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
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
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
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
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
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
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
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
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
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
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
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
(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
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
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
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.
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
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
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
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
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
Pengenalan terhadap operasi teknik peramalan pada data menghasilkan
kejadian historis mengarah ke identifikasi lima tahapan proses peramalan sebagai
berikut:
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.
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
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
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
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
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
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
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 ( )
: 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
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
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
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
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
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
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
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
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
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
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
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
-0.2 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
-.25
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