ANALISIS PERAMALAN PENJUALAN MENGGUNAKAN
PENDEKATAN KOINTEGRASI PADA KOMODITAS ABS
(Acrylonitrile Butadiene Stryrene), PP (Polypropylene) dan PS
(Polystyrene) DI PT S-IK INDONESIA
Oleh
KIKI MAULYA PUSPITA
H24087087
PROGRAM SARJANA ALIH JENIS MANAJEMEN
DEPARTEMEN MANAJEMEN
FAKULTAS EKONOMI DAN MANAJEMEN
INSTITUT PERTANIAN BOGOR
BOGOR
2011
RINGKASAN
KIKI MAULYA PUSPITA. H24087087. Analisis Peramalan Penjualan Menggunakan Metode Kointegrasi Tiga Komoditas Pada PT. S-IK Indonesia. Di bawah bimbingan MUHAMAD SYAMSUN
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. Untuk meminimalkan ketidakpastian itu dapat dilakukan dengan metode atau pendekatan peramalan (forecasting). Peramalan penjualan sangat penting dalam mengkaji situasi dan kondisi pada masa depan dan dapat digunakan untuk memperkirakan apa yang akan terjadi di masa mendatang. Berdasarkan definisi dan kegunaan yang telah dijabarkan, maka PT S-IK Indonesia yang merupakan perusahaan yang bergerak dalam bidang manufaktur yaitu Plastic Coloring and Compounding (pewarnaan dan perancangan/peracikan 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. Oleh karena itu melalui penelitian ini peneliti berusaha untuk memberikan sebuah usulan atau alternatif peramalan penjualan dengan menggunakan pendekatan peramalan kointegrasi.
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). Hal ini dikarenakan ketiga komoditi tersebut merupakan
komoditi utama di PT S-IK Indonesia yang banyak dipesan oleh konsumen. Penjualan dari ketiga komoditi ABS, PP dan PS yang berfluktuatif menyebabkan PT. S-IK Indonesia memerlukan suatu pendekatan untuk melihat ramalan volume penjualan dari ketiga komoditi tersebut serta hubungan dan pengaruh penjualan antar komoditi. Pengaruh dan hubungan setiap komoditi dalam suatu perusahaan terkadang menyebabkan penurunan dan peningkatan penjualan terhadap komoditi lainnya. Hal ini diperlukan untuk membantu PT. S-IK Indonesia dalam mengontrol volume penjualan dari ketiga komoditi tersebut dalam beberapa periode ke depan. Pendekatan yang di gunakan dalam penelitian ini yaitu pendekatan kointegrasi. Dimana dengan metode kointegrasi ini perusahaan dapat melihat hubungan antar produk dan juga dapat mengetahui ramalan penjualan untuk periode kedepannya.
ANALISIS PERAMALAN PENJUALAN MENGGUNAKAN
PENDEKATAN KOINTEGRASI PADA KOMODITAS ABS
(Acrylonitrile Butadiene Stryrene), PP (Polypropylene) dan PS
(Polystyrene) DI PT S-IK INDONESIA
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
Oleh
KIKI MAULYA PUSPITA
H24087087
PROGRAM SARJANA ALIH JENIS MANAJEMEN
DEPARTEMEN MANAJEMEN
FAKULTAS EKONOMI DAN MANAJEMEN
INSTITUT PERTANIAN BOGOR
BOGOR
2011
Judul Skripsi : Analisis Peramalan Penjualan Menggunakan Pendekatan Kointegrasi Pada Komoditas ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropylene) dan PS (Polystyrene) di PT S-IK Indonesia
Nama : Kiki Maulya Puspita
NIM : H24087087
Menyetujui Dosen Pembimbing,
(Dr. Ir. Muhamad Syamsun, M.Sc.) NIP : 195007271974121001
Mengetahui Ketua Departemen,
(Dr. Ir. Jono M. Munandar, M.Sc) NIP. 196101231986011002
iv
KATA PENGANTAR
Puji syukur penulis panjatkan kepada Allah SWT yang telah melimpahkan segala rahmat dan karunia-Nya, sehingga penulis dapat menyelesaikan skripsi yang berjudul “Analisis Peramalan Penjualan Menggunakan Pendekatan Kointegrasi Pada Komoditas ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropylene) dan PS (Polystyrene) Di PT S-IK Indonesia”. Skripsi ini menjelaskan pengolahan data penjualan untuk ramalan penjualan di masa yang akan datang dengan tujuan meningkatkan penjualan. Selain itu, skripsi ini menjelaskan pengaruh-pengaruh variabel lain terhadap penjualan produk. Penulis berharap dengan adanya skripsi ini dapat memberikan wawasan baru mengenai pengolahan data untuk peramalan khususnya bagi perusahaan yang sedang berkembang.
Segenap usaha maksimal telah penulis lakukan dalam menyelesaikan skripsi ini. Namun, penulis mengakui penulisan skripsi belumlah sempurna, baik dalam segi materi maupun penyusunannya. Oleh karena itu, penulis menerima saran dan kritik yang bersifat membangun sehingga skripsi ini dapat lebih baik lagi. Semoga skripsi ini dapat bermanfaat bagi kita semua.
Bogor, Oktober 2011
iii
RIWAYAT HIDUP
Penulis dilahirkan di Jakarta pada tanggal 08 November 1987. Penulis merupakan anak pertama dari dua bersaudara pasangan Bapak Budi Rahardjo dan Ibu Tri Fadjar Wati.
Pendidikan dasar penulis diselesaikan selama enam tahun di Sekolah Dasar Negeri Gunung Sahari Jakarta dan Sekolah Dasar Negeri Polisi Empat Bogor. Kemudian melanjutkan sekolah lanjutan tingkat pertama di SLTP Negeri 5 Bogor selama tiga tahun. Sekolah lanjutan tingkat atas diselesaikan selama tiga tahun di SMU Plus Persaudaraan Haji Bogor dan lulus pada tahun 2005. Setelah lulus, Penulis diterima di Program Diploma III program keahlian Manajemen Informatika, Institut pertanian Bogor. Pendidikan ditempuh selama tiga tahun lulus pada tahun 2008. Pada tahun yang sama, penulis diterima di Program Sarjana Alih Jenis Manajemen, Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor.
v
UCAPAN TERIMAKASIH
Dalam penyusunan skripsi yang berjudul Analisis Peramalan Penjualan Menggunakan Pendekatan Kointegrasi Pada Komoditas ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropylene) dan PS (Polystyrene) di PT S-IK Indonesia, banyak dibantu oleh berbagai pihak baik secara moril maupun materil. Oleh karena itu pada kesempatan ini penulis mengucapkan terimakasih yang sebesar-besarnya kepada:
1. Bapak Dr. Ir. Muhamad Syamsun, M.Sc. Selaku dosen Pembimbing yang telah membimbing, memberikan masukan, dan mendukung penulis selama penyusunan Skripsi.
2. Bapak Fauzie Daulay selaku pihak PT S-IK yang sudah memberikan kesempatan kepada saya untuk melakukan penelitian di perusahaan tersebut dan juga membantu dalam memberikan informasi/data yang ada pada PT S-IK Indonesia.
3. Orang tua tercinta Budi Rahardjo dan Tri Fadjar Wati, serta adik penulis Dimas Saputro atas doa, kasih sayang, dukungan, nasihat dan perhatian yang diberikan kepada penulis.
4. Seluruh Dosen Departemen Manajemen yang telah memberikan ilmu dan bimbingan selama kuliah.
5. Teman-teman satu bimbingan Indra, Iqbal, Muharani, Riza yang telah memberikan bantuan dan dukungan dalam proses penyelesaian skripsi. 6. Bayu, Rina, Pras, Reki, Ovie dan teman-teman di Manajemen yang tidak
bisa disebutkan satu persatu, namun tidak mengurangi rasa terima kasih penulis atas kerja sama dan bantuannya.
vi
DAFTAR ISI
Halaman RINGKASAN
RIWAYAT HIDUP ... iii
KATA PENGANTAR ... iv
UCAPAN TERIMAKASIH ... v
DAFTAR ISI ... vi
DAFTAR TABEL ... viii
DAFTAR GAMBAR ... ix DAFTAR LAMPIRAN ... x I. PENDAHULUAN ... 1 1.1. Latar Belakang ... 1 1.2. Perumusan Masalah ... 4 1.3. Tujuan Penelitian ... 4 1.4. Manfaat Penelitian ... 4 1.5. Ruang Lingkup ... 5
II. TINJAUAN PUSTAKA ... 6
2.1. Plastik ... 6
2.2. Bahan Baku Plastik Thermoplast ... 8
2.3. Teori Peramalan ... 10
2.4. Pendekatan dalam Peramalan ... 11
2.5. Peramalan Penjualan ... 12
2.6. Kointegrasi ... 13
2.7. Vector Auto Regression (VAR) ... 14
2.8. Analisis Vector Error Correction Model (VECM) ... 15
2.9. Impulse Response Function (IRF) ... 16
2.10. Forecast Error Variance Decomposition (FEVD) ... 16
2.11. Penelitian terdahulu ... 17
III. METODE PENELITIAN ... 19
3.1. Kerangka Pemikiran Penelitian ... 19
3.2. Lokasi dan Waktu Penelitian ... 21
3.3. Metode Pengumpulan Data ... 21
3.4. Pengolahan dan Analisis Data ... 21
3.4.1 Uji Stasioneritas Data ... 22
3.4.2 Metode Pengujian Granger Causality ... 23
3.4.3 Pengujian Lag Optimal ... 23
3.4.4 Uji Kointegrasi ... 24
3.4.5 Analisis Vector Error Correction Model (VECM) ... 25
3.4.6 Uji Stabilitas model ... 26
vii
3.4.8 Forecast Error Variance Decomposition (FEVD) ... 27
IV. HASIL DAN PEMBAHASAN ... 29
4.1. Gambaran Umum Perusahaan ... 29
4.2. Visi dan Misi Perusahaan ... 30
4.3. Perkembangan Perusahaan ... 31
4.4. Fasilitas Produksi yang Dimiliki PT S-IK Indonesia ... 32
4.5. Produk-produk Perusahaan ... 32
4.6. Struktur Organisasi ... 33
4.7. Hasil Analisis ... 35
4.7.1 Uji Stasioneritas ... 35
4.7.2 Uji Kausalitas Granger ... 36
4.7.3 Penentuan Lag Optimal ... 37
4.7.4 Uji Kointegrasi ... 37
4.7.5 Estimasi VECM (Vector Error Correction Model) ... 38
4.7.6 Uji Stabilitas Model ... 38
4.7.7 Impuls Respon FunctionI (IRF) ... 39
4.7.8 Forecast Error Variance Decomposition (FEVD) ... 42
4.8. Implikasi Manajerial ... 48
KESIMPULAN DAN SARAN ... 50
1. Kesimpulan ... 50
2. Saran ... 51
DAFTAR PUSTAKA ... 52
viii
DAFTAR TABEL
No Halaman
1. Macam-macam plastik ... 7
2. Perkembangan perusahaan ... 32
3. Hasil Uji Unit Root pada Level ... 35
4. Hasil Uji Unit Root pada First Difference ... 36
5. Uji Kausalitas Granger ... 36
6. Penentuan Lag Optimal ... 37
7. Uji Kointegrasi ... 37
8. Estimasi VECM (Vector Error Correction Model) ... 38
9. Pengujian Stabilitas Model ... 39
10. Hasil peramalan ABS ... 43
11. Hasil peramalan PP ... 45
ix
DAFTAR GAMBAR
No Halaman 1. Grafik penjualan produk ABS (Acrylonitrile Butadiene Stryrene),
PP (Polypropylene) dan PS (Polystyrene) selama 5 tahun terakhir ... 3
2. Kerangka Pemikiran ... 20
3. Impulse Response ABS ... 39
4. Impulse Response PP ... 40
5. Impulse Response PS ... 41
6. Variance Decomposition ABS ... 44
7. Variance Decomposition PP ... 46
x
DAFTAR LAMPIRAN
No Halaman
1. Fasilitas yang terdapat pada PT S-IK Indonesia ... 55
2. Struktur Organisasi ... 58
3. Data Penjualan ABS, PP dan PS tahun 2006 - 2010 ... 59
4. Uji Stasioneritas data dan Uji First Difference... 60
5. Uji Kausalitas Granger ... 63
6. Penentuan Lag Optimum ... 64
7. Uji Kointegrasi ... 65
8. Estimasi VECM ... 66
9. Uji Stabilitas Model ... 68
10. Impuls Response (IRF) ... 69
11. Forecast Error Variance Decomposition (FEVD) ... 75
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 yaitu Plastic Coloring and Compounding (pewarnaan dan perancangan/peracikan
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 otomotif, misalnya dashboard mobil, bemper mobil, kedudukan lampu mobil, dll.
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 komoditi tersebut untuk prospek penjualan beberapa periode ke depan.
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 ilmu dan pengetahuan yang telah diperoleh penulis di masa perkuliahan.
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 dengan menggunakan alat analisis Vector Error Correction Model (VECM) dan untuk mendapatkan peramalannya digunakan Forecast Error Variance Decomposition (FEVD). Perusahaan yang diteliti adalah PT S-IK Indonesia.
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 ragam tergantung pada bahan baku yang digunakan dan mutu produk yang akan
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
Shopping bag, kotak es cream, gelas jus, botol kimia, bungkus detergent, ember
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 polimerisasi gas propilena. Propilena mempunyai specific gravity rendah dibandingkan dengan jenis plastik lain.
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 kondensasi bisphenol A dengan fosgen dalam media alkali. Polikarbonat
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 logis yang dihasilkan dari kejadian-kejadian masa lalu. Penggunaan teknik
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 pengalaman yang lebih terkini. Metode ini berbasis rerata (pemulusan) nilai
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.
Menurut Keown, et al. (2004), unsur-unsur pokok dalam proses perencanaan perusahaan adalah meramalkan penjualan. Perhitungan ini biasanya
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 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 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 penafsiran yang salah;
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 keseimbangan.
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 guncangan tertentu 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)
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 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 antara negara-negara ASEAN+6. Sedangkan berdasarkan hasil analisis FEVD
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 ekspor Indonesia.
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 kointegrasi di antara variabel-variabel tersebut. Hubungan kointegrasi tersebut
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)
Dimana panjang lag (p) ditentukan untuk menghasilkan bahwa disturbance error akan bersifat white noise.
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 (Gaussian) dapat dihitung:
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 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 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 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 variabel yang memberikan kontribusi yang paling signifikan terhadap perubahan dari variabel tertentu. Dalam analisis ini variabel tersebut yaitu variabel ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropilene), dan PS (Polystyrene).
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 Societe Generale Survaillance (SGS). Penerapan ISO 9001: 2000 diaudit secara
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:
