ANALISIS PERAMALAN DAN FAKTOR-FAKTOR YANG MEMPENGARUHI VOLUME PENJUALAN OBAT HEWAN PT UNIVETAMA DINAMIKA, JAKARTA
ALAMANDA YOSY BELLADONA H14104052
DEPARTEMEN ILMU EKONOMI FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR 2008
RINGKASAN ALAMANDA YOSY BELLADONA. Analisis Peramalan dan Faktor-faktor yang Mempengaruhi Volume Penjualan Obat Hewan PT Univetama Dinamika, Jakarta (Dibimbing oleh BUNGARAN SARAGIH). Perkembangan industri peternakan sangat berpengaruh pada industri pendukung, salah satunya adalah industri obat hewan. Keterkaitan tersebut berhubungan dalam pemenuhan produksi, pengembangan hingga pemasarannya. PT Univetama Dinamika (UTD) adalah salah satu perusahaan obat hewan ternak yang mengalami perkembangan dari sebuah perusahaan distributor hingga menjadi produsen obat hewan. PT Univetama Dinamik mengalami ketidakpastian permintaan produk obat hewan karena kondisi peternakan yang tidak stabil, khususnya produk ungulan perusahaan yaitu multivitamin. Oleh karena itu, perusahaan perlu merencanakan atau menetapkan volume produksi agar dapat memenuhi permintaan pasar dengan tepat dan jumlah yang sesuai. Perencanaan perusahaan dalam menentukan volume produksi, salah satunya adalah meramalkan volume penjualan yang akan datang. PT UTD telah melakukan kegiatan peramalan volume penjualan, tetapi ramalan tersebut terkadang kurang tepat sehingga mengalami kelebihan produksi. Kondisi tersebut dipengaruhi oleh beberapa faktor. Penelitian ini bertujuan untuk menganalisis faktor-faktor yang mempengaruhi volume penjualan multivitamin PT UTD, menganalisis metode peramalan yang tepat dan akurat untuk meramalkan volume penjualan multivitamin obat hewan PT UTD dan meramalkan volume penjualan multivitamin obat hewan PT UTD untuk 12 bulan ke depan. Untuk menganalisis faktor-faktor yang mempengaruhi volume penjualan PT UTD menggunakan metode analisis regresi. Variabel bebas yang dianalisis antara lain: lag volume penjualan, populasi unggas, harga jual multivitamin PT UTD, harga jual multivitamin kompetitor, dan dummy musiman (musim hujan). Sedangkan untuk menganalisis metode peramalan terakurat, penelitian ini menggunakan metode time series, yaitu: metode trend linier, trend kuadratik, pertumbuhan eksponensial, metode pemulusan eksponensial tunggal, pemulusan eksponensial ganda, metode winters aditif, winters multiplikatif, metode dekomposisi aditif, dekomposisi multiplikatif dan ARIMA. Berdasarkan metodemetode yang dilakukan akan dipilih metode terbaik dengan standar Mean Square Error (MSE) terkecil. Dalam pemilihan metode peramalan terbaik, terlebih dahulu meramalkan volume penjualan tahun 2007. Setelah metode terpilih dan direalisasikan dengan data aktual, metode tersebut digunakan untuk meramal volume penjualan 12 bulan ke depan. Hasil analisis metode regresi menunjukkan bahwa lag volume penjualan, populasi unggas, dan harga jual multivitamin kompetitor berpengaruh nyata terhadap volume penjualan PT UTD pada taraf nyata 0,05. Sedangkan harga jual PT UTD dan dummy musim hujan tidak berpengaruh nyata pada taraf 0,05. Harga jual PT UTD tidak berpengaruh nyata terhadap volume penjualan PT UTD karena harga yang ditetapkan setiap bulannya relatif sama. Dummy musim hujan tidak
berpengaruh nyata terhadap volume penjualan multivitamin PT UTD karena produk multivitamin digunakan unggas secara continu baik pada musim hujan maupun musim kemarau untuk meningkatkan daya tahan tubuh maupun mencegah penyakit. Hasil analisis metode peramalan volume penjualan tahun 2007, menunjukkan bahwa metode ARIMA (1,0,0)(0,1,1)12 merupakan metode terbaik karena memiliki nilai MSE terkecil. Selanjutnya, metode ARIMA (1,0,0)(0,1,1)12 digunakan untuk meramalkan volume penjualan 12 bulan ke depan dengan nilai MSE sebesar 5,63. Artinya apabila perusahaan menggunakan metode ini dalam peramalan, nilai rata-rata kesalahan peramalan tersebut sebesar 5,63 dari volume penjualan aktual PT UTD. Hasil ramalan 12 bulan ke depan menunjukkan bahwa volume penjualan tertinggi diperkirakan berada pada bulan Desember 2008 yaitu, rata-rata sebesar 113,19 kg. Apabila direalisasikan dengan volume penjualan tahun lalu (2007) sebesar 1249,80 kg, maka volume penjualan multivitamin 12 bulan ke depan (tahun 2008) diperkirakan meningkat 4,27 persen. Hasil ramalan 12 bulan ke depan dapat digunakan perusahaan untuk merencanakan volume produksi yang akan datang, perencanaan kebutuhan bahan, rekrutmen tenaga kerja, prediksi arus kas dan tingkat dimana komposisi biaya dan pendapatan yang dipilih dapat mempertahankan likuiditas dan efisiensi operasi. PT Univetama Dinamika sebaiknya menggunakan metode ARIMA (1,0,0)(0,1,1)12 untuk meramal volume penjualan multivitamin dengan mempersiapkan Sumberdaya Manusia (SDM) khusus bagian peramalan. Jika upaya meningkatkan volume penjualan belum menampakkan hasil, sebaiknya dilakukan pengurangan produksi multivitamin.
ANALISIS PERAMALAN DAN FAKTOR-FAKTOR YANG MEMPENGARUHI VOLUME PENJUALAN OBAT HEWAN PT UNIVETAMA DINAMIKA, JAKARTA
ALAMANDA YOSY BELLADONA H14104052
SKRIPSI Sebagai salah satu syarat memperoleh gelar Sarjana Ekonomi pada Departemen Ilmu Ekonomi
DEPARTEMEN ILMU EKONOMI FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR 2008
INSTITUT PERTANIAN BOGOR FAKULTAS EKONOMI DAN MANAJEMEN DEPARTEMEN ILMU EKONOMI Dengan ini menyatakan bahwa skripsi yang ditulis oleh : Nama
: Alamanda Yosy Belladona
NRP
: H14104052
Program Studi
: Ilmu Ekonomi
Judul Skripsi
: Analisis
Peramalan
dan
Faktor-faktor
yang
Mempengaruhi Volume Penjualan Obat Hewan PT Univetama Dinamika, Jakarta dapat diterima sebagai syarat untuk memperoleh gelar Sarjana Ekonomi pada Departemen Ilmu Ekonomi, Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor. Menyetujui, Dosen Pembimbing
Prof. Dr. Ir Bungaran Saragih, M.Ec NIP. 130 350 045
Mengetahui, Ketua Departemen Ilmu Ekonomi
Rina Oktaviani, Ph.D NIP. 131 846 872 Tanggal Kelulusan:
PERNYATAAN
DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENARBENAR HASIL KARYA SAYA SENDIRI DAN BELUM PERNAH DIAJUKAN SEBAGAI SKRIPSI ATAU KARYA ILMIAH PADA SUATU PERGURUAN TINGGI ATAU LEMBAGA MANAPUN.
Bogor, Agustus 2008
Alamanda Yosy Belladona H14104052
RIWAYAT HIDUP
Penulis dilahirkan di Bogor pada tanggal 3 Oktober 1985. Penulis merupakan anak kedua dari pasangan Bapak Dadan Hengky Irawan dan Ibu Ida Djuwita. Penulis memulai pendidikan formal di Depok dan dapat menyelesaikan TK pada tahun 1992 di TK Garuda, kemudian melanjutkan pendidikan Sekolah Dasar di SDN Tugu X Depok dan lulus pada tahun 1998. Penulis melanjutkan pendidikan ke SMP Negeri 7 Depok dan lulus pada tahun 2001 kemudian melanjutkan pendidikan di SMU Negeri 2 Depok pada tahun yang sama dan lulus pada tahun 2004. Tahun 2004 penulis melanjutkan pendidikan di Institut Pertanian Bogor melalui jalur Undangan Saringan Masuk IPB (USMI) dan diterima sebagai mahasiswa Departemen Ilmu Ekonomi pada Fakultas Ekonomi dan Manajemen. Selama menjadi mahasiswa, penulis mengikuti organisasi, seperti Dewan Perwakilan Mahasiswa (DPM) FEM dan HMI Komisariat FEM.
KATA PENGANTAR
Puji dan syukur penulis panjatkan kehadirat Allah SWT atas segala berkat dan rahmat-Nya, sehingga penulis dapat menyelesaikan skripsi ini. Skripsi yang ditulis
mengambil
judul
”Analisis
Peramalan
dan
Faktor-faktor
yang
Mempengaruhi Volume Penjualan Obat Hewan PT Univetama Dinamika, Jakarta”. Skripsi ini merupakan salah satu syarat untuk memperoleh gelar Sarjana Ekonomi pada Departemen Ilmu Ekonomi, Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor. Sebagai salah satu wujud rasa syukur kehadirat Allah SWT, pada kesempatan ini, penulis ingin mengucapkan terima kasih kepada: . 1. Kedua orang tua saya yang telah memberikan dukungan secara moral dan materiil selama saya menempuh pendidikan di Institut Pertanian Bogor. Kakak, adik dan semua keluarga yang telah memberi bantuan dan motivasi kepada penulis. 2. Prof. Dr. Ir. Bungaran Saragih M.Ec selaku dosen pembimbing yang telah bersedia meluangkan waktu untuk berdialog dan berdiskusi dalam menyelesaikan skripsi ini. 3. Bapak Nunung Nuryartono, Ph.D sebagai dosen penguji utama pada sidang yang telah memberikan saran dalam penyusunan skripsi ini. 4. Ibu Widyastutik, M.S sebagai dosen penguji komisi pendidikan pada sidang yang telah memberikan koreksi demi kesempurnaan skripsi ini. 5. Dosen, Staf dan seluruh civitas akademika Departemen Ilmu Ekonomi FEMIPB yang telah banyak memberikan ilmu kepada penulis selama menyelesaikan studi di Departemen Ekonomi. 6. Bapak
Endi
Suhendi
selaku
Direktur
Operasional
dan
Marketing
PT Univetama Dinamika, atas segala informasi yang dibutuhkan dalam penyelesaian skripsi ini. 7. Teman-teman seperjuanganku di IE (Dita, Popy, Dyah, Fatin) yang telah memberkan bantuan, kebersamaan, dan motivasi kepeda penulis. Teman satu
bimbingan (Johanna SL Tobing) yang telah memberikan bantuan dan kerjasama dalam penyelesaian skripsi ini. Teman-teman kost “Salsabillah”, teman-teman KKP, teman-teman asrama TPB A1 51, dan teman-teman IE 41 yang telah memberikan suasana kekeluargaan dan motivasi kepada penulis. 8. Semua pihak yang telah membantu dalam menyelesaikan skripsi ini. Penulisan skripsi ini diharapkan dapat bermanfaat bagi perusahaan dan pihak-pihak yang terkait. Penulis mengucapkan terima kasih kepada pihak yang telah mendukung dan membantu sehingga skripsi ini dapat diselesaikan. Penulis menghanturkan mohon maaf jika dalam penulisan skripsi ini masih terdapat banyak kekurangan dan kelemahan.
Bogor, Agustus 2008
Penulis
DAFTAR ISI
Halaman DAFTAR ISI ...............................................................................................
iv
DAFTAR TABEL .......................................................................................
vi
DAFTAR GAMBAR ..................................................................................
vii
DAFTAR LAMPIRAN ...............................................................................
viii
1.
II.
PENDAHULUAN 1.1. Latar Belakang .............................................................................
1
1.2. Perumusan Masalah ......................................................................
4
1.3. Tujuan Penelitian ..........................................................................
6
1.4. Kegunaan Penelitian .....................................................................
6
1.5. Ruang Lingkup Penelitian .............................................................
7
TINJAUAN PUSTAKA DAN KERANGKA PEMIKIRAN 2.1. Tinjauan Teori …………………………………………………..
8
2.1.1. Definisi Unggas dan Obat Hewan .....................................
8
2.1.2. Produk Obat Hewan ..........................................................
8
2.1.3. Konsep Permintaan ...........................................................
9
2.1.4. Konsep Penjualan ..............................................................
10
2.1.5. Peramalan Penjualan .........................................................
11
2.1.6. Metode Peramalan ............................................................
14
2.1.7. Pemilihan Metode Peramalan ............................................
20
2.1.8. Implikasi Metode Peramalan .............................................
21
2.1.9 Metode Regresi. .................................................................
21
2.2. Penelitian Terdahulu ...................................................................
23
2.3. Kerangka Pemikiran ....................................................................
26
2.4. Hipotesis Penelitian ....................................................................
28
III. METODE PENELITIAN 3.1. Jenis dan Sumber Data .................................................................
30
3.2. Metode Analisis ...........................................................................
30
3.2.1. Metode Regresi ..................................................................
30
3.2.2. Identifikasi Pola Data .........................................................
35
3.2.3. Metode Peramalan ..............................................................
37
3.2.4. Pemilihan Metode Peramalan .............................................
48
3.2.5. Peramalan Penjualan ..........................................................
49
IV. GAMBARAN UMUM PERUSAHAAN
V.
4.1. Sejarah, Misi dan Tujuan Perusahaan ..........................................
50
4.2. Produk Obat Perusahaan ..............................................................
51
4.3. Struktur Organisasi Perusahaan ...................................................
53
4.4. Struktur Pasar Perusahaan ............................................................
55
4.5. Proses Produksi Obat Hewan PT UTD ........................................
57
FAKTOR-FAKTOR YANG MEMPENGARUHI VOLUME PENJUALAN OBAT HEWAN PT UNIVETAMA DINAMIKA 5.1. Analisis Regresi Faktor-faktor yang Mempengaruhi Volume Penjualan Multivitamin PT UTD ..................................
58
5.2. Uji Model Ekonometrika ..........................................................
61
VI. PERAMALAN VOLUME PENJUALAN OBAT HEWAN PT UNIVETAMA DINAMIKA 6.1. Pemilihan Metode Peramalan Terbaik .......................................
64
6.2. Analisis Peramalan Volume Penjualan .......................................
77
6.3. Implikasi Hasil Peramalan ..........................................................
80
VII. KESIMPULAN DAN SARAN 7.1. Kesimpulan .................................................................................
84
7.2. Saran ...........................................................................................
85
DAFTAR PUSTAKA .................................................................................
86
LAMPIRAN ................................................................................................
88
DAFTAR TABEL
Nomor
Halaman
1.1
Populasi Unggas di Indonesia Tahun 2003-2007 ...........................
1
1.2
Persentase Penjualan Obat Hewan PT UTD Menurut Provinsi Tahun 2007 .....................................................................................
2
1.3
Volume Penjualan Rata-Rata Produk PT UTD .............................
3
3.1
Pola ACF dan PACF Model Nonseasonal ARIMA .......................
46
4.1
Pangsa Pasar Perusahaan Obat Hewan di Indonesia Tahun 2007 ..
57
5.1
Hasil Analisis Model Regresi Volume Penjualan Multivitamin Obat Hewan PT Univetama Dinamika ……………………….... .
58
6.1
Perbandingan Nilai MSE Metode Trend.........................................
67
6.2
Perbandingan Nilai MSE Metode Winters......................................
69
6.3
Nilai Unsur Musiman yang Dihasilkan Metode Dekomposisi Aditif ........................................................................
70
Nilai Unsur Musiman yang Dihasilkan Metode Dekomposisi Multiplikatif..............................................................
71
6.4 6.5
Beberapa Alternatif Model ARIMA Volume Penjualan PT UTD Tahun 2007 .....................................................
73
6.6
Metode Peramalan Kuantitatif Terbaik Tahun 2007 ......................
75
6.7
Ramalan Volume Penjualan Multivitamin PT UTD Tahun 2007 ..
76
6.8
Metode Peramalan Kuantitatif Terbaik Tahun 2008 ......................
78
6.9
Beberapa Alternatif Model ARIMA Volume Penjualan PT UTD Tahun 2008 .....................................................
79
6.10 Ramalan Volume Penjualan Multivitamin PT UTD Tahun 2008 ..
82
DAFTAR GAMBAR
Nomor
Halaman
1.1 Penjualan Multivitamin Obat Hewan PT Univetama Dinamika............................................................
3
1.2 Ramalan dan Volume Penjualan Aktual PT UTD .....................
5
2.1 Peran Peramalan Penjualan dalam Perencanaan Strategis ........
13
2.2 Alur Kerangka Pemikiran Penelitian .........................................
28
4.1 Struktur Organisasi PT Univetama Dinamika Tahun 2006 ......
53
5.1 Pola Data Penjualan Multivitamin PT UTD (2003-2006) .......
65
DAFTAR LAMPIRAN
Nomor 1.
Halaman Data Penjualan Multivitamin Obat Hewan PT Univetama Dinamika 2003-2007 ………………………….
88
2.
Harga Jual Multivitamin PT Univetama Dinamika ……………
89
3.
Harga Jual Multivitamin Kompetitor ………………………….
90
4.
Data Populasi Unggas Jawa Barat …….……………………….
91
5.
Output Analisis Regresi Volume Penjualan Multivitamin PT Univetama Dinamika ………………………………………
92
6.
Residual Plot Model Volume Penjualan ………………………
93
7.
Plot Normal Probability ……………………………………….
93
8.
Plot ACF dan PACF ………………………………………….
94
9.
Output Analisis Winters Aditif Volume Penjualan PT UTD…
95
10.
Plot ACF Hasil Pembedaan Pertama ...........…………………
95
11.
Output Komputer ARIMA (1,0,0)(0,1,1)12 Tahun 2007 ...........
96
12.
Output Analisis ARIMA (1,0,0)(0,1,1)12 Tahun 2008 ..............
97
I. PENDAHULUAN
1.1. Latar Belakang Subsektor peternakan merupakan bagian sektor pertanian yang sangat dibutuhkan masyarakat dalam pemenuhan kebutuhan pangan dan gizi yaitu, pemenuhan protein hewani seperti daging, telur, dan susu. Perkembangan industri peternakan berkaitan dengan industri pendukung, salah satunya adalah industri obat hewan. Keterkaitan tersebut berhubungan dalam pemenuhan produksi, pengembangan hingga pemasarannya. Pada tahun 2003, subsektor peternakan mengalami guncangan akibat merebaknya virus H5N1 atau Flu Burung pada unggas. Merebaknya virus Flu Burung mengakibatkan berkurangnya populasi unggas. Populasi unggas di Indonesia dapat dilihat pada Tabel 1. Tabel 1. Populasi Unggas di Indonesia Tahun 2003-2007 Tahun Populasi Unggas (ekor) 2003 1 238 170 2004 1 181 948 2005 1 207 338 2006 1 221 295 2007 1 379 306 Sumber: Direktorat Jenderal Peternakan, 2007 Berdasarkan Tabel 1, populasi unggas di Indonesia mengalami penurunan pada tahun 2003-2004 sebesar 4,54 persen. Akan tetapi, pada tahun 2005-2007 populasi unggas dapat kembali meningkat. Adanya penurunan populasi unggas sebesar 4,54 persen menyebabkan permintaan terhadap obat hewan juga menurun. Menurunnya permintaan obat hewan dikarenakan banyak unggas yang mati sehingga produk obat hewan tidak dapat didistribusikan.
Merebaknya virus flu burung dapat meningkatkan persaingan dalam industri obat hewan karena jumlah perusahaan obat hewan semakin bertambah sedangkan populasi unggas menurun. Permintaan obat hewan yang menurun berdampak pada penurunan volume penjualan perusahaan obat hewan. PT Univetama Dinamika (UTD) adalah salah satu perusahaan obat hewan ternak yang mengalami perkembangan dari sebuah perusahaan distributor hingga menjadi produsen obat hewan. Perusahaan memiliki wilayah pemasaran obat hewan di beberapa provinsi di Indonesia, antara lain: DKI Jakarta, Jawa Barat, Jawa Tengah, Jawa Timur, beberapa daerah Sumatera, Kalimantan, dan Sulawesi. Tabel 2. menunjukkan persentase penjualan obat hewan PT UTD menurut provinsi di Indonesia pada tahun 2007. Tabel 2. Persentase Penjualan Obat Hewan PT UTD Menurut Provinsi Tahun 2007 Provinsi Persentase Penjualan (%) DKI Jakarta 27 Jawa Barat 41 Jawa Tengah 11 Jawa Timur 9 Sumatera 7 Kalimantan 3 Sulawesi 2 Sumber: PT Univetama Dinamika, 2008 Berdasarkan Tabel 2, provinsi Jawa Barat memiliki persentase penjualan obat hewan tertinggi sebesar 41 persen, sehingga Jawa Barat merupakan wilayah pemasaran terbesar PT UTD. Penjualan obat hewan PT UTD di wilayah Jawa Barat terdiri dari beberapa produk yang di produksi perusahaan maupun produk obat hewan dari produsen lain yang dipasarkan PT UTD. Produk obat hewan PT UTD yang langsung di produksi perusahaan dan menjadi unggulan dengan
kualitas baik adalah produk Multivitamin. Volume Penjualan produk obat hewan PT UTD menurut fungsinya dapat dilihat pada Tabel 3. Tabel 3. Volume Penjualan Rata-Rata Produk PT UTD Produk PT UTD (Kg) Tahun 2003 2004 2005 Multivitamin 1075,70 1183,20 1200,40 Antibiotik 731,50 792,73 828,32 165,77 108,14 199,25 Anthelminist 31,57 23,87 29,98 Disinfectan 9,66 14,76 15,36 Premix Sumber: Direktorat Jenderal Peternakan, 2007
2006 2007 1208,00 1249,80 809,48 824,91 293,44 214,56 30,78 28,65 15,81 15,93
Multivitamin merupakan produk PT UTD yang memiliki volume penjualan tertinggi di antara produk lain. PT UTD memproduksi 9 macam Multivitamin, salah satunya adalah Multivitamin Vetrovit yang mendominasi volume penjualan multivitamin perusahaan. Volume penjualan multivitamin obat hewan PT Univetama Dinamika setiap bulannya mengalami fluktuatif sehingga perusahaan mengalami kesulitan dalam menentukan volume produksi. Gambar 1. menunjukkan volume penjualan bulanan produk multivitamin PT UTD, P e n ju a l a n M u l ti v i ta m i n 110
Penjualan (Kg)
105
100
95
90
85 M o n th Ye a r
Ja n 2003
Ju li 2003
Ja n
Ju li 2004
Ja n
Sumber: PT Univetama Dinamika, 2008
Ju li 2005
Ja n
Ju li 2006
Ja n
Ju li 2007
Gambar 1. Penjualan Multivitamin Obat Hewan PT Univetama Dinamika Berdasarkan Gambar 1, volume penjualan tertinggi rata-rata setiap bulannya berada pada bulan Desember. Pada bulan April-September 2003, volume penjualan multivitamin PT UTD mengalami penurunan tetapi secara bertahap dapat meningkat kembali walaupun pertumbuhannya berfluktuatif. Volume penjualan yang berfluktuatif mendorong perusahaan melakukan perencanaan produksi, salah satunya melakukan peramalan volume penjualan yang akan datang.
1.2. Perumusan Masalah PT Univetama Dinamika mengalami ketidakpastian permintaan produk obat hewan. Oleh karena itu, perusahaan perlu merencanakan atau menetapkan volume produksi agar dapat memenuhi permintaan pasar dalam jumlah tepat dengan cara meramalkan volume penjualan yang akan datang. Perusahaan memprediksikan volume penjualan yang akan datang dengan estimasi adanya peningkatan dari hari, bulan, dan tahun sebelumnya. Akan tetapi, prediksi tersebut terkadang tidak sesuai dengan kondisi yang dihadapi perusahaan sebenarnya. PT UTD telah melakukan kegiatan peramalan volume penjualan, tetapi ramalan tersebut terkadang kurang tepat sehingga mengalami kelebihan produksi. Gambar 2. menunjukkan pola hasil ramalan PT UTD dengan volume penjualan multivitamin aktualnya. Secara visual, dapat terlihat adanya perbedaan pola ramalan dengan data aktual. Pada tahun 2003 diramalkan volume penjualan multivitamin PT UTD meningkat, tetapi volume penjualan aktual menunjukkan
penurunan. Begitu pula dengan volume penjualan bulan April 2005 yang diramalkan meningkat pesat, sedangkan volume penjualan aktualnya menurun. Besarnya perbedaan tersebut dipengaruhi oleh beberapa faktor yang menyebabkan perusahaan mengalami kelebihan produksi. T im e S e r ie s P lo t o f a k tu a l, fo r c a s t 150
V a r ia b le a k tu a l fo r c a st
140
Penjualan (Kg)
130 120 110 100 90 80 M o n th Ja n Ju li Ye a r 2003 2003
Ja n
Ju li 2004
Ja n
Ju li 2005
Ja n
Ju li 2006
Ja n
Ju li 2007
Sumber: PT Univetama Dinamika, 2008 Gambar 2. Ramalan dan Volume Penjualan Aktual PT UTD 2003-2007 Oleh karena itu, perlu direkomendasikan metode peramalan yang tepat agar dapat memperkirakan volume penjualan akan datang dengan nilai yang paling mungkin mendekati nilai volume penjualan sebenarnya. Selain meramalkan, perusahaan perlu merespon faktor-faktor yang mempengaruhi volume penjualan agar dapat menyusun strategi dengan tepat dalam pemasaran, promosi serta peningkatan daya saing perusahaan. Berdasarkan uraian diatas, dapat dirumuskan suatu masalah yang akan dianalisis pada penelitian ini adalah: 1. Faktor-faktor apa saja yang mempengaruhi volume penjualan multivitamin obat hewan PT Univetama Dinamika?
2. Metode peramalan apa yang tepat untuk meramalkan volume penjualan multivitamin obat hewan PT Univetama Dinamika? 3. Berapa peramalan volume penjualan multivitamin obat hewan PT Univetama Dinamika untuk 12 bulan ke depan?
1.3. Tujuan Penelitian Adapun tujuan penelitian ini adalah: 1. Menganalisis
faktor-faktor
yang
mempengaruhi
volume
penjualan
multivitamin obat hewan PT Univetama Dinamika. 2. Menganalisis metode peramalan yang tepat dan akurat untuk meramalkan volume penjualan multivitamin obat hewan PT Univetama Dinamika. 3. Meramalkan volume penjualan multivitamin obat hewan PT Univetama Dinamika untuk 12 bulan ke depan.
1.4. Kegunaan Penelitian Penelitian ini dapat berguna bagi beberapa pihak, diantaranya: 1. Bagi pihak perusahaan, sebagai bahan pertimbangan untuk mengetahui faktorfaktor yang mempengaruhi volume penjualan, memilih metode peramalan terakurat dan ramalan volume penjualan ke depan. Hasil analisis dapat digunakan sebagai alternatif tindakan dalam menentukan strategi perusahaan. 2. Bagi peneliti selanjutnya, sebagai bahan referensi dan tambahan informasi. 3. Bagi penulis, sebagai pengembangan intelektualitas.
1.5. Ruang Lingkup dan Keterbatasan Penelitian Produk obat hewan PT UTD yang diteliti dan dianalisis hanya produk unggulan perusahaan, yaitu multivitamin hewan. Data yang dianalisis berupa data deret waktu (time series) dalam bentuk data penjualan bulanan dari tahun 2003 sampai tahun 2007. Faktor-faktor
yang
mempengaruhi
volume
penjualan
dianalisis
menggunakan metode regresi. Metode peramalan time series digunakan untuk meramalkan volume penjualan yang akan datang. Dalam pemilihan metode peramalan, terlebih dahulu meramalkan volume penjualan tahun 2007 kemudian merealisasikannya dengan data aktual. Selanjutnya, metode terpilih digunakan untuk meramal volume penjualan ke depan. Penelitian ini memiliki keterbatasan pada penyajian data personalia dan keuangan yang bersifat rahasia, dan tidak melibatkan data dari pihak perusahaan lain.
II. TINJAUAN PUSTAKA DAN KERANGKA PEMIKIRAN
2.1. Tinjauan Teori 2.1.1. Definisi Unggas dan Obat Hewan Menurut Kamus Besar Bahasa Indonesia (1986), unggas didefinisikan sebagai hewan bangsa burung yang dapat dikembangbiakan dan diternakkan untuk diambil manfaatnya. Ayam merupakan salah satu jenis unggas yang diternakkan karena banyak manfaat yang bisa diambil seperti: daging, telur, bulu bahkan kotorannya sekalipun. Ayam merupakan ternak yang paling banyak dikonsumsi oleh masyarakat dan menghasilkan produksi terbesar di Indonesia. Unggas rentan terhadap penyakit karena sifatnya yang mudah menular pada unggas lain karena hidupnya yang berkelompok. Oleh karena itu, peternak memberikan obat hewan jika unggas terkena penyakit dan pemberian vaksin atau vitamin secara continue untuk menjaga kualitas unggas potongnya. Dalam Kamus Bahasa Indonesia (1986), obat didefinisikan sebagai bahan penawar racun, sedangkan hewan adalah salah satu jenis makhluk hidup. Dengan demikian, obat hewan dapat didefinisikan sebagai bahan penawar racun yang diberikan pada hewan agar terhindar dari penyakit yang mematikan. Umumnya obat hewan digunakan pada ternak sebagai langkah pengobatan dan pencegahan dari berbagai penyakit yang menyerang hewan ternak.
2.1.2. Produk Obat Hewan Obat hewan dapat dibagi dalam tiga golongan, yaitu: obat keras, obat bebas terbatas, dan obat bebas. Berdasarkan Peraturan Pemerintah cq. Direktorat
Kesehatan Hewan Dirjen Peternakan (2004), obat keras yang dijual harus berdasarkan resep dokter hewan. Sedangkan kedua golongan lainnya dapat dijual sekalipun tetap harus dibawah pengawasan dokter hewan. Obat hewan selain digunakan untuk pencegahan dan pengobatan pada ternak, juga digunakan untuk meningkatkan produksi dan efisiensi usaha ternak. Oleh karena itu, gugus pemasaran harus mampu memiliki pengetahuan yang memadai mengenai teknik penggunaan obat hewan dalam peternakan. Produk obat hewan yang beredar di pasaran berupa: multivitamin, antibiotik, vaksin, serum, nutrisi pemacu pertumbuhan dan pelengkap pakan ternak dengan berbagai merk. Multivitamin berfungsi untuk meningkatkan pertumbuhan hewan, meningkatkan daya tahan tubuh hewan, merangsang telur pada unggas, pencegahan penyakit dan mencegah timbulnya stress pada hewan. Antibiotik berfungsi untuk pengobatan Coryza, Kolera, pengendalian infeksi E.Colli dan untuk mengobati infeksi saluran pernafasan pada unggas. Vaksin dan serum digunakan untuk pencegahan penyakit yang dapat menyerang unggas secara masal. Vaksin diberikan secara berkala untuk menjaga kesehatan ternak. Nutrisi dan pelengkap pakan diberikan sebagai pemenuhan gizi pada ternak.
2.1.3. Konsep Permintaan Dalam istilah ekonomi, permintaan mengacu pada jumlah produk yang rela dan mampu dibeli oleh orang-orang berdasarkan kondisi tertentu. Menurut Lipsey, et. al. (1995), terdapat tiga hal penting mengenai jumlah yang diminta konsumen, yaitu jumlah yang diminta merupakan kuantitas yang diinginkan, apa
yang diinginkan tidak merupakan harapan kosong tetapi merupakan permintaan efektif, kuantitas yang diminta merupakan arus pembelian yang continu. Permintaan pasar untuk suatu produk adalah volume total yang akan dibeli oleh kelompok pelanggan tertentu di wilayah geografis tertentu pada periode waktu tertentu di lingkungan pemasaran tertentu. Permintaan pasar bukan angka yang tetap tetapi lebih merupakan fungsi dari kondisi tertentu (Kotler, 1987). Pangsa permintaan suatu perusahaan tergantung bagaimana produk, pelayanan, harga, dan aspek lain di perusahaan tersebut dipandang secara relatif terhadap pesaing-pesaingnya oleh pelanggan. Konsep permintaan menjelaskan bahwa permintaan atas suatu produk dipengaruhi oleh harga produk itu sendiri, kualitas, pengeluaran iklan untuk produk, saluran distribusi produk (bauran pemasaran produk tersebut), harga produk lain yang berkaitan, kualitas produk lain, pengeluaran iklan produk pesaing, saluran distribusi produk pesaing, pendapatan konsumen, jumlah penduduk, dan lain-lain (Kotler, 1987).
2.1.4 Konsep Penjualan Penjualan dapat didefinisikan sebagai kegiatan yang bertujuan untuk mencari atau mengusahakan agar ada pembeli atau ada permintaan pasar yang cukup baik atau banyak terhadap barang dan jasa yang dipasarkan pada tingkat harga yang menguntungkan (Limbong, 1987). Menurut Kotler (1987), penjualan merupakan segala bentuk kegiatan menjual barang atau jasa kepada konsumen, baik untuk penggunaan yang sifatnya pribadi atau untuk penggunaan bisnis. Sedangkan penjualan eceran meliputi
semua kegiatan yang melibatkan penjualan barang atau jasa langsung kepada konsumen akhir untuk penggunaan yang sifatnya pribadi, bukan bisnis. Penjualan obat hewan dalam penelitian ini adalah jumlah penjualan obat hewan yang di beli peternak (customer) untuk penggunaan hewan pemeliharaan maupun untuk bisnis. Dengan demikian, penjualan merupakan kuantitas nyata yang di beli. Menurut Assauri (1984), permintaan dan penjualan dipengaruhi oleh variabel pendapatan, harga barang itu sendiri, harga barang pengganti (substitusi), advertensi, jumlah konsumen dan persaingan. Harga jual produk merupakan salah satu faktor yang mempengaruhi penjualan. Secara umum, semakin meningkat harga suatu barang maka penjualan barang itu semakin menurun. Pada penelitian ini, volume penjualan dapat dipengaruhi oleh harga barang itu sendiri, harga produk kompetitor, populasi unggas dan volume penjualan sebelumnya. Dilihat dari sisi fungsi pemasaran, penjualan merupakan salah satu fungsi pemasaran yang sangat penting dan menentukan karena penjualan sebagai sumber pendapatan yang diperlukan untuk menutupi biaya. Peramalan penjualan mempengaruhi perencanaan dan pengambilan keputusan secara menyeluruh (Makridakis, et. al, 1999). Pada umumnya, volume penjualan pada periode sebelumnya menjadi salah satu faktor yang mempengaruhi tingkat penjualan produk pada periode akan datang.
2.1.5. Peramalan Penjualan Peramalan dapat didefinisikan juga sebagai suatu proses memperkirakan secara sistematis tentang apa yang paling mungkin terjadi di masa depan berdasarkan informasi masa lalu dan sekarang yang dimiliki agar kesalahannya
dapat diperkecil (Mulyono, 2002). Kesalahan atau error merupakan selisih antara apa yang terjadi dengan hasil perkiraan. Peramalan tidak memberikan jawaban yang pasti tentang apa yang akan terjadi, tetapi berusaha mencari sedekat mungkin dengan yang akan terjadi. Menurut Pierce dan Robinson (1997), peramalan menjadi salah satu hal yang penting dalam pengambilan keputusan perusahaan. 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. Hasil peramalan lingkungan bisnis dimana perusahaan beroperasi pada umumnya mempunyai implikasi pada peramalan penjualan. Oleh karena itu, peramalan penjualan paling strategis dalam sebuah perusahaan. Peran peramalan penjualan dalam perencanaan strategi dapat dilihat pada Gambar 3. Peran peramalan penjualan jangka panjang dibutuhkan oleh perusahaan dalam keputusan pengembangan produk baru, mengurangi jumlah produk yang dihasilkan atau dipasarkan, pengurangan modal, pembukuan daerah pemasaran baru, pengambilalihan perusahaan lain, pengembangan saluran distribusi baru dan keputusan-keputusan strategis lainnya. Untuk jangka pendek, peramalan penjualan digunakan untuk melakukan jadwal produksi, perencanaan kebutuhan bahan, rekrutmen tenaga kerja, prediksi arus kas dan tingkat dimana komposisi
biaya dan pendapatan yang dipilih dapat mempertahankan likuiditas dan efisiensi operasi (Sugiarto dan Harijono, 2000).
Peramalan penjualan jangka pendek
Peramalan Penjualan jangka panjang
Perencanaan jangka panjang
Perubahan organisasi, penelitian, dan pengembangan perusahaan, saluran distribusi
Produk baru Perkiraan pendapatan
Anggaran biaya administrasi
Anggaran investasi
Perubahan teknologi dan kapasitas produksi Anggaran kas Produksi (jadwal, pembelian, rekrutmen dan pelatihan tenaga kerja, biaya administrasi
Anggaran keuangan
Sumber: Sugiarto dan Harijono, 2000 Gambar 3. Peran Peramalan Penjualan dalam Perencanaan Strategis Menurut Hanke, et. al. (2003), untuk memilih teknik peramalan yang sesuai dengan benar, peramalan harus dapat mengerjakan hal-hal berikut: 1. Menetapkan sifat dasar masalah peramalan. 2. Menjelaskan sifat dasar data yang sedang diteliti. 3. Mendeskripsikan kemampuan data dan keterbatasan potensial dari teknikteknik peramalan yang kemungkinan sangat berguna. 4. Mengembangkan sejumlah kriteria yang ditentukan terlebih dahulu sebagai dasar untuk memilih keputusan.
2.1.6. Metode Peramalan Menurut
Assauri
(1984),
peramalan
sebagai
kegiatan
untuk
memperkirakan apa yang akan terjadi pada masa yang akan datang. Sedangkan metode peramalan adalah cara memperkirakan secara kuantitatif apa yang akan terjadi pada masa depan berdasarkan data yang relevan dengan masa lalu. Pengelompokkan metode peramalan ada berbagai macam. Berdasarkan sifat ramalan yang disusun, metode peramalan dibagi menjadi dua, yaitu (Assauri, 1984): 1. Metode Kualitatif Metode kuallitatif dapat digunakan jika data historis maupun empiris dari variabel yang diramal tidak ada, tidak cukup atau kurang dapat dipercaya. Hasil ramalan bersifat intuisi, pendapat, pengetahuan dan pengalaman dari penyusunnya. 2. Metode Kuantitatif Metode kuantitatif memerlukan data histooris atau data empiris. Kualitas data dan metode yang digunakan akan menentukan kualitas hasil peramalan. Menurut Makridakris, et. al. (1999), metode kuantitatif dapat digunakan jika memenuhi tiga kondisi, yaitu adanya data historis, informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik, dapat diasumsikan bahwa pola data masa lalu akan berkelanjutan pada masa yang akan datang.
2.1.6.1. Identifikasi Pola Data Salah satu langkah penting dalam melakukan pemilihan suatu metode peramalan yang terbaik adalah dengan mengidentifikasikan pola data. Eksplorasi
data deret waktu merupakan upaya untuk menerangkan perilaku atau pola data. Dari plot data dapat diamati apakah suatu deret waktu berfluktuasi cukup tajam, meningkat, menurun atau cenderung konstan. Beberapa komponen yang mungkin terkandung dalam suatu data deret waktu adalah sebagai berikut : a) Komponen trend ditunjukkan dengan adanya peningkatan atau penurunan dalam suatu periode waktu. b) Komponen musiman ditunjukkan dengan pola berulang dari waktu ke waktu. Variasi musiman biasanya timbul karena adanya pengaruh cuaca suatu musim tertentu. c) Komponen siklis ditunjukkan dengan fluktuasi bergelombang yang biasanya dipengaruhi keadaan ekonomi secara umum. Pola siklis cenderung berulang dalam jangka waktu lebih dari dua tahun (jangka panjang). d) Komponen irregular menyatakan keragaman data deret waktu setelah komponen-komponen lain disisihkan. Komponen ini disebabkan oleh faktorfaktor yang tidak terduga dan dianggap sebagai pengaruh acak. Menurut Hanke, et. al. (2003), terdapat beberapa teknik peramalan yang dapat dipertimbangkan berdasarkan empat pola data pada deret waktu, yaitu sebagai berikut: 1. Teknik peramalan untuk data stasioner Teknik yang perlu dipertimbangkan pada peramalan deret stasioner terdiri dari metode naive, metode rata-rata sederhana, metode rata-rata bergerak sederhana, rata-rata pemulusan eksponensial linier Holt sederhana dan model rata-rata terintegrasi bergerak autoregresif (ARIMA) atau Box-Jenkins.
2. Teknik peramalan untuk data trend Teknik yang perlu dipertimbangkan pada peramalan data trend adalah pemulusan eksponensial linier Holt, regresi linier sederhana, kurva pertumbuhan, metode eksponensial dan model rata-rata terintegrasi bergerak autoregresif (ARIMA) atau Box-Jenkins. 3. Teknik peramalan untuk data musiman Teknik yang perlu dipertimbangkan pada peramalan data musiman terdiri dari metode dekomposisi klasik, pemulusan eksponensial winters dan model ratarata terintegrasi bergerak autoregresif (ARIMA) atau Box-Jenkins. 4. Teknik peramalan untuk data bersiklis Teknik yang perlu dipertimbangkan pada peramalan data bersiklis adalah dekomposisi klasik, indikator ekonomi, model ekonometrik, regresi berganda dan model rata-rata terintegrasi bergerak autoregresif (ARIMA) atau BoxJenkins.
2.1.6.2. Model Time Series Metode time series adalah suatu teknik peramalan yang didasarkan atas analisis perilaku atau nilai masa lalu suatu variabel yang disusun menurut urutan waktu (Mulyono, 2000). Metode ini berdasarkan atas penggunaan analisis pola hubungan antara variabel yang akan diperkirakan dengan variabel waktu. a. Model Trend Metode trend menggambarkan pergerakan data yang meningkat atau menurun dalam jangka waktu yang panjang. Metode ini menggambarkan hubungan antara periode dan variabel yang diramal dengan menggunakan
analisis trend. Apabila pola data yang digunakan memiliki unsur musiman, maka komponen musiman dapat juga dicoba dalam metode ini. b. Model Peramalan Sederhana (Naive) Menurut Mulyono (2000), metode naive merupakan metode sederhana yang menyatakan bahwa nilai suatu variabel saat ini merupakan perkiraan terbaik untuk nilai berikutnya atau nilai variabel di masa depan akan tetap sama. Selain itu, metode naive adalah salah satu metode dengan himpunan data yang sedikit dalam upaya peramalannya. c. Model Rata-Rata Metode ini memberikan pembobotan yang sama untuk semua nilai-nilai pengamatan dan cocok untuk pola data stasioner, tidak menunjukkan adanya trend atau musiman. Metode ini dapat dikelompokkan menjadi : 1) Model Rata-Rata Sederhana (Simple Average) Metode ini menggunakan pendekatan di mana ramalan merupakan perhitungan rata-rata dari semua nilai masa lalu dan membutuhkan banyak data agar nilai tengahnya lebih stabil. 2) Model Rata-Rata Bergerak Sederhana (Simple Moving Average) Suatu cara memodifikasi pengaruh data masa lalu terhadap nilai rata-rata sebagai alat meramal adalah menetapkan seberapa banyak pengamatan terakhir yang diikutsertakan. Prosedur tersebut dinamakan moving average yang berarti jika pengamatan baru telah tersedia, rata-rata baru dapat dihitung dengan
menghilangkan data tertua dan menggantinya dengan data terbaru (Mulyono, 2000). d. Metode Penghalusan Eksponensial Menurut Mulyono (2000), pelicinan (smoothing) dapat dilakukan untuk dua keperluan, yaitu untuk peramalan dan untuk menghilangkan gejolak jangka pendek data time series. Model ini memberikan bobot yang berbeda pada setiap observasi. Observasi yang paling tua memiliki bobot terendah dan observasi terbaru, bobotnya tertinggi. Model pelicinan eksponensial dapat dikelompokan menjadi: 1) Penghalusan Eksponensial Tunggal (Single Exponential Smoothing). Metode ini cocok untuk peramalan jangka pendek dengan pola data stasioner. Selain itu, model ini dapat mengurangi masalah mengenai penyimpanan data. Hal tersebut dikarenakan model ini hanya menyimpan data terakhir, ramalan terakhir dan konstan pemulusan (α). Model ini menggunakan persentase α tertentu dari kesalahan pada ramalan terakhir untuk menghasilkan ramalan sekarang. 2) Penghalusan Eksponensial Ganda (Double Exponential Smoothing) Model Brown. Model ini cocok untuk data yang berpola trend linier. Hasil dari metode eksponensial tunggal dapat dilicinkan kembali melalui metode ini dengan memberi bobot yang menurun secara eksponensial. 3) Penghalusan Eksponensial Ganda Model Holt Model pemulusan eksponensial ganda model Holt prinsipnya sama dengan Brown, tetapi pada model Holt tidak menggunakan rumus pemulusan berganda
secara langsung, melainkan nilai trend dengan konstanta berbeda dari konstanta yang digunakan pada serial data.
4) Penghalusan Eksponensial Model Winters Multiplikatif. Model ini dapat digunakan untuk serial data yang mempunyai pola stasioner, pola trend konsisten dan faktor musiman. Cocok untuk peramalan data dengan pola linier dan musiman. Asumsi yang dipakai pada metode ini adalah jika trend atau faktor musiman data selalu berubah atau data akan terus menerus di update. Di samping itu, faktor musiman tidak konstan dalam jumlah, tetapi konstan dalam rasio atau persentasenya (Gaynor dan Kirkpatrick, 1994). e. Model Dekomposisi Menurut Gaynor dan Kirkpatrick (1994), model ini memisahkan tiga komponen dari pola dasar yang cenderung mencirikan deret data ekonomi dan bisnis. Komponen tersebut adalah faktor trend, siklus dan musiman. Model ini dikelompokkan menjadi : 1) Dekomposisi adiktif, untuk pola data yang fluktuasinya relatif konstan. 2) Dekomposisi multiplikatif, untuk pola data yang fluktuasinya proporsional terhadap trend. f. Model Box-Jenkins (ARIMA) Model
ini
tidak
menggunakan
variabel
independent,
melainkan
menggunakan nilai-nilai sekarang dan nilai masa lampau dari variabel dependen untuk menghasilkan peramalan jangka pendek. Semua pola data dapat digunakan dan akan bekerja dengan baik apabila data runtun waktu yang digunakan bersifat
dependen atau berhubungan satu sama lain secara statistik (Sugiarto dan Harijono, 2000). Model ini terdiri dari : 1) Model ARMA (Autoregressive Moving Average) yang dipakai untuk deret yang statis. 2) Model ARIMA (Autoregressive Integrated Moving Average) yang dipakai untuk deret yang tidak statis.
2.1.7. Pemilihan Metode Peramalan Menurut Makridakis et. al. (1999). Terdapat enam faktor yang penting dalam melakukan pemilihan model peramalan. Faktor-faktor tersebut yaitu : 1. Horizon waktu Horizon waktu berkaitan dengan setiap model peramalan, yaitu jangka waktu ke masa mendatang yang paling sesuai dan jumlah periode yang dibutuhkan untuk peramalan. 2. Pola data Asumsi tentang pola data yang ditemukan dalam pola yang akan diramal kebanyakan menjadi dasar untuk menentukan model peramalan yang akan digunakan. 3. Biaya Biaya yang berkaitan langsung untuk melakukan peramalan diantaranya pengembangan, persiapan data dan operasi aktual. 4. Ketepatan Ketepatan berkaitan dengan tingkat rincian yang diperlukan dalam ramalan.
5. Daya tarik intuitif, kesederhanaan dan kemudahan aplikasi Aplikasi metode-metode peramalan dalam manajemen memiliki prinsip yang dipahami dan yang dipergunakan secara berkelanjutan oleh para pengambil keputusan. 6. Ketersediaan perangkat lunak komputer Penerapan metode peramalan kuantitatif tertentu umumnya tidak dimungkinkan tanpa adanya program komputer yang sesuai. Ukuran yang biasa digunakan untuk mengukur nilai akurasi peramalan adalah Mean Squared Error (MSE). Semakin kecil nilai MSE maka semakin akurat metode tersebut untuk meramalkan volume penjualan.
2.1.8. Implementasi Metode Peramalan Dalam pengimplementasian metode peramalan di suatu perusahaan sangat berkaitan dengan lingkungan di dalam perusahaan tersebut. Hasil ramalan harus mendapat dukungan dari manajemen puncak dan harus didistribusikan kepada semua pihak yang membutuhkan. Hasil peramalan merupakan dasar bagi semua bagian di perusahaan dalam membuat perencanaan. Karena itu, hasil peramalan harus mendapat persetujuan dan dukungan dari manajemen puncak sehingga semua bagian akan mengimplementasikannya dengan baik dan sungguh-sungguh (Sugiarto dan Harijono, 2000).
2.1.9. Metode Regresi
Metode regresi merupakan suatu penyederhanaan pola hubungan suatu variabel dengan satu atau lebih variabel lain. Variabel yang nilainya tergantung atau ditentukan oleh variabel lain disebut dependen variabel (variabel terikat), sedangkan variabel yang nilainya tidak dipengaruhi apapun disebut independen variabel (variabel bebas). Metode regresi menghubungkan dua variabel atau lebih sehingga nilai suatu variabel bergantung pada perubahan variabel yang mempengaruhinya. Metode regresi memiliki dua bentuk, yaitu: 1. Regresi Sederhana, terdiri dari satu unsur variabel yang diramal dengan satu variabel yang mempengaruhinya. 2. Regresi Berganda, terdiri dari satu variabel yang diramal dengan beberapa variabel yang mempengaruhinya. Menurut Hanke, et. al. (2003), model regresi berganda dengan persamaan tunggal bentuk dan model mampu menunjukkan berapa persen variabel tak bebas (dependent variable) dapat dijelaskan oleh variabel bebas (independent variable) dengan koefisien determinasi (R2). Variabel-variabel bebas tersebut kemudian dilakukan pengujian apakah berpengaruh nyata atau tidak terhadap variabel tak bebas dengan melakukan uji-t dan perhitungannya lebih sederhana. Dalam pengukuran layak atau tidaknya suatu model dalam ekonometrika, maka model tersebut harus memenuhi asumsi OLS (Ordinary Least Square) atau metode kuadrat terkecil, diantaranya: 1. Autokorelasi
Asumsi ini menunjukkan bahwa tidak ada hubungan atau koelasi antara variabel bebas dalam deret waktu. Untuk mengetahui apakah ada autokorelasi atau tidak di dalam model, digunakan uji Durbin-h karena terdapat variabel independen yang mengandung unsur lag. 2. Multikolinearitas Untuk mengetahui ada atau tidaknya korelasi antara variabel independen dalam model, dapat dilakukan dengan melihat nilai Variance Inflation Factors (VIF). 3. Heterokedastisitas Asumsi ini menunjukkan bahwa variasi dari setiap unsur residual adalah sama (konstan) atau menyebar secara homogen. 4. Normalitas Asumsi normalitas mengharuskan data dalam model berasal dari populasi yang menyebar atau terdistribusi secara normal. Untuk mengetahuinya dilakukan uji Kolmogorov – Smirnov. Apabila asumsi-asumsi di atas dapat dipenuhi, maka koefisien regresi (parameter) yang diperoleh merupakan penduga linier terbaik dan tak bias.
2.2. Penelitian Terdahulu Kartikasari (2005) melakukan penelitian tentang peramalan penjualan di RPA Jabal Nur Kabupaten Ciamis, Jawa Barat dengan menggunakan metode kausal dan metode time series. Metode time series yang digunakan adalah metode naive, metode trend, metode rata-rata sederhana, metode rata-rata bergerak sederhana, metode pemulusan eksponensial tunggal, metode pemulusan
eksponensial berganda Brown, metode pemulusan eksponensial berganda Holt, metode winters aditif, metode winters multiplikatif, dekomposisi aditif, dekomposisi multiplikatif dan ARIMA. Dari semua metode yang diuji tersebut, akan dipilih metode yang memberikan nilai MAPE terkecil. Pada penelitian tersebut, metode ARIMA (2, 1, 2)(0, 1, 1) dipilih menjadi metode yang terakurat untuk meramal penjualan daging ayam di RPA Jabal Nur. Dengan metode tersebut, diperkirakan penjualan daging ayam RPA Jabal Nur pada tahun 2005 sebesar 844 487,99 kg. Jika dibandingkan dengan realisasi penjualan daging ayam tahun 2004, maka terjadi penurunan sebesar 20,06 persen. Riadsyah (2004) melakukan penelitian tentang aplikasi peramalan produksi dan penjualan CPO-PKO PTP Nusantara IV Medan, Sumatera Utara dengan pendekatan metode Box Jenkins dan metode VAR. Model yang dipilih adalah model yang memiliki MSE terkecil dan sesuai dengan pola data produksi dan penjualan CPO-PKO PTPN IV. Dari model VAR yang dibentuk dapat dilihat respon dari guncangan beberapa variabel produksi dan penjualan terhadap masing-masing VAR tersebut. Dari hasil penelitian tersebut, model yang terakurat adalah model ARIMA. Untuk produksi CPO tahun 2004 diperkirakan sebesar 554 957 106 kg atau mengalami peningkatan 5 persen dari produksi CPO tahun 2003, penjualan lokal CPO tahun 2004 diperkirakan sebesar 158 364 512 kg atau turun 16,5 persen, penjualan ekspor CPO tahun 2004 diperkirakan sebesar 321 069 322 kg atau naik 32 persen dari realisasi penjualan tahun 2003. Sedangkan produksi PKO tahun 2004 diperkirakan sebesar 45 740 168 kg atau meningkat 7 persen dari tahun
sebelumnya, penjualan lokal PKO tahun 2004 diperkirakan sebesar 20 332 644 kg atau turun 23 persen dan penjualan ekspor PKO sebesar 31 570 240 atau naik 126 persen. Nusantara (2006) melakukan penelitian tentang peramalan dan faktorfaktor yang mempengaruhi impor buah-buahan Indonesia. Penelitian tersebut bertujuan untuk mendapatkan gambaran mengenai perkembangan permintaan impor buah-buahan Indonesia, menganalisis faktor-faktor yang mempengaruhi permintaan impor buah Indonesia, mendapatkan metode peramalan terbaik dan meramalkan volume impor buah-buahan Indonesia. Metode peramalan yang digunakan adalah metode time series, yaitu metode trend, dekomposisi, winters, dan ARIMA. Hasil penelitian tersebut menunjukkan bahwa metode yang sesuai untuk meramalkan permintaan impor buah-buahan Indonesia yang pertama adalah metode SARIMA, yang kedua metode Winters Multiplikatif, dan yang ketiga adalah metode Dekomposisi Aditif. Secara keseluruhan variabel yang berpengaruh terhadap permintaan impor buah-buahan adalah variabel lag dan dummy musiman. Penelitian terdahulu diatas dijadikan referensi bagi peneliti karena topik penelitian sama-sama mengenai peramalan. Dalam penelitian ini, perusahaan yang diteliti adalah perusahaan obat hewan PT Univetama Dinamika dan analisis peramalan yang digunakan adalah peramalan metode time series dan metode regresi untuk menganalisis faktor-faktor yang mempengaruhinya.
2.3. Kerangka Pemikiran PT Univetama Dinamika adalah salah satu perusahaan yang mengalami ketidakpastian permintaan produk obat hewan sehingga volume penjualannya berfluktutif. Perusahaan memerlukan perencanaan produksi agar dapat memenuhi permintaan pasar dengan tepat dengan cara meramalkan volume penjualan yang akan datang. PT UTD telah melakukan peramalan volume penjualan, tetapi hasil ramalan tersebut kurang akurat. Oleh karena itu, perlu direkomendasikan metode peramalan yang tepat dan akurat dalam meramalkan volume penjualan produk obat hewan PT UTD. Produk PT UTD yang akan diramal pada penelitian ini adalah produk unggulan perusahaan, yaitu Multivitamin. Dalam penelitian ini, pemilihan metode peramalan dilakukan pada volume penjualan tahun 2007 terlebih dahulu. Setelah itu, hasil ramalan tahun 2007 direalisasikan dengan volume penjualan aktualnya. Pemilihan tersebut dilakukan agar metode peramalan merupakan metode yang tepat untuk meramal volume penjualan multivitamin PT Univetama Dinamika. Metode peramalan yang digunakan adalah metode time series. Dari metode peramalan time series yang dilakukan, akan dipilih metode yang terbaik dan akurat dengan menggunakan standar MSE (Mean Square Error) terkecil. Standar MSE digunakan karena metode yang memiliki error terkecil dianggap mendekati nilai yang sebenarnya. Setelah ditentukan metode yang terakurat, maka langkah selanjutnya adalah menentukan hasil peramalan PT Univetama Dinamika untuk 12 bulan ke depan (tahun 2008).
Fluktuatifnya volume penjualan dan perbedaan hasil ramalan dengan nilai aktualnya dapat dipengaruhi oleh beberapa faktor, diantaranya: populasi unggas, lag volume penjualan, harga produk PT UTD, harga produk kompetitor, dan dummy musiman. Pada tahun 2003, terjadi kasus flu burung pada unggas yang menyebabkan populasi unggas turun. Populasi unggas yang berpengaruh pada volume penjualan PT UTD berada pada wilayah Jawa Barat karena Jawa Barat memiliki
persentase
penjualan
terbesar
perusahaan.
Volume
penjualan
dipengaruhi pula oleh harga jual produk yang ditetapkan perusahaan dan harga jual produk kompetitor agar dapat bersaing di pasar (nama perusahaan kompetitor dirahasiakan perusahaan). Dalam menentukan volume penjualan yang akan datang, perusahaan memerlukan informasi volume penjualan sebelumnya sebagai indikator perencanaan produksi. Lag volume penjualan dijadikan prediksi untuk volume penjualan yang akan datang. Dummy musiman digunakan pada analisis ini karena permintaan obat hewan dipengaruhi oleh musim hujan (Oktober-Maret) dan musim kemarau (April-September). Dari faktor-faktor yang mempengaruhi tersebut akan dianalisis faktor mana saja yang berpengaruh nyata terhadap volume penjualan PT UTD. Hasil analisis metode peramalan terakurat, ramalan 12 bulan ke depan dan faktor-faktor yang mempengaruhi volume penjualan multivitamin PT UTD dapat dijadikan rekomendasi bagi perusahaan. Hasil peramalan tersebut dapat diimplikasikan untuk perencanaan perusahaan, seperti perencanaan produksi obat hewan yang akan datang atau menentukan strategi yang tepat untuk meningkatkan
dan mencapai target perusahaan. Alur kerangka pemikiran dapat dilihat pada Gambar 4. PT Univetama Dinamika
Fluktuatif Volume Penjualan Obat Hewan dan Gap Ramalan PT UTD Metode Peramalan Tahun 2007
Pemilihan Metode Peramalan Terbaik dan Akurat
Realisasi Hasil Ramalan dan Data Aktual
Populasi Unggas Harga Obat PT UTD Harga Obat Kompetitor Lag Volume Penjualan Dummy Musiman
Peramalan Volume Penjualan 12 bulan ke depan
Rekomendasi dan Implikasi terhadap Perencanaan Perusahaan Gambar 4. Alur Kerangka Pemikiran Penelitian.
2.4 Hipotesis Penelitian 1) Populasi unggas wilayah Jawa Barat diduga berdampak positif terhadap volume penjualan multivitamin PT UTD. Peningkatan populasi unggas di Jawa Barat akan meningkatkan volume penjualan multivitamin, ceteris paribus.
2) Harga jual multivitamin PT UTD diduga berdampak negatif terhadap volume penjualan multivitamin PT UTD. Apabila terjadi peningkatan harga jual, maka volume penjualan PT UTD akan berkurang, ceteris paribus. 3) Harga jual multivitamin kompetitor diduga berdampak positif terhadap volume penjualan multivitamin PT UTD. Apabila perusahaan kompetitor meningkatkan harga jualnya, maka customer akan memilih produk PT UTD sehingga volume penjualan PT UTD akan meningkat. 4) Lag volume penjualan multivitamin diduga berpengaruh positif terhadap volume penjualan multivitamin PT UTD. 5) Dummy musim hujan diduga berpengaruh positif terhadap volume penjualan multivitamin PT UTD. Pada musim hujan diduga unggas lebih banyak memerlukan obat untuk menghindari atau mengobati penyakit sehingga volume penjualan obat hewan akan meningkat. 6) Dengan melihat pola data volume penjualan multivitamin PT UTD 20032007, dapat diduga bahwa peramalan volume penjualan multivitamin PT UTD 12 bulan mendatang memiliki trend meningkat dan volume penjualan tertinggi berada pada bulan Desember.
III. METODE PENELITIAN
3.1. Jenis dan Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder yang meliputi perkembangan perusahaan, volume penjualan, populasi unggas, harga produk. Data volume penjualan yang digunakan berupa data bulanan dan diestimasi dalam data deret waktu (time series) antara tahun 2003 sampai tahun 2007. Data tersebut diperoleh dari perusahaan obat hewan PT Univetama Dinamika, majalah Infovet, Departemen Peternakan, Asosiasi Obat Hewan Indonesia (ASOHI), dan Perpustakaan Institut Pertanian Bogor serta studi literatur lain yang berhubungan dengan masalah penelitian. Identifikasi data dilakukan dengan penentuan variabel yang diperlukan dalam melakukan perhitungan dan analisis masalah.
3.2. Metode Analisis Pengolahan dan analisis data menggunakan program Microsoft Excel dan Minitab versi 14. Program tersebut dipilih karena mudah dalam proses pelaksanaannya, sehingga pihak perusahaan pun dapat menggunakannya.
3.2.1. Metode Regresi. Metode ini diterapkan dengan menggunakan program Minitab versi 14. Untuk mengetahui faktor apa saja yang mempengaruhi volume penjualan menggunakan model regresi linier berganda. Variabel dependen dalam metode ini adalah penjualan obat hewan (Multivitamin), sedangkan untuk variabel
independentnya adalah volume penjualan sebelumnya, populasi unggas Jawa Barat, tingkat harga produk, tingkat harga competitor dan dummy musim hujan (Oktober-Maret). Persamaan model ini menggunakan empat variabel bebas dengan asumsi ceteris paribus dan data yang tersedia dalam bentuk bulanan. Persamaan model regresi tersebut adalah sebagai berikut: Yt = a + b1 Yt-1 + b2Pop + b3Px + b4Py + b5Dm Dimana: Yt = volume penjualan multivitamin PT UTD pada periode ke-t (Kg) a
= intercept
Yt-1= volume penjualan multivitamin PT UTD sebelumnya (Kg) Pop= populasi unggas wilayah Jawa Barat (ekor) Px = tingkat harga multivitamin PT UTD (Rp/Kg) Py = tingkat harga multivitamin kompetitor (Rp/Kg) Dm= Dummy musiman (1 = musim hujan; 0 = musim kemarau) Persamaan model regresi memerlukan evaluasi model penduga yang bertujuan untuk mengetahui apakah model yang diduga terpenuhi secara teori dan statistik. Pengujian yang dilakukan antara lain: a. Uji Autokorelasi Uji autokorelasi digunakan untuk melihat apakah ada hubungan linier antara error serangkaian observasi yang diurutkan menurut waktu (data time series). Uji autokorelasi dapat dilihat dari nilai Durbin-Watson (Gujarati, 1997).
Σ(ei – ei-1)2 d=
Σei
Dimana: d
Σei
= nilai Durbin-Watson = jumlah kuadrat sisa
Nilai Durbin-Watson kemudian dibandingkan dengan nilai d-tabel. Hasil perbandingan akan menghasilkan kesimpulan sebagai berikut: 1. Jika d* < dl, berarti terdapat autokorelasi positif. 2. Jika d* > (4-dl), berarti terdapat autokorelasi negatif. 3. Jika du < d* < (4-dl), berarti tidak terdapat autokorelasi. 4. Jika dl < d* < du atau (4-du) < (4-dl), berarti tidak dapat disimpulkan. b. Uji Multikolinearitas Masalah multikolinearitas dalam model dapat diketahui dengan melihat nilai Varians Inflation Factor (VIF) pada masing-masing variabel bebas. 1 VIF =
(1 – Ri2)
Dimana: R2 = koefisien determinasi. Apabila nilai VIF kurang dari 10, maka dapat disimpulkan bahwa dalam model tidak terdapat masalah multikolinearitas. Selain itu, untuk melihat korelasi antar peubah bebas dalam model dapat digunalan uji korelasi peubah bebas semakin kuat. c. Uji Heterokedastisitas Homokedastisitas yang menyatakan bahwa variasi dari setiap unsur residual model adalah sama (konstan). Asumsi ini bila dilanggar akan menyebabkan model yang dihasilkan menjadi tidak bias, konsisten, terbaik dan linear tetapi tidak efisien (Gujarati, 1997).
Jika tidak ada informasi empiris mengenai sifat heteroskedastisitas, dalam praktek analisis regresi dapat dilakukan atas asumsi tidak ada heterokedastisitas dan kemudian melakukan pengujian sesudahnya dari kuadrat residual yang ditaksir ei2 untuk melihat jika residual tadi menunjukkan suatu pola yang sistematis. Untuk melihat ada atau tidaknya pola tersebut, maka ei2 dipetakan terhadap Yi atau satu dari variabel bebas. Jika tidak ada pola yang sistematis, maka tidak ada heteroskedastisitas. d. Uji Normalitas Asumsi normalitas mengharuskan nilai residual dalam model menyebar atau terdistribusi secara normal. Untuk mengetahuinya dapat dilakukan uji Kolmogorov-Smirnov dengan memplotkan nilai standar residual dengan probabilitasnya pada tes normalitas. Apabila pada grafik titik-titik residual yang ada tergambar segaris dan p-value lebih besar dari α = 0,05, maka dapat disimpulkan bahwa residual model terdistribusi dengan normal. e. Uji Model Penduga Tujuan dari pengujian ini adalah untuk mengetahui apakah model penduga yang dianjukan layak untuk menduga parameter dari fungsi volume penjualan. Uji yang dilakukan minimal menggunakan uji-F. Hipotesis: H0 : β1 = β2 =…= βi = 0, variabel bebas (xi) secara serentak tidak berpengaruh nyata terhadap volume penjualan multivitamin. H1 : paling tidak salah satu βi ≠ 0, i = 1, 2, 3,…, variabel bebas (xi) secara serentak berpengaruh nyata terhadap volume penjualan multivitamin.
R2 k-1 F-hitung =
1-R2 n-k
F-tabel = Fα(k-1,n-k) Dimana: R2 = koefisien determinasi k
= jumlah parameter termasuk intersep
n
= jumlah observasi
Kriteria uji: F-hitung > Fα(k-1,n-k), maka tolak H0 F-hitung < Fα(k-1,n-k), maka terima H0 Jika H0 ditolak, maka seluruh variabel bebas bersama-sama mempengaruhi variabel tidak bebasnya pada tingkat signifikasi tertentu dan derajat bebas tertentu. Jika H0 diterima, maka seluruh variabel bebas secara bersama-sama tidak mempengaruhi variabel tak bebas pada tingkat signifikasi tertentu dan derajat bebas tertentu. f. Uji Masing-masing Parameter Pengujian ini bertujuan untuk mengetahui variabel bebas yang berpengaruh secara parsial terhadap variabel tak bebas. Hipotesis: H0: βij = 0 H1: βij ≠ 0 Uji statistik yang digunakan adalah uji-t bi – βi t-hitung = S(bi)
t-tabel = tα/2(n-k) Dimana: bi
= koefisien k-i yang diduga
S(bi)= standar deviasi parameter bi βi
= parameter ke-i yang diduga
k
= jumlah parameter termasuk intersep
n
= jumlah observasi
Kriteria uji: t-hitung > tα/2(n-k), maka tolak H0 t-hitung < tα/2(n-k), maka terima H0 Jika t-hitung lebih besar dari t-tabel, maka tolak H0 artinya peubah bebas berpengaruh nyata terhadap peubah tak bebas dalam model pada taraf nyata α persen dan sebaliknya, apabila t-hitung lebih kecil dari t-tabel, maka terima H0 artinya peubah bebas tidak berpengaruh nyata terhadap peubah tak bebas dalam model pada taraf nyata α persen.
3.2.2. Identifikasi Pola Data Penjualan Obat Hewan Dalam penelitian ini, identifikasi pola data penjualan obat hewan PT Univetama Dinamika dilakukan secara visual dengan mengamati plot data penjualan terhadap waktu dan plot data autokorelasinya. Berdasarkan plot tersebut, dapat diketahui apakah data stasioner atau tidak, memiliki unsur trend, musiman dan siklus atau tidak. Pola data terhadap waktu dan plot autokorelasi dilakukan dengan menggunakan Minitab versi 14. Plot data diidentifikasi dengan pedoman sebagai berikut:
a. Jika terdapat nilai autokorelasi untuk setiap selang mendekati nol, maka polanya acak (stasioner atau horizontal). b. Jika terdapat nilai koefisien autokorelasi yang besar atau berbeda dengan nol untuk beberapa selang waktu pertama dan secara bertahap turun mendekati nol maka pola datanya memiliki komponen trend. c. Jika terdapat nilai koefisien autokorelasi yang besar atau berbeda dengan nol pada selang waktu musiman atau kelipatan dari selang musiman (k=2 untuk data semesteran; k=4 untuk data triwulan) pada umumnya data mempunyai pola musiman. Koefisien autokorelasi dapat dihitung dengan menggunakan formula berikut (Gaynor dan Kirkpatrick, 1994): n=k
Σ (Y -Ŷ)(Y
)
t+k –Ŷ
t
t=1
rk =
n
Σ (Y -Ŷ) t
t=1
Dimana:
rk = nilai koefisien autokorelasi lag ke-k n
= banyaknya observasi
k
= lag atau selang
Yt = nilai data penjualan obat hewan pada periode ke-t Ŷ = nilai rata-rata deret data penjualan obat hewan
Uji signifikansi rk Hipotesis: H0: tidak terdapat autokorelasi pada deret waktu H1: terdapat autokorelasi yang nyata pada selang ke-k Statistik uji:
rk t=
√1+2Σrj2
1 √n Dimana: k
= lag atau selang
n
= jumlah observasi; j=1,…,k-1
Kriteria uji: Jika |t| > 2, maka terdapat autokorelsi atau signifikan pada taraf nyata 0,05 (Gaynor dan Kirkpatrick, 1994)
3.2.3. Metode Peramalan Metode peramalan yang akan digunakan pada penelitian ini adalah metode peramalan time series. Metode time series yang dicoba dalam penelitian ini adalah metode naive, trend, rata-rata bergerak sederhana, pemulusan eksponensial tunggal, pemulusan eksponensial ganda Brown, winters aditif, winters multiplikatif, dekomposisi aditif, dekomposisi multiplikatif, dan ARIMA.
3.2.3.1. Metode Naïve Metode naïve diterapkan dengan menggunakan program Microsoft Excel. Persamaan metode naïve adalah sebagai berikut (Gaynor dan Kirkpatrick, 1994):
Ŷt-1 = Yt Dimana: Yt
= nilai volume penjualan multivitamin pada periode ke-t.
Ŷt-1 = nilai ramalan volume penjualan multivitamin untuk satu periode ke depan.
3.2.3.2. Metode Trend Metode ini diterapkan dengan menggunakan program Minitab versi 14. Metode trend yang akan dicoba adalah model trend linier, trend kuadratik, dan pertumbuhan eksponensial. Persamaan ramalan penjualan obat hewan dengan metode trend adalah sebagai berikut: a) Trend linier: Ŷt = a + b(t) b) Trend kudratik: Ŷt = a + b1(t) + b2(t)2 c) Pertumbuhan Eksponensial: LnŶt = a + bt Dimana: Ŷt
= ramalan volume penjualan multivitamin PT UTD pada periode ke-t.
a
= intercept, menyatakan volume penjualan multivitamin pada saat semua variabel independen bernilai nol.
b1,b2 = pengaruh periode terhadap volume penjualan multivitamin. Dari model trend yang telah dicoba, maka akan dipilih model yang paling baik, yaitu yang memberikan nilai MSE dan MAPE terkecil.
3.2.3.3. Metode Rata-rata Bergerak Sederhana (Simple Moving Average) Metode ini diterapkan dengan menggunakan program Minitab versi 14. Persamaan metode rata-rata bergerak sederhana adalah sebagai berikut:
t
∑ Yi
i= t-N+1
Ŷt+1 = N Dimana: Ŷt+1 = nilai ramalan volume penjualan multivitamin satu periode ke depan. Yi
= data volume penjualan multivitamin periode ke-i
N
= ordo
t
= periode waktu
3.2.3.4. Metode Pemulusan Eksponensial Tunggal (Single Exponential Smoothing) Metode ini diterapkan dengn menggunakan program Minitab versi 14. Persamaan metode pemulusan eksponensial tunggal adalah sebagai berikut (Gaynor dan Kirkpatrick, 1994): Ŷt+1 = α Yt + (1- α) Ŷt Dimana: Ŷt
= nilai ramalan volume penjualan multivitamin pada periode ke-t
Ŷt+1 = nilai ramalan volume penjualan multivitamin pada periode ke t+1 α
= pembobot pemulusan
3.2.3.5. Metode Pemulusan Eksponensial Ganda (Double Exponential Smoothing) Satu Parameter dari Brown Metode ini diterapkan dengan menggunakan Minitab versi 14. Persamaan metode pemulusan eksponensial ganda satu parameter dari Brown adalah sebagai berikut (Gaynor dan Kirkpatrick, 1994):
Ŷt+m = at + bt (m) Dimana: Ŷt+m = ramalan volume penjualan multivitamin pada periode ke t+m St
= αYt + (1 – α) St-1
St(2) = αSt + (1 – α) St-1 (2) at
= 2St – St (2)
bt
=
pemulusan tahap 1 pemulusan tahap 2 untuk update intercept
α
(St – St (2))
untuk update slope
(1 – α) 3.2.3.6. Metode Winters Aditif Metode ini diterapkan dengan program Minitab versi 14. Persamaan model winters aditif adalah sebagai berikut (Gaynor dan Kirkpatrick, 1994): Ŷt+m = [at + bt(m)] + Snt-L+m at
= α (Yt – Snt-L) + (1 – α) (αt-1 + bt-1)
bt
= γ (at – at-1) + (1 – γ) (bt-1)
Snt
= β (Yt – at) + (1 – β) (Snt-L)
Dimana: Yt
= data volume penjualan multivitamin pada periode ke-t
at
= pemulusan terhadap deseasonalized data pada periode t
bt
= pemulusan terhadap dugaan trend pada periode t
Snt
= pemulusan terhadap dugaan musim pada periode t
Ŷt+m
= ramalan volume penjualan multivitamin pada periode ke t+m
α, β, γ = pembobot pemulusan L
= banyaknya periode dalan satu putaran musim
3.2.3.7. Metode Winters Multiplikatif Metode ini diterapkan dengan program Minitab versi 14. Persamaan model winters multiplikatif adalah sebagai berikut (Gaynor dan Kirkpatrick, 1994): Ŷt+m = [at + bt(m)] Snt-L+m Yt
at
=α
bt
= γ (at – at-1) + (1 – γ) (bt-1)
Snt
=β
Snt-L
Yt at
+ (1 – α) (αt-1 + bt-1)
+ (1 – β) (Snt-L)
Dimana: Yt
= data volume penjualan multivitamin pada periode ke-t
at
= pemulusan terhadap deseasonalized data pada periode t
bt
= pemulusan terhadap dugaan trend pada periode t
Snt
= pemulusan terhadap dugaan musim pada periode t
Ŷt+m
= ramalan volume penjualan multivitamin pada periode ke t+m
α, β, γ = pembobot pemulusan L
= banyaknya periode dalan satu putaran musim
3.2.3.8. Metode Dekomposisi Aditif Metode ini diterapkan dengan menggunakan program Minitab versi 14. Bentuk fungsional metode dekomposisi aditif adalah sebagai berikut (Gaynor dan Kirkpatrick, 1994): Yt = Trt + Clt + Snt + εt
Dimana: Trt = komponen trend pada periode t Clt = komponen siklus pada periode t Snt = komponen musiman pada periode t
εt = komponen galat pada periode t 3.2.3.9. Metode Dekomposisi Multiplikatif Metode ini diterapkan dengan menggunakan program Minitab versi 14. Bentuk fungsional metode dekomposisi multiplikatif adalah sebagai berikut (Gaynor dan Kirkpatrick, 1994): Yt = Trt x Clt x Snt x εt Dimana: Trt = komponen trend pada periode t Clt = komponen siklus pada periode t Snt = komponen musiman pada periode t
εt = komponen galat pada periode t 3.2.3.10. Metode Box-Jenkins (ARIMA) Metode ini diterapkan dengan menggunakan program minitab versi 14. Tahap-tahap dalam metode Box-Jenkins (ARIMA) adalah sebagai berikut: a. Tahap Identifikasi Dua fase untuk mengidentifikasi model ARIMA yang sesuai, yaitu merubah data, apabila diperlukan dapat menjadi bentuk yang stasioner dan memutuskan model sementara dengan menganalisis ACF (Autocorrelation
Function) dan PACF (Partial Autocorrelation Function). Data yang tidak stasioner biasanya ditransformasi menjadi data stasioner dengan melakukan differencing. First order differencing: Zt = ∆ Yt = Yt – Yt-1 = (1-B)Yt Second order differencing : Zt = ∆2Yt = (Yt – Yt-1) – (Yt – Yt-2) = (1-2B+B2)Yt = (1-B)2Yt Second order differencing dilakukan jika data yang diperoleh setelah dilakukan first order differencing masih belum stasioner. Apabila sampai second order differencing, data belum stasioner maka dapat dilakukan transformasi data ke dalam bentuk log atau logaritma natural. Untuk seasonal ARIMA, data terlebih dahulu harus stasioner baik trend maupun musiman. Stasioneritas diperoleh dengan melakukan pembedaan regular dan musiman (seasonal and regular differencing). Regular differencing: Zt = Yt – Yt-1 Seasonal differencing: Zt = Yt – Yt-L Dimana: L = jumlah periode dalam satu putaran musim First regular and first seasonal difference: Zt = (Yt-Yt-1) – (Yt-L – Yt-L-1) Analisis ACF dan PACF dilakukan dengan menggunakan program Minitab versi 14. Autokorelasi adalah korelasi antara variabel itu sendiri dengan selang satu atau beberapa periode ke belakang. Koefisien autokorelasi parsial dapat dihitung dengan menggunakan formula berikut (Gaynor dan Kirkpatrick, 1994):
rk - ∑( rk-1,j)(rk-1) rkk = 1 - ∑(rk-1,j)(rj)
rkj = rk-1,j – (rkk)(rk-1,k-j) ; dimana j =1,..,k-1 Uji signifikansi rkk Hipotesis: H0: ρkk = 0 H1; ρkk ≠ 0
rkk Statistik Uji: t =
√1/n Dimana:
rkk = koefisien autokorelasi partial
Kriteria uji: Jika |t| > 2, maka terima H1 jadi terdapat autokorelasi atau signifikan pada taraf nyata 0,05. Dalam pengujian signifikansi dari lag musiman nilai kritis untuk t adalah 1,25 (Gaynor dan Kirkpatrick, 1994). Identifikasi Model Sementara Menurut Gaynor dan Kirkpatrick (1994) bahwa model Box-Jenkins terdiri dari tiga kategori, yaitu: •
Moving Averge Model (MA Model)
Zt = μ + εt – Θ1εt-1 – Θ1εt-2 - … - Θqεt-q Θ1 + Θ2 + … + Θq < 1 (Invertibility condition) •
Autoregressive Model (AR Model)
Zt = δ + Φ1Zt-1 + Φ2Zt-2 + … + εt Φ1 + Φa + … + Φp < 1 (stationary condition)
•
Model Campuran (Mixed Model)
Zt = δ + Φ1Zt-1 + Φ2Zt-2 + … + εt - Θ1εt-1 – Θ1εt-2 - … Nilai p diinterpretasikan sebagai nilai lag yang signifikan pada PACF, q sebagai nilai yang signifikan pada ACF dan d menunjukkan berapa kali dilakukan differencing supaya data menjadi stasioner. Kedua kondisi invertibility (jumlah koefisien dari model moving average kurang dari satu) dan stationarity condition (jumlah koefisien dari model autoregressive kurang dari satu) harus dipenuhi. Menurut Gaynor dan Kirkpatrick (1994), karakteristik dan persamaan yang umum untuk model seasonal ARIMA [ARIMA (p, d, q) (P, D, Q)L], yaitu sebagai berikut: •
Jika ACF terpotong (cuts off) setelah lag 1 atau lag 2; lag musiman tidak signifikan dan PACF perlahan-lahan menghilang (dies down), maka diperoleh model nonseasonal MA (q=1 atau 2).
•
Jika ACF terpotong (cuts off) setelah lag musiman L; lag nonmusiman tidak signifikan dan PACF perlahan-lahan menghilang (dies down), maka diperoleh model seasonal MA (Q=1).
•
Jika ACF terpotong (cuts off) setelah lag musiman L; lag non musiman terpotong (cuts off) setelah lag 1 atau 2, maka diperoleh model nonseasonalseasonal MA (q=1 atau 2; Q=1).
•
Jika ACF perlahan-lahan menghilang (dies down) dan PACF terpotong (cuts off) setelah lag 1 atau 2; lag musiman tidak signifikan, maka diperoleh model nonseasonal AR (p=1 atau 2).
•
Jika ACF perlahan-lahan menghilang (dies down) dan PACF terpotong (cuts off) setelah lag musiman L; lag nonmusiman tidak signifikan, maka diperoleh model seasonal AR (P=1).
•
Jika ACF perlahan-lahan menghilang (dies down) dan PACF terpotong (cuts off) setelah lag musiman L; lag nonmusiman terpotong (cuts off) setelah lag 1 atau 2, maka diperoleh model nonseasonal-seasonal AR (p = 1 atau 2; P = 1).
•
Jika ACF dan PACF perlahan-lahan menghilang (dies down) maka diperoleh mixed model (ARMA atau ARIMA).
Tabel 4. Pola ACF dan PACF Model Nonseasonal ARIMA Model ACF (q) PACF (p) MA (q)
Terpotong (cuts off) setelah lag q (q=1 atau q=2) AR (p) Perlahan-lahan menghilang (dies down) Mixed Model Perlahan-lahan menghilang (dies down) Sumber: Gaynor dan Kirkpatrick, 1994
Perlahan-lahan menghilang (dies down) Terpotong (cuts off) setelah lag p (p=1 atau p=2) Perlahan-lahan menghilang (dies down)
Persamaan metode Box Jenkins non musiman atau ARIMA (p, d, q) dengan menggunakan backward shift operator adalah sebagai berikut:
(1-B)d (1- Φ1B – Φ2B2 -…- ΦpBp)Yt = δ + (1- Θ1B - Θ2B2 -… -ΘqBq)εt Persamaan metode Box Jenkins musiman atau ARIMA (p, d, q) (P, D, Q)L dengan menggunakan backward shift operator adalah sebagai berikut:
(1-B)d(1-BL)D(1-Φ1B -…- ΦpBp)(1 – Φ1LB1L -…- ΦPLBPL)Yt = δ+(1Θ1B -…- ΘqBq)(1-Θ1LB1L-…- ΘQLBQL)εt Dimana: p = orde atau derajat Ar untuk nonmusiman d = orde atau derajat pembedaan (differencing) untuk nonmusiman q = orde atau derajat MA untuk nonmusiman P = orde atau derajat AR untuk musiman D = orde tau derajat pembedaan (differencing) untuk musiman Q = orde atau derajat MA untuk musiman L = jumlah periode dalam satu putaran musim εt = Yt – Ŷt = kesalahan ramalan volume penjualan obat hewan periode ke-t δ = konstanta BYt = Yt-1 B2Yt = Yt-2 BpYt = Yt-p Bqεt = εt-q BPLYt = Yt-PL BQLεt = εt-QL b. Tahap Estimasi Parameter Model Setelah
model
sementara
ditemukan,
parameter
model
harus
diestimasikan. Estimasi akhir dari parameter adalah yang memberikan nilai SSE (Sum Square Error) terkecil. c. Tahap Diagnostic Checking Secara mendasar, model sudah memadai apabila residulnya tidak dapat dipergunakan untuk memperbaiki ramalan atau dengan kata lain residulnya bersifat acak. Analisis Residual Jika residual atau error bersifat acak, ACF dan PACF dari residual setara statistik harus sama dengan nol. Jika tidak, hal ini mengindikasikan bahwa model
yang digunakan belum sesuai dengan data. Untuk menguji autokorelasi residual digunakan uji statistik Ljung-box (Q*). Hipotesis: H0: ρ1 = ρ2 = … = ρm = 0 H1: ρj ≠ 0; untuk j = 1, 2, 3, … , m m
rk2
Statistik Uji: Q* = n(n + 2) ∑
k=1
Dimana:
n-k
n = jumlah observasi k = selang waktu m = jumlah selang waktu yang diuji rk = nilai autokorelasi sampel dari residual berselang k
Kriteria uji: Q* > X2 α(m-p-q)
simpulkan tolak H0 atau apabila nilai p-
value < 0.05, maka tolak H0 yang berarti terdapat autokorelasi dan model dipertimbangkan tidak memadai. d. Tahap Peramalan (Forecasting) Tahap selanjutnya setelah model memadai ditemukan, maka peramalan satu atau beberapa periode ke depan dapat dilakukan. Model atau persamaan akhir ditulis ulang menjadi bentuk data asli atau undifference kemudian diselesaikan secara aljabar.
3.2.4. Pemilihan Model Peramalan Terakurat Pemilihan metode peramalan dilakukan dengan membandingkan metode yang telah diterapkan agar dapat menentukan salah satu metode yang paling baik untuk meramalkan penjualan obat hewan. Menurut Mulyono (2000), beberapa kriteria yang biasa dipakai dalam memilih metode peramalan adalah akurasi,
jangkauan ramalan, biaya dan kemudahan penerapan. Pada penelitian ini, validasi yang digunakan untuk menelaah akurasi peramalan secara statistik adalah MSE (Mean Square Error). Semakin kecil nilai MSE, berarti semakin akurat metode tersebut. MSE dapat dirumuskan sebagai berikut (Sugiarto dan Harijono, 2000): 1 MSE = n
n
∑ ε t2 t-1
3.2.5. Peramalan Penjualan Penelitian peramalan volume penjualan dilakukan dengan menggunakan metode peramalan terbaik yang telah ditentukan dan dipilih berdasarkan atas criteria pangukuran akurasi peramalan. Hasil ramalan penjualan dapat digunakan untuk mengetahui perkembangan penjualan pada masa yang akan datang. Jika data terbaru tersedia, model perlu di up date dengan menduga dan menguji ulang. Karena perlu terus di up date, proses peramalan tidak akan pernah berhenti. Hal tersebut dinamakan never ending process (Mulyono, 2004).
IV. GAMBARAN UMUM PERUSAHAAN
4.1. Sejarah, Misi dan Tujuan Perusahaan PT Univetama Dinamika merupakan perusahaan swasta yang bergerak dibidang obat hewan. Perusahaan ini berdiri di Jakarta pada 17 Februari 1989. Kantor pusat beralamat di Jl. Balap Sepeda no 61 G-H Rawamangun, Jakarta. Pabrik pembuatan obat berlokasi di kawasan industri Pulo Gadung – Jakarta. Pada awalnya perusahaan bergerak di bidang distribusi saja, kemudian berkembang menjadi perusahaan maju yang dapat memproduksi produknya sendiri bahkan telah melakukan ekspor impor. Perusahaan mengalami perkembangan yang cukup besar pada tahun 1992 hingga tahun 1998. Saat ini perusahaan telah dapat memenuhi kebutuhan obat hewan dalam negeri bahkan telah mampu mengekspor produknya ke negara lain, yaitu: Vietnam, Myanmar, Malaysia bagian timur, Pakistan, Srilangka, Mesir, dan Afrika bagian selatan. Pada tahun 1989, PT Univetama Dinamika tergabung dalam organisasi ASOHI (Asosiasi Produsen Obat Hewan Indonesia). Perusahaan juga mengadakan kerjasama dengan asosiasi peternak ayam lokal, majalah Infovet, Trobos, Swa, dan Komoditas sebagai sarana komunikasi dengan masyarakat. Sasaran pemasaran produk diprioritaskan pada peternakan berskala menengah keatas, karena dapat menjual produk dalam jumlah besar. Dengan demikian, perusahaan akan mendapatkan yang lebih besar jika dibandingkan
dengan penjualan berskala kecil. Perusahaan menggunakan sales marketing dalam proses penjualan produk di lapangan. Sales marketing dibekali dengan kemampuan pendekatan sosial, karena lebih mengutamakan pelayanan secara sosial dan konsultasi melalui pendekatan individu untuk menarik perhatian peternak yang dalam hal ini sebagai konsumen obat hewan. PT Univetama Dinamika didirikan dengan suatu misi dan visi. Misi perusahaan yaitu mengembangkan sektor peternakan dengan menyediakan kebutuhan obat hewan. Berdasarkan misi tersebut, perusahaan diharapkan dapat membantu pemerintah dalam upaya peningkatan produksi peternakan. Sedangkan visi perusahaan adalah menciptakan image sebagai produsen obat hewan dengan kualitas baik, namun harganya terjangkau. Tujuan yang ingin dicapai oleh perusahaan adalah menghasilkan obat hewan dengan kualitas yang baik selain mengedepankan benefit atau profit. Hal tersebut dilakukan agar terbentuk kepercayaan konsumen terhadap perusahaan, sehingga dapat menciptakan loyalitas konsumen terhadap produk yang dipasarkan. 4.2. Produk Obat Perusahaan Produk obat hewan PT Univetama Dinamika terbagi dalam tiga kelompok besar yaitu: (1) Parmaceutik, yaitu kelompok sediaan vitamin dan antibiotik; (2) Kelompok Biologi, yaitu sediaan yang dihasilkan melalui proses biologi pada hewan atau jaringan hewan untuk menimbulkan kekebalan, seperti vaksin dan serum; (3) Kelompok Premix, yaitu sediaan tambahan dan pelengkap yang dicampurkan pada pakan ternak, seperti nutrisi pemacu pertumbuhan dan anti
oksidan. Berikut ini adalah merek produk obat hewan yang diproduksi oleh perusahaan yang dikelompokkan menurut fungsinya. A. Multivitamins 1. 2. 3. 4. 5. 6. 7. 8. 9.
Dinastrong Effervescent Tablet – Multivitamin Tablet Dinastrong – Multivitamin WSP Methiodin L – Egg Production and Quality Improver Dinabro – Broiler Growth Promotor Boster – Poultry Heat Beaster WSP Hidrostress – Vitamin – Elektrolit Vetrovit – Multivitamin High Concentrate Dina Egg – Poultry Growth and Egg Promotor Dinachick – Antistress
B. Antibiotics dan Chemotherapautisc 1. 2. 3. 4. 5. 6. 7. 8. 9.
Respirazin – Anti CRD and Snot Vetmacol Forte – Anti CRD Complex Dinazol – Anti Kolera dan Coli Dinamicyn – Makromicyn – Anti CRD dan Snot Dinatrim – Oral Suspension Enrovet – Mega Antibiotika Dinaterra Injectable Spectrim – WSP – Antibacterial Powder Floxifet – Enrofloxacin 10 %
C. Anthelmintisc dan Anticoccidiosis 1. 2. 3. 4. 5.
Digeston Anthelmintic Digeston – Anthelmintic Powder Faston Oral Suspension Dinaprol – Anticoccidiosis Faston Bolus
D. Disinfectan 1. Disvektor – Disinfectan Antivirus dan Antibakteri 2. Dinalon – Disinvektan Antibakteri E. Premiks (hanya satu macam) 1. Dinamix HC Multivitamin Premiks Perusahaan memproduksi obat dalam berbagai bentuk dan kemasan. Perusahaan memproduksi obat dalam beberapa bentuk, yaitu: tablet, bubuk obat,
dan larutan. Produknya tersebut dijual dalam berbagai kemasan, yaitu: kemasan botol, tube, sachet, karton, jerigen, dan drum untuk jumlah besar. Untuk produk obat yang berbentuk bubuk, kemasannya berupa sachet, plastik, karton, dan drum. Sedangkan untuk obat yang berupa cairan atau larutan, perusahaan mengemasnya dalam botol, jerigen, dan drum. 4.3. Struktur Organisasi Perusahaan Struktur organisasi perusahaan sangat penting kedudukannya agar pimpinan dan bawahan dapat mengetahui tugas serta tanggung jawab masingmasing, sehingga kegiatan perusahaan dapat berjalan sesuai dengan tujuan perusahaan. Struktur organisasi
PT Univetama Dinamika dapat dilihat pada
Gambar 5. Presiden Direktur Wakil Direktur
Direktur Marketing dan Operasional Koordinator * Penjualan dan Distribusi
Manajer HRD
Manajer Produksi
Manajer Keuangan
Manajer Purchasing
Sales dan Dokter Hewan
Karyawan
Karyawan
Karyawan
Karyawan
Sumber: PT Univetama Dinamika, 2008 Ket : * Jabatan dan fungsinya setara dengan manajer Gambar 5. Struktur Organisasi PT Univetama Dinamika Tahun 2007
Penyusunan struktur organisasi yang baik akan sangat membantu keberhasilan suatu perusahaan sehingga tercipta suatu kerjasama yang baik antara karyawan dengan karyawan maupun atasan dengan bawahannya. Struktur organisasi PT Univetama Dinamika berbentuk organisasi lini dan staf. Setiap bagian melakukan kegiatan berdasarkan spesialisasi keahliannya. Bentuk fungsionalnya dapat dilihat dari penggunaan tenaga ahli di bidang masing-masing. Bentuk wewenang dari masing-masing lini dan staf bersifat sentralisasi, sehingga meskipun telah terjadi spesialisasi, pengaruh pimpinan masih kuat. Setiap bagian dalam struktur organisasi memiliki tanggung jawab sebagai berikut : 1)
Presiden Direktur bertanggung jawab terhadap jalannya perusahaan, menetapkan kebijakan perusahaan dan melakukan sistem kontrol untuk setiap lini perusahaan. Presiden Direktur dibantu oleh seorang wakil yang dalam pelaksanaannya dibantu oleh direktur dan manajer.
2)
Wakil Direktur memiliki posisi sebagai penanggung-jawab harian, yang bertugas melakukan monitoring tugas-tugas manajer. Wakil Direktur berfungsi sebagai back up kepemimpinan jika diperlukan.
3)
Direktur Marketing dan Operasional bertanggung jawab terhadap seluruh sistem pemasaran di perusahaan. Jabatan ini membawahi koordinator penjualan dan distribusi.
4)
Manajer HRD bertanggung jawab terhadap sumber daya perusahaan, terutam kepegawaian dan pengembangan karier.
5)
Manajer Produksi bertanggung jawab terhadap keberlangsungan seluruh kegiatan produksi di pabrik, pengendalian mutu, kualitas produk pada tiap waktu produksi.
6)
Manajer Keuangan bertanggung jawab terhadap seluruh urusan keuangan, akuntansi, termasuk laporan keuangan berkala.
7)
Manajer Purchasing bertanggung jawab terhadap kegiatan pasca produksi, pengemasan dan pengepakan.
8)
Koordinator Penjualan dan Distribusi bertanggung-jawab terhadap penjualan dan pendistribusian produk pada setiap anak cabang perusahaan. Koordinator Penjualan dan Distribusi memiliki fungsi dan tanggung jawab setara dengan manajer.
9)
Sales bertanggung jawab terhadap penjualan langsung ke konsumen dan mengadakan komunikasi dengan pendekatan individu kepada peternak.
10) Dokter Hewan bertanggung jawab terhadap keberlangsungan pelayanan konsumen di lapangan. Dokter hewan bertugas memeriksa peternakan, mengadakan penyuluhan dan melakukan pemberian obat pada peternakan. 11) Karyawan bertanggung jawab terhadap keberlangsungan proses produksi. Karyawan merupakan sumberdaya perusahaan yang harus diperhatikan, karena kualitas SDM yang baik dapat mempengaruhi kinerja perusahaan. 4.4. Struktur Pasar Perusahaan Industri obat hewan termasuk kedalam industri yang memiliki struktur pasar persaingan tidak sempurna, yaitu pasar oligopoli. Hal tersebut dapat dilihat dari ciri-ciri industrinya, yaitu :
1) Perusahaan memiliki posisi sebagai price maker. Perusahaan tidak menerapkan harga jual berdasarkan keseimbangan supply dan demand yang terbentuk di pasar, namun penerapan harga jual produk ditentukan sesuai dengan biaya produksi, biaya variabel dan mark up. 2) Hambatan masuk dalam industri obat hewan cukup besar. Hambatan alamiah berkaitan dengan skala dan cakupan ekonomi dalam produksi (teknologi dan tingkat standarisasi dalam sterilisasi obat) serta biaya pemasaran dengan modal yang cukup besar. Hambatan ciptaan perusahaan dapat dibuat dengan mengembangkan merek-merek yang bersaing, iklan citra merek yang gencar dan menetapkan harga predator jika pendatang baru masuk. Pendatang baru yang potensial dapat masuk dan bertahan dengan menekan laba dan biaya tertanamnya (sunk cost). 3) Kondisi persaingan yang ketat dalam pasar obat hewan dengan kondisi banyaknya penjual obat hewan, sedangkan jumlah peternakan sebagai sasaran pemasaran cenderung sama atau menurun dari tahun ke tahun. 4) Struktur pasar oligopoli akan menampakkan laba ekonomi dalam jangka panjang. PT Univetama Dinamika sebagai produsen obat hewan telah berproduksi selama 19 tahun dan berhasil meraih pangsa pasar di atas tiga persen. Semakin lama umur perusahaan, akan semakin kuat posisi perusahaan tersebut. Hal tersebut terjadi karena konsumen telah mengenal produk dengan baik, sehingga dapat terjalin kerjasama dalam jangka panjang. Dalam industri obat hewan, PT Univetama Dinamika menduduki posisi ke 9 dalam perolehan pangsa pasar obat hewan.
Tabel 5. Pangsa Pasar Perusahaan Obat Hewan di Indonesia Tahun 2007 No. Perusahaan Omzet Pangsa Pasar (M Rp) (%) 1. SHS 28,20 8,00 2. Rhomindo 27,09 7,70 3. Medion 24,64 7,07 4. Kalbe Farma 16,43 4,70 5. Lito Satwa 15,60 4,48 6. Agro Makmur 14,03 4,03 7. Sanbe Farma 13,96 4,00 8. Vetindo 12,32 3,50 9. Univetama Dinamika 9,51 3,10 10. Lainnya X 53,42 Sumber : PT Univetama Dinamika, 2008
4.5. Proses Produksi Obat Hewan PT Univetama Dinamika Proses produksi yang dilakukan oleh PT Univetama Dinamika terbagi dalam beberapa tahapan proses. Tahap pertama dari proses ini adalah pembelian bahan baku yaitu zat kimia larutan obat yang masih impor. Tahap kedua adalah tahap peramuan, pembuatan dan pembentukan tablet obat yang selanjutnya akan masuk ke bagian pengemasan. Tahap berikutnya adalah packing dan penyimpanan. Proses distribusi dilakukan dengan menyimpan stok obat di gudang-gudang obat di setiap wilayah distribusi.
V. FAKTOR-FAKTOR YANG MEMPENGARUHI VOLUME PENJUALAN OBAT HEWAN PT UNIVETAMA DINAMIKA
5.1. Analisis Regresi Faktor-Faktor Yang Mempengaruhi Volume Penjualan Multivitamin PT Univetama Dinamika. PT Univetama Dinamika mengalami perbedaan hasil ramalan dengan volume penjualan multivitamin aktual sehingga terjadi kelebihan produksi. Hal tersebut dapat dipengaruhi beberapa faktor, antara lain: volume penjualan sebelumnya, harga produk sendiri, harga kompetitor, populasi unggas Jawa Barat dan dummy musiman. Hasil penerapan model regresi dapat dilihat pada Tabel 6. Tabel 6.
Hasil Analisis Model Regresi Volume Penjualan Multivitamin Obat Hewan PT Univetama Dinamika, Jakarta. Variabel Koefisien SE t-hitung p-value VIF Koefisien -1287,4 626,4 -2,06 0,045 Constant Lag volume penjualan 0,3881 0,1246 3,11 0,003* 4,5 Harga Produk -0,003023 0,002154 -1,40 0,166 2,7 Harga kompetitor 0,009916 0,002838 3,49 0,001* 3,3 Populasi Unggas Jabar 0,00000916 0,00000360 2,55 0,014* 5,1 Dummy Musiman 0,2180 0,7063 0,31 0,759 1,2 R-Sq = 82,4% R-Sq(adj) = 80,7% Durbin-Watson statistik = 1,84 Fhit = 49,62 Keterangan: * = Signifikan pada taraf nyata 0,05. Hasil dugaan dalam model regresi volume penjualan multivitamin PT UTD diperoleh koefisien determinasi (R2) sebesar 82,4 persen. Hasil tersebut memiliki pengertian bahwa 82,4 persen perubahan volume penjualan multivitamin dijelaskan oleh variabel bebas dalam model, sedangkan 17,6 persen dijelaskan
oleh faktor-faktor lain diluar model. Output analisis regresi volume penjualan PT UTD dapat dilihat pada Lampiran 5. Dengan menggunakan taraf nyata 0,05, dapat dijelaskan bahwa volume penjualan sebelumnya, harga jual kompetitor dan populasi unggas Jawa Barat berpengaruh nyata atau signifikan terhadap volume penjualan multivitamin PT UTD. Variabel tersebut berpengaruh nyata karena nilai t-hitungnya lebih besar dari nilai t-tabel atau nilai P-nya lebih kecil dari taraf nyata 0,05. Sedangkan, variabel harga jual multivitamin PT UTD dan dummy musiman (musim hujan) tidak berpengaruh nyata terhadap volume penjualan multivitamin PT UTD. Koefisien pada masing-masing variabel independen menunjukkan pengaruh masing-masing variabel independen terhadap volume penjualan multivitamin. Berdasarkan koefisien regresi yang diperoleh dapat dijelaskan bahwa, setiap bulan volume penjualan multivitamin rata-rata menurun 1287,4 satuan, ceteris paribus. Volume penjualan multivitamin pada periode sebelumnya (lag volume penjualan) memiliki hubungan positif dan berpengaruh nyata terhadap volume penjualan. Artinya jika volume penjualan sebelumnya meningkat, maka volume penjualan multivitamin akan datang diprediksi meningkat pula. Koefisien dalam persamaan menunjukkan bahwa jika volume penjualan sebelumnya meningkat sebesar 1 persen, maka volume penjualan multivitamin rata-rata akan meningkat 38,81 persen dengan asumsi ceteris paribus. Populasi unggas wilayah Jawa Barat memiliki hubungan positif dan berpengaruh nyata terhadap volume penjualan multivitamin PT Univetama
Dinamika sesuai dengan hipotesis. Artinya jika populasi unggas meningkat maka, volume penjualan akan meningkat dan begitu pula sebaliknya. Koefisien yang dihasilkan menunjukkan bahwa jika populasi unggas meningkat 1 persen, maka volume penjualan multivitamin rata-rata akan meningkat 0,001 persen. Harga jual multivitamin PT UTD memiliki hubungan negatif sesuai dengan hipotesis, tetapi variabel ini tidak berpengaruh nyata terhadap volume penjualan pada taraf nyata 0,05. Hal tersebut disebabkan karena harga jual PT UTD setiap tahunnya relatif sama, sehingga volume penjualan PT UTD tidak dipengaruhi langsung oleh harga jual. Apabila harga jual PT UTD meningkat, harga produk perusahaan pesaing pun meningkat dan volume penjualan perusahaan belum tentu menurun. Harga jual kompetitor memiliki hubungan positif dan berpengaruh nyata terhadap volume penjualan multivitamin PT UTD. Artinya jika harga jual kompetitor meningkat, maka volume penjualan pun akan meningkat begitu pula sebaliknya. Hal ini sesuai dengan hipotesis bahwa harga kompetitor berpengaruh positif terhadap volume penjualan. Koefisien variabel ini menunjukkan bahwa jika tingkat harga kompetitor meningkat 1 persen, maka volume penjualan multivitamin rata-rata meningkat 0,99 persen, ceteris paribus. Dalam menetapkan harga jual, PT UTD membandingkan harga jual perusahaan dengan harga jual pesaingnya agar harga jual yang ditetapkan tidak terlalu mahal dan sesuai dengan permintaan pasar. Apabila perusahaan kompetitor meningkatkan harga jualnya, maka customer lebih memilih produk PT UTD sehingga volume penjualan PT UTD akan meningkat. Berdasarkan data yang
diperoleh (Lampiran 2 dan Lampiran 3), harga jual yang ditetapkan PT UTD dan kompetitornya pada tahun 2003-2007 relatif sama (sekitar Rp. 190 000,- sampai Rp. 190 500,-). Pada pertengahan 2004 sampai awal 2005, harga jual kompetitor meningkat menjadi Rp. 190 500,- karena pada saat itu biaya produksi perusahaan obat hewan meningkat. PT UTD menetapkan harga lebih rendah dari harga kompetitornya untuk menarik customer dan meningkatkan volume penjualan agar stok obat dapat didistribusikan. Berdasarkan Tabel 6, dummy musim hujan memiliki hubungan positif tetapi tidak berpengaruh nyata terhadap volume penjualan multivitamin PT UTD. Hal tersebut menunjukkan bahwa musim hujan tidak berpengaruh langsung terhadap
volume
penjualan multivitamin
PT
UTD.
Volume
penjualan
multivitamin belum tentu meningkat pada musim hujan (Oktober-Maret), misalnya pada bulan Februari 2004 (Lampiran 1) volume penjualan mengalami penurunan bahkan lebih rendah dari volume penjualan bulan lainnya. Volume penjualan multivitamin tertinggi dari tahun 2003-2007 rata-rata berada pada musim hujan bulan Desember dan Maret. Multivitamin obat hewan dibutuhkan unggas secara continu, baik pada musim hujan maupun musim kemarau untuk meningkatkan pertumbuhan hewan, meningkatkan daya tahan tubuh, serta mencegah penyakit.
5.2 Uji Model Ekonometrika Suatu model regresi mempunyai asumsi yang harus dimiliki model untuk mengetahui apakah model yang diduga terpenuhi secara teori dan statistik. Pengujian yang dilakukan antara lain:
g. Uji Autokorelasi Asumsi autokorelasi dapat dilihat dengan uji Durbin-Watson. Nilai Durbin-Watson yang dihasilkan dari analisis sebesar 1,84 (Lampiran 5). Nilai tersebut berada pada du < d* < (4-dl), yang berarti tidak terdapat autokorelasi antar variabel bebas dalam model. h. Uji Multikolinearitas Masalah multikolinearitas dapat dilihat dari nilai VIF. Pada Tabel 6 terlihat bahwa semua variabel bebas (penjelas) mempunyai nilai VIF lebih kecil dari 10, maka pada model ini tidak terjadi masalah multikolinearitas (Tabel 6). i. Uji Heterokedastisitas Asumsi homokedastisitas atau masalah heterokedastisitas diperiksa menggunakan grafik Residual Plot. Pada grafik residual plot tidak ditemukan titik yang berpola sistematik (acak). Hal ini menunjukkan bahwa variasi setiap unsur residual adalah sama (konstan). Residual plot model regresi dapat dilihat pada Lampiran 6. j. Uji Normalitas Pengujian
asumsi
kenormalan
dilakukan
dengan
melihat
grafik
Kolmogorov-Smirnov. Berdasarkan grafik, terlihat bahwa titik residualnya tergambar segaris dan nilai p-value lebih besar dari 0,05 yang berarti residual model volume penjualan multivitamin terdistribusi normal (Lampiran 7). k. Uji Model Penduga Hasil uji-F model secara keseluruhan signifikan pada taraf nyata 0,05 persen (Tabel 4). Signifikansi tersebut dilihat dari nilai f-hitung lebih besar
daripada nilai f-tabel yang berarti bahwa secara bersama-sama semua variabel bebas dalam model mampu menjelaskan dengan baik perubahan volume penjualan multivitamin obat hewan PT Univetama Dinamika. l. Uji Masing-masing Parameter Berdasarkan Tabel 6, variabel lag volume penjualan, harga kompetitor, dan populasi unggas memiliki nilai t-hitung yang lebih besar dari nilai t-tabel (2,132). Dapat dikatakan bahwa variabel lag volume penjualan, harga kompetitor, dan populasi unggas berpengaruh nyata terhadap peubah tak bebas dalam model pada taraf nyata 5 persen (α = 0,05). Dari asumsi-asumsi model yang telah diuji, maka model regresi volume penjualan multivitamin PT Univetama Dinamika diduga telah terpenuhi secara teori dan statistik. Persamaan model regresi volume penjualan multivitamin PT Univetama Dinamika adalah sebagai berikut: Yt = -1287,4 + 0,3881 Yt-1 – 0,003023 Px + 0,009916 Py + 0,00000916 Pop + 0,2180 Dm Dimana: Yt = volume penjualan PT UTD pada periode ke-t (Kg) Yt-1= volume penjualan PT UTD sebelumnya (Kg) Px = tingkat harga multivitamin PT UTD (Rp/Kg) Py = tingkat harga kompetitor (Rp/Kg) Pop= populasi unggas wilayah Jawa Barat (ekor) Dm= dummy musiman (1 = musim hujan; 0 = musim kemarau)
VI. PERAMALAN VOLUME PENJUALAN OBAT HEWAN PT UNIVETAMA DINAMIKA
6.1. Pemilihan Metode Peramalan Terbaik Untuk Volume Penjualan Multivitamin Obat Hewan PT Univetama Dinamika. PT Univetama Dinamika mengalami perbedaan hasil ramalan volume penjualan dengan nilai aktualnya. Oleh karena itu, penelitian ini mencoba memberikan alternatif metode peramalan yang tepat untuk menentukan volume penjualan obat hewan PT UTD yang akan datang, khususnya produk multivitamin. Untuk memilih metode peramalan terbaik dan akurat dalam memprediksi volume penjualan multivitamin 12 bulan ke depan, sebaiknya memilih metode peramalan terbaik untuk tahun 2007 terlebih dahulu. Hasil ramalan volume penjualan tahun 2007 dengan metode terpilih, selanjutnya direalisasikan dengan volume penjualan aktual yang telah diperoleh datanya. Setelah mendapatkan metode terbaik, maka metode tersebut dapat digunakan untuk meramalkan volume penjualan multivitamin 12 bulan ke depan.
6.1.1. Identifikasi Pola Data Penjualan Multivitamin PT UTD (2003-2006). Langkah awal dalam metode peramalan adalah mengidentifikasikan pola data. Apakah data tersebut merupakan data stasioner atau tidak, memiliki unsur trend, musiman atau siklis. Identifikasi pola data dilakukan dengan mengamati plot data volume penjualan multivitamin dan plot autokorelasinya. Berdasarkan hasil analisis visual, dapat dilihat bahwa pola data volume penjualan Multivitamin tidak stasioner, memiliki unsur trend dan unsur musiman. Ketidakstasioneran data penjualan terlihat dari data sebaran volume penjualan
yang tidak berada di sekitar garis lurus atau rata-rata konstan. Gambar 6 menunjukkan pola data volume penjualan multivitamin obat hewan PT Univetama Dinamika dari bulan Januari 2003 sampai bulan Desember 2006. P e njualan M ultiv itamin
Penjualan (Kg)
105
100
95
90
85 M onth Year
Jan 2003
Juli 2003
Jan
Juli 2004
Jan
Juli 2005
Jan
Juli 2006
Gambar 6 . Pola Data Penjualan Multivitamin PT UTD (2003-2006). Berdasarkan plot ACF (Lampiran 8), pola data tersebut menunjukkan ketidakstasioneran dengan nilai koefisien autokorelasi pada selang waktu pertama sampai selang waktu ketiga yang masih berbeda nyata dengan nol atau signifikan karena nilai t-hit lebih besar dari 2 (Gaynor dan Kirkpatrick, 1994). Unsur trend terlihat dari nilai koefisien autokorelasi yang berbeda nyata dengan nol pada selang waktu pertama dan secara bertahap turun mendekati nol. Selanjutnya, unsur musiman tidak terlihat jelas karena nilai koefisien autokorelasi yang berbeda nyata dengan nol tidak memiliki jarak yang sistematis. Unsur trend terlihat pada volume penjualan yang rata-rata meningkat setiap tahunnya. Dalam rentang waktu dari bulan April 2003 sampai September 2003, volume penjualan multivitamin mengalami penurunan. Tetapi, mulai
Oktober 2003 sampai Desember 2006 rata-rata volume penjualan meningkat walaupun setiap bulannya berfluktuatif. Berdasarkan pola data, volume penjualan multivitamin tertinggi setiap tahunnya rata-rata terjadi pada bulan Desember. Adanya penjualan rata-rata tertinggi menunjukkan pola data musiman pada volume penjualan Multivitamin PT Univetama Dinamika. Penurunan volume penjualan multivitamin secara bertahap pada bulan April 2003 sampai September 2003 karena adanya penurunan populasi unggas. Populasi unggas di tahun 2003 disebabkan oleh virus H5N1 atau flu burung yang menyerang unggas sehingga banyak unggas yang mati dan peternak tidak dapat berproduksi lagi. Volume penjualan multivitamin PT Univetama Dinamika yang cenderung berfluktuatif dapat juga dipengaruhi oleh harga jual produk. PT Univetama Dinamika menetapkan harga jual produk berdasarkan biaya produksi ditambah dengan profit yang disesuaikan dengan harga jual produk sejenis dari perusahaan pesaing. Harga yang dijual relatif sama dengan produsen lain (kompetitor) agar harga yang ditetapkan tidak terlalu mahal dan dapat bersaing di pasar. Unsur musiman pada volume penjualan PT UTD lebih disebabkan karena pada bulan Desember (musim hujan) unggas rentan terhadap penyakit sehingga membutuhkan banyak obat untuk mengobati maupun mencegah penyakit.
6.1.2. Metode Peramalan Time Series Tahap yang dilakukan setelah mengetahui pola data volume penjualan multivitamin obat hewan PT UTD adalah menerapkan metode peramalan yang dapat digunakan untuk meramal volume penjualan obat hewan PT UTD bulan Januari 2007 sampai Desember 2007. Identifikasi data yang terdapat dalam data
volume penjualan tersebut menunjukkan bahwa tidak semua metode peramalan model time series dapat diterapkan pada data tersebut. Metode yang mungkin digunakan untuk data penjualan obat hewan PT UTD antara lain: metode trend linier,
trend
kuadratik,
pertumbuhan
eksponensial,
metode
pemulusan
eksponensial tunggal, pemulusan eksponensial ganda, metode winters aditif, winters multiplikatif, metode dekomposisi aditif, dekomposisi multiplikatif dan ARIMA. 1. Metode Trend Metode trend yang diterapkan pada penelitian ini adalah metode trend linier, trend kuadratik dan pertumbuhan eksponensial. Persamaan dari ketiga model tersebut adalah sebagai berikut: a. Trend linier. Ŷt = 90,20 + 0,29t b. Trend kuadratik. Ŷt = 86,10 + 0,78t – 0,01t2 c. Pertumbuhan Eksponensial. LnŶt = 90,20 + 1,00t Dimana: Ŷt
= ramalan volume penjualan multivitamin PT UTD pada periode ke-t
a
= intercept, menyatakan volume penjualan multivitamin pada saat semua variabel independent nol.
b1,b2 = pengaruh periode terhadap volume penjualan multivitamin obat hewan. Dari metode trend yang telah diterapkan, akan dipilih metode yang memiliki nilai MSE terkecil. Tabel 7. Perbandingan Nilai MSE Metode Trend Metode Trend Trend Linier Trend Kuadratik Pertumbuhan Eksponensial
Nilai MSE 12,28 9,30 12,56
Berdasarkan Tabel 7, metode trend yang memiliki nilai MSE terkecil adalah metode trend kuadratik, yaitu sebesar 9,30. Artinya, apabila perusahaan menggunakan metode ini dalam peramalan, nilai kesalahan (error) peramalan tersebut rata-rata sebesar 9,30 dari volume penjualan multivitamin aktual PT UTD. 2. Metode Pemulusan Eksponensial a) Metode Pemulusan Eksponensial Tunggal Model pemulusan eksponensial tunggal dapat mengurangi masalah mengenai penyimpanan data. Model ini menggunakan persentase α tertentu dari kesalahan pada ramalan terakhir untuk menghasilkan ramalan sekarang. Nilai α yang diperoleh sebesar 0,65, sedangkan nilai MSE dari metode ini adalah 8,33. b) Metode Pemulusan Eksponensial Ganda Hasil dari metode eksponensial tunggal dapat dilicinkan kembali melalui metode eksponensial ganda dengan memberi bobot yang menurun secara eksponensial. Nilai α dan γ yang diperoleh adalah 0,87 dan 0,02. Nilai MSE dari metode ini sebesar 8,71. Dari kedua metode pemulusan eksponensial yang digunakan, metode pemulusan eksponensial tunggal merupakan metode terbaik karena memiliki nilai MSE lebih kecil sebesar 8,33. Artinya apabila perusahaan menggunakan metode ini dalam peramalan, nilai kesalahan peramalan tersebut sebesar 8,33 dari volume penjualan multivitamin aktual PT UTD.
3. Metode Winters Jika dibandingkan dengan metode pemulusan yang lain, metode winters merupakan metode yang paling kompleks dan rumit. Dalam metode ini diperlukan perhitungan dan waktu yang cukup lama untuk menemukan nilai tiga parameter yang optimal. Meskipun demikian, metode ini memiliki kelebihan, yaitu dapat mengatasi unsur trend dan musiman. Tabel 8. Nilai MSE Metode Winters Model Winters Aditif Winters Multiplikatif
MSE 7,28 7,97
Berdasarkan nilai MSE terkecil pada Tabel 8, menunjukkan bahwa metode winters terbaik adalah metode winters aditif dengan nilai α = 0,3; β = 0,2; γ = 0,1 dan panjang musiman (L = 12).
Metode winters aditif memiliki nilai MSE
sebesar 7,28. Artinya apabila perusahaan menggunakan metode ini dalam peramalan, nilai kesalahan peramalan tersebut sebesar 7,28 dari volume penjualan multivitamin aktual PT UTD. 4. Metode Dekomposisi Metode dekomposisi memisahkan pola data atas unsur siklus, musiman, trend dan error. Metode ini merupakan salah satu metode time series yang dapat mengatasi unsur trend dan musiman serta penggunaannya lebih sederhana daripada winters. a) Dekomposisi Aditif Model trend yang sesuai yang dihasilkan metode ini, yaitu Tt = 90,19 + 0,29 t. Dimana : Tt = nilai dugaan trend pada periode ke-t
Penerapan metode ini menghasilkan nilai MSE sebesar 10,67. Nilai unsur musiman yang dihasilkan metode dekomposisi aditif dapat dilihat pada Tabel 9. Tabel 9. menunjukkan bahwa pada bulan Januari, Februari, Juli, Agustus, September, Oktober, dan November nilai unsur musimannya negatif. Tanda unsur musiman yang negatif diartikan bahwa dapat diramalkan volume penjualan multivitamin pada bulan tersebut akan lebih rendah (di bawah rata-rata volume penjualan). Tabel 9. Nilai Unsur Musiman yang Dihasilkan Metode Dekomposisi Aditif. No. Bulan Nilai Unsur Musiman 1. Januari -0,68681 2. Februari -3,11597 3. Maret 3,76736 4. April 1,79653 5. Mei 1,09653 6. Juni 1,00903 7. Juli -1,53681 8. Agustus -1,78681 9. September -1,43264 10. Oktober -1,37847 11. November -0,39097 12. Desember 2,65903 Pada bulan Maret, April, Mei, Juni, dan Desember memiliki unsur musiman positif, maka dapat diramalkan bahwa volume penjualan multivitamin pada bulan tersebut akan besar (di atas rata-rata volume penjualan). Persamaan akhir yang dihasilkan yaitu : Tt = (90,19 + 0,29 t) + Snt. b) Dekomposisi Multiplikatif Model trend yang sesuai yang dihasilkan metode ini, yaitu Tt = 90,18 + 0,29 t. Dimana : Tt = nilai dugaan trend pada periode ke-t
Penerapan metode ini menghasilkan nilai MSE sebesar 10.72. Nilai unsur musiman yang dihasilkan metode dekomposisi multiplikatif dapat dilihat pada Tabel 10. Tabel 10. menunjukkan bahwa pada bulan Januari, Februari, Juli, Agustus, September, Oktober, dan November nilai unsur musimannya lebih kecil dari satu, maka dapat diramalkan volume penjualan multivitamin pada bulan tersebut akan lebih rendah (di bawah rata-rata volume penjualan). Tabel 10. Nilai Unsur Musiman yang Dihasilkan Metode Dekomposisi Multiplikatif. No. Bulan Nilai Unsur Musiman 1. Januari 0,99306 2. Februari 0,96888 3. Maret 1,03756 4. April 1,01785 5. Mei 1,01085 6. Juni 1,01023 7. Juli 0,98458 8. Agustus 0,98205 9. September 0,98566 10. Oktober 0,98485 11. November 0,99574 12. Desember 1,02869 Pada bulan Maret, April, Mei, Juni, dan Desember memiliki unsur musiman lebih besar dari satu, maka dapat diramalkan bahwa volume penjualan multivitamin pada bulan tersebut akan besar (di atas rata-rata volume penjualan). Persamaan akhir yang dihasilkan yaitu : Tt = (90,18 + 0,29 t) + Snt. Dari analisis dekomposisi aditif dan dekomposisi multiplikatif, metode yang memiliki nilai MSE terkecil adalah metode dekomposisi aditif, yaitu sebesar 10,67.
5. Metode Box- Jenkins (ARIMA) Ada 4 langkah untuk memperoleh peramalan dengan metode ARIMA, yaitu identifikasi pola data, estimasi parameter, uji diagnostik dan peramalan. Langkah-langkah tersebut adalah sebagai berikut: a) Identifikasi Pola Data Tahap pertama dalam metode Box-Jenkins (ARIMA) adalah identifikasi pola data. Pada sub bab sebelumnya, telah dibahas bahwa pola data volume penjualan Multivitamin memiliki unsur trend dan musiman. Berdasarkan pola ACF dan PACF, nilai koefisien autokorelasi pada selang waktu pertama sampai selang waktu ketiga masih berbeda nyata dengan nol atau signifikan karena nilai thitungnya lebih besar dari 2. Hal ini menandakan bahwa data tersebut tidak stasioner dan harus dilakukan pembedaan pertama (first order differencing). Kemudian plot ACF hasil pembedaan pertama dari deret data dianalisis untuk melihat apakah sudah stasioner atau belum sehingga perlu pembedaan lebih lanjut. Hasil pengamatan plot ACF menunjukkan bahwa deret data telah stasioner karena nilai autokorelasi sudah tidak signifikan atau nilai t-hitungnya lebih kecil dari 2. Hasil plot ACF pembedaan pertama dapat dilihat pada Lampiran 10. b) Estimasi Parameter Setelah data distasionerkan, model yang mungkin dari perilaku atau pola ACF dan PACF adalah model AR (1,1) dan MA (1,1). Data volume penjualan multivitamin menunjukkan adanya unsur musiman, maka perlu dilakukan pembedaan pada lag musimannya dengan D=1. Pembedaan musiman dengan panjang musiman (L=12) dilakukan hingga data menyebar secara merata
sepanjang rentang waktu. Selain kemungkinan dari model tersebut, tidak menutup kemungkinan untuk model yang lain. Menentukan model terbaik diantara modelmodel yang ditentukan dengan cara memilih model yang memiliki nilai MSE terkecil. Beberapa alternatif model ARIMA yang mungkin untuk volume penjualan multivitamin antara lain: Tabel 11. Beberapa Alternatif Model ARIMA Volume Penjualan PT UTD. Model MSE ARIMA (1,0,0)(0,1,1)12 7,19 12 ARIMA (0,0,1)(0,1,1) 9,85 ARIMA (0,1,1)(0,1,1)12 8,26 12 ARIMA (1,1,1)(0,1,1) 8,47 Setelah
model
sementara
diperoleh,
langkah
selanjutnya
adalah
mengestimasi model dengan memilih nilai MSE (Mean Square Error) terkecil. Dari alternatif model ARIMA pada Tabel 11, model ARIMA (1,0,0)(0,1,1)12 merupakan model yang memiliki MSE terkecil sebesar 7,19. Output analisis ARIMA (1,0,0)(0,1,1)12 dapat dilihat pada Lampiran 11. c) Uji Diagnostik Setelah dilakukan estimasi model, selanjutnya dilakukan evaluasi untuk memastikan apakah model yang diestimasi sudah baik atau belum. Kriteria dalam evaluasi metode ARIMA antara lain: •
Proses iterasi harus convergence Hasil pengolahan model ARIMA (1,0,0)(0,1,1)12 telah convergance (antara
dua model sudah tidak ada beda nyata). Proses iterasi telah convergence ditunjukkan adanya pernyataan relative change in each estimate less then 0,0010.
•
Residual random Residual dari hasil peramalan model menunjukkan bahwa residual (forcast
error) sudah random. Sebagai indikator residual hasil ramalan telah random, digunakan modifieid Box-Pierce statistic atau melakukan uji statistik Ljung-Box. Hal ini ditunjukkan dengan nilai P-value untuk uji statistik dari residual lebih besar dari taraf nyata 0,05. Selain itu, nilai Chi-Square pada lag 12 dan 24 lebih kecil dari nilai Chi-Square tabel yang menunjukkan bahwa model ARIMA (1,0,0)(0,1,1)12 telah layak dan memadai untuk peramalan. •
Kondisi invertibilitas ataupun stasioneritas harus dipenuhi Kondisi invertibilitas ataupun stasioneritas telah terpenuhi. Hal ini
ditunjukkan oleh jumlah koefisien AR atau MA yang masing-masing kurang dari satu. Dalam output model terlihat jumlah koefisien untuk AR = 0,7693 dan SMA (1,2) = 0,7515. •
Parameter yang diestimasi berbeda nyata dari nol Parameter yang diestimasi berbeda nyata dengan nol. Hal ini dapat dilihat
dari nilai P-value koefisien yang kurang dari 0,05. Terlihat pada output bahwa Pvalue parameter untuk AR (1) = 0,000 dan SMA (1,2) = 0,003. •
Model harus parsimonius Keseluruhan model yang telah memenuhi syarat di atas, model ARIMA
(1,0,0)(0,1,1)12 adalah model yang relatif sudah dalam bentuk paling sederhana. •
Model harus memiliki nilai MSE terkecil Model ini memiliki nilai MSE terkecil dari keseluruhan model yang
dicoba. Model ini memiliki nilai MSE sebesar 7,19.
d) Peramalan Tahap akhir dalam metode ARIMA adalah peramalan. Karena data volume penjualan multivitamin PT UTD memiliki unsur musiman, maka model ARIMA (1,0,0)(0,1,1)12 dapat diturunkan menjadi persamaan dalam bentuk sebagai berikut: (1-B12) (1+0,7693B)Yt = 0,7420+(1+0.7515B12)εt Nilai MSE yang diperoleh pada metode ARIMA (1,0,0)(0,1,1)12 adalah 7,190. Artinya apabila perusahaan menggunakan metode ini dalam peramalan, nilai kesalahan peramalan tersebut sebesar 7,19 dari volume penjualan aktual multivitamin PT Univetama Dinamika.
6.1.3. Pemilihan Teknik Peramalan Hasil penerapan yang telah didapat dari berbagai model peramalan dalam metode time series, maka langkah selanjutnya yaitu dilakukan pemilihan metode peramalan yang sesuai dengan kondisi perusahaan. Teknik yang bagus belum bisa diterapkan oleh perusahaan karena disesuaikan dengan kondisi tingkat efektifitas dan kesulitan serta kepentingan pihak manajemen. Pemilihan metode yang tepat diperoleh dengan menggunakan metode yang memiliki nilai MSE terkecil. Nilai MSE dari metode yang digunakan dapat dilihat pada Tabel 12. Tabel 12. Metode Peramalan Kuantitatif Terbaik Metode Time Series Nilai MSE Urutan Metode Terakurat Metode Trend (Kuadratik) 9,30 4 Pemulusan Eksponensial (Tunggal) 8,33 3 Metode Winters (Aditif) 7,28 2 Metode Dekomposisi (Aditif) 10,67 5 12 ARIMA (1,0,0)(0,1,1) 7,19 1
Tabel 12. menunjukkan metode peramalan kuantitatif untuk volume penjualan Multivitamin. Metode terakurat yang diperoleh adalah metode ARIMA (1,0,0)(0,1,1)12 dengan nilai MSE sebesar 7,19. Dari analisis diatas, metode ARIMA (1,0,0)(0,1,1)12 merupakan metode terpilih untuk meramalkan volume penjualan multivitamin PT UTD.
6.1.4. Peramalan Volume Penjualan Multivitamin PT UTD. Metode peramalan terbaik yang didapat untuk meramal volume penjualan multivitamin PT Univetama Dinamika, yaitu metode ARIMA (1,0,0)(0,1,1)12. Hasil ramalan dapat dilihat pada Tabel 13. Hasil ramalan yang diperoleh pada bulan Januari 2007 sampai Desember 2007 akan direalisasikan dengan data volume penjualan multivitamin aktual tahun 2007. Tabel 13. menunjukkan bahwa volume penjualan multivitamin pada bulan Januari 2007 diperkirakan rata-rata sebesar 101,60 kg sedangkan volume penjualan sebenarnya sebesar 99,40 kg. Tabel 13. Ramalan Volume Penjualan Multivitamin PT UTD Tahun 2007. Bulan Hasil Ramalan Batas Batas Atas Penjualan (Kg) Bawah (Kg) (Kg) Aktual (Kg) Januari 2007 96,35 106,87 101,60 99,40 Febuari 2007 94,31 107,57 100,94 98,90 Maret 2007 98,10 112,75 105,42 100,50 April 2007 97,93 113,34 105,64 103,60 Mei 2007 96,61 112,46 104,53 100,10 Juni 2007 96,84 112,94 104,89 102,70 Juli 2007 97,29 113,54 105,41 105,90 Agustus 2007 96,12 112,46 104,29 104,60 September 2007 96,26 112,64 104,45 107,30 Oktober 2007 96,79 113,20 104,99 107,90 November 2007 97,61 114,04 105,83 108,10 Desember 2007 101,10 117,55 109,32 110,80 Jumlah 1249,80
Apabila dibandingkan antara nilai ramalan dengan nilai aktual, maka dapat dikatakan bahwa metode ARIMA (1,0,0)(0,1,1)12 memberikan peramalan yang akurat karena volume penjualan sebenarnya tahun 2007 berada diantara batas bawah dan batas atas dari hasil ramalan. Selain itu, hasil peramalan volume penjualan dengan data aktualnya menunjukkan pola yang sama. Persamaan pola dilihat dari penurunan volume penjualan yang diramalkan pada bulan Februari, Mei dan Agustus 2007. Data volume penjualan aktual pun menunjukkan penurunan pada bulan Februari, Mei dan Agustus 2007.
6.2 Analisis Peramalan Volume Penjualan Multivitamin PT UTD 2008. Sebelum melakukan peramalan, sebaiknya mengetahui pola data volume penjualan tahun 2003-2007. Pola data volume penjualan menunjukkan bahwa data tidak stasioner, memiliki unsur trend dan musiman (Gambar 1). Pola data volume penjualan tahun 2003-2006 sama dengan pola data volume penjualan 2003-2007, sehingga metode untuk meramal volume penjualan tahun 2007 dapat digunakan untuk meramal volume penjualan 12 bulan ke depan. Berdasarkan analisis peramalan volume penjualan tahun 2007, metode ARIMA (1,0,0)(0,1,1)12 merupakan metode terbaik untuk meramal. Untuk meramalkan volume penjualan tahun 2008, dapat juga menggunakan metode ARIMA (1,0,0)(0,1,1)12 karena metode tersebut memiliki nilai MSE terkecil dan sudah teruji pada volume penjualan tahun 2007. Akan tetapi, perlu dianalisis kembali agar pilihan metode lebih terpercaya dan akurat.
Metode peramalan yang digunakan untuk meramal volume penjualan 12 bulan ke depan yaitu: metode trend linier, trend kuadratik, pertumbuhan eksponensial, metode pemulusan eksponensial tunggal, pemulusan eksponensial ganda, metode winters aditif, winters multiplikatif, metode dekomposisi aditif, dekomposisi multiplikatif dan ARIMA. Hasil analisis metode-metode yang digunakan untuk meramal volume penjualan 12 bulan ke depan dapat dilihat pada Tabel 14. Metode yang dipilih adalah metode yang memiliki MSE terkecil karena metode peramalan yang memiliki error terkecil adalah metode yang mendekati nilai sebenarnya. Tabel 14. Metode Peramalan Kuantitatif Metode Time Series Nilai MSE Urutan Metode Terakurat Metode Trend (Kuadratik) 10,89 5 Pemulusan Eksponensial (Tunggal) 7,80 3 Metode Winters (Aditif) 9,96 4 Metode Dekomposisi (Aditif) 7,41 2 ARIMA (1,0,0)(0,1,1)12 5,63 1 Tabel 14. menunjukkan metode peramalan kuantitatif untuk volume penjualan Multivitamin. Metode terakurat yang diperoleh adalah metode ARIMA (1,0,0)(0,1,1)12 dengan nilai MSE sebesar 5,63. Hasil analisis ARIMA (1,0,0)(0,1,1)12 dapat dilihat pada Lampiran 12. Langkah-langkah dalam metode ARIMA adalah sebagai berikut:
.
1) Identifikasi Pola Data Tahap pertama dalam metode Box-Jenkins (ARIMA) adalah identifikasi pola data. Pada sub bab sebelumnya, telah dibahas bahwa pola data volume penjualan Multivitamin memiliki unsur trend dan musiman. Berdasarkan pola ACF dan PACF, nilai koefisien autokorelasi pada selang waktu pertama sampai
selang waktu keempat masih berbeda nyata dengan nol atau signifikan karena nilai t-hit lebih besar dari 2. Hal ini menandakan bahwa data tersebut tidak stasioner dan harus dilakukan pembedaan pertama (first order differencing). Kemudian plot ACF hasil pembedaan pertama dari deret data dianalisis untuk melihat apakah sudah stasioner atau belum sehingga perlu pembedaan lebih lanjut. Hasil pengamatan plot ACF menunjukkan bahwa deret data telah stasioner karena nilai autokorelasi sudah tidak signifikan atau nilai t-hitungnya lebih kecil dari 2. 2) Estimasi Parameter Setelah data distasionerkan, hasil analisis dari perilaku atau pola ACF dan PACF, model yang mungkin adalah model AR (1,1) dan MA (1,1). Data volume penjualan multivitamin menunjukkan adanya unsur musiman, maka perlu dilakukan pembedaan pada lag musimannya dengan D=1. Pembedaan musiman dengan panjang musiman (L=12) dilakukan hingga data menyebar secara merata sepanjang rentang waktu. Selain kemungkinan dari model tersebut, tidak menutup kemungkinan untuk model yang lain. Menentukan model terbaik diantara modelmodel yang ditentukan dengan cara memilih model yang memiliki nilai MSE terkecil. Beberapa alternatif model ARIMA yang mungkin untuk volume penjualan multivitamin antara lain: Tabel 15. Beberapa Alternatif Model ARIMA Volume Penjualan PT UTD. Model MSE 12 ARIMA (1,0,0)(0,1,1) 5,63 ARIMA (0,0,1)(0,1,1)12 7,98 12 ARIMA (0,1,1)(0,1,1) 6,41 12 ARIMA (1,1,1)(0,1,1) 6,54
Setelah
model
sementara
diperoleh,
langkah
selanjutnya
adalah
mengestimasi model dengan memilih nilai MSE (Mean Square Error) terkecil. Dari alternatif model ARIMA pada Tabel 15. diatas, model ARIMA (1,0,0)(0,1,1)12 merupakan model yang memiliki MSE terkecil sebesar 5,63. 3) Uji Diagnostik Setelah dilakukan estimasi model, selanjutnya dilakukan evaluasi untuk memastikan apakah model yang diestimasi sudah baik atau belum. Criteria dalam evaluasi metode ARIMA antara lain: •
Proses iterasi harus convergence Hasil pengolahan model ARIMA (1,0,0)(0,1,1)12 telah convergance (antara
dua model sudah tidak ada beda nyata). Proses iterasi telah convergence ditunjukkan adanya pernyataan relative change in each estimate less then 0,0010. •
Residual random Residual dari hasil peramalan model menunjukkan bahwa residual (forcast
error) sudah random. Sebagai indicator residual hasil ramalan telah random, digunakan modifieid Box-Pierce statistic atau melakukan uji statistic Ljung-Box. Hal ini ditunjukkan dengan nilai P-value untuk uji statistik dari residual lebih besar dari taraf nyata 0,05. Selain itu, nilai Chi-Square pada lag 12, 24 dan 36 lebih kecil dari nilai Chi-Square tabel yang menunjukkan bahwa model ARIMA (1,0,0)(0,1,1)12 telah layak dan memadai untuk peramalan. •
Kondisi invertibilitas ataupun stasioneritas harus dipenuhi Kondisi invertibilitas ataupun stasioneritas telah terpenuhi. Hal ini
ditunjukkan oleh jumlah koefisien AR atau MA yang masing-masing kurang dari
satu. Dalam output model terlihat jumlah koefisien untuk AR = 0,7682 dan SMA (1,2) = 0,7843. •
Parameter yang diestimasi berbeda nyata dari nol Parameter yang diestimasi berbeda nyata dengan nol. Hal ini dapat dilihat
dari nilai P-value koefisien yang kurang dari 0,05. Terlihat pada output bahwa Pvalue parameter untuk AR (1) = 0,000 dan SMA (1,2) = 0,000. •
Model harus parsimonius Keseluruhan model yang telah memenuhi syarat di atas, model ARIMA
(1,0,0)(0,1,1)12 adalah model yang relatif sudah dalam bentuk paling sederhana. •
Model harus memiliki nilai MSE terkecil Model ini memiliki nilai MSE terkecil dari keseluruhan model yang
dicoba. Model ini memiliki nilai MSE sebesar 5,63. 4) Peramalan Tahap akhir dalam metode ARIMA adalah peramalan. Karena data volume penjualan multivitamin PT UTD memiliki unsur musiman, maka model ARIMA (1,0,0)(0,1,1)12 dapat diturunkan menjadi persamaan dalam bentuk sebagai berikut: (1-B12) (1+0,7682B)Yt = 0,7566+(1+0,7843B12)εt Nilai MSE yang diperoleh pada metode ARIMA (1,0,0)(0,1,1)12 adalah 5,631. Artinya apabila perusahaan menggunakan metode ini dalam peramalan, nilai kesalahan peramalan tersebut sebesar 5,63 dari volume penjualan aktual multivitamin PT Univetama Dinamika. Dari hasil analisis metode peramalan time
series, metode ARIMA (1,0,0)(0,1,1)12 merupakan metode terpilih dan terbaik untuk meramal volume penjualan 12 bulan ke depan. Setelah terpilih metode peramalan yang terbaik, langkah selanjutnya adalah memperoleh hasil ramalan 12 bulan ke depan dengan menggunakan metode ARIMA (1,0,0)(0,1,1)12. Hasil ramalan untuk 12 bulan ke depan dapat dilihat pada Tabel 16. Tabel 16. Ramalan Volume Penjualan Multivitamin PT UTD Tahun 2008. Bulan Hasil Ramalan Batas Bawah Batas Atas (Kg) (Kg) (Kg) Januari 2008 106,552 101,900 111,204 Febuari 2008 105,244 99,378 111,111 Maret 2008 107,961 101,485 114,438 April 2008 109,201 102,389 116,012 Mei 2008 107,954 100,953 114,955 Juni 2008 108,463 101,352 115,574 Juli 2008 109,641 102,466 116,816 Agustus 2008 108,333 101,121 115,546 September 2008 108,424 101,190 115,659 Oktober 2008 108,853 101,605 116,100 November 2008 109,360 102,105 116,615 Desember 2008 113,189 105,930 120,449 Jumlah 1303,175 Berdasarkan
Tabel
16,
volume
penjualan
multivitamin
tertinggi
diperkirakan pada bulan Desember 2008 rata-rata sebesar 113,19 kg. Untuk volume penjualan terendah diperkirakan pada bulan Februari sebesar 105,24 kg. Volume penjualan multivitamin 12 bulan diperkirakan rata-rata sebesar 1303,18 kg. Apabila direalisasikan dengan volume penjualan tahun lalu yang sebesar 1249,80 kg, maka volume penjualan multivitamin 12 bulan ke depan (tahun 2008) diperkirakan meningkat 4,27 persen.
6.3. Implikasi Hasil Peramalan Bagi Perusahaan Perusahaan yang sukses adalah perusahaan yang mampu mengendalikan segala bentuk ketidakpastian serta mampu menghadapi perubahan yang terus menerus. Perubahan-perubahan yang ada di perusahaan, seperti penurunan atau peningkatan volume penjualan akan mempengaruhi perkembangan perusahaan. Oleh karena itu, perusahaan perlu memahami dan mereaksi perubahan tersebut. Hasil ramalan volume penjualan menunjukkan bahwa volume penjualan multivitamin pada tahun 2008 diperkirakan meningkat 4,27 persen. Hasil ramalan 12 bulan ke depan dapat digunakan perusahaan untuk merencanakan volume produksi yang akan datang, perencanaan kebutuhan bahan, rekrutmen tenaga kerja, prediksi arus kas dan tingkat dimana komposisi biaya dan pendapatan yang dipilih dapat mempertahankan likuiditas dan efisiensi operasi. Penentuan volume produksi disesuaikan dengan kebutuhan perusahaan, seperti kebutuhan sample produk, diskon produk dan lain-lain. Hasil ramalan volume penjualan yang diprediksikan meningkat akan menarik investor dalam menanamkan modalnya di perusahaan sehingga omzet penjualan dan keuntungan PT UTD akan meningkat.
VII. KESIMPULAN DAN SARAN
7.1. Kesimpulan Dari hasil analisis peramalan dan faktor-faktor yang mempengaruhi volume penjualan obat hewan PT Univetama Dinamika, dapat disimpulkan bahwa: 1. Faktor yang mempengaruhi volume penjualan multivitamin secara signifikan pada taraf nyata 0,05 adalah volume penjualan sebelumnya, populasi unggas Jawa Barat, dan harga multivitamin kompetitor. Sedangkan, variabel harga multivitamin PT UTD dan dummy musiman tidak berpengaruh nyata atau tidak signifikan terhadap volume penjualan multivitamin PT UTD pada taraf nyata 0,05. 2. Metode peramalan terbaik dan akurat untuk volume penjualan multivitamin obat hewan PT Univetama Dinamika adalah metode ARIMA (1,0,0)(0,1,1)12 dengan nilai MSE terkecil sebesar 5,63. 3. Volume penjualan multivitamin 12 bulan diperkirakan rata-rata sebesar 1303,18 kg. Volume penjualan tertinggi diperkirakan pada bulan Desember 2008 sebesar 113,19 kg. Apabila direalisasikan dengan volume penjualan tahun lalu (tahun 2007) yang sebesar 1249,80 kg, maka volume penjualan multivitamin 12 bulan ke depan (tahun 2008) diperkirakan meningkat 4,27 persen.
7.2. Saran •
PT
Univetama
Dinamika
sebaiknya
menggunakan
metode
ARIMA
(1,0,0)(0,1,1)12 untuk meramal volume penjualan multivitamin dengan mempersiapkan Sumberdaya Manusia (SDM) khusus bagian peramalan. •
Jika upaya meningkatkan volume penjualan belum menampakkan hasil, sebaiknya dilakukan pengurangan produksi multivitamin.
•
Sistem komputerisasi dalam kegiatan administrasi dan pencatatan harus diperbaiki untuk menghindari terjadinya kehilangan data penting, seperti data penjualan masa lalu dengan melakukan back up data atau membuat database terhadap data masa lalu. Data penjualan merupakan informasi penting dalam melaksanakan kegiatan peramalan untuk masa yang akan datang.
DAFTAR PUSTAKA
Assauri, S. 1984. Teknik dan Metode Peramalan Penerapannya dalam Ekonomi dan Dunia Usaha. Edisi 1. Lembaga Penerbit Fakultas Ekonomi, Universitas Indonesia, Jakarta.
Direktorat Jendral Peternakan. 2007. Statistik Peternakan 2007. Direktorat Jendral Peternakan, Jakarta Gaynor, PE and Kirkpatrick RC. 1994. Introduction to Time Series Modelling and Forecasting in Business and Economics. Mc Grow Hill, Singapore. Gujarati, D dan Sumarno, Z. 1997. Ekonometrika Dasar. Erlangga, Jakarta. Hanke, John E. Dan Arthur W. Wichern. 2003. Peramalan Bisnis (Edisi Tujuh). PT Prehalindo, Jakarta. Juanda, B. 2007. Metodologi Penelitian Ekonomi dan Bisnis. IPB-Press, Bogor. Kotler, P. 1987. Manajemen Pemasaran Analisis, Perencanaan dan Pengendalian. Jilid 2. Edisi kelima. Herujati Purwoko dan Jaka Wasana. Penerjemah. Erlangga, Jakarta. Kartikasari, W. 2005. Peramalan Penjualan Daging Ayam di RPA Jabal Nur Kabupaten Ciamis, Jawa Barat. Skripsi Sarjana. Departemen Ilmu-Ilmu Sosial Ekonomi Pertanian, Fakultas Pertanian, Institut Pertanian Bogor, Bogor. Limbong, W.H dan P. Sitorus. 1987. Pengantar Tata Niaga Pertanian. Jurusan Sosial Ekonomi Pertanian. Fakultas Pertanian. Institut Pertanian Bogor, Bogor. Lipsey, Courat, Purvis, Steiner. 1995. Pengantar Mikroekonomi. Jilid 1. Wasana, J dan Kirbrandoko. Penerjemah. Binarupa Aksara, Jakarta. Makridakis S, Steven C. Wheelwirgh, Victor E. Mc Gee. 1999. Metode dan Aplikasi Peramalan. Jilid 1. Edisi Kedua. Hari Suminto. Penerjemah. Bina Aksara, Jakarta. Mulyono, S. 2000. Peramalan Bisnis dan Ekonometrika. Edisi Pertama. BPPE, Yogyakarta. Nicholson, W. 1999. Teori Mikroekonomi : Prinsip Dasar dan Perluasan. Jilid 2. Daniel Wirajaya. Penerjemah. Binarupa Aksara, Jakarta. Nusantara, T. 2006. Analisis Peramalan dan Faktor-Faktor Yang Mempengaruhi Impor Buah-Buahan Indonesia. Skripsi Sarjana. Departemen Agribisnis, Fakultas Pertanian, Institut Pertanian Bogor, Bogor. Pierce, J. A dan Robinson, RD. 1997. Manajemen Strategi, Formulasi, Implementasi dan Pengendalian. Binarupa Aksara, Jakarta.
Riadsyah, I. 2004. Aplikasi Peramalan Produksi dan Penjualan CPO-PKO PTP Nusantara IV Medan Sumatera Utara: Pendekatan dengan Metode BoxJenkins dan Metode VAR. Skripsi Sarjana. Departemen Ilmu-Ilmu Sosial Ekonomi Pertanian, Fakultas Pertanian, Institut Pertanian Bogor, Bogor. Sugiarto dan Harijono. 2000. Peramalan Bisnis. Gramedia, Jakarta.
Lampiran 1. Data Penjualan Multivitamin Obat Hewan PT Univetama Dinamika 2003-2007 No Tahun Bulan Penjualan No Tahun Bulan Penjualan (Kg) (Kg) 1. 2003 Januari 88,8 31. Juli 98,5 2. Februari 89,3 32. Agustus 98,1 3. Maret 93,2 33. September 99,9 4. April 90,5 34. Oktober 100,2 5. Mei 90,4 35. November 100,8
6. Juni 89,2 7. Juli 86,8 8. Agustus 85,8 9. September 85,4 10. Oktober 89,6 11. November 91,4 12. Desember 95,3 13. 2004 Januari 91,6 14. Februari 90,3 15. Maret 100,1 16. April 99,6 17. Mei 100,8 18. Juni 99,2 19. Juli 101,9 20. Agustus 98,2 21. September 98,9 22. Oktober 97,1 23. November 98,8 24. Desember 106,7 25. 2005 Januari 100,7 26. Februari 99,3 27. Maret 103,9 28. April 102,1 29. Mei 97,3 30. Juni 98,9 Sumber: PT Univetama Dinamika, 2008
36. 37. 2006 38. 39. 40. 41. 42. 43. 44. 45. 46. 47. 48. 49. 2007 50. 51. 52. 53. 54. 55. 56. 57. 58. 59. 60.
Desember Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember
100,7 99,2 97,2 96,1 100,8 101,6 102,1 103,8 103,1 100,4 100,1 99,5 104,1 99,4 98,9 100,5 103,6 100,1 102,7 105,9 104,6 107,3 107,9 108,1 110,8
Lampiran 2. Harga Jual Multivitamin PT Univetama Dinamika 2003-2007 No Tahun Bulan Harga No Tahun Bulan Harga (Rp/Kg) (Rp/Kg) 1. 2003 Januari 190 000 31. Juli 190 500 2. Februari 190 000 32. Agustus 190 500 3. Maret 190 000 33. September 190 500 4. April 190 000 34. Oktober 190 500 5. Mei 190 000 35. November 190 500 6. Juni 190 000 36. Desember 190 500
7. Juli 190 000 8. Agustus 190 000 9. September 190 000 10. Oktober 190 000 11. November 190 000 12. Desember 190 000 13. 2004 Januari 190 000 14. Februari 190 000 15. Maret 190 000 16. April 190 000 17. Mei 190 000 18. Juni 190 000 19. Juli 190 000 20. Agustus 190 000 21. September 190 000 22. Oktober 190 000 23. November 190 000 24. Desember 190 000 25. 2005 Januari 190 000 26. Februari 190 000 27. Maret 190 000 28. April 190 500 29. Mei 190 500 30. Juni 190 500 Sumber: PT Univetama Dinamika, 2008
37. 2006 38. 39. 40. 41. 42. 43. 44. 45. 46. 47. 48. 49. 2007 50. 51. 52. 53. 54. 55. 56. 57. 58. 59. 60.
Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember
190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500
Lampiran 3. Harga Jual Multivitamin Kompetitor 2003-2007 No Tahun Bulan Harga No Tahun Bulan (Rp/Kg) 1. 2003 Januari 190 000 31. Juli 2. Februari 190 000 32. Agustus 3. Maret 190 000 33. September 4. April 190 000 34. Oktober 5. Mei 190 000 35. November 6. Juni 190 000 36. Desember
Harga (Rp/Kg) 190 500 190 500 190 500 190 500 190 500 190 500
7. Juli 190 000 8. Agustus 190 000 9. September 190 000 10. Oktober 190 000 11. November 190 000 12. Desember 190 000 13. 2004 Januari 190 000 14. Februari 190 000 15. Maret 190 500 16. April 190 500 17. Mei 190 500 18. Juni 190 500 19. Juli 190 500 20. Agustus 190 500 21. September 190 500 22. Oktober 190 500 23. November 190 500 24. Desember 190 500 25. 2005 Januari 190 500 26. Februari 190 500 27. Maret 190 500 28. April 190 500 29. Mei 190 500 30. Juni 190 500 Sumber: PT Univetama Dinamika, 2008
37. 2006 38. 39. 40. 41. 42. 43. 44. 45. 46. 47. 48. 49. 2007 50. 51. 52. 53. 54. 55. 56. 57. 58. 59. 60.
Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember
Lampiran 4. Data Populasi Unggas Propinsi Jawa Barat 2003-2007 No Tahun Bulan Populasi No Tahun Bulan (ekor) 1. 2003 Januari 3573512 31. Juli 2. Februari 3605962 32. Agustus 3. Maret 3589737 33. September 4. April 3567287 34. Oktober 5. Mei 3559939 35. November 6. Juni 3542308 36. Desember
190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500 190 500
Populasi (ekor) 3925371 3977902 3996890 4011131 4058600 3963662
7. Juli 3513364 8. Agustus 3528735 9. September 3494037 10. Oktober 3497039 11. November 3501546 12. Desember 3558904 13. 2004 Januari 3654275 14. Februari 3742972 15. Maret 3663145 16. April 3672015 17. Mei 3667579 18. Juni 3703058 19. Juli 3676449 20. Agustus 3689755 21. September 3716362 22. Oktober 3729667 23. November 3794188 24. Desember 3838536 25. 2005 Januari 3873470 26. Februari 3968092 27. Maret 3951446 28. April 3925686 29. Mei 3844989 30. Juni 3811761 Sumber: PT Univetama Dinamika, 2008
37. 2006 38. 39. 40. 41. 42. 43. 44. 45. 46. 47. 48. 49. 2007 50. 51. 52. 53. 54. 55. 56. 57. 58. 59. 60.
Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember
3901574 3906202 3892316 3878433 3864548 3850663 3836778 3855292 3822894 3813628 3827522 3922894 4012659 4145492 4082014 3977981 4042382 4096875 4136507 4151368 4171184 4200907 4235585 4186046
Lampiran 5. Output Analisis Regresi Volume Penjualan Multivitamin PT Univetama Dinamika. Regression Analysis: penjualan versus lag penjualan, harga produk PT UTD, harga produk kompetitor, populasi unggas, Dummy musiman. The regression equation is penjualan = - 1287 + 0.388 Yt-1 - 0.00302 Px + 0.00992 Py + 0.000009 pop + 0.218 Dm
59 cases used, 1 cases contain missing values
Predictor Constant Yt-1 Px Py pop Dm
Coef -1287.4 0.3881 -0.003023 0.009916 0.00000916 0.2180
S = 2.49840
SE Coef 626.4 0.1246 0.002154 0.002838 0.00000360 0.7063
R-Sq = 82.4%
T -2.06 3.11 -1.40 3.49 2.55 0.31
P 0.045 0.003 0.166 0.001 0.014 0.759
VIF 4.5 2.7 3.3 5.1 1.2
R-Sq(adj) = 80.7%
Analysis of Variance Source Regression Residual Error Total
Source dYt Px Py pop Dm
DF 1 1 1 1 1
DF 5 53 58
SS 1548.69 330.83 1879.52
MS 309.74 6.24
F 49.62
P 0.000
Seq SS 1407.04 5.10 84.17 51.79 0.59
Unusual Observations Obs 12 24
dYt 91 99
Yt 95.300 106.700
Fit 90.569 100.960
SE Fit 0.814 0.779
Residual 4.731 5.740
St Resid 2.00R 2.42R
R denotes an observation with a large standardized residual.
Durbin-Watson statistic = 1.84069
Lampiran 6. Residual Plot Model Volume Penjualan.
Residual Plots for Penjualan Normal Probability Plot of the Residuals
Residuals Versus the Fitted Values
99
5.0
90
2.5
Residual
Percent
99.9
50 10
-2.5
1 0.1
0.0
-8
-4
0 Residual
4
-5.0
8
Histogram of the Residuals
90
95 100 Fitted Value
105
Residuals Versus the Order of the Data 5.0
7.5
2.5
Residual
10.0 Frequency
85
5.0
0.0 -2.5
2.5 0.0
-4
-2
0 2 Residual
4
-5.0
6
1 5
10 15 20 25 30 35 40 45 50 55 60 Observation Order
Lampiran 7. Plot Normal Probability. Probability Plot of residual Normal 99.9
Mean StDev N KS P-Value
99
Probability
95 90 80 70 60 50 40 30 20 10 5 1 0.1
-10
-5
0 residual
5
10
0.3729 2.936 59 0.086 >0.150
Lampiran 8. Plot ACF dan PACF A uto c or r e la tion F unc tion for pe njua la n (w ith 5% s ignifica nce lim its for the a uto cor re la tions ) 1.0 0.8
Autocorrelation
0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1
2
3
4
5
6
7
8
9
10
11
12
11
12
La g
P a r ti a l A u t o c o r r e l a t i o n F u n c t i o n f o r p e n ju a l a n ( w ith 5 % s ig n ific a n c e lim its fo r th e p a r tia l a u to c o r r e la tio n s ) 1 .0
Partial Autocorrelation
0 .8 0 .6 0 .4 0 .2 0 .0 - 0 .2 - 0 .4 - 0 .6 - 0 .8 - 1 .0 1
2
3
4
5
6
7
8
9
10
La g
Autocorrelation Function: penjualan Lag 1 2 3 4 5 6 7 8 9 10 11 12
ACF 0.797711 0.678547 0.650872 0.576062 0.496585 0.433119 0.374510 0.284726 0.195682 0.060664 0.015649 0.048573
T 5.53 3.12 2.52 1.99 1.59 1.32 1.10 0.82 0.55 0.17 0.04 0.14
LBQ 32.49 56.52 79.11 97.21 110.97 121.69 129.90 134.77 137.12 137.36 137.37 137.53
Lag 1 2 3 4 5 6 7 8 9 10 11 12
PACF 0.797711 0.116055 0.222511 -0.046526 -0.024091 -0.037982 -0.019495 -0.117501 0.091156 -0.259260 0.090077 0.210182
T 5.53 0.80 1.54 -0.32 -0.17 -0.26 -0.14 -0.81 -0.63 -1.80 0.62 1.46
Lampiran 9. Output Analisis Winters Aditif Volume Penjualan PT UTD. Winters' Method for Penjualan Additive Method Data Length
penjualan 48
Smoothing Constants Alpha (level) Gamma (trend) Delta (seasonal)
0.3 0.2 0.1
Accuracy Measures MAPE MAD MSD
2.32787 2.27207 7.27701
Forecasts Period 49 50 51 52 53 54 55 56 57 58 59 60
Forecast 101.610 100.452 104.618 104.530 103.682 103.410 103.699 102.115 101.808 102.260 103.013 106.983
Lower 96.0435 94.6858 98.6213 98.2748 97.1442 96.5684 96.5339 94.6111 93.9508 94.0368 94.4141 97.9983
Upper 107.176 106.218 110.615 110.785 110.220 110.252 110.864 109.619 109.665 110.482 111.613 115.968
Lampiran 10. Plot ACF Hasil Pembedaan Pertama
A u to c o r r e l a ti o n F u n c ti o n f o r d i f f ( w ith 5 % s ig n ific a n c e lim its fo r th e a u to c o r r e la tio n s ) 1 .0 0 .8
Autocorrelation
0 .6 0 .4 0 .2 0 .0 - 0 .2 - 0 .4 - 0 .6 - 0 .8 - 1 .0 1
2
3
4
5
6
7
8
9
10
11
La g
Lampiran 11. Output Komputer ARIMA (1,0,0)(0,1,1)12 Tahun 2007 ARIMA (1,0,0)(0,1,1)12 Model: Penjualan Estimates at each iteration Iteration 0 1 2 3 4 5 6 7 8 9
SSE 868.651 660.869 497.368 372.856 317.409 283.965 274.578 274.096 274.094 274.094
Parameters 0.100 0.100 3.397 0.250 0.149 2.856 0.400 0.230 2.310 0.550 0.379 1.756 0.626 0.529 1.457 0.690 0.679 1.171 0.762 0.771 0.804 0.769 0.750 0.746 0.769 0.752 0.742 0.769 0.752 0.742
Relative change in each estimate less than 0.0010
Final Estimates of Parameters Type AR 1 SMA 12 Constant
Coef 0.7693 0.7515 0.7420
SE Coef 0.1259 0.2359 0.1422
T 6.11 3.19 5.22
P 0.000 0.003 0.000
Differencing: 0 regular, 1 seasonal of order 12 Number of observations: Original series 48, after differencing 36 Residuals: SS = 237.273 (backforecasts excluded) MS = 7.190 DF = 33
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square DF
12 7.3 9
24 15.5 21
36 * *
48 * *
12
P-Value
0.601
0.796
*
*
Forecasts from period 48
Period 49 50 51 52 53 54 55 56 57 58 59 60
Forecast 101.609 100.938 105.423 105.636 104.533 104.890 105.412 104.290 104.450 104.996 105.828 109.324
95 Percent Limits Lower Upper 96.352 106.866 94.305 107.570 98.098 112.749 97.929 113.343 96.609 112.457 96.840 112.940 97.289 113.535 96.124 112.456 96.259 112.642 96.789 113.202 97.612 114.044 101.103 117.545
Actual
Lampiran 12. Output Analisis ARIMA (1,0,0)(0,1,1)12 Tahun 2008 ARIMA (1,0,0)(0,1,1)12 Model: Penjualan Estimates at each iteration Iteration 0 1 2 3 4 5 6 7 8 9
SSE 970.969 744.175 564.245 426.836 355.353 315.807 298.701 298.490 298.481 298.480
Parameters 0.100 0.100 3.354 0.250 0.144 2.792 0.400 0.217 2.228 0.550 0.344 1.660 0.648 0.494 1.283 0.717 0.644 1.008 0.775 0.776 0.762 0.770 0.782 0.754 0.768 0.784 0.756 0.768 0.784 0.757
Relative change in each estimate less than 0.0010
Final Estimates of Parameters Type AR 1 SMA 12 Constant
Coef 0.7682 0.7843 0.7566
SE Coef 0.0989 0.1513 0.1003
T 7.76 5.18 7.55
P 0.000 0.000 0.000
Differencing: 0 regular, 1 seasonal of order 12 Number of observations: Original series 60, after differencing 48 Residuals: SS = 253.398 (backforecasts excluded) MS = 5.631 DF = 45
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square DF
12 7.7 9
24 15.3 21
36 27.7 33
48 * *
P-Value
0.560
0.809
0.729
*
Forecasts from period 60
Period 61 62 63 64 65 66 67 68 69 70 71 72
Forecast 106.552 105.244 107.961 109.201 107.954 108.463 109.641 108.333 108.424 108.853 109.360 113.189
95 Percent Limits Lower Upper 101.900 111.204 99.378 111.111 101.485 114.438 102.389 116.012 100.953 114.955 101.352 115.574 102.466 116.816 101.121 115.546 101.190 115.659 101.605 116.100 102.105 116.615 105.930 120.449
Actual
