Peramalan Permintaan Ban Mobil Penumpang PT Goodyear Indonesia Tbk

(1)

PT GOODYEAR INDONESIA TBK

Oleh

RUDI AWALUDIN

A 14102569

PROGRAM SARJANA EKSTENSI MANAJEMEN AGRIBISNIS

FAKULTAS PERTANIAN

INSTITUT PERTANIAN BOGOR

2006

(2)

Skripsi

Sebagai salah satu syarat untuk memperoleh gelar Sarjana Pertanian Pada Program Studi Ekstensi Manajemen Agribisnis

Institut Pertanian Bogor

Oleh

Rudi Awaludin

A 14102569

PROGRAM SARJANA EKSTENSI MANAJEMEN AGRIBISNIS

FAKULTAS PERTANIAN

INSTITUT PERTANIAN BOGOR

(3)

1.1. Latar Belakang

Kondisi industri otomotif di Indonesia yang mengalami peningkatan setelah krisis moneter, ditunjang populasi penduduk yang besar dan pendapatan yang makin meningkat menjadikan industri otomotif memiliki prospek yang menjanjikan. Akan tetapi seiring dengan perkembangan perekonomian negara yang relatif belum sepenuhnya stabil dan adanya faktor ekstern yang mengakibatkan nilai rupiah anjlok serta peningkatan inflasi seperti sekarang ini menyebabkan adanya penurunan penjualan kendaraan.

Di era modern ini kebutuhan akan roda empat sangat dibutuhkan sebagai sarana untuk mempermudah orang melakukan perjalanan dan juga sebagai life style masyarakat, terutama daerah perkotaan yang tingkat laju ekonominya sangat pesat. Semakin maju suatu negara maka kebutuhan akan roda empat akan dirasa sangat penting yang dapat memudahkan akses mereka ke tempat yang dituju apalagi untuk urusan bisnis. Selain itu kepemilikan kendaraan dapat menunjukkan suatu kelas tersendiri dalam masyarakat.

Prospek yang semakin bagus didunia otomotif di Indonesia yang ditunjukkan oleh tingkat penjualan kendaraan roda empat yang meningkat dari tahun ke tahun merupakan peluang pasar yang bagus untuk industri ban. Ban sebagai salah satu komponen penting dari kendaraan akan berkorelasi (ada hubungan) dengan tingkat penjualan mobil. Semakin meningkat penjualan mobil maka semakin meningkat pula penjualan ban, karena kedua produk tersebut saling melengkapi (komplementer).

(4)

Tabel 1. Perbandingan Jumlah Serta Nilai Produksi Industri Ban Dan Kendaraan Bermotor Roda Empat/Lebih 1997-2002 (Ribu Rp per Unit)

Jumlah Nilai Ta

hun Ban % Kendaraan % Ban % Kendaraan %

1997 28 005 644 - 360 465 - 123 814 427 - 4 205 314 320 - 1998 35 195 556 25.7 52 525 (85.4) 3 770 467 562 2 945.3 1 242 662 230 (70.5) 1999 33 082 269 (6.0) 52 432 (0.2) 4 685 064 237 24.26 2 289 525 230 84.3 2000 42 518 887 28.5 258 269 392.6 6 139 716 285 31.05 14 098 645 060 515.8 2001 23 239 202 (45.3) 991 724 283.9 4 974 126 155 (18.98) 13 136 384 018 (6.8) 2002 19 624 791 (18.4) 2 076 924 109.4 4 537 039 231 (8.79) 30 959 843 332 135.7 Sumber : Badan Pusat Statistik, 2002.

Dari Tabel 1 terlihat bahwa jumlah ban yang ada di pasaran terus mengalami peningkatan walaupun pada tahun 1998 volume penjualan kendaraan mengalami penurunan yang disebabkan kondisi perekonomian Indonesia sedang mengalami krisis. Meski produksi kendaraan turun secara drastis di tahun 1998 serta tahun 1999, akan tetapi jumlah ban yang ada semakin banyak hal ini karena pada saat itu adanya peluang yang sangat bagus bagi pemasaran ke luar negeri (Divisi Pemasaran Goodyear, 2005).

Industri ban di Indonesia tingkat persaingannya mulai kompetitif, mereka secara gencar melakukan promosi, menciptakan model-model yang disesuaikan dengan kebutuhan pengguna kendaraan atau menerapkan harga yang murah serta menyediakan saluran distribusi yang tepat untuk memudahkan pembelian.

Tabel 2. Perkembangan Penjualan Ban Radial di Indonesia Pada Pasar

Domestik Tahun 1998-2002 (unit)

Tahun Pasar eceran Pasar prakitan Total Penjualan Pasar domestik Kenaikan Penjualan Pasar Domestik 1998 1999 2000 2001 2002

2 066 311 3 405 078 3 907 059 3 330 450 2 952 576

159 724 249 769 863 625 700 647 555 572

2 226 035 3 654 847 4 770 684 4 031 097 3 508 148

- 64.18 30.53 -15.50 -12.97 Rata-rata 3 132 295 505 867 3 638 1622 24.0 Sumber : Asosiasi Pengusaha Ban Indonesia, 2003

Pada Tabel 2 dapat dilihat bahwa sejak tahun 1998 hingga tahun 2000 penjualan di pasar eceran mengalami peningkatan yang diikuti oleh permintaan

(5)

pada pasar perakitan, yang telah bangkit kembali setelah terpuruk karena krisis ekonomi. Penjualan tahun 2002 mengalami penurunan baik di pasar eceran maupun perakitan, hal ini bisa disebabkan semakin banyaknya ban luar negeri yang masuk serta adanya ban vulkanisir dalam pasar Indonesia.

Saat ini terdapat sembilan perusahaan produsen ban yang terdaftar di Asosiasi Perusahaan Ban Indonesia antara lain PT Goodyaer Indonesia, PT Bridgestone Tyre Indonesia, PT Gajah Tunggal, PT Intirub, PT Sumi Rubber Indonesia, PT Mega rubber, PT Elang Perdana, PT Multistrada, dan PT Industri Karet Deli. PT Goodyear Indonesia Tbk pangsa pasarnya menempati posisi ketiga sebagai produsen ban dari lima perusahaan ban yang tergabung dalam APBI setelah PT Bridgestone dan PT Gajah Tunggal. Hal ini dilihat dari share of market

produsen ban di Indonesia pada tahun 2004, bahwa PT Bridgestone sebagai

Market Leader pangsa pasarnya sebesar 36,7 persen yang diikuti PT Gajah Tunggal 25.4 persen, PT Goodyear Indonesia sebesar 13.9 persen, PT Sumi Rubber Indonesia sebesar 9 persen, dan lain-lain sebesar 15 persen (Divisi Pemasaran Goodyear, 2005).

Tingkat penjualan yang semakin meningkat yang diiringi persaingan yang ketat serta keinginan perusahaan melakukan efisiensi produksi menjadikan peramalan merupakan hal yang diperlukan. Peramalan permintaan dibutuhkan oleh bagian perencanaan untuk melihat ke depan prospek yang akan terjadi di pasar sehingga dapat merumuskan tingkat produksi yang efektif yang akan dilakukan oleh divisi produksi serta pengaturan jumlah bahan baku oleh divisi pengadaan sehingga inefesiensi produksi dapat berkurang.

(6)

1.2. Perumusan Masalah

PT Goodyear Indonesia merupakan perusahaan ban pertama di Indonesia yang beroperasi sejak tahun 1935, sampai saaat ini produk yang dihasilkannya terdiri dari consumer tire dan commercial tire. Consumer tire yaitu ban yang biasa digunakan untuk kendaraan roda empat atau biasa disebut ban mobil penumpang (passanger tire) sedangkan commercial tire merupakan ban yang digunakan untuk truk, bus, dan kendaraan berat lainnya.

Tabel 3. Permintaan Ban Mobil Penumpang PT Goodyear Indonesia 2001-2004

Tahun Permintaan (unit) Banyaknya Model Ban

2001 604 100 11

2002 531 124 ₁₂

2003 533 614 ₁₀

2004 458 204 ₁₀

Sumber : Bagian Pemasaran PT Goodyear Indonesia, 2005

Tabel 3 menunjukkan bahwa permintaan antara tahun 2001 dengan 2004 mengalami fluktuasi untuk model yang berlainan. Model-model tersebut disesuaikan dengan permintaan pasar, apabila tingkat permintaannya rendah maka model tesebut tidak diproduksi lagi. Adanya fluktuasi permintaan menunjukkan bahwa peramalan merupakan hal yang penting, melalui peramalan tersebut setidaknya faktor-faktor yang menyebabkan fluktuasi tersebut dapat diantisipasi atau diminimumkan pengaruhnya melalui langkah-langkah tertentu. Peramalan juga merupakan salah satu langkah penting yang menentukan keberhasilan perencanaan.

Hampir semua keputusan bisnis dibuat dalam situasi yang beresiko dan mengandung ketidakpastian. Keputusan tentang tingkat produksi, tingkat harga, belanja iklan dan lain-lain harus dirancang dan direncanakan dengan seksama demi kelangsungan pertumbuhan perusahaan. Semua keputusan-keputusan ini

(7)

dibuat atas dasar prediksi dan ramalan tentang tingkat aktivitas ekonomi dan bisnis di masa yang akan datang.

Peramalan yang dilakukan PT Goodyear Indonesia merupakan salah satu upaya untuk mengantisipasi permintaan pelanggan dimasa yang akan datang, permintaan yang dimaksud merupakan permintaan aktual yang terjadi yakni volume ban yang diorder oleh industri perakitan, para agen, pedagang besar, atau pedagang eceran. Permintaan yang diramalkan untuk periode yang akan datang dilakukan oleh divisi demand planning, mengacu pada tren permintaan periode sebelumnya, disamping memperhitungkan akan faktor-faktor produksi seperti harga dan ketersediaan bahan baku, juga yang menjadi dasar prediksi adalah omset yang ingin dicapai dan ditetapkan oleh pihak top manajemen.

Peramalan permintaan dan perencanaan perubahan kapasitas dilakukan untuk menanggapi permintaan pasar yang berfluktuatif. Untuk meminimalisasi kerugian diperlukan suatu metode yang cocok dengan pola data permintaan setiap produk tersebut, sehingga perusahaan dapat merumuskan kapasitas yang diproduksi sesuai dengan tingkat permintaan pasar. Adanya pengetahuan pola data dari tiap tipe produk yang diminta dapat diketahui apakah pola permintaannya meningkat atau menurun, sehingga bisa dijadikan bahan pertimbangan dalam menyusun strategi pemasaran perusahaan, misalnya kapan permintaan terhadap produk itu menurun serta dapat menentukan langkah dan strategi yang perlu dilakukan untuk mengatasinya.

Saat ini pihak perusahaan menggunakan metode naïve, yang mengasumsikan bahwa permintaan periode berikutnya merupakan prediktor terbaik. Pertimbangan dari penggunaan metode ini yaitu kemudahan dalam

(8)

penggunaannya, akan tetapi hasil penggunaan metode ini dirasa kurang memuaskan karena besarnya penyimpangan yang terjadi. Harapan pihak perencana agar mendapat suatu nilai yang lebih akurat mendorong perusahaan untuk mencari model yang lebih tepat. Divisi demand planning mengharapkan adanya suatu masukan yang sekira-kiranya bisa membantu dalam proyeksi permintaan masa yang akan datang sehingga dapat merumuskan strategi yang lebih tepat.

Berdasarkan uraian di atas permasalahan yang dapat dirumuskan dalam penelitian ini :

1. Bagaimana pola permintaan ban penumpang di PT Goodyear Indonesia Tbk yang selama ini berlangsung?

2. Metode peramalan apa yang sesuai untuk peramalan permintaan tipe ban penumpang di PT Goodyear Indonesia Tbk sehingga dapat digunakan dalam pengambilan keputusan?

3. Bagaimana proyeksi permintaan ban mobil penumpang untuk satu tahun kedepan?

1.3. Tujuan Penelitian

Berdasarkan permasalahan yang telah dirumuskan, maka penelitian ini bertujuan :

1. Mengkaji serta menganalisis pola data permintaan ban penumpang di PT Goodyear Indonesia Tbk yang selama ini berlangsung.

2. Menentukan metode yang paling cocok untuk peramalan permintaan ban penumpang di PT Goodyear Indonesia Tbk.

(9)

3. Mendapatkan ramalan jumlah ban yang akan diminta konsumen untuk satu tahun kedepan.

4. Implikasi dari identifikasi pola data, metode peramalan, dan hasil peramalan terhadap perencanaan produksi.

1.4. Kegunaan Penelitian

Penelitian ini diharapkan ada suatu masukan bagi pihak manajemen PT Goodyear Indonesia Tbk dalam proses pengambilan keputusannya dilihat dari peramalan permintaan konsumen sehingga dapat direncanakan kuantitas barang yang diproduksi untuk meminimalisasi kerugian akibat permintaan yang kurang. Memberikan manfaat untuk kepentingan keilmuan dan menjadi informasi bagi pihak-pihak yang membutuhkan. Penelitian ini juga digunakan untuk melatih menganalisa suatu permasalahan berdasarkan ilmu dan pengetahuan yang telah diperoleh penulis di bangku kuliah.

1.5. Ruang Lingkup dan Keterbatasan Penelitian

Penelitian ini menggunakan metode kuantitatif yang terdiri dari metode peramalan time series dan metode kausal (regresi). Data yang digunakan merupakan data bulanan penjualan ban mobil penumpang di PT Goodyear Tbk Januari 2001 - Juni 2005. Ramalan dilakukan untuk memilih metode peramalan terbaik untuk periode satu tahun ke depan.

Penelitian ini mempunyai keterbatasan, yaitu peramalan yang dilakukan tidak terhadap semua model ban penumpang yang diproduksi PT Goodyear Indonesia. Hal ini disebabkan karena adanya daur produksi yang dilakukan pihak perusahaan terhadap model tersebut, sehingga data yang tersedia untuk tiap model

(10)

dalam kurun waktu yang sama tidak tersedia. Penulis melakukan peramalan terhadap model yang memiliki daur yang panjang serta tingkat permintan yang besar dari konsumen, dari dua kriteria tersebut model ban yang diambil yaitu GT3 (Broad Market) atau lebih dikenal segmen keluarga serta ban model Eagle Ventura (High Performance). Harga yang dimasukan dalam penelitian ini bukan harga perusahaan tapi merupakan harga yang diterima konsumen, selain itu penelitian ini tidak dapat mengidentifikasi seluruh faktor yang mempengaruhi permintaan karena sulit dikuantifikasikan. Variabel yang digunakan berupa periode waktu serta harga.

Penelitian ini dilakukan di PT Goodyear Tbk yang sudah memiliki divisi tersendiri dalam perusahaan yang dinamakan Demand Planning hal ini karena pada divisi tersebut mengharapkan suatu masukan-masukan baru dalam peramalan permintaan untuk membantu perencanaan.

(11)

PT GOODYEAR INDONESIA TBK

Oleh

RUDI AWALUDIN

A 14102569

PROGRAM SARJANA EKSTENSI MANAJEMEN AGRIBISNIS

FAKULTAS PERTANIAN

INSTITUT PERTANIAN BOGOR

2006

(12)

Skripsi

Sebagai salah satu syarat untuk memperoleh gelar Sarjana Pertanian Pada Program Studi Ekstensi Manajemen Agribisnis

Institut Pertanian Bogor

Oleh

Rudi Awaludin

A 14102569

PROGRAM SARJANA EKSTENSI MANAJEMEN AGRIBISNIS

FAKULTAS PERTANIAN

INSTITUT PERTANIAN BOGOR

(13)

1.1. Latar Belakang

(14)

Tabel 1. Perbandingan Jumlah Serta Nilai Produksi Industri Ban Dan Kendaraan Bermotor Roda Empat/Lebih 1997-2002 (Ribu Rp per Unit)

Jumlah Nilai Ta

hun Ban % Kendaraan % Ban % Kendaraan %

Tabel 2. Perkembangan Penjualan Ban Radial di Indonesia Pada Pasar

Domestik Tahun 1998-2002 (unit)

Tahun Pasar eceran Pasar prakitan Total Penjualan Pasar domestik Kenaikan Penjualan Pasar Domestik 1998 1999 2000 2001 2002

2 066 311 3 405 078 3 907 059 3 330 450 2 952 576

159 724 249 769 863 625 700 647 555 572

2 226 035 3 654 847 4 770 684 4 031 097 3 508 148

- 64.18 30.53 -15.50 -12.97 Rata-rata 3 132 295 505 867 3 638 1622 24.0 Sumber : Asosiasi Pengusaha Ban Indonesia, 2003

Pada Tabel 2 dapat dilihat bahwa sejak tahun 1998 hingga tahun 2000 penjualan di pasar eceran mengalami peningkatan yang diikuti oleh permintaan

(15)

produsen ban di Indonesia pada tahun 2004, bahwa PT Bridgestone sebagai

(16)

1.2. Perumusan Masalah

Tabel 3. Permintaan Ban Mobil Penumpang PT Goodyear Indonesia 2001-2004

Tahun Permintaan (unit) Banyaknya Model Ban

2001 604 100 11

2002 531 124 ₁₂

2003 533 614 ₁₀

2004 458 204 ₁₀

Sumber : Bagian Pemasaran PT Goodyear Indonesia, 2005

(17)

dibuat atas dasar prediksi dan ramalan tentang tingkat aktivitas ekonomi dan bisnis di masa yang akan datang.

Saat ini pihak perusahaan menggunakan metode naïve, yang mengasumsikan bahwa permintaan periode berikutnya merupakan prediktor terbaik. Pertimbangan dari penggunaan metode ini yaitu kemudahan dalam

(18)

Berdasarkan uraian di atas permasalahan yang dapat dirumuskan dalam penelitian ini :

1. Bagaimana pola permintaan ban penumpang di PT Goodyear Indonesia Tbk yang selama ini berlangsung?

2. Metode peramalan apa yang sesuai untuk peramalan permintaan tipe ban penumpang di PT Goodyear Indonesia Tbk sehingga dapat digunakan dalam pengambilan keputusan?

3. Bagaimana proyeksi permintaan ban mobil penumpang untuk satu tahun kedepan?

1.3. Tujuan Penelitian

Berdasarkan permasalahan yang telah dirumuskan, maka penelitian ini bertujuan :

1. Mengkaji serta menganalisis pola data permintaan ban penumpang di PT Goodyear Indonesia Tbk yang selama ini berlangsung.

2. Menentukan metode yang paling cocok untuk peramalan permintaan ban penumpang di PT Goodyear Indonesia Tbk.

(19)

3. Mendapatkan ramalan jumlah ban yang akan diminta konsumen untuk satu tahun kedepan.

4. Implikasi dari identifikasi pola data, metode peramalan, dan hasil peramalan terhadap perencanaan produksi.

1.4. Kegunaan Penelitian

1.5. Ruang Lingkup dan Keterbatasan Penelitian

(20)

(21)

BAB II

TINJAUAN PUSTAKA

2.1. Definisi Ban

Ban merupakan salah satu produk agroindustri pengolahan karet. Menurut Setyamijaya, dalam Inda Lestari (2002) karet alam yang digunakan sebagai bahan baku memproduksi ban adalah karet remah (Crumb rubber). Crumb rubber

dikenal sebagai karet spesifikasi teknis karena kualitas/jenisnya ditentukan secara teknis dengan analisis penelitian laboratorium menggunakan perlengkapan mutakhir.

Karet remah diperoleh dari pengolahan lateks, dan slumb melalui proses : 1. Pembentukan lateks

Proses ini dilakukan dalam bak pembekuan yaitu tempat lateks dibubuhi asam semut 1 % dan melase 0,36 %. Pembubuhan ini bertujuan untuk memperoleh karet remah yang berwarna putih. Zat lain yang dimasukan dalam bak pembekuan adalah larutan natrium bi sulfit berkonsentrasi 0,05 %. Proses ini menghasilkan bekuan/koagulan setelah 18-24 jam yang siap

digiling/diremahkan berukuran 45 cm x 23 cm x 23 cm.

2. Peremahan

Koagulan tersebut selanjutnya diamasukan ke dalam mesin pisau berputar (rotary cutter) yang dilengkapi saringan berukuran 1,6 – 1,9 cm. Proses ini menghasilkan remah yang akan diterima dalam kotak pengering yang terbuat dari besi anti karat. Kotak tersebut berukuran 120 cm x 50 cm x 40 cm. Remah yang terbentuk telah dicuci dengan air sebanyak 10 lb (sekitar 5 liter) permenit agar remah tersebut bersih dari kotoran.

(22)

3. Pengeringan

Tahap selanjutnya adalah memasukan kotak pengering ke dalam mesin pengering lorong (unidryer). Kotak tersebut diisi dengan 16 Kg remah/sesuai ukuran bandela. Proses ini berlangsung selama 4 jam dengan suhu 70oC – 100oC dan berkapasitas 400 Kg per jam. Alat lain yang terdapat dalam proses pengering selain pengering lorong adalah alat pendingin (cooler) yang dapat menurunkan suhu gumpalan karet remah menjadi 50o C – 60o C, sehingga ketika kotak pengering keluar dari mesin unidryer kotak tersebut sudah dingin, dan gumpalan remah dapat diproses lebih lanjut.

4. Pengempaan

Remah kemudian diangkat, dan ditaruh di atas meja untuk selanjutnya seberat 35 Kg dimasukan ke dalam mesin pengempa. Mesin pengempa bertenaga besar berkekuatan 600 – 100 ton dipergunakan agar diperoleh bongkah berbentuk bagus. Remah yang masih panas tersebut dikempa selama 30 menit, dan menghasilkan bongkahan berukuran 75 cm x 35 cm x 15,25 cm dan bertanda SIR pada permukaannya.

5. Pembungkusan

Bongkahan yang keluar dari mesin pengempa dibiarkan selama 8–12 jam hingga dingin. Bongkahan tersebut dipak dalam bentuk pallet dan dibungkus dengan plastik hitam setebal 0,1 mm.

Karet remah memiliki kualitas yang diklasifikasikan berdasar ciri-ciri teknis meliputi : 1) Kadar kotoran (dirt content); 2) Kadar abu (ash content); 3) Kadar zat menguap ( Volatile content). Penentuan ketiga bahan tersebut dianalisis kadar tembaga, mangan dan nitrogen. Hasil spesifikasi teknis dinyatakan dalam

(23)

Standard Indonesian Rubber (SIR) sesuai dengan surat menteri perdagangan No. 293/KP/X/1972 mengenai SIR.

Pencampuran karet dengan bahan-bahan lain untuk pabrik ban bukanlah sesederhana seperti yang diperlukan untuk industri kecil. Di pabrik ban biasanya digunakan banbury mixer karena jumlah karet yang diperlukan cukup besar dibanding kesanggupan sebuah open mill. Banbury yang terdapat di Indonesia kapasitasnya berkisar antara 75-200 Kg, sehingga dalam proses pencampuran akan selalu terpakai. Karena harganya yang mahal maka pabrik ban membatasi jumlah yang dipunyai, karena itu tidak salah lagi bahwa keefektifan proses penggilingan untuk dapat hasil yang maksimal baik secara kuantitatif maupun mutu sangat perlu untuk diperhatikan.

Bahan dasar pembuatan ban terdiri dari: (1) Benang/kawat baja, nylon aramid fiber, rayon, fiberglass, atau polyester (biasanya bahan kombinasi, misalnya benang polyester pada lapisan ban dan kawat baja pada bagian sabuk baja dan bead yang umumnya terdapat pada ban mobil penumpang radial). (2) Karet alam dan sintesis (terdapat ratusan jenis karet/polimer). (3) Campuran kimia – karbon black, silica, resin. (4) Anti-degradants – antioksidan, ozonan, parafin, wax. (5) Adhesion promoter – cobalt salt, brass untuk kawat aja, resin dan benang. (6) Curatives – cure, accelerators, activators, sulfur. (7) Processing aids – minyak, tackifier, peptizer, dan softener.

Di suatu ban ukuran populer 195/70R14 ban mobil penumpang untuk semua musim mempunyai berat sekitar 8 Kg yang terdiri dari: 2 Kg terdiri dari 30 jenis bahan karet sintesis; 1,5 Kg terdiri 8 jenis karet bahan karet alam; 2 Kg terdiri dari 8 jenis bahan karbon black; 0,5 Kg sabuk kawat baja; 0,5 Kg benang

(24)

polyester dan nylon; 0,5 Kg bead kawat baja; 1,5 Kg terdiri dari 40 jenis bahan kimia, minyak dan lain-lain.

Tabel 4. Campuran Umum Antara Bahan Karet Sintesis dan Karet Alam Menurut Jenis Ban

Jenis Ban Karet Alam Karet Sintesis

Ban Mobil Penumpang 55% 45%

Ban Truk 50% 50%

Ban Mobil Balap 65% 30%

Ban Off-Road (giant/earth mover) 20% 80

Sumber : www.Goodyear-Indonesia.com

Proses produksi ban menggunakan teknologi tinggi dari pengolahan bahan baku hingga pembentukan produk akhir dengan menggunakan peralatan seperti mesin pencampur, mesin pengiling, mesin pelapis, mesin assembly, dan mesin pemasak (cury). Proses ini selanjutnya berlangsung melalui tahapan sebagai berikut :

1. Banbury Mixer

Tahap ini diawali dengan proses pencampuran bahan baku pada mesin

banbury mixer yang terdiri dari karet alam, karet sintetis, carbon black, bahan kimia dan bahan pembantu (oil solvent) dengan berat, waktu dan temperatur tertentu menghasilkan compound. Proses tersebut akan sesuai dengan berat jenis dan kekenyalan bila dilakukan non productive compound, yaitu proses vulkanisir terhadap compound yang belum dilengkapi bahan kimia, dan

productive compound, yaitu proses melengkapi compound dengan ramuan. Alasan pembuatan banbury adalah untuk mencegah kotoran yang disebabkan carbon yang ringan berterbangan dalam pabrik, sekarang ternyata banbury dapat menghasilkan compound dengan cepat dan dapat menghasilkan panas yang lebih tinggi sehingga proses pencampuran dapat berlangsung lebih cepat.

(25)

2. Extruder

Tahap ini berlangsung pada mesin extruder tempat compound digiling melalui

mill-mill. Compound kemudian dikirim dalam bentuk pita ke feed box melalui sistem ban berjalan. Mesin ini dilengkapi dengan screw yang berfungsi mendorong pita compound keluar melalui cetakan (DIE). DIE adalah lempengan besi yang berfungsi sebagai alat cetak telapak ban (contour tread). Tread lalu didinginkan dan disimpan dalam nampan yang berlapis-lapis (bear trap).

3. Calender

Pada tahap ini dilakukan proses pelapisan benang (fabric) dengan compound

tipis, yang sebelumnya kekuatan, dan kadar airnya dihilangkan melalui roll-roll panas, selanjutnya dilakukan dua kali pelapisan pada bagian bawah, dan atas permukaan compound hingga menghasilkan treatment. Treatment

kemudian dipotong-potong dengan menggunakan bias cutter menurut lebar, dan sudut sesuai spesifikasi untuk masing-masing jenis ban. Potongan tersebut lalu disambung kembali membentuk ply dengan arah yang teratur.

4. Bead insulating

Pada tahap ini mesin kawat baja yang dilapisi karet (bead wire) dipanasakan dan diinsulasikan dengan compound kemudian diberi lapisan semen agar mudah lengket. Kumpulan kawat-kawat yang bersatu dengan compound

dibuat melingkar pada diameter, dan mengelilingi diameter tersebut dengan jumlah sesuai ukuran jenis ban. Misalnya ban jenis penumpang terdiri dari lima jajaran kawat dengan empat kali putaran, ujung dilapisi pita, kemudian dibungkus melalui proses bead wrapping, sedangkan ban ukuran besar (truk)

(26)

dilapisi lagi dengan ply yang sempit melalui proses bead flapping dan menghasilkan bead yang berfungsi memperkuat atau memperkokoh ban pada

riml velg.

5. Tire Building

Pada tahap ini komponen-komponen yang dihasilkan pada tahap sebelumnya seperti band (proses calender), dan bead (bead insulating) dirakit menjadi satu menghasilkan ban mentah (green tire).

6. Curing

Tahap ini merupakan proses pemasakan ban mentah dengan menggunakan mesin automatic press. Proses ini bertujuan menghindari penempelan ban mentah yang terdiri dari dua sistem pemasakan meliputi : steam-steam yaitu pemasakan menggunakan steam bertekanan 200 psi, sistem ini digunakan untuk jenis ban passengerconventional atau ultra light truk, steam gas yaitu pemasakan menggunakan steam bertekanan 200 psi dan gas 300 psi, sistem ini digunakan untuk menghasilkan ban radial, light truk, dan earth mover.

7. Trimming and Balancing

Berat dan tekanan dalam ban sulit ditentukan sehinga dibuat toleransi ban dengan cara melubangi cetakan. Pelubangan tersebut mengakibatkan ban berambut. Trimming adalah proses pemotongan rambut yang berasal dari cetakan, sedangkan balancing yang merupakan tahap akhir proses produksi ban adalah proses menguji keseimbangan ban, dan menentukan letak pentil (value).

(27)

2.1.1. Spesifikasi Ban

Terdapat banyak informasi penting yang tercetak pada dinding samping sebuah ban, diantaranya nama ban, ukuran, tipe tubeless atau tube type, tingkatan/level ban, batas kecepatan, batas muatan, batas tekanan angin. Contoh 215/65R15 89 H, tulisan ini menjelaskan :

“215” lebar ban : adalah lebar antara dinding samping satu ke dinding samping lainnya dalam satuan milimeter. Pengukuran ini bisa menghasilkan ukuran yang berbeda-beda tergantung lebar rim/velg yang terpasang. Akan bertambah lebar jika dipasang pada rim yang lebar, dan sebaliknya. Namun lebar yang tertulis pada dinding samping sebuah ban adalah diukur dengan memasangkan rim yang lebarnya sesuai dengan rekomendasi dari pabrik pembuat ban.

”65” aspek rasio: adalah rasio/perbandingan antara tinggi dengan lebar penampang ban, ”65” berarti tinggi ban adalah 65% dari lebar penampang ban tersebut.

”R” konstruksi: adalah bagaimana lapisan ban disusun dalam (carcass) ban. ”R” berarti radial, jika ”B” berarti ban tersebut mempunyai konstruksi sabuk bias (bias belt), jika ”D” maka konstruksinya bias diagonal (diagonal bias).

”15” diameter rim: adalah diameter dari velg dalam satuan inci.

”89” indeks muatan: sesuai dengan standar industri ban maka ban tersebut mempunyai batas mutan sebesar 580 Kg. Terdapat beragam tingkatan batas muatan pada ban sesuai dengan jenisnya. Batas muatan ditulis menggunakan satuan lbs (pon) dan Kg, batas tekanan angin dalam PSI (pound per square inch) dan Kpa (kilopascals).

(28)

”H” batas kecepatan: sesuai dengan standar industri ban maka ban tersebut mempunyai batas kecepatan 210 Kilometer/jam. Terdapat beragam tingkatan batas kecepatan pada ban sesuai dengan jenisnya.

Tulisan ”DOT” berarti ban tersebut telah memenuhi standar persyaratan dari

Department Of Transportation pemerintah Amerika Serikat. Berdekatan dengan tulisan ”DOT” adalah nomor seri ban, yaitu gabungan antara angka dan hurup abjad yang tersusun sampai 11 karakter.

2.1.2. Tingkatan Ban

Department Of Transfortation (DOT) mewajibkan pembuat ban untuk membedakan ban untuk mobil penumpang berdasarkan tiga jenis kemampuan, diantaranya: untuk keawetan/jarak tempuh, daya cengkram, serta daya tahan terhadap temperatur. Tingkatan jarak tempuh/keawetan didasarkan pada pengetesan pada saat kondisi terkontrol di suatu lintasan jalan khusus yang telah ditentukan, akan tetapi pada kenyataannya bahwa keawetan ban sangatlah beragam tergantung dari sifat/cara mengemudi, jenis pemakaian mobil, dan kondisi jalan. Tingkatan daya cengkram adalah kemampuan pengereman di jalan basah yang dites pada kondisi terkontrol pada suatu jalan khusus yang telah ditentukan.

2.1.3. Indeks Kecepatan

Indeks kecepatan adalah batas kecapatan maksimum untuk ban mobil penumpang, indeks ini sebagai suatu angka penunjuk bagi para pengguna ban dalam mengetahui batas kemampuan daya traksi ban ketika melaju dalam suatu kecepatan tertentu.

(29)

Tabel 5. Indeks Kecepatan yang Digunakan Oleh Semua Produsen Ban

Simbol Kecepatan Kecepatan Maksimum

B 50 Km/jam

F 80 Km/jam

G 100 Km/jam

N 140 Km/jam

S 180 Km/jam

T 190 Km/jam

U 200 Km/jam

H 210 Km/jam

V 240 Km/jam

Z > 240 Km/jam

Sumber : www.Goodyear-Indonesia.com

2.2. Jenis-Jenis Ban

Jenis ban terdiri dari consumer tire dan commercial tire. Consumer tire

yaitu ban yang biasa digunakan untuk kendaraan roda empat atau biasa disebut ban mobil penumpang (passanger tire) sedangkan commercial tire merupakan ban yang digunakan untuk truk, bus, dan kendaraan berat lainnya. Peruntukkannya yang berbeda menjadikan adanya perbedaan kandungan bahan dasar yang digunakan antara consumer tire dengan commercial tire (Tabel 4).

2.3. Penelitian Terdahulu

Penelitian-penelitian sebelumnya yang terkait dan mendukung dalam penulisan ini, akan diuraikan secara ringkas berikut ini :

Allyne (2003) dengan judul skripsinya Peramalan Permintaan Berbagai komoditas sayuran pada PT Saung Mirwan. Komoditi yang dijadikan sebagai objek penelitian ini yaitu terdiri dari Brokoli, Kedelai Jepang, Lettuce Head, Tomat Ceri, Tomat Rianto. Nilai yang digunakan untuk pemilihan teknik peramalannya yaitu MSE (mean square error). Hasil olahan yang dilakukan menunjukkan bahwa kelima komoditi tidak stasioner dimana terdapat unsur trend

(30)

dan musiman, metode kuantitatif terbaik untuk empat komoditi adalah ARIMA. Sedangkan untuk Kedelai Jepang metode yang paling cocok yaitu dekomposisi multiplikatif.

Metode alternatif yang dapat diterapkan perusahan yang penggunaannya lebih mudah, yaitu metode linier satu parameter dari Brown. Untuk komoditi brokoli metode alternatifnya adalah regresi dan dekomposisi aditif. Kemudian untuk kedelai jepang sebaiknya mengunakan metode peramalan yang terpilih yaitu metode dekomposisi multiflikatif dan aditif.

Hasil analisis yang dilakukan oleh Allyne menunjukan bahwa ARIMA merupakan metode terbaik dalam meramalkan tingkat permintaan lima komoditas yang ada di PT Saung Mirwan, penggunaanya yang relatif sulit menjadikan metode-metode alternatif direkomendasikan sehingga dapat dengan mudah digunakan perusahaan.

Elva (2004) Peramalan Penjualan Kripik Pisang dan Nangka (Studi Kasus pada PD Andalas Mekar Sentosa di Lampung). Pada penelitian ini metode yang dilakukan yaitu time series, yang diterapkan terhadap komoditas unggulan perusahaan. Adapun komoditinya terdiri dari kripik pisang manis, kripik pisang asin, kripik pisang stick, kripik nangka goreng, dan kripik nangka super. Pola data yang dimiliki yaitu untuk kripik pisang polanya horisontal, sedangkan untuk kripik nangka memiliki pola musiman. Metode terbaik dalam meramalkan penjualan kripik pisang manis dan kripik pisang asin adalah pemulusan eksponensial tunggal. Sedangkan metode ramalan untuk kripik pisang stick, kripik nangka goreng, dan kripik nangka super metode terbaik yaitu dekomposisi multiflikatif. Berdasarkan hasil ramalan untuk tahun 2004 semua produk

(31)

mengalami peningkatan penjualan kecuali untuk penjualan kripik pisang manis mengalami penurunan sebesar 6 persen.

Lestari (2002) Analisis Dampak Krisis Ekonomi Terhadap Manajemen dan Strategi Pemasaran Ban PT Goodyear Indonesia Tbk Bogor. Tujuan dari penelitian ini yaitu (1) menganalisis dampak krisis ekonomi terhadap manajemen; (2) menganalisis keterkaitan antara distribusi, kapasitas produksi dan misi perusahaan; (3) menganalisis strategi pemasaran yang tepat untuk mencapai tujuan perusahaan pada saat krisis ekonomi. Hasil penelitiannya menunjukkan bahwa krisis ekonomi berdampak terhadap aspek manajemen. Krisis tersebut menempatkan manajemen produksi (kapasitas produksi) di posisi pertama dengan skor 0,528, kemudian manajemen pemasaran (distribusi) dan manajemen strategi (misi perusahaan) di posisi kedua dengan skor 0,236.

Kegiatan distribusi dapat berjalan lancar apabila perusahaan mengetahui jumlah produk yang dapat dipasarkannya sehingga manajemen tersebut dapat memperkirakan banyaknya pesanan yang dapat dipenuhi dimasa yang akan datang dikaitkan dengan kemampuan produksi perusahaan. Produksi yang didistribusikan tersebut harus sesuai dengan misi perusahaan yaitu produk yang berkualitas.

Strategi produk yang dilakukan perusahaan adalah konsisten terhadap kualitas, inovasi, pengembangan produk, dan peningkatan pelayanan. Strategi distribusi dilakukan dengan dengan peluncuran Goodyear sentra servis (pusat pelayanan ban profesional). Strategi promosi dilakukan dengan menciptakan citra

One Revolution Ahead (inovasi selangkah di depan) yang dikomunikasikan melalui media cetak dan elektronik. Strategi harga dilakukan dengan

(32)

memberlakukan tiga jenis harga berbeda meliputi harga standar ekspor, harga standar original equipment, dan harga standar replacement.

Ismayanti (2003) dengan tulisannya yang berjudul Analisis Strategi Pemasaran Ban Radial Passanger PT Goodyaer Indonesia Tbk di Pasar Domestik. Faktor-faktor internal yang menjadi kekuatan perusahaan adalah (1) jaringan pemasaran dan distribusi yang luas; (2) inovasi produk; (3) merk yang terkenal. Sedangkan faktor-faktor yang menjadi kelemahan antara lain : (1) bukan market leader; (2) masalah ketidakstabilan harga; (3) quality image yang kurang baik.

Audit eksternal mengidentifikasi bahwa peluang yang dapat dimanfaatkan adalah (1) pertumbuhan penduduk sebagai peluang pasar; (2) kebijakan pemeritah mendorong industri otomotif; (3) semakin tingginya jumlah mobil penumpang di Indonesia. Sedangkan faktor-faktor yang menjadi ancaman bagi perusahaan adalah (1) situasi politik yang belum stabil; (2) daya beli yang menurun; (3) fluktuasi rupiah mempengaruhi harga bahan baku.

Berdasarkan nilai total matriks EFE sebesar 2,556 dapat disimpulkan bahwa perusahaan berada pada posisi rata-rata dalam memanfaatkan peluang dan mengatasi ancaman yang ada. Dari nilai total matriks IFE yang didapat sebesar 3,042 dapat disimpulkan bahwa perusahaan berada pada posisi internal yang kuat. Nilai total kedua matriks tersebut memposisikan perusahaan pada sel IV pada matiks IE. Strategi yang dapat diambil pada posisi sel tersebut adalah strategi

growth and built. Hasil penentuan prioritas utama adalah strategi peningkatan mutu produk dan kualitas pelayanan pelanggan. Strategi peringkat kedua adalah pada strategi inovasi dan pengembangan produk.

(33)

BAB III

KERANGKA PEMIKIRAN

3.1. Kerangka Pemikiran Konseptual 3.1.1. Konsep Permintaan

Konsep permintaan menjelaskan bahwa permintaan atas suatu produk dipengaruhi oleh harga produk itu sendiri, kualitas dan desain produk, pengeluaran iklan untuk produk, saluran distribusi produk (bauran pemasaran produk tersebut), harga produk lain yang berkaitan, kualitas dan desain produk lain, pengeluaran iklan produk pesaing, saluran distribusi produk pesaing (bauran pemasaran pesaing), pendapatan konsumen, jumlah penduduk, dan lain-lain.

Dalam kaidah permintaan yang paling sederhana dinyatakan bahwa pada harga tinggi, lebih sedikit barang yang akan diminta dibanding pada harga rendah (cateris paribus). Jadi kaidah permintaan mengatakan bahwa kuantitas yang diminta berhubungan terbalik dengan harga, asalkan hal-hal lain sama pada setiap tingkat harga (Miller & Meiners, 2000). Dengan adanya perubahan dalam harga suatu barang menyebabkan adanya pergerakan di sepanjang kurva yang memiliki kemiringan negatif, sedangkan perubahan faktor-faktor lain selain harga menyebabkan pergeseran kurva permintaan tersebut. Ketika terjadi peningkatan atau penurunan faktor-faktor tersebut maka akan terjadi perubahan kuantitas yang diminta.

Produk yang berkualitas tinggi dengan desain yang lebih menarik biasanya akan menarik lebih banyak konsumen dibandingkan dengan produk lain yang harganya sama tapi kualitas dan desainnya kurang menarik. Kualitas yang baik itu dalam bentuk pelayanan prima, jaminan kerusakan atau suku cadang, atau bisa juga dibentuk oleh aktivitas promosi lain. Penggunaan media iklan yang

(34)

dilakukan perusahaan akan mempengaruhi selera konsumen sehingga diharapkan permintaan akan lebih tinggi terhadap produk yang dikeluarkan atau bahkan berpindahnya konsumen dari merek lain. Selain itu saluran distribusi menentukan terhadap permintaan suatu produk. Saluran distribusi yang lebih luas dan tempat penjualan yang lebih strategis akan dapat menjangkau konsumen secara merata, konsumen akan lebih mudah untuk memperoleh dan membeli produk tersebut serta memungkinkan pelayanan purna jual yang lebih pasti.

Dalam istilah ekonomi, permintaan mengacu pada jumlah produk yang rela dan mampu dibeli oleh orang-orang berdasarkan kondisi tertentu. Kebutuhan atau keinginan merupakan komponen yang diperlukan tetapi harus disertai dengan kemampuan keuangan sebelum permintaan ekonomi tercipta. Jadi dalam permintaan ekonomi memerlukan para pembeli potensial dengan keinginan untuk menggunakan atau memiliki sesuatu dan kemampuan keuangan untuk memperolehnya (Pappas dan Hirschey, 1995). Terdapat tiga hal penting mengenai jumlah yang diminta konsumen, yaitu yang pertama jumlah yang diminta merupakan kuantitas yang diinginkan, kedua apa yang diinginkan tidak merupakan harapan kosong, tapi merupakan permintaan efektif, dan yang ketiga kuantitas yang diminta merupakan arus pembelian yang kontinyu (Lipsey,at.al)

Permintaan pasar untuk suatu produk adalah volume total yang akan dibeli oleh kelompok pelanggan tertentu di wilayah geografis tertentu pada periode waktu tertentu di lingkungan pemasaran tertentu dengan program pemasaran tertentu. Permintaan pasar bukanlah angka yang tetap tetapi lebih merupakan fungsi dari kondisi tertentu, sehingga permintaan pasar dapat disebut permintaan pasar (Kotler, 2002). Pangsa permintaan pasar suatu perusahaan bergantung

(35)

bagaimana produk, pelayanan, harga, komunikasi, dan aspek lain di perusahaan tersebut dipandang secara relatif terhadap pesaing-pesaingnya oleh pelanggan.

3.1.2. Peramalan

Peramalan adalah suatu proses memperkirakan secara sistematik tentang apa yang paling mungkin terjadi di masa depan berdasar informasi masa lalu dan sekarang yang dimiliki agar kesalahannya (selisih antara apa yang terjadi dengan hasil perkiraan) dapat diperkecil. Peramalan dapat juga diartikan sebagai usaha memperkirakan perubahan, peramalan tidak memberi jawaban pasti tentang apa yang akan terjadi melainkan berusaha mencari sedekat mungkin dengan apa yang akan terjadi (Mulyono, 2000).

Menurut Sugiharto dan Harijono (2000), Peramalan merupakan suatu studi terhadap data historis untuk menemukan hubungan, kecenderungan dan pola yang sistematis. Peramalan permintaan adalah upaya untuk mengetahui kemungkinan perubahan permintan atau jumlah produk yang diminta oleh konsumen di masa yang akan datang.

Prosedur peramalan sesuai dengan sifatnya dikelompokkan dalam Peramalan kuantitatif dan kualitatif. Disatu sisi teknik kualitatif murni adalah yang jelas tidak memerlukan manipulasi data, hanya pendapat pribadi berdasarkan pengalaman dan tingkat intuisi peramal. Disisi lain teknik kuantitatif yang murni tidak memerlukan input pendapat pribadi, hal ini merupakan prosedur mekanis yang menghasilkan hasil-hasil kuantitatif. Beberapa prosedur kuantitatif memerlukan lebih banyak manipulasi data yang canggih.

(36)

Namun demikian pendapat pribadi dan akal sehat harus digunakan secara bersama-sama dengan prosedur mekanis dan manipulasi data sehingga dapat dihasilkan peramalan yang bagus.

Makridarkis at al. (1999) menyatakan bahwa komitmen tentang peramalan telah tumbuh karena beberapa faktor, yaitu :

1. Meningkatnya kompleksitas organisasi dan lingkungannya. 2. Meningkatnya ukuran organisasi.

3. Lingkungan organisasi yang berubah dengan cepat. 4. Pengambilan keputusan yang semakin sistematis.

5. Metode peramalan dan pengetahuan semakin berkembang.

Beberapa faktor penting yang harus dipertimbangkan dalam peramalan mencangkup :

1. Jarak ke masa depan yang harus diramal.

2. Tenggang waktu yang tersedia untuk mengambil keputusan. 3. Tingkat akurasi yang diperlukan.

4. Kualitas data yang tersedia untuk analisis.

5. Sifat hubungan yang tercangkup dalam masalah peramalan. 6. Biaya dan keuntungan yang berkaitan dengan masalah peramalan.

3.2. Metode Peramalan

Untuk menghadapi penggunaan yang lebih luas, beberapa teknik peramalan telah dikembangkan. Teknik tersebut dibagi dua kategori utama, yaitu metode kuantitatif dan metode kualitatif (Assauri, 1984).

(37)

1. Metode Kualitatif

Metode kualitatif didasarkan pada intuisi atau pengalaman empiris dari perencana atau pengambil keputusan sehingga relatif lebih subjektif. Makridakis et al. (1999) menyatakan bahwa metode peramalan kualitatif tidak memerlukan data seperti halnya dalam metode kuantitatif, hal tersebut tidak berarti bahwa metode kualitatif tidak memerlukan data kuantitatifnya. Perbedaannya terletak pada penggunaan data tersebut. Input yang dibutuhkan bergantung pada metode tertentu dan biasanya merupakan hasil dari pemikiran intuitif, pertimbangan dan pengetahuan yang telah didapat. Kekurangan dari metode ini adalah kemungkinan satu orang yang memiliki pengaruh yang besar dan karismatis dapat mempengaruhi pendapat seluruh anggota kelompok.

2. Metode Kuantitatif

Metode kuantitatif memerlukan data historis atau data empiris, kualitas data dan pemilihan metode yang cocok akan menentukan kualitas hasil peramalan. Peramalan kuntitatif dapat diterapkan bila terdapat tiga kondisi (Makridarkis et al., 1999) Berikut :

1. Tersedia informasi masa lalu.

2. Informasi tersebut bisa dikuantitatifkan dalam bentuk data numerik.

3. Dapat diasumsikan bahwa pola masa lalu akan terus berlanjut dimasa datang.

Dua asumsi pertama merupakan syarat keharusan bagi penerapan metode peramalan kuantitatif, asumsi ketiga merupakan syarat kecukupan, artinya walaupun asumsi ketiga dilanggar model yang dirumuskan masih bisa digunakan. Hanya saja akan memberikan kesalahan peramalan yang relatif besar bila

(38)

perubahan pola data ataupun bentuk hubungan fungsional tersebut terjadi secara sistematis.

Metode kuantitatif dibagi menjadi dua bagian yaitu metode deret waktu (time series) dan metode kausal (regresi). Dalam metode time series peramal hanya berusaha mencari pola-pola dari suatu data, tanpa berusaha mencari jawaban apa penyebab dan mengapa polanya demikian. Bisa jadi pola data masa lalu tidak sama lagi dimasa depan karena faktor-faktor yang mempengaruhinya sudah berubah. Peramalan permintaan dengan mencoba menganalisis faktor-faktor yang menjadi penyebab perubahan permintaan disebut dengan metode kausal atau metode eksplanatori. Peramalan permintaan dengan metode kausal dilakukan dengan mencari hubungan antara faktor-faktor yang mempengaruhi permintaan atas suatu produk (variabel bebas) terhadap permintaan suatu produk (varibel tak bebas).

Peramalan kuantitatif juga memiliki keterbatasan., jika terjadi perubahan pola data atau hubungan sebab akibat, maka hasil ramalan menjadi kurang akurat. Karena pada dasarnya segala bentuk kegiatan peramalan bersifat ekstrapolatif, yang didasarkan pada suatu pola data atau hubungan sebab akibat antar data.. Akan tetapi perubahan pola data dapat dideteksi untuk menentukan ada tidaknya perubahan melalui suatu pendekatan pemantauan (monitoring).

3.2.1. Identifikasi Pola data

Bagian tersulit dan memakan waktu dari peramalan adalah mengumpulkan data yang sahih dan dapat diandalkan, peramalan tidak akan lebih akurat dari data yang dipakai sebagai basisnya. Model peramalan tercanggih akan gagal apabila menggunakan data yang tidak terandalkan. Empat kriteria dapat diaplikasikan

(39)

untuk menentukan apakah datanya akan bermanfaat : (1) Data hendaknya dapat diandalkan (realiable) dan akurat, (2) relevan, (3) konsisten, (4) hendaknya tepat waktu, sehingga akan memberikan nilai tertinggi bagi forecaster.

Salah satu aspek penting dari pemilihan metode peramalan yang sesuai dari data deret waktu adalah dengan mengidentifikasi jenis pola data untuk dapat menentukan pemilihan metode yang paling cocok yang akan menjadikannya metode terbaik. Ada empat jenis pola data yang umum :

1. Pola Horisontal

Pola horisontal terjadi ketika data observasi berfluktuasi disekitar mean atau nilai rata-rata yang konstan. Misalnya penjualan bulanan untuk suatu produk tidak meningkat atau menurun secara konsisten selama beberapa waktu. 2. Pola Musiman

Pola ini terjadi ketika data observasi dipengaruhi oleh faktor musiman. Komponen musiman mengacu pada suatu pola perubahan yang berulang dari tahun ketahun. Variasi musiman biasanya timbul karena adanya pengaruh cuaca, liburan, atau panjangnya hari bulan-kalender.

3. Pola Siklis

Pola ini terjadi ketika data observasi terlihat naik atau turun dalam periode waktu yang tidak tetap. Komponen siklis seperti fluktuasi gelombang di sekitar garis trend, biasanya dipengaruhi oleh keadaan ekonomi secara umum. 4. Pola kecenderungan (trend)

Pola trend terbentuk ketika data observasi terlihat meningkat atau menurun dalam periode waktu yang lebih panjang. Penyebabnya dapat berupa adanya pertumbuhan penduduk, perubahan teknologi, inflasi dan sebagainya.

(40)

3.2.2. Metode Peramalan Time Series

Model time series merupakan suatu teknik peramalan yang didasarkan pada analisis perilaku atau nilai masa lalu suatu variabel yang disusun menurut urutan waktu. Penggunaan model ini karena sederhana, cepat serta biaya yang murah (Mulyono, 2000).

Adanya identifikasi dan pemahaman terhadap pola data dari suatu deret waktu maka dapat dipilih suatu teknik peramalan yang sesuai, selain itu faktor-faktor yang menyebabkan karakteristik data tersebut perlu diketahui sebagai bahan acuan penyusunan kebijakan yang akan diambil perusahaan.

Berdasarkan keempat tipe pola data, beberapa teknik peramalan yang dapat digunakan adalah sebagai berikut :

1. Teknik peramalan data stasioner

Teknik-teknik peramalan yang dapat dipertimbangkan untuk deret stasioner ini antara lain metode naive, metode rata-rata sederhana, rata-rata bergerak, pemulusan eksponensial linier Holt sederhana, dan model rata-rata terintegrasi bergerak autoregresif (ARIMA).

2. Teknik peramalan data musiman

Teknik yang perlu dipertimbangkan ketika meramalkan deret musiman terdiri dari dekomposisi klasik, pemulusan eksponensial winter, regresi berganda deret waktu, dan model ARIMA (Metode Box-Jenkins).

3. Teknik peramalan data siklus

Teknik yang perlu dipertimbangkan ketika meramalkan deret ber-siklis terdiri dari dekomposisi klasik, regresi berganda, dan model ARIMA (metode Box-Jenkins).

(41)

4. Teknik peramalan data trend

Teknik yang perlu dipertimbangkan ketika peramalan deret ber-trend adalah rata-rata bergerak, pemulusan eksponensial linier Holt, regresi linier sederhana, kurva pertumbuhan, model eksponensial, dan model rata-rata terintegrasi bergerak autoregresif (ARIMA).

Peramalan metode time series terdiri atas beberapa model, pembagian model tersebut bervariasi namun pada dasarnya memiliki maksud dan tujuan yang sama.

a. Model Naive

Digunakan untuk mengembangkan model sederhana yang mengasumsikan bahwa periode yang baru berlalu adalah prediktor terbaik masa depan. Teknik ini hanya cocok untuk meramal variabel yang gerakannya relatif konstan, sedangkan untuk variabel yang memiliki unsur trend penggunaan metode ini akan menghasilkan ramalan yang kurang baik (mulyono 2000).

b. Model Rata-rata

Jenis teknik ini menggunakan suatu bentuk rata-rata tertimbang dari observasi masa lalu dalam memuluskan fluktuasi jangka pendek. Asumsi pada teknik ini adalah bahwa fluktuasi masa lampau mewakili selisih acak dari suatu kurva yang mulus (Hanke, at,al, 2001). Metode ini dikelompokkan menjadi :

1. Model Rata-rata Sederhana (Simple Average)

Metode ini menggunakan rata-rata semua pengamatan historis yang relevan sebagai ramalan periode mendatang. Metode rata-rata sederhana adalah teknik

(42)

yang akan tepat apabila gejolak yang membentuk deret waktu telah distabilkan dan lingkungan dimana deret-deret berada secara umum tidak berubah.

2. Model Rata-rata Bergerak Sederhana (Simple Moving Average)

Metode ini menggunakan rata-rata semua data untuk meramal, begitu setiap ada data baru maka rata-rata baru dihitung dengan memasukan data baru tersebut dan membuang data yang paling lama. Model rata-rata bergerak sederhana tidak mampu menangani trend atau musiman dengan baik, walau model ini lebih baik daripada rata-rata sederhana.

3. Model Rata-rata Bergerak Ganda (Double Moving Average)

Salah satu cara peramalan data deret waktu dengan trend linier adalah dengan menggunakan rata-rata bergerak ganda. Pada metode ini menghitung rata-rata bergerak yang dihitung dari rata-rata bergerak sebelumnya.

c. Model Pemulusan Eksponensial

Menurut Hanke,at,al (2001) bahwa Pemulusan Eksponensial merevisi estimasi berdasarkan pengalaman terkini, metode ini berbasis rerata (pemulusan) nilai lampau deret secara menurun (eksponensial), terjadi karena adanya pemberian bobot yang lebih pada pengamatan terkini.

1. Model Pemulusan Eksponensial Tunggal (Single Eksponensial Smoothing)

Metode ini cocok untuk peramalan jangka pendek dengan pola data stasioner, selain itu dapat mengurangi masalah mengenai penyimpanan data, karena tidak perlu lagi menyimpan semua data historis hanya pengamatan terakhir, ramalan terakhir, dan suatu nilai α yang harus disimpan.

(43)

2. Model Pemulusan Eksponesial Ganda: Metode Dua Parameter dari Holt

Teknik Holt memuluskan tingkatan dan slope secara langsung dengan menggunakan konstanta pemulusan yang masing-masing berbeda. Konstanta pemulusan ini menyediakan estimasi dari tingkatan dan slope yang disesuaikan sepanjang waktu begitu observasi yang baru tersedia.

d. Model Dekomposisi

Menurut Gaynor at al, (1994) model dekomposisi memisahkan tiga komponen (trend, siklus, dan musiman) dari pola dasar yang cenderung mencirikan deret data kemudian mengidentifikasinya secara terpisah. Setiap komponen kemudian dapat dikombinasikan yang menghasilkan nilai ramalan masa depan deret waktu. Metode dekomposisi terbagi menjadi dekoposisi aditif untuk pola data yang fluktuasinya relatif konstan, dan dekomposisi multiplikatif untuk pola data yang fluktuasinya proposional terhadap trend.

e. Model Box – Jenkins (ARIMA)

Model Autoregresive Integrated Moving Average (ARIMA) atau model gabungan auto-regresi dengan rata-rata bergerak, adalah jenis model linier yang mampu mewakili deret waktu yang stasioner maupun non stasioner. Model ARIMA tidak mengikutkan varibel bebas dalam pembentukannya serta sangat bertumpu pada pola auto-korelasi data.

Menurut Sugiharto dan Harijono (2001), secara teoritis metode Box-Jenkins merupakan metode yang canggih terutama untuk peramalan jangka pendek, akan tetapi secara praktis terdapat beberapa kelemahan diantaranya :

(44)

1. Jumlah data yang dibutuhkan sangat besar. Untuk data bulanan yang bersifat musiman misalnya, paling tidak dibutuhkan 72 data.

2. Apabila terdapat data baru yang tersedia seringkali parameter dari model ini harus diestimasi ulang. Hal tersebut mengindikasikan adanya revisi total terhadap model yang sudah dibuat.

3. Waktu yang dibutuhkan cukup lama untuk mencari model yang tepat.

3.2.3. Metode Kausal (Regresi)

Dalam metode kausal nilai suatu peubah yang akan diramal dipengaruhi oleh peubah lain. Makridakis et al. (1999) menyatakan bahwa peramalan kausal mengasumsikan adanya hubungan sebab akibat antara input (variabel independen) dengan output (variabel dependen) dari suatu sistem. Metode kausal sering disebut juga metode regresi, adapun regresi itu sendiri dibagi menjadi regresi sederhana (hanya terdapat satu variabel independen) dan regresi berganda (terdapat lebih dari satu variabel independen).

3.3. Pemilihan Teknik Peramalan

Kriteria yang biasa digunakan dalam pemilihan terdiri dari tingkat akurasi, jangkauan peramalan, biaya, dan kemudahan dalam penerapan. Terdapat banyak ukuran akurasi, akan tetapi tidak ada suatu ukuran yang diakui paling baik secara umum karena setiap ukuran memiliki kelebihan dan kekurangan. Nilai yang paling sering digunakan adalah MSE (Mean Square Error), metode peramalan yang memiliki nilai MSE yang kecil dapat dianggap sebagai metode yang paling baik.

(45)

Jangka waktu peramalan akan langsung dihadapkan pada pemilihan teknik peramalan. Untuk jangka pendek atau jangka menengah berbagai teknik kuantitatif dapat diaplikasikan. Akan tetapi semakin panjang jangka waktu peramalan maka akan semakin sedikit teknik kuantitatif yang akan diaplikasikan, sedangkan model ekonometriklah yang lebih berguna.

3.4. Kerangka Pemikiran Operasional

Perusahaan merupakan suatu badan hukum memiliki tujuan yang ingin dicapai yaitu mendapatkan keuntungan. Untuk mencapai tujuan tersebut maka perusahaan harus memiliki target tertentu sebagai sasaran perusahaan untuk mencapai kelangsungan hidup dan pertumbuhan yang makin 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.

Permintaan terhadap suatu barang dipengaruhi berbagai faktor yang menyebabkan permintaan tersebut berfluktuasi, dengan adanya ramalan maka perusahaan dapat membantu menganalisis potensi pertumbuhan untuk menetapkan program jangka pendek maupun jangka panjang.

Dalam penelitian ini penulis akan mencoba membandingkan metode peramalan yang digunakan di perusahaan dengan metode-metode peramalan yang

(46)

telah ada, dengan harapan dapat memberikan masukan dalam penerapan metode peramalan bagi perusahaan. Metode peramalan yang tersedia cukup banyak sehingga harus dilakukan pemilihan dan penentuan metode yang paling cocok untuk perusahaan.

Salah satu kriteria dalam pemilihan metode ini yaitu memilih metode yang memiliki kesalahan peramalan yang paling kecil. Hal yang perlu dipertimbangkan adalah faktor ketersediaan data dan pola data yang dimiliki. Pada pemilihan metode peramalan tidak terletak pada metode peramalan yang menggunakan proses matematika yang rumit atau menggunakan metode yang canggih, akan tetapi metode terpilih hendaknya menghasilkan suatu ramalan yang akurat, tepat waktu dan dipahami oleh manajemen sebagai ramalan yang dapat membantu menghasilkan keputusan yang lebih baik.

Metode kuantitatif dibagi menjadi dua, yaitu metode Time series dan metode Kausal. Metode Time series yang digunakan terdiri dari beberapa metode, pemilihannya didasarkan pada pola data, identifikasi pola data dilakukan dengan memplot data dan nilai autokorelasinya sehingga dapat diduga untuk sementara model yang sesuai, setelah itu lalu dihitung nilai MSE (Mean Square Error). Model yang mendapat nilai MSE yang paling kecil akan diambil/dipilih menjadi menjadi model Time series terbaik.

Metode lain yang digunakan yaitu metode kausal, metode ini dapat menentukan sebab-akibat antara variabel yang berpengaruh dengan yang terpengaruh. Dalam model regresi terdapat dua variabel yang terdiri dari variabel dependen yaitu permintaan terhadap ban pada berbagai tipe sedangkan untuk variabel independennya menggunakan harga jual, dan periode waktu. Model

(47)

regresi yang akan digunakan terdiri dari regresi linier sehingga didapat nilai R-square (koefisien determinasi) dan MSE.

Setelah terpilih metode peramalan kuantitatif terbaik dari metode time series dan kausal, kemudian dibandingkan antara metode kuantitatif yang terbaik dengan metode perusahaan yang digunakan. Sehingga dapat diambil metode mana yang paling baik secara keseluruhan. Setelah perbandingan maka akan didapat metode peramalan yang sesuai untuk meramalkan permintaan ban di PT Goodyear Indonesia Tbk.

Apabila metode kuantitatif yang ditawarkan nilai akurasinya lebih baik maka akan direkomendasikan, sebaliknya bila metode perusahaan memiliki akurasi yang lebih baik maka pengunaan metode perusahaan selama ini cukup baik.

(48)

Gambar 1. Kerangka Pemikiran Operasional

Metode Kuantitatif Metode Perusahaan

Metode Time Series dan Kausal -Rata-rata

-Pemulusan eksponensial -Dekomposisi

-Regresi model linier dengan variabel independennya harga dan waktu

Pemilihan Metode Kuantitatif Terbaik

Rekomendasi Model Peramalan Terakurat serta Hasil Ramalan

Satu Tahun keDepan Membandingkan

Akurasinya Analisis pola data

Implikasi dari Analisis Pola Data, Metode Peramalan dan Hasil

Ramalan

Permintaan ban penumpang sebagai informasi dasar untuk menyusun perencanaan dan kebijakan perusahaan

(49)

BAB IV

METODE PENELITIAN

4.1. Lokasi dan Waktu Penelitian

Penelitian dilaksanakan di PT Goodyear Indonesia Tbk. Pertimbangannya bahwa perusahaan bergerak dalam industri yang memanfaatkan hasil pertanian yaitu karet. PT Goodyear sebagai pelopor ban di Indonesia pangsa pasarnya dibawah produsen lain dan tidak dapat menjadi market leader di Indonesia, dengan kondisi ini penulis ingin mengetahui kondisi perusahaan ditinjau dari segi ramalan permintaannya dengan membandingkan antara ramalan perusahaan dengan hasil ramalan penulis. Waktu pelaksanaannya dilaksanakan pada bulan Januari-Februari 2004 kemudian dilanjutkan bulan Juli 2005.

4.2. Jenis dan Sumber Data

Data yang digunakan adalah data perkembangan permintaan dan harga dari masing-masing komoditi yang diteliti. Dalam pengolahan data pada metode peramalan digunakan data bulanan dari Januari 2001- Juni 2005.

4.3. Pengolahan dan Analisis Data

Data kuantitatif yang diperoleh akan diolah dengan menggunakan program

Microsoft excel, dan Minitab 13. Pemilihan kedua program tersebut didasarkan bahwa keduanya merupakan program yang telah banyak dikenal dan mudah digunakan. Karena hasil penelitian ini diharapkan dapat digunakan oleh pelaku ekonomi perusahaan, maka pemakaiannya menggunakan program yang mudah digunakan. Sementara untuk data kualitatif yang diperoleh akan disajikan dalam bentuk narasi.

(50)

4.4. Identifikasi Pola Data

Hasil identifikasi yang dilakukan akan disesuaikan dengan metode peramalan yang akan digunakan. Metode peramalan yang akan digunakan merupakan peramalan jangka pendek, karena meramalkan permintaan untuk satu tahun kedepan.

Pola data dari permintaan diidentifikasi melalui plot data dan plot auto korelasinya. Deret data yang telah dikumpulkan dibuat dalam bentuk tabel, diplot pada kurva dengan menggunakan program Microsoft excel. Dari hasil plot data tersebut maka akan diketahui pola datanya untuk sementara, apakah data tersebut memiliki unsur tren, siklus, maupun musiman. Pola data ini akan membantu dalam penggunaan metode yang paling cocok yang akan digunakan dalam proses peramalan ini. Selain itu akan dilengkapi juga dengan plot autokorelasi (yang menunjukkan keeratan hubungan nilai variabel yang sama, tetapi variabel pada periode waktu yang berbeda).

Langkah –langkah yang dilakukan pada identifikasi pola data permintaan ban goodyear tipe ban penumpang adalah menentukan apakah serial data yang digunakan bersifat stasioner atau tidak, dengan cara menghitung nilai autokorelasinya, digunakan rumus

r

k =

∑

= + = − − − − n 1 t 2 t n 1 k t k t t ) Y (Y ) Y Y)(Y (Y

Dimana : rk = koefisien autokorelasi untuk selang waktu k Yt = nilai permintaan pada periode ke t

Yt-k = nilai permintaan pada k periode lebih awal

(51)

Apabila nilainya turun dengan cepat atau mendekati nol sesudah nilai autokorelasi kedua atau ketiga, maka data tersebut besifat stasioner. Sedangkan apabila data tidak bersifat stasioner yang ditunjukkan oleh nilai-nilai autokorelasi yang tidak turun ke nol dan bernilai positif. Autokorelasi antara Yt dan Yt-k untuk setiap selang mendekati nol menunjukkan deretnya acak. Urutan nilai pada deret waktu tidak berkaitan satu dengan yang lainnya. Untuk data yang mempunyai pola trend, Yt dengan Yt-k akan tinggi korelasinya dan koefisien autokorelasi biasanya berbeda secara signifikan dari nilai nol untuk beberapa selang waktu yang pertama dan kemudian bertahap akan turun menjadi nol begitu jumlah periode selang meningkat. Untuk deret yang mempunyai pola musiman, koefisien korelasi akan terjadi pada selang waktu musiman atau kelipatan dari selang musiman, selang musim adalah 4 untuk data triwulan dan 12 untuk data bulanan.

Uji signifikansi koefisien autokorelasi dilakukan dengan persamaan berikut (Makridakis et. al, 1999) :

-Z_α/2 (1 / n ) < rk < Zα/2(1 / n )

Dimana : Z = luas daerah di bawah kurva normal, untuk taraf nyata (α = 5%) derajat Z2.5% = 1.96

rk = koefisien autokorelasipada selang waktu k n = jumlah observasi

4.5. Penerapan Metode Peramalan Time Series

1. Model Rata-rata

a. Model Rata-rata Sederhana (Simple Average)

∑

= t

i i Y t 1 1

; Dimana : Ŷ = nilai ramalan untuk satu periode ke depan Yt = nilai aktual pada waktu ke-t

(52)

Apabila pengamatan baru sudah tersedia, ramalan periode berikutnya, merupakan rata-rata atau mean dari ramalan sebelumnya.

Ŷt+2 1 1 1 ^ + + = + + t Y

_Y

_t _t

;

Dimana : Ŷt+2 = ramalan GT3 dan Eagle Ventura untuk dua periode ke depan

Yt+1 = nilai rata-rata sebelumnya t+1 = satu periode berikutnya

Metode ini cocok untuk meramalkan data time series yang memiliki pola data stasioner.

b. Model Rata-rata Bergerak Sederhana (Simple Moving Average)

Penerapan metode ini yaitu dengan menentukan terlebih dahulu ordo dari rata-rata bergerak. Ordo dari rata-rata-rata-rata bergerak adalah jumlah data masa lalu yang dimasukan ke dalam rataan yang disimbolkan dengan k. Pada metode ini ketika data amatan baru tersedia maka nilai rata-rata dihitung dengan dengan menambahkan nilai terkini dan mengeluarkan nilai terlama.

Ŷ (Yt 1 2 ... 1)

k Y Y

Yt t t k

t + − − − + + + + + =

Dimana : Ŷ_t₊₁ = nilai ramalan periode mendatang Yt = nilai aktual pada waktu ke-t

k = jumlah periode yang dirata-rata bergerak

Metode ini seperti halnya dengan simple average, cocok untuk meramalkan

time series, yang memiliki pola data stasioner.

c. Model Rata-rata Bergerak Ganda (double moving average)

Pada metode ini penghitungannya dengan cara mencari rata-rata bergerak dari data tersedia, kemudian dari nilai rata-rata tersebut dibuat nilai rata-rata bergerak kedua.

(53)

Mt = Ŷt+1 =

k Y Y

Y_t+ _t₋₁+ _t₋₂+...+ _t₋_k₊₁

M′t =

M M

M_t+ _t₋₁+ _t₋₂+...+ _t₋_k₊₁

at = Mt + (Mt +M′t) = 2Mt -M′t

bt = 1 2 −

k (Mt -M

′ t)

Ŷt+p = at + btp

Dimana : k = nilai periode moving average

Mt = moving average pertama M’t = moving average kedua P = ramalan periode ke depan

Metode ini cocok untuk meramalkan data time series yang memiliki unsur-unsur tren linear (Hanke, et.al., 2001)

2. Model Pemulusan Eksponensial (Exponential Smoothing)

Metode yang dilakukan pada pemulusan eksponensial adalah pembobotan menurun secara eksponensial terhadap nilai variabel atau observasi yang lalu (Makridakris et al, 1999). Persamaan-persamaan dalam metode ini yaitu:

a. Model Pemulusan Eksponen Tunggal (Single Eksponential Smoothing)

Ŷ_t₊₁=αY_t +(1−α)Ŷt

Dimana :

Ŷt+1 = nilai pemulusan baru atau nilai ramalan periode berikutnya permintaan ban GT3 dan Eagle Ventura

α = konstanta pemulusan (0<α<1)

Yt = pengamatan baru (aktual) permintaan ban GT3 dan Eagle Ventura

Ŷt = nilai pemulusan lama atau ramalan untuk periode t

Metode ini digunakan untuk peramalan data time series tanpa tren atau pola stasioner (Gaynor dan Kirkpatrick, 1994).

(54)

b. Model Pemulusan Eksponensial ganda : metode dua parameter dari Holt

(Exponential Smoothing Linear Trend)

Pada beberapa kondisi data amatan akan mengandung trend dan berisi informasi yang memungkinkan antisipasi pergerakan naik dimasa depan. Apabila pergerakan ke atas deret waktu diantisipasi, estimasi slope saat ini dan juga tingkat saat ini diperlukan (Hanke, at.al, 2001).

Tiga persamaan yang digunakan metode Holt :

1. Deretan pemulusan eksponensial atau estimasi tingkatan saat ini

L = αY_t +(1−α)(L_t₋₁+T_t₋₁) 2. Estimasi Trend

T = β(L_t −L_t₋₁)+(1−β)T_t₋₁

3. Ramalan periode p ke depan

Ŷt+p = Lt +PTt

Dimana :

L = Nilai pemulusan baru

α = Konstanta pemulusan data (0≤α≤1)

Y = Pengamatan baru atau nilai aktual pada deret di periode t

β = konstanta pemulusan untuk estimasi trend (0≤β ≤1)

T = estimasi trend

P = periode yang diramalkan kedepan

Ŷt+p = ramalan p periode kedepan

Metode ini juga digunakan untuk peramalan data time series dengan tren linier yang menggunakan dua konstanta pemulusan (Makridakis, at.al, 1999).

3. Model Dekomposisi

Secara matematik bentuk umum pendekatan dekomposisi adalah :

(55)

Dimana :

f = fungsi peramalan

Trt = komponen tren pada waktu t Clt = komponen siklus pada waktu t

Snt = komponen atau indeks musim pada waktu t Et = komponen kesalahan atau random pada waktu t

Bentuk fungsi eksplisitnya tergantung asumsi tentang hubungan antar unsur itu yang dipakai, misalnya apakah model aditif (jika komponen tersebut tidak ada nilainya nol) atau multiplikatif (jika komponen tersebut tidak ada nilainya 1).

a. Dekomposisi multiflikatif

Yt = Trt xClt xSnt xEt b. Dekomposisi aditif

Yt = Trt +Clt +Snt +Et

Metode ini dapat digunakan pada data historis yang memiliki pola sembarang. Metode ini mencoba memisahkan komponen tren, siklus, dan musiman.

4.6.Penerapan Metode Kausal

Dalam penelitian ini metode kausal yang digunakan yaitu metode regresi dengan variabel dependennya permintaan ban untuk tipe ban penumpang. Sedangkan variabel independennya adalah harga jual rata-rata dari masing-masing komoditi, dan periode waktu. Variabel independen ini akan menjelaskan faktor apa yang berpengaruh terhadap permintaan dari ban pada berbagai tipe tersebut.

Persamaan metode ini hanya menggunakan dua varibel independen, hal ini disebabkan hanya varibel tersebut yang dapat dikuantitatifkan dan ketersediaan data. Adapun model persamaannya adalah

(56)

Y = b0 + b1Pt + b2(t) + εt Dimana :

Y = Permintaan

b0 = intersep dari masing-masing komoditi bk = Slope dari masing-masing komoditi P = Harga jual rata-rata

t = Periode waktu

εt = error pada periode ke-t

Kriteria yang digunakan untuk menunujukan keakuratannya yaitu dari nilai R-sqaure (Koefisien determinasi). Semakin besar nilai R-sqaure berarti model yang digunakan semakin akurat dalam meramalkan Y (permintaan).Nilai maksimal dari koefisien determinasi yaitu 100 persen. Kriteria kedua yang menunjukan tingkat keakuratan dari model kausal ini yaitu MSE (Mean Square Error), semakin kecil nilai MSE maka model semakin akurat.

4.7. Pemilihan Metode Peramalan Time Series

Pemilihan model peramalan yang digunakan yaitu yang sesuai dan tepat untuk data permintaan pada masing-masing model ban. Ketepatan dari model yang akan dipakai merupakan kriteria dalam pemilihan, ketepatan menunjukan seberapa jauh model mampu menghasilkan ramalan yang tidak jauh berbeda dengan keadan aktualnya. Model yang terpilih adalah metode yang memiliki nilai MSE terendah, selain itu unsur kemudahan dalam penggunaan metode peramalan merupakan hal yang perlu dipertimbangkan dalam memilih suatu metode peramalan.

(1)

Lampiran 2. Data Permintaan ban Mobil Penumpang PT Goodyear Indonesia

Ban Mobil Model GT3 Ban Mobil Model Eagle Ventura

Tahun periode permintaan Harga Tahun periode permintaan harga

2001 Januari 0 316.000 2001 januari 6318 535000

Februari 0 316.000 februari 6192 535000

Maret 88 316.000 maret 9188 535000

April 4084 316.000 april 7921 535000

Mei 10091 316.000 mei 6735 535000

Juni 30136 316.000 juni 4338 535000

Juli 27792 316.000 juli 6755 535000

Agustus 22850 316.000 agustus 6606 535000

September 27735 316.000 september 8491 535000

Oktober 24860 316.000 oktober 7481 535000

Nopember 30487 316.000 nopember 9634 535000

Desember 27280 316.000 desember 7663 535000

2002 Januari 32815 326.000 2002 januari 13510 563000

Februari 27461 326.000 februari 7133 563000

Maret 23341 326.000 maret 9652 563000

April 15878 326.000 april 7278 563000

Mei 16106 326.000 mei 8644 563000

Juni 25094 326.000 juni 10799 563000

Juli 25372 326.000 juli 9494 563000

Agustus 20574 330.000 agustus 9726 582000

September 22941 330.000 september 8419 582000

Oktober 17806 330.000 oktober 6422 582000

Nopember 21651 330.000 nopember 8889 582000

Desember 22547 330.000 desember 9207 582000

2003 Januari 28958 330.000 2003 januari 9099 582000

Februari 25003 330.000 februari 8003 582000

Maret 25036 350.000 maret 6730 601000

April 17676 350.000 april 5358 601000

Mei 31549 350.000 mei 6447 601000

Juni 25190 350.000 juni 6446 601000

Juli 22870 350.000 juli 9492 601000

Agustus 30639 350.000 agustus 8685 601000

September 22590 350.000 september 8432 601000

Oktober 20697 350.000 oktober 7508 601000

Nopember 28458 350.000 nopember 8793 601000

Desember 23374 351.000 desember 11633 623000

2004 Januari 15072 354.000 2004 januari 10214 642000

Februari 23000 354.000 februari 7029 642000

Maret 26412 354.000 maret 4644 642000

April 31271 354.000 april 4440 642000

Mei 34852 354.000 mei 5285 642000

Juni 35297 354.000 juni 6424 642000

Juli 31377 354.000 juli 6775 642000

Agustus 30280 354.000 agustus 6085 642000

September 24947 354.000 september 5419 642000

Oktober 26048 354.000 oktober 6540 642000

Nopember 20445 354.000 nopember 6024 642000

Desember 31132 354.000 desember 5697 642000

2005 Januari 29050 354.000 2005 januari 7350 642000

Februari 25130 361.000 februari 6136 705000

Maret 26563 361.000 maret 4582 705000

April 32175 361.000 april 3985 705000

Mei 33584 361.000 mei 5365 705000

(2)

Lampiran 3. Plot ACF dan PACF Ban Model GT3

12 7 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0

A

ut

o

c

or

rel

at

ion

LBQ T Corr Lag LBQ T Corr Lag 23,65 21,20 18,54 17,89 17,71 17,13 16,25 16,07 16,07 16,03 15,99 15,96 14,11 1,01 1,09 0,55 -0,30 -0,53 -0,67 -0,31 -0,07 -0,14 -0,15 -0,12 1,06 3,65 0,18 0,19 0,10 -0,05 -0,09 -0,12 -0,05 -0,01 -0,02 -0,03 -0,02 0,18 0,51 13 12 11 10 9 8 7 6 5 4 3 2 1

Autokorelasi

12 7 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0

P

a

rt

ia

l A

u

to

c

o

rr

e

la

tio

n

T PAC Lag T PAC Lag 0,11 0,74 1,09 -0,06 0,16 -0,65 -0,44 -0,02 -0,18 0,43 -0,70 -0,73 3,65 0,01 0,10 0,15 -0,01 0,02 -0,09 -0,06 -0,00 -0,03 0,06 -0,10 -0,10 0,51 13 12 11 10 9 8 7 6 5 4 3 2 1

Partial Autokorelasi

(3)

1 2 7 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0

Aut

o

c

o

rr

e

lat

io

n

L B Q T C o rr L ag L B Q T C o rr L ag

3 5 ,9 2 3 4 ,8 8 3 2 ,6 6 3 1 ,7 1 3 1 ,0 1 3 0 ,6 2

3 0 ,5 6 3 0 ,3 0 2 6 ,5 0 2 3 ,7 5 2 2 ,1 1 2 1 ,9 4 1 3 ,7 8

0 ,5 9 0 ,8 9 0 ,5 9 0 ,5 2 -0 ,4 0 0 ,1 6

0 ,3 2 1 ,3 0 1 ,1 5 0 ,9 1 0 ,3 0 2 ,2 6 3 ,6 1

0 ,1 2 0 ,1 8 0 ,1 2 0 ,1 0 -0 ,0 8 0 ,0 3

0 ,0 6 0 ,2 5 0 ,2 1 0 ,1 7 0 ,0 5 0 ,3 7 0 ,4 9

1 3 1 2 1 1 1 0 9 8 7 6 5 4 3 2 1

Plot A C F Perm intaan Eagle V entura

12 7 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0

P

a

rt

ia

l A

u

to

co

rr

e

la

tio

n

T PAC Lag T PAC Lag 0,57 0,11 0,50 0,82 -0,41 0,63 -1,37 -0,32 1,52 1,71 -1,84 1,29 3,61 0,08 0,01 0,07 0,11 -0,06 0,09 -0,19 -0,04 0,21 0,23 -0,25 0,18 0,49 13 12 11 10 9 8 7 6 5 4 3 2 1

Plot PACF Permintaan Eagle Ventura

(4)

Lampiran 5. Hasil Output Model Peramalan Single Eksponensial Smoothing

GT3

Single Exponential Smoothing

Data Permintaan Length 52,0000 NMissing 0

Smoothing Constant Alpha: 0,749210 Accuracy Measures MAPE: 58 MAD: 4665 MSD: 33919903

Row Period FORE1 LOWE1 UPPE1

1 53 30390,2 18961,1 41819,3 2 54 30390,2 18961,1 41819,3 3 55 30390,2 18961,1 41819,3 4 56 30390,2 18961,1 41819,3 5 57 30390,2 18961,1 41819,3 6 58 30390,2 18961,1 41819,3 7 59 30390,2 18961,1 41819,3 8 60 30390,2 18961,1 41819,3 9 61 30390,2 18961,1 41819,3 10 62 30390,2 18961,1 41819,3 11 63 30390,2 18961,1 41819,3 12 64 30390,2 18961,1 41819,3

(5)

Lampiran 6. Hasil Output Model Dekomposisi Aditif

Eagle Ventura

Decomposition Additif with L :12

Data Permintaan Length 54,0000 NMissing 0

Trend Line Equation

Yt = 8702,77 - 46,6362*t

Seasonal Indices

Period Index

1 2668,64 2 -294,814 3 -980,606 4 -2398,40 5 -1350,65 6 18,3524 7 686,207 8 419,707 9 152,894 10 -358,293 11 860,957 12 575,998

Accuracy of Model

MAPE: 17 MAD: 1211 MSD: 2572985

Forecasts

Row Period Forecast

1 55 6823,99 2 56 6510,85 3 57 6197,40 4 58 5639,58 5 59 6812,19 6 60 6480,60 7 61 8526,61 8 62 5516,51 9 63 4784,09 10 64 3319,66 11 65 4320,77 12 66 5643,14

(6)

Lampiran 7. Hasil Output Metode Regresi Linier Model Regresi Berganda

pada GT3 dan Eagle Ventura

Regression Analysis for GT3: permintaan versus Harga; periode

Regression Analysis: penjualan versus Harga; periode

The regression equation is

penjualan = 91090 - 230 Harga + 447 periode

Predictor Coef SE Coef T P Constant 91090 57275 1,59 0,118 Harga -230,3 183,3 -1,26 0,215 periode 447,4 197,5 2,27 0,028

S = 6277 R-Sq = 23,1% R-Sq(adj) = 19,9%

Analysis of Variance

Source DF SS MS F P Regression 2 579422002 289711001 7,35 0,002 Residual Error 49 1930791584 39403910

Total 51 2510213587

Regression Analysis for Eagle Ventura: Permintaan versus harga; Periode

The regression equation is

Permintaan = 26699 - 0,0352 harga + 64,5 Periode

Predictor Coef SE Coef T P Constant 26699 9173 2,91 0,005 harga -0,03516 0,01789 -1,96 0,055 Periode 64,53 58,68 1,10 0,277

S = 1782 R-Sq = 20,1% R-Sq(adj) = 17,0%

Analysis of Variance

Source DF SS MS F P Regression 2 40790863 20395431 6,42 0,003 Residual Error 51 161993498 3176343