Analisis Peramalan Penjualan Menggunakan Metode Kointegrasi Pada Produk Tipe Mobil City Car, Sedan dan MPV di Auto 2000
ANALISIS PERAMALAN PENJUALAN MENGGUNAKAN
METODE KOINTEGRASI PADA TIPE MOBIL CITY
CAR, SEDAN DAN MPV DI AUTO 2000
IQBAL FIKRIANSYAH
H24087104
PROGRAM SARJANA ALIH JENIS MANAJEMEN
DEPARTEMEN MANAJEMEN
FAKULTAS EKONOMI DAN MANAJEMEN
INSTITUT PERTANIAN BOGOR
BOGOR
2011
(2)
RINGKASAN
IQBAL FIKRIANSYAH. H24087104. Analisis Peramalan Penjualan Menggunakan Metode Kointegrasi Pada Tipe Mobil City Car, MPV dan Sedan di Auto 2000. Di bawah bimbingan MUHAMMAD SYAMSUN.
__________________________________________________________________
Krisis finansial global sejak tahun 2008 yang masih terasa dampaknya hingga kini, telah mempengaruhi kinerja sektor otomotif di Indonesia terutama pada tahun 2009. Menurut laporan GAIKINDO tingkat produksi dan penjualan mobil 2009 mengalami penurunan dibanding tahun sebelumnya. Tingkat produksi merosot menjadi hanya 464.815 unit pada 2009 dibandingkan tahun sebelumnya 600.628 unit atau mengalami penurunan sebesar 22,6 persen. Sedangkan tingkat penjualan melemah 19,9 persen menjadi hanya 483.548 unit pada 2009. Penurunan penjualan ini disebabkan oleh melemahnya nilai Rupiah pada waktu itu, yang menyebabkan kenaikan harga mobil sehingga konsumen menunda untuk membeli mobil. Berdasarkan data statistik yang diperoleh dari GAIKINDO, pada tahun 2005 penjualan Toyota mencapai sebesar 169.178 unit, sedangkan pada tahun 2010 penjualan mobil Toyota sebesar 265.152 unit, dalam kurun waktu lima tahun terjadi peningkatan penjualan sebesar 95.974 unit.
Meskipun Toyota merupakan perusahaan mobil terbesar di Indonesia tetapi toyota belum memiliki sistem peramalan yang dapat menentukan jumlah produk yang harus terjual agar dapat mencapai target penjualan yang diinginkan. Karena hal tersebut maka penulis melakukan penelitian untuk meramalkan penjualan mobil di Toyota Jalan Raya Tajur Bogor untuk tahun 2011. Tujuan yang ingin dicapai dalam penelitian ini adalah menganalisis hubungan antara sedan, mpv dan City car dan mengetahui prediksi peramalan penjualan mobil di Auto 2000 pada tahun 2011. Jenis data yang digunakan dalam skripsi ini adalah data kuantitatif yaitu berupa laporan penjualan mobil serta data kualitatif yaitu data yang berupa penjelasan dan keterangan-keterangan.
Model yang digunakan adalah model analisis Vector Autoregression (VAR). Model ini memiliki analisis lanjutan yaitu impulse response function
(IRF) dan forecasting error variance decomposition (FEVD). Sebelum melakukan analisis model VAR/VECM terdapat beberapa langkah yang harus dilakukan terlebih dahulu yaitu uji stasioneritas, penentuan lag optimal dan uji kontegrasi. Berdasarkan hasil uji stasioner, maka dapat disimpulkan bahwa terdapat hubungan diantara Sedan, MPV dan City car dalam jangka pendek dan jangka panjang. Hasil hubungan tersebut dapat dilihat dari hasil uji yang menunjukan bahwa data tersebut stationer dan diperoleh kesimpulan bahwa model yang tepat untuk peramalan adalah menggunakan model VAR. Berdasarkan hasil peramalan yang telah dilakukan dalam kurun waku 6 bulan maka dioeroleh hasil bahwa untuk produk City car diramalkan akan terus mengalami peningkatan selama 6 bulan kedepan, sedangkan hasil sedan dari hasil peramalannya diperoleh hasil bahwa sedan diramalkan akan mengalami penurunan ada bulan ke 44 dan bulan ke 46. Untuk produk MPV telah diperoleh hasil dari peramalannya yaitu akan mengalami penurunan pada bulan 4.
(3)
ANALISIS PERAMALAN PENJUALAN MENGGUNAKAN
METODE KOINTEGRASI PADA TIPE MOBIL CITY CAR,
SEDAN DAN MPV DI AUTO 2000
SKRIPSI
sebagai salah satu syarat untuk memperoleh gelar
SARJANA EKONOMI
pada Program Sarjana Alih Jenis Manajemen
Departemen Manajemen
Fakultas Ekonomi dan Manajemen
Institut Pertanian Bogor
IQBAL FIKRIANSYAH
H24087104
PROGRAM SARJANA ALIH JENIS MANAJEMEN
DEPARTEMEN MANAJEMEN
FAKULTAS EKONOMI DAN MANAJEMEN
INSTITUT PERTANIAN BOGOR
BOGOR
2011
(4)
Judul Skripsi : Analisis Peramalan Penjualan Menggunakan Metode Kointegrasi Pada Produk Tipe Mobil City Car, Sedan dan MPV di Auto 2000
Nama : Iqbal Fikriansyah NIM : H24087104
Menyetujui Dosen Pembimbing,
(Dr. Ir.Muhamad Syamsun, M.Sc.) NIP. 195007271974121001
Mengetahui Ketua Departemen,
(Dr. Ir. Jono M. Munandar, M.Sc) NIP. 196101231986011002
(5)
RIWAYAT HIDUP
Iqbal Fikriansyah dilahirkan pada tanggal 5 Oktober 1986 di Jakarta. Putra dari pasangan Bapak Zakaria Yusuf dan Umamah. Penulis merupakan anak kedua dari dua bersaudara.
Pendidikan dasar penulis diselesaikan selama enam tahun di Sekolah Dasar Negeri 09 Palmerah, Jakarta. Kemudian melanjutkan sekolah lanjutan tingkat pertama di SLTP Negeri 88 Jakarta selama tiga tahun dan lulus pada tahun 2000. Sekolah lanjutan tingkat atas di SMU Negeri 1 Tasikmalaya dan lulus pada tahun 2004. Setelah lulus, penulis diterima di Program Diploma III Agroteknologi Hasil Perikanan, Departemen Teknologi Hasil Perairan, Fakultas Perikanan dan Ilmu Kelautan, Institut Pertanian Bogor. Pendidikan di tempuh selama 3 tahun dan lulus pada tahun 2007. Pada tahun 2008 penulis melanjutkan kuliah di Program Sarjana Alih Jenis Manajemen, Departemen Manajemen, Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor.
(6)
KATA PENGANTAR
Penulis mengucapkan syukur Alhamdulillah atas segala nikmat, berkah, rizki dan ridho yang telah diberikan oleh Allah SWT kepada penulis untuk menyelesaikan skripsi yang berjudul “Analisis Peramalan Penjualan Dengan Menggunakan Metode Kointegrasi Pada Beberapa Tipe Mobil di Auto 2000
Cabang Tajur, Bogor”. Skripsi ini menjelaskan tentang cara mengolah data dan
meramalkan penjualan pada tahun berikutnya atau tahun yang akan datang baik jangka pendek atau jangka panjang dengan melihat pengaruh-pengaruh variabel lain terhadap penjualan produk. Penulis berharap skripsi ini dapat bermanfaat dan wawasan baru tentang pengolahan data dan peramalan penjualan.
Bogor, September 2011
(7)
UCAPAN TERIMA KASIH
Penulis mengucapkan Terima Kasih kepada :
1. Bapak Dr.Ir. Muhammad Syamsun, M.Sc selaku dosen pembimbing yang telah memberikan masukan, dan mendukung penulis selama penyusunan skripsi.
2. Ibu Dra. Siti Rahmawati, M.Pd dan Bapak Nurhadi Wijaya, SPT, MM sebagai Dosen Penguji.
3. Bapak Yauri M. Kholis, selaku SPV di Auto 2000 cabang Tajur, Bogor yang telah membantu dalam pengumpulan data.
4. Ayahanda, Ibunda, Kakak dan keluarga di Jakarta yang telah mendukung penulis dalam penyelesaian skripsi.
5. Seluruh dosen dan staf Departemen Manajemen yang telah memberikan ilmu dan bimbingannya selama saya kuliah.
6. Nicky, Indra, Kiki, Riza, Muha, Doni, Dimas, Rina (SC) dan seluruh teman-teman di Departemen Ekstensi Manajemen yang tidak bisa saya sebutkan satu persatu yang telah memberikan bantuan dan dukungan dalam penyelesaian skripsi.
Akhir kata semoga skripsi ini dapat bermanfaat bagi para pembaca maupun pihak-pihak yang membutuhkan.
(8)
DAFTAR ISI
Halaman RINGKASAN
RIWAYAT HIDUP ... iii
KATA PENGANTAR ... iv
UCAPAN TERIMA KASIH ... v
DAFTAR TABEL ... viii
DAFTAR GAMBAR ... ix
DAFTAR LAMPIRAN ... x
I. PENDAHULUAN ... 1
1.1. Latar Belakang ... 1
1.2. Perumusan Masalah ... 2
1.3. Tujuan Penelitian ... 2
1.4. Manfaat Penelitian ... 3
II. TINJAUAN PUSTAKA ... 4
2.1. Transportasi ... 4
2.2. Kointegrasi ... 6
2.3. Vector Autoregression (VAR) Model ... 7
2.4. Konsep Penjualan ... 8
2.5. Peramalan Penjualan ... 9
2.6. Teori Peramalan ... 9
2.7. Tahapan Peramalan ... 10
2.8. Pendekatan dalam Peramalan ... 12
2.8.1 Metode Peramalan Kualitatif ... 12
2.8.2 Metode Peramalan Kuantitatif ... 13
2.9. Penelitian Terdahulu ... 14
III. METODE PENELITIAN ... 16
3.1. Kerangka Pemikiran ... 16
3.2. Lokasi dan Waktu Penelitian ... 17
3.3. Jenis dan Sumber Data ... 17
3.4. Pengolahan dan Analisis Data ... 18
3.4.1 Vector Autoregression (VAR) ... 18
3.4.2 Uji Stasioneritas Data ... 19
3.4.3 Uji Kausalitas Granger (Granger Casuality) ... 21
3.4.4 Uji Lag Optimal ... 22
3.4.5 Uji Stabilitas VAR ... 23
3.4.6 Impulse Response Function (IRF) ... 23
(9)
IV. HASIL DAN PEMBAHASAN ... 25
4.1. Gambaran Umum Perusahaan ... 25
4.1.1 Sejarah Perusahaan ... 25
4.1.2 Visi Perusahaan ... 25
4.2. Analisis Kointegrasi ... 26
4.2.1 Uji Stasioner ... 27
4.2.2 Uji Kausalitas Granger ... 28
4.2.3 Uji Lag Optimum ... 29
4.2.4 Pemodelan VAR ... 29
4.2.5 Uji Stabilitas Model ... 30
4.2.6 Analisis Impulse Response Function (IRF) ... 31
4.2.7 Forecast Error Variance Decomposition (FEVD) ... 36
4.3. Hasil Peramalan ... 38
4.4. Implikasi Manajerial ... 40
KESIMPULAN DAN SARAN ... 42
1. Kesimpulan ... 42
2. Saran ... 43
DAFTAR PUSTAKA ... 44
(10)
DAFTAR TABEL
No Halaman
1. Total penjualan mobil 2005-2010 ... 1
2. Hasil Uji Stasioner ... 27
3. Hasil Uji Kausalitas Granger ... 28
4. Hasil Uji Lag Optimum ... 29
5. Estimasi VAR ... 30
6. Hasil Uji Stabilitas ... 30
7. Hasil Peramalan City Car ... 38
8. Hasil Peramalan Sedan ... 39
(11)
DAFTAR GAMBAR
No Halaman
1. Kerangka pemikiran ... 17
2. Respon sedan terhadap sedan ... 31
3. Respon City Car terhadap sedan ... 32
4. Respon MPV terhadap sedan ... 32
5. Respon City Car terhadap City Car ... 33
6. Respon sedan terhadap City Car ... 34
7. Respon MPV terhadap City Car ... 34
8. Respon MPV terhadap MPV ... 35
9. Respon sedan terhadap MPV ... 35
10. Respon City Car terhadap MPV ... 36
11. Variance Decomposition sedan ... 37
12. Variance Decomposition City Car ... 37
(12)
DAFTAR LAMPIRAN
No Halaman
1. Penjualan MPV, Sedan dan City Car 2008 - 2011 ... 47
2. Uji Stasioneritas Penjualan MPV ... 48
3. Uji Stasioneritas Penjualan Sedan ... 49
4. Uji Stasioneritas Penjualan City Car ... 50
5. Uji Kausalitas Granger ... 51
6. Uji Lag Optimum ... 51
7. Estimasi VAR ... 52
8. Uji Stabilitas Model ... 53
9. Impuls Response of Sedan ... 54
10. Impuls Response MPV ... 55
11. Impuls Response City Car ... 56
12. FEVD of City Car, Sedan dan MPV ... 57
(13)
I. PENDAHULUAN
1.1. Latar Belakang
Krisis finansial global sejak tahun 2008 yang masih terasa dampaknya hingga kini, telah mempengaruhi kinerja sektor otomotif di Indonesia terutama pada tahun 2009, Menurut laporan Gabungan Industri Kendaraan Bermotor Indonesia (Gaikindo) tingkat produksi dan penjualan mobil 2009 mengalami penurunan dibanding tahun sebelumnya. Tingkat produksi merosot menjadi hanya 464.815 unit pada 2009 dibandingkan tahun sebelumnya 600.628 unit atau mengalami penurunan sebesar 22,6 persen. Sedangkan tingkat penjualan melemah 19,9 persen menjadi hanya 483.548 unit pada 2009. Meski jumlah ini mampu melampaui target yang ditetapkan Gaikindo sebesar 450.000 unit, namun penjualan tidak secerah tahun 2008 yang tercatat 603.774 unit sebagai penjualan tertinggi dalam lima tahun terakhir. Penurunan penjualan ini disebabkan oleh melemahnya nilai Rupiah pada waktu itu, yang menyebabkan kenaikan harga mobil sehingga konsumen menunda untuk membeli mobil (www.gaikindo.or.id, 2011)
Tabel 1. Total penjualan mobil tahun 2005-2010
No. Tahun Jumlah Produksi
1. 2005 500.710
2. 2006 296.008
3. 2007 411.638
4. 2008 600.628
5. 2009 464.816
6. 2010 702.508
(Sumber: GAIKINDO, 26 Juni 2011)
Memasuki tahun 2010 pasar mobil mulai bergairah karena ekonomi dunia mulai pulih, sehingga diharapkan penjualan mobil tahun 2010 akan meningkat kembali, namun tahun 2010 juga memberikan tantangan baru bagi industri mobil nasional yaitu dengan mulai berlakunya perjanjian Asean China Free Trade Area
(14)
(ACFTA) per 1 Januari 2010. Diperkirakan industri mobil Cina akan makin gencar membidik pasar Indonesia baik dengan melakukan impor dalam bentuk
built up, maupun dengan membangun pabrik perakitan yang mengimpor dalam bentuk CKD (completely knoked down) dengan harga lebih murah.
Kendaraan pribadi yang paling banyak diminati oleh masyarakat umumnya adalah sepeda motor, tetapi saat ini pun masyarakat telah banyak yang memillih mobil sebagai sarana transportasi pribadi. Mobil merupakan kependekan dari otomobil yang berasal dari bahasa Yunani yang artinya adalah kendaraan beroda empat atau lebih yang membawa mesin sendiri dan pengoperasiannya disebut dengan menyetir (Wikipedia, 2011). Semakin banyaknya masyarakat yang memiliki mobil sebagai kendaraan pribadi menunjukkan bahwa penjualan mobil pun dapat dikatakan semakin meningkat. Salah satu perusahaan mobil yang memiliki penjualan sangat baik adalah PT Toyota Astra Motor.
Berdasarkan data statistik yang diperoleh dari Gabungan Industri Kendaran Bermotor Indonesia (GAIKINDO), pada tahun 2005 penjualan Toyota mencapai sebesar 169.178 unit, sedangkan pada tahun 2010 penjualan mobil Toyota sebesar 265.152 unit, dalam kurun waktu lima tahun terjadi peningkatan penjualan sebesar 95.974 unit (www.gaikindo.or.id, 2011).
1.2. Perumusan Masalah
Masalah yang akan dibahasa dalam penelitian ini adalah :
1. Bagaimana hubungan produk Sedan, MPV (multi purpose vehicle), dan City car dalam proses penjualan?
2. Berapakah prediksi atau ramalan pencapaian penjualan mobil di Auto 2000 pada tahun 2011?
1.3. Tujuan Penelitian
Berdasarkan perumusan masalah tersebut, maka tujuan dari penelitian ini adalah :
1. Menganalisis hubungan produk Sedan, MPV (multi purpose vehicle) dan
(15)
2. Mengetahui prediksi atau ramalan penjualan mobil di Auto 2000 pada tahun 2011.
1.4. Manfaat Penelitian
1. Bagi peneliti, penelitian ini berguna sebagai bahan aplikasi hasil perkuliahan dan sangat bermanfaat dalam penyelesaian tugas akhir peneliti untuk memperoleh gelar Sarjana Ekonomi.
2. Hasil penelitian ini diharapkan dapat digunakan sebagai bahan referensi dan menjadi tambahan informasi.
(16)
II. TINJAUAN PUSTAKA
2.1. Transportasi
Transportasi adalah pemindahan manusia atau barang dari satu tempat ke tempat lainnya dengan menggunakan sebuah kendaraan yang digerakkan oleh manusia atau mesin. Transportasi digunakan untuk memudahkan manusia dalam melakukan aktivitas sehari-hari. Di negara maju, mereka biasanya menggunakan kereta bawah tanah (subway) dan taksi. Penduduk disana jarang yang mempunyai kendaraan pribadi karena mereka sebagian besar menggunakan angkutan umum sebagai transportasi mereka. Transportasi sendiri dibagi 3 yaitu, transportasi darat, laut, dan udara. Pengangkutan atau transportasi adalah pemindahan barang dan manusia dari tempat asal ke tempat tujuan. Proses perangkutan merupakan gerakan dari tempat asal, dari kegiatan itu dimulai, ke tempat tujuan, ke mana kegiatan itu berakhir. Unsur-unsur pengangkutan itu sendiri adalah adanya muatan yang diangkut, adanya kendaraan sebagai alat angkutan, ada jalan yang dapat dilalui, ada terminal asal dan tujuan, serta ada sumber daya manusia, organisasi atau manajemen yang menggerakkan kegiatan transportasi tersebut (Wikipedia, 2011)
Ada lima unsur pokok transportasi, yaitu: 1. Manusia
Manusia berperan sebagai subjek atau pelaku dari transportasi yang akana memanfaatkan moda transportasi untuk melakukan aktifitasnya, manusia juga berperan sebagai pengatur sistem transportasi agar masih bisa digunakan sesuai dengan fungsi dan manfaatnya.Barang, yang diperlukan manusia.
2. Barang
Barang menjadi objek pengangkutan, pengiriman barang ke beberapa tempat dengan alasan pemasaran sangatlah memerlukan transportasi, tidak hanya untuk pemasaran namun juga mobilitas lain yang dimaksudkan untuk meningkatkan kesejahteraan manusia.
(17)
3. Kendaraan
Kendaraan sebagai alat atau moda transportasi berperan penting untuk mengantarkan dan memindahkan objek transportasi dari satu tepat ke tempat yang lain.
4. Jalan
Jalan merupakan suatu unsur yang penting dalam transportasi, jalan akan menghubungkan suatu tempat dengan tempat lainnya guna memperlancar proses perangkutan dan mobilitas.
5. Organisasi
Organisasi Suatu sistem pasti membutuhkan suatu organisasi yang mengatur dan bekerja untuk menjamin bahwa suatu sistem tersebut berjalan dengan baik tanpa ada gangguan atau permasalahan di dalamnya, di Indonesia, pihak yang memiliki kewenangan sebagai organisasi pengatur transportasi baik darat, laut maupun udara adalah Departemen Perhubungan RI.
Pada dasarnya, ke lima unsur di atas saling terkait untuk terlaksananya transportasi, yaitu terjaminnya penumpang atau barang yang diangkut akan sampai ke tempat tujuan dalam keadaan baik seperti pada saat awal diangkut. Dalam hal ini perlu diketahui terlebih dulu ciri penumpang dan barang, kondisi sarana dan konstruksi prasarana, serta pelaksanaan transportasi
Transportasi perlu untuk mengatasi kesenjangan jarak dan komunikasi antara tempat asal dan tempat tujuan. Untuk itu dikembangkan sistem transportasi dan komunikasi, dalam wujud sarana (kendaraan) dan prasarana (jalan). Kemudian timbul jasa angkutan untuk memenuhi kebutuhan perangkutan (transportasi) dari satu tempat ke tempat lain. Di sini terlihat, bahwa transportasi dan tata guna lahan merupakan dua hal yang tidak dapat dipisahkan. Kegiatan transportasi yang diwujudkan dalam bentuk lalu lintas kendaraan, pada dasarnya merupakan kegiatan yang menghubungkan dua lokasi dari tata guna lahan yang mungkin sama atau berbeda. Memindahkan orang atau barang dari satu tempat ke tempat lain, berarti memindahkannya dari satu tata guna lahan ke tata guna lahan yang lain, yang berarti pula mengubah nilai ekonomi orang atau barang tersebut. salah satu tujuan penting dari perencanaan tata guna lahan atau perencanaan
(18)
sistem transportasi, adalah menuju keseimbangan yang efisien antara potensi tata guna lahan dengan kemampuan transportasi (Soef, 2009).
2.2. 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.
Dalam 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 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,
(19)
variabel-variabel non-stasioner yang terintegrasi pada orde yang sama dan terkointegrasi akan menjadi stasioner dalam jangka panjang (Enders, 2004).
2.3. Vector Autoregression (VAR) Model
Model VAR dikembangkan oleh Christoper Sims pada tahun (1980). Model ini pada dasarnya hampir sama dengan model untuk menguji Granger’s
Causality. Model VAR sangat berguna dalam menentukan tingkat eksogenitas suatu variabel ekonomi dalam sebuah sistem ekonomi dimana terjadi saling ketergantungan antar variabel dalam ekonomi. Dalam Pasaribu (2003) model ini juga menjadi dasar munculnya metode kointegrasi Johansen (1988, 1989) yang sangat baik dalam menjelaskan perilaku variabel dalam perekonomian. Ketika kita tidak yakin bahwa suatu variabel sebenarnya merupakan variabel eksogen, perluasan dasar analisis fungsi perubahan adalah untuk memperlakukan setiap variabel secara simetris (Enders, 2000).
Model VAR dalam bentuk standar yaitu :
t = A0 + A1 t-1 + t ………
Dimana : A0 = B-1Ґ0 A1 = B-1Ґ1 t = B-1ɛt
Vector Autoregression (VAR) merupakan alat analisis atau metode statistik yang bisa digunakan baik untuk memproyeksikan sistem variabel-variabel runtut waktu (Time series) maupun untuk menganalisis dampak dinamis dari faktor gangguan yang terdapat dalam sistem variabel tersebut. Keunggulan dari analisis VAR antara lain (Khaerunnisa, 2009) :
1. Model ini sederhana, tidak perlu khawatir membedakan mana variabel endogen dan variabel eksogen.
2. Estimasinya sederhana, dimana metode Ordinary Least Square (OLS) bisa dapat diaplikasikan pada tiap-tiap persamaan secara terpisah.
3. Hasil Ramalan (Forecast) yang diperoleh dengan VAR dalam banyak kasus lebih bagus dibandingkan hasil yang didapat dengan menggunakan model persamaan simultan yang kompleks sekalipun.
(20)
Namun demikian, model VAR juga mempunyai kekurangan, diantaranya adalah sebagai berikut :
1. Model VAR lebih bersifat a-theory karena tidak dapat memanfaatkan informasi atau teori terdahulu.
2. Mengingat tujuan utama VAR adalah untuk peramalan maka model VAR kurang cocok untuk analisis kebijakan.
3. Pemilihan banyaknya lag yang digunakan dalam persamaan juga dapat menimbulkan persamalahan.
4. Semua variabel VAR harus stasioner.
5. Interpretasi koefisien yang didapat berdasarkan model VAR tidak mudah.
Vector Autoregression (VAR) adalah sistem persamaan yang menunjukkan setiap peubah dalam persamaan merupakan fungsi linier dari konstanta nilai lag dari peubah itu sendiri serta nilai lag dari peubah lain yang ada di dalam sistem (Agung, 2009). Jadi, peubah penjelas dalam VAR meliputi nilai lag seluruh peubah tak bebas dalam sistem.
2.4. Konsep Penjualan
Menurut Kotler (2005), konsep penjualan merupakan orientasi bisnis umum lainnya. konsep penjualan berkeyakinan bahwa para konsumen dan perusahan bisnis, jika dibiarkan, tidak akan secara teratur membeli cukup banyak produk yang ditawarkan oleh organisasi tertentu. Oleh karena itu, organisasi tersebut harus melakukan usaha penjualan dan promosi yang agresif. Konsep itu mengasumsikan bahwa para konsumen umumnya menunjukkan keengganan atau penolakan untuk membeli sehingga harus dibujuk supaya membeli. Konsep itu juga mengasumsikan bahwa perusahaan memiliki banyak sekali alat penjualan dan promosi yang efektif yang dapat merangsang lebih banyak pembelian.
Kebanyakan perusahaan mempraktekkan konsep penjualan ketika mereka mempunyai kapasitas yang berlebih. Tujuan mereka adalah menjual apa yang mereka hasilkan dan bukannya menghasilkan apa yang diinginkan pasar. Dalam perekonomian industri modern, kapasitas produktif telah dibangun dengan anggapan bahwa kebanyakan pasar merupakan pasar pembeli (pembelinya dominan) sehingga penjual harus berjuang untuk mendapatkan pelanggan. Para
(21)
calon dihujani dengan siaran iklan TV, iklan surat kabar, surat langsung dan telepon penjualan. Pada tiap kesempatan dimana saja, seseorang berusaha untuk menjual sesuatu. Akibatnya, publik sering mengidentifikasi pemasaran sebagai penjualan dan periklanan yang keras (Kotler, 2005).
2.5. Peramalan Penjualan
Menurut Erlina (2002), peramalan penjualan berarti suatu proses memperkirakan secara sistematik tentang penjualan yang paling mungkin terjadi pada masa yang akan datang berdasarkan data penjualan masa lalu dan sekarang yang dimiliki. Hasil penjualan sebelumnya digunakan sebagai titik awal dalam penyusunan ramalan penjualan.
Peramalan menjadi salah satu hal yang penting dalam pengambilan keputusan manajemen. Hal ini dikarenakan keefektifan sebuah keputusan tergantung pada deret kejadian-kejadian yang diakibatkan keputusan tersebut. Kemampuan menduga secara dini aspek-aspek yang tidak dapat dikontrol dari kejadian-kejadian masa lalu, akan membantu keputusan tersebut. Salah satu peramalan yang penting dan sering dilakukan perusahaan adalah peramalan penjualan (Pierce dan Robinson, 1997).
2.6. 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 dating 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.
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 peramalan diawali dengan pengeksplorasian pola data pada masa lalu guna mengembangkan model yang sesuai dengan pola data itu dengan menggunakan
(22)
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.
Makridarkis, et al (1999), menyatakan bahwa terdapat 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.
2.7. Tahapan Peramalan
Menurut Hanke et, al. (2003), semua prosedur formal peramalan melibatkan penarikan pengalaman masa lalu kedalam ketidak-pastian masa depan. Jadi, semua prosedur menggunakan asumsi bahwa kondisi dimana hasil dari data masa lalu tidak berbeda dengan kondisi masa depan, kecuali pada variabel-variabel yang secara eksplisit dikenali oleh model peramalan.
(23)
Pengenalan terhadap operasi teknik peramalan pada data menghasilkan kejadian historis mengarah ke identifikasi lima tahapan proses peramalan sebagai berikut:
1. Pengumpulan data
2. Pemadatan atau pengurangan data 3. Penyusunan model dan evaluasi 4. Ekstrapolasi model (peramalan aktual) 5. Evaluasi peramalan
Tahap 1, pengumpulan data, menyarankan pentingnya perolehan data yang sesuai dan meyakinkan peramalannya. Tahap ini sering kali merupakan bagian paling menantang dari keseluruhan proses peramalan dan paling sulit untuk dimonitor karena serangkaian tahapan dapat dilakukan pada data dalam menentukan kesesuaiannya dengan masalah. Koleksi dan masalah pengendalian mutu biasanya dipenuhi kalau diperlukan untuk mendapatkan data terkait didalam suatu organisasi.
Tahap 2, pemadatan dan pengurangan data, seringkali diperlukan karena mungkin saja terjadi kelebihan data dalam proses peramalan atau sebaliknya terlalu sedikit. Beberapa data mungkin tidak relevan dengan masalah dan dapat mengurangi keakuratan peramalan.
Tahap 3, penyusunan dan evaluasi model, meliputi pencocokan data terkumpul kedalam model yang sesuai dalam hal meminimasi kesalahan peramalan. Model yang lebih sederhana, lebih baik keadaannya dalam hal diterimanya proses peramalan oleh manajer yang harus membuat keputusan perusahaan. Seringkali harus diseimbangkan antara pendekatan peramalan canggih yang hasilnya sedikit lebih akurat dengan pendekatan sederhana yang lebih mudah dipahami serta mendapatkan dukungan dan tentunya secara aktif digunakan oleh pengambil keputusan perusahaan. Jelasnya, pendapat pribadi dilibatkan dalam proses pemilihan.
Tahap 4, ekstrapolasi model (peramalan aktual), terdiri dari model peramalan aktual yang dihasilkan begitu data yang sesuai telah terkumpul dan kemungkinan dikurangi dan model peramalan yang sesuai juga sudah dipilih. Seringkali peramalan untuk periode yang baru lewat dibandingkan dengan nilai
(24)
historis aktual telah diketahui digunakan untuk memeriksa keakuratan proses peramalan.
Tahap 5, evaluasi peramalan, melibatkan membandingkan nilai peramalan dengan nilai historis aktual. Dalam proses ini beberapa nilai data terkini kemudian diambilkan dari himpunan data yang sedang dianalisa. Setelah model peramalan selesai, peramalan dilakukan untuk beberapa periode tersebut dan dibandingkan dengan nilai-nilai historis yang diketahui. Beberapa prosedur peramalan menjumlahkan nilai absolut dari kesalahan dan hasil penjumlahannya dilaporkan, atau dibagi dengan jumlah perlakuan peramalan sehingga menghasilkan rata-rata kesalahan peramalan.
2.8. 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 nilai pengambil keputusan untuk meramal.
2.8.1 Metode Peramalan Kualitatif
Terdapat empat teknik peramalan yang berbeda :
1. Keputusan dari pendapat juri eksekutif (jury of executive opinion). Dalam metode ini, pendapat sekumpulan kesil manajer atau pakar tinggi, sering dikombinasikan dengan model statistic, dikumpulkan untuk mendapatkan prediksi permintaan kelompok.
2. Metode Delphi (Delphi method). Ada tiga jenis peserta dalam metode Delphi : pengambil keputusan, karyawan, dan responden. Pengambilan keputusan biasanya terdiri dari 5 hingga 10 orang pakar yang akan melakukan peramalan. Karyawan membantu pengambil keputusan dengan menyiapkan, menyebarkan, mengumpulkan, serta meringkas sejumlah kuesioner dan hasil survey. Responden adalah sekelompok orang yang biasanya ditempatkan di tempat yang berbeda, di mana penilaian dilakukan.
(25)
Kelompok ini memberikan input pada pengambil keputusan sebelum peramalan dibuat.
3. Gabungan dari tenaga penjualan (sales force composite). Dalam pendekatan ini, setiap tenaga penjualan memperkirakan berapa penjualan yang bias ia lakukan dalam wilayahnya. Peramalan ini kemudian dikaji untuk memastikan apakah peramalan cukup realistis. Kemudian peramalan dikombinasikan pada tingkat wilayah dan nasional untuk mendapatkan peramalan secara keseluruhan.
4. Survei pasar konsumen (consumer market survey). Metode ini meminta input dari konsumen mengenai rencana pembelian mereka dimasa depan. Hal ini membantu tidak hanya dalam menyiapkan peramalan tetapi juga memperbaiki desain produk dan perencanaan produk baru.
2.8.2 Metode Peramalan Kuantitatif
Peramalan kuantitatif menggunakan model matematik yang beragam dengan data masa lalu dan peubah sebab akibat untuk meramalkan permintaan. Metode peramalan kuantitatif memerlukan data historis atau data empiris, mutu data dan pemilihan metode yang cocok akan menentukan kualitas hasil peramalan. Peramalan kuantitatif dapat diterapkan bila terdapat tiga kondisi (Makridarkis, et al. dalam Wisastri, 2006) berikut :
a. Terdapat informasi masa lalu.
b. Informasi tersebut bias dikuantitatifkan dalam bentuk data numerik.
c. Dapat diasumsikan bahwa pola masa lalu akan terus berlanjut dimasa mendatang.
Dua asumsi pertama merupakan syarat keharusan bagi penerapan metode peramalan kuantitatif, sedangkan asumsi ketiga merupakan syarat kecukupan, artinya walaupun asumsi ketiga dilanggar model yang dirumuskan masih dapat digunakan. Hanya hal ini akan memberikan kesalahan peramalan yang relatif besar, bila perubahan data ataupun bentuk hubungan fungsional tersebut terjadi secara sistematis.
Berdasarkan data masa lalu, metode peramalan kuantitatif dibagi menjadi dua bagian, yaitu metode deret waktu (time series), yaitu model yang membuat prediksi dengan asumsi bahwa masa depan merupakan fungsi masa lalu, dengan
(26)
menggunakan data masa lalu dapat melakukan peramalan. Dalam metode deret waktu peramal hanya berusaha mencari pola-pola dari data suatu data, tanpa berusaha mencari apa penyebab dan mengapa polanya demikian. Bisa jadi pola data masa lalu tidak sama lagi dengan masa depan, karena faktor-faktor yang mempengaruhinya sudah berubah. Metode peramalan kedua adalah metode peramalan asosiatif atau metode peramalan kausal (metode peramalan eksplanatori), yaitu metode peramalan yang menggabungkan peubah atau faktor yang mungkin mempengaruhi permintaan atas suatu produk (peubah bebas) terhadap permintaan suatu produk (peubah tidak bebas). Peramalan kuantitatif juga memiliki keterbatasan, jika terjadi perubahan pola data atau hubungan sebab akibat, maka hasil ramalan menjadi kurang akurat (Heizer dan Render, 2006).
2.9. Penelitian Terdahulu
Asri (2008) melakukan penelitian mengenai Analisis Peramalan Penjualan matrix blackberry PT Indosat, TBK dalam rangka perencanaan strategi pemasaran. Pada penelitian ini data yang digunakan merupakan data penjualan per bulan, dari bulan Desember 2005 sampai bulan Desember 2007 secara nationwide dan data penjualan perbualn Matrix Blackberry per wilayah penjualan (Jabotabek dan Banten, Sumatera bagian utara, Sumatera bagian selatan, Jawa Barat, JawaTengah dan DIY, Jawa Timur, dan Bali Nusa Tenggara, Kalimantan, Sulawesi, Maluku dan Papua) dari bulan Januari sampai Bulan Desember 2007 diolah dengan metode peramalan time series dan regresi. Berdasarkan hasil pengolahan data tersebut diperolah hasil bahwa pola data penjualan matrix blackberry merupakan trend yang terus meningkat, pola trend pada data penjualan blackberry menunjukkan peningkatan yang berkelanjutan. Sedangkan dari data penjualan dan hasil peramalan diketahui bahwa penjualan matrix blackberry paling tinggi adalah wilayah Jabotabek dan Banten, penjualan paling rendah berada di wilayah Kalimantan, hal ini memang dilatarbekakangi oleh letak geografis dan ekonomis setiap wilayah serta karakteristik masyarakatnya.
Ayu (2009) melakukan penelitian tentang peramalan penjualan cokelat
candy and cookies sebagai acuan dalam perencanaan kuantitas produk pada UKM Waroeng Cokelat di kota Bogor. Penelitian ini menggunakan alat analisis time series sedangkan metode yang terpilih untuk meramalkan produk adalah metode
(27)
yang memiliki nilai MAPE (mean absolute percentange error) terkecil. Berdasarkan hasil pengolahan data yang dilakukan dengan memplotkan masing-masing data penjualan produk dari tahun 2006-2008, diperoleh hasil bahwa produk candy tipe 1 memiliki pola data trend dengan hasil peramalan sebanyak 1045 kemasan. Candy tipe 9 dan 23 memiliki pola data yang tidak stationer. Hasil peramalan yang didapatkan adalah sebesar 830 kemasan untuk candy 9 dan 289 kemasan untuk candy 23 sedangkan untuk produk cookies yaitu kurma coklat, etnik coklat dan sagu keju memiliki pola stationer. Hasil peramalan menunjukan masing-masing 1630 toples. 438 toples dan 573 toples, hasil peramalan penjualan menunjukan bahwa hanya produk kurma coklat yang akan mengalami penurunan penjualan di masa yang akan dating.
Penelitian ini menganalisis peramalan penjualan mobil di Auto 2000 cabang tajur dengan menggunakan time series dan metode Eviews. Penelitian ini menggunakan metode eviews dengan model VAR untuk melihat peramalan penjualan mobil di Auto 2000 pada masa yang akan datang.
(28)
III. METODE PENELITIAN
3.1. Kerangka Pemikiran
Kerangka pemikiran dalam penelitian dapat dijadikan landasan dalam setiap tahap penelitian. Salah satu tujuan dari penelitian ini adalah mengetahui metode peramalan penjualan terbaik untuk untuk setiap mobil yang diproduksi oleh Auto 2000 dalam rangka perencanaan strategi pemasaran. Penelitian ini dimulai dengan mengumpulkan data-data yang relevan, yaitu data penjualan historis mobil produksi Auto 2000 untuk kurun waktu 3 tahun yaitu tahun 2008-2010.
Data ini akan diolah dan dianalisis selanjutnya akan dibuat plot pola data penjualannya dan data tersebut akan diolah dengan menggunakan metode analisis
time series dan metode analisis regresi. Setelah data penjualan dianalisis maka akan dilakukan uji kointegrasi pada data tersebut, sehingga akan diketahui apakah data tersebut stationer atau tidak. Setelah dilakukan uji kointegrasi maka akan mudah untuk menentukan metode peramalan yang akan digunakan, kerana data penjualan ini bersifat stationer maka model yang dapat digunakan untuk analisis peramalan adalah Vector Autoregression atau VAR. setelah dilakukan analisis VAR maka akan diperoleh hasil VAR, hasil tersebut akan menunjukan peramalan penjualan untuk produk sedan, MPV dan City car selama kurun waktu 6 bulan ke depan.
(29)
Gambar 1. Kerangka pemikiran 3.2. Lokasi dan Waktu Penelitian
Penelitian ini dilakukan di sebuah main dealer yang menjual mobil yaitu Auto 2000. Auto 2000 bertempat di Jalan Siliwangi No 76-Bogor. Pelaksanaan penelitian ini dilakukan selama tiga bulan dimulai dari bulan Januari sampai bulan Maret 2011.
3.3. Jenis dan Sumber Data
Data dan informasi yang digunakan pada penelitian ini adalah data primer dan data sekunder. Data primer diperoleh dengan melakukan proses wawancara dengan supervisor dari Auto 2000. Sedangkan data sekunder yang digunakan adalah laporan penjualan mobil Auto 2000 selama kurun waktu 3 tahun, mulai dari 2008-2010.
AUTO 2000 Cabang Tajur
Visi dan misi
Data penjualan 2008-2010
Uji Kointegrasi
Vector Autoregression
Hasil Analisis VAR
(30)
Jenis data yang digunakan dalam skripsi ini adalah data kuantitatif yaitu berupa laporan penjualan mobil serta data kualitatif yaitu data yang berupa penjelasan dan keterangan-keterangan.
3.4. Pengolahan dan Analisis Data
Data yang dikumpulkan kemudian diolah dan dianalisis, sehingga mampu memberikan gambaran dan penjelasan terhadap permasalahan dalam penelitian ini. Pengolahan dan penganalisaan data diharapkan dapat menguraikan langkah-langkah strategis yang dapat dilakukan perusahaan dalam pemasaran dan penjualan mobil. Metode pengolahan dan analisis data yang digunakan dalam penelitian akan diuraikan secara kualitatif dan kuantitatif. Analisis kualitatif digunakan untuk mengetahui keunggulan kompetitif yang dimiliki. Pengolahan kualitatif juga akan menggambarkan keadaan umum perusahaan. Analisis kuantitatif digunakan untuk meramalkan penjualan mobil Auto 2000 selama satu tahun kedepan dengan menggunakan analisis runtut waktu (time series) Data penjualan kemudian ditabulasikan dengan bantuan program komputer Microsoft Excel 2007 dan Eviews 6.
3.4.1 Vector Autoregression (VAR)
Model ekonometri yang sering digunakan dalam analisis makro ekonomi dinamik dan stokastik adalah Vector Autoregession (VAR). VAR merupakan suatu sistem persamaan yang memperlihatkan setiap variabel sebagai fungsi dari konstanta dan nilai lag (lampau) dari variabel itu sendiri serta nilai lag dari variabel yang lain yang ada dalam sistem. Variabel penjelas dalam VAR meliputi nilai lag seluruh variabel tak bebas dalam sistem VAR yang membutuhkan identifikasi retriksi untuk mencapai persamaan melalui interpretasi persamaan.
VAR dengan ordo p dan n buah variabel tak bebas pada periode t dapat dimodelkan sebagai berikut :
………….. dimana :
: Vektor variabel tak bebas ( ) : Vektor intersep berukuran n x 1
(31)
: Matriks parameter berukuran n x 1 : Vektor residual ( 1.t , 2.t , 3.t) n x 1
Asumsi yang harus di penuhi dalam analisi VAR adalah semua variabel tidak bersifat stasioner, semua sisaan bersifat white noise, yaitu memiliki rataan nol, ragam konstan dan diantara variabel tak bebas tidak ada korelasi. Uji stasioneritas data dapat dilakukan melalui pengujian terhadap ada tidaknya unit root dalam variabel dengan uji Augmented Dickey Fuller (ADF). Adanya unit root akan menghasilkan persamaan regresi yang spurious.
Pendeteksian keberadaan kointegrasi ini dapat dilakukan dengan metode Johansen atau Engel-Granger. Jika variabel-variabel tidak terkointegrasi, maka dapat diterapkan VAR standar yang hasilnya akan identik dengan OLS, setelah memastikan variabel tersebut sudah stasioner pada derajat (ordo) yang sama. Jika pengujian membuktikan terdapat vektor kointegrasi, maka dapat diterapkan ECM untuk single equation atau VECM untuk system equation.
3.4.2 Uji Stasioneritas Data
Salah satu konsep penting yang harus diingat dalam analisa dengan menggunakan data time series adalah kondisi data yang stasioner atau tidak stasioner. Jika estimasi dilakukan dengan menggunakan data yang tidak stasioner maka akan memberikan hasil regresi yang palsu atau disebut sebagai spurious regression (Gujarati, 2003). Suporious regression memiliki pengertian bahwa hasil regresi dari satu variabel time series pada satu atau beberapa variabel time series lainnya cenderung untuk menghasilkan kesimpulan hasil estimasi yang bias yang ditunjukkan dengan karakteristik seperti memperoleh hasil R2 yang sangat tinggi (lebih besar dari (0,9) tetapi pada kenyataannya hubungan antara variabel tersebut tidak memiliki arti atau meaningless. Gujarati juga mengatakan bahwa jika R2 > d (Dubin Watson statistik), maka kondisi ini merupakan rule of thumb
yang baik untuk menduga bahwa hasil estimasi tersebut kemungkinan besar merupakan nonsense/suporious regression.
(32)
Jika sebuah data time series merupakan data yang stasioner makan studi akan perilaku untuk data tersebut hanya dapat dilakukan untuk periode waktu tertentu (Gujarati, 2003). Atau dengan kata lain bahwa setiap bagian dari data time series tersebut merupakan bagian yang terpisah satu sama lain. Sebagai konsekuensi dari kondisi tersebut adalah tidak mungkin untuk melakukan estimasi secara generalisasi pada periode waktu yang berbeda-beda. Gujarati menyebutkan kondisi stochastic process dikatakan stasioner jika rata-rata dan variansnya konstan dalam beberapa periode waktu, dan nilai dari kovarians antara dua waktu yang berbeda tergantung dari lag antara dua periode waktu yang tidak tergantung pada waktu aktual pada saat kovarians dihitung. Bisa juga dikatakan sebagai data
time series yang stasioner jika rata-rata, varians dan otokovariansnya dalam berbagai jumlah lag menunjukkan kesamaan saat diukur pada berbagai titik pengukuran.
Ada beberapa metode yang dapat digunakan untuk menguji stasioneritas. Dua metode yang paling umum digunakan adalah dengan menggunakan metode pengujian augmented Dickey-Fuller dan metode pengujian Philip-Peron (Gujarati, 2003). Asumsi penting yang digunakan dalam pengujian Dickey-Fuller adalah
error-nya secara statistik bersifat independen dan mempunyai varians yang konstan. Kemudian metode dasar ini dikembangkan lagi menjadi metode
augmented Dickey-Fuller dimana ditambahkan lag pada variabel. Sedangkan metode pengujian Philip-Peron menggunakan metode statistik non-parametrik sehingga untuk mengatasi permasalahan serial korelasi tanpa menambahkan lag. Pengujian Philip-Peron, maka H0 adalah mengandung unit root yang
menunjukkan kondisi tidak stationer.
Bentuk persamaan uji stasioneritas tersebut dapat dituliskan sebagai berikut:
∆ =α+ + ∆ + ...(3) dimana:
∆ = Bentuk dari first different = intersep
(33)
P = panjang lag yang digunakan dalam model = error term
3.4.3 Uji Kausalitas Granger (Granger Causality)
Uji Kausalitas Granger digunakan untuk mengevaluasi kemampuan peramalan dari satu peubah deret waktu pada periode sebelumnya terhadap peubah deret waktu lainnya pada periode saat ini.
Pada analisa data ekonomi dengan menggunakan metode ekonometri seringkali ditemukan kondisi adanya ketergantungan antara satu variabel dengan satu variabel atau beberapa variabel yang lain dalam model persamaan yang digunakan. Atau dapat dikatakan bahwa adanya kemungkinan hubungan kausalitas antar variabel dalam model. Permasalahan inilah yang melandasi akan perlunya pengujian hubungan kausalitas antar variabel dalam model, yang disebut sebagai granger causality test. Misalkan ada dua variabel, yakni A dan B. Pertanyaan yang sering muncul adalah apakah variabel A yang menyebabkan B, ataukah sebaliknya B yang menyebabkan A. Untuk menjawab permasalahan ini maka dilakukan granger causality test untuk memprediksikan hubungan antara kedua variabel tersebut berdasarkan data time series dalam estimasi model. Dengan menggunakan tes ini maka hasil estimasi akan menunjukkan kemungkinan-kemungkinan seperti ini, yakni (Gujarati, 2003):
1. Hubungan kausalitas satu arah dari Bt ke At, yang disebut sebagai uniderectional causality from Bt to At.
2. Hubungan kausalitas satu arah dari At ke Bt yang disebut sebagai uniderectional causality from At to Bt.
3. Kausalitas dua arah atau saling mempengaruhi (bidirectional causality) 4. Tidak terdapat hubungan saling ketergantungan (no causality)
Kemudian untuk menguji pola kausalitas granger dapat dilakukan dengan melakukan uji F-test, dimana hipotesa yang akan digunakan yakni, H0 : B does not granger cause A, ditunjukkan dengan persamaan berikut ini:
F = (RSSR - RSSUR) / RSSR (n –k) / m ………….. (4)
Dimana RSSR (restricted residual sum of squares) diperoleh dari regresi
yang dilakukan terhadap A tanpa melibatkan lag variabel B, sedangkan RSSUR
(34)
terhadap jumlah observasi dan k adalah jumlah parameter. Nilai (n-k) disebut juga derajat kebebasan atau degree of freedom. Jika nilai F stat > F tabel pada level signifikansi yang ditentukan, maka H0 ditolak atau tidak cukup bukti untuk
diterima. Dengan kata lain bahwa B granger cause A. Jika H0 tidak cukup bukti
untuk dapat ditolak maka B does not granger cause A.
Analisa ini menggunakan software eviews. Dengan menggunakan eviews, maka tes kausalitas antar variabel dapat dilakukan dengan mudah, dimana lag
optimal digunakan. Untuk menguji hipotesa, maka dipermudah dengan membaca probabilitasnya. Dimana jika probabilitas lebih kecil dari alpha (dalam ini penulis menggunakan alpha 5%), maka H0 ditolak atau dengan kata lain variabel B
menyebabkan variabel A dan sebaliknya jika probabilitasnya lebih besar dari alpha, maka tidak cukup bukti menolak H0, atau B tidak menyebabkan A, atau
tidak ada hubungan kausalitas.
3.4.4 Uji Lag Optimal
Penentuan lag optimum ini sangat penting dalam model VAR karena pengujian ini bertujuan untuk mengetahui besarnya lag dari variabel endogen dalam sistem persamaan yang akan digunakan sebagai variabel eksogen (Enders dalam De Jong, 2005). 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 5 User’s Guide):
= (det
t )………. (5)
Dimana p adalah angka parameter dari tiap persamaan dalam VAR. Selanjutnya, log likelihood value dengan mengasumsikan distribusi normal (Gaussian) dapat dihitung:
1 = - {k(1+log2π) + log|Ω|}……… (6)
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 5
(35)
AIC -2(l/T)+2(k/T) ………. (7) SC -2(l/T)+k log(T)/T ……… (8)
3.4.5 Uji Stabilitas VAR
Pengujian ini dilakukan karena jika hasil estimasi VAR yang akan dikombinasikan dengan model koreksi kesalahan yang tidak stabil, maka IRF (Impulse Response Function) dan FEVD (Forecast Error Variance Decomposition) menjadi tidak valid (Nugraha, 2006).
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.
3.4.6 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.
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
(36)
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 MPV (Multi Purpose Vehicle), Sedan dan City car. Terhadap adanya goncangan (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.
3.4.7 Forecast Error Variance Decomposition (FEVD)
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.
Jadi melalui FEVD dapat diketahui secara pasti faktor-faktor yang memberikan kontribusi yang paling signifikan terhadap perubahan dari variabel tertentu. Dalam analisis ini variabel tersebut yaitu variabel MPV (Multi Purpose Vehicle), Sedan dan City car.
(37)
IV. HASIL DAN PEMBAHASAN
4.1. Gambaran Umum Perusahaan 4.1.1 Sejarah Perusahaan
Auto 2000 berdiri pada tahun 1975 dengan nama Astra Motor Sales, dan baru pada tahun 1989 berubah nama menjadi Auto 2000. Auto 2000 merupakan jaringan jasa penjualan, perawatan, perbaikan dan penyediaan suku cadang Toyota yang manajemennya ditangani penuh oleh PT Astra International Tbk. Saat ini Auto 2000 adalah main dealer Toyota terbesar di Indonesia, yang menguasai antara 70-80 % dari total penjualan Toyota. Dalam aktivitas bisnisnya, Auto 2000 berhubungan dengan PT Toyota Astra Motor yang menjadi Agen Tunggal Pemegang Merek (ATPM) Toyota.
Auto 2000 berkembang pesat karena memberikan berbagai layanan yang sangat memudahkan bagi calon pembeli maupun pengguna Toyota. Auto 2000 memiliki slogan “Urusan Toyota jadi mudah!” dalam hal pelayanannya Auto 2000 memcoba menjadi yang terdepan dalam. Hingga saat ini Auto 2000 memiliki cabang yang tersebar di seluruh Indonesia kecuali Sulawesi, Maluku, Irian Jaya, Riau, Bengkulu, Jawa Tengah dan DIY. Jumlah keseluruhan outlet cabang yang dimiliki oleh Auto 2000 berjumlah 72 outlet cabang sedangkan dealer yang tersebar berjumlah 73 outlet dealer, dengan demikian terdapat 145 cabang yang mewakili penjualan Auto 2000 di seluruh Indonesia. Auto 2000 memiliki 48 bengkel terbesar dan terlengkap di Asia Tenggara, Auto 2000 juga memiliki 596
partshop yang menjamin keaslian suku cadang produk Toyota.
4.1.2 Visi Auto 2000
MUDAH (Ease)
Auto 2000 memberikan berbagai kemudahan kepada pelanggan.
1. Kemudahan mendapatkan informasi, dengan menyediakan berbagai sumber, mulai dari kantor cabang, pameran, situs web, telepon, hingga call center
(38)
2. Kemudahan pembelian dengan menyediakan berbagai fasilitas termasuk tukar tambah, proses kredit dan asuransi.
3. Kemudahan layanan purna jual dengan memberikan servis bengkel yang lengkap dan terpadu.
PERSONAL (Personal)
Auto 2000 melayani pelanggan secara personal. Dengan membangun database pelanggan secara komprehensif, Auto 2000 memberikan layanan sesuai dengan kebutuhan pelanggan.
Anda tidak perlu dipusingkan masalah perawatan mobil dan lainnya karena Auto 2000 akan memberitahu Anda secara personal, misalnya kapan saat perawatan berkala mesti dilakukan, kapan masa kredit berakhir, dan lainnya.
HANDAL (Reliable)
AUTO 2000 didukung oleh tim dan sistem yang handal: 1. Wiraniaga profesional.
2. Teknisi yang memiliki sertifikasi Toyota Internasional.
3. Sistem Teknologi Informasi yang handal, yang mencatat historis kendaraan dan dapat diakses secara online oleh bengkel-bengkel Auto 2000 di seluruh Indonesia.
4. Garansi atas perbaikan yang dilakukan.
4.2. Analisis Kointegrasi
Menurut Chen dan Knez pada tahun 1995 dalam Lucey et al (2004) Sebelum melakukan analisis dalam model VAR/VECM adalah uji kointegrasi, yaitu dapat menjelaskan bahwa variabel yang diamati dalam penelitian ini akan stabil pada jangka panjang. Esensi dari cointegration adalah bahwa series tidak dapat menyebar ke segala arah jauh dari satu sama lain dan menjelaskan bahwa keberadaan hubungan jangka panjang antara series ini dengan series yang lain dapat ditulis pada suati format Error Correction. Salah satu syarat agar tercapai keseimbangan jangka panjang adalah apabila pola data yang digunakan stasioner pada level nol maka menggunakan metode VAR, dan apabila pola data yang digunakan tidak stasioner pada level nol maka menggunakan metode VECM.
(39)
Dalam menganalisa stasioneritas, tingkat signifikansi yang digunakan adalah pada tingkat signifikan 5 persen. Data penjualan yang dianalisis adalah data penjualan bulanan City Car, Sedan dan MPV yang diperoleh dari tahun 2008 sampai 2011.
4.2.1 Uji Stasioner
Uji stasioner merupakan tahap yang penting dalam menganalisis data time series untuk melihat ada atau tidaknya unit root yang terkandung diantara variabel. Apabila dalam data tersebut terdapat banyak data akar unit maka data tersebut tidak stationer. Hal ini menyebabkan hubungan antara varibael dalam persamaan menjadi tidak valid. Karena pengujian stationer sangat penting dalam analisis runtut waktu, maka pengujian ini bertujuan untuk menganalisa suatu variabel stasioner atau tidak, data bersifat stationer akan memiliki ragam yang tidak terlalu besar dan mempeunyai kecenderungan untuk mendekati nilai rata-ratnya. Pengujian pada penelitian ini menggunakan taraf 5 persen atau dengan tingkat kepercayaan 95 persen, hasil pengujian stationer dapat dilihat pada Tabel 2 berikut ini.
Tabel 2. Hasil Uji Stationer
Variabel Test Critical
Values (5%) t-statistic Probability
City car -2.935001 -3.375812 0.0177
MPV -2.935001 -3.942564 0.0040
Sedan -2.935001 -4.970755 0.0002
Pengujian tingkat kestasioneritas pada penelitian ini dilakukan dengan menggunakan uji Augmented Dickey-Fuller Test (ADF) dengan perangkat lunak
Eviews 6. Jika nilai Test Critical Values lebih besar dari nilai t-statistic berarti data tidak stasioner, sebaliknya jika nilai Test Critical Values lebih kecil dari nilai
t-statistic berarti data stasioner. Berdasarkan hasil Tabel 1 tersebut menunjukan bahwa semua variabel yang digunakan dalam penelitian ini telah stationer hal ini karena nilai ADF test semua varibael lebih kecil daripada nilai kritis pada taraf 5 persen.
(40)
Uji stasioneritas yang sudah dilakukan kita sudah dapat menentukan model yang akan dipilih, apabila semua variabel stasioner pada level maka digunakan model VAR, dan apabila semua atau salah satu tidak stasioner pada level dan dilakukan pembedaan maka model yang dipilih adalah VECM. Dalam penelitian ini dapat disimpulkan bahwa terdapat hubungan diantara variabel-variabel tersebut dalam jangka panjang.
4.2.2 Uji Kausalitas Granger
Tujuan dilakukannya uji kausalitas granger adalah untuk mengetahui dan melakukan evaluasi kemampuan peramalan dari satu deret waktu terhadap deret waktu sebelumnya. Apabila hipotesis tersebut bernilai nol maka tidak ada hubungan kausalitas diantara variabel, sedangkan hipotesis alternative menunjukan adanya hubungan kausalitas diantara variabel. Nilai hipotesis nol dapat ditolak dengan melihat nilai probabilitasnya, pada penelitian ini dilakukan dengan nilai kritis 5 persen, artinya jika nilai probabilitas lebih besar dari 5 persen maka hipotesis nol dapat ditolak sehingga akan terdapat hubungan kausalitas diantara variabel tersebut. Hasil uji kausalitas untuk produk sedan, mpv dan City car dapat dilihat pada Tabel 3 berikut ini
Tabel 3. Hasil Uji Kausalitas Granger
Null Hypothesis: Obs F-Statistic Prob.
CITYCAR does not Granger Cause SEDAN 41 0.23028 0.6341
SEDAN does not Granger Cause CITYCAR 0.94559 0.3370
MPV does not Granger Cause SEDAN 41 0.48711 0.4895
SEDAN does not Granger Cause MPV 0.00357 0.9527
MPV does not Granger Cause CITYCAR 41 4.31617 0.0446 CITYCAR does not Granger Cause MPV 6.64712 0.0139
Berdasarkan Tabel diketahui bahwa uji kausalitas Granger menunjukan hasil bahwa variabel-variabel penjualan produk hanya terdapat satu hubungan kausalitas, yaitu antara MPV dan produk City car. Hubungan kausalitas tersebut dapat diartikan Kausalitas dua arah atau saling mempengaruhi (bidirectional causality), dapat diartikan bahwa penjualan produk MPV mempengaruhi penjualan produk City car sebesar 0,0446, dan sebaliknya penjualan produk City car mempengaruhi MPV sebesar 0,0139.
(41)
4.2.3 Uji Lag Optimum
Penetapan lag optimum penting untuk dilakukan karena dalam metode VAR lag optimal dari variabel endogen merupakan variabel independen yang digunakan dalam model. Nilai lag optimal diperoleh dengan melakukan estimasi VAR. Sebelum melakukan penentuan lag optimal maka dapat dilihat terbih dahulu apakah model VAR tersebut stabil atau tidak. Hasil dari lag optimum dapat dilihat pada Tabel 4 berikut ini
Tabel 4. Hasil Uji Lag Optimum
Lag LogL LR FPE AIC SC HQ
0 -360.4722 NA 24984.35 18.63960 18.76757* 18.68552*
1 -349.7128 19.31189* 22877.58* 18.54937* 19.06124 18.73303
2 -346.1208 5.894427 30481.40 18.82671 19.72247 19.14810
3 -339.9125 9.232903 36002.84 18.96987 20.24954 19.42900
Berdasarkan hasil Tabel 4 dapat dilihat bahwa penentuan lag dapat digunakan dengan beberapa pendekatan antara lain Likelihood Ratio (LR), Final Prediction Error (FPE), Akaike Information Criterion (AIC), dan Schwarz Criterion (SC). Berdasarkan uji kestabilan yang telah dilakukan ditunjukan bahwa model VAR dalam penelitian ini telah stabil pada lag ke-3. Setelah dipastikan bahwa hasil estimasi var berada dalam kondisi stabil , maka daoat dilakukan penetapan lag optimal.lag optimal dihitung dengan menggunakan AIC dengan mengambil nilai AIC yang paling kecil. Dari tabel 3 memperlihatkan bahwa dari 3 lag, lag yang bertanda asterisk (*) terdapat pada lag pertama, hal ini menandakan bahwa lag optimal yang dipilih berdasarkan AIC terdapat pada lag pertama.
4.2.4 Pemodelan VAR
Pengaruh variabel dapat menggunakan dan dilihat dengan analisis VAR. interpretasi hasil dapat dilihat dengan membaca koefisien integrasi dan pembacaan tanda terbalik dari tanda koefisiennya. Koefisien integrasi dinyatakan signifikan jika nilai mutlak statisti lebih besar dari nilai tabel yaitu 1,96 berikut ini merupakan hasil estimasi VAR.
(42)
Tabel 5. Estimasi VAR
Berdasarkan hasil estimasi var tersebut dapat terlihat bahwa terdapat pengaruh yang ditunjukan oleh penjualan City car, penjualan tersebut dipengaruhi secara nyata oleh penjualan City car pada lag 1 dan penjualan MPV pada lag 1, sedangkan penjualan MPV dipengaruhi secara nyata oleh penjualan City car pada lag 1. Dari tabel tersebut dapat terlihat bahwa terdapat hubungan yang signifikan antara City car dan MPV sedangkan untuk produk sedan hubungan yang terjadi dengan produk lainnya tidak terlalu signifikan.
4.2.5 Uji stabilitas Model Tabel 6. Hasil Uji Stabilitas
Model dikatakan stabil apabila nilai modulus nya kurang dari satu. Berdasarkan tabel bahwa nilai akar karakteristik atau modulus semuanya menunjukan nilai kurang dari satu, sehingga dapat disimpulkan bahwa model VAR telah stabil
SEDAN CITYCAR MVP
SEDAN(-1) 0.265407 -0.231427 -1.034065
(0.17170) (0.29141) (0.92598)
[ 1.54575] [-0.79416] [-1.11672]
CITYCAR(-1) -0.086464 0.372304 1.641611
(0.10807) (0.18342) (0.58284)
[-0.80005] [ 2.02978] [ 2.81659]
MVP(-1) 0.026823 0.094985 0.238314
(0.02839) (0.04818) (0.15308)
[ 0.94495] [ 1.97167] [ 1.55679]
C 1.393352 -1.247452 54.75136
(2.28761) (3.88251) (12.3370)
[ 0.60909] [-0.32130] [ 4.43798]
Modulus
0.701341
0.253344
(43)
-0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2
5 10 15 20 25 30 35 40 45 50
Response of SEDAN to Nonfactorized One Unit SEDAN Innovation 4.2.6 Analisis Impuls Response Function (IRF)
Analisis Impuls Response Function atau IRF merupakan alat analisis yang digunakan untuk mencari dampak shock variabel satu terhadap variabel lainnya. Dengan menggunakan IRF maka akan dapat dilacak dampak dari salah satu shock
terhadap shock lainnya pada saat sekarang dan masa yang akan datang dari variabel endogen. Shock yang terjadi pada variabel endogen secara langsung akan mempengaruhi variabel itu sendiri dan akan berpengaruh juga terhadap variabel lainnya secara berkesinambungan atau dinamis. Pada penelitian ini akan dilakukan tiga analisis IRF untuk masing-masing produk yaitu sedan, City car dan
mutli purpose vehicleatau MPV. 4.1. Sedan diimpuls (shock)
Gambar 2. Respon Sedan terhadap Sedan
Respon yang pertama dianalisa adalah respon sedan terhadap sedan, dari grafik tersebut dapat diketahui bahwa respon yang diberikan oleh produk sedan terhadap standar deviasi variabel itu sendiri telah bernilai positif. Pergerakan respon pada grafik tersebut cenderung bernilai stabil, pada periode 1 nilai respon yang diberikan cukup tinggi yaitu dengan nilai 100 persen, tetapi pada periode ke 2 terjadi penurunan yang signifikan dari respon tersebut, pada periode ke 2 respon yang dihasilkan adalah 20 persen. Setelah terjadinya penuruan pada periode ke 2, respon kemudian bergerak stabil dari periode 3 sampai dengan periode ke 5, nilai respon tersebut adalah nol persen. Selanjutnya untuk periode 6 sampai 50 pergerakan respon kembali menurun dengan nilai respon bernilai negatif, pergerakan respon ini sangat kecil. Sehingga dalam grafik pergerakan kecil dan cenderung stabil di nol persen.
(44)
-.25 -.20 -.15 -.10 -.05 .00
5 10 15 20 25 30 35 40 45 50
One Unit SEDAN Innovation
-1.2 -1.0 -0.8 -0.6 -0.4 -0.2 0.0
5 10 15 20 25 30 35 40 45 50 Response of MPV to Nonfactorized
One Unit SEDAN Innovation
Gambar 3. Respon City car terhadap Sedan
Pada grafik ini dapat terlihat respon yang diberikan oleh City car terhadap sedan, respon yang diberikan City car pada perubahan standar deviasi sedan bernilai negatif. Hanya pada periode pertama nilai respon yang diberikan tingi yaitu nol persen. Selanjutnya pada periode kedua hingga periode kelima terjadi penurunan yang cukup signifikan, dimana pada periode kedua nilai respon City car terhadap sedan yaitu -23 persen, pada periode ketiga nilai respon yaitu -24 persen, periode keempat nilai respon -19 persen sedangkan pada periode kelima responnya bernilai -13 persen. Nilai respon stabil pada periode ke 6 sampai periode ke 50 dengan nilai respon nol persen. Dengan nilai respon yang negatif hal ini berarti impuls dari penjualan sedan sebesar satu standar deviasi berpengaruh negatif terhadap penjualan produk City car.
Gambar 4. Respon MPV terhadap Sedan
Pada grafik ini dapat terlihat respon yang diberikan oleh MPV terhadap sedan, respon yang diberikan MPV pada perubahan standar deviasi sedan bernilai
(45)
0.0 0.2 0.4 0.6 0.8 1.0
5 10 15 20 25 30 35 40 45 50
Response of CITYCAR to Nonfactorized One Unit CITYCAR Innovation
negatif. Hanya pada periode pertama nilai respon yang diberikan tingi yaitu nol persen. Selanjutnya pada periode kedua terjadi penurunan yang signifikan, dimana pada periode kedua nilai respon MPV terhadap sedan yaitu -103 persen, pada periode ketiga nilai respon yaitu -90 persen, periode keempat nilai respon -68 persen sedangkan pada periode kelima responnya bernilai -49 persen. Nilai respon stabil pada periode ke 20 sampai periode ke 50 dengan nilai respon -1 persen. Dengan nilai respon yang negatif hal ini berarti impuls dari penjualan sedan sebesar satu standar deviasi berpengarug negatif terhadap penjualan produk mpv. 4.2. City car diimpuls (shock)
Gambar 5. Respon City car terhadap City car
Respon kedua yang dianalisa adalah respon City car terhadap variabel itu sendiri. pada grafik tersebut nilai standar deviasi dari respon City car terhadap variabel itu sendiri bernilai positif, ketika variabel diimpuls nilai respon meningkat pada periode pertama sampai periode ke 10. Pada periode pertama nilai respon tertinggi yaitu 100 persen dan nilai respon terendah pada periode 10 yaitu 26 persen. Pada periode berikutnya hingga period eke 50 nilai respon cenderung stabil yaitu nol persen, dengan nilai respon yang positif hal ini menunjukkan bahwa variabel City car sangat berpengaruh terhadap naik dan turunnya penjualan City car itu sendiri.
(46)
-.10 -.08 -.06 -.04 -.02 .00 .02
5 10 15 20 25 30 35 40 45 50
Response of SEDAN to Nonfactorized One Unit CITYCAR Innovation
0.0 0.4 0.8 1.2 1.6 2.0
5 10 15 20 25 30 35 40 45 50
Response of MPV to Nonfactorized One Unit CITYCAR Innovation
Gambar 6. Respon Sedan terhadap City car
Pada grafik ini adalah nilai respon yang ditunjukkan oleh sedan jika City car diimpuls, dari grafik tersebut terlihat bahwa nilai standar deviasi yang dihasil oleh sedan adalah negatif. Pada periode pertama nilai respon yang ditunjukan adalah nol persen. Kemudian pada periode ke 2 sampai periode ke 4 terjadi penurunan,pada periode ke 2 respon yang ditunjukkan oleh sedan adalah - 86 persen, periode ke 3 respon bernilai -11 persen dan periode ke 4 nilai responnya adalah - 8 persen. Kemudian pada periode ke 5 sampai periode ke 50 respon kembali stabil di nol persen.
Gambar 7. Respon MPV terhadap City car
Grafik ini menjelaskan mengenai respon yang diberikan oleh mpv jika City car diimpuls. Respon yang diberikan oleh mpv terhadap standar deviasi City car bernilai positif, dengan nilai respon yang cukup tinggi dari periode 2 sampai periode 16., dengan nilai respon tertinggi 160 persen. Pada periode 17 sampai
(47)
0.0 0.2 0.4 0.6 0.8 1.0
5 10 15 20 25 30 35 40 45 50
Response of MPV to Nonfactorized One Unit MPV Innovation
.000 .004 .008 .012 .016 .020 .024 .028
5 10 15 20 25 30 35 40 45 50
Response of SEDAN to Nonfactorized One Unit MPV Innovation
periode 50 nilai respon stabil dengan nilai nol persen. Dengan adanya respon yang positif hal ini membuktikan bahwa variabel mpv mempengaruhi penjualan dari City car.
4.3. MPV diimpuls (shock)
Gambar 8. Respon MPV terhadap MPV
Grafik tersebut menjelaskan mengenai respon yang diberikan oleh mpv terhadap variabel mpv itu sendiri. berdasarkan grafik tersebut respon yang diberikan oleh mpv terhadap standar deviasi bernilai positif, ketika variabel diimpuls terjadi respon yang signifikan dari periode 1 sampai periode 11, dengan nilai respon tertinggi yaitu 100 persen pada periode pertama dan nilai respon terendah yaitu 10 persen pada periode 11. Untuk periode 12 sampai periode 50 respon yang diberikan stabil dengan nilai respon nol persen. Dari hasil positif ini maka mpv sangat berpengaruh terhadap naik turunnya penjualan dari mpv itu sendiri.
(1)
Lampiran 12. FORECAST ERROR VARIANCE DECOMPOSITION
of
City Car, MPV, and Sedan
Period S.E. CITYCAR MPV SEDAN
1 4.241653 100.0000 0.000000 0.000000
2 4.777854 91.36046 7.305204 1.334338
3 5.041097 88.81285 8.636354 2.550793
4 5.168208 87.62556 9.166007 3.208433
5 5.230248 87.06927 9.394035 3.536697
6 5.260606 86.80222 9.500294 3.697485
7 5.275494 86.67261 9.551288 3.776104
8 5.282806 86.60930 9.576095 3.814607
9 5.286399 86.57827 9.588234 3.833496
10 5.288166 86.56304 9.594192 3.842773
11 5.289035 86.55555 9.597119 3.847332
12 5.289462 86.55187 9.598557 3.849574
13 5.289672 86.55006 9.599265 3.850677
14 5.289775 86.54917 9.599613 3.851219
15 5.289826 86.54873 9.599784 3.851486
16 5.289851 86.54851 9.599868 3.851617
17 5.289864 86.54841 9.599910 3.851681
18 5.289870 86.54836 9.599930 3.851713
19 5.289873 86.54833 9.599940 3.851729
20 5.289874 86.54832 9.599945 3.851736
21 5.289875 86.54831 9.599948 3.851740
22 5.289875 86.54831 9.599949 3.851742
23 5.289875 86.54831 9.599949 3.851743
24 5.289875 86.54831 9.599950 3.851743
25 5.289875 86.54831 9.599950 3.851743
26 5.289875 86.54831 9.599950 3.851744
27 5.289875 86.54831 9.599950 3.851744
28 5.289875 86.54831 9.599950 3.851744
29 5.289875 86.54831 9.599950 3.851744
30 5.289875 86.54831 9.599950 3.851744
31 5.289875 86.54831 9.599950 3.851744
32 5.289875 86.54831 9.599950 3.851744
33 5.289875 86.54831 9.599950 3.851744
34 5.289875 86.54831 9.599950 3.851744
35 5.289875 86.54831 9.599950 3.851744
36 5.289875 86.54831 9.599950 3.851744
37 5.289875 86.54831 9.599950 3.851744
38 5.289875 86.54831 9.599950 3.851744
39 5.289875 86.54831 9.599950 3.851744
40 5.289875 86.54831 9.599950 3.851744
41 5.289875 86.54831 9.599950 3.851744
42 5.289875 86.54831 9.599950 3.851744
43 5.289875 86.54831 9.599950 3.851744
44 5.289875 86.54831 9.599950 3.851744
45 5.289875 86.54831 9.599950 3.851744
46 5.289875 86.54831 9.599950 3.851744
47 5.289875 86.54831 9.599950 3.851744
48 5.289875 86.54831 9.599950 3.851744
49 5.289875 86.54831 9.599950 3.851744
(2)
Period S.E. CITYCAR MPV SEDAN
1 13.47820 4.814586 95.18541 0.000000
2 15.70508 22.95189 74.58254 2.465568
3 16.68796 27.68104 68.47818 3.840781
4 17.16188 29.67867 65.78888 4.532453
5 17.39179 30.57869 64.55369 4.867626
6 17.50407 31.00405 63.96590 5.030048
7 17.55909 31.20924 63.68164 5.109122
8 17.58610 31.30921 63.54301 5.147778
9 17.59937 31.35816 63.47511 5.166728
10 17.60590 31.38218 63.44179 5.176032
11 17.60911 31.39398 63.42541 5.180604
12 17.61068 31.39979 63.41736 5.182851
13 17.61146 31.40264 63.41340 5.183957
14 17.61184 31.40404 63.41146 5.184500
15 17.61203 31.40473 63.41050 5.184768
16 17.61212 31.40507 63.41003 5.184899
17 17.61217 31.40524 63.40980 5.184964
18 17.61219 31.40532 63.40968 5.184996
19 17.61220 31.40536 63.40963 5.185011
20 17.61221 31.40538 63.40960 5.185019
21 17.61221 31.40539 63.40958 5.185023
22 17.61221 31.40540 63.40958 5.185025
23 17.61221 31.40540 63.40957 5.185026
24 17.61221 31.40540 63.40957 5.185026
25 17.61221 31.40540 63.40957 5.185026
26 17.61221 31.40540 63.40957 5.185026
27 17.61221 31.40540 63.40957 5.185026
28 17.61221 31.40540 63.40957 5.185027
29 17.61221 31.40540 63.40957 5.185027
30 17.61221 31.40540 63.40957 5.185027
31 17.61221 31.40540 63.40957 5.185027
32 17.61221 31.40540 63.40957 5.185027
33 17.61221 31.40540 63.40957 5.185027
34 17.61221 31.40540 63.40957 5.185027
35 17.61221 31.40540 63.40957 5.185027
36 17.61221 31.40540 63.40957 5.185027
37 17.61221 31.40540 63.40957 5.185027
38 17.61221 31.40540 63.40957 5.185027
39 17.61221 31.40540 63.40957 5.185027
40 17.61221 31.40540 63.40957 5.185027
41 17.61221 31.40540 63.40957 5.185027
42 17.61221 31.40540 63.40957 5.185027
43 17.61221 31.40540 63.40957 5.185027
44 17.61221 31.40540 63.40957 5.185027
45 17.61221 31.40540 63.40957 5.185027
46 17.61221 31.40540 63.40957 5.185027
47 17.61221 31.40540 63.40957 5.185027
48 17.61221 31.40540 63.40957 5.185027
49 17.61221 31.40540 63.40957 5.185027
50 17.61221 31.40540 63.40957 5.185027
Period S.E. CITYCAR MPV SEDAN
(3)
2 2.597739 7.919312 1.866785 90.21390
3 2.602730 7.891873 1.909634 90.19849
4 2.603059 7.891967 1.916515 90.19152
5 2.603100 7.893288 1.917744 90.18897
6 2.603116 7.894044 1.918101 90.18785
7 2.603125 7.894430 1.918238 90.18733
8 2.603129 7.894622 1.918299 90.18708
9 2.603132 7.894717 1.918328 90.18696
10 2.603133 7.894763 1.918342 90.18689
11 2.603133 7.894786 1.918349 90.18687
12 2.603134 7.894798 1.918352 90.18685
13 2.603134 7.894803 1.918354 90.18684
14 2.603134 7.894806 1.918354 90.18684
15 2.603134 7.894807 1.918355 90.18684
16 2.603134 7.894808 1.918355 90.18684
17 2.603134 7.894808 1.918355 90.18684
18 2.603134 7.894808 1.918355 90.18684
19 2.603134 7.894809 1.918355 90.18684
20 2.603134 7.894809 1.918355 90.18684
21 2.603134 7.894809 1.918355 90.18684
22 2.603134 7.894809 1.918355 90.18684
23 2.603134 7.894809 1.918355 90.18684
24 2.603134 7.894809 1.918355 90.18684
25 2.603134 7.894809 1.918355 90.18684
26 2.603134 7.894809 1.918355 90.18684
27 2.603134 7.894809 1.918355 90.18684
28 2.603134 7.894809 1.918355 90.18684
29 2.603134 7.894809 1.918355 90.18684
30 2.603134 7.894809 1.918355 90.18684
31 2.603134 7.894809 1.918355 90.18684
32 2.603134 7.894809 1.918355 90.18684
33 2.603134 7.894809 1.918355 90.18684
34 2.603134 7.894809 1.918355 90.18684
35 2.603134 7.894809 1.918355 90.18684
36 2.603134 7.894809 1.918355 90.18684
37 2.603134 7.894809 1.918355 90.18684
38 2.603134 7.894809 1.918355 90.18684
39 2.603134 7.894809 1.918355 90.18684
40 2.603134 7.894809 1.918355 90.18684
41 2.603134 7.894809 1.918355 90.18684
42 2.603134 7.894809 1.918355 90.18684
43 2.603134 7.894809 1.918355 90.18684
44 2.603134 7.894809 1.918355 90.18684
45 2.603134 7.894809 1.918355 90.18684
46 2.603134 7.894809 1.918355 90.18684
47 2.603134 7.894809 1.918355 90.18684
48 2.603134 7.894809 1.918355 90.18684
49 2.603134 7.894809 1.918355 90.18684
50 2.603134 7.894809 1.918355 90.18684
Cholesky Ordering: CITYCAR MPV SEDAN
(4)
Lampiran 13
REGRESI MODEL MINITAB
1.
MVP
The regression equation is
MVP = 56.3 + 0.177 MLAG1 - 0.744 SLAG1 - 0.420 SEDAN + 1.32 CLAG1 + 0.769 CITYCAR
41 cases used, 1 cases contain missing values
Predictor Coef SE Coef T P Constant 56.30 12.45 4.52 0.000 MLAG1 0.1765 0.1612 1.09 0.281 SLAG1 -0.7445 0.9758 -0.76 0.451 SEDAN -0.4205 0.9266 -0.45 0.653 CLAG1 1.3189 0.6301 2.09 0.044 CITYCAR 0.7691 0.5460 1.41 0.168
S = 13.4806 R-Sq = 33.8% R-Sq(adj) = 24.4%
Analysis of Variance
Source DF SS MS F P Regression 5 3254.5 650.9 3.58 0.010 Residual Error 35 6360.5 181.7
Total 40 9615.0
Source DF Seq SS MLAG1 1 1451.6 SLAG1 1 0.8 SEDAN 1 31.2 CLAG1 1 1410.4 CITYCAR 1 360.6
Unusual Observations
Obs MLAG1 MVP Fit SE Fit Residual St Resid 11 80 113.00 76.27 3.59 36.73 2.83R 37 81 119.00 91.89 3.81 27.11 2.10R
R denotes an observation with a large standardized residual.
2.
Sedan
The regression equation is
SEDAN = 2.38 + 0.0130 MLAG1 - 0.0139 MVP + 0.293 SLAG1 - 0.131 CLAG1 + 0.181 CITYCAR
41 cases used, 1 cases contain missing values
Predictor Coef SE Coef T P Constant 2.380 2.821 0.84 0.405 MLAG1 0.01298 0.02975 0.44 0.665 MVP -0.01391 0.03065 -0.45 0.653 SLAG1 0.2928 0.1720 1.70 0.098
(5)
CLAG1 -0.1309 0.1195 -1.09 0.281 CITYCAR 0.18058 0.09741 1.85 0.072
S = 2.45199 R-Sq = 15.8% R-Sq(adj) = 3.8%
Analysis of Variance
Source DF SS MS F P Regression 5 39.474 7.895 1.31 0.281 Residual Error 35 210.428 6.012
Total 40 249.902
Source DF Seq SS MLAG1 1 3.521 MVP 1 0.960 SLAG1 1 11.216 CLAG1 1 3.114 CITYCAR 1 20.663
Unusual Observations
Obs MLAG1 SEDAN Fit SE Fit Residual St Resid 6 73 9.000 3.352 0.724 5.648 2.41R 9 81 10.000 5.267 0.763 4.733 2.03R 12 113 10.000 5.769 1.297 4.231 2.03R 23 78 1.000 5.530 1.003 -4.530 -2.02R
R denotes an observation with a large standardized residual.
3.
City car
The regression equation is
CITYCAR = - 5.76 + 0.0651 MLAG1 + 0.0698 MVP - 0.291 SLAG1 + 0.495 SEDAN
+ 0.301 CLAG1
41 cases used, 1 cases contain missing values
Predictor Coef SE Coef T P Constant -5.757 4.617 -1.25 0.221 MLAG1 0.06508 0.04815 1.35 0.185 MVP 0.06977 0.04953 1.41 0.168 SLAG1 -0.2907 0.2922 -0.99 0.327 SEDAN 0.4951 0.2671 1.85 0.072 CLAG1 0.3006 0.1948 1.54 0.132
S = 4.06020 R-Sq = 35.7% R-Sq(adj) = 26.5%
Analysis of Variance
Source DF SS MS F P Regression 5 320.04 64.01 3.88 0.007 Residual Error 35 576.98 16.49
(6)
Source DF Seq SS MLAG1 1 157.19 MVP 1 76.67 SLAG1 1 0.00 SEDAN 1 46.93 CLAG1 1 39.26
Unusual Observations
Obs MLAG1 CITYCAR Fit SE Fit Residual St Resid 23 78 17.000 6.358 1.062 10.642 2.72R 42 99 23.000 12.946 1.674 10.054 2.72R