III. METODOLOGI PENELITIAN
3.3. Metodologi Penelitian
3.3.2. Pengolahan dan Analisis Data
Semua data yang telah diperoleh kemudian diolah dan dianalisis sehingga mampu memberi gambaran terhadap permasalahan dalam penelitian ini. Metode pengolahan dan analisis data yang digunakan dalam penelitian ini akan diuraikan secara kuantitatif dan kualitatif, dengan menggunakan alat pengolah data
Minitab 14 dan Microsoft Excel.
Dalam penelitian ini analisis kualitatif digunakan untuk mengetahui keunggulan kompetitif produk yang dimiliki perusahaan bila dibandingkan dengan produk nursery lainnya dan mengetahui keadaan umum perusahaan. Salah satu cara yang digunakan dalam analisis kualitatif adalah melalui proses observasi dan wawancara langsung kepada pihak manajemen dan konsumen.
Analisis kuantitatif juga digunakan untuk melakukan peramalan penjualan bunga adenium selama satu tahun kedepan dengan terlebih dahulu memilih metode peramalan penjualan yang terbaik dengan menggunanakan analisis time series, sehingga hasil peramalan penjualan dapat menjadi masukan dalam mengantisipasi terjadinya penurunan penjualan kembali di tahun berikutnya. Dari plot data yang dilakukan dengan metode time series, dapat diamati apakah suatu deret waktu berfluktuasi cukup tajam, meningkat,
menurun atau cenderung konstan. Menurut Aritonang (2002), beberapa komponen yang mungkin terkandung dalam suatu data deret waktu adalah sebagai berikut :
a. Komponen trend yang ditunjukan dengan adanya peningkatan atau penurunan dalam suatu periode waktu. Teknik peramalan yang perlu dipertimbangkan pada peramalan data trend adalah pemulusan eksponensial linier Holt, regresi linier sederhana, kurva pertumbuhan, metode eksponensial dan model rata-rata terintegrasi bergerak autoregresif (ARIMA) atau Box-Jenkins. b. Komponen musiman yang ditunjukan dengan pola berulang
dari waktu ke waktu. Variasi musiman biasanya timbul karena adanya pengaruh cuaca suatu musim tertentu. Teknik yang perlu dipertimbangkan dalam peramalan data musiman terdiri dari metode dekomposisi klasik, pemulusan eksponensial winters, dan ARIMA atau Box-Jenkins.
c. Komponen siklis yang ditunjukan dengan fluktuasi bergelombang yang biasanya dipengaruhi keadaan ekonomi secara umum. Pola ini cenderung berulang dalam jangka waktu lebih dari dua tahun (jangka panjang). Teknik peramalan yang perlu dipertimbangkan pada peramlan ini yaitu dekomposisi klasik, regresi berganda, dan ARIMA.
d. Komponen irregular yang menyatakan keragaman data deret waktu setelah komponen-komponen lain disisihkan. Komponen ini disebabkan oleh faktor-faktor yang tidak terduga dan dianggap sebagi pengaruh acak. Teknik yang perlu dipertimbangkan pada peramalan ini adalah metode naïve, metode rata-rata sederhana, metode rata-rata bergerak sederhana, rata-rata pemulusan eksponensial linier Holt sederhana, dan ARIMA.
1. Metode Regresi
Metode ini merupakan suatu penyederhanaan pola hubungan suatu variabel dengan satu atau lebih variabel lain. Variabel yang nilainya tergantung atau ditentukan oleh variabel lain disebut
dependent variabel (variabel terikat), sedangkan variabel yang
lainnya tidak dipengaruhi apapun disebut variabel independent
(variabel bebas). Dua bentuk metode regresi, yaitu :
a. Regresi sederhana, yang terdiri dari satu unsur variabel yang diramal dengan satu variabel yang mempengaruhinya.
b. Regresi berganda, yang terdiri dari satu variabel yang diramal dengan beberapa variabel yang mempengaruhinya.
Menurut Rangkuti (2002), persamaan variabel yang diperoleh dari proses perhitungan regresi, haru diuji secara statistik nilai koefisien regresinya. Apabila semua koefisien regresi signifikan, persamaan regresi yang diperoleh dapat digunakan untuk memprediksi nilai variabel dependen, jika nilai-nilai variabel independen ditentukan. Besarnya pengaruh variabel independen terhadap variasi variabel dependen, dapat diukur dengan besarnya nilai koefisien determinasi (R2) yang dapat ditemukan pada hasil perhitungan. Secara umum model regresi dapat dituliskan sebagai berikut :
Y = f(X1, X2, …, Xn) + u
dimana :
Y = variabel tak bebas (dependen) Xi = variable bebas (independen) ke-i
i = 1,2, …, n
n = banyaknya variabel bebas
Menurut Aritonang R, (2002) dalam peramalan yang menggunakan regresi variabel yang diramalkan disebut kriterium atau variable dependen (VD atau dilambangkan dengan Y) atau variabel yang variasinya dimaksudkan untuk dijelaskan. Variabel yang digunakan untuk meramal disebut predictor atau variabel
independent (VI atau dilambangkan dengan X) atau variabel yang berfungsi untuk menjelaskan variasi VD. Untuk mengidentifikasi VD dan VI seyogyanya digunakan teori yang ada mengenai variabel- variabel itu. Misalnya, bila VD-nya adalah volume penjualan suatu produk maka VI-nya bias diidentifikasikan dari teori-teori yang ada dalam manjemen pemasaran.
Persamaan linier atau garis lurus dalam analisis regresi adalah semua unsur dalam persamaanya memiliki pangkat sebesar satu. Analisis regresi linier sederhana dinyatakan dengan persamaan sebagai berikut :
- Populasi (parameter) : Y’ = α + βX + ε ; ε = epsilon
- Sampel (pemeriksa, statistic, estimator): Y’ = α + βX + e; e = error = Y’ – Y
Pada persamaan sampel yang lazim digunakan memiliki unsur yang terdapat didalamnya yaitu a, b , dan e merupakan estimator atas
α, β, dan ε. Unsur α (konstanta atau intersept) menunjukan besarnya nilai Y yang diprediksikan bila nilai X sama dengan nol. Unsur b (koefisien regresi/ gradient/ slop/ tangen) menunjukan besarnya perubahan nilai yang diprediksikan (Y’) bila nilai X berubah sebesar satu unit. Sedangkan unsur e menunjukan besarnya kekeliruan yang terjadi pada peramalan nilai Y yang dilakukan berdasarkan nilai X. Ini ditunjukkan oleh selisih nilai Y yang diprediksikan (Y’) dan nilai Y nyata atau yang diobservasi.
Sebelum persamaan regresi yang telah diidentifikasikan digunakan untuk tujuan peramalan, kita perlu melakukan uji signifikasi terhadap α, β, maupun r. Tujuan uji signifikasi itu adalah unutk mengetahui apakah hasil yang diperoleh itu bukan semata- mata karena kekeliruan yang mungkin terjadi dalam proses pengambilan sample dari populasinya.
Analisis ini bertujuan untuk menguji signifikasi. Pelaksanaan uji signifikasi itu menuntut penentuan taraf signifikasi (lazim
dilambangkan dengan α), dan biasanya adalah sebesar 5% atau 1%. Bila taraf signifikasi itu dikurangi dari 1 maka hasilnya dinamakan taraf keyakinan (df, derajat kebebasan) dalam uji signifikasi juga harus dihitung dengan rumus yang sesuai dengan pengujian yang dilakukan. Kesimpulan umum dalam uji signifikasi adalah sebagai berikut :
a. bila statistik observasi lebih besar atau sama dengan statistik uji pada taraf signifikasi 1%, maka statistik observasi itu berbeda secara sangat signifikan dari nol.
b. bila statistik observasi lebih kecil daripada statistik uji pada taraf signifikasi 5%, maka statistik observasi itu tidak berbeda secara signifikan.
c. bila statistik observasi lebih besar atau sama dengan statistik uji pada taraf signifikasi 5%, maka statistik observasi itu berbeda secara signifikan dari nol.
2. Metode Time Series
Metode ini adalah suatu teknik peramalan yang didasarkan atas analisis perilaku atau nilai masa lalu suatu variabel yang disusun menurut urutan waktu. Dalam membuat peramalan ini dibutuhkan data historis penjualan, yang selanjutnya akan dianalisis dengan menggunakan parameter waktu sebagai dasar analisis. Untuk dapat menggunakan data deret waktu dalam membuat suatu proyeksi, perlu diketahui beberapa asumsi yang penting, yaitu adanya ketergantungan kejadian masa dating terhadap masa sebelumnya, aktivitas di masa depan mengikuti pola yang terjadi di masa lalu, dan hubungan atau keterkaitan masa lalu dapat ditentukan dengan observasi atau penelitian. Proses analisis time series memperlakukan data asli (runtut waktu) sebagai produk dari komponen-komponen, yaitu data tahunan merupakan produk dari fluktuasi trend, siklus, musiman dan fluktuasi tak tentu, yang dinyatakan sebagai berikut : Y = T x C x S x I
Y = nilai sebenarnya T = trend sekuler C = pergerakan siklus S = fluktuasi musiman I = variasi tak beraturan
Dalam peramalan time series, metode peramalan terbaik adalah metode yang memenuhi kriteria ketepatan ramalan. Kriteria ini berupa mean absolute deviation (MAD), mean square of error
(MSE), mean absolute percentage of error (MAPE).
MAD = [ ∑ (Yt – Ŷt) ] / n MSE = [ ∑ (Yt – Ŷt)2 ] / n MAPE = [ ∑ ((Yt – Ŷt) / Yt)] / n dimana : Yt = nilai aktual Ŷt = nilai ramalan
(Yt – Ŷt ) = kesalahan ramalan (error)
n = banyaknya data
Prosedur peramalan penjualan dengan metode time series adalah sebagai berikut :
1. Tentukan pola data penjualan. Dengan memplotkan data secara grafis dan menyimpulkan apakah data itu berpola trend, siklikal, musiman, atau acak.
2. Mencoba beberapa metode time series yang sesuai dengan pola penjualan tersebut untuk melakukan peramalan. Semakin banyak metode yang dicoba semakin baik. Pada setiap metode, sebaiknya dilakukan peramalan dengan parameter yang berbeda.
3. Mengevaluasi tingkat kesalahan masing-masing metode yang telah dicoba. Tingkat kesalahan diukur dengan kriteria MAD, MSE, MAPE, atau lainnya. Sebaiknya nilai tingkat kesalahan (apakah MAD, MSE, atau MAPE) ini ditentukan dulu, tidak
ada ketentuan mengenai beberapa tingkat kesalahan maksimal dalam peramalan.
4. Memilih metode terbaik diantara metode yang dicoba. Metode terbaik adalah metode yang memberikan tingkat kesalahan terkecil disbanding metode lainnya dan tingkat kesalahan tersebut dibawah batas kesalahan yang telah ditetapkan.
5. Melakukan peramalan penjualan dengan metode terbaik yang telah dipilih.
Plot autokorelasi dilakukan untuk menunjukan keeratan hubungan antara nilai variabel yang sama pada periode waktu yang berbeda.
1. Apabila nilai koefisien autokorelasi pada time lag dua atau tiga periode tidak berbeda dari nyata dari nol, maka data tersebut adalah data stasioner.
2. Apabila nilai koefisien autokorelasi pada beberapa time lag pertama secara berurutan berbeda dari nyata dari nol, maka data tersebut adalah data yang menunjukan pola trend.
3. Apabila nilai koefisien autokorelasi pada beberapa time lag yang mempunyai jarak yang sistematis berbeda dari nyata dari nol, maka data tersebut adalah data dengan komponen musiman.
Koefisien korelasi perlu diuji untuk menentukan apakah secara statistik nilainya berbeda secara signifikan dari nol atau tidak. Perhitungan yang dilakukan dengan rumus sebagai berikut dengan rentang -Zα/2 x SErk sampai dengan Zα/2 x SErk :
SErk = 1 / √n
dimana :
SErk = standar error dari autokorelasi pada lag k
ri = autokorelasi pada lag ke-1 k = time lag
Koefisien autokorelasi disimpulkan tidak berbeda secara signifikan dari nol apabila nilainya berada diantara rentang nilai tersebut dan sebaliknya, berbeda secara signifikan dari nol apabila berada diluar rentang tersebut (Sugiarto dan Harijono, 2000).
Berdasarkan rumus tersebut (α = 5%), diperoleh rentang untuk menentukan koefisien autokorelasi berbeda atau tidak dari nol adalah sebesar +/- 0,479.
Formulasi peramalan berdasarkan pola data yang sesuai : 1. Metode Trend
- Formulasi trend linier Yt = b0 + b1t
dimana : B0 = intersept
B1 = slope
t = periode (variable bebas) - Formulasi trend kuadratik Yt = b0 + b1t + + b2 t2
2. Metode Rata-rata
- Metode rata-rata sederhana (simple average) Ŷt-1 = (Y1 + Y2 + … + Yt) / t
Metode ini cocok untuk meramalkan data time series yang memiliki data stasioner.
- Metode rata-rata bergerak sederhana (single moving average) Ŷt+1 = (Yt + Yt-1 + Yt-2 + … + Yt-k+1 ) / k
Metode ini seperti halnya dengan single average, cocok untuk meramalkan data time series yang memiliki data stasioner.
- Metode rata-rata bergerak berganda (double moving average) Mt = Ŷt+1 = (Yt + Yt-1 + Yt-2 + … + Yt-k+1 ) / k
M’t = Mt + Mt-1 + Mt-2 + … + Mt-k-1) / k
at = Mt + (Mt + M’t) = 2Mt – M’t
bt = (Mt + M’t) – 2 / k -1
dimana :
k = nilai periode moving average
Mt = moving average pertama
M’t = moving average kedua
P = peramalan periode kedua 3. Metode Pemulusan Eksponensial
- Metode pemulusan eksponensial tunggal Ŷt-1 = α Yt + (1 – α) Ŷt nilai awal, Ŷ1 = S0 = a = (Y1 + Y2 + … + Yn-1 + Yn ) / n dimana : a = intersep S0 = pemulusan tahap 1 Ŷt = a
- Metode pemulusan eksponensial tunggal : pendekatan adaptif Ŷt-1 = α Yt + (1 – α) Ŷt αt+1 = | Et / Mt | Et = β t + (1 – β) Et-1 M = β | t | + (1 – β) Mt-1 t = Xt - Ft dimana :
Ŷt-1 = ramalan permintaan per produk pada satu periode ke
depan setelah periode t αt+1 = konstanta pemulusan
Et = unsur gulat yang dihaluskan
M = unsur gulat absolute yang dihaluskan t = error
Xt = nilai aktual
Ft = nilai ramalan
- Metode pemulusan eksponensial ganda : metode linier satu parameter dari Brown (double exponential smoothing)
dimana :
at = 2 St – St (2) (update intersep)
bt = [ α / ( 1 – α ) ] ( St – St (2) )
St = α Yt + (1 – α) St-1 (pemulusan tahap 1)
St (2) = α St + (1 – α) St-1(2) (pemulusan tahap 2)
T = jumlah periode waktu ke depan
- Metode pemulusan eksponensial ganda : metode dua parameter dari Holt (exponential smoothing linier trend)
St = α Xt + (1 – α) (St-1 + bt-1)
bt = γ (St + St-1) + (1 – γ) bt-1
Ft+m = St + bt+m = ramalan permintaan produk periode t+m
- Metode pemulusan eksponensial triple (metode Brown triple exponensial smoothing) St = α Yt + (1 – α) St-1 (pemulusan tahap 1) St (2) = α St + (1 – α) St-1(2) (pemulusan tahap 2) St (3) = α S (2) t + (1 – α) St-1(3) (pemulusan tahap 3) at = 3 St – 3 St (2) + 3 St (3) (update intersep) b1,t = [ α / 2( 1 – α )2)][(6 - 5α) St – 2 (5 - 4α) St (2) + (4 – 3α) St (3) )] b2,t = [α2 / 2 ( 1 – α )2 )] [( St – 2St (2) ) + St (3) ] (update slope)
Ramalan pada T periode setelah t adalah : Ŷt-T = at + bt + ½ b2.t( T2 )
nilai awal : a0 = a (intersep)
b1,0 = b1 (slope)
½ b2.t (T2) = b2 (slope)
model regresi dugaan Ŷt = a+ b1 (t)+ b2.t( t2 )
nilai awal untuk hasil pemulusan adalah :
S0 = a – [ (1 - α) / α] (b1) + [(1 – α) (2 – α) / (2α2)] (2b2)
S0 (2)= a – [ 2(1 - α) / α] (b1) + [2(1 – α) (3 – 2α) / (2α2)] (2 b2)
4. Metode Winter’s (model multiplikatif) Yt = a – (Yt / St-L ) + (1 – α ) ( at-1 + bt-1 ) bt = β (at – a t-1) + (1 – β) bt-1 Snt = γ (Yt / at ) + (1 – γ ) St-L Ŷt+m = (at – mbt) Snt-L+m dimana :
Yt = data aktual produk pada periode t
at = pemulusan terhadap deseasonalized data pada periode t
bt = pemulusan terhadap dugaan trend pada periode t
Snt = pemulusan terhadap dugaan musim pada periode t
Ŷt+m= ramalan m periode kedepan setelah periode t pada
masing-masing produk α,β,γ= pembobotan pemulusan