I. PENDAHULUAN
1.1. Latar Belakang
Hampir seluruh kegiatan manusia senantiasa diarahkan pada kondisi waktu
yang akan datang, dimana keberadaannya tidak dapat diketahui secara pasti. Hal
yang juga terjadi pada kegiatan perusahaan. Semua perusahaan beroperasi dalam
suasana ketidakpastian. Terlepas dari kenyataan ini, keputusan harus diambil
dimana dampaknya baru dirasakan oleh perusahaan dimasa yang akan datang.
Untuk meminimalkan ketidakpastian itu dapat dilakukan dengan metode atau
pendekatan peramalan (forecasting). Menurut Hanke et, al. (2003), tebakan ilmiah mengenai masa depan lebih bernilai bagi perusahaan di bandingkan dengan
tebakan non-ilmiah. Tebakan ilmiah yaitu peramalan yang berdasarkan
metode-metode manipulasi data secara logis yang dihasilkan dari kejadian-kejadian masa
lalu. Dengan pendekatan peramalan dapat diidentifikasikan pola-pola yang dapat
digunakan untuk meramalkan kondisi pada waktu yang akan datang, sehingga dari
hasil peramalan itu, eksekutif perusahaan dapat membuat perencanaan yang
diperlukan untuk dilaksanakan pada masa yang akan datang.
Peramalan dan perencanaan merupakan hal-hal yang berkaitan dengan masa
yang akan datang. Mata rantai proses manajemen adalah peramalan perencanaan
dan pembuatan keputusan.Walaupun hasil dari peramalan tidak pernah secara
mutlak tepat, akan tetapi peran peramalan diperlukan untuk pertimbangan dalam
pengambilan keputusan, karena dengan melakukan peramalan para perencana dan
pengambil keputusan dapat mempertimbangkan alternatif-alternatif yang lebih
luas daripada tanpa peramalan. Peramalan penjualan sangat penting dalam
mengkaji situasi dan kondisi pada masa depan dan dapat digunakan untuk
memperkirakan apa yang akan terjadi di masa mendatang. Dengan melihat pada
kondisi data di masa sekarang hal ini diperlukan untuk dapat melaksanakan
kebijaksanaan yang akan di ambil perlu melakukan perkiraan akan kesempatan
atau peluang yang ada.
Berdasarkan definisi dan kegunaan yang telah dijabarkan, maka PT S-IK
Indonesia yang merupakan perusahaan yang bergerak dalam bidang manufaktur
bahan baku plastik), perlu menerapkan peramalan penjualan dengan menggunakan
pendekatan peramalan yang ada guna untuk mendapatkan suatu perencanaan yang
baik untuk mencapai target yang ingin dicapai oleh perusahaan serta
meningkatkan kualitas dan kuantitas penjualannya. Selama ini PT S-IK Indonesia
dalam menerapkan peramalan penjualannya masih menggunakan metode
kualitatif, yakni metode peramalan berdasarkan intuisi atau pertimbangan seorang
manajer dalam pengambilan keputusan. Dimana dalam hal ini, PT S-IK Indonesia
hanya menggunakan informasi-informasi yang ada untuk meramalkan kondisi
penjualannya di masa yang akan datang. Informasi itu diperolehnya dari setiap
konsumen yang menggunakan bahan baku plastik yang di olah oleh PT S-IK
Indonesia. Oleh karena itu melalui penelitian ini peneliti berusaha untuk
memberikan sebuah usulan atau alternatif peramalan penjualan dengan
menggunakan pendekatan peramalan kointegrasi. Dimana pendekatan ini
perhitungannya berdasarkan analisis hubungan numerik dari data-data
sebelumnya.
PT S-IK Indonesia dalam kegiatan operasionalnya mengolah delapan jenis
bahan baku plastik, meliputi PP (Polypropylene), ABS (Acrylonitrile Butadiene Stryrene), PS (Polystyrene), PMMA (Polymethyl methacrylate), PE (Polyethylene), POM (Polyacetal / Polyoxymethylene), PA (Polyamide) dan PC (Polycarbonate). Masing-masing bahan baku plastik tersebut memiliki kegunaan yang berbeda-beda sesuai dengan karakteristik yang terkandung di dalamnya. PT
S-IK Indonesia sangat mengedepankan kualitas produk yang dihasilkan guna
untuk mempertahankan konsumen yang menggunakan produk-produk tersebut.
Bahan baku plastik yang akan diramalkan pada penelitian kali ini adalah
hanya mengambil tiga sampel bahan baku plastik yang terdapat pada PT S-IK
Indonesia yaitu ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropylene) dan PS (Polystyrene). Bahan baku plastik berjenis ABS dan PS ini kegunaannya hampir sama akan tetapi tidak luput dari karakteristik yang di kandung di
dalamnya yaitu cenderung digunakan untuk menghasilkan produk-produk
elektronik seperti casing atau rangka dari produk elektronik. Sedangkan bahan baku plastik berjenis PP cenderung digunakan untuk menghasilkan produk-produk
Karena konsumen dari PT S-IK Indonesia rata-rata perusahaan yang bergerak
dalam bidang elektronik dan otomotif, maka ketiga bahan baku plastik tersebut
lebih sering di pesan oleh konsumen dengan kata lain ketiga bahan baku plastik
tersebut merupakan bahan baku plastik utama pada PT S-IK Indonesia.
Gambar 1. Grafik penjualan produk ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropylene) dan PS (Polystyrene) selama 5 tahun terakhir
Dilihat dari grafik di atas, volume penjualan ketiga komoditi tersebut di
setiap tahunnya berfluktuatif, oleh karena itu PT S-IK Indonesia memerlukan
suatu pendekatan untuk melihat ramalan penjualan pada beberapa periode
kedepan serta mengetahui hubungan dan pengaruh antar komoditinya. Pendekatan
yang digunakan untuk melihat hubungan antar komoditi dalam penelitian ini yaitu
Pendekatan kointegrasi. Sedangkan analisis yang digunakan untuk menghitung
ramalan penjualan pada penelitian ini yaitu analisis dekomposisi varian atau
dikenal dengan Forecasting Error Variance Decomposition (FEVD), yaitu meramalkan penjualan produk dengan memperhatikan besarnya pengaruh produk
tertentu terhadap produk lainnya. Hasil peramalan dapat dijadikan gambaran dan
acuan oleh PT S-IK Indonesia dalam hal mengontrol penjualan dari ketiga
1.2. Perumusan Masalah
Berdasarkan latar belakang pada penelitian ini, maka permasalahan yang di
bahas yaitu sebagai berikut:
1. Menganalisis bagaimana hubungan kointegrasi antar ketiga komoditas ABS
(Acrylonitrile Butadiene Stryrene), PP (Polypropylene) dan PS (Polystyrene)?
2. Bagaimana peramalan penjualan ABS, PP dan PS untuk satu tahun ke
depan?
1.3. Tujuan Penelitian
Berdasarkan permasalahan yang telah dirumuskan, maka penelitian ini
bertujuan untuk:
1. Menganalisis hubungan kointegrasi antara ketiga komoditas yaitu ABS
(Acrylonitrile Butadiene Stryrene), PP (Polypropilene) dan PS (Polystyrene).
2. Menganalisis peramalan penjualan satu tahun ke depan dari komoditas
ABS, PP dan PS.
1.4. Manfaat Penelitian
Penelitian ini diharapkan dapat memberikan informasi dan masukan bagi
berbagai pihak yang berkepentingan, diantaranya:
1. Bagi PT. S-IK Indonesia, dapat dijadikan sebagai bahan pertimbangan
dalam mengambil suatu keputusan dan dapat mengetahui proyeksi
peramalan penjualan serta pengaruh dan hubungan antar produk terutama
pada komoditas ABS, PP dan PS untuk periode selanjutnya.
2. Bagi peneliti lain, dapat dijadikan referensi bagi pihak perpustakaan sebagai
bahan bacaan bagi mahasiswa yang membutuhkan untuk lebih memahami
pengaplikasian metode peramalan dengan menggunakan metode
kointegrasi.
3. Bagi penulis, membantu penulis untuk melatih menganalisa suatu
permasalahan serta mengaplikasikannya dalam penelitian ini berdasarkan
1.5. Ruang Lingkup
Ruang lingkup pada penelitian ini dibatasi hanya menganalisis peramalan
penjualan tiga komoditas yaitu ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropylene) dan PS (Polystyrene) dengan menggunakan metode kointegrasi. Data yang digunakan pada penelitian ini diambil dari tahun 2006 sampai 2010
II. TINJAUAN PUSTAKA
2.1. Plastik
Plastik merupakan bahan yang terbentuk dari produk polimerisasi sintetik
atau semi-sintetik yang mempunyai sifat-sifat unik dan luar biasa. Polimer sendiri
adalah rantai berulang dari atom yang panjang, terbentuk dari pengikat yang
berupa molekul identik yang disebut monomer. Jika monomernya sejenis disebut
homopolimer, dan jika monomernya berbeda akan menghasilkan kopolimer.
Proses polimerisasi yang menghasilkan polimer berantai lurus mempunyai tingkat
polimerisasi yang rendah dan kerangka dasar yang mengikat antar atom karbon
dan ikatan antar rantai lebih besar daripada rantai hidrogen. Bahan yang
dihasilkan dengan tingkat polimerisasi rendah bersifat kaku dan keras (Mujiarto,
2005). Plastik merupakan polimer rantai panjang atom mengikat satu sama lain.
Rantai ini membentuk banyak unit molekul berulang, atau monomer. Plastik yang
umum terdiri dari polimer karbon saja atau dengan oksigen, nitrogen, chlorine
atau belerang di tulang belakang.
Bahan baku pembuatan plastik adalah minyak dan gas sebagai sumber
alami. Dalam perkembangannya minyak dan gas ini mulai digantikan oleh
bahan-bahan sintetis sehingga dapat diperoleh sifat-sifat plastik yang diinginkan dengan
cara kopolimerisasi, laminasi, dan ekstruksi. Polimer alam yang telah kita kenal
antara lain: selulosa, protein, karet alam dan sejenisnya. Pada awal mula
perkembangannya polimer alam hanya digunakan untuk membuat perkakas dan
senjata, tetapi keadaan ini hanya bertahan hingga akhir abad 19 dan selanjutnya
manusia mulai memodifikasi polimer menjadi plastik. Plastik yang pertama kali
dibuat secara komersial adalah nitroselulosa. Material plastik ini telah
berkembang pesat dan sekarang mempunyai peranan yang sangat penting
dibidang elektronika, pertanian, tekstil, transportasi, furniture, konstruksi,
kemasan kosmetik, mainan anak-anak dan produk-produk industri lainnya.
Untuk membuat barang-barang plastik agar mempunyai sifat-sifat seperti
yang dikehendaki, maka dalam proses pembuatannya selain bahan baku utama
diperlukan juga bahan tambahan aditif. Penggunaan bahan tambahan ini beraneka
dihasilkan. Berdasarkan fungsinya maka bahan tambahan atau bahan pembantu
proses dapat dikelompokkan menjadi: bahan pelunak (plasticsizer), bahan penstabil (stabilizer), bahan pelumas (lubricant), bahan pengisi (filler), pewarna (colorant), antistatic agent, blowing agent, flame. Bahan aditif yang ditambahkan tersebut disebut komponen non-plastik yang berupa senyawa anorganik yang
memiliki berat molekul rendah. Bahan aditif dapat berfungsi sebagai pewarna,
antioksidan, penyerap sinar UV, anti lekat, dll.
Secara garis besar, plastik dapat dikelompokkan menjadi dua golongan,
yaitu: plastik thermoplast dan plastik thermoset. Plastik thermoplast adalah plastik
yang dapat dicetak berulang-ulang dengan adanya panas. Yang termasuk plastik
thermoplast antara lain : PE, PP, PS, ABS, SAN, nylon, PET, BPT, Polyacetal
(POM), PC dll. Sedangkan palstik thermoset adalah plastik yang apabila telah
mengalami kondisi tertentu tidak dapat dicetak kembali karena bangun
polimernya berbentuk jaringan tiga dimensi. Yang termasuk plastic thermoset
adalah PU (Poly Urethene), UF (Urea Formaldehyde), MF (Melamine Formaldehyde), polyester, epoksi dll.
Penggunaannya tidak saja untuk keperluan rumah tangga, tetapi juga meluas
kepada kemasan, bangunan dan konstruksi, alat-alat elektronika dan
telekomunikasi, alat-alat listrik, alat-alat kantor dan sekolah, alat-alat kedokteran,
sandang dan dekorasi, transportasi dan mainan anak-anak. Plastik sering dipakai
dalam bentuk barang-barang yang bersifat dipakai buang, seperti lapisan
pengemas, namun ditemukannya juga pemakaianya dalam bahan-bahan yang
tahan lama. Tabel 1 memperlihatkan pembagian plastik dari material atau bahan
baku yang digunakan.
Tabel 1. Macam-macam Plastik
Kode Tipe Plastik Sifat Kegunaan
PET
(Polyethylene Terephthalate)
Bening, tangguh, tahan terhadap larutan kimia, kedap air dan gas, tahan terhadap temperatur hingga 80oC
Botol air mineral dan softdrink, plastik biskuit, botol selai HDPE (High Density Polyethylene)
Semi fleksibel-keras, tahan terhadap larutan kimiadan lembab, permukaan licin, buram, mudah diwarnai, tahan terhadap temperatur sampai 75oC
Lanjutan Tabel 1. Macam-macam Plastik
Kode Tipe Plastik Sifat Kegunaan
PVC (Polyvinyl chloride)
PVC U (Unplasticised) : Kuat, tangguh, tahan terhadap temperatur hingga 80oC
Kotak komestik, pipa air – fitting, pelapis tembok (dempul) PVC P (Plasticised):
Fleksibel, tidak tahan larutan kimia
Selang air, sol sepatu, kantong darah, tubing, wire insulation, tali jam
LDPE (Low Density Polyethylene)
Lunak, fleksibel, permukaan licin, bening, gampang tergores, tahan temperatur hingga 70oC
Plastik pembungkus nasi, plastik sampah, tempat sampah, selang irigasi, wrapping PP (Polypropylene)
Keras – fleksibel, permukaan licin, bening/jernih, tahan terhadap larutan kimia, tahan temperatur hingga 140oC
Serbaguna, wadah untuk pemanasan microwaves, kotak makanan, botol isi ulang, tube
PS (Polystyrene)
Clear, seperti gelas, kaku, buram/ berwarna, tahan temperatur hingga 95oC, tidak tahan terhadap larutan kimia
CD case, plastic cutlery (sendok garpu, pisau)
Other
Pada dasarnya, item ini merupakan kombinasi dari jenis-jenis plastik yang ada, contoh: SAN, ABS, PC SAN: Styrene Acrylonitrile ABS: Acrylonitrile Butadiene Styrene PC: Polycarbonate Part kendaraan, casing monitor, botol minuman, botol kecap, packaging
Sumber: http://www.plastics.org.nz
2.2. Bahan Baku Plastik Thermoplast
POLYPROPYLENE (PP)
Polypropylene merupakan polimer kristalin yang dihasilkan dari proses
POLYSTIRENE (PS)
Polistirene adalah hasil polimerisasi dari monomer-monomer stirena,
dimana monomer stirena-nya didapat dari hasil proses dehidroge nisasi dari etil
benzene (dengan bantuan katalis), sedangkan etil benzene-nya sendiri merupakan
hasil reaksi antara etilena dengan benzene (dengan bantuan katalis).
ACRYLONITRILE BUTADIENE STYRENE (ABS)
Acrylonitrile butadiene styrene (akrilonitril butadiene stirena, ABS)
termasuk kelompok engineering thermoplastic yang berisi 3 monomer pembentuk. Akrilonitril bersifat tahan terhadap bahan kimia dan stabil terhadap
panas. Butadiene memberi perbaikan terhadap sifat ketahanan pukul dan sifat liat
(toughness). Sedangkan stirena menjamin kekakuan (rigidity) dan mudah diproses. Beberapa grade ABS ada juga yang mempunyai karakteristik yang
bervariasi, dari kilap tinggi sampai rendah dan dari yang mempunyai impact resistance tinggi sampai rendah. Berbagai sifat lebih lanjut juga dapat diperoleh dengan penambahan aditif sehingga diperoleh grade ABS yang bersifat
menghambat nyala api, transparan, tahan panas tinggi, tahan terhadap sinar UV,
dll.
POLYVINYL CHLORIDE (PVC)
Polyvinyl chloride (PVC) merupakan hasil polimerisasi monomer vinil klorida dengan bantuan katalis. Pemilihan katalis tergantung pada jenis proses
polimerisasi yang digunakan.
POLYACETAL ATAU POLYOXYMETHYLENE (POM)
Polyacetal merupakan salah satu engineering plastic yang penting yang banyak digunakan di bidang eletronik, bangunan dan sector alat-alat tehnik. Ada 2
tipe poliasetal yaitu homopolimer dan kopolimer. Asetal homopolimer merupakan
polimer kristalin yang dibuat dari formaldehida. Resin ini secara tehnis disebut
polioksi metilena (POM). Asetal homopolimer dapat dicampur daengan aditif
seperti: antioksidan, lubrikan, filler, pewarna, UV stabilizer, dll. Resin ini aslinya
berwarna putih buram.
POLYCARBONATE (PC)
Polycarbonate merupakan engineering plastic yang dibuat dari reaksi
mempunyai sifat-sifat: jernih seperti air, impact strength-nya sangat bagus, ketahanan terhadap pengaruh cuaca bagus, suhu penggunaannya tinggi, mudah
diproses, flameabilitasnya rendah.
POLIAMIDA (NYLON)
Nylon merupakan istilah yang digunakan terhadap poliamida yang
mempunyai sifat-sifat dapat dibentuk serat, film dan plastik. Struktur nylon
ditunjukkan oleh gugus amida yang berkaitan dengan unit hidrokarbon ulangan
yang panjangnya berbeda-beda dalam suatu polimer.
POLYETHYLENE PEREPHTALATE (PET)
Polyethylene terephtalate yang sering disebut PET dibuat dari glikol (EG)
dan terephtalic acid (TPA) atau dimetyl ester atau asam terepthalat (DMT)
Sifat-sifat PET: PET merupakan keluarga polyester seperti halnya PC. Polymer PET
dapat diberi penguat fiber glass, atau filler mineral. PET film bersifat jernih, kuat,
liat, dimensinya stabil, tahan nyala api, tidak beracun, permeabilitas terhadap gas,
aroma maupun air rendah.
2.3. Teori Peramalan
Menurut Heizer dan Render (2006), peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan kejadian dimasa depan. Hal ini dapat dilakukan
dengan melibatkan pengambilan data masa lalu dan mendapatkannya ke masa
yang akan datang dengan suatu bentuk model matematis. Bisa juga merupakan
prediksi intuisi yang bersifat subjektif. Atau bisa juga dengan menggunakan
kombinasi model matematis yang sesuai dengan pertimbangan yang baik dari
seorang manajer.
Aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha
memperkirakan penjualan dan penggunaan produk sehingga produk-produk itu
dapat dibuat dalam kuantitas yang tepat. Dengan demikian peramalan merupakan
suatu dugaan terhadap permintaan yang akan datang berdasarkan pada beberapa
variable peramal, sering berdasarkan data deret waktu historis (Vincent, 2001).
Menurut Hanke et, al. (2003), tebakan ilmiah mengenai masa depan lebih bernilai bagi perusahaan di bandingkan dengan tebakan non-ilmiah. Tebakan
ilmiah yaitu peramalan yang berdasarkan metode-metode manipulasi data secara
peramalan diawali dengan pengeksplorasian pola data pada masa lalu guna
mengembangkan model yang sesuai dengan pola data itu dengan menggunakan
asumsi bahwa pola data pada masa lalu itu akan berulang lagi pada waktu yang
akan datang. Hasil pengolahan data masa lalu akan menjadi tolak ukur perusahaan
untuk membuat perencanaan langkah langkah yang akan diambil oleh perusahaan.
Tujuan peramalan adalah mengurangi rentang ketidakpastian dimana
pendapat pribadi (judgement) manajemen yang harus diambil. Tujuan ini mengarah kepada dua aturan utama yang harus diperhatikan pada proses
peramalan:
1. Peramalan harus secara teknik benar dan menghasilkan peramalan cukup
akurat dalam memenuhi kebutuhan perusahaan.
2. Prosedur peramalan dan hasilnya harus secara efektif disajikan kepada
manajemen sehingga peramalan dapat dipakai dalam proses pengambilan
keputusan demi keuntungan perusahaan dan hasilnya juga harus dijustifikasi
berbasis biaya manfaat.
Pertimbangan yang terakhir seringkali disalah-artikan dan dapat membuat
frustasi forecaster (peramal) professional. Namun jika ramalan akan digunakan
untuk keuntungan perusahaan, maka mereka yang mempunyai wewenang harus
memanfaatkannya.
2.4. Pendekatan dalam Peramalan
Menurut Heizer dan Render (2006), terdapat pendekatan umum peramalan,
yaitu analisis kuantitatif dan analisis kualitatif. Peramalan kuantitatif (quantitative forecast) menggunakan model matematis yang beragam dengan data masa lalu dan variable sebab akibat untuk meramalkan permintaan. Peramalan subjektif atau
kualitatif (qualitative forecast) menggabungkan faktor seperti intuisi, emosi, pengalaman pribadi, dan sistem ilai pengambil keputusan untuk meramal.
Menurut Gujarati (2003), ada lima pendekatan dalam peramalan ekonomi
berbasis data runtut waktu. Kelima pendekatan tersebut adalah:
1. Exponential smoothing method
Merupakan prosedur yang berkesinambungan merevisi ramalan dalam hal
lampau deret secara menurun (eksponensial). Pemulusan eksponensial
sederhana menyediakan rata-rata bergerak tertimbang secara eksponensial
semua nilai pengamatan yang lalu.
2. Single-equation regression method
Metode ini disebut juga analisis regresi sederhana yaitu hanya memiliki satu
variabel dependen dan satu variabel independen.
3. Simultaneous-equation regression model
Metode ini disebut juga analisis regresi berganda yaitu melibatkan
penggunaan lebih dari satu variabel bebas dalam prediksi variabel terikat.
4. Autoregressive integrated moving average (ARIMA) model
Model ARIMA berasal dari gabungan antara AR (autoregression) dan MA
(Moving Average) yang sudah didiferen. Konsep ini mendasar pada asumsi
bahwa “data speak for themselves”, karena nilai data pada masa sekarang
dipengaruhi oleh nilai data pada masa-masa sebelumnya.
5. Vector Auto Regression (VAR)
Vector Auto Regression (VAR) merupakan alat analisis atau metode statistik yang bisa digunakan baik untuk memproyeksikan sistem variabelvariabel
runtut waktu maupun untuk menganalisis dampak dinamis dari faktor
gangguan yang terdapat dalam sistem variabel tersebut. Selain itu, VAR
Analisis juga merupakan alat analisis yang sangat berguna, baik di dalam
memahami adanya hubungan timbal balik (interrelationship) antara variabel-variabel ekonomi maupun di dalam pembentukan model ekonomi
berstruktur.
2.5. Peramalan Penjualan
Peramalan penjualan sangat penting dalam mengkaji situasi dan kondisi
pada masa depan dan dapat digunakan untuk memperkirakan apa yang akan
terjadi di masa mendatang. Dengan melihat pada kondisi data di masa sekarang
hal ini diperlukan untuk dapat melaksanakan kebijaksanaan yang akan di ambil
perlu melakukan perkiraan akan kesempatan atau peluang yang ada.
dihasilkan dengan informasi dari berbagai sumber. Paling sedikit, perkiraan
penjualan untuk tahun depan akan mencerminkan:
1. Kecenderungan penjualan masa lalu yang diharapkan akan terulang lagi
pada tahun berikutnya
2. Pengaruh setiap peristiwa apapun yang mungkin secara material
mempengaruhi kecenderungan itu.
2.6. Kointegrasi
Regresi dari dua variabel yang non-stasioner akan menyebabkan terjadinya
spurios regression sehingga proses diferensiasi harus terlebih dahulu dilakukan (Engle dan Granger, 1987). Tetapi, proses ini justru akan menghilangkan
hubungan jangka panjang yang mungkin terdapat dalam variabel-variabel time series yang diteliti dan hanya memberikan hubungan jangka pendek time series.
Disinilah penting nya proses kointegrasi dimana konsep ini membantu
memberikan informasi mengenai hubungan jangka panjang yang ada dengan
menggunakan time series non-stasioner.
Dengan kata lain konsep ini mengatakan bahwa apabila terdapat dua atau
lebih time series yang tidak stasioner (mempunyai unit roots) dan terintegrasi pada orde yang sama serta residunya bersifat stasioner sehingga tidak ada korelasi
seri di dalamnya (white nose), maka time series tersebut dinamakan terkointegrasi. Didalam konsep kointegrasi ini terdapat beberapa hal penting yang perlu
diperhatikan, yaitu (Enders, 2004):
1. Kointegrasi merupakan kombinasi linear dari dua atau lebih dari time series
yang tidak stasioner. Vektor kointegrasi dari kombinasi linear tersebut tidak
unik karena dengan suatu konstanta yang tidak nol (λ), maka λβ juga benar
sebagai vektor kointegrasi. Oleh karena itu, biasanya salah satu besaran
digunakan untuk normalisasi vektor kointegrasi dengan menetapkan
koefisiennya menjadi satu.
2. Semua variabel harus terintegrasi pada orde yang sama. Tetapi tidak semua
variabel yang terintegrasi pada orde yang sama terkointegrasi.
3. Bila vektor mempunyai n komponen, maka akan ada n-1 vektor
vektor kointegrasi ini dinamakan peringkat kointegrasi (cointegration rank), biasanya dilambagkan dengan r.
Sifat penting yang terdapat dalam variabel-variabel yang terkointegrasi
adalah perjalanan waktu variabel-variabel tersebut dipengaruhi oleh perubahan
atas hubungan keseimbangan jangka panjangnya. Dengan kata lain,
variabel-variabel non-stasioner yang terintegrasi pada orde yang sama dan terkointegrasi
akan menjadi stasioner dalam jangka panjang (Enders, 2004).
2.7. Vector Auto Regression (VAR)
Vector Auto Regression atau yang lebih dikenal dengan VAR adalah suatu sistem persamaan yang memperlihatkan setiap peubah sebagai fungsi linear dari
konstanta dan nilai lag dari peubah itu sendiri serta nilai lag dari peubah lain yang ada di dalam sistem (Agung, 2009). Jadi, peubah penjelas dalam VAR meliputi
nilai lag seluruh peubah tak bebas dalam sistem.
Model ini dikembangkan oleh Cristoper Sims pada tahun 1980. Model ini
dasarnya hampir sama dengan model untuk menguji Granger’s Causality. Model
VAR adalah model a-theory terhadap teori ekonomi. Namun demikian model ini sangat berguna dalam menentukan tingkat eksogenitas suatu variabel ekonomi
dalam sebuah sistem ekonomi dimana terjadi saling ketergantungan antar variabel
dalam ekonomi (Enders, 2004). Model ini juga menjadi dasar mnculnya metode
co-integrasi Johansen yang sangat baik dalam menjelaskan perilaku variabel dalam perekonomian.
Keunggulan dari metode VAR antara lain sebagai berikut (Gujarati, 2003):
1. Metode ini sederhana, tanpa harus membedakan mana variabel endogen dan
variabel eksogen;
2. Estimasinya sederhana, dimana metode OLS biasa dapat diaplikasikan pada
tiap-tiap persamaan secara terpisah;
3. Karena bekerja berdasarkan data, metode VAR terbebas dari berbagai
batasan teori ekonomi yang sering muncul termasuk gejala perbedaan semu
(spurious variabel endogenity dan exogenity) di dalam model ekonometrik
konvensional terutama pada persamaan simultan, sehingga menghindari
4. Hasil pemikiran (forecast) yang diperoleh dengan menggunakan metode ini
dalam banyak kasus lebih bagus dibandingkan dengan hasil yang didapat
dengan menggunakan model persamaan simultan yang kompleks sekalipun.
Selain itu, analisis VAR juga merupakan alat analisis yang sangat berguna,
baik di dalam memahami adanya hubungan timbal balik (interrelationship) antara variabel-variabel ekonomi, maupun di dalam pembentukan model
ekonomi berstruktur.
Sekalipun model VAR banyak memiliki kelebihan, namun model ini tetap
mempunyai sisi lemah. Ada beberapa kelemahan yang dimiliki model tersebut
antara lain :
1. Model VAR bersifat a-theory karena tidak memanfaatkan informasi atau
teori terdahulu. Oleh karena itu model VAR sering disebut model yang tidak
struktural.
2. Model VAR tidak cocok untuk menganalisis kebijakan karena tujuan utama
model ini adalah untuk peramalan
3. Pemilihan banyaknya lag yang digunakan dalam persamaan juga dapat
menimbulkan permasalahan. Misalnya kita mempunyai tiga variabel bebas
dengan masing-masing lag sebanyak delapan. Hal tersebut berarti kita harus
mengestimasi paling sedikit 24 parameter. Untuk kepentingan tersebut, kita
harus mempunyai data atau pengamatan yang relatif banyak.
4. Semua variabel dalam VAR harus stasioner, jika tidak stasioner, maka harus
ditransformasi terlebih dahulu.
5. Interpretasi koefisien yang didapat berdasarkan model VAR tidak mudah.
2.8. Analisis Vector Error Correction Model (VECM)
VECM adalah suatu analisis untuk melakukan rekonsiliasi perilaku peubah
ekonomi jangka panjang dan peubah ekonomi jangka pendek (Gujarati 1995).
Untuk itu, peubah-peubah di dalam VECM memiliki spesifikasi hubungan jangka
panjang atau kointegrasi. Hubungan dinamis jangka pendek antar peubah dalam
sistem dipengaruhi oleh deviasi/penyimpangan dari keseimbangan jangka
panjang. Model VECM berguna untuk mengukur kecepatan deviasi kembali ke
VECM mempunyai hubungan kointegrasi yang dibangun melalui spesifikasi
perilaku jangka panjang dari variabel-variabel endogen untuk menuju (converge) ke hubungan jangka panjangnya, serta memungkinkan dilakukan penyesuaian
jangka pendek secara dinamik. Sebagai contoh, digunakan sistem dua variabel
yang memiliki suatu persamaan kointegrasi tanpa turunan dalam bentuk lag
(Subagjo, 2005).
2.9. Impulse Response Function (IRF)
Impulse resnponse function (IRF) adalah metode yang digunakan untuk menentukan respon suatu variabel endogen terhadap guncangan (shocks) variabel tertentu. IRF menunjukkan respon dari setiap variabel endogen sepanjang waktu
terhadap guncangan dari variabel itu sendiri dan variabel endogen lainnya. IRF
juga mengidentifikasikan suatu guncangan pada suatu variabel endogen sehingga
dapat menetukan bagaimana suatu perubahan yang tidak diharapkan dalam
variabel mempengaruhi variabel lainnya sepanjang waktu.
Hasil IRF sangat sensitif terhadap pengurutan (ordering) variabel yang digunakan dalam perhitungan.pengurutan variabel yang didasarkan pada
faktorisasi chelosky dilakukan dengan catatan variabel yang memiliki nilai prediksi terhadap variabel lain yang diletakkan di depan berdampingan satu sama
lainnya. Sedangkan, variabel yang tidak memiliki nilai prediksi terhadap variabel
lain diletakkan paling belakang, kemudian variabel lainnya diletakkan di antara
kedua variabel tersebut berdasarkan nilai matriks korelasi yang menyatakan
tingkat korelasi paling besar. Selain itu, IRF juga digunakan untuk mengetahui
berapa lama pengaruh shock dari satu variabel terhadap variabel lain tersebut tejadi. IRF juga bertujuan untuk mengisolasi suatu guncangan agar lebih spesifik
artinya variabel ekonomi hanya dipengaruhi oleh guncangantertentu saja. Apabila
hal tersebut tidak dilakukan maka guncangan spesifik tersebut tidak dapat
diketahui dan yang dapat diketahui adalah guncangan secara umum.
2.10. Forecast Error Variance Decompisition (FEVD)
komponen-komponen shock atau menjadi variabel innovation, dengan asumsi bahwa variabel-variabel innovation tidak saling berkorelasi. Kemudian, variance decompotition akan memberikan informasi mengenai proporsi dari pergerakan pengaruh shock pada sebuah variabel terhadap shock variabel yang lain pada periode saat ini dan periode ke depan. Forecast error variance decompotition
menggambarkan proporsi pergerakan dari σy(n)2 terhadap shock dari suatu variabel kepada variabel lainnya (Enders, 2004).
Metode yang dapat dilakukan untuk melihat bagaimana perubahan dalam
suatu variabel yang ditunjukkan oleh perubahan error variance dipengaruhi oleh
variabel-variabel lainnya adalah FEVD. Metode ini mencirikan suatu struktur
dinamis dalam model VAR. Dimana dalam metode ini dapat dilihat kekuatan dan
kelemahan masing-masing variabel dalam mempengaruhi variabel lainnya dalam
kurun waktu yang panjang.
FEVD mencirikan ragam dari peramalan galat menjadi
komponen-komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model.
Dengan menghitung persentase kuadrat prediksi galat k-tahap ke depan dari
sebuah variabel akibat inovasi dalam variabel-variabel lain, maka akan dapat
dilihat seberapa besar perbedaan antara error variance sebelum dan sesudah
terjadinya shock yang berasal dari dirinya sendiri maupun dari variabel lain
2.11. Penelitian Terdahulu
Pratama (2009) dalam skripsinya yang berjudul Integrasi Pasar Obligasi
Negara Di Antara Negara-negara ASEAN+6. Dalam penelitian ini model yang
digunakan adalah model analisis Vector Autoregression (VAR). Model VAR ini memiliki analisis lanjutan yaitu impulse response finction (IRF) dan forecasting error variance decomposition (FEVD). Dimana peneliti ingin menganalisis hubungan pasar obligasi diantara negara-negara ASEAN+6. Kesimpulan yang
telah di dapat yaitu berdasarkan hasil analisis VECM, pada analisis IRF terlihat
bahwa adanya hubungan di antara pasar obligasi negara-negara ASEAN+6. Hal
ini dijelaskan dengan adanya respon yang dapat dilihat berupa fluktuasi yield
yang terjadi dalam jangka pendek akibat guncangan yng terjadi dalam pasar
obligasi negara-negara ASEAN+6. Hal ini merupakan hubungan yang dinamis di
untuk kawasan ASEAN+6 maupun dengan Amerika Serikat diketahui bahwa
negara yang dominan dalam mempengaruhi fluktuasi yield obligasi negara dari
negara-negara ASEAN+6 maupun Amerika Serikat adalah Australia. Dari hasil
analisis IRF dan FEVD juga diketahui bahwa hubungan yang terjadi di antara
masing-masing pasar obligasi negara ASEAN+6 adalah relatif sangat lemah.
Julivanto (2009) dalam skripsinya yang berjudul Dinamika Ekspor Karet Alam
Indonesia. Dalam penelitiannya dinamika ekspor karet alam Indonesia dianalisis
dengan menggunakan metode analisis Vector Autoregression (VAR) dan Vector Error Correction Model (VECM) yang menyimpulkan bahwa faktor-faktor yang mempengaruhi volume ekspor karet alam Indonesia adalah produksi karet alam
Indonesia, harga karet alam Indonesia, harga minyak mentah dunia, dan nilai
tukar Rupiah terhadap Dollar. Guncangan terhadap variabel produksi karet alam
paling mempengaruhi volume ekspor karet, hal ini dapat dilihat ketika terjadi
guncangan respon volume ekspor karet terhadap variabel tersebut paling
signifikan. Volume ekspor karet alam Indonesia sangat dipengaruhi oleh produksi
karet alam Indonesia. Pada jangka pendek volume ekspor karet alam Indonesia
dipengaruhi oleh volume ekspor dan produksi karet alam Indonesia. Namun pada
jangka panjang volume ekspor karet alam lebih besar dipengaruhi oleh produksi
karet alam Indonesia sebesar 56 persen. Variabel produksi karet alam pada
kenyataannya jarang mengalami guncangan karena sifat tanaman karet yang
merupakan tanaman tahunan. Variabel lain yang sering mengalami guncangan
seperti harga karet dan harga minyak mentah tidak memiliki pengaruh yang
signifikan terhadap volume ekspor karet alam Indonesia. Dan dinamika ekspor
karet Indonesia tidak terlalu besar pengaruhnya terhadap perubahan volume
III. METODE PENELITIAN
3.1. Kerangka Pemikiran Penelitian
Perusahaan merupakan suatu badan hukum yang memiliki suatu tujuan yang
ingin dicapai salah satunya yaitu mendapatkan keuntungan. Untuk mencapai
tujuan tersebut maka perusahaan harus memiliki target tertentu sebagai sasaran
perusahaan untuk mencapai kelangsungan hidup dan pertumbuhan yang semakin
baik dari waktu ke waktu. Target yang ingin dicapai tersebut dirumuskan dalam
suatu perencanaan berdasarkan kondisi perusahaan yang ada. Untuk mendapatkan
suatu perencanaan yang baik, dibutuhkan suatu prediksi terhadap keadaan masa
depan yang disebut peramalan. Hasil peramalan tidak pernah secara mutlak tepat,
akan tetapi peran peramalan diperlukan untuk pertimbangan dalam pengambilan
keputusan karena dengan melakukan peramalan para perencana dan pengambil
keputusan dapat mempertimbangkan alternatif-alternatif yang lebih luas daripada
tanpa peramalan.
Mengetahui hubungan dan pengaruh antar setiap komoditi adalah salah satu
permasalahan yang perlu dikaji dan diteliti selain mengetahui hasil ramalannya.
Dengan melakukan analisis kointegrasi, perusahaan dapat mengetahui hubungan
dan pengaruh satu komoditas terhadap komoditas lainnya, sehingga perusahaan
dapat mengontrol penjualan setiap komoditasnya. Peramalan penjualan dengan
melihat hubungan dan pengaruh antar komoditas dibutuhkan bagi perusahaan
untuk membantu perusahaan sebagai bahan pertimbangan dalam pengambilan
keputusan dan untuk merencanakan langkah-langkah selanjutnya dalam rangka
meningkatkan kualitas dan kuantitas penjualannya.
PT. S-IK Indonesia
Mengetahui peramalan penjualan dan hubungan antar produk
Data Penjualan ABS (Acrylonitrile Butadiene Stryrene), PP
(Polypropilene) dan PS (Polystyrene) tahun 2006 - 2010
Analisis Kointegrasi : 1. Uji Stasioneritas 2. Uji Kausalitas Granger 3. Uji Lag Optimum 4. Uji Kointegrasi
5. Pemodelan VAR/VECM 6. Uji Stabilitas
7. Impuls Respon Function (IRF)
8. Forecast Error Variance Decomposition (FEVD)
Hasil Analisis
Implikasi Manajerial
3.2. Lokasi dan Waktu Penelitian
Penelitian ini dilaksanakan di PT S-IK Indonesia yang berlokasi di Ejip
Industrial Park Plot 4L, Cikarang Selatan Bekasi 17550 Indonesia. Waktu
penelitian ini dimulai pada bulan Januari 2011 sampai dengan bulan Maret 2011.
3.3. Metode Pengumpulan Data
Informasi dan pengumpulan data yang dikumpulkan meliputi data primer
dan sekunder. Data primer diperoleh dari hasil wawancara dengan pihak PT S-IK
Indonesia. Sedangkan data sekunder diperoleh dari laporan internal perusahaan
(data penjualan produk ABS, PP dan PS dari tahun 2006 hingga tahun 2010), baik
itu berupa laporan penjualan bulanan dan tahunan serta data pelengkap dari data
primer yang dikumpulkan dari literatur-literatur, studi pustaka, internet dan tulisan
yang berkaitan dengan peramalan penjualan dan kointegrasi.
3.4. Pengolahan dan Analisis Data
Data yang dikumpulkan kemudian diolah dan dianalisis sehingga mampu
memberikan gambaran dan penjelasan terhadap permasalahan dalam penelitian
ini. Model yang digunakan adalah model analisis Vector Error Correction Model
(VECM). Data penjualan kemudian ditabulasikan dengan bantuan program
komputer Microsoft Excel 2007, Eviews 6, dan Minitab 16.
Pengolahan data pada penelitian ini yang pertama kali dilakukan yaitu uji
stasioneritas data. Hal ini sangat penting untuk mengetahui apakah data-data yang
digunakan dalam penelitian ini stasioner atau tidak serta mengetahui derajat
kestasioneran dari data tersebut. Dalam metode VAR/VECM derajat
kestasioneran dari suatu data sangat mempengaruhi penggunaan dari metode VAR
atau metode VECM pada tahap selanjutnya. Apabila semua data stasioner pada
tingkat level maka metode VAR yang digunakan, tetapi jika data yang digunakan
tidak semuanya stasioner pada tingkat level maka metode VECM yang digunakan.
Untuk memastikannya perlu dilakukan pengujian pada tingkat first difference. Besar kemungkinan terjadi hubungan kointegrasi antara variabel-variabel yang
tidak stasioner pada tingkat level namun stasioner pada tingkat first difference, sehingga perlu dilakukan uji kointegrasi untuk memastikan adanya hubungan
dapat dimanfaatkan untuk mengetahui hubungan jangka panjang dengan
menggunakan metode VECM. Selanjutnya dapat memanfaatkan alat analisa yang
terdapat dalam metode VAR/VECM seperti Granger Causality Test, Forecast Error Variance Decomposition (FEVD), dan analisis Impuls Respon Function
(IRF).
3.4.1.Uji Stasioneritas Data
Data time series pada umumnya bersifat skokastik atau memiliki tren yang tidak stasioner artinya data tersebut mengandung akar unit. Untuk dapat
mengestimasi suatu model menggunakan data tersebut maka langkah pertama
yang harus dilakukan yaitu uji stasioneritas data atau dikenal dengan unit root test. Apabila data yang digunakan mengandung akar unit maka akan sulit untuk mengestimasi suatu model dengan menggunakan data tersebut karena tren data
tersebut cenderung berfluktuasi tidak disekitar nilai rata-ratanya. Maka dapat
disimpulkan bahwa data yang stasioner akan cenderung untuk mendekati nilai
rata-ratanya dan berfluktuasi di sekitar nilai rata-ratanya (Gujarati, 2003). Uji akar
unit dalam penelitian ini akan dilakukan dengan menggunakan Augmented Dickey Fuller (ADF).
Keputusan hasil uji ADF ditentukan dengan melihat nilai statistik yang
dibandingkan dengan nilai kritikal McKinnon, pada tingkat kritis yang telah
ditentukan, 1 persen, 5 persen, atau 10 persen, maka H0 diterima yang berarti data
mengandung akar unit atau tidak stasioner. Sebaliknya bila nilai statistik lebih
kecil dari pada nilai kritis McKinnon maka H0 ditolah yang mengindikasikan
bahwa data stasioner.
Pengujian Augmented Dickey-Fuller (ADF) ini memodelkan pengaruh autokorelasi pada disturbance (memasukkan lag ΔX yang menyebabkan autokorelasi ke dalam model pengujian Augmented Dickey-Fuller) sehingga uji hipotesa pada parameter yang bisa diestimasi akan lebih akurat. Bentuk umum
dari pengujian ini adalah (Enders, 2004):
= α + β + + t + ... (3.1)
Pemilihan lag dilakukan berdasarkan proses minimalisasi pengujian SIC (Schwartz Information Criterion), AIC (Akaike Information Criterion), dan atau signifikasi dari θt dan atau pengujian autokorelasi pada disturbance term (Enders, 2004).
3.4.2.Metode Pengujian Granger Causality
Uji kointegrasi bertujuan untuk menentukan apakah variabel-variabel yang
tidak stasioner mengalami kointegrasi atau tidak. Pengujian ini dilakukan dalam
rangka memperoleh hubungan jangka panjang antara variabel yang telah
memenuhi persyaratan dalam proses integrasi dimana semua variabel telah
stasioner pada derajat yang sama yaitu first difference atau I(0). Hipotesis nol yang diuji menyatakan tidak adanya kausalitas diantara variabel sedangkan
hipotesis alternatifnya menyatakan adanya hubungan kausalitas diantara variabel.
Untuk menolak atau menerima hipotesis nol, maka dapat melihat nilai
probabilitasnya yang dibandingkan dengan tingkat kepercayaan, pada penelitian
ini menggunakan nilai kritis 5 persen. Jika nilai probabilitasnya lebih besar dari 5
persen maka hipotesis nol ditolak yang artinya terdapat hubungan kausalitas pada
variabel-variabel yang diuji.
3.4.3.Pengujian Lag Optimal
Langkah penting yang harus dilakukan dalam menggunakan model
VAR/VECM adalah penentuan jumlah lag yang optimal yang digunakan dalam
model. Dalam hal ini yang akan dibentuk terlebih dahulu adalah persamaan VAR,
setelah mendapatkan lag optimal dan stabilitas VAR baru dapat dibentuk
persamaan VECM-nya. Pengujian panjang lag yang optimal dapat memanfaatkan
beberapa informasi yaitu dengan menggunakan Akaike Information Criterion
(AIC), dan Schwarz Criterion (SC). Untuk dapat menentukan lag ini, maka
langkah sebelumnya adalah menentukan nilai determinan dari kovarian residual
(|Ω|) yang dapat dihitung sebagai berikut (Eviews 6 User’s Guide):
= (det t ) ...(3.2)
Dimana p adalah angka parameter dari tiap persamaan dalam VAR.
Selanjutnya, log likelihood value dengan mengasumsikan distribusi normal
1 = - {k(1+log2π) + log|Ω|} ...(3.3)
Dimana k adalah banyaknya parameter yang diestimasi dan T adalah jumlah
observasi. Kemudian dilanjutkan dengan menggunakan nilai AIC, dan SC dipilih
nilai yang terkecil. Rumus perhitungannya dapat dilihat dibawah ini (Eviews 6
User’s Guide):
AIC -2(l/T)+2(k/T) ...(3.4)
SC -2(l/T)+k log(T)/T ...(3.5)
3.4.4.Uji Kointegrasi
Salah satu asumsi yang harus dipenuhi dalam VAR adalah semua peubah
tak bebas bersifat stasioner (Enders, 2004). Bila data tidak stasioner, maka perlu
dilakukan uji kointegrasi. Langkah uji kointegrasi dengan mengaplikasikan
metode Johansen, yang terdiri dari beberapa tahap, yaitu:
1. Menguji ordo integrasi semua variabel. Data perlu diplotkan untuk mengamati
ada tidaknya trend yang linear. Disarankan tidak mencampur variabel dengan
ordo yang berbeda.
2. Mengestimasi model dan menetapkan kondisi model. Kondisi model dapat
dilakukan dalam tiga bentuk berikut:
a. Semua elemen konstanta sama dengan nol ( =0)
b. Nilai ditetapkan
c. Nilai merupakan konstanta pada vektor kointegrasi
3. Menganalisis untuk mendapatkan vektor kointegrasi yang dinormalkan dan
koefisien penyesuaian.
4. Menghitung faktor koreksi galat untuk membantu mengidentifikasi model
struktural.
Pada Eviews 6 suatu persamaan dikategorikan berkointegrasi apabila nilai
trace statistic ataupun nilai maximum eigenvalue-nya lebih besar dari nilai kritis 5 persen. Dari uji kointegrasi dapat ditentukan jumlah persamaan yang tepat untuk
mengestimasi VECM.
Untuk menguji batasan kointegrasi, johansen mendefinisikan dua buah
matriks α dan β dimensi (nxr) dimana r merupakan peringkat dari , sehingga:
Dimana:
α = matriks bobot dari setiap vektor kointegrasi yang ada didalam n persamaan
VAR. α juga dapat dikatakan sebagai matriks parameter speed of adjusment
(Enders, 2004)
β = matriks parameter kointegrasi
Hipotesis dari metode Johansen adalah sebagai berikut (Enders, 2004): : r = 0 : 0 < r < g
: r = 0 : 0 < r < g : r = 0 : 0 < r < g
... ...
: r = g-1 : r = g
Pengujian pertama menyebutkan hipotesis nol dengan tidak adanya vektor
kointegrasi. Jika hipotesis ini gagal ditolak, dapat disimpulkan bahwa tidak ada
vektor kointegrasi dan pengujian telah diselesaikan. Namun jika hipotesis tersebut
ditolak, maka pengujian akan dilakukan terus menerus dan begitu seterusnya
sampai nilai dari r akan meningkat sampai hipotesis tersebut gagal ditolak.
3.4.5.Analisis Vector Error Correction Model (VECM)
VECM merupakan bentuk VAR yang terestriksi. Retriksi tambahan ini
harus diberikan karena keberadaan bentuk data yang tidak stasioner namun
terkointegrasi. VECM kemudian memanfaatkan informasi retriksi kointegrasi
tersebut kedalam spesifikasinya. Karena itulah VECM sering disebut sebagai
desain VAR bagi series non stasioner yang memiliki hubungan kointegrasi.
Spesifikasi VECM meretriksi hubungan jangka panjang variabel-variabel
endogen agar konvergen kedalam hubungan kointegrasinya, namun tetap
membiarkan keberadaan dinamisasi jangka pendek. Istilah kointegrasi dikenal
juga sebagai error, karena deviasi terhadap keseimbangan jangka panjang
dikoreksi secara bertahap melalui series parsial penyesuaian jangka pendek.
Model VECM disusun apabila rank kointegrasi (r) lebih besar dari nol.
Model VECM ordo p dan rank kointegrasi r dituliskan sebagai berikut:
Δ = + + Δ + ...(3.7)
Dimana:
π = αβ
α = vektor adjusment berukuran n x 1 Ф* =
Pendugaan parameter dilakukan dengan menggunakan metode
kemungkinan maksimum. Model VECM dapat dituliskan dalam model VAR
dengan menguraikan nilai diferensiasi:
Δ = ...(3.8)
3.4.6.Uji Stabilitas model
Uji stabilitas digunakan untuk melihat apakah model yang digunakan stabil
atau tidak. Estimasi harus mempunyai validitas yang tinggi sehingga hasil nya
dapat dipercaya. Hasil tersebut dapat dipercaya apabila model yang digunakan
mempunyai stabilitas. Jika model VAR yang digunakan tidak stabil, maka hasil
estimasi dengan menggunakan model VAR tidak memiliki tingkat validitas yang
tinggi.
Stabilitas dapat diartikan hasil estimasinya mendekati nol jika model
diperpanjang periode waktunya. Sebuah model dikatakan memilik validitas yang
tinggi jika inverse akar karakteristiknya mempunyai modulus kurang dari satu atau semuanya berada didalam lingkaran. Jika modulus nya kurang dari satu atau
berada dalam lingkaran, maka model cukup stabil. Namun sebaliknya, jika
modulus bernilai satu atau lebih dari satu, atau modulus kebanyakan berada diluar
lingkaran maka dapat dipastikan bahwa model tersebut kurang stabil. Jika VAR
tersebut memiliki tingkat stabilitas yang rendah atau semua inverse akar
karakteristiknya berada diluar unit circle, maka hasil dari estimasi model VAR tersebut meragukan.
3.4.7.Impulse Response Function (IRF)
Cara yang baik untuk mencirikan struktur dinamis dalam model adalah
dengan menganalisa respon dari model terhadap guncangan (Enders, 2004). Ada
dua cara dalam melakukan hal tersebut, yaitu dengan menganalisis Impulse Response Function (IRF) dan analisis Forecast Error Variance Decomposition
(FEVD). IRF dapat meneliti hubungan antar variabel dengan menunjukkan
IRF adalah suatu metode yang digunakan untuk menentukan respon suatu
variabel endogen terhadap suatu shock tertentu karena sebenarnya shock variabel
misalnya ke-i tidak hanya berpengaruh terhadap variabel ke-i itu saja tetapi ditransmisikan kepada semua variabel endogen lainnya melalui struktur dinamis
atau struktur lag dalam VAR. Oleh karena itu, IRF juga dapat mengukur pengaruh
suatu shock pada suatu waktu kepada inovasi variabel endogen pada saat tersebut
dan dimasa yang akan datang.
Analisis IRF (Impulse Rensponse Function) dilakukan untuk menilai respon dinamik variabel ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropilene) dan PS (Polystyrene). Terhadap adanya guncangan (shock) variabel tertentu. IRF juga bertujuan untuk mengisolasi suatu guncangan agar lebih spesifik artinya suatu
variabel yang dapat dipengaruhi oleh guncangan tertentu. Apabila suatu variabel
tidak dapat dipengaruhi oleh shock, maka shock spesifik tersebut tidak dapat
diketahui melainkan shock secara umum.
3.4.8.Forecast Error Variance Decomposition (FEVD)
Variance Decompotition atau disebut juga forecast error variance decompotition merupakan perangkat pada model VAR/VECM yang akan memisahkan variasi dari sejumlah variabel yang diestimasi menjadi
komponen-komponen shock atau menjadi variabel innovation, dengan asumsi bahwa variabel-variabel innovation tidak saling berkorelasi. Kemudian, variance decompotition akan memberikan informasi mengenai proporsi dari pergerakan pengaruh shock pada sebuah variabel terhadap shock variabel yang lain pada periode saat ini dan periode ke depan. Forecast error variance decompotition
menggambarkan proporsi pergerakan terhadap shock (guncangan) dari suatu variabel kepada variabel lainnya (Enders, 2004).
Metode ini juga dapat melihat bagaimana perubahan dalam suatu variabel
yang ditunjukkan oleh perubahan error variance dipengaruhi oleh variabel-variabel lainnya. Metode ini mencirikan suatu struktur dinamis dalam model
VAR. Dimana dalam metode ini dapat dilihat kekuatan dan kelemahan
masing-masing variabel dalam mempengaruhi variabel lainnya dalam kurun waktu yang
FEVD mencirikan ragam dari peramalan galat menjadi
komponen-komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model.
Dengan menghitung persentase kuadrat prediksi galat k-tahap ke depan dari
sebuah variabel akibat inovasi dalam variabel-variabel lain, maka akan dapat
dilihat seberapa besar perbedaan antara error variance sebelum dan sesudah terjadinya shock yang berasal dari dirinya sendiri maupun dari variabel lain. Jadi melalui FEVD dapat diketahui secara pasti variabel yang memberikan kontribusi
yang paling signifikan terhadap perubahan dari variabel tertentu. Dalam analisis
IV. HASIL DAN PEMBAHASAN
4.1. Gambaran Umum Perusahaan
PT S-IK (Sanyo Inabata Kako) Indonesia adalah salah satu pemain global
yang bergerak dalam bidang Plastic Coloring and Compounding (pewarnaan dan perancangan/peracikan bahan baku plastik). Perusahaan yang berlokasi di East Jakarta Industrial Park (EJIP) No. Plot 4-L Cikarang Selatan, Bekasi 17550 ini didirikan pada tahun 1995 diatas tanah seluas 12.500 m². Luas tanah tersebut
dibagi menjadi 3 bangunan yaitu bangunan untuk kantor yang memiliki luas tanah
460 m2, bangunan untuk pabrik yang memiliki luas tanah 2.160 m2, dan bangunan
untuk gudang yang memiliki luas tanah 3.528 m2. Perusahaan ini memulai
operasinya pada bulan April tahun 1996.
Para pemegang saham (shareholder) dari PT S-IK Indonesia ini meliputi Inabata Singapore PTE.LTD., PT Inabata Indonesia, dan Sanyo Kako. Perusahaan
ini diperkuat oleh para profesional dan ekspatriat dimana terdapat 230 karyawan
yang bekerja di perusahaan tersebut, 3 diantaranya para ekpatriat dan 270 lainnya
yaitu pegawai lokal, yang memiliki dedikasi tinggi terutama untuk menghasilkan
produk dengan standar kualitas internasional.
PT S-IK Indonesia sangat mengedepankan kualitas produk yang dihasilkan.
Perusahaan ini telah memperoleh sertifikat dari International Organization for Standardization (ISO) yaitu sertifikat ISO 9001: 2000 yang berkaitan dengan kualitas produk. Selain sertifikat tersebut, PT. S-IK Indonesia juga telah
memperoleh sertifikat penjaminan mutu (quality assurance) lainnya yaitu sebagai berikut:
ISO 9001: 2000 CERTIFICATE NO : ID08/1200
ISO 14001: 2004 CERTIFICATE NO : ID08/1201
TS 16949: 2002 CERTIFICATE IATF : 0078111
TS 16949: 2002 CERTIFICATE NO : ID09/1248
PT. S-IK Indonesia telah menerima sertifikasi ISO 9001: 2000 pada tahun
2000, sertifikasi ISO 14001: 2004 diterima pada tahun 2002, dan sertifikasi ISO
TS 16949:2002 diterima pada tahun 2009. Sertifikasi ISO tersebut diperoleh dari
terus menerus. Setiap satu tahun sekali diadakan satu sampai dua kali audit
internal dari PT. S-IK Indonesia itu sendiri.
Adapun konsumen utama yang menggunakan produk yang dihasilkan oleh
PT S-IK Indonesia. Berikut adalah nama-nama perusahaan yang menjadi
konsumen utama PT S-IK Indonesia diantaranya:
1. PT Indonesia Epson Industry
2. PT JVC Electronics Indonesia
3. PT Panasonic Shikoku Electronics Indonesia
4. PT Jalco Electronics Indonesia
5. PT Samsung Electronic Indonesia
6. PT Indomobil Suzuki
7. PT Ichikoh Indonesia
8. PT Toso Industry Indonesia
9. PT Filtech Indonesia
10. PT KMK Plastic Indonesia
11. PT Sanyo Jaya Components Indonesia
12. PT Summitplast Interbenua
13. PT Indonesia Stanley Electric
14. Dll.
4.2. Visi dan Misi Perusahaan
Visi dari PT S-IK Indonesia yaitu “berkesinambungan meningkatkan
pelayanan kepada pelanggan dan masyarakat melalui layanan global dan berupaya
memenuhi perubahan kebutuhan mereka”. Sedangkan misi perusahaan dituangkan
dalam manajemen filosofi dan kode etik berikut ini:
1. Manajemen Filosofi:
Dengan "cinta dan menghargai orang-orang" sebagai nilai-nilai inti, kami
berkomitmen untuk menjadi "Perusahaan yang Baik" yang selalu dapat
dipercaya.
2. Kode etik:
Kami berkomitmen untuk terus meningkatkan nilai perusahaan Inabata &
Co, Ltd. Tidak hanya untuk para pemegang saham, mitra bisnis dan
karyawan kami, tetapi untuk semua stakeholder. - Mematuhi Hukum dan Aturan (Compliance)
Kami berkomitmen untuk mematuhi hukum dan semua aturan masyarakat.
Kami akan berusaha untuk menjaga manajemen kami yang transparan dan
terbuka kepada masyarakat, melalui pengungkapan yang tepat dan tepat
waktu.
- Bisnis (Business)
Sadar akan semangat Inabata & Co.’s sejak pertama dirintis, kami
berkomitmen untuk bekerja secara global menggabungkan target dan
strategi yang diartikulasikan dengan jelas, kecepatan, dan kemampuan
perencanaan khusus, serta keahlian yang unik dan multifungsi.
- Orang-orang (People)
Kami berkomitmen untuk menciptakan tradisi, dengan mereka yang
berintegritas pantang menyerah, berkewarganegaraan yang baik, punya
kepercayaan, dan semangat kemerdekaan.
- Budaya Perusahaan (Corporate culture)
Kami berkomitmen untuk memelihara budaya perusahaan yang menghargai
kreativitas dan keragaman, memberikan kesempatan bagi semua untuk
mencapai mimpi dengan kebahagiaan dan mendapatkan evaluasi yang adil
terhadap kinerja mereka - terlepas dari kebangsaan, jenis kelamin, usia, atau
kapan mereka bergabung dengan perusahaan.
- Lingkungan dan Masyarakat (Environment and community)
Kami sebagai warga perusahaan yang baik, dipesankan untuk melestarikan
lingkungan, lebih jauh turut berkontribusi untuk kemakmuran masyarakat
setempat.
4.3. Perkembangan Perusahaan
Berikut adalah perkembangan PT S-IK Indonesia yaitu sejak didirikan pada
tahun 1995 yang dimulai dengan proses perataan tanah hingga kondisi saat ini
pelebur plastik). Secara runtut perkembangan PT S-IK Indonesia digambarkan
dalam tabel 2.
Tabel 2. Perkembangan perusahaan
No. Bulan dan Tahun Keterangan
1. Oktober 1995 proses perataan tanah
2. Mei 1996 Penyelesaian pemasangan blending
3. April 1996 Dimulainya produksi dengan 3 mesin extruder
4. Nopember 1998 Rangka pembangunan warehouse
5. Maret 2011 sudah memiliki 14 mesin extruder
4.4. Fasilitas Produksi yang Dimiliki PT. S-IK Indonesia
Untuk dapat memproduksi produk dengan kualitas yang sesuai dengan
standar internasional, maka PT. S-IK Indonesia memperlengkapi perusahaannya
dengan fasilitas produksi yang cukup, baik dari segi jumlah maupun teknologi
serta senantiasa mengupdate peralatan yang dimiliki dengan teknologi terkini sehingga dapat meningkatkan daya saing produk yang dihasilkan (competitive advantage). Fasilitas produksi yang dimiliki perusahaan berupa mesin extruder,
blender, middle hopper dan lainnya. Sedangkan fasilitas untuk pemeriksaan berupa Injection Molding Machine, Physical Test, dan Attached Facilities. Untuk lebih lengkapnya pada tabel-tabel (Lampiran 1) disajikan data mengenai daftar
fasilitas produksi dan inspeksi yang dimiliki oleh PT. S-IK Indonesia.
4.5. Produk-Produk Perusahaan
Berikut adalah produk-produk yang terdapat pada PT S-IK Indonesia:
1. PP (Polypropilene), bahan baku plastik berjenis PP ini cenderung digunakan untuk menghasilkan produk-produk otomotif dan peralatan rumah tangga,
misalnya dashboard mobil, bemper mobil, tupperware, dll.
2. ABS (Acrylonitrile Butadiene Stryrene), bahan baku plastik berjenis ABS ini cenderung digunakan sebagai rangka/casing peralatan elektronik,
3. PS (Polystyrene), jenis plastik PS ini cenderung digunakan untuk kemasan sabun, kemasan makanan, cangkir yang siap untuk di buang, piring, tempat /
kotak CD dan kaset.
4. PMMA (Polymethyl methacrylate), jenis plastik PMMA ini biasanya digunakan sebagai lensa kontak, kaca jendela (jenis kaca jendela yang sudah
dikenal terdiri dari beberapa merek dagang di seluruh dunia, misalnya :
Perspex, Oroglas, Plexiglas) dan penutup lampu belakang mobil.
5. PE (Polyethylene), merupakan plastik jenis termoplastik yang digunakan secara luas oleh konsumen produk sebagai kantong plastik mencakup tas
supermarket, botol plastik, dll.
6. POM (Polyacetal/Polyoxymethylene), plastik jenis ini sering digunakan sebagai material pengganti metal terutama gear, bushing, dan sliding
elements.
7. PA (Polyamide), juga dikenal dengan nama nylon. jenis plastik PA ini biasanya digunakan sebagai pipa atau pancuran ledeng, bingkai jendela dan
lantai.
8. PC (Polycarbonate), jenis plastik PC ini biasanya digunakan sebagai compact disc, kacamata, perisai, jendela pengaman, lampu lalu lintas dan
lensa.
4.6. Struktur Organisasi
Adanya struktur organisasi ini adalah untuk memberikan penjelasan
mengenai tugas dan tanggung jawab departemen-departemen yang terdapat pada
PT S-IK Indonesia.
1. President Director: merupakan pengelola perusahaan juga sebagai pemilik PT S-IK Indonesia.
2. Factory Manajer: merupakan pimpinan pabrik yang mengelola kebijakan di pabrik, penanggung jawab utama atas jalannya dan tercapai tujuan
perusahaan di pabrik. Tugas dan wewenang dari manajer pabrik yaitu:
mengkoordinir seluruh kegiatan di pabrik, mengkoordinir tugas-tugas
asisten, membuat laporan rutin mengenai keadaan pabrik secara keseluruhan
setiap bulan. Tanggung jawab: Manager Factory dalam menjalankan
3. Logistic Departement: memiliki wewenang dan bertanggung jawab untuk mengendalikan kegiatan logistik, bertanggung jawab mengendalikan
jalannya kegiatan di gudang, bertanggung jawab untuk memantau dan
menentukan jadwal pengiriman dan pengiriman untuk tujuan ekspor,
bertanggung jawab untuk membuat laporan persediaan barang jadi,
bertanggung jawab untuk menyediakan bahan baku untuk persiapan
produksi.
4. General Affair Departement: bertanggung jawab untuk mengatur jadwal jalannya perusahaan, bertanggung jawab untuk mengelola pabrik,
bertanggung jawab untuk mengatur dan mengontrol karyawan, bertanggung
jawab untuk mengontrol bagian pasokan perusahaan.
5. Production Departement: bertanggung jawab terhadap President Director khususnya hal-hal yang bersifat produksi, bertanggung jawab dalam
pengendalian pemeliharaan mesin-mesin produksi, bertanggung jawab
menyampaikan laporan hasil produksi kepada President Director.
6. Quality Control departement: bertanggung jawab untuk mengendalikan proses produksi dan kualitas produk, bertanggung jawab untuk menjaga
prosedur standarisasi, bertanggung jawab untuk implementasi sistem dan
meningkatkan system, bertanggung jawab untuk jadwal mengontrol
pencocokan warna, Bertanggung jawab untuk memeriksa barang jadi dan
bahan baku.
7. Commercial: bertanggung jawab untuk mengambil tindakan yang tepat dalam segala hal yang berkaitan dengan pengendalian internal, bertanggung
jawab untuk menjaga hubungan antara pelanggan dan perusahaan,
bertanggung jawab untuk mengontrol semua dukungan bahan baku,
bertanggung jawab untuk mengelola pesanan, mengendalikan tanggal
pengiriman bahan baku plastik.
8. Account and Financial: bertanggung jawab atas kelangsungan pekerjaan sehari-hari di bidang akuntansi atau keuangan, bertanggung jawab untuk
memelihara prosedur sistem akuntansi keuangan, bertanggung jawab untuk
mengendalikan jadwal pembayaran untuk pemasok, berwenang untuk
4.7. Hasil analisis
4.7.1 Uji Stasioneritas
Stasioneritas merupakan syarat utama bagi data agar dapat diolah dan
digunakan bagi penelitian ini. Uji ini dilakukan untuk menganalisis apakah data
yang digunakan stasioner atau tidak sesuai dengan bentuk tren deterministik yang
dikandung oleh setiap variabel. Data yang tidak stasioner adalah data yang
mengandung akar unit sehingga dapat menghasilkan regresi palsu (spurious
regression), yaitu regresi yang menggambarkan hubungan dua variabel atau lebih
yang nampaknya signifikan secara statistik padahal kenyataannya tidak stasioner
atau tidak sebesar regresi yang dihasilkan tersebut. Pengujian stasionesitas dalam
penelitian ini didasarkan pada uji ADF (Augmented Dickey Fuller).
Pengujian stasioneritas data perlu dilakukan karena data yang tidak stasioner
tidak dapat dimasukkan kedalam model VAR melainkan dimasukkan ke dalam
model VECM (Vector Error Correction Model). Pemeriksaaan kestasioneran data time series pada setiap varabel dalam tingkat level dengan menggunakan uji ADF
dapat dilihat dalam Tabel 3.
Tabel 3. Hasil Uji Unit Root pada Level
Variabel Nilai ADF
Nilai Kritis
MacKinnon Kerterangan 5%
ABS -2.725301 -2.911730 Tidak stasioner PP -2.337352 -3.489228 Tidak stasioner PS -2.897658 -2.911730 Tidak stasioner
Berdasarkan hasil tabel di atas maka dapat dilihat bahwa data dari variabel
ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropilene), dan PS (Polystyrene) tidak stasioner. Hal ini dapat diketahui dari nilai kritis MacKinnon pada taraf
nyata 5 persen lebih besar daripada nilai ADF. Karena hasil pengujian
stasioneritas untuk masing-masing data (Tabel 3) menunjukkan bahwa
variabel-variabel yang digunakan dalam penelitian ini tidak stasioner, maka pengujian akar
unit perlu dilanjutkan pada tingkat first difference. Hasil pengujian first difference
Tabel 4. Hasil Uji Unit Root pada First Difference
Variabel Nilai ADF
Nilai Kritis
MacKinnon Kerterangan 5%
ABS -8.788089 -2.912631 Stasioner PP -15.33991 -2.912631 Stasioner PS -7.137961 -2.912631 Stasioner
Secara umum dapat disimpulkan bahwa variabel ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropilene), dan PS (Polystyrene) telah stasioner pada level first difference. Dari hasil uji stasioner ini sudah dapat disimpulkan model yang digunakan dalam penelitian ini adalah model VECM.
4.7.2 Uji Kausalitas Granger
Uji Kausalitas Granger digunakan untuk melihat hubungan kausalitas antar
variabel yang akan digunakan dalam penelitian ini. Berdasarkan Uji Kausalitas
Granger apabila nilai probability variabel tersebut lebih kecil atau sama dengan 5
persen maka terdapat hubungan kausalitas diantara variabelnya, sebaliknya
apabila nilai probability variabel tersebut lebih besar dari 5 persen maka tidak ada
hubungan kausalitas diantara variabelnya. Hasil pengujian kausalitas granger
dapat dilihat pada Tabel 5 berikut.
Tabel 5. Uji Kausalitas Granger
Null Hypothesis: Obs F-Statistic Prob.
PP does not Granger Cause ABS 57 0.24442 0.8649 ABS does not Granger Cause PP 2.37299 0.0813 PS does not Granger Cause ABS 57 0.36918 0.7756 ABS does not Granger Cause PS 1.18651 0.3244 PS does not Granger Cause PP 57 0.21871 0.8830 PP does not Granger Cause PS 1.26458 0.2966
Berdasarkan hasil pengujian maka dapat dilihat bahwa semua nilai
probability pada hipotesis lebih besar dari alpha 5%, yang artinya ketiga variabel
4.7.3 Penentuan Lag Optimal
Pengujian selanjutnya yaitu menentukan jumlah lag optimal yang akan
digunakan dalam variabel yang akan dianalisis. Penentuan lag optimal yang
digunakan dengan beberapa pendekatan antara lain Likelihood Ratio (LR), Final Prediction Error (FPE), Akaike Information Criterion (AIC), dan Schwarz Criterion (SC). Hasil pengujian lag optimal dapat dilihat pada Tabel 6 berikut. Tabel 6. Penentuan Lag Optimal
Lag LogL LR FPE AIC SC HQ
0 -113.5871 NA 0.011183 4.020246 4.126821 4.061759 1 -16.14339 181.4470 0.000530 0.970462 1.396760 1.136514 2 2.709548 33.15517* 0.000378* 0.630705* 1.376728* 0.921296*
Berdasarkan hasil penentuan lag optimal di atas maka dapat dilihat bahwa
lag yang optimal berada pada lag ke dua. Hal ini diketahui dari semua kriteria
memberikan panjang lag yang sama yaitu pada lag ke dua.
4.7.4 Uji Kointegrasi
Uji koin