Petunjuk Sitasi: Andadari, C., & Subagyo. (2017). Pola Siklus Hidup Produk-Produk Kendaraan Bermotor Roda Empat di Indonesia. Prosiding SNTI dan SATELIT 2017 (pp. F77-82). Malang: Jurusan Teknik Industri Universitas Brawijaya.
Pola Siklus Hidup Produk-Produk Kendaraan
Bermotor Roda Empat di Indonesia
Citrasari Andadari (1), Subagyo (2)
(1), (2)
Program Studi Teknik Industri,
Departemen Teknik Mesin dan Industri, Fakultas Teknik Universitas Gadjah Mada, Yogyakarta, Indonesia
(1)
citrasari.andadari@gmail.com
ABSTRAK
Pertumbuhan pasar mobil jenis penumpang di Indonesia relatif tinggi, misalnya untuk tahun 2008-2015 pertumbuhannya mencapai 85.62%. Pertumbuhan ini juga diiringi dengan jumlah model-model dalam setiap segmen kendaraan roda empat. Dalam makalah ini disajikan pola siklus hidup produk-produk kendaraan penumpang roda empat untuk berbagai segmen. Pola siklus hidup yang ditinjau tidak hanya untuk peluncuran perdana, namun juga mencakup pembaharuan model produk—minor dan mayor. Model pola siklus dibangun berdasarkan pada Model Bass. Hasilnya menunjukkan bahwa model yang dibangun telah mampu merepresentasikan karakter kehidupan produk-produk kendaraan penumpang roda empat yang ada di pasar Indonesia.
Kata Kunci: Mobil Penumpang, Model Bass, Prediksi, Siklus Hidup Produk.
I. PENDAHULUAN
A. Latar Belakang
Semakin lama suatu industri berkembang dan dibutuhkan oleh pasar, maka semakin banyak pemain yang terlibat dalam industri tersebut sehingga menyebabkan kompetisi dalam memenangkan pasar semakin ketat (Smith, 2004). Salah satu industri yang berkembang di Indonesia adalah industri kendaraan roda empat pada jenis mobil penumpang, hal itu terlihat dari bertumbuhnya pasar mobil penumpang sebesar 85.62% dari data penjualan mobil penumpang tahun 2008-2015 seperti dalam Gambar 1 dan meningkatnya jumlah model mobil penumpang (nama mobil yang dikeluarkan oleh perusahaan mobil) pada tahun tersebut seperti terlihat dalam Gambar 2.
Gambar 2. Jumlah Model Mobil Penumpang di Indonesia Tahun 2008-2015 (Gaikindo Tahun 2008-2015)
Produk yang telah diluncurkan ke pasar tersebut umumnya akan melalui 4 tahapan pertumbuhan penjualan dalam suatu siklus hidup produk yaitu introduction, growth, maturity dan
decline (Sharma, 2013) namun panjang sikus hidup produk dan kecepatan suatu produk dalam
melalui tahapan pada setiap produk tidak selalu sama bergantung dari permintaan pasar dan situasi kompetitif yang dialami produk dari waktu ke waktu (Avvari dan Krishnaswamy, 2006 dalam Hallberg et al., 2014).
Goldman (2012) dalam Masura (2013) menyatakan bahwa produk mobil rata-rata memiliki umur siklus hidup antara 5 hingga lebih dari 10 tahun, namun produk mobil di Indonesia memiliki usia siklus hidup lebih pendek dari itu yaitu rata-rata 2,5 tahun. Siklus hidup produk kendaraan roda empat di Indonesia ini terjadi dikarenakan adanya pembaruan produk yang dibedakan menjadi dua jenis yaitu minor model change(MMC)/facelift dan mayor change/full model
change(FMC) /new generation dan juga produk yang baru pertama kali diperkenalkan secara
perdana di Indonesia. Pola suatu siklus hidup produk akan dipengaruhi oleh jumlah penjualan aktual setiap bulan (Radas, 2006) sehingga suatu perusahaan yang dapat memprediksi penjualan produk baru serta perpindahan dari satu tahap ke tahap lainnya dalam suatu siklus hidup produk baru akan cenderung dapat mengelola penjualan dikarenakan menggunakan strategi yang sesuai sehingga dapat bertahan pada situasi yang berubah.
Berdasarkan uraian tersebut, dengan semakin banyak model mobil yang bermunculan dalam industri kendaraan roda empat di Indonesia serta siklus hidup pembaruan produk kendaraan roda empat di Indonesia yang pendek mengakibatkan persaingan dalam industri tersebut semakin kompetitif sehingga perusahaan dituntut untuk mampu memprediksi siklus hidup produk agar dapat menggunakan strategi yang sesuai untuk menjaga keberlanjutan bisnisnya. Oleh karena itu dibutuhkan penelitian untuk pembangunan model prediksi siklus hidup produk kendaraan roda empat di Indonesia dan hal-hal yang mempengaruhi penjualan produk tersebut yang akan berpengaruh terhadap pola siklus hidupnya.
B. Rumusan Masalah
Berdasarkan latar belakang tersebut, diketahui bahwa industri kendaraan roda empat di Indonesia semakin kompetitif dan siklus hidup produk kendaraan roda empat di Indonesia yang pendek menunjukkan perlunya dilakukan penelitian untuk memprediksi siklus hidup produk dan hal yang mempengaruhi penjualan produk tersebut yang berpengaruh terhadap pola siklus hidupnya agar perusahaan mampu menerapkan strategi yang sesuai untuk keberlanjutan bisnisnya. C. Tujuan Penelitian
1) Membangun model prediksi siklus hidup kendaraan roda empat di Indonesia
2) Mengidentifikasi hal yang mempengaruhi penjualan produk kendaraan roda empat di Indonesia yang akan berpengaruh terhadap pola siklus hidup produk tersebut.
Pola Siklus Hidup Produk-Produk Kendaraan Bermotor Roda Empat di Indonesia
II. METODE PENELITIAN
A. Obyek Penelitian
Obyek penelitian ini merupakan 26 siklus hidup mobil penumpang di Indonesia yang berasal dari segmen LMPV (Low Multi Purpose Vehicle), MPV (Multi Purpose Vehicle), LCGC (Low
Cost Green Car), LSUV (Low Sport Utility Vehicle), SUV (Sport Utility Vehicle), Hatchback dan City Car.
B. Tahapan Penelitian
Pada masing-masing siklus hidup dilakukan estimasi nilai parameter p dan q menggunakan Persamaan Bass (1969):
(1)
dengan: S (t): Jumlah produk yang terjual di waktu T
p : Koefisien innovator (individu membeli tanpa dipengaruhi individu lain)
q : Koefisien imitator (individu membeli karena terpengaruh oleh individu lain)
M : Akumulasi penjualan selama satu siklus hidup produk
dengan teknik estimasi NLS (Nonlinear Least Square) dan exogenous dengan bantuan software
solver. Setelah didapatkan nilai parameter dilakukan penghitungan error pada masing-masing siklus hidup dengan menggunakan MAPE dan mengidentifikasi hal-hal yang menjadi penyebab
error. Tahap selanjutnya membagi data set siklus hidup menjadi 2 kelompok yaitu kelompok
analogi dan kelompok target prediksi seperti yang dilakukan dalam Goodwin (2013) dan Wright dan Stern (2015), dalam penelitian ini pengelompokan dilakukan berdasarkan jenis pembaruannya dan juga tanpa mempertimbangkan jenis pembaruan. Setelah itu dilakukan prediksi pada target prediksi dengan nilai M menggunakan data aktual penjualan pada masing-masing siklus target. Prediksi dalam produk target dilakukan dengan 2 teknik, teknik pertama seperti yang dilakukan pada penelitian Goodwin (2013) yaitu dengan memilih sejumlah produk analogi dengan cara
random dari data set analogi dan menggunakan nilai rata-rata parameter p dan q pada analogi
yang terpilih. Jumlah analogi yang dipilih untuk diinvestigasi adalah dari 1 sampai seluruh produk yang terdapat dalam data set analogi. Sedangkan teknik kedua dalam penelitian ini dilakukan dengan mengelompokkan data set analogi dan data set target berdasarkan jenis pembaruannya dan memilih produk analogi dengan cara random. Selanjutnya membandingkan error hasil prediksi pada data set target tanpa mempertimbangkan jenis pembaruannya
dan mempertimbangkan
jenis pembaruan.
III HASIL DAN PEMBAHASAN
A.
Nilai Estimasi Parameter p dan qTabel 1 Nilai Parameter p dan q Masing-masing Siklus Hidup
Model Waktu Peluncuran Jenis Peluncuran p q
Avanza November 2011 FMC 0.0311 0.1840 Xenia November 2011 FMC 0.0298 0.2019 Livina April 2007 Perdana 0.0168 0.0567 Livina Februari 2011 MMC 0.0164 0.1381 Innova September 2008 MMC 0.0111 0.1302 Innova Juli 2011 MMC 0.0241 0.1330 Freed Juni 2009 Perdana 0.0218 0.0879 Splash Maret 2010 Perdana 0.0143 0.1185 Mirage Januari 2015 MMC 0.0534 0.1633 Jazz Juli 2008 FMC 0.0380 0.0415 Jazz Mei 2011 MMC 0.0392 0.1351 Yaris April 2012 MMC 0.0642 0.1351 Yaris April 2014 FMC 0.0307 0.0919 Rush Oktober 2010 MMC 0.0102 0.1301 Rush September 2013 MMC 0.0581 0.1338 Terios Oktober 2010 MMC 0.0158 0.1044 Terios September 2013 MMC 0.0573 0.1436 Crv Februari 2007 FMC 0.0244 0.1028 Crv Februari 2010 MMC 0.0412 0.1158 Xtrail Juli 2008 FMC 0.0318 0.1067 Fortuner September 2008 MMC 0.0108 0.1284 Fortuner Juli 2011 MMC 0.0213 0.1440 Pajero Juni 2009 Perdana 0.0083 0.1600 Pajero Okt 2011 MMC 0.0318 0.1653 Pajero Okt 2013 MMC 0.0370 0.0886
Pada Gambar 3-5, disajikan perbandingan hasil estimasi menggunakan Persamaan Bass dengan data aktual. Dari gambar tersebut terlihat secara visual hasil yang cukup representatif.
Gambar 3. Pola Siklus Hidup Perdana Model Pajero Juni 2009-Desember 2011
Gambar 4. Pola Siklus Hidup Pembaruan FMC Model CRV Februari 2007-Januari 2010
Gambar 5. Pola Siklus Hidup Pembaruan MMC Model Rush September 2013-April 2015
B.
Error Siklus Hidup Menggunakan Nilai Estimasi ParameterRata-rata nilai MAPE pada 26 pola siklus hidup yang terbentuk dari Persamaan Bass dengan menggunakan nilai parameter hasil estimasi adalah sebesar 35.96%. Error pada siklus hidup masing-masing model terjadi dikarenakan siklus hidup terbentuk dari data aktual penjualan bulanan yang jelas terdapat penurunan dan kenaikan penjualan akibat pengaruh dari faktor eksternal yang dimana hal tersebut tidak sesuai dengan kurva klasik Bass (Radas, 2006). Beberapa hal telah dapat teridentifikasi yang menyebabkan terjadinya error diantaranya adalah resesi global, bencana alam, hari raya Idul Fitri dan diskon.
Pola Siklus Hidup Produk-Produk Kendaraan Bermotor Roda Empat di Indonesia
C.
Nilai Error Hasil PrediksiNilai error hasil prediksi kelompok target dengan tanpa mempertimbangkan jenis pembaruan dan yang mempertimbangkan jenis pembaruan terdapat pada Tabel 2 dan Tabel 3.
Tabel 2 Nilai Error Hasil Prediksi Tanpa Mempertimbangkan Jenis Pembaruan
Tabel 3 Nilai Error Hasil Prediksi Dengan Mempertimbangkan Jenis Pembaruan
Dalam penelitian ini nilai M menggunakan data aktual penjualan produk seperti dalam penelitian Goodwin et.al (2013), prediksi siklus hidup dengan menggunakan parameter p dan q yang mempertimbangkan jenis peluncuran pembaruan akan mampu meningkatkan akurasi prediksi jika dibandingkan dengan prediksi tanpa mempertimbangkan jenis peluncuran pembaruan. Peningkatan akurasi prediksi tersebut dapat terlihat pada Tabel 3 yang menunjukkan nilai error yang lebih rendah jika dibandingkan dengan Tabel 2 meskipun menggunakan jumlah produk analogi yang sama (1 produk analogi hingga 4 produk analogi). Hal tersebut menunjukkan bahwa setiap jenis peluncuran mobil di Indonesia memiliki pola difusi masing-masing sehingga dengan mempertimbangkan jenis peluncuran saat melakukan prediksi akan mampu meningkatkan akurasi prediksi siklus saat menggunakan nilai estimasi M yang tepat.
Ketepatan dalam penentuan jumlah market size dan pola difusi merupakan hal yang penting bagi manager untuk pengambilan keputusan yang bersifat strategi saat terlibat dalam peluncuran produk baru (Bemmoar dan Lee, 2002).
Prediksi siklus hidup produk tanpa mempertimbangkan jenis pembaruan maupun prediksi dengan mempertimbangkan jenis pembaruan akan menghasilkan akurasi prediksi yang lebih baik saat menggunakan jumlah produk analogi lebih dari 1 produk seperti yang diungkapkan dalam penelitian Goodwin et.al. (2013).
IV. PENUTUP
1) Prediksi siklus hidup produk kendaraan roda empat di Indonesia dengan menggunakan Model Bass sudah tepat dikarenakan mampu merepresentasikan kondisi penjualan kendaraan roda empat di Indonesia
2) Faktor yang mempengaruhi pola penjualan kendaraan roda empat di Indonesia adalah bencana alam, resesi, hari raya dan diskon.
3) Akurasi prediksi pola siklus hidup dengan menggunakan model Bass dapat ditingkatkan dengan mempertimbangkan kategori jenis pembaruan produk melalui parameter p dan q.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 TERIOS (MMC) 50.17 53.37 36.15 41.89 37.38 32.95 31.97 31.98 29.48 30.88 36.98 29.94 26.99 34.49 32.62 28.24 28.67 30.31 32.71 30.13 RUSH (MMC) 60.26 41.80 43.00 41.99 40.82 45.87 34.73 34.18 41.08 32.74 37.53 33.57 33.66 33.75 34.83 36.11 32.00 34.64 34.28 33.25 SATYA (PERDANA) 43.34 33.85 54.46 29.29 46.99 46.20 38.28 31.06 40.51 36.17 35.13 39.10 38.53 40.08 38.21 37.99 38.17 38.90 41.06 39.81 PAJERO (MMC ) 41.34 32.43 32.22 31.65 33.18 27.92 34.08 26.34 27.20 26.96 26.91 32.35 27.09 29.89 28.22 29.10 28.04 28.56 28.98 28.76 YARIS (FMC) 44.08 28.63 34.37 22.56 26.64 25.32 24.96 23.44 28.79 28.63 27.33 28.67 27.93 25.38 24.58 26.31 27.41 26.10 26.55 26.61 MIRAGE (MMC ) 53.98 36.64 44.09 47.39 36.11 40.15 37.80 36.04 33.71 34.34 39.18 34.47 31.30 36.79 32.58 31.84 39.41 36.77 35.34 36.18 RATA-RATA 48.86 37.79 40.71 35.80 36.85 36.40 33.64 30.51 33.46 31.62 33.84 33.02 30.92 33.40 31.84 31.60 32.28 32.55 33.15 32.46
MMAPE (%) Pada N (Jumlah Analogi) MODEL 1 2 3 4 5 6 7 8 9 10 11 TERIOS (MMC) 41.36 40.69 24.72 29.94 26.94 26.70 33.63 24.99 24.39 25.52 27.48 RUSH (MMC) 45.51 40.81 32.66 41.53 25.08 24.82 34.25 28.50 31.76 28.70 30.77 SATYA (PERDANA) 28.74 26.23 24.79 25.97 PAJERO (MMC) 33.18 28.34 31.25 27.16 30.29 29.81 29.50 30.50 29.84 30.67 30.84 YARIS (FMC) 26.13 20.35 30.97 27.52 32.53 MIRAGE (MMC) 39.05 26.93 39.41 29.61 38.06 31.87 32.48 32.91 33.45 31.64 33.85 RATA-RATA 35.66 30.56 30.63 30.29 30.58 28.30 32.47 29.22 29.86 29.13 30.73
DAFTAR PUSTAKA
Bass, F.M., 1969, “A New Product Growth for Model Consumer Durables”, Management Science, Vol. 15, No.5, 215-227.
Bemmoar, A.C., and Lee, J., 2002, “The Impact of Heterogeneity and Ill-conditioning on Diffusion Model Parameter Estimates”, Marketinf Science, 21, 209–220.
Goodwin, P., Dyussekeneva, K., and Meeran, S., 2013, “The Use of Analogies in Forecasting The Annual Sales of New Electronics Products”, IMA Journal of Management Mathematics, 24 (4), pp. 407-422. Gaikindo, 2008-2015.
Hallberg, A., Susana, F., and Myhrman, P., 2014, “How Small Businesses Market Their Product During The Different Phase of The Product Life Cycle: The Case of Swedish Ice Cream Manufactures”,
Eurasian Journal of Business and Management, 2(1), 1-13.
Radas, S., 2006, “Diffusion Models in Marketing: How to Incorporate The Effect of External Influence?”,
Privredna Kretanja i Ekonomska Politika, Vol 15, No. 105, pp. 30-51
Sharma, N., 2013, “Marketing Strategy on Different Stages PLC and Its Marketing Implications on FMCG Products”, International Journal of Marketing, Financial Services & Management Research, Vol. 2, No. 3.
Smith, K., 2004, The Oxford Handbook of Innovation: Chapter 6 Measuring Innovation, Oxford University Press.
Wright, M.J., and Stern, P., 2015, “Forecasting New Product Trial with Analogous Series, Journal of
