Lokasi dan Waktu Penelitian Pengumpulan Data Pengolahan dan Analisis Data

24

3.2 Lokasi dan Waktu Penelitian

Penelitian ini dilaksanakan di Perusahaan beralamat di Jl. Ciater Raya BSD No. 98 Rt. 004 Rw. 009, Ciater, Serpong–Tangerang, Banten. Penelitian ini dilaksanakan pada bulan Maret-Mei 2011.

3.3 Pengumpulan Data

Data yang digunakan adalah data historis penjualan produk Tahu Kita dari masing-masing lima 5 outlet yang terpilih dan data lain yang relevan. Data penjualan yang digunakan adalah penjualan produk Tahu Kita di lima 5 outlet dengan penyebaran dari tahun 2008 - 2010. Informasi dan pengumpulan data yang dikumpulkan meliputi data primer dan sekunder, serta jenis data kualitatif dan kuantitatif. Data primer merupakan data yang didapat dari sumber utama, individu atau perseorangan, seperti dari hasil analisa dan pengamatan langsung di lapangan, serta wawancara langsung dengan pihak manajemen perusahaan sebagai narasumber. Sedangkan data sekunder merupakan data primer yang diperoleh pihak lain atau telah diolah dan disajikan baik oleh pengumpul data primer maupun oleh pihak lain, atau data pelengkap dari data primer yang dikumpulkan dari literatur-literatur, studi pustaka atau laporan internal perusahaan data penjualan Tahu Kita dari tahun 2008 – 2010, kebijakan dan peraturan perusahaan sejarah umum perusahaan, visi dan misi perusahaan baik itu berupa laporan bulanan dan tahunan manajemen perusahaan ataupun tulisan yang berkaitan dengan penjualan, produksi dan pemasaran Tahu Kita.

3.4 Pengolahan dan Analisis Data

Pengolahan dan analisis data yang digunakan dalam penelitian dilakukan secara kualitatif dan kuantitatif. Analisis kualitatif menggabungkan faktor-faktor seperti intuisi pengambil keputusan, emosi, pengalaman pribadi dan sistem nilai. Analisis kualitatif menggambarkan keadaan umum perusahaan dan mengetahui permasalahan yang terjadi 25 dalam usaha tersebut. Sedangkan analisis kuantitatif menggunakan model matematik yang beragam dengan data masa lalu dan peubah sebab akibat untuk meramalkan permintaan. Analisis kuantitatif yang dilakukan untuk analisis peramalan penjualan produk Tahu Kita selama 15 periode mendatang di lima 5 outlet menggunakan beberapa metode peramalan time series dengan pertimbangan data penjualan adalah deret waktu, artinya disajikan berdasarkan waktu kejadian tanpa menunjukkan faktor-faktor yang mempengaruhinya, yaitu metode trend analysis, metode Single Exponential Smoothing, metode Double Exponential Smoothing Holt, metode Decomposition Additive, metode Decomposition Multiplicative, metode Moving Average dan metode ARIMA. Hasil peramalan tersebut digunakan untuk menetapkan target penjualan produk Tahu Kita di PT. Kitagama dan dapat dijadikan acuan perusahaan untuk menyususun perencanaan produksi terbaik di masa mendatang. Data kuantitatif tersebut diolah dengan menggunakan Microsoft Excel dan Minitab 14. Peramalan penjualan produk Tahu Kita di lima 5 outlet dapat diidentifikasi melalui pemetaan data dan pemetaan autokorelasi, yang kemudian ditabulasikan dalam bentuk tabel dan kurva dengan menggunakan Minitab 14. Dengan melakukan plot data tersebut dapat diketahui pemetaan data penjualan sementara, sehingga diketahui apakah data tersebut memiliki unsur trend, siklus atau musiman, karena berguna untuk menduga sementara metode peramalan yang digunakan. Menurut Heizer dan Render 2006, time series mempunyai empat 4 komponen, yaitu tren, musim, siklus dan variasi acak random variation. 1. Tren merupakan pergerakan data sedikit demi sedikit meningkat atau menurun. Perubahan pendapatan, populasi, penyebaran umur, atau pandangan budaya dapat mempengaruhi pergerakan tren. 2. Musim adalah pola data yang berulang pada kurun waktu tertentu seperti hari, minggu, bulan, atau kuartal. 26 3. Siklus adalah pola dalam data yang terjadi setiap beberapa tahun. Siklus ini biasanya terkait pada siklus bisnis dan merupakan satu hal penting dalam analisis dan perencanaan bisnis jangka pendek. Memprediksi siklus bisnis sulit, karena dipengaruhi oleh kejadian politik ataupun kerusuhan internasional. 4. Variasi acak merupakan satu titik khusus dalam data yang disebabkan oleh peluang dan situasi yang tidak biasa. Variasi acak tidak mempunyai pola khusus, jadi tidak dapat diprediksi. Menurut Handoko 1984, metode time series merupakan metode peramalan runtut waktu mencoba untuk meramalkan kejadian-kejadian di waktu mendatang atas dasar serangkaian masa lalu. Serangkaian data ini merupakan serangkaian observasi sebagai peubah menurut waktu dan biasanya ditabulasi, serta digambarkan dalam bentuk grafik yang menunjukkan peubah subyek. Komponen-komponen time series pada umumnya diklasifikasikan sebagai Trend T, Musiman atau seasional M, Siklikal atau cyclical S dan residu atau eratic E. Dalam model klasik time series, nilai ramalan Y merupakan fungsi perkalian dari komponen- komponen tersebut : Y= T X S X C X E ………………………………………… 9 Pemilihan metode peramalan time series dilakukan pada masing- masing wilayah sesuai dengan data penjualannya. Metode yang dipilih adalah metode yang sesuai dan tepat, yaitu dalam menilai seberapa jauh model menghasilkan sebuah ramalan yang tak jauh berbeda dengan keadaan aktual. Keakuratan keseluruhan peramalan dapat dilihat dari membandingkan nilai yang diramal dengan nilai aktual. Ada beberapa perhitungan yang digunakan untuk menghitung kesalahan peramalan total, yaitu simpangan rataan absolut MAD, kesalahan rataan kuadrat MSE dan kesalahan 27 persen rataan absolut MAPE. MAD = [ Y t – Y t ] n ………………………………… 10 MSE = [ Y t – Y t 2 ] n ………………………………… 11 MAPE = [ Y t – Y t Y t ] n …………………………... 12 dimana : Y t = nilai aktual Y t = nilai ramalan Y t – Y t = kesalahan ramalan galat n = banyaknya data Prosedur peramalan dengan metode time series Baroto, 2002 adalah : a. Tentukan pola data penjualan, dengan memetakan data secara grafis dan menyimpulkan apakah data itu berpola trend, musiman, siklikal, atau eratikacak. b. Mencoba beberapa metode time series yang sesuai dengan pola penjualan tersebut untuk melakukan peramalan. Metode yang dicoba semakin banyak, maka semakin baik. Pada setiap metode, sebaiknya dilakukan peramalan dengan parameter berbeda. c. Mengevalusi tingkat kesalahan masing-masing metode yang telah dicoba. Tingkat kesalahan diukur dengan kriteria MAD, MSE, MAPE, atau lainnya. Sebaiknya nilai tingkat kesalahan MAD, MSE, atau MAPE ditentukan dulu. Dalam hal ini, tidak ada ketentuan mengenai berapa tingkat kesalahan maksimal dalam peramalan. d. Memilih metode terbaik diantara metode yang dicoba. Metode terbaik adalah metode yang memberikan tingkat kesalahan terkecil dibandingkan metode lainnya dan tingkat kesalahan tersebut di bawah batas tingkat kesalahan yang ditetapkan. e. Melakukan peramalan dengan metode terbaik yang telah dipilih. 28 Pemetaan autokorelasi dilakukan dengan menunjukkan keeratan hubungan antara nilai peubah yang sama pada periode waktu berbeda. 1 Apabila nilai koefisien autokorelasi pada time lag dua atau tiga periode tidak berbeda nyata dari nol, maka data tersebut adalah data stasioner. 2 Apabila nilai koefisien autokorelasi pada beberapa time lag pertama secara berurutan berbeda nyata dari nol, maka data tersebut adalah data yang menunjukkan pola trend. 3 Apabila nilai koefisien pada beberapa time lag yang mempunyai jarak sistematis berbeda nyata dari nol, maka data tersebut adalah data komponen musiman. a. Metode Trend Metode ini menggambarkan pergerakan data sedikit demi sedikit meningkat atau menurun. Dalam hal ini, perubahan pendapatan, populasi, penyebaran umur, atau pandangan budaya dapat mempengaruhi pergerakan tren. Persamaan peramalan dengan metode Trend Linear adalah : Ŷ t = b + b 1 t ………………………………………………………. 13 dimana : b = intersept = potongan b 1 = slope t = periode peubah bebas Persamaan peramalan dengan metode Trend Quadratic adalah : Ŷ t = b + b 1 t + b 2 t 2 ………………………………………………. 14 b. Metode Dekomposisi Metode ini digunakan untuk memisahkan komponen-komponen pola data yang menunjukkan karakteristik seperti pola trend, musiman dan siklikal. Metode dekomposisi dibagi menjadi dua 2 model, yaitu model dekomposisi aditif dan dekomposisi multiplikatif. 29 1. Model Dekomposisi Aditif Ŷ t = T t + C t + S t + E t …………………………………………. 15 dimana : T t = komponen trend pada periode t C t = komponen siklis pada periode t S t = komponen musiman pada periode t E t = komponen kesalahan atau random pada periode t 2. Model Dekomposisi Multiplikatif Ŷ t = T t + C t + S t + E t …………………………………………. 16 c. Metode Pemulusan Eksponensial Penghalusan Eksponensial exponential smoothing merupakan metode peramalan rataan bergerak dengan pembobotan canggih, namun masih mudah digunakan. Metode ini menggunakan sangat sedikit pencatatan data masa lalu. Rumus penghalusan eksponensial dibagi menjadi : 1 Metode penghalusan eksponensial tunggal Metode yang menyediakan rataan bergerak tertimbang secara eksponensial semua nilai pengamatan yang lalu Hanke, et al., 2003. Ŷ t+1 = α Y t + 1 – α Ŷ t d …………………………………...... 17 dimana : Ŷ t+1 = nilai ramalan untuk periode berikutnya Α = konstanta pemulusan 0 α 1 Y t = data batu atau nilai Y yang sebenarnya pada periode t Ŷ t =nilai pemulusan yang lama atau rataan yang di muluskan hingga periode berikutnya 2 Metode penghalusan eksponensial ganda Hal ini merupakan metode linear satu 1 parameter dari Brown double exponential smoothing. Ŷ t+p = a t + b t P …………………………………………….. 18 30 dimana : a t = 2 A t – A t’ b t = α1-α A t – A t’ A t = α Y t + 1- α A t-1 A t’ = α A t + 1- α A t-1 P = jumlah periode yang akan diramalkan d. Metode Rataan Metode rataan terdiri dari : 1 Metode rataan sederhana simple average Ŷ t+1 = Y 1 + Y 2 + ... + Y t t ……………………………...…… 19 Metode rataan sederhana menggunakan semua data tersedia dan cocok meramalkan data time series dengan data stasioner. 2 Metode rataan bergerak sederhana simple moving average Ŷ t+1 = Y t + Y t - 1 + Y t - 2 + ... + Y t-k+1 k ……………………… 20 Metode ini seperti halnya simple average dan cocok untuk meramalkan data time series dengan data stasioner. 3 Metode rataan bergerak berganda double moving average M t = Ŷ t+1 = Y t + Y t - 1 + Y t - 2 + ... + Y t-k+1 k …………….…. 21 M’ t = M t + M t-1 + M t-2 + ... + M t-k+1 k ……………………… 22 a t = M t + M t – M’ t – 2M t ‘ t ………………………………... 23 b t = M t – M’ t – 2 k-1 ……………………………………... 24 Ŷ t+1 = a t + b t p ………………………………………………… 25 dimana : k = nilai periode moving average M t = moving average pertama M’ t = moving average kedua p = peramalan periode kedua 31 e. ARIMA Metode ini secara murni melakukan prediksi hanya sebesar data-data historis yang ada. Selain dikenal dengan nama ARIMA, metode ini populer pula dengan sebutan metode Box-Jenkins, karena dikembangkan oleh dua statistikawan Amerika Serikat, yakni G.E.P Box dan G.M Jenkins pada tahun 1970. Proses ARIMA dapat dinyatakan sebagai : ARIMA p, d, q ………………………………………………….. 26 Dimana : p = angka untuk autoregressive AR d = angka untuk order differencing q= angka untuk moving average MA 32

IV. HASIL DAN PEMBAHASAN