Analisis Peramalan Penjualan Menggunakan Pendekatan Kointegrasi Pada Komoditas ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropylene) dan PS (Polystyrene) di PT S-IK Indonesia
I. PENDAHULUAN
1.1. Latar Belakang
Hampir seluruh kegiatan manusia senantiasa diarahkan pada kondisi waktu yang akan datang, dimana keberadaannya tidak dapat diketahui secara pasti. Hal yang juga terjadi pada kegiatan perusahaan. Semua perusahaan beroperasi dalam suasana ketidakpastian. Terlepas dari kenyataan ini, keputusan harus diambil dimana dampaknya baru dirasakan oleh perusahaan dimasa yang akan datang. Untuk meminimalkan ketidakpastian itu dapat dilakukan dengan metode atau pendekatan peramalan (forecasting). Menurut Hanke et, al. (2003), tebakan ilmiah mengenai masa depan lebih bernilai bagi perusahaan di bandingkan dengan tebakan non-ilmiah. Tebakan ilmiah yaitu peramalan yang berdasarkan metode-metode manipulasi data secara logis yang dihasilkan dari kejadian-kejadian masa lalu. Dengan pendekatan peramalan dapat diidentifikasikan pola-pola yang dapat digunakan untuk meramalkan kondisi pada waktu yang akan datang, sehingga dari hasil peramalan itu, eksekutif perusahaan dapat membuat perencanaan yang diperlukan untuk dilaksanakan pada masa yang akan datang.
Peramalan dan perencanaan merupakan hal-hal yang berkaitan dengan masa yang akan datang. Mata rantai proses manajemen adalah peramalan perencanaan dan pembuatan keputusan.Walaupun hasil dari peramalan tidak pernah secara mutlak tepat, akan tetapi peran peramalan diperlukan untuk pertimbangan dalam pengambilan keputusan, karena dengan melakukan peramalan para perencana dan pengambil keputusan dapat mempertimbangkan alternatif-alternatif yang lebih luas daripada tanpa peramalan. Peramalan penjualan sangat penting dalam mengkaji situasi dan kondisi pada masa depan dan dapat digunakan untuk memperkirakan apa yang akan terjadi di masa mendatang. Dengan melihat pada kondisi data di masa sekarang hal ini diperlukan untuk dapat melaksanakan kebijaksanaan yang akan di ambil perlu melakukan perkiraan akan kesempatan atau peluang yang ada.
Berdasarkan definisi dan kegunaan yang telah dijabarkan, maka PT S-IK Indonesia yang merupakan perusahaan yang bergerak dalam bidang manufaktur yaitu Plastic Coloring and Compounding (pewarnaan dan perancangan/peracikan
(2)
bahan baku plastik), perlu menerapkan peramalan penjualan dengan menggunakan pendekatan peramalan yang ada guna untuk mendapatkan suatu perencanaan yang baik untuk mencapai target yang ingin dicapai oleh perusahaan serta meningkatkan kualitas dan kuantitas penjualannya. Selama ini PT S-IK Indonesia dalam menerapkan peramalan penjualannya masih menggunakan metode kualitatif, yakni metode peramalan berdasarkan intuisi atau pertimbangan seorang manajer dalam pengambilan keputusan. Dimana dalam hal ini, PT S-IK Indonesia hanya menggunakan informasi-informasi yang ada untuk meramalkan kondisi penjualannya di masa yang akan datang. Informasi itu diperolehnya dari setiap konsumen yang menggunakan bahan baku plastik yang di olah oleh PT S-IK Indonesia. Oleh karena itu melalui penelitian ini peneliti berusaha untuk memberikan sebuah usulan atau alternatif peramalan penjualan dengan menggunakan pendekatan peramalan kointegrasi. Dimana pendekatan ini perhitungannya berdasarkan analisis hubungan numerik dari data-data sebelumnya.
PT S-IK Indonesia dalam kegiatan operasionalnya mengolah delapan jenis bahan baku plastik, meliputi PP (Polypropylene), ABS (Acrylonitrile Butadiene Stryrene), PS (Polystyrene), PMMA (Polymethyl methacrylate), PE (Polyethylene), POM (Polyacetal / Polyoxymethylene), PA (Polyamide) dan PC (Polycarbonate). Masing-masing bahan baku plastik tersebut memiliki kegunaan yang berbeda-beda sesuai dengan karakteristik yang terkandung di dalamnya. PT S-IK Indonesia sangat mengedepankan kualitas produk yang dihasilkan guna untuk mempertahankan konsumen yang menggunakan produk-produk tersebut.
Bahan baku plastik yang akan diramalkan pada penelitian kali ini adalah hanya mengambil tiga sampel bahan baku plastik yang terdapat pada PT S-IK Indonesia yaitu ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropylene) dan PS (Polystyrene). Bahan baku plastik berjenis ABS dan PS ini kegunaannya hampir sama akan tetapi tidak luput dari karakteristik yang di kandung di dalamnya yaitu cenderung digunakan untuk menghasilkan produk-produk elektronik seperti casing atau rangka dari produk elektronik. Sedangkan bahan baku plastik berjenis PP cenderung digunakan untuk menghasilkan produk-produk otomotif, misalnya dashboard mobil, bemper mobil, kedudukan lampu mobil, dll.
(3)
Karena konsumen dari PT S-IK Indonesia rata-rata perusahaan yang bergerak dalam bidang elektronik dan otomotif, maka ketiga bahan baku plastik tersebut lebih sering di pesan oleh konsumen dengan kata lain ketiga bahan baku plastik tersebut merupakan bahan baku plastik utama pada PT S-IK Indonesia.
Gambar 1. Grafik penjualan produk ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropylene) dan PS (Polystyrene) selama 5 tahun terakhir Dilihat dari grafik di atas, volume penjualan ketiga komoditi tersebut di setiap tahunnya berfluktuatif, oleh karena itu PT S-IK Indonesia memerlukan suatu pendekatan untuk melihat ramalan penjualan pada beberapa periode kedepan serta mengetahui hubungan dan pengaruh antar komoditinya. Pendekatan yang digunakan untuk melihat hubungan antar komoditi dalam penelitian ini yaitu Pendekatan kointegrasi. Sedangkan 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 besarnya pengaruh produk tertentu terhadap produk lainnya. Hasil peramalan dapat dijadikan gambaran dan acuan oleh PT S-IK Indonesia dalam hal mengontrol penjualan dari ketiga komoditi tersebut untuk prospek penjualan beberapa periode ke depan.
(4)
1.2. Perumusan Masalah
Berdasarkan latar belakang pada penelitian ini, maka permasalahan yang di bahas yaitu sebagai berikut:
1. Menganalisis bagaimana hubungan kointegrasi antar ketiga komoditas ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropylene) dan PS (Polystyrene)?
2. Bagaimana peramalan penjualan ABS, PP dan PS untuk satu tahun ke depan?
1.3. Tujuan Penelitian
Berdasarkan permasalahan yang telah dirumuskan, maka penelitian ini bertujuan untuk:
1. Menganalisis hubungan kointegrasi antara ketiga komoditas yaitu ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropilene) dan PS (Polystyrene).
2. Menganalisis peramalan penjualan satu tahun ke depan dari komoditas ABS, PP dan PS.
1.4. Manfaat Penelitian
Penelitian ini diharapkan dapat memberikan informasi dan masukan bagi berbagai pihak yang berkepentingan, diantaranya:
1. Bagi PT. S-IK Indonesia, dapat dijadikan sebagai bahan pertimbangan dalam mengambil suatu keputusan dan dapat mengetahui proyeksi peramalan penjualan serta pengaruh dan hubungan antar produk terutama pada komoditas ABS, PP dan PS untuk periode selanjutnya.
2. Bagi peneliti lain, dapat dijadikan referensi bagi pihak perpustakaan sebagai bahan bacaan bagi mahasiswa yang membutuhkan untuk lebih memahami pengaplikasian metode peramalan dengan menggunakan metode kointegrasi.
3. Bagi penulis, membantu penulis untuk melatih menganalisa suatu permasalahan serta mengaplikasikannya dalam penelitian ini berdasarkan ilmu dan pengetahuan yang telah diperoleh penulis di masa perkuliahan.
(5)
1.5. Ruang Lingkup
Ruang lingkup pada penelitian ini dibatasi hanya menganalisis peramalan penjualan tiga komoditas yaitu ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropylene) dan PS (Polystyrene) dengan menggunakan metode kointegrasi. Data yang digunakan pada penelitian ini diambil dari tahun 2006 sampai 2010 dengan menggunakan alat analisis Vector Error Correction Model (VECM) dan untuk mendapatkan peramalannya digunakan Forecast Error Variance Decomposition (FEVD). Perusahaan yang diteliti adalah PT S-IK Indonesia.
(6)
II. TINJAUAN PUSTAKA
2.1. Plastik
Plastik merupakan bahan yang terbentuk dari produk polimerisasi sintetik atau semi-sintetik yang mempunyai sifat-sifat unik dan luar biasa. Polimer sendiri adalah rantai berulang dari atom yang panjang, terbentuk dari pengikat yang berupa molekul identik yang disebut monomer. Jika monomernya sejenis disebut homopolimer, dan jika monomernya berbeda akan menghasilkan kopolimer. Proses polimerisasi yang menghasilkan polimer berantai lurus mempunyai tingkat polimerisasi yang rendah dan kerangka dasar yang mengikat antar atom karbon dan ikatan antar rantai lebih besar daripada rantai hidrogen. Bahan yang dihasilkan dengan tingkat polimerisasi rendah bersifat kaku dan keras (Mujiarto, 2005). Plastik merupakan polimer rantai panjang atom mengikat satu sama lain. Rantai ini membentuk banyak unit molekul berulang, atau monomer. Plastik yang umum terdiri dari polimer karbon saja atau dengan oksigen, nitrogen, chlorine atau belerang di tulang belakang.
Bahan baku pembuatan plastik adalah minyak dan gas sebagai sumber alami. Dalam perkembangannya minyak dan gas ini mulai digantikan oleh bahan-bahan sintetis sehingga dapat diperoleh sifat-sifat plastik yang diinginkan dengan cara kopolimerisasi, laminasi, dan ekstruksi. Polimer alam yang telah kita kenal antara lain: selulosa, protein, karet alam dan sejenisnya. Pada awal mula perkembangannya polimer alam hanya digunakan untuk membuat perkakas dan senjata, tetapi keadaan ini hanya bertahan hingga akhir abad 19 dan selanjutnya manusia mulai memodifikasi polimer menjadi plastik. Plastik yang pertama kali dibuat secara komersial adalah nitroselulosa. Material plastik ini telah berkembang pesat dan sekarang mempunyai peranan yang sangat penting dibidang elektronika, pertanian, tekstil, transportasi, furniture, konstruksi, kemasan kosmetik, mainan anak-anak dan produk-produk industri lainnya.
Untuk membuat barang-barang plastik agar mempunyai sifat-sifat seperti yang dikehendaki, maka dalam proses pembuatannya selain bahan baku utama diperlukan juga bahan tambahan aditif. Penggunaan bahan tambahan ini beraneka ragam tergantung pada bahan baku yang digunakan dan mutu produk yang akan
(7)
dihasilkan. Berdasarkan fungsinya maka bahan tambahan atau bahan pembantu proses dapat dikelompokkan menjadi: bahan pelunak (plasticsizer), bahan penstabil (stabilizer), bahan pelumas (lubricant), bahan pengisi (filler), pewarna (colorant), antistatic agent, blowing agent, flame. Bahan aditif yang ditambahkan tersebut disebut komponen non-plastik yang berupa senyawa anorganik yang memiliki berat molekul rendah. Bahan aditif dapat berfungsi sebagai pewarna, antioksidan, penyerap sinar UV, anti lekat, dll.
Secara garis besar, plastik dapat dikelompokkan menjadi dua golongan, yaitu: plastik thermoplast dan plastik thermoset. Plastik thermoplast adalah plastik yang dapat dicetak berulang-ulang dengan adanya panas. Yang termasuk plastik thermoplast antara lain : PE, PP, PS, ABS, SAN, nylon, PET, BPT, Polyacetal (POM), PC dll. Sedangkan palstik thermoset adalah plastik yang apabila telah mengalami kondisi tertentu tidak dapat dicetak kembali karena bangun polimernya berbentuk jaringan tiga dimensi. Yang termasuk plastic thermoset adalah PU (Poly Urethene), UF (Urea Formaldehyde), MF (Melamine Formaldehyde), polyester, epoksi dll.
Penggunaannya tidak saja untuk keperluan rumah tangga, tetapi juga meluas kepada kemasan, bangunan dan konstruksi, alat-alat elektronika dan telekomunikasi, alat-alat listrik, alat-alat kantor dan sekolah, alat-alat kedokteran, sandang dan dekorasi, transportasi dan mainan anak-anak. Plastik sering dipakai dalam bentuk barang-barang yang bersifat dipakai buang, seperti lapisan pengemas, namun ditemukannya juga pemakaianya dalam bahan-bahan yang tahan lama. Tabel 1 memperlihatkan pembagian plastik dari material atau bahan baku yang digunakan.
Tabel 1. Macam-macam Plastik
Kode Tipe Plastik Sifat Kegunaan
PET
(Polyethylene Terephthalate)
Bening, tangguh, tahan terhadap larutan kimia, kedap air dan gas, tahan terhadap temperatur hingga 80oC
Botol air mineral dan softdrink, plastik biskuit, botol selai HDPE (High Density Polyethylene)
Semi fleksibel-keras, tahan terhadap larutan kimiadan lembab, permukaan licin, buram, mudah diwarnai, tahan terhadap temperatur sampai 75oC
Shopping bag, kotak es cream, gelas jus, botol kimia, bungkus detergent, ember
(8)
Lanjutan Tabel 1. Macam-macam Plastik
Kode Tipe Plastik Sifat Kegunaan
PVC (Polyvinyl chloride)
PVC U (Unplasticised) : Kuat, tangguh, tahan terhadap temperatur hingga 80oC
Kotak komestik, pipa air – fitting, pelapis tembok (dempul) PVC P (Plasticised):
Fleksibel, tidak tahan larutan kimia
Selang air, sol sepatu, kantong darah, tubing, wire insulation, tali jam
LDPE (Low Density Polyethylene)
Lunak, fleksibel, permukaan licin, bening, gampang tergores, tahan temperatur hingga 70oC
Plastik pembungkus nasi, plastik sampah, tempat sampah, selang irigasi, wrapping PP (Polypropylene)
Keras – fleksibel, permukaan licin, bening/jernih, tahan terhadap larutan kimia, tahan temperatur hingga 140oC
Serbaguna, wadah untuk pemanasan microwaves, kotak makanan, botol isi ulang, tube
PS (Polystyrene)
Clear, seperti gelas, kaku, buram/ berwarna, tahan temperatur hingga 95oC, tidak tahan terhadap larutan kimia
CD case, plastic cutlery (sendok garpu, pisau)
Other
Pada dasarnya, item ini merupakan kombinasi dari jenis-jenis plastik yang ada, contoh: SAN, ABS, PC SAN: Styrene Acrylonitrile ABS: Acrylonitrile Butadiene Styrene PC: Polycarbonate Part kendaraan, casing monitor, botol minuman, botol kecap, packaging
Sumber: http://www.plastics.org.nz
2.2. Bahan Baku Plastik Thermoplast
POLYPROPYLENE (PP)
Polypropylene merupakan polimer kristalin yang dihasilkan dari proses polimerisasi gas propilena. Propilena mempunyai specific gravity rendah dibandingkan dengan jenis plastik lain.
(9)
POLYSTIRENE (PS)
Polistirene adalah hasil polimerisasi dari monomer-monomer stirena, dimana monomer stirena-nya didapat dari hasil proses dehidroge nisasi dari etil benzene (dengan bantuan katalis), sedangkan etil benzene-nya sendiri merupakan hasil reaksi antara etilena dengan benzene (dengan bantuan katalis).
ACRYLONITRILE BUTADIENE STYRENE (ABS)
Acrylonitrile butadiene styrene (akrilonitril butadiene stirena, ABS) termasuk kelompok engineering thermoplastic yang berisi 3 monomer pembentuk. Akrilonitril bersifat tahan terhadap bahan kimia dan stabil terhadap panas. Butadiene memberi perbaikan terhadap sifat ketahanan pukul dan sifat liat (toughness). Sedangkan stirena menjamin kekakuan (rigidity) dan mudah diproses. Beberapa grade ABS ada juga yang mempunyai karakteristik yang bervariasi, dari kilap tinggi sampai rendah dan dari yang mempunyai impact resistance tinggi sampai rendah. Berbagai sifat lebih lanjut juga dapat diperoleh dengan penambahan aditif sehingga diperoleh grade ABS yang bersifat menghambat nyala api, transparan, tahan panas tinggi, tahan terhadap sinar UV, dll.
POLYVINYL CHLORIDE (PVC)
Polyvinyl chloride (PVC) merupakan hasil polimerisasi monomer vinil klorida dengan bantuan katalis. Pemilihan katalis tergantung pada jenis proses polimerisasi yang digunakan.
POLYACETAL ATAU POLYOXYMETHYLENE (POM)
Polyacetal merupakan salah satu engineering plastic yang penting yang banyak digunakan di bidang eletronik, bangunan dan sector alat-alat tehnik. Ada 2 tipe poliasetal yaitu homopolimer dan kopolimer. Asetal homopolimer merupakan polimer kristalin yang dibuat dari formaldehida. Resin ini secara tehnis disebut polioksi metilena (POM). Asetal homopolimer dapat dicampur daengan aditif seperti: antioksidan, lubrikan, filler, pewarna, UV stabilizer, dll. Resin ini aslinya berwarna putih buram.
POLYCARBONATE (PC)
Polycarbonate merupakan engineering plastic yang dibuat dari reaksi kondensasi bisphenol A dengan fosgen dalam media alkali. Polikarbonat
(10)
mempunyai sifat-sifat: jernih seperti air, impact strength-nya sangat bagus, ketahanan terhadap pengaruh cuaca bagus, suhu penggunaannya tinggi, mudah diproses, flameabilitasnya rendah.
POLIAMIDA (NYLON)
Nylon merupakan istilah yang digunakan terhadap poliamida yang mempunyai sifat-sifat dapat dibentuk serat, film dan plastik. Struktur nylon ditunjukkan oleh gugus amida yang berkaitan dengan unit hidrokarbon ulangan yang panjangnya berbeda-beda dalam suatu polimer.
POLYETHYLENE PEREPHTALATE (PET)
Polyethylene terephtalate yang sering disebut PET dibuat dari glikol (EG) dan terephtalic acid (TPA) atau dimetyl ester atau asam terepthalat (DMT) Sifat-sifat PET: PET merupakan keluarga polyester seperti halnya PC. Polymer PET dapat diberi penguat fiber glass, atau filler mineral. PET film bersifat jernih, kuat, liat, dimensinya stabil, tahan nyala api, tidak beracun, permeabilitas terhadap gas, aroma maupun air rendah.
2.3. Teori Peramalan
Menurut Heizer dan Render (2006), peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan kejadian dimasa depan. Hal ini dapat dilakukan dengan melibatkan pengambilan data masa lalu dan mendapatkannya ke masa yang akan datang dengan suatu bentuk model matematis. Bisa juga merupakan prediksi intuisi yang bersifat subjektif. Atau bisa juga dengan menggunakan kombinasi model matematis yang sesuai dengan pertimbangan yang baik dari seorang manajer.
Aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan penjualan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat. Dengan demikian peramalan merupakan suatu dugaan terhadap permintaan yang akan datang berdasarkan pada beberapa variable peramal, sering berdasarkan data deret waktu historis (Vincent, 2001).
Menurut Hanke et, al. (2003), tebakan ilmiah mengenai masa depan lebih bernilai bagi perusahaan di bandingkan dengan tebakan non-ilmiah. Tebakan ilmiah yaitu peramalan yang berdasarkan metode-metode manipulasi data secara logis yang dihasilkan dari kejadian-kejadian masa lalu. Penggunaan teknik
(11)
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. Tujuan peramalan adalah mengurangi rentang ketidakpastian dimana pendapat pribadi (judgement) manajemen yang harus diambil. Tujuan ini mengarah kepada dua aturan utama yang harus diperhatikan pada proses peramalan:
1. Peramalan harus secara teknik benar dan menghasilkan peramalan cukup akurat dalam memenuhi kebutuhan perusahaan.
2. Prosedur peramalan dan hasilnya harus secara efektif disajikan kepada manajemen sehingga peramalan dapat dipakai dalam proses pengambilan keputusan demi keuntungan perusahaan dan hasilnya juga harus dijustifikasi berbasis biaya manfaat.
Pertimbangan yang terakhir seringkali disalah-artikan dan dapat membuat frustasi forecaster (peramal) professional. Namun jika ramalan akan digunakan untuk keuntungan perusahaan, maka mereka yang mempunyai wewenang harus memanfaatkannya.
2.4. Pendekatan dalam Peramalan
Menurut Heizer dan Render (2006), terdapat pendekatan umum peramalan, yaitu analisis kuantitatif dan analisis kualitatif. Peramalan kuantitatif (quantitative forecast) menggunakan model matematis yang beragam dengan data masa lalu dan variable sebab akibat untuk meramalkan permintaan. Peramalan subjektif atau kualitatif (qualitative forecast) menggabungkan faktor seperti intuisi, emosi, pengalaman pribadi, dan sistem ilai pengambil keputusan untuk meramal.
Menurut Gujarati (2003), ada lima pendekatan dalam peramalan ekonomi berbasis data runtut waktu. Kelima pendekatan tersebut adalah:
1. Exponential smoothing method
Merupakan prosedur yang berkesinambungan merevisi ramalan dalam hal pengalaman yang lebih terkini. Metode ini berbasis rerata (pemulusan) nilai
(12)
lampau deret secara menurun (eksponensial). Pemulusan eksponensial sederhana menyediakan rata-rata bergerak tertimbang secara eksponensial semua nilai pengamatan yang lalu.
2. Single-equation regression method
Metode ini disebut juga analisis regresi sederhana yaitu hanya memiliki satu variabel dependen dan satu variabel independen.
3. Simultaneous-equation regression model
Metode ini disebut juga analisis regresi berganda yaitu melibatkan penggunaan lebih dari satu variabel bebas dalam prediksi variabel terikat. 4. Autoregressive integrated moving average (ARIMA) model
Model ARIMA berasal dari gabungan antara AR (autoregression) dan MA (Moving Average) yang sudah didiferen. Konsep ini mendasar pada asumsi
bahwa “data speak for themselves”, karena nilai data pada masa sekarang
dipengaruhi oleh nilai data pada masa-masa sebelumnya. 5. Vector Auto Regression (VAR)
Vector Auto Regression (VAR) merupakan alat analisis atau metode statistik yang bisa digunakan baik untuk memproyeksikan sistem variabelvariabel runtut waktu maupun untuk menganalisis dampak dinamis dari faktor gangguan yang terdapat dalam sistem variabel tersebut. Selain itu, VAR Analisis juga merupakan alat analisis yang sangat berguna, baik di dalam memahami adanya hubungan timbal balik (interrelationship) antara variabel-variabel ekonomi maupun di dalam pembentukan model ekonomi berstruktur.
2.5. Peramalan Penjualan
Peramalan penjualan sangat penting dalam mengkaji situasi dan kondisi pada masa depan dan dapat digunakan untuk memperkirakan apa yang akan terjadi di masa mendatang. Dengan melihat pada kondisi data di masa sekarang hal ini diperlukan untuk dapat melaksanakan kebijaksanaan yang akan di ambil perlu melakukan perkiraan akan kesempatan atau peluang yang ada.
Menurut Keown, et al. (2004), unsur-unsur pokok dalam proses perencanaan perusahaan adalah meramalkan penjualan. Perhitungan ini biasanya
(13)
dihasilkan dengan informasi dari berbagai sumber. Paling sedikit, perkiraan penjualan untuk tahun depan akan mencerminkan:
1. Kecenderungan penjualan masa lalu yang diharapkan akan terulang lagi pada tahun berikutnya
2. Pengaruh setiap peristiwa apapun yang mungkin secara material mempengaruhi kecenderungan itu.
2.6. 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 kointegrasi 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
(14)
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).
2.7. Vector Auto Regression (VAR)
Vector Auto Regression atau yang lebih dikenal dengan VAR adalah suatu sistem persamaan yang memperlihatkan setiap peubah sebagai fungsi linear dari konstanta dan 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 ini dikembangkan oleh Cristoper Sims pada tahun 1980. Model ini dasarnya hampir sama dengan model untuk menguji Granger’s Causality. Model VAR adalah model a-theory terhadap teori ekonomi. Namun demikian model ini sangat berguna dalam menentukan tingkat eksogenitas suatu variabel ekonomi dalam sebuah sistem ekonomi dimana terjadi saling ketergantungan antar variabel dalam ekonomi (Enders, 2004). Model ini juga menjadi dasar mnculnya metode co-integrasi Johansen yang sangat baik dalam menjelaskan perilaku variabel dalam perekonomian.
Keunggulan dari metode VAR antara lain sebagai berikut (Gujarati, 2003): 1. Metode ini sederhana, tanpa harus membedakan mana variabel endogen dan
variabel eksogen;
2. Estimasinya sederhana, dimana metode OLS biasa dapat diaplikasikan pada tiap-tiap persamaan secara terpisah;
3. Karena bekerja berdasarkan data, metode VAR terbebas dari berbagai batasan teori ekonomi yang sering muncul termasuk gejala perbedaan semu (spurious variabel endogenity dan exogenity) di dalam model ekonometrik konvensional terutama pada persamaan simultan, sehingga menghindari penafsiran yang salah;
(15)
4. Hasil pemikiran (forecast) yang diperoleh dengan menggunakan metode ini dalam banyak kasus lebih bagus dibandingkan dengan hasil yang didapat dengan menggunakan model persamaan simultan yang kompleks sekalipun. Selain itu, analisis VAR juga merupakan alat analisis yang sangat berguna, baik di dalam memahami adanya hubungan timbal balik (interrelationship) antara variabel-variabel ekonomi, maupun di dalam pembentukan model ekonomi berstruktur.
Sekalipun model VAR banyak memiliki kelebihan, namun model ini tetap mempunyai sisi lemah. Ada beberapa kelemahan yang dimiliki model tersebut antara lain :
1. Model VAR bersifat a-theory karena tidak memanfaatkan informasi atau teori terdahulu. Oleh karena itu model VAR sering disebut model yang tidak struktural.
2. Model VAR tidak cocok untuk menganalisis kebijakan karena tujuan utama model ini adalah untuk peramalan
3. Pemilihan banyaknya lag yang digunakan dalam persamaan juga dapat menimbulkan permasalahan. Misalnya kita mempunyai tiga variabel bebas dengan masing-masing lag sebanyak delapan. Hal tersebut berarti kita harus mengestimasi paling sedikit 24 parameter. Untuk kepentingan tersebut, kita harus mempunyai data atau pengamatan yang relatif banyak.
4. Semua variabel dalam VAR harus stasioner, jika tidak stasioner, maka harus ditransformasi terlebih dahulu.
5. Interpretasi koefisien yang didapat berdasarkan model VAR tidak mudah. 2.8. Analisis Vector Error Correction Model (VECM)
VECM adalah suatu analisis untuk melakukan rekonsiliasi perilaku peubah ekonomi jangka panjang dan peubah ekonomi jangka pendek (Gujarati 1995). Untuk itu, peubah-peubah di dalam VECM memiliki spesifikasi hubungan jangka panjang atau kointegrasi. Hubungan dinamis jangka pendek antar peubah dalam sistem dipengaruhi oleh deviasi/penyimpangan dari keseimbangan jangka panjang. Model VECM berguna untuk mengukur kecepatan deviasi kembali ke keseimbangan.
(16)
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).
2.9. Impulse Response Function (IRF)
Impulse resnponse function (IRF) adalah metode yang digunakan untuk menentukan respon suatu variabel endogen terhadap guncangan (shocks) variabel tertentu. IRF menunjukkan respon dari setiap variabel endogen sepanjang waktu terhadap guncangan dari variabel itu sendiri dan variabel endogen lainnya. IRF juga mengidentifikasikan suatu guncangan pada suatu variabel endogen sehingga dapat menetukan bagaimana suatu perubahan yang tidak diharapkan dalam variabel mempengaruhi variabel lainnya sepanjang waktu.
Hasil IRF sangat sensitif terhadap pengurutan (ordering) variabel yang digunakan dalam perhitungan.pengurutan variabel yang didasarkan pada faktorisasi 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 berdasarkan nilai matriks korelasi yang menyatakan 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 guncangan agar lebih spesifik artinya variabel ekonomi hanya dipengaruhi oleh guncangantertentu saja. Apabila hal tersebut tidak dilakukan maka guncangan spesifik tersebut tidak dapat diketahui dan yang dapat diketahui adalah guncangan secara umum.
2.10. Forecast Error Variance Decompisition (FEVD)
Variance Decompotition atau disebut juga forecast error variance decompotition merupakan perangkat pada model VAR/VECM yang akan memisahkan variasi dari sejumlah variabel yang diestimasi menjadi
(17)
komponen-komponen shock atau menjadi variabel innovation, dengan asumsi bahwa variabel-variabel innovation tidak saling berkorelasi. Kemudian, variance decompotition akan memberikan informasi mengenai proporsi dari pergerakan pengaruh shock pada sebuah variabel terhadap shock variabel yang lain pada periode saat ini dan periode ke depan. Forecast error variance decompotition menggambarkan proporsi pergerakan dari σy(n)2 terhadap shock dari suatu
variabel kepada variabel lainnya (Enders, 2004).
Metode yang dapat dilakukan untuk melihat bagaimana perubahan dalam suatu variabel yang ditunjukkan oleh perubahan error variance dipengaruhi oleh variabel-variabel lainnya adalah FEVD. Metode ini mencirikan suatu struktur dinamis dalam model VAR. Dimana dalam metode ini dapat dilihat kekuatan dan kelemahan masing-masing variabel dalam mempengaruhi variabel lainnya dalam kurun waktu yang panjang.
FEVD mencirikan ragam dari peramalan galat menjadi komponen-komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model. Dengan menghitung persentase kuadrat prediksi galat k-tahap ke depan dari sebuah variabel akibat inovasi dalam variabel-variabel lain, maka akan dapat dilihat seberapa besar perbedaan antara error variance sebelum dan sesudah terjadinya shock yang berasal dari dirinya sendiri maupun dari variabel lain
2.11. Penelitian Terdahulu
Pratama (2009) dalam skripsinya yang berjudul Integrasi Pasar Obligasi Negara Di Antara Negara-negara ASEAN+6. Dalam penelitian ini model yang digunakan adalah model analisis Vector Autoregression (VAR). Model VAR ini memiliki analisis lanjutan yaitu impulse response finction (IRF) dan forecasting error variance decomposition (FEVD). Dimana peneliti ingin menganalisis hubungan pasar obligasi diantara negara-negara ASEAN+6. Kesimpulan yang telah di dapat yaitu berdasarkan hasil analisis VECM, pada analisis IRF terlihat bahwa adanya hubungan di antara pasar obligasi negara-negara ASEAN+6. Hal ini dijelaskan dengan adanya respon yang dapat dilihat berupa fluktuasi yield yang terjadi dalam jangka pendek akibat guncangan yng terjadi dalam pasar obligasi negara-negara ASEAN+6. Hal ini merupakan hubungan yang dinamis di antara negara-negara ASEAN+6. Sedangkan berdasarkan hasil analisis FEVD
(18)
untuk kawasan ASEAN+6 maupun dengan Amerika Serikat diketahui bahwa negara yang dominan dalam mempengaruhi fluktuasi yield obligasi negara dari negara-negara ASEAN+6 maupun Amerika Serikat adalah Australia. Dari hasil analisis IRF dan FEVD juga diketahui bahwa hubungan yang terjadi di antara masing-masing pasar obligasi negara ASEAN+6 adalah relatif sangat lemah. Julivanto (2009) dalam skripsinya yang berjudul Dinamika Ekspor Karet Alam Indonesia. Dalam penelitiannya dinamika ekspor karet alam Indonesia dianalisis dengan menggunakan metode analisis Vector Autoregression (VAR) dan Vector Error Correction Model (VECM) yang menyimpulkan bahwa faktor-faktor yang mempengaruhi volume ekspor karet alam Indonesia adalah produksi karet alam Indonesia, harga karet alam Indonesia, harga minyak mentah dunia, dan nilai tukar Rupiah terhadap Dollar. Guncangan terhadap variabel produksi karet alam paling mempengaruhi volume ekspor karet, hal ini dapat dilihat ketika terjadi guncangan respon volume ekspor karet terhadap variabel tersebut paling signifikan. Volume ekspor karet alam Indonesia sangat dipengaruhi oleh produksi karet alam Indonesia. Pada jangka pendek volume ekspor karet alam Indonesia dipengaruhi oleh volume ekspor dan produksi karet alam Indonesia. Namun pada jangka panjang volume ekspor karet alam lebih besar dipengaruhi oleh produksi karet alam Indonesia sebesar 56 persen. Variabel produksi karet alam pada kenyataannya jarang mengalami guncangan karena sifat tanaman karet yang merupakan tanaman tahunan. Variabel lain yang sering mengalami guncangan seperti harga karet dan harga minyak mentah tidak memiliki pengaruh yang signifikan terhadap volume ekspor karet alam Indonesia. Dan dinamika ekspor karet Indonesia tidak terlalu besar pengaruhnya terhadap perubahan volume ekspor Indonesia.
(19)
III. METODE PENELITIAN
3.1. Kerangka Pemikiran Penelitian
Perusahaan merupakan suatu badan hukum yang memiliki suatu tujuan yang ingin dicapai salah satunya yaitu mendapatkan keuntungan. Untuk mencapai tujuan tersebut maka perusahaan harus memiliki target tertentu sebagai sasaran perusahaan untuk mencapai kelangsungan hidup dan pertumbuhan yang semakin baik dari waktu ke waktu. Target yang ingin dicapai tersebut dirumuskan dalam suatu perencanaan berdasarkan kondisi perusahaan yang ada. Untuk mendapatkan suatu perencanaan yang baik, dibutuhkan suatu prediksi terhadap keadaan masa depan yang disebut peramalan. Hasil peramalan tidak pernah secara mutlak tepat, akan tetapi peran peramalan diperlukan untuk pertimbangan dalam pengambilan keputusan karena dengan melakukan peramalan para perencana dan pengambil keputusan dapat mempertimbangkan alternatif-alternatif yang lebih luas daripada tanpa peramalan.
Mengetahui hubungan dan pengaruh antar setiap komoditi adalah salah satu permasalahan yang perlu dikaji dan diteliti selain mengetahui hasil ramalannya. Dengan melakukan analisis kointegrasi, perusahaan dapat mengetahui hubungan dan pengaruh satu komoditas terhadap komoditas lainnya, sehingga perusahaan dapat mengontrol penjualan setiap komoditasnya. Peramalan penjualan dengan melihat hubungan dan pengaruh antar komoditas dibutuhkan bagi perusahaan untuk membantu perusahaan sebagai bahan pertimbangan dalam pengambilan keputusan dan untuk merencanakan langkah-langkah selanjutnya dalam rangka meningkatkan kualitas dan kuantitas penjualannya.
(20)
PT. S-IK Indonesia
Mengetahui peramalan penjualan dan hubungan antar produk
Data Penjualan ABS (Acrylonitrile Butadiene Stryrene), PP
(Polypropilene) dan PS (Polystyrene) tahun 2006 - 2010
Analisis Kointegrasi : 1. Uji Stasioneritas 2. Uji Kausalitas Granger 3. Uji Lag Optimum 4. Uji Kointegrasi
5. Pemodelan VAR/VECM 6. Uji Stabilitas
7. Impuls Respon Function (IRF)
8. Forecast Error Variance Decomposition (FEVD)
Hasil Analisis
Implikasi Manajerial
(21)
3.2. Lokasi dan Waktu Penelitian
Penelitian ini dilaksanakan di PT S-IK Indonesia yang berlokasi di Ejip Industrial Park Plot 4L, Cikarang Selatan Bekasi 17550 Indonesia. Waktu penelitian ini dimulai pada bulan Januari 2011 sampai dengan bulan Maret 2011. 3.3. Metode Pengumpulan Data
Informasi dan pengumpulan data yang dikumpulkan meliputi data primer dan sekunder. Data primer diperoleh dari hasil wawancara dengan pihak PT S-IK Indonesia. Sedangkan data sekunder diperoleh dari laporan internal perusahaan (data penjualan produk ABS, PP dan PS dari tahun 2006 hingga tahun 2010), baik itu berupa laporan penjualan bulanan dan tahunan serta data pelengkap dari data primer yang dikumpulkan dari literatur-literatur, studi pustaka, internet dan tulisan yang berkaitan dengan peramalan penjualan dan kointegrasi.
3.4. Pengolahan dan Analisis Data
Data yang dikumpulkan kemudian diolah dan dianalisis sehingga mampu memberikan gambaran dan penjelasan terhadap permasalahan dalam penelitian ini. Model yang digunakan adalah model analisis Vector Error Correction Model (VECM). Data penjualan kemudian ditabulasikan dengan bantuan program komputer Microsoft Excel 2007, Eviews 6, dan Minitab 16.
Pengolahan data pada penelitian ini yang pertama kali dilakukan yaitu uji stasioneritas data. Hal ini sangat penting untuk mengetahui apakah data-data yang digunakan dalam penelitian ini stasioner atau tidak serta mengetahui derajat kestasioneran dari data tersebut. Dalam metode VAR/VECM derajat kestasioneran dari suatu data sangat mempengaruhi penggunaan dari metode VAR atau metode VECM pada tahap selanjutnya. Apabila semua data stasioner pada tingkat level maka metode VAR yang digunakan, tetapi jika data yang digunakan tidak semuanya stasioner pada tingkat level maka metode VECM yang digunakan. Untuk memastikannya perlu dilakukan pengujian pada tingkat first difference. Besar kemungkinan terjadi hubungan kointegrasi antara variabel-variabel yang tidak stasioner pada tingkat level namun stasioner pada tingkat first difference, sehingga perlu dilakukan uji kointegrasi untuk memastikan adanya hubungan kointegrasi di antara variabel-variabel tersebut. Hubungan kointegrasi tersebut
(22)
dapat dimanfaatkan untuk mengetahui hubungan jangka panjang dengan menggunakan metode VECM. Selanjutnya dapat memanfaatkan alat analisa yang terdapat dalam metode VAR/VECM seperti Granger Causality Test, Forecast Error Variance Decomposition (FEVD), dan analisis Impuls Respon Function (IRF).
3.4.1.Uji Stasioneritas Data
Data time series pada umumnya bersifat skokastik atau memiliki tren yang tidak stasioner artinya data tersebut mengandung akar unit. Untuk dapat mengestimasi suatu model menggunakan data tersebut maka langkah pertama yang harus dilakukan yaitu uji stasioneritas data atau dikenal dengan unit root test. Apabila data yang digunakan mengandung akar unit maka akan sulit untuk mengestimasi suatu model dengan menggunakan data tersebut karena tren data tersebut cenderung berfluktuasi tidak disekitar nilai rata-ratanya. Maka dapat disimpulkan bahwa data yang stasioner akan cenderung untuk mendekati nilai rata-ratanya dan berfluktuasi di sekitar nilai rata-ratanya (Gujarati, 2003). Uji akar unit dalam penelitian ini akan dilakukan dengan menggunakan Augmented Dickey Fuller (ADF).
Keputusan hasil uji ADF ditentukan dengan melihat nilai statistik yang dibandingkan dengan nilai kritikal McKinnon, pada tingkat kritis yang telah ditentukan, 1 persen, 5 persen, atau 10 persen, maka H0 diterima yang berarti data mengandung akar unit atau tidak stasioner. Sebaliknya bila nilai statistik lebih kecil dari pada nilai kritis McKinnon maka H0 ditolah yang mengindikasikan bahwa data stasioner.
Pengujian Augmented Dickey-Fuller (ADF) ini memodelkan pengaruh autokorelasi pada disturbance (memasukkan lag ΔX yang menyebabkan autokorelasi ke dalam model pengujian Augmented Dickey-Fuller) sehingga uji hipotesa pada parameter yang bisa diestimasi akan lebih akurat. Bentuk umum dari pengujian ini adalah (Enders, 2004):
= α + β + + t + ... (3.1)
Dimana panjang lag (p) ditentukan untuk menghasilkan bahwa disturbance error akan bersifat white noise.
(23)
Pemilihan lag dilakukan berdasarkan proses minimalisasi pengujian SIC (Schwartz Information Criterion), AIC (Akaike Information Criterion), dan atau signifikasi dari θt dan atau pengujian autokorelasi pada disturbance term (Enders,
2004).
3.4.2.Metode Pengujian Granger Causality
Uji kointegrasi bertujuan untuk menentukan apakah variabel-variabel yang tidak stasioner mengalami kointegrasi atau tidak. Pengujian ini dilakukan dalam rangka memperoleh hubungan jangka panjang antara variabel yang telah memenuhi persyaratan dalam proses integrasi dimana semua variabel telah stasioner pada derajat yang sama yaitu first difference atau I(0). Hipotesis nol 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.
3.4.3.Pengujian Lag Optimal
Langkah penting yang harus dilakukan dalam menggunakan model VAR/VECM adalah penentuan jumlah lag yang optimal yang digunakan dalam model. Dalam hal ini yang akan dibentuk terlebih dahulu adalah persamaan VAR, setelah mendapatkan lag optimal dan stabilitas VAR baru dapat dibentuk persamaan VECM-nya. Pengujian panjang lag yang optimal dapat memanfaatkan beberapa informasi yaitu dengan menggunakan Akaike Information Criterion (AIC), dan Schwarz Criterion (SC). Untuk dapat menentukan lag ini, maka langkah sebelumnya adalah menentukan nilai determinan dari kovarian residual
(|Ω|) yang dapat dihitung sebagai berikut (Eviews 6 User’s Guide):
= (det t ) ...(3.2)
Dimana p adalah angka parameter dari tiap persamaan dalam VAR. Selanjutnya, log likelihood value dengan mengasumsikan distribusi normal (Gaussian) dapat dihitung:
(24)
1 = - {k(1+log2π) + log|Ω|} ...(3.3)
Dimana k adalah banyaknya parameter yang diestimasi dan T adalah jumlah observasi. Kemudian dilanjutkan dengan menggunakan nilai AIC, dan SC dipilih nilai yang terkecil. Rumus perhitungannya dapat dilihat dibawah ini (Eviews 6
User’s Guide):
AIC -2(l/T)+2(k/T) ...(3.4) SC -2(l/T)+k log(T)/T ...(3.5) 3.4.4.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) b. Nilai ditetapkan
c. Nilai 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:
(25)
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)
β = matriks parameter kointegrasi
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.
3.4.5.Analisis Vector Error Correction Model (VECM)
VECM merupakan bentuk VAR yang terestriksi. Retriksi tambahan ini harus diberikan karena keberadaan bentuk data yang tidak stasioner namun terkointegrasi. VECM kemudian memanfaatkan informasi retriksi kointegrasi tersebut kedalam spesifikasinya. Karena itulah VECM sering disebut sebagai desain VAR bagi series non stasioner yang memiliki hubungan kointegrasi.
Spesifikasi VECM meretriksi hubungan jangka panjang variabel-variabel endogen agar konvergen kedalam hubungan kointegrasinya, namun tetap membiarkan keberadaan dinamisasi jangka pendek. Istilah kointegrasi dikenal juga sebagai error, karena deviasi terhadap keseimbangan jangka panjang dikoreksi secara bertahap melalui series parsial penyesuaian jangka pendek.
Model VECM disusun apabila rank kointegrasi (r) lebih besar dari nol. Model VECM ordo p dan rank kointegrasi r dituliskan sebagai berikut:
Δ = + + Δ + ...(3.7) Dimana:
π = αβ
(26)
α = vektor adjusment berukuran n x 1
Ф* =
Pendugaan parameter dilakukan dengan menggunakan metode kemungkinan maksimum. Model VECM dapat dituliskan dalam model VAR dengan menguraikan nilai diferensiasi:
Δ = ...(3.8) 3.4.6.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.
3.4.7.Impulse Response Function (IRF)
Cara yang baik untuk mencirikan struktur dinamis dalam model adalah dengan menganalisa respon dari model terhadap guncangan (Enders, 2004). Ada dua cara dalam melakukan hal tersebut, yaitu dengan menganalisis Impulse Response Function (IRF) dan analisis Forecast Error Variance Decomposition (FEVD). IRF dapat meneliti hubungan antar variabel dengan menunjukkan bagaimana variabel endogen bereaksi terhadap sebuah shock dalam variabel itu sendiri dan variabel endogen lainnya.
(27)
IRF adalah suatu metode yang digunakan untuk menentukan respon suatu variabel endogen terhadap suatu shock tertentu karena sebenarnya shock variabel misalnya ke-i tidak hanya berpengaruh terhadap variabel ke-i itu saja tetapi ditransmisikan kepada semua variabel endogen lainnya melalui struktur dinamis atau struktur lag dalam VAR. Oleh karena itu, IRF juga dapat mengukur pengaruh suatu shock pada suatu waktu kepada inovasi variabel endogen pada saat tersebut dan dimasa yang akan datang.
Analisis IRF (Impulse Rensponse Function) dilakukan untuk menilai respon dinamik variabel ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropilene) dan PS (Polystyrene). Terhadap adanya guncangan (shock) variabel tertentu. IRF juga bertujuan untuk mengisolasi suatu guncangan agar lebih spesifik artinya suatu variabel yang dapat dipengaruhi oleh guncangan tertentu. Apabila suatu variabel tidak dapat dipengaruhi oleh shock, maka shock spesifik tersebut tidak dapat diketahui melainkan shock secara umum.
3.4.8.Forecast Error Variance Decomposition (FEVD)
Variance Decompotition atau disebut juga forecast error variance decompotition merupakan perangkat pada model VAR/VECM yang akan memisahkan variasi dari sejumlah variabel yang diestimasi menjadi komponen-komponen shock atau menjadi variabel innovation, dengan asumsi bahwa variabel-variabel innovation tidak saling berkorelasi. Kemudian, variance decompotition akan memberikan informasi mengenai proporsi dari pergerakan pengaruh shock pada sebuah variabel terhadap shock variabel yang lain pada periode saat ini dan periode ke depan. Forecast error variance decompotition menggambarkan proporsi pergerakan terhadap shock (guncangan) dari suatu variabel kepada variabel lainnya (Enders, 2004).
Metode ini juga dapat melihat bagaimana perubahan dalam suatu variabel yang ditunjukkan oleh perubahan error variance dipengaruhi oleh variabel-variabel lainnya. Metode ini mencirikan suatu struktur dinamis dalam model VAR. Dimana dalam metode ini dapat dilihat kekuatan dan kelemahan masing-masing variabel dalam mempengaruhi variabel lainnya dalam kurun waktu yang panjang.
(28)
FEVD mencirikan ragam dari peramalan galat menjadi komponen-komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model. Dengan menghitung persentase kuadrat prediksi galat k-tahap ke depan dari sebuah variabel akibat inovasi dalam variabel-variabel lain, maka akan dapat dilihat seberapa besar perbedaan antara error variance sebelum dan sesudah terjadinya shock yang berasal dari dirinya sendiri maupun dari variabel lain. Jadi melalui FEVD dapat diketahui secara pasti variabel yang memberikan kontribusi yang paling signifikan terhadap perubahan dari variabel tertentu. Dalam analisis ini variabel tersebut yaitu variabel ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropilene), dan PS (Polystyrene).
(29)
IV. HASIL DAN PEMBAHASAN
4.1. Gambaran Umum Perusahaan
PT S-IK (Sanyo Inabata Kako) Indonesia adalah salah satu pemain global yang bergerak dalam bidang Plastic Coloring and Compounding (pewarnaan dan perancangan/peracikan bahan baku plastik). Perusahaan yang berlokasi di East Jakarta Industrial Park (EJIP) No. Plot 4-L Cikarang Selatan, Bekasi 17550 ini didirikan pada tahun 1995 diatas tanah seluas 12.500 m². Luas tanah tersebut dibagi menjadi 3 bangunan yaitu bangunan untuk kantor yang memiliki luas tanah 460 m2, bangunan untuk pabrik yang memiliki luas tanah 2.160 m2, dan bangunan untuk gudang yang memiliki luas tanah 3.528 m2. Perusahaan ini memulai operasinya pada bulan April tahun 1996.
Para pemegang saham (shareholder) dari PT S-IK Indonesia ini meliputi Inabata Singapore PTE.LTD., PT Inabata Indonesia, dan Sanyo Kako. Perusahaan ini diperkuat oleh para profesional dan ekspatriat dimana terdapat 230 karyawan yang bekerja di perusahaan tersebut, 3 diantaranya para ekpatriat dan 270 lainnya yaitu pegawai lokal, yang memiliki dedikasi tinggi terutama untuk menghasilkan produk dengan standar kualitas internasional.
PT S-IK Indonesia sangat mengedepankan kualitas produk yang dihasilkan. Perusahaan ini telah memperoleh sertifikat dari International Organization for Standardization (ISO) yaitu sertifikat ISO 9001: 2000 yang berkaitan dengan kualitas produk. Selain sertifikat tersebut, PT. S-IK Indonesia juga telah memperoleh sertifikat penjaminan mutu (quality assurance) lainnya yaitu sebagai berikut:
ISO 9001: 2000 CERTIFICATE NO : ID08/1200
ISO 14001: 2004 CERTIFICATE NO : ID08/1201
TS 16949: 2002 CERTIFICATE IATF : 0078111
TS 16949: 2002 CERTIFICATE NO : ID09/1248
PT. S-IK Indonesia telah menerima sertifikasi ISO 9001: 2000 pada tahun 2000, sertifikasi ISO 14001: 2004 diterima pada tahun 2002, dan sertifikasi ISO TS 16949:2002 diterima pada tahun 2009. Sertifikasi ISO tersebut diperoleh dari Societe Generale Survaillance (SGS). Penerapan ISO 9001: 2000 diaudit secara
(30)
terus menerus. Setiap satu tahun sekali diadakan satu sampai dua kali audit internal dari PT. S-IK Indonesia itu sendiri.
Adapun konsumen utama yang menggunakan produk yang dihasilkan oleh PT S-IK Indonesia. Berikut adalah nama-nama perusahaan yang menjadi konsumen utama PT S-IK Indonesia diantaranya:
1. PT Indonesia Epson Industry 2. PT JVC Electronics Indonesia
3. PT Panasonic Shikoku Electronics Indonesia 4. PT Jalco Electronics Indonesia
5. PT Samsung Electronic Indonesia 6. PT Indomobil Suzuki
7. PT Ichikoh Indonesia 8. PT Toso Industry Indonesia 9. PT Filtech Indonesia 10. PT KMK Plastic Indonesia
11. PT Sanyo Jaya Components Indonesia 12. PT Summitplast Interbenua
13. PT Indonesia Stanley Electric 14. Dll.
4.2. Visi dan Misi Perusahaan
Visi dari PT S-IK Indonesia yaitu “berkesinambungan meningkatkan pelayanan kepada pelanggan dan masyarakat melalui layanan global dan berupaya
memenuhi perubahan kebutuhan mereka”. Sedangkan misi perusahaan dituangkan
dalam manajemen filosofi dan kode etik berikut ini: 1. Manajemen Filosofi:
Dengan "cinta dan menghargai orang-orang" sebagai nilai-nilai inti, kami berkomitmen untuk menjadi "Perusahaan yang Baik" yang selalu dapat dipercaya.
2. Kode etik:
(31)
Kami berkomitmen untuk terus meningkatkan nilai perusahaan Inabata & Co, Ltd. Tidak hanya untuk para pemegang saham, mitra bisnis dan karyawan kami, tetapi untuk semua stakeholder.
- Mematuhi Hukum dan Aturan (Compliance)
Kami berkomitmen untuk mematuhi hukum dan semua aturan masyarakat. Kami akan berusaha untuk menjaga manajemen kami yang transparan dan terbuka kepada masyarakat, melalui pengungkapan yang tepat dan tepat waktu.
- Bisnis (Business)
Sadar akan semangat Inabata & Co.’s sejak pertama dirintis, kami
berkomitmen untuk bekerja secara global menggabungkan target dan strategi yang diartikulasikan dengan jelas, kecepatan, dan kemampuan perencanaan khusus, serta keahlian yang unik dan multifungsi.
- Orang-orang (People)
Kami berkomitmen untuk menciptakan tradisi, dengan mereka yang berintegritas pantang menyerah, berkewarganegaraan yang baik, punya kepercayaan, dan semangat kemerdekaan.
- Budaya Perusahaan (Corporate culture)
Kami berkomitmen untuk memelihara budaya perusahaan yang menghargai kreativitas dan keragaman, memberikan kesempatan bagi semua untuk mencapai mimpi dengan kebahagiaan dan mendapatkan evaluasi yang adil terhadap kinerja mereka - terlepas dari kebangsaan, jenis kelamin, usia, atau kapan mereka bergabung dengan perusahaan.
- Lingkungan dan Masyarakat (Environment and community)
Kami sebagai warga perusahaan yang baik, dipesankan untuk melestarikan lingkungan, lebih jauh turut berkontribusi untuk kemakmuran masyarakat setempat.
4.3. Perkembangan Perusahaan
Berikut adalah perkembangan PT S-IK Indonesia yaitu sejak didirikan pada tahun 1995 yang dimulai dengan proses perataan tanah hingga kondisi saat ini dimana perusahaan ini telah memiliki kurang lebih 14 mesin ekstruder (mesin
(32)
pelebur plastik). Secara runtut perkembangan PT S-IK Indonesia digambarkan dalam tabel 2.
Tabel 2. Perkembangan perusahaan
No. Bulan dan Tahun Keterangan
1. Oktober 1995 proses perataan tanah
2. Mei 1996 Penyelesaian pemasangan blending
3. April 1996 Dimulainya produksi dengan 3 mesin extruder 4. Nopember 1998 Rangka pembangunan warehouse
5. Maret 2011 sudah memiliki 14 mesin extruder
4.4. Fasilitas Produksi yang Dimiliki PT. S-IK Indonesia
Untuk dapat memproduksi produk dengan kualitas yang sesuai dengan standar internasional, maka PT. S-IK Indonesia memperlengkapi perusahaannya dengan fasilitas produksi yang cukup, baik dari segi jumlah maupun teknologi serta senantiasa mengupdate peralatan yang dimiliki dengan teknologi terkini sehingga dapat meningkatkan daya saing produk yang dihasilkan (competitive advantage). Fasilitas produksi yang dimiliki perusahaan berupa mesin extruder, blender, middle hopper dan lainnya. Sedangkan fasilitas untuk pemeriksaan berupa Injection Molding Machine, Physical Test, dan Attached Facilities. Untuk lebih lengkapnya pada tabel-tabel (Lampiran 1) disajikan data mengenai daftar fasilitas produksi dan inspeksi yang dimiliki oleh PT. S-IK Indonesia.
4.5. Produk-Produk Perusahaan
Berikut adalah produk-produk yang terdapat pada PT S-IK Indonesia: 1. PP (Polypropilene), bahan baku plastik berjenis PP ini cenderung digunakan
untuk menghasilkan produk-produk otomotif dan peralatan rumah tangga, misalnya dashboard mobil, bemper mobil, tupperware, dll.
2. ABS (Acrylonitrile Butadiene Stryrene), bahan baku plastik berjenis ABS ini cenderung digunakan sebagai rangka/casing peralatan elektronik, misalnya monitor komputer, printer, keyboard dan pipa saluran
(33)
3. PS (Polystyrene), jenis plastik PS ini cenderung digunakan untuk kemasan sabun, kemasan makanan, cangkir yang siap untuk di buang, piring, tempat / kotak CD dan kaset.
4. PMMA (Polymethyl methacrylate), jenis plastik PMMA ini biasanya digunakan sebagai lensa kontak, kaca jendela (jenis kaca jendela yang sudah dikenal terdiri dari beberapa merek dagang di seluruh dunia, misalnya : Perspex, Oroglas, Plexiglas) dan penutup lampu belakang mobil.
5. PE (Polyethylene), merupakan plastik jenis termoplastik yang digunakan secara luas oleh konsumen produk sebagai kantong plastik mencakup tas supermarket, botol plastik, dll.
6. POM (Polyacetal/Polyoxymethylene), plastik jenis ini sering digunakan sebagai material pengganti metal terutama gear, bushing, dan sliding elements.
7. PA (Polyamide), juga dikenal dengan nama nylon. jenis plastik PA ini biasanya digunakan sebagai pipa atau pancuran ledeng, bingkai jendela dan lantai.
8. PC (Polycarbonate), jenis plastik PC ini biasanya digunakan sebagai compact disc, kacamata, perisai, jendela pengaman, lampu lalu lintas dan lensa.
4.6. Struktur Organisasi
Adanya struktur organisasi ini adalah untuk memberikan penjelasan mengenai tugas dan tanggung jawab departemen-departemen yang terdapat pada PT S-IK Indonesia.
1. President Director: merupakan pengelola perusahaan juga sebagai pemilik PT S-IK Indonesia.
2. Factory Manajer: merupakan pimpinan pabrik yang mengelola kebijakan di pabrik, penanggung jawab utama atas jalannya dan tercapai tujuan perusahaan di pabrik. Tugas dan wewenang dari manajer pabrik yaitu: mengkoordinir seluruh kegiatan di pabrik, mengkoordinir tugas-tugas asisten, membuat laporan rutin mengenai keadaan pabrik secara keseluruhan setiap bulan. Tanggung jawab: Manager Factory dalam menjalankan tugasnya bertanggung jawab kepada President Director PT S-IK Indonesia.
(34)
3. Logistic Departement: memiliki wewenang dan bertanggung jawab untuk mengendalikan kegiatan logistik, bertanggung jawab mengendalikan jalannya kegiatan di gudang, bertanggung jawab untuk memantau dan menentukan jadwal pengiriman dan pengiriman untuk tujuan ekspor, bertanggung jawab untuk membuat laporan persediaan barang jadi, bertanggung jawab untuk menyediakan bahan baku untuk persiapan produksi.
4. General Affair Departement: bertanggung jawab untuk mengatur jadwal jalannya perusahaan, bertanggung jawab untuk mengelola pabrik, bertanggung jawab untuk mengatur dan mengontrol karyawan, bertanggung jawab untuk mengontrol bagian pasokan perusahaan.
5. Production Departement: bertanggung jawab terhadap President Director khususnya hal-hal yang bersifat produksi, bertanggung jawab dalam pengendalian pemeliharaan mesin-mesin produksi, bertanggung jawab menyampaikan laporan hasil produksi kepada President Director.
6. Quality Control departement: bertanggung jawab untuk mengendalikan proses produksi dan kualitas produk, bertanggung jawab untuk menjaga prosedur standarisasi, bertanggung jawab untuk implementasi sistem dan meningkatkan system, bertanggung jawab untuk jadwal mengontrol pencocokan warna, Bertanggung jawab untuk memeriksa barang jadi dan bahan baku.
7. Commercial: bertanggung jawab untuk mengambil tindakan yang tepat dalam segala hal yang berkaitan dengan pengendalian internal, bertanggung jawab untuk menjaga hubungan antara pelanggan dan perusahaan, bertanggung jawab untuk mengontrol semua dukungan bahan baku, bertanggung jawab untuk mengelola pesanan, mengendalikan tanggal pengiriman bahan baku plastik.
8. Account and Financial: bertanggung jawab atas kelangsungan pekerjaan sehari-hari di bidang akuntansi atau keuangan, bertanggung jawab untuk memelihara prosedur sistem akuntansi keuangan, bertanggung jawab untuk mengendalikan jadwal pembayaran untuk pemasok, berwenang untuk menghentikan pembayaran jika dokumen tidak dapat diandalkan.
(35)
4.7. Hasil analisis
4.7.1 Uji Stasioneritas
Stasioneritas merupakan syarat utama bagi data agar dapat diolah dan digunakan bagi penelitian ini. Uji ini dilakukan untuk menganalisis apakah data yang digunakan stasioner atau tidak sesuai dengan bentuk tren deterministik yang dikandung oleh setiap variabel. Data yang tidak stasioner adalah data yang mengandung akar unit sehingga dapat menghasilkan regresi palsu (spurious regression), yaitu regresi yang menggambarkan hubungan dua variabel atau lebih yang nampaknya signifikan secara statistik padahal kenyataannya tidak stasioner atau tidak sebesar regresi yang dihasilkan tersebut. Pengujian stasionesitas dalam penelitian ini didasarkan pada uji ADF (Augmented Dickey Fuller).
Pengujian stasioneritas data perlu dilakukan karena data yang tidak stasioner tidak dapat dimasukkan kedalam model VAR melainkan dimasukkan ke dalam model VECM (Vector Error Correction Model). Pemeriksaaan kestasioneran data time series pada setiap varabel dalam tingkat level dengan menggunakan uji ADF dapat dilihat dalam Tabel 3.
Tabel 3. Hasil Uji Unit Root pada Level
Variabel Nilai ADF
Nilai Kritis
MacKinnon Kerterangan 5%
ABS -2.725301 -2.911730 Tidak stasioner PP -2.337352 -3.489228 Tidak stasioner PS -2.897658 -2.911730 Tidak stasioner
Berdasarkan hasil tabel di atas maka dapat dilihat bahwa data dari variabel ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropilene), dan PS (Polystyrene) tidak stasioner. Hal ini dapat diketahui dari nilai kritis MacKinnon pada taraf nyata 5 persen lebih besar daripada nilai ADF. Karena hasil pengujian stasioneritas untuk masing-masing data (Tabel 3) menunjukkan bahwa variabel-variabel yang digunakan dalam penelitian ini tidak stasioner, maka pengujian akar unit perlu dilanjutkan pada tingkat first difference. Hasil pengujian first difference dapat dilihat pada Tabel 4 berikut.
(36)
Tabel 4. Hasil Uji Unit Root pada First Difference
Variabel Nilai ADF
Nilai Kritis
MacKinnon Kerterangan 5%
ABS -8.788089 -2.912631 Stasioner PP -15.33991 -2.912631 Stasioner PS -7.137961 -2.912631 Stasioner
Secara umum dapat disimpulkan bahwa variabel ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropilene), dan PS (Polystyrene) telah stasioner pada level first difference. Dari hasil uji stasioner ini sudah dapat disimpulkan model yang digunakan dalam penelitian ini adalah model VECM.
4.7.2 Uji Kausalitas Granger
Uji Kausalitas Granger digunakan untuk melihat hubungan kausalitas antar variabel yang akan digunakan dalam penelitian ini. Berdasarkan Uji Kausalitas Granger apabila nilai probability variabel tersebut lebih kecil atau sama dengan 5 persen maka terdapat hubungan kausalitas diantara variabelnya, sebaliknya apabila nilai probability variabel tersebut lebih besar dari 5 persen maka tidak ada hubungan kausalitas diantara variabelnya. Hasil pengujian kausalitas granger dapat dilihat pada Tabel 5 berikut.
Tabel 5. Uji Kausalitas Granger
Null Hypothesis: Obs F-Statistic Prob. PP does not Granger Cause ABS 57 0.24442 0.8649
ABS does not Granger Cause PP 2.37299 0.0813
PS does not Granger Cause ABS 57 0.36918 0.7756
ABS does not Granger Cause PS 1.18651 0.3244
PS does not Granger Cause PP 57 0.21871 0.8830
PP does not Granger Cause PS 1.26458 0.2966
Berdasarkan hasil pengujian maka dapat dilihat bahwa semua nilai probability pada hipotesis lebih besar dari alpha 5%, yang artinya ketiga variabel ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropilene), dan PS (Polystyrene) tidak terdapat hubungan kausalitas diantara variabel tersebut.
(37)
4.7.3 Penentuan Lag Optimal
Pengujian selanjutnya yaitu menentukan jumlah lag optimal yang akan digunakan dalam variabel yang akan dianalisis. Penentuan lag optimal yang digunakan dengan beberapa pendekatan antara lain Likelihood Ratio (LR), Final Prediction Error (FPE), Akaike Information Criterion (AIC), dan Schwarz Criterion (SC). Hasil pengujian lag optimal dapat dilihat pada Tabel 6 berikut. Tabel 6. Penentuan Lag Optimal
Lag LogL LR FPE AIC SC HQ
0 -113.5871 NA 0.011183 4.020246 4.126821 4.061759 1 -16.14339 181.4470 0.000530 0.970462 1.396760 1.136514 2 2.709548 33.15517* 0.000378* 0.630705* 1.376728* 0.921296*
Berdasarkan hasil penentuan lag optimal di atas maka dapat dilihat bahwa lag yang optimal berada pada lag ke dua. Hal ini diketahui dari semua kriteria memberikan panjang lag yang sama yaitu pada lag ke dua.
4.7.4 Uji Kointegrasi
Uji kointegrasi bertujuan untuk menentukan apakah variabel-variabel yang tidak stasioner mengalami kointegrasi atau tidak. Pengujian ini dilakukan dalam rangka memperoleh hubungan jangka panjang antara variabel yang telah memenuhi persyaratan dalam proses integrasi dimana semua variabel telah stasioner pada derajat yang sama yaitu first difference atau I(0). Dalam penelitian ini untuk mengetahui keterkaitan jangka panjang antar komoditi diuji dengan menggunakan uji kointegrasi Johansen. Dengan kriteria pengujian jika trace statistic lebih besar dari critical value, maka terjadi kointegrasi, sebaliknya jika trace statistic lebih kecil dari critical value, maka tidak terkointegrasi. Hasil pengujian dapat dilihat pada Tabel 7.
Tabel 7. Uji Kointegrasi Hypothesized
No.of CE (s) Eigen value
Trace Statistic
0.05 Critical
Value Prob** None* 0.328122 24.95816 24.27596 0.0410 At Most 1 0.045937 2.688157 12.32090 0.8848 At Most 2 0.000977 0.054723 4.129906 0.8480
Berdasarkan hasil pengujian tersebut dapat diketahui bahwa terdapat satu persamaan kointegrasi, karena hanya ada satu nilai trace statistic yang lebih besar
(38)
dari taraf nyata 5 persen. Adanya kointegrasi variabel terhadap variabel yang lain hal ini berarti terdapat hubungan jangka panjang diantara ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropilene), dan PS (Polystyrene).
4.7.5 Estimasi VECM (Vector Error Correction Model)
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 koefisiennya. Koefisien kointegrasi dikatakan signifikan jika mutlak nilai t-statistic lebih besar daripada nilai t-tabel yaitu 1,96.
Tabel 8. Estimasi VECM (Vector Error Correction Model) Cointegrating Eq Cointegrating Eq1
ABS 1.000000
PP 0.930352
[1.95240]
PS 2.870379
[2.59531]
Dari hasil estimasi VECM pada tabel di atas diketahui bahwa apabila penjualan PP meningkat satu persen maka akan menurunkan penjualan ABS sebesar 0.93 persen. Sedangkan apabila penjualan PS meningkat satu persen, maka juga akan menurunkan penjualan ABS sebesar 2.87 persen.
4.7.6 Pengujian Stabilitas Model
Pengujian selanjutnya yaitu pengujian stabilitas model VECM. Berdasarkan hasil AR Root Table, model dikatakan stabil apabila nilai modulusnya kurang dari satu. Terlihat pada tabel dibawah ini bahwa semua nilai modulus kurang dari satu, maka dapat disimpulkan bahwa model VECM tersebut telah stabil. Berikut adalah hasil pengujian stabilitas VECM.
(39)
Tabel 9.Pengujian Stabilitas Model
Root Modulus
0.959089 0.959089
0.790458 0.790458
-0.617894 0.617894
0.465037-0.213163i 0.511564 0.465037+0.213163i 0.511564
-0.156347 0.156347
4.7.7 Impulse Response Function (IRF)
Analisis IRF dimaksudkan untuk mengetahui pengaruh perubahan dari satu variabel pada variabel itu sendiri atau variabel lainnya. Dalam penelitian ini analisis IRF bertujuan untuk mengetahui dampak guncangan dari setiap variabel yaitu ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropilene) dan PS (Polystyrene).
1. Apabila ABS di impuls (shock)
0.5 0.6 0.7 0.8 0.9 1.0
5 10 15 20 25 30 35 40 45 50 Respon Variabel ABS Terhadap Shock Variabel ABS
.00 .05 .10 .15 .20 .25 .30
5 10 15 20 25 30 35 40 45 50 Respon Variabel PP Terhadap Shock Variabel ABS
-.3 -.2 -.1 .0 .1 .2 .3 .4
5 10 15 20 25 30 35 40 45 50 Respon Variabel PS Terhadap Shock Variabel ABS
Gambar 3. Impulse Response ABS
Respon yang pertama dianalisa yaitu apabila variabel ABS di impuls. Gambar pertama menunjukkan respon ABS terhadap guncangan variabel ABS sendiri. Berdasarkan gambar tersebut, diketahui bahwa respon yang diberikan ABS terhadap variabel itu sendiri pada satu standar deviasi terlihat bernilai positif. Pergerakan dari respon tersebut menurun pada periode ke dua sebesar 79 persen. Terjadi lonjakan pada periode ke tiga dengan nilai 88 persen. Akan tetapi menurun pada periode ke tiga hingga periode 11 dengan nilai yang cukup drastis yaitu hingga 59 persen. Respon kemudian bergerak cenderung stabil pada periode ke 12 hingga periode ke 60 dengan bertahan di angka 59 persen.
Gambar selanjutnya menunjukkan respon variabel PP terhadap guncangan dari variabel ABS. Terlihat pada gambar, respon yang diberikan variabel PP pada
(1)
Lanjutan Lampiran 11. Forecast Error Variance Decomposition (FEVD)
2.
FEVD of PP
Period S.E. ABS01 PP PS
1 137083.7 0.065934 99.93407 0.000000 2 155654.5 4.287451 95.63153 0.081019 3 187421.6 4.524196 95.37482 0.100980 4 205247.9 5.526459 94.27188 0.201659 5 225185.3 5.496581 94.12945 0.373972 6 240599.5 5.546031 93.85764 0.596330 7 255798.2 5.389015 93.80336 0.807624 8 269322.4 5.261308 93.72760 1.011092 9 282408.4 5.104516 93.70210 1.193384 10 294672.3 4.970965 93.67273 1.356301 11 306504.1 4.844553 93.65825 1.497201 12 317831.1 4.735630 93.64401 1.620356 13 328790.0 4.638019 93.63441 1.727572 14 339378.6 4.552751 93.62543 1.821815 15 349654.8 4.476850 93.61824 1.904913 16 359633.7 4.409537 93.61164 1.978827 17 369346.2 4.349179 93.60589 2.044933 18 378809.0 4.294915 93.60063 2.104456 19 388042.2 4.245776 93.59590 2.158325 20 397060.5 4.201105 93.59156 2.207331 21 405879.0 4.160286 93.58761 2.252106 22 414509.8 4.122848 93.58397 2.293185 23 422964.6 4.088378 93.58062 2.331007 24 431253.7 4.056537 93.57751 2.365948 25 439386.4 4.027032 93.57464 2.398326 26 447371.4 3.999616 93.57197 2.428413 27 455216.3 3.974073 93.56948 2.456443 28 462928.2 3.950219 93.56716 2.482622 29 470513.8 3.927890 93.56498 2.507126 30 477979.0 3.906945 93.56294 2.530111 31 485329.4 3.887259 93.56103 2.551714 32 492570.2 3.868722 93.55922 2.572057 33 499706.0 3.851237 93.55752 2.591246 34 506741.3 3.834715 93.55591 2.609376 35 513680.3 3.819081 93.55439 2.626534 36 520526.8 3.804263 93.55294 2.642794 37 527284.4 3.790200 93.55157 2.658227 38 533956.5 3.776836 93.55027 2.672893 39 540546.3 3.764120 93.54903 2.686848 40 547056.7 3.752005 93.54785 2.700143 41 553490.5 3.740450 93.54673 2.712823 42 559850.3 3.729418 93.54565 2.724931 43 566138.8 3.718872 93.54462 2.736503 44 572358.1 3.708783 93.54364 2.747575 45 578510.6 3.699120 93.54270 2.758179 46 584598.3 3.689858 93.54180 2.768343 47 590623.3 3.680972 93.54093 2.778095 48 596587.5 3.672440 93.54010 2.787458 49 602492.6 3.664240 93.53930 2.796457 50 608340.4 3.656354 93.53853 2.805111
(2)
Lanjutan Lampiran 11. Forecast Error Variance Decomposition (FEVD)
3.
FEVD of PS
Period S.E. ABS01 PP PS
1 129931.7 3.582766 0.319478 96.09776 2 174281.2 11.30634 1.637618 87.05604 3 187470.1 12.72426 4.467703 82.80804 4 191897.0 12.96324 4.300748 82.73602 5 194829.0 12.57956 4.198359 83.22208 6 196847.7 12.48533 4.250592 83.26407 7 198663.4 12.85524 4.383369 82.76139 8 200771.2 13.53449 4.657752 81.80776 9 203111.2 14.41179 4.964566 80.62365 10 205543.3 15.36591 5.281114 79.35297 11 208006.6 16.34106 5.587689 78.07125 12 210477.9 17.29508 5.887560 76.81736 13 212934.5 18.21403 6.172926 75.61305 14 215364.9 19.09189 6.444592 74.46351 15 217766.3 19.92956 6.702873 73.36757 16 220139.4 20.72879 6.949487 72.32172 17 222485.3 21.49254 7.185073 71.32239 18 224805.0 22.22348 7.410620 70.36590 19 227099.9 22.92413 7.626841 69.44903 20 229371.2 23.59661 7.834435 68.56895 21 231619.8 24.24281 8.033936 67.72326 22 233846.5 24.86434 8.225848 66.90981 23 236052.2 25.46269 8.410607 66.12671 24 238237.4 26.03915 8.588617 65.37224 25 240402.7 26.59492 8.760242 64.64484 26 242548.6 27.13111 8.925821 63.94307 27 244675.8 27.64874 9.085669 63.26559 28 246784.6 28.14875 9.240077 62.61117 29 248875.5 28.63204 9.389319 61.97864 30 250949.0 29.09941 9.533650 61.36694 31 253005.6 29.55166 9.673307 60.77503 32 255045.5 29.98949 9.808514 60.20199 33 257069.3 30.41360 9.939480 59.64692 34 259077.3 30.82460 10.06640 59.10900 35 261069.8 31.22311 10.18946 58.58743 36 263047.2 31.60967 10.30884 58.08149 37 265009.9 31.98483 10.42469 57.59048 38 266958.1 32.34908 10.53717 57.11375 39 268892.2 32.70289 10.64643 56.65068 40 270812.5 33.04669 10.75260 56.20071 41 272719.3 33.38091 10.85581 55.76327 42 274612.9 33.70595 10.95618 55.33786 43 276493.5 34.02218 11.05384 54.92399 44 278361.3 34.32994 11.14888 54.52118 45 280216.8 34.62958 11.24141 54.12901 46 282060.0 34.92141 11.33153 53.74706 47 283891.3 35.20574 11.41933 53.37493 48 285710.8 35.48285 11.50490 53.01225 49 287518.8 35.75301 11.58833 52.65866 50 289315.5 36.01648 11.66969 52.31383
(3)
Lampiran 12. Regresi Model Minitab
1.
ABS
The regression equation is
ABS = 55082 + 0,271 ABSlag-2 + 0,603 ABSlag-1 + 0,152 PPlag-2 - 0,163 PPlag-1 + 0,046 PP - 0,194 PSlag-2 - 0,014 PSlag-1 + 0,212 PS
58 cases used, 2 cases contain missing values
Predictor Coef SE Coef T P Constant 55082 65878 0,84 0,407 ABSlag-2 0,2707 0,1446 1,87 0,067 ABSlag-1 0,6030 0,1349 4,47 0,000 PPlag-2 0,1518 0,1142 1,33 0,190 PPlag-1 -0,1634 0,1106 -1,48 0,146 PP 0,0458 0,1150 0,40 0,692 PSlag-2 -0,1941 0,1113 -1,74 0,088 PSlag-1 -0,0143 0,1413 -0,10 0,920 PS 0,2116 0,1074 1,97 0,055
S = 108984 R-Sq = 68,4% R-Sq(adj) = 63,2%
Analysis of Variance
Source DF SS MS F P Regression 8 1,25962E+12 1,57452E+11 13,26 0,000 Residual Error 49 5,82001E+11 11877561250
Total 57 1,84162E+12
Source DF Seq SS ABSlag-2 1 7,80509E+11 ABSlag-1 1 3,38929E+11 PPlag-2 1 16190838817 PPlag-1 1 20417138809 PP 1 4595557033 PSlag-2 1 25655621983 PSlag-1 1 27234254538 PS 1 46088391978
Unusual Observations
Obs ABSlag-2 ABS Fit SE Fit Residual St Resid 37 453095 110225 384270 37215 -274045 -2,68R 58 787598 1096320 810258 52422 286062 2,99R
(4)
Lanjutan Lampiran 12. Regresi Model Minitab
2.
PP
The regression equation is
PP = 3052 - 0,137 ABSlag-2 + 0,070 ABS + 0,230 ABSlag-1 + 0,506 PPlag-2 + 0,439 PPlag-1 - 0,083 PSlag-1 - 0,013 PSlag-2 + 0,054 PS
58 cases used, 2 cases contain missing values
Predictor Coef SE Coef T P Constant 3052 82318 0,04 0,971 ABSlag-2 -0,1365 0,1847 -0,74 0,463 ABS 0,0705 0,1770 0,40 0,692 ABSlag-1 0,2299 0,1958 1,17 0,246 PPlag-2 0,5064 0,1247 4,06 0,000 PPlag-1 0,4390 0,1254 3,50 0,001 PSlag-1 -0,0830 0,1750 -0,47 0,637 PSlag-2 -0,0127 0,1424 -0,09 0,929 PS 0,0539 0,1383 0,39 0,699
S = 135222 R-Sq = 92,3% R-Sq(adj) = 91,1%
Analysis of Variance
Source DF SS MS F P Regression 8 1,07516E+13 1,34395E+12 73,50 0,000 Residual Error 49 8,95967E+11 18285037386
Total 57 1,16476E+13
Source DF Seq SS ABSlag-2 1 9,17696E+11 ABS 1 4,64125E+11 ABSlag-1 1 38991136766 PPlag-2 1 9,07958E+12 PPlag-1 1 2,43088E+11 PSlag-1 1 5089703302 PSlag-2 1 291130895 PS 1 2774251520
Unusual Observations
Obs ABSlag-2 PP Fit SE Fit Residual St Resid 32 674443 1112455 764775 36611 347680 2,67R 51 615967 1409743 1151796 45087 257947 2,02R 57 754315 1093771 1433272 43594 -339501 -2,65R
(5)
Lanjutan Lampiran 12. Regresi Model Minitab
3.
PS
The regression equation is
PS = 171560 - 0,154 ABSlag-2 - 0,114 ABSlag-1 + 0,347 ABS - 0,132 PPlag-2 - 0,011 PPlag-1 + 0,057 PP - 0,094 PSlag-2 + 0,786 PSlag-1
58 cases used, 2 cases contain missing values
Predictor Coef SE Coef T P Constant 171560 81310 2,11 0,040 ABSlag-2 -0,1539 0,1903 -0,81 0,423 ABSlag-1 -0,1143 0,2042 -0,56 0,578 ABS 0,3467 0,1760 1,97 0,055 PPlag-2 -0,1317 0,1476 -0,89 0,376 PPlag-1 -0,0110 0,1447 -0,08 0,940 PP 0,0573 0,1471 0,39 0,699 PSlag-2 -0,0945 0,1463 -0,65 0,521 PSlag-1 0,7865 0,1418 5,55 0,000
S = 139500 R-Sq = 65,6% R-Sq(adj) = 59,9%
Analysis of Variance
Source DF SS MS F P Regression 8 1,81498E+12 2,26873E+11 11,66 0,000 Residual Error 49 9,53556E+11 19460317088
Total 57 2,76854E+12
Source DF Seq SS ABSlag-2 1 70238068057 ABSlag-1 1 66097689382 ABS 1 51509908081 PPlag-2 1 6,58509E+11 PPlag-1 1 3802030617 PP 1 304722625 PSlag-2 1 3,65826E+11 PSlag-1 1 5,98695E+11
Unusual Observations
Obs ABSlag-2 PS Fit SE Fit Residual St Resid 5 286614 818293 537095 56472 281198 2,20R 6 469908 351468 801953 59984 -450485 -3,58R 20 527871 1148252 880311 49818 267941 2,06R
(6)