan forecast yang bias meminimumkan kesalahanm peramal (forecast error) yang biasanya diukur dengan mean squared error(MSE), mean absolute error (MAE), dan sebagainya (Subagyo, 1986).

2.2.2 Metode Peramalan

Untuk memecahkan masalah dalam membuat peramalan harus mengunakan metode tertentu, semua metode peramalan memiliki ide yang sama, yaitu mengunakan data masa lalu untuk memperkirakan atau memperoyeksikan data di masa yang akan datang. Terdapat dua metode dalam peramalan, yaitu metode Peramalan kualitatif dan Peramalan Kuantitatif ( Baroto 1997) .

1. Metode Peramalan Kualitatif

Dalam Metode peramalan kulitatif digunakan bila tidak ada atau sedikit data masa lalu yang tersedia. Pendapat pakar dan prediksi mereka di jadikan dasar untuk menetapkan permintaan yang akan datang. Metode ini lebih mengandalkan judgment dan intuisi manusia ketimbang penggunaan data historis yang di miliki.

2. Metode Peramalan Kuantitatif

Untuk meramalan permintaan masa datang dengan metode peramalan kuantutatif menggunakan data masa lalu memadai tanpa penilaian atau prediksi pakar yang melakukan peramalan dengan data yang tersedia secara memadai dan tanpa intuisi maupun penilaian subjektif dari orang yang melakukan peramalan. Teknik kuantitatif biasanya dikelompokkan menjadi dua yaitu teknik statistik dan teknik deterministik.

2.2.3 Data time series

Data Time series (runtun waktu) merupakan data yang dihimpun meutut urutan berdasarkan interval waktu yang sama secara berkala. Di dunia bisnis, data deret waktu diperlukan sebagai bahan acuan pembuatan keputusan sekarang, untuk proyeksi maupun perencanaan di masa depan. Untuk dapat menggunakan data deret waktu dalam keperluan pembuatan proyeksi, perlu di ketahui beberapa asumsi yang penting antara lain :

a.) Adanya ketergantunagn kejadian masa yang akan datang dengan sebelumnya.

b.) Aktivitas di masa yang akan datang mengikuti pola yang terjadi di masa lalu.

c.) Hubungan atau keterkaitan masa lalau dapat ditentukan dengan observasi atau penelitian. Dalam hal ini, akurasi dan proyeksi yang dihasilakan tentu saja akan sangat tergantung pada seberapa jauh asumsi-asumsi ini dapat dipenuhui.

Data yang direkam didalam interval waktu yang sama dan jangka waktu yang tersebut relatif panjang maka disebut data runtun waktu. Interval waktu perekaman dapat sangat singkat (beberapa bagian dari satu detik saja) dan dapat cukup panjang (harian, mingguan, bulanan, tahunan dan bahkan puluhan tahun), tergantung dari macamnya data yang direkam. Analisis runtun waktu umumnya memerlukan cacah data yang banyak, oleh karena itu diperlukan rekaman data yang panjang.

Ada beberapa tahapan dalam melakukan analisa time series, yaitu : 1. Identifikasi Model

Tahap ini memilih model tepat yang bias mewakili deret pengamatan. Identifikasi model dilakukan dengan membuat plot time series. Dengan plot time series, kita dapat mengetahui pola data dan tren deret pengamatan

2. Taksiran Model

Tahap memilih taksiran model baik. Menaksirkan model di lakukan dengan metode kuadrat kecil atau maksimum likelihood

3. Diagnosa Model

Model yang di buat belum tentu sesuai dengan data yang dimiliki atau dengan model yang di buat. Mendiagnosais model yang telah dibuat dengan menyesuaikannya dengan hasil peramalan.

Eviews merupakan program statistika yang memberikan kelebihan dalam mengolah Analisys of Variance (ANOVA), desain eksperimen, pengendalian kualitas statistic, analisis multivariate, peramalan. Minitab memberikan fasikitas membuat grafik statistic secara mudah dan menampilkannya dalam bentuk lebih menarik, informasi, dan sekaligus memceritakan probabilitas.

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 Autoregressive (VAR)

Vector Autoregressive atau yang dikenal VAR metode yang didasari bahwa sebuah variable bukan saja dapat berlaku sebagai variable endogen tetapi juga dapat berlaku sebagai variable eksogen. Hal ini dapat terjadi karena dengan menggunakan pendakatan structural atas persamaan simultan biasanya menerapkan teori ekonomi di dalam usahanya untuk mendeskripsikan hubungan antara variable yang ingin diuji. Metode ini dikembangkan oleh Christoper Sims pada tahun 1980.

Pemanfaatan VAR untuk menganalisa antara lain (Arsana,2005) :

 Forecasting, ekstrapolasi nilai saat ini dan masa depan seluruh variabel dengan memanfaatkan seluruh informasi masa lalu variabel.

 Impulse Response Functions (IRF), melacak respon saat ini dan masa depan dari setiap variabel akibat perubahan atau shock suatu variabel tertentu.  Forecast Error Decomposition of Variance (FEDVs), prediksi konstribusi

persentase varians setiap variabel terhadap perubahan suatu variabel tertentu.  Granger Causality Test, mengetahui hubungan seba akibat antar variable. Model VAR memiliki beberapa keunggulan, antara lain : (Nachrowi, 2006)

1. Model VAR adalah model yang sederhana dan tidak perlu membedakan mana variable yang endogen dan mana yang eksogen. Semua variable endogen. 2. Cara estimasi model VAR sangat mudah, yaitu dengan menggunakan OLS

pada setiap persamaan secara terpisah.

3. Peramalan menggunakan VAR pada beberapa hal lebih baik disbanding menggunakan model dengan persamaan simultan yang lebih kompleks.

Namun demikian, model VAR mempunyai sisi kekurangan. Diantaranya adalah sebagai berikut :

1. Model VAR lebih bersifat a-teoritik karena tidak memanfaatkan informasi atau teori terdahulu. Oleh karenanya, model tersebut sering disebut sebagai model yang tidak structural.

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

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

4. Semua variable dalam VAR harus stationer, jika tidak stationer, maka harus ditransformasi terlebih dahulu.

5. Interpretasi koefisien yang didapat berdasarkan model VAR tidak mudah. 2.5. Vector Error Correction Model (VECM)

Vector Error Correction Model (VECM) adalah restricted Vector Autogression (VAR) yang berkointegrasi. VECM di desain untuk data time series non stationer yang berkontegrasi. VECM mempunyai hubungan kointegrasi yang dibangun melalui spesifikasi perilaku jangka panjang dari variabel –variabel endogen untuk menuju (converge) ke hubungan jangka panjang, serta memungkinkan dilakukan penyusuain jangka pendek secara dinamik.

2.6. Penelitian Terdahulu

Rusniar (2008), melakukan penelitian pergerakan nilai tukar rupiah dan empat mata uang Negara ASEAN dengan menggunakan model koreksi kesalahan Vector Error Correction Model (VECM). Hasil empiris penelitian menunjukkan bahwa dasar analisis FEDV (Forcasting Error Decompotisions Of Variance). Pergerakan nilai tukar rupiah terhadap sebelum krisis lebih dominan di pengaruhui oleh kurs rupiah itu sendiri, ringgit dan Bath. Sedangkakan dollar singapura dan peso hanya sedikit pengaruh terhadap pergerakan rupiah itu sendiri. Sedangkan pada periode setelah krisis nilai tukar rupiah masih dominan di pengruhui oleh rupiah itu sendiri dan dollar singapura, namun pengaruh bath justru sangat kecil. Untuk nilai tukar mata uang ASEAN lainnya sebelum krisis pergerakannnya lebih dipengaruhui oleh nilai tukar mata uang lain, sedangkan pada periode setelah krisis pergerakannya lebih dominan dipengaruhui oleh nilai tukar mata uang itu sendiri. Berdasarkan hasil analisis IRF, pada periode sebelum krisis rupiah tidak responsive dalam merespon mata uang ASEAN lain, sementara itu setelah krisis rupiah cukup responsive dalam merespon nilai tukar ASEAN

Nursechafia (2010), Melakukan penelitian pengaruh guncangan variabel makroekonomi terhadap dana pihak ketiga dan kredit perbangkan pada system perbankan ganda di Indonesia dengan bertujuan mengalisis dampak guncangan variabel makroekonomi tersebut terhadap DPK konversional, DPK syariah, dan pembiayaan syariah. Data skunder yang digunakan berupa data bulanan juni 2003 hingga 2008. Analisis data yang digunakan menggunakan metode Vector Autoregression (VAR) dan Vector Error Correction Model (VECM) . Fokus pembahasan dalam penilitian ini adalah hasil Impuls Response Function (IRF) dan Variance Decompotion (VD) berdasarkan hasil IRF, guncangan variabel RER, SBI, dan CPI sebesar satu standard deviasi direspons negative oleh seluruh model. Guncangan variabel IPI direspon positif oleh DPK konvensional, kredit konvensional, dan DPK syariah sedangkan guncangan variabel IPI direspon negative oleh pembiayaan syariah. Hasil IRF menjelaskan seberapa cepat periode kestabilan masing-msing model dalam mengahadapi guncangan variabel makroekonomi. Hasil VD menunjukan bahwa variabel RER memiliki pengaruh besar dalam menjelaskan variabilitas DPK konvensional dan pebiyaan syariah.

Adapun variabel CPI memberi pengaruh lebih besar terhadap DPK dan pembiyan syariah dibandingkan terhadap DPK dan kredit konvensional.

Murtiningsih (2009), melakukan penelitian guncangan variabel makro terhadap investasi bisnis properti di Indonesia. Penelitian ini bertujuan untuk mengetahui dampak guncangan variabel makro terhadap bisnis propertii serta dampak guncangan bisnis properti terhadap perekonomian di Indonesia. Data yang di gunakan adalah data time series bulanan periode Januari 2001 sampai Desember 2008. Sementara variabel-variabel yang digunakan adalah nilai kapitalisasi proyek properti (NKPP), Indeks Harga Saham Gabungan (IHSG), suku bunga SBI (SBI), pertumbuhan ekonomi (PE), nilai tukar nominal (KURS), Laju inflasi (INF), Non Perform Loan (NPL), investasi properti, serta total kredit properti (TKP). Metode yang digunakan adalah Vector Auto Regression (VAR) yang dikombinasikan dengan Vector Error Correction Model (VECM). Hasil penelitian menunjukan bahwa dari 8 variabel yang digunakan dalam penelitian ini, 3 diantaranya berpengaruh secara signifikan terhadap investasi bisnis properti. Variabel-variabel tersebut adalah nilai kapitalisasi proyek properti, laju inflasi dan Non Perform Loan (NPL). Sementara variabel indeks harga saham gabungan, suku bunga SBI, pertumbuhan ekonomi, nilai tukar nominal dan total kredit properti tidak berpengaruh secara signifikan terhadap investasi bisnis properti. Dampak guncangan yang terjadi pada variabel makro hamper semua direspon negatife oleh bisnis properti kecuali guncangan yang terjadi terhadap pertumbuhan ekonomi, laju inflasi, total kredit properti serta nilai kapitalisasi proyek properti itu sendiri yang di respons negarif. Sementara itu perekonomian nasional merespons fluktuatif guncangan yang terjadi pada bisnis properti. Penelitian ini hanya menganalisis dampak respons bisnis properti ketika terjadi guncangan ekonomi, tidak menganalisis sebelum terjadi guncangan.

III. METODE PENELITIAN

3.1. Kerangka Pemikiran Penelitian

Perusahaan memiliki tujuan yang pada dasarnya mendapatkan keuntungan demi kelancaran usahanya dan mampu bersaing dalam lingkungan bisnis secara global dengan memiliki kelebihan dibandingkan perusahaan lainnya. Kondisi pasar yang terus berubah dan munculnya fenomena dalam lingkungan pemasaran mengakibatkan perlunya peramalan dilakukan untuk memprediksi kejadian di masa yang akan datang.

Pada penelitian ini terlebih dahulu dilakukan pengumpulan informasi mengenai gambaran secara umum perusahaan beserta visi&,misi dan tujuan perusahaan. Terdapat dua jenis data yang digunakan untuk dilakukan analisis VAR (Vector Autoregression) dan analisis VECM (Vector Error Corection Model). Analisis VECM untuk menunjukkan adanya kointegrasi tetapi data tersebut tidak stasioner dan analisis VAR untuk menunjukkan data tersebut kointegrasi tapi stationer. Kemudian melakukan analisis IRF dan FEVD untuk melihat korelasi antara data pasokan dengan data penjualan yang kemudian dilakukan peramalan melalui analisis FEVD. Hasil analisis digunakan untuk merancang strategi pemasaran perusahaan tetapi hanya berbentuk sebuah saran untuk perbaikan strategi pemasaran perusahaan.

Pada penelitian ini menggunakan metode time series untuk meramalkan pasokan dan penjualan perusahaan, di mana hasil peramalan dapat digunakan sebagai acuan dalam menentukan jumlah produk yang dapat di pasarkan kepada konsumen industri komersil maupun rumah tangga. Dengan meramalkan permintaan dari penjualan, perusahan diharapkan dapat memasarkan produk Gas sesuai dengan permintaan dan diharapkan perusahaan dapat melakukan ekspansi perusahaan ke seluruh wilayah Indonesia. Setelah melakukan peramalan pasokan dan penjualan, kemudiaan melakukan identifikasi permasalahan terhadap pemasaran dari penjualan gas tersebut dengan merencanakan strategi dari hasil peramalan bulan kedepannya. Hal ini dilakukan untuk mengindentifikasi kendala

yang terdapat pada sistem pemasaran pada perusahaan. Kerangka pemikiran penelitian yang dilakukan dapat dilihat pada Gambar 1.

Gambar 1. Kerangka pemikiran Stabilitas

VAR

Model VECM Stabilitas VECM

VAR

Analisis Sebab Akibat (Kausalitas Granger)

Menentukan Lag Optimal

Impluse Respond Funtion

Dekomposisi Galat Peramalan

Forecasting Error Variance Decompotion (FEVD)

Hasil Analisis

Implikasi Manajerial ?

Ingin mengetahui hubungan antar pasokan gas dan penjualan gasdigunakan untuk menyususn

perencanaan yang lebih baik

Data Pasokan gas dan penjualan gas

Uji Stasioner

Stasioner Perusahaan Energi XZY

Uji Kointegrasi

Studi Pustaka dan diskusi

Tahapan Penelitian

Tahapan penelitian disajikan pada Gambar 2 berikut ini

Pra Penelitian

Pengumpulan dan pengolahan data

Analisis Data

Gambar 2. Tahapan penelitian

Identifikasi Minat Gagasan-gagasan

Penentuan Topik Penelitian

Pemilihan Topik Penelitian:

Analisis Peramalan Penjualan menggunakan kointegrasi antar komoditas di Perusahaan Energi XYZ

Perumusan Masalah :

1. Bagaimana kointegrasi antara penjualan gas dan pasokan gas di perusahaan energi XYZ

2. Bagaimana prediksi penjualan dan pasokan Gas Alam untuk 50 bulan kedepan dari penjualan oktober 2010 dan tingkat pengaruh antara pasokan dan penjualan

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

Rancangan Pengumpulan Data:

Identifikasi kebutuhan data, Metode pengumpulan data, Pemilihan teknik analisis

Tujuan Penelitian :

1. Mengetahui pola pasokan dan penjulana Gas Alam di Perusahaan Energi XYZ dari tahun 2005 sampai tahun 2010

2. Mengetahui penjualan dan pasokan Gas Alam untuk 50 bulan kedepan dari penjualan oktober 2010 dan tingkat pengaruh antara pasokan dan penjualan

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

Studi Pendahuluan

Penyusunan Riset Desain

Pengolahan Data Lapangan :

Observasi

Pengolahan Data :

1. Pengumpulan Data dan informasi 2. Identifikasi model Peramalan 3. Pengolahan data dan Analisis

1. Analisis Kointegrasi 2. Analisis IRF dan FEVD

Kesimpulan dan Saran

VAR Atau VECM

3.2. Lokasi dan Waktu Penelitian

Penelitian dilakukan di Perusahan Energi XYZ yang beralamat Jakarta. Perusahaan Energi XYZ di pilih untuk menjadi tempat penelitian ini merupakan perusahan yang menyediakan dan mendistribusikan dan menyalurkan Energi XYZ ke konsumen di Indonesia. Penelitian ini dilaksanakan pada bulan Januari 2011 sampai dengan Maret 2011

3.3. Metode Pengumpulan Data

Data yang di perlukan dari dua sumber yaitu data primer dan data skunder yang bersifat kualitatif dan kuantitatif. Data primer adalah data yang di peroleh secara langsung dari perusahaan dengan cara hasil analisa dan pengamatan langsung di lapangan serta wawancara langsung dengan pihak manajemen sebagai narasumber. Sedangkan data sekunder yang di dapatkan dari sumber-sumber lain yang berfungsi sebagai pelengkap dari data primer yang di kumpulkan dari buku-buku ataupun laporan penelitian yang relevan, baik itu berupa laporan bulanan dan tahunan menajemen perusahaan yang berkaitan dengan data penjualan, data distibusi dan lain-lain.

Metode yang digunakan dalam mengumpulkan data yang relevan untuk menunjang evaluasi dan analisa dalam penelitian adalah sebagai berikut :

 Observasi

Pengamatan langsung obyek penelitian dengan tujuan untuk memahami kondisi proses distribusi dan penjualan yang terjadi. Observasi dilakukan mulai dari bagian data entry sampai dengan produk dilakukan proses muat barang untuk didistribusikan ke pasar domestik.

 Wawancara

Melakukan wawancara khususnya kepada karyawan Perusahaan Energi XYZ bagian Divisi Pemasaran untuk mendapatkan data dan informasi yang relevan. Pelaksanaannya dilakukan secara langsung berhadapan muka dengan orang yang diwawancarai.

 Studi Literatur

Data sekunder adalah data yang berasal dari buku-buku, jurnal dan hasil penelitian terdahulu.

3.4. Pengolahan Data dan Analisis Data

Pengumpulan data yang di butuhkan kemudian diolah dan dianalisa sehingga dapat melihat gambaran dan penjelasan permasalahan dalam penelitian ini. Pengolahan dan analisis data di harapkan dapat menentukan langkah-langkah prospek pemasaran yang dapat dilakukan dalam pemasaran dan penjualan gas di Perusahaan Energi XYZ. Metode pengolahan data dan analisis data yang digunakan dalam penelitian akan di uraikan secara kualitatif dan kuantitaif. Analisis data kualitatif mengetahui keunggulaan yang dimiliki dari perusahan dari penjualan gas dan layanan dengan membandingkan dengan produk yang sama dari pesaing dan pengolahan data mengambarkan keadaan umum perusahaan. Sedangkan analisis data kuantitatif digunakan untuk meramalkan penjualan Gas selama 50 bulan kedepan dengan mengunakan analisis deret waktu (time series) sehingga hasil dari peramalan pejualan yang akan dijadikan landasan perencanaan penjualan satu tahun mendatang kemudian di jadikan prospek pemasaran terbaik pada bulan yang akan datang.

Data pasokan dan penjualan gas di perusahaan tersebut kemudian ditabulasikan dengan mengunakan bantuan program Microsoft Excel dan kemudian dimasukan ke program eviews 6. Setelah proses peramalan di ketahui maka disusun kedalam strategi pemasaran untuk menganalisa dan menetukan faktor-faktor kendala yang digunakan untuk pemasaran optimal ke depan, untuk sampai pada proses analisis tersebut VAR atau VECM terdapat beberapa tahap langkah yang harus di lakukan sebagai berikut :

Gambar 3. Langkah analisis VAR atau VECM

3.4.1 Uji stationeritas Data.

Uji stationer sangat penting dalam analisis time series. Pengujian stasioneritas ini dilakukan dengan menguji akar-akar unit. Data yang tidak stationer akan mempunyai akar-akar unit, sebaliknya data yang stationer tidak ada akar-akar unit. Data yang tidak stationer akan menghasilkan regresi lancing yaitu regresi yang menggambarkan hubungan dua variabel atau lebih yang nampaknya signifikan secara statistik padahal kenyataannya tidak atau tidak sebesar regresi yang dihasilkan tersebut (Laksani, 2004).

Salah satu cara yang dapat digunakan untuk mengetahui kestationeran data adalah pengujian akar-akar unit dengan metode Dickey Fuller (DF). Misalkan model persamaan time series sebagai yt = pyt-1 + e. Dengan mengurangkan kedua sisi persamaan tersebut dengan yt-1 maka akan didapatkan persamaan :

Dimana ∆ merupakan perbedaan pertama dan δ = (p-1) sehingga hipotesis yang diuji adalah Ho : δ < 0. Model pengujian unit root yang digunakan dalam banyak penelitian adalah model Aughmented Dickey Fuller (ADF) test. Model umum dari ADF adalah sebagai berikut :

∆yt = k + αyt-1+ c1∆yt-1 + c2∆yt-2 +….+ cp∆yt-p + et ...(1) Hipotesis yang diuji pada uji ADF adalah apakah Ho : δ = 0 dengan hipotesis alternatif Ho : δ < 0. Jika nilai ADF statistiknya lebih kecil dari Mac Kinnon Critical value maka hipotesis nol yang menyatakan bahwa data tidak stationer ditolak terhadap hipotesis alternatifnya dengan kata lain dengan menolak Ho berarti data stationer. Solusi yang dapat dilakukan apabila data tidak stationer pada uji ADF adalah dengan melakukan difference non stationery process. Test tersebut dilakukan untuk meningkatkan akurasi dari analisis apabila data yang di amati stationer. Test ini hanya merupakan pelengkap dari analisis VAR karena tujuan dari analisis VAR adalah untuk menilai adanya hubungan timbal balik diantara variabel yang diamati.

3.4.2 Uji korelasi parsial

Uji korelasi Parsial digunakan untuk mengukur keeratan. hubungan antara dua variabel yaitu variabel penjualan dan pasokan. Tingkat keeratan hubungan (koofisiensi korelasi) bergerak dari 0-1, jika r mendekati 1 (misalnya 0,95) ini dikatakan bahwa memliki hubungan yang sangat erat sebaliknya, jika mendekati 0 (misalnya 0.10) dapat dikatakan mempunyai hubungan yang rendah.

3.4.3 Uji Kaulitas Grenger

Uji Kaulitas granger digunakan untuk membuktikan membuktikan apakah suatu variabel mempunyai hubungan dua arah, atau hanya satu arah saja. 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.

3.4.4 Uji Lag Optimal

Uji lang optimal dilakukan untuk mengetahui berapa jumah selang yang sesuai untuk diamati. 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): AIC = T Log | | + 2n...(2) Dimana:

T = jumlah observasi yang digunakan

| | = determinan dari matriks raga/koragam dari sisaan

n = jumlah parameter yang diestimasi dalam semua persamaan 3.4.5 Uji Kointegrasi

Metode kointegrasi yang dapat digunakan diantaranya metode kointegrasi metode kointegrasi Johansen untuk memperoleh hubungan jangka panjang antara variabel-variabel dalam model. Metode kointegrasi Johansen digunakan karena dalam penelitian ini menggunakan metode analisis VAR. Metode kointegrasi Johansen ini berbeda dengan metode Engle Granger yang biasanya menggunakan satu persamaan saja. Metode kointegrasi dilakukan untuk melihat secara empirik hubungan antara teori jangka panjang (the long run theory) dan dinamika jangka pendek.

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): : r = 0 : 0 < r < g

: r = 0 : 0 < r < g : r = 0 : 0 < r < g

... ...

: r = g-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.

3.4.6 Uji Stabilitas Model

Metode yang digunakan untuk melakukan analisis pengaruh terhadap pasokan dan penjulan gas di Perusahaan energi XYZ adalah analisis impuls respons (IRF) dan analisis peramalan dekomposisi ragam dahulu (FEDV). Namun kedua analisis di uji harus di uji stabilitas VAR dilakukan dengan characteristic poliminal. Jika semua akar dari fungsi polinominal tersebut berada didalam unit circle atau jika nilai absolutnya < 1 maka model var tersebut dianggap stabil sehingga IRF dan FEVD yang dihasilkan dianggap valid (Windarti, 2004).

3.4.7 Analisis Impuls Respon Function (IRF)

VAR adalah metode yang digunakan untuk menentukan sendiri struktur dinamisnya dari suatu model. Setelah melakukan uji VAR, dibutuhkan adanya metode yang dapat mencirikan struktur dinamis yang dihasilkan oleh VAR secara jelas. Pengujian ini dilakukan untuk menguji sturktur dinamis dari sistem variabel dalam model yang dicerminkan oleh variabel inovasi (innovation variable). Salah satu bentuk dari test ini adalah Impuls Respon Function (IRF).

IRF dapat menunjukan respon dari setiap variable endogen sepanjang waktu terhadap kejutan dari variabel itu sendiri dan variabel endogen lainnya. IRF dapat juga mengindetifikasikan suatu kejutan pada satu variabel endogen sehingga dapat menentukan bagaimana suatu perubahan yang tidak diharapkan dalam variabel mempengaruhui variabel lainnya sepanjang waktu. Maka, IRF digunakan untuk melihat pengaruh kontemporer dari sebuah variabel dependen jika

mendapatkan guncangan atau inovasi dari variabel independen sebesar satu standard deviasi. Hasil IRF tersebut sangat peka terhadap pengurutan (ordering) variabel yang digunakan dalam perhitungan. Pengurutan variabel yang didasarkan pada faktorisasi cholesky 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 diantara kedua variabel tersebut berdasarkan nilai matriks korelasi yang menyatakan tingkat korelasi paling besar.

Kebutuhan ordering ini bisa melalui uji kausalitas Grenger, dimana urutan variabel berdasarkan pada variabel yang paling banyak signifikan mempengaruhi variabel lain. IRF juga digunakan untuk mengetahui berapa lama pengaruh shock dari satu variabel terhadap variabel yang lain terhadap variabel yang lain tersebut terjadi. IRF berfungsi untuk mengisolasi suatu guncangan agar lebih spesifik artinya variabel ekonomi hanya dipengaruhui oleh shock atau guncangan tertentu saja. Apabila hal tersebut tidak dilakukan, maka shock spesifik tersebut tidak dapat diketahui dan yang dapat diketahui adalah shock secara umum.

3.4.8 Analisis Forecast Error Decomposition Of Variance (FEDV)

Forecast Error Decompostion of Variance (FEDV) mampu memberikan informasi mengenai variabel inovasi yang relative lebih penting dalam VAR. Metode ini dapat digunakan untuk melihat bagaimana perubahan dalam suatu variabel makro, yang ditunjukan oleh perubahan variance error yang di pengaruhi oleh variabel-variabel lainnya. Metode ini digunakan untuk merincikan struktur dinamis dalam model VAR. Menggunakan metode ini dapat dilihat juga kekuatan dan kelemahan dari masing-masing variabel dalam mempengaruhui variabel lainnya pada kurun waktu yang panjang (howlong / how persistent).

Dekomposisi varians merinci varians dari error peramalan (forecast) menjadi komponen-komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model. Melakukan perhitungan persentase squared prediction error k-tahap ke depan dari sebuah variabel akibat inovasi dalam variabel-variabel lain, dapat dilihat seberapa error peramalan variabel tersebut disebabkan oleh variabel itu sendiri dan variabel-variabel lainnya.

IV.HASIL DAN PEMBAHASAN

4.1. Gambaran Umum Perusahaan 4.1.1 Sejarah Singkat PT. Energi XYZ

Semula pengusahaan gas XYZ di Indonesia adalah perusahaan gas swasta Belanda yang berdiri pada tahun 1859. Pada tahun 1958 perusahaan tersebut dinasionalisasi yang selanjutnya pada tanggal 13 Mei 1965 berubah menjadi Perusahaan ENERGI XYZ. Tanggal inilah yang kemudian diperingati sebagai hari jadi ENERGI XYZ pada tiap tahunnya. Perusahaan ini mulai menyalurkan gas alam menggantikan gas buatan dari batu bara dan minyak yang tidak ekonomis pada tahun 1974. Konsumennya adalah sektor rumah tangga, komersial dan industri. Penyaluran gas alam untuk pertama kali dilakukan di Cirebon tahun 1974, kemudian disusul berturut-turut di wilayah Jakarta tahun 1979, Bogor tahun 1980, Medan tahun 1985, Surabaya tahun 1994, dan Palembang tahun 1996.

Berdasarkan kinerjanya yang terus mengalami peningkatan, maka pada tahun 1984 statusnya berubah menjadi Perum dan pada tahun 1994 statusnya ditingkatkan lagi menjadi Persero dengan penambahan ruang lingkup usaha yang lebih luas yaitu selain di bidang distribusi gas bumi juga di bidang yang lebih ke sektor hulu yaitu di bidang transmisi, dimana Perusahaan energi XYZ berfungsi sebagai transporter

A. Visi Perusahaan

Menjadi perusahaan kelas dunia di bidang pemanfaatan gas bumi. B. Misi Perusahaan

Meningkatkan nilai tambah perusahaan bagi stakeholder melalui : a. Penguatan bisnis inti di bidang transportasi, niaga gas bumi dan pengembangannya;

b. Pengembangan usaha pengolahan gas;

c. Pengembangan usaha jasa operasi, pemeliharaan dan keteknikan yang berkaitan dengan industri migas;

d. Profitisasi sumber daya dan asset perusahaan dengan mengembangkan usaha lainnya.

4.1.2 Perkembangan PT Energi XYZ

Perusahaan energi XYZ merupakan perusahaan infrastruktur yang berpengalaman menyalurkan dan menyediakan gas bumi bagi kepentingan umum (public utility). Sebagai perusahaan infrastruktur, Perusahaan energi XYZ memiliki jaringan pipa transmisi dan distribusi yang handal. Kegiatan usaha perusahaan XYZ adalah transporter, distributor dan trader di bidang gas bumi. Sebagai transporter, Perusahaan Energi XYZ menyediakan infrastruktur jaringan pipa transmisi yang menghubungkansumber-sumber gas ke konsumen akhir atau ke stasiun penerima di jaringan distribusi. Sebagai distributor, perusahaan energi XYZ menyediakan infrastruktur jaringan pipa distribusi yang menghubungkan stasiun penerima dengan konsumen akhir yaitu kepada pelanggan rumah tangga, komersial dan industri. Tugas utama Perusahaan energy XYZ di bidang distribusi adalah untuk meningkatkan pemanfaatan energi melalui pendayagunaan gas bumi sebagai substitusi BBM. Sebagai trader perusahaan energi XYZ melaksanakan pembelian gas dari produsen dan menjualnya kepada pelanggan Rumah Tangga, Komersial dan Industri melalui jaringan pipa.

Pada bulan Januari 2002, Perusahaan energi XYZ melakukan restrukturisasi usaha menjadi 3 (tiga) Strategic Business Unit (SBU), wilayah distribusi seperti SBU A, SBU B dan SBU C, dan pada tahun 2003 perusahaan energi XYZ 1 (satu) Unit Transmisi Sumatera Tengah (UTST) yang kemudian menjadi anak perusahaan. Pada akhir tahun 2006 dibentuk juga Strategic Business Unit (SBU) Transmisi Sumatera-Jawa, dan pada awal Januari 2007 secara resmi didirikan anak perusahaan bidang telekomunikasi. Adapun secara lengkap, wilayah usaha Perusahaan Energi XYZ dapat dijelaskan sebagai berikut :

1. SBU Distribusi Wilayah A

Mencakup SBU usahadistribusi gas bumi di wilayah-wilayah Jakarta, Banten, dan Jawa Barat, termasuk Sumatera Selatan dan Lampung.

2. SBU Distribusi Wilayah B

Wilayah ini mencakup jaringan eksisting di Jawa Timur. 3. SBU Distribusi Wilayah C

Wilayah ini mencakup jaringan eksisting di Sumatera Utara, Batam, dan Pekanbaru.

4.4.3 Lokasi Perusahaan

Kantor pusat Perusahaan Energi XYZ terletak Jakarta. Namun perusahaan memliki 3 kantor cabang di masing-masing Strategic Business Unit (SBU) untuk wilayah usaha transmisi Sumatera-Jawa

4.1.4 Struktur organisasi

Untuk meningkatkan mutu hasil kerja, maka Perusahaan senatiasa mengembangkan diri dari segi teknik maupun non tekniks, diketahui bahwa Perusahaan Energi XYZ saat ini baru berkiprah dalam kegiatan distribusi gas dengan manajemen terpusat, dimana kegiatan bisnisnya meningkat selama lima tahun terakhir dengan kondisi keuangan yang baik. Akan tetapi dengan adanya rencana pengembangan usaha yang saat ini hanya bergerak dibidang distribusi gas, menjadi perusahaan yang akan bergerak dibidang transmisi dan distribusi gas, maka perlu dilakukan perubahan struktur organisasi dimana Perusahaan Energi XYZ sebagai holding company dengan bentuk struktur organisasi multidivisi dengan penerapan manajemen tidak terpusat. Pada akhirnya, keberhasilan pelaksanaan dari proses perubahan struktur organisasi ini selain bermula dari perumusan strateginya, perlu perhatian terhadap momentum waktu dalam pelaksananaan dan keterbukaan dalam informasi bagi segala lapisan yang terkait.

4.2. Indetifikasin pola data

Dalam menetukan metode-metode peramalan yang akan diujikan terlebih dahulu diperhatikan pola datanya atau sifat pergerakan dari deret data yang akan di ramalkan. Hal ini penting dilakukan, karena beberapa metode peramalan memiliki aumsi yang berbeda tentang pola pergerakan data. Adapun data pasokan pada Perusahan energi XYZ pada periode januari 2005-desember 2010 seperti pada lampiran 1 dan lampiran table 2. Plot data pasokan Gas pada Perusahaan Gas XYZ dapat di lihat pada gambar

5.6 5.8 6.0 6.2 6.4 6.6 6.8 7.0

2005 2006 2007 2008 2009

PASOKAN

Gambar 4. Plot pasokan gas

Plot data penjualan Gas pada Perusahaan Gas XYZ dapat di lihat pada gambar

5.4 5.6 5.8 6.0 6.2 6.4 6.6 6.8

2005 2006 2007 2008 2009

PENJUALAN

Gambar 5. Plot penjualan gas

Plot data menunjukan bahwa pasokan dan sedangkan penjualan Gas memiliki pola data yang mengalami peningkatan. Hal tersebut dapat di lihat dari sepanjang tahun 2005 sampai tahun 2010 yang cenderung naik.

4.2.1 Uji stasioneritas

Uji stasioneritas merupakan utama dan langkah penting untuk menjelaskan model koreksi kesalahan pada data time series nonstationer dan mengetahui penerapan model koreksi kesalahan. Dalam penelitian ini, uji stasioneritas yang digunakan adalah uji pasokan gas dan uji penjualan gas. hubungan keseimbangan jangka panjang antara variabel-variabel yang berhubungan sangat diperlukan untuk melakukan peramalan. Hasil peramalan ini sangat berguna sebagai alat pengambilan keputusan. Hubungan jangka panjang tersebut dapat diketahui melalui pendekatan kointegrasi. Kointegrasi merupakan hubungan antara variabel-variabel yang stasioner pada derajat yang sama. Sehingga stasioneritas merupakan syarat yang penting dalam pendekatan kointegrasi Apabila variabel yang digunakan tidak stasioner akan menyebabkan hasil regresimeragukan atau disebut regresi lancung (spurious regression). Regresi lancung adalah situasi dimana hasil regresi menunjukkan koefisien regresi yang signifikan dan nilai koefisien determinasi yang tinggi namun hubungan antara variabel independen dan variabel dependen di dalam model tidak saling berhubungan. Hal ini terjadi karena hubungan keduanya yang merupakan data time series hanya menunjukkan trend saja. Untuk melakukan uji stasioneritas digunakan uji akar unit. Uji akar unit mula-mula dikembangkan oleh D.A. Dickey dan W.A. Fuller yang dikenal sebagai uji akar unit Dickey-Fuller. Uji akar unit Dickey-Fuller mengasumsikan bahwa residual t e adalah residual yang bersifat independen dengan rata-rata nol, varian konstan, dan tidak saling berhubungan (non autokorelasi). Akan tetapi dalam banyak kasus, residual t e sering kali saling berhubungan atau mengandung unsur autokorelasi. Sehingga perlu dikembangkan uji akar unit terhadap data yang mengandung autokorelasi pada residual t e .

Untuk mengembangkan uji akar unit Dickey-Fuller pada permasalahan data dengan sifat autokorelasi pada residual, digunakan uji akar unit yang dikembangkan oleh Peter C.B. Phillips dan P.Perron. Uji ini dilakukan dengan menggunakan metode statistik nonparametric dalam menjelaskan adanya autokorelasi antara residual tanpa memasukkan variabel independen kelambanan diferensi. Keuntungan menggunakan uji ini adalah asumsi bahwa tidak terdapat bentuk fungsi untuk variabel proses residual sehingga uji PP dikatakan uji non

parametrik. Karena bersifat non parametrik maka uji PP dapat digunakan untuk banyak kasus dan pada sampel yang besar, uji PP akan menunjukkan hasil yang bagus. Uji stasioneritas dengan Uji Akar Unit Phillips-Perron (PP), dilakukan dengan hipotesis.

H0 : α = 1( t Y tidak stasioner) H1 : α < 1( t Y stasioner)

Tabel 3. Hasil uji stasioneritas

Variable Level 1’st Differencs

p-value Keterangan p-value Keterangan

PASOKAN 0.5305* Tidak stasioner 0.0000 Stasioner

PENJUALAN 0.1729* Tidak stasioner 0.0000 Stasioner

Keterangan : ADF Pasokan> nilai kritis ADF = tidak stasioner; ADF Penjualan<nilai kritis = tidak stationer

ADF=stasioner;signifikan pada **) α =1%

Hasil uji akar unit pada level menunjukan bahwa semua variabel belum stationer pada tarif nyata yang digunakan yaitu lima persen. Penelitian yang menggunakan data yang belum stationer ini akan menghasilkan regresi lancung (spurious regression) yaitu regresi yang menggambarkan hubungan antara dua variabel atau lebih yang Nampak signifikan severa statistic tapi kenyatannya tidak atau tidak sebesar yang Nampak dari regresi yang dihasilkan. Akibatnya terjadi mislending dalam penelitian terhadap suatu fenomena ekonomi yang sedang terjadi. Oleh karena itu, penggujian akar unit di lanjutkan dengan melakukan uji akar unit firstdifference.

Pada Table 3 terlihat bahwa pengujian akar pada tingkat firt difference menunjukan bahwa semua data sudah stationer. Hal ini terlihat dari nilai probilitas yang lebih kecil dari taraf nyata yaitu lima persen. Dengan demikian dapat dijelaskan bahwa seluruh variabel yang akan diestimasi dalam penlitian ini telah stasioner. Penggunan data firt difference tidak dianjurkan karena akan menghilangkan informasi jangka panjang, sehingga model VAR akan dikombinasikan dengan model VECM agar tidak menghilangkan informasi jangka panjang tersebut. Dalam penelitian ini dapat disimpulkan model yang dipilih adalah VECM.

4.2.2 Uji korelasi parsial

Dalam penelitian ini, menunjukan bagaimana mengukur keeratan hubungan antara pasokan gas dan penjualan gas tersebut. Korelasi parsial adalah korelasi antara satu variabel bebas dengan variabel terikat dengan dengan variabel bebas lainnya bersifat tetap.

Tabel 4. Hasil analisis korelasi parsial

Analisis korelasi parsial Covariance Analysis: Ordinary Date: 06/10/11 Time: 13:48 Sample: 2005M01 2009M09 Included observations: 57 Correlation

Probability PENJUALAN PASOKAN

PENJUALAN 1.000000

---

PASOKAN 0.802378 1.000000

0.0000 ---

Berdasarkan hasil analisis korelasi parsial di atas dapat disimpulkan bahwa hubungan variable anatara penjualan dengan pasokan sebesar 0.802378 dengan Nilai-P (0.000)<ALPHA 1 Persen Artinya hubungan antara penjualan dengan pasokan sangat kuat dan searah, jika pasokan meningkat maka penjualan meningkat.

.4.2.3 Uji Kaulitas Grenger

Uji ini pada intinya mengindikasikan apakah suatu variable mempunyai hubungan dua arah, atau hanya satu arah saja, dan uji Kausalitas Granger yang dilihat adalah pengaruh masa lalu terhadap kondisi sekarang, sehingga data yang digunakan adalah data time series. Uji Kausalitas Granger digunakan untuk mengetahui hubungan antara variabel satu dengan variabel lainnya saling mempengaruhi. Berkaitan dengan uji ini, tahap awal yang harus dilakukan adalah menentukan panjang lag optimal dengan menggunakan kriteria likehood Ratio (LR) kemudian mengestimasinya. Penggunaan lag optimum pada uji kausalitas Granger adalah satu karena data stasioner pada tingkat first difference. Setelah di dapat hasil uji kausalitas Granger, maka untuk menentukan signifikan tidaknya

antar variabel adalah dengan membandingkan F hitung dengan F tabel. Jika F hitung lebih besar dari F tabel maka signifikan, begitupun sebaliknya.

Tabel 5. Hasil uji kausalitas Grenger

Pairwise Granger Causality Tests Date: 06/10/11 Time: 13:49 Sample: 2005M01 2009M09 Lags: 1

Null Hypothesis: Obs F-Statistic Prob.

PASOKAN does not Granger Cause PENJUALAN 56 2.35442 0.1309

PENJUALAN does not Granger Cause PASOKAN 0.05907 0.8089

Dalam tabel 5 berdasarkan uji kausalitas Granger menunjukan bahwa pada lag 1 variabel-variabel yang digunakan yaitu Pasokan tidak berpengaruh signifikan terhadap penjualan karena probabilitas lebih kecil daripada nilai kritisnya yaitu α= 1 persen, sedangkan variabel Penjualan tidak signifikan berpengaruh terhadap Pasokan yaitu α= 8 persen.Berdasarkan uji kaulitas Granger kedua hipotesis memiliki nilai-P > alpha 5 persen artinya tidak ada hubungan sebab akibat antara pasokan dan penjualan.

4.2.4 Uji lag optimum

Penentuan panjang lag menjadi tahap yang penting karena lag terlalu pendek berisiko terjadi kesalahan spesifikasi model, sedangkan lag terlalu panjang banyak mengurangi derajat kebebasan. Untuk menghindari kesalahan spesifikasi, penentuan panjang lag dalam penelitian ini menggunakan kriteriaAkaike (AIC). 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 6. Hasil lag optimum

VAR Lag Order Selection Criteria

Endogenous variables: PASOKAN PENJUALAN Exogenous variables: C

Date: 06/10/11 Time: 13:49 Sample: 2005M01 2009M09 Included observations: 52

Lag LogL LR FPE AIC SC HQ

0 -14.70960 NA 0.006519 0.642677 0.717725 0.671448

1 109.6900 234.4453* 6.36e-05* -3.988075* -3.762932* -3.901760*

2 111.1647 2.665944 7.01e-05 -3.890951 -3.515712 -3.747093

3 113.3040 3.702610 7.55e-05 -3.819385 -3.294050 -3.617984

4 114.9980 2.801663 8.28e-05 -3.730694 -3.055264 -3.471750

5 116.7326 2.735321 9.08e-05 -3.643563 -2.818037 -3.327076

* indicates lag order selected by the criterion

LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error

AIC: Akaike information criterion SC: Schwarz information criterion HQ: Hannan-Quinn information criterion

Berdasarkan hasil table di atas nilai LR, FPE, AIC dan SC menentukan panjang lag yang sama yaitu pada lag ke satu. Karena empat kriteria memberikan hasil yang sama, maka dipilih panjang lag satu.

4.2.5 Uji kointegrasi

Uji kointegrasi dilakukan untuk melihat suatu hubungan ekulibrium jangka panjang anatara variable-variabel yang tidak stationer tetapi memliki kombinasi linier yang stationer 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 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 7. Hasil Uji kointegrasi

Date: 06/10/11 Time: 13:53

Sample (adjusted): 2005M07 2009M09 Included observations: 51 after adjustments Trend assumption: Quadratic deterministic trend Series: PASOKAN PENJUALAN

Lags interval (in first differences): 1 to 5 Unrestricted Cointegration Rank Test (Trace)

Hypothesized Trace 0.05

No. of CE(s) Eigenvalue Statistic Critical Value Prob.**

None * 0.299910 21.28805 18.39771 0.0192

At most 1 0.059051 3.104198 3.841466 0.0781 Trace test indicates 1 cointegrating eqn(s) at the 0.05 level

* denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values

Berdasarkan uji akar-akar unit diketahui bahwa semua data tidak stasioner pada derajat nol kecuali variabel Pasokan dan Penjualan, sementara hasil uji derajat integrasi pada diferensi pertama terlihat bahwa variabel-variabel yang digunakan telah stasioner pada derajat kepercayaan 5%. Dengan demikian dapat dijelaskan bahwa seluruh variabel dalam penelitian ini telah stasioner pada derajat integrasi yang sama. Setelah mengetahui karakteristik masing-masing data yang akan digunakan dalam penelitian, maka hubungan jangka panjang dari model analisis dapat diketahui melalui uji kointegrasi Johansen. Hubungan saling mempengaruhi dapat di lihat dari kointegrasi yang terjadi antar variabel itu sendiri. Jika terdapat kointegrasi antar variabel maka hubungan saling mempengaruhi berjalan secara menyeluruh dan informasi yang tersebar secara paralel.

Hasil Uji kointegrasi Johansen menunjukkan ada 1 vektor kointegrasi . Hal ini menunjukkan bahwa kedua data tersebut saling terintegrasi. Nilai-P(0.0192)<ALPHA 5 persen maka artinya terkoitegrasi seimbang jangka panjang.

4.2.6 Uji Stabilitas Model

Pengujian selanjutnya adalah menguji stabilitas model VECM yang digunakan Kestabilitas model yang digunakan mutlak perlu karena jika model yang digunakan tidak stabil, maka estimasi model pun menjadi tidak valid, demikian pula yang digunakan hasil IRF dan FEVD-nya.. Jika model memiliki stabilitas maka hasil estimasinya akan tidak berubah dengan deviasi yang besar meskipun periode nya diperpanjang sehingga hasil estimasinya dapat dipertanggungjawabkan. Berdasrakan hasil Pada Tabel 8 terlihat nilai akar karakteristik atau modulus semuanya menunjukan nilai kurang dari satu, sehingga dapat disimpulkan bahwa model vecm yang digunakan memiliki stabilitas.

Tabel 8. Hasil uji Stabilitas Model

Roots of Characteristic Polynomial

Endogenous variables: PASOKAN PENJUALAN Exogenous variables: C

Lag specification: 1 1 Date: 06/10/11 Time: 13:54

Root Modulus

0.967162 0.967162

0.902248 0.902248

No root lies outside the unit circle. VAR satisfies the stability condition.

4.2.7 Impluse Response Function (IRF)

Impulse Response adalah respon variabel endogen akibat adanya akibat adanya kejutan dari variabel endogen yang lain. Dengan menggunakan analisis Impulse Respon dapat disimulasikan dampak perubahan salah satu variabel bebas terhadap fluktuasi variabel terikatnya pada masa yang akan datang. Dalam penelitian ini, IRF digunakan untuk menetukan respon variabel penjualan gas dan pasokan gas di perusahaan energi XYZ terhadap guncangan (shock) dan melihat berapa lama pengaruh guncaangan tersebut terjadi. Respon tersebut diukur berdasarkan deviasi dari rentang waktu yang diharapkan. Respon yang positif mengindikasikan bahwa variabel yang diuji akan meningkat terkait dengan guncangan yang di berikan, dan sebaliknya. Hasil analisis IRF variabel penjualan gas dan pasokan gas perusahan energi XYZ dapat di lihat selacara lengkap pada Lampiran 10.

-.025 -.020 -.015 -.010 -.005 .000 .005

5 10 15 20 25 30 35 40 45 50

Response of PENJUALAN to Cholesky One S.D. PASOKAN Innovation

Gambar 6. Impulse response pasokan

Respon yang pertama dianalisa adalah respon variabel Pasokan . Dari gambar 6 kita bisa melihat bagaimana respon variabel pasokan terhadap variabel penjualan gas itu sendiri. Jika kita lihat respon yang diberikan variabel pasokan

pada perubahan satu standar deviasi variabel itu sendiri sudah bernilai Negatif semua. Jadi jika pasokan terjadi tekanan maka respon yang didapat oleh penjualan akan menurun.

-.05 -.04 -.03 -.02 -.01 .00

5 10 15 20 25 30 35 40 45 50

Response of PASOKAN to Cholesky One S.D. PENJUALAN Innovation

Gambar 7. Impulse response penjualan

Respon yang kedua dianalisa adalah respon variabel Penjualan . Dari gambar 7 kita bisa melihat bagaimana respon variabel penjualan terhadap variabel pasokan gas itu sendiri. Jika kita lihat respon yang diberikan variabel penjualan pada perubahan satu standar deviasi variabel itu sendiri sudah bernilai Negatif semua. Jadi jika penjualan terjadi tekanan maka respon yang didapat oleh pasokan akan menurun

4.2.8 Forecasting Error Variance Decomposition (FEVD)

Forcasting Error Variance Decompotion (FEVD) digunakan untuk menghitung dan menganalisis seberapa besar pengaruh acak guncangan dari variable tertentu terhadap variable endogen. FEVD menghasilkan informasi menganai relative pentingnya masing-masing inovasi acak atau seberapa kuat komposisi dari peranan variable tertentu terhadap variable lainnya dalam model VAR/VECM. Pengururtan variable dalam analisis FEVD ini berdasarkan

faktorisasi Choleksky. Hasil dari analisis FEVD Pasokan dan penjualan gas di perusahaan Energi XYZ dapat dilihat pada Lampiran 11.

Simulasi Analisis FEVD Pasokan Gas terhadap Penjualan Gas di perusahaan Energi XYZ

Gambar 8. Variance Decomposition pasokan gas terhadap penjualan gas Simulasi Analisis FEVD Penjualan Gas terhadap Pasokan Gas perusahaan Energi XYZ

Gambar 9. Variance Decomposition penjualan gas terhadap pasokan gas Dari kedua variance decomposition untuk peramalan selama 50 bulan kedepan pengaruh penjualan ke pasokan berkisar 47 persen, sedangakan pengaruh

pasokan ke penjualan berkisar 39 persen. Jadi pengaruh penjualan ke pasokan lebih tingi di bandingkan pasokan ke penjualan Kesimpulan yang di dapat perusahaan energi XYZ sebaiknya memperbaiki penjualan gas ke konsumen. Karena pengaruh penjualan ke konsumen lebih tinggi.

4.3. Implikasi Manajerial

Setelah melakukan analisis kointegrasi terdapat hubungan kointegrasi pada penjualan gas dan pasokan gas. hal ini menunjukan bahwa adanya hubungan jangka panjang antara penjualan dan pasokan tersebut. Berdasarkan hasil IRF menunjukan bahwa dalam jangka panjang terlihat jika pasokan diimplus maka respon penjualan akan menurun dan sebaliknya dalam guncangan variabel tersebut. Berdasarkan hasil analisis FEVD bahwa dapat dilihat secara keseluruhan guncangan atas variabel yang lebih berpengaruh terhadap variabel penjualan ke pasokan lebih tinggi dibandingkan pegaruh pasokan kepenjualan.

Dari hasil tersebut perusahaan bisa menafsirkan variabel apa saja yang ingin ditingkatkan dan hambatan apa saja yang harus ditanggulangi agar tingkat menjual terus bertambah. Implikasi dari analisis dan interprasi ini akan mempengaruhui keputusan menejerial salah satunya dalam merencanakan pemasaran yang mungkin dilakukan.

Perusahaan energi XYZ dapat mengadakan kegiatan edukasi pasar mengenai keunggulan dari gas yang murah dan ramah lingkungan dan kelebihan perusahaan sebagai langkah memperkenalkan Gas dari perusahaan energi XYZ kepada calon pelangan di segmen yang dituju sekaligus wadah promosi untuk memperkenalkan produk dan layanan ini. Salah satu caranya dengan mengadakan workshop mengenai keunggulan dan layanan yang diberikan perusahaan energi XYZ dengan mengunang pelangaan baru. Setelah pasar terbidik akan lebih mudah bagi perusahaan energi XYZ dalam menjual dan memasarkan gas perusahaan energi XYZ. Keuntungan lain setelah edukasi pasar yang dilanjutkan dengan perkenalan produk dan layanan ini, dengan workshop gas perusahaan energi XYZ dapat meningkatkan brand equty dan brand awareness di benak konsumennya.

Positioning yang dimiliki oleh perusahaan energi XYZ sangat kuat dan secara tegas menancap dibenak para pelanggan, untuk itu diferensiasi perusahaan energi XYZ hendaknya dapat digunakan sebagai pendukung nilai tambah (value

added) dalam promosi produk dan layanannya. Perusahaan energi XYZ harus menojolkan keunggulan kompetitif secara baik dalam media promosi contohnya mencantumkan keunggulan- keunggulan tersebut dalam flyer, advertorial, dan media promosi lainya dalam rangka mengedukasi pasar sekaligus memperkenalkan perusahaan energi XYZ kepada calon pelanggan dan pengguna yang sama sekali belum mengetahui produk dan layanan distribusi sehingga promosi lebih persuasive. Perusahaan energi XYZ juga dapat mencoba untuk beriklan di media elektronik seperti Televisi pada jam tertentu di mana para segmen sesaran banyak penonton.

KESIMPULAN DAN SARAN 1. Kesimpulan

Berdasarkan hasil analisis dan pembahasan, disimpulakan beberapa hal sebagai berikut :

a. Berdasarkan hasil uji kointegrasi terdapat hubungan kointegrasi pada penjualan gas dan pasokan gas. hal ini menunjukan bahwa adanya hubungan jangka panjang antara penjualan dan pasokan tersebut. Berdasarkan hasil IRF menunjukan bahwa guncangan penjualan gas direspon negatif oleh pasokan itu tersebut dan guncangan pasokan di respon negatif oleh pasokan gas, maka apabila pejualan di guncang maka respon pasokan menurun begitupula dengan sebaliknya

b. Berdasarkan hasil analisis FEVD dapat dilihat bahawa secara keseluruhan guncangan variabel penjualan ke pasokan lebih tinggi dibandingkan pengaruh pasokan ke penjualan untuk peramalan 50 bulan kedepan. c. Setelah analisis kointegrasi dilakukan perusahaan mengetahui hubungan

antara penjualan dengan pasokan. Penjualan yang paling dominan dalam memberikan pengaruh positif terhadap pasokan. Penjualan gas ini dapat dijadikan tolak ukur untuk memasokan gas. karena peningkatan penjualan sangat berpengaruh terhadap peningkatan pasokan gas produk, sehingga target penjualan yang telah ditetapkan dapat tercapai.

2. Saran

Adapun saran yang di dapat diberikan berdasarkan hasil penelitian adalah sebagai berikut :

a. Hendaknya perusahaan energi XYZ lebih berhati- hati terhadap respon guncangan terhadap pasokan dan penjualan di karenakan saling berpengaruhui apabila pasokan atau penjualan mendapatpak respon maka salah satunta mendapat guncangan yaitu menurun.

b. Hendaknya perusahaan energi XYZ memperhatikan penjualan kedepan sesuai dengan peramalan di FEVD yang penjualan lebih berdominan terhadap pasokan, maka perusahan lebih memperhatikan penjualan gas ke depan dan meningkatkan penjulan gas kedepan agar perusahaan bias lebih unggul dengan perusahaan lainnya.

c. Hendaknya perusahaan lebih memperhatikan guncangan pasokan lebih sensitive. Karena pasokan gas di perusahan energi XYZ masih tergantung dengan sumber dari perusahaan – perushaan yang memproduksi gas alam. d. Hendaknya perusahaan melakukan strategi pemasaran yang jalankan dan

di kembangkan di lagi.

e. Dalam penelitian lanjutan mengenai peramalan penjualan disarankan untuk dapat menambah variabel eksternal atau melihat pengaruh dari luar lingkungan perusahaan seperti persaingan dengan produk perusahaan lain. Sehingga hasil peramalan bukan saja dapat menentukan sebuah perencanaan strategi tetapi juga dapat memformulasikan strategi yang tepat bagi perusahaan.

ANALISIS PERAMALAN PENJUALAN DENGAN

MENGGUNAKAN KOINTEGRASI ANTAR KOMODITAS

DI PERUSAHAAN ENERGY XYZ

Oleh

ANRIZA JULIANRY

H24087113

PROGRAM SARJANA ALIH JENIS MANAJEMEN

DEPARTEMEN MANAJEMEN

FAKULTAS EKONOMI DAN MANAJEMEN

INSTITUT PERTANIAN BOGOR

BOGOR

2011

DAFTAR PUSTAKA

Aritonang L R. 2002. Peramalan Bisnis. Ghalia Indonesia. Jakarta

Arsana, I G P. 2004. Vector Auto Regressive (VAR). Laboraturium komputasi Departemen Ilmu Ekonomi FEUI. LPEM FEUI. Jakarta.

Arsyad L L. 2001. Peramalan Bisnis Fakultas Ekonomi Gajah Mada. Yogyakarta

David, R. 2006. Manajemen Strategi. Salemeba empat. Jakarta.

Bachrawi S. 2002 Peran Migas Dalam Perekonomian Indoensia. Universitas Trisakti, Jakarta.

Baroto, T. 2002. Perencanaaan dan Pengendalian Produksi. Penerbit Ghalia Indonesia. Jakarta.

Enders, W. 2004. “Applied Econometric Time Series”. John Willey and Sons, Inc., New York

Engle, R. F. And C. W. J. Granger. 1987. Econometrica. JSTOR. United States of America

Handoko, H. 1994, Dasar-Dasar Manajemen Produksi dan Operasi. BPFE, Yogyakarta.

Kartajaya, H. 2005. MarkPlus on Sratety. PT Gramedia Pustaka Utama. Jakarta. Koter,P.2000 (a). Manajemen Pemasaran jillid 1. Prenhallindo. Jakarta

2000 (b), Manajemen Pemasaran jillid 1.Prenhallindo. Jakarta

Lovelock, C. H. & L. K. Wright.2002. principles Service Marketing and Management, Second Edition. Pearson Education, New Jersey

Lovelock, C.H. & L.K. Wright. 2005. Manajemen Pemasaran jasa. PT Indeks kelompok Gramedia, Jakarta.

Lupioyadi, R. 2001. Manajemen Pemasaran Jasa: teori dan praktek. Salemba Empat, Jakarta.

Murtiningsih, S 2009, Analisis Dampak Guncangan variabel makro terhadap investasi bisnis Properti di Indonesia. Skripsi pada Departemen Ilmu Ekonomi, Falkutas Ekonomi dan Manajemen , Institut Pertanian Bogor, Bogor.

Nachrowi, D. 2006 Pendekatan popular dan Praktis EKONOMETRIKA untuk Analisis Ekonomi Dan Keuangan. Faklutas Ekonomi, Universitas Indonesia, Jakarta.

Nursechafia. 2010. Pengaruh Guncangan Variabel Makroekonomi Terhadap Dana Pihak Ketiga Dan Kredit Perbangkan Pada Sistem Perbangkan Ganda Di Indonesia. Skripsi pada Departemen Ilmu Ekonomi, Fakultas Ekonomi Dan Manajemen , Institut Pertanian Bogor, Bogor.

Subagyo P. 1986. Forcasting Konsep dan Aplikasi. BPFE, Yogyakarta Perusahaan Energy XYZ, Tbk. 2009. Laporan Tahunan 2009. Jakarta

Purnomohadi E. 2010 Perlunya aksi untuk optimalisasi Pemanfaatan minyak dan gas bumi Indonesia. BPH Migas, Jakarta.

Ragkuti,F. 2002. Riset Pemasaran. PT Gramedia, Jakarta.

Rusniar. 2008 . Analisis Pergerakan Nilai Tukar Rupiah dan Empat Mata Uang Negara ASEAN. Skripsi pada Departemen Ilmu Ekonomi, Fakultas Ekonomi dan Manajemen , Institut Pertanian Bogor, Bogor.

Winarto, WW. 2007. Analisis Ekonometri dan Statistic Dengan Eviews. Sekolah Tinggi Ilmu Manajemen YKPN, Yogyakarta.

ANALISIS PERAMALAN PENJUALAN DENGAN

MENGGUNAKAN KOINTEGRASI ANTAR KOMODITAS

DI PERUSAHAAN ENERGY XYZ

Oleh

ANRIZA JULIANRY

H24087113

PROGRAM SARJANA ALIH JENIS MANAJEMEN

DEPARTEMEN MANAJEMEN

FAKULTAS EKONOMI DAN MANAJEMEN

INSTITUT PERTANIAN BOGOR

BOGOR

2011

ANALISIS PERAMALAN PENJUALAN MENGGUNAKAN

KOINTEGRASI ANTAR KOMODITAS

DI PERUSAHAAN ENERGY XYZ

SKRIPSI

sebagai salah satu syarat untuk memperoleh gelar

SARJANA EKONOMI

pada Program Sarjana Alih Jenis Manajemen

Departemen Manajemen

Fakultas Ekonomi dan Manajemen

Institut Pertanian Bogor

Oleh

ANRIZA JULIANRY

H24087113

PROGRAM SARJANA ALIH JENIS MANAJEMEN

DEPARTEMEN MANAJEMEN

FAKULTAS EKONOMI DAN MANAJEMEN

INSTITUT PERTANIAN BOGOR

BOGOR

2011

Lampiran 11. Uji IRF

IMPULS RESPON

1. JIKA PASOKAN DIIMPULS

-.025 -.020 -.015 -.010 -.005 .000 .005

5 10 15 20 25 30 35 40 45 50

Response of PENJUALAN to Cholesky One S.D. PASOKAN Innovation

2. JIKA PENJUALAN DIIMPULS

-.05 -.04 -.03 -.02 -.01 .00

5 10 15 20 25 30 35 40 45 50

Response of PASOKAN to Cholesky One S.D. PENJUALAN Innovation

Lampiran 12. UJI FEVD

VARIANCE DECOMPOSITION

2 99.3404 0.6596 3 95.43134 4.568662 4 90.45182 9.548177 5 85.53413 14.46587 6 81.25021 18.74979 7 77.6626 22.3374 8 74.68931 25.31069 9 72.21574 27.78426 10 70.13917 29.86083 11 68.377 31.623 12 66.86545 33.13455 13 65.55575 34.44425 14 64.41051 35.58949 15 63.4008 36.5992 16 62.504 37.496 17 61.70222 38.29778 18 60.98114 39.01886 19 60.32917 39.67083 20 59.73683 40.26317 21 59.1963 40.8037 22 58.70106 41.29894 23 58.24566 41.75434

25 57.43656 42.56344 26 57.07556 42.92444 27 56.73958 43.26042 28 56.42609 43.57391 29 56.13292 43.86708 30 55.85815 44.14185 31 55.6001 44.3999 32 55.35729 44.64271 33 55.12841 44.87159 34 54.91229 45.08771 35 54.70789 45.29211 36 54.5143 45.4857 37 54.33066 45.66934 38 54.15624 45.84376 39 53.99035 46.00965 40 53.83239 46.16761 41 53.6818 46.3182 42 53.53807 46.46193 43 53.40075 46.59925 44 53.26942 46.73058 45 53.14369 46.85631 46 53.02322 46.97678 47 52.90768 47.09232 48 52.79677 47.20323 49 52.69022 47.30978 50 52.58778 47.41222 Variance Decomposition of PASOKAN:

Period

PASOKAN PENJUALAN

Lanjutan lampiran 12. FEVD

Variance Decomposition of PENJUALAN: Period

PASOKAN PENJUALAN 1 0.320608 99.67939 2 0.43416 99.56584 3 1.367536 98.63246 4 3.644941 96.35506 5 6.61897 93.38103 6 9.624007 90.37599 7 12.40727 87.59273 8 14.89135 85.10865 9 17.08253 82.91747 10 19.01272 80.98728 11 20.71865 79.28135 12 22.23404 77.76596 13 23.58775 76.41225 14 24.80372 75.19628 15 25.90168 74.09832 16 26.89789 73.10211 17 27.80583 72.19417 18 28.6367 71.3633 19 29.39991 70.60009 20 30.10339 69.89661 21 30.75388 69.24612 22 31.35717 68.64283 23 31.9182 68.0818 24 32.44126 67.55874

25 32.93009 67.06991 26 33.38793 66.61207 27 33.81765 66.18235 28 34.22175 65.77825 29 34.60246 65.39754 30 34.96176 65.03824 31 35.3014 64.6986 32 35.62295 64.37705 33 35.92783 64.07217 34 36.21728 63.78272 35 36.49246 63.50754 36 36.7544 63.2456 37 37.00403 62.99597 38 37.24219 62.75781 39 37.46967 62.53033 40 37.68715 62.31285 41 37.89529 62.10471 42 38.09468 61.90532 43 38.28586 61.71414 44 38.46932 61.53068 45 38.64552 61.35448 46 38.81489 61.18511 47 38.97781 61.02219 48 39.13465 60.86535 49 39.28574 60.71426 50 39.43138 60.56862

RINGKASAN

ANRIZA JULIANRY H24087113. Analisis Peramalan Penjualan Menggunakan Kointegrasi Antar Komoditas di Perusahaan Energi XYZ. Di bawah bimbingan MUHAMAD SYAMSUN

Di negara-negara yang sedang berkembang, bahan bakar gas merupakan sumber perekonomian yang sangat fundamental. Salah satu jenis bahan bakar yang berbentuk gas yaitu Gas bumi. Gas bumi merupakan alternatif sumber energi yang penggunaannya semakin hari semakin meningkat. Hal ini didasarkan atas pengunaan gas alam yang lebih menguntungkan (lebih efisien), dibandingkan dengan gas alam, karena penggunaan energi gas bumi disamping bersih dan ramah lingkungan, serta tidak berbau, tidak korosif, tidak berwarna dan tidak beracun. Kebutuhan akan energi ini membuat meningkatnya permintaan energi tersebut, maka membutuhkan manajemen produksi maupun distribusi yang baik. Persaingan yang semakin ketat diantara industri yang bergerak pada bidang migas membutuhkan suatu teknik peramalan dan strategi pemasaran yang tepat. Salah satu industri migas di Indonesia yang sedang berkembang yaitu Perusahaan energi XYZ. Perusahaan migas Perusahaan energi XYZ membutuhkan suatu teknik peramalan yang tepat yaitu dengan menggunakan model deret waktu untuk membantu perusahaan dalam Penelitian ini bertujuan untuk mengetahui dampak guncangan variabel Pasoka terhadap bisnis gas serta dampak guncangan penjualan gas terhadap Perusahaan energi XYZ di Indonesia. Data yang di gunakan adalah data time series bulanan periode Januari 2005 sampai september 2010. Sementara variabel-variabel yang digunakan adalah data Pasokan dan penjualan Metode yang digunakan adalah Vector Auto Regression (VAR) yang di kombinasikan dengan Vector Error Correction Model (VECM). Hasil penelitian menunjukan analisis IRF dan FEVD untuk melihat korelasi antara data pasokan dengan data penjualan yang kemudian dilakukan peramalan melalui analisis FEVD. Hasil analisis digunakan untuk merancang strategi pemasaran perusahaan tetapi hanya berbentuk sebuah saran untuk perbaikan strategi pemasaran perusahaan. Dari hasil tersebut perusahaan bisa menafsirkan variabel apa saja yang ingin ditingkatkan dan hambatan apa saja yang harus ditanggulangi agar tingkat menjual terus bertambah. Implikasi dari analisis dan interprasi ini akan mempengaruhui keputusan menejerial salah satunya dalam merecanakan pemasaran yang mungkin dilakukan.